Alga ENG

Álgebra Linear e Geometria Analítica
Departamento de Matemática para a Ciência e Tecnologia

Universidade do Minho
2005/2006
Engenharia e Gestão Industrial

Engenharia Electrónica Industrial e de Computadores
Gaspar José Brandão Queiroz Azevedo Machado

i
• Docentes
Docente Gabinete Telefone Correio electrónico

Cláudia Horta EC1.40 253510440 [email protected]
Gaspar Machado EC2.17 253510445 [email protected]
• Horários das aulas
Dia Hora Tipo Sala Cursos Docente

Terça-feira 13h10/14h00 T EC1.03 EIC+EGI Gaspar Machado
Terça-feira 14h10/17h00 TP2 C2.40 EIC Cláudia Horta
Quarta-feira 12h10/13h00 T EC1.03 EIC+EGI Gaspar Machado
Quinta-feira 16h10/19h00 TP C2.37 EGI Gaspar Machado
Sexta-feira 8h10/11h00 TP1 C2.37 EIC Cláudia Horta
• Horários do atendimento aos alunos
Dia Hora Gabinete Cursos Docente

Terças-feiras 9h30/11h30 EC1.40 EIC Cláudia Horta
Terças-feiras 15h00/18h00 EC2.17 EIC+EGI Gaspar Machado
Quartas-feiras 14h00/15h00 EC1.40 EIC Cláudia Horta
• Objectivos
A disciplina de Álgebra Linear e Geometria Analítica é uma das componentes da formação básica em Ciências dum curso de Engenharia. Os conceitos e as técnicas
aí apresentadas têm por objectivo desenvolver as capacidades de abstracção e de raciocínio lógico-dedutivo, adquirindo algumas das ferramentas base de Álgebra
Linear e Geometria Analítica necessárias à progressão do estudo da Engenharia.
• Programa da disciplina
1. Álgebra matricial — definição de corpo; introdução do conceito de matriz; representação matricial e notação; exemplos de matrizes particulares; operações com
matrizes - soma de matrizes, multiplicação de uma matriz por um escalar, multiplicação de matrizes: definições e propriedades; definição de inversa de uma matriz;
definição de transposta de uma matriz; matrizes simétricas e ortogonais; matrizes conjugadas, transconjugadas, hermíticas e unitárias.
2. Espaços vectoriais — definição de espaço sobre um corpo; exemplos; definição de subespaço; definição de combinação linear de vectores, conjunto gerador,
vectores linearmente independentes e linearmente dependentes; base e dimensão de um espaço vectorial.
ii
3. Sistemas de equações lineares — forma em escada e em escada reduzida de uma matriz; operações elementares com linhas; matrizes equivalentes; característica
de uma matriz; sistemas de equações lineares: matriz dos coeficientes, vector dos termos independentes, vector das incógnitas, matriz ampliada, conjunto solução;
sistemas equivalentes; sistema homogéneo, sistema homogéneo associado, núcleo de um sistema; classificação de sistemas lineares quanto ao número de soluções:
sistema possível, sistema possível e determinado, sistema possível e indeterminado, sistema impossível; variável pivô, variável livre; resolução de sistemas lineares
pelo Método de Eliminação de Gauss e de Gauss-Jordan; cálculo de inversas; determinante de uma matriz.
4. Aplicações lineares — produto cartesiano de dois conjuntos, relação, domínio de uma relação, contradomínio de uma relação, aplicação ou função ou transfor-
mação ou correspondência ou operador; definição de aplicação linear; exemplos; imagem e núcleo de uma transformação linear; característica e nulidade de uma
transformação linear; matriz de uma transformação linear.
5. Valores próprios e vectores próprios — vector próprio de uma matriz associado a um valor próprio, espectro de uma matriz; polinómio característico de uma
matriz, equação característica de uma matriz, multiplicidade algébrica de um valor próprio, valor próprio simples; cálculo de valores e vectores próprios.
6. Geometria Analítica — produto interno de dois vectores, espaço euclidiano; norma, espaço normado, norma induzida pelo produto interno, vector unitário;
distância entre dois vectores, ângulo entre dois vectores, vectores ortogonais; produto externo de dois vectores de R3 , triedro directo, propriedades; equação
cartesiana de um plano; equação vectorial, equações paramétricas e equações cartesianas de uma recta, vector director de uma recta; distância entre dois pontos,
distância de um ponto a uma recta, distância de um ponto a um plano; ângulo entre dois planos, ângulo entre duas rectas, ângulo entre uma recta e um plano.
Superfícies quádricas; superfície de revolução, geratriz de uma superfície de revolução, eixo; superfície cilíndrica, geratriz de uma superfície cilíndrica, directriz; traço
de uma quádrica; simetria de uma quádrica relativamente a um plano coordenado, a um eixo coordenado e à origem; classificação e propriedades das quádricas.
• Bibliografia:
– “Álgebra Linear”, M. R. Valença, Universidade do Minho;
– “Álgebra Linear”, S. Lipschutz, Colecção Schaum, McGraw-Hill;
– “Álgebra Linear — vol I”, M. A. Ferreira e I. Amaral, Edições Sílabo;
– “Álgebra Linear — vol II”, M. A. Ferreira e I. Amaral, Edições Sílabo;
– “Introdução à Álgebra Linear e Geometria Analítica”, F. R. Dias Agudo, Escolar Editora.
• Material de apoio pedagógico
Serão facultadas aos alunos cópias dos acetatos das aulas teóricas bem como fichas com exercícios. Quanto aos primeiros, deve-se explicar a notação aí usada:
definições serão identificadas pela sequência “def”; teoremas por “teo”; exemplos por “exe” e observações por “obs”. A numeração será sequencial dentro de cada
capítulo. Os acetatos estão incompleto: as demonstrações, identificadas pela sequência “dem”, não estão feitas e os exemplos também não estão acabados. Quer
estes, quer aquelas serão completados nas aulas teóricas.
As fichas de exercícios serão resolvidas parcialmente nas aulas teorico-práticas. Estas fichas incluem as soluções dos exercícios propostos.
No final de cada semana e no sítio da disciplina serão sugeridos exercícios para serem resolvidos em casa.
iii
• Avaliação
Na Época Normal e na Época de Recurso, a classificação final (CF) na escala 0 a 200, será calculada através da expressão
CF=min(200;max(0.1T+E;E)),
em que

 NT se NT> 95;
T=
 0 se NT< 95,
sendo NT a classificação obtida no teste, na escala de 0 a 200 pontos e E a classificação obtida no exame, na escala de 0 a 200 pontos.
O teste será no dia 19 de Novembro, Sábado.
Será realizada uma prova complementar, também escrita, se CF∈ [80; 95[. Se a apreciação global desta prova for positiva, a classificação final será “10” (escala de
0 a 20 valores); caso contrário, a classificação final será “reprovado”.
Na Época Especial a classificação final é igual à classificação obtida no exame dessa época. As condições para realizar a Prova Complementar são idênticas às das
outras épocas.
Não serão permitidas máquinas de calcular e todas as provas de avaliação serão sem consulta, sendo dado no próprio enunciado o formulário que se julgue necessário.
Todos os alunos estão admitidos a exame.

1. Matrizes (notas) 1
1. Matrizes (notas)
1.1def J corpo K Sejam K um conjunto não vazio e as aplicações

+ : K × K −→ K · : K × K −→ K
e
(α, β) 7−→ α + β (α, β) 7−→ α · β.
Então, diz-se que o triplo (K, +, ·) é um corpo se:
(a) ∀α, β ∈ K : α + β = β + α.
(b) ∀α, β, γ ∈ K : (α + β) + γ = α + (β + γ).
(c) ∃1 elemento de K (representado por 0K), ∀α ∈ K : α + 0K = α.
(d) ∀α ∈ K, ∃1 elemento de K (representado por −α) : α + (−α) = 0K.
(e) ∀α, β ∈ K : α · β = β · α.
(f) ∀α, β, γ ∈ K : (α · β) · γ = α · (β · γ).
(g) ∃1 elemento de K (representado por 1K), ∀α ∈ K : 1K · α = α.
(h) ∀α ∈ K \ {0K}, ∃1 elemento de K (representado por α−1) : α · α−1 = 1K.
1.2def J escalar K Seja (K, +, ·) um corpo. Então, chama-se escalares aos elementos de K.
1.3exe (a) (Q, +, ·), (R, +, ·) e (C, +, ·), em que “+” e “·” representam, respectivamente, a
adição e multiplicação usuais no conjunto indicado, são corpos.
(b) (Z, +, ·), em que “+” e “·” representam, respectivamente, a adição e multiplicação
usuais em Z, não é um corpo.
1.4obs (a) Para simplificar a linguagem e quando tal não resultar ambíguo, em vez de “seja o
corpo definido pelo triplo (K, +, ·)” diz-se “seja K um corpo”, devendo-se suben-
tender as operações envolvidas.
(b) Se não causar confusão, em vez de α · β escreve-se αβ, em vez de α + (−β)

escreve-se α − β, em vez de 0K escreve-se 0 e em vez de 1K escreve-se 1.
1.5def J potência cartesiana de um conjunto K Sejam n ∈ N e X um conjunto. Então, ao

conjunto
X n = {(x1, x2, . . . , xn)|x1, x2, . . . , xn ∈ X},
chama-se potência cartesiana de ordem n do conjunto X, identificando-se X 1 com

X.
1.6def (a) J matriz, linha de uma matriz, coluna de uma matriz K Chama-se matriz a
um quadro constituído por elementos de um certo corpo dispostos segundo filas
horizontais, que se chamam linhas, e filas verticais, que se chamam colunas.
(b) J matriz do tipo m por n sobre o corpo K K Sejam m, n ∈ N e o corpo K. Então,

chama-se matriz do tipo m por n sobre o corpo K a um quadro constituído por
mn elementos de K dispostos segundo m linhas e n colunas.
(c) J Mm×n(K) K Sejam m, n ∈ N e o corpo K. Então, representa-se por Mm×n(K)

o conjunto das matrizes do tipo m por n sobre o corpo K.
1.7obs (a) Por regra, denotam-se matrizes por letras maiúsculas e os seus elementos pela
respectiva letra minúscula acompanhada de dois índices, em que o primeiro índice
indica a linha em que o elemento se encontra e o segundo indica a coluna do
elemento. Assim, o elemento aij da matriz A é o elemento da linha i e da coluna
j da matriz A = [aij ] (se necessário, usa-se uma vírgula para separar o índice
relativo à linha do índice relativo à coluna, i.e., ai,j ).
(b) Seja a matriz A = [aij ] ∈ Mm×n(K). Então,

 
a a12 · · · a1n
 11 
a22 · · · a2n 
 
 a21
A=  .
,
 . .. . . . .. 
 
am1 am2 · · · amn
com a11, a12, . . . , a1n, a21, a22, . . . , a2n, am1, am2, . . . , amn ∈ K.
(c) Seja a matriz A = [aij ] ∈ Mm×n(K). Então, a linha i, com i ∈ {1, . . . , m},
é o elemento (ai1, . . . , ain) de Kn e a coluna j, j ∈ {1, . . . , n}, é o elemento
(a1j , . . . , amj ) de Km.
1.8exe Dê um exemplo de uma matriz pertencente a M2×3(R).

1.9def Sejam m, n ∈ N, K um corpo e A ∈ Mm×n(K). Então,
(a) J matriz rectangular K diz-se que A é uma matriz rectangular se m 6= n.
(b) J matriz quadrada, matriz de ordem n K Diz-se que A é uma matriz quadrada se
m = n, dizendo-se neste caso que A é uma matriz de ordem n.
1.10exe (a) Dê um exemplo de uma matriz pertencente a M2×4(R) e indique o seu elemento
que está na segunda linha e na primeira coluna, a sua segunda linha e a sua
terceira coluna.
(b) Dê um exemplo de uma matriz pertencente a M2×2(C).

1.11def Seja a matriz A = [aij ] ∈ Mm×n(K). Então,
(a) J matriz coluna K diz-se que A é uma matriz coluna se n = 1.
(b) J matriz linha K Diz-se que A é uma matriz linha se m = 1.
1.12obs É habitual representar matrizes linha e matrizes coluna por letras minúsculas e os
seus elementos apenas com um índice. Assim, e usando esta notação, as formas da
matriz coluna x com m linhas e da matriz linha y com n colunas são:
 
x
 1
 
 x2  h i
x=  .  , y = y1 y2 · · · yn .

 . 
 
xm
1.13exe (a) Dê um exemplo de uma matriz coluna com 2 elementos.
(b) Dê um exemplo de uma matriz linha com p elementos.

1.14def Seja a matriz quadrada A = [aij ] ∈ Mn×n(K). Então,
(a) J diagonal principal ou diagonal de uma matriz K chama-se diagonal principal da

matriz A ou simplesmente diagonal da matriz A ao elemento (a11, a22, . . . , ann)
de Kn.
(b) J diagonal secundária de uma matriz K Chama-se diagonal secundária da matriz

A ao elemento (a1n, a2,n−1, . . . , an1) de Kn.
(c) J matriz diagonal K A diz-se uma matriz diagonal se i 6= j ⇒ aij = 0.
(d) J matriz triangular superior K A diz-se uma matriz triangular superior se i > j ⇒
aij = 0.
(e) J matriz triangular inferior K A diz-se uma matriz triangular inferior se i < j ⇒
aij = 0.
1.15exe (a) Dê um exemplo de uma matriz diagonal de ordem 3.
(b) Dê um exemplo de uma matriz triangular superior de ordem 2.

(c) Dê um exemplo de uma matriz triangular inferior de ordem 3 e indique a sua

diagonal principal e diagonal secundária.
1.16def (a) J matriz nula, 0m×n, 0 K Chama-se matriz nula a uma matriz cujos elementos são
todos iguais a 0. Representa-se a matriz nula do tipo m × n por 0m×n ou apenas
por 0.
(b) J matriz identidade, In, I K Chama-se matriz identidade à matriz diagonal cujos
elementos da diagonal são todos iguais a 1. Representa-se a matriz identidade de
ordem n por In ou apenas por I.
1.17exe (a) Indique a matriz nula do tipo 2 × 4.
(b) Indique a matriz identidade de ordem 3.

1.18def J matrizes iguais K Sejam as matrizes A = [aij ] ∈ Mm×n(K) e B = [bij ] ∈ Mq×q (K).
Então, diz-se que A e B são matrizes iguais se m = p, n = q e aij = bij , ∀i ∈
{1, . . . , m}, ∀j ∈ {1, . . . , n}.
1.19obs Usa-se esta definição em algumas demonstrações relativas a matrizes.
1.20def J produto de uma matriz por um escalar K Sejam a matriz A = [aij ] ∈ Mm×n(K) e
o escalar α ∈ K. Então, à matriz Z = [zij ] ∈ Mm×n(K) com zij = αaij , chama-se
produto da matriz A pelo escalar α e escreve-se Z = αA.
1.21obs Seja a matriz A. Então, em vez de (−1)A escreve-se −A.
1.22def J soma de matrizes K Sejam as matrizes do mesmo tipo A = [aij ], B = [bij ] ∈

Mm×n(K). Então, à matriz Z = [zij ] ∈ Mm×n(K) com zij = aij + bij , chama-se
soma das matrizes A e B e escreve-se Z = A + B.
1.23obs Sejam as matrizes do mesmo tipo A = [aij ], B = [bij ] ∈ Mm×n(K). Então, tendo em
consideração 1.21obs , em vez de A + (−B) escreve-se A − B.
1.24obs Só se pode somar matrizes do mesmos tipo.

   
1 i i 3 0 2
1.25exe Sejam as matrizes A =   eB=  . Então, determine A + 2B e −A.
0 1 0 1 1 2
1.26teo Sejam as matrizes A, B e C e a matriz nula 0, todas do mesmo tipo. Então, tem-se:
(a) A + B = B + A. (c) A + 0 = A.
(b) (A + B) + C = A + (B + C). (d) A + (−A) = 0.
1.27teo Sejam as matrizes A e B do mesmo tipo sobre o corpo K e os escalares α, β ∈ K.

Então, tem-se:
(a) (αβ)A = α(βA). (c) α(A + B) = αA + αB.
(b) (α + β)A = αA + βA. (d) 1A = A.

1.28def J produto ou multiplicação de matrizes K Sejam as matrizes A = [aij ] ∈ Mm×n(K) e

n
X
B = [bij ] ∈ Mn×p(K). Então, à matriz Z = [zij ] ∈ Mm×p(K) com zij = aik bkj ,
k=1
chama-se produto ou multiplicação da matriz A pela matriz B e escreve-se Z = AB.
1.29obs (a) Só se pode efectuar a multiplicação da matriz A pela matriz B se o número de

colunas da matriz A for igual ao número de linhas da matriz B. Neste caso, o
número de linhas da matriz resultante é igual ao número de linhas da matriz A e
o número de colunas da matriz resultante é igual ao número de colunas da matriz
B. Em notação simplificada, tem-se: Am×nBn×p = Zm×p.
p
Qp
(b) Sejam A uma matriz quadrada e p um inteiro positivo. Então, A = k=1 A.
(c) Seja a matriz A ∈ Mm×n(K). Então, AIn = ImA = A (note-se que Am×nIn×n =
Im×mAm×n = Am×n).
   
