Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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.
CDD 512.5
RN/UF/BCZM 2021/31 CDU 512.64
Prefácio 6
7
8 SUMÁRIO
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
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
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.
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
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.
Definição 1.2.1
(x1 + x2 , y1 + y2 )
(x1 , y1 )
v1 v1 + v2
(x2 , y2 )
(0, 0) v2
x
12
Exemplo 1.2.1
e
v u = (1 3, 2 0) = ( 2, 2).
( 2, 2) (1, 2) (4, 2)
(0, 0)
x
(3, 0)
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,
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.
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)
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
14
Substituindo:
(0, 0)
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 .
D E
A B
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
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
v(t + t) v(t)
a(t) = lim = (v10 (t), v20 (t)).
t!0 t
Exemplo 1.2.7
(a) Qual o vetor velocidade média no intervalo [0, 10] e a instantânea após 10 se-
gundos?
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,
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
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
Exemplo: continuação
a) a variação de espaço;
b) o vetor deslocamento;
Solução: a) Como ela deslocou-se em 3/4 da circunferência cujo comprimento é 2⇡4 = 8⇡,
então ela percorreu (3/4)8⇡ = 6⇡.
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.
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.
(a, b)
(c, d)
x
(0, 0)
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
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
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.
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
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
Observação 1.2.2
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)
u·v
projv u = v
kvk2
e tem comprimento kuk | cos(✓)|.
Exemplo 1.2.14
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.
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
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:
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
u + v = (a + d, b + e, c + f )
e a subtração
u v = (a d, b e, c f ).
Exemplo 1.3.1
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 .
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
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.
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
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:
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.
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:
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
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.
Observe que o ângulo que w faz com u ⇥ v é igual a ⇡/2 . E sin( ) = cos(⇡/2 ), e
o volume do paralelepı́pedo será
Propriedades 1.3.4
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?
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.
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
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
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.
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).
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).
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
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).
P1
x
P0
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
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
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
x x0 y y0 z z0
= = .
a b c
Exemplo 1.4.2
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
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.
iii) 1 ponto e 1 vetor normal ao plano (vetor perpendicular a todos os vetores paralelos
ao plano);
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
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.
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.
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
Exemplo 1.6.2
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
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
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.
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
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
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.
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
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).
P0
P1
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
43
De modo análogo, para a 6= 0 ou b 6= 0, obtemos a mesma fórmula.
P0
r
P0 P1
P
P1
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
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.
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
Exemplo 1.9.1
) x2 + y 2 + z 2 = 4.
Exemplo 1.9.2
y
) x2 + y 2 + + z 2 = 0,
3
ao dividirmos por 3. Então,
x2 + (y + 1/6)2 + z 2 = 1/62 .
• d(C1 , C2 ) = r1 + r2 ) S1 \ S2 = P0 , P0 = (x0 , y0 , z0 );
46
• d(C1 , C2 ) > r1 + r2 ) S1 \ S2 = ;
Exemplo 1.9.3
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
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.
Lista de exercı́cios 2
1) Encontre a equação paramétrica da reta que é a interseção dos planos 3x y+z =0
e x + 2y + z = 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.
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.
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
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
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:
51
2.2 Operações com 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 .
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
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
Observação 2.2.1
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.
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.
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 :
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) ).
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:
55
Lista de exercı́cios 1
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
0 1
! 1
1 2 3 B C
4) Seja A = e v = @ 0 A,
0 1 1
2
Observação 2.2.2
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:
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
Observação 2.2.3
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:
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.
Lista de exercı́cios 2
! !
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.
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.
Propriedades 2.3.1
Se A e B são matrizes m ⇥ n, C é n ⇥ p e c 2 R, valem as propriedades
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.
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
Lista de exercı́cios 3
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.
63
CAPÍTULO 3
64
(x1 = 13 x2 ) e substituı́-lo na outra equação, obtendo:
Essa técnica funciona bem para problemas de pequeno porte. Porém, quando o número
de variáveis cresce, precisamos de outros métodos.
Definição 3.1.1
Uma equação linear nas variáveis x1 , x2 , · · · , xn tem a seguinte representação geral:
a1 x1 + a2 x2 + · · · + an xn = b,
Observação 3.1.1
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 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
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.
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
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
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.
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:
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:
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.
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
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).
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.
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?
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
Exemplo 3.2.5
Seja 8
>
> x y+z+w =1
>
<
2x + y z + w = 2
>
>
>
:x + 2z = 3
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
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.
75
Observação 3.2.1
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
Observação 3.2.2
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
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
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 = {x 2 R3 |x1 x2 4x3 = 1}
78
única solução, logo a interseção desses três planos é um único ponto.
z y
Exemplo 3.3.2
Agora, considere os planos π1 e π2 do exemplo anterior e π3 , tais que
π3 = {x ∈ R3 |x1 + x2 − x3 = 1}.
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:
z y
Exemplo 3.3.3
Mantenhamos os planos π1 , π2 do exemplo anterior e π3 , tal que
80
Solução: Acharemos a solução do sistema linear
8
>
> x 2x2 5x3 = 2
>
< 1
2x1 x2 6x3 = 2
>
>
>
:3x 3x 111x = 4 2 3
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
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:
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).
