Geometria Analítica e Álgebra Linear - Ipemig

GEOMETRIA ANALÍTICA E
ÁLGEBRA LINEAR
BELO HORIZONTE / MG
GEOMETRIA ANALÍTICA E ÁLGEBRA LINEAR
SUMÁRIO
1 SISTEMA LINEAR ...................................................................................... 6
1.1 Equação linear ..................................................................................... 6

1.2 Sistema linear ....................................................................................... 6
1.2.1 CLASSIFICAÇÃO DE SISTEMAS LINEARES ............................... 6

1.2.2 MATRIZ ASSOCIADA A UM SISTEMA LINEAR ............................ 7
2 ESPAÇOS VETORIAIS............................................................................... 7
2.1 Propriedades ...................................................................................... 13
2.1.1 PROPOSIÇÃO 1 .......................................................................... 13
3 SUBESPAÇOS VETORIAIS ..................................................................... 14
3.1 Interseção e Soma de Subespaços .................................................... 16
3.1.1 PROPOSIÇÃO 2 .......................................................................... 16

3.1.2 PROPOSIÇÃO 3 .......................................................................... 16
3.1.3 PROPOSIÇÃO 4 .......................................................................... 17
3.1.4 PROPOSIÇÃO 5 .......................................................................... 17
Observação 5: É obvio que ..................................................................... 19
3.1.5 Proposição 6: ............................................................................... 19
4 BASE DE UM ESPAÇO VETORIAL ......................................................... 20
4.1 DEFINIÇÃO 1 ..................................................................................... 20
4.1.1 Teorema 1 .................................................................................... 21

4.1.2 Teorema 2 .................................................................................... 22
4.1.3 Teorema 3 .................................................................................... 23
4.1.4 Teorema 4 .................................................................................... 23
4.1.5 Teorema 5 .................................................................................... 24
4.2 DEFINIÇÃO 2 ..................................................................................... 24
4.2.1 PROPOSIÇÃO 1 .......................................................................... 25

4.2.2 Teorema de Baire 1 ...................................................................... 25
5 TRANSFORMAÇÕES LINEARES ............................................................ 25
5.1 Introdução .......................................................................................... 25
5.1.1 DEFINIÇÃO 1 ............................................................................... 26

2
5.1.2 PROPOSIÇÃO 1 .......................................................................... 28
5.2 O Espaço Vetorial ........................................................ 28
5.2.1 PROPOSIÇÃO 2 .......................................................................... 29
5.3 Teorema 1 .......................................................................................... 29
5.3.2 PROPOSIÇÃO 3 .......................................................................... 32

5.3.3 PROPOSIÇÃO 4 .......................................................................... 32
5.3.4 PROPOSIÇÃO 5 .......................................................................... 32
5.3.5 PROPOSIÇÃO 6 .......................................................................... 33
5.3.6 PROPOSIÇÃO 7 .......................................................................... 33
5.3.7 PROPOSIÇÃO 8 .......................................................................... 34
5.3.8 PROPOSIÇÃO 9 .......................................................................... 34
5.3.9 PROPOSIÇÃO 10 ........................................................................ 34
6 MATRIZES ................................................................................................ 35
6.1 Tipos de matrizes ............................................................................... 36
6.1.1 MATRIZ COLUNA ........................................................................ 36

6.1.2 MATRIZ LINHA ............................................................................ 37
6.1.3 MATRIZ NULA – 0 ....................................................................... 37
6.1.4 MATRIZ QUADRADA ................................................................... 37
6.1.5 MATRIZ DIAGONAL..................................................................... 38
6.1.6 MATRIZ IDENTIDADE - 𝐼 ............................................................. 38
6.1.7 MATRIZ TRANSPOSTA - 𝐴t , 𝐴′................................................... 38
6.1.8 MATRIZ SIMÉTRICA.................................................................... 38
6.1.9 MATRIZ ANTISSIMÉTRICA ......................................................... 39
6.1.10 MATRIZ TRIANGULAR .............................................................. 39
6.1.11 SUBMATRIZES .......................................................................... 39
6.2 Operações com matrizes.................................................................... 40
6.2.1 SOMA ........................................................................................... 40

6.2.2 MULTIPLICAÇÃO POR ESCALAR .............................................. 41
6.2.3 Multiplicação entre matrizes ......................................................... 41
7 MATRIZ DE UMA TRANSFORMAÇÃO LINEAR ...................................... 43

8 CONCEITOS PRIMITIVOS ....................................................................... 45
3
8.1 Postulados sobre pontos e retas ........................................................ 47

8.2 Postulados sobre o plano e o espaço................................................. 48
9 SEGMENTO DE RETA ............................................................................. 48
9.1 Postulado de Euclides ou das retas paralelas .................................... 49
9.1.1 Determinação de um plano .......................................................... 50
9.2 Perpendicularismo entre reta e plano ................................................. 52

9.3 Perpendicularismo entre planos ......................................................... 54
9.3.1 Projeção ortogonal ....................................................................... 54

9.3.2 Distâncias ..................................................................................... 55
10 PRODUTO VETORIAL, MISTO E ESCALAR ........................................ 56
10.1 Produto vetorial ............................................................................... 56

10.2 Produto misto .................................................................................. 59
10.3 Produto escalar ............................................................................... 62
10.4 Propriedades do produto escalar .................................................... 62
10.5 Ângulo entre dois vetores................................................................ 62
10.6 Vetores ortogonais .......................................................................... 63
11 COMBINAÇÕES LINEARES ................................................................. 63

12 DEPENDÊNCIA E INDEPENDÊNCIA LINEAR ..................................... 65
12.1 Linearmente Independentes............................................................ 65
13 BASES E DIMENSÃO ........................................................................... 67
13.1 Base ................................................................................................ 67

13.2 Dimensão ........................................................................................ 67
13.3 Base e Dimensão ............................................................................ 68
13.4 Processo Prático: Base ................................................................... 68
13.5 Teorema da Dimensão .................................................................... 69
14 CÓNICAS .............................................................................................. 69
14.1 Elipse .............................................................................................. 70

14.2 Parábola .......................................................................................... 71
14.3 Hipérbole ......................................................................................... 72
15 REFERENCIA BIBLIOGRAFIA BÁSICA................................................ 74
4
16 REFERENCIA BIBLIOGRAFIA COMPLEMENTAR............................... 74
5
1 SISTEMA LINEAR
Sistemas lineares é um conjunto de equações lineares, com m

equações e n incógnitas. A solução de um sistema linear é a solução de
todas as equações lineares. Existem muitas maneiras de resolver um
sistema de equações lineares ou sistemas lineares, como quiser chama-
los.
1.1 Equação linear
Antes disso, porém, vamos entender o que é uma equação linear

para depois estudarmos e entendermos sistemas lineares.
Uma equação linear é qualquer equação da forma: a1x1 + a 2x 2 +

a3x3 + … + anxn = b onde a1, a2, a3, …, an são números reais e b
é um termo independente. Caso b = 0, a equação é chamada de linear
homogênea.
1.2 Sistema linear
Um sistema linear tem a seguinte forma:
Cuja solução pertence aos números reais e o conjunto solução do

sistema é solução de todas as equações lineares do sistema.
1.2.1 CLASSIFICAÇÃO DE SISTEMAS LINEARES
Os sistemas lineares são classificados de acordo com o número

de soluções apresentados pelos mesmos. Assim, os sistemas lineares
podem ser classificados como:
SPD – Sistema Possível e Determinado – possui uma única
solução.
6
SPI – Sistema Possível e Indeterminado – possui infinitas

soluções.
SI – Sistema Impossível – não possui solução.
1.2.2 MATRIZ ASSOCIADA A UM SISTEMA LINEAR
Podemos associar a um sistema linear algumas matrizes, onde os

seus coeficientes ocuparão linhas e colunas da matriz.
Seja o sistema:
Matriz incompleta: formada apenas pelos coeficientes do sistema.
Matriz completa: formada pelos coeficientes do sistema, mas os

temos independentes.
EQUAÇÃO MATRICIAL DOS SISTEMAS LINEARES
A partir dessa equação matricial pode se resolver o sistema1.
2 ESPAÇOS VETORIAIS
Neste capítulo introduziremos o conceito de espaço vetorial que ser

usado em todo o decorrer do curso.
Porém, antes de apresentarmos a definição de espaço vetorial, passemos a
analisar em paralelo dois objetos: o conjunto formado pelas funções f: ℝ → ℝ,
1 Texto extraído de: www.matematicabasica.net.com

7
denotado por Ϝ(ℝ; ℝ) e o conjunto das matrizes quadradas de ordem 𝓃 com

coeficientes reais que denotaremos por ℳn(ℝ), ou simplesmente, por ℳn.
A soma de duas funções 𝑓 𝑒 𝑔 de Ϝ(ℝ; ℝ) é definida como sendo a função 𝑓 +
𝑔 ∈ Ϝ(ℝ; ℝ) dada por (𝑓 + 𝑔) (𝑥) + 𝑔(𝑥).
Note também que se λ ∈ ℝ podemos multiplicar a função 𝑓 pelo escalar λ, da
seguinte forma (𝜆𝑓)(𝑥) = 𝜆(𝑓(𝑥)), resultando num elemento de Ϝ(ℝ).
Com relação a ℳn podemos somar duas matrizes quadradas de ordem 𝓃, 𝐴
=(𝑎ij)n×n e 𝐵 =(𝑏ij)n×n, colocando 𝐴 + 𝐵 =(𝑎ij + 𝑏ij)n×n, que é um elemento de

ℳn.
Com a relação à multiplicação de 𝐴 =(𝑎ij)n×n por um escalar 𝜆 ∈ ℝ, é natural
e definimos 𝜆𝐴 = (𝜆𝑎ij)n×n , o qual também pertence a ℳn.