−1 0 1 −1 2
1.30exe Sejam as matrizes A =  eB =  . Então, determine se possível
1 1 0 −2 1
AB, BA, A2, BI3 e I2B.
1.31obs A multiplicação de matrizes não goza da propriedade comutativa.
1.32def J matrizes comutáveis K Sejam as matrizes quadradas A e B. Então, A e B dizem-se

matrizes comutáveis se AB = BA.
1.33teo Sejam as matrizes A, B e C e o escalar α. Então, se todos as operações a seguir

indicadas forem definidas, tem-se:
(a) (AB)C = A(BC). (c) A(B + C) = AB + AC.
(b) (A + B)C = AC + BC. (d) α(AB) = (αA)B = A(αB).
1.34obs Sejam as matrizes A, B e C. Então, se as operações a seguir indicadas forem definidas,

tem-se que as expressões A + B + C e ABC não resultam ambíguas devido à
propriedade associativa quer da soma quer da multiplicação de matrizes.
1.35exe Sejam A e B matrizes quadradas da mesma ordem. Então, simplifique a expressão

(A + B)2 − (A − B)(A + B) − 2B 2.
1.36obs Não se define a divisão de matrizes.
1.37def J matriz invertível ou não-singular, não-invertível ou singular K Seja a matriz qua-

drada A de ordem n. Então, se existir uma matriz Z, tal que ZA = AZ = In,
diz-se que a matriz A é invertível ou não-singular. Caso contrário, diz-se que A é
uma matriz não-invertível ou singular.
1.38obs A matriz Z da alínea anterior, a existir, também é de ordem n.
1.39teo Seja A uma matriz de ordem n invertível. Então, existe uma e uma só matriz Z tal
que ZA = AZ = In.
dem
1.40def J matriz inversa K Seja A uma matriz de ordem n invertível. Então, à única matriz
Z tal que ZA = AZ = In chama-se matriz inversa da matriz A e representa-se por
A−1.
1.41teo (a) Seja A uma matriz invertível. Então, A−1 também é uma matriz invertível e
(A−1)−1 = A
(b) Sejam A e B matrizes invertíveis da mesma ordem. Então, AB também é uma
matriz invertível e (AB)−1 = B −1A−1.
dem (a)
(b)
1.42obs (a) Há matrizes quadradas que não admitem inversa.
(b) O cálculo de inversas, exceptuando casos particulares, será estudado no terceiro

capítulo.
  
1 1
3 − 3 2 1
1.43exe Sejam as matrizes A =  eB=  . Então, determine AB e BA.
1 2
3 3 −1 1
1.44def J matriz transposta K Seja a matriz A = [aij ] ∈ Mm×n(K). Então, a matriz Z =

[zij ] ∈ Mn×m(K) com zij = aji, chama-se transposta de A e escreve-se Z = AT .
 
1 −2 0
1.45exe Seja a matriz A =  . Então, determine AT .
0 2 1
1.46teo Sejam as matrizes A e B e o escalar α. Então, se todas as operações a seguir indicadas

estiverem definidas, tem-se:
T T (d) (AB)T = B T AT .

(a) A = A.
−1 T T −1

(b) (A + B)T = AT + B T . (e) A = A .
(c) (αA)T = αAT .

1.47def J matriz simétrica K Seja a matriz quadrada A. Então, A diz-se uma matriz simétrica
se A = AT .
1.48exe Dê um exemplo de uma matriz simétrica de ordem 3.
1.49def J matriz ortogonal K Seja a matriz quadrada A ∈ Mn×n(R). Então, A diz-se uma
matriz ortogonal se AAT = AT A = In.
1.50obs Se A é uma matriz ortogonal, então A é uma matriz invertível e A−1 = AT .

 
cos α − sen α
1.51exe Seja a matriz A =  . Então, determine AAT e AT A.
sen α cos α
1.52obs Recorde: seja z = a+bi um número complexo. Então, ao número complexo z = a−bi
chama-se conjugado de z.
1.53def Seja a matriz A = [aij ] ∈ Mm×n(C). Então,
(a) J matriz conjugada K à matriz Z = [zij ] ∈ Mm×n(C) com zij = aij e onde
aij representa o conjugado de aij , chama-se matriz conjugada de A e escreve-se
Z = A.
(b) J matriz transconjugada K À matriz Z = [zij ] ∈ Mn×m(C) com zij = aji, chama-
se matriz transconjugada de A e escreve-se Z = AH .
 
−1 i 2i
1.54exe Seja a matriz A =  . Então, determine AT , A e AH .
1 −2 1
1.55teo Sejam as matrizes A e B e α um escalar. Então, se todas as operações a seguir

indicadas estiverem definidas, tem-se:
H H (d) (AB)H = B H AH .

(a) A = A.
−1 H H −1

(b) (A + B)H = AH + B H . (e) A = A .
(c) (αA)H = αAH .

1.56def Seja a matriz quadrada A ∈ Mn×n(C). Então,
(a) J matriz hermítica ou hermitiana K A diz-se uma matriz hermítica ou hermitiana

se A = AH .
(b) J matriz unitária K A diz-se uma matriz unitária se AAH = AH A = In.
1.57obs Se A é uma matriz unitária, então A é uma matriz invertível e A−1 = AH .
1.58exe (a) Dê um exemplo de uma matriz hermitiana de ordem 2.
 √ 
1
−i 3
(b) Seja a matriz A = 2 √ . Então, determine AAH e AH A.
3 −i
1. Matrizes (exercícios) 21
1. Matrizes (exercícios)
1.1 Dê um exemplo de uma matriz
(a) real do tipo 2 × 3. (e) coluna com 4 elementos.
(b) complexa de ordem 3. (f) diagonal pertencente a M4×4 (C).
(c) pertencente a M3×3 (C). (g) triangular superior pertencente a M3×3 (R).
(d) linha com 3 elementos. (h) triangular inferior de ordem 4.
1.2 Considere as matrizes

 
    1
−1 1 0 1 0  
A= ; B = [bij ] ∈ M2×3 (R), bij = i − j; C= ; u = 2 .
 
2 −1 1 1 −1  
0
Indique se estão bem definidas as seguintes expressões, efectuando as operações nesses casos:
(a) A + 2B. AB T + BAT

(f) .
2
(b) A − C. (g) (CBAT C)2 .
(c) AC. (h) uuT .
(d) CA. (i) uT u.
(e) C 3 . (j) uT AT Bu.
   
−1 −1 −4 AB T + BAT −1 −1
sols 1.2 (a) A + 2B =  . (f) = .
4 −1 −1 2 −1 1
 
(b) a expressão A − C não está bem definida. 2 0
(g) (CBAT C)2 =  .
(c) a expressão AC não está bem definida. 0 2
   
−1 1 0 1 2 0
 
(d) CA =  .
(h) uuT = 2 4 0.
 
−3 2 −1  
  0 0 0
1 0 h i
(e) C 3 =  . (i) uT u = 5 .
1 −1 h i
T T
1. Matrizes (exercícios) 22
1.3 Dê um exemplo de uma matriz simétrica pertencente a M3×3 (C).

 
1 a b
 
1.4 Determine os valores a, b, c ∈ C, para que a matriz S = 1 2 3 seja simétrica.
 
 
2 c 3
sols 1.4 a = 1, b = 2, c = 3.
 
1 2 −2
1 
1.5 Mostre que A = 2  é uma matriz ortogonal.
 
2 1
3 
−2 2 1
1.6 Dê um exemplo de uma matriz hermitiana de ordem 3.

 
0 a b
 
1.7 Determine os valores a, b, c ∈ C, para que a matriz T =  1 c i  seja hermitiana.
 
 
2i −i 3
sols 1.7 a = 1, b = −2i, c ∈ R.

 
3 4i
1.8 Mostre que B = 51   é uma matriz unitária.
−4 3i
 
i 0 2i
1.9 Considere a matriz D =   . Mostre que está bem definida a expressão DDH DDT e determine o seu valor.
2 −1 0
 
29 −20i
sols 1.9 DDH DDT =  .
20i 29
1.10 Mostre que o produto de uma matriz pela sua transposta é uma matriz simétrica.
1.11 Mostre que se A e B são matrizes comutáveis e B é uma matriz invertível, então AB −1 = B −1 A.
1.12 Sejam A e B matrizes comutáveis e invertíveis. Então, mostre que (AB)−1 = A−1 B −1 .
1.13 Uma matriz real e quadrada A diz-se anti-simétrica se AT = −A. Mostre que, dada qualquer matriz real e quadrada B, a matriz B − B T é anti-simétrica.
1.14 Mostre que o produto de duas matrizes ortogonais ainda é uma matriz ortogonal.
p−1
X
1.15 Seja A uma matriz quadrada tal que Ap = 0 para algum p ∈ N. Então, mostre que (I − A)−1 = I + Ak .
k=1
2. Espaços Vectoriais (notas) 23
2. Espaços Vectoriais (notas)
2.1def J espaço vectorial K Sejam V um conjunto não vazio, (K, +, ·) um corpo e as operações
⊕ : V × V −→ V : K × V −→ V
e
(x, y) 7−→ x ⊕ y (α, x) 7−→ α x
Então, diz-se que o sêxtuplo (V, ⊕, , K, +, ·) é um espaço vectorial se:
(a) ∀x, y ∈ V : x ⊕ y = y ⊕ x.
(b) ∀x, y, z ∈ V : (x ⊕ y) ⊕ z = x ⊕ (y ⊕ z).
(c) ∃1 elemento de V (representado por 0V ), ∀x ∈ V : x ⊕ 0V = x.
(d) ∀x ∈ V, ∃1 elemento de V (representado por −x) : x ⊕ (−x) = 0V .
(e) ∀α ∈ K, ∀x, y ∈ V : α (x ⊕ y) = α x ⊕ α y.
(f) ∀α, β ∈ K, ∀x ∈ V : (α + β) x = α x ⊕ β x.
(g) ∀α, β ∈ K, ∀x ∈ V : (α · β) x = α (β x).
(h) ∀x ∈ V : 1K x = x.
2.2def J vector, soma de vectores, multiplicação de um escalar por um vector K Seja o espaço
vectorial definido por (V, ⊕, , K, +, ·). Então, chama-se vectores aos elementos de
V , a operação ⊕ designa-se por soma de vectores e a operação por multiplicação
de um escalar por um vector.
2.3obs (a) Para simplificar a linguagem, em vez de “seja o espaço vectorial definido por
(V, ⊕, , K, +, ·)” diz-se “seja V um espaço vectorial sobre o corpo K” quando
as operações de soma de vectores e de multiplicação de um escalar por um vector
estiverem subentendidas.
(b) Se não causar confusão, em vez de x ⊕ y escreve-se x + y, em vez de x ⊕ (−y)

escreve-se x − y e em vez de α x escreve-se αx.
(c) A definição de espaço vectorial generaliza a noção de “vector” da Física, onde se

define um vector como uma quantidade física que tem uma certa magnitude e
uma direcção. O estudo genérico de um espaço vectorial permite-nos estabelecer
propriedades válidas para um conjunto alargado de entidades matemáticas.
2.4def J espaço vectorial real, espaço vectorial complexo K Um espaço vectorial sobre o corpo
dos reais designa-se por espaço vectorial real e um espaço vectorial sobre o corpo dos
complexos designa-se por espaço vectorial complexo.
2.5obs Antes de apresentar cinco exemplos de espaços vectoriais e dois exemplos que não são
espaços vectoriais, definem-se cinco conjuntos que serão usados naqueles exemplos.
2.6def (a) J Kn[x] K Sejam n ∈ N e K um corpo. Então, representa-se por Kn[x] o conjunto
dos polinómios na variável x com coeficientes no corpo K e que têm grau menor
ou igual a n, i.e., Kn[x] = {a0xn + · · · + an−1x + an|a0, . . . , an−1, an ∈ K}.
(b) J K[x] K Seja K um corpo. Então, representa-se por K[x] o conjunto dos polinómios
na variável x com coeficientes no corpo K.
(c) J C(a, b), C k (a, b), C ∞(a, b) K Sejam a, b ∈ R tais que a < b e k ∈ N. Então,
representa-se por C(a, b) o conjunto das funções reais de variável real contínuas em
k dp f
(a, b), por C (a, b) o conjunto das funções reais de variável real tais que f, dxp ∈
C(a, b), p = 1, . . . , k, e por C ∞(a, b) o conjunto das funções reais de variável real
p
tais que f, ddxfp ∈ C(a, b), ∀p ∈ N.
2.7exe Exemplos de conjuntos/operações que definem espaços vectoriais:
(a) sejam n ∈ N e K um corpo. Então, o conjunto Kn com as operações
(x1, x2, . . . , xn) + (y1, y2, . . . , yn) = (x1 + y1, x2 + y2, . . . , xn + yn),
α(x1, x2, . . . , xn) = (αx1, . . . , αxn),
com x1, x2, . . . , xn, y1, y2, . . . , yn, α ∈ K, é um espaço vectorial sobre o corpo K
(0V = (0, 0, . . . , 0)).
(b) Sejam m, n ∈ N e K um corpo. Então, o conjunto Mm×n(K) com as operações

usuais é um espaço vectorial sobre o corpo K (0V = 0m×n).
(c) Sejam n ∈ N e K um corpo. Então, o conjunto Kn[x] com as operações usuais é

um espaço vectorial sobre o corpo K (0V é o polinómio nulo).
(d) Seja K um corpo. Então, o conjunto K[x] com as operações usuais é um espaço
vectorial sobre o corpo K (0V é o polinómio nulo).
(e) Sejam a, b ∈ R tal que a < b. Então, o conjunto C(a, b) com as operações usuais
é um espaço vectorial sobre o corpo R (0V é a função nula).
2.8exe Exemplos de conjuntos/operações que não definem espaços vectoriais:
(a) O conjunto Mn×n(R) com as operações
⊕ : Mn×n(R) × Mn×n(R) −→ Mn×n(R)

(A, B) 7−→ A ⊕ B = AT + B T
: R × Mn×n(R) −→ Mn×n(R)
(α, A) 7−→ α A = αA,
não é um espaço vectorial real pois
(b) O conjunto R2 com as operações
⊕: R2 × R2 −→ R2
((a, b), (c, d)) 7−→ (a, b) ⊕ (c, d) = (0, b + d)
: R × R2 −→ R2
(α, (a, b)) 7−→ α (a, b) = (2αa, 2αb),
não é um espaço vectorial real pois
2.9def J subespaço K Sejam o espaço vectorial (V, ⊕, , K, +, ·) e F um subconjunto de V .

Então, diz-se que F é um subespaço V se (F, ⊕, , K, +, ·) ainda for espaço vectorial.
2.10teo Sejam V um espaço vectorial sobre o corpo K e F um seu subconjunto. Então, F é

um subespaço de V sse:
(a) 0V ∈ F .
(b) ∀x, y ∈ F, ∀α ∈ K : αx + y ∈ F .
2.11exe Exemplos de conjuntos que definem subespaços:
(a) F = {(x1, x2) ∈ R2|x2 = 0} é um subespaço de R2.
(b) O conjunto das matrizes reais e diagonais de ordem n é um subespaço de Mn×n(R).
(c) O conjunto das matrizes simétricas de ordem n é um subespaço de Mn×n(K).
(d) Seja V um espaço vectorial sobre o corpo K. Então, os conjuntos {0V } e V são
subespaços de V .
(e) Seja k ∈ N. Então, C k (a, b) é um subespaço de C(a, b) e C ∞(a, b) é um subespaço

de C k (a, b).
2.12exe Exemplos de conjuntos que não definem subespaços:
(a) o conjunto G = {(x1, x2) ∈ R2|x2 = 1} não é um subespaço de R2 pois
(b) O conjunto das matrizes hermitianas de ordem n não é um subespaço de Mn×n(C)

pois
2.13def J combinação linear K Sejam V um espaço vectorial sobre o corpo K e S = {x1, . . . , xn}
um subconjunto de V . Então, x ∈ V diz-se uma combinação linear dos elementos de
S se
∃α1, . . . , αn ∈ K : x = α1x1 + · · · + αnxn.
2.14exe Sejam x = (1, 4), x1 = (1, 2), x2 = (1, 1) e x3 = (2, 2). Então,
(a) ∃α, β ∈ R : x = αx1 + βx2?
(b) ∃α, β, γ ∈ R : x = αx1 + βx2 + γx3?
(c) ∃α, β ∈ R : x = αx2 + βx3?

2.15def J espaço gerado, L(S), hx1, . . . , xni K Sejam V um espaço vectorial sobre o corpo
K e S = {x1, . . . , xn} um subconjunto de V . Então, chama-se espaço gerado pelo
conjunto S, que se representa por L(S) ou por hx1, . . . , xni, ao conjunto de todas as
combinações lineares dos elementos de S.
2.16teo Sejam V um espaço vectorial sobre o corpo K e S = {x1, . . . , xn} um subconjunto

de V . Então, L(S) é um subespaço de V .
2.17obs Sejam V um espaço vectorial sobre o corpo K e S = {x1, . . . , xn} um subconjunto

de V . Então,
(a) L(S) = {α1x1 + · · · + αnxn|α1, . . . , αn ∈ K}.
(b) Chama-se ao conjunto L(S) espaço gerado devido ao teorema anterior.
(c) L(S) é o menor subespaço de V que contém S.

2.18def J conjunto gerador K Sejam V um espaço vectorial sobre o corpo K e S = {x1, . . . , xn}
um subconjunto de V . Então, diz-se que S é um conjunto gerador de V se V = L(S),
i.e., se
∀x ∈ V, ∃α1, . . . , αn ∈ K : x = α1x1 + · · · + αnxn.
2.19exe (a) R2 = h(1, 0)i?
(b) R2 = h(1, 0), (1, 1)i?
(c) R2 = h(1, 0), (1, 1), (0, 1)i?

2.20def Sejam V um espaço vectorial sobre o corpo K e S = {x1, . . . , xn} um subconjunto

de V . Então,
(a) J conjunto linearmente independente K diz-se que S é um conjunto linearmente

independente se
α1x1 + · · · + αnxn = 0V ⇒ α1 = · · · = αn = 0K.
(b) J vectores linearmente independentes K Se S é um conjunto linearmente indepen-

dente, os elementos de S dizem-se vectores linearmente independentes.
(c) J conjunto linearmente dependente K Se S não é um conjunto linearmente inde-

pendente, diz-se que S é um conjunto linearmente dependente.
(d) J vectores linearmente dependentes K Se S é um conjunto linearmente dependente,

os elementos de S dizem-se vectores linearmente dependentes.
2.21teo Sejam V um espaço vectorial e S = {x1, . . . , xn} um subconjunto de V . Então,
(a) se S é um conjunto linearmente dependente, qualquer subconjunto de V que con-

tenha S ainda é linearmente dependente.
(b) se S é um conjunto linearmente independente, qualquer subconjunto de S ainda é

linearmente independente.
2.22exe (a) {(1, 0)} é um conjunto linearmente independente?
(b) {(1, 0), (1, 1)} é um conjunto linearmente independente?
(c) {(1, 0), (1, 1), (0, 1)} é um conjunto linearmente independente?
2.23def J base K Sejam V um espaço vectorial e S = {x1, . . . , xn} um subconjunto de V .

