Álgebra Linear Com Geometria Analítica

ÁLGEBRA LINEAR com
GEOMETRIA ANALÍTICA
Reitor
José Daniel Diniz Melo
Vice-Reitor
Henio Ferreira de Miranda
Diretoria Administrativa da EDUFRN
Maria da Penha Casado Alves (Diretora)
Helton Rubiano de Macedo (Diretor Adjunto)
Bruno Francisco Xavier (Secretário)
Conselho Editorial
Maria da Penha Casado Alves (Presidente)
Judithe da Costa Leite Albuquerque
(Secretária)
Adriana Rosa Carvalho
Alexandro Teixeira Gomes
Elaine Cristina Gavioli
Everton Rodrigues Barbosa
Fabrício Germano Alves
Francisco Wildson Confessor
Gilberto Corso
Gleydson Pinheiro Albano
Gustavo Zampier dos Santos Lima
Izabel Souza do Nascimento
Josenildo Soares Bezerra
Ligia Rejane Siqueira Garcia
Lucélio Dantas de Aquino
Marcelo de Sousa da Silva
Márcia Maria de Cruz Castro
Márcio Dias Pereira
Martin Pablo Cammarota
Nereida Soares Martins
Roberval Edson Pinheiro de Lima
Tatyana Mabel Nobre Barbosa
Tercia Maria Souza de Moura Marques
Editoração
Helton Rubiano (Coordenador)
Kamyla Alvares (Editora)
Revisão
Wildson Confessor (Coordenador)
Renata Coutinho (Colaboradora)
Revisão técnica
Fagner Lemos de Santana
Paulo Roberto Ferreira dos Santos Silva
Nir Cohen
Design editorial
Débora Borges Ferreira (Diagramação)
Guilherme Francisco do Nascimento (Diagramação)
Rafael Campos (Capa)
Barbara Katona (Obra da capa /
behance.net/brbrgraphics
instagram.com/brbrgraphics)
Débora Borges Ferreira
Julia Victoria Toledo Benavides
ÁLGEBRA LINEAR com

GEOMETRIA ANALÍTICA
Natal 2021
Fundada em 1962, a Editora da UFRN (EDUFRN)
permanece até hoje dedicada à sua principal missão:
produzir livros com o fim de divulgar o conhecimento
técnico-científico produzido na Universidade, além
de promover expressões culturais do Rio Grande do
Norte. Com esse objetivo, a EDUFRN demonstra o
desafio de aliar uma tradição de quase seis décadas ao
espírito renovador que guia suas ações rumo ao futuro.
Publicação digital financiada com recursos do Fundo Editorial da UFRN. A seleção da

obra foi realizada pelo Conselho Editorial da EDUFRN, com base em avaliação cega
por pares, a partir dos critérios definidos no Edital nº 4/2019-EDUFRN, para a linha
editorial Recursos didático-pedagógicos.
Coordenadoria de Processos Técnicos

Catalogação da Publicação na Fonte.UFRN / Biblioteca Central Zila Mamede
Ferreira, Débora Borges.

Álgebra linear com geometria analítica [recurso eletrônico] / Débora Borges
Ferreira, Julia Victoria Toledo Benavides. – Dados eletrônicos (1 arquivo : 10 MB). –
Natal, RN : EDUFRN, 2021.
Modo de acesso: World Wide Web

<repositório.ufrn.br>
Título fornecido pelo criador do recurso
ISBN 978-65-5569-181-8
1. Álgebra linear. 2. Geometria analítica. 3. Matrizes. 4. Equações lineares. I.

Benavides, Julia Victoria Toledo. II. Título.
CDD 512.5
RN/UF/BCZM 2021/31 CDU 512.64
Elaborado por Gersoneide de Souza Venceslau – CRB-15/311
Todos os direitos desta edição reservados à EDUFRN – Editora da UFRN

Av. Senador Salgado Filho, 3000 | Campus Universitário
Lagoa Nova | 59.078-970 | Natal/RN | Brasil
e-mail: contato@editora.ufrn.br | www.editora.ufrn.br
Telefone: 84 3342 2221
Prefácio
Este livro é introdutório e nos deteremos à Álgebra Linear no plano R2 e no espaço

R3 . Ele surgiu como notas de aulas da disciplina Álgebra Linear Básica ofertada pelo
Departamento de Matemática da UFRN.
No primeiro capı́tulo, tratamos de vetores na ótica de Geometria Analı́tica que é
o cálculo de produto interno, produto vetorial e misto para aplicações no estudo das
equações da reta e do plano, do cálculo de áreas, volumes e distâncias. No Capı́tulo
2, definimos matrizes reais e suas operações. No Capı́tulo 3, estudamos sistemas de
equações lineares e usamos os Capı́tulos 1 e 2 para auxiliar na solução dos sistemas
e entender geometricamente suas representações. O Capı́tulo 4 se dedica a encontrar
métodos clássicos para a resolução de sistemas com uso de Determinantes e Regra de
Cramer.
Para concluir, os dois últimos capı́tulos abordam o fato de toda matriz estar associada
a uma função ou a uma transformação linear, desse modo, encontrar solução de sistemas
é achar a pré-imagem dessa transformação.
Sumário
Prefácio 6
1 Vetores e geometria analı́tica 10

1.1 Noções preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Vetores do R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.1 Adição de vetores no R2 . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 Produto de um escalar por um vetor . . . . . . . . . . . . . . . . . 13
1.2.3 Produto interno ou escalar no R2 . . . . . . . . . . . . . . . . . . . 20
1.3 Vetores no R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3.1 Operação com vetores em R3 . . . . . . . . . . . . . . . . . . . . . 25
1.3.2 Produto vetorial e misto . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4 Equação da reta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.4.1 Equação da reta no R2 . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.4.2 Equação da reta no R3 . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.5 Equação do plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.6 Interseção de retas e planos . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.6.1 Posições de retas no R2 . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.6.2 Posições de retas no R3 . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.7 Posições de planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.7.1 Posições entre retas e planos . . . . . . . . . . . . . . . . . . . . . . 42
1.8 Distâncias no espaço: d(., .) . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.8.1 Distância entre pontos . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.8.2 Distância entre um ponto e um plano . . . . . . . . . . . . . . . . . 43
1.8.3 Distância entre um ponto e uma reta . . . . . . . . . . . . . . . . . 44
1.8.4 Distância entre planos . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.8.5 Distância entre retas . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7
8 SUMÁRIO
1.9 Interseção de esferas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2 Matrizes 49
2.1 Matrizes: definições e exemplos . . . . . . . . . . . . . . . . . . . . . . . . 49
2.1.1 Tipos especiais de matrizes . . . . . . . . . . . . . . . . . . . . . . . 51
2.2 Operações com matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.2.1 Adição de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.2.2 Multiplicação por um escalar . . . . . . . . . . . . . . . . . . . . . 52
2.2.3 Multiplicação de uma matriz por outra n ⇥ 1 . . . . . . . . . . . . . 53
2.2.4 Produto de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.2.5 Associando matrizes m ⇥ n com pontos do Rmn . . . . . . . . . . . 54
2.2.6 Matrizes particionadas em vetores coluna . . . . . . . . . . . . . . . 55
2.3 Transposição de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3 Sistemas de equações lineares 64

3.1 Definições e exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.1.1 Interpretação geométrica de um sistema 2x2 . . . . . . . . . . . . . 67
3.2 Matriz na forma escada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.2.1 Eliminação de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.3 Interpretação geométrica no R3 . . . . . . . . . . . . . . . . . . . . . . . . 78
4 Determinantes e matrizes inversas 83

4.1 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.2 Desenvolvimento de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.3 Matriz adjunta e matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . 89
4.4 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.5 Cálculo do posto por determinantes . . . . . . . . . . . . . . . . . . . . . . 93
4.6 Inversão de matrizes usando o método de Gauss . . . . . . . . . . . . . . . 95
5 Espaços vetoriais 98
5.1 Espaços vetoriais: definições e exemplos . . . . . . . . . . . . . . . . . . . . 98
5.2 Subespaços vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.3 Combinação linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.4 Dependência e independência linear . . . . . . . . . . . . . . . . . . . . . . 103
5.4.1 Base de espaço e mudança de base . . . . . . . . . . . . . . . . . . 105
5.5 Matriz mudança de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6 Transformações lineares 115

6.1 Transformações lineares do plano no plano . . . . . . . . . . . . . . . . . . 117
6.1.1 Dilatação ou contração . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.1.2 Reflexão em torno do eixo x . . . . . . . . . . . . . . . . . . . . . . 118
6.1.3 Reflexão na origem . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
6.1.4 Rotação no sentido anti-horário de um ângulo ✓ . . . . . . . . . . . 119
6.1.5 Cisalhamento horizontal . . . . . . . . . . . . . . . . . . . . . . . . 120
6.2 Imagem e núcleo de uma transformação linear . . . . . . . . . . . . . . . . 121
6.3 Matriz associada a uma transformação linear . . . . . . . . . . . . . . . . . 124
Respostas das Listas de Exercı́cios 130

CAPÍTULO 1
Vetores e geometria analı́tica
1.1 Noções preliminares
A palavra vetor vem do latim e significa carregar. É um elemento matemático que

tem infinitas aplicações nas mais diversas áreas da ciência. De modo mais comum, vetor é
associado ao movimento de uma partı́cula de um ponto A a um ponto B. É também usado
para representar grandezas fı́sicas como velocidade de um corpo ou de uma reação quı́mica,
polaridade de uma molécula, força, impulso, campo elétrico e magnético, torque e outros.
Tais grandezas, para serem identificadas, precisam de direção, sentido e magnitude.
Definição 1.1.1
Vetores são segmentos de reta orientados no plano ou no espaço, partindo da origem
do sistema coordenado. A direção do vetor é determinada pela reta em que o
segmento se encontra, o sentido é a orientação dada, e o comprimento é chamado
de magnitude.
Denotaremos aqui vetores por letras em negrito. Representamos um vetor pela sua ex-
tremidade, uma vez que ela determina todas as caracterı́sticas de um vetor. Por exemplo,
para vetores no R3 temos como exemplo v = (1, 0, 0).
Dado um certo vetor v, todos os segmentos de reta orientados que estão em retas
paralelas à reta que define a direção de v e que possuem a mesma magnitude e o mesmo
sentido de v são chamados de representantes de v. Vetores com mesma direção são
chamados de paralelos. Escrevemos u\\v quando u for paralelo a v. Um representante
de v com origem em A e extremidade em B será denotado por AB. Aqui, escreveremos
v = AB não no sentido estrito de igualdade, mas no sentido do segmento orientado com
10
extremidade em A e B ser um representante de v.
Figura 1.1: Representante de v

Fonte: autoria própria
1.2 Vetores do R2
Os vetores do R2 têm a representação v = (x, y) tais que x e y são números reais. Em
coordenadas cartesianas, a primeira entrada x é chamada de coordenada das abscissas,
e a segunda y é das ordenadas. Na figura a seguir, temos três vetores. Observe que
BA = CD = v e que BA tem mesma direção de CE , mas sentido contrário.
B E
C
x
A
Figura 1.2: Vetores no plano

O comprimento (magnitude) do vetor v = (x, y) será representado por kvk e vale

p
kvk = x2 + y 2 pelo Teorema de Pitágoras. Quando kvk = 1, dizemos que v é unitário.
O vetor v = (0, 0) será representado por 0.
11
Para aplicações na Fı́sica, suponha que um corpo se locomove no espaço com o passar
do tempo, denominamos de vetor posição aquele cuja extremidade coincide com a loca-
lização do corpo. Por exemplo, se um objeto sai da origem e se locomove sobre a reta
p
y = x com velocidade constante 2 m/s; então, dado um tempo t em segundos, o corpo
estará em localizado na extremidade do vetor posição (t, t). Assim, seu deslocamento
pode ser representado pela função vetorial P (t) = (t, t), t 2 R.
1.2.1 Adição de vetores no R2
Definição 1.2.1
Sejam v1 = (x1 , y1 ) e v2 = (x2 , y2 ) vetores do R2 . Definimos a soma por
v1 + v2 = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ).
Para representar o vetor soma, verificamos que v1 + v2 coincide com a diagonal do

paralelogramo de lados v1 e v2 . Esse é um bom exercı́cio de Geometria Euclidiana Plana.
(x1 + x2 , y1 + y2 )
(x1 , y1 )
v1 v1 + v2
(x2 , y2 )
(0, 0) v2
x
Figura 1.3: Soma de vetores

Na Figura 1.3, tem-se que v1 + v2 é a diagonal do paralelogramo de lados em v1 e v2 .

Definição 1.2.2
Definimos também o vetor diferença
v1 v2 = (x1 , y1 ) (x2 , y2 ) = (x1 x 2 , y1 y2 ).
Sua representação está na outra diagonal do paralelogramo, é o vetor que sai da

extremidade de v2 e aponta para a extremidade de v1 .
12
Exemplo 1.2.1
Se v = (1, 2) e u = (3, 0), então
v + u = (1, 2) + (3, 0) = (1 + 3, 2 + 0) = (4, 2)
e
v u = (1 3, 2 0) = ( 2, 2).
Na Figura 1.4, v + u é o vetor vermelho e v u o verde.
( 2, 2) (1, 2) (4, 2)
(0, 0)
x
(3, 0)
Figura 1.4: Soma e subtração de vetores

Observação 1.2.1
Definimos a soma de um ponto A = (x0 , y0 ) com o vetor v = (a, b) como o ponto
B = (x0 + a, y0 + b), isto é,
A + v = (x0 , y0 ) + (a, b) = (x0 + a, y0 + b).
E mais, v = B A. Desse modo, se C = (x1 , y1 ), então C A = (x1 , y1 ) (x0 , y0 ) =

(x1 x0 , y1 y0 ).
1.2.2 Produto de um escalar por um vetor

Em Geometria Analı́tica usualmente denominamos números reais por escalares.
Definição 1.2.3
Seja c um número real qualquer e v = (x, y), então definimos cv = (cx, cy).
O vetor cv tem a mesma direção de v, logo cv\\v . Se c > 0, então cv tem o mesmo
sentido de v . Se c < 0, então o sentido de cv é oposto ao de v . Observe que
p
kcvk = c2 (x2 + y 2 ) = |c| kvk .
13
Assim, em suma:
• c = 0 ) cv = (0, 0) = 0.
• c 2 (0, 1) ) cv tem mesma direção e sentido de v, mas comprimento menor.
• c 2 ( 1, 0) ) cv tem mesma direção de v, mas sentido contrário e comprimento

menor.
• c > 1 ) cv tem mesma direção e mesmo sentido de v, mas comprimento maior.
• c< 1 ) cv tem mesma direção de v, mas sentido contrário e comprimento maior.
Propriedades 1.2.1
Sejam u, v e w vetores quaisquer e “a, b” escalares, então valem as relações abaixo:
a) u + v = v + u (comutatividade)
b) (u + v) + w = u + (v + w) (associatividade)
c) u + 0 = u (elemento neutro da soma é o 0)
d) u + ( u) = 0 (inverso aditivo)
e) a(bu) = (ab)u
f) a(u + v) = au + av
g) (a + b)u = au + bu
h) 1u = u
i) u\\v , u = av
Exemplo 1.2.2
Para A = (a, b) e B = (c, d), calcule a distância entre eles e as coordenadas do

ponto médio do segmento AB.
Solução: A distância de A a B é igual ao comprimento do representante AB. Se 0 = (0, 0)

é o vetor nulo, então podemos observar que
kABk = kOA OBk = k(a, b) (c, d)k = k(a c, b d)k .

p
Assim, kABk = (a c)2 + (b d)2 . Agora, seja M = (x, y) o ponto médio de AB,
então OA OM = M A = BM = OM OB.
14
Substituindo:
(a, b) (x, y) = (x, y) (c, d) ) (a x, b y) = (x c, y d).

✓ ◆
a+c b+d
Daı́, M = , .
2 2
(0, 0)
Figura 1.5: Cálculo de distância entre A e B

Exemplo 1.2.3
Seja ABC um triângulo qualquer e sejam D e E os pontos médios de AC e BC,
respectivamente; podemos mostrar, usando vetores, que DE\\AB e que kDEk =
kABk /2 .
Solução: Veja a figura a seguir:
D E
A B
Figura 1.6: Triângulo ABC

Observe que DE = CE CD e AB = CB CA. Como CA = 2CD e CB =

2CE, então
1 1
DE = CE CD = (CB + CA) = AB.
2 2
15
Exemplo 1.2.4
O Vetor Velocidade Média ou Velocidade Vetorial Média no intervalo de tempo
[t1 , t2 ] é obtido ao efetuarmos a diferença entre os vetores posição P (t2 ) e P (t1 ),
e multiplicarmos por t2 1 t1 . Por exemplo, se o vetor posição de um móvel que se
locomove no plano é P (t) = (t2 , t/2) para todo t real, então o vetor velocidade
média no intervalo [1, 2] é representado por
P (2) P (1) (22 , 2/2) (12 , 1/2)

vm = = = (3, 1/2).
2 1 1
Observe que a velocidade vetorial média não está relacionada com a velocidade escalar
média. A escalar contabiliza o movimento total percorrido pela partı́cula ou corpo, já a
vetorial leva em consideração apenas as posições inicial e final.
Exemplo 1.2.5
O Vetor Velocidade Instantânea v(t) é calculado usando limites, por conseguinte,

derivadas. Se P (t) = (x(t), y(t)) é o vetor posição, então
P (t + t) P (t)
v(t) = lim = (x0 (t), y 0 (t)).
t!0 t
No exemplo anterior, a velocidade instantânea será v(t) = (2t, 1/2), t 2 R.
Exemplo 1.2.6
Para v(t) = (v1 (t), v2 (t)), o Vetor Aceleração a(t) é
v(t + t) v(t)
a(t) = lim = (v10 (t), v20 (t)).
t!0 t
Exemplo 1.2.7
Um corpo se desloca com velocidade inicial v0 = 20 m/s e aceleração constante

a = 2 m/s sobre a reta y = 2x , iniciando seu movimento na origem (0, 0) e subindo
em direção nordeste.
(a) Qual o vetor velocidade média no intervalo [0, 10] e a instantânea após 10 se-
gundos?
(b) Qual a posição do móvel nesse instante?
Solução: (a) A velocidade média é obtida pelo quociente
P (10) P (0)
vm = ,
10 0
16
onde P (t) é a posição no tempo t. Nesse caso, P (0) = (0, 0). A equação do movimento
diz que s(t) = s0 + v0 t + at2 /2, onde s0 = 0, v0 = 20, a = 2. Assim,
s(t) = 20t + t2 ) s(10) = 200 + 100 = 300.
Ou seja, em 10 segundos o corpo se locomoveu 300 metros. Precisamos saber as

coordenadas x e y para encontrarmos P (10). Como o corpo se locomove sobre a reta
y = 2x, 300m será a hipotenusa do triângulo retângulo de lados x e 2x, logo
300
3002 = x2 + (2x)2 ) x = p .
5
✓ ◆
300 600
Assim, P (10) = p , p , e a velocidade média será
5 5
✓ ◆
P (10) P (0) 30 60
vm = = p ,p .
10 0 5 5
Para obter a velocidade instantânea, precisamos achar P (t). Usando a equação do
movimento, temos
✓ ◆
s(t) s(t)
P(t) = (x(t), y(t)) = p ,2 p ,
5 5
pois s(t) é a hipotenusa do triângulo retângulo de lados x(t) e y(t) = 2x(t). O vetor
velocidade instantânea será
✓ ◆ ✓ ◆
0 0 0 t + 2t t + 2t 30 30
v(t) = P (t) = (x (t), y (t)) = p ,2 p ) v(10) = p , 2p .
5 5 5 5
✓ ◆
300 600
(b) P (10) = p ,p .
5 5
Exemplo 1.2.8
(PUC-SP) Se a velocidade vetorial de um ponto material é constante e não nula,

sua trajetória é de que tipo?
Solução: Como a velocidade vetorial é constante, seu módulo, sua direção e seu sentido
também serão constantes. Logo, essa trajetória será retilı́nea.
17
Exemplo 1.2.9
(UFB) A fada Sininho, personagem do famoso filme de Walt Disney Peter Pan,
baseado no livro Peter and Wendy de J. M. Barrie, está voando e descrevendo
três quartos de uma circunferência de raio 4 m, do ponto P até o ponto Q, no
sentido horário, em 2s. Pede-se determinar, nesse deslocamento:
R = 4m
Figura 1.7: Exemplo 9
Exemplo: continuação
a) a variação de espaço;
b) o vetor deslocamento;
c) a velocidade escalar média;
d) a velocidade vetorial média.
Solução: a) Como ela deslocou-se em 3/4 da circunferência cujo comprimento é 2⇡4 = 8⇡,
então ela percorreu (3/4)8⇡ = 6⇡.
b) O vetor deslocamento tem extremidades em (0, 4) e ( 4, 0). Supondo que a origem

do sistema cartesiano se encontra do centro da circunferência em questão, logo, v =
( 4, 0) (0, 4) = ( 4, 4).
c) A velocidade média é o quociente do deslocamento pela variação do tempo: 6⇡/2 = 3⇡.
18
d) A velocidade vetorial média é o vetor deslocamento dividido por 2: v/2 = ( 4, 4)/2 =
( 2, 2).
Exemplo 1.2.10
Qualquer movimento é causado por uma ação de uma força F . Por exemplo, um
objeto em queda livre está se movimentando para o chão por ação da força da
gravidade.
Para descrever essa importante grandeza fı́sica (medida em Newton, simbolizada
por N ), precisamos da direção e do sentido do movimento. Assim, um vetor é o
elemento matemático perfeito, e seu comprimento será a magnitude ou intensidade
da força exercida.
Várias forças podem agir ao mesmo tempo sobre um corpo, o resultado do movi-
mento se dará pelo vetor soma de todas as forças, chamado de ”resultante”. Outra
situação necessária, às vezes, é decompor a força, isto é, encontrar a projeção da
força nos eixos x e y, no caso de uma força agindo sobre um objeto no plano.
Suponha que um corpo se encontra na origem (0, 0) e que duas forças agirão sobre
ele: F1 = (1, 2) e F2 = (3, 1). Desse modo, o corpo se locomoverá na direção e no
sentido da força resultante F1 + F2 = (4, 1).
Exemplo 1.2.11
Um corpo movendo-se na direção horizontal sofre a ação de uma força de módulo
igual a 20N , alinhada a 45o com essa direção. Encontre as componentes x e y dessa
força.
Solução: Temos um triângulo retângulo de hipotenusa 20 e catetos iguais, pois o ângulo

é de 45 graus. Assim, ambos os catetos medem
p
o Fx 2 p
cos(45 ) = = ) Fx = Fy = 10 2.
20 2
Exemplo 1.2.12
O Vetor Impulso I é um múltiplo do vetor Força. Imagine que uma força age
sobre um corpo durante um intervalo de tempo, o impulso é a grandeza fı́sica que
mensura essa ação, desse modo tem a mesma direção e o mesmo sentido da força,
mas o comprimento é o produto da magnitude da força pelo intervalo de tempo em
segundos. A medida da magnitude é newton segundo.
Por exemplo, um corpo sofre ação de duas forças de magnitudes 3 e 4 nas direções
leste e norte, respectivamente, durante 2 segundos. Qual o impulso?
19
Solução: O impulso será o vetor resultante da força multiplicado por 2. Logo, Fr =
(3, 0) + (0, 4) = (3, 4) cujo comprimento é 25, o impulso é I = 2(3, 4) = (6, 8). A
magnitude do impulso é 50N.s.
1.2.3 Produto interno ou escalar no R2

A origem histórica das expressões que hoje conhecemos como produtos interno e ve-
torial (este veremos na Seção 1.3.2) foram definidas de forma pragmática na Álgebra Ve-
torial, conhecida por Álgebra de Quatérnions, e foi formalmente construı́da por Hamilton
em meados de 1840.
Há uma estreita relação entre os vetores no R2 e o conjunto dos números complexos,
mas o mesmo não podemos dizer dos vetores no R3 . Com o objetivo de estabelecer
uma relação entre algum conjunto e os vetores do R3 , Hamilton propôs tanto a Álgebra
Vetorial quanto a que deu origem à famosa Álgebra de Gibbs-Heaviside, a qual possui
amplas aplicações na Fı́sica Clássica (Mecânica Newtoniana e Eletromagnetismo) e sua
correlação com os vetores do R3 apresenta algumas sutilezas.
Sejam os vetores u = (a, b) e v = (c, d). Suponha que uma partı́cula sai de (0, 0)
e se locomove em linha reta até o ponto (a, b) sob a ação de uma força com direção e
sentido de v e magnitude kvk. Qual o trabalho realizado pela força para que a partı́cula
se locomovesse?
y
(a, b)
(c, d)
x
(0, 0)
Figura 1.8: Vetores u e v

Sabemos que a fórmula do trabalho exercido por uma força é igual à sua magnitude
vezes o deslocamento da partı́cula. Nesse caso, como a força está na direção diferente do
deslocamento, precisamos saber qual a componente da força na direção do deslocamento
da partı́cula, ou seja, precisamos do comprimento da projeção de v em u.
Suponha que o ângulo entre u e v seja ✓, por relações do triângulo retângulo o cos (✓)
é igual ao comprimento da projeção de v em u, escreva proju v , dividido por kvk.
20
y
projeç~
ao de
v v em u
u
✓
✓1
x
Figura 1.9: Projeção ortogonal de v em u

Assim, o comprimento da projeção será igual a kvk cos (✓). O deslocamento da

partı́cula é kuk, então o trabalho T será
T = kvk kvk cos (✓).
Seja ✓2 = ✓ + ✓1 , então
cos(✓) = cos(✓2 ✓1 )
= cos(✓2 ) cos(✓1 ) + sin(✓2 ) sin(✓1 )
c a d b
= · + ·
kvk kuk kvk kuk
ca + db
= .
kuk kvk
Logo, o trabalho será T = kvk·kuk cos(✓) = ca+db. Veja que é bem simples calcular o
trabalho! Não precisamos saber o ângulo entre o vetor força e o vetor deslocamento. Basta
multiplicar as respectivas coordenadas e somar o resultado. Denominamos essa função
que associa o vetor força e o vetor deslocamento com o trabalho da força de Produto
Interno Usual.
Definição 1.2.4
Dados u = (a, b) e v = (c, d) vetores do R2 , definimos o produto interno usual

de u com v como a função que associa os vetores u e v com o número ac + bd.
Escrevemos hu, vi ou u · v, assim
u · v = (a, b) · (c, d) = ac + bd = kuk kvk cos(✓),
onde ✓ é o ângulo entre u e v.
21
Exemplo 1.2.13
Se um corpo se locomove de (2, 3) até (3, 4) sob a ação da força v = (2, 1), calcule
o trabalho realizado por essa força.
Solução: Seja u o vetor que representa o deslocamento do corpo, precisamos encontrar as

coordenadas do vetor u. Seus extremos são (2, 3) e (3, 4), então
u = (3, 4) (2, 3) = (3 2, 4 3) = (1, 1).
Assim, o trabalho será T = 1 · 2 + 1 · 1 = 3, que é o produto interno de (2, 1) com

(1, 1).
Propriedades 1.2.2
Sejam u, v e w vetores do R2 e ↵ 2 R.
1. u · u 0. E mais, u.u = 0 () u = 0.
2. ↵(u · v) = (↵u) · v.
3. (u + v) · w = u · w + v · w.
4. u · v = v · u.
De modo geral, existem outras funções que satisfazem essas propriedades e são cha-
madas de produto interno também.
p
Sabemos que se u = (a, b), kuk = a2 + b2 da Geometria Euclidiana, então
u · u = (a, b).(a, b) = a2 + b2 = kuk2 ,
como já foi dito, chamamos u · v = (a, b) · (c, d) = ac + bd de produto interno usual.
Assim, se mudarmos o produto interno, então mudamos também o tamanho do vetor e
estaremos em uma geometria não euclidiana.
22
1) Podemos usar o produto interno para calcular ângulo entre vetores. Sejam u e
v vetores não nulos e ✓ o ângulo entre eles. Temos que
u·v
u · v = kuk kvk cos(✓) ) cos(✓) = .
(kuk · kvk)
2) Como | cos(✓)|  1, então |u · v| = kuk kvk | cos(✓)|  kuk kvk. A desigualdade

|u · v|  kuk kvk é conhecida por Desigualdade de Cauchy-Schwarz.
3) ku + vk  kuk + kvk é a conhecida Desigualdade Triangular. Note que u + v é

a diagonal do paralelogramo de lados u e v, é também o lado maior do triângulo
formado ao dividirmos o paralelogramo. Assim, um dos lados é necessariamente
menor que a soma dos outros dois, caso contrário não terı́amos um triângulo.
4) Projeção ortogonal de u em v é igual ao vetor
u·v
projv u = v
kvk2
e tem comprimento kuk | cos(✓)|.
Exemplo 1.2.14
Verifique se (a, b).(c, d) = 2ac + bd é um produto interno.
Solução: Sejam u = (a, b), v = (c, d) e w = (e, f ) vetores do R2 .
a) u · u = (a, b) · (a, b) = 2a2 + b2 0. E, u · u = 2a2 + b2 = 0 () a = b = 0.
b) ↵((a, b) · (c, d)) = ↵(2ac + bd) = 2↵ac + ↵bd, por outro lado ↵(a, b) · (c, d) = (↵a, ↵b) ·
(c, d) = 2↵ac + ↵bd e são iguais.
c) (u + v) · w = ((a, b) + (c, d)) · (e, f ) = (a + c, b + d) · (e, f ) = 2(a + c)e + (b + d)f = 2ae +