O que estes dois conjuntos acima, com estas estruturas de adição de seus
elementos e multiplicação de seus elementos por escalares, têm comum? Vejamos:
8
Podemos ver que tanto os conjuntos das funções definidas na reta a valores
reais como o das matrizes quadradas quando munidos de somas e multiplicação por
escalares adequadas apresentam propriedades algébricas comuns. Na verdade,
muitos outros conjuntos munidos de operações apropriadas apresentam propriedades
semelhantes às acima.
É por isso que ao invés de estudarmos cada um separadamente estudaremos
um conjunto arbitrário e não vazio, 𝑽; sobre o qual supomos estar definidas uma
operação de adição, isto é, para cada 𝒖; 𝒗 ∈ 𝑽 existe um único elemento de 𝑽

associado, chamado a soma entre 𝑢 e 𝑣 e denotado por 𝑢 + 𝑣; e uma multiplicação
por escalar, isto é, para cada 𝒖 ∈ 𝑽 e 𝝀 ∈ ℝ existe um único elemento de 𝑽 associado,
chamado de produto de 𝒖 pelo escalar 𝝀 e denotado por 𝝀𝒖:
Um conjunto 𝑽 como acima munido de uma adição e de uma multiplicação por
escalar é e um espaço vetorial se para quaisquer 𝒖, 𝒗 𝑒 𝒘 𝑒𝑚 𝑽 e para todo 𝝀, 𝒖 ∈
ℝ são validas as seguintes propriedades:
9
É comum chamarmos os elementos de um espaço vetorial de vetores,

independentemente da natureza dos mesmos. Também chamamos de escalares os
números reais quando estes desempenham o seu papel na ação de multiplicar um
vetor. O elemento 0 na propriedade ev3 é único, pois qualquer outro 𝟎′ ∈ 𝑽
satisfazendo a mesma propriedade ev3 então, pelas propriedades ev3 e ev1 teríamos
𝟎′ = 𝟎 + 𝟎′ = 𝟎′ + 𝟎 = 𝟎, isto é, 𝟎 = 𝟎′.
Em um espaço vetorial, pela propriedade ev4, para cada 𝒖 ∈ 𝑽 existe 𝒗 ∈ 𝑽 tal
que 𝒖 + 𝒗 = 𝟎. Na verdade, para cada 𝒖 ∈ 𝑽 existe somente um elemento 𝒗 ∈ 𝑽 com
essa propriedade. De fato, dado 𝒖 ∈ 𝑽 se 𝒗 𝒆 𝒗′ em 𝑽 são tais que 𝒖 + 𝒗 = 𝟎 e 𝑢 + 𝑣′
= 0 então, combinando estas equações com as propriedades ev1,ev2 e ev3, obtemos
𝒗 = 𝒗 + 𝟎 = 𝒗 + (𝒖 + 𝒗′) = (𝒗 + 𝒖) + 𝒗′ = (𝒖 + 𝒗) + 𝒗′ = 𝒗′ , isto é 𝒗 = 𝒗′. Denotaremos
𝒗 por −𝒖 e 𝒖 − 𝒗 por 𝒖 + (−𝒗).
As quatro primeiras propriedades referem-se apenas à operação de adição e
são conhecidas, respectivamente, por propriedade comutativa, propriedade
associatividade, existência do elemento neutro e existência do elemento inverso. A
quinta e a oitava propriedades são exclusivas da multiplicação por escalar e também
podem ser chamadas de associatividade e elemento neutro da multiplicação,
respectivamente. A sexta e a sétima propriedades relacionam as duas operações e
são ambas conhecidas por distributividade.
A rigor, a definição de espaço vetorial que demos acima se refere a espaços
vetoriais reais visto que estamos permitindo que os escalares sejam apenas números
10
reais. A noção de espaço vetorial complexo pode ser feita naturalmente a partir da
definição acima com as devidas mudanças. Mais precisamente, pedimos que seja
satisfeitas as propriedades ev1 a ev4 e ev8 enquanto que as propriedades ev5 a ev7
devem valer para todo λ, µ ∈ ℂ. No entanto, embora importante, não usaremos o
conceito de espaço vetorial complexo.
Talvez o exemplo mais simples de espaço vetorial seja o conjunto dos números
reais com a adição e multiplicação usuais. Mais geralmente, para cada 𝒏 ∈ ℕ,
podemos transformar o conjunto das 𝑛-uplas ordenadas de números reais, ℝn , em
um espaço vetorial definindo a adição de duas 𝑛 -uplas ordenadas,
𝒙 = (𝒙1,...,𝒙n) e 𝒚 = (𝒚1, … , 𝒚n), adicionando-se coordenada a coordenada,

isto é,
𝒙 + 𝒚 = (𝒙1 +𝒚1,...,𝒙n + 𝒚n) e produto de uma 𝒏-upla 𝒙 =
(𝒙1 ,..., 𝒙n) por um escalar 𝝀 ∈ ℝ por
𝝀𝒙 = (𝝀𝒙1,..., 𝝀𝒙n ).
E uma rotina bem simples verificar que desse modo ℝn é um espaço vetorial.
Deixamos como exercício esta tarefa.
Verifique também que os seguintes exemplos são espaços vetoriais.
1° Exemplo: Sejam 𝒏 ∈ ℕ 𝐞 𝐕 = 𝓟n(ℝ) o conjunto formado pelo polinômio nulo
e por todos os polinômios de grau menor ou igual a 𝒏 com coeficientes reais.

Definimos a adição e a multiplicação por escalar da seguinte maneira:
2° Exemplo: Sejam 𝑨⊂ ℝ e 𝔉(𝑨; ℝ) o conjunto de todas as funções 𝒇: 𝑨 → ℝ .
Se 𝒇, 𝒈 ∈ 𝕱(𝑨;ℝ) e 𝝀 ∈ ℝ defina 𝒇 + 𝒈: 𝑨 → ℝ por (𝒇 + 𝒈)(𝒙) =
11
𝒇(𝒙) + 𝒈(𝒙) e (𝝀𝒇)(𝒙) = 𝝀𝒇(𝒙), 𝒙 ∈ 𝑨. Então, 𝕱(𝑨;ℝ) com esta adição e produto
por escalar é um espaço vetorial.

3° Exemplo: O conjunto das funções contínuas definidas num intervalo 𝐈 ⊂ ℝ
munido das operações de adição e multiplicação usuais (como aquelas definidas em
𝕱(𝑰;ℝ)). Notação: 𝐂(𝑰;ℝ).

4° Exemplo: O conjunto das funções com derivadas contínuas até ordem 𝐊 ∈
ℕ, (𝐊 é fixo) definidas num intervalo aberto 𝐈 ⊂ ℝ munido das operações de adição

e multiplicação usuais (como aquelas definidas em 𝕱(𝑰;ℝ)). Notação: CK(𝑰; ℝ).
5° Exemplo: O conjunto das funções com todas as derivadas contínuas
definidas num intervalo aberto 𝐈 ⊂ ℝ munido das operações de adição e

∞
multiplicação usuais (como aquelas definidas em 𝕱(𝑰;ℝ)). Notação: C (𝑰; ℝ).
6° Exemplo: O conjunto das matrizes 𝑚 por 𝑛com coeficientes reais: 𝑴m×n(ℝ)
munido de operações análogas àquelas definidas em 𝑴n(ℝ).

Os espaços vetoriais acima envolvem operações com as quais você já deve
estar familiarizado. O próximo exemplo é um pouco mais sofisticado do que os
anteriores e por isso mostraremos as oito propriedades. Como conjunto tomaremos 𝑽
= 𝟎 ∞ , o semieixo positivo da reta real. Este conjunto quando munido às operações

usuais de soma e multiplicação não é um espaço vetorial, visto que não possui
elemento neutro para a adição. No entanto, se para 𝒙, 𝒚 ∈ 𝑽 𝐞 𝝀 ∈ ℝ, definirmos a
soma entre 𝒙 e 𝒚 por 𝒙 ⊞ 𝒚 = 𝒙𝒚, (o produto usual entre 𝒙 e 𝒚) e o produto de 𝒙
pelo escalar λ como λ𝒙 = 𝒙𝛌, então 𝑽 se torna um espaço vetorial. De fato,

verifiquemos uma a uma as oito propriedades.
12
2.1 Propriedades
Das oito propriedades que definem um espaço vetorial podemos concluir várias
outras. Listaremos algumas destas propriedades na seguinte
2.1.1 PROPOSIÇÃO 1
Seja um espaço vetorial. Temos
13
Prova:
3 SUBESPAÇOS VETORIAIS
Muitas vezes nos depararemos com certos subconjuntos de um espaço vetorial

que possuem a propriedade de que a soma de dois de seus elementos é um elemento
do próprio subconjunto bem como quando multiplicamos um elemento do subconjunto
por um escalar, o resultado continua pertencendo ao subconjunto.
14
Seja 𝑉 um espaço vetorial. Dizemos que 𝑊 ⊂ 𝑉 é um subespaço vetorial de 𝑉

se forem satisfeitas as seguintes condições:
Observação 1: Note que todo subespaço vetorial 𝑊 de um espaço vetorial 𝑉