Então, diz-se que S é uma base de V se S é um conjunto gerador de V linearmente
independente.
2.24teo Sejam V um espaço vectorial e o conjunto {x1, . . . , xn} uma base de V . Então, todas
as bases de V têm n vectores.
2.25def J dimensão de um espaço vectorial, dim(V ), espaço vectorial de dimensão finita K

Sejam V um espaço vectorial e o conjunto {x1, . . . , xn} uma base de V . Então,
chama-se dimensão do espaço vectorial V ao número de elementos que constituem
a base, escrevendo-se dim(V ) = n. Diz-se, ainda, que V é um espaço vectorial de
dimensão finita.
2.26obs (a) Note-se que a definição anterior faz sentido pois o teorema que a precede garante
que todas as bases de um espaço vectorial têm o mesmo número de elementos.
(b) Qualquer vector de um espaço vectorial de dimensão finita pode ser representado
como combinação linear única dos elementos de uma base do espaço.
2.27exe (a) {(1, 0)} base de R2?
(b) {(1, 0), (1, 1)} base de R2?
(c) {(1, 0), (1, 1), (0, 1)} base de R2?
2.28teo Seja V um espaço vectorial tal que dim(V ) = n. Então,
(a) qualquer conjunto de n + 1 ou mais elementos de V é linearmente dependente.

(b) Qualquer conjunto linearmente independente com n elementos de V é uma base
de V .
2.29teo Sejam V um espaço vectorial com dimensão finita e X e Y subespaços de V . Então,
(a) dim(X) 6 dim(V ).

(b) dim(X) = dim(V ) sse X = V .
2.30exe (a) dim(R3) = 3 e

{e1, e2, e3}, e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1), e
{f1, f2, f3}, f1 = (−1, 0, 0), f2 = (0, 1, 1), f3 = (1, 1, 1), são dois exemplos de
bases de R3 (à primeira chama-se base canónica de R3).
(b) dim(Rn) = n.
(c) dim(M2×3(K)) = 6 e {E11, E12, E13, E21, E22, E23}, em que
     
1 0 0 0 1 0 0 0 1
E11 =   , E12 =   , E13 =  ,
0 0 0 0 0 0 0 0 0
     
0 0 0 0 0 0 0 0 0
E21 =   , E22 =   , E23 =  
1 0 0 0 1 0 0 0 1
é uma base de M2×3(K) (base canónica de M2×3(K)).
(d) dim(Mm×n(K)) = mn.
(e) dim(R2[x]) = 3 e {1, x, x2} é uma base de R2[x] (base canónica de R2[x]).
(f) dim(Rn[x]) = n + 1.
(g) C(a, b) não é um espaço vectorial de dimensão finita.
2.31exe (a) Escreva o vector v = (−3, 2, 8) ∈ R3 como combinação linear dos elementos da
base canónica de R3:
 
1 2
(b) Escreva a matriz A =   ∈ R2×2 como combinação linear dos elementos da
3 4
base canónica de R2×2:
2.32obs Seja V um espaço vectorial tal que dim(V ) = n. Então,
(a) quaisquer m vectores de V com m > n são ld.
(b) C conjunto de geradores de V ⇒ #C > n.
(c) C conjunto de n vectores li de V ⇒ C conjunto gerador.
(d) C conjunto de n vectores geradores de V ⇒ os vectores são li.
(e) C conjunto de geradores de V constituído por vectores li ⇒ #C = n.

2. Espaços Vectoriais (exercícios) 39
2. Espaços Vectoriais (exercícios)

2.1 Mostre que o conjunto R2 com as operações usuais é um espaço vectorial real.
2.2 Mostre que o conjunto R+ com as operações
⊕ : R+ × R + −→ R+ : R × R+ −→ R+
e
(x, y) 7−→ x ⊕ y = xy (α, x) 7−→ α x = xα ,
é um espaço vectorial real.
2.3 Mostre que os seguintes conjuntos com as operações dadas não são espaços vectoriais reais:
(a) R2 , (a, b) ⊕ (c, d) = (a, b) e α (a, b) = (αa, αb).
(b) R2 , (x1 , x2 ) ⊕ (y1 , y2 ) = (x1 + y1 , x2 + y2 ) e α (x1 , x2 ) = (α2 x1 , α2 x2 ).
(c) R3 , (x1 , x2 , x3 ) ⊕ (y1 , y2 , y3 ) = (x1 + y1 , 0, x2 + y2 ) e α (x1 , x2 , x3 ) = (αx1 , αx2 , αx3 ).
2.4 Mostre que o conjunto R+ com as operações
⊕ : R+ × R + −→ R+ : R × R+ −→ R+
e
x
(x, y) 7−→ x⊕y = y (α, x) 7−→ α x = xα ,
não é um espaço vectorial real.
2.5 Averigue se S é um subespaço de R3 , sendo:
(a) S = {(x, y, z) ∈ R3 : x = y}.
(b) S = {(x, y, z) ∈ R3 : x = y + 2}.
sols 2.5 (a) S é subespaço de R3 .
(b) S não é subespaço de R3 .
2.6 Escreva, se possível, o vector v = (3, 3) ∈ R2 como combinação linear dos seguintes vectores de R2 , e interprete geometricamente os resultados obtidos:
(a) v1 = (1, 1). (d) v1 = (1, 1), v2 = (2, 2).
(b) v1 = (1, 2). (e) v1 = (1, −1), v2 = (−1, 1).
(c) v1 = (1, 2), v2 = (4, 2). (f) v1 = (1, −1), v2 = (0, 1), v3 = (2, 0).
3−α
sols 2.6 (a) v = 3v1 . (d) v = αv1 + 2 v2 , α ∈ R.
(b) v não é uma combinação linear de v1 . (e) v não é uma combinação linear de v1 e v2 .
6−β
(c) v = v1 + 12 v2 . (f) v = (β − 3)v1 + βv2 + 2 v3 , β ∈ R.
2.7 Considere os vectores u = (1, 2, −4) e v = (2, 5, −6) de R3 .
(a) Escreva o vector w = (1, −1, −10) como combinação linear de u e v.
(b) Para que valor de k é o vector r = (1, 0, k) combinação linear de u e v?
sols 2.7 (a) w = 7u − 3v.
(b) k = −8.
2.8 Escreva u = 5t2 − 8t + 6 como combinação linear de v = t2 − t e w = 2t2 − 4.
sols 2.8 u = 8v − 32 w.
2.9 Indique quais dos seguintes conjuntos de vectores são conjuntos geradores do espaço vectorial R2 .
(a) A = {(1, 0), (0, 1)}. (d) D = {(1, 2)}.
(b) B = {(1, 2), (−1, 0)}. (e) E = {(1, 2), (2, 4), (−1, −2)}.
(c) C = {(1, 0), (0, 1), (1, 3)}. (f) F = {(1, −1), (−2, 2)}.
sols 2.9 A, B e C.
2.10 Indique para que valores de α e β o conjunto X = {(1, 0, α), (α, β, β), (1, 0, 0), (0, 0, 1)} é um conjunto gerador de R3 .
sols 2.10 α ∈ R, β ∈ R \ {0}.
2.11 Verifique se os seguintes conjuntos são linearmente independentes:
(a) {(3, 1), (4, 2)} em R2 . (c) {(0, −3, 1), (2, 4, 1), (−2, 8, 5)} em R3 .
(b) {(3, 1), (4, −2), (7, 2)} em R2 . (d) {(−1, 2, 0, 2), (5, 0, 1, 1), (8, −6, 1, −5)} em R4 .
sols 2.11 (a) Sim. (c) Sim.
(b) Não. (d) Não.

2.12 Indique para que valores do parâmetro real α, os vectores a = (1, −2) e b = (α, −1) de R2 são linearmente independentes.
sols 2.12 α ∈ R \ { 12 }.
2.13 Considere no espaço vectorial real R3 os vectores v1 = (α1 , β1 , 1) e v2 = (α2 , β2 , 0) em que α1 , α2 , β1 e β2 são constantes reais. Indique, em função de α1 , α2 , β1 e
β2 uma condição necessária e suficiente para os vectores v1 e v2 serem linearmente independentes.
sols 2.13 α1 ∈ R, α2 ∈ R \ {0}, β1 ∈ R, β2 ∈ R \ {0}.
2.14 Considere o espaço vectorial real R3 e um seu subespaço S = {(x, y, z) ∈ R3 |x = y}. Determine dois vectores linearmente independentes u e v de S e mostre que
qualquer vector w ∈ S é uma combinação linear de u e v.
2.15 Sejam V um espaço vectorial e {v1 , v2 , v3 } um conjunto de vectores de V linearmente independente. Então, mostre que os seguintes conjuntos também são
linearmente independentes:
(a) u1 = v1 e u2 = v1 + v2 .
(b) u1 = 2v1 , u2 = v1 + v2 e u3 = −v1 + v3 .
(c) w1 = v1 + v2 , w2 = v1 + v3 e w3 = v2 + v3 .
2.16 Considere no espaço vectorial real R2 [x] os vectores u = 1, v = 1 − x e w = (1 − x)2 . Verifique que os vectores u, v e w são linearmente independentes.
2.17 Averigue quais dos seguintes conjuntos de vectores são bases de R2 :
(a) A = {(1, 1), (3, 0)}. (c) C = {(1, 1), (0, 8)}.
(b) B = {(1, 1), (0, 2), (2, 3)}. (d) D = {(1, −2), (−2, 4)}.
sols 2.17 A e C.
2.18 Averigue quais dos seguintes conjuntos de vectores são bases de R3 [x]:
(a) A = {1, x, x2 , x3 }. (c) C = {2, x, x2 + x3 , x + x2 + x3 }.
(b) B = {1, 1 + x, 1 + x + x2 , 1 + x + x2 + x3 , x3 }. (d) D = {1, 1 + x, x2 + x3 }.
sols 2.18 A.
2.19 Determine os valores do parâmetro α para os quais o conjunto {(α, 6), (1, α)} é uma base de R2 .
√ √
sols 2.19 α ∈ R \ {− 6, 6}.
2.20 Sejam F = {(x, y, z) ∈ R3 : z = 0} um subconjunto de R3 e u1 = (0, 2, 0), u2 = (1, 0, 0) e u3 = (−1, 6, 0) três vectores de R3 .
(a) Mostre que F é subespaço vectorial de R3 .
(b) Verifique que F = hu1 , u2 , u3 i.
(c) O conjunto {u1 , u2 , u3 } é uma base de F ?
(d) Indique a dimensão de F .
sols 2.20 (c) Não.
(d) dim(F ) = 2.
2.21 Sejam V um espaço vectorial, v1 , v2 , v3 e v4 vectores de V e {v1 , v2 } uma base de V .
(a) A = {v1 , v2 , v3 , v4 } é um conjunto gerador de V ?
(b) A é constituído por vectores linearmente independentes?
(c) B = {v1 } é um conjunto gerador de V ?
(d) B é constituído por vectores linearmente independentes?
(e) Seja C um subconjunto de V que gera V . Que pode dizer sobre o número de vectores de C?
(f) Seja D um subconjunto de V constituído por vectores linearmente independentes. Que pode dizer sobre o número de vectores de D?
(g) Em que condições é que E = {v1 , v4 } é um conjunto gerador de V ?
sols 2.21 (a) Sim.
(b) Não.
(c) Não.
(d) Sim.
(e) #C > 2.
(f) #D 6 2.
(g) E é um conjunto gerador de V sse v1 e v4 forem vectores linearmente independentes.

3. Sistemas de Equações Lineares (notas) 43
3. Sistemas de Equações Lineares (notas)
3.1obs Neste capítulo passa-se a considerar apenas o corpo dos números reais (a generaliza-
ção a qualquer outro corpo é imediata).
3.2def Sejam m, n ∈ N e A = [aij ] ∈ Mm×n(R). Então,
(a) J linha i de uma matriz, ì, coluna j de uma matriz, cj K representa-se por ì a
linha i da matriz A e por cj a coluna j da matriz A.
(b) J linha nula, coluna nula K Diz-se que ì é uma linha nula da matriz A e que cj
é uma coluna nula da matriz A se todos os seus elementos são iguais a zero.
(c) J pivô,coluna pivô K Ao elemento diferente de zero mais à esquerda de uma linha
não-nula chama-se pivô. Chama-se coluna pivô a uma coluna da matriz se existe
um elemento pivô nessa coluna.
 
0 0 0 0 1
 
3.3exe Identifique os elementos pivô e colunas pivô da matriz A = 0 0 0 0 0.
 
 
0 2 0 3 0
3.4def Sejam m, n ∈ N e A = [aij ] ∈ Mm×n(R). Então,
(a) J matriz em escada K diz-se que A é uma matriz em escada se o número de elemen-
tos nulos que precedem o pivô aumenta de linha para linha até que, possivelmente,
sobrem apenas linhas nulas.
(b) J matriz em escada reduzida K Diz-se que A é uma matriz em escada reduzida
se é uma matriz em escada, se todos os pivôs são iguais a um e se estes são os
únicos elementos não-nulos nas colunas pivô.
3.5exe Indique quais das seguintes matrizes são matrizes em escada e em escada reduzida:
 
  1 0 1 1 0    
  0 1 2 0 3 


 1 1
1 0 2 0   0 1 1 1 0    
A= , B = 0 0 0 1 0 , C =  .
 , u = 0 , v = 1
      
 
0 2 0 0   0 0 0 0 1    
0 0 0 0 0   0 0
0 0 0 0 1
3.6def J operações elementares com linhas K Sejam m, n ∈ N e A ∈ Mm×n(R). Então,

chama-se operação elementar com linhas sobre a matriz A a cada um dos processos
seguintes:
(a) troca de duas linhas (ì ↔ `j ).
(b) Substituição de uma linha pela sua soma com um múltiplo de outra linha (ì ←
ì + α`j , α ∈ R).
(c) Substituição de uma linha por um seu múltiplo não-nulo (ì ← αì, α ∈ R \ {0}).
h i
0240
3.7exe Seja a matriz A = 1 1 0 2 . Efectue a seguinte sequência de operações na matriz A:
2205
`1 ↔ `2, `3 ← `3 − 2`1, `1 ← `1 − 2`3, `2 ← 21 `2 e `1 ← `1 − `2.
3.8def J matrizes equivalentes, A ←→ B K Sejam m, n ∈ N e A, B ∈ Mm×n(R). Então,

diz-se que as matrizes A e B são equivalentes, escrevendo-se A ←→ B, se uma
delas pode ser obtida a partir da outra através duma sequência (finita) de operações
elementares com linhas.
3.9teo Seja A uma matriz. Então, existe uma única matriz que é equivalente à matriz A e
que é uma matriz em escada reduzida.
3.10obs Seja A uma matriz não-nula. Então, existe uma infinidade de matrizes que são
equivalentes à matriz A e que são matrizes em escada.
3.11def Seja A uma matriz. Então,
(a) J fe(A) K representa-se por fe(A) o conjunto das matrizes que são equivalentes à
matriz A e que são matrizes em escada.
(b) J fer(A) K Representa-se por fer(A) a única matriz que é equivalente à matriz A
e que é uma matriz em escada reduzida.
3.12teo Sejam m, n ∈ N e A = [aij ] ∈ Mm×n(R). Então, o seguinte algoritmo determina

um elemento de fe(A):
Passo 1 [inicializar o algoritmo]

i ← 1 e j ← (coluna não-nula mais à esquerda da matriz A).
Passo 2 [seleccionar elemento pivô]

se aij = 0 então trocar a linha i com a linha k, em que k = min ξ.
ξ∈{q∈{i+1,...,m}|aqj 6=0}
Passo 3 [anular os elementos abaixo do pivô]
para p ← i + 1 até m fazer
apj
`p ← `p − ì.
aij
Passo 4 [terminar?]
se já se obteve uma matriz em escada, então terminar; senão, repetir os passos 2 e
3 com i ← i + 1 e j ← (coluna não-nula mais à esquerda da matriz que se obtém
eliminando na matriz A as linhas `1, . . . , ì−1).
3.13teo Sejam m, n ∈ N e A = [aij ] ∈ Mm×n(R). Então, o seguinte algoritmo determina

fer(A):
Passo 1 [inicializar o algoritmo]

determinar um elemento A0 = [a0ij ] ∈ Mm×n(R) tal que A0 ∈ fe(A).
i ← (última linha não-nula da matriz A0) e j ← (coluna pivô da linha i).
Passo 2 [colocar elemento pivô a um]

1
se a0ij 6= 1 então `0i ← 0 `0i.
aij
Passo 3 [anular os elementos acima do pivô]
para p ← 1 até i − 1 fazer
`0p ← `0p − a0pj `0i.
Passo 4 [terminar?]
se já se obteve uma matriz em escada reduzida, então terminar; senão, repetir os
passos 2 e 3 com i ← (linha anterior com elemento pivô) e j ← (coluna pivô da
linha i).
 
0 0 0 3
 
3.14exe Seja a matriz A = 0 1 1 2. Então, determine um elemento de fe(A) e fer(A).
 
 
0 2 2 1
3.15def Seja A uma matriz. Então,
(a) J característica de linha de uma matriz K chama-se característica de linha da

matriz A, que se representa por clin(A), à dimensão do subespaço gerado pelas
linhas da matriz A.
(b) J característica de coluna de uma matriz K Chama-se característica de coluna da

matriz A, que se representa por ccol (A), à dimensão do subespaço gerado pelas
colunas da matriz A.
3.16teo Seja A uma matriz. Então, clin(A) = ccol (A).
3.17def J característica de uma matriz K Seja A uma matriz. Então, chama-se característica
da matriz A, que se representa por c(A), à dimensão do subespaço gerado pelas
linhas ou pelas colunas da matriz A.
3.18obs Note-se que a definição anterior faz sentido pois o teorema que a precede garante
que a dimensão do subespaço gerado pelas linhas da matriz A é igual à dimensão do
subespaço gerado pelas colunas da matriz A.
3.19teo (a) Sejam A e B matrizes equivalentes. Então, c(A) = c(B).
(b) Seja A uma matriz. Então, c(A) é igual ao número de linhas não-nulas de qualquer
matriz pertencente a fe(A).
3.20exe Determine c(A), sendo A a matriz dada em 3.14exe .
3.21def J sistema de equações lineares, matriz dos coeficientes, vector dos termos indepen-
dentes, vector das incógnitas, matriz ampliada, conjunto solução K Sejam m, n ∈ N,
A = [aij ] ∈ Mm×n(R) e b = [bi] ∈ Mm×1(R). Então, diz-se que (S) é um sistema de
m equações lineares nas n incógnitas x1, x2, . . . , xn ∈ R com matriz dos coeficientes
A e vector dos termos independentes b se (S) é o sistema



 a11x1 + a12x2 + a13x3 + · · · + a1nxn = b1


 a x + a x + a x + ··· + a x = b

21 1 22 2 23 3 2n n 2

 .. .. .. ... .. ..



 a x + a x + a x + ··· + a x = b .

m1 1 m2 2 m3 3 mn n m
Chama-se vector das incógnitas do sistema (S) à matriz coluna x = [xi] ∈ Mn×1(R).
Chama-se matriz ampliada do sistema (S), que se representa por A|b, à matriz
 
a a a · · · a1n b1
 11 12 13 
 a21 a22 a23 · · · a2n b2 
 
 .
 . .. .. . . . .. .. 
 . 
 
am1 am2 am3 · · · amn bm
Chama-se conjunto solução do sistema (S), que se representa por CS(S), ao conjunto
 
x
 1
{(x1, . . . , xn) ∈ Rn|A  ..  = b}.
 
 
xn
3.22obs Note-se que o sistema (S) da definição anterior pode ser escrito na forma matricial
 
  x1  
a11 a12 a13 · · · a1n    b1 

  x2   

 a21 a22 a23 · · · a2n   
   b2 

 .
 x 
3 =  ,
.. .. . . . ..  .. 