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.
82
CAPÍTULO 4
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
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:
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 ).
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
Definição 4.2.1
Seja An⇥n , o seu determinante é
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 ).
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
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:
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.
Observação 4.2.1
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.
det(A) = det(B).
det(A) = det(B).
c · 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
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
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
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
Teorema 4.3.2
Toda matriz quadrada é inversı́vel se, e somente se, det(A) 6= 0
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
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)
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
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.
Observação 4.5.1
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:
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
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.
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.
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
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
Lista de exercı́cios
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
4) Sejam as matrizes ! !
2 3 2 3
A= eB=
2 4 2 4
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.
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
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)
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
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.
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.
i) av 2 S , para todo a 2 R e v 2 S;
Exemplo 5.2.1
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},
100
Observação 5.2.1
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
ax + by + cz d = 0,
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
!
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 .
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
Exemplo 5.3.1
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
Exemplo 5.3.2
Observe que
= {(x, y, z) : x, y, z 2 R}.
102
Exemplo 5.3.3
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
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).
) a1 = 5, a2 = 3/2 e a2 = 5.
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 .
Exemplo 5.4.1
Dois vetores colineares são linearmente dependentes, pois
v1 = av2 ) v1 av2 = 0.
Exemplo 5.4.2
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
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
Solução:
a1 ( 1, 0, 2) + a2 (1, 2, 2) + a3 (1, 1, 0) = (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).
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
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
) a1 = a 2 = a3 = 0.
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.
Observação 5.4.1
para a1 , a2 2 R. Logo,
u1 u2 u1 u2
v= = ) = 0,
a1 a2 a1 a2
Exemplo 5.4.8
A dimensão do R2 é 2; e a do R3 é 3.
107
Observação 5.4.2
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 .
) (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.
) v = a1 v1 + a2 v2 + ... + an vn , ai 2 R, i = 1, 2, ..., n.
v = b1 v1 + b2 v2 + ... + bn vn ,
logo, temos
Seja = {(1, 1), (0, 2)} base do R2 , escrevemos (2, 3) nessa base:
Usamos a notação
[v] = (a1 , a2 , ..., an )
para representar
v = a1 v1 + a2 v2 + ... + an vn
109
da reta r é 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 ] )
[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
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
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),
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
Lista de exercı́cios
1) Sejam U e W subespaços vetoriais do espaço V , mostre que U \W é um subespaço de V .
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.
! ( ! )
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.
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
Exemplo 6.0.1
115
para todo k real.
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
Solução: Se k, x, y 2 R:
Exemplo 6.0.3
Solução: Note que T (0, 0) = (1, 0, 0), mas na Definição 6.0.1 ii), temos que, para
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
116
6.1 Transformações lineares do plano no plano
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
Exemplo 6.1.1
! !
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
Essa transformação triplica o comprimento do vetor, mas a sua direção e o seu sentido
permanecem.
2
u
1
3 2 1 1 2 3
1
v
2
118
Na imagem temos que v = T (u) e u = T (v).
F
2
u
1
2 1 1 2
1
2
C v
Figura 6.3: Reflexão em torno da origem
Fonte: autoria própria
✓
✓
1
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
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
I J
2
x
2 2 + 2k
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.
Exemplo 6.2.1
E o núcleo
N (T ) = {(x, y) 2 R2 ; T (x, y) = (x + 2y, y) = (0, 0)}
Exemplo 6.2.2
Solução:
121
Logo, N (T ) é uma reta com inclinação 1/2. Assim, dim(T (R2 )) = 1 e dim(N (T )) =
1.
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.
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
Solução:
) 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,
) dimT (R3 ) = 2.
123
6.3 Matriz associada a uma transformação linear
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
Se
[T v1 ]B2 = (a11 a21 ) e [T v2 ]B2 = (a12 a22 )
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
B1
[T ]B
B e [T ]B2
Solução: Considerando a base canônica do R3 : B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} temos
Logo, 0 1
1 0 1
B B C
[T ]B = @ 0 3 0 A.
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
Observação 6.3.1
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
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.
126
Lista de exercı́cios
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.
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).
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
!
1 2
11) Seja T : R2 ! R2 tal que [T ] = .
0 1
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.
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.
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.
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.
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.
130
8) b)
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.
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.
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.
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
8) cos ✓ = 5/6
9) 2x + 2y + 2z = 0 e 2x + 2y + 2z 12 = 0
11) Use que vs = (1, ms) e vr = (1, mr). O ângulo entre as retas é igual ao ângulo entre
os vetores diretores.
13) x = 1
Respostas do Capı́tulo 2
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.
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.
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)
Respostas do Capı́tulo 3
2. 3, 6, 9 e 12
4. 2x2 2x 10
8. (a) Teorema 4.3 item (ii), (b) Teorema 4.3 item (iii), (c) Teorema 4.3 item (i).
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 .
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.
( ! ) ( ! )
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.
! ! ! ! ! !
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 .
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 ).
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 .