é ele próprio um espaço vetorial. As propriedades comutativa, associativa,
distributivas e ev8 são herdadas do próprio espaço vetorial 𝑉 . O elemento neutro da
adição é um elemento de 𝑊 por sv1. Finalmente, se 𝑢 ∈ 𝑊 então −𝑢 = (−1)𝑢 ∈ 𝑊

pelo item 4 da proposição 1 e por sv3.
Observação 2: Obviamente {0} e 𝑉 são subespaços vetoriais do espaço
vetorial V. São chamados de subespaços vetoriais triviais.
Observação 3: Note que 𝑊 é subespaço vetorial de 𝑉 se e somente se são
válidas as seguintes condições:
Vejamos um exemplo:
Exemplo 1:
Exemplo 2:
15
3.1 Interseção e Soma de Subespaços
(Interseção de subespaços) Sejam 𝑈 e 𝑊 subespa- cos vetoriais de 𝑉. Então
𝑈 ∩ 𝑊 é subespaço vetorial de 𝑉.
Prova:
Questão: Com a notação da proposição acima, podemos armar que

𝑈 ∪ 𝑊 é subespaço vetorial de 𝑉?
Resposta: Não. Basta considerar 𝑉 = ℝ2, 𝑈 = {(𝑥, 𝑦) ∈ ℝ2 ;𝑥 + 𝑦
= 0} e 𝑊 = {(𝑥, 𝑦) ∈ ℝ2 ; 𝑥 − 𝑦 = 0}. Note que (1, −1) ∈ 𝑈 ⊂ 𝑈 ∪ 𝑊

e (1, 1) ∈ 𝑊 ⊂ 𝑈 ∪ 𝑊 mas (1, −1) + (1, 1) = (2, 0) ∉ 𝑈 ∪ 𝑊 .
Se 𝑈 e 𝑊 são subespaços vetoriais de um espaço vetorial 𝑉 e 𝑉′ é
um subespaço de 𝑉 que contenha 𝑈 e 𝑊 , isto é, 𝑈 ∪ 𝑊 ⊂ 𝑉′ então 𝑉′
terá que conter todos os vetores da forma 𝑢 + 𝑤, 𝑢 ∈ 𝑈 e 𝑤 ∈ 𝑊. Isto

motiva a seguinte Definição: Sejam e subespaços vetoriais de um
espaço vetorial .
Definimos a soma de e como
(Soma de subespaços) sejam , e como na definição acima. Então +

é um subespaço vetorial de . Além do mais, .
Prova:
Verifiquemos que é subespaço vetorial de .
16
Ainda usando a notação acima, suponha que seja um subespaço de que

contenha e . Neste caso, para todo e todo temos
, ou seja, + .
Esta observação nos permite registrar a seguinte
Sejam um espaço vetorial e e subespaços vetoriais de . Então +

é o menor subespaço vetorial de que contém . Em outras palavras, se
é um subespaço vetorial de que contém então
.
Definição: Sejam e subespaços vetoriais de um espaço vetorial .
Dizemos que é a soma direta de e se . Neste caso
usaremos a notação para representar .
Observação 4: Note que trivialmente se e são
subespaços vetoriais.
(Soma direta de subespaços vetoriais) Sejam 𝑈 e 𝑊 subespaços vetoriais de
um espaço vetorial 𝑉. Temos 𝑉 = 𝑈 ⨁ 𝑊 se e somente se para cada 𝑣 ∈ 𝑉 existirem
um único 𝑢 ∈ 𝑈 e um único 𝑤 ∈ 𝑊 satisfazendo 𝑣 = 𝑢 + 𝑤.
17
Exemplo 1: Verifique que ℝ3 é a soma direta de 𝑈 = {𝑥, 𝑦, 𝑧) ∈ ℝ3;𝑥 + 𝑦 + 𝑧 =

0} e 𝑊 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3; 𝑥 = 𝑦 = 0}.
Resta agora mostra que 𝑈 ∩ 𝑊 = {0}. Seja (𝑥, 𝑦, 𝑧) ∈ 𝑈 ∩ 𝑊. Temos

𝑥+𝑦+𝑧 =0
{ 𝑥=0 ≼===≫ (𝑥, 𝑦, 𝑧) = (0,0,0).
𝑦=0
18
Definição: Sejam 𝑼1, . . . ,𝑼n subespaços vetoriais de um espaço vetorial
𝑽. 𝑨 soma de 𝑼1 a 𝑼n é definida por
Definição: Sejam 𝑼1, . . . , 𝑼n subespaços vetoriais de um espaço vetorial 𝑽.
Dizemos que a soma de 𝑼1 a 𝑼n é uma soma direta se
em que o termo deve ser omitido da soma. Neste caso usaremos a notação
1 n para denotar a soma de 1 a n.
Observação 5: É obvio que
se 1, ..., n são subespaços vetoriais.
3.1.5 Proposição 6:
Sejam 1, ..., n subespaços vetoriais de um espaço vetorial

. Então 1 ··· n se e somente se para cada existe, para
cada
19
, um único j tal que 1+· · ·+ n.
Prova: A prova é análoga à da proposição 5.

Exemplo 2: Mostre que 2 é soma direta dos seguintes subespaços
vetoriais
1 = { 0; }, ={ ; }e ={ 2 ; }.
0 2 1 1 3 2 2
4 BASE DE UM ESPAÇO VETORIAL
Estamos interessados em encontrar, dentro de um espaço vetorial 𝑽 , um

subconjunto 𝐁 ⊂ 𝑽 , tal que qualquer vetor de 𝑽 seja uma combinação linear de
elementos de 𝐁. Em outras palavras, queremos determinar um conjunto de vetores
que gere 𝑽 e tal que todos elementos sejam realmente necessários para gerar 𝐕. Se
pudermos encontrar tais vetores, teremos os alicerces de nosso espaço, com estes
vetores fazendo o papel de 𝒊, 𝒋, 𝒌 na Geometria Analítica no Espaço. Denominares um
conjunto de vetores desse tipo de base, mais precisamente:
4.1 DEFINIÇÃO 1
Seja 𝐕 um espaço vetorial sobre um corpo 𝕂. Dizemos que um subconjunto 𝐁

de 𝐕 é uma base de 𝐕 se (𝑖)ℬ for um conjunto gerador de 𝑉 ; e (𝑖𝑖)ℬ for linearmente
independente.
20
Fonte: istockphoto.com
4.1.1 Teorema 1
Seja {0} 6= 𝑉 um espaço vetorial sobre 𝕂. Então 𝑉 possui pelo menos uma
base.
21
então β = 0, caso contrário teríamos
contradizendo o fato de 𝑤 ∉ [𝐵] . Portanto igualdade a torna-se
Consequentemente pois 𝐵 é I. 𝑖. E como consequência

temos que
, mas isto é um absurdo, visto que este fato contradiz a
maximalidade 𝐵.
Assim [𝐵] = 𝑉.
O teorema abaixo apresenta duas caracterizações de base.
4.1.2 Teorema 2
Sejam 𝑉 um espaço vetorial sobre 𝕂 e ℬ um subconjunto de 𝑉 . As seguintes

afirmações são equivalentes:
22
4.1.3 Teorema 3
Seja 𝑉 um espaço vetorial sobre 𝕂.
Demonstração. Para provar (𝑖), aplicamos o Lema de Zorn a família de

conjuntos
munida da ordem parcial de inclusão. Concluímos que 𝐹 tem um elemento
maximal 𝐵 . Se existir algum elemento 𝑢 ∈ 𝑇[𝐵], então 𝐵 ∪ {𝑢} é l.i. contradizendo a
maximalidade de 𝐵 . Logo, 𝑇 ⊂ [𝐵] e, consequentemente, [𝑇] ⊂ [𝐵]. Segue que 𝑉
= [𝐵], e, portanto, [𝐵] é base de 𝑉. Partes (𝑖𝑖) e (𝑖𝑖𝑖) seguem de (𝑖).
4.1.4 Teorema 4
Sejam 𝑉 um espaço vetorial sobre 𝕂 e 𝐵 e 𝐶 bases de 𝑉. Então, cada
elemento de 𝐵 pode ser substituído por algum elemento de 𝐶 de modo que o conjunto
resultante ainda é uma base de 𝑉.
23
completando a prova.
No teorema a seguir, utilizamos a noção de cardinalidade. Lembremos que dois
conjuntos 𝐴 e 𝐵 tem a mesma cardinalidade quando existe uma função 𝑓: 𝐴 → 𝐵
bijetora.
4.1.5 Teorema 5
Sejam 𝑉 um espaço vetorial sobre 𝕂 e 𝐵, 𝐶 bases de 𝑉. Então 𝐵 e 𝐶 tem a

mesma cardinalidade. O teorema 5 consolida a seguinte definição.
4.2 DEFINIÇÃO 2
Seja 𝑉 um espaço vetorial sobre 𝕂. A dimensão de 𝑉 sobre 𝕂, denotada por
dim 𝕂 𝑉 ou simplesmente por dim 𝑉, é a cardinalidade de qualquer base de 𝑉 sobre 𝕂.