 .   
.   

 . 
am1 am2 am3 · · · amn   bm
xn
ou, em notação matricial, como Ax = b.
3.23def J sistema de equações não lineares K Chama-se sistema de equações não lineares a
um sistema de equações que não é um sistema de equações lineares.
3.24exe Dê um exemplo de um sistema de equações lineares de duas equações a duas incóg-

nitas e de um sistema de equações não lineares de duas equações a três incógnitas.
3.25def J sistemas equivalentes K Sejam (S1) e (S2) dois sistemas de equações lineares. Então,
diz-se que os sistemas (S1) e (S2) são equivalentes se CS(S1) = CS(S2).
3.26def Seja (S) o sistema de equações lineares Ax = b. Então,
(a) J sistema homogéneo K diz-se que (S) é um sistema homogéneo se b = 0.
(b) J sistema homogéneo associado K Se b 6= 0, chama-se a Ax = 0 o sistema homo-

géneo associado ao sistema (S).
(c) J núcleo de um sistema K Chama-se núcleo do sistema (S), que se representa por
N (A), ao conjunto solução do sistema homogéneo associado ao sistema (S).
3.27exe (a) Dê um exemplo de um sistema homogéneo de duas equações a três incógnitas.

 x + 2y = 1
(b) Considere o sistema de equações lineares dado por Identifique
 3x − y = 0.
o sistema homogéneo que lhe está associado e determine o seu núcleo.
3.28teo Sejam m, n ∈ N e A ∈ Mm×n(R). Então, N (A) é um subespaço de Rn com

dim(N (A)) = n − c(A).
3.29def Seja (S) um sistema de equações lineares. Então,
(a) J sistema possível K diz-se que (S) é um sistema possível se CS(S) 6= ∅.
(b) J sistema possível e determinado K Diz-se que (S) é um sistema possível e deter-
minado se #CS(S) = 1.
(c) J sistema possível e indeterminado K Diz-se que (S) é um sistema possível e

indeterminado se #CS(S) > 1.
(d) J sistema impossível K Diz-se que (S) é um sistema impossível se CS(S) = ∅.
3.30exe Dê um exemplo de um sistema de equações lineares possível e determinado, possível

e indeterminado e impossível.
3.31teo Seja (S) o sistema de equações lineares de m equações nas n incógnitas Ax = b.

Então,



 c(A) = c(A|b) : sistema possível



 c(A) = c(A|b) = n : sistema possível e determinado


 c(A) = c(A|b) < n : sistema possível e indeterminado



 c(A) < c(A|b) : sistema impossível.
3.32obs Seja (S) o sistema de equações lineares de m equações nas n incógnitas Ax = b.

Então, se n > m o sistema não pode ser possível e determinado.
3.33def J variável pivô, variável livre K Sejam A a matriz dos coeficientes de um sistema de
equações lineares e A0 ∈ fe(A). Então, se a coluna j de A0 é uma coluna pivô, diz-se
que xj é uma variável pivô. Caso contrário, diz-se que é uma variável livre.

 x + 2x − x + x = 3
1 2 3 4
3.34exe Identifique as variáveis livres do sistema
 x − 2x = 1.
3 4
3.35teo Método da eliminação de Gauss para a resolução de sistemas de equações lineares:

seja (S) o sistema de equações lineares Ax = b. Então, o seguinte algoritmo deter-
mina CS(S):
Passo 1 determinar um elemento de fe(A|b).
Passo 2 identificar as variáveis livres.
Passo 3 aplicar método de substituição de trás para a frente.
3.36teo Método da eliminação de Gauss-Jordan para a resolução de sistemas de equações

lineares: seja (S) o sistema de equações lineares Ax = b. Então, o seguinte algoritmo
determina CS(S):
Passo 1 determinar fer(A|b).
Passo 2 identificar as variáveis livres.
Passo 3 aplicar método de substituição de trás para a frente.

3.37exe Considere os sistemas de equações lineares


 x + 2x2 + 3x3 = 14 
 1

 x + y + z = 0
(S1) 4x2 + 5x3 = 23 e (S2)

 x + z = 0.

 6x3 = 18
Resolva-os através do métodos da eliminação de Gauss e do método de Gauss-Jordan.
3.38teo Sejam n ∈ N e A ∈ Mn×n(R). Então,
(a) A é uma matriz invertível se e só se c(A) = n.
(b) Se A é uma matriz invertível, a coluna j da sua matriz inversa é a solução do

sistema de equações lineares Ax = ej , em que ej é a coluna j da matriz In.
 
1 1 2
 
3.39exe Verifique que a matriz A = 0 1 0 é invertível e determine a sua inversa.
 
 
2 2 5
3.40def J determinante de uma matriz K Sejam n ∈ N e A = [aij ] ∈ Mn×n(R). Então,

chama-se determinante da matriz A, que se representa por det(A) ou |A|, ao escalar
definido recursivamente por



 a11 se n = 1,
n
|A| = X 1+j


 a 1j (−1) |A(1;j)| se n > 1,
j=1
em que A(1;j) é a matriz que se obtém a partir da matriz A eliminando a primeira

linha e a coluna j.
3.41obs Sejam n ∈ N e A = [aij ] ∈ Mn×n(R). Então, por simplificação de notação, escreve-

se

a11 a12 ··· a1n

···

a21 a22 a2n
det(A) = |A| = .
.. .. ... ..

···

an1 an2 ann
3.42exe (a) Calcule |A|, em que A = [aij ] ∈ M2×2(R).
(b) Calcule |A|, em que A = [aij ] ∈ M3×3(R) e deduza a “Regra de Sarrus”.
3.43teo (Teorema de Laplace) Sejam n ∈ N e A = [aij ] ∈ Mn×n(R). Então,

n
X n
X
|A| = aij (−1)i+j |A(i;j)| = aij (−1)i+j |A(i;j)| .
|j=1 {z } |i=1 {z }
desenvolvimento desenvolvimento
através da linha i, através da coluna j,
∀i ∈ {1, 2, . . . , n} ∀j ∈ {1, 2, . . . , n}
3.44obs (a) Notar que a definição 3.41def consiste no cálculo do determinante através do
desenvolvimento segundo a primeira linha.
(b) Sejam n ∈ N e B = [bij ] ∈ Mn×n(R), bij = (−1)i+j . Então,

 
+1 −1 +1 −1 · · ·
 
−1 +1 −1 +1 · · ·
 
B= .
−1 +1 −1 · · ·
 
+1
 
.. .. .. .. . . .
(c) Como regra prática, fazer o desenvolvimento a partir da linha ou coluna que tiver
mais zeros.
3.45teo Sejam A uma matriz quadrada. Então, A é não singular se e só se |A| =

6 0.
3. Sistemas de Equações Lineares (exercícios) 63
3. Sistemas de Equações Lineares (exercícios)

3.1 Determine, para cada uma das seguintes matrizes, uma matriz equivalente que seja uma matriz em escada e a matriz equivalente que seja uma matriz em escada
reduzida.
       
1 1 0 2 0 1 0 0 2 0 1 3 −1 2 1 0 0 2
       
−5 3
       
0 0 0 0 0 0 0 1 0 0 0 11 0 0 0 3
(a) A =  . (c) C =  . (e) E =  . (g) G =  .
−5 3 1
       
0 0 2 0 4 1 0 0 0 1 2 0 0 0 0
       
0 0 0 1 5 0 0 2 0 2 4 1 1 5 0 0 0 0
       
6 3 −4 1 −2 3 −1 1 2 −1 2 1 1
       
(b) B = −4 1 −6. (d) D = 2 −1 2 . (f) F = 2 4 1 −2 3. (h) x = −1.
       
2
       
1 2 −5 3 1 2 3 3 6 2 −6 5 3
sols 3.1 Nota: associada a cada matriz não-nula, existe uma infinidade de matrizes que lhe são equivalentes e que estão na forma escalonada. As soluções que a seguir se
apresentam, resultam da aplicação do algoritmo apresentado em 3.12teo .
       
4 13
1 1 0 20 1 1 0 0 −10 1 3 −1 2 1 0 11 11 
      
5 3 
11 −5 3 0 1 − 11
      
0 0 2 0 4 0 0 1 0 2  0 11 

(a)  ∈ fe(A), fer(A) =  . (e)   ∈ fe(E), fer(E) = 
.

      
0 0 0 1 5 0 0 0 1 5  0 0 0 0 0 0 0 0
       
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
       
7 4
6 3 −4 1 0 9  1 2 −1 2 1 1 2 0 0 3
      
(b) 3 − 3  ∈ fe(B), fer(B) = 0 1 − 26
26  . (f) 0 0 3 −6 1  ∈ fe(F ), fer(F ) = 0 0 1 0 .
      
0 9  0
      
0 0 0 0 0 0 0 0 0 −2 13 0 0 0 1 − 61
     
1 0 0 2 0 1 0 0 0 0 1 0 0 0
     
     
0 0 1 0 0   0 0 1 0 0 0 0 0 1
(c)   ∈ fe(C), fer(C) =  . (g) G ∈ fe(G), fer(G) =  .
0 0 −2 1
     
0 0 0 0 1 0 0 0 0 0
     
0 0 0 0 2 0 0 0 0 1 0 0 0 0
       
15
1 −2 3 −1 1 0 0 7  1 1
      
(d) 3 −4 ∈ fe(D), fer(D) = 0 1 0 − 47 . (h) 0 ∈ fe(x), fer(x) = 0.
       
0 4 
       
7 10 10
0 0 3 − 3 0 0 1 − 7 0 0
3.2 Classifique quanto ao número de soluções e determine o conjunto solução dos seguintes sistemas de equações lineares:
 
 x + 2x = 5  x + 2x + 3x = 14
1 2 1 2 3
(a) (Sa) (c) (Sc)
 3x2 = 6.  4x2 + 5x3 = 23.
 
 x + 2x = 1  x + x + x + x = 1
1 2 1 2 3 4
(b) (Sb) (d) (Sd)
 0x2 = 2.  x2 + x4 = 1.
sols 3.2 (a) PD. CS(Sa) = {(1, 2)}. (c) PI. CS(Sc) = {( 5−α
2 ,
23−5α
4 , α)|α ∈ R}.
(b) Imp. CS(Sb) = ∅. (d) PI. CS(Sd) = {(−s, 1 − t, s, t)|t, s ∈ R}.
3.3 Resolva pelo método de eliminação de Gauss e pelo método de Gauss-Jordan os seguintes sistemas de equações lineares:
 


 x + y + z + w = 0 

 x + y + z + 2w = 1

 

 2x − y

+ z − w = 5  2x − y

+ z − w = −1
(Sa) (Sb)


 y − w = 0 

 y + 3w = 1

 

− w  2x − 2y − = −2.

 x 
= 2. + 2z w
sols 3.3 (a) CS(Sa) = {(1, −1, 1, −1)}. (b) CS(Sb) = {(0, 1, 0, 0)}.
3.4 Considere os seguintes sistemas de equações lineares:

   
 x + x2 + x3 = 3  x + x2 = 2  x + x2 + x3 = 3  x − x2 + x3 = 1
 1  1  1  1

 
 
 

(Sa) x1 − x2 = 0 (Sb) x1 + x3 = 2 (Sc) x1 + x2 = 2 (Sd) −2x1 + 2x2 − 2x3 = −2

 
 
 

 −x + x = 0.
 
 2x + x + x = 4. 
 2x + 2x + x = 1.  −x + x − x = −1.

1 3 1 2 3 1 2 3 1 2 3
Responda às seguintes questões para cada um destes sistemas de equações lineares:
(a) identifique a matriz dos coeficientes A, o vector dos termos independentes b, o vector das incógnitas x e a matriz ampliada A|b.
(b) Classifique o sistema quanto ao número de soluções e determine o seu conjunto de soluções.
(c) Indique a dimensão do subespaço gerado pelas colunas da matriz dos coeficientes.
(d) Indique se o vector dos termos independentes pertence ao subespaço gerado pelas colunas da matriz dos coeficientes.
(e) Classifique o sistema homogéneo associado quanto ao número de soluções, determine o seu conjunto de soluções e comente os resultados obtidos.
       
1 1 1 3 x1 1 1 1 3
       
sols 3.4 (S1 ) (a) A =  1 −1 0 , b = 0 , x = x2  , A|b =  1 −1 0 0 .
       
       
−1 0 1 0 x3 −1 0 1 0
(b) PD. CSAx=b = {(1, 1, 1)}.
(c) dim(R(A)) = 3.
(d) Sim.
(e) PD. CSAx=0 = {(0, 0, 0)}.
       
1 1 0 2 x1 1 1 0 2
       
(S2 ) (a) A = 1 0 1 , b = 2 , x = x2  , A|b =  1 0 1 2 .
       
       
2 1 1 4 x3 2 1 1 4
(b) PI. CSAx=b = {(2 − t, t, t)|t ∈ R}.
(c) dim(R(A)) = 2.
(d) Sim.
(e) PI. CSAx=0 = {(−t, t, t)|t ∈ R}.
       
1 1 1 3 x1 1 1 1 3
       
(S3 ) (a) A = 1 1 0 , b = 2 , x = x2  , A|b =  1 1 0 2 .
       
       
2 2 1 1 x3 2 2 1 1
(b) Imp. CSAx=b = ∅.
(c) dim(R(A)) = 2.
(d) Não.
(e) PI. CSAx=0 = {(−s, s, 0)|s ∈ R}.
       
1 −1 1 1 x1 1 −1 1 1
       
(S4 ) (a) A = −2 2 −2 , b = −2 , x = x2  , A|b =  −2 2 −2 −2 .
       
       
−1 1 −1 −1 x3 −1 1 −1 −1
(b) PI. CSAx=b = {(1 + s − t, s, t)|s, t ∈ R}.
(c) dim(R(A)) = 1.
(d) Sim.
(e) PI. CSAx=0 = {(s − t, s, t)|s, t ∈ R}.
3.5 Dê exemplos de sistemas de m equações lineares a n incógnitas possíveis e determinados, possíveis e indeterminados e impossíveis para m > n, m = n e m < n,
sempre que tal seja possível.
3.6 Analise o seguinte problema resolvido.
Discuta o seguinte sistema de equações lineares em função dos parâmetros reais α e β:



 x1 + x2 + x3 − x4 = 0



 2x1 + 2x3 = β


 2x1 + (α + 2)x2 + 2x3 − x4 = 0


− x4

 (α + 1)x1 + 2x2 = 0.
`4 ← `4 − (α + 1)`1 `4 ← `4 + 1−α
2 `2 `3 ↔ `4
     
1 1 1 −1 0 1 1 1 −1 0 1 1 1 −1 0
  ←− −−−− −−− −−−−−−→   ←− −−− −−−− − −−→   ←−−−−→
0 −2
     
 2 0 2 0 β  `2 ← `2 − 2`1  0 -2 0 2 β   0 2 β 
     
αβ
α + 2 2 −1 0  `3 ← `3 − 2`1
     
 2  0 α 0 1 0  `3 ← `3 + α `2  0 0 0 α+1 2

    2  
(1−α)β
α+1 2 0 −1 0 `4 ← `4 − (α + 1)`1 0 1−α −1 − α α 0 1−α
`4 ← `4 + 2 `2 0 0 −1 − α 1 2 `3 ↔ `4
 
1 1 1 −1 0
 
 0 −2
 
0 2 β 
 
(1−α)β
 0 0 −1 − α
 
1 2

 
αβ
0 0 0 α+1 2
α 6= −1 α=1
    α 6= −1 α = −1
1 1 1 −1 0 1 1 1 −1 0
    β=0 β 6= 0
 0 −2  0 −2
   
0 2 β  0 2 β 

(1−α)β
   c(A) 4 3 3
 0 0 −1 − α
   
1 2
  0 0 0 1 β 

αβ
   c(A|b) 4 3 4
0 0 0 α+1 2 0 0 0 0 − β2
PD PI Imp
3.7 Discuta os seguintes sistemas de equações lineares Ax = b em função dos respectivos parâmetros reais:
       
1 1 α 2 1 2 1 0 2
       
(a) A = 3 4 2 , b = α. (c) A = 3 3 5 c , b = 3.
       
       
2 3 −1 1 0 3 −2 −3 t
       
1 0 −3 −3 1 2 2 0 1
       
(b) A = 2 k −1, b = −2. (d) A = 0 2 1 1, b = 2.
       
       
1 2 k 1 1 0 1 a t
sols 3.7 (a) PD: α 6= 3. PI: α = 3. Imp: nunca.
(b) PD: k 6= 2 ∧ k 6= −5 . PI: k = 2. Imp: k = −5.
(c) PD: nunca. PI: c 6= 3 ∨ t = 3. Imp: c = 3 ∧ t 6= 3.
(d) PD: nunca. PI: a 6= −1 ∨ t = −1. Imp: a = −1 ∧ t 6= −1.
3.8 Calcule, se possível, as matrizes inversas das seguintes matrizes:

   
10 −1 −1 2 −3
   
(a) A =  2 0 0 . (c) C =  2 0 .
   
1
   
−1 1 0 4 −2 5
   
1 2 1 1
(b) B =  . (d) D =  .
2 4 1 0
   
1
0 2 0 −5 4 −3
   
sols 3.8 (a) A−1 =  0 1
1. (c) C −1 =  10 −7 6 .
   