2ce+bf +df , por outro lado u·w+v·w = (a, b)·(e, f )+(c, d)·(e, f ) = 2ae+bf +2ce+df ,
que são iguais.
d) u · v = (a, b) · (c, d) = 2ac + bd e v · u = (c, d)(a, b) = 2ca + db, que são iguais. Logo,
temos um produto interno não usual.
Uma curiosidade, qual o “tamanho”do vetor (1, 0) utilizando esse produto interno do
exemplo anterior?
p p p
k(1, 0)k = (1, 0) · (1, 0) = 2 · 1 · 1 + 0 · 0 = 2.
Quando não está especificado o tipo de produto interno, subentende-se tratar do usual.
23
1.3 Vetores no R3
Agora, ampliaremos nossos horizontes para o espaço tridimensional R3 , com coorde-
nadas cartesianas como no desenho a seguir.
A
B
y
0
Figura 1.10: Vetores no espaço

Temos dois vetores u = 0A e v = 0B . Cada um tem três parâmetros, que são as co-
ordenadas referentes aos eixos x, y e z. Para obtê-las, traçamos retas perpendiculares aos
planos xy, xz e yz. Nos pontos onde essas retas cortam os planos, traçamos outras retas
perpendiculares aos eixos que geram tais planos, dessa forma geramos um paralelepı́pedo
com um de seus vértices na origem, e outros três vértices estão nos eixos coordenados.
Segue a figura:
Figura 1.11: Coordenadas do vetor no R3

24
1.3.1 Operação com vetores em R3
Sabemos que, por duas retas distintas que se interceptam, passa um único plano.
Como os vetores são segmentos de retas orientados, por cada vetor passa uma reta, e
dois vetores com direções distintas estão em um único plano. Nesse caso, vale a regra do
Paralelogramo de soma de vetores do R2 .
Definição 1.3.1
Sejam u e v vetores do R3 , u = (a, b, c) e v = (d, e, f ), e t 2 R
a) A soma dos dois vetores será:
u + v = (a + d, b + e, c + f )
e a subtração
u v = (a d, b e, c f ).
b) Multiplicação por escalar:
↵u = t(a, b, c) = (ta, tb, tc).
c) Produto Interno usual:

u.v = ad + be + cf.
Valem as Propriedades 1.2.1 e 1.2.2 e a Observação 1.2.1 para os vetores do R3 .
Exemplo 1.3.1
Dados A = (a, b, c) e B = (d, e, f ), calcular a distância entre eles.
Solução: Sabemos que a distância entre esses pontos é igual ao comprimento do vetor
representante
AB = OB OA = (d a, e b, f c).
Logo,
p p
kABk = AB · AB = (d a)2 + (e b)2 + (f c)2 .
1.3.2 Produto vetorial e misto

Suponha que temos um parafuso fixo e uma chave de fenda conectada a ele. A chave
de fenda é um corpo rı́gido e podemos associá-la a um vetor v, cujo comprimento coincide
com o dela. Queremos enroscar esse parafuso girando a chave. Para tanto, aplicamos uma
força F no extremo da chave, oposto ao do parafuso, que forma um ângulo ✓ com a chave.
25
Suponha que o parafuso está na origem (0, 0, 0). O movimento resultante do parafuso é
chamado de Torque e pode ser associado a um vetor. Como obtê-lo? É fácil perceber
que o parafuso se movimentará em direção perpendicular à chave e à força aplicada no
extremo da chave, que é seu eixo de rotação. O vetor Torque (T ) na origem é obtido por
um cálculo entre vetores chamado Produto Vetorial, escreve-se T = v ⇥ F .
Há muitas aplicações de Produto Vetorial na Fı́sica, por exemplo, para o cálculo da
força exercida sobre uma partı́cula carregada e mergulhada num campo magnético, desde
que esse campo seja constante e a carga unitária. Aparece no cálculo do Momento Angular.
Em Computação Gráfica, é bastante utilizado para calcular a normal de um triângulo ou
outro polı́gono, isso permite criar efeitos que simulam iluminação e assim obter gráficos
mais realistas, dentre outras aplicações.
Definição 1.3.2
Sejam u e v vetores do R3 e ✓ o ângulo entre eles. Definimos o produto vetorial

u ⇥ v por um vetor tal que:
i. u ⇥ v tem direção perpendicular a u e v.
ii. u ⇥ v tem sentido dado pela Regra da Mão Direita, isto é, com a mão direita
aberta apoiamos o dedo mı́nimo no vetor u, gire os dedos, deixando a palma
da mão fixa, até chegar em v, o sentido de u ⇥ v será aquele apontado pelo
dedo polegar da mão.
iii. ku ⇥ vk = kuk kvk sin(✓) é o seu comprimento, que corresponde à área do

paralelogramo gerado por u e v.
Propriedades 1.3.1
Sejam u, v e w vetores do R3 e ↵ 2 R
1. u ⇥ v = (v ⇥ u)
2. u ⇥ v = 0 ) u = ↵v
3. u · (u ⇥ v) = v · (u ⇥ v) = 0
4. ↵(u ⇥ v) = (↵u) ⇥ v = v ⇥ (↵u)
Justificativas: 1. Pela Regra da Mão Direita, segue a justificativa de mudança de sentido.
2. Se u ⇥ v = 0, então kuk kvk sin(✓) = 0, ✓ é o ângulo entre u e v. Logo, sin(✓) = 0 e

então ✓ = 0, u k v.
3. Pela definição de produto interno, u · (u ⇥ v) é igual ao comprimento dos vetores u e
26
u ⇥ v multiplicado pelo ângulo entre eles. Como u ⇥ v tem direção perpendicular a
u, então o produto interno será 0. De modo análogo, v · (u ⇥ v) = 0.
4. Multiplicar um vetor por uma constante não altera a direção, no máximo o sentido.
Se ↵ > 0, então os sentidos de u ⇥ v e de u não mudarão ao multiplicar por ↵. Assim,
↵(u ⇥ v) e (↵u) ⇥ v têm mesmo sentido. Em relação ao módulo:
k↵(u ⇥ v)k = |↵| ku ⇥ vk = |↵| kuk kvk sin(✓).
Por outro lado,
k(↵u) ⇥ v)k = k↵uk kvk sin(✓) = |↵| kuk kvk sin(✓).
Logo, têm mesma direção, mesmo sentido e mesmo comprimento.

Definição 1.3.3
Chamamos os vetores i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1) de vetores canônicos.
Note que todo vetor do R3 pode ser escrito como uma soma de múltiplos de i, j e k:
(a, b, c) = ai + bj + ck.
Chamamos essa escrita de combinação linear de i, j e k. Pela Regra da Mão Direita e as

propriedades anteriores, temos
Propriedades 1.3.2
a) i ⇥ i = j ⇥ j = k ⇥ k = (0, 0, 0)
b) i ⇥ j = k
c) j ⇥ k = i
d) k ⇥ i = j
e) j ⇥ i = k
f) k ⇥ j = i
g) i ⇥ k = j
Teorema 1.3.1
Sejam u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ), então
u ⇥ v = (y1 z2 y2 z1 , x1 z2 + x2 z1 , x1 y2 x2 y1 ).
27
Demonstração: reescrevendo os vetores usando os canônicos, temos
u = x1 i + y1 j + z1 k e v = x2 i + y2 j + z2 k. Pelas Propriedades 1.3.1 e 1.3.2,
u ⇥ v = (x1 i + y1 j + z1 k) ⇥ (x2 i + y2 j + z2 k). Distribuindo:
u ⇥ v = (x1 x2 )i ⇥ i + (x1 y2 )i ⇥ j + (x1 z2 )i ⇥ k + (y1 x2 )j ⇥ i + (y1 y2 )j ⇥ j

+ (y1 z2 )j ⇥ k + (z1 x2 )k ⇥ i + (z1 y2 )k ⇥ j + (z1 z2 )k ⇥ k
= (x1 y2 )i ⇥ j + (x1 z2 )i ⇥ k + (y1 x2 )j ⇥ i + (y1 z2 )j ⇥ k + (z1 x2 )k ⇥ i
+ (z1 y2 )k ⇥ j
= (x1 y2 )k + (x1 z2 )( j) + (y1 x2 )( k) + (y1 z2 )i + (z1 x2 )j + (z1 y2 )( i)
= (y1 z2 z1 y2 )i + (z1 x2 x1 z2 )j + (x1 y2 y1 x2 )k.
Uma maneira prática de calcular o produto vetorial é o conhecido Método de Sarrus.

Basta dispor em linha reta i, j e k. Abaixo deles, colocar os vetores u e v, e repetimos
as duas primeiras colunas, como a seguir:
i j k i j
x 1 y1 z 1 x1 y1
x2 y2 z 2 x2 y2
Agora, trace três diagonais, cada uma com três valores, da esquerda para a direita e
multiplique-os. Depois, diagonais da direita para a esquerda e multiplique-os. Subtraia
os valores e encontre o produto vetorial.
Exemplo 1.3.2
Sejam u = (1, 2, 3) e v = (4, 5, 6), calcular u ⇥ v.
Solução:
i j k i j
1 2 3 1 2
4 5 6 4 5
As diagonais são: 12i, 12j, 5k da esquerda para direita. E, 8k, 15i, 6j da direita para
a esquerda. Então: u ⇥ v = 12i + 12j + 5k 8k 15i 6j = 3i + 6j 3k = ( 3, 6, 3).
Exemplo 1.3.3
Calcular a área do triângulo com vértices em (0, 0, 1), (1, 2, 1) e (3, 2, 0).
Solução: Chame A = (0, 0, 1), B = (1, 2, 1) e C = (3, 2, 0), assim o triângulo tem lados
AB, AC e BC. Vamos escolher arbitrariamente dois de seus lados, por exemplo AB e
AC. Sejam u o vetor AB, e v o vetor AC, então u = (1, 2, 0) e v = (3, 2, 1). Sabemos
que ku ⇥ vk é a área do paralelogramo gerado por u e v, então metade desse valor será a
28
área do triângulo. Usando o método anterior, obtemos que u ⇥ v = ( 2, 1, 4) , então
p p p
ku ⇥ vk = 4 + 1 + 16 = 21. A área será 21/2.
Definição 1.3.4
O Produto Misto ou Produto Triplo Escalar de u, v e w é definido como (u⇥v)·w.
O Produto Misto é um número real, e uma de suas aplicações é no cálculo do volume

do paralelepı́pedo, determinado por u, v e w.
Propriedades 1.3.3
O volume do paralelepı́pedo determinado por u, v e w é |(u ⇥ v) · w|.
Demonstração: o volume é igual à área da base vezes a altura do paralelepı́pedo. Considere

a base formada por u e v, então a área da base será
kuk kvk sin(✓) = ku ⇥ vk .
Ao projetarmos w no plano formado por u e v, obtemos um triângulo retângulo, a altura

será kwk | sin( )|, é o ângulo entre w e o plano formado por u e v. Assim, o volume
será
kuk kvk sin(✓) kwk | sin( )| = ku ⇥ vk kwk | sin( )|.
Observe que o ângulo que w faz com u ⇥ v é igual a ⇡/2 . E sin( ) = cos(⇡/2 ), e
o volume do paralelepı́pedo será
ku ⇥ vk kwk | cos(⇡/2 )| = |(u ⇥ v) · w|.
Propriedades 1.3.4
Dados os vetores u, v e w, vale (u ⇥ v). w = u · (v ⇥ w).
Demonstração: segue da definição de produto interno e do Teorema 1.3.1.

Outra aplicação interessante de Produto Misto é sobre coplanaridade. Dados três
vetores não paralelos, como saber se estão no mesmo plano? Basta calcular o produto
misto dos vetores em qualquer ordem. Caso o resultado do produto misto dê zero, então
esses vetores são coplanares.
Exemplo 1.3.4
Dados quatro pontos distintos do espaço A = (1, 2, 3), B = ( 1, 2, 0), C = ( 1, 1, 2)

e D = (2, 1, 0), verificar se estão no mesmo plano.
Solução: Tome os vetores AB, AC e AD. Se esses três vetores estiverem no mesmo
plano, então os quatro pontos são coplanares. Caso contrário, esses vetores geram um
29
paralelogramo e, portanto, há um volume relacionado a ele. Vamos calcular |(AB ⇥AC)·
AD| = |( 3, 4, 2) ⇥ (1, 1, 3)| = 13. Logo, os três vetores geram um paralelepı́pedo e,
por conseguinte, são não coplanares.
Lista de exercı́cios 1
1) O que é um vetor? O que o caracteriza?
2) O que são representantes de vetores? E vetores opostos? Dê exemplo de cada um

deles.
3) Qual o vetor soma de dois vetores perpendiculares entre si cujos módulos são 1 e 2
unidades?
4) A soma de dois vetores de módulos diferentes pode ser nula? Tente explicar.
5) Calcule o módulo do vetor a + b em cada caso abaixo.

a) b) c)
b
90
a a
a
120
45
b b
8 8
>
> a = 3 cm >
> a = 5 cm 8
>
< >
< <a = 10 cm
p p
Dados b = 5 2 cm Dados b = 8 2 cm Dados
>
> p >
> :b = 5p2 cm
>
:cos 45 = 2 >
:cos 120 = 0, 5
2
6) Um projétil é atirado com velocidade de 400m/s fazendo um ângulo de 45º com a

horizontal. Determine as componentes vertical e horizontal da velocidade do projétil.
7) Qual a diferença entre vetor velocidade e velocidade escalar?
8) (UnB-DF) Sobre a composição dos vetores a seguir, podemos dizer que:
v1
v2
v4
v3
30
a) v1 + v2 + v3 = v4
b) v1 + v2 + v3 + v4 = 0
c) v1 + v2 + v3 = v4
d) v1 + v2 + v3 = v4
9) Determine o módulo e represente, por meio de um vetor, a força resultante do sistema

de forças.
5N
3N b 3N
a c
d
4N
2N
10) Sejam A = (1, 2), B = (3, 2) e C = (2, 4). Determine D para que ABCD seja um
paralelogramo.
11) Se v , w e u são vetores do R3 e c um escalar, explique se faz sentido as expressões:
ku.vk , v.u + w, w.(v.u) e c(u + v).
12) Calcule a área do triângulo ABC, onde A = (1, 2, 4), B = (2, 1, 0) e C = (0, 3, 1).
Verifique se ele é retângulo.
⇣ u.v ⌘
13) Se a projeção de v em u pode ser calculada por proju v = u , então calcule a
u.u
projeção de v em u e de u em v para v = (1, 2, 1) e u = (2, 0, 1).
14) Encontre todos os vetores que são ortogonais a (3, 1).
15) Sob que condições ku + vk = kuk + kvk e ku + vk = kuk kvk?
16) Usando as propriedades do produto interno, mostre que
a) (u + v)(u v) = kuk2 kvk2

b) ku + vk2 + ku vk2 = 2 kuk2 + 2 kvk2
c) ku + vk = ku vk se, e somente se, u e v são ortogonais.
17) Sejam v = i + 2j 3k e w = 2i + j 2k. Determine vetores unitários paralelos a:
31
a) v + w
b) v w
c) 2v w
18) Justifique por que o produto misto de três vetores ser zero significa que eles são copla-
nares.
19) Verifique se os pontos A = (1, 2, 1), B = (0, 1, 1), C = (1, 1, 0) e D = (1, 3, 1) são
coplanares.
20) Calcule o volume do paralelepı́pedo que tem um dos vértices no ponto A = (2,1,6) e
os três vértices adjacentes nos pontos B = (4,1,3), C = (1.3,2) e D = (1,2, 1).
21) Calcule a área do triângulo ABC, onde A = (2,1,6) , B = (4,1,3) e C = (1,3,2).
22) Prove que v ⇥ (w + u) = v ⇥ w + v ⇥ u e (v + w) ⇥ u = u ⇥ u + w ⇥ u.
23) Sejam u = (1, 3, 0) e v = ( 1, 2, 1).
a) Encontre o vetor unitário e paralelo a 2u v
b) Ache o ângulo entre u e v

w
24) Mostre que v = é unitário, isto é, kvk = 1, para todo vetor w.
kwk
25) Encontre as coordenadas do ponto médio do segmento com extremos em A e B no

espaço.
26) Uma força u de módulo igual a 3, 5N é aplicada sobre um corpo que se encontra no
0
ponto B na direção de A fazendo um ângulo de 30 , como mostrado na figura a seguir:
3 A0
2
v
1
B 30
1 2 3 4 5
Encontre as componentes x e y dessa força
32
27) (PUC-RJ-2008) Um veleiro deixa o porto navegando 70 km em direção leste. Em
seguida, para atingir seu destino, navega mais 100 km na direção nordeste. Despre-
zando a curvatura da terra e admitindo que todos os deslocamentos são coplanares,
determine o deslocamento total do veleiro em relação ao porto de origem. (Considere
p p
2 = 1, 4 e 5 = 2, 2).
28) Dados v = (1, 2, 1) e w = (0, 3, 2), encontre o ângulo entre v e w e a norma

(comprimento) de v 2w .
1.4 Equação da reta
1.4.1 Equação da reta no R2

Sabemos que, por dois pontos distintos, passa uma única reta r. Sejam P0 = (x0 , y0 )
e P1 = (x1 , y1 ) dois pontos distintos de r, a direção de r (vetor diretor de r) será P0 P1 =
(x1 x0 , y1 y0 ).
P1
x
P0
Figura 1.12: Reta passando por P0 e P1

Os pontos de r terão a forma
P0 + tP0 P1 = (x0 + t(x1 x0 ), y0 + t(y1 y0 )),
para todo t real. Assim, para determinar se (x, y) pertence à reta basta verificar se ele
tem a forma anterior, ou seja, encontrar t que satisfaça a igualdade (x, y) = (x0 + t(x1
x0 ), y0 + t(y1 y0 )). Temos determinado, para todo t real, um sistema de equações:
33
8
<x = x + t(x x0 )
0 1
:y = y + t(y y0 ).
0 1
Esse sistema é conhecido por equações paramétricas da reta, muito usado para repre-
sentar o Movimento Retilı́neo Uniforme da Fı́sica. O ponto (x0 , y0 ) é o ponto onde uma
partı́cula inicia seu movimento, t é o tempo, v = (x1 x0 , y1 y0 ) representa o deslo-
camento por unidade de tempo, ou seja, a velocidade média. Observe que, para outra
escolha de P0 e P1 , teremos outra equação paramétrica, isto é, outra parametrização da
reta.
Se for possı́vel P0 e P1 tais que x1 6= x0 e y1 6= y0 , podemos isolar o t no sistema e
achar:
x x1 y y1
=
x0 x1 y0 y1
que é conhecida por equações simétricas da reta. Observe que os denominadores são as
coordenadas do vetor diretor da reta. Multiplicando os meios pelos extremos e isolando
o y, obtemos
y 1 y0 x1 y0 y1 x0
y= x+
x1 x0 x1 x0
que é da forma y = ax + b onde a é o coeficiente angular e b, o coeficiente linear. Nesse
caso, a reta é o gráfico de uma função. Se a reta for paralela ao eixo x, então, para
quaisquer dois pontos de r, teremos que a coordenada y é a mesma, daı́ y1 y0 = 0. As
equações paramétricas são 8
<x = x + t(x x0 )
0 1
.
:y = y
0
Isolando t, temos que t = xx1 xx00 , ou seja, dado qualquer x real, tomando esse t en-
contramos que o ponto P = (x, y0 ) está na reta. Assim, a equação da reta se resume a
y = y0 .
De modo análogo, se a reta for paralela ao eixo y, então sua equação será x = x0 .
Exemplo 1.4.1
Encontre as equações da reta que passa por (1, 2) e (4, 5).
Solução: As equações paramétricas serão

(
x = 1 + t(4 1) = 1 + 3t
y = 2 + t(5 2) = 2 + 3t
E as simétricas
x 1 y 2 x 1 y 2
= () = .
4 1 5 2 3 3
Ainda podemos escrever y = x + 1.
34
1.4.2 Equação da reta no R3
Analogamente ao feito no R2 , sejam P0 = (x0 , y0 , z0 ) e P1 = (x1 , y1 , z1 ) dois pontos. A
reta que passa por eles possui pontos que satisfazem a Equação Vetorial
P = tP0 P1 + P0 = t(x1 x 0 , y1 y0 , z1 z0 ) + (x0 , y0 , z0 ),
que gera as seguintes equações paramétricas:

8
>
< x = x0 + t(x1 x0 )
y = y0 + t(y1 y0 )
>
:
z = z0 + t(z1 z0 )
Isolando t, podemos obter também as equações simétricas a seguir:
x x0 y y0 z z0
= =
x1 x0 y1 y0 z1 z0
para x1 6= x0 , y1 6= y0 e z1 6= z0 .
Suponha que conhecemos apenas um ponto P0 = (x0 , y0 , z0 ) da reta e sua direção
v = (a, b, c), isso significa que a reta r é paralela ao vetor v . Substituindo v por P1 P0
também obtemos estas equações paramétricas:
8
>
> x = x0 + at
>
<
y = y0 + tb
>
>
>
:z = z + tc
0
E as equações simétricas da reta
x x0 y y0 z z0
= = .
a b c
Exemplo 1.4.2
Encontre as equações da reta que passa por P = (1, 2, 3) e tem direção v =

( 1, 0, 4).
Solução: Equação vetorial é (x, y, z) = t( 1, 0, 4) + (1, 2, 3) para todo t real. Equações

paramétricas são 8
>
> x=1 t
>
<
y=2
>
>
>
:z = 3 + 4t
35
para todo t real, e as equações simétricas são
x 1 z 3
= e y = 2.
1 4
Exemplo 1.4.3
Um corpo se move em linha reta na direção v = (1, 2, 0), com velocidade constante
p
5 m/s. Se o corpo saiu da origem, descreva seu movimento por meio das equações
paramétricas da reta.
Solução: Como o corpo saiu da origem e se locomove na direção de v, então ele se move
sobre uma reta que está no plano xy, o vetor velocidade é o próprio v. Logo, para todo t
real, 8
>
> x=t
>
<
y = 2t
>
>
>
:z = 0
são as equações paramétricas da reta.
Exemplo 1.4.4
Encontre as equações de todas as retas que passam por P = (1, 2, 1), e são perpen-
diculares à reta com direção (1, 0, 0).
Solução: Seja (a, b, c) um vetor diretor de r, então (a, b, c) · (1, 0, 0) = 0, isto é, a = 0, e
não há restrições para b e c. As equações vetoriais são: (x, y, z) = t(0, b, c) + (1, 2, 1), para
todo t real.
1.5 Equação do plano

Há vários modos de caracterizar um plano:
i) 3 pontos não colineares;
ii) 1 reta e 1 ponto fora da reta;
iii) 1 ponto e 1 vetor normal ao plano (vetor perpendicular a todos os vetores paralelos
ao plano);
iv) 1 ponto e 2 vetores paralelos ao plano etc.
36
Primeiramente, obteremos a equação do plano ↵ usando o fato que conhecemos P0 =
(x0 , y0 , z0 ) um ponto do plano e um vetor normal ao plano N = (a, b, c). Seja P = (x, y, z)
um ponto de ↵, então o vetor P0 P é paralelo a ↵, consequentemente P0 P .N = 0.
Resolvendo esse produto interno, temos
(x x0 , y y0 , z z0 ) · (a, b, c) = 0
) (x x0 )a + (y y0 )b + (z z0 )c = 0
) ax + by + cz (ax0 + bx0 + cz0 ) = 0.
Essa última é conhecida por equação geral do plano. Observe que os coeficientes de
x, y e z são as coordenadas do vetor normal ao plano e o termo independente é o produto
interno de N e OP0 .
Suponha que conhecemos A, B e C, três pontos não colineares de um plano, podemos
determinar o vetor normal ao plano fazendo o produto vetorial de dois vetores do plano,
por exemplo AB ⇥AC = N . Daı́, escolhemos um dos pontos para ser o P0 e encontramos
a equação geral.
Se temos uma reta r e um ponto P0 fora da reta, escolhemos dois outros pontos de r
e procedemos como anteriormente. Caso tenhamos um ponto P0 e dois vetores paralelos
ao plano e não paralelos entre si, calculamos o produto vetorial destes e obteremos um
vetor normal ao plano, necessários para obter a equação geral do plano.
Uma outra forma de caracterizar um plano é por meio de suas equações paramétricas.
Sejam v1 = (x1 , y1 , z1 ) e v2 = (x2 , y2 , z2 ) dois vetores paralelos ao plano ↵ e não colineares,
e P0 um ponto de ↵. Um ponto P pertencerá ao plano ↵ quando P0 P for coplanar a v1
e v2 , isto é,
P0 P = t1 v1 + t2 v2 , t1 , t2 2 R ) (x x0 , y y0 , z z0 ) = t1 (x1 , y1 , z1 ) + t2 (x2 , y2 , z2 )
8
>
> x = x 0 + t1 x1 + t2 x2
>
<
) y = y 0 + t1 y 1 + t2 y 2
>
>
>
:z = z + t z + t z
0 1 1 2 2
Essas três equações são conhecidas como equações paramétricas do plano. A partir da
equação geral do plano, podemos obter as paramétricas isolando uma das variáveis x, y
ou z e colocando os parâmetros nas outras duas.
Exemplo 1.5.1
Determine a equação geral e as paramétricas do plano que passa por (1, 5, 1) e

tem vetor normal (2, 3, 1).
37
Solução: Os coeficientes de x, y e z são as coordenadas do vetor normal ao plano:
2x + 3y + 1z (1, 5, 1) · (2, 3, 1) = 0.
A equação geral será 2x + 3y + 1z 16 = 0. Para obter as paramétricas, isolamos x, por

exemplo, e colocamos y = t1 e z = t2 . Obtemos:
8
>
> x= 16 t2 3t1
>
< 2
y = t1
>
>
>
:z = t
2
Para essa escolha de parametrização, estamos afirmando que esse plano é paralelo aos
vetores ( 3/2, 1, 0) e ( 1/2, 0, 1), e passa pelo ponto (8, 0, 0), o qual pode ser facilmente
verificado pela equação geral do plano. Fazendo o produto vetorial desses dois vetores,
temos (1, 3/2, 1/2) que é um múltiplo do vetor normal (2, 3, 1), ou seja, é também normal
ao plano dado.
Exemplo 1.5.2
Encontre a equação geral do plano ↵ que é paralelo ao plano x + y 2z 2=0e
contém o ponto (2, 3, 2).
Solução: O vetor normal ao plano x+y 2z 2 = 0 é (1, 1, 2). Logo, será o vetor normal a
↵ também, pois são paralelos. A equação geral de ↵ será x+y 2z (2, 3, 2)·(1, 1, 2) = 0,
que é x + y 2z 1 = 0.
1.6 Interseção de retas e planos
1.6.1 Posições de retas no R2

No R2 , há três posições possı́veis para duas retas: coincidentes, paralelas e concorren-
tes. Dadas as equações de duas retas, como verificar a posição entre elas? A primeira
coisa que precisamos saber é se elas têm a mesma direção ou não. Para o caso em que
as retas têm direções distintas, como estão no mesmo plano, elas são concorrentes. Se
têm a mesma direção, então temos duas possibilidades: as retas são iguais (coincidentes)
ou paralelas. Para saber em que caso estamos, fazemos a interseção das duas retas e
verificamos se é vazia ou não.
Exemplo 1.6.1
Sejam y = 2x + 1 a equação da reta r, x = 2t e y = 1 + 4t para todo t real, a
equação da reta s. Encontre a interseção dessas retas.
38
y 1
Solução: A reta r tem equação simétrica x = 2
, então seu vetor diretor é (1, 2). O
vetor diretor da segunda reta é (2, 4), como (2, 4) = 2(1, 2), essas retas têm a mesma
direção. Vamos calcular a interseção entre elas. Para isso, podemos substituir as equações
paramétricas de s na equação de r:
y = 2x + 1 ) 1 + 4t = 2(2t) + 1 ) 1 + 4t = 1 + 4t,
o que é verdade; logo todo ponto de s está em r, então r = s. Outro modo de resolver o
problema é escrever a equação de s na forma simétrica:
x y 1
= ,
2 4
multiplicando meios por extremos temos 4x = 2y 2 que é equivalente a y = 2x + 1, a

mesma equação de r. Logo, r = s.
Exemplo 1.6.2
Sejam 1 x = y3 e x 22 = y 6 1 as equações de duas retas r e s, respectivamente.