Começamos nossa discussão sobre espaços vetoriais indagando sobre a
existência de um certo tipo de subconjunto 𝐵 de 𝑉 , que tivesse as seguintes
propriedades; 𝐵 linearmente independente e [𝐵] = 𝑉. Para este tipo de subconjunto
de 𝑉 demos o nome de base algébrica.

Agora estamos interessados em saber algo sobre a cardinalidade do conjunto
𝐵, mas particularmente quando 𝑑𝑖𝑚𝕂𝑉 = ∞, gostaríamos de saber se 𝐵 é
enumerável. O próximo resultado nos fornece um método que nos permite decidir se
alguns espaços vetoriais têm base enumerável. Mais precisamente:
24
A proposição 1 é consequência do:
4.2.2 Teorema de Baire 1
Seja ( 𝑀, 𝑑 ) um espaço métrico completo e (Fn)n∈N uma sequência de

subconjuntos fechados de
5 TRANSFORMAÇÕES LINEARES
5.1 Introdução
Até agora foi estudado os espaços vetoriais e seus subespaços, introduzimos

os conceitos como dependência e independência linear e, a partir disto, pudemos
descrevê-los de maneira mais simples usando para isto geradores e, mais
especificamente, bases. De certa forma já temos em mãos tudo o que precisamos
para trabalhar com espaços vetoriais.
Fonte: ifs.edu.br
É necessário estar familiarizado com o conceito de funções, principalmente

com aquelas que estão definidas em um subconjunto da reta e tomam seus valores
25
também no conjunto dos números reais. Nosso próximo passo é estudar funções que
têm como domínio um espaço vetorial e que tomam seus valores em um outro espaço
vetorial. Note que os valores tomados são, na verdade, vetores. No entanto, deve-se
restringir a apenas alguns tipos especiais dentre estas funções.
Pois o maior interesse é em funções que preservem as operações existentes
no espaço vetorial que atua como o seu domínio e aquelas do espaço vetorial que age
como contradomínio. Por exemplo, por preservar a adição de vetores entendemos que
ao tomar dois vetores no domínio da função o valor que esta deve ter para a soma
destes dois vetores é a soma dos valores que ela possui para cada um dos vetores.
De maneira semelhante a função deve preservar o produto por escalar. Funções com
estas propriedades são chamadas de transformações lineares. Mais precisamente,
temos.
5.1.1 DEFINIÇÃO 1
Sejam 𝑈 e 𝑉 espaços vetoriais. Dizemos que uma função 𝑇 ∶ 𝑈 → 𝑉 é uma

transformação linear se forem verificadas as seguintes condições:
Observação 1 : Note que 𝑇 ∶ 𝑈 → 𝑉 é uma transformação linear se e somente
se 𝑇(𝜆𝑢 + 𝜇𝑣) = 𝜆𝑇(𝑢) + 𝜇𝑇(𝑣), para todo 𝑢, 𝑣 ∈ 𝑈, 𝜆, 𝜇 ∈ ℝ.
Observação 2: Note que pela propriedade 2 temos
Ou seja, toda transformação linear de 𝑈 em 𝑉 leva o elemento neutro de 𝑈 no
elemento neutro de 𝑉. A seguir listamos alguns exemplos de transformações lineares

definidas em vários espaços vetoriais que já tratamos no decorrer do curso.
26
Os exemplos abaixo são de funções entre espaços vetoriais que não são
transformações lineares.
para toda função 𝑓 ∈ 𝐶([0, 1]; ℝ).
Se 𝑇 fosse linear deveria ter por 2, 𝑇(−𝑓) = −𝑇(𝑓) para toda função 𝑓 ∈
𝐶([0, 1]; ℝ). Para ver que isto não ocorre, basta tomar f como sendo a função
constante igual a 1. Temos neste caso que 𝑇(−1) = 1 = 𝑇(1).
27
Seja 𝑈 um espaço vetorial com base 𝑢1, . . . , 𝑢n. Toda transformação linear 𝑇
∶ 𝑈 → 𝑉 fica determinada por 𝑇(𝑢1), . . . , 𝑇(𝑢n), ou seja, conhecidos estes vetores,

conhece-se 𝑇(𝑢) para qualquer 𝑢 ∈ 𝑈.
Prova: Já que 𝑢1, . . . , 𝑢n formam uma base de 𝑈, dado 𝑢 ∈ 𝑈 existem α1, . .
. , 𝛼1 ∈ ℝ tais que 𝑢 = 𝛼1𝑢1 + · · · + 𝛼n𝑢n. Deste modo,
Verifica-se facilmente que a transformação 𝑇 definida como acima é linear e

satisfaz as condições pedidas.
5.2 O Espaço Vetorial
Sejam 𝑈 e 𝑉 espaços vetoriais. O conjunto de todas as
transformações lineares 𝑇 ∶ 𝑈 → 𝑉 é denotad o por (𝑈, 𝑉). Quando 𝑈

= 𝑉 usamos a notação (𝑈) ≐ (𝑈, 𝑈).
(𝑈, 𝑉) com as operações

É um simples exercício de verificação o fato de definidas acima ser um espaço
vetorial. Note que o elemento neutro da adição é a transformação nula, isto é,
definida por .
28
Registraremos isto na seguinte
com as operações acima é um espaço vetorial.
5.2.1.1 DEFINIÇÃO 1
Se é um espaço vetorial, definimos o espaço dual de como sendo

, isto é, é formado pelas transformações lineares .
Estas transformações lineares também são chamadas de funcionais lineares definidos
em .
5.3 Teorema 1
Se é um espaço vetorial de dimensão e é um espaço vetorial de

dimensão então tem dimensão .
Prova: Fixemos duas bases, uma formada por vetores 1, ..., n de e outra
formada por 1, ..., m, vetores de .
29
e como 𝑣1, . . . , 𝑣m são linearmente independentes, segue-se que 𝛼k1 = · · · =
𝛼km = 0. Portanto 𝑇11, . . . , 𝑇nm são linearmente independentes.

Seja 𝑇 ∈ (𝑈, 𝑉) . Se 𝑢 ∈ 𝑈 então 𝑢 = 𝑥1 𝑥1 + · · · + 𝑥n 𝑢n, para certos
números reais 𝑥1, . . . , 𝑥n. Como 𝑇 é linear
COROLÁRIO:
Se 𝑉 é um espaço de dimensão 𝑛 então o seu dual também tem dimensão 𝑛.
Pelo corolário, se 𝑈 tem dimensão 𝑛 então o seu dual, 𝑈′ , tem a mesma dimensão.
Seguindo os passos da demonstração do teorema 1, se 𝑢1, . . . , 𝑢n formam uma base
𝐵 de 𝑈 então os funcionais lineares 𝑓1, . . . , 𝑓n : 𝑈 → ℝ dados por 𝑓j(𝑢) = 𝑓j(𝑥1 𝑢1 +

· · · + 𝑥n 𝑥n) = 𝑥j , 𝑗 = 1, . . . , 𝑛, formam uma base de 𝑈′ . Esta base é chamada de
base dual da base 𝐵.
30
Sejam 𝑈, 𝑉 e 𝑊 espaços vetoriais. Se 𝑇 ∈ (𝑈, 𝑉) e 𝑆 ∈ (𝑉, 𝑊) definimos
a composta 𝑆 ∘ 𝑇: 𝑈 → 𝑊 por 𝑆 ∘ 𝑇(𝑢) = 𝑆(𝑇(𝑢)), 𝑢 ∈ 𝑈.
Exemplo: Considere 𝑇, 𝑆 ∈ (ℝ 2) dadas por 𝑇(𝑥, 𝑦) = (𝑥 + 𝑦, 0) e 𝑆(𝑥,
𝑦) = (𝑥, 2𝑦). Encontre 𝑇 ∘ 𝑆 e 𝑆 ∘ 𝑇.
Se 𝑇 ∈ (𝑈), definimos 𝑇1 = 𝑇 e 𝑇n = 𝑇 ∘ 𝑇n−1 para 𝑛 ≥ 2.
𝑇∈ (𝑈) é chamada de nilpotente se existir algum inteiro positivo 𝑛 tal que
𝑇n = 0, a transformação nula. Obviamente a transformação nula é um exemplo