 2   
1
−1 2 0 8 −6 5
 
0 1
(d) D−1 =  .
(b) A matriz B é singular. 1 −1
 
α 1 1
 
3.9 Determine, por dois processos distintos, para que valores de α a matriz A =  1 1  é invertível.
 
α
 
1 1 α
sols 3.9 α ∈ R \ {−2, 1}.

 
1 1 0
 
3.10 Considere a matriz A = 1 1.
 
0
 
0 1 1
(a) Calcule A−1 .
(b) Mostre que o sistema Ax = b é possível e determinado, qualquer que seja o vector dos termos independentes b ∈ R3 .
(c) Usando a alínea (a), resolva o sistema Ax = b, em que b = [bi ] ∈ R3 , bi = i.

 
1 1 −1
 
sols 3.10 (a) A−1 = 12  1 −1 1 .
 
 
−1 1 1
(c) CSAx=b = {(0, 1, 2)}.
3.11 Considere as seguintes matrizes:

         
1 2 2 1 0 1 1 0 1 1
A=  , B1 =   , B2 =   , B3 =   , B4 =  .
0 −1 1 1 0 0 1 1 1 α
Determine α ∈ R, tal que a matriz A se possa escrever como combinação linear das matrizes B1 , B2 , B3 e B4 .
sols 3.11 α ∈ R \ {1}.
3.12 Indique quais dos seguintes conjuntos de vectores são conjuntos geradores do espaço vectorial R2 .
(a) A = {(1, 0), (0, 1)}. (d) D = {(1, 2)}.
(b) B = {(1, 2), (−1, 0)}. (e) E = {(1, 2), (2, 4), (−1, −2)}.
(c) C = {(1, 0), (0, 1), (1, 3)}. (f) F = {(1, −1), (−2, 2)}.
sols 3.12 A, B e C.
3.13 Indique para que valores do parâmetro real α, os vectores a = (1, −2) e b = (α, −1) de R2 são linearmente independentes.
sols 3.13 α ∈ R \ { 12 }.
3.14 Considere os vectores v1 = (α, 6), v2 = (1, α) ∈ R2 , α ∈ R. Determine os valores do parâmetro α para os quais o conjunto {v1 , v2 } é uma base de R2 .
√ √
sols 3.14 α ∈ R \ {− 6, 6}.
3.15 Considere o seguinte subconjunto do espaço vectorial real R4 :
V = {(x, y, z, w) ∈ R4 |x = y − 3z ∧ z = 2w}.
(a) Mostre que V é um subespaço vectorial de R4 .
(b) Determine uma base e a dimensão de V .
sols 3.15 (b) Por exemplo, o conjunto {(1, 1, 0, 0), (−6, 0, 2, 1)} é uma base de V e dim(V ) = 2.
3.16 Considere o seguinte sistema não linear nas incógnitas α, β e γ.




 2 sen α − cos β + 3 tan γ = 3

4 sen α + 2 cos β − 2 tan γ = 10


− 3 cos β

 6 sen α + tan γ = 9.
Mostre que, neste caso, é possível concluir que o sistema é impossível recorrendo ao método de eliminação de Gauss.
3.17 Determine a equação da parábola que passa nos pontos (1, 2), (−1, 6) e (2, 3).
sols 3.17 x2 − 2x + 3.
 
1 2 −1 1
 
−1 −1 −1
 
2
3.18 Calcule o determinante da matriz A =   por dois processos distintos.
 0 −1
 
0 1
 
−1 −2 2 −1
sols 3.18 |A| = −1.
3.19 Calcule o determinante das seguintes matrizes:

   
    0 1 0 0 2 3 3 2
    2 1 1 0 −1 2    
−1 − sen α
   
4 cos α     1 0 1 0 1 1 1 1
A= ,B =   , α ∈ R, C = 1

1 1 , D = −1 2
 
0 ,E = 
 ,F =  .
−1 4
   
sen α cos α     0 1 0 1 1 2 2 3
0 2 2 2 −3 −2    
0 0 1 1 2 1 2 1
sols 3.19 |A| = 15, |B| = 1, |C| = 0, |D| = 0, |E| = 1, |F | = 2.

4. Aplicações Lineares (notas) 70
4. Aplicações Lineares (notas)
4.1def J produto cartesiano de dois conjuntos K Sejam A e B conjuntos. Então, chama-se

produto cartesiano de A e B, que se representa por A × B, ao conjunto
{(x, y)|x ∈ A, y ∈ B}.
4.2def J relação K Sejam A e B conjuntos. Então, diz-se que R é uma relação de A em B

se R ⊂ A × B.
4.3def Sejam A e B conjuntos e R uma relação de A em B. Então,
(a) J domínio de uma relação K chama-se domínio da relação R, que se representa

por DR , ao conjunto {x ∈ A|∃y ∈ B : (x, y) ∈ R}.
(b) J contradomínio de uma relação K chama-se domínio da relação R, que se repre-

senta por CR , ao conjunto {y ∈ B|∃x ∈ A : (x, y) ∈ R}.
4.4def J aplicação ou função ou transformação ou correspondência ou operador K Sejam

A e B conjuntos e f uma relação de A em B. Então, diz-se que f é uma aplicação
ou função ou transformação ou correspondência ou operador de A em B, que se
representa por f : A −→ B, se ∀x ∈ A, ∃1y ∈ B : (x, y) ∈ f.
4.5def J imagem de um elemento por meio de uma função ou valor de uma função num
elemento K Sejam A e B conjuntos, f uma aplicação de A em B e x ∈ A. Então,
chama-se imagem de x por meio de f ou valor da função f em x, que se representa
por f (x), ao único elemento y ∈ B tal que (x, y) ∈ f .
4.6def Sejam A, B, C e D conjuntos tais que C ⊂ A e D ⊂ B, e f uma aplicação de A

em B. Então,
(a) J imagem de um conjunto por uma aplicação K chama-se imagem de C por f ,

que se representa por f (C), ao conjunto {f (x) ∈ B|x ∈ C}.
(b) J imagem inversa de um conjunto por uma aplicação K Chama-se imagem inversa
de D por f , que se representa por f ←(D), ao conjunto {x ∈ A|f (x) ∈ D}.
4.7obs Sejam A e B conjuntos e f uma aplicação de A em B. Então, o contradomínio de

f é o conjunto f (A).
4.8exe Sejam os conjuntos A = {x1, x2}, B = {y1, y2, y3}, C = {x2}, D = {y1, y3}. Então,
(a) dê um exemplo de uma relação de A em B que não é uma aplicação.
(b) Dê um exemplo de uma relação de A em B que é uma aplicação.
(c) Considerando a aplicação dada na alínea anterior, determine a imagem de f ,

f (C) e f ←(D).
4.9def J aplicação linear ou homomorfismo, LK(V, V 0), L(V, V 0) K Sejam V e V 0 espaços

vectoriais sobre o corpo K e f uma aplicação de V em V 0. Então, diz-se que f é
uma aplicação linear ou um homomorfismo se
∀x, y ∈ V, ∀α ∈ K : f (αx + y) = αf (x) + f (y).
Representa-se por LK(V, V 0) o conjunto de todas as aplicações lineares de V em

V 0 (quando não for relevante especificar o corpo sobre o qual se definem os espaços
vectoriais V e V 0 ou se se depreender do contexto, denota-se o conjunto de todas as
aplicações lineares de V em V 0 por L(V, V 0)).
4.10teo Sejam V e V 0 espaços vectoriais e f ∈ L(V, V 0). Então, f (0V ) = 0V 0 .
4.11obs Sejam V e V 0 espaços vectoriais e f uma aplicação de V em V 0. Então, se f (0V ) 6=

0V 0 , f não é uma aplicação linear.
R1
4.12exe Mostre que a aplicação f : R1[x] −→ R, em que f (ax + b) = 0 (ax + b)dx, é linear.
4.13exe Mostre que a aplicação g : R2 −→ R2, em que g(a, b) = (a2, 0), não é linear.
4.14def Sejam V e V 0 espaços vectoriais e f ∈ L(V, V 0). Então,
(a) J imagem de uma aplicação linear, Imf K chama-se imagem de f , que se denota
por Imf , ao contradomínio de f .
(b) J núcleo de uma aplicação linear, Nucf K Chama-se núcleo de f , que se denota
por Nucf , ao conjunto f ←({0V 0 }).
4.15obs Sejam V e V 0 espaços vectoriais e f ∈ L(V, V 0). Então, Imf = {f (x) ∈ V 0|x ∈ V }
e Nucf = {x ∈ V |f (x) = 0V 0 }.
4.16teo Sejam V e V 0 espaços vectoriais e f ∈ L(V, V 0). Então,
(a) se F é um subespaço de V , f (F ) é um subespaço de V 0.
(b) Se F 0 é um subespaço de V 0, f ←(F 0) é um subespaço de V .
4.17obs Sejam V e V 0 espaços vectoriais e f ∈ L(V, V 0). Então, Imf é um subespaço de V 0

e Nucf é um subespaço de V .
4.18def Sejam V e V 0 espaços vectoriais e f ∈ L(V, V 0). Então,
(a) J característica de uma aplicação linear, cf K chama-se característica de f , que

se denota por cf , à dimensão do subespaço Imf .
(b) J nulidade de uma aplicação linear, nf K Chama-se nulidade de f , que se denota

por nf , à dimensão do subespaço Nucf .
4.19teo Sejam V e V 0 espaços vectoriais e f ∈ L(V, V 0). Então, se dim(V ) = n, tem-se que
n = cf + nf .
4.20teo Sejam V e V 0 espaços vectoriais, f ∈ L(V, V 0) e {u1, . . . , un} um conjunto gerador

de V . Então,
(a) f fica definida desde que se conheçam os vectores f (u1), . . . , f (un).
(b) Imf = hf (u1), . . . , f (un)i.

4.21exe Seja f ∈ L(R3, R2) tal que f (x1, x2, x3) = (0, x1 + 2x2 − x3). Determine Imf , cf ,
Nucf e nf .
4.22obs Sejam V e V 0 espaços vectoriais, f ∈ LK(V, V 0), C = {v1, . . . , vn} uma base de V ,
C 0 = {v10 , . . . , vm
0
} uma base de V 0 e v ∈ V . Então,
∃1α1, . . . , αn ∈ K : v = α1v1 + · · · + αnvn,

∃1a11, . . . , am1 ∈ K : f (v1) = a11v10 + · · · + am1vm
0
,
..
∃1a1n, . . . , amn ∈ K : f (vn) = a1nv10 + · · · + amnvm

0
.
Tem-se, então, que:
f (v) = f (α1v1 + · · · + αnvn)

= α1f (v1) + · · · + αnf (vn)
= α1(a11v10 + · · · + am1vm
0
) + · · · + αn(a1nv10 + · · · + amnvm
0
)
= (α1a11 + · · · + αna1n)v10 + · · · + (α1am1 + · · · + αnamn)vm
0
= β1v10 + · · · + βmvm
0
,
em que
    
β a · · · a1n α
 1   11   1
 .   . .. .  . 
 . = . . .  . .
    
βm am1 · · · amn αn
4.23def J matriz de uma aplicação linear entre espaços de dimensão finita, Af,C,C 0 , Af K
Sejam V e V 0 espaços vectoriais, f ∈ LK(V, V 0), C = {v1, . . . , vn} uma base de
V e C 0 = {v10 , . . . , vm
0
} uma base de V 0. Então, chama-se matriz da aplicação
linear f relativamente às bases C e C 0, que se representa por Af,C,C 0 , à matriz
[aij ] ∈ Mm×n(K) introduzida na observação anterior.
Se V = Rn, V 0 = Rm e C e C 0 são as respectivas bases canónicas, então representa-se

por Af a matriz da aplicação linear f relativamente às bases C e C 0.
4.24exe Seja f ∈ L(R3, R2) tal que f (x, y, z) = (x, 0). Então, determine a matriz de f
relativamente às bases canónicas de R3 e R2.
4. Aplicações Lineares (exercícios) 80
4. Aplicações Lineares (exercícios)

4.1 Considere a aplicação f : R2 −→ R3 definida por f (x, y) = (x − y, 0, x). Então, calcule
(a) f (2, 1). (b) f (y, 1). (c) f (y, x). (d) f (x + 2y, y − x).
sols 4.1 (a) f (2, 1) = (1, 0, 2). (b) f (y, 1) = (y − 1, 0, y). (c) f (y, x) = (y − x, 0, y). (d) f (x + 2y, 2y − x) = (2x, 0, x + 2y).
4.2exe Indique, justificando, se as seguintes afirmações são verdadeiras ou falsas:
(a) Seja f1 : R2 −→ R2 , em que f1 (x, y) = (0, −x). Então, f1 ∈ L(R2 , R2 ).
(b) Seja f2 : R3 −→ R2 , em que f2 (x, y, z) = (x + y + 2, z − 3). Então, f2 ∈ L(R2 , R2 ).
(c) Seja f3 : R2 −→ R, em que f3 (x, y) = |x − y|. Então, f3 ∈ L(R2 , R).
(d) Seja f4 : R2 −→ R3 , em que f4 (x1 , x2 ) = (x2 , 0, x1 ). Então, f4 ∈ L(R2 , R)3 .
(e) Sejam A = [aij ] ∈ M2×2 (R) e f5 : M2×2 (R) −→ R, em que f5 (A) = a11 . Então, f5 ∈ L(M2×2 (R), R).
(f) Seja f6 : R2 −→ R2 , em que f6 (x1 , x2 ) = (x1 + 1, x2 ). Então, f6 ∈ L(R2 , R)2 .
(g) Sejam A = [aij ] ∈ M2×2 (R) e f7 : M2×2 (R) −→ R, em que f7 (A) = (a11 )2 . Então, f7 ∈ L(M2×2 (R), R).
(h) Sejam n ∈ N e f8 : Mn×n (R) −→ R, em que f8 (A) = det(A). Então, f8 ∈ L(Mn×n (R), R).
sols 4.2 (a) Verdadeira. (b) Falsa. (c) Falsa. (d) Verdadeira. (e) Verdadeira. (f) Falsa. (g) Falsa. (h) Falsa.
4.3 Sejam α, β ∈ R. Então, determine a relação entre α e β de modo que a aplicação f : R −→ R2 , em que f (x) = x + α − 2β, −x, seja linear.
sols 4.3 α = 2β.
4.4 Considere as seguintes aplicações lineares:
f1 : R2 −→ R f3 : R3 −→ R3
(x, y) 7−→ x + y. (x, y, z) 7−→ (x − z, 0, y − 2z).
f2 : R3 −→ R2 f4 : R4 −→ R3
(x, y, z) 7−→ (x + y + z, 2x + 2y + 2z). (x, y, z, w) 7−→ (x − y, z − w, x − 3w).
Determine Imf , cf , Nucf , nf e a matriz da aplicação relativamente às bases canónicas para cada uma delas.
4. Aplicações Lineares (exercícios) 81
sols 4.4 f1 : Imf1 = R, cf1 = 1, Nucf1 = {(x, −x)|x ∈ R} = h(1, −1)i, nf1 = 1, Af1 = [ 1 1 ].
f2 : Imf2 = {(x, 2x)|x ∈ R} = h(1, 2)i, cf2 = 1, Nucf2 = {(−y − z, y, z)|y, z ∈ R} = h(−1, 1, 0), (−1, 0, 1)i, nf2 = 2, Af2 = [ 12 12 12 ].
h 1 0 −1 i
f3 : Imf3 = {(x, 0, z)|x, z ∈ R} = h(1, 0, 0), (0, 0, 1)i, cf3 = 2, Nucf3 = {(z, 2z, z)|z ∈ R} = h(1, 2, 1)i, nf3 = 1, Af3 = 0 0 0 .
0 1 −2
h 1 −1 0 0 i
3
f4 : Imf4 = R , cf4 = 3, Nucf4 = {(3w, 3w, w, w)|w ∈ R} = h(3, 3, 1, 1)i, nf4 = 1, Af4 = 0 0 1 −1 .
1 0 0 −3
4.5 Para cada uma das alíneas seguintes, determine a função f sabendo que é uma aplicação linear definida por:
(a) f (1, 0) = (−1, 1, 2) e f (0, 1) = (3, 0, 1).
(b) f (1, 2) = (3, −1, 5) e f (0, 1) = (2, 1, −1).
(c) f (1, 1, 1) = 3, f (0, 1, −2) = 1 e f (0, 0, 1) = −2.
sols 4.5 (a) f (x, y) = (−x + 3y, x, 2x + y).
(b) f (x, y) = (−x + 2y, −3x + y, 7x − y).
(c) f (x, y, z) = 8x − 3y − 2z.
4.6 Seja f uma aplicação linear de R3 em R3 . Sabendo que f (0, 0, 1) = (0, 0, 1) e Nucf = h(1, 1, 1), (0, 1, 1)i, determine f (x, y, z) para qualquer (x, y, z) ∈ R3 .
sols 4.6 f (x, y, z) = (0, 0, z − y).
4.7 Seja f uma aplicação linear de R2 em R3 . Sabendo que f (1, 0) = (0, 1, 1) e Nucf = h(0, 1)i, determine f (x, y) para qualquer (x, y) ∈ R2 .
sols 4.7 f (x, y, z) = (0, x, x).
|x, y ∈ R e f uma aplicação de A em M2×2 (R), tal que f (A) = x+y y

x −y
4.8 Sejam A = y x −y 2x .
(a) Mostre que f é uma aplicação linear.
(b) Determine as dimensões do Nucf e da Imf .
sols 4.8 (b) nf = 0, cf = 2.
4.9 Sejam n ∈ N, K um corpo, M ∈ Mn×n (K) e f uma aplicação de Mn×n (K) em Mn×n (K), tal que f (A) = AM − M A.
(a) Mostre que f é uma aplicação linear.
(b) Considerando M = [ 10 23 ], determine uma base e a dimensão para o núcleo de f .