Encontre a interseção entre elas.
x x0 y y0
Solução: Observe que a equação da reta r não está na forma padrão a
= b
. Rees-
crevendo, temos
x 1 y
= ,
1 3
indicando que seu vetor diretor será ( 1, 3). O diretor da reta s é ( 2, 6), logo, as retas
têm a mesma direção. Vamos verificar a interseção entre elas. Uma maneira é isolar o x
em r e s e igualá-los:
3 y y+7
= ) 7 = 3,
3 3
o que não é verdade, então r é paralela a s.
Uma outra maneira é resolver o sistema:
8 8
<1 x = y/3 <y = 3x + 3
)
:x 2 = y 1 :y = 3x + 7
2 6
Subtraindo as equações, obtemos 0 = 4, o que não é verdade! Assim, o sistema não

possui solução, e as retas são paralelas.
1.6.2 Posições de retas no R3

No R3 , temos quatro posições possı́veis entre retas: coincidentes, paralelas, concor-
rentes e reversas. Assim como no R2 , devemos olhar para as direções das retas. Retas
39
coincidentes e paralelas têm vetores diretores com mesma direção; já as retas concorrentes
ou reversas não.
Para sabermos em que situação estamos, calculamos a interseção entre as retas, se for
vazia, então elas são reversas.
Exemplo 1.6.3
Sejam r e s retas com equações
x y 2 z x 1 y+1 z+2
= = e = = ,
5 3 3 3 3 2
respectivamente. Encontre a posição dessas retas.
Solução: As direções das retas são (5, 3, 2) e (3, 3, 2), logo, não são paralelas e nem coin-
cidentes. Para saber se são concorrentes ou reversas, calculamos a interseção, igualando
as equações na forma paramétrica:
8
>
> x = 5t = 3t0 + 1
>
<
y = 3t + 2 = 3t0 1
>
>
>
:z = 3t = 2t0 2 ) t0 = 1 e t = 4/5.
Há interseção no ponto (4,2,0).

Definição 1.6.1
Duas retas concorrentes formam quatro ângulos, definimos o ângulo entre elas como
o menor destes, logo sempre menor ou igual 90 . O ângulo entre retas reversas r e
0
s é definido como o ângulo entre r e s , onde s0 é reta paralela a s e intercepta r.
O ângulo entre retas coincidentes e paralelas é zero.
Se v1 e v2 são os vetores diretores das retas r e s respectivamente, e o ângulo entre v1

e v2 é menor que 90 , então, o ângulo ✓ entre r e s é igual ao ângulo entre v1 e v2 . Assim,
v1 · v2
cos(✓) = .
kv1 k kv2 k
0
Caso contrário, o ângulo ✓ entre r e s será o suplementar do ângulo ✓ entre seus diretores:
0 v1 · v2
cos(✓) = cos(180 ✓)= .
kv1 k kv2 k
Como o ângulo entre os diretores é maior que 90 , logo, o produto interno do numerador
será negativo e o cosseno do ângulo positivo. Assim, generalizamos para
|v1 · v2 |
cos(✓) = .
kv1 k kv2 k
40
Exemplo 1.6.4
O ângulo entre as retas do Exemplo 1.6.3 satisfaz
|(5, 3, 2) · (3, 3, 2)| 28 4

cos(✓) = =p p =p .
k(5, 3, 2)k k(3, 3, 2)k 38 24 209
1.7 Posições de planos

Dois planos podem ser coincidentes, paralelos ou se interceptarem em uma reta (se-
cantes ou concorrentes). Nos dois primeiros casos, os vetores normais são paralelos, já no
último caso os normais são não paralelos.
Exemplo 1.7.1
Verifique as posições de x 2y + 5z + 1 = 0 e 2x 4y + 7z = 0.
Solução: O primeiro plano tem vetor normal (1, 2, 5) e o segundo (2, 4, 7). Não existe
um número real t tal que t(1, 2, 5) seja igual a (2, 4, 7). Logo, os vetores normais não
são paralelos, e consequentemente os planos se interceptam em uma reta r. Vamos achar
as equações de r.
Uma maneira é resolver o sistema:
8 8
<x 2y + 5z + 1 = 0 <2x 4y + 10z + 2 = 0
)
:2x 4y + 7z = 0 :2x 4y + 7z = 0
Subtraindo as equações, obtemos 3z + 2 = 0, o que implica em z = 2/3. A interseção

dos planos será a reta com coordenada z = 2/3 e que satisfaz ambas as equações, por
exemplo a primeira: x 2y + 5( 2/3) + 1 = 0, isso implica em x 2y = 7/3 e z = 2/3.
As equações paramétricas são: 8
>
> x = 7/3 + 2t
>
<
y=t
>
>
>
:z = 2/3
para todo t real. Assim, o vetor diretor dessa reta é (2, 1, 0), e um ponto é (7/3, 0, 2/3).
Uma maneira alternativa de encontrar o vetor diretor da reta interseção é observar que o
produto vetorial dos vetores normais aos dois planos resultará no diretor da reta interseção.
Exemplo 1.7.2
Verifique as posições de x + y 2z + 2 = 0 e 3x + 3y 6z + 2 = 0.
41
Solução: Os vetores normais aos planos são (1, 1, 2) e (3, 3, 6). Como (3, 3, 6) =
3(1, 1, 2), então, os planos são paralelos ou coincidentes. Vejamos a interseção:
8 8
<x + y 2z + 2 = 0 <3x + 3y 6z + 6 = 0
) .
:3x + 3y 6z + 2 = 0 :3x + 3y 6z + 2 = 0
Subtraindo as equações, obtemos 4=0, o que é um absurdo! Logo, não há interseção
e os planos são paralelos.
1.7.1 Posições entre retas e planos

Dados uma reta r e um plano ↵, onde v é o vetor diretor de r e N o vetor normal a
↵, temos três possibilidades para suas posições:
• r está contida em ↵, neste caso N é perpendicular a v, e então N · v = 0 ;
• r é paralela a ↵, novamente N é perpendicular a v, e então N · v = 0 e r \ ↵ = ;
• r corta ↵ em um ponto P0 , agora N .v 6= 0 e r \ ↵ = P0 .
Exemplo 1.7.3
Sejam a reta r : x 2 1 = y = z 9
3
e o plano ↵ : x 2y + z + 3 = 0. Encontre a posição
relativa aos dois.
Solução: O vetor diretor de r é (2, 1, 3) e o vetor normal ao plano é (1, 2, 1). Vamos
calcular o produto interno deles: (2, 1, 3) · (1, 2, 1) = 2 2 + 3 = 3, que é diferente de
zero, assim a reta corta o plano.
Vamos encontrar o ponto de corte reescrevendo as equações paramétricas da reta r:
8
>
> x = 1 + 2t
>
<
y=t
>
>
>
:z = 9 + 3t
para todo t real, e substituindo-as na equação do plano: x 2y + z + 3 = 0 :
(1 + 2t) 2(t) + (9 + 3t) + 3 = 0 ) t = 13/3.
Ou seja, quando t = 13/3, o ponto da reta está no plano ↵ também, isto é,
8 8
>
> x= 26/3 >
> x= 26/3
>
< >
<
y = 13/3 ) y= 13/3 .
>
> >
>
>
:z = 9 3 · 13/3 >
:z = 4
42
Conclusão, a reta r corta ↵ em (-23/3,-13/3,-4).
1.8 Distâncias no espaço: d(., .)
1.8.1 Distância entre pontos

Escreveremos d(P1 , P2 ) para representar a distância entre dois pontos do espaço P1 =
(x1 , y1 , z1 ) e P2 = (x2 , y2 , z2 ), e é igual ao comprimento do vetor P1 P2 , isto é,
p
d(P1 , P2 ) = (x2 x1 )2 + (y2 y1 )2 + (z2 z1 )2 .
1.8.2 Distância entre um ponto e um plano

A distância entre um ponto P0 = (x0 , y0 , z0 ) e um plano ↵, com equação ax + by +
cz d = 0, será denotada por d(P0 , ↵) e vale o comprimento do menor segmento com
extremos em P0 e um ponto de ↵.
P0
P1
Figura 1.13: Distância de P0 a ↵

O menor segmento será aquele que é perpendicular ao plano, logo, paralelo ao vetor
normal do plano. Podemos calculá-la se conhecermos outro ponto qualquer P1 do plano
↵. Basta observar que a distância de P0 a ↵ é o comprimento da projeção ortogonal do
vetor P0 P1 em N . Então,
|P1 P0 · N |
d(P0 , ↵) = kprojN P1 P0 k = kN k
kN k2
|P1 P0 · N |
) d(P0 , ↵) = .
kN k
Se c 6= 0, então o ponto (0, 0, d/c) pertence ao plano ↵. Fazendo P1 = (0, 0, d/c),
obtemos
k(x0 , y0 , z0 d/c) · (a, b, c)k |ax0 + by0 + cz0 d|

d(P0 , ↵) = = p .
k(a, b, c)k a2 + b 2 + c 2
43
De modo análogo, para a 6= 0 ou b 6= 0, obtemos a mesma fórmula.
|ax0 + by0 + cz0 d|

d(P0 , ↵) = p .
a2 + b 2 + c 2
1.8.3 Distância entre um ponto e uma reta

Escrevemos d(P0 , r) para a distância entre um ponto P0 = (x0 , y0 , z0 ) e uma reta r, isto
é, o comprimento do menor segmento com extremos em P0 e em algum ponto de r. Seja
P1 um ponto qualquer de r, o segmento P0 P1 é a hipotenusa de um triângulo retângulo
com base em r, como na figura a seguir.
P0
r
P0 P1
P
P1
Figura 1.14: Distância de um ponto P0 a uma reta r

Os outros dois catetos desse triângulo são a projeção de P0 P1 na reta, ou melhor,

no vetor diretor da reta (v) e o que nos dará a distância procurada. Pelo Teorema de
Pitágoras:
kP1 P0 k2 = d2 (P0 , r) + kprojv P1 P0 k2
) d2 (P0 , r) = kP1 P0 k2 kprojv P1 P0 k2
2 |P1 P0 · v|2 kP1 P0 k2 kvk2 cos2 (✓)

2
) d (P0 , r) = kP1 P0 k 2 = kP1 P0 k2
kvk kvk2
2 kP1 P0 k2 kvk2 kP1 P0 k2 kvk2 cos2 (✓) kP1 P0 k2 kvk2 sin2 (✓)
) d (P0 , r) = =
kvk2 kvk2
kP1 P0 k kvk sin(✓)
) d(P0 , r) = .
kvk
Nesse caso, para não ter que calcular sen(✓), usamos o produto vetorial:
kP1 P0 ⇥ vk
d(P0 , r) = .
kvk
44
1.8.4 Distância entre planos
A distância entre dois planos ↵ e , d(↵, ), com vetores normais N1 e N2 respectiva-

mente, é calculada como segue. Se os planos são coincidentes ou se interceptam, então a
distância será zero. Se forem paralelos, escolha arbitrariamente um ponto P0 = (x0 , y0 , z0 )
de um dos planos, por exemplo ↵, e calcule a distância de P0 a (com equação geral
ax + by + cz d = 0), assim,
|ax0 + by0 + cz0 d|

d( , ↵) = d(P0 , ) = p .
a2 + b 2 + c 2
1.8.5 Distância entre retas
a) A distância entre duas retas r e s, d(r, s) é zero se r = s ou se r intercepta s.
b) Se r é paralela a s, então d(r, s) = d(P, s), onde P é qualquer ponto de r.
0 0
c) Se r e s são reversas, então seja r uma reta paralela a r que corta s. Por r e s passa
um único plano ↵, note que esse plano contém todas as retas paralelas a r e que cortam
s. Assim, d(r, s) = d(r, ↵) = d(P1 , ↵), onde P1 é um ponto qualquer de r e o vetor
normal de ↵ é v1 ⇥ v2 . Assim,
|P1 P2 · (v1 ⇥ v2 )|
d(r, s) = ,
kv1 ⇥ v2 k
onde P2 é um ponto de s.
Exemplo 1.8.1
y+1 y 3
Sejam r e s com equações x 2 1 = 3
= 1 z
2
e x
3
= 3
=z 4, respectivamente.
Calcule a distância entre elas.
Solução: Observe que o vetor diretor de r é v1 = (2, 3, 2), o vetor diretor de s é v2 =

(3, 3, 1), e não são paralelos, logo, r e s não são paralelas e nem coincidentes. Resta saber
se interceptam ou se são reversas. Vamos igualar as expressões das formas paramétricas
das duas retas para saber se há interseção: x = 2t + 1 = 3t0 , y = 3t 1 = 3t0 + 3 e
z = 1 2t = t0 + 4. Não existem t e t0 que satisfaçam! Portanto, não há interseção entre
elas, e as retas são reversas. Vamos aplicar a fórmula para P1 = (1, 1, 1) e P2 = (0, 3, 4)
|( 1, 4, 3) · (v1 ⇥ v2 )| |( 1, 4, 3) · (9, 8, 3)| 50 25

d(r, s) = = = = .
kv1 ⇥ v2 k k(9, 8, 3)k 154 77
45
1.9 Interseção de esferas
Definição 1.9.1
A esfera de centro (a, b, c) e raio r é o lugar geométrico dos pontos P = (x, y, z) que
distam r do centro, isto é, d(P, (a, b, c)) = r, equivalentemente,
p
(x a)2 + (y b)2 + (z c)2 = r
) (x a)2 + (y b)2 + (z c)2 = r2 .
Exemplo 1.9.1
Encontre a equação da esfera de centro em (0, 0, 0) e raio 2.
Solução: A equação satisfaz
(x 0)2 + (y 0)2 + (z 0)2 = 22
) x2 + y 2 + z 2 = 4.
Exemplo 1.9.2
Ache o centro e o raio da esfera de equação 3x2 + 3y 2 + y + 3z 2 = 0.
Solução: Precisamos reescrever na forma padrão:
(x a)2 + (y b)2 + (z c)2 = r2 ,
y
) x2 + y 2 + + z 2 = 0,
3
ao dividirmos por 3. Então,
x2 + (y + 1/6)2 + z 2 = 1/62 .
Assim, o centro é (0, 1/6, 0), e o raio é 1/6.
Sejam S1 e S2 duas esferas distintas, com centros em C1 e C2 e raios r1 e r2 . A

interseção de duas esferas é vazia, um único ponto ou um cı́rculo, dependendo da distância
dos centros:
• d(C1 , C2 ) = r1 + r2 ) S1 \ S2 = P0 , P0 = (x0 , y0 , z0 );
46
• d(C1 , C2 ) > r1 + r2 ) S1 \ S2 = ;
• d(C1 , C2 ) < r1 + r2 ) S1 \ S2 = circunferência.
Exemplo 1.9.3
Sejam x2 + (y 1)2 + z 2 = 4 e (x 1)2 + (y 2)2 + z 2 = 5 as equações de duas

esferas. Encontre a interseção, se existir.
p
Solução: Temos que C1 = (0, 1, 0), C2 = (1, 2, 0), r1 = 2, r2 = 5 . Então d(C1 , C2 ) =
p p p
(1 0)2 + (2 1)2 + (0 0)2 = 2 < r1 +r2 = 2+ 5. Logo, a interseção é um cı́rculo.
Vamos achar a equação do cı́rculo.
Isolando z 2 nas duas equações das esferas e igualando-os, temos
z2 = 4 x+2 (y 1)2 = 5 (x 1)2 (y 2)2 ) x + y = 3/4.
Obtivemos a equação de um plano do espaço, logo, procuramos a interseção de um plano

com uma das esferas. Substituindo essa informação em uma das equações das esferas, por
exemplo, na primeira, obtemos
x2 + (3/4 x 1)2 + z 2 = 4 ) x2 + 1/16 + x/2 + x2 + z 2 = 4
x x2
) 2x2 + + 1/16 + z 2 = 4 ) + x/2 + z 2 = 4 1/16
2 1/2
p !2
x 2 254
) p + + z2 = .
1/ 2 8 64
p
xp 2 254
b=
Tomando x 1/ 2
+ 8
, b2 + z 2 =
temos x 64
, a qual é a equação da circunferência
procurada.
1) Encontre a equação paramétrica da reta que é a interseção dos planos 3x y+z =0
e x + 2y + z = 1.
2) Ache a equação do plano paralelo ao plano 2x y + 5z 3 = 0 e que passa por

P = (1, 2, 1).
3) Encontre a equação do plano que passa pelo ponto P = (2, 1, 0) e é perpendicular aos
planos x + 2y 3z + 2 = 0 e 2x y + 4z 1 = 0.
4) Determine a interseção da reta que passa pela origem e tem vetor diretor v = (1, 2, 1)
com o plano 2x + y + z = 5.
47
5) Verifique se as retas r : (x, y, z) = (9t, 1 + 6t, 2 + 3t) e s : (x, y, z) = (1 + 2t, 3 + t, 1)
se interceptam e em caso afirmativo determine a interseção.
6) Dadas as retas r : x 2 2 = y2 = z e s : x 2 = y = z, obtenha uma equação geral para o

plano determinado por r e s.
7) Considere os vetores v = (1, 3, 2), w = (2, 1, 1) e u = (1, 2, 0). Seja ⇡ um plano

paralelo aos vetores w e u e r uma reta perpendicular ao plano ⇡. Ache a projeção
ortogonal do vetor v sobre a reta r, ou seja, a projeção ortogonal de v sobre o vetor
diretor da reta r.
8) Encontre o ângulo entre o plano 2x y + z = 0 e o plano que passa pelo ponto

P = (1, 2, 3) e é perpendicular ao vetor (1, 2, 1).
p
9) Ache as equações dos planos em R3 ortogonais ao vetor (2, 2, 2), que distam 3 do
ponto (1, 1, 1).
10) Obtenha uma equação geral do plano ⇡ que contém a reta r : x 2y + 2z = 0 e

3x 5y + 7z = 0 e forma com o plano x + z = 0 um ângulo de 60 .
|ms mr |
11) Mostre que o ângulo entre duas retas do R2 satisfaz tan(✓) = 1+ms mr
, onde mr e ms
são os coeficientes angulares das retas.
sin(✓)
Dica: sin2 (✓) = 1 cos2 (✓) e tan(✓) = cos(✓)
.
12) Uma fonte luminosa pontual, situada em F = (0, 0, 1), emite um raio luminoso na
direção do ponto A = (1, 1, 0), que é refletido por um espelho plano contido em y = 3.
a) Em que ponto do espelho incide o raio luminoso?

b) Em que ponto o raio refletido atinge o plano xz?
(Dica: O ângulo de incidência é igual ao de reflexão, e o plano que contém os raios de

incidência e de reflexão é perpendicular ao espelho).
13) Encontrar a equação do plano que passa pelos pontos P = (1, 0, 0) e Q = (1, 0, 1) e é
perpendicular ao plano y = z.
48
CAPÍTULO 2
Matrizes
2.1 Matrizes: definições e exemplos

As matrizes têm um papel fundamental e constituem uma ferramenta poderosa para a
resolução de sistemas lineares. Neste capı́tulo, definiremos matriz, operações com matrizes
e propriedades básicas delas. No final, faremos algumas aplicações e mostraremos como
elas aparecem no dia a dia das engenharias e de outras áreas afins.
Afinal, o que são matrizes? Por agora entenderemos as matrizes como um arranjo de
números reais, ou variáveis. Esses arranjos são ordenados por linhas e colunas.
Exemplo 2.1.1
Seja a matriz A com três linhas e quatro colunas
0 1
2 3 5 17
B C
A = @ 7 3 2 3 A.
2 3 5 2
Observe que a primeira coluna de A é

0 1
2
B C
A(1) = @ 7 A.
2
A primeira e a terceira linhas de A são dadas por

⇣ ⌘ ⇣ ⌘
A1 = 2 3 7 17 e A3 = 2 3 5 2 .
49
Definição 2.1.1
Uma matriz é um arranjo quadrado ou retangular de números reais da seguinte
forma
0 1
a11 a12 . . . a1n
B C
B a21 a22 . . . a2n C
A=B
B .. .. . . .. C.
C
@ . . . . A
an1 an2 . . . anm
A é uma matriz m ⇥ n, pois tem m linhas e n colunas. Escrevemos Am⇥n , e m ⇥ n
é chamada de ordem de A. O valor aij denota a entrada de A na linha i e na coluna
j. A(j) denota a j-ésima coluna de A, e Ai denota a i-ésima linha de A. Assim,
0 1
a1j
B C ⇣ ⌘
B a2j C
A(j) =B
B .. C e Ai = ai1 ai2 . . . ain .
C
@ . A
anj
Se m = n, An⇥n é chamada de matriz quadrada e sua diagonal é composta por

elementos aii para i = 1, ..., n.
Exemplo 2.1.2
Seja B uma matriz quadrada (m = n) cujas entradas são todas iguais a 1. Para
n = m = 2 ou n = m = 3, teremos
0 1
! 1 1 1
1 1 B C
B2⇥2 = ou B3⇥3 = @ 1 1 1 A.
1 1
1 1 1
50
2.1.1 Tipos especiais de matrizes
Exemplo 2.1.3
0 1
0 1 0 0 0 5
! ! 3 0 0 B C
0 0 1 0 B C B 0 0 2 0 C
A= , B= , C = @ 0 2 0 A, D = B
B 0 3 0 0
C
C
0 0 0 1 @ A
0 0 1
1 0 0 0
0 1 0 1
2 0 1 ⇣ ⌘ 1
B C B C
E=@ 0 1 1 A, F = 1 0 , G = @ 2 A.
0 0 3 3
Definição 2.1.2
No exemplo anterior:
a) A matriz A é chamada de matriz nula de ordem 2 ⇥ 2, pois todas suas entradas

são iguais a zero. Toda matriz cujas entradas são iguais a 0 é chamada matriz
nula.
b) A matriz B é chamada matriz identidade de ordem 2 ⇥ 2, usualmente escreve-

mos I2⇥2 para representar B. Toda matriz quadrada com todos os elementos da
diagonal valendo 1 e os demais iguais a 0 é chamada de Identidade e escreve-se
In⇥n .
c) As matrizes A, B e C são denominadas matrizes diagonais, pois são quadradas

e todos os seus elementos são 0 com possı́vel exceção da diagonal.
d) As matrizes A, B, C e E são denominadas matrizes triangulares superiores,

pois são quadradas e todos os seus elementos abaixo da diagonal são 0. Podemos
escrever isso como aij = 0 quando i > j. Caso contrário, dizemos que é triangular
inferior.
e) A matriz F é chamada de matriz linha, pois é composta por apenas 1 única

linha. A mesma ideia vale para matrizes colunas. Assim, G é matriz coluna.
Matrizes que constam apenas de uma linha ou coluna são chamadas de matrizes
degeneradas.
51
2.2 Operações com matrizes
2.2.1 Adição de matrizes
Definição 2.2.1
Definimos a soma de matrizes (2 ⇥ 2) desta maneira:
! ! !
a11 a12 b11 b12 a11 + b11 a12 + b12
+ = .
a21 a22 b21 b22 a21 + b21 a22 + b22
Exemplo 2.2.1
! ! ! !
1 2 0 6 1+0 2+6 1 8
A= e B= ) A+B = = .
3 4 2 1 3 + 2 4 + ( 1) 5 3
Podemos estender essa operação para quaisquer duas matrizes (m ⇥ n), desde que
sejam da mesma ordem. Por exemplo, Am⇥n + Bm⇥n = Cm⇥n , onde cij = aij + bij .
2.2.2 Multiplicação por um escalar
Definição 2.2.2
Sejam a matriz Am⇥n e c 2 R, definimos o produto de cA como uma matriz tal que
o elemento (i, j) é caij .
Exemplo 2.2.2
! ! !
1 2 3.1 3.2 3 6
3 = = .
3 4 3.3 3.4 9 12
52
2.2.3 Multiplicação de uma matriz por outra n ⇥ 1
Definição 2.2.3
0 1
x1
B C
B x2 C
Sejam A1⇥n = (aij )1⇥n eX=B
B .. C , definimos o produto de A por X como
C
@ . A
xn
0 1
x1
⇣ ⌘ B
B x2
C
C
a11 a12 ... a1n .B
B .. C = a11 x1 + a12 x2 + ... + a1n xn .
C
@ . A
xn
Observe que esse produto resulta em um número real e é o produto interno ou escalar
da Definição 1.2.4.
Se Am⇥n , então 0 1 0 1
A1 A1 X
B C B C
B A2 C B AX C
AX = B .. C X = B 2. C,
B C B . C
@ . A @ . A
Am Am X
onde Ai é a linha i de A. Ou, ainda,
0 1
x1
⇣ ⌘B
B x2
C
C
AX = A (1) (2)
A ... A (n) B .. C = x1 A(1) + x2 A(2) + ... + xn A(n) .
B C
@ . A
xn
Essa última expressão é chamada de combinação linear das colunas de A.
Exemplo 2.2.3
0 1
! 1 ! ! ! ! !
1 2 3 B C 1.1 + 2.3 + 3.5 1 2 3 22
@ 3 A= =1 +3 +5 = .
4 5 6 4.1 + 5.3 + 5.6 4 5 6 49
5
53
2.2.4 Produto de matrizes
Definição 2.2.4
Sejam as matrizes Am⇥k e Bk⇥n . A matriz produto C = AB (de ordem m ⇥ n) é
obtida mediante
cij = Ai B (j) .
Ou seja, cij é igual ao produto dos vetores Ai ( i-ésima linha de A) e do vetor B (j)
(j-ésima coluna de B ).
Exemplo 2.2.4
Considere as matrizes A e B, queremos encontrar C = AB,
0 1
! 2 1 0
1 2 3 B C
A= e B=@ 0 3 0 A.
3 4 0
5 4 0
Solução: Pela definição anterior a matriz C terá 2 linhas e 3 colunas, e c11 = A1 B (1) =
1.( 2) + 2.0 + ( 3).5 = 17, c12 = A1 B (2) = 1.1 + 2.3 + ( 3).( 4) = 19. Continuando as
contas, encontramos a matriz C
!
17 19 0
C= .
6 15 0
Denominamos uma matriz n ⇥ 1 de vetor coluna, e uma matriz 1 ⇥ n de vetor
linha. É natural pensá-las como pontos do Rn e assim o faremos frequentemente.
Softwares como o Matlab ou Scilab sempre identificam vetores do Rn como matrizes
n⇥1, ou 1⇥n, conforme se deseje. Isto é, ora como vetores coluna, ora como vetores
linha, a depender de como sejam registrados.
2.2.5 Associando matrizes m ⇥ n com pontos do Rmn

Podemos visualizar as matrizes de ordem m ⇥ n como elementos no Rmn , ou seja,
como pontos de algum Rmn , de tal forma que as m primeiras coordenadas correspondem
à primeira coluna da matriz, as m seguintes correspondem à segunda coluna e assim por
diante.
54
A soma de matrizes m ⇥ n e sua multiplicação por números reais funciona exatamente
da mesma forma que a soma de pontos no Rmn e a multiplicação de pontos do Rmn por
número real.
Exemplo 2.2.5
0 1 0 1 0 1
! ! ! B C B 3 1 4
C B C
1 2 3 2 4 4 B 2 C B 2 C B 4 C
+ = =B C B C B
B 1 C+B 1 C=B
C.
C
1 1 1 0 0 1 @ A @ A @ 0 A
1 0 1
Essa operação é conhecida como vetorização.
2.2.6 Matrizes particionadas em vetores coluna
Definimos o produto de uma matriz Am⇥n por um vetor coluna v como uma com-
binação linear de colunas da matriz A, tendo como pesos as coordenadas de v :
Av = A(1) x1 + A(2) x2 + ... + A(n) xn .
Isso torna bastante natural olhar uma matriz como particionada em n vetores coluna
de An⇥1 ⇠= Rn , ou seja, A = (A(1) , A(2) , ..., A(n) ).
Observe que podemos pensar na soma de duas matrizes, olhando-as particionadas em
vetores colunas. Por exemplo, se A = (A(1) , A(2) , ..., A(n) ) e B = (B (1) , B (2) , ..., B (n) ),
então
A + B = (A(1) + B (1) , A(2) + B (2) , ..., A(n) + B (n) ).
Igualmente, ao multiplicarmos matrizes por números, se c é um número real, então

cA = (cA(1) , cA(2) , ..., cA(n) ).
Exemplo 2.2.6
1 0
1
B C
Considere a matriz A = (1, 2, 3) e o vetor v = @ 3 A , podemos formar o produto
2
Av, que resulta na matriz 1 ⇥ 1 dada por:
Av = A(1) x1 + A(2) x2 + A(3) x3 = 1.1 + 2.3 + 3.2 = 13.
55
0 1 0 1
1 0 1 4 2 9
B C B C
1) Sejam as matrizes A = @ 2 1 0 A e B = @ 3 0 1 A , calcule A + B,
0 0 1 2 1 0
B A e 4(A + B).
0 1 1 0
! 0 1
1 0 1 B C B C
2) Sejam A = , x = @ 0 A e y = @ 2 A , verifique se Ax = Ay.
2 1 0
1 0
3) Certo ou errado? Justifique suas respostas:
( ) Se A é uma matriz e Ax = 0, então x = 0.