de uma transformação nilpotente.
Exemplo:
Mostre que 𝑇 : ℝ2 → ℝ2 dada por 𝑇(𝑥, 𝑦) = (0, 𝑥)é um operador nilpotente.
31
Sejam 𝑇 ∈ (𝑈, 𝑉) e 𝑆 ∈ (𝑉, 𝑊). Então 𝑆 ∘ 𝑇 ∈ (𝑈, 𝑊).
Prova: Dados 𝑢,𝑣 ∈ 𝑈 e λ, µ ∈ ℝ temos
Sejam 𝑇 ∈ (𝑈, 𝑉) e 𝑆 ∈ (𝑉, 𝑊) e ℝ ∈ (𝑊, 𝑋), onde 𝑈, 𝑉, 𝑊 e 𝑋
são espaços vetoriais. Então (𝑅 ∘ 𝑆) ∘ 𝑇 = 𝑅 ∘ (𝑆 ∘ 𝑇).
Se 𝑆, 𝑇 ∈ (𝑈, 𝑉), 𝑅 ∈ (𝑉, 𝑊) então 𝑅 ∘ (𝑆 + 𝑇) = 𝑅 ∘ 𝑆 + 𝑅 ∘ 𝑇 .
32
Se 𝑇 ∈ (𝑈, 𝑉) e 𝐼V ∈ (𝑉) é a identidade em 𝑉 , isto é,
(𝑈) é a identidade em 𝑈, então 𝐼 V ◦ 𝑇 = 𝑇 e 𝑇 ◦ 𝐼 U = 𝑇.
𝐼(𝑣) = 𝑣, 𝑣 ∈ 𝑉, e 𝐼U ∈
Diremos que 𝑇 ∈ (𝑈, 𝑉) possui inversa se existir 𝑆 ∶ 𝑉→
𝑈 tal que 𝑆 ∘
𝑇(𝑢) = 𝑢 para todo 𝑢 ∈ 𝑈 e 𝑇 ∘ 𝑆(𝑣) = 𝑣 para todo 𝑣 ∈ 𝑉. Em
outras palavras, 𝑇 ∘ 𝑆 = 𝐼V e 𝑆 ∘ 𝑇 = 𝐼U, onde 𝐼U : 𝑈 → 𝑈 é a identidade
em 𝑈 e 𝐼V : 𝑉 → 𝑉 é a identidade em 𝑉.
Se 𝑇 ∈ (𝑈, 𝑉) possui uma inversa então está inversa é

única.
Uma transformação linear 𝑇: 𝑈 → 𝑉 é
33
Uma transformação linear 𝑇: 𝑈 → 𝑉 é injetora se e somente se 𝑇(𝑢) = 0:
implicar em 𝑢 = 0.
A fim de que 𝑇 ∈ (𝑈, 𝑉) possua inversa é necessário e suficiente que 𝑇

seja bijetora.
Se 𝑇 ∈ (𝑈, 𝑉) possui inversa 𝑇−1 : 𝑉 → 𝑈 então 𝑇−1 ∈ (𝑉, 𝑈).
34
6 MATRIZES
O estudo das matrizes possibilita o tratamento de dados de forma simplificada,

permitindo, dentre outras coisas, a fácil visualização da informação. A manipulação de
matrizes está presente em todas as áreas de conhecimento, seja nas áreas que lidam
com a Matemática diretamente como também em áreas de Humanas e Saúde, por
exemplo.
Uma matriz é um conjunto de dados dispostos em uma tabela onde cada dado
é referenciado por linhas e colunas. A arrumação dos dados dessa forma permite não
apenas sua organização, mas também possibilita novas maneiras de manipular esses
dados. As matrizes podem ser compostas de qualquer tipo de números (reais ou
complexos), de funções e até de submatrizes. Para identificar uma matriz, nós
precisamos conhecer algumas informações: representação, ordem e termo geral.
REPRESENTAÇÃO: A forma para representarmos uma matriz será utilizando
parênteses ou colchetes:
ORDEM: A ordem da matriz informa sobre o seu tamanho e faz menção à

quantidade de linhas e colunas que ela contém.
𝑚 𝑥 𝑛 → 𝑚 linhas e n colunas
Quando uma matriz apresenta o mesmo número de linhas e colunas diz que a
matriz tem ordem 𝑛 (𝑛 = número de linhas = número de colunas).
TERMO GERAL: Algumas matrizes possuem certa relação entre seus

elementos. Quando for possível escrever todos os elementos de uma matriz através
de uma regra, então a matriz possui um termo geral ( 𝑎ij), onde i indica a linha e 𝑗, a
coluna.
Exemplo:
Sabendo que a matriz 𝐵 tem ordem 2x3 e que seu termo geral é dado por
𝑏ij=𝑖+2𝑗, encontre 𝐵. Como o número de linhas é igual a 2, e o número de colunas
35
igual a 3, então sabemos que o índice 𝑖 varia de 1 até 2 e o índice 𝑗 de 1 até 3. Logo,
a matriz terá a forma:
6.1 Tipos de matrizes
Existem algumas matrizes que possuem características especiais e estas

podem facilitar alguns cálculos ou análises em determinadas situações. Vamos
conhecê-las.
6.1.1 MATRIZ COLUNA
Matriz formada por apenas uma coluna.
36
6.1.2 MATRIZ LINHA
Matriz formada por apenas uma linha.
6.1.3 MATRIZ NULA – 0
Matriz onde todos os seus elementos são zero, ou seja, seu termo geral é
sempre zero qualquer que seja 𝑖 𝑒 𝑗.
6.1.4 MATRIZ QUADRADA
Matriz onde a quantidade de linhas é igual à quantidade de colunas.
Considerando as matrizes quadradas, denominam-se como elementos da

diagonal principal os elementos que apresentam 𝑖 = 𝑗(𝑎11, 𝑎22, 𝑎33, ... 𝑎nn).
37
6.1.5 MATRIZ DIAGONAL
Matriz onde os elementos da diagonal principal são não nulos e os fora da

diagonal principal são nulos.
6.1.6 MATRIZ IDENTIDADE - 𝐼
Matriz onde os elementos da diagonal principal são iguais a 1 e os fora da

6.1.7 MATRIZ TRANSPOSTA - 𝐴t , 𝐴′
A matriz transposta é obtida a partir de qualquer matriz se trocando as linhas

pelas colunas.
6.1.8 MATRIZ SIMÉTRICA
Uma matriz é simétrica se ela for igual a sua transposta.
38
6.1.9 MATRIZ ANTISSIMÉTRICA
Uma matriz é antissimétrica se ela for igual a menos sua transposta.
6.1.10 MATRIZ TRIANGULAR
Superior: Uma matriz é triangular superior quando todos os elementos abaixo

da diagonal principal são nulos.
Inferior: Uma matriz é triangular inferior quando todos os elementos acima da

6.1.11 SUBMATRIZES
Uma matriz também pode ser composta por matrizes, quando isso ocorre
chamamos de submatrizes. Como exemplo, mostro uma matriz A composta por
submatrizes B, C, D e E.
Note que as submatrizes não podem ter qualquer dimensão, pois isso implicaria
em uma desordem. Se A tem dimensão 𝑚𝑥𝑛, então o número de linhas de B mais o
número de linhas de D deve ser igual a m e o número de colunas de B mais o número
de colunas de C deve ser igual a n. Além disso, o número de linhas de B deve ser
39
igual ao número de linhas de C, assim como as linhas de D e E, o mesmo para as

colunas de B, C, D e E. Um exemplo para as matrizes B, C, D e E poderia ser:
B3×3 , C3×2 , D2×3 e E2×2 , resultando em A5×5 .
6.2 Operações com matrizes
6.2.1 SOMA
Para que seja possível somar duas ou mais matrizes, é necessário que todas
as matrizes envolvidas tenham a mesma ordem, ordem esta que também será
compartilhada com a matriz resultante.
Supondo a soma de matrizes: Cm×n = Am×n + Bm×n O termo geral da matriz
resultante C é:
cij= aij+ bij Onde aij e bij são os termos das matrizes A e B.
Exemplo:
6.2.1.1 Propriedades da soma
Considerando as matrizes A, B C e 0:
A + B = B + A (Comutativa) A + ( B + C) = ( A + B ) + C (Associativa)
40
A + 0 = A (Elemento nulo) Obs.: essa propriedade também é válida para a

subtração.
6.2.2 MULTIPLICAÇÃO POR ESCALAR
Para multiplicar um escalar por uma matriz, basta multiplicar cada elemento
da matriz por esse escalar.
6.2.2.1 Propriedades da multiplicação por escalar
Considerando as matrizes 𝐴mxn, 𝐵mxn matrizes e 𝑘1 e 𝑘2 escalares:
𝑘1 ( 𝐴 + 𝐵 ) = 𝑘1 𝐴 + 𝑘1 𝐵
( 𝑘1 + 𝑘2 ) 𝐴 = 𝑘1 𝐴 + 𝑘2 𝐴
0.𝐴 = 0 (0 – escalar e 0 – matriz nula)
𝑘1 ( 𝑘2 𝐴 ) = ( 𝑘1 𝑘2 ) 𝐴
6.2.3 Multiplicação entre matrizes
Para que seja possível multiplicar duas matrizes, é necessário observar a

