Apostila PDF

UNIVATES - Centro Universitario
Centro III
Curso de Engenharia de Automacao e Controle

Curso de Engenharia Sanitaria e Ambiental
Curso de Engenharia da Computacao
Curso de Engenharia de Producao
Algebra Linear
e

Geometria Analitica
por
Prof.Dr. Claus Haetinger e-mail: chaet@univates.br
URL http://ensino.univates.br/chaet
e
a a
Prof .Drnd . M. Madalena Dullius e-mail: madalena@univates.br
Lajeado, 24 de Julho de 2006

Sumario
1 Introducao 1
2 O Plano 5
3 O Espaco 19
4 Curvas Planas, Equacoes Parametricas e Coordenadas Po-

lares 27
5 Matrizes 58
5.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.2 Conceito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3 Tipos Especiais . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.3.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.4 Operacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.4.1 Adicao . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.4.2 Subtracao . . . . . . . . . . . . . . . . . . . . . . . . 65
5.4.3 Multiplicacao por um Numero Real . . . . . . . . . . . 66
5.4.4 Multiplicacao de Matrizes . . . . . . . . . . . . . . . . 67
5.4.5 Transposicao . . . . . . . . . . . . . . . . . . . . . . . 74
5.5 Exerccios de Fixacao e Problemas de Aplicacao . . . . . . . 75
5.6 Respostas dos Principais Exerccios do Captulo . . . . . . . . 83
6 Sistemas Lineares 87
6.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.2 Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6.3 Forma Escalonada . . . . . . . . . . . . . . . . . . . . . . . . 90
6.3.1 Operacoes Elementares . . . . . . . . . . . . . . . . . 91
6.3.2 Procedimento para a Reducao de uma Matriz a Forma
Escalonada . . . . . . . . . . . . . . . . . . . . . . . . 92
6.4 Sistema Linear Escalonado . . . . . . . . . . . . . . . . . . . 93
6.4.1 Resolucao de um Sistema Linear Escalonado . . . . . 94
6.4.2 Escalonamento de um Sistema Linear . . . . . . . . . 94
i
UNIVATES Centro Universitario ii
6.4.3 Algoritmo que Reduz uma Matriz a Forma Escalonada

Reduzida por Linhas . . . . . . . . . . . . . . . . . . . 95
6.5 Solucoes de um Sistema Linear . . . . . . . . . . . . . . . . . 95
6.5.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 97
7 Determinante e Matriz Inversa 104

7.1 Breve Relato Historico . . . . . . . . . . . . . . . . . . . . . . 104
7.2 Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.3 Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.3.1 Desenvolvimento de Laplace . . . . . . . . . . . . . . . 108
7.4 Matriz Adjunta Matriz Inversa . . . . . . . . . . . . . . . . 109
7.5 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.6 Metodo Pratico para Encontrar A1 . . . . . . . . . . . . . . 115
8 Introducao as Transformacoes Lineares 118
9 Espacos Vetoriais 131

9.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
9.2 Vetores no Plano e no Espaco . . . . . . . . . . . . . . . . . . 131
9.2.1 Vetores no Plano . . . . . . . . . . . . . . . . . . . . . 132
9.2.2 Vetores no Espaco . . . . . . . . . . . . . . . . . . . . 135
9.3 Espacos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . 136
9.3.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 137
9.4 Subespacos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . 137
9.4.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 138
9.4.2 Contra-Exemplos . . . . . . . . . . . . . . . . . . . . . 138
9.4.3 Propriedades . . . . . . . . . . . . . . . . . . . . . . . 140
9.4.4 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 140
9.4.5 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 141
9.5 Combinacao Linear . . . . . . . . . . . . . . . . . . . . . . . . 142
9.5.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 142
9.6 Dependencia e Independencia Linear . . . . . . . . . . . . . . 143
9.6.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . 143
9.7 Base de Um Espaco Vetorial . . . . . . . . . . . . . . . . . . . 143
9.7.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 144
9.7.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 145
9.8 Mudanca de Base . . . . . . . . . . . . . . . . . . . . . . . . . 147
9.8.1 A Inversa da Matriz de Mudanca de Base . . . . . . . 149
9.8.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 149
UNIVATES Centro Universitario iii
10 Aprofundamento Sobre Transformacoes Lineares 156

10.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
10.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
10.3 Transformacoes do Plano no Plano . . . . . . . . . . . . . . . 158
10.3.1 Expansao (ou Contracao) Uniforme . . . . . . . . . . 158
10.3.2 Reflexao em Torno do Eixo OX ~ . . . . . . . . . . . . . 159
10.3.3 Reflexao pela Origem . . . . . . . . . . . . . . . . . . 159
10.3.4 Rotacao de um angulo . . . . . . . . . . . . . . . . . 160
10.3.5 Cisalhamento Horizontal . . . . . . . . . . . . . . . . . 161
10.3.6 Translacao . . . . . . . . . . . . . . . . . . . . . . . . 161
10.4 Conceitos e Teoremas . . . . . . . . . . . . . . . . . . . . . . 161
10.5 Transformacoes Lineares e Matrizes . . . . . . . . . . . . . . . 164
10.6 Aplicacoes a Optica . . . . . . . . . . . . . . . . . . . . . . . 169
11 Desigualdades Lineares 174
12 Variedades Lineares, Conjuntos Convexos e Programacao

Linear 180
12.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
12.2 Aplicacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
12.3 Topicos da Programacao Linear . . . . . . . . . . . . . . . . . 182
12.4 Metodologia de Resolucao . . . . . . . . . . . . . . . . . . . . 182
12.5 Conjuntos Convexos . . . . . . . . . . . . . . . . . . . . . . . 182
12.5.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 183
12.5.2 Caracterizacao Geometrica dos Vertices . . . . . . . . 188
12.6 Introducao a Programacao Linear . . . . . . . . . . . . . . . . 189
12.6.1 Topicos sobre Produto Interno . . . . . . . . . . . . . 189
12.6.2 Metodo Geometrico . . . . . . . . . . . . . . . . . . . 190
12.6.3 Teorema Fundamental da PL . . . . . . . . . . . . . . 193
12.6.4 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . 194
13 Curvas Conicas 201

13.1 A Elipse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
13.1.1 Equacao Reduzida da Elipse com Centro na Origem e
Focos sobre os Eixos Coordenados . . . . . . . . . . . 202
13.1.2 Equacao da Elipse Cujos Eixos sao Paralelos aos Eixos
Coordenados . . . . . . . . . . . . . . . . . . . . . . . 203
13.1.3 Posicao Relativa entre Reta e Elipse . . . . . . . . . . 204
13.2 A Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
13.2.1 Equacao Reduzida da Parabola com Vertice na Ori-
gem e Foco sobre um dos Eixos Coordenados . . . . . 205
13.2.2 Equacao Reduzida da Parabola Cujo Eixo de Simetria
e Paralelo a um dos Eixos Coordenados . . . . . . . . 207
13.2.3 Posicao Relativa entre Reta e Parabola . . . . . . . . 207
13.3 A Hiperbole . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
UNIVATES Centro Universitario iv
13.3.1 Equacao Reduzida da Hiperbole com Centro na Ori-

gem e Focos sobre os Eixos . . . . . . . . . . . . . . . 209
13.3.2 Equacao Reduzida da Hiperbole Cujos Eixos sao Pa-
ralelos aos Eixos Coordenados . . . . . . . . . . . . . . 209
13.3.3 Posicao Relativa entre Reta e Hiperbole . . . . . . . . 210
13.4 Equacoes de Conicas com Eixo(s) Nao Paralelo(s) aos Eixos
Coordenados . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
13.4.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 211
13.5 Aplicacao das Translacoes e Rotacoes ao Estudo da Equacao
Geral do Segundo Grau a Duas Variaveis . . . . . . . . . . . 212
13.5.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 214
13.6 A Equacao Geral do Segundo Grau a Duas Variaveis e as
Conicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
13.6.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 215
A Artigos para Aprofundamento 217

A.1 Comparacao dos Procedimentos para Resolver Sistemas Li-
neares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
A.2 Algebra de Matrizes . . . . . . . . . . . . . . . . . . . . . . . 217
A.3 Correlacion de Pares de Imagenes para Medicion de Solidos
por Fenomenos Estereo . . . . . . . . . . . . . . . . . . . . . . 217
A.4 Introducao a Pesquisa Operacional . . . . . . . . . . . . . . . 217
A.5 Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
A.6 Espacos Vetoriais Introducao: Quadrados Magicos . . . . . 217
A.7 Compressao de Imagem Digital . . . . . . . . . . . . . . . . . 217
A.8 Investigacao: Azulejos, Reticulados e a Restricao Crista-
lografica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
A.9 Investigacao: A Fatoracao LU . . . . . . . . . . . . . . . . . . 218
A.10 Codigos Corretores de Erros . . . . . . . . . . . . . . . . . . . 218
A.11 Grafos e Dgrafos . . . . . . . . . . . . . . . . . . . . . . . . . 218
A.12 Investigacao: Pivotamento Parcial e Contagem de Operacoes
- Uma Introducao a Analise de Algoritmos . . . . . . . . . . . 218
A.13 Analise de Redes . . . . . . . . . . . . . . . . . . . . . . . . . 218
A.14 Simulador de Circuitos . . . . . . . . . . . . . . . . . . . . . . 218
A.15 Vetores de Codigo e Aritmetica Modular . . . . . . . . . . . . 218
A.16 Diagonalizacao de Formas Quadraticas: Secoes Conicas . . . 218
A.17 A Rampa de Skate do Tempo Mnimo . . . . . . . . . . . . . 218
A.18 Por Que as Antenas Sao Parabolicas . . . . . . . . . . . . . . 219
A.19 A Hiperbole e os Telescopios . . . . . . . . . . . . . . . . . . . 219
A.20 A Sombra do Meu Abajur . . . . . . . . . . . . . . . . . . . . 219
A.21 A Matematica do GPS . . . . . . . . . . . . . . . . . . . . . . 219
A.22 Montando uma Dieta Alimentar com Sistemas Lineares . . . 219
A.23 Resumo Sobre Conicas . . . . . . . . . . . . . . . . . . . . . . 219
A.24 Um Brinquedo Chamado Espirografo . . . . . . . . . . . . . . 219
UNIVATES Centro Universitario v
B Autovalores e Vetores Proprios, Diagonalizacao de Opera-

dores Lineares 220
B.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
B.2 Sistemas Lineares da Forma Ax = x . . . . . . . . . . . . . . 221
B.3 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . 222
B.4 Diagonalizacao . . . . . . . . . . . . . . . . . . . . . . . . . . 226
B.4.1 Um Procedimento para Diagonalizar uma Matriz . . . 227
B.4.2 Multiplicidades Geometrica e Algebrica . . . . . . . . 229
B.5 Diagonalizacao Ortogonal . . . . . . . . . . . . . . . . . . . . 231
B.5.1 Matrizes Ortogonais: Mudanca de Bases . . . . . . . . 231
B.5.2 Diagonalizacao de Matrizes Simetricas . . . . . . . . . 233
C Produto Escalar 235

C.1 Angulos Diretores e Cossenos Diretores de um Vetor . . . . . 237
C.2 Projecao de um Vetor . . . . . . . . . . . . . . . . . . . . . . 238
D Processos Aleatorios: Cadeias de Markov 239

D.1 Ideia Intuitiva . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
D.2 Conceito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
D.3 Previsoes a Longo Prazo . . . . . . . . . . . . . . . . . . . . . 243
D.3.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 244
D.4 Previsoes em Genetica . . . . . . . . . . . . . . . . . . . . . . 246
E Somatorios 251
E.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
E.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
E.3 Algumas Propriedades . . . . . . . . . . . . . . . . . . . . . . 253
E.4 Respostas dos Principais Exerccios . . . . . . . . . . . . . . . 254
F Topicos sobre Retas e suas Equacoes 255

F.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
F.2 Coeficiente Angular . . . . . . . . . . . . . . . . . . . . . . . . 257
F.3 Coeficiente Linear . . . . . . . . . . . . . . . . . . . . . . . . 258
F.3.1 Um Caso a Parte . . . . . . . . . . . . . . . . . . . . . 262
F.4 As Retas que Passam por um Ponto Dado . . . . . . . . . . . 268
F.5 Paralelismo de duas retas . . . . . . . . . . . . . . . . . . . . 272
F.6 Interseccao de Duas Retas . . . . . . . . . . . . . . . . . . . . 273
F.7 Perpendicularismo de duas Retas . . . . . . . . . . . . . . . . 274
F.7.1 Projecao (Ortogonal) de um Ponto sobre uma Reta . . 275
F.8 Equacao Geral e Equacao Reduzida . . . . . . . . . . . . . . 277
F.8.1 Equacao Geral da Reta . . . . . . . . . . . . . . . . . 277
F.8.2 Equacao Reduzida da Reta . . . . . . . . . . . . . . . 277
F.9 Distancia entre Ponto e Reta . . . . . . . . . . . . . . . . . . 278
F.10 Respostas dos Principais Exerccios do Captulo . . . . . . . . 281
Bibliografia 303
Captulo 1
Introducao
I niciamos este polgrafo apresentando alguns exemplos de algumas

das inumeras aplicacoes da Algebra Linear. E claro que neste curso nao
conseguiremos aborda-las todas. Contudo, o leitor interessando em mais
detalhes sobre os mesmos pode consultar [1].
Exemplo 1.0.1 (Jogos de estrategia)

No jogo de roleta o jogador da seu lance com uma aposta e o cassino
responde com o giro da roleta; o lucro para o jogador ou para o cassino e
determinado a partir destes dois movimentos.
Estes sao os ingredientes basicos de uma variedade de jogos que contem
elementos tanto de estrategia quanto de acaso. Os metodos matriciais podem
ser usados para desenvolver estrategias otimizadas para os jogadores.
Exemplo 1.0.2 (Administracao de florestas)

O administrador de uma plantacao de arvores de Natal quer plantar e
cortar as arvores de uma maneira tal que a configuracao da floresta per-
maneca inalterada de um ano para outro. O administrador tambem procura
maximizar os rendimentos, que dependem do numero e do tamanho das
arvores cortadas.
Tecnicas matriciais podem quantificar este problema e auxiliar o admi-
nistrador a escolher uma programacao sustentavel de corte.
Exemplo 1.0.3 (Computacao grafica) Uma das aplicacoes mais

uteis da computacao grafica e a do simulador de voo.
As matrizes fornecem uma maneira conveniente de lidar com a enorme
quantidade de dados necessarios para construir e animar os objetos tridi-
mensionais usados por simuladores de voo para representar um cenario em
movimento.
1
UNIVATES Centro Universitario 2
Exemplo 1.0.4 (Redes eletricas)

Circuitos eletricos que contenham somente resistencias e geradores de
energia podem ser analisados usando sistemas lineares derivados das leis
basicas da teoria de circuitos.
Exemplo 1.0.5 (Distribuicao de temperatura de equilbrio)

Uma tarefa basica da ciencia e da engenharia, que pode ser reduzida
a resolver um sistema de equacoes lineares atraves de tecnicas matriciais
iterativas, e determinar a distribuicao de temperatura de objetos tais como
a do aco saindo da fornalha.
Exemplo 1.0.6 (Cadeias de Markov)

Os registros meteorologicos de uma localidade especfica podem ser usados
para estimar a probabilidade de que va chover em um certo dia a partir da
informacao de que choveu ou nao no dia anterior.
A teoria das cadeias de Markov pode utilizar tais dados para prever, com
muita antecedencia, a probabilidade de um dia chuvoso na localidade.
Exemplo 1.0.7 (Genetica)

Os mandatarios do Egito antigo recorriam a casamentos entre irmaos
para manter a pureza da linhagem real. Este costume propagou e acentuou
certos tracos geneticos atraves de muitas geracoes.
A teoria das matrizes fornece um referencial matematico para examinar
o problema geral da propagacao de tracos geneticos.
Exemplo 1.0.8 (Crescimento populacional por faixa etaria)

A configuracao populacional futura pode ser projetada aplicando algebra
matricial as taxas, especificadas por faixas etarias, de nascimento e mor-
talidade da populacao. A evolucao a longo prazo da populacao depende
das caractersticas matematicas de uma matriz de projecao que contem os
parametros demograficos da populacao.
Exemplo 1.0.9 (Colheita de populacoes animais)

A colheita sustentada de uma criacao de animais requer o conhecimento
da demografia da populacao animal. Para maximizar o lucro de uma colheita
periodica, podem ser comparadas diversas estrategias de colheita sustentada
utilizando tecnicas matriciais que descrevem a dinamica do crescimento po-
pulacional.
Exemplo 1.0.10 (Criptografia)

Durante a Segunda Guerra Mundial, os decodificadores norte-americanos
e britanicos tiveram exito em quebrar o codigo militar inimigo usando
tecnicas matematicas e maquinas sofisticadas.
Hoje em dia, o principal impulso para o desenvolvimento de codigos
seguros e dado pelas comunicacoes confidenciais entre computadores e em
telecomunicacoes.
Exemplo 1.0.11 (Construcao de curvas e superfcies por pontos

especificados)
Em seu trabalho Principia Mathematica (Os Princpios Matematicos
da Filosofia Natural), I. Newton abordou o problema da construcao de uma
elipse por cinco pontos dados. Isto ilustraria como encontrar a orbita de um
cometa ou de um planeta atraves da analise de cinco observacoes.
Ao inves de utilizarmos o procedimento geometrico de Newton, podemos
utilizar os determinantes para resolver o problema analiticamente.
Exemplo 1.0.12 (Programacao linear geometrica)

Um problema usual tratado na area de programacao linear e o da deter-
minacao de proporcoes dos ingredientes em uma mistura com o objetivo de
minimizar seu custo quando as proporcoes variam dentro de certos limites.
Um tempo enorme do uso de computadores na administracao e na industria
e dedicado a problemas de programacao linear.
Exemplo 1.0.13 (O problema da alocacao de tarefas)

Um problema importante na industria e o do deslocamento de pessoal e
de recursos de uma maneira eficiente quanto ao custo.
Por exemplo, uma construtora pode querer escolher rotas para movimen-
tar equipamento pesado de seus depositos para os locais de construcao de
maneira a minimizar a distancia total percorrida.
Exemplo 1.0.14 (Modelos economicos de Leontief )

Num sistema economico simplificado, uma mina de carvao, uma ferrovia
e uma usina de energia necessitam cada uma de uma parte da producao
das outras para sua manutencao e para suprir outros consumidores de seu
produto.
Os modelos de producao de Leontief podem ser usados para determinar
o nvel de producao necessario as tres industrias para manter o sistema
economico.
Exemplo 1.0.15 (Interpolacao spline cubica)

As fontes tipograficas PostScriptTM e TrueTypeTM usadas em telas de
monitores e por impressorar sao definidas por curvas polinomiais por partes
denominadas splines.
Os parametros que os determinam estao armazenados na memoria do
computador, um conjunto de parametros para cada um dos caracteres de
uma particular fonte.
Exemplo 1.0.16 (Teoria de grafos)

A classificacao social num grupo de animais e uma relacao que pode ser
descrita e analisada com a teoria de grafos.
Esta teoria tambem tem aplicacoes a problemas tao distintos como a de-
terminacao de rotas de companhias aereas e a analise de padroes de votacao.
Exemplo 1.0.17 (Tomografia computadorizada)

Um dos principais avancos no diagnostico medico e o desenvolvimento
de metodos nao invasivos para obter imagens de secoes transversais do corpo
humano, como a tomografia computadorizada e a ressonancia magnetica.
Os metodos da Algebra Linear podem ser usados para reconstruir imagens

a partir do escaneamento por raios X da tomografia computadorizada.
Exemplo 1.0.18 (Conjuntos fractais)

Conjuntos que podem ser repartidos em versoes congruentes proporcio-
nalmente reduzidas do conjunto original sao denominadas fractais. Os frac-
tais sao atualmente aplicados a compactacao de dados computacionais.
Os metodos da Algebra Linear podem ser usados para construir e classi-
ficar fractais.
Exemplo 1.0.19 (Teoria do Caos)

Os pixels que constituem uma imagem matricial podem ser embara-
lhados repetidamente de uma mesma maneira, na tentativa de torna-los
aleatorios. Contudo, padroes indesejados podem continuar aparecendo no
processo.
A aplicacao matricial que descreve o processo de embaralhar ilustra tanto
a ordem quanto a desordem que caracterizam estes processos caoticos.
Exemplo 1.0.20 (Um modelo de mnimos quadrados para a

audicao humana)
O ouvido interno contem uma estrutura com milhares de receptores sen-
soriais ciliares. Estes receptores, movidos pelas vibracoes do tmpano, res-
pondem a frequencias diferentes de acordo com sua localizacao e produzem
impulsos eletricos que viajam ate o cerebro atraves do nervo auditivo. Desta
maneira, o ouvido interno age como um processador de sinais que decompoe
uma onda sonora complexa em um espectro de frequencias distintas.
Exemplo 1.0.21 (Deformacoes e morfismos)

Voce ja deve ter visto em programas de televisao ou clipes musicais ima-
gens mostrando rapidamente o envelhecimento de uma mulher ao longo do
tempo, ou a transformacao de um rosto de mulher no de uma pantera, a
previsao de como seria hoje o rosto de uma crianca desaparecida ha 15 anos
atras, etc.
Estes processos sao feitos a partir de algumas poucas fotos. A ideia
de continuidade, de evolucao do processo, e feito atraves do computador.
Este processo de deformacao e chamado de morfismo, que se caracteriza por
misturas de fotografias reais com fotografias modificadas pelo computador.
Tais tecnicas de manipulacao de imagens tem encontrado aplicacoes na
industria medica, cientfica e de entretenimento.
E
H T
C I GR
A N E
Captulo 2
O Plano
R efere-se ao Captulo 2 de [30], paginas 16 a 39.

E
H T
C I GR
A N E
5
Captulo 3
O Espaco

E
H T
C I GR
A N E
19
Captulo 4
Curvas Planas, Equacoes

Parametricas e Coordenadas
Polares
R efere-se ao Captulo 12 de Larson, R.E.; Hostetter, R.P. e Edwards,

B.H. ([12]), paginas 743 a 801.
E
H T
I GR
C
A N E
27
Captulo 5
Matrizes
5.1 Introducao
N este captulo, apresentamos os conceitos basicos sobre matrizes, os

quais surgem de forma natural na resolucao de problemas, porque ordenam
e simplificam os mesmos, bem como fornecem novos metodos de resolucao.
Adotaremos a abordagem logico-dedutiva, pois os alunos que, ao con-
clurem o Ensino Medio, pretendem se dedicar de forma especializada as
Engenharias, a Qumica Industrial, a Matematica ou a Informatica, ingres-
sando nestas areas na universidade, deparam-se com frequencia com ra-
ciocnios logico-dedutivos e convem terem visto algo neste sentido ja desde
o incio do curso.
5.2 Conceito
Exemplo 5.2.1 Uma industria tem quatro fabricas A, B, C, D, cada
uma das quais produz tres produtos 1, 2, 3. A tabela mostra a producao da
industria durante uma semana.
Fabrica A Fabrica B Fabrica C Fabrica D

Produto 1 560 360 380 0
Produto 2 340 450 420 80
Produto 3 280 270 210 380
Tabela 5.1: Producao da industria por fabrica
Quantas unidades do produto 2 foram fabricadas pela fabrica C?
58
Exemplo 5.2.2 Ao recolhermos os dados referentes a altura, peso e

idade de um grupo de quatro pessoas, podemos dispo-los na tabela abaixo:
Altura (m) Peso (kg) Idade (anos)

Pessoa 1 1,70 70 23
Pessoa 2 1,75 60 45
Pessoa 3 1,60 52 25
Pessoa 4 1,81 72 30
Tabela 5.2: Altura, peso e idade por pessoa
Ao abstrairmos os significados das linhas e das colunas, temos a matriz:

1, 70 70 23
1, 75 60 45

1, 60 52 25
1, 81 72 30
Quando o numero de variaveis e de observacoes e muito grande, esta dis-

posicao ordenada de dados e indispensavel.
Definicao 5.2.3 Sejam 1 m, n N; chama-se matriz m n (leia-se:

m por n) a uma tabela constituda por mn elementos, dispostos em m linhas
(horizontais) e n colunas (verticais).
Notacao: Seja Amn e sejam i, j N tais que: 1 i m e 1 j n;

indicaremos com aij o elemento de A que ocupa a linha i e a coluna j; A
sera indicada por:
a11 a12 a1n
a21 a22 a2n

am1 am2 amn
ou de forma mais sintetica: A = (aij ), com 1 i m e 1 j n.
Usaremos sempre letras maiusculas para denotar matrizes.
Tambem sao utilizadas outras notacoes para matriz, alem de colchetes,
como parenteses ou duas barras. Por exemplo:

2 1 2 1
e
0 4 0 4
Observacao 5.2.4 Os elementos de uma matriz podem ser numeros re-

ais, numeros complexos, polinomios, funcoes, etc.; aqui, entretanto, traba-
lharemos apenas com matrizes constitudas por numeros reais.
Definicao 5.2.5 Sejam as matrizes A = (aij ), com 1 i m e

1 j n e B = (bij ), com 1 i m e 1 j n. Dizemos que A
e IGUAL a B, e indicamos com A = B, se aij = bij para 1 i m e

1 j n, ou seja, duas matrizes m n sao iguais se possuem os elementos
de mesma posicao iguais; se isto nao acontecer, elas se dizem DIFERENTES
e indicamos com A 6= B.
Exemplo 5.2.6

3 2 3 2
1. 4 7 = 4 7
5 3 5 3

2 4 2 4
2. 6=
8 1 8 1

3. 1 2 3 6= 3 2 1
2
3 1 log 1 9 sin 90o 0
4. =
2 22 5 2 4 5
Podemos tambem construir matrizes que possuam uma relacao entre seus
elementos, a partir de uma lei de formacao:
Exemplo 5.2.7 Representar explicitamente a matriz A = (aij ), com

1 i 3 e 1 j 2, tal que aij = 3i 2j + 4.
Resolucao
i = 1 e j = 1 a11 = 3 1 2 1 + 4 = 5;
i = 1 e j = 2 a12 = 3 1 2 2 + 4 = 3;
i = 2 e j = 1 a21 = 3 2 2 1 + 4 = 8;
i = 2 e j = 2 a22 = 3 2 2 2 + 4 = 6;
i = 3 e j = 1 a31 = 3 3 2 1 + 4 = 11;
i = 3 e j = 2 a32 = 3 3 2 2 + 4 = 9.

5 3
Logo: A = 8 6 . X
11 9
Exerccio 5.2.8 Representar explicitamente a matriz quadrada de or-

dem 2, cujo elemento generico e: aij = 2i 3j + 5.
Exemplo 5.2.9 Representar explicitamente a matriz A = (aij ), com

aij = 1 para i 6= j
1 i 3 e 1 j 3, tal que
aij = 0, para i = j.
Resolucao
O enunciado permite escrever:

0 1 1
a12 = a13 = a21 = a23 = a31 = a32 = 1
. Logo: 1 0 1 . X
a11 = a22 = a33 = 0
1 1 0
Exerccio 5.2.10 Representar

explicitamente a matriz A = (aij ), com
aij = 0 para i 6= j
1 i 4 e 1 j 4, tal que
aij = 1, para i = j.
Exemplo 5.2.11
1. Matriz A = (aij )33 , tal que aij = j 2 i2 matriz quadrada;
2. Matriz B = (bij )13 , tal que bij = j 2i matriz linha;
3. Matriz C = (cij )41 , tal que cij = 2i2 3j matriz coluna;
4. Matriz D = (dij )12 , tal que dij = 0 matriz nula;
5. Matriz E = (eij )22 , tal que

0, se i 6= j
eij = matriz diagonal;
i + j, se i = j
6. Matriz F = (fij )33 , tal que

1, se i = j
fij = matriz identidade.
0, se i 6= j
5.3 Tipos Especiais

Consideraremos agora alguns casos particulares de matrizes m n:
Definicao 5.3.1 Matriz Quadrada e aquela cujo numero de linhas e

igual ao numero de colunas (m = n). Nestes casos, costuma-se dizer que a
matriz e de ordem n.
Definicao 5.3.2 Matriz Nula e aquela em que aij = 0, para todo i e

j. E denotada por Omn .
Definicao 5.3.3 Matriz-Coluna e aquela que possui uma unica coluna

(n = 1).
Definicao 5.3.4 Matriz-Linha e aquela onde m = 1.
Definicao 5.3.5 Seja Ann uma matriz quadrada de ordem n; os ele-

mentos aij , para os quais i = j (a11 , a22 , . . . , ann ), sao ditos elementos da
diagonal principal da matriz. Por outro lado, os elementos para os quais
i + j = n + 1 (a1n , a2 n1 , . . . , an 1 ), formam a diagonal secundaria da
matriz.
Definicao 5.3.6 Matriz Diagonal e uma matriz quadrada (m = n)

onde aij = 0, para i 6= j, isto e, os elementos que nao estao na diagonal
principal sao nulos.
Definicao 5.3.7 Matriz Identidade ou Unidade e uma matriz qua-

drada de ordem n em que aii = 1 e aij = 0, para i 6= j. E denotada por
In . Muitas vezes, ela aparece escrita da seguinte forma: In = (ij ), com
1 i, j n, onde:
1, quando i = j
ij =
0, quando i 6= j.
Definicao 5.3.8 Matriz Triangular Superior e uma matriz qua-

drada onde todos os elementos abaixo da diagonal sao nulos, isto e, m = n
e aij = 0, para i > j.
Definicao 5.3.9 Matriz Triangular Inferior e aquela em que m = n

e aij = 0, para i < j.
Definicao 5.3.10 Matriz Simetrica e aquela onde m = n e aij = aji .

Observe que isto equivale a dizer que a parte superior e uma reflexao axial
da parte inferior, em relacao a diagonal.
5.3.1 Exemplos
Exemplo
5.3.11
Sao exemplos de matrizes diagonais:

1 0 0 0 0 0
1 0
A = 0 2 0 , B = , C = 3 , D = 0 0 0 .
0 1
0 0 3 0 0 0

2 1 0
a b
Exemplo 5.3.12 0 1 4 e sao matrizes triangulares
0 c
0 0 3
superiores.

2 0 0 0
1 1 0 0 5 0 0
Exemplo 5.3.13 7 0 0 sao matrizes tri-
1 2 2 0 e
2 1 3
1 0 5 4
angulares inferiores.

a b c d
b 4 3 1
e f g
Exemplo 5.3.14
c e 3 2 0 sao matrizes
f h i
1 0 5
d g i k
simetricas.
5.4 Operacoes
Exerccio 5.4.1 Consideremos as tabelas de producao de calcados no
primeiro trimestre de 2001.
Janeiro Fabrica A Fabrica B Fevereiro Fabrica A Fabrica B

Modelo 1 9667 307 Modelo 1 2387 1265
Modelo 2 11545 7848 Modelo 2 20178 5382
Modelo 3 0 3577 Modelo 3 0 1341
Marco Fabrica A Fabrica B

Modelo 1 8234 1149
Modelo 2 13705 2971
Modelo 3 0 1804
Tabela 5.3: Producao de calcados no primeiro trimestre
1. Quantos calcados de cada modelo cada fabrica produziu nos meses de

janeiro e fevereiro juntos?
2. Quantos calcados de cada modelo cada fabrica produziu no trimestre?
3. Considerando que a previsao para a producao de abril sera o dobro da

de fevereiro, determine a estimativa para abril.
4. De quantos pares a producao (de cada modelo para cada fabrica) au-
mentou ou diminuiu no perodo de janeiro para fevereiro?
Exemplo 5.4.2 Consideremos as tabelas que descrevem a producao de

graos em dois anos consecutivos.
Ano 1 soja feijao arroz milho Ano 2 soja feijao arroz milho
Regiao A 3000 200 400 600 Regiao A 5000 50 200 0
Regiao B 700 350 700 100 Regiao B 2000 100 300 300
Regiao C 1000 100 500 800 Regiao C 2000 100 600 600
Tabela 5.4: Producao de graos (em milhares de toneladas) durante dois anos
consecutivos
Se quisermos montar uma tabela que de a producao por produto e por

regiao nos dois anos conjuntamente, teremos que somar os elementos cor-
respondentes das duas tabelas acima):

3000 200 400 600 5000 50 200 0
700 350 700 100 + 2000 100 300 300 =
1000 100 500 800 2000 100 600 600

8000 250 600 600
2700 450 1000 400 .
3000 200 1100 1400
Ou seja:
soja feijao arroz milho

Regiao A 8000 250 600 600
Regiao B 2700 450 1000 400
Regiao C 3000 200 1100 1400
Tabela 5.5: Producao total de graos (em milhares de toneladas) durante os

dois anos
5.4.1 Adicao
Definicao 5.4.3 Sejam A = (aij ) e B = (bij ) matrizes , com 1 i m
e 1 j n. Chamamos de SOMA da matriz A com a matriz B a matriz
C = (cij ), com 1 i m e 1 j n tal que cij = aij + bij , para 1 i m
e 1 j n, ou seja, soma de duas matrizes m n e a matriz que se obtem
das matrizes dadas, somando-se os elementos de mesma posicao. Para dizer
que C e soma de A com B, indica-la-emos com A + B.

1 1 0 4 1 3
Exemplo 5.4.4 4 0 + 2 5 = 2 5 .
2 5 1 0 3 5
Observacao 5.4.5 So definimos soma de matrizes quando elas tem en-

tre si o mesmo numero de linhas e tambem o mesmo numero de colunas.
Observacao 5.4.6 Pela forma com que foi definida, a adicao de ma-
trizes tem as mesmas propriedades que a adicao de numeros reais.
Definicao 5.4.7 Seja a matriz A = (aij ), com 1 i m e 1 j n.

Chamamos de matriz OPOSTA de A a matriz B = (bij ), com 1 i m e
1 j n tal que: bij = aij , para 1 i m e 1 j n, ou seja, matriz
oposta de A e a matriz que se obtem de A trocando-se o sinal de cada um
dos seus elementos. Para dizer que B e oposta de A, indica-la-emos com
A.

1 2 1 1 2 1
Exemplo 5.4.8 A = A = . X
0 2 3 0 2 3
Propriedades
Propriedade 5.4.9 Dadas as matrizes A, B e C, todas m n, temos:
i. A + B = B + A (comutativa)
ii. (A + B) + C = A + (B + C) (associativa)
iii. A + Omn = Omn + A = A (elemento neutro)
iv. A + (A) = (A) + A = Omn (elemento oposto)
prova: exerccio. P
5.4.2 Subtracao
Definicao 5.4.10 Sejam A e B duas matrizes m n; chama-se
DIFERENCA entre A e B a soma de A com a oposta de B; a diferenca
entre A e B sera indicada por A B. Entao, pela definicao dada, temos:
A B = A + (B).
Exemplo 5.4.11

3 1 4 3 3 1 4 3 1 4
4 2 2 2 = 4 2 + 2 2 = 2 4 X
1 0 0 1 1 0 0 1 1 1

8 7 0 1
Exerccio 5.4.12 Sendo A = ,B= e
2 3 4 2

3 7
C= , obtenha A + (B + C).
1 2

1 2 3 2
1 0 4 1

5 2
C= , obtenha (A B) C.
1 3

1 2 0 3
2 1 0 2

1 1
C= , obtenha A (B C).
2 0

1 2 0 3
Exemplo 5.4.15 Sendo A = ,B= e
2 1 0 2

1 1
C= , obtenha A B + C.
2 0
Solucao

0 2
A B + C = (A B) + C = X
0 3

2 3 1 0
Exemplo 5.4.16 Sendo A = ,B= e
1 0 2 3

0 3
C= , obtenha a matriz X tal que A + X = B + C.
1 4
Resolucao
Vamos acrescentar pela esquerda, a ambos os membros da igualdade

dada, a oposta de A; temos: A + (A + X) = A + (B + C), isto e,
(A +
A) + X = A + (B + C) X = A + (B+ C). Portanto,

2 3 1 0 0 3 3 0
X= + + = . X
1 0 2 3 1 4 2 7

12 2 7 2
3 5 1 8

0 3
C= , obtenha a matriz Y tal que (A + Y ) C = A + B.
5 7
5.4.3 Multiplicacao por um Numero Real

Exemplo 5.4.18 (Baseado nos dados do exemplo 5.4.2) Existem mui-
tos incentivos para se incrementar a producao (condicoes climaticas fa-
voraveis, etc.), de tal forma que a previsao para a safra do terceiro ano
sera o triplo da producao do primeiro. Assim, a matriz de estimativa de
producao
deste ultimo sera:
3000 200 400 600 9000 600 1200 1800
3 700 350 700 100 = 2100 1050 2100 300 . X
1000 100 500 800 3000 300 1500 2400
Definicao 5.4.19 Sejam R e A = (aij ), com 1 i m e

1 j n. Chamaremos de produto do numero real pela matriz
A a matriz B = (bij ), com 1 i m e 1 j n tal que: bij = aij para
1 i m e 1 j n, ou seja, o produto do numero real pela matriz A e
a matriz que se obtem de A multiplicando cada um dos seus elementos por
.
Notacao A
Exemplo 5.4.20
1
1 2 0 1 2 1 0
A= A= X
3 1 2 2 32 1
2 1
Propriedades
Propriedade 5.4.21 Sejam os numeros reais e e as matrizes A e
B, ambas m n. Temos:
i. (A) = ()A
ii. ( + )A = A + A
iii. (A + B) = A + B
iv. 1 A = A
v. (1)A = A
vi. 0 A = Omn
vii. Omn = Omn
Convidamos voce a demonstrar estas propriedades (em momentos de

extremo tedio, e claro).

2 6
Exemplo 5.4.22 Sendo A = , obtenha a matriz X tal que
5 3
3(X 3A) = 5X 13A.
Resolucao
5X 13A = 3(X 3A) = 3X 9A

5X 3X = 9A + 13A
2X = 4A
X = 2A

2 6 4 12
Portanto, X = 2 = . X
5 3 10 6

3 2 5 3 0 1
Exerccio 5.4.23 Sendo A = eB= , ob-
1 0 3 2 4 2

2X + Y = 4A + B
tenha as matrizes X e Y tais que:
X 2Y = 3A + 3B.
Exerccio 5.4.24 Refaca o exerccio 5.4.1 usando a notacao matricial.
5.4.4 Multiplicacao de Matrizes

Exerccio 5.4.25 Uma industria fabrica certo aparelho em 2 modelos P
e Q. Na montagem do aparelho P , sao utilizados 6 transistores, 9 capacitores
e 11 resistores; no modelo Q, sao 4 transistores, 7 capacitores e 10 resistores.
Uma industria recebeu a seguinte encomenda para os meses de janeiro e
fevereiro:
Janeiro: 8 aparelhos do modelo P e 12 aparelhos do modelo Q.
Fevereiro: 10 aparelhos do modelo P e 6 do modelo Q.
Calcular a quantidade de transistores, capacitores e resistores necessarios
para atender as encomendas de cada mes.
Antes de definir a multiplicacao entre matrizes, vejamos um exemplo do

que pode ocorrer na pratica:
Exemplo 5.4.26 Suponhamos que a seguinte tabela forneca as quanti-

dades das vitaminas A, B e C obtidas em cada unidade dos alimentos I e
II.
A B C
Alimento I 4 3 0
Alimento II 5 0 1
Tabela 5.6: Quantidades de vitaminas por alimento
Se ingerirmos 5 unidades do alimento I e 2 unidades do alimento II,

quanto consumiremos de cada tipo de vitamina?
Resolucao
Podemos representar o consumo dos alimentos I e II (nesta ordem) pela

matriz consumo:
[5 2].
A operacao que vai nos fornecer a quantidade ingerida de cada vitamina
e o produto:

4 3 0
[5 2] =
5 0 1
= [ 54+25 53+20 50+21 ]=
= [30 15 2] (5.1)
Isto e, serao ingeridas 30 unidades de vitamina A, 15 de B e 2 de C. X

Outro problema que poderemos considerar em relacao aos dados do
exemplo 5.4.26 e o seguinte:
Exemplo 5.4.27 Se o custo dos alimentos depender somente do seu

conteudo vitamnico e soubermos que os precos por unidade de vitamina
A, B e C sao, respectivamente, $1, 50u.m., $3, 00u.m. e $5, 00u.m., quanto
pagaramos pela porcao de alimentos indicada no exemplo 5.4.26?
Resolucao

1, 50
[30 15 2] 3, 00 =
5, 00 (5.2)
= [30(1, 50) + 15(3) + 2(5)] =
= [100]
Ou seja, pagaramos $100, 00u.m.. X
Observamos que nos produtos de matrizes efetuados em 5.1 e 5.2,
cada um dos elementos da matriz-resultado e obtido a partir de uma linha
da primeira e uma coluna da segunda. Alem disso, com relacao as ordens
das matrizes envolvidas, temos:
Em 5.1: [ ]12 [ ]23 = [ ]13
Em 5.2: [ ]13 [ ]31 = [ ]11 .
O exemplo acima esboca uma definicao de multiplicacao de matrizes A
e B, quando A e uma matriz-linha. Esta ideia pode ser generalizada:
Definicao 5.4.28 Sejam as matrizes A = (aik ), 1 i m e 1 k p

e B = (bkj ), 1 k p e 1 j n. Chamamos de PRODUTO da matriz
A pela matriz B a matriz C = (cij ), 1 i m e 1 j n tal que:
p
X
cij = ai1 b1j + ai2 b2j + . . . + aip bpj = aik bkj ,
k=1
onde 1 i m e 1 j n.
Para dizer que a matriz C e o produto de A por B, indica-la-emos com

AB.
Observacao 5.4.29 So tem sentido definirmos o produto AB de duas

matrizes quando o no de colunas de A for igual ao no de linhas de B; alem
disso, o produto AB possui o no de linhas de A e o no de colunas de B;
esquematicamente, temos:
Amp Bpn = Cm n
| {z } | {z }

1 2
7 1
Exemplo 5.4.30 Determinar o produto 3 4 .
2 4
0 5 | {z }
| {z } B
A
Resolucao
Como a matriz A e uma matriz 3 2 e B e 2 2, o no de colunas de A

e igual ao no de linhas de B e , entao, o produto AB esta definido e e uma
matriz 3 2.
O elemento c11 , que pertence a 1a linha e a 1a coluna de AB, e calcu-
lado multiplicando-se ordenadamente os elementos da 1a linha de A pelos
elementos da 1a coluna de B, e somando-se os produtos assim obtidos (pro-
cure perceber que isto e verdade a partir da definicao de cij , quando i = 1 e
j = 1); portanto:

1 2 17+22
3 4 7 1
=
2 4
0 5
O elemento c12 , que pertence a 1a linha e a 2a coluna de AB, e calcu-

lado multiplicando-se ordenadamente os elementos da 1a linha de A pelos
elementos da 2a coluna de B, e somando-se os produtos assim obtidos;
portanto:
1 2 11+24
3 4 7 1 =
2 4
0 5
Da mesma forma teremos: c21

1 2
3 4 7 1 = 37+42
2 4
0 5

17+22 11+24 11 9
. . .Logo, AB = 3 7 + 4 2 31+44 = 29 19 . X
07+52 01+54 10 20
Exerccios

2 0 1 1 1
Exerccio 5.4.31 Determine o produto 0 1 2 2 1 .
4 1 3 3 0

3 2
Exerccio 5.4.32 Determine o produto 1 2 4 1 4 .
2 1

3 1
1 5 3
Exerccio 5.4.33 Obtenha o produto 2 3 .
0 1 3
1 2

2 2 1 2 3 1
Exerccio 5.4.34 Obtenha o produto .
3 3 2 1 2 0

2 3 2 3
Exerccio 5.4.35 Obtenha o produto .
3 2 3 2

1 2 3 1 0
Exerccio 5.4.36 Obtenha o produto 4 5 6 0 1 .
7 8 9 2 3

6 0 1 1 0 0
Exerccio 5.4.37 Obtenha o produto 3 1 4 0 1 0 .
2 2 1 0 0 1

1 2
Exemplo 5.4.38 Obter AB e BA, caso existam: A = 3 4 e
1 2

1 1 1
B= .
2 1 2
Solucao

1 2 5 3 5
1 1 1
AB = 3 4 = 11 7 11 .
2 1 2
1 2 3 1 3

1 2
1 1 1 5 4
BA = 3 4 = . X
2 1 2 7 4
1 2

1 2
Exemplo 5.4.39 Obter AB e BA, caso existam: A = e
3 1

1 1
B= .
1 0
Solucao

1 2 1 1 1 1
AB = = .
3 1 1 0 2 3

1 1 1 2 2 1
BA = = . X
1 0 3 1 1 2

1 2
1 2

1 1 1
B= .
2 0 2
Solucao

1 2 1 1 1 5 1 5
AB = = .
1 2 2 0 2 5 1 5
BA nao existe, pois o no de colunas de B e diferente do no de linhas
de A. X

1 5 7
Exemplo 5.4.41 Obter AB e BA, caso existam: A = 2 3 1 e
0 5 2

3 2
B= .
1 8
Solucao
AB nao existe, pois o numero de colunas de A e diferente do numero de

linhas de B.
BA nao existe, pois o numero de colunas de B e diferente do numero de
linhas de A. X

2 3
4 5

5 3
B= .
4 8
Solucao

2 3 5 3 22 30
AB = = .
4 5 4 8 40 52

5 3 2 3 22 30
BA = = . X
4 8 4 5 40 52

1
2
Exemplo 5.4.43 Obter AB e BA, caso existam: A =
3 e
4

B= 1 2 3 4 .
Solucao

1 2 3 4
2 4 6 8
AB =
3 6 9 12 , BA = (30) X
4 8 12 16

5 1
10 2

3 2
B= .
15 10
Solucao

0 0 5 1
AB = = O22 , BA = . X
0 0 25 5
Observacao 5.4.45
1. Num produto de matrizes A e B, a ordem em que aparecem os fatores

e importante: pode acontecer que
(a) 6 AB e 6 BA (ver 5.4.41)

(b) AB e 6 BA (ver 5.4.40)
(c) 6 AB e BA
(d) AB, BA, mas sao matrizes de dimensoes diferentes (ver
5.4.43)
(e) AB, BA, de mesmas dimensoes, mas AB 6= BA (ver 5.4.44)
(f ) AB, BA, e AB = BA (ver 5.4.42).
2. O produto de duas matrizes nao-nulas pode resultar numa matriz nula

(ver 5.4.44).
Propriedades
Propriedade 5.4.46 Quaisquer que sejam as matrizes A(m n), B e
C (convenientes) e qualquer que seja o numero real , tem-se:
i. (AB)C = A(BC) (associativa)
ii. C(A + B) = CA + CB (distributiva a esquerda)
iii. (A + B)C = AC + BC (distributiva a direita)
iv. AIn = Im A = A (elemento neutro)

v. (A)B = A(B) = (AB)
vi. A Onp = Omp e Opm A = Opn .
prova: i. Sejam:
A = (aij ), 1 i m e 1 j n;
B = (bjk ), 1 j n e 1 k p;
C = (ckl ), 1 k p e 1 l q;
AB = (dik ), 1 i m e 1 k p;
BC = (ejl ), 1 j n e 1 l q;
AB(C) = (fil ), 1 i m e 1 l q;
A(BC) = (gil ), 1 i m e 1 l q.
Teremos: P
fil = Ppk=1 dP ik ckl =
p n
= ( j=1 aij bjk ckl ) =
Pk=1p P
= ( nj=1 aij bjk ckl ) =
Pk=1 P
= n
j=1 ( pk=1 aij bjk ckl ) =
Pn P
= j=1 aij ( pk=1 bjk ckl ) =
Pn
= j=1 aij ejl =
= gil
As demais ficam para momentos de solidao!
Exerccios

1 2 1 5
Exerccio 5.4.47 Dadas as matrizes A = ,B=
3 4 2 3

2 1
eC= , calcule: A(BC), (AB)C, (A + B)C, e AC + BC.
0 4

1 2
Exerccio 5.4.48 Dadas as matrizes A = e
1 3

1 1
B= , calcule: (A + B)2 , e A2 + 2(AB) + B 2 .
1 0
Dica: Use que (A + B)2 = (A + B)(A + B).
Observacao 5.4.49 Note que, no exemplo 5.4.48, temos que
(A + B)2 6= A2 + 2(AB) + B 2 .
Exerccio 5.4.50 (Desafio) Sejam A e B duas matrizes quadradas

de ordem n. Qual e a condicao necessaria e suficiente para que tenhamos a
igualdade (A + B)2 = A2 + 2(AB) + B 2 ?
Exerccio 2 2
5.4.51 E valida
a igualdade
(A + B)(A B) = A B
2 3 1 2
quando A = eB= ?
5 4 1 2
Definicao 5.4.52 Seja A uma matriz quadrada de ordem qualquer. De-

finimos a n-esima POTENCIA de A do seguinte modo:
A1 = A
An = A An1 , onde n e um inteiro 2.
Exerccio
5.4.53 Assumindo a definicao 5.4.52, determine A3 , sendo

1 1
A= .
1 0
5.4.5 Transposicao
Definicao 5.4.54 Considere uma matriz A, m n; chama-se matriz
TRANSPOSTA de A, e se indica com At , a matriz n m que se obtem da
matriz A trocando, ordenadamente, as suas linhas pelas suas colunas.
Exemplo 5.4.55

2 5
2 3 4
1. A = At = 3 7
5 7 1
4 1

1 3 t 1 5
2. B = B =
5 2 3 2

3
1
3. C =

Ct = 3 1 0 5
0
5
Observacao 5.4.56
i. no de linhas de A = no de colunas de At
ii. no de colunas de A = no de linhas de At
iii. o elemento que, em A, ocupa a linha i e a coluna j, em At ocupa a

linha j e a coluna i.
Propriedade 5.4.57 Quaisquer que sejam as matrizes A e B, ambas

m n, a matriz C, n p, e o numero real , temos:
i. (At )t = A
ii. (A + B)t = At + B t
iii. (A)t = At
iv. (AC)t = C t At E CUIDADO! L

Observacao 5.4.58 A = (aij ), 1 i m e 1 j n At = (aji ),

1 j n e 1 i m.