1 −1
sols 4.9 (b) Por exemplo: 0 0 , [ 10 01 ] , nf = 2.
5. Valores e Vectores Próprios (notas) 82
5. Valores e Vectores Próprios (notas)
5.1def J vector próprio de uma matriz associado a um valor próprio K Sejam n ∈ N e

A ∈ Mn×n(C). Então, diz-se que x ∈ Cn é um vector próprio da matriz A associado
ao valor próprio λ ∈ C se x 6= 0 e Ax = λx.
5.2def J espectro de uma matriz K Sejam n ∈ N e A ∈ Mn×n(C). Então, chama-se espectro

de A, que se representa por λ(A), ao conjunto de todos os valores próprios de A.
5.3obs (a) Neste capítulo passa-se a considerar o corpo dos números complexos, pois existem
matrizes reais cujos valores próprios são números complexos.
(b) Cada vector próprio está associado apenas a um valor próprio.
(c) Se x é um vector próprio associado ao valor próprio λ ∈ C, então, αx, α ∈ C\{0},

também é um vector próprio associado ao valor próprio λ ∈ C.
(d) O seguinte teorema indica-nos um processo de calcular λ(A).

5.4teo Seja A ∈ Mn×n(C). Então, λ ∈ λ(A) se e só se det(A − λIn) = 0.
5.5def Seja A ∈ Mn×n(C). Então,
(a) J polinómio característico de uma matriz K chama-se polinómio característico da

matriz A, que se representa por ΠA(λ), ao polinómio det(A − λIn).
(b) J equação característica de uma matriz K Chama-se equação característica da

matriz A à equação ΠA(λ) = 0 .
(c) J multiplicidade algébrica de um valor próprio K Seja λ um valor próprio de

A. Então, chama-se multiplicidade algébrica de λ à multiplicidade do escalar λ
enquanto raíz da equação característica.
(d) J valor próprio simples K Seja λ um valor próprio de A. Então, diz-se que λ é um
valor próprio simples se tem multiplicidade algébrica um.
5.6teo Seja A ∈ Mn×n(C). Então, o coeficiente do termo de grau n do polinómio caracte-

rístico da matriz A é (−1)n e o seu termo independente de λ é det(A).
5.7obs Seja A ∈ Mn×n(C). Então, ΠA(λ) = (−1)nλn + · · · + det(A).

5.8obs Seja A ∈ Mn×n(C). Então,
(a) os valores próprios da matriz A são os zeros do seu polinómio característico.
(b) Se λ é um zero do polinómio característico com multiplicidade k, então, λ é um

valor próprio da matriz A com multiplicidade algébrica k.
(c) Se λ é um valor próprio da matriz A, então os vectores próprios associados a λ

são as soluções não-nulas do sistema homogéneo (A − λIn)x = 0.
(d) Do Teorema Fundamental da Álgebra resulta que ΠA(λ) tem exactamente n zeros,
podendo alguns deles ser iguais. Assim, sejam n1, n2, . . . , nm as multiplicidades
dos m(6 n) zeros distintos λ1, λ2, . . . , λm de ΠA(λ). Então,
ΠA(λ) = (−1)n(λ − λ1)n1 (λ − λ2)n2 · · · (λ − λm)nm ,
em que n1 + n2 + · · · + nm = n. Aos números n1, n2, . . . , nm chama-se multipli-

cidade algébrica dos valores próprios λ1, λ2, . . . , λm, respectivamente.
5.9teo Seja A uma matriz quadrada. Então, A é invertível se e só se 0 ∈

/ λ(A).
5.10exe Determine os valores próprios da matriz A e os vectores próprios associados ao valor

próprio de menor módulo, em que
 
2 1 0
 
A = 0 1 −1 ,
 
 
0 2 4
começando por mostrar que o polinómio característico é dado por
ΠA(λ) = −λ3 + 7λ2 − 16λ + 12 = (2 − λ)2(3 − λ).

5. Valores e Vectores Próprios (exercícios) 86
5. Valores e Vectores Próprios (exercícios)

5.1 Determine o espectro das seguintes matrizes, bem como os vectores próprios associados:
       
    1 −3 3 3 0 −1 1 2 1 4 0 1
1 4 1 −1        
A= ,B =   , C = 3 −5 3 , D =  0 2 0  , E =  2 0 −2 , F = −2 0 .
       
1
2 3 2 −1        
6 −6 4 −1 0 3 −1 2 3 −2 0 1
sols 5.1 (a) λ(A) = {−1, 5}.

Conjunto dos vectores próprios associados ao valor próprio λ1 = −1: V1 = {(−2α, α)|α ∈ C} \ {(0, 0)}.
Conjunto dos vectores próprios associados ao valor próprio λ2 = 5: V2 = {(α, α)|α ∈ C} \ {(0, 0)}.
(b) λ(B) = {−i, i}.

α
Conjunto dos vectores próprios associados ao valor próprio λ1 = −i: V1 = {( 1+i , α)|α ∈ C} \ {(0, 0)}.
α
Conjunto dos vectores próprios associados ao valor próprio λ2 = i: V2 = {( 1−i , α)|α ∈ C} \ {(0, 0)}.
(c) λ(C) = {−2, 4}, em que o valor próprio λ1 = −2 tem multiplicidade algébrica 2.
Conjunto dos vectores próprios associados ao valor próprio λ1 = −2: V1 = {(β − α, β, α)|α, β ∈ C} \ {(0, 0, 0)}.
Conjunto dos vectores próprios associados ao valor próprio λ2 = 4: V2 = {( α2 , α2 , α)|α ∈ C} \ {(0, 0, 0)}.
(d) λ(D) = {2, 4}, em que o valor próprio λ1 = 2 tem multiplicidade algébrica 2.
Conjunto dos vectores próprios associados ao valor próprio λ1 = 2: V1 = {(α, β, α)|α, β ∈ C} \ {(0, 0, 0)}.
Conjunto dos vectores próprios associados ao valor próprio λ2 = 4: V2 = {(−α, 0, α)|α ∈ C} \ {(0, 0, 0)}.
(e) λ(E) = {0, 2}, em que o valor próprio λ2 = 2 tem multiplicidade algébrica 2.
Conjunto dos vectores próprios associados ao valor próprio λ1 = 0: V1 = {(α, −α, α)|α ∈ C} \ {(0, 0, 0)}.
Conjunto dos vectores próprios associados ao valor próprio λ2 = 2: V2 = {(α, 0, α)|α ∈ C} \ {(0, 0, 0)}.
(f) λ(F ) = {1, 2, 3}.

Conjunto dos vectores próprios associados ao valor próprio λ1 = 1: V1 = {(− α3 , β, α)|α, β ∈ C} \ {(0, 0, 0)}.
Conjunto dos vectores próprios associados ao valor próprio λ2 = 2: V2 = {(− α2 , α, α)|α ∈ C} \ {(0, 0, 0)}.
Conjunto dos vectores próprios associados ao valor próprio λ3 = 3: V3 = {(−α, α, α)|α ∈ C} \ {(0, 0, 0)}.
Pn
5.2 Seja A = [aij ] ∈ Mn×n (K). Então, define-se o traço da matriz A, que se representa por tr(A), como sendo tr(A) = i=1 aii . Considerando, agora, a matriz
B = [bij ] ∈ M2×2 (K), mostre que ΠB (λ) = λ2 − tr(B)λ + det(B).
5. Valores e Vectores Próprios (exercícios) 87
5.3 Sejam n ∈ N e A ∈ Mn×n (R) a matriz associada à aplicação linear fA . Diga se são verdadeiras ou falsas as seguintes afirmações:
(a) a matriz A é invertível se e só se CS(Ax=0) = {0}.
(b) A matriz A é invertível se e só se #CS(Ax=b) = 1, ∀b ∈ Rn .
(c) A matriz A é invertível se e só se det(A) 6= 0.
(d) A matriz A é invertível se e só se ImfA = Rn .
(e) A matriz A é invertível se e só se as colunas da matriz A são linearmente independentes.
(f) A matriz A é invertível se e só se as linhas da matriz A são linearmente independentes.
(g) A matriz A é invertível se e só se as colunas da matriz A geram Rn .
(h) A matriz A é invertível se e só se as linhas da matriz A geram Rn .
(i) A matriz A é invertível se e só se as colunas da matriz A formam uma base de Rn .
(j) A matriz A é invertível se e só se as linhas da matriz A formam uma base de Rn .
(k) A matriz A é invertível se e só se nfA = 0.
(l) A matriz A é invertível se e só se cfA = n.
(m) A matriz A é invertível se e só se 0 ∈

/ λ(A).
sols 5.3 Todas as afirmações são verdadeiras.

6. Geometria Analítica (notas) 88
6. Geometria Analítica (notas)
6.1def J produto interno de dois vectores ou produto escalar de dois vectores K Sejam V
um espaço vectorial real e a aplicação
· : V × V −→ R
(x, y) 7−→ x · y
tal que
(a) ∀x, y ∈ V : x · y = y · x.
(b) ∀x, y, z ∈ V : x · (y + z) = x · y + x · z.
(c) ∀x, y ∈ V, ∀α ∈ R : (αx) · y = α(x · y).
(d) ∀x ∈ V \ {0V } : x · x > 0.
(e) 0V · 0V = 0.
Então, diz-se que V está munido do produto interno ou produto escalar (x, y) 7→ x·y.
6.2obs Também se usam as notações x|y, (x, y), hx, yi e (x|y) para representar o produto
interno dos vectores x e y.
6.3def J espaço euclidiano K Um espaço vectorial real de dimensão finita munido de um

produto interno diz-se um espaço euclidiano.
6.4teo Seja a aplicação

·: R3 × R3 −→ R
((x1, x2, x3), (y1, y2, y3)) 7−→ (x1, x2, x3) · (y1, y2, y3) = x1y1 + x2y2 + x3y3.
Então, (R3, ·) é um espaço euclidiano.
6.5obs O produto interno por defeito de R3 é o produto interno do exemplo anterior.
6.6exe Determine o produto interno dos vectores x = (1, 0, 2) e y = (3, 1, 0).
6.7def J norma K Sejam V um espaço vectorial real e a aplicação
k · k : V −→ R
x 7−→ kxk,
tal que
(a) ∀x, y ∈ V : kx + yk 6 kxk + kyk.
(b) ∀x ∈ V, ∀α ∈ R : kαxk = |α|kxk.
(c) ∀x ∈ V \ {0V } : kxk > 0.
(d) k0V k = 0.
Então, diz-se que V está munido da norma x 7→ kxk.
6.8def J espaço normado K Um espaço vectorial real munido de uma norma diz-se um espaço
normado.
6.9teo Sejam V um espaço euclidiano e a aplicação

k · k : V −→ R
√
x 7−→ x · x.
Então, (V, k · k) é um espaço normado.
6.10def J norma induzida pelo produto interno K À norma definida no teorema anterior
chama-se norma induzida pelo produto interno.
6.11obs Por defeito, a norma num espaço euclidiano é a norma induzida pelo produto interno.
6.12teo Seja a aplicação

k·k: R3 −→ R
p
7 → k(x1, x2, x3)k = x21 + x22 + x23.
(x1, x2, x3) −
Então, (R3, k · k) é um espaço normado. (Esta é a norma induzida pelo produto
interno de 6.4teo .)
6.13def J vector unitário K Sejam (V, ·) um espaço euclidiano e x ∈ V . Então, x diz-se um

vector unitário se kxk = 1.
6.14exe Determine as normas dos vectores x = (1, 0, 2) e y = (3, 1, 0) e indique se são vectores
unitários.
6.15teo Desigualdade de Cauchy-Schwarz: seja (V, ·) um espaço euclidiano. Então,
∀x, y ∈ V : |x · y| 6 kxkkyk.
6.16def Sejam (V, ·) um espaço euclidiano, k · k a norma induzida pelo produto interno e
x, y ∈ V . Então,
(a) J distância entre dois vectores K chama-se distância entre os vectores x e y, que
se representa por d(x, y), a kx − yk.
(b) J ângulo entre dois vectores K Chama-se ângulo entre os vectores x e y, que se
representa por ∠(x, y), a θ, onde
θ = 0 se x = 0V ou y = 0V .
x·y
cos θ = 6 0V e y 6= 0V .
se x =
kxkkyk
(c) J vectores ortogonais K Os vectores x e y dizem-se ortogonais, que se representa
por x ⊥ y, se ∠(x, y) = π2 .
6.17obs Sejam (V, ·) um espaço euclidiano, k · k a norma induzida pelo produto interno e
x·y
x, y ∈ V . Então, pela desigualdade de Cauchy-Schwarz tem-se que −1 ≤ kxkkyk ≤ 1,
pelo que a definição de ângulo entre dois vectores faz sentido.
6.18exe Determine a distância e o ângulo entre os vectores x = (1, 0, 2) e y = (3, 1, 0) e

indique se são vectores ortogonais.
6.19obs Sejam (V, ·) um espaço euclidiano, k · k a norma induzida pelo produto interno e
x, y ∈ V . Então,
(a) x · y = kxkkyk cos θ, em que ∠(x, y) = θ.
(b) se x 6= 0V e y 6= 0V , então, x ⊥ y se e só se x · y = 0.
6.20def J produto externo de dois vectores ou produto vectorial de dois vectores de R3 K

Sejam o espaço vectorial R3 e x = (x1, x2, x3), y = (y1, y2, y3) ∈ R3. Então, chama-
se produto externo de x e y, que se representa por x × y, ao elemento de R3 definido
por
(x2y3 − x3y2, x3y1 − x1y3, x1y2 − x2y1) ∈ R3.

6.21obs Sejam {e1, e2, e3} a base canónica de R3 e x = (x1, x2, x3), y = (y1, y2, y3) ∈ R3.
Então, o produto externo de x e y pode ser calculado através do determinante sim-
bólico

e1 e2 e3

x × y = x 1 x 2 x 3 .

y1 y2 y3
6.22exe Sejam os vectores x = (1, 0, 2) e y = (3, 1, 0). Então, determine x × y.

6.23def J triedro directo K Sejam a, b, c ∈ R3 vectores ortogonais dois a dois. Então, diz-se
que os vectores a, b e c formam um triedro directo se um observador colocado no
ponto (0, 0, 0) e com a cabeça na parte positiva do vector c, vê a à direita de b.
6.24teo (a) ∀x ∈ R3 : x × 0 = 0.
(b) ∀x, y ∈ R3 : x × y = −y × x.
(c) ∀x, y ∈ R3, ∀α ∈ R : x × (αy) = α(x × y).
(d) ∀x, y, z ∈ R3 : (x + y) × z = x × z + y × z.
(e) ∀x, y, z ∈ R3 : x × (y + z) = x × y + x × z.
(f) ∀x, y ∈ R3 : (x × y) ⊥ x e (x × y) ⊥ y.

(g) ∀x, y ∈ R : x × y = kxkkyk sen θ n, onde ∠(x, y) = θ e n ∈ R3 é um vector
3
unitário, n ⊥ x e n ⊥ y, e a, b e n definem um triedro directo.
(h) kx × yk é igual à área do paralelogramo que tem como dois dos lados x e y.
6.25obs (a) Um dos conceitos principais em Álgebra Linear é o de “espaço vectorial”, no qual
intervêm “vectores” e “escalares” sujeitos a certas leis operatórias. Na Geometria
Analítica do “espaço ordinário”, um dos conceitos fundamentais é o de “ponto”.
(b) Considere-se no “espaço ordinário” um ponto fixo, a que se chama origem e que se
denota por O, e três eixos ortogonais concorrentes no ponto O, que se denotam
por OX, OY e OZ, no sentido directo, i.e., um observador colocado na origem
e com a cabeça na parte positiva do eixo OZ, vê OX à direita de OY . Um
ponto P do espaço ordinário fica identificado por três coordenadas, escrevendo-
se P = (p1, p2, p3), em que p1 é a distância do ponto ao plano Y OZ, p2 é a
distância do ponto ao plano XOZ e p3 é a distância do ponto ao plano XOY .
Às coordenadas p1, p2 e p3 chama-se abcissa, ordenada e cota, respectivamente.
Note-se, então, que se pode estabelecer uma relação entre o ponto P = (p1, p2, p3)
do espaço ordinário e o vector v = p1e1 + p2e2 + p3e3 do espaço vectorial real R3,
em que {e1, e2, e3} representa a sua base canónica, i.e., e1 = (1, 0, 0), e2 = (0, 1, 0)
e e3 = (0, 0, 1): o vector v é representado geometricamente por um vector cuja
origem coincide com a origem do sistema de eixos coordenados e cujo extremo é

o ponto P de coordenadas (p1, p2, p3). Assim, passa-se a denotar indistintamente
por R3 o espaço ordinário e o espaço vectorial real.
(c) Sejam, agora, A = (a1, a2, a3) e B = (b1, b2, b3) pontos do espaço ordinário.
Então, denotam-se os segmentos orientados no espaço ordinário com ponto inicial
−→
A e com ponto final B por AB que corresponderá ao vector v = (b1 − a1)e1 +
(b2 − a2)e2 + (b3 − a3)e3, ou seja, o seu segmento equipolente (mesma direcção,
comprimento e sentido) aplicado na origem.
6.26def J equação cartesiana de um plano K Equação do plano α que contém o ponto A =

(a1, a2, a3) e que é perpendicular ao vector não-nulo u = (u1, u2, u3): seja o ponto
P = (x, y, z). Então,
P ∈ α se e só se (P − A) · u = 0,
ou seja,
(x − a1)u1 + (y − a2)u2 + (z − a3)u3 = 0 ⇔ ax + by + cz = d,
em que a = u1, b = u2, c = u3 e d = u1a1 + u2a2 + u3a3. Chama-se equação

cartesiana do plano α à equação ax + by + cz = d.
6.27obs Seja o plano α dado pela equação cartesiana equação ax + by + cz = d. Então, o

vector v = (a, b, c) é perpendicular a α.
6.28exe Determine a equação cartesiana do plano α tal que:
(a) passa na origem e é perpendicular ao vector v = (1, 2, 3).
(b) Passa na origem e é paralelo aos vectores u = (1, 1, 1) e v = (1, 0, 0).
(c) Passa nos pontos A = (1, 0, 0), B = (0, 1, 0) e C = (0, 0, 1).