0 1
1
B C
( ) Se A é uma matriz 3 ⇥ 3, então A @ 0 A = A1 .
0
0 1
1
B C
( )Se A é uma matriz 3 ⇥ 3, então A @ 1 A = A(1) A(2) .
0
( ) Se A é uma matriz 3 ⇥ 3 e Av = 0, para todo v 2 R3 , então A = 0.
0 1
! 1
1 2 3 B C
4) Seja A = e v = @ 0 A,
0 1 1
2
a) Calcule o produto Av conforme a partição de A por linhas.
b) b = (1, 0, 1) é combinação linear das linhas de A?
c) O vetor c = (1, 2) é combinação linear das colunas de A?
Observe que, até agora, tanto escrevemos os vetores de Rn “deitados”como em pé.
Enquanto não se opera com produto de matrizes, podemos identificar pontos do Rn
com matrizes 1 ⇥ n ou com matrizes n ⇥ 1, indistintamente. Já enquanto matrizes,
ou seja, quando se leva em conta o produto de matrizes, uma matriz 1 ⇥ n é um
objeto matemático distinto de uma matriz n ⇥ 1.
56
Exemplo 2.2.7
0 1
⇣ ⌘ 1
B C
A= 1 2 3 e B = @ 2 A , então
3
0 1
⇣ ⌘ 1
B C
AB = 1 2 3 @ 2 A = (14)
3
e 0 1 0 1
1 ⇣ ⌘ 1 2 3
B C B C
BA = @ 2 A 1 2 3 = @ 2 4 6 A .
3 3 6 9
Isto é, enquanto pontos do R3 , A e B não são diferentes, uma vez que suas três
coordenadas são idênticas. No entanto, enquanto matrizes, com as quais se pode operar
a multiplicação matricial, A é uma matriz 1 ⇥ 3, B é 3 ⇥ 1 e AB dá um resultado
completamente diferente de BA.
Como já frisamos anteriormente, é possı́vel trabalhar com vetores como matrizes 1⇥n,
ou como matrizes n ⇥ 1. Contudo, para evitar ambiguidades, é melhor fixar uma delas
como padrão. Na verdade, o produto matriz-vetor constitui um caso particular do produto
matriz-matriz AB, no caso onde B é n ⇥ 1. Desse modo, os vetores do Rn passam a ser
identificados como matrizes n ⇥ 1 de números reais, salvo menção em contrário.
A multiplicação matriz-vetor, por exemplo, é, de fato, uma multiplicação matriz-
matriz, a soma de vetores é a soma de matrizes n ⇥ 1, etc. Isso nos facilitará enormemente
o jogo algébrico com vetores e matrizes.
Propriedades 2.2.1
Para matrizes A, B e C coerentemente definidas (ou seja, das quais faça sentido
realizar o produto) e c 2 R, valem as propriedades:
P1- Associativa: (AB)C = A(BC)
P2- Linearidade à direta: A(B + C) = AB + AC e A(cB) = cAB
P3- Linearidade à esquerda: (A + B)C = AC + BC e (cA)B = c(AB)
P4- A matriz I, matriz identidade n ⇥ n que vale 1 na diagonal e zero fora dela, é
o elemento neutro para o produto, já que Am⇥n In⇥n = Am⇥n e Im⇥m Am⇥n =
Am⇥n .
57
Algumas das propriedades algébricas com as quais estamos acostumados a lidar ao
tratar com números reais não valem para matrizes. Isso costuma criar dificuldades
na manipulação algébrica das matrizes e constitui verdadeiras armadilhas para quem
começa a trabalhar com matrizes. Destacamos duas delas como centrais:
i- O produto de duas matrizes nem sempre comuta. Por exemplo,

! ! ! !
1 2 1 1 3 1 0 1
A= e B= ) AB = 6= BA = .
1 1 1 0 2 1 1 2
ii- Não vale a “lei do corte”: lembramos que, se a, b e c são números reais, a 6= 0
e ab = ac, então podemos “cortar”, ou seja, cancelar a e obter b = c.
! !
1 0 0 0
Considere A = ,B = e C = 0. Observe que A 6= 0, AB =
0 0 0 1
AC = 0, mas B 6= C. Em particular, AB = 0, mas nem A = 0 e nem B = 0. Isso
significa que podemos ter duas matrizes não nulas, cujo produto se anula, algo que
não acontece com números reais.
! !
1 1 1 1 0
1) Considere as matrizes B = eC= . Verifique se as colunas
1 2 1 2 1
de BC são combinações lineares das colunas de B.
2) Demonstre as propriedades do produto de matrizes. Dica: use matrizes A, B, C gerais

de tamanhos compatı́veis e entradas arbitrárias e c real arbitrário e expanda os dois
lados de cada igualdade.
! !
2 1 1 2
3) Considere as matrizes A = e B = . Calcule AB e BA. A
1 2 1 2
comparação de AB com BA indica alguma diferença importante nas propriedades
algébricas do produto de matrizes com relação ao produto de números reais?
! !
1 0 0 0
4) Considere as matrizes A = eB = , calcule AB. O que você observa
0 0 1 1
de diferente nas propriedades algébricas das matrizes com relação aos números reais?
5) Certo ou errado? Justifique:
( ) Se A e B são matrizes 2 ⇥ 2 então AB = BA.
58
( ) Se A, B e C são matrizes quadradas 3 ⇥ 3 não nulas e AB = AC, então B = C.
( ) Se A e B são 3 ⇥ 3 e AB = 0, então A = 0 ou B = 0.
( ) Se A e B são 2 ⇥ 2 e todas as suas entradas são positivas, então AB 6= 0.
( ) Se A e B são quadradas e nenhuma de suas entradas é nula, então AB 6= 0.
( ) Se A é uma matriz quadrada e A2 = 0, então A = 0.
( ) Se A = BC, então toda coluna de A é combinação linear das colunas de B.
6) Seja A uma matriz m ⇥ n e considere a aplicação cujo domı́nio é Mn⇥p , isto é, o
conjunto de todas as matrizes n ⇥ p, LA : Mn⇥p ! Mm⇥p dada por LA (X) = AX.
Mostre que LA é uma aplicação linear, no sentido que, para cada par de matrizes X e
X 0 , com n linhas e p colunas, e c um número real , teremos:
a) LA (X + X) = LA (X) + LA (X).
b) LA (cX) = cLA (X).
59
2.3 Transposição de matrizes
Definição 2.3.1
A matriz transposta At se obtém de A definindo para todo i, j : atij = aji . Isto é,
At troca as linhas de A por suas colunas e vice-versa.
Exemplo 2.3.1
0 1
! 2 3
2 3 1 B C
Se A = , então At = @ 3 1 A .
3 1 5
1 5
Exemplo 2.3.2
Sejam x e y vetores coluna do Rn , ou seja, matrizes n ⇥ 1:
0 1
x1
B C ⇣ ⌘
B x2 C
x=B
B .. C ) xt = x1 x2 . . . xn .
C
@ . A
xn
Podemos escrever o produto interno usual entre x e y como produto das matrizes xt
e y. Ou, equivalentemente, como o produto das matrizes y t e x:
x.y = x1 y1 + ... + xn yn = xt y = y t x.
Cuidado para o fato de que o produto interno de x e y é comutativo, mas o produto

matricial de xt e y não é.
Definição 2.3.2
Se A = At , dizemos que A é uma matriz simétrica.
Propriedades 2.3.1
Se A e B são matrizes m ⇥ n, C é n ⇥ p e c 2 R, valem as propriedades
i- Linearidade da transposição: (A + B)t = At + B t e (cA)t = cAt
ii- (AC)t = C t At
iii- (At )t = A
60
Definição 2.3.3
Uma matriz Bn⇥n é inversa de uma matriz An⇥n se
BA = AB = In .
1
Escrevemos A para denotar a inversa de A.
Exemplo 2.3.3
! !
1 0 1 0
Seja A = , a sua inversa é dada por .
0 2 0 1/2
Solução: De fato, ! ! !
1 0 1 0 1 0
=
0 2 0 1/2 0 1
e ! ! !
1 0 1 0 1 0
= .
0 1/2 0 2 0 1
Exemplo 2.3.4
!
1 3
Ache a inversa da matriz A = .
3 0
Solução: Seja
! ! ! !
1 a b 1 3 a b 1 0
A = ) = .
c d 3 0 c d 0 1
Logo, 8 8
>
> a + 3c = 1 >
> a=0
>
> >
> !
< b + 3d = 0 < b=1 0 1
1
) )A = .
>
> a + 0.c = 0 >
> c = 1/3 1/3 1/3
>
> >
>
: b + 0.d = 0 : d = 1/3
1
É fácil verificar que AA = A 1 A = I2⇥2 .
Exemplo 2.3.5
!
1 2
A matriz não possui inversa.
0 0
61
Solução: Suponha que B é a inversa de A. Então,
8
>
> b11 + 2b21 = 1
! ! ! >
>
1 2 b11 b12 1 0 < b12 + 2b22 = 0
= )
0 0 b21 b22 0 1 >
> 0b11 + 0b21 = 0
>
>
: 0b + 0b = 1
12 22
Vemos que o sistema não possui solução. Logo, não existe matriz inversa para A.
Propriedades 2.3.2
Considere An⇥n e Bn⇥n invertı́veis e número real c 6= 0. Então:
1 1
1- cA também é invertı́vel e (cA) = 1/cA
1 1
2- A também é invertı́vel e (A 1 ) = A.
1
3- AB também é invertı́vel e (AB) = B 1A 1.
4- At também é invertı́vel e (At ) 1

= (A 1 )t .
Definição 2.3.4
1
Uma matriz A é dita ortogonal se A = At .
Exemplo 2.3.6
!
1 0
Seja a matriz . Observe que A é ortogonal. De fato At = A e
0 1
! ! !
1 0 1 0 1 0
= .
0 1 0 1 0 1
0
1 0 1
1 2
B C B C
1) Sejam A = @ 2 A e B = @ 0 A . Calcule
1 1
a) At B
b) B t A
c) AB t
d) BAt
62
2) Verificar se a matriz obtida do item (iii) da questão anterior é simétrica.
3) Seja f : R2 ! R, dada por f (x, y) = x2 + 2xy 2 + y 3 . A matriz a seguir é conhecida por

Matriz Hessiana de f em (x, y)
!
@2f @2f
@x2
52 f (x, y) = @2f
@y@x
@2f
.
@x@y @y 2
Calcule-a e verifique se é uma matriz simétrica para todo (x, y).

0 1
! 1 0 0
1 0 B C
4) Considere A = e B = @ 0 2 0 A . Calcule A 1 e B 1 . Como você gene-
0 2
0 0 3
ralizaria esse resultado para matrizes quadradas de ordem n?
!
a b
5) Seja a matriz A = , com ad cb 6= 0. Verifique se a matriz B dada por
c d
!
d b
B = ad 1 cb é a matriz inversa de A.
c a
!
cos(✓) sin(✓)
6) Seja R✓ = . Verifique se R✓ é uma matriz ortogonal.
sin(✓) cos(✓)
7) Certo ou errado? Justifique:
( ) Se A e B são matrizes simétricas, então A + B também é uma matriz simétrica.

( ) Se A é uma matriz simétrica e B não é, então A + B não é uma matriz simétrica.
( ) Se A e B são matrizes simétricas, AB também é simétrica.
( ) Para toda matriz A, então A + At é simétrica.
( ) B é dita matriz antissimétrica se B t = B. Para toda matriz A, então A At é
antissimétrica.
( ) A pode ser obtida como soma de uma matriz simétrica e outra matriz antis-
simétrica.
( ) Para toda matriz A, então At A é simétrica.
( ) A matriz identidade n ⇥ n é ortogonal, para todo número natural n.
( ) Se A é uma matriz ortogonal, então suas colunas são ortogonais, isto é, A(i) .A(j) =
0, se i 6= j.
( ) Uma matriz obtida da matriz identidade trocando de posição duas de suas linhas
é ortogonal.
( ) Se A e B são matrizes ortogonais, então A + B também é uma matriz ortogonal.
( ) Se A e B são matrizes ortogonais, então AB também é uma matriz ortogonal
63
CAPÍTULO 3
Sistemas de equações lineares
3.1 Definições e exemplos
Sistemas de equações lineares são fundamentais para as aplicações da Álgebra Linear

a problemas concretos. Inúmeras situações podem ser modeladas empregando-os, desde
sistemas com duas equações e duas variáveis até problemas de grande porte com milhões
de equações e variáveis, por meio dos quais é possı́vel, por exemplo, procurar imagens do
cérebro numa tomografia médica ou em problemas de otimização numa grande companhia
de aviação.
Neste capı́tulo, resolveremos sistemas usando o método da eliminação de Gauss e para
tanto introduziremos a notação matricial que usaremos ao longo de todo o texto.
Exemplo 3.1.1
Maria pagou uma conta de 100 reais com 13 notas, algumas de 5 e outras de 10
reais. Quantas notas de cada tipo Maria usou para pagar a conta?
Solução: Ao equacionar esse problema, chamando de x1 o número de notas de 5 reais,

e de x2 o número de notas de 10 reais, encontra-se duas equações a serem resolvidas
simultaneamente, chamadas de equações lineares:
(
x1 + x2 = 13
.
5x1 + 10x2 = 100
Uma das formas de resolver o problema é isolar o valor de x1 na primeira equação
64
(x1 = 13 x2 ) e substituı́-lo na outra equação, obtendo:
5(13 x2 ) + 10x2 = 100 ) 5x2 = 35 ) x2 = 6 e x1 = 7.
Essa técnica funciona bem para problemas de pequeno porte. Porém, quando o número
de variáveis cresce, precisamos de outros métodos.
Reescrevendo o problema anterior na forma matricial, AX = B, obtemos

! ! !
1 1 x1 13
=
5 10 x2 100
!
x1
Observe que os coeficientes das variáveis x1 e x2 compõem a matriz A, o vetor X =
x2
!
13
é das incógnitas e o vetor das variáveis independentes é .
100
Definição 3.1.1
Uma equação linear nas variáveis x1 , x2 , · · · , xn tem a seguinte representação geral:
a1 x1 + a2 x2 + · · · + an xn = b,
onde os coeficientes a1 , a2 , · · · , an , b são número reais ou complexos.
No Exemplo 3.1.1, n = 2, a primeira equação é x1 + x2 = 13. A segunda equação é

5x1 + 10x2 = 100. Ambas as equações formam um sistema linear.
A equação x1 + x1 x2 = 5 não é linear por causa do produto das variáveis. Já x21 = 2
não é linear por causa do expoente 2 do x1 .
65
Definição 3.1.2
Um Sistema de Equações Lineares nas variáveis x1 , x2 , · · · , xn consiste em um
número finito de equações lineares nessas variáveis. Se tivermos m equações com n
variáveis, o sistema tem a seguinte forma:
8
>
> a11 x1 + a12 x2 + · · · + a1n xn = b1
>
>
< a21 x1 + a12 x2 + · · · + a1n xn = b2
> ..
>
> .
>
:
am1 x1 + am2 x2 + · · · + amn xn = bm
onde os coeficientes aij e bi , com i = 1, · · · , m, j = 1, · · · , n, são números reais ou

complexos.
A forma matricial correspondente ao sistema AX = B é:

0 10 1 0 1
a11 12 · · · a1n x1 b1
B CB C B C
B a21 a12 · · · a1n C B x2 C B b2 C
B .. CB . C=B .. C
B CB . C B C
@ . A@ . A @ . A
am1 am2 · · · amn xn bm
onde 0 1 0 1 0 1
a11 12 · · · a1n x1 b1
B C B C B C
B a21 a12 · · · a1n C B x2 C B b2 C
A=B
B ..
C, X = B
C B ..C e B = B . C.
C B . C
@ . A @ .A @ . A
am1 am2 · · · amn xn bm
A matriz A é chamada de matriz de coeficientes do sistema, X é das incógnitas e B

dos termos independentes.
Exemplo 3.1.2
Considere os sistemas lineares
8
>
> x1 + 2x2 = 1
( ( >
>
2x1 + x2 = 3 x1 x 2 + x3 = 2 < 2x + 3x = 2
1 2
a) b) c)
6x2 = 2 2x1 + x2 x4 = 4 >
> x1 = 3
>
>
: x + 5x = 4
1 2
66
Solução: As formas matriciais serão:
0 1
! ! ! !B x1 !
C
2 1 x1 3 1 1 1 0 B x2 C 2
a) = b) B C=
0 6 x2 2 2 1 0 1 B
@ x3 C
A 4
x4
0 1 0
1
1 2 1
! B C
B C
B 2 3 C x1 B 2 C
c) B
B 1 0
C
C =B C
B 3 C
@ A x2 @ A
1 5 4
cujas matrizes dos coeficientes possuem as seguintes ordens correspondentes: 2 ⇥ 2; 2 ⇥ 4
e 4 ⇥ 2.
Uma solução para o sistema a) é uma dupla de números (x1 , x2 ) que satisfaz ambas
as equações, no caso a dupla (4/3, 1/3) é a única. Uma solução para o sistema b) é uma
quadra (x1 , x2 , x3 , x4 ) de números que satisfazem as duas equações de forma simultânea.
Por exemplo, as ternas (3, 1, 0, 3) e (2, 0, 0, 0) são soluções distintas de b). Já o sistema
c) não possui solução! Se substituirmos o valor de x1 = 3 na primeira equação, teremos
que x2 = 1. Porém, se substituirmos da segunda, x2 = 4/3. Ora, x2 não pode assumir
dois valores distintos ao mesmo tempo!
Definição 3.1.3
Uma solução do sistema linear Ax = B, onde A é uma matriz m ⇥ n é dada pelo
vetor s 2 Rn que satisfaz As = B.
3.1.1 Interpretação geométrica de um sistema 2x2
Um sistema linear qualquer 2 ⇥ 2 possui a seguinte expressão:

(
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
Se pelo menos um dos coeficientes for diferente de zero, então as equações lineares são
representadas por retas no plano R2 . Assim, o par ordenado (x1 , x2 ) é solução do sistema
se, e somente se, pertencer às duas retas.
67
Exemplo 3.1.3
Considere os sistemas
( ( (
x1 + 2x2 = 8 2x1 + x2 = 3 x1 + 3x2 = 4
a) b) c)
x1 + x2 = 1 4x1 + 2x2 = 2 2x1 + 6x2 = 8
Dê suas interpretações geométricas.
Solução: O sistema linear a) possui solução, o par ordenado (2, 3) satisfaz as duas equações
desse sistema de forma simultânea. E essa solução é representada pela interseção das retas
que correspondem a cada equação. Veja Figura 3.1.
a) b) c)
x2 x2 x2
x1 x1 x1
Figura 3.1: Representação geométrica dos sistemas

O sistema b) não possui solução por se tratar de retas paralelas. Como vemos no
gráfico da Figura 3.1 b), ambas as retas não se interceptam. Nesse caso, dizemos que tal
sistema é inconsistente, ou seja, não possui solução.
O c) se refere a retas concorrentes. Observe que uma equação é múltipla da outra, o
que significa que ambas equações representam a mesma reta. Logo, a solução do sistema
é formada por todos os pontos da reta, isto é, o sistema possui infinitas soluções.
Observe que não existe um sistema linear com duas ou três soluções apenas! Dadas
duas retas no plano, só existem três possı́veis posições para elas: paralelas (sistema sem
solução), concorrentes (solução única) ou coincidentes (infinitas soluções).
O mesmo vale para sistemas lineares m ⇥ n : podem não ter solução, podem possuir
solução única ou infinitas soluções.
Na seção seguinte, abordaremos o problema de resolver um sistema linear. Uma das
formas de resolução é o método de Eliminação de Gauss, o qual usa sistemas na forma
escada. Veremos que, se a matriz da representação matricial de um sistema linear está na
forma escada, a resolução fica mais simples. Dois sistemas lineares que possuem o mesmo
conjunto solução são chamados de Sistemas Equivalentes.
68
3.2 Matriz na forma escada
No Capı́tulo 2, vimos os tipos de matrizes, dentre eles as matrizes triangulares supe-
riores e inferiores. Relembrando:
Definição 3.2.1
Dizemos que uma matriz é triangular superior quando todos os elementos abaixo da
diagonal são nulos. De modo análogo, definimos triangular inferior quando todos
os elementos acima da diagonal são nulos.
Quando temos uma matriz na forma triangular, seja superior ou inferior, a resolução
do sistema associado a ela é mais simples.
Exemplo 3.2.1
Considere a matriz
0 1
1 1 4
B C
A = @0 2 6A .
0 0 3
Os sistemas do tipo Ax = B são bem fáceis de resolver para qualquer B. Resolvemos
encontrando o valor da última variável, se existir. Depois da segunda e, por último,
da primeira variável.
Observe que a matriz A é uma matriz triangular superior, os elementos abaixo da

diagonal são nulos e a matriz forma uma “escada”na sua diagonal.
0 1
B 1 1 4 C
B 0 2 6 C
@ A
0 0 3
O primeiro elemento não nulo de cada linha dessa matriz é chamado de “pivô”. Nessa
matriz temos três pivôs: 1, 2 e 3.
Definição 3.2.2
Uma matriz Am⇥n está na forma escada (ou na forma escalonada) se:
a) todos os elementos abaixo dos pivôs são nulos;
b) a linha i é nula, todas as linhas abaixo dessa linha são nulas;
c) as linhas 1, · · · , k são as linhas não nulas, e se o primeiro elemento não nulo da

linha i ocorre na coluna rj , então r1 < r2 < · · · < rk .
69
Uma matriz na forma escada tem a seguinte configuração:
0 1
B 1 1 4 C
B 0 2 6 C
@ A
0 0 3
Exemplo 3.2.2
0 1
1 1 3
B C
a) @ 0 2 1 A não está na forma escada, pois o item a não é satisfeito.
0 4 3
0 1
0 1 0 3 3
B C
b) @ 0 0 0 0 0 A não está na forma escada, pois o item b não é satisfeito.
1 0 4 1 0
0 1
0 2 0 3 3
B C
c) @ 0 0 0 1 0 A está na forma escada.
0 0 0 0 0
Quando a matriz do sistema não está na forma escada, é necessário reescrevê-la para
ficar na forma escada. Esse processo é sempre possı́vel (ler mais em [1]) e deve ser
realizado de modo tal que o novo sistema matricial associado seja equivalente, ou seja,
possua o mesmo conjunto solução que o sistema original. Tais operações são as chamadas
de elementares, e matrizes obtidas por meio delas são chamadas de linha equivalentes.
Definição 3.2.3
As operações elementares sobre linhas são as seguintes:
i) trocar duas linhas;
ii) multiplicar uma linha por um escalar não nulo;
iii) substituir uma linha pela soma da mesma com outra linha.
70
Exemplo 3.2.3
Consideremos a matriz
0 1
1 1 3
B C
B = @ 1 3 4 A,
2 4 10
usando operações elementares, encontre uma matriz equivalente a B na forma es-
cada.
Solução: Lembre que Bk denota a linha k da matriz B. Se b11 6= 0, então o usaremos

como pivô para anular os elementos na coluna 1 que estão abaixo dele. Caso b11 = 0,
logo, trocarı́amos a primeira linha por outra que não fosse nulo o primeiro elemento.
A primeira iteração será trocar a segunda linha por B2 m12 B1 , que é uma operação
elementar, com m12 = b21 /b11 = 1.
Logo em seguida repetimos o procedimento com a terceira linha e a trocamos por
B3 m13 B1 , com m13 = b31 /b11 = 2.
Essa iteração pode ser representada por
0 1 0 1 0 1
1 1 3 1 1 3 1 1 3
B CB B2 m21 B1 B C B3 B3 m31 B1 B C 0
B=@ 1 3 4 A 2 ! @ 0 2 1 A ! @ 0 2 1 A=B.
2 4 10 2 4 10 0 2 4
Temos agora uma outra matriz B 0 que é chamada de linha equivalente a B, pois foi obtida
de B por operações elementares.
O segundo pivô de B 0 é o elemento b022 = 2, iremos operar nessa matriz de modo a
obter zeros abaixo desse pivô também. A iteração será B30 se tornará B30 m32 B20 , com
m32 = b032 /b022 = 1.
0 1 0 1
1 1 3 1 1 3
B C B0 B30 m32 B20 B C
B0 = @ 0 2 1 A 3 ! @ 0 2 1 A.
0 2 4 0 0 3
Essa última matriz é chamada de forma escada de B. Vamos entender como esta se
relaciona com soluções de sistemas.
Seja o sistema linear 8
>
< x1 + x2 + 3x3 = 10
x1 + 3x2 + 4x3 = 14 .
>
:
2x1 + 4x2 + 10x3 = 30
71
Na forma matricial seria
0 1 0
10 1
1 1 3x1 10
B CB C B C
@ 1 3 4 A @ x2 A = @ 14 A .
2 4 10 x3 30
Para simplificar a escrita, definimos a matriz ampliada do sistema como

0 1
1 1 3 10
B C
A = @ 1 3 4 14 A ,
2 4 10 30
onde omitimos a coluna das incógnitas.
Definição 3.2.4
Seja o sistema Ax = B, chamamos de Matriz Ampliada ou Aumentada do sistema a
matriz composta pela matriz dos coeficientes e dos termos independentes: (A : B).
Se repetirmos as iterações que efetuamos em B, para obter B 0 , em A teremos

0 1
1 1 3 10
B C
A0 = @ 0 2 1 4 A ,
0 0 3 6
que é uma matriz linha equivalente a A, na forma escada. O sistema linear associado a
A0 tem a mesma solução do associado a A, mas é muito mais fácil de resolver!
8
>
< 1x1 + 1x2 + 3x3 = 10
2x2 + 1x3 = 4
>
:
3x3 = 6
cuja solução é (3, 1, 2), que é também solução do sistema associado a A. Esse método de
solução é conhecido por Eliminação de Gauss.
3.2.1 Eliminação de Gauss

O método de Eliminação de Gauss serve para achar a solução de um sistema linear
qualquer:
8
>
> a11 x1 + a12 x2 + · · · + a1n xn = b1
>
>
< a21 x1 + a22 x2 + · · · + a2n xn = b2
> ..
>
> .
>
:
am1 x1 + am2 x2 + · · · + amn xn = bm
72
sua matriz ampliada será
0 1
a11 a12 · · · a1n b1
B C
B a21 a22 · · · a2n b2 C
B . C.
B . C
@ . A
am1 am2 · · · amn bm
Usando operações elementares, obtemos sua forma escada
0 1
a11 a12 · · · a1n b1
B C
B C
B 0 ã22 · · · ã2n b̃2 C
B C
B .. .. . . . .. C
B . . . .. . C
@ A
0 0 · · · ãmn b̃m
Logo, acharemos a solução do sistema partindo das informações dadas pela última
linha do sistema.
Exemplo 3.2.4
Seja 8
>
< x y+z =2
2x + y z = 2
>
:
x + 2y = 3
O sistema tem solução?
Solução: A matriz ampliada é

0 1
1 1 1 2
B C
A=@ 2 1 1 2 A.
1 2 0 3
Escolhemos como primeiro pivô o elemento a11 = 1 6= 0. Como multiplicador m21 =