2 1 2 5
Exerccio 5.4.59 Sendo A = e B = , calcule:
3 1 2 6
AB t , BAt , (AB)t , At B t , B t At , e BA.

2 3 1
Exerccio 5.4.60 Sendo A = , obtenha A At .
1 0 2
Observacao 5.4.61 Uma matriz e simetrica se, e somente se, ela e

igual a sua transposta, isto e, se, e somente se, A = At (ver definicao
5.3.10).
5.5 Exerccios de Fixacao e Problemas de

Aplicacao
Exerccio 5.5.1 Escrever a matriz A = (aij ) nos seguintes casos:
(a) i {1, 2, 3} e j {1, 2};
(b) A e do tipo 3 2, com aij = 5 para i 6= j e aij = 3 para i = j;
(c) A e de 3a ordem, com aij = 1 para i = j e aij = 0 para i 6= j;
(d) A e uma matriz do tipo 2 3, com aij = 4 para i > j, aij = 5 para i < j
e aij = 8 para i = j.
Exerccio 5.5.2 Determinar os valores de x, y, z e v para que as ma-

trizes
sejam iguais.

2x 8 10 y 2
= .
36 v v4 z2 3
Exerccio 5.5.3 Determinar os valores de x e y para que as matrizes

sejam
iguais.
3x 2x + 3y 14 + x 21
= .
20 y1 x2 9x 3

3, 5 8
Exerccio 5.5.4 Dadas as seguintes matrizes A= 1 e
7
4
2, 4 2
B= 3 , calcular:
5 2
(a) A + B;
(b) A B;
4 3
(c) Determinar o triplo da matriz A= 1 ;
1, 4
2
3 5 1 3
(d) Dadas as matrizes: A= e b= , determinar X,
2 4 6 7
tal que X = 2A 4B.
Observacao: A matriz X, assim obtida, e uma combinacao linear de A e
B atraves dos coeficientes 2 e 4.
Exerccio 5.5.5 Pulverizam-se pesticidas sobre plantas para eliminar

insetos daninhos. No entanto, parte do pesticida e absorvida pela planta. Os
pesticidas sao absorvidos por herbvoros quando eles comem as plantas que
foram pulverizadas. Suponha que temos tres pesticidas e quatro plantas, e a
quantidade de pesticida (em miligramas) que foi absorvido por cada planta
esta representado na tabela abaixo:
Planta 1 Planta 2 Planta 3 Planta 4

2 3 4 3
3 2 2 5
4 1 6 4
Tabela 5.7: Quantidade de pesticida absorvido por planta
Suponha agora que temos tres herbvoros e o numero de plantas que cada
herbvoro come por mes esta representado na tabela seguinte:
Herbvoro 1 Herbvoro 2 Herbvoro 3

20 12 8
28 15 15
30 12 10
40 16 20
Tabela 5.8: Quantidade de plantas ingeridas por herbvoro
Determinar a quantidade de cada tipo de pesticida absorvido por cada

herbvoro.
Exerccio 5.5.6 Durante a campanha eleitoral, o prefeito eleito prome-

teu a construcao de casas populares. (Prometeu, tem que cumprir!) O povo
sugeriu a construcao de dois tipos de casas: media e grande. As casas do
tipo media tem 5 portas, 6 janelas e 6 caixas de luz. As casas do tipo grande
tem 8 portas, 9 janelas e 10 caixas de luz. Numa primeira etapa deverao
ser construdas 500 casas do tipo media e 200 do tipo grande; numa segunda
etapa, 600 do tipo media e 400 do tipo grande. Quanto de cada material
sera necessario em cada etapa?
Exerccio 5.5.7 Uma industria automobilstica produz X e Y nas

versoes standard, luxo e superluxo. Pecas A, B e C sao utilizadas na mon-
tagem desses carros. Para um certo plano de montagem, e dada a seguinte
informacao:
Carro X Carro Y
Standard Luxo Superluxo
Peca A 4 3
Carro X 2 4 3
Peca B 3 5
Carro Y 3 2 5
Peca C 6 2
Tabela 5.9: Plano de montagem de automoveis
Quantas pecas de cada modelo, cada versao vai precisar?
Exerccio 5.5.8 Imagine um laboratorio que fabrica, dentre outros, os

remedios A, B, C. Para a producao de uma unidade do remedio A sao
necessarios 3g do ingrediente x, 7g do ingrediente y e 10g do ingrediente z.
Com relacao ao remedio B sao necessarios 2g de x, 4g de y e 5g de z. E
para o remedio C precisamos de 5g de x, 1g de y e 6g de z. Admitamos que
o consumo dos tres remedios, nos meses de agosto e setembro seja:
Agosto: 80 unidades de A, 100 de B e 150 de C;
Setembro: 50 unidades de A, 120 de B e 90 de C.
Determine a quantidade de cada ingrediente necessaria em cada mes.
Exerccio 5.5.9 Uma pequena loja de roupas organizou seu estoque de

camisetas em duas prateleiras de acordo com os modelos A e B. Em janeiro
o estoque foi distribudos do seguinte modo:
Prateleira A: 13 camisetas P , 15 camisetas M e 27 camisetas G;
Prateleira B: 18 camisetas P , 19 camisetas M e 24 camisetas G.
O preco das camisetas era o mesmo para os dois modelos e esta repre-
sentado na tabela abaixo:
Tamanho Preco (em R$)

P 13, 50
M 15, 50
G 16, 50
Tabela 5.10: Preco das camisetas por tamanho
Qual o valor total que a loja possua em camisetas?
Exerccio 5.5.10 Consideremos uma companhia que fabrica carros dos

tipos A, B e C em duas fabricas F1 e F2 , e cuja producao mensal esta
representada na tabela abaixo:
A B C
F1 40 10 36
F2 15 60 20
Tabela 5.11: Producao mensal de automoveis por modelo e por fabrica

O carro tipo A usa 50 parafusos para a sua montagem, o carro tipo B

usa 80 parafusos e o carro tipo C usa 70 parafusos. Calcular o total de
parafusos que cada fabrica usa mensalmente.
Exerccio 5.5.11 Joao, Paulo e Pedro vao construir, cada um, um

brinquedo composto por 3 tipos de pecas. O brinquedo pode ser montado
com quantas pecas quisermos. Os meninos fizeram as seguintes escolhas do
numero de pecas:
Tipo 1 Tipo 2 Tipo 3

Joao 4 2 3
Paulo 3 4 2
Pedro 2 3 4
Tabela 5.12: Numero de pecas por brinquedo e por usuario
Duas lojas vendem as pecas pelos seguintes precos (em reais):
Loja 1 Loja 2
Tipo 1 3, 00 2, 50
Tipo 2 6, 00 7, 00
Tipo 3 5, 00 4, 50
Tabela 5.13: Precos dos brinquedos por loja
Descubra o preco que cada um pagaria na Loja 1 e na Loja 2.
Exerccio 5.5.12 Uma doceira produz dois tipos de doces, A e B. Para

a producao desses doces sao utilizados os ingredientes X, Y , Z, conforme
indica a tabela:
A B
X 5 8
Y 3 2
Z 4 7
Tabela 5.14: Producao de doces
Suponha que sejam fabricados 50 doces do tipo A e 20 doces do tipo B,

por dia. Determine a quantidade de ingredientes X, Y , Z utilizados por dia.
Exerccio 5.5.13 Um empresario oferece mensalmente alimentos a dois

orfanatos. Para o orfanato 1 sao doados 25Kg de arroz, 20Kg de feijao,
30Kg de carne e 32 Kg de batata. Para o orfanato 2 sao doados 28Kg de
arroz, 24Kg de feijao, 35Kg de carne e 38Kg de batata. O empresario faz
a cotacao de precos em dois mercados. Veja a cotacao atual, em reais:
Produto (1Kg) Mercado 1 (R$) Mercado 2 (R$)

Arroz 1,00 1,00
Feijao 1,50 1,20
Carne 6,00 7,00
Batata 0,80 0,60
Tabela 5.15: Cotacao de precos dos alimentos
Determine o gasto mensal desse empresario, por orfanato, supondo que

todos os produtos sejam adquiridos no mesmo estabelecimento e que este
represente a melhor opcao de compra.
Exerccio 5.5.14 Uma industria produz dois tipos de produtos, P e Q,

em duas fabricas X e Y . Ao fazer estes produtos, sao gerados os poluentes
dioxido de enxofre, oxido ntrico e partculas. As quantidades de poluentes
gerados sao dadas (em quilos) pela tabela abaixo:
Dioxido de enxofre Oxido ntrico Partculas

Produto P 300 100 150
Produto Q 200 250 400
Tabela 5.16: Quantidade de poluentes em quilos
Leis e regulamentos federais e estaduais exigem que estes poluentes sejam

eliminados. O custo diario de remover cada quilo de poluente e dado pela
tabela seguinte:
Fabrica X Fabrica Y
Dioxido de enxofre 8 12
Oxido ntrico 7 9
Partculas 15 10
Tabela 5.17: Preco para remover cada quilo de poluente
Que informacoes os coeficientes do produto das matrizes acima fornecem

ao fabricante? Calcule-os.
Exerccio 5.5.15 Um projeto de pesquisa sobre dietas consiste em adul-

tos e criancas de ambos os sexos. A composicao dos participantes no projeto
e dada pela tabela a seguir:
Adultos Criancas
Masculino 80 120
Feminino 100 200
Tabela 5.18: Participantes do projeto por faixa etaria e sexo
O numero de gramas diarios de protenas, gorduras e carboidratos con-

sumidos por cada crianca e adulto e dado pela tabela abaixo:
Protenas Gorduras Carboidratos

Adultos 20 20 20
Criancas 10 20 30
Tabela 5.19: Quantidade diaria de nutrientes consumidos
1. Quantos gramas de protenas sao consumidos diariamente pelos ho-

mens no projeto?
2. Quantos gramas de gordura sao consumidos diariamente pelas mulhe-

res no projeto?
Exerccio 5.5.16 Um fabricante de moveis produz cadeiras e mesas,

cada uma das quais deve passar por um processo de montagem e por um
processo de acabamento. Os tempos exigidos por estes processos sao dados
(em horas) pela tabela abaixo:
Montagem Acabamento
Cadeira 2 2
Mesa 3 4
Tabela 5.20: Tempo de fabricacao de moveis
O fabricante tem uma fabrica em Sao Paulo e outra em Santa Catarina.

Os precos por hora de cada um dos processos sao dados pela tabela a seguir:
Sao Paulo Santa Catarina

Montagem 9 10
Acabamento 10 12
Tabela 5.21: Preco por hora dos estagios de fabricacao
O que os coeficientes do produto das matrizes acima representam para o

fabricante? Calcule-os.
Exerccio 5.5.17 Uma industria fabrica tres modelos diferentes de te-

levisores. A tabela mostra o numero de teclas e alto-falantes usados em cada
aparelho A, B e C.
Componentes Aparelho A Aparelho B Aparelho C

Teclas 10 12 15
Alto-falantes 2 2 4
Tabela 5.22: Quantidade teclas e alto-falantes por televisor
A tabela seguinte mostra a estimativa de producao da fabrica os proximos

dois meses.
Modelo Mes 1 Mes 2

A 800 2000
B 1000 1500
C 500 1000
Tabela 5.23: Estimativa de producao de televisores para dois meses
Quantas teclas e quantos alto-falantes serao necessarios para a producao

dos dois meses?
Exerccio 5.5.18 Uma industria de calcados esta pretendendo introdu-

zir tres novos modelos de sapatos em sua producao. Para isso, vai utilizar
dois tipos de acessorios, conforme especificado na tabela abaixo:
Acessorio Modelo A Modelo B Modelo C

X 3 5 2
Y 8 10 5
Tabela 5.24: Quantidade de acessorios utilizados na fabricacao de calcados
A producao dos tres tipos de calcados deve seguir a tabela abaixo nos
meses de teste da aceitacao dos novos modelos no mercado:
Modelo Mes 1 Mes 2 Mes3

A 1000 1200 2000
B 1200 1500 2000
C 2000 2000 2500
Tabela 5.25: Producao de calcados no perodo de aceitacao de novos modelos
Quantos acessorios X e quantos Y serao utilizados nessa producao ex-

perimental?
Exerccio 5.5.19 Um fast food de sanduches naturais vende dois ti-
pos de sanduches, A e B, utilizando os ingredientes (queijo, atum, rosbife,
salada) nas seguintes quantidades (em gramas) por sanduche:
Sanduche A Sanduche B
queijo 18 10
salada 26 33
rosbife 23 12
atum 0 16
Tabela 5.26: Quantidade em gramas de cada ingrediente por sanduche
Durante um almoco foram vendidos 6 sanduches do tipo A e 10

sanduches do tipo B. Qual foi a quantidade necessaria de cada ingrediente
para a preparacao desses 16 sanduches? Represente na forma de produto
de matrizes.
Exerccio 5.5.20 (Desafio) Uma rede de comunicacao tem cinco lo-
cais com transmissores de potencias distintas. Estabelecemos que aij = 1,
na matriz abaixo, significa que a estacao i pode transmitir diretamente para
a estacao j, aij = 0 significa que a transmissao da estacao i nao alcanca
a estacao j. Observe que a diagonal principal e nula significando que uma
estacao nao transmite diretamente para si mesma.

0 1 1 1 1
1 0 1 1 0

A= 0 1 0 1 0

0 0 1 0 1
0 0 0 1 0
Qual seria o significado da matriz A2 = A A?

Seja A2 = [cij ]. Calculemos o elemento
5
X
c42 = a4k ak2 = 0 + 0 + 1 + 0 + 0 = 1.
k=1
Note que a unica parcela nao nula veio de a43 a32 = 1 1. Isto significa que
a estacao 4 transmite para a estacao 2 atraves de uma retransmissao pela
estacao 3, embora nao exista uma transmissao direta de 4 para 2.
1. Calcule A2
2. Qual o significado de c13 = 2?
3. Discuta o significado dos termos nulos, iguais a 1 e maiores que 1 de
modo a justificar a afirmacao: A matriz A2 representa o numero de
caminhos disponveis para se ir de uma estacao a outra com uma unica
retransmissao.
4. Qual o significado das matrizes A + A2 , A3 e A + A2 + A3 ?
5. Se A fosse simetrica, o que significaria?
5.6 Respostas dos Principais Exerccios do

Captulo

4 1
5.2.8
6 3

1 0 0 0
0 1 0 0
5.2.10 = I4
0 0 1 0
0 0 0 1

12054 1572 20288 2721 4774 2530
5.4.1 1. 31723 13230 2. 45428 16201 3. 40356 10764
0 4918 0 6722 0 2682

7280 958
4. 8633 2466
0 2236

11 13
5.4.12
7 3

9 2
5.4.13
6 4

0 2
5.4.14
0 3

7 5
5.4.17 Y =B+C =
6 15

6 2 4 3 4 11
5.4.23 X =A+B = , Y = 2A B =
3 4 5 0 4 4
5.4.25
Janeiro Fevereiro
Transistores 96 84
Capacitores 156 132
Resistores 208 170

5 2
5.4.31 4 1
15 3

5.4.32 9 6

4 8
5.4.33
5 9

6 6 10 2
5.4.34
9 9 15 3

5 0
5.4.35 = 5I2
0 5

5 11
5.4.36 8 23
11 35

6 0 1
5.4.37 3 1 4
2 2 1

10 39
5.4.47 A(BC) = (AB)C = ,
10 17

4 26
(A + B)C = AC + BC =
2 29
5.4.51 Nao, pois AB 6= BA

1 0
5.4.53 = I2
0 1

t 9 2 t 9 11 t 6 8
5.4.59 AB = , BA = , (AB) = ,
11 0 2 0 4 9

19 14 19 7
At B t = , B t At = (AB)t , BA =
7 4 14 4

14 4
5.4.60
4 5

a11 a12 3 5
5.5.1 (a) A= a21 a22 ; (b) A= 5 3 ;
a a32 5 5
31
1 0 0
8 5 5
(c) I3 = 0 1 0 ; (d) A=
4 8 5
0 0 1
5.5.2 x = 5, y = 10, z = 6, v1 = 4, v2 = 1
5.5.3 Impossvel

5, 9 3 2 1, 1 2
5.5.4 (a) A+B= 17 ; (b) A-B= 7 ;
9 20 5
20
12 9 10 22
(c) 3A= 3 ; (d) X=
2 4, 2 28 20

364 165 161
5.5.5 376 170 174
448 199 187

4100 6200
5.5.6 4800 7200
5000 7600

17 22 27
5.5.7 21 22 34
18 28 28

1190 840
5.5.8 1110 920
2200 1640
5.5.9 R$1787, 00

5320
5.5.10
6950

39 37, 5
5.5.11 43 44, 5
44 44

410
5.5.12 190
340

260, 60 278, 20
5.5.13
304, 40 324, 60

5350 6000
5.5.14 Os coeficientes fornecem o custo diario para remover
9350 8650
o total de poluentes de cada produto em cada fabrica.
5.5.15 (1). 2800 g; (2). 6000 g


38 44
5.5.16 Os coeficientes fornecem o custo de fabricacao de uma
67 78
mesa e de uma cadeira numa mesma fabrica.

27500 53000
5.5.17
5600 11000
5.5.18
Mes 1 Mes 2 Mes 3

Acessorio X 13000 15100 21000
Acessorio Y 30000 34600 48500

208
486
5.5.19
258
160
E
H T
C I GR
A N E
Captulo 6
Sistemas Lineares
6.1 Introducao
N a natureza, as coisas estao em constante transformacao, e o Ho-

mem precisa dominar estes processos de mudanca para sobreviver e melho-
rar sua existencia. Uma das maneiras mais elementares de descricao destas
transformacoes e a de procurar nestas o que permanece constante durante
a mudanca.
Exemplo 6.1.1 Sabemos que reagindo hidrogenio (H2 ) com oxigenio

(O2 ), produz-se agua (H2 O). Mas, quanto de H2 e de O2 precisamos?
Solucao
Esta mudanca pode ser descrita do seguinte modo esquematico:
xH2 + yO2 zH2 O.
O que permanece constante nesta mudanca? Os atomos nao sao modifi-

cados, portanto devemos ter o mesmo numero de atomos de cada elemento
no incio e no final da reacao. Logo, as incognitas x, y e z devem satisfazer:

2x 2z = 0
2y z = 0
Descobrindo quais os valores das incognitas acima que satisfazem si-

multaneamente as equacoes, teremos aprendido um pouco mais sobre o
comportamento da natureza (bonito isto. . . ).
Em muitos casos, como neste exemplo, o problema nos leva a um sistema
de equacoes lineares. Como voce ja possui alguma experiencia na resolucao
deste tipo de sistema, nao tiraremos o seu prazer em resolve-lo. X
87
Entretanto, existem sistemas que, embora lineares, podem se tornar

muito grandes, ou podemos ter menos equacoes do que incognitas (o proprio
exemplo 6.1.1). Isto pode dar origem a muitas duvidas, ate mesmo sobre a
existencia ou nao de solucao para o sistema.
Por outro lado, em sistemas com mais de uma solucao, e preciso expressar
todas elas de uma forma clara. No exemplo 6.1.1, pode-se encontrar duas
solucoes distintas (x, y, z) (faca isto!). Mas, o problema so estara resolvido
se conseguirmos expressar todas as solucoes.
Exemplo 6.1.2 Um sitiante dividira uma area de 28 hectares em duas
partes: numa plantara soja e na outra milho. Que area podera destinar a
cada uma destas plantacoes?
Solucao
Denotando por x a quantidade de hectares de soja, e por y a quantidade
de hectares de milho, temos a relacao x + y = 28. Esta equacao admite
infinitas solucoes reais. No entanto, para o nosso sitiante interessam somente
aquelas em que 0 x, y 28. Note que atribuindo a x qualquer valor entre
0 e 28, podemos imediatamente determinar o valor correspondente para y,
atraves da relacao y = 28 x. Sendo assim, tambem neste caso teremos
infinitas possibilidades de resposta. X
Por outro lado, se modificarmos um pouco o exemplo anterior, podere-
mos ter a sua solucao profundamente modificada:
Exemplo 6.1.3 Um sitiante dividira uma area de 28 hectares em duas
partes: numa plantara soja e na outra milho. Ele espera vender a producao
de cada hectare de soja por $400, 00u.m. e, de milho, por $300, 00u.m.. Por
precaucao, o sitiante deseja que os valores das vendas totais da soja e do
milho sejam iguais entre si. Que area devera destinar a cada uma destas
plantacoes?
Solucao
Mantendo as mesmas notacoes do exemplo 6.1.2, podemos representar a
situacao do problema do seguinte modo:

x + y = 28
400x = 300y
Existem varios metodos para resolver estas equacoes, mas todas elas nos
darao como unica solucao os valores de x = 12 e y = 16 (resta observar que
estes valores de fato sao possveis, pois nao podemos equecer da condicao
extra 0 x, y 28). X
Neste captulo, veremos uma tecnica de resolucao para sistemas lineares
em geral. Sua maior aplicacao e para sistemas grandes. O metodo consiste
em substituir convenientemente o sistema original por sistemas cada vez
mais simples, sempre equivalentes a ele.
6.2 Conceitos
Definicao 6.2.1 Um sistema de equacoes lineares com m equacoes e n
incognitas e um conjunto de equacoes do tipo:

a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2
.. .. .. .. (6.1)

. + .+ + = . .

am1 x1 + am2 x2 + + amn xn = bm
com aij {R, C}, 1 i m, 1 j n.
Definicao 6.2.2 Uma solucao do sistema 6.1 e uma n-upla de
numeros (x1 , x2 , . . . , xn ) que satisfaz simultaneamente as m equacoes.
Definicao 6.2.3 Dois sistemas de equacoes lineares sao equivalentes
se, e somente se, toda solucao de qualquer um dos sistemas tambem e solucao
do outro.
Notacao: Podemos escrever o sistema 6.1 na forma matricial:

a11 a12 a1n x1 b1
a21 a22 a2n b2
x2
.. .. .. .. = ..
. . . . .
am1 am2 amn xn bm
ou A x = b onde
a11 a12 a1n
a21 a22 a2n

A= .. .. ..
. . .
am1 am2 amn
e a matriz dos coeficientes ou matriz incompleta do sistema,

x1
x2

x= .
..
xn
a matriz das incognitas e

b1
b2

b= ..
.
bm
a matriz dos termos independentes.
Definicao 6.2.4 Uma outra matriz que podemos associar ao sistema
6.1 e
a11 a12 a1n b1
a21 a22 a2n b2

A= . .. .. ..
.. . . .
am1 am2 amn bm
que chamamos matriz ampliada do sistema.
Observacao 6.2.5 Cada linha da matriz de 6.2.4 e simplesmente uma
representacao abreviada da equacao correspondente no sistema.
6.3 Forma Escalonada

Definicao 6.3.1 Uma matriz m n esta na forma escalonada (ou
escada), se:
(i). o 1o elemento nao nulo de toda linha nao nula e 1;
(ii). cada coluna que contem o 1o elemento nao nulo de uma linha tem os
elementos abaixo deste iguais a zero (escalonada reduzida abaixo e
acima);
(iii). toda linha nula ocorre abaixo de todas as linhas nao nulas (isto e,
daquelas que possuem pelo menos um elemento nao nulo);
(iv). o 1o elemento nao nulo de uma linha aparece a direita do 1o elemento

nao nulo da linha anterior (isto e, se as linhas 1, . . . , r sao as linhas nao
nulas, e se o primeiro elemento nao nulo da linha i ocorre na coluna
ki , entao k1 < k2 < . . . < kr ).
Observacao 6.3.2 A ultima condicao da definicao 6.3.1 impoe forma

escada a matriz:
Figura 6.1: Matriz na forma escada
Isto e, o numero de zeros precedendo o primeiro elemento nao nulo de uma

linha aumenta a cada linha, ate que sobrem somente linhas nulas, se as
houver.

1 1 0 1 2
0 1 0 3 5
Exemplo 6.3.3 A =
0 0 0 1 7 e uma matriz na forma
0 0 0 0 1

0 2 1 1 0 0 0
escalonada; B = 1 0 3 nao e; C = 0 1 1 0 esta na
0 0 0 0 0 1 0

0 1 3 0 1
forma escalonada; D = 0 0 0 0 0 nao esta.
0 0 0 1 2
6.3.1 Operacoes Elementares

Definicao 6.3.4 Duas matrizes de mesma ordem A e B sao equiva-
lentes por linhas (A B) se B pode ser obtida de A pela aplicacao de
uma sequencia finita de operacoes elementares sobre as linhas de A, que sao:
permutacoes de duas linhas: (li lj );
multiplicacao de uma linha por um escalar real nao nulo: (li kli );
substituicao de uma linha por ela somada com uma outra linha multi-
plicada por um numero real nao nulo: (li li + klj ).
Exemplo 6.3.5 L2 L3 :

1 0 1 0
4 1 3 4
3 4 4 1
Exemplo 6.3.6 L2 3L2 :

1 0 1 0
4 1 12 3
3 4 3 4
Exemplo 6.3.7 L3 L3 + 2L1 :

1 0 1 0
4 1 4 1
3 4 1 4

1 2 4
Exemplo 6.3.8 A = 2 1 3 e equivalente por linhas a
1 1 2

2 4 8
B = 1 1 2
4 1 7
(Faca l2 l2 + 2l3 , depois l2 l3 e, por fim, l1 2l1 ) X
Teorema 6.3.9 Dois sistemas que possuem matrizes ampliadas equiva-

lentes sao equivalentes.
prova: ver [4], pag. 85, teorema 3.8.5.
Teorema 6.3.10 Toda matriz nao nula e equivalente por linhas a uma
unica matriz na forma escalonada (ou escalonada reduzida), a menos de
forma equivalente.
prova: ver [4], pag. 60, demonstracao 2.7.1; ou uma prova simples em
[38].
Observacao 6.3.11 Valem como desafios, computados a nota, as ex-

posicoes orais a turma das provas dos teoremas 6.3.9 e 6.3.10.
Definicao 6.3.12 Dada uma matriz Amn , seja Bmn a matriz escalo-
nada equivalente a A. O posto de A, denotado por p, e o numero de linhas
nao nulas de B. A nulidade e a diferenca entre colunas de A e o posto,
isto e, n p.
Observacao 6.3.13 Observe que para encontrar o posto de uma matriz

A qualquer, e preciso primeiro escrever a matriz na forma escalonada e,
depois, contar suas linhas nao nulas.
6.3.2 Procedimento para a Reducao de uma Matriz a Forma

Escalonada
1. Procure da esquerda para a direita a 1a coluna nao nula;
2. Procure de cima para baixo o 1o elemento nao nulo: pivo;
3. Se o pivo nao estiver na 1a linha, troque a 1a linha pela linha do pivo;
4. Se o pivo for diferente de 1, divida a 1a linha por ele;
5. Utilizando o pivo, elimine os elementos abaixo dele (e tambem acima
dele na forma escalonada reduzida), utilizando somente operacoes ele-
mentares;
.
.
.
E assim sucessivamente para as outras linhas fazendo o papel da 1a
linha.
Observacao 6.3.14 O procedimento que reduz a matriz a sua forma

escalonada e chamado de eliminacao gaussiana; ja o que deixa a matriz
na sua forma escalonada reduzida e dito eliminacao de Gauss-Jordan.
Exemplo 6.3.15 Forma escalonada:

0 2 3 4 1 2 6= 1 2 5 2 4
0 0 2 3 4
0 0 2 3 4
2 2 5 2 4 l1 l3 0 2 3 4 1
2 0 6 9 7 2 0 6 9 7
5
1 1 2 1 2 1 1 52 1 2
0 0 2 3 4 3 4
l1 21 l1 0 0 2
0 2 3 4 1 l4 l4 2l1 0 2 3 4 1
2 0 6 9 7 0 2 1 7 3
5
1 1 2 1 2 1 1 52 1 2
0 2 3 4 1 3 1
l2 l3 l2 1 l2 0 1 2 2 2
0 0 2 3 4 2 0 0 2 3 4
0 2 1 7 3 0 2 1 7 3

1 1 52 1 2 1 1 52 1 2
0 1 23 2 1 3
2 12
l4 l4 + 2l2 2 l 1 l 0 1 2
3 3
0 0 2 3 4 2 0 0 1 3
2 2
0 0 2 3 4 0 0 2 3 4
5
1 1 2 1 2
0 1 23 2 1
l4 l4 2l3

2
0 0 1 3
2 2
0 0 0 0 0
Portanto, posto de A = p = 3 e nulidade de A = n p = 5 3 = 2. X
Exemplo 6.3.16 Forma escalonada

reduzida:
1 2 1 0 1 2 1 0
1 0 3 5 l2 l2 + l1 0 2 4 5
1 2 1 1 1 2 1 1

1 2 1 0 1 2 1 0
l3 l3 l1 0 2 4 5 l2 12 l2 0 1 2 25
0 4 0 1 0 4 0 1

1 2 1 0 1 0 3 5
l3 l3 + 4l2 0 1 2 52 l1 l1 2l2 0 1 2 5
2
0 0 8 11 0 0 8 11

1 0 3 5 1 0 3 5
l3 81 l3 0 1 2 5
2 l2 l2 2l3 0 1 0 41
11 11
0 0 1 0 0 1
8
7
8
1 0 0 8
l1 l1 + 3l3 0 1 0 14
0 0 1 118
Portanto, posto de A = p = 3 e nulidade de A = n p = 4 3 = 1. X
Observacao 6.3.17 Interpretando a matriz A acima como a matriz

ampliada
de um sistema:
x1 + 2x2 + x3 = 0
x1 + 0x2 + 3x3 = 5 , a matriz escada e equivalente por linhas a ma-
x1 2x2 + x3 = 1
triz A. Assim, o sistema que ela representa:

1x1 + 0x2 + 0x3 = 78
0x1 + 1x2 + 0x3 = 14

0x1 + 0x2 + 1x3 = 11 8
e equivalente ao inicial, possuindo a mesma solucao que este.
6.4 Sistema Linear Escalonado

Resolver um sistema linear significa obter o conjunto S, denominado
conjunto solucao do sistema, cujos elementos sao todas as solucoes do
sistema. Estudaremos agora um metodo para a resolucao de um sistema
linear: o metodo do escalonamento.
Definicao 6.4.1 Um sistema linear e dito escalonado se, e somente se:

todas as equacoes apresentam as incognitas numa mesma ordem;

a matriz incompleta do sistema esta na forma escalonada (conforme
definicao 6.3.1).
6.4.1 Resolucao de um Sistema Linear Escalonado

Exemplo 6.4.2 Numero de equacoes igual ao numero de ingognitas:

x + 23 y + z = 1
y 25 z = 15

z = 2
e um sistema linear escalonado com 3 equacoes e 3 incognitas, cuja solucao
e S = {( 53 , 1, 2)}.
Exemplo 6.4.3 Numero de equacoes menor que o numero de

ingognitas:
x + 2y 3z = 1
y + 5z = 3
e um sistema linear escalonado com 2 equacoes e 3 incognitas.
Este tipo de sistema admite pelo menos uma variavel denominada

variavel livre ou variavel arbitraria do sistema. E variavel livre aquela
que nao aparece no incio de nenhuma equacao do sistema escalonado.
No exemplo 6.4.3, temos z como variavel livre.
A variavel livre, como o nome ja diz, pode assumir qualquer valor real.
Para cada valor assumido por ela, obtem-se uma nova solucao para o sistema.
Assim, o conjunto solucao do sistema 6.4.3 e:
S = {(13 5, 3 5, ), R}.
Observacao 6.4.4 Chama-se grau de indeterminacao ou grau de

liberdade de um sistema escalonado o numero de variaveis livres do sis-
tema.
No exemplo 6.4.3 o grau de liberdade e 1.
Observacao 6.4.5 A escolha de variavel livre como toda aquela que

nao inicia nenhuma equacao do sistema e puramente convencional. Na
verdade, no sistema do exemplo anterior poderamos ter escolhido y como a
variavel livre; ou ainda, x.
6.4.2 Escalonamento de um Sistema Linear

Vamos estudar uma tecnica para transformar um sistema linear num
outro equivalente na forma escalonada.
Basta escrever a matriz incompleta A do sistema linear e acoplar a co-
luna dos termos independentes b, formando uma matriz [A|b]. Pois bem,
agora utilize as operacoes elementares permitidas (isto e, o algoritmo para
transformar esta nova matriz na forma escalonada) ate chegar a forma es-
calonada. Entao faca a analise da solucao.
6.4.3 Algoritmo que Reduz uma Matriz a Forma Escalonada

Reduzida por Linhas
(i). Se ai1 = 0, 1 i m, va para (v).;
(ii). Tome ai1 6= 0 com menor i e li l1 ;

1
(iii). l1 a11 l1 ;
(iv). li li ai1 l1 , 2 i m para qualquer ai1 6= 0;
(v). Se ai2 = 0, 2 i m, va para (ix).;
(vi). Tome ai2 6= 0 com menor i e li l2 ;

1
(vii). l2 a22 l2 ;
(viii). li li ai2 l2 , i 6= 2 para qualquer ai2 6= 0;
6.5 Solucoes de um Sistema Linear

O objetivo desta secao e estudar detalhadamente todas as situacoes que
podem ocorrer na resolucao de um sistema linear.
Observacao 6.5.1 Dado um sistema de uma equacao e uma incognita

ax = b, existirao tres possibilidades:
b
(i) a 6= 0. Neste caso a equacao tem uma unica solucao x = a
(ii) a = 0 e b = 0. Entao temos 0x = 0 e qualquer numero real sera

solucao da equacao.
(iii) a = 0 e b 6= 0. Temos 0x = b. Nao existe solucao para esta equacao.
Proposicao 6.5.2 Consideremos um sistema de m equacoes lineares

com n incognitas x1 , . . . , xn .

a11 x1 + a12 x2 + + a1n xn = b1

a21 x1 + a22 x2 + + a2n xn = b2
.. .. .. .. (6.2)

. + . + + . = .

am1 x1 + am2 x2 + + amn xn = bm
cujos coeficientes aij e termos independentes bi sao numeros reais ou com-

plexos. Este sistema podera ter

x1 = k1

x2 = k2
(i) uma unica solucao: .. ..

. .

xn = kn
(ii) infinitas solucoes
(iii) nenhuma solucao.

prova: analise geometricamente o caso 2 2 e depois utilize inducao

matematica.
Definicao 6.5.3 Em relacao a proposicao 6.5.2, definimos:
No caso (i), o sistema e possvel (compatvel) e determinado

(SPD).
No caso (ii), o sistema e possvel e indeterminado (SPI).
No caso (iii), o sistema e impossvel (incompatvel) (SI).
Seja a matriz ampliada de 6.2 e tomemos a sua matriz reduzida a forma

escada associada:

c1
..
.
a11 a1n b1
.. .. .. ck
. (6.3)
. . 0 0 0 ck+1

am1 amn bm m(n+1) . . .. ..
.. .. . .
0 0 0 cm m(n+1)
Notacao: Denotaremos por pa o posto da matriz ampliada de um sis-

tema linear m n, e por pc o posto da matriz dos coeficientes. Quando
ambos forem iguais, denotaremos apenas por p.
Teorema 6.5.4
(i) Um sistema m n admite solucao pa = pc .
(ii) Se p(= pa = pc ) = n, a solucao sera unica (SPD).
(iii) Se p(= pa = pc ) < n, podemos esolher n p incognitas, e as outras p

incognitas serao dadas em funcao destas. Isto e, o grau de liberdade
do sistema e n p.
prova: Procure entender e demonstrar cada uma das afirmacoes acima.

Leia com atencao e volte aos exemplos trabalhados caso julgue conveniente.
Visualize o problema pela equacao 6.3. Para uma prova formal, veja [4],
demonstracao 2.7.2 da pagina 61. (Vale como desafio!) P
Observacao 6.5.5 Esquematicamente, o teorema 6.5.4, diz:
pc < pa SI
pc = pa = n SP D
pc = pa < n SP I com grau de liberdade n p.

6.5.1 Exemplos

1 0 0 3
Exemplo 6.5.6 Em 0 1 0 2 , temos pc = pa = 3. Entao
0 0 1 2
m = 3, n = 3 e p = 3 SP D com solucao x1 = 3, x2 = 2 e x3 = 2. X

1 0 7 10
Exemplo 6.5.7 Em , temos pc = pa = 2. Entao
0 1 5 6
m = 2, n = 3 e p = 2 SP I com grau de liberdade 1 e solucao
x1 = 10 7x3 , x2 = 6 5x3 . X

1 0 7 10
Exemplo 6.5.8 Para 0 1 5 6 : pc = 2, pa = 3, m = 3 e
0 0 0 2
n = 3 SI. X

1 0 10 2 10
Exemplo 6.5.9 Em 0 1 7 1 4 , temos p = 2, m = 3
0 0 0 0 0
e n = 4 SP I com grau de liberdade 2 e solucao x1 = 10 + 10x3 + 2x4 e
x2 = 4 7x3 x4 . X
Observacao 6.5.10 Pelos exemplos, pode-se dizer que o posto de uma

matriz e o numero de linhas independentes desta. Uma linha sera de-
pendente de outras (i.e., sera igual a zero no final do escalonamento) se ela
puder ser escrita como soma de produtos destas outras linhas por constantes.
Tecnicamente, diz-se que esta linha e combinacao linear das outras.
Observacao 6.5.11 Vimos, portanto, que o pa do sistema nos da o

numero de equacoes independentes e que a nulidade nos da o grau de liber-
dade do sistema.
Observacao 6.5.12 Os recursos computacionais muitas vezes detectam

sistemas lineares impossveis corretamente, mas podem, as vezes, ser enga-
nados e concluir que um sistema possvel e impossvel ou vice-versa. Isto
ocorre tipicamente quando alguns dos numeros que aparecem nas contas sao
tao pequenos que os erros de arredondamento tornam difcil para o software
determinar se eles sao zero ou nao.
Na disciplina de Metodos Numericos abordaremos questoes como esta e
como resolve-las.

Aplicacao

x + 12 y 41 z = 14
Exerccio 6.6.1 Classificar e resolver: y + 3z = 8

z = 1.
Exerccio 6.6.2 Classificar e resolver o sistema linear

a + 2b c + d = 1
b + c d = 2.
Exerccio 6.6.3 Determinar as solucoes (, , ) do sistema

x + y + 2z = 1
tais que = 14.
yz = 5
Exerccio 6.6.4 Torne a resolver o exemplo 6.1.1.
Exerccio
6.6.5 Escalonar, classificar e dar o conjunto solucao do sis-
x + y + 2z = 4
tema 4x 2y + z = 8

5x y + 2z = 10.
Exerccio
2x + 3y + z = 2
tema x + y + 2z = 1

4x + 5y + 5z = 6.
Exerccio
3x + 4y + 5z = 1
tema 2x + 3y + 3z = 0

5x + 7y + 8z = 1.
Exerccio
x + 2y = 1
tema 3x + 7y = 5

2x + y = 4.
Exerccio 6.6.9 Um laticnio vai misturar dois tipos de leite: um que

tem 1% de gordura e outro que tem 6%. Quantos litros de cada tipo deverao
ser misturados para que se obtenham 1.000 litros de leite com 3% de gordura?
Exerccio 6.6.10 Um comerciante possui duas lojas de calcados. Numa

sexta-feira as duas lojas venderam um total de 500 pares. No sabado, uma
das lojas vendeu 10% a mais do que vendera na sexta-feira; a outra loja
vendeu 20% a mais do que havia vendido na sexta-feira. Se no sabado as
duas lojas venderam um total de 570 pares, quantos pares cada loja vendeu
na sexta-feira? E no sabado?
Exerccio 6.6.11 Um combustvel para automoveis tem 10% de alcool

e o restante de gasolina. Outro combustvel tem 4% de alcool e o restante de
gasolina. Quanto devemos juntar de cada um desses combustveis para obter
90 litros de combustvel que tenha 6% de alcool e o restante de gasolina?
Exerccio 6.6.12 Um revendedor tem em sua loja cem automoveis de

tres tipos: simples de luxo e executivo. A soma do numero de carros de luxo
com o dobro do numero de carros executivos e 40; o triplo do numero de
carros executivos da 30. Quantos carros ha de cada tipo?
Exerccio 6.6.13 As moedas de um determinado pas sao de tres tipos:

de 3g, que vale $10 u.m; de 5g, que vale $20, 00 u.m.; e de 9g, que vale
$50, 00 u.m.. Uma pessoa tem cem moedas, num total de 600g, somando
$2800, 00 u.m.. Quantas moedas ela tem de cada tipo?
Exerccio 6.6.14 Certa quantidade de sacos precisa ser transportada

e para isso dispoe-se de jumentos. Se colocarmos dois sacos em cada ju-
mento, sobram 13 sacos; se colocarmos 3 sacos em cada jumento, sobram 3
jumentos. Quantos sao os sacos? Quantos sao os jumentos?
Exerccio 6.6.15 Maria resolve organizar uma festa de aniversario

para seu filho e encomenda: 107 refrigerantes, 95 sanduches e 151 doces.
Servira a cada homem 3 refrigerantes, 3 sanduches e 3 doces; a cada mulher
2 refrigerantes, 2 sanduches e 4 doces e a cada crianca 2 refrigerantes, 1
sanduches e 4 doces. Qual o numero de pessoas convidadas, sabendo que
nao sobrou nem faltou nada?
Exerccio 6.6.16 Um litro de alcool custa R$1, 20 e um litro de gasolina

custa R$1, 60. Se o litro de uma mistura de alcool e gasolina custa R$1, 50,
quanto de alcool e de gasolina contem um litro dessa mistura?
Exerccio 6.6.17 Suponha que voce va fazer um lanche, constando de

iogurte, pastel e chocolate e que disponha de R$1, 80. Segundo os nutricio-
nistas, um lanche deve conter 1350 calorias e 66 gramas de protenas. Para
cada 100g dos alimentos acima temos:
100 g calorias protenas (g) custo (R$)

Iogurte 50 4 0,20
Chocolate 600 24 0,60
Pastel 200 28 0,80
Tabela 6.1: Nutrientes em 100 g de lanche
Quais as quantidades de cada alimento satisfazem exatamente as

condicoes acima?
Exerccio 6.6.18 Uma loja vende certo componente eletronico, que e

fabricado por tres marcas diferentes: A, B e C. Um levantamento sobre as
vendas desse componente, realizado durante tres dias consecutivos, revelou
que: no primeiro dia, foram vendidos dois componentes da marca A, um
da marca B e um da marca C, resultando num total de vendas igual a
R$150, 00; no segundo dia, foram vendidos quatro componentes da marca
A, tres da marca B e nenhum da marca C, num total de R$240, 00; no
ultimo dia, nao houve vendas da marca A, mas foram vendidos cinco da
marca B e tres da marca C, totalizando R$350, 00.
Qual e o preco do componente fabricado por A? E por B? E por C?
Exerccio 6.6.19 Seu Mathias, acompanhado do filho Bolao, estacio-

nou o carro numa parada obrigatoria de um posto de fiscalizacao. Alem
deles, estavam no carro o cachorro Dogao e o gato Teco. Bem em frente

ao local onde seria feita a vistoria havia uma balanca. Bolao desceu. O
cachorro e o gato o seguiram. O menino queria saber quantos quilos tinha
seu gato, seu cachorro e ele proprio. O guarda sorriu com a pretensao do
garoto, tendo em vista que a sensibilidade daquela balanca so era confiavel
para cargas com mais de 50Kg, e nem Bolao pesava isto, muito menos o
gato e o cachorro. Entao o guarda resolveu dar uma ajuda e, sob sua ori-
entacao, o menino fez o seguinte: subiu na balanca com o cachorro, sem o
gato - ela registrou 95Kg; subiu, em seguida, com o gato, sem o cachorro
- a balanca acusou 54Kg; por ultimo, ele colocou o cachorro e o gato na
balanca - ela marcou 51Kg.
Exerccio 6.6.20 Os alunos do Ensino Medio de uma escola do inte-

rior organizaram uma festa junina no patio da escola. Havia varias opcoes
de divertimento: quadrilhas, bingo, gincanas, etc. Tres barracas, A, B e
C, distribudas no patio, ofereciam exatamente as mesmas opcoes de ali-
mentacao: churrasco, quentao e pastel: cada uma das tres opcoes tinha o
mesmo preco nas tres barracas. Ao final da noite, encerrada a festa, fez-
se um balanco sobre o consumo nas barracas e verificou-se que: na barraca
A foram consumidos 28 churrascos, 42 quentoes e 48 pasteis, arrecadando
um total de R$102, 00; na barraca B foram consumidos 23 churrascos, 50
quentoes e 45 pasteis, arrecadando um total de R$95, 00; na barraca C foram
consumidos 30 churrascos, 45 quentoes e 60 pasteis, arrecadando um total
de R$117, 00.
Qual e o preco de um churrasco? E de um quentao? E de um pastel?
Exerccio 6.6.21 Na feira, uma das barracas de frutas estava vendendo

embalagens com 10 peras, 5 macas e 4 mangas por 11 reais; outra barraca
vendia um pacote contendo 8 peras, 6 macas e 4 mangas por 10 reais e
uma terceira vendia 6 peras e 12 macas por 9 reais. Na verdade, so havia
mudanca na quantidade de cada pacote porque o preco de cada especie de
fruta era o mesmo nas tres barracas. Qual o preco a se pagar por 3 peras,
2 macas e 2 mangas em qualquer dessas barracas?
Exerccio 6.6.22 Um agricultor dispoe de 12 hectares para o plantio

de arroz, milho e batata. O investimento para o arroz e de R$200, 00 por
hectare; para o milho R$100, 00 por hectare e para a batata R$300, 00 por
hectare. O rendimento para o arroz e de R$300, 00 por hectare; para o milho
R$200, 00 por hectare e para a batata R$400, 00 por hectare. O agricultor
quer investir R$2000, 00 e obter um rendimento de R$3200, 00 por hectare.
Quantos hectares devera plantar de milho, de arroz e de batata?
Exerccio 6.6.23 Observe a tabela

Um avicultor que preparar racao com os alimentos A, B e C de tal
forma que o preco da unidade de racao seja R$14, 00; que a quantidade de
protenas da unidade de racao seja 4, 1 kg e que a quantidade de vitaminas
seja 20 kg. Calcular a quantidade de alimentos A, B e C que o avicultor
deve preparar.
Alimento Preco/Kg Protena/Kg Unid. Vitamina/Kg

A 2 0,5 1
B 3 0,6 2
C 1 0,4 3
Tabela 6.2: Composicao de racao para aves
Exerccio 6.6.24 Numa lanchonete, Marcio come tres pasteis e toma

um refrigerante, e sua amiga Marta come dois pasteis e toma dois refrige-
rantes. Cada um paga a sua despesa. Ele paga R$3, 60, e ela R$4, 00. Na
mesa ao lado, um grupo de estudantes come 15 pasteis e toma 8 refrigeran-
tes. Qual o valor desta despesa?
Exerccio 6.6.25 Durante uma semana o Shopping Ubirama reservou

uma area para as criancas brincarem sobre rodas e colocou a disposicao
bicicletas (2 rodas), triciclos (3 rodas) e carrinhos (4 rodas). Ao final da
promocao, devido ao desgaste, tiveram que trocar todos os pneus. Entre
bicicletas e triciclos foram trocados 90 pneus; entre bicicletas e carrinhos,
130; e entre triciclos e carrinhos, 160. Quantas eram as bicicletas que
estiveram a disposicao das criancas?
Exerccio 6.6.26 Uma fabrica de refrigerante possui 270 litros de um

xarope x e 180 litros de um xarope y. Cada unidade de um refrigerante A
contem 500 ml de x e 200 ml de y e cada unidade de um refrigerante B
contem 300 ml de x e 300 ml de y. Quantas unidades de A e B podem ser
produzidas se for usado todo o estoque dos xaropes x e y?
Exerccio 6.6.27 Dona Elza deu R$13, 50 para sua filha comprar tantos
sabonetes e tantas pastas dentais. Nem precisou falar de que marca, pois isso
a menina ja sabia. So recomendou que ela nao se esquecesse de pegar o troco.
No supermercado, a menina pegou 4 sabonetes e 6 pastas. Quando a moca
do caixa avisou que faltavam R$0, 30, ela pensou: Se o dinheiro nao deu
para comprar 4 sabonetes e 6 pastas, entao minha mae deve ter pedido 6
sabonetes e 4 pastas. E fez a troca. Voltando ao caixa, recebeu R$0, 30 de
troco.
Qual era o preco de cada sabonete comprado?
Exerccio 6.6.28 Examinando os anuncios abaixo, conclua o preco de

cada faca, garfo e colher, onde 1 faca + 2 colheres + 3 garfos custam
R$23, 50; 2 facas + 5 colheres + 6 garfos custam R$50, 00; 2 facas + 3
colheres + 4 garfos custam R$36, 00.