ordem das matrizes envolvidas. Sejam 𝐴mxn e 𝐵pxq, a multiplicação 𝐴. 𝐵 apenas será
possível se 𝑛 = 𝑝, já a multiplicação 𝐵. 𝐴 apenas será possível se 𝑞 = 𝑚.
Sendo 𝐶 = 𝐴: 𝐵 e os termos gerais de 𝐴 e 𝐵, respectivamente, 𝑎ij e 𝑏ij, o termo
geral de 𝐶 é dado por:
41
Onde 𝑝 é o número de colunas de 𝐴 que deve ser o mesmo número de linhas
de 𝐵.
Exemplo:
Conhecendo as matrizes 𝐻 e 𝐺, é possível a multiplicação 𝐻.𝐺? E 𝐺:𝐻?
Para multiplicarmos 𝐻.𝐺 é necessário que o número de colunas da primeira
matriz (𝐻) seja igual ao número de linhas da segunda matriz (𝐺). Nesse caso, 𝐻2x2 e
𝐺3x2, a multiplicação não pode ser feita, já que 𝐻 tem 2 colunas e 𝐺 tem 3 linhas. Para
analisar a multiplicação 𝐺. 𝐻 procederemos da mesma forma, o número de colunas
da primeira matriz (𝐺) é igual a 2 e o número de linhas da segunda matriz (𝐻) é igual
a 2, portanto a multiplicação 𝐺. 𝐻 pode ser feita:
6.2.3.1 Propriedades gerais
Considerando as matrizes 𝐴, 𝐵, 𝐶, a matriz nula 0, o escalar 𝐾, a matriz
identidade 𝐼 e que as operações sejam possíveis.
• 𝐴𝐼= 𝐼𝐴=𝐴
• 𝐴 ( 𝐵 + 𝐶 ) = 𝐴𝐵 + 𝐴𝐶
• ( 𝐴 + 𝐵 ) . 𝐶 = 𝐴𝐶 + 𝐴𝐵
• 𝐴 ( 𝐴𝐶) = ( 𝐴𝐵 ) 𝐶
42
𝐴0=0𝐴=0
• 𝐴 é simétrica se 𝐴 = 𝐴t
• ( 𝐴 + 𝐵 )t = 𝐴t + 𝐵t
• ( 𝐴t )t = 𝐴
• ( 𝐾 𝐴)t = 𝐾 𝐴t
• ( 𝐴 𝐵 )t = 𝐵t 𝐴2
7 MATRIZ DE UMA TRANSFORMAÇÃO LINEAR
Nesta seção, veremos que se 𝑉 e 𝑊 são espaços vetoriais de dimensão finita,
com bases fixadas, então uma transformação linear 𝑇 ∶ 𝑉 → 𝑊 pode ser representada
por uma matriz. A vantagem de uma tal representação é que muitos problemas
associados às transformações lineares entre espaços de dimensão finita podem ser
resolvidos com a teoria das matrizes, como veremos na próxima seção e nos capítulos
a seguir.
Seja 𝑇 ∶ 𝑉 → 𝑊 uma transformação linear, em que dim 𝑉 = 𝑛 e dim 𝑊 = 𝑛.
Sejam 𝛼 = {𝑣 1, 𝑣 2, . . . , 𝑣 n} e 𝛽 = {𝑤 1, 𝑤 2, . . . , 𝑤 m} bases de 𝑉 e 𝑊 ,
respectivamente. Como 𝛽 é uma base de 𝑊, podemos determinar de modo único
números reais 𝑎ij , com 1 ≤ 𝑖 ≤ 𝑛, 1 ≤ 𝑗 ≤ 𝑚, tais que
2 Texto extraído de: www.sedis.ufrn.br
43
Exemplo:
Sejam 𝛼 = {(1, 1),(0, 2)} e 𝛽 = {(1, 0, 1),(0, 1, 0),(1, 2, 0)}, bases de
ℝ2 e ℝ3 , respectivamente. Calculemos [𝑇] 𝛼 𝛽 , onde 𝑇 : ℝ2 → ℝ3 é dada

por 𝑇 (𝑥, 𝑦) = (2𝑥,
𝑥 − 𝑦, 2𝑦).
44
8 CONCEITOS PRIMITIVOS
A chamada Geometria Plana Elementar Euclidiana consiste num sistema

axiomático, que se fundamenta em alguns conceitos iniciais referentes a um conjunto
de objetos denominados figuras geométricas, e às relações entre eles.
45
As primeiras afirmações do sistema são aceitas sem demonstração: são

chamados axiomas ou postulados. O número de afirmações desse tipo deve ser o
menor possível.
A partir dos conceitos iniciais aceitos sem definições dos axiomas, são feitas
novas afirmações, que então, sim, devem ser demonstradas. As afirmações que
necessitam de prova são denominadas teoremas ou preposições. À medida que o
estudo do sistema vai sendo desenvolvido, são feitas novas definições e apresentados
novos axiomas, quando isso for estritamente necessário.
Consideramos conceitos primitivos (e, portanto, aceitos sem definição) na
Geometria Espacial os conceitos de ponto, reta e plano. No nosso dia-a-dia temos
uma ideia do que essas palavras significam e isso nos basta. Em nosso estudo de
Geometria vamos representar os pontos com letras latinas maiúsculas (A, B, C, ...),
retas com letras latinas minúsculas (r, s, t, ...) e planos com letras gregas minúsculas.
Quando estudamos Geometria fazemos desenhos representando as figuras e
as relações entre elas. Esses desenhos podem ser feitos à mão livre apenas para nos
ajudar a pensar em determinados problemas, mas eles podem ser feitos também com
régua e compasso, e o próprio desenho, feito com precisão, pode ser a solução do
problema que estamos resolvendo.
Habitualmente, usamos a seguinte notação:
Pontos: letras maiúsculas do nosso alfabeto
A
Retas: letras minúsculas do nosso alfabeto
Planos: letras minúsculas do alfabeto grego
Observação: Espaço é o conjunto de todos os pontos.
46
Por exemplo:
Em relação à figura abaixo, podemos escrever:
A
Axiomas
Axiomas, ou postulados (P), são proposições aceitas como verdadeiras sem

demonstração e que servem de base para o desenvolvimento de uma teoria. Temos
como axioma fundamental: existem infinitos pontos, retas e planos.
8.1 Postulados sobre pontos e retas
P1) A reta é infinita, ou seja, contém infinitos pontos.
P2) Por um ponto podem ser traçadas infinitas retas.
P3) Por dois pontos distintos passa uma única reta.
P4) Um ponto qualquer de uma reta divide-a em duas semi-retas.
47
8.2 Postulados sobre o plano e o espaço
P5) Por três pontos não-colineares passa um único plano.
P6) O plano é infinito, isto é, ilimitado.
P7) Por uma reta pode ser traçada uma infinidade de planos.
P8) Toda reta pertencente a um plano divide-o em duas regiões

chamadas semiplanos.
P9) Qualquer plano divide o espaço em duas regiões chamadas semi
espaços.
9 SEGMENTO DE RETA
Posições relativas de duas retas no espaço, duas retas distintas

podem ser concorrentes, paralelas ou reversas:
48
Temos que considerar dois casos particulares:
1º) Retas perpendiculares:
2º) Retas ortogonais:
9.1 Postulado de Euclides ou das retas paralelas
49
9.1.1 Determinação de um plano
Lembrando que, pelo postulado 5, que estudamos na aula passada, um único

plano passa por três pontos não-colineares, um plano também pode ser determinado
por:
Uma reta e um ponto não pertencente a essa reta:
Duas retas distintas concorrentes:
Duas retas paralelas distintas:
Posições relativas de reta e plano
Vamos considerar as seguintes

situações: a) reta contida no plano
Se uma reta r tem dois pontos distintos num plano α, então r está
contida nesse plano:
50
b) reta concorrente ou incidente ao plano

Dizemos que a reta r “fura” o plano α ou que r e α são concorrentes
em P quando r ∩ α = {P}:
Observação: A reta r é reversa a todas as retas do plano que não

passam pelo ponto P.
c) reta paralela ao plano

Se uma reta r e um plano α não tem um ponto em comum, então a
reta r é paralela a uma reta t contida no plano α, portanto, r // α r // t e t
α => r // α
Em α existem infinitas retas paralelas, reversas ou ortogonais a r.
P11) Se dois planos distintos têm um ponto em comum, então a sua

intersecção é dada por uma única reta que passa por esse ponto.
51
9.2 Perpendicularismo entre reta e plano
Uma reta r é perpendicular a um plano α se, e somente se, r é perpendicular a

todas as retas de α que passam pelo ponto de intersecção de r e α.
Note que:
Se uma reta r é perpendicular a um plano α, então ela é perpendicular ou
ortogonal a toda reta de α.
Para que uma reta r seja perpendicular a um plano α, basta ser perpendicular
a duas retas concorrentes, contidas em α:
52
Observe, na figura abaixo, por que não basta que r seja perpendicular a uma
única reta t de α para que seja perpendicular ao plano:
Posições relativas de dois planos
Consideramos as seguintes situações:
a) planos coincidentes ou iguais
b) planos concorrentes ou secantes

Dois planos, α e β, são concorrentes quando sua intersecção é uma
única reta:
c) planos paralelos
Dois planos, α e β, são paralelos quando sua intersecção é vazia:
53
9.3 Perpendicularismo entre planos
Dois planos, α e β, são perpendiculares se, e somente se, existe uma reta de
um deles que é perpendicular ao outro:
Observação: Existem infinitos planos perpendiculares a um plano dado; esses

planos podem ser paralelos entre si ou secantes.
9.3.1 Projeção ortogonal
A projeção ortogonal de um ponto P sobre um plano α é a intersecção do plano

com a reta perpendicular a ele, conduzida pelo ponto P:
54
A projeção ortogonal de uma figura geométrica F (qualquer conjunto de pontos)

sobre um plano α é o conjunto das projeções ortogonais de todos os pontos de F sobre
α:
9.3.2 Distâncias
A distância entre um ponto e um plano é a medida do segmento cujos extremos

são o ponto e sua projeção ortogonal sobre o plano:
A distância entre uma reta e um plano paralelo é a distância entre um ponto

qualquer da reta e o plano:
A distância entre dois planos paralelos é a distância entre um ponto qualquer

de um deles e o outro plano:
55
A distância entre duas retas reversas, r e s, é a distância entre um ponto

qualquer de uma delas e o plano que passa pela outra e é paralelo à primeira reta:
10 PRODUTO VETORIAL, MISTO E ESCALAR
10.1 Produto vetorial
A introdução do produto vetorial é motivada pelo fato de que, para a solução de

vários problemas em Geometria, é necessário encontrar um vetor ortogonal a dois
outros vetores não colineares u e v dados. Como achar, então, um terceiro vetor w
ortogonal a ambos? A resposta a essa pergunta, do ponto de vista geométrico, é bem
simples, pois basta tomar o plano determinado pelas duas retas que contêm os
vetores u e v, em seguida, considerar uma terceira reta perpendicular a esse plano.
Agora, basta escolher um vetor w sobre essa reta com a mesma origem de u e v. Veja
a ilustração na figura a seguir.
56
Do ponto de vista algébrico, a pergunta anterior é dada nos cálculos a seguir.