2/1 = 2. Realizamos as operações elementares nas linhas para anular o elemento a21 ,
usando a linha do pivô. Nesse caso, trocamos a linha 2 por A2 2A1 .
0 1 0 1
1 1 1 2 1 1 1 2
B C A2 A2 2A1 B C
@ 2 1 1 2 A ! @ 0 3 3 2 A.
1 2 0 3 1 2 0 3
Agora, operaremos com a linha 3 para eliminar o elemento da posição abaixo do 0. Basta
73
subtrair a linha 3 da linha 1, pois m31 = 1/1 = 1.
0 1 0 1
1 1 1 2 1 1 1 2
B C A 3 A3 A 1 B C
@ 0 3 3 2 A ! @ 0 3 3 2 A.
1 2 0 3 0 3 1 1
Para terminar o escalonamento, subtraı́mos a A3 de A2 , visto que precisamos eliminar os

elementos abaixo do segundo pivô que é o primeiro elemento não nulo da segunda linha.
Assim, 0 1 0 1
1 1 1 2 1 1 1 2
B C A 3 A3 A 2 B C
@ 0 3 3 2 A ! @ 0 3 3 2 A = A0 .
0 3 1 1 0 0 2 3
A0 é a matriz obtida de A por operações elementares, ou seja, é linha equivalente a A e o
sistema relacionado a ela tem a mesma solução do sistema de A. Como A0 está na forma
escada, é bem mais fácil resolver o sistema:
8 8
>
> x y+z =2 >
> x = 4/3
>
< >
<
3y 3z = 2 ) y = 5/6 .
>
> >
>
>
:2z = 3 >
:z = 3/2
O sistema tem única solução (4/3, 1/3, 1).
Exemplo 3.2.5
Seja 8
>
> x y+z+w =1
>
<
2x + y z + w = 2
>
>
>
:x + 2z = 3
cuja matriz ampliada é

0 1
1 1 1 1 1
B C
A=@ 2 1 1 1 2 A.
1 0 2 0 3
Solução: Escolhemos como primeiro pivô o elemento a11 = 1 6= 0. Como multiplicador

m21 = 2/1 = 2. Realizamos as operações elementares nas linhas para anular o elemento
a21 , usando a linha do pivô. Nesse caso, trocamos a linha 2 por A2 2A1 . Para eliminar
74
o elemento da posição abaixo do 2, subtraı́mos a linha 3 da linha 1 pois m31 = 1/1 = 1.
0 1 0 1
1 1 1 1 1 1 1 1 1 1
B C A2 A2 2A1 B C
@ 2 1 1 1 2 A ! @ 0 3 3 1 0 A
1 0 2 0 3 1 0 2 0 3
0 1
1 1 1 1 1
A3 A3 A 1 B C
! @ 0 3 3 1 0 A.
0 1 1 1 2
Para terminar o escalonamento, subtraı́mos A3 de 1/3A2 , m32 = 1/3. Assim,

0 1
1 1 1 1 1
A3 A3 1/3A2 B C
! @ 0 3 3 10 A = A0 .
0 0 2 2/3 2
A0 é a matriz obtida de A por operações elementares, ou seja, é linha equivalente a A, e

o sistema relacionado a ela tem a mesma solução do sistema de A.
8
>
> x y+z+w =1
>
<
3y 3z w = 0 .
>
>
>
:2z 2/3w = 2
Esse sistema possui quatro incógnitas e apenas três equações. Sabemos que ele possui
solução, pois se tomarmos w = 0, encontramos o valor se z = 1 depois de y = 1 e por
último x = 1. Logo, (1, 1, 1, 0) é solução. Na verdade, para qualquer escolha arbitrária de
w, encontraremos os valores das demais variáveis. Chamamos w = de variável livre e as
demais de dependentes.
Em geral, escolhem-se as variáveis dependentes como as que contêm pivôs em suas

colunas, neste caso x, y e z; e as livres, as que não contêm pivôs, w para essa situação.
Escrevemos as dependentes em função da livre e ficamos com:
8 0 1 0 1 0 1
>
> x 1 2/3
> x= 2/3w + 1 B C B C B C
< B y C B 1 C B 2/3 C
y = 2/3w + 1 ,B
B
C=B
C B
C+B
C B
Cw
C
>
> @ z A @ 1 A @ 1/3 A
>
:z = 1/3w + 1
w 0 1
para qualquer w 2 R. Logo, esse sistema possui infinitas soluções.
75
Vimos que uma matriz é linha equivalente à sua forma escada. Qualquer matriz
resultante de operações elementares entre as linhas da matriz original também será
equivalente a esta. Assim, existe uma infinidade de matrizes que são linha equiva-
lentes à matriz original. Contudo, o número de pivôs que uma matriz apresenta na
sua forma escada não muda, a prova está em [1].
Definição 3.2.5
Dizemos que o número de pivôs que uma matriz possui na sua forma escada é o seu
posto.
Exemplo 3.2.6
0 1
1 1 1 1 1
B C
A matriz do exemplo anterior A = @ 2 1 1 1 2 A possui forma escada
1 0 2 0 3
0 1
1 1 1 1 1
B C
@ 0 3 3 1 0 A , então seu posto será 3, pois possui três pivôs: 1, 3 e 2.
0 0 2 2/3 2
Seja uma matriz Am⇥n . O posto de A sempre é menor ou igual ao mı́nimo de m e n,
uma vez que o posto é o número de pivôs. Se, após escaloná-la, a matriz apresentar
linhas nulas, significa que o número de pivôs é menor que m; se não apresentar
linhas nulas, é porque o número de pivôs é igual a m. O número de pivôs também
não pode ser maior que n, uma vez que cada coluna tem no máximo um pivô.
No caso em que o posto da matriz é igual a esse mı́nimo, dizemos que a matriz tem
posto cheio ou é uma matriz cheia. No exemplo anterior, temos uma matriz cheia.
76
Exemplo 3.2.7
Seja 8
>
> x + 3z = 2
>
<
x + y + 4z = 1
>
>
>
:2x + 6z = 6
cuja matriz ampliada é 0 1

1 0 3 2
B C
A = @ 1 1 4 1 A.
2 0 6 6
Solução: Efetuamos operações elementares para chegar na forma escada e saber quem é
o posto de A: 0 1 0 1
1 0 3 2 1 0 3 2
B C A2 A 2 A 1 B C
A=@ 1 1 4 1 A ! @ 0 1 1 1 A
2 0 6 6 2 0 6 6
0 1
1 0 3 2
A3 A3 2A1 B C
! @ 0 1 1 1 A.
0 0 0 2
O posto da matriz dos coeficientes é 2, e o da ampliada é 3, logo a matriz dos coefici-

entes não tem posto cheio. Veremos que nessas situações o sistema não tem solução. O
sistema correspondente ao escalonamento é
8
>
>
>x + 3z = 2
<
y+z = 1 ,
>
>
>
:0 = 2
que é absurdo! Logo, esse sistema não tem solução.
Definição 3.2.6
Quando os elementos das colunas que possuem pivôs (colunas pivotais) de uma
matriz escada são todos iguais a zero, com exceção dos pivôs, dizemos que a matriz
está na forma escada reduzida.
77
Exemplo 3.2.8
0 1 0 1
1 0 0 1 0 3 0 3
B C B C
As matrizes @ 0 1 0 A e @ 0 1 1 0 4 A estão reduzidas à forma escada.
0 0 1 0 0 0 1 2
3.3 Interpretação geométrica no R3

Vimos anteriormente que sistemas lineares de equações de duas incógnitas representam
retas no plano. No espaço R3 , equações lineares de três incógnitas representam planos,
como vimos no Capı́tulo 1.
Exemplo 3.3.1
Considere os planos ⇡1 , ⇡2 e ⇡3 , tais que
⇡1 = {x 2 R3 |x1 2x2 5x3 = 2}, ⇡2 = {x 2 R3 |2x1 x2 6x3 = 2},
⇡3 = {x 2 R3 |x1 x2 4x3 = 1}
Ache a interseção dos planos.
Solução: Resolver o problema significa achar a solução do sistema linear

8
>
> x 2x2 5x3 = 2
>
< 1
2x1 x2 6x3 = 2
>
>
>
:x
1 x2 4x3 = 1

0 1 0 1
1 2 5 2 1 2 5 2
B C A2 A2 2A1 B C
@ 2 1 6 2 A ! @ 0 3 4 2 A
1 1 4 1 1 1 4 1
0 1 0 1
1 2 5 2 1 2 5 2
A3 A3 A1 B C A3 A3 1/3A2 B C
! @ 0 3 4 2 A ! @ 0 3 4 2 A.
0 1 1 1 0 0 1/3 1/3
Com sistema: 8 8
>
> x 2x2 5x3 = 2 >
> x =3
>
< 1 >
< 1
3x2 + 4x3 = 2 ) x2 = 2 ,
>
> >
>
>
: 1/3x = 1/3 >
:x = 1
3 3
78
única solução, logo a interseção desses três planos é um único ponto.
z y
Figura 3.2: Interseção dos planos do Exemplo 3.3.1

Exemplo 3.3.2
Agora, considere os planos π1 e π2 do exemplo anterior e π3 , tais que
π1 = {x ∈ R3 |x1 − 2x2 − 5x3 = 2}, π2 = {x ∈ R3 |2x1 − x2 − 6x3 = 2},
π3 = {x ∈ R3 |x1 + x2 − x3 = 1}.
Solução: Acharemos a solução do sistema linear


 x − 2x2 − 5x3 = 2
 1


2x1 − x2 − 6x3 = 2


x + x − x = 1

1 2 3

   
1 −2 −5 2 1 −2 −5 2
 A2 ←A2 −2A1 
 2 −1 −6 2  −→  0 3 4 −2 
 
1 1 −1 1 1 1 −1 1
   
1 −2 −5 2 1 −2 −5 2
A3 ←A3 −A1  A3 ←A3 −A2 
−→  0 3 4 −2  −→  0 3 4 −2  .
 
0 3 4 −1 0 0 0 1
79
Com sistema: 
x − 2x2 − 5x3 = 2
 1


3x2 + 4x3 = −2



0 = 1
Absurdo! O sistema não possui solução. Há várias posições possı́veis entre três planos no
espaço. Nesse caso, observamos que as duas primeiras equações, referentes aos planos π1
e π2 , formam um sistema com infinitas soluções! Basta fazer x3 variável livre e escrever
as demais em função dela:
x2 = −2/3 − 4/3x3 e x1 = 2 + 2x2 − 5x3 = 2 + 2(−2/3 − 4/3x3 ) − 5x3 = 2/3 + 7/3x3 .
Logo, temos que a interseção será
(2/3 + 7/3x3 , −2/3 − 4/3x3 , x3 ) = (2/3, −2/3, 0) + (7/3, −4/3, 1)x3 ,
que é uma reta! Assim, π3 deve ser paralelo a essa reta.
z y
Figura 3.3: Planos não se cortam simultaneamente. Sistema sem solução.

Exemplo 3.3.3
Mantenhamos os planos π1 , π2 do exemplo anterior e π3 , tal que
π3 = {x ∈ R3 |3x1 − 3x2 − 11x3 = 4}.
80
Solução: Acharemos a solução do sistema linear
8
>
> x 2x2 5x3 = 2
>
< 1
2x1 x2 6x3 = 2
>
>
>
:3x 3x 111x = 4 2 3

0 1 0 1
1 2 5 2 1 2 5 2
B C A2 A2 2A1 B C
@ 2 1 6 2 A ! @ 0 3 4 2 A
3 3 11 4 3 3 11 4
0 1 0 1
1 2 5 2 1 2 5 2
A3 A3 3A1 B C A 3 A3 A 2 B C
! @ 0 3 4 2 A ! @ 0 3 4 2 A.
0 3 4 2 0 0 0 0
Com sistema: 8
>
> x 2x2 5x3 = 2
>
< 1
3x2 + 4x3 = 2
>
>
>
:0 = 0
Observamos que a terceira linha se anulou, isso significa que ela é uma combinação linear
das demais, e a interseção dos três planos coincide com a interseção dos dois primeiros
planos.
Fazendo x3 a variável livre, temos que
8
<x = 2x + 5x + 2 = 7 x + 2
1 2 3 3 3 3
,
:x = 4 x + 2
2 3 3 3
reescrevendo a interseção
✓ ◆
7 2 4 2
x3 + , x3 , x3 , para todo x3 2 R.
3 3 3 3
Logo, a solução da interseção é uma reta.
Lista de exercı́cios
1) Em cada um dos casos abaixo, considere os planos do R3 descritos por suas respectivas
equações, e descreva sua interseção, tanto geometricamente, como analiticamente:
a) ⇡1 : x1 + 2x2 3x3 1 = 0; ⇡2 : 2x1 + 3x2 5x3 2 = 0; ⇡3 : x1 + 2x3 2 = 0;
81
b) ⇡1 : x1 + 2x2 3x3 1 = 0; ⇡2 : 2x1 + 3x2 5x3 2 = 0;
c) ⇡1 : x1 + 2x2 3x3 1 = 0; ⇡2 : 2x1 + 3x2 5x3 2 = 0; ⇡3 : x2 + x3 = 0;
d) ⇡1 : x1 + 2x2 3x3 1 = 0; ⇡2 : 2x1 + 3x2 5x3 2 = 0; ⇡3 : x2 + x3 = 1;
e) ⇡1 : x1 +2x2 3x3 1 = 0; ⇡2 : 3x1 +6x2 9x3 3 = 0; ⇡3 : x1 2x2 +3x3 +1 = 0;
f) ⇡1 : x1 +2x2 3x3 1 = 0; ⇡2 : 3x1 +6x2 9x3 3 = 0; ⇡3 : x1 2x2 +3x3 +2 = 0.
2) As idades de quatro irmãos formam uma progressão aritmética. O mais velho tem 3
anos a mais que a soma das idades dos dois mais jovens, e o segundo mais velho tem
12 anos a menos que a soma dos demais. Quais as suas idades?
3) Ache as equações das medianas (retas que contêm um vértice e o ponto médio da aresta
oposta) do triângulo formado por P1 = (1, 2), P2 = (2, 3) e P3 = ( 1, 4). Verifique se
as três medianas se intersectam num mesmo ponto (baricentro).
4) Encontre um polinômio do 2o grau tal que P ( 1) = 6, P (0) = 10 e P (1) = 10.
5) Considere uma chapa triangular de alumı́nio, com seus vértices nas posições A = (1, 1),
B = ( 2, 2) e C = (1, 2).
a) Como deve uma massa total de 10 kg ser distribuı́da em seus três vértices, de tal
modo que seu centro de massa fique na origem (0, 0)? (Despreze a massa da chapa
e veja.)
b) Tente agora distribuir os 10 kg nos três vértices de modo que seu centro de massa
fique em (0, 2). Explique o resultado.
6) a) Explique por que os sistemas b) e c) do Exercı́cio 1 têm a mesma solução.

b) Mostre que, no caso geral, ao substituirmos uma linha de uma matriz ampliada por
ela própria menos um múltiplo de outra, o novo sistema de equações lineares corres-
pondente terá exatamente o mesmo conjunto de soluções que o anterior. (Sugestão:
Verifique primeiramente que as soluções do novo sistema satisfarão o sistema origi-
nal, mas não se esqueça de argumentar que, vice-versa, todas as soluções do novo
sistema igualmente já eram soluções do anterior).
7) Mostre que, se A e B são matrizes n ⇥ n, triangulares inferiores, então AB também é

triangular inferior.
82
CAPÍTULO 4
Determinantes e matrizes inversas
O determinante é um número que está associado a uma matriz, é usado para carac-
terizá-la e estabelecer relações nas suas linhas. Também aparece no Método de Cramer
para resolução de sistemas lineares no século XVII. Contudo, o estudo dos determinantes
vem de datas muito mais remotas. Há menção desse conceito no ano de 250 a.C. no livro
chinês a Arte Matemática.
Neste capı́tulo, apresentamos resultados clássicos de determinantes, alguns com de-
monstrações e outros não, estes têm suas provas no livro do Boldrini et al.
4.1 Determinantes
Definição 4.1.1
!
a b
Seja a matriz A = . O seu determinante é dado por ad bc.
c d
Vamos entender de onde vem esse valor determinante. Seja o sistema linear com matriz
de coeficientes A, isto é,
8 ! ! !
<ax + bx = e a b x1 e
1 2
, = .
:cx + dx = f c d x2 f
1 2
83
Se ad bc 6= 0, a inversa de A existe, então
! ! 1 ! ! !
x1 a b e 1 d b e
= = .
x2 c d f ad bc c a f
Logo, o número determinante aparece na solução do sistema.

Teorema 4.1.1
!
a b
Uma matriz A = é inversı́vel se, e somente se, o determinante é diferente
c d
de zero.
Exemplo 4.1.1
Verificaremos quais das matrizes são inversı́veis:
! ! p ! !
1 0 3/4 0 2 1 2 5
a)A = b)B = c)C = d)D =
1 3 0 0 0 1 4 10
Solução: Pelo Teorema 4.1.1, basta observar quais das matrizes possuem determinante
não nulo. Os determinantes são:
a) det(A) = 1.3 1.0 = 3
b) det(B) = 3/4.0 0.0 = 0

p p
c) det(C) = 2.1 0.1 = 2
d) det(D) = 2.10 4.5 = 0.
As únicas inversı́veis são A e C.
Notação 4.1.1
Seja a matriz A, o determinante de A é denotado por: detA ou |A| ou det[aij ].
Definição 4.1.2
0 1
a11 a12 a13
B C
Considere a matriz A3x3 = @ a21 a22 a23 A , o determinante será dado pelo
a31 a32 a33
número
det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 (a11 a22 a31 + a11 a23 a32 + a12 a21 a33 ).
Uma forma de memorizar essa fórmula é fazendo o seguinte esquema:
84
0 1
a11 a12 a13 a11 a12
B a a a a a C
@ 21 22 23 21 22 A
a31 a32 a33 a31 a32
Repetimos a primeira e a segunda colunas de A após a última, multiplicamos os termos

marcados com tracejados vermelhos e somamos. Depois subtraı́mos a soma dos produtos
dos termos marcados com tracejados azuis. Essa é a chamada Regra de Sarrus, que vale
exclusivamente para matrizes 3x3.
Exemplo 4.1.2
0 1
1 2 3
B C
Seja A = @ 0 1 2 A . O determinante de A será:
2 0 3
0 1
B 1 2 3 1 2 C
B 0 1 2 0 1 C
@ A
2 0 3 2 0
det(A) = (1)( 1)(3) + (2)(2)(2) + (3)(0)(0) [(3)( 1)(2) + (1)(2)(0) + (2)(0)(3)]

= 11.
O método de Sarrus só pode ser aplicado em matrizes de ordem 3. O determinante da

Definição 4.1.2 é para matrizes de ordem 3 também. Para matrizes de qualquer ordem,
estudaremos na próxima seção o Desenvolvimento de Laplace.
4.2 Desenvolvimento de Laplace
Definição 4.2.1
Seja An⇥n , o seu determinante é
det(A) = a11 · det(A11 ) a12 · det(A12 ) + · · · + ( 1)1+n a1n · det(A1n ),
onde Aij é a matriz obtida de A ao eliminarmos a linha i e a coluna j da matriz A.

Essa matriz Aij é conhecida por Menor Complementar.
Essa “fórmula”é chamada desenvolvimento de Laplace pela primeira linha. É possı́vel

mostrar que, utilizando uma fórmula similar por uma outra linha (ou mesmo outra co-
85
luna), obtemos o mesmo resultado. Usando uma linha i qualquer:
det(A) = ( 1)i+1 ai1 · det(Ai1 ) + ( 1)i+2 ai2 · det(Ai2 ) + · · · + ( 1)i+n ain · det(Ain ).
Escolhendo a coluna j, a fórmula fica:
det(A) = ( 1)1+j a1j · det(A1j ) + ( 1)2+j a2j · det(A2j ) + · · · + ( 1)n+j anj · det(Anj ).
Exemplo 4.2.1
Calcule o determinante da matriz
0 1
1 0 0
B p C
A = @ 10 2 0 A.
2 0 3
Solução: Faremos pelo método de Laplace e usando a linha 1, conforme a definição:

p !
2 0 p
det(A) = 1 · det(A11 ) 0 · det(A12 ) + 0 · det(A13 ) = det(A11 ) = det = 3 2.
0 3
p
Faremos agora usando a coluna 2, por exemplo:!det(A) = 0·det(A12 )+ 2·det(A22 )
p
p p 1 0 p p
0 · det(A32 ) = 2 · det(A22 ) = 2 · det = 2(1 · 3 2 · 0) = 3 2.
2 3
Exemplo 4.2.2
0 1
1 0 1 3
B C
B 0 2 0 4 C
Calcule o determinante da matriz A = B
B
C.
C
@ 2 1 0 1 A
2 0 1 2
Solução: Faremos pelo método de Laplace e usando a linha 2, pois possui dois zeros:
det(A) = ( 1)3 · 0 · det(A21 ) + ( 1)4 · 2 · det(A22 ) + ( 1)4 · 0 · det(A23 )

+ ( 1)6 · 4 · det(A24 )
= 2 · det(A22 ) + 4 · det(A24 )
0 1 0 1
1 1 3 1 0 1
B C B C
= 2 · det @ 2 0 1 A + 4 · det @ 2 1 0 A
2 1 2 2 0 1
86
Agora, aplicaremos o Método de Laplace novamente nas duas matrizes 3 ⇥ 3 ou usa-
remos Sarrus:
) det(A) = 2(1 · 0 · 2 + ( 1) · 1 · 2 + ( 2) · ( 1) · 3
[3 · 0 · 2 + ( 1)( 2) · 2 + 1 · ( 1) · 1])
+ 4(1 · 1 · ( 1) + 0 · 0 · 2 + ( 2) · 0 · ( 1)
[( 1) · 1 · 2 + 0 · 2 · ( 1) + 0 · 0 · 1])
= 2(7) + 4(1) = 18.
Uma matriz com uma linha ou coluna toda nula terá determinante zero.
Teorema 4.2.1
O determinante de toda matriz triangular superior ou inferior é igual ao produto
dos elementos da sua diagonal principal.
0 1
a11 a12 · · · a1n
B C
B 0 a22 · · · a21 C
B C
B · · · · · · · · · · · · C ) det(A) = a11 · a22 · · · ann
@ A
0 0 0 ann
Exemplo 4.2.3
0 1
1 0 1 3 0 1
B C 2 7 4
B 0 2 7 4 C
A=B C ) det(A) = 1 · det B C
@ 0 9 1 A , usando a coluna 1, logo
B 0 0 9 1 C
@ A
0 0 2
0 0 0 2
!
9 1
det(A) = 1 · 2 · det = 1 · 2 · 9 · 2 = 36.
0 2
87
Teorema 4.2.2
Considere A matriz quadrada de ordem n, e c um número real.
i) Se B é obtida de A da seguinte forma Bi Ai + cAj , com j 6= i, sendo as

outras linhas iguais, então
det(A) = det(B).
ii) Se B é formada por meio uma permutação de duas linhas de A, então
det(A) = det(B).
iii) Se B é formada a partir de A por Bi cAi para algum i, então
c · det(A) = det(B).
iv) det(AB) = det(A) · det(B).
Exemplo 4.2.4
Seja a matriz 0 1
1 2 1
B C
A=@ 2 0 1 A
1 1 3
Trocamos a segunda linha por ela mesma, somada com o dobro da terceira, e teremos
0 1
1 2 1
0 B C
A =@ 0 2 5 A
1 1 3
Pela teorema anterior (i), tem-se que det(A) = det(B). De fato, det(A) = 0 + 2
2 (0 12 1) = 13 e det(A0 ) = 6 + 10 + 0 ( 2 + 0 + 5) = 16 3 = 13.
Agora, seja a matriz obtida de A ao trocarmos a terceira e a primeira linhas
0 1
1 1 3
B C
Ā = @ 2 0 1 A
1 2 1
Por (ii) temos que det(A) = det(Ā). De fato, calculemos o det(Ā):
det(Ā) = 0 1 12 (0 + 2 2) = 13.
88
4.3 Matriz adjunta e matriz inversa
Definição 4.3.1
Dada a matriz quadrada A, o cofator(i,j) de A é o número cij , obtido por
cij = ( 1)i+j det(Aij ).
Também é comumente denotado por ij . Com esses cofatores, formamos uma nova
matriz chamada de matriz de cofatores C = (cij ).
Exemplo 4.3.1
0 1
2 2 1
B C
Calcule a matriz de cofatores de A = @ 1 0 3 A.
0 1 2
Solução: Vamos calcular cij para i, j = 1, · · · , 3.

! !
0 3 1 3
c11 = ( 1)2 det = 3, c12 = ( 1)3 det = 2,
1 2! 0 2 !
1 0 2 1
c13 = ( 1)4 det = 1, c21 = ( 1)3 det = 3,
0 1 ! 1 2 !
2 1 2 2
c22 = ( 1)4 det = 4, c23 = ( 1)5 det = 2,
0 2 ! 0 1!
2 1 2 1
c31 = ( 1)4 det = 6, c32 = ( 1)5 det = 5,
0 3 ! 1 3
2 2
c33 = ( 1)6 det =2
1 0
0 1
3 2 1
B C
)C=@ 3 4 2 A.
6 5 2
Definição 4.3.2
Considere a matriz quadrada A. Chamaremos matriz adjunta de A à transposta da
matriz dos cofatores de A:
adj(A) = C t = ( ij )
t
89
No exemplo anterior, temos
0 1
3 3 6
B C
adj(A) = @ 2 4 5 A.
1 2 2
Observe que
0 1 0 1 0 1
2 2 1 3 3 6 1 0 0
B C B C B C
A · adj(A) = @ 1 0 3 A·@ 2 4 5 A = 9@ 0 1 0 A,
0 1 2 1 2 2 0 0 1
logo, A · adj(A) = 9I3⇥3 ) A · ( 19 adj(A)) = I3⇥3 ) A 1

= 19 adj(A). Generalizando, temos
o resultado.
Teorema 4.3.1
Seja A uma matriz quadrada de ordem n ⇥ n. O produto da matriz A com sua
matriz adjunta é igual ao determinante da matriz A vezes a matriz identidade de
ordem n:
A · adj(A) = det(A)In⇥n .
Teorema 4.3.2
Toda matriz quadrada é inversı́vel se, e somente se, det(A) 6= 0
Demonstração: pelo Teorema 4.3.1,
1
A · adj(A) = det(A)In⇥n , A · adj(A) = In⇥n , se det(A) 6= 0.
det(A)
E a inversa de A será
1 1
A = adj(A).
det(A)
Exemplo 4.3.2
!
2 8
Calcule a inversa da matriz .
5 3
Solução: det(A) = 34 =6 0 , pelo Teorema 4.5 a matriz possui inversa. Vamos calcular
a adjunta dela: c11 = ( 1)2 3, c12 = ( 1)3 5, c21 = ( 1)3 8 e c22 = ( 1)4 2.
! ! !
3 5 3 8 1 1 3 8
C= ) adj(A) = )A = .
8 2 5 2 34 5 2
90
4.4 Regra de Cramer
Essa regra que apresentaremos agora é um método alternativo de resolver sistemas

lineares sem usar o escalonamento. Usam-se apenas determinantes.
Consideremos o sistema linear
8
>
> a11 x1 + a12 x2 + · · · + a1n xn = b1
>
>
< a21 x1 + a22 x2 + · · · + a2n xn = b2
.. ,
>
> .
>
>
:
an1 x1 + an2 x2 + · · · + ann xn = bn
sua forma matricial será

0 1 0 1 0 1
a11 a12 · · · a1n x1 b1
B C B C B C
B a21 a22 · · · a2n C B x2 C B b2 C
B . C·B .. C=B .. C.
B . C B C B C
@ . A @ . A @ . A
an1 an2 · · · ann xn bn
A matriz dos coeficientes chamamos de A, das incógnitas de X e dos termos independentes

de B. Se a matriz dos coeficientes é tal que det(A) 6= 0, então A possui inversa, e o sistema
tem solução:
1 1 1 1
A·X =B )A ·A·X =A ·B )X =A ·B )X = adj(A) · B.
det(A)
Logo, 0 1
b1 a12 · · · a1n
B C
B b2 a22 · · · a2n C
det B
B .. C
C
@ . A
c11 b1 + c21 b2 + · · · + cn1 bn bn an2 · · · ann
x1 = = .
det(A) det(A)
De modo análogo,
0 1
a11 · · · b1 · · · a1n
B C
B a21 · · · b2 · · · a2n C
det B
B .. C
C
@ . A
c1i b1 + c2i b2 + · · · + cni bn an1 · · · bn · · · ann
xi = =
det(A) det(A)
substitui-se a coluna i por B. Repetimos para i = 1, 2, · · · , n.