Captulo
6.6.1 SPD e S = {(2, 5, 1)}
6.6.2 SPI e S = {(3c 3d 3, 2 c + d, c, d), c, d R}
6.6.3 S = {(10, 7, 2)} e S = {(17, 2, 7)}
6.6.5 S = {(1, 1, 2)}
6.6.6 S=
6.6.7 S = {(3 3z, z 2, z), z R}
6.6.8 S = {(3, 2)}

x + y = 1000
6.6.9 , donde resultam 600 ml de um
0, 01x + 0, 06y = 0, 03 1000
tipo de leite e 400 ml do outro tipo
6.6.10 Sexta-feira uma loja vendeu 300 pares e a outra 200 pares; no sabado
uma vendeu 330 pares e a outra 240 pares
6.6.11 30 litros de combustvel e 60 litros de outro: x = Tipo 1, y = Tipo

0, 1x + 0, 004y = 0, 06 90
2, entao
x + y = 90
6.6.12 Simples= 70; Luxo= 20; Executivo= 10
6.6.13 10 moedas de $10, 00 u.m.; 60 moedas de $20, 00 u.m.; 30 moedas de

$50, 00 u.m.

2j + 13 = s
6.6.14 57 sacos e 22 jumentos:
3(j 3) = s
6.6.15 21 homens, 10 mulheres e 12 criancas, num total de 43 convidados
1
6.6.16 l de alcool e 34 l de gasolina
4

50x + 600y + 200z = 1350
6.6.17 4x + 24y + 28z = 66 , donde resultam 100 g de io-

0, 20x + 0, 60y + 0, 80z = 1, 80
gurte, 200 g de chocolate e 50 g de pastel
6.6.18 A = 30, B = 40, C = 50
6.6.19 Menino=49Kg; Cachorro=46Kg; Gato=5Kg.
6.6.20 Churrasco custa R$1, 50; Quentao custa R$0, 40; Pastel custa R$0, 90
6.6.21 O preco sera de R$3, 90.
6.6.22 Indeterminado: S = {(8 2, 4 + , ) | R}, mas como preci-

samos tambem que 0 < 8 2 < 12, 0 < 4 + < 12 e 0 < < 12,
resulta que 0 < < 4
6.6.23 A = 3; B = 1; C = 5
6.6.24 O valor da despesa sera R$21, 60
6.6.25 15 bicicletas

5A + 3B = 2700
6.6.26 , donde resultam: Refrigerante A = 300 uni-
2A + 3B = 1800
dades; Refrigerante B = 400 unidades
6.6.27 O preco de cada sabonete era R$1, 20
6.6.28 Faca=R$5, 50; Colher=R$3, 00; Garfo=R$4, 00

E
H T
C I GR
A N E
Captulo 7
Determinante e Matriz
Inversa
7.1 Breve Relato Historico
J a em 250 a.C. havia exemplos da utilizacao de matrizes na resolucao

de sistemas lineares (ver livro Nove Captulos sobre a Arte Matematica, de
autor desconhecido). Na China antiga, ja eram conhecidas algumas nocoes
ligadas a determinantes.
No ocidente, o assunto determinantes so comecou a ser tratado, de forma
esporadica, a partir do seculo XVII, com os trabalhos de G.W. Leibniz
(1646-1716), de G. Cramer (1704-1752), de C. Maclaurin (1698-1746) e de
J.L. Lagrange (1736-1813).
So no seculo XIX passou-se a estudar determinantes com maior enfase,
iniciando com um longo tratado de A.L. Cauchy (1789-1857) em 1812, com
sequencia nos trabalhos de C.G. Jacobi (1804-1851).
A partir de entao, o uso de determinantes difundiu-se muito e este con-
ceito de um numero associado a uma matriz quadrada tornou-se muito util
para caracterizar situacoes como a de saber se uma matriz e invertvel, ou
se um sistema admite ou nao solucao.
7.2 Conceitos
Consideremos o sistema ax = b, com a 6= 0. A solucao deste sistema e
x = ab . Note que o denominador esta associado a matriz dos coeficientes do
sistema, ou seja, [a].
a11 x1 + a12 x2 = b1
Num sistema 22: , em que e possvel resolver
a21 x1 + a22 x2 = b2
104
as operacoes elementares (i.e., a11 a22 a12 a21 6= 0), encontramos
b1 a22 b2 a12 b2 a11 b1 a21

x1 = e x2 = .
a11 a22 a12 a21 a11 a22 a12 a21
Os denominadores
sao iguais e estao associados a matriz dos coeficientes
a11 a12
.
a21 a22

a11 x1 + a12 x2 + a13 x3 = b1
Num sistema 33: a21 x1 + a22 x2 + a23 x3 = b2 , em que e possvel

a31 x1 + a32 x2 + a33 x3 = b3
resolver as operacoes elementares, ao procurarmos os valores de x1 , x2 e x3 ,
vemos que eles tem o mesmo denominador
a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 ,
que
tambem esta
associado a matriz dos coeficientes do sistema
a11 a12 a13
a21 a22 a23 .
a31 a32 a33
Os numeros que aparecem nos denominadores associados as matrizes
(quadradas) sao casos particulares do que chamamos de determinante de
uma matriz quadrada.
7.3 Determinante
Quando nos referirmos ao determinante, isto e, ao numero associado a
uma matriz quadrada A = [aij ], usaremos a seguinte
Notacao: det A ou |A| ou det[aij ].
Exemplo 7.3.1
1. det[a] = a

a11 a12 a11 a12
2. det = = a11 a22 a12 a21
a21 a22 a21 a22

a11 a12 a13 a11 a12 a13
3. det a21 a22 a23 = a21 a22 a23 =
a31 a32 a33 a31 a32 a33
= a11 a22 a33 a11 a23 a32 a12 a21 a33 +
+a12 a23 a31 + a13 a21 a32 a13 a22 a31
Definicao 7.3.2 Dados n objetos distintos a1 , . . . , an , uma per-

mutacao destes n objetos consiste em dispo-los em uma determinada or-
dem.
Exemplo 7.3.3 Algumas permutacoes dos numeros 1, 2 e 3 sao:

(1 2 3) e (2 1 3).
Notacao: A quantidade de permutacoes de n objetos e dada por
n! = n(n 1)(n 2) . . . 2 1, se n > 0.
Definicao 7.3.4 O smbolo acima e lido n fatorial ou fatorial de n.

Define-se ainda 0! = 1.
Definicao 7.3.5 Dada uma permutacao dos inteiros 1, 2,. . . , n, existe

uma inversao quando um inteiro precede outro menor do que ele.
Exemplo 7.3.6 Sejam as permutacoes dos inteiros 1, 2,. . . , n. Veja-

mos em cada uma delas o numeros de inversoes.
Permutacao Numero de Inversoes

(1 2 3) 0
(1 3 2) 1
(2 1 3) 1
(2 3 1) 2
(3 1 2) 2
(3 2 1) 3
Tabela 7.1: Numero de inversoes por permutacao
Exerccio 7.3.7 Determine as inversoes das permutacoes dos numeros

1, 2, 3 e 4. U
Observacao 7.3.8 Observe que no exemplo 7.3.1, item 3, aparecem to-
dos os produtos a1j1 a2j2 a3j3 , onde (j1 j2 j3 ) sao as permutacoes de 1, 2 e
3. Ademais, o sinal do termo e negativo, se a permutacao tiver um numero
mpar de inversoes (ver tabela 7.3).
Definicao 7.3.9 Dada uma matriz A = [aij ]nn , definimos o determi-

nante de A como
X
det[aij ] = (1)J a1j1 a2j2 anjn

onde J = J(j1 , . . . , jn ) e o numero de inversoes da permutacao (j1 j2 . . . jn )

e indica que a soma e estendida a todas as n! permutacoes de (1 2 . . . n).
Observacao 7.3.10 Em relacao a definicao 7.3.9, pode-se dizer que:
R Se a permutacao (j 1 j2 . . . jn ) tem um numero par de inversoes, o

coeficiente (1)J tera sinal positivo; caso contrario, negativo
R Em cada parcela do somatorio, existe um e somente um elemento de

cada linha, e um e somente um elemento de cada coluna da matriz
R Reordenando convenientemente os termos,Pe possvel mostrar que po-

demos definir determinante por det[aij ] = (1)J aj1 1 aj2 2 ajn n , va-

riando os primeiros ndices e deixando fixos os segundos.
Propriedade 7.3.11
1. Se todos os elementos de uma linha (coluna) de uma matriz A sao

nulos, entao det A = 0
2. det A = det At
3. Se multiplicarmos uma linha da matriz por uma constante, o determi-

nante fica multiplicado por esta constante
4. Uma vez trocada a posicao de duas linhas, o determinante troca de

sinal
5. O determinante de uma matriz que tem duas linhas (colunas) iguais e

zero
6. O determinante nao se altera se somarmos a uma linha outra linha

multiplicada por uma constante
7. det(A B) = det A det B
8. det(A + B) 6= det A + det B, isto e, o determinante de uma soma

de duas matrizes nao e igual a soma dos determinantes das matri-
zes. No entanto, se efetuarmos a soma numa linha apenas, vale a
propriedade seguinte:
a11 ... a1n a11 . . . a1n a11 . . . a1n

.. .. .. .. .. .. .. .. ..
. . . . . . . . .
bi1 + ci1 . . . bin + cin = bi1 . . . bin + ci1 . . . cin
.. .. .. .. .. .. .. .. ..
. . . . . . . . .
an1 ... ann an1 . . . ann an1 . . . ann
prova: ver [9], ou [4]. Tente demonstra-las voce mesmo usando a ob-
servacao 7.3.10 ou, pelo menos, imaginar a demonstracao.
3 2 1 3 2 1
Exemplo 7.3.12 2 5 0 = 2 5 0 . Somamos a terceira li-
2 4 2 8 0 0
nha, a primeira linha multiplicada por 2. X
7.3.1 Desenvolvimento de Laplace

Sabemos que
a11 a12 a13

|A| = a21 a22 a23 =
a31 a32 a33
= a11 a22 a33 a11 a23 a32 a12 a21 a33 +
+a12 a23 a31 + a13 a21 a32 a13 a22 a31 =
= a11 (a22 a33 a23 a32 ) a12 (a21 a33 a23 a31 ) + a13 (a21 a32 a22 a31 ) =
a a a a a a
= a11 22 23 a12 21 23 + a13 21 22 .
a32 a33 a31 a33 a31 a32
Note que o determinante da matriz inicial 3 3 pode ser expresso em

funcao dos determinantes das submatrizes 2 2, i.e.,
det A = a11 |A11 | a12 |A12 | + a13 |A13 |,
onde Aij e a submatriz da inicial, retirando-se a i-esima linha e a j-esima

coluna. Ademais, denotando por ij = (1)i+j |Aij |, obtemos a expressao
det A = a11 11 + a12 12 + a13 13 .
Proposicao 7.3.13 Seja Ann matriz. Entao podemos expressar o seu

determinante por
P
n
det A = ai1 i1 + . . . + ain in = aij (1)i+j det Aij =
j=1
P
n
= aij ij .
J=1
prova: ver [18].
Definicao 7.3.14 O numero ij (que e o determinante afetado pelo

sinal (1)i+j da submatriz Aij , obtida de A retirando-se a i-esima linha e
a j-esima coluna) e chamado cofator do elemento aij ou complemento
algebrico de aij .
Observacao 7.3.15 A formula da proposicao 7.3.13 foi desenvolvida

pela i-esima linha da matriz A. Pode-se fazer o mesmo atraves de uma
coluna qualquer.
Definicao 7.3.16 O processo utilizado na proposicao 7.3.13 e chamado

de desenvolvimento de Laplace. Trata-se de uma formula de recorrencia
que permite calcular o determinante de uma matriz de ordem n, a partir dos
determinantes das submatrizes de ordem n 1. Isto muitas vezes permite
reduzir bastante os calculos, principalmente se combinarmos ainda as pro-
priedades de determinantes desenvolvidas em 7.3.11.
Exemplos
1 2 3
Exemplo 7.3.17 |A| = 2 1 1 = (2)12 + 122 + (1)32
2 1 2
onde
2 1
12 = (1)1+2 = 2
2 2
1 3
22 = (1)2+2 =8
2 2
1 3
32 = (1)3+2 =7
2 1
|A| = (2)(2) + 1 8 + (1)7 = 5. X

Exemplo 7.3.18
1 2 3 1 2 3
2 1 1 = (fazendo l3 l2 + l3 ) = 2 1 1 =
2 1 2 0 0 1
1 2
= 1 (1)3+3 = 1 (1 + 4) = 5. X
2 1
1 2 3 4
4 2 0 0
Exerccio 7.3.19 Calcule , utilizando 7.3.11.
1 2 3 0
2 5 3 1
7.4 Matriz Adjunta Matriz Inversa

Dada uma matriz A, ja vimos que a cada elemento aij esta associado
um cofator ij .
Definicao 7.4.1 Chama-se matriz dos cofatores de A, e denota-se
por A, a matriz
A = [ij ].

2 1 0
Exemplo 7.4.2 Seja A = 3 1 4 . Entao temos que
1 6 5
1 4
11 = (1)1+1 = 19
6 5
3 4
12 = (1)1+2 = 19
1 5
..
.
19 19 19
A = 5 10 11 . X
4 8 5
Definicao 7.4.3 Dada uma matriz quadrada A, chama-se matriz ad-

junta de A a transposta da matriz dos cofatores de A.
t
Notacao: adj A = A
Exemplo 7.4.4 Em relacao ao exemplo 7.4.2, temos que:

19 5 4
t
adj A = A = 19 10 8 . X
19 11 5
Proposicao 7.4.5 Seja Ann uma matriz. Entao

t
A A = A (adj A) = (det A) In .
prova: exerccio. (Sugestao: procure demonstrar o caso 3 3, utili-

zando a propriedade segundo a qual o determinante de uma matriz que tem
duas linhas (colunas) iguais e igual a zero, e o desenvolvimento de Laplace.
A demonstracao para o caso n n e analoga.) P
Definicao 7.4.6 Uma matriz Ann e invertvel (ou nao singular) se
existe uma matriz Bnn tal que AB = BA = In . B e chamada de uma
inversa de A.
Notacao: B = A1
Definicao 7.4.7 Se 6 A1 dizemos que A e singular (ou nao in-

vertvel).
4 3
2 3 1 5 5
Exemplo 7.4.8 Seja A = . Entao A = 1 2 , pois
1 4 5 5
A A1 = I2 e A1 A = I2 . (Verifique!) X

6 2
Exemplo 7.4.9 Seja A = . Procure sua inversa.
11 4
Resolucao

a b
Queremos encontrar uma matriz B = tal que A B = I2 e
c d
B A =I2 .
6 2 a b 1 0
=
11 4 c d 0 1
| {z } | {z } | {z }
A B I2

6a + 2c 6b + 2d 1 0
=
11a + 4c 11b + 4d 0 1
Portanto,

6a + 2c = 1 6b + 2d = 0
e . Resolvendo os sistemas, temos
11a + 4c = 0 11b + 4d = 1

11 1 2 1
a = 2, b = 1, c = 2 e d = 3. Logo, A = 11 . X
2 3
Teorema 7.4.10 A inversa de uma matriz A, se existir, e unica.
prova: exerccio. P
Observacao 7.4.11
R Se AB = I , entao BA = I , ou seja, B = A
n n
1 .
R Se BA = I , entao AB = I , ou seja, A = B
n n
1 .
Proposicao 7.4.12 Sejam A e B matrizes quadradas invertveis e de

mesma ordem. Entao (AB)1 = B 1 A1 .
prova: exerccio. P
Teorema 7.4.13 Uma matriz quadrada A e invertvel det A 6= 0.
Neste caso:
1
A1 = (adj A).
det A
prova: () Suponhamos que A seja invertvel. Entao existe A1 tal que

AA1 = In . Usando determinantes, temos: det Adet A1 = det(AA1 ) =
det In = 1. Desse produto, conclui-se que det A 6= 0 e que det A1 = det1 A .
() Ja vimos que A (adj A) = (det A) In (ver proposicao 7.4.5). Se
det A 6= 0, entao A det1 A (adj A) = In e, como a inversa e unica (teorema
7.4.10), A1 = det1 A (adj A).
Observacao 7.4.14 O teorema 7.4.13 nos da um novo metodo de cal-

cular a inversa.

6 2
Exemplo 7.4.15 Voltemos ao exemplo 7.4.9: seja A = .
11 4

4 11
Temos que det A = 2 6= 0 e, portanto, A e invertvel: A = e
2 6

4 2 4 2
adj A = . Entao A1 = det1 A (adj A) = 21 =
11 6 11 6

2 1
. X
11/2 3
7.5 Regra de Cramer

O processo para o calculo da inversa de uma matriz desenvolvido na
seccao anterior, permite um outro metodo de resolucao de sistemas lineares.
Convem chamar a atencao que este so se aplica para sistemas lineares em
que o numero de equacoes e igual ao numero de incognitas.
Consideremos a forma matricial de um sistema linear n n:

a11 . . . a1n x1 b1
.. .. .. .. = .. ou A x = b.
. . . . . (7.1)
an1 . . . ann xn bn
Suponhamos que det A 6= 0. Portanto, existe A1 .

Entao: Ax = b A1 (Ax) = A1 b (A1 A)x = A1 b In x = A1 b.
Matricialmente,
1
x1 a11 . . . a1n b1 11 . . . 1n
.. .. .. .. .. = 1 .. .. .. .
. = . . . . det A . . .
xn an1 . . . ann bn n1 . . . nn
b +...+b
Entao x1 = 1 11 det A n n1 .
Note que o numerador desta fracao e igual ao determinante da matriz
que obtemos de A, substituindo a primeira coluna pela matriz dos termos
independentes. De fato, usando o desenvolvimento de Laplace, obtemos:
b1 a12 . . . a1n
.. .. .. .. = b + . . . + b
. . . . 1 11 n n1
bn an2 . . . ann
Ou seja,
b1 a12 . . . a1n
.. .. .. ..
. . . .
bn an2 . . . ann
x1 =
a11 a12 . . . a1n
.. .. .. ..
. . . .
an1 an2 . . . ann
Fazendo deducoes analogas, obtemos:
a11 . . . b1 . . . a1n
.. .. . .. ..
. . .. . .
an1 . . . bn . . . ann
xi = para i = 1, 2, . . . , n. (7.2)
a11 . . . a1n
.. .. ..
. . .
an1 . . . ann
Observacao 7.5.1 Em relacao a equacao 7.2:
R No denominador temos o determinante da matriz dos coeficientes

(det A);
R No numerador aparece o determinante da matriz obtida de A, substi-

tuindo a i-esima coluna pela coluna dos termos independentes;
R Este metodo so pode ser aplicado quando o determinante da matriz dos

coeficientes for nao nulo.
Definicao 7.5.2 O metodo desenvolvido acima, para resolucao de sis-

temas lineares n n, e chamado Regra de Cramer.

2x 3y + 7z = 1
Exemplo 7.5.3 Resolver o sistema x + 3z = 5 , usando a

2y z = 0
Regra de Cramer.
Resolucao

2 3 7
Temos det 1 0 3 = 1 = 6 0. Portanto, podemos utilizar a
0 2 1
1 3 7 2 1 7
5 0 3 1 5 3
0 2 1 0 0 1
Regra de Cramer. Entao: x = 1 = 49, y = 1 = 9,
2 3 1
1 0 5
0 2 0
ez= 1 = 18. X
Observacao 7.5.4 Embora muito difundida nos livros, a Regra de Cra-

mer nao e muito util na pratica. Acontece que ela consome muitas operacoes
para efetuar os calculos de sistemas grandes, isto e, seu custo computa-
cional e muito grande.
R No calculo do determinante de uma matriz de ordem n, temos que cal-

cular n! produtos de n fatores, e depois soma-los. Efetuaremos entao
n!(n 1) + (n! 1) = n!n 1 operacoes1 . Desconsiderando as somas
(seu custo para o computador e irrisorio em termos de tempo), isto e
aproximadamente igual a n!(e 1) multiplicacoes, onde e = 2, 71828
(numero de Euler).
R Ora, para resolver um sistema n n pela Regra de Cramer, precisamos

calcular n + 1 determinantes de ordem n. Assim, o no de operacoes se
elevaria a (n + 1)(n!n 1) calculos 2 , que e maior que n2 n!. Ou, em
termos de multiplicacoes, aproximadamente (n + 1)!(n 1) + n.
Muitos problemas de Engenharia, Economia, Biologia, etc., costumam en-

volver sistemas de ordem 100 ou 1000, por exemplo. Entao nos meios
computacionais prefere-se utilizar metodos numericos iterativos, como o de
Gauss-Seidel (ver [36]), que e estudado em disciplinas de Calculo Numerico.
Exemplo 7.5.5 Para exemplificar a observacao 7.5.4, imaginemos um

computador capaz de efetuar um milhao de multiplicacoes ou divisoes por
segundo (1 megaf lop).
R por escalonamento, um sistema 10 10 levaria 0, 8 milesimos de se-

gundo para ser resolvido; ja, por Cramer, 1 minuto e 8 segundos.
1
De fato, sao n! termos vezes n 1 multiplicacoes; alem disso, por serem n! termos,
temos n! 1 somas a serem feitas.
2
Precisamos calcular n+1 determinantes, cada um consumindo n!n1 operacao (como
vimos acima); temos ainda n divisoes.
R por escalonamento, um sistema 15 15 levaria 2, 5 milesimos de se-

gundo para ser resolvido; ja, por Cramer, 1 ano, 1 mes e 16 dias.
R por escalonamento, um sistema 2020 levaria 6 milesimos de segundo

para ser resolvido; ja, por Cramer, 2 milhoes, 754 mil e 140 anos.
R Para um sistema mil por mil, o escalonamento levaria 11 minutos para

resolve-lo.Imagine o tempo necessario para resolver este sistema pela
Regra de Cramer.
R Para maiores detalhes sobre custo computacional, consultar [14], [17],

[29] ou [36].
Observacao 7.5.6 Em aplicacoes da Algebra Linear nao e incomum

encontrar sistemas lineares que precisam ser resolvidos por computador. A
maioria dos algoritmos computacionais para resolver estes sistemas sao ba-
seados na eliminacao gaussiana ou na eliminacao de Gauss-Jordan, mas os
procedimentos basicos sao muitas vezes modificados para comportar proble-
mas tais como
Reducao de erros de arredondamento
Minimizacao do uso de espaco de memoria do computador
Resolucao do sistema com rapidez maxima
Fazendo os calculos a mao, as fracoes constituem um aborrecimento que

muitas vezes nao pode ser evitado. Contudo, em alguns casos e possvel
evitar as fracoes variando as operacoes elementares sobre linhas de maneira
correta.
Como a eliminacao de Gauss-Jordan evita o uso de substituicao inversa,
poderia parecer que este metodo e o mais eficiente dos dois metodos que
nos consideramos. Pode ser argumentado que esta afirmacao e verdadeira
quando resolvemos manualmente sistemas pequenos, pois a eliminacao de
Gauss-Jordan na verdade envolve escrever menos. Entretanto, foi mostrado
que para sistemas grandes de equacoes, o metodo de eliminacao de Gauss-
Jordan requer cerca de 50% mais operacoes que a eliminacao gaussiana.
Esta e uma consideracao importante quando trabalhamos com computadores.
Na disciplina de Metodos Numericos estudaremos questoes como esta,
bem como outros metodos de resolucao de sistemas lineares.
Observacao 7.5.7 Na prova da Regra de Cramer, denotando por D

o determinante a matriz A dos coeficientes e por Ns o determinante da
matriz que se obtem de A trocando a coluna s de A pela coluna dos termos
independentes, chega-se a Dxs = Ns , 1 s n, i.e.,

Dx1 = N1

Dx2 = N2
..

.

Dxn = Nn .
A Regra de Cramer so se aplica quando a matriz A dos coeficientes dos

sistema tem determinante diferente de zero (D 6= 0).
Tentar utiliza-la fora desse caso pode conduzir a erros.
Um desses erros e o seguinte: quando D = 0 e Ns = 0, 1 s n,
poderamos pensar que ela forneceria x1 = 00 , x2 = 00 , . . ., xn = 00 e concluir
que o sistema e indeterminado, isto e, possui infinitas solucoes. Mas, nao
e bem assim.
Suponhamos, por exemplo, que n = 3 e que os tres vetores-coluna a, b,
c sejam multiplos um do outro, mas que o vetor d (dos termos independen-
tes) nao seja multiplo deles. Entao os quatro determinantes sao nulos. No
entanto, nao existem numeros x, y, z tais que ax + by + cz = d. Ou seja, o
sistema nao tem solucao.
O proximo exemplo caracteriza a situacao acima descrita.

x+y+z = 1
Exemplo 7.5.8 Consideremos o sistema 2x + 2y + 2z = 2 .

3x + 3y + 3z = 4
E claro que este sistema nao tem solucao, pois se x + y + z = 1 entao
x + 3y + 3z deve ser igual a 3 e nao a 4. Apesar disso, a Regra de Cramer
(usada incorretamente) nos levaria as expressoes indeterminadas x = 00 ,
y = 00 , z = 00 e a falsa conclusao de que o sistema e indeterminado.
Observacao 7.5.9 Resulta da formula det[d, b, c] = x det[a, b, c] e suas

analogas para y e z que, se det[a, b, c] = 0 e algum dos determinantes
det[d, b, c], det[a, d, c] ou det[a, b, d] for diferente de 0, entao o sistema e
impossvel.
Podemos apenas concluir que
detA 6= 0 SPD
SPI detA = 0 e
detA1 = detA2 = . . . = detAn = 0
detA = 0 e detAs 6= 0, SI
para algum 1 s n
Tabela 7.2: Calssificacao de um sistema linear via determinantes
7.6 Metodo Pratico para Encontrar A1

1. Forme a matriz n 2n [A|In ] obtida colocando a matriz In ao lado da
matriz A;
2. Leve a matriz A a forma escalonada reduzida via operacoes elemen-

tares. Todas as operacoes feitas sobre uma linha de A devem ser feitas
sobre a linha correspondente de In ;
3. Supondo que na etapa anterior obtivemos a matriz [C|D], temos:

(a) Se C = In , entao D = A1 ;
(b) Se C 6= In , entao C tem uma linha de zeros e A e singular, isto
e, 6 A1 .
Antes de iniciarmos os exerccios, gostaramos de indicar o leitura do

livro de H. Anton ([1]), pgs. 321-326, disponvel no setor de reprografia.

Aplicacao
Exerccio
7.7.1
Calcule, se existir, a inversa da matriz
1 1 1
A = 0 2 3 .
5 5 1
Exerccio
7.7.2Calcule, se existir, a inversa da matriz
1 2 3
A = 1 2 1 .
5 2 3
Exerccio 7.7.3 Uma maneira de enviar uma mensagem em codigo (co-

dificar) consiste em utilizar a multiplicacao de matrizes da seguinte maneira:
a cada letra do alfabeto associa-se um numero:
A B C D E F G H I J L M
1 2 3 4 5 6 7 8 9 10 11 12
N O P Q R S T U V X Z
13 14 15 16 17 18 19 20 21 22 23
Tabela 7.3: Tabela de correspondencia numerica para criptografia
Suponhamos que queiramos enviar, em codigo, a mensagem BOA

B O A
SORTE. Para isto formarmos a matriz S 0 , que utilizando a
R T E

2 14 1
correspondencia numerica torna-se M = 0 18 14 . Multiplica-se
17 19 5
a matriz mensagem M por uma matriz-chave
C,
que apenas os usuarios
2 1 1
do codigo conhecem. Supondo C = 0 2 1 , multiplica-se M por
5 2 3

9 32 9
C obtendo-se a matriz M C = 70 64 24 (mensagem codificada).
59 65 13
Transmite-se esta nova matriz (na pratica envia-se a sequencia de numeros

(9, 32, 9, 70, 64, 24, 59, 65, 13)).
A pessoa que recebe a mensagem (receptor) decodifica-a (traduz) atraves
da multiplicacao da matriz M C pela inversa da matriz C, obtendo a matriz
mensagem M : (M C)C 1 = M . Apos, o receptor troca os numeros pelas
letras correspondentes obtendo a mensagem, que no caso e BOA SORTE).
Voce recebeu a mensagem: (91, 65, 40, 27, 25, 9, 24, 12, 12). Utili-
zando a matriz-chave C acima, traduza (decodifique) a mensagem.

Captulo
7.3.19 252

1 0 0| 138 12 18
7.7.1 [In |A1 ] = 0 1 0| 158
1
2
3
8
5
0 0 1| 4 0 14

1 0 1| 12 1
2 0
7.7.2 0 1 1| 1 1 0 , logo 6 A1 .
4 4
0 0 0| 2 3 1

3 14 17
7.7.3 1 7 5 , donde a mensagem e CORAGEM.
12 0 0
E
H T
C I GR
A N E
Captulo 8
Introducao as
Transformacoes Lineares
U tilizaremos o livro de H. Anton ([1]), paginas 137 a 148; 295 a 299;

e 302 a 305.
Para os estudantes de Matematica e para todos aqueles que se interessam
pela Matematica, inseriremos dois captulos na sequencia: um referente a
espacos vetoriais, e outro referente a transformacoes lineares.
E
H T
C I GR
A N E
118
Captulo 9
Espacos Vetoriais
9.1 Introducao
E m varias partes da Matematica, defrontamo-nos com um conjunto tal

que e, ao mesmo tempo, significativo e interessante lidar com combinacoes
lineares dos objetos daquele conjunto.
Exemplo 9.1.1
R equacoes lineares linhas de uma matriz

R equacoes diferenciais funcoes
R espaco 3-dimensional vetores
A grosso modo, a Algebra Linear e o ramo da Matematica que trata
das propriedades comuns a sistemas algebricos constitudos por um
conjunto mais uma nocao razoavel de uma combinacao linear de elemen-
tos do conjunto.
9.2 Vetores no Plano e no Espaco

Neste captulo, desenvolveremos o conceito de vetor de uma forma mais
ampla, de modo que, por exemplo, solucoes de sistemas de equacoes lineares
ou de equacoes diferenciais tambem possam ser representadas por vetores.
Inicialmente, vamos recordar alguns topicos sobre vetores no plano e no
espaco.
131
9.2.1 Vetores no Plano

Consideremos o plano cartesiano que consiste de um sistema de co-
ordenadas dado por um par de retas orientadas ortogonais. Fixada uma
unidade de comprimento, um ponto P do plano pode ser identificado com o
par (a, b) de numeros reais, que sao suas coordenadas.
P
b
Figura 9.1: Plano cartesiano
Dados dois pontos P e Q do plano, podemos considerar o segmento

orientado P~Q, com ponto inicial P e ponto final Q.
Observacao 9.2.1 Embora como conjunto de pontos os segmentos P~Q

~
e QP sejam iguais, como segmentos orientados eles sao distintos. Diremos
que eles sao opostos.
Definicao 9.2.2 Diremos que dois segmentos orientados sao equiva-

lentes, se tiverem o mesmo comprimento, direcao e sentido.
Q
Z

S
L

P K W
-
R
R
T
Figura 9.2: Segmentos orientados

Exemplo 9.2.3 Em relacao a figura 9.2.1, P~Q, KL

~ e RS
~ tem a mesma
~ ~ ~ ~ e ZW
direcao e sentido; RT e KL tem o mesmo comprimento; P Q, RS ~ tem
o mesmo comprimento e direcao, mas os unicos segmentos com orientacoes
equivalentes sao P~Q e RS.
~
Observacao 9.2.4 Para qualquer segmento orientado no plano existe

outro equivalente a este cujo ponto inicial e a origem.
Definicao 9.2.5 Passaremos agora a considerar apenas os segmentos

orientados com ponto inicial na origem. Estes serao chamados de vetores
no plano.
Observacao 9.2.6 A cada ponto do plano P (a, b), esta associado um

~ , e vice-versa. Assim podemos imaginar o plano R2 como
unico vetor v = OP
um conjunto de pontos ou um conjunto de vetores. Isto e, a correspondencia
entre pontos do plano e vetores e biunvoca.
Notacao: Usando a correspondencia definida em 9.2.6, representaremos

um vetor v = OP ~ pelas coordenadas do seu ponto final P (a, b). Usamos a

a
notacao da matriz-coluna v = , ou mesmo a identificacao v = (a, b).
b
Definicao 9.2.7 Pela notacao acima, a origem ficara associado um ve-

tor que tem os pontos final e inicial coincidentes. Denominaremos tal vetor
(que e so um ponto) de vetor nulo, e o representaremos por (0, 0).
Definicao 9.2.8 O oposto de um vetor v = OP ~ e o vetor w = OQ, ~

que tem o mesmo comprimento e direcao, e sentido oposto. Em termos de
coordenadas, se v = (a, b), entao w = (a, b). Por esta razao, o denotamos
por w = v.
Operacoes
Multiplicacao de um vetor por um escalar: multiplicar um vetor v por
um escalar k > 0 e considerar um novo vetor w = kv, que possui a mesma
direcao de v e tem como comprimento k vezes o comprimento de v, e cujo
sentido depende do sinal de k.
Se k < 0, o vetor w = kv sera igual ao oposto do vetor |k| v.
Se k = 0, w = kv sera o vetor nulo.
Observacao 9.2.9 Esta operacao corresponde a multiplicacao da

matriz-linha (ou coluna) por esse numero. Se v = (a, b) e w = kv, entao
w = (ka, kb).
w = 1, 5v

v
-
u = 12 v
Figura 9.3: Multiplicacao de um vetor por um escalar
Adicao de dois vetores: a ideia de soma de vetores origina-se na soma

de forcas em Fsica. Dados dois vetores F1 e F2 , chamamos a forca resultante
de soma de F1 com F2 e denotamos R = F1 + F2 .
* R
F2
:
F1
Figura 9.4: Resultante de dois vetores
Em termos de coordenadas, se F1 = (a, b) e F2 = (c, d), quais sao as

coordenadas de R?
Usando congruencia de triangulos, e facil concluir que as coordenadas de
R sao (a + c, b + d).
Definicao 9.2.10 Sejam v = (a, b) e w = (c, d) dois vetores no plano.
Definimos o vetor soma de v e w como o vetor v + w = (a + c, b + d).
Observacao 9.2.11 Somar dois vetores corresponde a somar as matri-
zes que os representam. As operacoes de vetores herdam, portanto, todas as
propriedades das operacoes correspondentes para matrizes.
Observacao 9.2.12 A soma de um vetor v = (a, b) com o seu oposto
w = v = (a, b) e o vetor nulo, isto e,
v + w = v + (v) = (a a, b b) = (0, 0).
Diferenca entre dois vetores: dados dois vetores v e w, entendemos
a soma do primeiro com o oposto do segundo como o vetor diferenca entre
v e w, isto e,
v w = v + (w).
w
v
:
-
z

vw
w
Figura 9.5: Subtracao de vetores
9.2.2 Vetores no Espaco

Podemos agir da mesma forma que em relacao ao plano. Temos agora
um sistema de coordenadas dado por tres retas orientadas, perpendiculares
duas a duas e, uma vez fixada uma unidade de comprimento, cada ponto P
do espaco estara identificado com uma terna de numeros reais (x, y, z), que
da suas coordenadas.
6Z
z
P (x, y, z)
y - Y
x

X
Figura 9.6: Espaco tri-dimensional
No espaco, os vetores tambem sao dados por segmentos orientados, com

ponto inicial na origem, e existe uma correspondencia biunvoca entre os
vetores e pontos do espaco que a cada vetor OP ~ associa seu ponto final
P (a, b, c).
~ e denotado pelas coordenadas de P .

Notacao: O vetor v = OP

a
v = b ou v = (a, b, c).
c
Observacao 9.2.13 Se chamarmos V o conjunto de vetores no espaco,

podemos identificar
V = {(x1 , x2 , x3 ); xi R} = R R R = R3 .
Operacoes
Sao inteiramente analogas as operacoes de vetores no plano, apenas
trabalhando-se com as tres componentes dos vetores.
Definicao 9.2.14 Sejam u = (x1 , x2 , x3 ) e v = (y1 , y2 , y3 ) dois vetores

no espaco e k um escalar. Definimos:
u + v = (x1 + y1 , x2 + y2 , x3 + y3 ) e ku = (kx1 , kx2 , kx3 ).
Propriedade 9.2.15 Sejam u, v, w V e a, b R. Valem as seguintes

propriedades:
1. (u + v) + w = u + (v + w);
2. u + v = v + u;
3. 0 V tal que u + 0 = u (0 e chamado vetor nulo);
4. u V tal que u + (u) = 0;
5. a(u + v) = au + av;
6. (a + b)v = av + bv;
7. 1u = u.
Para maiores detalhes, ver [14] e [15].

Estas propriedades serao uteis na caracterizacao dos espacos vetoriais
que veremos a seguir.
9.3 Espacos Vetoriais

Definicao 9.3.1 Um espaco vetorial (ou linear) consiste do se-
guinte:
1. um corpo F de escalares;
2. um corpo V de objetos, denominados vetores;
3. uma regra (operacao), dita adicao de vetores, tal que, , , V:
(a) + = + (comutativa);
(b) + ( + ) = ( + ) + (associativa);
(c) ! 0 V tal que + 0 = (existencia de zero);
(d) V, ! V tal que + () = 0 (simetrico);
4. uma regra multiplicacao por escalar tal que c, c1 , c2 F, ,

V:
(a) 1 = ;
(b) (c1 c2 ) = c1 (c2 );
(c) c( + ) = c + c;
(d) (c1 + c2 ) = c1 + c2 .
9.3.1 Exemplos
Exemplo 9.3.2 O conjunto dos vetores do espaco
V = R3 = {(x1 , x2 , x3 ) : xi R} (espaco vetorial real).
Exemplo 9.3.3 n-uplas de numeros reais
V = Rn = {(x1 , x2 , . . . , xn ) : xi R}.
Exemplo 9.3.4 V = MR (m, n), o conjunto das matrizes reais m n

com a soma e o produto por escalar usuais. Note que V = MR (1, n) = Rn .
Exemplo 9.3.5 V = Pn , o conjunto dos polinomios com coeficientes

reais, de grau menor ou igual a n (incluindo o zero).
Exemplo 9.3.6 V = MC (2, 2) (espaco vetorial complexo)
Observacao 9.3.7
R Os espacos vetoriais complexos aparecem, por exemplo, no estudo de

sistemas de equacoes diferenciais.
R Salvo mencao em contrario, trabalharemos com espacos vetoriais (e.v.)

REAIS.
9.4 Subespacos Vetoriais

As vezes, e necessario detectar, dentro de um espaco vetorial V, subcon-
juntos W que sejam eles proprios espacos vetoriais menores.
Definicao 9.4.1 Dado um espaco vetorial V, um subconjunto W, nao-

vazio, sera um subespaco vetorial de V se:
1. para quaisquer u, v W tivermos u + v W;
2. para quaisquer a R, u W tivermos au W.

Observacao 9.4.2
R W e um espaco vetorial;
R Qualquer subespaco W V contem o vetor nulo;
R Todo espaco vetorial admite pelo menos 2 subespacos (triviais): 0 e o
espaco todo.
9.4.1 Exemplos
Exemplo 9.4.3 V = R3 e W V, um plano pela origem.
Observacao 9.4.4
R Note que, no exemplo 9.4.3, se W nao passasse pela origem, nao seria
um subespaco.
R Observe que os unicos subespacos de R 3 sao a origem, as retas e

planos pela origem, e o proprio R3 .
Exemplo 9.4.5 V = R5 e W = {(0, x2 , x3 , x4 , x5 ) : xi R}.
Exemplo 9.4.6 V = MR (n, n) e W e o subconjunto das matrizes tri-

angulares superiores.
Exemplo 9.4.7 Dado o sistema linear homogeneo:

2x + 4y + z = 0 2 4 1 x 0
x + y + 2z = 0 1 1 2 y = 0 ,

x + 3y z = 0 1 3 1 z 0
queremos saber se o conjunto dos vetores-solucao e um subespaco de

MR (3, 1).
Exemplo 9.4.8 O conjunto-solucao de um sistema linear homogeneo de

n incognitas e um subespaco de MR (n, 1).
9.4.2 Contra-Exemplos
Contra-Exemplo 9.4.9 V = R2 , W e uma reta deste plano que nao
passa pela origem.
Note que, se 0 6 W, entao W nao e subespaco vetorial.

u * v
W
Figura 9.7: Reta que nao passa pela origem
Contra-Exemplo 9.4.10 Podemos ter 0 W e W nao ser subespaco

vetorial. De fato, considere V = R2 , W = {(x, x2 ) : x R}.
Temos que (0, 0) W, u = (1, 1) W, v = (2, 4) W. Mas, por outro
lado, u + v = (1, 1) + (2, 4) = (3, 5) 6 W.
100
90
80 x**2
70
60
50
40
30
20
10
0
-10 -5 0 5 10
Figura 9.8: Grafico de y = x2
Contra-Exemplo 9.4.11 V = MR (n, n) e W e o subconjunto de todas

as matrizes em que a11 0.
Contra-Exemplo 9.4.12 Se um sistema linear nao for homogeneo, o

que acontece com o seu conjunto-solucao?
Agora veremos as principais propriedades dos subespacos.