6.29def J equação vectorial de uma recta, equações paramétricas de uma recta, equações
cartesianas de uma recta, vector director de uma recta K Equação da recta r que
passa pelo ponto A = (a1, a2, a3) e que é paralela ao vector não-nulo u = (u1, u2, u3):
−→
seja o ponto P = (x, y, z). Então, P ∈ r se e só se AP k u, ou seja,
P − A = αu, α ∈ R : equação vectorial,
ou



 x − a1 = αu1

y − a2 = αu2 : equações paramétricas.


 z − a = αu

3 3
Se se eliminar o parâmetro α das equações paramétricas, obtêm-se as equações car-

tesianas.
Chama-se vector director da recta r ao vector u.
6.30exe Determine a equação vectorial, as equações paramétricas e as equações cartesianas

da recta r que passa no ponto A = (−1, 0, 2) e é paralela ao vector v = (1, 2, 3).
6.31def J distância entre dois pontos K Sejam P = (p1, p2, p3) e Q = (q1, q2, q3) dois pontos de
R3. Então, chama-se distância entre os pontos P e Q, que se representa por d(P, Q),
a
p
d(P, Q) = (p1 − q1)2 + (p2 − q2)2 + (p3 − q3)2.
6.32def J distância de um ponto a um plano K Sejam P um ponto de R3 e π um plano. Então,

chama-se distância de P a π, que se representa por d(P, π), a d(P, π) = d(P, Q), em
que
(a) r é a recta perpendicular a π que passa em P .
(b) Q = π ∩ r.
6.33exe Determine a distância entre o ponto P = (0, 1, −2) e o plano α cuja equação carte-
siana é x + y + z = 1.
6.34def J distância de um ponto a uma recta K Sejam P um ponto de R3 e r uma recta. Então,
chama-se distância de P a r, que se representa por d(P, r), a d(P, r) = d(P, Q), em
que
(a) π é o plano perpendicular a r que passa em P .
(b) Q = π ∩ r.
6.35exe Determine a distância do ponto P = (0, 1, −2) à recta r definida pelas equações
cartesianas x + y − z = 4 e x + 2y − 3z = 4.
6.36def J ângulo entre dois planos K Sejam π e ψ dois planos tais que u = (a1, b1, c1) ⊥ π
e v = (a2, b2, c2) ⊥ ψ. Então, chama-se ângulo entre π e ψ, que se representa por
∠(π, ψ), a
|u · v|
∠(π, ψ) = arccos
kukkvk
|a1a2 + b1b2 + c1c2|
= arccos p 2 2 2
p
2 2 2
.
a1 + b1 + c1 a2 + b2 + c2
6.37exe Determine o ângulo entre os planos α e β, cujas equações cartesianas são x+y+z = 1
e 2x − y + z = 2, respectivamente.
6.38def J ângulo entre duas rectas K Sejam r e s duas rectas tais que u = (u1, u2, u3) e
v = (v1, v2, v3) são os seus vectores directores, respectivamente. Então, chama-se
ângulo entre r e s, que se representa por ∠(r, s), a
|u · v|
∠(r, s) = arccos
kukkvk
|u1v1 + u2v2 + u3v3|
= arccos p 2 2 2
p
2 2 2
.
u1 + u2 + u3 v1 + v2 + v3
6.39def J ângulo entre uma recta e um plano K Sejam r uma recta em que u = (u1, u2, u3) é
o seu vector director e π um plano tal que v = (a, b, c) ⊥ π. Então, chama-se ângulo
entre r e π, que se representa por ∠(r, π), a
|u · v|
∠(r, π) = arcsin
kukkvk
|au1 + bu2 + cu3|
= arcsin √ p
2 2 2
.
2 2 2
a + b + c u1 + u2 + u3
6.40def (a) J superfície de segunda ordem, superfície quádrica, quádrica K Chama-se super-
fície de segunda ordem ou superfície quádrica ou quádrica ao conjunto de pontos
(x, y, z) ∈ R3 cujas coordenadas cartesianas satisfazem uma equação algébrica
inteira do segundo grau, i.e., que satisfaz a equação
a11x2 +2a12xy +2a13xz +2a14x+a22y 2 +2a23yz +2a24y +a33z 2 +2a34z +a44 = 0.
(b) J superfície de revolução, geratriz de uma superfície de revolução, eixo K Chama-

se superfície de revolução a uma quádrica gerada pela rotação de uma curva
plana, a que se chama geratriz, em torno de uma recta, a que se chama eixo, que
está no plano da geratriz.
(c) J superfície cilíndrica, geratriz de uma superfície cilíndrica, directriz K Chama-
se superfície cilíndrica a uma quádrica gerada por uma recta, a que se chama
geratriz, que se move paralelamente a uma recta fixa apoiando-se numa curva,
a que se chama directriz. Se a directriz for uma curva plana e a geratriz for
perpendicular a um plano que contenha a curva, a superfície cilíndrica diz-se
recta.
(d) J traço de uma quádrica K Chama-se traço à intersecção de uma quádrica com
um plano.
6.41def (a) J simetria de uma quádrica relativamente a um plano coordenado K Uma quádrica
diz-se simétrica relativamente a um plano coordenado se a sua equação não se
alterar quando a variável medida a partir desse plano mudar de sinal.
(b) J simetria de uma quádrica relativamente a um eixo coordenado K Uma quádrica

diz-se simétrica relativamente a um eixo coordenado se a sua equação não se
alterar quando as variáveis que não são medidas sobre esse eixo mudam de sinal.
(c) J simetria de uma quádrica relativamente à origem K Uma quádrica diz-se si-
métrica relativamente à origem se a sua equação não se alterar quando as três
variáveis mudam de sinal.
6.42teo Através de mudanças de coordenadas (rotação e/ou translação), é sempre possível

transformar uma quádrica numa das seguintes formas canónicas:
(a) λ1x2 + λ2y 2 + λ3z 2 + d = 0, λ1, λ2, λ3 ∈ R \ {0}, d ∈ R.
(b) λ1x2 + λ2y 2 + d = 0, λ1, λ2 ∈ R \ {0}, d ∈ R.
(c) λ1x2 + d = 0, λ1 ∈ R \ {0}, d ∈ R.
(d) λ1x2 + λ2y 2 = 2az, λ1 λ2 ∈ R \ {0}, a ∈ R.
(e) λ1x2 = 2ay, λ1 ∈ R \ {0}, a ∈ R.
6.43obs O objectivo do que resta deste capítulo é identificar e esboçar o gráfico de uma
quádrica conhecida a sua forma canónica.
6.44def J elipsóide, esfera K Sejam a, b, c, ρ ∈ R+. Então, chama-se elipsóide à quádrica cuja
equação canónica é
x2 y 2 z 2
2
+ 2 + 2 = 1, a, b e c não todos iguais,
a b c
e esfera à quádrica cuja equação canónica é
x 2 + y 2 + z 2 = ρ2 .
√ √
2 2 2 5 3
6.45exe A quádrica cuja equação é x + 5y + 3z = 1 (a = 1, b = 5 , c= 3 ) é um elipsóide.
A sua representação é
2
x2 2
6.46obs Sejam a, b, c ∈ R+ não todos iguais e o elipsóide a2
+ yb2 + zc2 = 1. Então,
(a) traços:
x2 y2
• no plano XOY — a elipse a2
+ b2
= 1, z = 0.
x2 z2
• No plano XOZ — a elipse a2
+ c2
= 1, y = 0.
y2 z2
• No plano YOZ — a elipse b2
+ c2
= 1, x = 0.
(b) Simetrias: quádrica simétrica relativamente aos planos coordenados, aos eixos
coordenados e à origem.
y2 z2
(c) Superfície de revolução se a = b, em que a geratriz é a elipse b2
+ c2
= 1 e o eixo
y2
x2
é o eixo coordenado OZ, ou se a = c, em que a geratriz é a elipse + b2 = 1 e
a2
o
2 2
eixo é o eixo coordenado OY , ou se b = c, em que a geratriz é a elipse xa2 + zc2 = 1
e o eixo é o eixo coordenado OX.
6.47def J hiperbolóide de uma folha K Sejam a, b, c ∈ R+. Então, chama-se hiperbolóide de

uma folha à quádrica cuja equação canónica é
x2 y 2 z 2 x2 y 2 z 2 x2 y 2 z 2
2
+ 2 − 2 = 1 ou 2
− 2 + 2 = 1 ou − 2 + 2 + 2 = 1.
a b c a b c a b c
6.48exe A quádrica cuja equação é x2 + y 2 − z 2 = 1 (a = 1, b = 1, c = 1) é um hiperbolóide
de uma folha. A sua representação é
2
x2 2
6.49obs Sejam a, b, c ∈ R+ e o hiperbolóide de uma folha a2
+ yb2 − zc2 = 1. Então,
(a) traços:
x2 y2
+ b2
= 1, z = 0.
x2 z2
• No plano XOZ — a hipérbole a2
− c2
= 1, y = 0.
y2 z2
• No plano YOZ — a hipérbole b2
− c2
= 1, x = 0.
y2 z2
(c) Superfície de revolução se a = b, em que a geratriz é a hipérbole b2
− c2
=1eo
eixo é o eixo coordenado OZ.
6.50def J hiperbolóide de duas folhas K Sejam a, b, c ∈ R+. Então, chama-se hiperbolóide de

duas folhas à quádrica cuja equação canónica é
x2 y 2 z 2 x2 y 2 z 2 x2 y 2 z 2
2
− 2 − 2 = 1 ou − 2 + 2 − 2 = 1 ou − 2 − 2 + 2 = 1.
a b c a b c a b c
x2
√ √ √
6.51exe A quádrica cuja equação é 3 − 2y − 2z = 1 (a = 3, b = 2 , c = 22 ) é um
2 2 2
hiperbolóide de duas folhas. A sua representação é

2
x2 2
6.52obs Sejam a, b, c ∈ R+ e o hiperbolóide de duas folhas a2
− yb2 − zc2 = 1. Então,
(a) traços:
x2 y2
• no plano XOY — a hipérbole a2
− b2
= 1, z = 0.
x2 z2
• No plano XOZ — a hipérbole a2
− c2
= 1, y = 0.
• No plano YOZ — não existe.
x2 y2
(c) Superfície de revolução se b = c, em que a geratriz é a hipérbole a2
− b2
=1eo
eixo é o eixo coordenado OX.
6.53def J cone K Sejam a, b, c ∈ R+. Então, chama-se cone à quádrica cuja equação canónica
é
x2 y 2 z 2 x2 y 2 z 2 x2 y 2 z 2
2
+ 2 − 2 = 0 ou 2
− 2 + 2 = 0 ou − 2 + 2 + 2 = 0.
a b c a b c a b c
6.54exe A quádrica cuja equação é x2 + y 2 − z 2 = 0 (a = 1, b = 1, c = 1) é um cone. A sua
representação é
2
x2 2
6.55obs Sejam a, b, c ∈ R+ e o cone a2
+ yb2 − zc2 = 0. Então,
(a) traços:
• no plano XOY — o ponto (0, 0, 0).

z
• No plano XOZ — o par de rectas c = ± xa , y = 0.
• No plano YOZ — o par de rectas z
c = ± yb , x = 0.
y
(c) Superfície de revolução se a = b, em que a geratriz é a recta b = zc , x = 0 e o eixo
é o eixo coordenado OZ.
6.56def J cilindro elíptico, cilindro circular K Sejam a, b, c, ρ ∈ R+. Então, chama-se cilindro
elíptico à quádrica cuja equação canónica é
x2 y 2 x2 z 2 y2 z2
2
+ 2 = 1, a 6= b, ou 2
+ 2 = 1, a 6= c, ou 2 + 2 = 1, b 6= c,
a b a c b c
e cilindro circular à quádrica cuja equação canónica é
x2 + y 2 = ρ2 ou x2 + z 2 = ρ2 ou y 2 + z 2 = ρ2.
√
2 2 2
6.57exe A quádrica cuja equação é x + 2y = 1 (a = 1, b = 2 ) é um cilindro elíptico. A
sua representação é
2
x2
6.58obs Sejam a, b ∈ R+, a 6= b, e o cilindro elíptico a2
+ yb2 = 1. Então,
(a) traços:
x2 y2
+ b2
= 1, z = 0.
• No plano XOZ — o par de rectas x = ±a, y = 0.
• No plano YOZ — o par de rectas y = ±b, x = 0.
x2 y2
(c) Superfície cilíndrica recta, em que a directriz é a elipse a2
+ b2
= 1 e a geratriz é
paralela ao eixo coordenado OZ.
6.59def J cilindro hiperbólico K Sejam a, b, c ∈ R+. Então, chama-se cilindro hiperbólico à

quádrica cuja equação canónica é
x2 y 2 x2 y 2 x2 z 2
2
− 2 = 1 ou − 2 + 2 = 1 ou 2
− 2 = 1 ou
a b a b a c
x2 z 2 y2 z2 y2 z2
− 2 + 2 = 1 ou 2 − 2 = 1 ou − 2 + 2 = 1.
a c b c b c
6.60exe A quádrica cuja equação é x2 − 4y 2 = 1 (a = 1, b = 12 ) é um cilindro hiperbólico. A
2
x2
6.61obs Sejam a, b ∈ R+ e o cilindro hiperbólico a2
− yb2 = 1. Então,
(a) traços:
x2 y2
• no plano XOY — a hipérbole a2
− b2
= 1, z = 0.
• No plano XOZ — o par de rectas x = ±a, y = 0.
• No plano YOZ — não existe.
x2 y2
(c) Superfície cilíndrica, em que a directriz é a hipérbole a2
− b2
= 1 e a geratriz é
6.62def J parabolóide elíptico, parabolóide circular K Sejam a, b, c, ρ ∈ R+ e p, q, r ∈ R\{0}.

Então, chama-se parabolóide elíptico à quádrica cuja equação canónica é
x2 y 2 x2 z 2 y2 z2
2
+ 2 = 2pz, a 6= b, ou 2
+ 2 = 2qy, a 6= c, ou 2 + 2 = 2rx, b 6= c,
a b a c b c
e parabolóide circular à quádrica cuja equação canónica é
x2 + y 2 = 2pρ2z ou x2 + z 2 = 2qρ2y ou y 2 + z 2 = 2rρ2x.
6.63exe A quádrica cuja equação é x2 + y 2 = z (ρ = 1, p = 12 ) é um parabolóide circular. A

2
x2
6.64obs Sejam a, b ∈ R+, a 6= b, p ∈ R \ {0} e o parabolóide elíptico a2
+ yb2 = 2pz. Então,
(a) traços:
• no plano XOY — o ponto (0, 0, 0).

x2
• No plano XOZ — a parábola a2
= 2pz, y = 0.
y2
• No plano YOZ — a parábola b2
= 2pz, x = 0.
(b) Simetrias: quádrica simétrica relativamente aos planos coordenados XOZ e

Y OZ e ao eixo coordenado OZ.
y2
(c) Superfície de revolução se a = b, em que a geratriz é a parábola b2
= 2pz e o eixo
é o eixo coordenado OZ.
6.65def J parabolóide hiperbólico K Sejam a, b, c ∈ R+ e p, q, r ∈ R\{0}. Então, chama-se

parabolóide hiperbólico à quádrica cuja equação canónica é
x2 y 2 x2 z 2 y2 z2
2
− 2 = 2pz ou 2
− 2 = 2qy ou 2 − 2 = 2rx.
a b a c b c
6.66exe A quádrica cuja equação é x2 − y 2 = z (a = 1, b = 1, p = 12 ) é um parabolóide
hiperbólico. A sua representação é
2
x2
6.67obs Sejam a, b ∈ R+, p ∈ R\{0} e o parabolóide hiperbólico a2
− yb2 = 2pz. Então,
(a) traços:
• no plano XOY — o par de rectas x

a = ± yb , z = 0.
x2
• No plano XOZ — a parábola a2
= cz, y = 0.
y2
• No plano YOZ — a parábola − b2 = cz, x = 0.
(b) Simetrias: quádrica simétrica relativamente aos planos coordenados XOZ e

Y OZ e ao eixo coordenado OZ.
(c) Nunca é uma superfície de revolução.

6.68def J cilindro parabólico K Sejam p, q, r, s, m, n ∈ R \ {0}. Então, chama-se cilindro

parabólico à quádrica cuja equação canónica é
x2 = 2py ou y 2 = 2qx ou x2 = 2rz ou
z 2 = 2sx ou y 2 = 2mz ou z 2 = 2ny.
6.69exe A quádrica cuja equação é 4x2 = y (p = 18 ) é um cilindro parabólico. A sua repre-

sentação é
6.70obs Sejam p ∈ R \ {0} e o cilindro parabólico x2 = 2py. Então,
(a) traços:
• no plano XOY — a parábola x2 = 2py, z = 0.