Em resumo, a Regra de Cramer é o teorema a seguir:
91
Teorema 4.4.1
Seja um sistema linear AX = B, onde det(A) 6= 0. A solução do sistema é
det(A⇤i )
xi = , i = 1, 2, · · · , n,
det(A)
onde A⇤i é a matriz obtida de A trocando a coluna i pela coluna dos termos inde-
pendentes B.
Exemplo 4.4.1
8
>
> x + x2 + 3x3 = 10
>
< 1
Seja x1 + 3x2 + 4x3 = 14 , resolva usando o Método de Cramer.
>
>
>
:2x + 4x + 10x = 30
1 2 3
Solução: A matriz dos coeficientes é

0 1
1 1 3
B C
A = @ 1 3 4 A ) det(A) = 6.
2 4 10
Então,
0 1 0 1
10 1 3 1 10 3
B C B C
det @ 14 3 4 A det @ 1 14 4 A
30 4 10 18 2 30 10 6
x1 = = = 3, x2 = = = 1,
6 6 6 6
0 1
1 1 10
B C
det @ 1 3 14 A
2 4 30 12
x3 = = = 2.
6 6
Logo, a solução é (3, 1, 2).
Contudo, se a ordem da matriz A for elevada, por exemplo n = 10, esse método se
torna inviável, devido ao número de operações que tal processo demanda. No caso, um
número superior a 102.10! = 362.880.000 operações. Já pelo método de Eliminação de
Gauss, não passaria de 14.000 operações.
Em problemas advindos das engenharias, não é difı́cil se deparar com sistemas de
grande porte, com 1000 equações ou mais. Nesses casos, é necessário adotar outros
métodos, como por exemplo métodos iterativos, que é tema de estudo dos métodos
numéricos ou computacionais.
92
4.5 Cálculo do posto por determinantes
Quando queremos saber, apenas, se um sistema linear possui solução ou não, não
precisamos exprimir a solução por extenso. Por exemplo, se queremos saber se duas retas
no plano se intersectam, não precisamos achar a solução. E, como vimos no Capı́tulo 3, a
existência de solução de um sistema linear está diretamente relacionada com o posto da
matriz dos coeficientes e o posto da matriz aumentada.
Veremos que o determinante de uma matriz determina o seu posto.
Teorema 4.5.1
O posto de uma matriz A é dado pela máxima ordem possı́vel das submatrizes
quadradas de A, com determinantes diferentes de zero.
Esse teorema se aplica para matrizes de qualquer ordem, quadradas ou não. O
posto de uma matriz também é conhecido por caracterı́stica da matriz. O posto de
uma matriz coincide com seu número de pivôs.
Propriedades 4.5.1
O posto de uma matriz A não muda quando:
i) duas linhas de A são trocadas;
ii) transpomos a matriz A;
iii) multiplicamos uma linha de A por uma constante c 6= 0;
iv) incluı́mos ou retiramos linhas nulas da matriz;
v) adicionamos a uma linha uma combinação linear de linhas de A;
vi) escalonamos a matriz.
Exemplo 4.5.1
0 1
1 1 3
B C
Ache o posto de A = @ 0 2 1 A pelo método do determinante.
0 0 3
Solução: Como vimos no Capı́tulo 3, o posto de A é igual a 3, pois A está na forma escada
e tem três pivôs.
93
0 1
1 1 3
B C
@ 0 2 1 A
0 0 3
Por outro lado, se quisermos determinar o posto usando determinantes, devemos cal-
cular o determinante de todas as submatrizes de A e ver qual delas tem maior ordem e
determinante diferente de zero.
Se calcularmos det(A), veremos que é 6 6= 0, logo o posto de A é 3.
Exemplo 4.5.2
0 1
1 1 3 0
B C
B 0 2 1 1 C
Calcule o posto de B = B
B 0 0 3
C pelo método do determinante.
@ 2 C
A
0 0 0 0
Solução: Vamos olhar para submatrizes quadradas de B e calcular seus determinantes.

Note que, se a matriz tiver uma linha nula, seu determinante é zero, então escolheremos
aquelas que não contêm a linha 4 e, consequentemente, o posto será menor que 4. Por
exemplo:
0 1
1 1 3
B C
B 0 = @ 0 2 1 A ) det(B 0 ) = 6 6= 0.
0 0 3
0
Como B3⇥3 tem a maior ordem possı́vel dentro de uma 4 ⇥ 4, o posto será 3.
Exemplo 4.5.3
!
6 3 9
Seja a matriz ampliada de um sistema linear A = , verifique se o
4 2 2
sistema tem solução.
Solução:!Vamos calcular o posto de A pelo determinante das submatrizes de A.

! A matriz
6 3 3 9
é uma delas e seu determinante é 0, vamos ver outra: , o deter-
4 2 2 2
minante é 24 6= 0, logo o posto de A é 2, pois encontramos uma matriz 2 ⇥ 2 cujo
determinante é diferente de zero.
Já a matriz dos coeficientes tem posto 1, porque ela tem determinante zero, e sua
submatriz (6) tem determinante 6 6= 0. Assim, esse sistema é impossı́vel e não tem solução!
94
4.6 Inversão de matrizes usando o método de Gauss
É possı́vel mostrar que uma matriz quadrada An⇥n é inversı́vel se, e somente se, In⇥n
pode ser obtida de A por operações elementares. Usaremos o método de Eliminação de
Gauss para achar a inversa de uma matriz. Para isso, converteremos a matriz (A|I) na
matriz (I|A) usando operações nas linhas.
Por exemplo, acharemos a inversa da matriz

0 1
1 0 0
B C
A = det @ 2 2 0 A .
5 1 3
Sabemos det(A) = 6, logo existe A 1 . Chamaremos de Li a linha i da matriz (A|I).

0 1 0 1
1 0 0 1 0 0 1 0 0 1 0 0
B C L2 L2 2L1 B C
@ 2 2 0 0 1 0 A ! @ 0 2 0 2 1 0 A
5 1 3 0 0 1 5 1 3 0 0 1
0 1 0 1
1 0 0 1 0 0 1
1 0 0 1 0 0
L3 L3 5L1 B C L3 L3 L2 B C
! @ 0 2 0 2 1 0 A !2 @ 0 2 0 2 1 0 A
0 1 3 5 0 1 0 0 3 4 1/2 1
0 1 0 1
1
1 0 0 1 0 0 1 0 0 1 0 0
L2 2 2 B
L C L3 13 L3 B C
! @ 0 1 0 1 1/2 0 A ! @ 0 1 0 1 1/2 0 A.
0 0 3 4 1/2 1 0 0 1 4/3 1/6 1/3
A matriz inversa de A é:

0 1
1 0 0
1 B C
A =@ 1 1/2 0 A,
4/3 1/6 1/3
conferindo o resultado
0 10 1 0 1
1 0 0 1 0 0 1 0 0
1 B CB C B C
A.A = @ 2 2 0 A@ 1 1/2 0 A = @ 0 1 0 A.
5 1 3 4/3 1/6 1/3 0 0 1
95
1) Calcule o determinante das seguintes matrizes usando o desenvolvimento de Laplace e
a Regra de Sarrus
0 1 0 1 0 1 0 1
1 2 0 1 0 0 1 1 0 1 2 0
B C B C B C B C
a) @ 2 0 1 A b) @ 2 2 0 A c) @ 1 0 0 A d) @ 2 4 0 A
0 1 3 5 1 3 2 7 3 0 1 8
2) Ache o posto de cada matriz da questão anterior.
3) Quais dessas matrizes da Questão 1 são inversı́veis?
4) Sejam as matrizes ! !
2 3 2 3
A= eB=
2 4 2 4
(a) Calcule det(A + B).

(b) Calcule det(A) + det(B).
(c) Podemos concluir que det(A + B) = det(A) + det(B)?
5) Prove que o determinante de uma matriz triangular é o produto dos elementos da sua
diagonal.
6) Considere as matrizes
0 1 0 1
1 0 0 A1
B C B C
A = @ 1 3 2 A e B = @ A2 + A3 A
1 1 3 2A1
(a) Calcule B.
(b) Calcule det(A).
(c) Diga porque det(B) = 0, sem fazer nenhuma conta numérica a mais.
7) Nas afirmações a seguir, marque V, se verdadeira, ou F, se falsa.
( ) det(AB) = det(A) det(B).

( ) det(At ) = det(A).
( ) det(3A) = 3 det(A).
( ) det(A2 ) = (det A)2 .
96
8) Nas equações abaixo, foram usadas algumas propriedades dos determinantes. Indique
quais.
! !
1 2 3 4
a)det = det .
3 4 1 2
! !
4 2 2 1
b)det = 2 det .
5 3 5 3
! !
1 1 5 1
c)det = det .
2 1 2 1
9) Dizemos que duas matrizes A e B são semelhantes se existe uma matriz inversı́vel P,
tal que B = P 1 AP . Mostre que se A e B são semelhantes, então det(A) = det(B).
10) Ache as inversas das matrizes (a), (b) e (c) da Questão 1 usando o Método de Gauss.
!
a b
11) Ache a inversa da matriz A = sempre que det(A) for não nulo.
c d
97
CAPÍTULO 5
Espaços vetoriais
5.1 Espaços vetoriais: definições e exemplos
No Capı́tulo 1, estudamos vetores no R2 e no R3 , suas caracterı́sticas (relembre as

Propriedades 1.2.1) e diversas aplicações.
Há conjuntos compostos por elementos diferentes dos vetores de R2 e R3 , mas que pos-
suem bem definidos uma operação de soma (se tomarmos dois elementos de V e efetuarmos
tal operação, o resultado será um elemento de V também) e de multiplicação por escalar
(se escolhermos qualquer número real e efetuarmos tal multiplicação com um elemento
arbitrário de V, o produto será um elemento de V) e que satisfazem às Propriedades 1.2.1
também, tais conjuntos munidos com essas operações são chamados de Espaços Vetoriais.
Apesar de seus elementos nem sempre serem vetores, denominamos-lhes de vetores.
98
Definição 5.1.1
Seja V um conjunto com as operações de soma (+) e de multiplicação (.) por escalar
bem definidas, tais que valem para todos u, v, w 2 V e a, b 2 R as propriedades a
seguir:
a) u + v = v + u (comutatividade)
b) (u + v) + w = u + (v + w) (associatividade)
c) u + 0 = u (elemento neutro da soma é o 0)
d) u + ( u) = 0(inverso aditivo)
e) a(bu) = (ab)u
f) a(u + v) = au + av
g) (a + b)u = au + bu
h) 1u = u
Denominamos esse conjunto V de Espaço Vetorial.
Exemplo 5.1.1
O conjunto das matrizes V = M (2, 2) com a soma e o produto por escalar usual é
um espaço vetorial. Os elementos desse espaço são do tipo
!
a b
= [T ]
c d
onde a, b, d, c 2 R. As demonstrações das propriedades a), b), c), d), e), f), g) e
h) são exercı́cios
! para o leitor. O elemento neutro da soma desse espaço é a matriz
0 0
nula .
0 0
Exemplo 5.1.2
Em R, definimos a multiplicação por escalar como a multiplicação usual, e a adição
definimos como x0 + y 0 = max(x, y), isto é, a soma será igual ao máximo entre os
valores. Vamos verificar se R munido com essas operações é um espaço vetorial.
Solução: Vamos verificar se as propriedades são satisfeitas:
a) Vale a comutatividade: x0 + y 0 = max(x, y) = y 0 + x0
99
b) (x0 + y 0 ) + z 0 = max((max(x, y)), z) = max(x, y, z) = x0 + (y 0 +0 z)0
c) Vamos mostrar que não existe o elemento neutro para essa operação definida. Suponha
que y seja o elemento neutro, e escolha x < y, assim
x + y = max(x, y) = y 6= x.
Logo, não existe tal elemento neutro, concluı́mos que R não é espaço vetorial com essa
operação definida.
5.2 Subespaços vetoriais

Sejam V um espaço vetorial e S um subconjunto de V tal que é um espaço vetorial
também munido da mesma operação de soma e de multiplicação por escalar de V , então,
chamamos S de Subespaço Vetorial de V. Observe que o fato de S estar contido em V
nos garante a validade das propriedades contidas na Definição 5.1.1 em S, então, para
verificar se é um subespaço vetorial de V, basta provar que em S está bem definida a soma
e a multiplicação por escalar, de onde segue a definição.
Definição 5.2.1
Sejam V um espaço vetorial e S ⇢ V, S não vazio, S será um subespaço vetorial
de V se satisfizer
i) av 2 S , para todo a 2 R e v 2 S;
ii) v + u 2 S, para todo v, u 2 S.
Exemplo 5.2.1
Sejam V = R2 com a soma e a multiplicação usuais e S a reta contida em V que

passa pela origem com inclinação 1. Verifique se S é subespaço vetorial de V .
Solução: Claramente S é não vazio, pois contém (0, 0). O conjunto S pode ser reescrito
como
S = {(x, y) : y = x onde x, y 2 R} = {(x, x) : x 2 R},
então a(x, x) = (ax, ax) 2 S, para todo a 2 R, e mais
(x, x) + (y, y) = (x + y, x + y) 2 S, para todo (x, x), (y, y) 2 S.
Logo, S é subespaço vetorial de V .
100
Todo espaço vetorial V admite pelo menos dois subespaços: {0}, onde 0 é o
elemento neutro da soma, e o próprio V . Todo subespaço vetorial contém o 0,
basta fazer a = 0, então 0.v = 0 2 S.
Exemplo 5.2.2
Em V = R2 , retas que não passam pela origem não são subespaços vetoriais.
Exemplo 5.2.3
V = R3 , quais condições são necessárias para que um plano S seja subespaço

vetorial?
Solução: A equação geral do plano é
ax + by + cz d = 0,
onde a, b, c, d 2 R, ou seja, podemos escrever
S = {(x, y, z) : ax + by + cz d = 0, para a, b, c, d 2 R}.
Sabemos que o elemento (0, 0, 0) deve pertencer ao plano, então a.0 + b.0 + c.0 d = 0,
isto é, d = 0. É fácil verificar que para d = 0 valem i) e ii) da Definição 5.1.1.
Exemplo 5.2.4
Sejam V = M (2, 2) e
( ! )
a b
S = {A2⇥2 : a12 = a21 } = : a, b, c 2 R .
b c
Vamos verificar se S é subespaço de V .
!
a b
Solução: Sejam 2 S e um escalar d, então
b c
! !
a b ad bd
d = 2 S.
b c bd cd
101
Agora o item ii):
! ! ! ! !
a b a 0 b0 a b a0 b0 a + a0 b + b0
, 2S) + = 2 S.
b c b0 c 0 b c b0 c 0 (b + b0 ) c + c0
Logo, S é subespaço de V .
5.3 Combinação linear
Definição 5.3.1
Sejam a1 , a2 , ..., an 2 R, v1 , v2 , ..., vn 2 V , onde V é um espaço vetorial, o vetor
v = a1 v1 + a2 v2 + ... + an vn
é chamado de combinação linear dos vetores v1 , v2 , ..., vn com pesos a1 , a2 , ..., an .
Exemplo 5.3.1
Sejam V = R2 , v1 = (1, 2) e v2 = (2, 3). Então, (5, 4) é uma combinação linear de

v1 e v2 , pois
(5, 4) = 7v1 + 6v2 = 7(1, 2) + 6(2, 3).
Definição 5.3.2
O conjunto de todas as combinações lineares de v1 , v2 , ..., vn 2 V é um subespaço
de V denominado de Subespaço Gerado por v1 , v2 , ..., vn . Escrevemos
W = [v1 , v2 , ..., vn ] = {a1 v1 , a2 v2 + ... + an vn : a1 , a2 , ..., an 2 R}.
Exemplo 5.3.2
Observe que
R2 = [(1, 0), (0, 1)] = {x(1, 0) + y(0, 1) : x, y 2 R} = {(x, y) : x, y 2 R}
R3 = [(1, 0, 0), (0, 1, 0), (0, 0, 1)] = {x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1) : x, y, z 2 R}
= {(x, y, z) : x, y, z 2 R}.
102
Exemplo 5.3.3
Sejam V = R3 , v1 = (1, 1, 2) e v2 = (1, 2, 3). Então W = [v1 , v2 ] é um plano.
Solução:
W = [(1, 1, 2), (1, 2, 3)] = {a1 (1, 1, 2) + a2 (1, 2, 3) : a1 , a2 2 R}
que correspondem às equações paramétricas do plano (ver Capı́tulo 1) que passa pela
origem e contém os vetores (1, 1, 2) e (1, 2, 3) :
8
>
> x = a1 + a2
>
<
y = a1 + 2a2
>
>
>
:z = 2a + 3a
1 2
onde a1 , a2 2 R.
Deve-se observar que os vetores (1, 1, 2) e (1, 2, 3) são não colineares, caso contrário
W seria uma reta e não um plano.
Exemplo 5.3.4
Para V = R2 e v = (1, 5), temos W = [v] = {a(1, 5) : a 2 R}, é uma reta que passa
pela origem e tem vetor diretor (1, 5).
Exemplo 5.3.5
Vamos verificar se v = (2, 5, 0) 2 [(1, 1, 2), (2, 0, 1)].
Solução: Temos que encontrar uma combinação linear dos vetores que seja igual a v, isto
é,
(2, 5, 0) = a1 (1, 1, 2) + a2 (2, 0, 1).
(2, 5, 0) = (a1 + 2a2 , a1 , 2a1 + a2 ) ) a1 = 5, a1 + 2a2 = 2 e 2a1 + a2 = 0
) a1 = 5, a2 = 3/2 e a2 = 5.
O que é absurdo!! Assim, v não pertence ao espaço gerado.
5.4 Dependência e independência linear

Estudamos no Capı́tulo 1 colinearidade entre vetores (equivale a paralelismo), para
reconhecermos o tipo de subespaço gerado, necessitamos de uma definição mais geral desse
tipo de relação entre um conjunto de vetores.
103
Definição 5.4.1
Sejam v1 , v2 , ..., vn 2 V , dizemos que são linearmente dependentes, escrevemos
LD, se existirem escalares a1 , a2 , ..., an 2 R, não todos nulos, tais que
0 = a1 v1 + a2 v2 + ... + an vn .
Caso contrário, isto é, 0 = a1 v1 + a2 v2 + ... + an vn ) a1 = a2 = ... = an = 0, então

dizemos que os vetores são linearmente independentes, escrevemos LI.
Exemplo 5.4.1
Dois vetores colineares são linearmente dependentes, pois
v1 = av2 ) v1 av2 = 0.
Nesse caso, a1 = 1 e a2 = a. Na verdade, dois vetores são LD se, e somente se,

são colineares (paralelos).
Exemplo 5.4.2
Sejam v1 , v2 e v3 2 R3 linearmente dependentes, então eles estão no mesmo plano

ou ainda na mesma reta.
Solução: Para saber em que situação estamos, fazemos a seguinte análise: suponha a1 6= 0
e
a1 v1 + a2 v2 + a3 v3 = 0 ) v1 = (a2 /a1 )v2 (a3 /a1 )v3 .
i) Se v2 , v3 são LD, então v2 = kv3 ) v1 = (a2 /a1 )kv3 + (a3 /a1 )v3 = ((a2 /a1 )k +
a3 /a1 )v3 . Logo, os três vetores estão na mesma reta.
ii) Se v2 , v3 são LI, então v1 está no plano que contém v2 e v3 , e os três vetores estão
no mesmo plano pela origem.
Exemplo 5.4.3
Sejam (1, 1, 2), (0, 1, 2) e (2, 4, 0). Verificar se são LI ou LD.
Solução: Precisamos fazer a combinação linear:
a1 (1, 1, 2) + a2 (0, 1, 2) + a3 (2, 4, 0) = (0, 0, 0)
) (a1 + 2a3 , a1 + a2 + 4a3 , 2a1 + 2a2 ) = (0, 0, 0)
104
8
>
< a1 + 2a3 = 0
) a1 + a2 + 4a3 = 0 ) a1 = a2 = a3 = 0.
>
:
2a1 + 2a2 = 0
Assim, os três vetores são LI.
Exemplo 5.4.4
Sejam ( 1, 0, 2), (1, 2, 2) e (1, 1, 0), verificaremos se são LI ou LD.
Solução:
a1 ( 1, 0, 2) + a2 (1, 2, 2) + a3 (1, 1, 0) = (0, 0, 0)
) ( a1 + a2 + a3 , 2a2 + a3 , 2a1 + 2a2 ) = (0, 0, 0)
8
> a1 + a2 + a3 = 0 (
< a1 = a2 = 1/2a3
) 2a2 + a3 = 0 )
>
: a1 a1 + 2a1 = 0
2a1 + 2a2 = 0
A segunda equação não nos fornece imformações sobre a1 . Logo, a1 2 R, então há
apenas estabelecida a relação entre os pesos, por exemplo, para a1 = 1, a2 = 1 e
a3 = 2 :
( 1, 0, 2) (1, 2, 2) + 2(1, 1, 0) = (0, 0, 0).
Logo, são LD.
5.4.1 Base de espaço e mudança de base

Com algumas continhas, podemos provar que os espaços gerados [(1, 1), (2, 2)] e [(1, 1)]
são iguais à reta pela origem do R2 com inclinação 1. Como procuramos uma escrita mais
concisa, então preferimos usar a segunda versão por conter apenas um vetor. Daı́ surge
mais uma definição importante para este curso:
Definição 5.4.2
O conjunto de vetores v1 , v2 , ..., vn 2 V , sendo V um espaço vetorial, forma uma
base de V se, e somente se, [v1 , v2 , ..., vn ] = V e o conjunto de vetores for linearmente
independente.
Exemplo 5.4.5
{(1, 0), (0, 1)} é base do R2 e {(1, 0, 0), (0, 1, 0), (0, 0, 1)} é base do R3 . Ambas são
conhecidas como bases canônicas. A base do espaço [(0, 0)] é o conjunto vazio.
105
Exemplo 5.4.6
Veja se {(1, 1), (1, 2)} é base do R2 .
Solução: Precisamos mostrar que são LI e que R2 = [(1, 1), (1, 2)]. Faremos a combinação
linear: 8
<a + a = 0
1 2
a1 (1, 1) + a2 (1, 2) = (0, 0) ) ) a1 = a2 = 0
:a + 2a = 0
1 2
e são LI. Para mostrar que R2 = [(1, 1), (1, 2)], devemos escolher arbitrariamente um vetor
(a, b) qualquer e escrevê-lo como combinação linear de (1, 1) e (1, 2) :
8 8
<a + a = a <a = b a
1 2 2
(a, b) = a1 (1, 1) + a2 (1, 2) ) ) .
:a + 2a = b :a = 2a b
1 2 1
Isto é, encontramos os pesos necessários para escrever a combinação, logo é base do R2 .
Exemplo 5.4.7
{(1, 1, 1), (0, 1, 3), (2, 2, 0)} é base do R3 ?
Solução: Esse conjunto é LI:

8
>
> a + 2a3 = 0
>
< 1
(0, 0, 0) = a1 (1, 1, 1) + a2 (0, 1, 3) + a3 (2, 2, 0) ) a1 + a2 + 2a3 = 0
>
>
>
:a + 3a = 0
1 2
) a1 = a 2 = a3 = 0.
Agora, seja (a, b, c) 2 R3 :
(a, b, c) = a1 (1, 1, 1) + a2 (0, 1, 3) + a3 (2, 2, 0)
gerando um sistema linear de três equações, cuja solução é

8
>
> a = 3a 3b + c
>
< 1
a2 = b a .
>
>
>
:a = 2a+3b c
3 2
Então, o conjunto em questão é base do R3 .
106
Definição 5.4.3
Sejam V um espaço vetorial e {v1 , v2 , ..., vn } uma base de V , então dizemos que V
tem dimensão n, escrevemos dim(V ) = n.
1) O espaço {0} tem dimensão 0.
2) Qualquer base do espaço vetorial V terá a mesma quantidade de vetores.

Vamos mostrar que é verdadeira essa observação para um caso simples, os demais
casos são similares. Suponha que B = {v} e B 0 = {u1 , u2 } são bases de V, então
8
<u = a v
1 1
:u = a v
2 2
para a1 , a2 2 R. Logo,
u1 u2 u1 u2
v= = ) = 0,
a1 a2 a1 a2
assim {u1 , u2 } não são LI e B 0 não é base.
Exemplo 5.4.8
A dimensão do R2 é 2; e a do R3 é 3.
107
1) Se V = [v1 , v2 , ..., vn ], vi 6= 0, para todo i = 1, 2, ..., n, então podemos extrair

uma base desse conjunto gerador de V . Se o conjunto for LI, então use-o
como base. Se não for, um dos vi é combinação linear dos demais. Retire-o
do conjunto gerador e verifique se são LI. Repita o processo até obter um
subconjunto LI que será a base.
2) Para V = [v1 , v2 , ..., vn ], vi 6= 0, para todo i = 1, 2, ..., n, qualquer conjunto com

mais de n vetores será LD.
3) Se U e W são subespaços do espaço vetorial V , então
dim(U + W ) = dim(U ) + dim(W ) dim(U \ W ),
e U + W = {v 2 V : v = v1 + v2 , onde v1 2 U e v2 2 W }. Quando U \ W = ;,
escrevemos U W .
A prova da Observação 5.4.2, parte 2), será feita para n = 2, para os outros casos é
análogo. Sejam V = [v1 , v2 ], v1 , v2 6= 0, e {u1 , u2 , ..., um } um conjunto com m vetores,
m > 2:
b1 u1 , b2 u2 + ... + bm um = 0.
Faça
u1 = a11 v1 + a12 v2 , u2 = a21 v1 + a22 v2 , ..., um = am1 v1 + am2 v2 .
Substituindo na igualdade anterior:
b1 (a11 v1 + a12 v2 ) + b2 (a21 v1 + a22 v2 ) + ... + bm (am1 v1 + am2 v2 ) = 0.
) (b1 a11 + b2 a21 + ... + bm am1 )v1 + (b1 a12 + b2 a22 + ... + bm am2 )v2 = 0.
Assim, como a base é LI, os pesos dessa combinação são todos nulos, igualando os
pesos a 0, obtemos um sistema homogêneo com m incógnitas e duas equações:
(
b1 a11 + b2 a21 + ... + bm am1 = 0
)
b1 a12 + b2 a22 + ... + bm am2 = 0
Logo, como m > 2, esse sistema admite solução não trivial, ou seja, existem bi ’s não
todos nulos que o satisfazem. Desse modo, o conjunto
{u1 , u2 , ..., um } é LD .
108
Teorema 5.4.1
Se = {v1 , v2 , ..., vn } é uma base de V, então os elementos de V são escritos de
modo único como combinação linear dos elementos dessa base. A ordem dos vetores
na base altera a base.
Demonstração: seja v 2 V = [v1 , v2 , ..., vn ]
) v = a1 v1 + a2 v2 + ... + an vn , ai 2 R, i = 1, 2, ..., n.
Suponha por contradição que existam b0i s 2 R, i = 1, 2, ..., n, tais que
v = b1 v1 + b2 v2 + ... + bn vn ,
logo, temos
v v = 0 = (a1 b1 )v1 + (a2 b2 )v2 + ... + (an bn )vn ) ai = bi
para todo i, pois {v1 , v2 , ..., vn } é LI.