9.4.3 Propriedades
Teorema 9.4.13 (Interseccao de Subespacos)
Se W1 e W2 sao subespacos de um espaco vetorial V, entao W1 W2
ainda e um subespaco de V.
Note que W1 W2 6= .
prova: exerccio.
9.4.4 Exemplos
Exemplo 9.4.14 Seja V = R3 , entao W1 W2 e a interseccao dos
planos W1 e W2 .
W1 W2 W1 W2
Figura 9.9: Interseccao de subespacos vetoriais
Exemplo 9.4.15 Seja V = MR (n, n), onde
W1 = {matrizes triangulares superiores} e W2 = {matrizes triangulares inferiores}.
Entao W1 W2 = {matrizes diagonais}.
Observacao 9.4.16 Se W1 e W2 sao subespacos de um espaco vetorial

V, nao podemos afirmar que W1 W2 seja um subespaco.
Contra-Exemplo 9.4.17 Sejam V = R3 , e W1 e W2 vetores sobre os

eixos coordenados.
Assim, W1 W2 nao e subespaco de V. Entretanto, podemos construir
um conjunto W, que contem W1 e W2 e e subespaco de V.
6W2
u+v
7
* W1
6
*
v
u
Figura 9.10: Uniao de subespacos vetoriais
Teorema 9.4.18 (Soma de Subespacos)

Sejam W1 e W2 subespacos de um e.v. V. Entao o conjunto
W1 + W2 = {v V; v = w1 + w2 , w1 W1 , w2 W2 }
e um subespaco de V.
prova: exerccio.
9.4.5 Exemplos
Exemplo 9.4.19 No exemplo 9.4.17, W = W1 + W2 e o plano que
contem as duas retas.
Exemplo 9.4.20 Se W1 R3 e um plano e W2 e uma reta contida

neste plano, ambos passando pela origem, entao W1 + W2 = W1 .

a b 0 0
Exemplo 9.4.21 W1 = e W2 = , onde a,
0 0 c d
b, c, d R. Entao

a b
W1 + W2 = = MR (2, 2).
c d
Definicao 9.4.22 Quando W1 W2 = {0}, entao W1 + W2 e chamado

soma direta de W1 com W2 , denotado por
W1 W2 .
9.5 Combinacao Linear

Uma das caractersticas mais importantes de um espaco vetorial e a
obtencao de novos vetores a partir de vetores dados.
Definicao 9.5.1 Sejam V um espaco vetorial, v1 ,. . . , vn V e a1 ,. . . ,
an F. Entao o vetor
n
X
v = a1 v1 + . . . + an vn = ai vi
i=1
e um elemento de V chamado combinacao linear de v1 ,. . . , vn .

Observacao 9.5.2 Fixados v1 ,. . . , vn V, o conjunto W de todos os
vetores de V que sao combinacao linear destes, e um subespaco vetorial
(s.v.). W e chamado subespaco gerado por v1 ,. . . , vn .
Notacao: W = [v1 , . . . , vn ]
Note que W e o menor subespaco de V que contem {v1 , . . . , vn }.
9.5.1 Exemplos
Exemplo 9.5.3 V = R3 , v V, v 6= 0. Entao [v] = {av : a R}, isto
e, e a reta que contem o vetor v.
Exemplo 9.5.4 Se v1 , v2 R3 sao tais que v1 6= v2 , R, entao
[v1 , v2 ] sera o plano que passa pela origem e contem v1 e v2 .
v1

-
j
v2

Figura 9.11: Subespaco gerado por dois vetores
Exemplo 9.5.5 V = R2 , v1 = (1, 0), v2 = (0, 1). Logo V = [v1 , v2 ], pois

v = (x, y) V, temos (x, y) = x(1, 0) + y(0, 1), ou seja, v = xv1 + yv2 .

1 0 0 1
Exemplo 9.5.6 Sejam v1 = , v2 = . Entao
0 0 0 0

a b
[v1 , v2 ] = : a, b R .
0 0
9.6 Dependencia e Independencia Linear

Dados os vetores v1 , . . . , vn , queremos saber se nao existem vetores
superfluos, isto e, se algum deles nao e uma combinacao linear dos outros.
Definicao 9.6.1 Sejam V um e.v. e v1 , . . . , vn V. Dizemos que

o conjunto {v1 , . . . , vn } e linearmente independente (l.i.), ou que os
vetores v1 , . . . , vn sao l.i., se a equacao
a1 v1 + . . . + an vn = 0
implica que a1 = a2 = . . . = an = 0. No caso em que exista algum ai 6= 0

dizemos que {v1 , . . . , vn } e linearmente dependente (l.d.), ou que os
vetores v1 ,. . . , vn sao l.d..
Teorema 9.6.2 {v1 , . . . , vn } e l.d. se, e somente se, um destes vetores

for uma combinacao linear dos outros.
prova: exerccio.
9.6.1 Exerccios
Exemplo 9.6.3 V = R3 . Sejam v1 , v2 V.
{v1 , v2 } e l.d. v1 e v2 estiverem na mesma reta, que passa pela origem
(v1 = v2 ).
Exemplo 9.6.4 V = R3 . Sejam v1 , v2 , v3 V.

{v1 , v2 , v3 } e l.d. se os tres vetores estiverem no mesmo plano, que passa
pela origem.
Exemplo 9.6.5 V = R2 , e1 = (1, 0) e e2 = (0, 1). Entao e1 e e2 sao

l.i., pois
a1 e1 + a2 e2 = 0 a1 = 0 e a2 = 0.
Exemplo 9.6.6 V = R2 . {(1, 1), (1, 0), (1, 1)} e l.d., pois
1 1
(1, 1) 1(1, 0) + (1, 1) = (0, 0).
2 2
9.7 Base de Um Espaco Vetorial

Queremos determinar um conjunto de vetores que gere V e tal que todos
os elementos sejam realmente necessarios.
Definicao 9.7.1 Um conjunto {v1 , . . . , vn } de vetores de V sera uma

base de V se:
1. {v1 , . . . , vn } e l.i.;
2. [v1 , . . . , vn ] = V.
9.7.1 Exemplos
Exemplo 9.7.2 V = R2 , e1 = (1, 0) e e2 = (0, 1) (base canonica).
Tambem e base do plano: {(1, 1), (0, 1)}, pois se (0, 0) = a(1, 1) + b(0, 1),
entao a = b = 0 (l.i.). Ademais, dado v = (x, y) V, temos que
(x, y) = x(1, 1)+(y x)(0, 1). Logo, todo vetor do plano e combinacao linear
de e1 e e2 . X
Exemplo 9.7.3 V = R3 , {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e base.
Exemplo 9.7.4 V = MR (2, 2),

1 0 0 1 0 0 0 0
, , , .
0 0 0 0 1 0 0 1
Contra-Exemplo 9.7.5 {(0, 1), (0, 2)} nao e base de R2 , pois l.d.:
(0, 0) = a(0, 1) + b(0, 2) a = 2b. X
Contra-Exemplo 9.7.6 {(1, 0, 0), (0, 1, 0)} nao e base de R3 . E l.i.,

mas nao gera todo R3 , isto e, [(1, 0, 0), (0, 1, 0)] 6= R3 . X
Observacao 9.7.7
R Nem sempre e possvel encontrar uma base finita para um espaco ve-
torial. Nestes casos, precisaremos de combinacoes lineares finitas de
um conjunto infinito de geradores. E o que acontece com espacos de
funcoes.
R Somente trabalharemos com e.v. que tenham base finita.

Vejamos algumas propriedades das bases de um espaco vetorial
Teorema 9.7.8 Sejam v1 , . . . , vn vetores nao-nulos que gerem um

espaco vetorial V. Entao, dentre eles podemos extrair uma base de V.
prova: Se v1 , . . . , vn l.i., ok!

Se nao, v1 , . . . , vn sao l.d. e combinacao linear x1 v1 + . . . + xn vn = 0 com
algum xi 6= 0. Sem perda de generalidade, suponhamos que xn 6= 0. Entao
x1 x2 xn1
vn = v1 + v2 + . . . + vn1 e,
xn xn xn
portanto, v1 , . . . , vn1 ainda geram V. Se l.i., ok! Se nao, continuo o
processo um numero finito de vezes.
Teorema 9.7.9 Seja V um espaco vetorial gerado por um numero finito

de vetores v1 , . . . , vn . Entao, qualquer conjunto com mais de n vetores e
necessariamente l.d. (e, portanto, qualquer conjunto l.i. tem no maximo n
vetores).
prova: ver [4], [9] ou [13].

Corolario 9.7.10 Qualquer base de um espaco vetorial tem sempre o

mesmo numero de elementos.
Este numero e chamado dimensao de V, e denotado por dim V.
prova: Sejam {v1 , . . . , vn } e {w1 , . . . , wm } bases de V. Como v1 , . . . , vn

geram V e w1 , . . . , wm sao l.i., segue que m n.
Por outro lado, como w1 , . . . , wm geram V e v1 , . . . , vn sao l.i., segue
que n m m = n.
9.7.2 Exemplos
Exemplo 9.7.11 V = R2 , {(1, 0), (0, 1)} e {(1, 1), (0, 1)} sao bases de
V. Entao dim V = 2.
Exemplo 9.7.12 dimR3 = 3.
Exemplo 9.7.13 E espaco vetorial V = MR (2, 2) tem base com 4 ele-

mentos. Entao dimV = 4.
Definicao 9.7.14 Quando um e.v. V admite uma base finita, dizemos

que V e de dimensao finita.
Teorema 9.7.15 Qualquer conjunto de vetores l.i. de um e.v. V de

dimensao finita pode ser completado de modo a formar uma base de V.
prova: exerccio.
Corolario 9.7.16 Se dimV = n, qualquer conjunto de n vetores l.i.

formara uma base de V.
prova: exerccio.
Teorema 9.7.17 Se U e W sao subespacos de um espaco vetorial V de

dimensao finita, entao dimU dimV e dimW dimV. Ademais,
dim(U + W) = dimU + dimV dim(U W).
prova: ver [4].
Teorema 9.7.18 Dada uma base = {v1 , . . . , vn } de V, cada vetor de

V e escrito de maneira unica como combinacao linear de v1 , . . . , vn .
prova: exerccio.
Definicao 9.7.19 Sejam = {v1 , . . . , vn } base de V e v V onde

v = a1 v1 + . . . + an vn . Chamamos os numeros a1 , . . . , an de coordenadas
de v em relacao a base e denotaremos por

a1

[v] = ... .
an
Exemplo 9.7.20 V = R2 , = {(1, 0), (0, 1)}.

4
(4, 3) = 4(1, 0) + 3(0, 1) [(4, 3)] = .
3
Se 0 = {(1, 1), (0, 1)},
entao
(4, 3) = x(1, 1) + y(0, 1) x = 4, y = 1.
4
Entao, [(4, 3)] 0 = .
1
Observacao 9.7.21 A ordem dos elementos de uma base influi na
matriz das coordenadas.
Ao considerarmos uma base = {v1 , . . . , vn }, estaremos subentendendo
a base ordenada na ordem em que aparecem.
Exemplo 9.7.22 Sejam
V = {(x, y, z); x + y z = 0} e W = {(x, y, z); x = y}.
V + W =?
Resolucao

Figura 9.12: Base de um subespaco vetorial
Temos V = [(1, 0, 1), (0, 1, 1)], W = [(1, 1, 0), (0, 0, 1)].

Entao V+W = [(1, 0, 1), (0, 1, 1), (1, 1, 0), (0, 0, 1)]. Como (x, y, z) R3 pode
ser escrito como
(x, y, z) = (1, 0, 1) + (0, 1, 1) + (1, 1, 0) + (0, 0, 1),
com = x, = y, = 0, = z x y, temos V + W = R3 .
Assim, dimR3 = dimV + dimW dim(V W) dim(V W) = 1, onde
V W = {(x, y, z); x + y z = 0 e x = y} =
= {(x, y, z); x = y = z2 } = [(1, 1, 21 )]. X
9.8 Mudanca de Base

Voce ja deve ter visto situacoes em que a resolucao de um problema de
Fsica1 torna-se muito mais simples se escolhermos um referencial conve-
niente para descrever o movimento. Vejamos um exemplo:
Exemplo 9.8.1 Um Fiat Palio Weekend se move no plano XY com

trajetoria elptica de equacao x2 + xy + y 2 3 = 0 (ver figura abaixo). A
descricao do movimento torna-se muito mais simplificada se ao inves de
trabalharmos com os eixos OX ~ e OY~ (isto e, o referencial determinado pela
base canonica), utilizarmos um referencial que se apoia nos eixos princi-
pais da elipse.
X2
Y 6

- X1

Incline o pescoco 40o para a direita!
Figura 9.13: Trajetoria elptica
Neste novo referencial, a equacao da trajetoria sera mais simples2 :
3x21 + 2y12 = 6.
Observacao 9.8.2 Numa situacao como esta do exemplo 9.8.1, temos

duas questoes a saber:
R Como escolher o novo referencial?
R Uma vez escolhido, qual a relacao entre as coordenadas de um ponto
no antigo referencial e suas coordenadas no novo?
A primeira questao e mais delicada e nao sera contemplada neste curso (o
aluno interessado pode consultar [4], captulo 11, nao sem antes realizar
um bom curso de Geometria Analtica segundo [11] ou [34]). A segunda,
passaremos a estudar agora, mas logo num contexto mais amplo.
1
Cinematica ou Estatica, por exemplo.
2
Para maiores detalhes, ver [11], ou [34].
Sejam = {u1 , . . . , un } e 0 = {w1 , . . . , wn } duas bases de um mesmo

e.v. V. Dado v V, temos:
v = x1 u1 + . . . + xn un e
(9.1)
v = y1 w1 + . . . + yn wn , donde
[v]t = [x1 . . . xn ], [v]t 0 = [y1 . . . yn ].

Como {u1 , . . . , un } e base de V, podemos escrever
w1 = a11 u1 + a21 u2 + . . . + an1 un

w2 = a12 u1 + a22 u2 + . . . + an2 un
.. . (9.2)
. = ..
wn = a1n u1 + a2n u2 + . . . + ann un
Substituindo em 9.1 e reordenando, temos:
v = y1 w1 + . . . + yn wn =
..
.
= (a11 y1 + ... + a1n yn )u1 + . . . + (an1 y1 + ... + ann yn )un
Mas, v = x1 u1 + . . . + xn un . Pela unicidade das coordenadas:

x1 a11 . . . a1n y1
.. .. .. .. .. .
. = . . . .
xn an1 . . . ann yn
Denotando,
a11 . . . a1n
.. , temos
= ... ..
0
[I] . .
an1 . . . ann
0
[v] = [I] [v] 0 .
0
Definicao 9.8.3 A matriz [I] acima e a matriz de mudanca da
base 0 para a base .
Exemplo 9.8.4 = {(2, 1), (3, 4)}, 0 = {(1, 0), (0, 1)} bases de R2 .
0
[I] =?
Resolucao
w1 = (1, 0) = a11 (2, 1) + a21 (3, 4) a11 = 4/11, a21 = 1/11
w2 = (0, 1) = a12 (2, 1) + a22 (3, 4) a12 = 3/11, a22 = 2/11.
Portanto,
0 4/11 3/11
[I] =
1/11 2/11
Para v = (5, 8), na base temos:

0
[(5, 8)] = [I] [(5, 8)] 0 =

4/11 3/11 5
= =
1/11 2/11 8
4
= ,
1
isto e, (5, 8) = 4(2, 1) 1(3, 4). X
Observacao 9.8.5
R Note que, no exemplo 9.8.4, se quisessemos apenas encontrar as co-
ordenadas de (5, 8) em relacao a base , poderamos simplesmente
resolver o sistema
(5, 8) = a(2, 1) + b(3, 4).
R O calculo feito atraves da matriz de mudanca de base e operacional-

mente vantajoso quando trabalhamos com mais vetores, pois neste caso
nao teremos que resolver um sistema de equacoes para cada vetor.
Para maiores detalhes, ver [9], [13], [36] ou [34].
9.8.1 A Inversa da Matriz de Mudanca de Base

Se em 9.2 tivessemos escrito os ui em funcao dos wj , teramos:
[v] 0 = [I] 0 [v] .

0
Como as matrizes [I] 0 e [I] sao inversveis (verifique!), basta observar
que

0 1
[I] = [I] 0 . (9.3)
9.8.2 Exemplos
0
Exemplo 9.8.6 No exemplo 9.8.4, obter [I] a partir de [I] 0 .
Resolucao
Ora, 0 e a base canonica, logo

2 3
[I] 0 = .
1 4
Entao,
1
0 2 3 4/11 3/11
[I] = = . X
1 4 1/11 2/11
Exemplo 9.8.7 V = R2 , = {e1 , e2 } e 0 = {f1 , f2 } obtida da base

canonica pela
rotacao
de um angulo . Dado um vetor v R2 de coorde-
x1 y1
nadas [v] = , quais sao as coordenadas [v] 0 = ?
x2 y2
Resolucao
Temos entao v = x1 e1 + x2 e2 = y1 f1 + y2 f2 .
Procuramos [v] 0 = [I] 0 [v] .
v

f1
7
f2
e2
I 6

- -
e1
Figura 9.14: Mudanca de base
Precisamos escrever e1 e e2 em funcao de f1 e f2 (ver figura no final da

resolucao):
e1 = cos f1 sin f2
.
e2 = sin f1 + cos f2

cos sin
Portanto, [I] 0 = , donde
sin cos

y1 cos sin x1
= ,
y2 sin cos x2
ou seja,
y1 = x1 cos + x2 sin
. X
y2 = x1 sin + x2 cos
f2 I 6
e2
6 f1

cos e1
- -
sin
f2
I 6
e2
6 f1
sin
9
:
-
cos
Figura 9.15: Rotacao de vetores

Aplicacao
Exerccio 9.9.1 Responda se os subconjuntos abaixo sao subespacos de
MR (2, 2). Em caso afirmativo, exiba geradores:

a b
1. V = com a, b, c, d R e b = c
c d

a b
2. W = com a, b, c, d R e b = c + 1 .
c d
Exerccio 9.9.2 Considere dois vetores (a, b) e (c, d) no plano. Se
ad bc = 0, mostre que eles sao linearmente dependentes. Se ad bc 6= 0,
mostre que eles sao linearmente independentes.
Exerccio 9.9.3 Verifique se os conjuntos abaixo sao espacos vetoriais

reais, com operacoes usuais. No caso afirmativo, exiba uma base e de a
dimensao:
1. Matrizes diagonais n n
2. Matrizes escalares n n

a a+b
3. : a, b R
a b
4. V = {(a, a, . . . , a) Rn ; a R}
5. {(1, a, b) : a, b R}
6. A reta {(x, x + 3) : x R}
7. {(a, 2a, 3a) : a R}.
Exerccio 9.9.4 Considere o subespaco de R4
S = [(1, 1, 2, 4), (1, 1, 1, 2), (1, 4, 4, 8)] :
1. O vetor ( 23 , 1, 1, 2) pertence a S?
2. O vetor (0, 0, 1, 1) pertence a S?
Exerccio 9.9.5 Seja W o subespaco de MR (2, 2) definido por

2a a + 2b
W= : com a, b R .
0 ab

0 2
1. W?
0 1

0 2
2. W?
3 1
Exerccio 9.9.6 Seja W o subespaco de MR (3, 2) gerado por

0 0 0 1 0 1
1 1 , 0 1 e 0 0 .
0 0 1 0 0 0

0 2
O vetor 3 4 pertence a W?
5 0

1 0 0 1 0 0 0 0
Exerccio 9.9.7 Mostre que , , ,
0 0 0 0 1 0 0 1
e base de MR (2, 2).
Exerccio 9.9.8 Escreva uma base para o e.v. das matrizes nn. Qual
a dimensao deste espaco?
Exerccio 9.9.9 Quais sao as coordenadas de x = (1, 0, 0) em relacao

a base
= {(1, 1, 1), (1, 1, 0), (1, 0, 1)}?
Exerccio 9.9.10 Seja Pn o espaco vetorial formado por todos os po-

linomios com coeficientes reais, de grau menor ou igual a n, incluindo o zero
(ver 9.3.5). Qual a dimensao deste espaco vetorial?
Exerccio 9.9.11 Mostre que os polinomios 1 t3 , (1 t)2 , 1 t e 1

geram P3 .
Exerccio 9.9.12 Seja P o conjunto de todos os polinomios (de grau

qualquer) com coeficientes reais. Existe uma base finita para este espaco?
Encontre uma basepara P e justifique por que P e conhecido como um
espaco de dimensao infinita.
Exerccio 9.9.13 Sejam U o subespaco de R3 , gerado por (1, 0, 0) e W

o subespaco de R3 , gerado por (1, 1, 0) e (0, 1, 1). Mostre que R3 = U W.
Exerccio 9.9.14 Sejam W1 = {(x, y, z, t) R4 | x + y = 0 e z t = 0}

e W2 = {(x, y, z, t) R4 | x y z + t = 0} dois dos subespacos de R4 .
1. Determine W1 W2 .
2. Exiba uma base para W1 W2 .
3. Determine W1 + W2 .
4. W1 + W2 e soma direta? Justifique.
5. W1 + W2 = R4 ?
Exerccio
9.9.15
Sejam = {(1, 0), (0, 1)}, 1 = {(1, 1), (1, 1)},
2 = {( 3, 1), ( 3, 1)} e 3 = {(2, 0), (0, 2)} bases ordenadas de R2 .
1. Ache as matrizes de mudanca de base:
(a) [I]1 ;
(b) [I]1 ;
(c) [I]2 ;
(d) [I]3 .
2. Quais sao as coordenadas do vetor v = (3, 2) em relacao a base:
(a) ;
(b) 1 ;
(c) 2 ;
(d) 3 ?
3. As coordenadas de um vetor v em relacao a base 1 sao dadas por

4
[v]1 = .
0
Quais sao as coordenadas de v em relacao a base:
(a) ;
(b) 2 ;
(c) 3 .

1 1 0
Exerccio 9.9.16 Se 0
[I] = 0 1 1 , ache:
1 0 1

1
1. [v] onde [v]0 = 2 ;
3

1
2. [v]0 onde [v] = 2 .
3
Exerccio 9.9.17 Se 0 e obtida de , a base canonica de R2 , pela

rotacao por um angulo
3 , ache:
0
1. [I] ;
2. [I] 0 .
Exerccio 9.9.18 Sejam 1 = {(1, 0), (0, 2)}, 2 = {(1, 0), (1, 1)} e
3 = {(1, 1), (0, 1)} tres bases ordenadas de R2 .
1. Ache:
(a) [I]21 ;
(b) [I]32 ;
(c) [I]31 ;
(d) [I]21 [I]32 .
2. Se for possvel, de uma relacao entre estas matrizes de mudanca de
base.
Exerccio 9.9.19 Seja V o e.v. de matrizes 2 2 triangulares superio-

res. Sejam

1 0 0 1 0 0
= , , e
0 0 0 0 0 1
1 0 1 1 1 1
1 = , ,
0 0 0 0 0 1
duas bases de V. Ache [I]1 .

Exerccio 9.9.20 Volte a 9.3 e mostre efetivamente que

0
([I] )1 = [I] 0 .
Exerccio 9.9.21 Se e base de um espaco vetorial, qual e a matriz de

mudanca de base [I] ?

Captulo
9.9.4 1. Pertence: v = 0v1 + 53 v2 16 v3 ; 2. Nao pertence
9.9.5 1. Pertence; 2. Nao pertence
9.9.6 Nao pertence

9.9.9 [x] = 13 13 1
3
1 1 " #
3 1
1 1 2 2 6 2 2 0
9.9.15 1. a. ; b. 1 1 ; c.
; d. ;
1 1 2 2
3
21 0 2
6
h i
2. a. [3 2]; b. 52 12 ; c. 3 636 3 63+6 ; d. 23 1 ;
h i
3. a. [4 4]; b. 623 3 62 3
3
; c. [2 2];
9.9.16 1. [v] = (1, 1, 4)t ; 2. [v]0 = (4, 4, 3)t

1 1 0 1 1 0
9.9.18 1. a. ; b. ; c. ; d. idem c.
0 12 1 1 12 1
2

1 1 1
9.9.19 0 1 1 ;
0 0 1
9.9.21 In .
Nao apresentaremos as respostas dos demais exerccios deste captulo

para nao tirarmos o seu prazer de resolve-los.
E
H T
C I GR
A N E
Captulo 10
Aprofundamento Sobre
Transformacoes Lineares
10.1 Introducao
F uncoes lineares descrevem o tipo mais simples de dependencia entre

variaveis.
Exemplo 10.1.1 Se de 1kg de soja sao extrados 0, 2 litros de oleo, de

uma producao de x kg de soja seriam extrados 0, 2 x litros de oleo.
Escrevendo na forma de funcao: Q(S) = 0, 2 S, onde Q = quantidade
em litros de oleo de soja e S = quantidade em kg de soja.
6 Q
Q = 0, 2 S
-
S
Figura 10.1: Extracao de oleo de soja por kg
Vejamos duas caractersticas deste exemplo:

1. Q(S1 + S2 ) = 0, 2 (S1 + S2 ) = 0, 2 S1 + 0, 2 S2 = Q(S1 ) + Q(S2 ),
S1 , S2 R;
156
2. Q(k S) = 0, 2 (kS) = k (0, 2 S) = k Q(S), k R.
Estas duas propriedades servirao para caracterizar transformacao li-

near.
Definicao 10.1.2 Sejam V e W dois espacos vetoriais. Uma trans-

formacao linear (aplicacao linear) e uma funcao de V em W , F : V W ,
satisfazendo, u, v V , k R:
1. F (u + v) = F (u) + F (v);
2. F (k v) = k F (v).
Notacao: por brevidade, denotaremos por TL qualquer transformacao

linear.
10.2 Exemplos
Exemplo 10.2.1 V = W = R e Q : R R
x 0, 2 x.
Exemplo 10.2.2 V = W = R e F : R R ,
u F (u) = u
onde R.
Toda transformacao linear de R em R so pode ser deste tipo. De fato,
F (x) = F (x 1) e como F e uma TL e x e um escalar, F (x 1) = x F (1).
Chamando F (1) = , temos que F (x) = x.
O nome transformacao linear certamente foi inspirado neste caso em
que V = W = R, pois o grafico de F (x) = x e uma reta passando pela
origem.
Contra-Exemplo 10.2.3 A aplicacao F : R R nao e

u F (u) = u 2
uma TL, pois seu grafico nao e uma reta.

Ademais, F (u + v) = (u + v)2 = u2 + 2uv + v 2 6= u2 + v 2 = F (u) + F (v).
Exemplo 10.2.4 F : R2 R3
(x, y) (2x, 0, x + y).
Observacao 10.2.5 Se T : V W e uma TL, entao T (0V ) = 0W , isto

e, se 0 V entao T (0) = 0 W . De fato, como T e uma TL, temos que
T (0) = T (0 + 0) = T (0) + T (0) T (0) = 0.
Portanto, se T (0) 6= 0, entao T nao e uma transformacao linear. Mas,
cuidado, T (0) = 0 nao e suficiente para que T seja linear (veja o contra-
exemplo 10.2.3).
O proximo exemplo e muito importante. Ele mostra que a toda matriz

mn esta associada uma transformacao linear de Rn em Rm (note a troca da
ordem de m e n), isto e, toda matriz produz uma TL. A recproca tambem
e verdadeira, ou seja, uma TL de Rn em Rm pode ser representada por uma
matriz m n (isto mostraremos mais adiante).
Exemplo 10.2.6 V = Rn e W m
= R . Seja A Mmn (R). Definimos
x1
n m ..
LA : R R , onde v = . e um vetor coluna e
v Av xn

x1 y1

LA (v) = A ... = ... . Tal aplicacao e uma TL.
xn ym
O exemplo 10.2.4 acima e um caso particular:
LA : R2 R

3

2 0 2x1
x1 x1
0 0 = 0 .
x2 x2
1 1 x1 + x2
Exemplo 10.2.7 V = W = Pn (polinomios de grau n).
D : Pn Pn , a aplicacao derivada.
f f0
10.3 Transformacoes do Plano no Plano

10.3.1 Expansao (ou Contracao) Uniforme
Uma expansao (contracao) uniforme e toda aplicacao do tipo
T : R2 R2 , com R.
v v
Exemplo 10.3.1 Seja T : R2 R2 , ou T (x, y) = 2 (x, y). Esta

v 2v
funcao leva cada vetor do plano num vetor de mesma direcao e sentido de
v, mas de modulo 2 vezes maior.

x x x 2 0 x
2 ou .
y y y 0 2 y
6 6
- -
Figura 10.2: Expansao ou contracao uniforme

1
Se tomassemos F : R2 R2 tal que F (x, y) = 2 (x, y), F seria uma
contracao.
10.3.2 ~
Reflexao em Torno do Eixo OX
A reflexao em torno do eixo ~
OX e dada pela aplicacao
F : R2 R2
(x, y) (x, y).
Matricialmente, podemos descrever a aplicacoes do seguinte modo:

x x x 1 0 x
ou .
y y y 0 1 y
- -
Figura 10.3: Reflexao em torno do eixo horizontal
10.3.3 Reflexao pela Origem
A reflexao pela origem e dada pela aplicacao T : R2 R2 , ou seja,

v v
T (x, y) = (x, y).
Matricialmente, podemos descrever a aplicacoes do seguinte modo:

x x x 1 0 x
ou .
y y y 0 1 y
Fisicamente, esta reflexao corresponde a rotacao de 180o em torno da

origem.
Figura 10.4: Reflexao pela origem
10.3.4 Rotacao de um angulo

A rotacao de um angulo (no sentido anti-horario) e descrita pelas
seguintes relacoes:
x0 = r cos( + ) = r cos cos r sin sin .
Mas, r cos = x e r sin = y. Entao x0 = x cos y sin .

Analogamente,
y 0 = r sin( + ) = r (sin cos + cos sin ) = y cos + x sin .
6 6
y0

y : :
- -
x x0
Figura 10.5: Rotacao de um angulo dado
Assim, R (x, y) = (x cos y sin , y cos + x sin ), ou na forma

matricial,

x x cos y sin cos sin x
= .
y y cos + x sin sin cos y
| {z }
R (x,y)
10.3.5 Cisalhamento Horizontal

O cisalhamento horizontal e dado pela relacao
T (x, y) = (x + y, y), R.
Ele consiste na modificacao da primeira coordenada do vetor (x, y),

substituindo-a por uma combinacao linear especfica de x e y, a saber:
x x + y, R.
6 6
- -
Figura 10.6: Cisalhamento horizontal
10.3.6 Translacao
Note que a translacao segundo um vetor (a, b) 6= (0, 0), embora seja
uma transformacao do plano no plano, nao e linear (pois nao leva o zero
no zero). O unico caso em que a translacao e linear e quando a = b = 0.
Ela e dada pela relacao T (x, y) = (x + a, y + b), ou matricialmente por

x 1 0 x a
+ .
y 0 1 y b
10.4 Conceitos e Teoremas

As TL sao perfeitamente determinadas conhecendo-se seu valor nos ele-
mentos de uma base.
Teorema 10.4.1 Sejam V e W espacos vetoriais reais e {v1 , . . . , vn }

uma base de V . Sejam w1 , . . . , wn W . Entao existe uma unica aplicacao
linear T : V W tal que T (v1 ) = w1 , . . . , T (vn ) = wn .
prova: Seja v = a1 v1 + . . . an vn um vetor de V . Entao
T (v) = a1 T (v1 ) + . . . + an T (vn ) = a1 w1 + . . . + an wn .
Note que T e linear e e unica nas condicoes acima.

Exemplo 10.4.2 Qual e a transformacao linear T : R2 R3 tal que

T (1, 0) = (2, 1, 0) e T (0, 1) = (0, 0, 1)?
Solucao
Os vetores e1 = (1, 0) e e2 = (0, 1) formam uma base de R2 . Sejam
w1 = (2, 1, 0) e w2 = (0, 0, 1). Dado v = (x1 , x2 ), temos que v = x1 e1 +x2 e2
e T (v) = x1 T (e1 ) + x2 T (e2 ) = x1 (2, 1, 0) + x2 (0, 0, 1) = (2x1 , x1 , x2 ). X
Definicao 10.4.3 Seja T : V W uma aplicacao linear. A imagem

de T e o conjunto dos vetores w W tais que existe um vetor v V , que
satisfaz T (v) = w. Ou seja,
Im(T ) = {w W | T (v) = w para algum v V }.
Note que Im(T ) W e, alem disso, e um subespaco vetorial de W . As

vezes Im(T ) e escrito como T (V ).
Definicao 10.4.4 Seja T : V W uma transformacao linear. O con-

junto de todos os vetores v V tais que T (v) = 0 e chamado nucleo (ou
kernel) de T , denotado por ker(T ). Isto e,
ker(T ) = {v V | T (v) = 0}.
Note que ker(T ) V e e um subespaco vetorial de V .

V W
' $' $
0 T -
0
ker(T ) Im(T )
& %& %
Figura 10.7: Diagrama de nucleo e imagem de uma TL
Exemplo 10.4.5 Seja T : R2 R com T (x, y) = x + y. Entao

ker(T ) = {(x, y) R2 | x + y = 0} e a reta y = x, ou ainda,
ker(T ) = {(x, x) | x R} = [(1, 1)]. E Im(T ) = R, pois para todo
w R, w = T (w, 0).
Exemplo 10.4.6 Seja T : R3 R3 com T (x, y, z) = (x, 2y, 0). Entao
Im(T ) = {(x, 2y, 0) R3 | x, y R} =

= {x(1, 0, 0) + y(0, 2, 0) | x, y R} = [(1, 0, 0), (0, 2, 0)].
Note que dim Im(T ) = 2.

Ademais, ker(T ) = {(x, y, z) | (x, 2y, 0) = (0, 0, 0)} = [(0, 0, 1)], onde
dim ker(T ) = 1. X
Definicao 10.4.7 Uma aplicacao T : V W e injetora se T (u) = v

implicar que u = v, para quaisquer u, v V . Equivalentemente, T e injetora
se dados u, v V com u 6= v, entao T (u) 6= T (v).
Em outras palavras, T e injetora se as imagens de vetores distintos sao
distintas.
Definicao 10.4.8 A aplicacao T : V W e sobrejetora se a imagem

de T coincidir com W , ou seja, T (V ) = W .
Em outras palavras, T e sobrejetora se dado w W , existir v V tal
que T (v) = w.
O proximo teorema afirma que uma TL injetora so tem o vetor nulo no

seu nucleo. E, por outro lado, se uma TL tiver somente 0 no seu nucleo,
entao quaisquer dois vetores distintos devem ter imagens distintas tambem.
Teorema 10.4.9 Seja T : V W uma aplicacao linear. Entao
ker(T ) = {0} T e injetora.
Corolario 10.4.10 Seja T : V W uma aplicacao linear injetora.

Entao T leva vetores linearmente independentes em vetores linearmente in-
dependentes.
Teorema 10.4.11 Seja T : V W uma aplicacao linear. Entao

dim ker(T ) + dim Im(T ) = dim V .
prova: Seja {v1 , . . . , vn } base de ker(T ) V . Como ker(T ) e um su-

bespaco de V , podemos completar este conjunto de modo a obter uma base
de V . Seja entao {v1 , . . . , vn , . . . , w1 , . . . , wm } a base de V .
Afirmacao: {T (w1 ), . . . , T (wm )} e base de Im(T ).
Provemos, inicialmente, que [T (w1 ), . . . , T (wm )] = Im(T ).
Dado w Im(T ), u V tal que T (u) = w. Como u V , temos que
u = a1 v1 + . . . + an vn + b1 w1 + . . . + bm wm . Mas,
w = T (u) = T (a1 v1 + . . . + an vn + b1 w1 + . . . + bm wm ) =
= b1 T (w1 ) + . . . + bm T (wm ),
pois v1 , . . . , vn ker(T ). Logo Im(T ) = [T (w1 ), . . . , T (wm )].

Mostraremos agora que {T (w1 ), . . . , T (wm )} e linearmente independente.
De fato, suponhamos que a1 T (w1 ) + a2 T (w2 ) + . . . + am T (wm ) = 0.
Como T e linear, segue que T (a1 w1 + a2 w2 + . . . + am wm ) = 0, donde
a1 w1 + . . . + am wm ker(T ). Entao a1 w1 + . . . + am wm pode ser escrito
como combinacao linear da base {v1 , . . . , vn } de ker(T ). Isto e , b1 , . . . , bn
tais que a1 w1 + . . . + am wm = b1 v1 + . . . + bn vn , ou ainda,
a1 w1 + . . . + am wm b1 v1 . . . bn vn = 0.
Mas, {v1 , . . . , vn , w1 , . . . , wm } e base de V , e entao segue que

a1 = a2 = . . . = am = b1 = . . . = bn = 0.
Corolario 10.4.12 Se dim V = dim W , entao T linear e injetora se,

e somente se, T e sobrejetora.
Corolario 10.4.13 Seja T : V W uma TL linear injetora. Se

dim V = dim W , entao T leva base em base.
prova: (sketch) {v1 , . . . , vn } base de V .

W {T (v1 ), . . . , T (vn )} e LI, pois k1 T (v1 ) + . . . + kn T (vn ) = 0 implica
que T (k1 v1 +. . .+kn vn ) = 0. Como T e injetora, entao k1 v1 +. . .+kn vn = 0.
Mas, {v1 , . . . , vn } e base, logo ki = 0 para todo 1 i n.
Visto que dim V = dim W = n, {T (v1 ), . . . , T (vn )} e base de W .
Quando uma transformacao linear T : V W for injetora e sobrejetora
ao mesmo tempo, da-se o nome de isomorfismo. Sob o ponto de vista da
Algebra Linear, espacos vetoriais isomorfos sao, por assim dizer, identicos.
Pelo que ja provamos, espacos isomorfos devem ter a mesma dimensao. Logo,
um isomorfismo leva base em base. Alem disso, um isomorfismo T : V W
tem uma aplicacao inversa T 1 : W V que e linear e e tambem um
isomorfismo.
Exerccio 10.4.14 Seja T : R3 R3 a transformacao linear dada por

T (x, y, z) = (x 2y, z, x + y). Mostre que T e isomorfismo e obtenha T 1 .
(Dica): Mostre que ker(T ) = {0} e calcule T ({e1 , e2 , e3 }). X
10.5 Transformacoes Lineares e Matrizes

Ja vimos que toda matriz m n esta associada a uma transformacao
linear T : Rn Rm . Vamos generalizar este resultado para espacos vetoriais
V e W e tambem estabelecer o seu recproco, isto e, uma vez fixadas as bases,
a toda transformacao linear T : V W esta associada uma unica matriz.
Inicialmente veremos como, dados dois espacos vetoriais V e W com
bases e 0 e uma matriz A, podemos obter uma TL.
ConsideremosR2 e asbases = {(1, 0), (0, 1)} e 0 = {(1, 1), (1, 1)}
2 0
e a matriz A = . Queremos associar a esta matriz A uma TL
0 1
que depende de A e das bases e 0 dadas, isto e, TA : R2 R2 com
T (v) = TA (v).
x
Sejam v = (x, y) e X = [v] = . Entao
y

2 0 x 2x
AX = = = [TA (v)] 0 .
0 1 y y
Logo TA (v) = 2x(1, 1) + y(1, 1) = (2x y, 2x + y).

De um modo geral, fixadas as bases = {v1 , . . . , vn } e
a11 . . . a1m
.. podemos associar a
0 = {w1 , . . . , wm }, a matriz A = ... .
am1 . . . amn
n m
aplicacao TA : R R (v TA (v)).

x1

Seja X = [v] = ... . Entao
xn

a11 . . . a1n x1 y1
.. .. = .. .
A X = ... . . .
am1 . . . amn xn ym
Portanto, TA (v) = y1 w1 + . . . + ym wm , onde yi = Ai X e Ai e a i-esima

linha de A.
Em geral, uma matriz Amn e vista como uma transformacao linear
TA : Rn Rm em relacao as bases canonicas de Rn e Rm .

1 3 5
Exemplo 10.5.1 Sejam A = , = {(1, 0), (0, 1)} e
2 4 1
0 = {(1, 3 2
0,0), (0, 1, 0), (0, 0, 1)}. Considere TA : R R . Seja
x
X = y . Entao

z

x
1 3 5 x 3y + 5z
AX = y = .
2 4 1 2x + 4y z
z
Portanto,
TA (x, y, z) = (x 3y + 5z)(1, 0) + (2x + 4y z)(0, 1) =

= (x 3y + 5z, 2x + 4y z). X
Agora iremos encontrar a matriz associada a uma TL.

Sejam T : V W linear, = {v1 , . . . , vn } base de V e 0 = {w1 , . . . , wm }
base de W . Entao T (v1 ), . . . , T (vn ) sao vetores de W e portanto
T (v1 ) = a11 w1 + . . . + aim wm

.. ..
. .
T (vn ) = an1 w1 + . . . + anm wm .
A transposta da matriz de coeficientes deste sistema, denotada por [T ] 0

e chamada matriz de T em relacao as bases e 0 .

a11 . . . an1
..
[T ] 0 = ... . = A.
a1m . . . an,m mn
Observe que T passa a ser a aplicacao linear associada a matriz A e bases

e 0 , isto e, T = TA .
Exemplo 10.5.2 Seja T : R3 R2 a transformacao linear dada por

T (x, y, z) = (2x + y z, 3x 2y + 4z). Sejam = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
e 0 = {(1, 3), (1, 4)}. Procuremos [T ] 0 . Temos:
T (1, 1, 1) = (2, 5) = 3(1, 3) 1(1, 4)

T (1, 1, 0) = (3, 1) = 11(1, 3) 8(1, 4)
T (1, 0, 0) = (2, 3) = 5(1, 3) 3(1, 4).

3 11 5
Entao [T ] 0 = . X
1 8 3
Observe que se fixarmos outras bases e 0 , teremos outra matriz para
a transformacao T .
Exemplo 10.5.3 Para uma aplicacao linear T como acima, sejam

= {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e 0 = {(1, 0), (0, 1)}. Calculemos [T ] 0 :
T (1, 0, 0) = (2, 3) = 2(1, 0) + 3(0, 1)

T (0, 1, 0) = (1, 2) = 1(1, 0) 2(0, 1)
T (0, 0, 1) = (1, 4) = 1(1, 0) + 4(0, 1).

2 1 1
Entao [T ] 0 = . X
3 2 4
Observacao 10.5.4 Denota-se por [T ] a matriz de uma transformacao
linear T : Rm Rn em relacao as bases canonicas.
Notacao: Tv = T (v)
Exemplo 10.5.5 Seja T : V V dada por T (v) = v a aplicacao iden-

tidade. Sejam = {v1 , . . . , vn } e 0 = {v10 , . . . , vn0 } bases de V . Entao

a11 . . . an1
.. = [I] .
[T ] 0 = ... . 0
a1n . . . ann
Esta e a matriz da aplicacao identidade da base na base 0 . X
Exemplo 10.5.6 Dadas as bases = {(1, 1), (0, 1)} de R2 e

0 = {(0, 3, 0), (1, 0, 0), (0, 1, 1)} de R3, encontremos
a transformacao li-
0 2
near T : R2 R3 cuja matriz e [T ] 0 = 1 0 . Temos:
1 3
T (1, 1) = 0(0, 3, 0) 1(1, 0, 0) 1(0, 1, 1) = (1, 1, 1)

T (0, 1) = 2(0, 3, 0) + 0(1, 0, 0) + 3(0, 1, 1) = (0, 9, 3).
Note que os coeficientes acima sao as colunas de [T ] 0 .

Devemos encontrar T (x, y). Para isto escrevemos (x, y) em relacao a
base : (x, y) = x(1, 1) + (y x)(0, 1).
Aplicando T e usando a linearidade:
T (x, y) = xT (1, 1) + (y x)T (0, 1) = x(1, 1, 1) + (y x)(0, 9, 3) =
= (x, 9y 10x, 3y 4x). X
O resultado a seguir da o significado da matriz de uma TL.
Teorema 10.5.7 Sejam V , W espacos vetoriais, base de V , base

de W e T : V W uma transformacao linear. Entao, para todo v V ,
vale:
[T (v)] = [T ] [v] .
prova: Faremos a prova no caso dim V = 2 e dim W = 3. O caso geral

e inteiramente analogo.
Sejam
= {v1 , v2 } base de V , = {w1 , w2 , w3 } base de W e
a11 a12 y1
x1
[T ] = a21 a22 . Sejam ainda v V e [v] = e [T v] = y2 .
x2
a31 a32 y3
Da matriz [T ] sabemos que
T v1 = a11 w1 + a21 w2 + a31 w3

T v2 = a12 w1 + a22 w2 + a32 w3 .
Alem disso, v = x1 v1 + x2 v2 e, como T e linear,
T v = x1 T v1 +x2 T v2 = (a11 x1 +a12 x2 )w1 +(a21 x1 +a22 x2 )w2 +(a31 x1 +a32 x2 )w3 .
Mas, T v = y1 w1 + y2 w2 + y3 w3 e, pela unicidade:
y1 = a11 x1 + a12 x2
y2 = a21 x1 + a22 x2
y3 = a31 x1 + a32 x2 ,

y1 a11 a12
x 1
ou seja, y2 = a21 a22 . Isto e, [T v] = [T ] [v] .
x2
y3 a31 a32
Atraves deste teorema, o estudo de TL entre espacos vetoriais de di-
mensao finita e reduzido ao estudo de matrizes.
Exemplo 10.5.8 2 3
Seja a transformacao linear T : R R dada por
1 1
[T ] = 0 1 , onde = {(1, 0), (0, 1)} e base de R2 ,
2 3
= {(1, 0, 1), (2, 0, 1), (0, 1, 0} e base de R3 .
2
Qual e a imagem de v = (2, 3) pela aplicacao T ? Ora, [v] = .
3

1 1 5
2

Portanto, [T v] = [T ] [v] = 0 1 = 3 , ou seja,
3
2 3 13
T v = 5(1, 0, 1) 3(2, 0, 1) 13(0, 1, 0) = (11, 13, 2). X
Teorema 10.5.9 Seja T : V W uma TL e sejam e bases de V e

W , respectivamente. Entao
dim Im(T ) = posto de [T ] , e
dim ker(T ) = nulidade de [T ] = no colunas posto de [T ] .
Teorema 10.5.10 Sejam T1 : V W e T2 : W U transformacoes

lineares e , , bases de V , W e U , respectivamente. Entao a composta de
T1 com T2 , T2 T1 : V U , e linear e
[T2 T1 ] = [T2 ] [T1 ] .
prova: Basta analisar o que ocorre nas bases.
Exemplo 10.5.11 Consideremos uma expansao do plano R2 dada por

T1 (x, y) = 2(x, y), e um cisalhamento dado por T2 (x, y) = (x + 2y, y), apli-
cados nesta ordem. 2
As matrizes (em relacao
a base canonica , do R ) das
2 0 1 2
TL sao [T1 ] = e [T2 ] = . Entao a matriz (em relacao a
0 2 0 1
base canonica 2
do R ) que representa
a expansao
seguida do cisalhamento e
1 2 2 0 2 4
[T2 T1 ] = = . X
0 1 0 2 0 2
Exemplo 10.5.12 Sejam T1 , T2 transformacoes

lineares, T1 : R2 R3 ,
1 0
3 2 0 1 1
T2 : R R dadas por: [T1 ] = 1 1 e [T2 ] = , em
0 0 0
0 1
relacao as bases = {(1, 0), (0, 2)}, = {( 13 , 0, 3), (1, 1, 15), (2, 0, 5)} e
= {(2, 0), (1, 1)}.
Qual e a TL composta T2 T1 : R2 R2 , ou seja, (T2 T1 )(x, y)?
Solucao:
1 0
0 1 1 1 2
Ora, [T2 T1 ] = [T2 ] [T1 ] = 1 1 = .
0 0 0 0 0
0 1
Escrevemos
agora as coordenadas do vetor (x, y) em relacao a base :
x
[(x, y)] = y . Assim,
2

1 2 x xy
[(T2 T1 )(x, y)] = [T2 T1 ] [(x, y)] = y = .
0 0 2 0
Portanto, (T2 T1 )(x, y) = (x y)(2, 0) + 0(1, 1) = (2x 2y, 0). X
Corolario 10.5.13 Se T : V W e uma TL invertvel (T e um iso-

morfismo) e e sao as bases de V e W , entao T 1 : W V e um
operador linear e
[T 1 ] = ([T ] )1 .
prova: Ora, [I] = [T 1 T ] = [T 1 ] [T ] .
Corolario 10.5.14 Sejam T : V W uma TL e e bases de V e

W . Entao T e invertvel se, e somente se, det[T ] 6= 0.
Exemplo 10.5.15 Seja T : R2 R2 uma TL dada por [T ] =

3 4
, onde e a base canonica de R2 . Como det[T ] = 1 6= 0, o Co-
2 3
rolario 10.5.14 afirma que T e invertvel. Pelo Corolario 10.5.13, sabemos
que
1
1 1 3 4 3 4
[T ] = ([T ] ) = = . Entao
2 3 2 3

1 1 x 3 4 x 3x 4y
[T (x, y)] = [T ] ) = = , ou
y 2 3 y 2x + 3y
seja, T 1 (x, y) = (3x 4y, 2x + 3y). X
Se T : V W e uma TL, , 0 sao bases de V e , 0 sao bases de W ,

0
entao podemos relacionar as matrizes [T ] e [T ] 0 :
Corolario 10.5.16 [T ] 0 = [I T I] 0 = [I] 0 [T ] [I] .