Você vai observar que os cálculos são extensos, mas são meras repetições de contas
simples, tais como multiplicar uma equação por um número e somar ou subtrair duas
equações membro a membro. Senão vejamos, para que w seja ortogonal a u e v,
(Produto escalar), devemos ter os produtos escalares de w por u e v nulos, ou
seja,
57
58
10.2 Produto misto
Para vetores v e w no espaço, sabemos que seu produto vetorial v u w ainda é

um vetor no espaço. Desse modo, dado um terceiro vetor u, também no espaço,
podese fazer o produto escalar de u por v u w, obtendo-se um número real. Esse
produto é dito o produto misto dos vetores u, v, e w, que é representado por 𝑢 ∙ (𝑣 ×
𝑤).
59
Mostraremos agora que o valor absoluto do produto misto, a saber|𝑢 ∙ (𝑣 × 𝑤)|,

tem uma interpretação geométrica bastante interessante. Esse valor absoluto
representa o volume do paralelepípedo determinado por 𝑢, 𝑣 e 𝑤, descrito na figura a
seguir.
60
Para confirmar esse fato, lembremos que o volume de um paralelepípedo é

dado multiplicando a área da base pela sua altura. No nosso caso, sabemos que a
área da base é a área do paralelogramo determinado por 𝑣 e 𝑤, a qual é ||𝑣 × 𝑤||,
como mostrado no parágrafo anterior.
Para determinação da altura ℎ desse paralelepípedo, chamamos de 𝜑 ângulo
entre os vetores 𝑢 𝑒 𝑣 × 𝑤.Observe que ℎ = ||𝑢|| cos𝜑. Veja isso na figura seguinte.
61
10.3 Produto escalar
Dados os vetores u=(a,b) e v=(c,d), definimos o produto escalar entre os

vetores u e v, como o número real obtido por:
u.v = a.c + b.d
Exemplos:
O produto escalar entre u=(3,4) e v=(-2,5) é:
u.v = 3.(-2) + 4.(5) = -6+20 = 14
O produto escalar entre u=(1,7) e v=(2,-3) é:
u.v = 1.(2) + 7.(-3) = 2-21 = -19
10.4 Propriedades do produto escalar
Quaisquer que sejam os vetores, u v e w e k escalar:

v.w = w.v
v.v = |v| |v| = |v|2
u.(v+w) = u.v + u.w
(kv).w = v.(kw) = k(v.w)
|kv| = |k| |v| |u.v| <= |u| |v| (desigualdade de
Schwarz) |u+v| <= |u| + |v| (desigualdade
triangular)
Obs: <= significa menor ou igual
10.5 Ângulo entre dois vetores
O produto escalar entre os vetores u e v pode ser escrito na forma:

u.v = |u| |v| cos(x), onde x é o ângulo formado entre u e v
62
Através desta última definição de produto escalar, podemos obter o ângulo x

entre dois vetores genéricos u e v, como:
desde que nenhum deles seja nulo.
10.6 Vetores ortogonais
Dois vetores u e v são ortogonais se:

u.v = 0
11 COMBINAÇÕES LINEARES
Seja V um espaço vetorial Real ou Complexo. Um vetor v é uma Combinação

Linear de m vetores u1, u2, ..., um se existem escalares k1, k2 , ..., km , tais que:
v = k1u1 + k2u2 + ... + kmum
Ou seja: quando a equação vetorial v = x1u1 + x2u2 + ... + xmum tem solução
para os xi escalares.
Os escalares solução são chamados de coeficientes de v na combinação linear.
Exemplo : Em R³ , u1 = ( 1 , -1/5 , 3 ) e u2 = ( 0 , 𝜋 , 6/7 )
Então: v = -5 u1 + 3 u2 é uma Combinação Linear, com coeficientes -5 e 3 .
Exemplo: Dado o sistema não homogêneo de m equações com n incógnitas:
+ ... +
+ ... +
....
63
....
+ ... +
Este sistema é equivalente à equação vetorial:
𝑎1,1 𝑎1,2 𝑎1,𝑛 𝑏1
𝑎2,1 𝑎2,2 𝑎2,𝑛 𝑏
𝑥1 ( ⋮ ) + 𝑥2 ( ⋮ ) + ⋯ + 𝑥𝑛 ( ⋮ ) = ( 2 )
⋮
𝑎𝑚,1 𝑎𝑚,2 𝑎𝑚,𝑛 𝑏𝑚
Portanto, o vetor coluna v cujas coordenadas são (b1, b2, ... ,bm) é uma
Combinação Linear dos vetores colunas u i , quando o sistema tem solução.
Ou seja : x1u + x2u2 + ... + xnun = v , onde ui e v são vetores coluna.
Se o sistema tem solução, então v é uma combinação linear dos vetores u i com
coeficientes x1 , ... , xn que são a solução do sistema.
Exemplo:
Sejam =(3,1,4); =(2,1,3); = ( 4 , 2 , -2 ) ; v = ( 1 ,

2,3)
A equação vetorial
3 2 4 1
𝑥1 (1) + 𝑥2 (1) + 𝑥3 ( 2 ) = (2)
4 3 −2 3
tem solução, isto é: x1 = -3, x2 = 5, x3 = 0.

Portanto, v é uma combinação linear dos vetores u1, u2, u3, com os coeficientes
-3 , 5 e 0.
( 1 , 2 , 3 ) = -3u1 + 5u2 + 0u3
Exemplo:
No espaço Vetorial das matrizes m x n , se A 1 , A 2 , ... , A k são k matrizes,
a1A1 + a2A2+ ... + akAk com a1, a2 , ... , ak escalares é uma combinação Linear .
Se m = 2 e n = 3, sejam:
𝐴1 = [√3 0 −1]
0 𝜋 6
1
−5 −1
𝐴2 = [3 ]
2 √2 6
1
𝐴3 = 𝐴1 + 𝐴2
2
64
é uma Combinação Linear de e com coeficientes

1/2 e 2.
12 DEPENDÊNCIA E INDEPENDÊNCIA LINEAR
Os vetores de um espaço vetorial são Linearmente Dependentes se existem

escalares não simultaneamente nulos, tais que :
+ ... +
Isto é, a equação vetorial + ... + tem solução
não trivial, onde os são escalares.
Caso a equação vetorial tenha como solução todos os = 0 ,então os

vetores são ditos
12.1 Linearmente Independentes
Dado um sistema homogêneo de m equações com n incógnitas:
+ ... +
+ ... +
....
....
+ ... +
Este sistema é equivalente à equação vetorial:
𝑎1,1 𝑎1,2 𝑎1,𝑛
𝑎2,1 𝑎2,2 𝑎2,𝑛 0
𝑥1 ( ) + 𝑥2 ( ) + ⋯ + 𝑥𝑛 ( ) = (0 )
⋮ ⋮ ⋮
𝑎𝑚,1 𝑎𝑚,2 𝑎𝑚,𝑛 0
Ou seja : x1u1 + x2u2 + ... + xnun = 0 são vetores coluna .
65
Se o sistema homogêneo tem solução não trivial, os vetores u1, u2, ... , un são
Linearmente Dependentes. Porém, se a equação tem somente a solução trivial (zero),
então os vetores são Linearmente Independentes
Dada uma matriz ( m x n ), onde cada linha representa um vetor linha:
Se o posto da matriz for m , então os vetores linha são L.I. . Caso a matriz seja
quadrada (n = m) , então o determinante será diferente de 0 (det ¹ 0) . Se o posto da
matriz for menor do que m , então os vetores linha são L.D. Caso a matriz seja
quadrada ( n = m ), então o determinante será igual a zero (det = 0) .
Exemplos :
1) Sejam os vetores =(1,1,1), =(1,1,0), =(

1 , 0 , 0 ). Para verificar a independência linear dos vetores devemos
considerar a combinação linear nula:
1 1 1 0
𝑥 (1) + 𝑦 (1) + 𝑧 (0) = (0)
1 0 0 0
que equivale a:
A solução do sistema é a trivial, ou seja : x = y = z = 0 . Logo, os vetores são

L.I.
1 1 1
𝐴 = [1 1 0 ]
1 0 0
Rank(A)
Det(A)
Conclusão: O posto de A é 3 e é igual a m. A matriz A é quadrada (3 x 3) e

seu determinante é igual a -1. Portanto, os vetores linha que formam A são L.I.
Espaço para teste
66
1 2 1 0
𝑥 (1) + 𝑦 (−1) + 𝑧 (−5) = (0)
1 3 3 0
Equivale a:
A solução do sistema é : x = 3; y = - 2; z = 1. Logo, os vetores
=(1,1,1), = ( 2 ,-1, 3 ) e = ( 1 , -5 , 3 ) são L.D. .
1 1 1
𝐴 = [2 −1 3]
1 −5 3
rank(A);
det(A);
13 BASES E DIMENSÃO
13.1 Base
Teorema: Seja 𝑆 = {𝑢1 , 𝑢2 , … , 𝑢𝑛 } ⊂ 𝑉 sistema de geradores do espaço vetorial
V. Então dentre os vetores de existe uma base para V.

Teorema: Seja V um espaço vetorial gerado por um conjunto finito de vetores
𝑆 = {𝑢1 , 𝑢2 , … , 𝑢𝑛 } ⊂ 𝑉 . Então qualquer conjunto com mais do que n vetores é
necessariamente linearmente dependente (L.D.).
13.2 Dimensão
Corolário: Qualquer base de um espaço vetorial tem sempre o mesmo número

de elementos.
67
Definição: Dado um espaço vetorial finitamente gerado,

denominamos dimensão de V ao número de vetores de uma base de V.
13.3 Base e Dimensão
Teorema: Qualquer conjunto L.I. de vetores de um espaço vetorial

V de dimensão finita pode ser completado de modo a se tornar uma base
para V.
Corolário: Se dim(V) = n, qualquer conjunto com n vetores L.I. formam uma
base de V .
Dimensão – Exemplos:
13.4 Processo Prático: Base
• A permuta de dois vetores, dentre os geradores, não altera o

subespaço gerado.
• A substituição de um vetor por uma combinação linear dele com
outros do conjunto, não altera o subespaço gerado.
• Vetores geradores na forma escalonada formam um conjunto L.I.
68
13.5 Teorema da Dimensão
Teorema: Sejam U e W dois subespaços vetoriais de um dado

espaço vetorial com dimensão finita, então:
dim(U) ≤ dim(V)
dim(W) ≤ dim(V)
dim(U + W) = dim(U) + dim(W) – dim(U ∩ W)
Proposição: Se W é um subespaço vetorial de 〈𝑉, +, . 〉
14 CÓNICAS
As cónicas são curvas planas obtidas por intersecção de um cone circular recto
com um plano.
Se o plano intersecta todas as geratrizes do cone, a curva obtida é uma elipse.
Se o plano é paralelo apenas a uma geratriz, a curva obtida é uma parábola.
Se o plano é paralelo a duas geratrizes, a curva obtida é uma hipérbole.
Equação Geral das Cónicas (eq. de 2° grau em x e y):
69
Se B2 − 4AC < 0, (1) é a equação de uma elipse.

Se B2 − 4AC = 0, (1) é a equação de uma parábola.
Se B2 − 4AC > 0, (1) é a equação de uma hipérbole.
14.1 Elipse
Elipse é o conjunto dos pontos do plano cuja soma das distâncias a dois pontos
fixos (focos) é constante e maior que a distância entre eles.
70
14.2 Parábola
Parábola é o conjunto dos pontos do plano equidistantes de um ponto fixo (foco)

e de uma recta (directriz), que não contém o ponto.
71
14.3 Hipérbole
Hipérbole é o conjunto dos pontos do plano tais que o módulo da diferença das
distâncias a dois pontos fixos (focos) é constante e menor que a distância entre eles.
72
7 Texto extraído de: www.mat.uc.pt.com.br
73
15 REFERENCIA BIBLIOGRAFIA BÁSICA
BOULOS, P., Geometria analítica: Um Tratamento Vetorial. 3ª ed. Pearson

Education do Brasil, São Paulo, 2005.
STEINBRUCH, A. E.; WINTERLE, P. Geometria Analítica. São Paulo: Makron Books

do Brasil, 1987.
BOLDRINI, J.L.; COSTA, S. I. R.; FIGUEIREDO, V. L. Álgebra Linear, 3ª ed., São

Paulo: Harbra, 1980.
16 REFERENCIA BIBLIOGRAFIA COMPLEMENTAR
SILVA, V. E.; REIS, G. L. Geometria Analítica. Rio de Janeiro: LTC, 1985.
STEINBRUCH, A. Álgebra Linear e Geometria Analítica. São Paulo: Editora Mc

Graw-Hill do Brasil. 1975.
KOLMAN, B. Álgebra Linear. Rio de Janeiro: Editora Guanabara, 1998.
ANTON, H. Álgebra Linear, Editora Campus Ltda. 3ªed. Rio de Janeiro:1982.
STEINBRUCH, A.; WINTERLE, P. Álgebra Linear, 2ª ed., São Paulo: Makron, 1987.
74

Geometria Analítica e Álgebra Linear - Ipemig

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

Geometria Analítica e Álgebra Linear - Ipemig

Enviado por

Direitos autorais:

Formatos disponíveis

GEOMETRIA ANALÍTICA E

1.1 Equação linear ..................................................................................... 6

1.2.1 CLASSIFICAÇÃO DE SISTEMAS LINEARES ............................... 6

2.1 Propriedades ...................................................................................... 13

2.1.1 PROPOSIÇÃO 1 .......................................................................... 13

3 SUBESPAÇOS VETORIAIS ..................................................................... 14

3.1 Interseção e Soma de Subespaços .................................................... 16

3.1.1 PROPOSIÇÃO 2 .......................................................................... 16

4 BASE DE UM ESPAÇO VETORIAL ......................................................... 20

4.1 DEFINIÇÃO 1 ..................................................................................... 20

4.1.1 Teorema 1 .................................................................................... 21

4.2 DEFINIÇÃO 2 ..................................................................................... 24

4.2.1 PROPOSIÇÃO 1 .......................................................................... 25

5 TRANSFORMAÇÕES LINEARES ............................................................ 25

5.1 Introdução .......................................................................................... 25

5.1.1 DEFINIÇÃO 1 ............................................................................... 26

5.1.2 PROPOSIÇÃO 1 .......................................................................... 28

5.2 O Espaço Vetorial ........................................................ 28

5.2.1 PROPOSIÇÃO 2 .......................................................................... 29

5.3 Teorema 1 .......................................................................................... 29

5.3.2 PROPOSIÇÃO 3 .......................................................................... 32

6.1 Tipos de matrizes ............................................................................... 36

6.1.1 MATRIZ COLUNA ........................................................................ 36

6.2 Operações com matrizes.................................................................... 40

6.2.1 SOMA ........................................................................................... 40

7 MATRIZ DE UMA TRANSFORMAÇÃO LINEAR ...................................... 43

8.1 Postulados sobre pontos e retas ........................................................ 47

9 SEGMENTO DE RETA ............................................................................. 48

9.1 Postulado de Euclides ou das retas paralelas .................................... 49

9.1.1 Determinação de um plano .......................................................... 50

9.2 Perpendicularismo entre reta e plano ................................................. 52

9.3.1 Projeção ortogonal ....................................................................... 54

10 PRODUTO VETORIAL, MISTO E ESCALAR ........................................ 56

10.1 Produto vetorial ............................................................................... 56

11 COMBINAÇÕES LINEARES ................................................................. 63

12.1 Linearmente Independentes............................................................ 65

13 BASES E DIMENSÃO ........................................................................... 67

13.1 Base ................................................................................................ 67

14.1 Elipse .............................................................................................. 70

15 REFERENCIA BIBLIOGRAFIA BÁSICA................................................ 74

16 REFERENCIA BIBLIOGRAFIA COMPLEMENTAR............................... 74

Sistemas lineares é um conjunto de equações lineares, com m

1.1 Equação linear

Antes disso, porém, vamos entender o que é uma equação linear

Uma equação linear é qualquer equação da forma: a1x1 + a 2x 2 +

1.2 Sistema linear

Um sistema linear tem a seguinte forma:

Cuja solução pertence aos números reais e o conjunto solução do

1.2.1 CLASSIFICAÇÃO DE SISTEMAS LINEARES

Os sistemas lineares são classificados de acordo com o número

SPI – Sistema Possível e Indeterminado – possui infinitas

1.2.2 MATRIZ ASSOCIADA A UM SISTEMA LINEAR

Podemos associar a um sistema linear algumas matrizes, onde os

Matriz incompleta: formada apenas pelos coeficientes do sistema.

Matriz completa: formada pelos coeficientes do sistema, mas os

EQUAÇÃO MATRICIAL DOS SISTEMAS LINEARES

A partir dessa equação matricial pode se resolver o sistema1.

Neste capítulo introduziremos o conceito de espaço vetorial que ser

1 Texto extraído de: www.matematicabasica.net.com

denotado por Ϝ(ℝ; ℝ) e o conjunto das matrizes quadradas de ordem 𝓃 com

=(𝑎ij)n×n e 𝐵 =(𝑏ij)n×n, colocando 𝐴 + 𝐵 =(𝑎ij + 𝑏ij)n×n, que é um elemento de

e definimos 𝜆𝐴 = (𝜆𝑎ij)n×n , o qual também pertence a ℳn.

operação de adição, isto é, para cada 𝒖; 𝒗 ∈ 𝑽 existe um único elemento de 𝑽