Exemplo 5.4.9
Seja = {(1, 1), (0, 2)} base do R2 , escrevemos (2, 3) nessa base:
(2, 3) = 2(1, 1) + 1/2(0, 2).
Usamos a notação
[v] = (a1 , a2 , ..., an )
para representar
v = a1 v1 + a2 v2 + ... + an vn
e é a base {v1 , v2 , ..., vn }. Desse modo, no exemplo anterior
[(2, 3)] = (2, 1/2).
Se = {(1, 0), (0, 1)}, então

[(2, 3)] = (2, 3).
5.5 Matriz mudança de base

Para concluir o capı́tulo, falaremos sobre a Matriz Mudança de Base. As melhores
soluções para os problemas são as mais simplificadas, e muitas vezes uma mudança de
referencial colabora para tanto. Por exemplo, nos eixos coordenados a seguir, a equação
109
da reta r é y = x.
Figura 5.1: Reta y = x

Contudo, se considerarmos os eixos x0 e y 0 , obtidos por uma rotação de 45o dos eixos
coordenados, observamos que o eixo x0 corresponde à própria reta r, e o eixo y 0 será a reta
y = x. Desse modo, a equação da reta r, nos novos eixos coordenados, será y 0 = 0.
No plano coordenado inicial, a base é {(1, 0), (0, 1)}; no plano x0 y 0 , a nova base é obtida
pela rotação da base canônica em 450 :
p p p p
= {( 2/2, 2/2), ( 2/2, 2/2)}.
Agora, desejamos encontrar qualquer vetor do R2 na nova base , isto é, dado v =
(a, b), queremos encontrar
[v] = (a0 , b0 ),
que equivale a
p p p p
(a, b) = a0 ( 2/2, 2/2) + b0 ( 2/2, 2/2)
p p
) 2a = (a0 b0 ) 2 e 2b = (a0 + b0 ) 2
a+b a b
) a0 = p e b0 = p .
2 2
Observe que ! ! ! !
p1 p1 a p1 a + p1 b a0
2 2 2 2
= = .
p1 p1 b p1 a + p1 b b0
2 2 2 2
Como obter essa matriz? Ela é chamada de Matriz Mudança de Base da canônica
para , e escrevemos [M ] , onde é a base canônica. A seguir, construı́mos esse tipo de
matriz de modo geral.
Sejam = {v1 , v2 , ..., vn } e = {u1 , u2 , ..., un } bases de um espaço vetorial V . A
110
Matriz Mudança de Base de para é representada por
([M ] )
e é obtida ao escrevermos os vetores de como combinação linear dos vetores de , isto

é, [vi ] , os pesos dessa combinação serão as colunas da matriz:
[M ] = ([v1 ]t [v2 ]t ...[vn ]T ) ) [v]t = [M ] [v]t
Para compreender essa igualdade de modo simplificado, faremos para o caso n = 2, os

demais casos seguem analogamente. Sejam as bases = {v1 , v2 } e = {u1 , u2 }
[v1 ] = (1, 0) ) [M ] [v1 ]t = [v1 ]t ,
que é a primeira coluna da matriz.
O mesmo ocorre com o vetor [v2 ] , ou seja,
[M ] [v2 ]t = [v2 ]t
que é a segunda coluna da matriz. Essa matriz transforma os vetores da base em suas
representações na base . Agora, vejamos o que ela faz por um vetor v qualquer.
Seja v 2 V com
[v] = (a, b) ) v = av1 + bv2
) [v] = a[v1 ] + b[v2 ]
) [M ] [v]t = a[M ] [v1 ]t + b[M ] [v2 ]t = a[v1 ]t + b[v2 ]t .
Agora, vamos calcular [v] e ver se coincide com a expressão anterior. Precisamos de [v1 ]
e [v2 ] . Sejam a11 , a12 , a21 , a22 2 R, tais que
) v1 = a11 u1 + a21 u2 e v2 = a12 u1 + a22 u2
) v = av1 + bv2 = a(a11 u1 + a21 u2 ) + b(a12 u1 + a22 u2 )
) v = (aa11 + ba12 )u1 + (aa21 + ba22 )u2
) [v] = (aa11 + ba12 , aa21 + ba22 ).
[v] = a(a11 u1 + a21 u = u2 ) + b(a12 u1 + a22 u2 ) = a[v1 ] + b[v2 ] .
Assim, a matriz mudança de base transforma [v] em [v] .
111
Exemplo 5.5.1
No exemplo anterior,
[M ] = ([v1 ] [v2 ] )
p p p p
onde = {(1, 0), (0, 1)} e = {( 2/2, 2/2), ( 2/2, 2/2)}. Observe que
p p
[v1 ] = [(1, 0)] = ( 2/2, 2/2)
e
p p
[v2 ] = [(0, 1)] = ( 2/2, 2/2),
assim, a matriz mudança de base de para será

p p !
2 2
2p p2
[M ] = 2 2
.
2 2
Para obter a mudança inversa, ou seja, de para , procedemos de modo análogo:

p p !
2 2
[M ] = p2 p2 .
2 2
2 2
Veja que essa segunda matriz é facilmente obtida colocando-se nas colunas os próprios
vetores da base , isso ocorre porque é a base canônica. É sempre verdade que [M ] =
([M ] ) 1 , para quaisquer bases e .
Exemplo 5.5.2
Sejam = {(1, 2), (0, 2)} e = {(1, 1), (2, 3)}, encontre [M ] e [M ] .
Solução: Basta notar que (1, 2) = 1(1, 1) + 1(2, 3) e que (0, 2) = 4(1, 1) + 2(2, 3).
Assim
!
1 4
[M ] = .
1 2
Agora, (1, 1) = 1(1, 2) 1/2(0, 2) e (2, 3) = 2(1, 2) 1/2(0, 2), então
!
1 2
[M ] = .
1/2 1/2
112
1) Sejam U e W subespaços vetoriais do espaço V , mostre que U \W é um subespaço de V .
2) Sejam U e W subespaços vetoriais do espaço V , mostre que U + W é um subespaço

de V .
3) Considere o sistema linear homogêneo AX = 0, A uma matriz n ⇥ n. Mostre que o

conjunto solução desse sistema é um subespaço vetorial do Rn .
4) Mostre que a dimensão de um espaço vetorial é única.
5) Mostre que o plano 3x + 2y z = 0 é um subespaço do R3 .
6) Verifique se o subconjunto do R4 que satisfaz x + 2y = 0 e z 3t = 0, onde

(x, y, z, t) 2 R4 é um subespaço vetorial.
7) Considere o conjunto das matrizes 2⇥2 tais que a diagonal secundária vale k. Verifique
se é subespaço vetorial do espaço das matrizes 2 ⇥ 2.
8) Veja se a reta x = y 1 = z/2 é um subespaço do R3 .
9) Verifique se (3, 2, 1, 1) está em [(1, 1, 2, 4), (0, 1, 3, 1), (1, 2, 1, 0)].
! ( ! )
0 2 2a a + 2b
10) Verifique se 2 : a, b 2 R .
1 1 0 a b
( ! ! ! !)
1 0 0 1 0 0 0 0
11) Mostre que , , , é uma base para o espaço
0 0 0 0 1 0 0 1
das matrizes 2 ⇥ 2.
12) Considere U = [(1, 1, 0, 0), (0, 0, 1, 1), ( 2, 2, 1, 1), (1, 0, 0, 0)].

a) (2, 3, 2, 2) pertence a U ?
b) Exiba uma base para U .
113
c) U = R4 ? Por quê?
!
1 1
13) Se = {(1, 1), (2, 0)}, encontre a base de modo que [M ] = .
1 2
114
CAPÍTULO 6
Transformações lineares
Transformações lineares são o assunto principal de qualquer curso de Álgebra Linear.

Elas aparecem nas mais diversas aplicações em modelagem matemática: problemas de
difusão, circuitos elétricos, em especial na computação gráfica, em imagens de tomografia
computadorizada ou de manipulação de imagens como rotação, translação, cisalhamento,
expansão, reflexão e alteração de cores.
Definição 6.0.1
Sejam U e V dois espaços vetoriais, e T : U ! V uma função que satisfaz:
i) T (u + v) = T (u) + T (v), para todos u, v 2 U ;
ii) T (ku) = kT (u), para todos u 2 U e k 2 R.
Então, T é chamada de Transformação Linear ou Aplicação Linear.
Exemplo 6.0.1
Para U = V = R e T (x) = ax, a 2 R, é uma transformação linear.
Solução: Basta ver que
T (x + y) = a(x + y) = ax + ay = T (x) + T (y),
para todos x, y reais, e
T (kx) = a(kx) = k(ax) = kT (x),
115
para todo k real.
Podemos mostrar que toda transformação linear de R ! R é do tipo T (x) = ax,

para algum a 2 R. Note que
T (x) = T (1.x) = T (x.1) = xT (1),
por ii). Assim, se T (1) = k, k real, então temos que T (x) = kx. A origem do nome linear
vem exatamente desse caso, pois o gráfico dessa transformação é uma reta que passa pela
origem.
Exemplo 6.0.2
Para U = R, e V = R2 , T (x) = (x, 2x) é uma transformação linear.
Solução: Se k, x, y 2 R:
T (x + y) = (x + y, 2(x + y)) = (x, 2x) + (y, 2y) = T (x) + T (y)
e T (kx) = (kx, 2kx) = kT (x).
Exemplo 6.0.3
Sejam U = R2 , V = R3 , T (x, y) = (x + 1, x, xy) não é uma transformação linear.
Solução: Note que T (0, 0) = (1, 0, 0), mas na Definição 6.0.1 ii), temos que, para
k = 0, T (0u) = 0T (u) = 0 = T (0),
o que não ocorre nessa transformação.
Uma maneira de verificar se uma transformação não é linear é analisar o que ela faz
com o vetor nulo, caso ela o transforme em qualquer vetor não nulo, garantimos que ela
não é linear. Porém, o fato de T(0)=0 não é suficiente para que T seja uma transformação
linear, como no exemplo a seguir:
Exemplo 6.0.4
U = R, V = R2 , T (x) = (x, x2 ) não é uma transformação linear.
Solução: Para x, y 2 R, T (x+y) = (x+y, (x+y)2 ) = (x+y, x2 +2xy +y 2 ) 6= T (x)+T (y).
116
6.1 Transformações lineares do plano no plano
Dentre as muitas aplicações de transformações lineares, falaremos aqui de algumas

usadas em efeitos de computação gráfica. Um desenho no plano pode ser armazenado
no computador como um conjunto de vértices que são ligados por segmentos de retas.
As coordenadas x dos vértices serão a primeira linha da matriz; e as coordenadas y, a
segunda; os segmentos que unem os vértices seguem a ordem da matriz, ou seja, o vértice
da coluna 1 está ligado ao vértice da coluna 2, e assim sucessivamente. Por exemplo, um
triângulo com três vértices no plano: (x1 , y1 ), (x2 , y2 ) e (x3 , y3 ), será representado
pela matriz !
x1 x2 x3
.
y1 y2 y3
Podemos modificar ou transformar esse desenho usando transformações lineares, as

mais comuns são a expansão (dilatação) ou contração, reflexão em torno de um eixo ou
da origem, rotação de um ângulo ✓ ou cisalhamento.
6.1.1 Dilatação ou contração
Sejam
T : R2 ! R2 , T (v) = kv, k 2 R,
vemos que essa transformação leva o vetor v em outro de mesma direção, mas com sentido
contrário quando caso k < 0, ou mesmo sentido quando k > 0. Quando k = 0, ela
transforma todos os vetores no vetor nulo. O comprimento do novo vetor não será alterado
quando |k| = 1, será maior quando |k| > 1, e menor se 0  k < 1. Podemos representar
essa transformação por meio de um produto matriz vetor:
! !
k 0 x
T (v) = T (x, y) = .
0 k y
É fácil mostrar que essa transformação é linear.
Exemplo 6.1.1
Seja T : R2 ! R2 onde T (u) = 3u.
! !
3 0 x
Representando-a usando produto de matrizes: T (x, y) = . Grafica-
0 3 y
mente:
117
4
2
3u
1
u
2 1 1 2 3 4
1
Figura 6.1: Dilatação do vetor u

Essa transformação triplica o comprimento do vetor, mas a sua direção e o seu sentido
permanecem.
6.1.2 Reflexão em torno do eixo x

A função que faz a reflexão em torno do eixo x transforma o vetor (x, y) em (x, y),
logo T : R2 ! R2 onde T (x, y) = (x, y). Sua representação matricial é
! !
1 0 x
T (x, y) = .
0 1 y
2
u
1
3 2 1 1 2 3
1
v
2
Figura 6.2: Reflexão de u em torno do eixo x

118
Na imagem temos que v = T (u) e u = T (v).
6.1.3 Reflexão na origem

Essa transformação leva (x, y) em ( x, y), então T (x, y) = ( x, y) e sua repre-
sentação matricial é:
! !
1 0 x
T (x, y) =
0 1 y
F
2
u
1
2 1 1 2
1
2
C v
Figura 6.3: Reflexão em torno da origem
O ponto F , extremidade do vetor u, foi refletido no ponto C, e vice-versa, por essa

transformação.
6.1.4 Rotação no sentido anti-horário de um ângulo ✓

Para rotacionar c1 v1 + c2 v2 , é preciso rotacionar c1 v1 e c2 v2 , e como o comprimento
do vetor não é alterado, podemos concluir que rotação é uma transformação linear. O
vetor (1, 0) se transformará em (cos✓, sen✓), e o vetor (0, 1) virará ( sen✓, cos✓).
✓
✓
1
Figura 6.4: Rotação de (1, 0) e (0, 1) no sentido anti-horário

Note que (x, y) = x(1, 0) + y(0, 1), então a rotação de (x, y) resultará na soma da
rotação de x(1, 0) com y(0, 1), que gerará o vetor x(cos(✓), sen(✓))+y( sen(✓), cos(✓)) =
(xcos(✓) sen(✓), xsen(✓) + ycos(✓)).
119
2
2 2
Figura 6.5: Rotação de (2, 2) em 90

Na figura, veja que o vetor obtido da rotação de (2, 2) em 90o é a soma de (0, 2) e
( 2, 0) que são as rotações de (2, 0) e (0, 2) em 90o , respectivamente.
Podemos representar em forma matricial:
! !
cos(✓) sen(✓) x
T (x, y) = .
sen(✓) cos(✓) y
6.1.5 Cisalhamento horizontal
Essa transformação não modifica a coordenada y do vetor, mas sim a coordenada

x que se transforma em x + ky, k, um real qualquer, isto é, T (x, y) = (x + ky, y). Para
k=0, essa transformação é a identidade.
I J
2
x
2 2 + 2k
Figura 6.6: Cisalhamento horizontal de (2, 2)

O ponto I foi arrastado para J, chamamos de cisalhamento horizontal de I = (2, 2).

Sua representação matricial é:
! !
1 k x
T (x, y) = .
0 1 y
120
6.2 Imagem e núcleo de uma transformação linear
Para conhecer melhor que tipo de transformação linear estamos tratando e que tipo
de transformação ela faz, precisamos saber se é uma transformação injetora, sobrejetora
ou bijetora.
Definição 6.2.1
Seja T : V ! W , uma transformação linear.
i) Imagem de T = T (V ) = {w 2 W ; T (v) = w para algum v 2 V }
ii) Núcleo de T = N (T ) = {v 2 V ; T (v) = 0}
Ambos os conjuntos são subespaços vetoriais de W e V , respectivamente.
Exemplo 6.2.1
T : R2 ! R2 onde T (x, y) = (x + 2y, y), um cisalhamento horizontal.
Solução: Temos que
T (R2 ) = {w 2 R2 ; w = T (x, y) = (x + 2y, y) para algum (x, y) 2 R2 } = R2 ,
pois se w = (x̄, ȳ) 2 R2 , tome x = x̄ 2ȳ e y = ȳ. Assim,
T (x, y) = T (x̄ 2ȳ, ȳ) = (x̄, ȳ).
E o núcleo
N (T ) = {(x, y) 2 R2 ; T (x, y) = (x + 2y, y) = (0, 0)}
= {(x, y) 2 R2 : y = 0 e x = 0} = {(0, 0)}.
Logo, dim(T (R2 )) = 2 e dim(N (T )) = 0.
Exemplo 6.2.2
Seja T : R2 ! R onde T (x, y) = 2x y.
Solução:
T (R2 ) = {w 2 R; T (x, y) = 2x y = w para algum (x, y) 2 R2 } = R,
pois dado w 2 R ), x = w/2 e y = 0 ) T (x, y) = T (w/2, 0) = w. E o núcleo
N (T ) = {(x, y) 2 R2 ; T (x, y) = 2x + y = 0} = {(x, y) 2 R2 : 2x = y}.
121
Logo, N (T ) é uma reta com inclinação 1/2. Assim, dim(T (R2 )) = 1 e dim(N (T )) =
1.
O resultado a seguir é o ponto fundamental da Álgebra Linear, ele relaciona as di-

mensões do N (T ), T (V ) e V , isso gera uma caracterização desses espaços vetoriais.
Teorema 6.2.1
Seja T : V ! W , então dimN (T ) + dimT (V ) = dimV.
Demonstração: Sejam dimV = n, dimN (T ) = r e a base de N (T ) sendo B1 = {u1 , u2 , ..., ur }.

Podemos completar a base de N (T ) para obter uma base de V : B2 = {u1 , u2 , ..., ur , v1 , v2 , ..., vn r}
Vamos mostrar que

B = {T (v1 ), T (v2 ), ..., T (vn r )}
é uma base para T (V ), isto é,
T (V ) = [T (v1 ), T (v2 ), ..., T (vn r )]
e que os vetores de B são LI.

Seja w 2 T (V ), então existe v 2 V, tal que T (v) = w. Escreva
v = a1 u1 + a2 u2 + ... + ar ur + ar+1 v1 + ... + an r vn r
) T (v) = a1 T (u1 ) + a2 T (u2 ) + ... + ar T (ur ) + ar+1 T (v1 ) + ... + an r T (vn r)
) T (v) = ar+1 T (v1 ) + ... + an r T (vn r ),
pois T (ui ) = 0 para todo i = 1, ..., r, pois os u0i s estão no núcleo de T.

Acabamos de escrever w como combinação linear dos elementos de B, então
T (V ) = [T (v1 ), T (v2 ), ..., T (vn r )]. Falta provar que B é LI, sejam b0i s 2 R tais que
b1 T (v1 ) + b2 T (v2 ) + ... + bn r T (vn r ) = 0 ) T (b1 v1 + b2 v2 + ... + bn r vn r ) = 0
pela linearidade de T
) b1 v1 + b2 v2 + ... + bn r vn r 2 N (T )
) b1 v1 + b2 v2 + ... + bn r vn r = c1 u1 + c2 u2 + ... + cr ur ,
pois por hipótese B1 = {u1 , u2 , ..., ur } é uma base de N (T ). Então, passando para o
mesmo lado da igualdade
b1 v1 + b2 v2 + ... + bn r vn r c1 u1 c2 u2 + ... cr ur = 0.
122
Temos uma combinação linear da base B2 resultando em 0, logo
b1 = b2 = ... = bn r = c1 = c2 = ... = cr = 0.
Assim, B é uma base para T (V ) e dimT (V ) = n r, dimN (T ) = r, somando dará

dimV = n.
Definição 6.2.2
A transformação linear T : V ! W é injetora se T (u) = T (v) implicar em u = v,
para todos u, v 2 V . E será sobrejetora se, para todo w 2 W , existir v 2 V tal
que T (v) = w, isto é, T (V ) = W . Será bijetora quando for injetora e sobrejetora.
Observe que, se T é injetora, então N (T ) = {0}, pois se
v 6= 0, v 2 N (T ) ) T (v) = 0 = T (0) ) T (v 0) = 0.
No Exemplo 6.2.1, temos uma transformação injetora e sobrejetora, ou seja, bijetora. Já
no Exemplo 6.2.2 não é sobrejetora e nem injetora.
Exemplo 6.2.3
Seja T : R3 ! R3 , T (x, y, z) = (x z, 3y, y). Vamos verificar se T é injetora ou

sobrejetora.
Solução:
N (T ) = {(x, y, z); (x z, 3y, y) = (0, 0, 0)} = {(x, 0, x); x 2 R} = [(1, 0, 1)]
) dimN (T ) = 1
e T não é injetora. Agora, vejamos se T é sobrejetora, isto é, T (R3 ) = R3 . Dado (a, b, c)
sempre encontramos (x, y, z) tal que T (x, y, z) = (a, b, c)?
Veja que c = y e y = b/3, logo c = b/3 é uma restrição, assim o (1, 1, 1) por
exemplo, não existe (x, y, z) tal que T (x, y, z) = (1, 1, 1). Assim, T não é sobrejetora.
Pelo Teorema 6.2.1,
dimN (T ) + dimT (V ) = dimV ) dimT (R3 ) + dimN (T ) = dimR3 = 3
) dimT (R3 ) = 2.
Podemos concluir que essa transformação gera um plano no espaço.
123
6.3 Matriz associada a uma transformação linear
Até agora relacionamos algumas transformações lineares com matrizes. Na verdade,

veremos que toda transformação linear T : V ! W está associada a uma matriz cujo
número de linhas e colunas dependerá das dimensões de V e W . Essa matriz é única
quando fixamos as bases de V e W .
Fixadas as bases de V e W , toda matriz está associada a uma única transformação
linear nessas bases. Sejam V = Rn , W = Rm e M uma matriz mn. Podemos associar a
matriz M à transformação linear T : Rn ! Rm , onde T (v) = T (x1 , x2 , ..., xn ) = M v t .
Exemplo 6.3.1
!
2 1
Seja e V = W = R2 . A transformação linear abaixo é linear
1 0
! ! !
2 1 x 2x y
T (x, y) = = .
1 0 y x
Veremos agora uma maneira de associar uma matriz a uma transformação linear qual-
quer T : V ! W . Sejam B1 = {v1 , v2 , ..., vn } e B2 = {w1 , w2 , ..., wm } bases de V e
W , respectivamente. A matriz associada a T que leva [v]B1 em [T v]B2 , isto é,
[T ]B t
B2 [v]B1 = T = [T v]B2
1
) [T ]B
B2 = ([T v1 ]B2 [T v2 ]B2 ...[T vn ]B2 ).
1
O caso mais simples é n = m = 2, isto é, B1 = {v1 , v2 } e B2 = {w1 , w2 } são bases

de V e W , respectivamente. Suponha que
[v]B1 = (a, b) , v = av1 + bv2 , T (v) = aT (v1 ) + bT (v2 ).
Se
[T v1 ]B2 = (a11 a21 ) e [T v2 ]B2 = (a12 a22 )
, T v1 = a11 w1 + a21 w2 e T v2 = a12 w1 + a22 w2
) T v = a(a11 w1 + a21 w2 ) + b(a12 w1 + a22 w2 )
) T v = (aa11 + ba12 )w1 + (aa21 + ba22 )w2
) [T v]B2 = (aa11 + ba12 , aa21 + ba22 )
124
que é exatamente igual a
! !
a11 a12 a
[T ]B t
B2 [(a, b)]B1 =
1
.
a21 a22 b
Quando as bases são canônicas, escrevemos [T ], não há necessidade de indicar as bases.
Exemplo 6.3.2
Seja T : R3 ! R3 , T (x, y, z) = (x z, 3y, y). Encontre
B1
[T ]B
B e [T ]B2
para B base canônica do R3 e

B1 = {(1, 2, 0), (1, 0, 1), (0, 0, 2)} e B2 = {(0, 1, 1), (2, 0, 3), (0, 1, 0)}.
Solução: Considerando a base canônica do R3 : B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} temos
T (1, 0, 0) = (1, 0, 0); T (0, 1, 0) = (0, 3, 1); T (0, 0, 1) = ( 1, 0, 0)
) T (v1 ) = v1 , T (v2 ) = 3v2 + v3 e T (v3 ) = 1v1 .
Logo, 0 1
1 0 1
B B C
[T ]B = @ 0 3 0 A.
0 1 0
Se consideramos a mesma transformação T na base B1 , onde

B1 = {(1, 2, 0), (1, 0, 1), (0, 0, 2)} e B2 = {(0, 1, 1), (2, 0, 3), (0, 1, 0)}, então
T (1, 2, 0) = (1, 6, 2) = 1/2(0, 1, 1) + 1/2(2, 0, 3) + 13/2(0, 1, 0),
T (1, 0, 1) = (0, 0, 0); T (0, 0, 2) = ( 2, 0, 0) = 3(0, 1, 1) 1(2, 0, 3) + 3(0, 1, 0).
Assim, 0 1
1/2 0 3
B C
[T ]B
B2
1
= @ 1/2 0 1 A.
13/2 0 3
125
1) Sejam T : V ! W uma aplicação linear, B1 e B2 bases de V e W , respectiva-

mente. Então dimT (V ) = posto de [T ]B
B2 e
1
dimN (T ) = nulidade de [T ]B B1
B2 = número de colunas – posto de [T ]B2 .
1
0 0
2) Se T : V ! W e T : W ! U, onde T, T são transformações lineares e
V, W, U são espaços vetoriais com bases B1 , B2 e B3 respectivamente, então
0 0 0
T T : V ! U é uma transformação linear e [T T ]B B2 B1
B3 = [T ]B3 [T ]B2
1
1
3) Se T : V ! W é uma aplicação linear bijetora, então T : W ! V é sua
0 B
inversa e sua matriz: [T 1 ]B
B1 = ([T ]B2 )
2 1 1
Note que é preciso det[T ]B B1

B2 6= 0. E mais, se det[T ]B2 6= 0, então T é inversı́vel.
1
Exemplo 6.3.3
!
2 1
No Exemplo 6.3.1, [T ] = usando as bases canônicas. Ao fazer o
1 0
escalonamento, obtemos que o posto de [T ] = 2 = dimT [R2 ]. E a nulidade de
[T ] = 2 2 = 0 = dimN (T ). Logo, T é injetiva e sobrejetiva, assim inversı́vel.
Poderı́amos obter essa mesma informação calculando o det[T ] = 1, determinante
não nulo implica em [T ] inversı́vel, logo T é uma bijeção.
Para finalizar, vimos no Capı́tulo 5 que, se = {v1 , v2 , ..., vn } e = {u1 , u2 , ..., un }

são bases de um mesmo espaço vetorial V , a matriz Mudança de Base de para , [M ] ,
é obtida ao escrevermos os vetores de como combinação linear dos vetores de , ([vi ] ),
os pesos dessa combinação serão as colunas da matriz:
[M ] = ([v1 ]t [v2 ]t , ..., [vn ]t ) ) [v]t = [M ] [v]t .
Observe que, se considerarmos a transformação linear T como a identidade, isto é,

T (v) = v, T : V ! V , então temos que a matriz mudança de base é um caso particular
de matriz de uma transformação, sendo esta a identidade.
126
1) Seja T a translação T : R2 ! R2 , T (x, y) = (a + x, b + y), a, b 2 R, mostre que T
não é uma transformação linear.
2) Mostre que T (V ) e N (T ) são subespaços vetoriais de W e V respectivamente, para

qualquer transformação linear T : V ! W.
3) Se T : V ! W é uma transformação dos espaços vetoriais V em W,

a) mostre que, se T é linear, então T (0) = 0;
b) prove que N (T ) = 0 se, e somente se, T é injetora.
4) Seja a transformação linear T : V ! W , tal que dimV = dimW .

a) Prove que T é sobrejetora se, e só se, for injetora,
b) Se T é injetora, então T transforma uma base de V em uma base de W .
5) Verifique se as transformações a seguir são lineares:

a) T (x, y) = (2x + y, x 3y)
b) T (x, y) = (|x|, y x)
c) T (x, y) = xy
d) T (x, y, z) = x2
6) Encontre uma expressão para a transformação T que leva (1, 0, 0) em (2, 2), (0, 1, 0) em
(0, 1) e (0, 0, 1) em ( 1, 3). Calcule T (1, 2, 3).
7) Se T (1, 1) = (2, 2) e T ( 1, 0) = (0, 0), quanto vale T (x, y)?
8) Encontre uma expressão para T : R2 ! R2 que faz uma reflexão em torno da reta
y = x. Escreva [T].
9) Ache uma expressão para a transformação no plano que é uma rotação de 300 no
sentido horário, seguida de um cisalhamento horizontal de 1 unidade no sentido oeste
para leste.
127
10) Sejam ↵ = {(1, 1), (0, 1)} e = {(1, 0, 1), (0, 1, 0), (0, 1, 1)} bases do R2
e R3 , respectivamente. E
0 1
1 1
B C
[T ] = @ 1 0 A
0 1
a) Ache T .
0 1
1 0
B C
b) Encontre uma base de R3 tal que [T ]↵ = @ 1 0 A .
0 2
c) Encontre N (T ) e uma base para N (T ).

d) Encontre T (R2 ) e uma base qualquer para esse conjunto.
e) T é sobrejetora?
!
1 2
11) Seja T : R2 ! R2 tal que [T ] = .
0 1
Ache os vetores u e v, tais que:

a) T (u) = u
b) T (v) = v
c) N (T )
d) T (R2 )
0 1
0 0 1
B C
12) Seja [T ] = @ 1 1 0 A, encontre N (T ) e T (R3 ).
0 0 1
128
BIBLIOGRAFIA GERAL
BOLDRINI, Jose Luiz et al. Álgebra Linear. 3. ed. São Paulo: HARBRA Ltda., 1986.
BRITO, M. A.; PIRES, A. T. N. Quı́mica básica: teoria e experimentos. Florianópolis:

Editora da UFSC, 1997.
CAMARGO, I.; Boulos, P. Geometria Analı́tica. 3. ed. São Paulo: Pearson, 2014.
KOTZ, J. C.; TREICHEL JR, P. Quı́mica e reações quı́micas. 3. ed. Rio de Janeiro:
LTC, 1998.
LEON, J. Steven. Álgebra Linear com aplicações. 8. ed. Rio de Janeiro: LTC, 2001.
LOPES, G. J.; PEREIRA, M. G. Álgebra Linear 1. 2. ed. Natal: Editora da UFRN,