0 0 0
Caso particular: se T : V V e uma TL e e sao bases de V , entao

[T ] = [I T I] = [I] [T ] [I] . Lembrando que [I] = ([I] )1 e
chamando [I] = A, vem que [T ] = A [T ] A1 . Dizemos neste caso que
[T ] e [T ] sao semelhantes.
Pelo corolario anterior, observamos atraves de mudancas convenientes
de bases qual a modificacao que a matriz de uma TL sofre.
Exemplo 10.5.17 Seja a transformacao linear T 3 3

:R R cuja matriz
2 4 4

em relacao a base canonica e [T ] = 1 2 1 . Calculemos a matriz
3 6 5
desta TL em relacao a base = {(0, 1, 1), (1, 0, 1), (1, 1,
1)}.
0 1 1
Ora, [T ] = [I] [T ] [I] , onde [I] = 1 0 1 e
1 1 1

1 2 1 1 0 0
[I] = 0 1 1 . Entao [T ] = 0 2 2 . X
1 1 1 0 0 0
Questao: Dada uma TL, ha algum procedimento pratico para se calcu-
lar uma base em que a matriz desta TL seja a mais simples possvel?
Nao percam a resposta, nos proximos captulos!!!
10.6 Aplicacoes a Optica

Consideremos aqui o caso de um feixe de luz de raios paralelos (cuja
direcao pode, portanto, ser dada por um vetor) que se reflete em espelhos
planos.
Analisemos inicialmente a propagacao no R2 , como o espelho colocado
no eixo horizontal.
Dado um raio de luz incidente na direcao do vetor (a, b), perguntamos:
em que direcao (c, d) estara o raio refletido?
Z (c, d)

>

Z
Z
Z
Z
~
Z -
Z
Z
Z
Z
Z
~
Z
(a, b)
Figura 10.8: Reflexao de um raio de luz em espelho plano horizontal
Recordemos nossas aulas de Fsica:
R O raio de luz incidente, a normal ao espelho no ponto de incidencia e

o raio refletido estao no mesmo plano;
R O angulo entre o raio incidente e a normal ao espelho e o mesmo que

o angulo entre a normal e o raio refletido;
R Supondo que o espelho e perfeito, i.e., nao ha absorcao de luz, a luz

se reflete com a mesma intensidade que tinha na incidencia.
Neste 1o caso, as propagacoes ja se dao no mesmo plano. Se o com-

primento do vetor indicar a intensidade da luz, o 3o item acima indica que
o vetor refletido tera o mesmo tamanho que o incidente. Estes resultados,
o
junto com o 2 item
acima, implicam
que c = a e d = b ou, em forma de
c 1 0 a
matriz, = . Podemos concluir, portanto, que um
d 0 1 b
espelho atua sobre os raios luminosos como uma transformacao linear E (ja
havamos visto isto anteriormente).
Passemos agora a estudar qual e a matriz associada a um espelho numa
posicao formando um angulo com a horizontal.
Podemos fazer este caso cair na situacao anterior considerando uma mu-
danca de base.
Tomamos a base = {e1 , e2 } onde e1 = (cos , sin ) esta na direcao de
x (espelho) e e2 = (cos( 2 + ), sin( 2 + )) = ( sin , cos ) esta na direcao
0
normal ao espelho.
1 0
Em relacao a esta base, [E] = . Portanto, em relacao a base
0 1
canonica temos (verifique, calculando [I]can , [I]can ):

cos 2 sin 2
[E]can can =
can = [I]can [E] [I] e, portanto,
sin 2 cos 2

c cos 2 sin 2 a
= .
d sin 2 cos 2 b
y
6
y0 (c, d) espelho
SS
o 0
S BM
refletido
B > x

S
Z B
S B
incidente Z S
Z B
ZS B
ZS
~B
Z - x
SZ
SZ

SZZ
S Z
S Z~
S (a, b)
Figura 10.9: Reflexao de um raio de luz em espelho plano com inclinacao
A matriz [E]can
can poderia ser obtida diretamente simplesmente observando
o que a TL (espelho) faz nos vetores da base canonica (raios luminosos na
~ e do eixo OY
direcao do eixo OX ~ .
Note que ao colocarmos as componentes dos vetores refletidos em coluna
obteremos a mesma matriz que antes (ver mais detalhes em [4]).
Como podemos tratar o problema em que hajam varios espelhos e, con-
sequentemente, reflexoes sucessivas?
Simplesmente pela composicao das TL associadas a cada espelho na or-
dem em que ocorrem as reflexoes.
Exemplo 10.6.1 Considere um feixe de luz se propagando na direcao

do vetor (1, 1) e refletindo nos espelhos da figura abaixo.
espelho 1
(1, 1) (c, d)

@

@ 5
@
R 6 6 -
espelho 2
Figura 10.10: Reflexao de um raio de luz em dois espelhos planos

Em que direcao estara o feixe apos as reflexoes?

Solucao
Basta utilizar a matriz obtida acima com = 6 para a 1a reflexao e
a
= 5
6 para a 2 reflexao. Temos entao (verifique!):
" 1 # "
3 1
#
3
" 1+3 #
c 2 2 1 2
= 23 2 = .
d 3
1
1 1 1 3
2 2 2 2 2

1 3 1 3
Conclumos, entao, que o feixe estara na direcao de 2 , 2 . X
O mesmo raciocnio podera ser feito quando estamos com espelhos planos
no espaco.
Se tivermos 3 espelhos colocados 2 a 2 perpendiculares (como no canto
de uma sala e no piso, ou no teto...), qualquer feixe de luz de raios paralelos
que incide sobre o conjunto saira paralelo a direcao de incidencia apos as
reflexoes.
De fato, as matrizes associadas a cada espelho podem ser obtidas obser-
vando o que ele faz com cada um dos vetores da base canonica.
(a, b, c)

9

+
I
II
: (d, e, f )

III
?

Figura 10.11: Reflexao de um raio de luz em tres espelhos planos no espaco
Obtemos, entao:

1 0 0 1 0 0 1 0 0
M1 = 0 1 0 , M2 = 0 1 0 e M3 = 0 1 0
0 0 1 0 0 1 0 0 1
para os espelhos I, II e III, respectivamente.

Se o feixe de luz incidente esta na direcao (a, b, c), entao a direcao do
feixe refletido pelo conjunto sera

d a a a
e = M3 M2 M1 b = b = b .
f c c c
O mesmo resultado sera obtido se as reflexoes forem em outra ordem

(M2 M3 M1 , M1 M2 M3 , etc.). Conclumos que a direcao de sada e paralela e
contraria a de entrada.
A reflexao da luz (ou som) feita em espelhos nao planos nao e descrita
por TL. Aguarde, nos proximos captulos, exemplos de espelhos nao planos.
E
H T
C I GR
A N E
Captulo 11
Desigualdades Lineares

E
H T
C I GR
A N E
174
Captulo 12
Variedades Lineares,
Conjuntos Convexos e
Programacao Linear
12.1 Introducao
U m problema de otimizacao envolve maximizar ou minimizar

uma funcao restrita a certas condicoes. Estamos sempre interessados em
minimizar custos, maximizar lucro, rendimento, etc. A programacao li-
near permite a resolucao destes problemas no caso especfico em que as
funcoes a serem analisadas sao funcoes afins e as restricoes sao dadas por
desigualdades lineares (regioes poliedrais convexas) .
Trabalharemos aqui de uma maneira mais conceitual e geometrica. Para
uma analise mais algortmica e programavel, ver [4].
Os resultados de conjuntos convexos e programacao linear comecaram a
ser organizados no final do seculo passado e incio deste seculo, a partir dos
trabalhos de matematicos como H. Minkowski, A. Haar, H. Weyl. A partir
dos anos 40 houve um rapido desenvolvimento dessa area, principalmente
em relacao aos algoritmos para programar e resolver problemas aplicados
com muitas variaveis.
A programacao linear difundiu-se muito nos ultimos anos, por se tratar
de uma tecnica simples e, embora referindo-se a problemas especficos, mui-
tos problemas do cotidiano podem ser resolvidos segundo esta linguagem.
Costuma-se dizer, tambem, que a programacao linear e um topico da Pes-
quisa Operacional, a qual contem outros subtopicos como a Teoria das Filas,
a Simulacao, a Teoria dos Jogos, a Programacao Dinamica, o PERT/COM,
etc. Estudos estatsticos tem mostrado que a programacao linear e hoje
uma das tecnicas mais utilizadas da Pesquisa Operacional. E comum ver-
mos aplicacoes de programacao linear fazendo parte de rotinas diarias de
180
planejamento das mais variadas empresas, tanto nas que possuem uma so-
fisticada equipe de planejamento como nas que simplesmente adquiriram um
software para alguma funcao de planejamento.
Podemos conceituar a programacao linear do seguinte modo:
R E uma tecnica de otimizacao
R E uma ferramenta utilizada para encontrar o lucro maximo ou custo
mnimo em situacoes nas quais temos diversas alternativas de escolha
sujeitas a algum tipo de restricao ou regulamentacao.
12.2 Aplicacoes
Na pratica a programacao linear tem sido aplicada em areas tao diversas
como mostram os exemplos seguintes:
Alimentacao: que alimentos as pessoas (ou animais) devem utilizar,
de modo que o custo seja mnimo e os mesmos possuam os nutrientes
nas quantidades adequadas, e que tambem atendem a outros requisi-
tos, tais como variedades entre as refeicoes, aspecto, gosto, etc.?
Rotas de Transportes: qual deve ser o roteiro de transporte de
veculos de carga de modo que entreguem toda a carga no menor tempo
e no menor custo total?
Manufaturas: qual deve ser a composicao de produtos a serem fa-
bricados por uma empresa de modo que se atinja o lucro maximo,
sendo respeitadas as limitacoes ou exigencias do mercado comprador
e a capacidade de producao da fabrica?
Siderurgia: quais minerios devem ser carregados no alto-forno de
modo a se produzir, ao menor custo, uma liga de aco dentro de deter-
minadas especializacoes de elementos qumicos?
Petroleo: qual deve ser a mistura de petroleo a ser enviada para uma
torre de craqueamento para produzir seus derivados (gasolina, oleo,
etc.) a um custo mnimo? Os petroleos sao de diversas procedencias
e possuem composicoes diferentes.
Agricultura: que alimentos devem ser plantados de modo que o lucro
seja maximo e sejam respeitadas as caractersticas do solo, do mercado
comprador e dos equipamentos disponveis?
Carteira de Investimentos: quais as acoes devem compor uma car-
teira de investimentos de modo que o lucro seja maximo e sejam res-
peitadas as previsoes de lucratividade e as restricoes governamentais?
Mineracao: em que sequencia deve-se lavrar blocos de minerio abaixo
do solo, dados sua composicao, posicionamento e custos de extracao?
Localizacao Industrial: onde devem ser localizadas as fabricas e
os depositos de um novo empreendimento industrial de modo que os
custos de entrega do produto aos varejistas sejam minimizados?
12.3 Topicos da Programacao Linear

Na Programacao Linear, tanto a funcao objetivo como as restricoes sao
equacoes/inequacoes lineares (de primeiro grau) e os resultados para as
variaveis do modelo sao valores reais (contnuos). A Programacao Linear
pode ser dividida nos seguintes topicos:
Programacao Contnua: quando os resultados para as variaveis do

modelo sao valores reais (contnuos);
Programacao Estruturada: o modelo unitario (uma fabrica, ou um

produto, ou uma unidade de tempo) se replica (multi-fabricas, multi-
produtos, ou multi-perodos);
Programacao Inteira (PI): as variaveis somente admitem solucoes

inteiras;
Programacao Inteira Mista (PIM): podemos ter tanto variaveis

de solucoes inteiras como contnuas.
Dentre os topicos acima, a Programacao Contnua e a que historicamente

tem sido mais intensamente utilizada. Modelos recentes, todavia, tem ex-
plorado bastante os outros topicos, o que tem ocasionado um reaquecimento
do uso da Programacao Linear nas empresas.
12.4 Metodologia de Resolucao

Diante de um problema de Programacao Linear, consideramos as seguin-
tes orientacoes para resolve-lo:
1. Estabelecemos a funcao objetivo, isto e, a funcao que queremos maxi-

mizar ou minimizar;
2. Transformamos as restricoes impostas no problema num sistema de

inequacoes lineares;
3. Tracamos o grafico do polgono convexo correspondente a essas res-

tricoes, determinando as coordenadas dos vertices;
4. Calculamos os valores da funcao objetivo em cada um dos vertices;
5. O maior desses valores e o maximo e o menor e o mnimo da funcao

objetivo;
6. Voltamos ao problema e damos a sua solucao.
12.5 Conjuntos Convexos

As nocoes abordadas a seguir caracterizam regioes convexas especiais. O
conceito de variedade linear de um espaco vetorial e algo que abrange seus
subespacos e as translacoes destes.
Definicao 12.5.1 Um subconjunto A de um e.v. V e uma variedade

linear de V se existe um subespaco W de V e um vetor v0 de V, tal que:
A = {v V; v = v0 + w para w W}.
Notacao: A = v0 + W
Observacao 12.5.2 Se v0 6= 0, entao A nao e um subespaco.
Definicao 12.5.3 Definimos dimensao de A, e denotamos dimA, a
dimensao de W.
12.5.1 Exemplos
Exemplo 12.5.4 Uma reta (passando pela origem ou nao) e uma vari-
edade linear de dimensao 1 no R2 .
6
A
v0
W -
vA
-
q
wW
Figura 12.1: Variedade linear
Exemplo 12.5.5 Um ponto do plano e uma variedade linear de di-

mensao zero. X
Exemplo 12.5.6 Todo subespaco e, em particular, uma variedade li-
near (v0 = 0). X
Exemplo 12.5.7 Se um sistema de equacoes lineares e possvel, seu
conjunto-solucao e uma variedade linear de dimensao igual ao grau de liber-
dade do sistema (verifique!).
Vamos agora apresentar um problema que nos guiara nos itens a seguir.
Exemplo 12.5.8 Suponhamos que um agricultor queira adubar a sua
plantacao e disponha de dois tipos de adubo. O primeiro contem 3g de fosforo
(P), 1g de nitrogenio (N) e 8g de potassio (K), e custa $10, 00u.m./kg. O
segundo tipo contem 2g de fosforo, 3g de nitrogenio e 2g de potassio, e
custa $8, 00u.m./kg. Sabemos que 1 quilograma de adubo da para 10m2 de
terra, e que o solo em que estao suas plantacoes necessita de pelo menos
3g de fosforo, 1, 5g de nitrogenio e 4g de potassio a cada 10m2 . Quanto o
agricultor deve comprar de cada adubo, para cada 10m2 de terra, de modo
a conseguir ter o mnimo custo?
Resolucao
Tipo A Tipo B Necessidades mnimas

(x) (y) de adubo
P 3 2 3
N 1 3 1, 5
K 8 2 4
Custo Custo
10u.m. 8u.m.
Tabela 12.1: Quantidades de nutrientes por tipo de adubo
Sejam x e y as quantidades de kg de adubo dos tipos A e B, respectiva-

mente. Obviamente, x e y nao podem assumir qualquer valor, uma vez que
devemos ter x 0 e y 0. Ademais, x kg do tipo A fornece 3x g de P ,
enquanto que y kg do tipo B fornece 2y g de P . Entao, se usarmos x kg
de A e y kg de B, estaremos adicionando 3x + 2y gramas e, pela exigencia
mnima do solo, devemos ter 3x + 2y 3.
Analogamente, para o nitrogenio e o potassio deveremos ter x + 3y 1, 5 e
8x + 2y 4. Entao os valores de x e y devem satisfazer simultaneamente:
x 0, y 0, 3x + 2y 3, x + 3y 1, 5, 8x + 2y 4.
Facamos o grafico das quantidades x (como abscissa) e y (como orde-

nada):
P1 w
y
P2
w
x -
P3
P4
Figura 12.2: Quantidades de adubo em funcao dos nutrientes

3
(Obtemos P1 (0, 2), P2 15 , 56 , P3 67 , 14 , P4 32 , 0 .) Isto e, para que os
valores de x e y satisfacam simultaneamente todas as desigualdades, o ponto
(x, y) deve estar na regiao hachurada da figura 12.5.1.
Alem disso, queremos que o custo dado pela funcao
f (x, y) = 10x + 8y
seja mnimo, isto e, estamos procurando na regiao hachurada qual e o ponto

(x, y) no qual f (x, y) tem o menor valor. Temos C = 10x + 8y, ou seja,
y = 54 x C8 . Isto da uma famlia de retas. Tracamos entao retas paralelas
e vemos qual a que intersecciona algum vertice ideal. O ponto ideal e P3 .
Substitumos em f e calculamos C = 144 14 .
Para resolver isto, precisamos estudar um pouco mais as propriedades
de conjuntos como a regiao hachurada acima, e das funcoes do tipo f (x, y).
Neste nvel, vamos apenas testar os vertices na funcao objetivo para
verificar qual e o ideal.
Definicao 12.5.9 Sejam A e B dois pontos do Rn . O segmento de

extremos A e B e o conjunto AB de pontos Rn , dado por:
AB = {(1 t)A + tB; 0 t 1}.
Observacao 12.5.10 Em relacao a definicao 12.5.9, temos:
R Para t = 0 corresponde o ponto A;

R Para t = 1 corresponde o ponto B;
R Para qualquer ponto P do segmento AB, existe t1 R tal que
0 t1 1 e P = (1 t1 )A + t1 B.
Exemplo 12.5.11 Sejam A = (1, 2) e B = (3, 1) em R2 . Dado o

ponto P = ( 73 , 0) sobre o segmento, podemos escrever
7 2 2
( , 0) = (1 )(1, 2) + (3, 1),
3 3 3
ou seja, t = 23 tal que 0 t 1, de modo que P = (1 t)A + tB. Por outro
lado, se tomarmos t1 , tal que 0 t1 1, por exemplo t1 = 12 , e fizermos
P1 = (1 t1 )A + t1 B = (2, 1),
verificamos (faca isto!) facilmente que P1 esta sobre o segmento AB. X
Definicao 12.5.12 Um subconjunto S do Rn e chamado convexo se

para quaisquer dois pontos A e B de S o segmento AB esta inteiramente
contido em S.
A figura seguinte exemplifica um caso particular de conjunto convexo e

de conjunto nao convexo.
6
e convexo
~
-
6 nao e convexo
Figura 12.3: Conjuntos convexos e nao convexos
Teorema 12.5.13 A interseccao de conjuntos convexos e um conjunto

convexo.
prova: Sejam S1 e S2 dois conjuntos convexos. Precisamos mostrar que

se A e B sao dois pontos quaisquer de S1 S2 , entao AB S1 S2 . Mas,
se A, B S1 S2 , entao A, B S1 e como S1 e convexo, AB S1 . Analo-
gamente, mostra-se que AB S2 . Como AB esta contido simultaneamente
em S1 e em S2 , segue que AB S1 S2 . Portanto S1 S2 e convexo.
Definicao 12.5.14 Uma regiao poliedral convexa fechada em Rn

e uma interseccao de uma quantidade finita de semi-espacos fechados 1 do
Rn .
Observacao 12.5.15 Toda regiao poliedral convexa e um conjunto con-

vexo. u
Definicao 12.5.16 Um conjunto A Rn e dito limitado se existi-
rem constantes ki , i = 1, . . . , n tais que, se (x1 , . . . , xn ) A entao xi ki ,
i = 1, . . . , n.
1
Nao entraremos em detalhes sobre semi-espacos fechados, nem tampouco hiperplanos.
Apenas vale lembrar um resultado que diz que um semi-espaco fechado e convexo. O aluno
interessado pode pesquisar em [4] ou [13].
e limitada
6
e nao limitada
Figura 12.4: Conjuntos limitados e nao limitados
Observacao 12.5.17
R Numa regiao poliedral convexa, procuramos pontos especiais os

vertices. Na regiao poliedral convexa do exemplo 12.5.8, eles sao
os pontos (verifique na figura 12.5.1!)
1 6 6 3 3
P1 = (0, 2), P2 = ( , ), P3 = ( , ), e P4 = ( , 0).
5 5 7 14 2
R Note que estes pontos sao dados por interseccao de duas retas que
definem os semi-espacos. Assim, o ponto P2 e dado pela solucao do
sistema
3x + 2y 3 = 0
8x + 2y 4 = 0.
R Note, porem, que o ponto (0, 3

2) que e solucao do sistema

3x + 2y 3 = 0
x = 0
nao pertence a regiao hachurada.
Este comentario nos leva a:
Definicao 12.5.18 Dada uma regiao poliedral convexa fechada do Rn

(determinada por um sistema de inequacoes lineares), os vertices dessa
regiao sao os pontos da regiao que satisfazem um dos possveis sistemas de
n equacoes lineares independentes, obtidas substituindo-se as desigualdades
por igualdades.
Observacao 12.5.19 Depois de resolver um sistema, a fim de verifi-

car se o ponto esta na regiao, testamos para ver se ele satisfaz todas as
desigualdades.
12.5.2 Caracterizacao Geometrica dos Vertices

Os vertices definidos algebricamenteem 12.5.18 sao os pontos extre-
mos da regiao poliedral convexa. Isto significa que eles sao os pontos da
regiao que nao estao contidos no interiorde nenhum segmento contido na
regiao. Formalmente:
Proposicao 12.5.20 P e vertice de uma regiao poliedral convexa R se,

e somente se, P esta num segmento AB R entao P = A ou P = B.
prova: exerccio (ver [4]).
Exemplo 12.5.21 A regiao hachurada do exemplo 12.5.8 e descrita pe-

las desigualdades

x 0

y 0
3x + 2y 3

x + 3y 1, 5

8x + 2y 4.
Ao substituirmos por igualdades a tomarmos os sistemas de duas
5!
equacoes (por serem duas variaveis), obtemos 10 = C5,2 = 2!3! sistemas.
Dentre estes, determinaremos os vertices, verificando quais satisfazem os
sistemas de inequacoes que definem a regiao. Neste caso, teremos apenas os
pontos P1 , P2 , P3 e P4 nestas condicoes (Verifique!). X
Exemplo 12.5.22 Consideremos a regiao poliedral convexa fechada de

R3 , dada pelo sistema de inequacoes lineares:

x+y+z 3

yz 2

x 2y 1

x 0.
Entao os possveis vertices sao dados pelos sistemas de tres equacoes (por
serem
tres variaveis)
x+y+z = 3
y z = 2 (3, 1, 1) (esta na regiao, pois satisfaz todas

x 2y = 1
as inequacoes
)
yz = 2
x 2y = 1 (0, 1 5
2 , 2 ) (esta na regiao)

x = 0

x+y+z = 3
y z = 2 (0, 52 , 12 ) (esta na regiao)

x = 0

x + y + z = 3
x 2y = 1 (0, 1 7
2 , 2 ) (esta na regiao).

x = 0
Agora, em momentos de solidao, faca o desenho da regiao. X
12.6 Introducao a Programacao Linear

A programacao linear (PL) trata do problema especfico de: maximi-
zar ou minimizar uma funcao do tipo
f (x1 , . . . , xn ) = a1 x1 + . . . + an xn + b,
restrita a um subconjunto A poliedral convexo de Rn .
Observacao 12.6.1 Note que f : Rn R e uma transformacao

afim, isto e, f (x) = L(x) + b onde L e uma transformacao linear , b R.
Para maiores detalhes, ver [9] ou [13].
Definicao 12.6.2 Na linguagem de programacao linear (PL), a funcao

f da observacao 12.6.1 e chamada funcao objetivo (f.o.) e A e denomi-
nada regiao factvel.
Exemplo 12.6.3 No exemplo 12.5.8, a f.o. e dada por

f (x, y) = 10x
+ 8y e a regiao factvel e a regiao hachurada A descrita
f f
por f = x , y = (10, 8):

x 0

y 0
3x + 2y 3

x + 3y 1, 5

8x + 2y 4.
Nosso problema e minimizar f restrita a A.
12.6.1 Topicos sobre Produto Interno

Apresentaremos aqui apenas alguns conceitos basicos sobre produto
interno, fundamentais para a compreensao da proxima subseccao. Um
estudo aprofundado pode ser feito atraves de [9] ou [13].
Definicao 12.6.4 Seja V um espaco vetorial real. Um produto in-

terno sobre V e uma funcao que a cada par de vetores, v1 e v2 , associa um
numero real, denotado < v1 , v2 >, satisfazendo as propriedades:
1. < v, v > 0 para todo vetor v, e
< v, v > = 0 se, e somente se, v = 0;
2. < v1 , v2 > = < v1 , v2 > para todo real ;
3. < v1 + v2 , v3 > = < v1 , v3 > + < v2 , v3 >;
4. < v1 , v2 > = < v2 , v1 >.
Exemplo 12.6.5 O produto escalar usual de vetores de R3 . Para

v = (x1 , x2 , x3 ) e w = (y1 , y2 , y3 ):
< v, w >= x1 y1 + x2 y2 + . . . + x3 y3 .
De modo analogo, pode-se definir o produto interno usual para o Rn .

O produto interno e usado para caracterizar a nocao de perpendicula-

rismo ou ortogonalidade de vetores.
Definicao 12.6.6 Seja V um e.v. com produto interno <, >. Diz-se que
dois vetores v e w V sao ortogonais (em relacao a este produto interno)
se < v, w >= 0. Neste caso, escrevemos v w.
Propriedade 12.6.7
1. 0 v para todo v V;
2. v w w v;
3. Se v w para todo w V, entao v = 0;
4. Se v1 w e v2 w, entao v1 + v2 w;
5. Se v w e e um escalar, v w.
prova: ver [4].
12.6.2 Metodo Geometrico

Voltemos ao exemplo 12.5.8. O procedimento que utilizaremos e cha-
mado metodo geometrico de resolucao em PL.
Vamos reescrever a f.o. acima, utilizando o produto interno usual do R2 .
f (x, y) =< (10, 8), (x, y) >, c = (10, 8) e denominado vetor gradiente
e x = (x, y).
Observacao 12.6.8 f e constante nas retas perpendiculares ao vetor

c = (10, 8).
De fato: uma reta perpendicular a c pode ser escrita na forma pa-

rametrica2 do seguinte modo:
(x, y) = (x? , y ? ) + (8, 10),
ou seja, x = x? + c , onde x? = (x? , y ? ) e o vetor deslocamento que pode-

mos tomar na direcao de c. Portanto,
f (x, y) = < c, x > =
= < c, x? + c > =
= < c, x? > =
= c x? cos e,
neste caso, cos = 1.
Observacao 12.6.9 Da observacao 12.6.8 pode-se notar que f sera tao

menor quanto menor for o deslocamento x? , ou seja, f (x, y) assume seu
mnimo no ponto (ou pontos) da regiao factvel que estiver na reta per-
pendicular a c, mais proximo da origem. No nosso exemplo, o ponto e
( 67 , 14
3
) = P3 que e um vertice da regiao factvel.
2
Para maiores detalhes sobre parametrizacao de retas, ver [11].
Exemplo 12.6.10 Uma fabrica produz dois tipos de geradores, tipo A e

tipo B, e cada um deles deve passar por duas maquinas, C e D. Para fazer
um gerador do tipo A, a maquina C deve trabalhar 2 horas e a maquina D
deve trabalhar 4 horas. Para fazer uma unidade do tipo B, as maquinas C e
D devem trabalhar respectivamente, 4 e 2 horas. As maquinas podem traba-
lhar 24 horas por dia. Sabe-se que a fabrica tem um lucro de $3000, 00u.m.
por um gerador do tipo A e um lucro de $5000, 00u.m. por um do tipo B.
Alem disso, ela vende toda a sua producao. Sendo assim, perguntamos:
quantos geradores de cada tipo a fabrica deve produzir, para que seu lucro
seja maximo?
Resolucao
Chamemos x a quantidade do tipo A e y do tipo B. Se sao fabricados x

geradores do tipo A, o tempo gasto pela maquina C e 2x, e se sao fabricados
y geradores do tipo B, o tempo gasto pela maquina C e 4y, ou seja, o tempo
total usado pela maquina C e 2x + 4y, que deve ser menor que 24 horas.
Analogamente, temos uma restricao para a maquina D. Entao:

x 0

y 0

2x + 4y 24

4x + 2y 24
que nos fornece a figura abaixo.
4x + 2y = 24
(4, 4)
2x + 4y = 24
Figura 12.5: Regiao factvel
Os vertices sao (0, 0), (6, 0), (4, 4) e (0, 6). A funcao que queremos ma-
ximizar e a funcao lucro:
f (x, y) = 3000x + 5000y.
Use o metodo geometrico descrito no exemplo anterior para determinar o

maximo de f , observando que, para obter o maximo, voce deve caminhar
na regiao por retas perpendiculares ao vetor gradiente da f.o. e no mesmo

sentido dele. X
Tipos de Solucao
Baseado no metodo geometrico, ja e possvel intuir varios tipos de
solucao de problemas de programacao linear de duas variaveis.
Vamos considerar todos os tipos possveis de regioes poliedrais con-
vexas no R2 e pesquisar os maximos e mnimos de uma funcao
f (x, y) = ax + by + c.
R Regioes ilimitadas sem vertices (tipo 1);

R Regioes ilimitadas com vertices (tipo 2);
R Regiao limitada (portanto, com pelo menos tres vertices) (tipo 3);
R Casos degenerados (reta, semi-reta, segmento, ponto) (tipo 4).
6 6
R1 R2
- -
6 6
R4
A
R3 - -
B
6
C
B R5
A-
Figura 12.6: Classificacao de regioes factveis
Podemos observar que a funcao f definida acima pode:
R Assumir mnimo em toda reta e nao assumir maximo (R ), ou nao 1

assumir maximo nem mnimo (R2 ) em regioes do tipo 1;
R Nao assumir nem maximo nem mnimo (R ), ou assumir mnimo nos

3
vertices A e B, portanto assumir mnimo em todo o segmento AB e
nao assumir maximo (R4 ), em regioes do tipo 2;
R Assumir mnimo no vertice A e maximo no vertice C, em regioes do

tipo 3 (R5 );
R Nao assumir nem maximo nem mnimo (reta), assumir maximo no
vertice e nao assumir mnimo (semi-reta), assumi mnimo num vertice
e maximo no outro (segmento), ou ter o valor maximo igual ao valor
mnimo e igual a f (A) (ponto), em regioes do tipo 4.
Resolucao de Problemas para n-Variaveis

Na pratica, e difcil trabalhar com o procedimento geometrico para qua-
tro ou mais variaveis. Mas esta nocao de procurar maximo e mnimos da
funcao objetivo por uma varredura de hiperplanos perpendiculares ao gra-
diente nos permite intuit dois fatos cruciais na programacao linear.
Observacao 12.6.11
R A funcao objetivo assume necessariamente um valor maximo e um
valor mnimo quando a regiao convexa (factvel) for limitada;
R Os vertices desempenham um papel fundamental na procura de
maximos e mnimos para a funcao objetivo.
12.6.3 Teorema Fundamental da PL

Lema 12.6.12 Sejam f (x1 , . . . , xn ) = a1 x1 + . . . + an xn + b e P um
ponto interior a um segmento AB do Rn , isto e, P = A + (1 )B,
0 < < 1. Entao teremos f (A) f (P ) f (B) ou f (B) f (P ) f (A).
prova: ver [4], pag. 368.
Observacao 12.6.13 O lema 12.6.12 nos diz que os valores extremos
de uma funcao afim sao assumidos nos pontos extremos dos segmentos.
Lema 12.6.14 Seja f (x1 , . . . , xn ) = a1 x1 + . . . + an xn + b. Se dentre
os valores que f assumir num segmento AB do Rn , o valor maximo
(mnimo) for assumido num ponto P do interior deste segmento, entao f
sera constante em AB.
prova: exerccio.
Teorema 12.6.15 (Teorema Fundamental da Programacao Li-
near)
Seja f (x1 , . . . , xn ) = a1 x1 + . . . + an xn + b definida numa regiao polie-
dral convexa A do Rn . Suponha que f assuma um valor maximo (mnimo)
nesta regiao. Entao, se A possui vertice(s), este valor maximo (mnimo)
sera assumido num vertice.
prova: ver [4], paginas 369, 370.
Observacao 12.6.16 O teorema 12.6.15 permite, nos casos em que,
pela natureza da funccao, ja sabemos que ela assume maximo (mnimo)
encontra-lo apenas determinando seus valores nos vertices da regiao poliedral
convexa.
Regioes Limitadas
Quando a regiao A for limitada, teremos necessariamente maximo e
mnimo, para qualquer funcao objetivo. Para mostrar este fato, recorre-
mos a solucao geometrica dos problemas de PL. Note que, ao varrermos o
Rn por hiperplanos perpendiculares ao vetor gradiente da f.o., sempre to-
caremos a regiao A uma primeira e uma ultima vez. Ademais, uma regiao
poliedral convexa limitada claramente possui vertices (por que?). Isto nos
permite reescrever o teorema fundamental da PL para este caso:
Teorema 12.6.17 Seja f (x1 , . . . , xn ) = a1 x1 + . . . + an xn + b definida

numa regiao poliedral convexa limitada A. Entao f assume seus valores
maximo e mnimo nos vertices de A.
12.6.4 Conclusao
Tanto a determinacao de vertices (resolucao de sistema lineares) quanto
o calculo da f.o. nestes sao possveis atraves de algoritmos e de programacao
para calculadoras, microcomputadores e computadores. O mais conhecido
e o metodo simplex. O aluno interessado pode pesquisar mais sobre este
metodo em [4] ou [20]. E possvel que estes assuntos sejam novamente abor-
dados num curso de Calculo Numerico. Ate la!

Aplicacao
Exerccio 12.7.1 (Um problema de dieta) Para manter a sua
saude, uma pessoa necessita preencher certos requisitos mnimos de con-
sumo diario de diversos tipos de nutrientes. Suponhamos, por simplicidade,
que apenas tres tipos de nutrientes sejam necessarios: calcio, protena e ca-
lorias. Alem disso, suponhamos tambem que a dieta da pessoa em questao
consista em apenas dois alimentos, I e II, cujos precos e conteudos nu-
tritivos sao mostrados na tabela abaixo, onde tambem listamos o requisito
mnimo diario de cada nutriente.
Alimento I (por Kg) Alimento II (por Kg) Requisito mnimo

Preco R$0, 60 R$1, 00 diario
Calcio 10 4 20
Protena 5 5 20
Calorias 2 6 12
Qual a combinacao dos dois alimentos que satisfaz o requisito diario e

gera o custo mnimo?
Exerccio 12.7.2 (Problema de producao) Uma firma produz duas

linhas de produtos, I e II, com uma planta que contem tres departamentos
de producao: corte, mistura e embalagem.
O equipamento em cada departamento pode ser operado 8 horas por dia;

portanto, podemos considerar as 8 horas como a capacidade diaria de cada
departamento.
O processo de producao pode ser resumido da seguinte maneira: O pro-
duto I e primeiro cortado, e entao embalado. Cada tonelada desse produto
consome 12 hora da capacidade de corte e 31 de hora da capacidade de embala-
gem. O produto II e primeiro misturado e, entao, embalado. Cada tonelada
deste produto consome 1 hora da capacidade de mistura e 23 de hora da
capacidade de embalagem. Os produtos I e II sao vendidos aos precos de
R$80, 00 e R$60, 00 por tonelada, respectivamente. Mas, deduzindo os cus-
tos variaveis, eles geram R$40, 00 e R$30, 00 lquidos por tonelada. Estes
ultimos valores podem ser considerados como receitas lquidas (deduzidos os
custos variaveis) ou lucros brutos (includos os custos fixos). Para simplifi-
car, referir-nos-emos a eles como lucros por tonelada.
Que combinacao de nveis de producao a firma deve escolher para maxi-
mizar o lucro total?
Exerccio 12.7.3 Dois produtos P e Q contem as vitaminas A, B e C

em quantidades indicadas na tabela. A ultima coluna indica a quantidade
mnima necessaria de cada vitamina para uma alimentacao sadia, e a ultima
fila indica o preco de cada produto por unidade.
P Q
A 3 1 12
B 3 4 30
C 2 7 28
3 2
Que quantidade de cada produto deve conter uma dieta para que propor-
cione uma alimentacao sadia com o mnimo de custo?
Exerccio 12.7.4 Um comerciante vende dois tipos de artigos, A e B.

Na venda do artigo A tem um lucro de 20 u.m por unidade e na venda do
artigo B, um lucro de 30 u.m.. Em seu deposito so cabem 100 artigos e
sabe-se que por compromissos ja assumidos vendera pelo menos 15 artigos
do tipo A e 25 do tipo B. O distribuidor pode entregar ao comerciante, no
maximo, 60 artigos A e 50 artigos B.
Quantos artigos de cada tipo devera o comerciante encomendar ao dis-
tribuidor para que, supondo que os venda todos, obtenha o lucro maximo?
Exerccio 12.7.5 (Problema de transporte) Uma firma comercial

tem 40 unidades de mercadoria no deposito I e 50 unidades no deposito
II. Deve enviar 30 unidades ao cliente A e 40 ao cliente B. Os gastos de
transporte, por unidade de mercadoria, estao indicados no esquema a seguir.
'$
10
40 - 30 A
I Z
Z
Z &%
Z
>
Z
14 Z
Z
Z
Z

Z
Z
Z
Z
12 Z
ZZ
~
'$

II 50 - 40 B
&%
15
De que maneira deve enviar estas mercadorias para que o gasto com o
transporte seja mnimo?
Exerccio 12.7.6 Uma companhia dispoe de um maximo de

2400, 00 u.m. para fazer propaganda de seus produtos atraves da tele-
visao ou de um jornal diario. Cada hora da televisao custa 400, 00 u.m. e
cada pagina do jornal custa 300, 00 u.m.. A audicao de televisao alcanca
120000 pessoas e a pagina do jornal e lida por 80000 pessoas. Os diretores
da companhia exigem que se utilizem pelo menos 2 horas de televisao e 1
pagina do jornal.
Como deve distribuir a companhia o resto do dinheiro dedicado a propa-
ganda para atingir o numero maximo de pessoas?
Exerccio 12.7.7 Uma fabrica manufatura dois produtos, cada um re-

querendo o uso de 3 maquinas. A primeira maquina pode ser usada no
maximo 70 horas; a segunda maquina, no maximo 40 horas; e a terceira
maquina, no maximo 90 horas. O primeiro produto requer 2 horas na
maquina I, 1 hora na maquina II e 1 hora na maquina III. O segundo pro-
duto requer 1 hora em cada uma das maquinas I e II e 3 horas na maquina
III. Se o lucro e de 40, 00 u.m. para o primeiro produto e 60, 00 u.m. para
o segundo produto, quantas unidades de cada produto deveriam ser manufa-
turadas para tornar o lucro maximo?
Exerccio 12.7.8 Suponhamos que uma pessoa necessite, no mnimo,

de 60 unidades de carboidratos, 40 unidades de protena e 35 unidades de
gordura por mes. O alimento A contem 5, 3 e 5 unidades de carboidratos,
protenas e gordura, respectivamente, por quilo. O alimento B contem 2, 2
e 1 unidade de carboidratos, protenas e gordura, respectivamente, por quilo.
Se A custa 1, 50 u.m. por quilo e B custa 0, 70 u.m. por quilo, quantos quilos
de cada alimento deveriam ser comprados por mes para minimizar o custo,
atendendo as necessidades mnimas?
Exerccio 12.7.9 Uma fabrica de computadores produz dois modelos de

computador: A e B. O modelo A fornece um lucro de R$180, 00 e B de
R$300, 00. O modelo A requer, na sua producao, um gabinete pequeno e
uma unidade de disco. O modelo B, requer um gabinete grande e duas
unidades de disco. Existem no estoque 60 unidades do gabinete pequeno, 50
do gabinete grande e 120 unidades de disco. Qual deve ser a producao que
maximiza o lucro?
Exerccio 12.7.10 Um fazendeiro esta estudando a divisao de sua pro-

priedade nas seguintes atividades produtivas:
A (Arrendamento) - destinar certa quantidade de alqueires para a
plantacao de cana-de-acucar a uma usina local que se encarrega da ativi-
dade, e paga pelo aluguel da terra R$300, 00 por alqueire por ano;
P (Pecuaria) - usar outra parte para a criacao de gado de corte. A re-
cuperacao das pastagens requer adubacao (100 Kg por alqueire) e irrigacao
(100.000 litros de agua por alqueire) por ano. O lucro estimado nessa ativi-
dade e de R$400, 00 por alqueire por ano;
S (Plantio de soja) - usar uma terceira parte para o plantio de soja.
Essa cultura requer 200 Kg por alqueire de adubos e 200.000 litros de agua
por alqueire para irrigacao por ano. O lucro estimado nesta atividade e de
R$500, 00 por alqueire no ano.
Disponibilidade de recursos por ano: 12.750.000 litros de agua,
14.000 Kg de adubo e 100 alqueires de terra. Quantos alqueires devera
destinar a cada atividade para proporcionar o melhor retorno?
Exerccio 12.7.11 Uma refinaria de petroleo deseja encontrar a ma-

neira otima de cumprir um contrato de fornecimento de gasolina de aviacao
e gasolina comum. Segundo este contrato, deve-se fornecer diariamente um
mnimo de 1000 barris de gasolina de aviacao e 2000 barris de gasolina co-
mum. A unidade que se responsabilizara pela entrega tem uma capacidade
maxima de producao de 10000 barris por dia, indistintamente. As gasolinas
devem ser transportadas ate seus depositos, cujas distancias da unidade sao
10 km e 30 km, respectivamente. A capacidade maxima de transporte da
refinaria e de 186.000 barris por quilometro. Sabendo-se que a gasolina de
aviacao da um lucro de R$1, 00 e a comum R$2, 00, pede-se o esquema de
producao que maximiza o lucro da refinaria com relacao ao citado contrato.
Exerccio 12.7.12 Um sapateiro faz 6 sapatos por hora (se fizer so-
mente sapatos), e 5 cintos por hora (se fizer somente cintos). Ele gasta 2
unidades de couro para fabricar uma unidade de sapato e uma unidade de
couro para fabricar uma unidade de cinto. Sabendo-se que o total disponvel
de couro e de 6 unidades e que o lucro unitario por sapato e de 5 u.m. e o do
cinto e de 2 u.m., pede-se: o modelo do sistema de producao do sapateiro,
se o objetivo e maximizar seu lucro por hora.
Exerccio 12.7.13 Certa empresa fabrica 2 produtos A e B. O lucro

por unidade de A e de 100 u.m. e o lucro unitario de B e de 150 u.m..
A empresa necessita de 2 horas para fabricar uma unidade de A e 3 horas
para fabricar uma unidade de B. O tempo mensal disponvel para essas
atividades e de 120 horas. As demandas esperadas para os dois produtos

levaram a empresa a decidir que os montantes produzidos por A e B nao
devem ultrapassar 40 unidades de A e 30 unidades de B por mes. Construa
o modelo do sistema de producao mensal com o objetivo de maximizar o
lucro da empresa.
Exerccio 12.7.14 Um vendedor de frutas pode transportar 800 caixas

de frutas para a sua regiao de vendas. Ele necessita transportar 200 caixas
de laranjas a 20 u.m. de lucro por caixa, pelo menos 100 caixas de pessegos a
10 u.m. de lucro por caixa, e no maximo 200 caixas de tangerinas a 30 u.m.
de lucro por caixa. De que forma devera ele carregar o caminhao para obter
o lucro maximo?
Exerccio 12.7.15 Uma rede de televisao local tem o seguinte problema:

foi descoberto que o programa A com 20 minutos de musica e 1 minuto de
propaganda chama a atencao de 30000 telespestadores, enquanto o programa
B, com 10 minutos de musica e 1 minuto de propaganda chama a atencao de
10000 telespectadores. No decorrer de uma semana, o patrocinador insiste
no uso de, no mnimo, 5 minutos para sua propaganda e que nao ha verba
para mais de 80 minutos de musica.
Quantas vezes por semana cada programa deve ser levado ao ar para
atingir o numero maximo de telespectadores?
Exerccio 12.7.16 Uma empresa fabrica 2 modelos de cintos de couro.

O modelo I, de melhor qualidade, requer o dobro do tempo de fabricacao em
relacao ao modelo II. Se todos os cintos fossem do modelo II, a empresa
poderia produzir 1.000 unidades por dia. A disponibilidade de couro permite
fabricar 800 cintos de ambos os modelos por dia. Os cintos empregam fivelas
diferentes, cuja disponibilidade diaria e de 400 para o modelo I e 700 para
o modelo II. Os lucros unitarios sao de R$4, 00 para o modelo I e R$3, 00
para o II.
Qual o programa otimo de producao que maximiza o lucro total diario
da empresa?
Exerccio 12.7.17 Um fabricante de joias fabrica apenas brincos e co-

lares. Ele tem um lucro de R$45, 00 em cada brinco e R$80, 00 em cada colar
vendido. Supoe-se que devido a forte demanda destes itens consiga-se vender
toda a producao da fabrica. Mas, a producao da firma e limitada por dois
aspectos: em cada brinco utiliza-se 5 unidades de ouro. Da mesma forma,
cada colar produzido utiliza 20 unidades de ouro. Dispomos um total de 400
unidades de ouro. Cada brinco produzido gasta 10 homens-hora e cada colar
gasta 15 homens-hora. Dispomos de um total de 450 homens-hora. O obje-
tivo do fabricante e descobrir qual a quantidade otima de brincos e colares
a serem fabricados, de tal modo que o lucro total seja o maior possvel.