• No plano XOZ — a recta x = 0, y = 0.
• No plano YOZ — a recta x = 0, y = 0.
(b) Simetrias: quádrica simétrica relativamente aos planos coordenados XOY e

Y OZ e ao eixo coordenado OY .
(c) Superfície cilíndrica, em que a directriz é a parábola x2 = 2py e a geratriz é

6.71def J quádrica degenerada K Uma quádrica diz-se degenerada se não há pontos de R3

que satisfaçam a sua equação, ou se, existindo, eles definem um plano, uma recta ou
apenas um ponto de R3.
6.72obs Sejam a, b, c ∈ R+. Então, as seguintes equações definem quádricas degeneradas:

2 2 2
(a) − xa2 − yb2 − zc2 = 1.
x2 y2 z2
(b) a2
+ b2
+ c2
= 0.
2 y2 2 z2 y2 2
(c) − xa2 − b2
= 1, − xa2 − c2
= 1, − b2 − zc2 = 1.
2 2 y2
x2 2 2
(d) xa2 + yb2 = 0, a2
+ zc2 = 1, b2
+ zc2 = 1.
x2 y2 x2 z2 y2 z2
(e) a2
− b2
= 0, a2
− c2
= 1, b2
− c2
= 1.
(f) x2 = a2, y 2 = b2, z 2 = c2.
(g) x2 = −a2, y 2 = −b2, z 2 = −c2.
(h) x2 = 0, y 2 = 0, z 2 = 0.
6.73obs Resumo das quádricas: seja a quádrica
λ1 xα1 + λ2 y α2 + λ3 z α3 = d, λ1 , λ2 , λ3 ∈ R, α1 , α2 , α3 ∈ {1, 2}, d ∈ {0, 1}.
Então:
(a) d = 1
(a.i) αi = 2, αj = 2, αk = 2
(a.i.1) λi > 0, λj > 0, λk > 0: elipsóide ou esfera.
x2 + 5y 2 + 3z 2 = 1
(a.i.2) λi > 0, λj > 0, λk < 0: hiperbolóide de uma folha.
−x2 + y 2 + z 2 = 1 x2 − y 2 + z 2 = 1 x2 + y 2 − z 2 = 1
(a.i.3) λi > 0, λj < 0, λk < 0: hiperbolóide de duas folhas.
x2 y2 z2
3 − 2y 2 − 2z 2 = 1 −2x2 + 3 − 2z 2 = 1 −2x2 − 2y 2 + 3 =1
(a.ii) αi = 2, αj = 2, αk = 1
(a.ii.1) λi > 0, λj > 0, λk 6= 0: parabolóide elíptico ou circular.
y2 + z2 = x y 2 + z 2 = −x x2 + z 2 = y x2 + z 2 = −y x2 + y 2 = z x2 + y 2 = −z
(a.ii.2) λi > 0, λj < 0, λk 6= 0: parabolóide hiperbólico.
x2 − y 2 = z x2 − y 2 = −z y2 − z2 = x y 2 − z 2 = −x z 2 − x2 = y z 2 − x2 = −y
(a.iii) αi = 2, αj = 2, αk = 0
(a.iii.1) λi > 0, λj > 0, λk = 0: cilindro elíptico ou circular.
y 2 + 2z 2 = 1 x2 + 2z 2 = 1 x2 + 2y 2 = 1
(a.iii.2) λi > 0, λj < 0, λk = 0: cilindro hiperbólico.
x2 − 4z 2 = 1 x2 − 4y 2 = 1 y 2 − 4z 2 = 1 y 2 − 4x2 = 1 z 2 − 4x2 = 1 z 2 − 4y 2 = 1
(a.iv) αi = 2, αj = 1, αk = 0: cilindro parabólico.
4y 2 = x 4y 2 = −x 4x2 = y 4x2 = −y 4x2 = z 4x2 = −z
4z 2 = −x 4z 2 = x 4z 2 = −y 4z 2 = y 4y 2 = −z 4y 2 = z
(a.v) caso contrário: quádrica degenerada.
(b) d = 0
(b.i) αi = 2, αj = 2, αk = 2,λi > 0, λj > 0, λk < 0: cone.
x2 − y 2 − 2z 2 = 0 −x2 + y 2 − z 2 = 0 −x2 − y 2 + 2z 2 = 0
(b.ii) caso contrário: quádrica degenerada.

6. Geometria Analítica (exercícios) 132
6. Geometria Analítica (exercícios)

6.1 Determine a equação vectorial, as equações paramétricas e as equações cartesianas da recta definida:
(a) pelo ponto A = (1, 2, 3) e pelo vector director v = (−2, 1, −1).
(b) pelos pontos A = (1, 2, 3) e B = (3, 1, 5).
(c) pelos pontos A = (1, 2, 3) e B = (3, 1, 3).
(d) pelos pontos A = (1, 2, 3) e B = (3, 2, 3).
sols 6.1 (a) i. equação vectorial: (x, y, z) = (1, 2, 3) + α(−2, 1, −1), α ∈ R.




 x = 1 − 2α

ii. equações paramétricas: y = 2 + α , α ∈ R.


 z =3−α

x−1 y−2 z−3

iii. equações cartesianas: −2 = 1 = −1 .
(b) i. equação vectorial: (x, y, z) = (1, 2, 3) + α(2, −1, 2), α ∈ R.




 x = 1 + 2α

ii. equações paramétricas: y = 2 − α , α ∈ R.



 z = 3 + 2α
x−1 y−2 z−3
iii. equações cartesianas: 2 = −1 = 2 .
(c) i. equação vectorial: (x, y, z) = (1, 2, 3) + α(2, −1, 0), α ∈ R.


 x = 1 + 2α



ii. equações paramétricas: y = 2 − α , α ∈ R.



 z=3
x−1 y−2
iii. equações cartesianas: 2 = −1 , z = 3.
(d) i. equação vectorial: (x, y, z) = (1, 2, 3) + α(2, 0, 0), α ∈ R.




 x = 1 + 2α

ii. equações paramétricas: y=2 , α ∈ R.



 z=3
iii. equações cartesianas: y = 2, z = 3.
6.2 Determine a equação cartesiana do plano definido
(a) pelo ponto A = (1, 0, 1) e que é perpendicular ao vector u = (1, 2, 3).
(b) pelo ponto A = (1, 0, 1) e pelos vectores directores u = (1, 2, 3) e v = (3, 2, 3).
(c) pelos pontos A = (1, 2, 3) e B = (3, 1, 3) e pelo vector director v = (2, −1, 3).
(d) pelos pontos A = (1, 1, 1), B = (0, 1, 0) e C = (0, 0, 1).
sols 6.2 (a) x + 2y + 3z = 4.
(b) 3y − 2z = −2.
(c) x + 2y = 5.
(d) x − y − z = −1.
6.3 Considere, no espaço R3 , os pontos A = (1, 2, 3), B = (1, 0, 1), C = (0, 2, 0) e D = (1, 2, 1). Determine:
(a) a recta r definida pelos pontos A e B.
(b) A recta s que contém o ponto C e que é paralela à recta r.
(c) O plano α definido pelas rectas r e s.
(d) O plano β definido pela recta r e pelo ponto D.
(e) O ponto de intersecção da recta r com o plano α.
sols 6.3 (a) x = 1, y − z = −1.
(b) x = 0, y − z = 2.
(c) 3x + y − z = 2.
(d) x = 1.
(e) A recta r pertence ao plano α.

6.4 Considere, no espaço R3 , o plano α = x + 2y = 3, o plano β = x + y − z = 0, a recta r definida pelos pontos A = (1, 2, 3) e B = (1, 0, 1) e a recta s definida pelas
equações x + y − z = 4 e x + 2y − 3z = 4. Determine:
(a) ∠(r, s).
(b) ∠(α, r).
(c) ∠(α, β).
(d) A recta t que contém o ponto A e que é perpendicular ao plano α.
(e) d(A, α).
(f) d(B, s).
(g) O plano que contém a recta r e que é perpendicular ao plano α.
π
sols 6.4 (a) ∠(r, s) = 6.
√
10

(b) ∠(α, r) = arcsen 5 .
√
15
(c) ∠(α, β) = arccos 5 .
(d) 2x − y = 0, z = 3.
√
2 5
(e) d(A, α) = 5 .
√
66
(f) d(B, s) = 3 .
(g) 2x − y + z = 3.
6.5 Identifique as quádricas dadas pelas seguintes equações:
(a) x2 + 2y 2 + z 2 = 2. (e) x2 + 2z 2 − 4y = 0. (i) x2 + 2y 2 = z. (m) y 2 + 2z 2 − 4x = 0.
(b) 2x2 + 2y 2 + 2z 2 − 1 = 0. (f) 2x2 + 2z 2 + 3y = 0. (j) x2 + 2y 2 = 1. (n) y 2 + 2z 2 = 4x2 .
(c) x2 − 3y 2 + 2z 2 = 7. (g) 3x2 − 2y 2 = z. (k) 2y 2 = z. (o) x2 + 2y 2 − z 2 = 1.
(d) −4x2 − 4y 2 + z 2 = 4. (h) x2 + 2y 2 = z 2 . (l) x2 − 2y 2 = 1. (p) 2x2 + 2y 2 = 1.
sols 6.5 (a) Elipsóide. (e) Parabolóide elíptico. (i) Parabolóide elíptico. (m) Parabolóide elíptico.
(b) Esfera. (f) Parabolóide circular. (j) Cilindro elíptico. (n) Cone.
(c) Hiperbolóide de uma folha. (g) Parabolóide hiperbólico. (k) Cilindro parabólico. (o) Hiperbolóide de uma folha.
(d) Hiperbolóide de duas folhas. (h) Cone. (l) Cilindro hiperbólico. (p) Cilindro circular.
135
Apêndice A
Alfabeto Grego
Minúscula Maiúscula Nome Equivalente Latino
α A alfa a
β B beta b
γ Γ gama g
δ ∆ delta d
ε E épsilon e
ζ Z zeta z
η H eta e,h
θ Θ teta t
ι I iota i
κ K capa k
λ Λ lambda l
µ M miu m
ν N niu n
ξ Ξ csi cs
o O ómicron o
π Π pi p
ρ P ró r
σ Σ sigma s
τ T tau t
υ Υ ípsilon u,y
ϕ, φ Φ fi f
χ X qui c,x
ψ Ψ psi ps
ω Ω ómega w
Índice
ângulo entre dois planos, 104 conjunto solução, 51
ângulo entre dois vectores, 92 contradomínio de uma relação, 70
ângulo entre duas rectas, 105 corpo, 1
ângulo entre uma recta e um plano, 105 correspondência, 71
A ←→ B, 46 dim(V ), 35
aplicação, 71 determinante de uma matriz, 60
aplicação linear, 73 diagonal principal ou diagonal de uma matriz, 7
diagonal secundária de uma matriz, 7
base, 35
dimensão de um espaço vectorial, 35
C(a, b), 25 directriz, 106
C ∞ (a, b), 25 distância de um ponto a um plano, 102
C k (a, b), 25 distância de um ponto a uma recta, 103
cf , 76 distância entre dois pontos, 102
cj , 43 distância entre dois vectores, 92
característica de coluna de uma matriz, 50 domínio de uma relação, 70
característica de linha de uma matriz, 50
eixo, 106
característica de uma aplicação linear, 76
elipsóide, 109
característica de uma matriz, 50
equação característica de uma matriz, 83
cilindro circular, 117
equação cartesiana de um plano, 98
cilindro elíptico, 117
equação vectorial de uma recta, 100
cilindro hiperbólico, 119
equações cartesianas de uma recta, 100
cilindro parabólico, 125
equações paramétricas de uma recta, 100
coluna de uma matriz, 3, 43
escalar, 1
coluna nula, 43
esfera, 109
coluna pivô, 43
espaço euclidiano, 89
combinação linear, 30
espaço gerado, 31
cone, 115
espaço normado, 90
conjunto gerador, 32
espaço vectorial, 23
conjunto linearmente independente, 33
137
espaço vectorial complexo, 25 matriz de uma aplicação linear entre espaços de dimensão finita, 79
espaço vectorial de dimensão finita, 35 matriz diagonal, 7
espaço vectorial real, 25 matriz do tipo m por n sobre o corpo K, 3
espectro de uma matriz, 82 matriz dos coeficientes, 51
matriz em escada, 44
fe(A), 46
matriz em escada reduzida, 44
fer(A), 46
matriz hermítica ou hermitiana, 20
função, 71
matriz identidade, 8
geratriz de uma superfície cilíndrica, 106 matriz inversa, 13
geratriz de uma superfície de revolução, 106 matriz invertível, 13
matriz linha, 6
hiperbolóide de duas folhas, 113
matriz nula, 8
hiperbolóide de uma folha, 111
matriz ortogonal, 17
homomorfismo, 73
matriz quadrada, matriz de ordem n, 5
imagem de um conjunto por uma aplicação, 71 matriz rectangular, 5
imagem de um elemento por meio de uma função, 71 matriz simétrica, 17
imagem de uma aplicação linear, 75 matriz transconjugada, 18
imagem inversa de um conjunto por uma aplicação, 71 matriz transposta, 16

matriz triangular inferior, 7
Kn [x], 25
matriz triangular superior, 7
L(S), 31 matriz unitária, 20
L(V, V 0 ), 73 matrizes comutáveis, 12
LK (V, V 0 ), 73 matrizes equivalentes, 46
ì , 43 matrizes iguais, 9
linha de uma matriz, 3, 43 multiplicação de um escalar por um vector, 24
linha nula, 43 multiplicidade algébrica de um valor próprio, 83
Mm×n (K), 3 Imf , 75
matriz, 3 Nucf , 75
matriz ampliada, 51 nf , 76
matriz coluna, 6 núcleo de uma aplicação linear, 75
matriz conjugada, 18 núcleo de uma matriz, 54

138
não-invertível, 13 sistema homogéneo, 54

não-singular, 13 sistema homogéneo associado, 54
norma, 89 sistema impossível, 55
norma induzida pelo produto interno, 90 sistema possível, 55
nulidade de uma aplicação linear, 76 sistemas equivalentes, 54
soma de matrizes, 9
operações elementares com linhas, 45
soma de vectores, 24
operador, 71
subespaço, 28
parabolóide circular, 121 superfície cilíndrica, 106
parabolóide elíptico, 121 superfície de revolução, 106
parabolóide hiperbólico, 123 superfície de segunda ordem, 106
pivô, 43 superfície quádrica, 106
polinómio característico de uma matriz, 83
traço de uma quádrica, 107
potência cartesiana de um conjunto, 2
transformação, 71
produto cartesiano de dois conjuntos, 70
triedro directo, 95
produto de uma matriz por um escalar, 9
produto escalar de dois vectores, 88 valor de uma função num elemento, 71
produto externo de dois vectores, 93 valor próprio simples, 83
produto interno de dois vectores, 88 variável livre, 56
produto ou multiplicação de matrizes, 11 variável pivô, 56
3
produto vectorial de dois vectores de R , 93 vector, 24
vector das incógnitas, 51
quádrica, 106
vector director de uma recta, 100
quádrica degenerada, 127
vector dos termos independentes, 51
relação, 70 vector próprio de uma matriz associado a um valor próprio, 82
vector unitário, 91
simetria de uma quádrica relativamente à origem, 107
vectores linearmente dependentes, 33
simetria de uma quádrica relativamente a um eixo coordenado, 107
vectores linearmente independentes, 33
simetria de uma quádrica relativamente a um plano coordenado, 107
vectores ortogonais, 92
singular, 13
sistema de equações lineares, 51 hx1 , . . . , xn i, 31
sistema de equações não lineares, 53

Alga ENG

Enviado por

Direitos autorais:

Formatos disponíveis

Alga ENG

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Alga ENG

Enviado por

Direitos autorais:

Formatos disponíveis

Álgebra Linear e Geometria Analítica

Departamento de Matemática para a Ciência e Tecnologia

Engenharia e Gestão Industrial

Gaspar José Brandão Queiroz Azevedo Machado

Docente Gabinete Telefone Correio electrónico

• Horários das aulas

Dia Hora Tipo Sala Cursos Docente

• Horários do atendimento aos alunos

Dia Hora Gabinete Cursos Docente

– “Álgebra Linear”, M. R. Valença, Universidade do Minho;

– “Álgebra Linear”, S. Lipschutz, Colecção Schaum, McGraw-Hill;

– “Álgebra Linear — vol I”, M. A. Ferreira e I. Amaral, Edições Sílabo;

– “Álgebra Linear — vol II”, M. A. Ferreira e I. Amaral, Edições Sílabo;

– “Introdução à Álgebra Linear e Geometria Analítica”, F. R. Dias Agudo, Escolar Editora.

• Material de apoio pedagógico

O teste será no dia 19 de Novembro, Sábado.

Todos os alunos estão admitidos a exame.

1.1def J corpo K Sejam K um conjunto não vazio e as aplicações

(b) Se não causar confusão, em vez de α · β escreve-se αβ, em vez de α + (−β)

1.5def J potência cartesiana de um conjunto K Sejam n ∈ N e X um conjunto. Então, ao

X n = {(x1, x2, . . . , xn)|x1, x2, . . . , xn ∈ X},

chama-se potência cartesiana de ordem n do conjunto X, identificando-se X 1 com

(b) J matriz do tipo m por n sobre o corpo K K Sejam m, n ∈ N e o corpo K. Então,

(c) J Mm×n(K) K Sejam m, n ∈ N e o corpo K. Então, representa-se por Mm×n(K)

(b) Seja a matriz A = [aij ] ∈ Mm×n(K). Então,

1.8exe Dê um exemplo de uma matriz pertencente a M2×3(R).

1.9def Sejam m, n ∈ N, K um corpo e A ∈ Mm×n(K). Então,

(a) J matriz rectangular K diz-se que A é uma matriz rectangular se m 6= n.

(b) Dê um exemplo de uma matriz pertencente a M2×2(C).

1.11def Seja a matriz A = [aij ] ∈ Mm×n(K). Então,

(a) J matriz coluna K diz-se que A é uma matriz coluna se n = 1.

(b) J matriz linha K Diz-se que A é uma matriz linha se m = 1.

1.13exe (a) Dê um exemplo de uma matriz coluna com 2 elementos.

(b) Dê um exemplo de uma matriz linha com p elementos.

1.14def Seja a matriz quadrada A = [aij ] ∈ Mn×n(K). Então,

(a) J diagonal principal ou diagonal de uma matriz K chama-se diagonal principal da

(b) J diagonal secundária de uma matriz K Chama-se diagonal secundária da matriz

(c) J matriz diagonal K A diz-se uma matriz diagonal se i 6= j ⇒ aij = 0.

1.15exe (a) Dê um exemplo de uma matriz diagonal de ordem 3.

(b) Dê um exemplo de uma matriz triangular superior de ordem 2.

(c) Dê um exemplo de uma matriz triangular inferior de ordem 3 e indique a sua

1.17exe (a) Indique a matriz nula do tipo 2 × 4.

(b) Indique a matriz identidade de ordem 3.

1.19obs Usa-se esta definição em algumas demonstrações relativas a matrizes.

1.21obs Seja a matriz A. Então, em vez de (−1)A escreve-se −A.

1.22def J soma de matrizes K Sejam as matrizes do mesmo tipo A = [aij ], B = [bij ] ∈

1.24obs Só se pode somar matrizes do mesmos tipo.

(b) (A + B) + C = A + (B + C). (d) A + (−A) = 0.

1.27teo Sejam as matrizes A e B do mesmo tipo sobre o corpo K e os escalares α, β ∈ K.

(a) (αβ)A = α(βA). (c) α(A + B) = αA + αB.

(b) (α + β)A = αA + βA. (d) 1A = A.

1.28def J produto ou multiplicação de matrizes K Sejam as matrizes A = [aij ] ∈ Mm×n(K) e

1.29obs (a) Só se pode efectuar a multiplicação da matriz A pela matriz B se o número de

1.31obs A multiplicação de matrizes não goza da propriedade comutativa.

1.32def J matrizes comutáveis K Sejam as matrizes quadradas A e B. Então, A e B dizem-se

1.33teo Sejam as matrizes A, B e C e o escalar α. Então, se todos as operações a seguir

(a) (AB)C = A(BC). (c) A(B + C) = AB + AC.

(b) (A + B)C = AC + BC. (d) α(AB) = (αA)B = A(αB).

1.34obs Sejam as matrizes A, B e C. Então, se as operações a seguir indicadas forem definidas,