2014.
MENON, M. J. On the origins of the scalar and vectorial product definitions. Revista
Brasileira de Ensino de Fı́sica, São Paulo, v. 31, n. 2, abr./jun. 2009.
SANTOS, Reginaldo J. Matrizes Vetores e Geometria Analı́tica. Belo Horizonte: Im-

prensa Universitária da UFMG, 2008.
RUSSELL, J. B. Quı́mica geral. 2. ed. São Paulo: Makron Books, 1994.
129
Respostas das Listas de Exercı́cios
Respostas do Capı́tulo 1
Gabarito da Lista 1
1) Segmento de reta orientado saindo da origem. Caracterizado pelo módulo, compri-
mento, direção e sentido.
2) Um representante do vetor v é um segmento de reta orientado com mesmo módulo,

mesma direção e mesmo sentido de v. Por exemplo, o segmento com origem em (1, 1)
e extremidade em (2, 2) é um representante de v = (1, 1). Vetores opostos têm mesma
direção e módulo, mas sentidos contrários, como (1, 1) e ( 1, 1).
3) Temos um triângulo retângulo de lados 1 e 2 e hipotenusa a determinar: ||v||2 =

p
12 + 22 ) ||v|| = 5, v = (1, 2).
4) Não. Para a soma se anular, é preciso que os vetores sejam opostos, pois (a, b)+(c, d) =
(0, 0) ) (a + c, b + d) = (0, 0) ) a = c e b = d. Isto é, (a, b) é oposto a (c, d), então
(c, d) = (a, b). Observe que eles necessariamente terão o mesmo módulo!
p p p p
5) a) 89 cm. b) 153 40 2 cm. c) 5 6 m.
6) O vetor velocidade inicial faz ângulo de 45 com a horizontal, seu comprimento é 400m,
p
então sua componente horizontal será 400 cos(45 ) = 200 2 e sua componente vertical
p
é 400 sin(45 ) = 200 2.
7) Vetor velocidade, ou velocidade vetorial, está associado a um módulo, a uma direção e

a um sentido, é obtido da variação do vetor posição pelo tempo. A velocidade escalar
está associada somente a valores algébricos.
130
8) b)
9) A força resultante da horizontal vale 4, no sentido leste; na vertical, ela vale 3, no

sentido norte. Assim, a soma resultará em (4,3) e medirá 5.
10) ABCD é um paralelogramo, logo AB = CD e AC = BD. Assim, para D = (x, y)

temos AB = (2, 1) = (x 2, y 4), o que implica em x = 4 e y = 5, D = (4, 5).
11) kv.uk faz sentido, pois o produto interno é um número e seu módulo sempre existe.
v.u+w não faz sentido, porque a primeira parcela é um número e a segunda um vetor.
Não podemos somar um escalar a um vetor.
w.(v.u) não faz sentido, porque temos um produto interno de um vetor com um
número, uma vez que o resultado de v.u é um número.
c.(v + u) não faz sentido, porque não podemos fazer o produto interno de um escalar
com o resultado da soma de dois vetores.
12) A área do triângulo é metade da área do paralelogramo, logo vale:

p
1 1 1 222
kAB ⇥ ACk = k(1, 3, 4) ⇥ ( 1, 1, 3)k = k(13, 7, 2)k = .
2 2 2 2
13)
u.v
projv u = v = (1/2, 1, 1/2)
kvk2
v.u
proju v = u = (6/5, 0, 3/5)
kuk2
14) u é ortogonal a (3, 1), então o ângulo entre eles é reto e assim: u · (3, 1) = 0 ,
(a, b) · (3, 1) = 0 , 3a + b = 0 , b = 3a , u = (a, 3a) = a(1, 3).
p p p
15) ku + vk = kuk+kvk ) ( (u + v)(u + v))2 = ( u · u+ v · v)2 ) (u+v)·(u+v) =
u · u + v · v + 2 kuk kvk ) u · v = kuk kvk ) cos(✓) = 1 ) ✓ = 0 . Logo, u é paralelo
a v com mesmo sentido.
p p p
No segundo caso: ku + vk = kuk kvk ) ( (u + v)(u + v))2 = ( u · u v · v)2 )
(u + v) · (u + v) = u · u + v · v 2 kuk kvk ) u · v = kuk kvk ) cos(✓) = 1 )
✓ = 180 . Logo, u é paralelo a v com mesmo sentido contrário.
16) a) (u + v) · (u v) = u · u u·v+v·u v·v =u·u v · v = kuk2 kvk2 .

b) ku + vk2 + ku vk2 = (u + v)(u + v) + (u v)(u v) = u · u + 2u · v + v · v +
u · u 2u · v + v · v = 2 kuk2 + 2 kvk2
c) ku + vk = ku vk ) (u + v)(u + v) = (u v)(u v) ) u · u + 2u · v + v · v =
u · u 2u · v + v · v ) u · v = u · v ) 2u · v = 0 ) u · v = 0. Logo, são
ortogonais.
17) v = (1, 2, 3) e w = (2, 1, 2)
v+w (3,3, 5)
a) v + w = (3, 3, 5) ) kv+wk
p
43
=
b) v w = ( 1, 1, 1) ) kv wk = 1,1,
v w p
3
1)
c) 2v w = (0, 3, 2v w
4) ) k2v wk
= (0,3,5 4)
18) O produto misto é o volume do paralelepı́pedo gerado pelos três vetores em questão.
Assim, se o volume resultar em 0, significa que o sólido não tem “altura”, isto é, é uma
figura plana.
19) Basta calcular o produto misto de A B, C B e D B, que corresponde ao volume do

paralelepı́pedo gerado por esses três vetores, se o resultado for 0, então são coplanares,
porque o paralelepı́pedo é degenerado. Os vetores são A B = (1, 1, 0), C B =
(1, 0, 1), D B = (1, 2, 0): BA · (BC ⇥ BD) = (1, 1, 0) · ((1, 0, 1) ⇥ (1, 2, 0)) =
(1, 1, 0) · (2, 1, 2) = 2 1 = 1. O resultado é diferente de 0, então os quatro pontos
não são coplanares.
20) BA · (BC ⇥ BD) = ( 2, 0, 3) · (( 3, 2, 1) ⇥ ( 3, 1, 2)) = ( 2, 0, 3) · ( 3, 3, 3) =

6 + 9 = 15.
1
21) A área é igual ao produto vetorial sobre 2: 2
kAB ⇥ ACk =
p
1 173
2
k(2, 0, 3) ⇥ ( 1, 2, 4)k = 12
.
22) Represente as coordenadas dos vetores por letras e use o Teorema 1.
23) a) 2u v = (3, 4, 1) e o vetor unitário procurado é p1 (3, 4, 1).

26
u·v p 5p
b) u · v = kuk kvk cos(✓) ) cos(✓) = kukkvk
= 10 6
) ✓ = arccos p105p6 =
arccos 2p515 .
q
w (a,b,c) a b c a2 b2 c2
24) Se w = (a, b, c) ) v = kwk
= kwk
= ( kwk , kwk , kwk ) ) kvk = kwk2
+ kwk2
+ kwk2
=
kwk2
kwk2
= 1.
25) Sejam A = (a, b, c) e B = (d, e, f ), o ponto médio P = (x, y, z) do segmento AB é

aquele que equidista de A e B, e o vetor AP é igual ao vetor PB. Então, (x a, y
b, z c) = (d x, e y, f z), o que implica em x = a+d 2
, y = b+e
2
e z = c+f
2
. Logo,
a+d b+e c+f
P = ( 2 , 2 , 2 ).
26) A componente x dessa força é a sua projeção no eixo x, e a componente y será a projeção
p
no eixo y, desse modo ux = 3, 5 cos(30 ) = 3, 5 3/2 ⇡ 3 e uy = 3, 5 sin(30 ) = 3, 5/2 =
1, 75.
27) 154km.
p p
28) ✓ = arcos[4/ 78] e kv 2wk = 42.
Gabarito da Lista 2
1) x = t, y = 1 + 4t, z = 1 + 7t
2) 2x y + 5z 9=0
3) 5x 10y 5z = 0
4) (1, 2, 1)
5) (9, 7, 1)
6) x y 2=0
7) ( 1/7, 1/14, 3/14)
8) cos ✓ = 5/6
9) 2x + 2y + 2z = 0 e 2x + 2y + 2z 12 = 0
10) Há dois planos possı́veis: y + z = 0 e 4x 11y + 5z = 0
11) Use que vs = (1, ms) e vr = (1, mr). O ângulo entre as retas é igual ao ângulo entre
os vetores diretores.
12) a) (3, 3, 2). b) (6, 0, 5).
13) x = 1
Gabarito da Lista 1
0 1 0 1 0 1
5 2 8 3 2 10 20 5 40
B C B C B C
1. A+B = @ 5 1 1 A, B A = @ 1 1 1 A e 4(A+B) = @ 20 4 4 A
2 1 1 2 1 1 8 4 4
2. Sim.
3. (F) (F) (V) (V)

!
7
4. a) Av =
2
b) Não
c) Sim
Gabarito da Lista 2
1. Efetue o produto BC e obtenha uma matriz 2 ⇥ 3, tome cada uma de suas colunas
e escreva-as como combinação linear das colunas de B.
2. Use matrizes 2 ⇥ 2.
3. Não é comutativo.
4. AB é a matriz nula e nem A e nem B são nulos.
5. (F) (F) (F) (F) (F) (F) (V).
6. Faça para matrizes 2 ⇥ 2.
Gabarito da Lista 3
0 1 0 1
2 0 1 2 4 1
B C B C
1. a) (1). b) (1). c) @ 4 0 2 A . d) @ 0 0 0 A.
2 0 1 1 2 1
2. Não.
!
2 4y
3.
4y 4x + 6y
0 1
! 6 0 0
1 2 0 B C
4. A 1
= 2
eB 1
= 16 @ 0 3 0 A
0 1
0 0 2
5. AB = BA = I2⇥2
6. R✓T R✓ = I2⇥2
7. (C) (C) (E) (C) (C) (E) (C) (C) (C) (C) (C) (C)
Gabarito da Lista de Exercı́cios

1. a) ponto (4, 3, 3)
b) reta (1 + t, t, t) para todo t 2 R
c) reta (1 + t, t, t) para todo t 2 R
d) paralelos
e) plano (x, y, x/3 + 2y/3 1/3)
f) paralelos
2. 3, 6, 9 e 12
3. y = 17/5 3/5x, y = 5 3x e y = 3. A interseção será (2/3, 3)
4. 2x2 2x 10
5. a) mx = 20/9, my = 40/9, mz = 10/3 b)mx = 14/9, my = 10/3, mz = 46/9
6. a- os dois sistemas são equivalentes, pois terceira equação de c) é igual à segunda

equação menos duas vezes a primeira, ou seja, uma combinação linear das duas
primeiras, logo, os dois sistemas são iguais.
7. A = (aij ) com aij = 0, se i < j. E B = (bij ) com bij = 0, se i < j. Logo,

C = AB ) cij = Ai B (j) . Para i < j, temos
0 1
0
B .. C
B . C
B C
B C
B 0 C
Ai B (j) = (ai1 , ai2 , · · · , aii , 0, · · · 0) B
B
C
B bjj CC
B .. C
B . C
@ A
bnj
= ai1 .0 + · · · + aii .0 + · · · + 0.bjj + · · · + 0.bnj = 0.

1. (a) -13, (b) 6, (c) -3, (d) 0.
2. (a) 3, (b) 3, (c) 3, (d) 2.
3. (a), (b) e (c).
4. (a) 0, (b) 28, (c) não.
5. Por Laplace segue o resultado.

0 1
1 0 0
B C
6. (a)@ 0 4 5 A. (b) 7. (c) As linhas são dependentes.
2 0 0
7. (V) (V) (F) (V).
8. (a) Teorema 4.3 item (ii), (b) Teorema 4.3 item (iii), (c) Teorema 4.3 item (i).
9. Usar o desenvolvimento de Laplace na primeira linha e fatorar.
10. Use o exercı́cio 7(a)

0 1
1 6 2
1 B C
11. a) 13 @ 6 3 1 A
2 1 4
0 1
6 0 0
B C
b) 16 @ 6 3 0 A
8 1 2
0 1
0 3 0
B C
c) 13 @ 3 3 0 A
7 5 1
!
1 1 d b
12. A = ad bc
c a

1) S = U \W = {v 2 V ; v 2 U e v 2 W }. Sejam v1 e v2 2 S e a 2 R , então v1 +v2 2 S,
porque U, W são subespaços e cv1 2 S , pois cv1 2 U e cv1 2 W .
2) S = U + W = {v 2 V ; v = u + w, u 2 U, w 2 W }, sejam v1 e v2 2 S e a 2 R, então
v1 = u1 + w1 e v2 = u2 + w2 ) v1 + v2 = u1 + u2 + w1 + w2 2 S pois U, W são
subespaços cv1 = cu1 + cw1 2 S, porque cu1 2 U e cw1 2 W .
3) Seja S = {x 2 Rn ; Ax = 0} vamos mostrar que S é subespaço vetorial. Sejam c 2

R, x1 , x2 2 S ) Ax1 = Ax2 = 0 ) A(x1 + x2 ) = Ax1 + Ax2 = 0 + 0 = 0 ) x1 , x2 2 S
e A(cx1 ) = cA(x1 ) = 0 , assim cx1 2 S .
4) Se dimV = n, então existe um conjunto {v1 , v2 , ..., vn } LI tal que V = [v1 , v2 , ..., vn ].
Suponha que exista um outro conjunto LI {u1 , u2 , ..., um } tal que V = [u1 , u2 , ..., um ].
Pela Observação 5.3, (2), se m > n, então {u1 , u2 , ..., um } é LD, o que não é verdade.
E se n > m, então {v1 , v2 , ..., vn } é LD. Logo, m = n.
5) Seja S = {(x, y, z); 3x+2y z = 0}. Vamos mostrar que S é subespaço vetorial. Sejam
(x1 , y1 , z1 ) e (x2 , y2 , z2 ) pertencentes a S, então 3x1 + 2y1 z1 = 0 e 3x2 + 2y2 z2 = 0.
Assim, 3(x1 + x2 ) + 2(y1 + y2 ) (z1 + z2 ) = 3x1 + 2y1 z1 + 3x2 + 2y2 z2 = 0, fazendo a
distribuição. Logo, (x1 + x2 , y1 + y2 , z1 + z2 ) está em S. Seja c real, então c(x1 , y1 , z1 ) =
(cx1 , cy1 , cz1 ) está em S também, pois 3cx1 + 2cy1 cz1 = c(3x1 + 2y1 z1 ) = c.0 = 0.
6) S = {(x, y, z, t); x+2y = 0, z 3t = 0}, sejam (x1 , y1 , z1 , t1 ) e (x2 , y2 , z2 , t2 ) pertencentes

a S. Será que (x1 , y1 , z1 , t1 )+(x2 , y2 , z2 , t2 ) = (x1 +x2 , y1 +y2 , z1 +z2 , t1 +t2 ) está em S?
(x1 +x2 )+2(y1 +y2 ) = x1 +2y1 +x2 +2y2 = 0 e (z1 +z2 ) 3(t1 +t2 ) = z1 3t1 +z2 3t2 = 0.
( ! ) ( ! )
a k a b
7) S = , a, b, k 2 R não é subespaço de M2⇥2 = a, b, c, d 2 R ,
k b c d
! !
a1 k a2 k
sejam v1 = e v2 = 2 S, então
k b1 k b2
! ! !
a1 k a2 k a1 + a2 2k
v1 + v2 = + = onde a diagonal se-
k b1 k b2 2k b2 + b2
cundária não é constante igual a k.
8) S = {(x, y, z); x = y 1 = z/2} e sejam (x1 , y1 , z1 ) e (x2 , y2 , z2 ) pertencentes a S,

então x1 = x2 = y1 1 = y2 1 = z1 /2 = z2 /2. Assim, (x1 + x2 , y1 + y2 , z1 + z2 ) não
pertence a S, pois x1 + x2 = y1 + y2 2 = z1 /2 + z2 /2.
9) (3, 2, 1, 1) = a(1, 1, 2, 4) + b(0, 1, 3, 1) + c(1, 2, 1, 0), para a, b e c reais? É preciso

que 3 = a + c, 2 = a + b + 2c, 1 = 2a + 3b c e 1 = 4a b. Resolvendo obtemos que o
sistema possui mais de uma solução. A resposta é não.
10) Não, pois 1 é diferente de 0.
! ! ! ! ! !
1 0 0 1 0 0 0 0 0 0 a b
11) a +b +c +d = ) =
0 0 0 0 1 0 0 1 0 0 c d
!
0 0
) a = b = c = d = 0. Logo, o conjunto é LI, e dada qualquer matriz 2 ⇥ 2,
0 0
podemos escrevê-la como combinação linear do conjunto em questão, basta fazer os
pesos da combinação serem as entradas da matriz. Assim, é base.
12) a) sim
b) {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0)} é uma base de U
c) Não, a dimensão de U é 3 e não 4 = dimR4 .
13) = {( 4, 2), ( 3, 1)} .


1) T (0, 0) = (a, b) 6= (0, 0) e T não é linear.
2) Para mostrar que T (V ) é subespaço, temos que verificar que a soma de quaisquer dois
elementos de T (V ) resultará em um elemento de T (V ), e que a multiplicação por
escalar de qualquer elemento de T (V ) resultará em um elemento de T (V ). Sejam
v, v 0 2 V ) T (v), T (v 0 ) 2 T (V ). Note que T (v) + T (v0 ) = T (v + v 0 ) 2 T (V ), pois
v + v 0 2 V. Agora, seja c 2 R, cT (v) = T (cv) 2 T (V ). Usamos sempre a linearidade
de T.
Para mostrar que N (T ) é subespaço, tome v, v 0 2 N (T ) ) T (v) = T (v 0 ) = 0. Como
T (v + v 0 ) = T (v) + T (v0 ) = 0 + 0 = 0 v, v 0 2 N (T ). Seja c 2 R, T (cv) = cT (v) =
c.0 = 0 ) cv 2 N (T ).
3) a) Seja T linear, T (0) = T (v v) = T (v) T (v) = 0, para todo v elemento de V .

b) Se N (T ) = {0}, então T (u) = T (v) ) T (u v) = T (u) T (v) = T (0) = 0 )
u v 2 N (T ) ) u = v. Logo, T é injetora. Em contrapartida, se T é injetora e
u 2 N (T ) ) T (u) = 0 = T (0) ) u = 0.
4) a) T (V ) = W , dimT (V ) = n , dimN (T ) = 0 , N (T ) = {0} pelo Teorema 6.1,

que equivale a T ser injetora.
b) Seja {v1 , v2 , . . . , vn } uma base de V , vamos mostrar que {T (v1 ), T (v2 ), . . . , T (vn )}
é LI, como dimW = n e o conjunto tem n vetores, então é base de W . Sejam
a1 , a2 , . . . , an números reais tais que a1 T (v1 ) + a2 T (v2 ) + . . . + an T (vn ) = 0, então
T (a1 v1 + a2 v2 + . . . + an vn ) = 0. Como T é injetora, a1 v1 + a2 v2 + . . . + an vn = 0,
0
e como v1 , v2 , . . . , vn é uma base, todos os ai s são nulos.
5) a) T (x1 + x2 , y1 + y2 ) = (2(x1 + x2 ) + y1 + y2 , x1 + x2 3(y1 + y2 ))

= (2x1 + y1 , x1 3y1 + (2x2 + y2 , x2 3y2 ) = T (x1 , y1 ) + T (x2 , y2 ).
E mais, c 2 R ) T (cx, cy) = (2cx + cy, cx 3cy) = T (x, y).
b) Logo, T (x1 +x2 , y1 +y2 ) = (|x1 +x2 |, y1 +y2 x1 x2 ) 6= (|x1 |, y1 x1 )+(|x2 |, y2
x2 ) não é uma transformação linear.
c) T (x1 + x2 , y1 + y2 ) = (x1 + x2 )( y1 + y2 ) 6= T (x1 , y1 ) + T (x2 , y2 ), Logo, não é linear.
d) T (x1 + x2 , y1 + y2 , z1 + z2 ) = (x1 + x2 )2 6= T (x1 , y1 , z1 ) + T (x2 , y2 , z2 ) = x21 + x22 .
Logo, não é linear.
6) T (x, y, z) = T (x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)) = xT (1, 0, 0) + yT (0, 1, 0) +

zT (0, 0, 1) = (2x z, 2x + y + 3z). Assim, T (1, 2, 3) = (2 3, 2 + 2 + 9) = ( 1, 13).
7) Para que (x, y) = a(1, 1) + b( 1, 0), temos que a = y e b = x + y. Assim,
T (x, y) = aT (1, 1) + bT ( 1, 0), isto é, T (x, y) = y(2, 2) + (x + y)(0, 0) = (2y, 2y).
8) Basta observar que T (1, 0) = (0,

! 1) e T (0, 1) = (1, 0), assim T (x, y) = x(0, 1) + y(1, 0) =
0 1
(y, x). A matriz será = [T ].
1 0
9) Uma rotação de 300 no sentido horário no vetor (1, 0) gerará o vetor (cos300 , sen300 ) =
p p
( 23 , 1 12 ), seguida do cisalhamento dará (1 + 23 , 12 ). Já o vetor (0, 1) se tornará
p p p
(1 + sen300 , cos300 ) = (1 + 12 , 23 ). Logo, T (x, y) = x(1 + 23 , 1 12 ) + y(1 + 12 , 2
3
)=
p p
3 1 x y 3
(x(1 + 2 ) + y(1 + 2 ), 2 2
).
10) a) Queremos encontrar T (x, y). Veja que (x, y) = x(1, 1) + (y + x)(0, 1), basta
escrever (x, y) como combinação linear dos elementos da base ↵. Assim, T (x, y) =
0 1
1 1
B C
xT (1, 1) + (y + x)T (0, 1). Pela matriz [T ]↵ = @ 1 0 A ,
0 1
temos que [T (1, 1)] = (1, 1, 0) ) T (1, 1) = (1, 0, 1) + (0, 1, 0) = (1, 1, 1). De modo
análogo, T (0, 1) = (0, 0, 1). Assim, T (x, y) = x(1, 1, 1) + (y + x)(0, 0, 1) =
(x, x, y).
0 1
1 0
B C
b) Seja = {v1 , v2 , v3 }, com [T ]↵ = @ 1 0 A.
0 2
Assim, [T (v1 )] = (1, 1, 0) e [T (v2 )] = (0, 0, 2). Logo, T v1 ) = (1, 1, 1) = v1 + v2 e
T (v2 ) = (0, 0, 1) = 2v3 . Daqui v3 = (0, 0, 1/2), para v1 = (1, 0, 0) e
v2 = (0, 1, 1), temos uma base do espaço R.
c) N (T ) = (x, y); T (x, y) = (x, x, y) = (0, 0, 0) = (0, 0), logo a dimensão de
N (T ) = 0 e a base será vazia.
d) T (R2 ) = (x, x, y); x, y 2 R = [(1, 1, 0), (0, 0, 1)] que é um plano. Uma base é
(1, 1, 0), (0, 0, 1)
e) Não, uma vez que sua imagem é um plano e não o R.
11) a) Seja u = (x, y), então T (x, y) = ( x 2y, y). T (u) = u se, e somente se,
( x 2y, y) = (x, y). Assim, x = y, e u = (x, x) para qualquer x real.
b) T (x, y) = ( x 2y, y) = ( x, y), logo y = 0 e x é qualquer. Assim, v = (x, 0).
c) N (T ) = (0, 0)
d) T (R2 ) = {( x 2y, y); x, y 2 R} = {x(1, 0)+y(2, 1); x, y 2 R} = [(1, 0), (2, 1)] =
R2 .
12) N (T ) = {(z, x y, z) = (0, 0, 0); x, y 2 R} = {(x, x, 0); x 2 R} = [(1, 1, 0)] e

T (R3 ) = {(z, x y, z); x, y, z 2 R} = {(x y)(0, 1, 0) + z(1, 0, 1); x, y, z 2 R} =
[(0, 1, 0), (1, 0, 1)].
Este livro foi produzido
pela equipe da EDUFRN
em setembro de 2021.

Álgebra Linear Com Geometria Analítica

Enviado por

Dados do documento

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

Álgebra Linear Com Geometria Analítica

Enviado por

Direitos autorais:

Formatos disponíveis

ÁLGEBRA LINEAR com

ÁLGEBRA LINEAR com

Publicação digital financiada com recursos do Fundo Editorial da UFRN. A seleção da

Coordenadoria de Processos Técnicos

Ferreira, Débora Borges.

Modo de acesso: World Wide Web

1. Álgebra linear. 2. Geometria analítica. 3. Matrizes. 4. Equações lineares. I.

Elaborado por Gersoneide de Souza Venceslau – CRB-15/311

Todos os direitos desta edição reservados à EDUFRN – Editora da UFRN

Este livro é introdutório e nos deteremos à Álgebra Linear no plano R2 e no espaço

1 Vetores e geometria analı́tica 10

1.9 Interseção de esferas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3 Sistemas de equações lineares 64

4 Determinantes e matrizes inversas 83

6 Transformações lineares 115

Respostas das Listas de Exercı́cios 130

Vetores e geometria analı́tica

1.1 Noções preliminares

A palavra vetor vem do latim e significa carregar. É um elemento matemático que

Figura 1.1: Representante de v

Figura 1.2: Vetores no plano

O comprimento (magnitude) do vetor v = (x, y) será representado por kvk e vale

1.2.1 Adição de vetores no R2

Sejam v1 = (x1 , y1 ) e v2 = (x2 , y2 ) vetores do R2 . Definimos a soma por

v1 + v2 = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ).

Para representar o vetor soma, verificamos que v1 + v2 coincide com a diagonal do

Figura 1.3: Soma de vetores

Na Figura 1.3, tem-se que v1 + v2 é a diagonal do paralelogramo de lados em v1 e v2 .

v1 v2 = (x1 , y1 ) (x2 , y2 ) = (x1 x 2 , y1 y2 ).

Sua representação está na outra diagonal do paralelogramo, é o vetor que sai da

Se v = (1, 2) e u = (3, 0), então

v + u = (1, 2) + (3, 0) = (1 + 3, 2 + 0) = (4, 2)

Na Figura 1.4, v + u é o vetor vermelho e v u o verde.

Figura 1.4: Soma e subtração de vetores

A + v = (x0 , y0 ) + (a, b) = (x0 + a, y0 + b).

E mais, v = B A. Desse modo, se C = (x1 , y1 ), então C A = (x1 , y1 ) (x0 , y0 ) =

1.2.2 Produto de um escalar por um vetor

• c 2 (0, 1) ) cv tem mesma direção e sentido de v, mas comprimento menor.

• c 2 ( 1, 0) ) cv tem mesma direção de v, mas sentido contrário e comprimento

• c > 1 ) cv tem mesma direção e mesmo sentido de v, mas comprimento maior.

• c< 1 ) cv tem mesma direção de v, mas sentido contrário e comprimento maior.

c) u + 0 = u (elemento neutro da soma é o 0)

Para A = (a, b) e B = (c, d), calcule a distância entre eles e as coordenadas do

Solução: A distância de A a B é igual ao comprimento do representante AB. Se 0 = (0, 0)

kABk = kOA OBk = k(a, b) (c, d)k = k(a c, b d)k .

(a, b) (x, y) = (x, y) (c, d) ) (a x, b y) = (x c, y d).

Figura 1.5: Cálculo de distância entre A e B

Solução: Veja a figura a seguir:

Figura 1.6: Triângulo ABC

Observe que DE = CE CD e AB = CB CA. Como CA = 2CD e CB =

P (2) P (1) (22 , 2/2) (12 , 1/2)

O Vetor Velocidade Instantânea v(t) é calculado usando limites, por conseguinte,

Para v(t) = (v1 (t), v2 (t)), o Vetor Aceleração a(t) é

Um corpo se desloca com velocidade inicial v0 = 20 m/s e aceleração constante

(b) Qual a posição do móvel nesse instante?

Solução: (a) A velocidade média é obtida pelo quociente

s(t) = 20t + t2 ) s(10) = 200 + 100 = 300.

Ou seja, em 10 segundos o corpo se locomoveu 300 metros. Precisamos saber as

(PUC-SP) Se a velocidade vetorial de um ponto material é constante e não nula,

Figura 1.7: Exemplo 9

c) a velocidade escalar média;

d) a velocidade vetorial média.

b) O vetor deslocamento tem extremidades em (0, 4) e ( 4, 0). Supondo que a origem

c) A velocidade média é o quociente do deslocamento pela variação do tempo: 6⇡/2 = 3⇡.