Captulo
12.7.1 (3, 1): C = 0, 6x + 1y, 10x + 4y 20, 5x + 5y 20, 2x + 6y 12;
fomin (3, 1) = 2, 80
12.7.2 (16, 4): sao C5,2 = 10 sistemas com 2 equacoes cada. Temos
C M E
I 1/2 0 1/3 , I 0, II 0, 13 I + 32 II 8 (embalagem),
II 0 1 2/3
II 8 (mistura), 12 I 8 (corte), L(I, II) = 40I + 30II. Apenas 5
pontos estao na regiao
12.7.3 (2, 6): C(P, Q) = 3P + 2Q. Apenas 4 pontos estao na regiao,

C(2, 6) = 18
12.7.4 (50, 50): x unidades de A, y unidades de B, L(x, y) = 20x + 30y,

x + y 100, x 60, y 50, x 15, y 25. Apenas 5 pontos estao
na regiao
12.7.5 O gasto mnimo se obtera enviando 30 unidades de mercadoria de I

a A, 10 de I a B, 30 de II a B e nenhuma de II a A. De fato, por I:
x + y 40, por II: z + w 50, por A: x + z = 30 donde z = 30 x,
por B: y + w = 40 donde w = 40 y. Entao simplificando: x + y 40,
(30 x) + (40 y) 50 (i.e., x + y 20), x 0, y 0, z 0, w 0.
O gasto e G(x, y, z, w) = 10x + 14y + 12z + 15w ou, simplificando,
G(x, y) = 960 2x y. Ha somente 5 pontos na regiao
21
12.7.6 4 , 1 : T 2, J 1, 400T + 300J 2400, N = 12000T + 8000J
produto A B
M1 2 1 70
12.7.7 (15, 25): L = 40A + 60B,
M2 1 1 40
M3 1 3 90
A B
carboidratos 5 2 60
12.7.8 (10, 5): C = 1, 5x + 0, 70y,
protenas 3 2 40
gorduras 5 1 35
12.7.9 L(60, 30) = 19800: L = 180A + 300B
12.7.10 LT = 300x + 400y + 500z, y + 2z 140, 10y + 20z 1275, x + y + z

100, x 0, y 0, z 0
12.7.11 L = 1av + 2com, av 1000, com 2000, av + com 10000,

10av + 30com 186000
12.7.12 O sapateiro faz 1 calcado em 10 minutos, e 1 cinto em 12 minutos.

sapato cinto
rendimento 10 12 60 , L = 5x + 2y
couro 2 1 6
12.7.13 (15, 30): L = 100x + 150y
12.7.14 (400, 200): L = 20 |{z}

l +10p + 30t = 4000 + 10p + 30t, p 100,
=200
t 200, p + t 600
12.7.15 (3, 2): 30000x + 10000y
12.7.16 (200, 600): L = 4x +3y, 2x+y 1000, x+y 800, x 400, y 700
12.7.17 (24, 14): sejam x =brinco e y =colar, L = 45x + 80y, 5x + 20y 400,
10x + 15y 450
E
H T
C I GR
A N E
Captulo 13
Curvas Conicas
A s curvas conicas sao obtidas atraves da intersecao de um plano e

um cone de revolucao. Dependendo da maneira com ocorre esta intersecao,
podemos obter as seguintes curvas: elipse, parabola, hiperbole ou um simples
ponto.
13.1 A Elipse
Definicao 13.1.1 Elipse e uma curva plana descrita por um ponto P
que se desloca de modo que a soma de suas distancias a dois pontos
fixos F1 e F2 permanece constante igual a 2a, onde
dist(F1 , F2 )
a>c= : ||P~F1 || + ||P~F2 || = 2a .
2
Elementos da elipse:
F1 , F2 : focos
||F1~F2 || = 2c: distancia focal
B1~B2 , tal que B1 B2 A1 A2 no ponto medio: eixo menor
||B1~B2 || = 2b
O = A1 A2 B1 B2 : centro
A1 , A2 , B1 , B2 : vertices
A1~A2 : eixo maior (contem os focos)
||A1~A2 || = 2a
201
c
0<e= a < 1: excentricidade
Observe que, como a e a metade do eixo maior, b e a metade do eixo
menor, e c e a metade da distancia focal, segue que a2 = b2 + c2 . Logo

a2 b2
e= .
a
B1
4
6
3 b
1
F1 F2
0 A1 - -A2
c
-1
-2
-3
-4
-6 -4 -2 B20 2 4 6
13.1.1 Equacao Reduzida da Elipse com Centro na Origem

e Focos sobre os Eixos Coordenados
a) Focos sobre o Eixo OX: ~ F1 = (c, 0), F2 = (c, 0), A1 = (a, 0),
A2 = (a, 0), B1 = (0, b), B2 = (0, b)
P = (x, y) R2 . Entao P e ponto da elipse
Seja
||P~F1 || + ||P~F2 || = 2a
p p
(c x) 2 + (y)2 + (c px)2 + (y)2 = 2a
p
2 2
(c x) + (y) = 2a p (c x)2 + (y)2
c2 p
+ 2cx + x2 + y 2 = 4a2 4a (c x)2 + y 2 + c2 2cx + x2 + y 2
4a (c x)2 + y 2 = 4a2 4cx
a2 (c2 2cx + x2 + y 2 ) = a4 2a2 cx + c2 x2
a2 x2 c2 x2 + a2 y 2 = a4 a2 c2
(a2 c2 )x2 + a2 y 2 = a2 (a2 c2 )
(como a > c e a2 = b2 + c2 )
2 2
b2 x2 + a2 y 2 = a2 b2 xa2 + yb2 = 1.
Sendo assim, a equacao reduzida da elipse com centro na origem e
semi-eixos a (semi-eixo maior) e b e dada por:
x2 y2
a2
+ b2
=1.
b) Focos sobre o Eixo OY ~ : F1 = (0, c), F2 = (0, c), A1 = (0, a),

A2 = (0, a), B1 = (b, 0), B2 = (b, 0)
x y
A26
5
4
3 F2
2
1
y x
0 B1 B2-
-1
-2
-3 F1
-4
-5
-10 -5 A10 5 10
Considere a seguinte mudanca de variavel nos eixos coordenados: se-

jam x0 = y e y 0 = x. Entao em relacao ao sistema de eixos co-
ordenados x0 y 0 a elipse tem seu eixo maior em OX 0 , e seu eixo me-
nor em OY ~ 0 . Pelo item anterior, a equacao da elipse e dada por:
(x0 )2 (y 0 )2
a2
+ b2 = 1. Substituindo as variaveis e efetuando os calculos,
obtemos que a equacao reduzida da elipse com centro na origem e
semi-eixos a e b e dada por:
x2 y2
b2
+ a2
=1.
Exerccio 13.1.2 Determine a equacao da elipse de centro na origem,

sabendo que:
1. O eixo maior mede 8 cm e os focos sao F = (3, 0) e F 0 = (3, 0);
2. O eixo maior mede 20 cm, o comprimento do eixo menor e igual a

~ ;
distancia focal e os focos estao sobre o eixo OY

3. Passa pelos pontos 22 , 1 , 23 , 22 .
13.1.2 Equacao da Elipse Cujos Eixos sao Paralelos aos Eixos

Coordenados
a) Eixo Maior Paralelo ao Eixo OX: ~ o centro da elipse e dado por
0
O = (h, k). Efetuando a mudanca de variavel nos eixos coordenados
(translacao de eixos) x0 = x h, y 0 = y k, obtemos a equacao
(x0 )2 0 2
a2
+ (yb2) = 1. Substituindo x0 e y 0 obtemos a equacao reduzida da
elipse com centro no ponto O0 = (h, k) e eixo maior paralelo ao eixo

~
OX:
(xh)2 (yk)2
a2
+ b2
= 1.
b) Eixo Maior Paralelo ao Eixo OY ~ : analogamente, temos que

(x0 )2(y 0 )2
b2
+ a2 = 1. Portanto, a equacao reduzida em questao e dada por:
(xh)2 (yk)2
b2
+ a2
= 1.
Exerccio 13.1.3 Determine a equacao da elipse tal que:
1. Os focos sao os pontos F1 = (1, 3) e F2 = (5, 3), e o eixo maior mede

10 cm;
2. O eixo maior tem extremos A1 = (2, 3) e A2 = (2, 5), e a excentrici-

dade e 34 .
Exerccio 13.1.4 Determine as coordenadas do centro e dos focos da

elipse de equacao 4x2 + 9y 2 8x 36y + 4 = 0.
13.1.3 Posicao Relativa entre Reta e Elipse

Existem tres posicoes relativas entre uma reta r e uma elipse, a saber:
1. r e exterior a elipse: r elipse = ;
2. r e tangente a elipse: r elipse = {0};
3. r e secante a elipse: r elipse = {P, Q}
Exemplo 13.1.5 Determine a equacao da elipse tangente a reta r dada

por r: x + 4y 10 = 0 e que passa pelo ponto A = (4, 1), sabendo que seus
eixos estao contidos nos eixos coordenados.
Solucao
2 2
A equacao da elipse e dada por xa2 + yb2 = 1. Como A elipse, segue
que a162 + b12 = 1. Donde 16b2 + a2 = a2 b2 .
2 2
Por outro lado, r: x = 104y. Sendo assim, r elipse: (104y) a2
+ yb2 = 1.
O que implica em b2 (10080y+16y 2 )+a2 y 2 = a2 b2 . Ou seja, (16b2 +a2 )y 2
80b2 y + (100b2 a2 b2 ) = 0. Vimos acima que a2 b2 = 16b2 + a2 . Entao temos
que a2 y 2 80y + (100 a2 ) = 0.
Como r e tangente a elipse, devemos ter = 0 na equacao acima, i.e.,
a4 100a2 + 1600 = 0, donde a2 = 80 ou a2 = 20. Portanto, b2 = 54 ou
b2 = 5.
2 2 2 2
Finalmente, as equacoes das elipses sao x80 + y5 = 1 ou x20 + y5 = 1. X
4
Observacao 13.1.6 A circunferencia e uma elipse em que os focos coin-

cidem com o centro e a excentricidade e nula.
Exemplo 13.1.7 Dada a circunferencia de equacao x2 + y 2 = 9, po-

2 2
demos escrever a equacao reduzida da elipse como x9 + y9 = 1. Logo,
a2 = b2 = 9; a = b = 3. Segue que c2 = a2 b2 = 0, donde c = 0. Assim, os
focos sao F1 = F2 = 0, e a excentrididade e dada por e = ac = 03 = 0. X
13.2 A Parabola
Definicao 13.2.1 Parabola e o lugar geometrico dos pontos do plano
que sao equidistantes de um ponto F e de uma reta d, i.e. P = (x, y) e um
ponto da parabola se, e somente se, d(P, F ) = d(P, d).
2
F
0
-2 d
-4
-6
-8
-10 -5 0 5 10
Os elementos da parabola sao os seguintes:
F : foco;
d: diretriz;
r d, F r: eixo de simetria;
V r, d(V, d) = d(V, F ): vertice;
d(F, d) = p: parametro
13.2.1 Equacao Reduzida da Parabola com Vertice na Ori-

gem e Foco sobre um dos Eixos Coordenados
~
1. Foco sobre o Eixo OX:
(a) Equacao Reduzida da Parabola com Vertice

na Origem
e Foco sobre o Eixo OX,~ x > 0: F = p , 0 , d: x = p . Seja
2 2
P = (x, y) R2 e seja M = p2 , y d (note que yd = yP ).
Entao P e um ponto da parabola se, e somente se,

||P~F || = ||P~M || q
d(P, F ) = d(P, d) q
p 2 p 2
2 x + y2 = 2 x + 02
p2 p2
4 px + x2 + y 2 = 4 + px + x2
y 2 = 2px .
(b) Equacao Reduzida da Parabola com Vertice p na Origem
e Foco sobre o Eixo ~
OX, x < 0: F = 2 , 0 , d: x = p2 ,
p
M = 2 , y . Facamos a mudanca de variavel nos eixos coordena-
dos: x0 = x, y 0 = y. Entao em relacao ao sistema x0 y 0 a equacao
da parabola e dada por (y 0 )2 = 2px0 . Donde y 2 = 2px .
~ :
2. Foco sobre o Eixo OY
(a) Equacao Reduzida da Parabola com Vertice na Origem

e Foco sobre o Eixo ~ , y > 0: F = 0, p , d: y = p ,
OY
2 2
M = x, p2 . Facamos a mudanca de variavel nos eixos coorde-
nados: x0 = y, y 0 = x. Entao (y 0 )2 = 2px0 , donde x2 = 2py .
(b) Equacao Reduzida da Parabola com Vertice na Origem
~ p
e Foco
sobre o Eixo OY , y < 0: F = 0, 2 , d: y = p2 ,
p
M = x, 2 . Facamos a mudanca de variavel nos eixos coordena-
dos: x0 = y, y 0 = x. Entao (y 0 )2 = 2px0 , donde x2 = 2py .
Entao:
100
50
-50
-100
-10 -5 0 5 10
Exerccio 13.2.2 Determine a equacao da parabola com vertice na ori-

gem, sabendo que:
1. O foco e o ponto F = (0, 3);

2. A diretriz e a reta d: 2x 3 = 0;
~ e ela contem o ponto P = (2, 3).
3. O eixo de simetria e o eixo OY
13.2.2 Equacao Reduzida da Parabola Cujo Eixo de Simetria

e Paralelo a um dos Eixos Coordenados
1. Eixo de Simetria Paralelo ao Eixo OX: ~ facamos a mudanca de
variavel nos eixos coordenados: x = xh, y 0 = y k, onde V 0 = (h, k)
0
e o vertice da parabola. Entao temos que
(a) Eixo de Simetria Paralelo ao Eixo OX, ~ x > h:

0 2 0 2
(y ) = 2px , donde (y k) = 2p(x h) .
(b) Eixo de Simetria Paralelo ao Eixo OX, ~ x < h:
(y 0 )2 = 2px0 , donde (y k)2 = 2p(x h) .
2. Eixo de Simetria Paralelo ao Eixo OY ~ : facamos a mudanca de

variavel nos eixos coordenados: x = xh, y 0 = y k, onde V 0 = (h, k)
0
e o vertice da parabola. Entao temos que

~ , y > k: (x0 )2 = 2py 0 ,
(a) Eixo de Simetria Paralelo ao Eixo OY
donde (x h)2 = 2p(y k) .
~ , y < k: (x0 )2 = 2py 0 ,
(b) Eixo de Simetria Paralelo ao Eixo OY
donde (x h)2 = 2p(y k) .
Exerccio 13.2.3 Determine a equacao da parabola cujo eixo de sime-

tria e paralelo a um dos eixos coordenados e:
1. O foco e o ponto F = (4, 2) e o vertice e V = (2, 2);
2. O foco e o ponto F = (1, 3) e a diretriz e a reta d: x 7 = 0.
Exerccio 13.2.4 Determine as coordenadas do vertice e o parametro

das parabolas:
1. y 2 6y 12x 15 = 0;
2. x2 2x y 3 = 0.
13.2.3 Posicao Relativa entre Reta e Parabola

Existem tres posicoes relativas entre uma reta r e uma parabola, a saber:
A reta r e secante a parabola;
A reta r e tangente a parabola;
A reta r e exterior a parabola.
Exemplo 13.2.5 Verifique se a reta r: 5x y 15 = 0 e tangente a

parabola y 2 = 5x.
Solucao
y 2 = 5x
Basta resolver o sistema . Por substituicao, e facil
5x y = 15
obtermos 5x2 29x + 45 = 0. Calculando desta equacao, resulta que
= 225 900 < 0. Logo a reta e exterior a parabola. X
13.3 A Hiperbole
Definicao 13.3.1 Hiperbole e o lugar geometrico dos pontos do plano
cujo modulo da diferenca entre as distancias a dois pontos fixos F1
dist(F1 ,F2 )
e F2 e constante igual a 2a, onde a < c = 2 . Ou seja,
~
||P F1 || ||P~F2 || = 2a.
15
10
5 r
B1
0 A1 A2
F1 F2
B2 s
-5
-10
-15
-10 -5 0 5 10
Elementos:
F1 , F2 : focos;
||F1~F2 || = 2c: distancia focal;

F1 +F2
O= 2 : centro;
A1 , A2 : vertices;
A1 A2 : eixo transverso (||A1~A2 || = 2a);

B1 B2 : eixo conjugado (||B1~B2 || = 2b, b = c2 a2 , define-se b de
modo que c2 = a2 + b2 );
r, s: assntotas: y = ab , y = ab x;
c
e= a > 1: excentricidade
13.3.1 Equacao Reduzida da Hiperbole com Centro na Ori-

gem e Focos sobre os Eixos
1. Focos sobre o Eixo OX: ~ F1 = (c, 0), F2 = (c, 0), A1 = (a, 0),
A2 = (a, 0), B1 = (0, b), B2 = (0, b). Seja P = (x, y) R2 . Entao

P e um ponto da hiperbole se, e somente se, ||P~F1 || ||P~F2 || = 2a
p ||P~F1 || ||P~F2 || = 2a p
p(c x)2 + (0 y)2 p (c x)2 + (0 y)2 = 2a
2 2
(c x) + y = 2a + (c x)2 + y 2
p
c2 + 2cx + x2 + yp 2 = 4a2 4a (c x)2 + y 2 + c2 2cx + x2 + y 2
4cx 4a = 4a2 2 2
2
p (c x) + y
cx a = a (c x) + y 2 2
c2 x2 2a2 cx + a4 = a2 (c2 2cx + x2 + y 2 )

(c2 a2 )x2 a2 y 2 = a2 c2 a4 2a2 cx + 2a2 cx
(como c2 = a2 + b2 )
b2 x2 a2 y 2 = a2 (c2 a2 )
b2 x2 a2 y 2 = a2 b2
x2 y2
a2
b2
=1.
2. Focos sobre o Eixo OY ~ : F1 = (0, c), F2 = (0, c), A1 = (0, a),

A2 = (0, a), B1 = (b, 0), B2 = (b, 0). Facamos a seguinte mudanca
de variaveis nos eixos coordenados: x0 = y, y 0 = x. Entao, em relacao
0 2 0 2
ao sistema x0 y 0 , a equacao da hiperbole e dada por (xa2) (yb2) = 1.
y2 x2
Efetuando os calculos, obtemos: a2
b2
=1.
13.3.2 Equacao Reduzida da Hiperbole Cujos Eixos sao Pa-

ralelos aos Eixos Coordenados
1. Eixo Transverso Paralelo ao Eixo OX: ~ seja O0 = (h, k) o centro
da hiperbole. Entao fazendo a mudanca de variavel nos eixos coorde-
02 02
nados: x0 = x h, y 0 = y k, obtemos a equacao xa2 yb2 = 1. Donde
(xh)2 (yk)2
a equacao da hiperbole e dada por: a2
b2
= 1 . Note que,
neste caso, F1 = (c + h, k), F2 = (c + h, k).
2. Eixo Transverso Paralelo ao Eixo OY ~ : seja O0 = (h, k) o centro

da hiperbole. Entao fazendo a mudanca de variavel nos eixos coorde-
02 02
nados: x0 = x h, y 0 = y k, obtemos a equacao ya2 xb2 = 1. Donde
(yk)2 (xh)2
a equacao da hiperbole e dada por: a2
b2
= 1 . Note que,
neste caso, F1 = (h, c + k), F2 = (h, c + k).
Exerccio 13.3.2 Determine a equacao da hiperbole cujos focos sao os

pontos F1 = (4, 0) e F2 = (4, 0), sabendo que o eixo conjugado mede 4 cm.
Exerccio 13.3.3 Determine a equacao da hiperbole cujos focos sao os

pontos F1 = (2, 3) e F2 = (2, 5), e a excentricidade e 2.
Exerccio 13.3.4 Determine as coordenadas do centro e dos focos, e a

medida dos semi-eixos das hiperboles:
1. 9y 2 4x2 = 36;
2. 9x2 16y 2 54x 32y 79 = 0.
Observacao 13.3.5 Existe um tipo especial de hiperbole, chamada

hiperbole equilatera. Trata-se do caso particular em que a = b. Neste
c

a2 +b2

2a2

a 2

caso, e = a = a = a = a = 2.
13.3.3 Posicao Relativa entre Reta e Hiperbole

Sejam r uma reta e H uma hiperbole. Existem tres posicoes relativas
entre r e H:
A reta e externa a hiperbole: r H = ;
A reta e tangente a hiperbole: r H = {T };
A reta e secante a hiperbole: r H = {P, Q}.
Exemplo 13.3.6 Verifique a posicao relativa entre a reta r: xy+3 = 0

2 2
e a hiperbole de equacao x12 y3 = 1.
Solucao
2
x2
De r: y = x + 3, obtemos (x+3)
12 3 = 1. Donde x2 + 8x + 16 = 0.
Como = 64 64 = 0, segue que a reta r e tangente a hiperbole.
Agora e facil ver que o ponto de tangencia e T = (4, 1). X
13.4 Equacoes de Conicas com Eixo(s) Nao Para-

lelo(s) aos Eixos Coordenados
Quando o(s) eixo(s) nao e(sao) paralelo(s) aos eixos coordenados, houve
uma rotacao de eixos:
Seja P um ponto do plano. Em relacao ao sistema canonico de coorde-
nadas XOY , o ponto e dado por P = (x, y). Por outro lado, considerando
um novo sistema de coordenadas X 0 OY 0 , rodado de um angulo no sentido
anti-horario, as coordenadas de P sao dadas por P = (x0 , y 0 ). Em relacao a
este sistema de eixos, podemos identificar o ponto P atraves de r e , onde
r = OP e e o angulo P OX 0 . Sendo assim, e facil mostrar que x0 = r cos ,
y 0 = r sin . Portanto,
x = r cos( + ) = r cos cos r sin sin = x0 cos y 0 sin ,
y = r sin( + ) = r sin cos + r sin cos = y 0 cos + x0 sin .

Como havamos visto em captulos anteriores, a equacao da rotacao de
um angulo e dada por: x = x0 cos y 0 sin , y = x0 sin + y 0 cos
(note que estamos considerando a rotacao do sistema X 0 OY 0 para o sistema
XOY ).
Y
6
X0

P
Y 0

r
@
I
@
@
@
@
- X
@
Da mesma forma, a rotacao do sistema XOY para o sistema X 0 OY 0

(rotacao de um angulo ) e dada por: x0 = x cos + y sin , y 0 = x sin +
y cos . 0
x cos sin x
Matricialmente: = e
y sin cos y0
| {z }
R()

x0 cos sin x
= .
y0 sin cos y
| {z }
R
13.4.1 Exemplos
Exemplo 13.4.1 Encontre a equacao da elipse cujos semi-eixos medem
5 cm e 4 cm, em relacao ao sistema de coordenadas cartesianas ortogonais
tal que:
1. A origem e o centro da elipse e o semi-eixo positivo das abscissas
forma um angulo de 4 radianos com a reta focal;
2. O centro da elipse e o ponto O0 = (6, 8) e a reta focal forma um angulo
de 6 radianos com o semi-eixo positivo das abscissas.
Solucao
(x0 )2 (y 0 )2
1. a = 5, b = 4, 25 + 16 =1
" #
2
x0 x (x + y)
= R 4 = 22 .
y0 y
2 (y x)
2 2
2 2
2
(x+y) 2
(yx)
Entao segue a equacao 25 + 16 = 1, donde
(x+y)2 (yx)2
50 + 32 = 1, ou seja, 41x2 + 41y 2 18xy 3200 = 0.
2. Analogamente, usando R 6 , obtemos:
0 00 1
00

x x 2 (3x + y 00 )
0 = R 6 = .
y y 00 1
2 ( 3y
00 x00 )
1
1

( 3x00 +y 00 )2 ( 3y 00 x00 )2
Entao segue a equacao 4 25 + 4 16 = 1 donde, fa-
zendo a mudanca de variavel x00 = x 6, y 00 = y 8, obtemos

( 3(x6)+(y8))2 ( 3(y8)(x6))2
100 + 64 = 1. X
Exemplo 13.4.2 Determine a equacao de uma hiperbole cujo eixo

transverso forma um angulo de 3 radianos com o semi-eixo positivo das
abscissas, o semi-eixo transverso mede 5 cm, a distancia focal e 14 cm e o
centro e o ponto O0 = (3, 4).
Solucao
Sejam x00
= x 3, y 00
= y 4. Como a = 5 e 2c = 14, segue que c = 7 e
0 2 0 2
b = c a = 24. A equacao e dada por (x25) (y24) = 1. Entao
2 2 2
1 00

x0 x00 2 (x + 3y 00 )
=R = .
y0 3 y 00 1 00
2 (y 3x00 )
00
00 2 00
00 2
Entao segue a equacao (x +1003y ) (y 96
3x )
= 1, donde obtemos
2 2
((x3)+ 3(y4)) ((y4) 3(x3))
100 96 = 1. X
Exemplo 13.4.3 Determine a equacao da parabola cujo parametro e 8,

o vertice e o ponto V = (3, 2), a diretriz forma um angulo de 3 radianos
com o semi0eixo positivo das abscissas e ela (a parabola) nao intersecciona
o eixo das ordenadas
Solucao
0 00 1 00 00
x x (x + 3y )
= R 3 = 21 00 00 .
y0 y 00 2 (y 3x )
Sejam x00 = x 3, y 00 = y 2. Entao (x0 )2 = 2py 0 = 16y 0 , donde

1 00
00 2 2
4 (x + 3y ) = 8(y 00 3x00 ), ou seja, 14 (x 3) + 3(y 2) =
2
8 (y 2) 3(x 3) . Finalmente, a equacao desejada e

(x + 3y 3 2 3)2 = 32(y 3x + 3 3 2). X
13.5 Aplicacao das Translacoes e Rotacoes ao Es-

tudo da Equacao Geral do Segundo Grau a
Duas Variaveis
Ax2 + Bxy + Cy 2 + Dx + Ey + F = 0, A2 + B 2 + C 2 6= 0 (13.1)

Objetivo: Reconhecer a conica e esbocar seu grafico.
Observacao 13.5.1 Observe que se B = 0, entao completa-se quadra-

dos; se B 6= 0, entao volta-se na rotacao.
Y
6
X0

Y0

@
I
@
@
@
@
- X
@
Precisamos descobrir um angulo tal que apos a rotacao a equacao

(13.1) fique na forma
A0 (x0 )2 + C 0 (y 0 )2 + D0 x0 + E 0 y 0 + F 0 = 0.
0 0
x x x cos y 0 sin
Temos que = R() = . Substituindo
y y0 x0 sin + y 0 cos
em (13.1), obtemos uma equacao
A0 (x0 )2 + B 0 (x0 y 0 ) + C 0 (y 0 )2 + D0 x0 + E 0 y 0 + F 0 = 0,
onde
A0 = A cos2 + B sin cos + C sin2 ;
B 0 = 2A sin cos + B(cos2 sin2 ) + 2C sin cos ;
C 0 = A sin2 B sin cos + C cos2 ;
D0 = D cos + E sin ;
E 0 = D sin + E cos ;
F 0 = F (o termo independente e invariante por rotacoes).

Queremos que B 0 = 0. Ora,
B 0 = 0 2A sin cos + B (cos2 sin2 ) +2C sin cos = 0

| {z }
cos 2
B cos 2 (A C) 2| sin {z
cos } = 0
sin 2
B cos 2 (A C) sin 2 = 0
(A C) sin 2 = B cos 2.
Agora temos duas possibilidades para a afirmacao acima:

B
Se A 6= C: entao B 0 = 0 tan 2 = AC ;
Se A = C: entao B cos 2 = 0. Como B 6= 0 no termo em xy, segue

que cos 2 = 0, donde = 4 .
2 tan
Lembremos que tan 2 = 1tan2
.
Observacao 13.5.2 Para qualquer R, B 2 4AC = (B 0 )2 4A0 C 0 ,

A + C = A0 + C 0 sao invariantes por rotacoes.
13.5.1 Exemplos
Exemplo 13.5.3 Determine o menor angulo positivo segundo o
qual devemos girar os eixos para que a nova equacao da conica
5x2 + 4xy + 8y 2 36 = 0 nao contenha termo misto. Determine a equacao
reduzida da conica.
Solucao
2 tan B 4
A = 5, C = 8 e A 6= C. Entao tan 2 = 1tan 2 = AC = 3 . Segue
que 4 4 tan2 + 6 tan = 0, ou seja, tan = 2 (e = arctan 2) ou

tan = 21 (negativo).
Para
determinar
0 a equacao
0 reduzida da conica,
considere
x x x cos y 0 sin
= R() = . Como tan = 2, segue que
y y0 x0 sin + y 0 cos

sec2 = 1 + tan2 = 5, donde cos = 55 e sin = 2 5 5 . Substituindo estes
valores na expressao matricial acima, e depois substituindo x e y na equacao
0 2 0 2
da conica, obtemos (x4) + (y9) = 1, que e a equacao de uma elipse. X
Exemplo 13.5.4 Desenhe a conica 16x2 + 24xy + 9y 2 + 60x 80y = 0.
Solucao
A = 16, B = 9 e A 6= B. Entao procedendo como antes, obtemos
tan = 34 ou tan = 43 . Para nos interessa o primeiro valor, donde
= arctan 34 . Segue que cos = 45 e sin = 53 . Agora basta substituir na
equacao matricial.
Outro modo que pode ser pratico e simplesmente calcular diretamente
os valores de A0 , . . . , F 0 segundo as expressoes vistas anteriormente.
De qualquer modo, obtemos (x0 )2 = 4y 0 , que e a equacao de uma
parabola. Deixamos ao leitor efetuar o desenho desta conica. X

Exemplo 13.5.5 Determine os semi-eixos da conica xy 2y = 2.
Solucao

Como A = C = 0, entao = 4. Agora basta utilizar a equacao matricial
para obter (x0 1)2 (y 0 +1)2 = 4. Pelas mudancas de variaveis: x00 = x0 1,
00 2 00 2
y 00 = y 0 + 1, obtemos (x00 )2 (y 00 )2 = 4, ou seja, (x4 ) (y 4 ) = 1, que e a
equacao de uma hiperbole equilatera de semi-eixos a = b = 2.
Vamos agora determinar o centro O0 : ora, x00 = 0, y 00 = 0 implicam em
0 0 0
x = 1, y = 1, donde x = 2, y = 0. Logo O = ( 2, 0). Deixamos mais
uma vez o desenho a cargo do leitor. X
13.6 A Equacao Geral do Segundo Grau a Duas

Variaveis e as Conicas
A equacao do 2o grau a duas variaveis Ax2 +Bxy+Cy 2 +Dx+Ey+F = 0
(A2 + B 2 + C 2 6= 0) representa uma conica.
Podemos fazer uma rotacao de modo que a equacao nao contenha termo
misto, obtendo a equacao A0 (x0 )2 + B 0 x0 y 0 + C 0 (y 0 )2 + D0 x0 + E 0 y 0 + F 0 = 0,
onde B 0 = 0.
Por consequencia da observacao 13.5.2, B 0 = 0 B 2 4AC = 4A0 C 0 ,
logo:
1. B 2 4AC < 0 4A0 C 0 < 0 A0 C 0 > 0: elipse ou elipse degenerada
(ponto ou ) equacao do tipo elptico;
2. B 2 4AC = 0 4A0 C 0 = 0 A0 C 0 = 0: parabola ou parabola
degenerada (2 retas paralelas, 1 reta ou ) equacao do tipo pa-
rabolico;
3. B 2 4AC > 0 4A0 C 0 > 0 A0 C 0 < 0: hiperbole ou hiperbole
degenerada (2 retas concorrentes) equacao do tipo hiperbolico.
13.6.1 Exemplos
2 2
Exemplo 13.6.1 xa2 + yb2 = 0: pode ser escrita como b2 x2 + a2 y 2 = 0,
cuja solucao e x = y = 0. Logo trata-se de um ponto (0, 0).
Como B 2 4AC = 0 4b2 a2 < 0, e do tipo elptico. X
2 2
Exemplo 13.6.2 xa2 + yb2 = 1: esta equacao pode ser escrita como
b x + a2 y 2 + a2 b2 = 0, cuja solucao e S = .
2 2
Como B 2 4AC = 0 4b2 a2 < 0, e do tipo elptico. X

Exemplo 13.6.3 y 2 4 = 0: B 2 4AC = 0 4 0 1 = 0. Logo e do
tipo parabolico. Como a solucao da equacao e y = 2, tratam-se de 2 retas
paralelas. X
Exemplo 13.6.4 x2 = 0: tem por solucao x = 0 (1 reta).
Como B 2 4AC = 0, e do tipo parabolico. X
Exemplo 13.6.5 3x2 + 1 = 0: solucao S = e B 2 4AC = 0. Logo e
do tipo parabolico. X
Exemplo 13.6.6 x2 y 2 = 0: solucao y = x (2 retas concorrentes),
B 2 4AC = 0 4 1 (1) = 4 > 0. Logo e do tipo hiperbolico. X
Exerccio 13.6.7 Classifique as conicas:
1. 4x2 4xy + 7y 2 + 12x + 6y 9 = 0;
2. x2 4xy + 4y 2 6x + 12y + 8 = 0.
Exerccio 13.6.8 Mostre que as equacoes definem conicas degeneradas:
1. 9x2 + 4y 2 18x + 8y + 13 = 0;
2. x2 4xy + 3y 2 = 0

Captulo
x2 y2 x2 y2 x2 y2
13.1.2 1). 16 + 7 = 1; 2). 50 + 100 = 1; 3). 1 + 2 =1
(x2)2 (y3)2 2 2
13.1.3 1). 25 + = 1; 2). (x2)
16 7 + (y1)
16 =1

13.1.4 O0 = (1, 2), F1 = (1 5, 2), F2 = (1 + 5, 2)
13.2.2 1). x2 = 12y; 2). y 2 = 6x; 3). x2 = 43 y
13.2.3 1). (y 2)2 = 24(x + 2); 2). (y 3)2 = 12(x 4)

1
13.2.4 1). V = (2, 3), p = 6; 2). V = (1, 4), p = 2
x2 y2 2 x
13.3.2 12 4 = 1, assntotas r: y = 12
e s: y = 212 x
(x0 )2 (y 0 )2
13.6.7 1). 8 + 3 = 1: elipse; 2). y 0 = 15 : sao 2 retas paralelas
13.6.8 1). 9(x 1)2 + 4(y + 1)2 = 0 e o ponto (1, 1);

2). Como (x a)(x b) = x2 (a + b)x + ab, e facil ver que a conica
em questao tem equacao (x y)(x 3y) = 0, done y = x ou y = x3 ,
que sao duas retas concorrentes.
E
H T
C I GR
A N E
Apendice A
Artigos para
Aprofundamento
A.1 Comparacao dos Procedimentos para Resol-

ver Sistemas Lineares
Baseia-se em H. Anton ([1]), pp. 321-326.
A.2 Algebra de Matrizes

Baseia-se em S.C. Bloch ([3]), paginas 80-89.
A.3 Correlacion de Pares de Imagenes para Me-

dicion de Solidos por Fenomenos Estereo
Artigo de J, Sanches ([31]), paginas 59-58.
A.4 Introducao a Pesquisa Operacional

Trata-se do Captulo 1 de C. Perin ([26]), paginas 1 a 11.
A.5 Modelos
E o Captulo 2 de C. Perin ([26]), paginas 13 a 44.
A.6 Espacos Vetoriais Introducao: Quadrados

Magicos
Baseia-se no livro de D. Poole ([27]), paginas 385-387.
A.7 Compressao de Imagem Digital

D. Poole ([27]), paginas 555-557.
217
A.8 Investigacao: Azulejos, Reticulados e a Res-

tricao Cristalografica
D. Poole ([27]), paginas 465-467.
A.9 Investigacao: A Fatoracao LU

D. Poole ([27]), paginas 225-229.
A.10 Codigos Corretores de Erros

D. Poole ([27]), paginas 215-224.
A.11 Grafos e Dgrafos

D. Poole ([27]), paginas 210-214.
A.12 Investigacao: Pivotamento Parcial e Con-

tagem de Operacoes - Uma Introducao a
Analise de Algoritmos
D. Poole ([27]), paginas 82-85.
A.13 Analise de Redes

D. Poole ([27]), paginas 100-113.
A.14 Simulador de Circuitos

Correspondencia eletronica enviada pelo Prof.Ms. R. Schaeffer.
A.15 Vetores de Codigo e Aritmetica Modular

D. Poole ([27]), paginas 47-54.
A.16 Diagonalizacao de Formas Quadraticas:

Secoes Conicas
H. Anton ([1]), paginas 313-321.
A.17 A Rampa de Skate do Tempo Mnimo

J.L.P. Mello, Sao Paulo, Revista do Professor de Matematica (RPM) 59,
(2006), paginas 9-15.
A.18 Por Que as Antenas Sao Parabolicas

E. Wagner, Sao Paulo, Revista do Professor de Matematica (RPM) 33,
(1997), paginas 10-15.
A.19 A Hiperbole e os Telescopios

G. Avila, Sao Paulo, Revista do Professor de Matematica (RPM) 34,
(1997), paginas 22-27.
A.20 A Sombra do Meu Abajur

J.P. Carneiro, Sao Paulo, Revista do Professor de Matematica (RPM)
59, (2006), paginas 1-6.
A.21 A Matematica do GPS

S. Alves, Sao Paulo, Revista do Professor de Matematica (RPM) 59,
(2006), paginas 17-26.
A.22 Montando uma Dieta Alimentar com Siste-

mas Lineares
A.A.Dornelles Filho, Sao Paulo, Revista do Professor de Matematica
(RPM) 59, (2006), paginas 27-29.
A.23 Resumo Sobre Conicas

Este material e oriundo de uma montagem de textos de varios autores,
elaborado por M. Madalena Dullius
A.24 Um Brinquedo Chamado Espirografo

L.N. de Andrade, Sao Paulo, Revista do Professor de Matemtica (RPM)
60, (2006), paginas 24-29.
Apendice B
Autovalores e Vetores
Proprios, Diagonalizacao de
Operadores Lineares
B.1 Introducao
D ada uma transformacao linear de um espaco vetorial nele mesmo,

T : V V , que vetores sao levados neles mesmos via T ? Isto e, dada T :
V V , quais sao os vetores v V tais que T (v) = v? (O vetor v, neste
caso, e chamado de vetor fixo).
Se A e uma matriz n n e x e um vetor do Rn , entao Ax tambem e
um vetor no Rn , mas em geral nao ha nenhuma relacao geometrica simples
entre x e Ax. No entanto, esta relacao existe no caso especial em que x e um
vetor nao-nulo e Ax e um multiplo escalar de x. Por exemplo, se A e uma
matriz 2 2 e se x e um vetor nao-nulo tal que Ax e um multiplo escalar
de x, digamos, Ax = x, entao cada vetor na reta pela origem determinada
por x e levado de volta a mesma reta quando multiplicado por A.
Vetores nao-nulos que sao levados em multiplos escalares deles mesmos
por um operador linear aparecem naturalmente no estudo de vibracoes e da
dinamica populacional, na genetica, na mecanica quantica e na economia,
bem como na geometria. Neste captulo estudaremos tais vetores e suas
aplicacoes.
Exemplo B.1.1 Considere a aplicacao identidade I: R2 R2 , onde

I(x, y) = (x, y). Entao e facil ver que todo o espaco R2 e fixo. X
Exemplo B.1.2 Seja rx : R2 R2 dada por rx (x, y) = (x, y) a re-

flexao ~
no eixo OX.Matricialmente
esta aplicacao pode ser representada por
x 1 0 x
.
y 0 1 y
220
Percebe-se ~
que todo vetor
pertencente ao eixo OX e fixo por rx . De fato:
1 0 x x
= , ou seja, rx (x, 0) = (x, 0).
0 1 0 0

x
Ademais, sao os unicos vetores fixos, pois se e um vetor do R2
y

1 0 x x x + 0y = x
tal que = , camos no sistema ou
0 1 y y 0x y = y
x = x
, cuja unica solucao e (x, 0) com x R. X
y = y
Exemplo B.1.3 Seja N : R2 R2 dada por N (x, y) = (0, 0) a

aplicacao nula. Entao o unico vetor fixo e o vetor nulo: N (0, 0) = (0, 0). X
B.2 Sistemas Lineares da Forma Ax = x

Muitas aplicacoes da Algebra Linear envolvem sistemas de n equacoes
lineares em n incognitas que aparecem no formato
Ax = x, (B.1)
onde e um escalar. Tais sistemas sao, realmente, sistemas homogeneos
disfarcados, pois (B.1) podem ser reescritos como x Ax = 0 ou, inserindo
uma matriz identidade e fatorando, como
(I A)x = 0. (B.2)

x1 + 3x2 = x1
Exemplo B.2.1 O sistema linear pode ser es-
4x1 + 2x2 = x2

1 3 x1 x1
crito em formato matricial como = que e do
4 2 x2 x2
formato de (B.1).
Este sistema pode ser reescrito como

x1 1 3 x1 0
= ou
x2 4 2 x2 0

1 0 x1 1 3 x1 0
= ou ainda
0 1 x2 4 2 x2 0

1 3 x1 0
= , que e do formato (B.2).
4 2 x2 0
O problema primordial que nos interessa em relacao aos sistemas no
formato (B.2) e determinar para quais valores de o sistema tem uma
solucao nao-trival; um tal valor de e chamado autovalor de A, ou valor
proprio ou, as vezes, valor caracterstico de A. Se e um autovalor de A,
entao cada solucao nao-trivial de (B.2) e chamada autovetor de A associado
ao autovalor .
Segue do Teorema 7.4.13 que o sistema (I A)x = 0 tem solucao nao-
trivial se, e somente se, det(I A) = 0.
Esta equacao e chamada equacao caracterstica de A; os autovalores de
A podem ser encontrados resolvendo esta equacao em .
Exemplo B.2.2 Encontre os autovalores e correspondentes autovetores

da matriz A do exemplo B.2.1.
Solucao
1 3

A equacao caracterstica de A e det(I A) = = 0 ou
4 2
2 3 10 = 0.
A forma fatorada desta equacao e ( + 2)( 5) = 0, de modo que os
autovalores de A sao = 2 e = 5.
Por definicao, x e um autovetor deA se, e somente se,
x e umasolucao

1 3 x1 0
nao-trivial de (I A)x = 0; ou seja, = .
4 2 x2 0
Se = 2, entao a equacao acima e dada por

3 3 x1 0
= .
4 4 x2 0
Resolvendo este sistema obtemos x1 = t, x2 = t, de modo que os autove-

tores associados a = 2 sao as solucoes nao-nulas na forma

x1 t
x= = .
x2 t
Analogamente, os autovetores correspondentes

3 ao autovalor = 5 sao
x1 t
as solucoes nao-nulas da forma x = = 4 . X
x2 t
B.3 Autovalores e Autovetores

Definicao B.3.1 Se A e uma matriz n n, entao um vetor nao-nulo x
em Rn e chamado um autovetor de A se Ax e um multiplo escalar de x, ou
seja, Ax = x, para algum escalar . O escalar e chamado um autovalor
de A e dizemos que x e um autovetor associado a .
Em R2 e R3 , a multiplicacao por A manda cada autovetor x de A (se

houver) sobre a mesma reta pela origem que x. Dependendo do sinal e
da magnitude do autovalor associado a x, o operador linear Ax = x
comprime ou estica x por um fator , invertendo o sentido no caso de
negativo.

1
Exemplo B.3.2 O vetor x = e um autovetor da matriz
2

3 0
A= correspondendo ao autovalor = 3, pois
8 1

3 0 1 3
Ax = = = 3x. X
8 1 2 6
Para encontrar os autovalores de uma matriz A de tamanho n n nos

reescrevemos Ax = x como Ax = Ix ou, equivalentemente, (I A)x = 0.
Para ser um autovalor, precisa haver uma solucao nao-nula desta

equacao. No entanto, pelo Teorema 7.4.13, a equacao (B.2) tem solucao
se, e somente se,
det(I A) = 0. (B.3)
Esta equacao e a equacao caracterstica de A; os escalares que satisfazem
esta equacao sao os autovalores de A. Quando expandido, o determinante
det(I A) e um polinomio p em , que e chamado o polinomio caracterstico
de A.
Pode ser mostrado (desafio!) que se A e uma matriz n n, entao o
polinomio caracterstico de A tem grau n e o coeficiente de n e 1, ou seja,
o polinomio caracterstico p() de uma matriz n n e da forma
p() = det(I A) = n + c1 n1 + . . . + cn .
Pelo Teorema Fundamental da Algebra segue que a equacao caracterstica

n + c1 n1 + . . . + cn = 0 tem, no maximo, n solucoes distintas, de modo
que uma matriz n n tem, no maximo, n autovalores distintos.

0 1 0
Exemplo B.3.3 Encontre os autovalores de A = 0 0 1 .
4 17 8
Solucao
O polinomio caracterstico de A e

1 0

det(I A) = 0 1 = 3 82 + 17 4.

4 17 8
Os autovalores de A, portanto, satisfazem a equacao cubica acima:

3 82 + 17 4 = 0. Para resolver esta equacao, nos comecamos pro-
curando solucoes inteiras. Esta tarefa pode ser enormemente simplificada
se lembrarmos o seguinte fato: todas as solucoes inteiras (se houver) de
uma equacao polinomial n + c1 n1 + . . . + cn = 0 com coeficientes in-
teiros sao divisores do termo constante cn . Assim, no nosso exemplo, as
unicas possveis solucoes inteiras da equacao cubica acima sao os diviso-
res de 4, ou seja, 1, 2 e 4. Substituindo sucessivamente cada um
destes valores na equacao cubica segue que = 4 e uma solucao inteira.
Consequentemente, 4 deve ser um fator do lado esquerdo da referida
equacao. Dividindo 3 82 + 17 4 por 4, podemos reescreve-la como
(4)(2 4+1) = 0. Assim, as demais solucoes desta equacao satisfazem
a equacao quadratica 2 4 + 1 = 0 que pode ser resolvida facilmente.

Logo, os autovalores de A sao = 4, = 2 + 3 e = 2 3. X
Exemplo B.3.4 (autovalores de uma matriz triangular supe-

a11 a12 a13 a14
0 a22 a23 a24
rior) Encontre os autovalores da matriz A =
0
.

0 a33 a34
0 0 0 a44
Solucao
Lembrando que o determinante de uma matriz triangular e o produto das
entradas na diagonal principal (desafio!), obtemos o polinomio caracterstico
det(I A) = ( a11 )( a22 )( a33 )( a44 ).
Assim, a equacao caracterstica e dada por
det(I A) = ( a11 )( a22 )( a33 )( a44 ) = 0
e os autovalores sao = a11 , = a22 , = a33 e = a44 , que sao precisa-

mente as entradas na diagonal principal de A. X
Teorema B.3.5 Se A e uma matriz n n triangular (superior, infe-

rior ou diagonal), entao os autovalores de A sao as entradas na diagonal
principal de A.
prova: desafio!
Observacao B.3.6 Muitas vezes, em problemas aplicados, a matriz A

e tao grande que nao e pratico calcular a equacao caracterstica. Neste caso,
existem muitos metodos de aproximacao que podem ser utilizados para obter
os autovalores.
Observacao B.3.7 E possvel que a equacao caracterstica de uma ma-

triz com entradas reais tenha solucoes complexas. Assim, mesmo para ma-
trizes reais, somos forcados a considerar autovalores complexos. Por sua
vez, isto nos leva a considerar a possibilidade de espacos vetoriais comple-
xos (com escalares em C). Neste curso, contudo, nossa discussao ficara
limitada a matrizes com autovalores reais.
O seguinte teorema resume o que vimos ate aqui
Teorema B.3.8 Se A e uma matriz n n e e um numero real, entao

as seguintes afirmacoes sao equivalentes:
1. e um autovalor de A;
2. O sistema (I A)x = 0 tem solucoes nao-triviais;
3. Existe um vetor nao-nulo x tal que Ax = x;
4. e uma solucao da equacao caracterstica det(I A) = 0.
Agora que nos sabemos encontrar autovalores, passamos ao problema

de encontrar autovetores. Os autovetores de A associados a um autovalor
sao os vetores nao-nulos x que satisfazem Ax = x. Equivalentemente,
os autovetores associados a sao os vetores nao-nulos no espaco-solucao de
(I A)x = 0. Nos chamamos este espaco de auto-espaco de A associado a
.
Exemplo
B.3.9
Encontre bases para os auto-espacos da matriz
0 0 2
A = 1 2 1 .
1 0 3
Solucao
A equacao caracterstica da matriz A e 3 52 + 8 4 = 0 ou, na
forma fatorada, ( 1)( 2)2 = 0; assim, os autovalores de A sao = 1 e
= 2. Portanto, temos dois auto-espacos de A.
Por definicao, x = (x1 , x2 , x3 )t e um autovetor de A associado a se, e
somente se, x e uma solucao nao-trivial de (I A)x = 0, ou seja, se = 2,
entao o sistema e dado por

2 0 2 x1 0
1 0 1 x2 = 0 .
1 0 1 x3 0
Resolvendo este sistema, obtemos (verifique!) x1 = s, x2 = t, x3 = s.

Assim, os autovetores de A associados a = 2 sao os vetores nao-nulos da
forma

s s 0 1 0
x= t = 0
+ t =s 0
+ t 1 .
s s 0 1 0

1 0
Como 0
e 1 sao linearmente independentes, estes vetores formam
1 0
uma base do auto-espaco associado a = 2.
Se = 1, entao o sistema e dado por

1 0 2 x1 0
1 1 1 x2 = 0 .
1 0 2 x3 0
Resolvendo este sistema, obtemos x1 = 2s, x2 = s, x3 = s.

Assim,
os autovetores
associados a
= 1 sao os vetores nao-nulos da
2s 2 2
forma s =s 1 e portanto 1 e uma base do auto-espaco
s 1 1
associado a = 1. X
Observacao B.3.10 Uma vez obtidos os autovalores e autovetores de

uma matriz A, e uma questao simples obter os autovalores e os autovetores
de qualquer potencia inteira positiva de A; por exemplo, se e um autovalor
de A e se x e um autovetor correspondente, entao
A2 x = A(Ax) = A(x) = (Ax) = (x) = 2 x,
o que mostra que 2 e um autovalor de A2 com autovetor associado x.

Em geral, temos o seguinte resultado.
Teorema B.3.11 Se k e um inteiro positivo, e um autovalor de uma

matriz A e x e um autovetor associado, entao k e um autovalor de Ak e x
e um autovetor associado.
O proximo teorema estabelece uma relacao entre os autovalores e a in-

vertibilidade de uma matriz.
Teorema B.3.12 Uma matriz quadrada A e invertvel se, e somente

se, = 0 nao e um autovalor de A.
prova: Suponhamos que A seja uma matriz n n. E facil ver que = 0

e uma solucao da equacao caracterstica n + c1 n1 + . . . + cn = 0 se, e
somente se, o termo constante cn = 0. Portanto, basta mostrar que cn 6= 0.
Mas, det(I A) = n + c1 n1 + . . . + cn e, por conseguinte, tomando
= 0, det(A) = cn ou (1)n det(A) = cn .
Segue da ultima equacao que det(A) = 0 se, e somente se, cn = 0. Logo,
A e invertvel se, e somente se, cn 6= 0.
B.4 Diagonalizacao
Nesta secao abordaremos o problema de encontrar uma base do Rn que
consista de autovetores de uma dada matriz A (nn). Estas bases podem ser
usadas para estudar problemas geometricos de A e para simplificar muitas
contas envolvendo A. Elas tambem tem significado fsico em uma grande
variedade de aplicacoes, algumas das quais serao consideradas ainda neste
curso.
Nosso primeiro objetivo e mostrar que os dois problemas a seguir, embora
aparentemente sejam bastante diferentes, na realidade sao equivalentes.
O Problema dos Autovetores: dada uma matriz A de tamanho nn,
existe uma base do Rn consistindo de autovetores de A?
O Problema da Diagonalizacao (Versao Matricial): dada uma
matriz A de tamanho n n, existe uma matriz invertvel P tal que P 1 AP
e uma matriz diagonal?
Este ultimo problema sugere a seguinte terminologia.
Definicao B.4.1 Uma matriz quadrada A e dita diagonalizavel se exis-

tir uma matriz invertvel P tal que P 1 AP e uma matriz diagonal; dizemos,
entao, que a matriz P diagonaliza A.
O seguinte teorema mostra que o problema do autovetor e o problema

de diagonalizacao sao equivalentes.
Teorema B.4.2 Se A e uma matriz n n, entao sao equivalentes as

seguintes afirmacoes:
1. A e diagonalizavel;
2. A tem n autovetores linearmente independentes.
prova: exerccio (ver [1], Teorema 7.2.1).

B.4.1 Um Procedimento para Diagonalizar uma Matriz

O Teorema B.4.2 garante que uma matriz A de tamanho n n com n
autovetores linearmente independentes e diagonalizavel e a prova fornece o
seguinte metodo para diagonalizar A.
Passo 1: encontre n autovetores linearmente independentes de A,

digamos p1 , p2 , . . ., pn ;
Passo 2: forme a matriz P com os vetores-coluna p1 , p2 , . . ., pn ;
Passo 3: a matriz P 1 AP sera, entao, diagonal com entradas 1 , 2 ,

. . ., n na diagonal principal, onde i e o autovalor associado a pi ,
para i = 1, 2, . . . , n.
Para executar o Passo 1 deste procedimento precisamos, inicialmente,

de uma maneira de determinar se uma matriz n n A tem n autoveto-
res linearmente independentes e, em seguida, de um metodo para encontrar
estes autovetores. Ambos estes problemas podem ser atacados simultanea-
mente encontrando bases para os auto-espacos de A. Adiante nesta secao
nos mostraremos que, como um so conjunto combinado, os vetores destas
bases sao linearmente independentes, de modo que se houver n destes auto-
vetores entao A sera diagonalizavel e os n vetores de bases podem ser usados
como vetores-coluna da matriz diagonalizante P . Se houver menos do que
n vetores de base, entao A nao sera diagonalizavel.
Exemplo
Encontre a matriz P que diagonaliza a matriz
B.4.3
0 0 2
A = 1 2 1 .
1 0 3
Solucao
No exemplo B.3.9 verificamos que ( 1)( 2)2 = 0 e a equacao
caracterstica deA e encontramos
as seguintes basesde auto-espacos:

1 0 2
= 2: p1 = 0 , p2 = 1 ; = 1: p3 = 1 .
1 0 1
Ha
tres vetores de
base no total, portanto a matriz A e diagonalizavel e
1 0 2
P = 0 1 1 diagonaliza A.
1 0 1
Para conferir,
o leitor
deveria verificar
que
1 0 2 0 0 2 1 0 2 2 0 0
P 1 AP = 1 1 1 1 2 1 0 1 1 = 0 2 0 . X
1 0 1 1 0 3 1 0 1 0 0 1
Nao existe uma ordem preferencial para as colunas de P . Como a i-esima
entrada diagonal de P 1 AP e um autovalor para o i-esimo vetor-coluna de
P , mudando a ordem das colunas de P so muda a ordem dos autovalores na

1 2 0
diagonal de P 1 AP . Assim, se tivessemos escrito P = 0 1 1 no
1 1 0

2 0 0
exemplo B.4.3, nos teramos obtido P 1 AP
= 0 1 0 .
0 0 2
Exemplo
Encontre a matriz P que diagonaliza a matriz
B.4.4
1 0 0
A= 1 2 0 .
3 5 2
Solucao
O polinomio caracterstico de A e

1 0 0

det(I A) = 1 2 0 = ( 1)( 2)2 ,

3 5 2
de modo que a equacao caracterstica e ( 1)( 2)2 = 0. Assim, os

autovalores de A sao = 1 e = 2. Efetuando os calculos, mostra-se que
as bases dos auto-espacos
1 sao
8 0
= 1: p1 = 81 ; = 2: p2 = 0 .
1 1
Como A e 3 3 e so existem dois vetores de base no total, A nao e
diagonalizavel. X
Solucao Alternativa
Se nos nao estivermos interessados em encontrar a matriz diagonalizante
P , mas so em determinar se uma dada matriz e ou nao diagonalizavel, entao
nao e necessario calcular bases para os auto-espacos, bastando encontrar
as dimensoes dos auto-espacos. Neste exemplo, o auto-espaco
associado
a
0 0 0 x1 0
= 1 e o espaco-solucao do sistema 1 1 0 x2 = 0 .
3 5 1 x3 0
A matriz dos coeficientes tem posto 2 (verifique!). Portanto, pela de-
finicao 6.3.12, a nulidade desta matriz e 1 e entao o espaco-solucao e unidi-
mensional (Teorema 6.5.4).
O auto-espaco associado
a = 2 e o espaco solucao do sistema
1 0 0 x1 0
1 0 0 x2 = 0 .
3 5 0 x3 0
Esta matriz de coeficientes tambem tem posto 2 e nulidade 1 (verifique!),
de modo que o espaco-solucao associado a = 2 tambem e unidimensional.
Como os auto-espacos produzem um total de dois vetores de base, a matriz
A nao e diagonalizavel. X
No exemplo B.4.3 supusemos que os vetores-coluna de P , que consistem
de vetores de bases dos varios auto-espacos de A, sao linearmente indepen-
dentes. O proximo teorema trata desta suposicao.
Teorema B.4.5 Se v1 , v2 , . . . , vk sao autovetores de A associados a au-

tovalores distintos 1 , 2 , . . . , k , entao {v1 , v2 , . . . , vk } e um conjunto line-
armente independente.
Observacao B.4.6 O Teorema B.4.5 e um caso especial de um resul-

tado mais geral: suponha que 1 , 2 , . . . , k sao autovalores distintos e que
escolhemos um conjunto linearmente independente em cada auto-espaco cor-
respondente. Se nos juntarmos todos estes vetores num unico conjunto, o
resultado e um conjunto que ainda e linearmente independente.
Corolario B.4.7 Se uma matriz A de tamanho nn tem n autovalores

distintos, entao A e diagonalizavel.
prova: Se v1 , v2 , . . . , vn sao autovetores associados aos autovalores dis-

tintos 1 , 2 , . . . , n entao, pelo Teorema B.4.5, v1 , v2 , . . . , vn sao linearmente
independentes. Assim, A e diagonalizavel pelo Teorema B.4.2.
Exemplo B.4.8 Pelo Teorema B.3.5, os autovalores de uma matriz tri-

angular sao as entradas na diagonal principal. Assim, uma matriz triangular
com entradas distintas na diagonal e diagonalizavel.
B.4.2 Multiplicidades Geometrica e Algebrica

O Teorema B.4.7 nao resolve totalmente o problema da diagonalizacao,
pois e possvel para uma matriz A de tamanho n n ser diagonalizavel
sem que tenha n autovalores distintos. Nos vimos no exemplo B.4.3, onde
a dada matriz 3 3 tinha somente dois autovalores distintos e no entanto
era diagonalizavel. O que realmente importa para a diagonalizacao sao
as dimensoes dos auto-espacos a soma destas dimensoes deve totalizar n
para que a matriz n n seja diagonalizavel. Os exemplos B.4.3 e B.4.4
ilustram isto: as matrizes daqueles exemplos tinham as mesmas equacoes
caractersticas e os mesmos autovalores, mas a matriz do exemplo B.4.3
e diagonalizavel porque as dimensoes dos auto-espacos somam 3 enquanto
que a matriz do exemplo B.4.4 nao e diagonalizavel porque as dimensoes dos
auto-espacos somam somente 2.
Agora abordaremos superficialmente um topico que e importante para
um melhor entendimento da diagonalizabilidade. Pode ser provado que se
0 e um autovalor de A, entao a dimensao do auto-espaco associado a 0
nao pode exceder o numero de vezes que 0 aparece como um fator do
polinomio caracterstico de A.
Por exemplo, nos exemplos B.4.3 e B.4.4 o polinomio caracterstico e
( 1)( 2)2 . Assim, o auto-espaco associado a = 1 e no maximo (e,
portanto, exatamente) unidimensional e o auto-espaco associado a = 2
e no maximo bidimensional. No exemplo B.4.3, o auto-espaco associado
a = 2 de fato tem dimensao 2, resultando em diagonalizabilidade, mas
no exemplo B.4.4, este auto-espaco tem dimensao somente 1, resultando na
nao-diagonalizabilidade.
Existe alguma terminologia relacionada com este assunto.

Se 0 e um autovalor de uma matriz A de tamanho n n, entao a di-
mensao do auto-espaco associado a 0 e chamada multiplicidade geometrica
de 0 e o numero de vezes que 0 aparece como um fator do polinomio
caracterstico de A e chamado multiplicidade algebrica de 0 .
O teorema a seguir resume esta discussao.
Teorema B.4.9 Se A e uma matriz quadrada, entao:
1. Para cada autovalor de A, a multiplicidade geometrica e menor do que

ou igual a multiplicidade algebrica;
2. A e diagonalizavel se, e somente se, para cada autovalor, a multiplici-

dade geometrica e igual a multiplicidade algebrica.
prova: desafio! (ver [9]).

Existem inumero problemas de matematica aplicada que requerem cal-
cular potencias elevadas de uma matriz quadrada. Nos concluiremos esta
secao mostrando como a diagonalizacao pode ser usada para simplificar tais
calculos para matrizes diagonalizaveis.
Se A e uma matriz n n e P e uma matriz invertvel, entao
(P 1 AP )2 = P 1 AP P 1 AP = P 1 AIAP = P 1 A2 P.
Mais geralmente, para qualquer inteiro positivo k,
(P 1 AP )k = P 1 Ak P.
Segue desta equacao que se A for diagonalizavel e se P 1 AP = D e uma

matriz diagonal, entao
P 1 Ak P = (P 1 AP )k = Dk .
Resolvendo esta equacao em Ak , obtemos
Ak = P Dk P 1 .
Esta ultima equacao expressa a k-esima potencia de A em termos da k-esima

potencia k
da matriz diagonal D. Mas D e facil de calcular;por exemplo, se
d1 0 . . . 0 dk1 0 . . . 0
0 d2 . . . 0 0 dk . . . 0
k 2
D= . .. . . .. , entao D = .. .. . . .. .
. . . . . . . . .
0 0 . . . dn 0 0 . . . dkn

0 0 2
Exemplo B.4.10 Calcule A13 , onde A = 1 2 1 .
1 0 3
Solucao
Mostramos no
exemplo B.4.3 que a matriz A e diagonalizavel e que
2 0 0
D = P 1 AP = 0 2 0 . Assim,
0 0 1

8190 0 16382
A13 = P D13 P = 8191 8192 8191 . X
8191 0 16383
Observacao B.4.11 A maior parte do trabalho no metodo do exemplo

acima e diagonalizar A. Uma vez concludo este trabalho, podemos calcular
qualquer potencia de A. Assim, para calcular A1000 nos so precisamos trocar
os expoentes 13 para 1000 no calculo acima.
B.5 Diagonalizacao Ortogonal

Analisaremos o problema de encontrar uma base ortonormal do Rn com
o produto interno euclidiano que consista de autovetores de uma dada matriz
A de tamanho n n.
B.5.1 Matrizes Ortogonais: Mudanca de Bases

Uma base que e conveniente para um problema pode nao o ser para outro,
de modo que a mudanca de uma base para outra e um processo comum no
estudo de espacos vetoriais. Como uma base e uma generalizacao de um
sistema de coordenadas para espacos vetoriais, mudar de bases e parecido
com mudar de eixos coordenados em R2 ou R3 .
Nesta subsecao iremos desenvolver algumas propriedades de matrizes
quadradas com vetores-coluna ortogonais. Estas matrizes surgem em varios
contextos, incluindo problemas envolvendo a mudanca de base ortonormal
para outra.
Matrizes cujas inversas podem ser obtidas por transposicao sao suficien-
temente importantes para possuir alguma terminologia associada.
Definicao B.5.1 Uma matriz ortogonal e uma matriz quadrada A com

a propriedade A1 = At .
Decorre desta definicao que uma matriz quadrada A e ortogonal se, e

somente se, AAt = At A = I.
Exemplo B.5.2
A matriz canonica
para rotacao anti-horaria do R2 por
cos sin
um angulo , , e ortogonal para todas as escolhas de
sin cos
(verifique!).
De fato, e simples verificar que todas as matrizes de reflexao, e todas

as matrizes de rotacao sao matrizes ortogonais.
Os proximos dois teoremas serao apresentados sem demonstracao. O
leitor interessado pode consultar ([1], Teoremas 6.5.1 e 6.5.2).
Teorema B.5.3 As seguintes afirmacoes sao equivalentes para uma ma-

triz A de tamanho n n:
1. A e ortogonal;
2. Os vetores-linha de A formam um conjunto ortonormal do Rn em

relacao ao produto interno euclidiano;
3. Os vetores-coluna de A formam um conjunto ortonormal do Rn em

relacao ao produto interno euclidiano.
Teorema B.5.4
1. A inversa de uma matriz ortogonal e ortogonal;
2. Um produto de matrizes ortogonais e ortogonal;
3. Se A e ortogonal, entao det(A) = 1 ou det(A) = 1.
Ja observamos que as matrizes canonicas para operadores basicos de

reflexao e rotacao do R2 e R3 sao ortogonais. O proximo teorema ajuda a
explicar porque isto e assim.
Teorema B.5.5 Se A e uma matriz n n, as seguintes afirmacoes sao

equivalentes:
1. A e ortogonal;
2. ||Ax|| = ||x|| para qualquer x Rn , onde || || indica a norma segundo

o produto escalar euclidiano;
3. Ax Ay = x y para quaisquer x, y Rn .
prova: desafio! (ver [1], Teorema 6.5.3)

Se T : Rn Rn e a multiplicacao por uma matriz ortogonal A, entao T
e chamado operador ortogonal do Rn . Pelas partes (1). e (2). do teorema
precedente, decorre que os operadores ortogonais do Rn sao precisamente os
operadores que mantem inalterados os comprimentos de todos os vetores.
Como as reflexoes e as rotacoes do R2 e do R3 tem esta propriedade, isto
explica nossa obesrvacao anterior que as matrizes canonicas para as reflexoes
e rotacoes basicas no R2 e no R3 sao ortogonais.
Voltemos aos problemas de diagonalizacao. Como na secao anterior,
comecamos enunciando dois problemas. Nosso objetivo e mostrar que os
dois sao equivalentes.
O Problema dos Autovetores Ortonormais: dada uma matriz A
de tamanho n n, existe uma base ortonormal do Rn com o produto interno
euclidiano consistindo de autovetores da matriz A?
O Problema da Diagonalizacao Ortogonal (Versao Matricial):
dada uma matriz A de tamanho n n, existe uma matriz ortogonal P tal
que a matriz P 1 AP = P t AP e uma matriz diagonal? Se existir uma tal
matriz, dizemos que A e ortogonalmente diagonalizavel e que P diagonaliza
A ortogonalmente.
Para o ultimo problema, temos duas questoes a considerar:
R Quais matrizes sao ortogonalmente diagonalizaveis?

R Como encontrar uma matriz ortogonal que efetue a diagonalizacao?
Com relacao a 1a questao, nao existe esperanca de diagonalizar A or-
togonalmente a menos que A seja simetrica (ou seja, A = At ). De fato,
se P t AP = D, onde P e uma matriz ortogonal e D e diagonal, temos que
P P t = P t P = I e, portanto, A = P DP t . Como D e uma matriz diagonal,
temos D = Dt . Transpondo ambos os lados da equacao anterior, obtemos
At = (P DP t )t = (P t )t Dt P t = P DP t = A, donde A e simetrica.
O proximo teorema mostra que qualquer matriz simetrica e, de fato,
ortogonalmente diagonalizavel. Neste teorema, e no restante desta secao,
ortogonal significa ortogonal em relacao ao produto interno euclidiano do
Rn .
Teorema B.5.6 Se A e uma matriz nn, entao as seguintes afirmacoes

sao equivalentes:
1. A e ortogonalmente diagonalizavel;
2. A tem um conjunto ortonormal de n autovetores;
3. A e simetrica.

Nosso proximo objetivo e construir um procedimento para diagonalizar
ortogonalmente uma matriz simetrica, mas antes de poder fazer isto, preci-
samos de um resultado essencial sobre autovalores e autovetores de matrizes
simetricas.
Teorema B.5.7 Se A e uma matriz simetrica, entao:
1. Os autovalores de A sao reais;
2. Autovetores de auto-espacos diferentes sao ortogonais.
prova: ver ([1], Teorema 7.3.2).
Observacao B.5.8 Mostra-se que a primeira afirmacao do teorema

acima e falsa para matrizes com entradas complexas.
B.5.2 Diagonalizacao de Matrizes Simetricas

Como uma consequencia do Teorema B.5.7, obtemos o seguinte procedi-
mento para diagonalizar ortogonalmente uma matriz simetrica.
Passo 1: encontre uma base para cada auto-espaco de A;
Passo 2: aplique o processo de Gram-Schmidt a cada uma destas

bases para obter uma base ortonormal de cada auto-espaco;
Passo 3: forme a matriz P cujas colunas sao os vetores de base cons-

trudos no Passo 2; esta matriz diagonaliza A ortogonalmente.
A justificativa para este procedimento deveria ser clara. O Teorema B.5.7

garante que autovetores de auto-espacos diferentes sao ortogonais, enquanto
a aplicacao do processo de Gram-Schmidt garante que os autovetores obti-
dos dentro de um mesmo auto-espaco sao ortonormais. Desta maneira, o
conjunto inteiro de autovetores obtidos por este procedimento e ortonormal.
Exemplo B.5.9 Encontre

uma matriz ortogonal P que diagonaliza a
4 2 2
matriz A = 2 4 2 .
2 2 4
Solucao
A equacao caracterstica de A e det(I A) = (2)2 (8) = 0. Assim,
os autovalores de A sao = 2 e = 8. Pelo metodo usado no exemplo B.3.9,
pode ser mostrado que u1 = (1, 1, 0)t e u2 = (1, 0, 1)t formam uma base
do auto-espaco correspondente a = 2. Aplicando o processo de Gram-
Schmidt a {u1 , u2 } obtemos os seguintes vetores ortonormais:
t
1 1 1 1 2 t
v1 = , , 0 e v2 = , , .
2 2 6 6 6
O auto-espaco associado a = 8 tem uma base formada pelo vetor
u3 = (1, 1, 1)t . Aplicando o processo de Gram-Schmidt a {u3 } obtemos
t
v3 = 13 , 13 , 13 .
Finalmente,
usando v1
, v2 e v3 como vetores-coluna, obtemos
12 16 13

P = 12 16 13 que diagonaliza A ortogonalmente (Para con-
0 2 1
6 3
ferir, o leitor interessado pode querer verificar que P t AP e uma matriz
diagonal). X
A esta altura, sugerimos fortemente ao leitor a resolucao dos exerccios
computacionais de [1], pgs. 255-256.
E
H T
C I GR
A N E
Apendice C
Produto Escalar
E ste captulo ira abordar alguns topicos sobre o produto escalar. O

leitor interessado deve aprofundar o estudo em [4], [9], [33] ou [35].
Definicao C.0.10 Chama-se produto escalar (ou produto interno eu-

clidiano) de dois vetores ~u = (x1 , y1 , z1 ) e ~v = (x2 , y2 , z2 ), denotado ~u ~v , ao
numero real
~u ~v = x1 x2 + y1 y2 + z1 z2 = h~u, ~v i,
que se le ~u escalar ~v .
Observacao C.0.11 Em R2 : dados os vetores ~u = (x1 , y1 ) e

~v = (x2 , y2 ), temos que ~u ~v = x1 x2 + y1 y2 .
Exemplo C.0.12 Sejam ~u = (3, 2, 4) e ~v = (2, 1, 4) vetores do R3 .

Entao ~u ~v = 6 2 16 = 12. X

Observacao C.0.13 ~u ~u = ||~u||2 , logo ||~u|| = ~u ~u.
Propriedade C.0.14 Sao propriedades do produto escalar, para todo

~ R3 , e para todo k R:
~u, ~v , w
1. ~u ~u 0 e ~u ~u = 0 ~u = 0;
2. ~u ~v = ~v ~u;
3. ~u (~v + w)
~ = ~u ~v + ~u w;
~
4. k(~u ~v ) = (k~u) ~v = ~u (k~v ).
Teorema C.0.15 Para quaisquer vetores ~u 6= 0 e ~v 6= 0,
~u ~v = ||~u|| ||~v || cos ,
onde = (~u, ~v ).
235
Observacao C.0.16 Pelo teorema acima, temos que:
1. Se ~u ~v > 0, entao cos > 0 e 0 < 90. Portanto o angulo e agudo

ou nulo;
2. Se ~u ~v < 0, entao cos < 0 e 90 < 180. Portanto o angulo e

obtuso;
3. ~u ~v = 0 ~u ~v : de fato, se ~u = 0 ou ~v = 0, ok! Por outro lado, se

~u 6= 0 e ~v 6= 0, entao
~u ~v = 0 cos = 0 = 90 ~u ~v .
Vejamos agora algumas consequencias imediatas:
1. Angulo entre Dois Vetores: (0 ). Sejam ~u 6= 0 e ~v 6= 0

vetores, e = (~u, ~v ). Entao

~u ~v
= arccos .
||~u|| ||~v ||
2. Desigualdade de Schwartz: para todo ~u e ~v vetores, temos
||~u ~v || ||~u|| ||~v ||.
3. Desigualdade Triangular: para todo ~u e ~v vetores, temos
||~u + ~v || ||~u|| + ||~v ||.
Observacao C.0.17 E facil ver que:
1. ||~u + ~v ||2 = ||~u||2 + 2~u ~v + ||~v ||2 ;
2. ||~u ~v ||2 = ||~u||2 2~u ~v + ||~v ||2 ;
3. (~u + ~v ) (~u ~v ) = ||~u||2 ||~v ||2 .
Exemplo C.0.18 Determine os vetores unitarios simultaneamente or-

togonais a ~u = (1, 1, 1) e ~v = (1, 2, 3).
Solucao
~ ~u = ~0
w
Seja w
~ = (x, y, z) tal que ~ ~v = ~0 ,
w isto e,

||w||
~ = 1
x+y+z = 0
x + 2y + 3z = 0 . Entao e facil ver que os vetores-solucao sao
2
x + y2 + z2 = 1

w~1 = 66 , 36 , 66 e w~2 = 66 , 36 , 66 . X
Exemplo C.0.19 Prove que as diagonais de um quadrado sao perpen-

diculares.
Solucao
Ora, sendo ~u e ~v os lados de um retangulo, temos que suas diagonais sao
dadas por ~u + ~v e ~u ~v . No caso particular do quadrado, usando a relacao
(~u + ~v ) (~u ~v ) = . . . = ||~u||2 ||~v ||2 = 0, o resultado e imediato.
Exemplo C.0.20 Calcule o angulo entre os vetores ~u = (1, 1, 4) e
~v = (1, 2, 2).
Solucao

Basta usar cos = ||~
~
u~v
u||||~v || = 22 . Logo = 4 . X
Observacao C.0.21 Se ~u = (a, b) e ~v = (c, d) sao vetores nao-nulos,

podemos escrever cos = ||~u~u||||~
~v
v || , onde = (~
u, ~v ). Substituindo, obtemos
a c b d
cos = + . (C.1)
2
a +b2 2
c +d 2 2
a +b2 c + d2
2
~
Se chamarmos de e os angulos que ~u e ~v formam com o eixo OX,
a b
respectivamente, temos que = , cos = a2 +b2 , sin = a2 +b2 ,
cos = c , sin = d . E, por (C.1),
c2 +d2 c2 +d2
cos( ) = cos cos + sin sin .
C.1 Angulos Diretores e Cossenos Diretores de

um Vetor
Definicao C.1.1 Seja ~v = (x, y, z) 6= ~0. Angulos diretores de ~v sao
os angulos , e que ~v forma com os vetores ~, ~ e ~k, respectivamente.
Cossenos diretores de ~v sao os cossenos de seus angulos diretores.
E facil ver entao que as componentes do versos de ~v sao os seus cossenos
diretores. De fato, cos = ||~xv|| , cos = ||~yv|| , cos = ||~vz || , donde

x y z 1 ~v
(cos , cos , cos ) = , , = (x, y, z) = .
||~v || ||~v || ||~v || ||~v || ||~v ||
Portanto, ||(cos , cos , cos )|| = 1 cos2 + cos2 + cos2 = 1.
Tambem observa-se que: ~v = ||~v || ||~~vv|| = ||~v || (cos , cos , cos ).
Observacao C.1.2 Seja ~v = (x, y, z) um vetor qualquer do espaco. Po-

demos reescreve-lo como ~v = x~ + y~ + z~k. Entao todo vetor do espaco pode
ser representado por
~v = ||~v || (cos , cos , cos ).
Da mesma forma no plano: seja ~v = (x, y). Entao ||~~vv|| = (cos , sin ).
Donde ~v = ||~v ||(cos , sin ) = ||~v ||(cos ~ + sin ~)(forma polar). Logo, todo
vetor ~u = (x, y) no plano pode ser escrito como
~u = ||~v ||(cos , sin ).
Exemplo C.1.3 Os angulos diretores de um vetor sao = 45o , = 60o

e . Determine o valor de . Encontre o versos do vetor que possui angulos
diretores , e .
Solucao
cos2 = 1 cos2 cos2 = 14 . Entao =60o ou = 120o .

Logo ||~~vv|| = 22 , 12 , 12 ou ||~~vv|| = 22 , 12 , 12 . X
Exemplo C.1.4 De as componentes do vetor ~v de comprimento 7 cm,

tal que o angulo formado entre ~ e ~v seja 4 radianos. R : ~v = 7 2 2 , 7 2 2 X

C.2 Projecao de um Vetor

Definicao C.2.1 Sejam ~u e ~v vetores nao-nulos, e seja = (~u, ~v ).
Definimos o vetor projecao de ~u na direcao de ~v por:

~u ~v ~v ~u ~v
proj~v ~u = = ~v .
||~v || ||~v || ||~v ||2
Exemplo C.2.2 Determine a projecao de ~u = 6~7~ sobre ~v = 3~+2~.
Solucao
96 64
(1814)
proj~v ~u =
( 9+4)2
(3, 2) = 13 , 13 . X
E
H T
C I GR
A N E
Apendice D
Processos Aleatorios:
Cadeias de Markov
D.1 Ideia Intuitiva
P ara compreender o captulo, exige-se um conhecimento mnimo sobre

probabilidades.
Pode-se considerar (numa primeira aproximacao), em muitos processos
da natureza ou da sociedade, que um fenomeno passe, a partir de um estado
inicial, por uma sequencia de estados, de modo que a transicao de cada um
para o seguinte ocorra segundo uma certa probabilidade.
Definicao D.1.1 Um processo em que a probabilidade de transicao do
fenomeno depende apenas do estado em que ele se encontra e do estado a
seguir e dito processo de Markov, e uma sequencia de estados seguindo
este processo e denominada cadeia de Markov.
Observacao D.1.2 Esta simplificacao do processo talvez seja demasi-
ada, tendo em vista que as probabilidades podem se modificar com o tempo.
Nao obstante, este modelo ja serve de auxlio para a previsao do comporta-
mento de certos fenomenos.
Exemplo D.1.3 Numa determinada regiao, observa-se que se um ano
for chuvoso, a probabilidade de o ano seguinte seja igualmente chuvoso e 14 ,
e a probabilidade de que haja estiagem e 43 . Ainda, em ocorrendo estiagem
num ano, a probabilidade de que tambem ocorra no seguinte e a mesma de
que seja um ano chuvoso, isto e, 12 . Suponhamos (para termos um indicador
de situacao), que as probabilidades nao mudem com o decorrer do tempo1 .
Os estados possveis para este processo sao, pois: chuva e estiagem.
Queremos saber em que estado estara esta regiao apos um longo tempo (pla-
nejamento estrategico).
1
Obviamente, isto nao ocorre assim na pratica
239
Resolucao
Com os dados acima, podemos construir a arvore de probabilidades in-

dicativa da sequencia dos acontecimentos (ver figura D.1).
1o ano 2o ano 3o ano . . .

%
1/4 C&
1/4 C
%
, 3/4 E&
(1)
# pC C
%
1/2 C&
, 3/4 E
%
, 1/2 E&
Referencial
%
1/4 C&
1/2 C
%
, 3/4 E&
(1)
, pE E
%
1/2 C&
, 1/2 E
%
, 1/2 E&
Figura D.1: Probabilidades de transicao do fenomeno
Assim, supondo que no primeiro ano houve estiagem, a probabilidade de

que o terceiro ano seja chuvoso e
1 1 1 1 3
+ = .
2 4 2 2 8
Conforme o tempo passa, os calculos se tornam mais trabalhosos. Por-
tanto, para previsoes a longo prazo, precisaremos de outro procedimento.
Pode-se, neste momento, introduzir a nocao de matriz das probabilida-
des de transicao, e a de vetor de probabilidades. A matriz T das pro-
babilidades de transicao e obtida da tabela de probabilidades D.1, onde o ele-
mento na i-esima linha e j-esima coluna indica a probabilidade de transicao
do j-esimo para o i-esimo estado.
C E
C 1/4 1/2
E 3/4 1/2
Tabela D.1: Probabilidades de transicao


1/4 1/2
T =
3/4 1/2
Figura D.2: Matriz de transicao
O vetor de probabilidades e a matriz cuja primeira linha da a probabili-

dade de que haja chuva no n-esimo ano e a segunda da a probabilidade de
que ocorra estiagem no n-esimo ano.

(n)
pC

,
(n)
pE
Figura D.3: Vetor de probabilidades
Pela arvore de probabilidades (tabela D.1), temos que

(2) 1 (1) (1)
pC = 4 pC + 12 pE
(2) 3 (1) (1)

pE = 4 pC + 12 pE
Observamos que
(1)
(1) 1 1 1 (1) (1)
pC 4 2 pC 4 pC + 12 pE

T = = .
(1) 3 1 (1) 3 (1) (1)
pE 4 2 pE 4 pC + 12 pE
Portanto,
(2) (1)
pC pC

=T .
(2) (1)
pE pE
O mesmo ocorre do segundo para o terceiro ano, deste para o quarto,
etc. Temos, pois, a sequencia:
o o
1 ano 2 ano
z }| { z }| {

(1) (2) (1)
pC pC pC

= T
(1) (2) (1)
pE pE pE
o
3 ano
z }| {

(3) (2) (1)
pC pC pC

= T = T2
(3) (2) (1)
pE pE pE
..
.
..
.
nesimo ano
z }| {
(n) (1)
pC pC

= T n1
(n) (1)
pE pE
Deste modo, o comportamento do clima da regiao a longo prazo (quando
n aumenta) podera ser previsto2 se soubermos que os elementos das matrizes
T n , n = 1, 2, . . . se aproximam dos elementos de uma matriz fixa P pois,
(n) (n)
neste caso, pC p1 e pE p2 quando n com

(1)
p1 pC
=P

(D.1)
p2 (1)
pE
Se T n nao se aproxima de uma matriz P , entao nao poderemos fazer
nenhuma previsao a longo prazo, pois o processo se modificara bastante a
cada passo.
Assim, um dos problemas que devemos resolver e quais sao as condicoes
sobre a matriz T das probabilidades de transicao, para que suas potencias
se aproximem de uma determinada matriz.
Isto sera respondido na proxima seccao, junto com o termino da resolucao
do exemplo D.1.3.
D.2 Conceito
Definicao D.2.1 Um processo aleatorio de Markov (ver definicao
D.1.1) e um processo que pode assumir estados a1 , a2 , . . . , ar , de tal modo
que a probabilidade de transicao de um estado aj para um estado ai seja pij
(um numero que so depende de aj e ai ).
Definicao D.2.2 A matriz das probabilidades de transicao (ou
matriz estocastica) e dada por:

p11 p12 p1r
p21 p22 p2r

T = . .. . . ..
.. . . .
pr1 pr2 prr
(Observe que pij 0, e que a soma de cada coluna deve ser 1).
Definicao D.2.3 O vetor de probabilidades e aquele cuja i-esima
linha da a probabilidade de ocorrencia do estado ai apos n transicoes:
(n)
p1
..
.
(n)
pr
2
Tal previsao e importante, pois se chegarmos, por exemplo, a conclusao de que
(n)
pE 1 quando n , a longo prazo a regiao se ternara um deserto.
Seguindo o raciocnio de exemplo D.1.3, apos n passos, teremos:

(n) (1)
p1 p1
.. n1 ..
. =T . .
(n) (1)
pr pr
D.3 Previsoes a Longo Prazo

Para podermos fazer previsoes a longo prazo, a matriz T deve cumprir
certas condicoes que veremos a seguir:
Definicao D.3.1 Uma matriz de probabilidades de transicao e regular

se alguma de suas potencias tem todos os elementos nao nulos.
Teorema D.3.2 Seja Trr a matriz das probabilidades de transicao de

um certo evento.Se T e regular, entao:
(i) As potencias T n aproximam-se de uma matriz P , no sentido de que

cada elemento de T n aproxima-se do elemento correspondente em P .
(ii) Todas as colunas de P sao iguais, sendo dadas por um vetor-coluna

p1

V = ... ,
pr
com p1 > 0, p2 > 0,. . . , pr > 0.
(iii) Para qualquer vetor de probabilidades inicial

(1)
p1
..
V1 = . ,
(1)
pr
o vetor de probabilidades T n V1 aproxima-se de V (dado no item ante-

rior).
(iv) O vetor V e o unico vetor que satisfaz V = T V .
prova: Ainda nao e o momento oportuno. d

Observacao D.3.3 O teorema D.3.2 informa que se a matriz de
transicao e regular, entao e possvel fazer uma previsao a longo prazo, pre-
visao esta independente das probabilidades iniciais V1 . Ademais, o item (iv)
indica como achar esta probabilidade.
Observacao D.3.4 Em linguagem tecnica, o processo utilizado no item

(iv) do teorema D.3.2 para encontrar o vetor final de probabilidades, cor-
responde a procura de um autovetor associado ao autovalor 1 da matriz
T.
D.3.1 Exemplos
Exemplo D.3.5
Voltando
ao exemplo D.1.3, temos que a matriz de
1/4 1/2
transicao T = e regular, pois ela mesma (potencia 1) ja tem
3/4 1/2
todos os elementos positivos. Logo, pelo item (iv) do teorema D.3.2, quais-
quer que sejam as probabilidades iniciais teremos, a longo prazo,

pC 1/4 1/2 pC
=
pE 3/4 1/2 pE
1

pC = 4 pC + 12 pE 2pE = 3pC
ou ou pE = 32 pC .

pE = 34 pC + 12 pE 2pE = 3pC
Como devemos ter pC + pS = 1 (probabilidade total), temos pC + 32 pC = 1
e, portanto, pC = 52 e pE = 35 . Desta feita, a longo prazo a regiao tendera a
uma ligeira aridez. X
Exemplo D.3.6 Suponhamos que em uma determinada regiao, a cada

ano 3% da populacao rural migra para as cidades, enquanto que apenas 1%
da populacao urbana migra para o meio rural. Se todas as demais condicoes
permanecerem estaveis, as condicoes polticas nao mudarem, e estas porcen-
tagens de migracao continuarem as mesmas, qual deve ser a relacao entre
as populacoes urbana e rural desta regiao a longo prazo?
Resolucao
Se a probabilidade de a populacao rural migrar para a cidade e 0, 03,

a probabilidade de nao migracao e 0, 97. Se a probabilidade da populacao
urbana migrar para o meio rural e 0, 01, a probabilidade de nao migracao e
0, 99. Denotando por U o meio urbano e por R o meio rural, a matriz das
probabilidades de transicao e dada por
R U
R 0,97 0,01
U 0,03 0,99
A matriz e regular, logo, a longo prazo, as probabilidades pR e pU de
viver no meio rural e urbano, respectivamente, satisfazem

0, 97 0, 01 pR pR
=
0, 03 0, 99 pU pU
donde pU = 3pR e, como devemos ter pU + pR = 1, segue que pR = 0, 25 e

pU = 0, 75.
Assim, a longo prazo, teremos 25% da populacao no meio rural e 75%
no meio urbano. X
Exemplo D.3.7 Observa-se empiricamente que, em condicoes naturais

e sem ser submetida a pesca industrial, a quantidade de uma certa especie
de peixes varia da seguinte forma: se em um determinado ano a populacao
diminuiu, a probabilidade de que diminua ainda mais no ano seguinte e 0, 6
e, se em um determinado ano a populacao aumenta, a probabilidade de que
diminua no ano seguinte e apenas 0, 3. Entretanto, observa-se que sendo
submetida a pesca industrial, quando a populacao aumenta num determi-
nado ano, a probabilidade de que diminua no ano seguinte se altera para
0, 5, enquanto que se a populacao diminui num ano, a probabilidade de que
diminua no ano seguinte continua sendo 0, 6. Deseja-se saber como, a longo
prazo, a pesca industrial estara afetando os peixes dessa especie, para ver se
e necessario diminuir a intensidade de pesca ou se, ao contrario, e possvel
aumenta-la.
Resolucao
Os estados deste processo sao: diminuicao da populacao (D) e aumento

da populacao (A). Entao, sem haver pesca industrial, a matriz de probabi-
lidades de transicao e, pois:
D A
D 0,6 0,3
A 0,4 0,7
Como a matriz e regular, as probabilidades pD e pA da populacao dimi-
nuir ou aumentar a longo prazo, respectivamente, sao:

0, 6 0, 3 pD pD
=
0, 4 0, 7 pA pA
Lembrando que pD + pA = 1, segue que pD = 37 e pA = 47 . Portanto, em

condicoes naturais, a especie tem sobrevivencia razoavelmente garantida.
Com a pesca industrial, a matriz se altera para
D A
D 0,6 0,5
A 0,4 0,5
Como a matriz e regular, a longo prazo pD e pA sao dadas por

0, 6 0, 5 pD pD
=
0, 4 0, 5 pA pA
Assim, pD = 59 e pA = 49 . Portanto, se submetida a pesca industrial,

a sobrevivencia da especie estara comprometida. Logo, deve-se diminuir a
pesca. X
Exemplo D.3.8 Duas substancias distintas estao em contato a trocam

ons de sodio entre si. Por deducao teorica ou emprica, sabe-se que um on
de sodio do meio (1) abaixo tem probabilidade 0, 7 de passar ao meio (2),
enquanto que um on de sodio do meio (2) tem probabilidade 0, 1 de passar
para o meio (1) (ver figura D.3.1). Colocando-se 2 mois de sodio no meio
(1), quais serao as concentracoes de sodio em cada um dos meios, apos um
longo perodo de tempo?
meio (1) meio (2)
N a+ N a+
Figura D.4: Distribuicao de ons de sodio em dois meios
Resolucao
Os estados deste processo sao: o on esta no meio (1) e o on esta no

meio (2). A matriz de transicao e:
meio (1) meio (2)

meio (1) 0,3 0,1
meio (2) 0,7 0,9
Sejam p1 e p2 as respectivas probabilidades de estar no meio (1) ou (2).

(1)
No instante inicial, todo o sodio foi colocado no meio (1), entao p1 = 1
(1)
e p2 = 0. A matriz e regular, logo a longo prazo as probabilidades nao
dependem das probabilidades iniciais, e devem satisfazer

0, 3 0, 1 p1 p1
=
0, 7 0, 9 p2 p2
Temos p1 + p2 = 1 p1 = 18 e p2 = 78 . Logo, as concentracoes finais de

sodio em cada meio sao 81 2 = 0, 25 mois no meio (1) e 78 2 = 1, 75 mois
no meio (2). X
D.4 Previsoes em Genetica

Fazendo algumas pequenas modificacoes nas ideias que utilizamos nos
processos de Markov, e possvel estudar varios problemas geneticos.
O tipo mais simples de transmissao de heranca genetica e efetuado
atraves de pares de genes, podendo estes ser ambos dominantes, recessi-
vos, ou um dominante e outro recessivo. Chamemos G o gene dominante e
g o recessivo . Um indivduo sera chamado dominante se tiver genes GG,
hbrido se tiver genes Gg, e recessivo, caso os genes sejam gg. Um in-
divduo herda seus genes ao acaso, um deles de seu pai e o outro de sua
mae. Assim, nos varios tipos de cruzamento, temos probabilidades distintas
de transmissao de heranca genetica.
Exemplo D.4.1 No caso de cruzamento entre dominantes, teremos so-

mente filhos dominantes.
% GG com probabilidade 1
GG cruzado com GG Gg com probabilidade 0
& gg com probabilidade 0
Tabela D.2: Cruzamento entre indivduos dominantes
Exemplo D.4.2 Cruzando indivduos recessivos, teremos:
gg cruzado com gg Gg com probabilidade 0
Tabela D.3: Cruzamento entre indivduos recessivos
Exemplo D.4.3 Cruzando um dominante com um recessivo, temos:
GG cruzado com gg Gg com probabilidade 1
Tabela D.4: Cruzamento entre um indivduo dominante e um recessivo
Exemplo D.4.4 No cruzamento de um indivduo dominante (GG) com

um hbrido (Gg), temos como resultado indivduos GG com probabilidade
0, 5; indivduos Gg com probabilidade 0, 5, e nao teremos indivduos gg, i.e.,
a probabilidade de gg e 0.
Exemplo D.4.5 No caso de cruzarmos um indivduo recessivo (gg) com

um hbrido (Gg), teremos probabilidade 0 para GG, probabilidade 0, 5 para
Gg, e probabilidade 0, 5 para gg.
Exemplo D.4.6 E, finalmente, no caso de dois indivduos hbridos

(Gg), temos: indivduos GG com probabilidade 0, 25; indivduos Gg com
probabilidade 0, 5; e indivduos gg com probabilidade 0, 25.
Notacao: usaremos d para indicar qualquer caracterstica dominante,

r para caractersticas recessivas, e h para indivduos hbridos; alem disso,
usaremos d d, d r, etc., para os representar os diversos cruzamentos
possveis.
Colocando as probabilidades em colunas, podemos montar a seguinte

matriz T :
dd rr dr dh rh hh
d 1 0 0 0,5 0 0,25
h 0 0 1 0,5 0,5 0,5
r 0 1 0 0 0,5 0,25
Tabela D.5: Cruzamento entre indivduos
Observacao D.4.7 Numa populacao numerosa composta por uma por-

(1) (1) (1)
centagem pd de indivduos dominantes, ph de indivduos hbridos e pr
de indivduos recessivos, a probabilidade de cruzamento de genes de um in-
(1) (1)
divduo dominante com outro dominante e pd pd . Se quisermos calcular
a probabilidade de um cruzamento entre um dominante e um hbrido, temos
(1) (1)
que somar pd ph (considerando o caso em que o primeiro e dominante e
(1) (1) (1) (1)
o segundo e hbrido) a ph pd . Assim, a probabilidade e de 2pd ph . Os
outros casos seguem o mesmo raciocnio3 .
Cruzamento Probabilidade
(1) (1)
dd pd pd
(1) (1)
rr pr pr
(1) (1)
dr 2pd pr
(1) (1)
dh 2pd ph
(1) (1)
rh 2pr ph
(1) (1)
hh ph ph
Tabela D.6: Probabilidades dos diversos cruzamentos possveis

(2) (2) (2)
E possvel obter as porcentagens pd , ph e pr da segunda geracao de
cruzamentos dos respectivos indivduos:
(1) (1)
pd pd
(1) (1)
(2) pr pr
pd 1 0 0 1/2 0 1/4 (1) (1)
(2) 2pd pr
ph = 0 0 1 1/2 1/2 1/2

(1) (1)

(2) 0 1 0 0 1/2 1/4 2pd ph
pr (1) (1)
2pr ph
(1) (1)
ph ph
Supondo que nao haja novo cruzamento de indivduos da primeira

geracao 4 e uma vez obtidas as porcentagens de indivduos da segunda
geracao, podemos obter as porcentagens da terceira geracao, e assim su-
cessivamente.
3
Estamos supondo que a caracterstica genetica analisada seja tal que nao interfira no
cruzamento natural
4
O que, em geral, ocorre com populacoes de insetos, etc.
Observacao D.4.8 Desta forma, podemos obter o perfil genetico de

qualquer geracao, ainda que os calculos sejam cada vez mais demorados.
Este tipo de analise, embora simples, e de suma importancia em muitos
campos. Em particular, na Agricultura, para se ter uma ideia da propagacao
da resistencia genetica a certos tipos de doencas, da resistencia de insetos a
tipos de inseticidas, etc.
Exemplo D.4.9 Para se combater uma determinada especie de insetos,

aplica-se um certo tipo de inseticida numa plantacao. Apos a aplicacao
verifica-se que, dos poucos insetos sobreviventes, 60% eram resistentes ao
inseticida e os outros 40% nao o eram (e haviam sobrevivido por razoes
casuais). Sabe-se que o ciclo de vida desses insetos e de um ano e que eles
se cruzam apenas uma vez em cada geracao. Ademais, ficou comprovado que
a resistencia ao inseticida e uma caracterstica dominante e que o inseticida
nao foi aplicado novamente. Qual e a porcentagem de insetos resistentes ao
inseticida apos dois anos?
Solucao
Por ser uma caracterstica dominante, os insetos resistentes podem ser de

genotipo GG ou Gg na relacao de 1 : 2 e, assim, 20% dos insetos resistentes
(1) (1)
sao dominantes e 40% sao hbridos. Temos, portanto, pd = 0, 2, ph = 0, 4
(1)
e pr = 0, 4 e assim, a distribuicao da porcentagem dos insetos apos um ano
e dada por

(0, 2) (0, 2)
(2) (0, 4) (0, 4)
pd 1 0 0 1/2 0 1/4
(2) 2(0, 2) (0, 4)
ph = 0 0 1 1/2 1/2 1/2 2(0, 2) (0, 4)

(2) 0 1 0 0 1/2 1/4
pr 2(0, 4) (0, 4)
(0, 4) (0, 4)
(2) (2) (2)

ou seja, pd = 0, 16, ph = 0, 48 e pr = 0, 36. Apos mais um ano, a
distribuicao de insetos sera dada por

(0, 16) (0, 16)
(3)
(0, 36) (0, 36)
pd 1 0 0 1/2 0 1/4
(3) 2(0, 16) (0, 36)
ph = 0 0 1 1/2 1/2 1/2

2(0, 16) (0, 48)
(3)
pr 0 1 0 0 1/2 1/4
2(0, 36) (0, 48)
(0, 48) (0, 48)
(3) (3) (3)

ou seja, pd = 0, 16, ph = 0, 48 e pr = 0, 36.
Assim, apos dois anos, a porcentagem dos insetos resistentes ao inseticida
(3) (3)
sera de pd + ph = 0, 16 + 0, 48 = 0, 64, ou seja, 64% da populacao e
resistente. Dessa forma, se for necessaria uma nova aplicacao de inseticida,
nao sera conveniente aplicar o mesmo tipo, pois ele matara no maximo 36%
dos insetos.
Observacao D.4.10 Observe que a distribuicao dos insetos quanto

ao genotipo GG, Gg ou gg permaneceu a mesma nas segunda e terceira
geracoes.
Exerccio D.4.11 Calcule as probabilidades para a quarta geracao de

insetos (depois de tres anos) para o problema D.4.9.
Observacao D.4.12 O resultado que voce obteve no exerccio D.4.11

nao e uma casualidade. Existe uma lei genetica que estabelece, sob
condicoes ideais, que depois da segunda geracao a distribuicao entre os
genotipos permanece a mesma. Assim, se partirmos de uma populacao onde
(1) (1) (1)
a formacao inicial e dada por frequencias pd = u, ph = v e pr = w,
temos:
Genotipo Geracao inicial Geracoes seguintes

GG u (u + v2 )2
Gg v 2(u + v2 )(w + v2 )
gg w (w + v2 )2
Pode-se demostrar esta relacao atraves do produto de matrizes (em momen-

tos de solidao).
Observacao D.4.13 No modelo genetico considerado nesta secao,

assume-se uma situacao-padrao: nao existe migracao, os encontros sao ao
acaso, nao ocorrem mutacoes nem selecao, os dois sexos aparecem sempre
em quantidades iguais.
Observacao D.4.14 Esta relacao de estabilidade genetica foi apresen-

tada independentemente, pelo matematico G.H. Hardy e o genetico W.
Weinberg em 1908.
E
H T
C I GR
A N E
Apendice E
Somatorios
V amos agora apresentar a voce um smbolo que sera bastante util

para os itens que ainda desenvolveremos neste curso; e o faremos atraves de
um exemplo: imagine que queiramos representar a soma dos dez primeiros
termos de uma progressao:
a1 + a2 + a3 + a4 + a5 + a6 + a7 + a8 + a9 + a10 ;
P
10
no sentido de sintetizar esta soma, usaremos o smbolo ai que deve ser
i=1
lido: somatorio de ai , com i variando de um ate dez.
Note que o ndice i pode ser substitudo por qualquer outra letra; de
fato, a mesma soma apresentada anteriormente poderia tambem ser escrita
P
10 P
10 P
10
como: aj ou an ou as . Muitas vezes aparecem tambem somatorios
j=1 n=1 s=1
duplos, triplos, etc., onde trabalhamos com dois, tres, etc. ndices.
E.1 Exemplos
P
2
Exemplo E.1.1 O somatorio duplo aij representa:
i,j=1
a
11 + a12 +a21 + a22 , ou seja, a soma dos termos da matriz quadrada
a11 a12
.
a21 a22
P
2
Exemplo E.1.2 O somatorio triplo aijk representa:
i,j,k=1
a111 + a112 + a121 + a122 + a211 + a212 + a221 + a222 .
251
E.2 Exerccios
P
n
Exerccio E.2.1 Desenvolver o somatorio i.
i=1
P
7
1
Exerccio E.2.2 Desenvolver o somatorio i.
i=3
P
6
i
Exerccio E.2.3 Desenvolver o somatorio i+1 .
i=1
P
121
Exerccio E.2.4 Quantas parcelas ha no somatorio ai ?
i=53
P
n
Exerccio E.2.5 Desenvolver o somatorio ai bni .
i=0
P
n
Exerccio E.2.6 Desenvolver o somatorio (1)n ai , nos casos:
i=0
1. n e par.
2. n e mpar.
Exerccio E.2.7 Escrever sob a forma de somatorio:
a0 xn + a1 xn1 + a2 xn2 + . . . + an1 x + an .
1 a + a2 a3 + . . . + a100 a101 .
1 + a a2 + a3 . . . a100 + a101 .
Exerccio E.2.10 Escrever sob a forma de somatorio: (x + a)n .
Dica: Use o binomio de Newton.

5
P 5
Exerccio E.2.11 Calcular o somatorio i .
i=0
P
70
Exerccio E.2.12 Calcular o somatorio 2.
i=23
E.3 Algumas Propriedades
P
n P
n
Propriedade E.3.1 ai = (ai )
i=1 i=1
prova:
P
n
ai = (a1 + a2 + a3 + + an1 + an ) =
i=1
= a1 + a2 + + an1 + an =
Pn
= (ai )
i=1
P
n P
n P
n
Propriedade E.3.2 (ai + bi ) = ai + bi
i=1 i=1 i=1
prova: exerccio. P
P
n P
m P
n P
m
Propriedade E.3.3 ( ai )( bj ) = ai bj
i=1 j=1 i=1 j=i
P
m
prova: Seja B = bj ; entao:
j=1
P
n P
m P
n
( ai )( bj ) = ( ai ) B =
i=1 j=1 i=1
P
n
= (ai B) =
i=1
Pn P
m
= (ai bj ) =
i=1 j=1
Pn Pm
= ai bj
i=1 j=1
Note que nesta demonstracao utilizamos duas vezes a propriedade 1.
P
n P
m P
m P
n
Propriedade E.3.4 ai bj = ai bj
i=1 j=1 j=1 i=1
prova:
P
n P
m P
n
ai bj = (ai b1 + ai b2 + + ai bm ) =
i=1 j=1 i=1
= a1 b1 + a1 b2 + + a1 bm1 + a1 bm +
+a2 b1 + a2 b2 + + a2 bm1 + a2 bm +

+an1 b1 + an1 b2 + + an1 bm1 + an1 bm +
+an b1 + an b2 + + an bm1 + an bm =
Pn P
n P
n Pn
= ( ai )b1 + ( ai )b2 + + ( ai )bm1 + ( ai )bm =
i=1 i=1 i=1 i=1
P
m Pn
= ( ai )bj =
j=1 i=1
Pm P n
= ai bj
j=1 i=1
E.4 Respostas dos Principais Exerccios

n(n+1)
E.2.1 2
153
E.2.2 140
617
E.2.3 140
E.2.4 121 53 + 1 = 69
P
n
E.2.7 ai xni
i=0
P
101
E.2.8 (1)i ai
i=0
P
101
E.2.9 (1)i+1 ai
i=0
n
P n ni i
E.2.10 i x a
i=0
E.2.11 25 = 32
E.2.12 96
E
H T
C I GR
A N E
Apendice F
Topicos sobre Retas e suas

Equacoes
F.1 Introducao
J a estudamos alguns topicos de Geometria Analtica. Assim, dados

dois pontos A(xA , yA ) e B(xB , yB ), sabemos que
p
dist(A, B) = (xB xA )2 + (yB yA )2 .
B yA +yB

Alem disso, o ponto medio de um segmento AB e M xA +x 2 , 2 .
Sabemos que uma equacao do tipo y = mx + n, com m e n constantes,
representa uma reta e que a equacao da circunferencia de centro C(xC , yC )
e raio r e (x xC )2 + (y yC )2 = r2 .
Aqui, dedicar-nos-emos ao estudo analtico (algebrico) das retas.
Propriedade F.1.1 Numa reta nao vertical, aos sucessivos aumentos

iguais nas abscissas (coordenadas X) de seus pontos, correspondem sucessi-
vos aumentos iguais (entre si) nas ordenadas dos mesmos.
Exerccio F.1.2 Considere a reta de equacao y = 3x 5. Seus pontos

de abscissas 2, 3, 4 e 5 possuem ordenadas respectivamente iguais a:
Exerccio F.1.3 Os pontos A(xA , yA ) e B(xB , yB ) pertencem a reta

y = 7x + 4. Sendo x = xB xA e y = yB yA :
1. Se x = 1 entao y = ;
2. Se x = 2 entao y = ;
3. Se x = 6 entao y = .
255
Figura F.1: Representacao geometrica da propriedade construtiva de uma

reta
Exerccio F.1.4 Os pontos A, B e C pertencem a reta y = 5x 1.

Se suas abscissas constituem uma P.A. de razao 1, entao suas ordenadas
constituem uma de razao . Este fato nos mostra que o grafico
de y = 5x 1, enquanto avanca uma unidade apenas para a direita, sobe
unidades.
Exerccio F.1.5 Comparando as declividades (inclinacoes) das retas

dadas por y = 2x + 13 e por y = 4x 11, pode-se afirmar que a de maior
declividade e , pois ela, ao avancar uma unidade para a direita, sobe
unidades, enquanto a outra sobe apenas unidades.
Exerccio F.1.6 Os pontos A, B, C, e D pertencem a reta y = 6x+5.

Se suas abscissas constituem uma P.A. de razao 1, entao suas ordenadas
constituem uma de razao . Este fato nos mostra que o grafico de
y = 6x + 5, enquanto avanca uma unidade para a direita, unidades.
Exerccio F.1.7 Comparando as inclinacoes das retas y = 17x + 31

e y = 9x + 57; aquela que mais se aproxima de uma posicao vertical e
, pois ela, ao avancar uma unidade para a direita,
unidades, enquanto a outra apenas
unidades.
Exerccio F.1.8 Os pontos A(xA , yA ) e B(xB , yB ) pertencem a reta

y = 10x.
1. Se x = 3, entao y = ;
2. Se x = , entao y = 4.
Exerccio F.1.9 Os pontos A(xA , yA ) e B(xB , yB ), distintos, perten-

y
cem a reta y = 2x + 3. Entao, temos: y = x, ou seja, x = .
F.2 Coeficiente Angular

Os exerccios acima indicam que a inclinacao da reta r dada por
y = mx + n e sempre regulada pelo coeficiente m. Estudaremos isto mais
detalhadamente.
Suponhamos r nao-horizontal, e seja A = rOX ~ formando = (r, OX)
~
no sentido anti-horario. Calculemos tan .
Sejam A(xA , yA ), B(xB , yB ) r. Entao, yA = mxA + n e yB = mxB + n.
1o caso: 0 < < 90:
yB B
yA
C
A

xA xB
Figura F.2: Coeficiente angular onde 0 < < 90
Neste caso, 0 < < 90, tem-se:
BC yB yA (mxB + n) (mxA + n) (xB xA )

tan = = = =m = m.
AC xB xA xB xA xB xA
Antes de prosseguir, vale lembrar que se e obtuso, entao:
tan(180 ) = tan .
2o caso: 90 < < 180:

Neste caso, 90 < < 180, tem-se:
BC yB yA yB yA
tan = tan(180 ) = = = .
AC xA xB xB xA
Entao
(mxB + n) (mxA + n) (xB xA )
tan = =m = m.
xB xA xB xA
yB B
180
yA C A

xB xA
Figura F.3: Coeficiente angular onde 90 < < 180
Finalmente, conclui-se que:

Coeficiente angular: m = tan
Por isso, na reta dada por y = mx + n, chamaremos m de coeficiente
angular da reta.
Observacao F.2.1 Os casos em que a reta e horizontal ou vertical serao

analisados mais tarde.
F.3 Coeficiente Linear

Na reta r de equacao y = mx+n, o ponto de abscissa x = 0 tem ordenada
~ . Na
y = n. Portanto, (0, n) e o ponto de interseccao de r com o eixo OY
reta dada por y = mx+n, o coeficiente n sera chamado de coeficiente linerar
da reta.
(0, n)
y = mx + n
0
Figura F.4: Coeficiente linear da reta
Exemplo F.3.1 Obtenha a equacao da reta r indicada na figura abaixo.
(0, 3)
45o
0
Resolucao
A equacao da reta r e y = mx + n, onde m = tan 45 = 1 e n = 3. Logo,

a equacao pedida e y = x + 3. X
Exerccio F.3.2 Qual e o coeficiente angular da reta y = 5x + 7?
Exerccio F.3.3 Obtenha os coeficientes angular e linear da reta de

equacao 3x + 2y 8 = 0.
Exerccio F.3.4 Nos itens abaixo, obtenha a equacao da reta:
a. b.
(0, 5)
60o
45o
(0, 2)
c. d.
(0, 1) 135o
30o (0, 3)
e. f.
150o
60o
(0, 3)
Exerccio F.3.5 Na figura abaixo, OAB e um triangulo equilatero de

lado 3. Obtenha a equacao da reta que os pontos A e B determinam.
Exerccio F.3.6 Na figura abaixo, M N OP e um quadrado de lado 2.

Obtenha a equacao da reta suporte da diagonal N P .
N M
O P

Exerccio F.3.7 Na figura abaixo, ABCD e um quadrado de lado 2 2.
Qual e a equacao da reta que os pontos B e C determinam?
O
A
F.3.1 Um Caso a Parte

1o caso: A reta r e horizontal.
Todos os pontos de r tem ordenadas iguais a n. Portanto, y=n .
Note que se enquadra na formula y = mx + n ( = 0) e continua valendo
y
m = tan = x .
n
r
0 Figura F.5: Reta horizontal

2o caso: A reta r e vertical.

Neste caso a equacao de r e: x=d , que nao se enquadra no caso
geraly = mx + n.
Aqui tem-se = 90 e, como nao se define tan 90, tambem nao se definira
coeficiente angular para as retas verticais.
0 (d, 0)
Figura F.6: Reta vertical
Portanto: a reta vertical constitui uma excecao, e deve ser analisada

sempre a parte do caso geraly = mx + n.
Exerccio F.3.8 O triangulo OAB e equilatero de lado 10. Obtenha as

equacoes das retas suportes das alturas do triangulo relativas aos lados OB
e OA.
B
Exerccio F.3.9 Nos itens abaixo, obtenha a equacao da reta r:
a. b.
0
P (3, 2)
r
r P (4, 3)
c. d.
P (2, 1)
r 0
Exerccio F.3.10 Em cada caso, obtenha o coeficiente angular da reta

dada:
x y
1. 5 + 3 =1
2. y = 2
3. y 2 = 3(x + 5)
4. x = 6
Exerccio F.3.11 Na figura abaixo, OABC e um quadrado de diagonal

6. Qual e a equacao da reta que passa por A e C? E por A e B?
Exemplo F.3.12 Qual e o coeficiente angular da reta determinada pe-

los pontos A(1, 2) e B(2, 11)?
Resolucao
y 11 2 9
m= = = =3
x 2 (1) 3
O coeficiente angular e m = 3. X
Exerccio F.3.13 Em cada caso, obtenha o coeficiente angular da reta

definida pelos pontos A e B:
1. A(3, 4) e B(7, 8)
2. A(1, 2) e B(5, 6)
3. A(2, 3) e B(3, 2)
4. A(10, 8) e B(7, 8)
5. A(2, 7) e B(2, 13).

Exemplo F.3.14 Na figura abaixo, OABC e um quadrado de lado 2;

M e N sao pontos medios dos lados. Quais sao as equacoes das retas r, s
e t?
C B
A
N
O
r
t s
Resolucao
As tres retas tem o mesmo coeficiente linear: n = 2.

yM yC 12 1
mr = = =
xM xC 20 2
ms = tan 135 = 1,
yN yC 02
mt = = = 2
xN xC 10
Entao as equacoes sao:
(r): y = 12 x + 2;
(s): y = x + 2;
(t): y = 2x + 2. X
Exerccio F.3.15 Na figura abaixo, OABC e um quadrado de lado 2;

M , N e P sao pontos medios dos lados. Quais sao as equacoes das retas r,
s e t?
r
C B
M
P s
N
O A
Exerccio F.3.16 Na figura abaixo, OABC e um quadrado de lado 2 e

CDE e um triangulo equilatero de lado 2. Quais sao as equacoes das retas
r, s e t?
C B r
O
A
t
F.4 As Retas que Passam por um Ponto Dado

Dado um ponto P (xP , yP ), ha infinitas retas do plano cartesiano que
passam por P .
P (xP , yP )
1o caso: A reta r nao e vertical.

Sendo m o coeficiente angular da reta, para qualquer ponto (x, y) r,
distinto de P (xP , yP ), tem-se:
y y yP
m= = .
x x xP
Entao: y yP = m(x xP ) .
Note que o proprio ponto P (xP , yP ) satisfaz a equacao:
(x, y)
P (xP , yP )
2o caso: A reta r e vertical.

Neste caso, a equacao da reta r e: x = xP .
r
P (xP , yP )
Conclusao: As retas que passam por P (xP , yP ) tem suas equacoes da-
das por: y yP = m(x xP ) ou x = xP .
Exemplo F.4.1 Obtenha a equacao das retas r, s, t e u.
P (5, 3)
150o
45o 120o
s
Resolucao
A reta r nao e vertical e passa por P (5, 3); logo y yP = mr (x xP ),

o que implica que y 3 = mr (x 5). Mas, mr = tan 45 = 1. Donde
(r): y 3 = x 5 ou y = x 2;
A reta s e vertical: (s): x = 5;
A reta t nao e vertical,

logo y 3 = mt (x 5).Mas, sabemos que
mt = tan 120 = 3. Donde (t): y 3 = 3(x 5) ou ainda
y = 3x + (3 + 5 3);

3
A reta u nao e vertical e mu = tan 150 = 3 . A equacao da reta e

dada por (u): y 3 = 33 (x 5) ou ainda y = 3
3 x + (3 + 5 3
3 ).X
Exerccio F.4.2 Em cada caso, obtenha a equacao da reta que passa

pelo ponto P e tem coeficiente angular m:
1. P (2, 1) e m = 2;
2. P (1, 3) e m = 1;
3. P (0, 5) e m = 3;
4. P (0, 0) e m = 1.
Exerccio F.4.3 De a equacao da reta r, em cada caso:
a. b. c.
P (4, 2) (1, 4) (7, 1)
45o
30o
45o
d.
e. f.
60o
60o

( 3, 2)
(2, 1)
Exemplo F.4.4 Qual e a equacao da reta que passa por A(1, 1) e

B(3, 11)?
Resolucao
A reta nao e vertical e passa por A(1, 1); logo: y 1 = m(x 1). Mas,
y yB yA 11 1
m= = = = 5.
x xB xA 31
Entao, y 1 = 5(x 1) ou ainda y = 5x 4. X
Exerccio F.4.5 Em cada caso, escreva a equacao da reta definida pelos

pontos A e B:
1. A(1, 5) e B(5, 13);
2. A(1, 2) e B(3, 4);
3. A(3, 10) e B(5, 2);
4. A(3, 1) e B(0, 1);
5. A(8, 12) e B(3, 12);
6. A(2, 2) e B(1, 5);
7. A(0, 0) e B(5, 7);
8. A(1, 5) e B(1, 8).
Exerccio F.4.6 Determine o valor de a para que os pontos A(3, 5),

B(3, 8) e C(4, a) estejam alinhados.
Exerccio F.4.7 Determine o ponto P , pertencente ao eixo das abscis-

sas, que esta alinhado com os pontos A(1, 2) e B(3, 1).
Exerccio F.4.8 Na figura abaixo, OAP e um triangulo equilatero de

lado 8 e ABCD e um quadrado de lado 8. Obtenha as equacoes das retas r,
s e t.
r
s
D t
C
P
O A
F.5 Paralelismo de duas retas

Proposicao F.5.1 Se duas retas r e s sao paralelas entre si, entao elas
possuem coeficientes angulares iguais, com excecao do caso em que ambas
sao verticais.
prova: De fato, se r k s, entao r = s .

(i). Se r = s 6= 90o , entao tan r = tan s mr = ms .
(ii). Se r = s = 90o , entao r e s sao ambas verticais.
Exemplo F.5.2 Obtenha a equacao da reta r que passa por P (2, 3) e

e paralela a reta s: 5x + 7y + 8 = 0.
Resolucao
(s): 5x + 7y + 8 = 0 y = 57 x 87 ms = 57 . Mas, r k s; logo:
mr = ms = 75 .
Como a reta r passa por P (2, 3), sua equacao e: y 3 = 57 (x + 2) ou
y = 57 x + 11
7 ou ainda 5x + 7y 11 = 0. X
Exerccio F.5.3 Em cada caso escreva a equacao da reta que passa pelo
ponto P e e paralela a reta (r) dada:
1. P (1, 2) e (r): 2x 5y + 7 = 0;
2. P (3, 5) e (r): y = 8x 1;
3. P (4, 5) e (r): y = 1;
x y
4. P (1, 8) e (r): 2 + 3 = 1;
5. P (7, 4) e (r): y 2 = 5(x + 3);
6. P (2, 3) e (r): x 3 = 0.
Exerccio F.5.4 Escreva a equacao da reta que passa por P e e paralela

a reta determinada pelos pontos A e B:
1. P (2, 3), A(1, 7) e B(4, 8);
2. P (3, 5), A(4, 7) e B(6, 3).

Exerccio F.5.5 Na figura, ABCD e um paralelogramo. Obtenha a

equacao da reta suporte do lado CD, sabendo que A(2, 4), B(1, 1) e C(5, 2).
C
B
Exerccio F.5.6 Determine o valor da constante k tal que as retas da-

das por x 3y + 2 = 0 e 5x + ky 1 = 0 sejam paralelas.
F.6 Interseccao de Duas Retas

O ponto de interseccao de duas retas pertence a ambas, isto e, deve sa-
tisfazer as equacoes dessas duas retas. Portanto, para obter o ponto comum
a duas retas concorrentes, basta resolver o sistema formado pelas equacoes
dessas duas retas.
Exemplo F.6.1 Obter o ponto de interseccao da reta (r): 5x+4y +2 =

0 com a reta (s): 3x 4y 18 = 0.
Solucao
Seja o sistema
5x + 4y + 2 = 0
3x 4y 18 = 0.
Somando-se as duas equacoes, segue que 8x 16 = 0.
Logo, x = 2 e y = 3. Portanto, o ponto de interseccao de r com s e
P (2, 3). X
Exerccio F.6.2 Determine o ponto de interseccao das retas r e s nos

seguintes casos:
1. (r): y = 2x + 7; (s): y = x + 3;
2. (r): 2x + 3y + 1 = 0; (s): x + 2y = 0;
3. (r): y = 3x 7; (s): y = 8;
4. (r): y = 3x + 6y + 1 = 0; (s): x + 2y 5 = 0.
Exerccio F.6.3 Quais os vertices do triangulo determinado pelas retas

(r): y = 5x 4, (s): y = 2x 1 e (t): x = 5?
Exerccio F.6.4 No paralelogramo ABCD, os lados AB e AD estao

contidos respectivamente nas retas (r): y = 73 x 23 e (s): y = 32 x + 7.
Dado C(7, 8), determine BD.
r D
s
2
Exerccio F.6.5 A parabola e a reta de equacoes y = x9 + 3x + 6 e
y = 34 x cortam-se em dois pontos A e B. Determine o comprimento do
segmento AB.
F.7 Perpendicularismo de duas Retas

Uma primeira situacao de perpendicularismo ocorre quando uma das
retas e horizontal e a outra vertical.
Excetuando-se este caso:
Se r e s sao perpendiculares, tem-se: r = 90o + s (confira!)

s + = 90o
De fato, . Logo, = s .
+ = 90o
Assim, tan r = tan(90 + s ). Donde,
sin(90 + s ) cos s 1
tan(r ) = = = .
cos(90 + s ) sin s tan s
Entao, mr = m1s .
Conclusao: Se duas retas r e s sao perpendiculares, tem-se: mr = m1s
ou entao uma das retas e horizontal e a outra, vertical.
Exemplo F.7.1 Obter a equacao da reta r que passa por P (3, 5) e e

perpendicular a reta s, dada por 4x 7y + 1 = 0.
Solucao
(s): 4x 7y + 1 = 0 y = 47 x + 17 . Entao ms = 74 . Mas r s, logo
mr = 74 . Como P r, segue que (r): y 5 = 47 (x 3). X
Exerccio F.7.2 Em cada caso escreva a equacao da reta que passa pelo
ponto P e e perpendicular a reta r dada:
1. P (2, 1) e (r): 2x y + 4 = 0;
2. P (8, 3) e (r): 5x + 2y 9 = 0;
3. P (4, 6) e (r): x 3 = 0.
F.7.1 Projecao (Ortogonal) de um Ponto sobre uma Reta

Considere, num plano, um ponto P e uma reta r. Chama-se projecao
(ortogonal) de P sobre r ao ponto de interseccao de r com a reta que lhe e
perpendicular, passando por P .
r
Q
Exerccio F.7.3 Obter a projecao do ponto P sobre a reta r nos se-

guintes casos:
1. P (3, 1) e (r): x + 2y 6 = 0;
2. P (2, 1) e (r): x + 3y 6 = 0.
Exerccio F.7.4 Dentre os pontos da reta 2x y 1 = 0, qual e aquele

cuja distancia ao ponto P (2, 8) e mnima?
Exerccio F.7.5 Para qual valor do coeficiente k as retas dadas por

3x + y 15 = 0 e 4x + ky + 1 = 0 sao perpendiculares entre si?
Exemplo F.7.6 O ponto P (6, 4) pertence a uma circunferencia de cen-

tro C(4, 3). Obtenha a equacao da reta t que passa por P (6, 4) e tangencia
esta circunferencia.
'$
P
&%
Resolucao
O raio da circunferencia CP e a reta t sao perpendiculares entre si. Como
mCP = xyPP x
yC
C
= 43 1 1
64 = 2 , tem-se mt = mCP = 2. A reta t passa por
P (6, 4) e mt = 2, logo a equacao e: y 4 = 2(x 6) ou y = 2x + 16.X
Exemplo F.7.7 Obtenha o ponto T , simetrico de P (4, 1), em relacao a

reta (r): x + 3y + 3 = 0. (Q e a projecao de P sobre r; T e o simetrico de
P em relacao a r (P Q = QT )).
T
r
Resolucao
Seja s a reta que passa por P e e perpendicular a r. Entao mr = 31 ,
donde ms = m1r = 3. A equacao de s e: y 1 = 3(x 4) ou y = 3x 11.
Obtemos {Q} = r s, resolvendo o sistema das equacoes r e s. Assim,
Q = (3, 2). Como Q e o ponto medio de T P , temos que xQ = xP +x 2
T
,
yP +yQ
donde xT = 2. Da mesma forma, yQ = 2 , donde yT = 5. Logo,
T (2, 5). X
F.8 Equacao Geral e Equacao Reduzida

Toda reta, mesmo que vertical, tem uma equacao que pode ser apresen-
tada na forma ax + by + c = 0, onde a, b, c sao constantes, com a e b nao
simultaneamente nulos.
Por exemplo, a reta (r): y = 23 x + 7 pode ser dada pela equacao
(r): 2x + 3y 7 = 0, e a reta (s): x = 5 pode ser apresentada na forma
(s): 1x + 0y 5 = 0.
F.8.1 Equacao Geral da Reta

Chamaremos equacao geral da reta a equacao da reta dada na forma:
ax + by + c = 0 (a e b nao simultaneamente nulos).
Toda reta nao vertical tem uma equacao que pode ser apresentada na
forma y = mx + n, onde m e n sao constantes chamadas, respectivamente,
de coeficiente angular e coeficiente linear.
F.8.2 Equacao Reduzida da Reta

Chamaremos de equacao reduzida da reta a equacao da reta dada na
forma: y = mx + n (m e o coeficiente angular; n e o coeficiente linear).
Exerccio F.8.1 Apresente a equacao da reta (r): 3x 2y + 5 = 0 na

sua forma reduzida.
Exemplo F.8.2 Qual e a distancia entre o ponto P (7, 11) e a reta

(r): 3x + 4y 15 = 0?
Resolucao
Seja (s) a reta que passa por P e e perpendicular a r. Entao mr = 43 ,
donde ms = m1r = 43 . A reta s passa por P (7, 11) e ms = 43 ; logo, sua
equacao e: y 11 = 43 (x 7) ou y = 43 x + 53 .
Obteremos o ponto Q, projecao de P sobre r, resolvendo o sistema:
3x + 4y 15 = 0
, donde Q(1, 3).
y = 34 x + 53
A distancia entre P e r e a distancia entre os pontos P e Q:
p
dP,r = d 2 2
pP,Q = (xp xQ ) + (yP yQ ) =
= (7 1)2 + (11 3)2 = 10.
Portanto, a distancia de P a reta r e 10u.c.. X
F.9 Distancia entre Ponto e Reta

Basta considerar um ponto generico P (xP , yP ) e uma reta de equacao
geral ax + by + c = 0 e proceder de maneira analoga a efetuada no exemplo
F.8.2.
Devido a sua longa e enfadonha prova, nao apresentaremos aqui o seu
desenvolvimento, limitando-nos a fornecer o resultado encontrado. O leitor
interessado podera desenvolver sozinho a prova do mesmo, em momentos de
extremo tedio. Vetorialmente, a prova e bem mais simples: pode-se utilizar
o produto escalar para provar facilmente esta questao.
A distancia entre P (xP , yP ) e (r): ax + by + c = 0 e dada por:
|axP +byP +c|

dP,r =
a2 +b2
.
Observacao F.9.1 A formula anterior utiliza-se da equacao geral da

reta r.
12 3
Exemplo F.9.2 Calcule a distancia entre P (2, 1) e (r): y = 5 x + 5.
Resolucao
Equacao geral: 12x 5y + 3 = 0.
|12 (2) + (5) 1 + 3| | 26|

dP,r = p = = 2. X
122 + (5)2 13
Exerccio F.9.3 Calcule a distancia entre o ponto P e a reta r, nos

seguintes casos:
1. P (1, 2) e (r): 12x 9y 4 = 0
2. P (5, 7) e (r): y = 2x + 3
3. P (3, 5) e (r): x y 1 = 0
4. P (2, 3) e (r): y = 2x + 1
5. P (5, 3) e (r): x 2 = 0.
Exerccio F.9.4 Dado o triangulo de vertices A(2, 3) e B(5, 1) e

C(4, 7), determine o comprimento da altura relativa ao lado AB.
Exerccio F.9.5 Qual e a area do triangulo ABC do exerccio F.9.4?
Exemplo F.9.6 Determine os pontos P do eixo das ordenadas tais que

a distancia de P a reta (r): 3x y + 12 = 0 seja igual a 2.
Resolucao
Seja P (0, yP ) o ponto procurado. Tem-se que:
dP,r 2
| 30yP +12|
=2
2
( 3) +(1) 2
|12y
2
P|
=2
12 yP = 4
De 12 yP = 4 decorre yP = 8; de 12 yP = 4 decorre yP = 16.

Portanto, ha dois pontos do eixo das ordenadas com dP,r = 2, quais
sejam: P1 (0, 8) e P2 (0, 16). X
Exerccio F.9.7 Determine os pontos da reta y = 2x tais que a

distancia de cada um deles a reta 12x 5y 3 = 0 seja igual a 3.
Exerccio F.9.8 Determine a distancia entre a reta y = x + 5 e a reta

y = x + 8.
Exemplo F.9.9 Determine o par de bissetrizes dos angulos formados

pelas retas (r): 3x + 4y 2 = 0 e (s): 4x + 3y + 12 = 0. (Qualquer ponto
das bissetrizes do angulo equidista de seus lados)
s
Resolucao
Os pontos P (x, y) do par de bissetrizes equidistam de r e s, isto e,
satisfazem dP,r = dP,s . Entao:
|3x + 4y 2| |4x + 3y + 12|

= ,
32 + 42 42 + 32
donde 3x + 4y 2 = (4x + 3y + 12).
De 3x + 4y 2 = 4x + 3y + 12 decorre que x y + 14 = 0; por outro
lado, de 3x + 4y 2 = (4x + 3y + 12) decorre que 7x + 7y + 10 = 0. Entao
os pontos das bissetrizes satisfazem a x y + 14 = 0 ou a 7x + 7y + 10 = 0,
que sao, portanto, as suas equacoes. X
Exerccio F.9.10 Na figura, ABCD e CDEF sao quadrados de lado

2; O e a origem do sistema de eixos e centro da circunferencia inscrita em
ABCD. Obtenha a medida da corda P Q.
Dica: usar o triangulo retangulo OM Q, com M ponto medio de P Q.
B C F
'$
G
Q
&%
P
E
A D
F.10 Respostas dos Principais Exerccios do

Captulo
F.3.2 5
F.3.3 m = 32 , n = 4
F.3.4 Subdividindo:

1. y = 3x + 5
2. y = x 2

3
3. y = 3 x +1
4. y = x 3

5. y = 3x

3
6. y = 3 x 3

3
F.3.5 y= 3 x +3
F.3.6 y = x + 2
F.3.7 y =x+2

F.3.8 y = 5 (rel. a OB); y = 3x 10 (rel. a OA)
F.3.9 a. y = 2; b. y = 3; c. y = 1; d. x = 0
F.3.10 1. 35 ; 2. 0; 3. 3; 4. nao se define
F.3.11 x = 3 (por A e C); y = x + 6 (por A e B)
F.3.13 a. 1; b. 43 ; c. 5; d. 0; e. nao se define
F.3.15 (r): y = x + 1; (s): y = 1; (t): y = x2 + 1

3
F.3.16 (r): y = 3 x + 4; (s): y = x + 4; (t): y = 2x + 4
F.4.5 E esta a pergunta!
F.4.6 a = 92 ;
F.4.7 P (7, 0);

F.4.8 (r): y = 3x + 8 3; (s): y = (2 3)x + (8 3 8);
(t): y = 23 3 x + 16 338
F.6.3 (1, 1), (5, 9) e (5, 21)

F.6.4 101
F.6.5 5
12
F.9.4 5
F.9.5 6
F.9.7 P1 (21, 42) e P2 (18, 36)

F.9.8 3 2/2

4 34
F.9.10 17
E
H T
C I GR
A N E
Bibliografia
[1] ANTON, H. & RORRES, C. Algebra linear com aplicacoes,

Porto Alegre, Bookman, 2001, ISBN 85-7307-847-2
[2] CARVALHO, J.P. de Introducao a algebra linear, Rio de Janeiro,

IMPA, 1972
[3] BLOCH, S.C. Excel para Engenheiros e Cientistas. Rio de Ja-

neiro, LTC, 225 p., 2004. ISBN 85-216-1395-4.
[4] BOLDRINI, J.B. Algebra linear, Sao Paulo, Editora Harper &
Row do Brasil Ltda., 3a edicao, 1986
[5] DERIVE software
[6] GRAPHMATICA software, Graphmatica for Windows c , K.

Hertzer, KSoft, Inc., 1998, e-mail: ksoft@pair.com
[7] HAETINGER, C.; HAETINGER, W.; DULLIUS, E.; MAR-

COLIN, D.; SCHMIDT, J.; OHSE, M. & KLEIN, N. The
use of an articulate mechanical arm type robot built from materials of
low cost as a supporting tool for teaching at the undergraduate level: the
resolution of the direct and inverse kinematic models in the bidimensi-
onal case, (to appear)
[8] HANSELMAN, D. & LITTLEFIELD, B. Matlab 6: curso

completo, Sao Paulo, Prentice Hall, 2003, ISBN 85-87918-56-7
[9] HOFFMAN, K. & KUNZE, R. Algebra linear, Sao Paulo,

Editora Polgono, 1971
[10] http://www.somatematica.com.br
[11] KLETENIK, D. Problemas de geometria analitica, Moscou, Edi-

tora MIR, 4a edicao, 1979
[12] LARSON, R.E.; HOSTETTER, R.P. & EDWARDS, B.H.

Calculo com Geometria Analtica, volume 2, Rio de Janeiro, LTC,
1998
[13] LIMA, E.L. Algebra linear, Rio de Janeiro, Instituto de Ma-

tematica Pura e Aplicada (IMPA), CNPq, Colecao Matematica Uni-
versitaria, 1995
283
[14] LIMA, E.L. Coordenadas no espaco, Rio de Janeiro, Instituto de

Matematica Pura e Aplicada (IMPA), CNPq, Colecao do Professor de
Matematica, 1993
[15] LIMA, E.L. Coordenadas no plano, Rio de Janeiro, Instituto de

Matematica Pura e Aplicada (IMPA), CNPq, Colecao do Professor de
Matematica, 1992
[16] LIMA, E.L. Geometria Analtica e Algebra Linear, Rio de Janeiro,

Instituto de Matematica Pura e Aplicada (IMPA), CNPq, Colecao Ma-
tematica Universitaria, 2001
[17] LIMA, E.L. Sobre o ensino de sistemas lineares, Sao Paulo, SBM,
Revista do Professor de Matematica (RPM) 23 (1993), pags. 8-18
[18] LIPSCHUTZ, S. Beginning linear algebra, New York, McGraw-

Hill, 1997, ISBN 0-07-038037-6
[19] LIPSCHUTZ, S. 3000 solved problems in linear algebra, New

York, McGraw-Hill, 1989, ISBN 0-07-038023-6
[20] MACULAN, N. & PEREIRA, M.V.F. Programacao linear,

Sao Paulo, Editora Atlas, 1980
[21] MAPLE software

c , versao 1.2, W.B.
[22] MATCALC software, Matrix calculator
Lewer, 1991
c , versao 2000,
[23] MATHCAD software, Mathcad for Windows
Math Soft., Inc.
[24] MATHEMATICA software
[25] MATLAB software
[26] PERIN, C. Introducao a Programacao Linear, Campinas, UNI-

CAMP, Colecao IMECC, Textos Didaticos 2, 2001, 177 p.
[27] POOLE, D. Algebra Linear, Sao Paulo, Thomson, 2004.
[28] PROJETO GAUSS software
[29] RUGGIERO, M.A.G. & LOPES, V.L. da R. Calculo

numerico: aspectos teoricos e computacionais, Sao Paulo, Makron Bo-
oks, segunda edicao, 1998, ISBN 85-346-0204-2
[30] REIS, G.L. dos & SILVA, V.V. da Geometria Analtica, Rio
de Janeiro, LTC, 1996.
[31] SANCHEZ, J.; CHRISTEN, J.A. & VALERA, B. Corre-

lacion de pares de imagenes para medicion de solidos por fenomenos es-
tereo, Mexico, Aportaciones Matematicas, Comunicaciones 23 (1999),
59-68
[32] SMILE software
[33] STEINBRUCH, A. Algebra linear, Sao Paulo, Makron Books
[34] STEINBRUCH, A. & WINTERLE, P. Geometria analtica
[35] STEINBRUCH,A. & WINTERLE, P. Introducao a algebra

linear, Sao Paulo, Makron Books, 1990, ISBN 0-07-460944-0
[36] STRANG, G. Linear algebra and its applications, New York,

Academic Press Incorporation Ltda., 1970
[37] WINMAT software, Peanut c software, R. Parris, 1992,

ftp.exeter.edu, e-mail: rparris@exeter.edu,
http://www.exeter.edu/ rparris/
[38] YUSTER, T. The reduced row Echelon form of a matrix is unique:

a simple proof , Mathematics Magazine, 57 (2), 1984, pp. 93-94
E
H T
C I GR
A N E
Bibliografia
303

Apostila PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVATES - Centro Universitario

Curso de Engenharia de Automacao e Controle

Lajeado, 24 de Julho de 2006

4 Curvas Planas, Equacoes Parametricas e Coordenadas Po-

6.4.3 Algoritmo que Reduz uma Matriz a Forma Escalonada

7 Determinante e Matriz Inversa 104

8 Introducao as Transformacoes Lineares 118

9 Espacos Vetoriais 131

10 Aprofundamento Sobre Transformacoes Lineares 156

11 Desigualdades Lineares 174

12 Variedades Lineares, Conjuntos Convexos e Programacao

13 Curvas Conicas 201

13.3.1 Equacao Reduzida da Hiperbole com Centro na Ori-

A Artigos para Aprofundamento 217

B Autovalores e Vetores Proprios, Diagonalizacao de Opera-

C Produto Escalar 235

D Processos Aleatorios: Cadeias de Markov 239

F Topicos sobre Retas e suas Equacoes 255

I niciamos este polgrafo apresentando alguns exemplos de algumas

Exemplo 1.0.1 (Jogos de estrategia)

Exemplo 1.0.2 (Administracao de florestas)

Exemplo 1.0.3 (Computacao grafica) Uma das aplicacoes mais

Exemplo 1.0.4 (Redes eletricas)

Exemplo 1.0.5 (Distribuicao de temperatura de equilbrio)

Exemplo 1.0.6 (Cadeias de Markov)

Exemplo 1.0.7 (Genetica)

Exemplo 1.0.8 (Crescimento populacional por faixa etaria)

Exemplo 1.0.9 (Colheita de populacoes animais)

Exemplo 1.0.10 (Criptografia)

Exemplo 1.0.11 (Construcao de curvas e superfcies por pontos

Exemplo 1.0.12 (Programacao linear geometrica)

Exemplo 1.0.13 (O problema da alocacao de tarefas)

Exemplo 1.0.14 (Modelos economicos de Leontief )

Exemplo 1.0.15 (Interpolacao spline cubica)

Exemplo 1.0.16 (Teoria de grafos)

Exemplo 1.0.17 (Tomografia computadorizada)

Os metodos da Algebra Linear podem ser usados para reconstruir imagens

Exemplo 1.0.18 (Conjuntos fractais)

Exemplo 1.0.19 (Teoria do Caos)

Exemplo 1.0.20 (Um modelo de mnimos quadrados para a

Exemplo 1.0.21 (Deformacoes e morfismos)

R efere-se ao Captulo 2 de [30], paginas 16 a 39.

R efere-se ao Captulo 4 de [30], paginas 90 a 103.

Curvas Planas, Equacoes

R efere-se ao Captulo 12 de Larson, R.E.; Hostetter, R.P. e Edwards,

N este captulo, apresentamos os conceitos basicos sobre matrizes, os

Fabrica A Fabrica B Fabrica C Fabrica D

Tabela 5.1: Producao da industria por fabrica

Quantas unidades do produto 2 foram fabricadas pela fabrica C?

Exemplo 5.2.2 Ao recolhermos os dados referentes a altura, peso e

Altura (m) Peso (kg) Idade (anos)

Tabela 5.2: Altura, peso e idade por pessoa

Ao abstrairmos os significados das linhas e das colunas, temos a matriz:

Quando o numero de variaveis e de observacoes e muito grande, esta dis-

Definicao 5.2.3 Sejam 1 m, n N; chama-se matriz m n (leia-se:

Notacao: Seja Amn e sejam i, j N tais que: 1 i m e 1 j n;

Observacao 5.2.4 Os elementos de uma matriz podem ser numeros re-

Definicao 5.2.5 Sejam as matrizes A = (aij ), com 1 i m e

e IGUAL a B, e indicamos com A = B, se aij = bij para 1 i m e

Exemplo 5.2.7 Representar explicitamente a matriz A = (aij ), com

Exerccio 5.2.8 Representar explicitamente a matriz quadrada de or-

Exemplo 5.2.9 Representar explicitamente a matriz A = (aij ), com

O enunciado permite escrever: