Geometria Analitica e Algebra Linear para Iniciantes PDF

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
1
Sumário
1 Matrizes e Sistemas de Equações Lineares 10

1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Alguns tipos especiais de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Operações usuais com Matrizes e Propriedades . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Adição de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.2 Subtração de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.3 Multiplicação por Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.4 Propriedades da Adição e do Produto por Escalar . . . . . . . . . . . . . 17
1.4 Operações não usuais com Matrizes e Propriedades . . . . . . . . . . . . . . . . . 18
1.4.1 Matriz Transposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.2 O traço de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.3 Produto de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Matrizes Invertı́veis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.1 Matrizes Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6 Sugestão de Leitura e Estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7 Lista 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.8 A função Determinante de uma Matriz Quadrada . . . . . . . . . . . . . . . . . . 27
1.8.1 Algumas propriedades de determinante de uma matriz . . . . . . . . . . . 28
1.8.2 Cálculo do determinante por triangularização . . . . . . . . . . . . . . . . 29
1.8.3 Desenvolvimento de Laplace: A expansão em cofatores . . . . . . . . . . . 31
1.8.4 Cálculo do determinante de uma matriz de ordem maior que 3 . . . . . . . 33
1.9 Cálculo da Matriz Inversa usando Cofatores . . . . . . . . . . . . . . . . . . . . . 33
2
1.10 Cálculo da Matriz Inversa usando Operações Elementares . . . . . . . . . . . . . . 35
1.10.1 Um Método para Inverter Matrizes . . . . . . . . . . . . . . . . . . . . . . 35
1.11 Sugestão de Leitura e Estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.12 Exercı́cios de Fixação (Lista 2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.13 Sistemas de Equações Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.13.1 Operações Elementares sobre as equações de um Sistema . . . . . . . . . . 41
1.13.2 Operações Elementares sobre as linhas da matriz ampliada . . . . . . . . . 42
1.14 Eliminação Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
1.14.1 Classificação de um Sistema Linear quanto à Solução . . . . . . . . . . . . 44
1.14.2 O Método de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.14.3 O Método de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.15 Exercı́cios de Fixação ( Lista 3) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2 Vetores 43
2.1 Segmentos Orientados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3 Adição de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4 Produto por Escalares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5 Ângulo entre dois vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3 Sistemas de coordenadas: Vetores Bidimensionais e Tridimensionais 50

3.1 Vetores Bidimensionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2 Vetores Tridimensionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Produto de Vetores 57
4.1 Cálculo da norma de um vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Distância entre dois pontos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3 Produto interno euclidiano ou produto escalar . . . . . . . . . . . . . . . . . . . . 58
4.3.1 Produto interno em termos das Componentes . . . . . . . . . . . . . . . . 59
4.3.2 Propriedades do produto escalar . . . . . . . . . . . . . . . . . . . . . . . . 60
3
4.3.3 Condição de ortogonalidade de dois vetores . . . . . . . . . . . . . . . . . . 60
4.3.4 Estudo da Projeção Ortogonal usando Produto Escalar . . . . . . . . . . . 61
4.4 Produto Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.4.1 Propriedades do Produto Vetorial . . . . . . . . . . . . . . . . . . . . . . . 64
4.4.2 Interpretação geométrica do módulo do produto vetorial de dois Vetores . . 65
4.5 Produto Misto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5.1 Propriedades do produto misto . . . . . . . . . . . . . . . . . . . . . . . . 66
4.5.2 Interpretação geométrica do módulo do produto misto . . . . . . . . . . . 68
4.6 Exercı́cios de Fixação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5 Aplicação de Vetores ao Estudo da Reta e do Plano 69

5.1 Equações da Reta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2 Reta definida por dois pontos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.3 Condição para que três pontos estejam em linha reta . . . . . . . . . . . . . . . . 72
5.4 Equações Reduzidas da Reta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.5 Retas Paralelas aos Planos e aos Eixos Coordenados . . . . . . . . . . . . . . . . . 75
5.6 Ângulo de Duas Retas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.7 Condição de Paralelismo de Duas Retas . . . . . . . . . . . . . . . . . . . . . . . . 77
5.8 Condição de Ortogonalidade de Duas Retas . . . . . . . . . . . . . . . . . . . . . 78
5.9 Condição de Coplanaridade de Duas Retas . . . . . . . . . . . . . . . . . . . . . . 79
5.10 Posição Relativa de Duas Retas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.11 Interseção de Duas Retas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.12 Distância de Um Ponto a Uma Reta . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.13 Distância Entre Duas Retas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.14 O Estudo do Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.15 Determinação de um Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.16 Equações Paramétricas do Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.17 Ângulo de Dois Planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.18 Ângulo de uma reta com um Plano . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4
5.19 Interseção de Dois Planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.20 Distância de um Ponto a um Plano . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.21 Distância entre dois planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.22 Distância de uma Reta a um Plano . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6 Cônicas e Quádricas 95
6.1 Definição geométrica das Cônicas . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.2 Definição analı́tica das Cônicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.3 Definição geométrica das Superfı́cies Quádricas . . . . . . . . . . . . . . . . . . . . 97
6.4 Definição analı́tica das Superfı́cies Quádricas . . . . . . . . . . . . . . . . . . . . . 98
6.5 A elipse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.5.1 Elementos da elipse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.5.2 Expressão analı́tica da elipse centrada na origem . . . . . . . . . . . . . . . 100
6.5.3 Elipses transladadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.6 O Elipsóide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.7 A Hipérbole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.7.1 Elementos da Hipérbole . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
6.7.2 Expressão analı́tica da hipérbole centrada na origem . . . . . . . . . . . . . 107
6.7.3 Hipérboles transladadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.8 O Hiperbolóide de um folha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.9 A Parábola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.9.1 Elementos da parábola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.9.2 Expressão analı́tica da parábola com vértice na origem . . . . . . . . . . . 112
6.9.3 Parábolas Transladadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
6.10 O Parabolóide elı́ptico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.11 O Hiperbolóide de duas folhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.12 O Parabolóide hiperbólico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.13 Superfı́cie Cônica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.13.1 O Cone Quádrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5
6.14 Superfı́cie Cilı́ndrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
7 O Espaço Vetorial Euclidiano n-dimensional 122

7.1 O Espaço Euclidiano n-Dimensional . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.1.1 Igualdade de vetores de Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.1.2 Operações em Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.1.3 Propriedades das operações no Espaço Euclidiano . . . . . . . . . . . . . . 124
7.1.4 O produto interno euclidiano em Rn . . . . . . . . . . . . . . . . . . . . . 124
8 Espaços Vetoriais 126

8.1 Subespaço Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
8.2 Combinação Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
8.3 Subespaços Gerados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
8.4 Dependência e Independência Linear . . . . . . . . . . . . . . . . . . . . . . . . . 130
8.5 Espaços Vetoriais com Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . 132
8.6 Espaço Vetorial Euclidiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.6.1 Norma de um Vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.7 Ângulo de dois Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
8.8 Vetores Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
8.9 Conjunto Ortogonal de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
8.10 Base Ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
8.11 Projeções Ortogonais: O Processo de Gram-Schmidt . . . . . . . . . . . . . . . . . 135
8.12 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
9 Transformações Lineares 144

9.1 Transformações Lineares Planas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
9.1.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
9.2 Transformações Lineares Espaciais . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
9.2.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
9.3 O uso de bases na obtenção de uma Transformação Linear . . . . . . . . . . . . . 150
6
9.4 Núcleo e Imagem de uma Transformação Linear . . . . . . . . . . . . . . . . . . . 151
9.5 Matrizes de Transformações Lineares Arbitrárias . . . . . . . . . . . . . . . . . . . 152
10 Autovalores e Autovetores 154

10.1 O Polinômio Caracterı́stico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
10.2 Operadores Auto-Adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
10.3 Diagonalização de uma forma quadrática plana . . . . . . . . . . . . . . . . . . . 159
7
PREFÁCIO
A primeira edição destas notas foi feita no ano de 2009, em parceria com a professora Msc.
Ângela Mognon, quando ingressei na UTFPR e ministrávamos aulas de Geometria Analı́tica
e Álgebra Linear, a alunos dos primeiros anos de Engenharia, no campus de Campo Mourão,
Paraná. Com esta parceria tive total apoio na digitalização textual e gráfica, nas leituras pre-
liminares, na escolha das referências e na revisão dos textos, contanto também com o apoio e
incentivo do professor Dr. Doherty de Andrade, o qual somos imensamente gratas, pois seu incen-
tivo e orientação na utilização do editor de texto matemático TeX, tornou possı́vel a digitalização
destas notas.
A motivação ao preparo destas notas inicialmente foi facilitar e agilizar a apresentação dos
conteúdos em sala de aula, já que a ementa semestral é extensa por atender os tópicos de Geome-
tria Analı́tica e Álgebra Linear. Logo, este material foi elaborado com o intuito de proporcionar
ao aluno um melhor acompanhamento da aula e consiste somente de algumas anotações para
serem utilizadas durante as aulas. Sem preocupações em copiar definições e enunciados espera-se
que o aluno possa se concentrar nas demonstrações e resolução de exemplos e exercı́cios que serão
feitas em sala.
O Capı́tulo 1 trata das Matrizes, Determinantes e Sistemas de Equações Lineares por se

tratarem de ferramentas básicas para o estudo da Geometria Analı́tica e da Álgebra Linear.
Os Capı́tulos 2, 3, 4, 5 e 6 se ocupam dos Vetores, Retas, Planos, Cônicas e Quádricas,

objetos do plano bidimensional e do espaço tridimensional aqui tratados geometricamente e
algebricamente, dando forma analı́tica à geometria e suporte teórico para outras disciplinas das
Engenharias como Fı́sica, Mecânica, Cálculo 2 e 3, entre outras.
O Capı́tulo 7 traz a generalização do estudo dos vetores apresentando o espaço n−dimensional

Rn , suas operações e propriedades euclidianas (como norma, distância e ortogonalidade) garan-
tidas pela existência de produto interno.
Os Capı́tulos 8, 9 e 10 apresentam um sucinto curso de Álgebra Linear, expondo resumi-

damente os Espaços Vetoriais, as Transformações Lineares, os Autovalores e Autovetores, ob-
jetivando a utilização de uma linguagem algébrica axiomática e o embasamento teórico para
disciplinas como Equações Diferenciais Ordinárias e Cálculo Numérico.
8
Agradeço à professora Msc. Viviane Colucci pelo incentivo e colaboração na edição do texto
sobre Matrizes e Determinantes e na digitalização de exercı́cios sobre o tema. Esta contribuição
foi inserida nestas notas a partir de 2011.
Agradeço o apoio dos professores Dr. Adilandri Mércio Lobeiro e Esp. Luciano Ferreira da
Silva nas orientações sobre a utilização do editor TeXnicCenter e incentivo na divulgação destas
notas.
Agradeço a participação e parceria dos alunos das Engenharias nos projetos desenvolvidos nas
APS e deixo registrado na capa destas notas, algumas das obras modeladas no decorrer destes
semestres. Fico muito grata em ver o empenho, a motivação e amadurecimento matemático ad-
quirido na utilização da Geometria Analı́tica para modelar algebricamente e computacionalmente
no software Maple superfı́cies tridimensionais do nosso cotidiano. Estes projetos tem evidenci-
ado a relação existente entre a teoria e a prática e espero divulgá-los em publicações e eventos,
objetivando a motivação ao uso de novas possibilidades de ensino e aprendizagem de Geometria
Analı́tica nas Engenharias.
Sou grata também ao apoio dos professores do departamento de matemática que utilizam estas
notas em suas aulas e espero que o material seja útil tanto aos discentes quanto aos docentes da
disciplina Geometria Analı́tica e Álgebra Linear.
Novas parcerias, eventuais correções e ou sugestões de aprimoramento serão bem acolhidas e

agradecidas.
Sara Coelho da Silva

Campo Mourão, 2013.
9
Capı́tulo 1
Matrizes e Sistemas de Equações

Lineares
Introdução
Muitas vezes na Engenharia e na Matemática uma informação é organizada em linhas e
colunas formando agrupamentos retangulares chamados matrizes. Estas matrizes podem ser
tabelas de dados numéricos surgidos de observações fı́sicas, mas também ocorrem em vários
contextos matemáticos. Por exemplo, veremos que para resolver um sistema de equações lineares
toda informação requerida para chegar à solução está encorpada em uma matriz e que a solução
pode ser obtida efetuando operações apropriadas nesta matriz. Isto é particularmente importante
no desenvolvimento de programas de computador para resolver sistemas de equações lineares,
porque os computadores são muito bons pra manipular coleções de números.
Durante o curso você terá oportunidade de pesquisar e manipular um software matemático
com capacidade de efetuar operações com matrizes, o que facilita muito os cálculos algébricos
matriciais no trabalho com ciências exatas e podem enriquecer a experiência do aprendizado,
bem como ajudar com os cálculos tediosos. No entanto, todo futuro engenheiro precisa dominar
todas as técnicas básicas de álgebra linear resolvendo à mão exemplos iniciais. A tecnologia
pode então ser usada para resolver exemplos subsequentes e aplicações que possuem dados que
tornam os cálculos à mão não práticos. Entretanto, você deve fazer tantos exemplos quanto
puder com lápis e papel até que se sinta confortável com as técnicas e mesmo quando utilizar um
software, pense sempre como você faria os cálculos manualmente e depois de obter uma resposta
do software, avalie se ela é razoável.
Não se esqueça nunca: ”É o homem que manipula a máquina, não é a máquina que manipula
o homem.”
10
1.1 Matrizes
A palavra matriz deriva da palavra latina mater, que significa ”mãe”. Quando o sufixo -iz é
acrescentado, o significado torna-se ”útero”. Assim como um útero envolve um feto, os colchetes
de uma matriz envolvem seu elementos, e assim como no útero é gerado um bebê, uma matriz gera
certos tipos de funções, chamadas transformações lineares, que seram estudadas posteriormente.
As matrizes são tabelas de números reais utilizadas em vários ramos da Ciência e da Enge-
nharia.
Várias operações executadas por cérebros eletrônicos são computações por matrizes.
Vejamos um exemplo:
Considere a tabela a seguir, que indica as notas (0 − 10) dos Alunos A1, A2 e A3 em uma
determinada disciplina do curso de Engenharia:
Aluno Prova 1 Atividade

Aluno A1 9,0 7,0
Aluno A2 3,0 5,0
Aluno A3 6,5 8,4
No quadro indicado os números colocados nas disposições horizontais formam o que denomi-
namos linha e os colocados nas disposições verticais formam o que denominamos coluna.
Para sabermos a nota de atividade do Aluno A3 basta procuramos o número que está na
terceira linha e na segunda coluna.
Se nós suprimirmos os tı́tulos, ficaremos com a seguinte coleção retangular de números com
três linhas e duas colunas, denominada matriz :
 
9, 0 7, 0
A =  3, 0 5, 0 
6, 5 8, 4
Generalizando, apresentamos a seguinte definição.
Definição 1.1 Uma matriz de ordem m × n, é um quadro A com elementos (números, po-
linômios, funções etc.) dispostos em m linhas e n colunas da forma:
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
Am×n =
 ··· ···

··· ··· 
am1 am2 · · · amn
11
em que os números aij , com 1 ≤ i ≤ m e 1 ≤ j ≤ n, em nosso estudo, são números reais. O
número aij chama-se o elemento de ordem ij de A. De forma mais compacta, a matriz acima
pode ser escrita como
A = [aij ]m×n ou A = [aij ]
(Usamos letras maiúsculas para denotar matrizes e letras minúsculas para denotar quantidades
numéricas.)
A i-ésima linha de A é a n-upla
Ai = (ai1 , . . . , ain )
Já, a j-ésima coluna de A é a m-upla
a1j
 
..
.
 
Aj = 
 
.. 
 . 
amj
Portanto, uma matriz de ordem m × n, denotada por Am×n = [aij ]m×n , possui m linhas e n
colunas.

2 1 1
Exemplo 1.1 O quadro A = é uma matriz real de ordem 2 × 3. onde:
3 −2 5
a11 = 2, a12 = 1, a13 = 1
a21 = 3, a22 = −2, a23 = 5

Exemplo 1.2 B = 2 1 0 −3 é uma matriz real de ordem 1 × 4;

1
C= é uma matriz real de ordem 2 × 1 e;
3

D = 4 é uma matriz real de ordem 1 × 1;
Definição 1.2 Duas matrizes Am×n = [aij ]m×n e Br×s = [bij ]r×s são iguais se elas têm o mesmo
número de linhas (m = r) e o mesmo número de colunas (n = s), e se todos os seus elementos
correspondentes são iguais (aij = bij ).
Notação: A = B.
2
3 1 log1 9 sen90◦ 0
Exemplo 1.3 =
2 22 5 2 4 5
12
Exercı́cio 1.1 Escreva, explicitamente, as matrizes
a) A = (aij )3×2 , sendo aij = i + j
i
b) B = (bij )3×6 , sendo bij = j
c) C = (cij )3×3 , sendo cij = i2 + j 2

d) M = (mij )2×2 , sendo mij = 2(i − j). Determine x, y, z, t para que se tenha:

x+y z−t
M=
x − y 2z − t
Exercı́cio 1.2 Dada a matriz M = (aij )6×8 , tal que aij = i − j, obtenha o elemento a43 .
1.2 Alguns tipos especiais de matrizes

1. Matriz linha: é a n-upla A1×n = [a11 . . . a1n ], isto é, uma matriz de ordem 1 × n.
Exemplo 1.4 A = [2 1 2]
a11
 
..
.
 
2. Matriz coluna: é a m-upla Am×1 =   , isto é, uma matriz de ordem m × 1.
 
..
 . 
am1
 
2
 4 
Exemplo 1.5 A =  
 0 
6
3. Matriz Quadrada An×n : é a matriz em que o número de linhas é igual ao número de

colunas.
 
−1 1 0
3 1
Exemplo 1.6 A = 3 B= C =  2 −5 9 
2 −5
7 3 9
4. Matriz Nula: é a matriz, denotada por 0m×n , que possui todos os elementos nulos.
 
0 0 0
0
Exemplo 1.7 01×1 = 0 02×1 = 03×3 = 0 0 0 
0
0 0 0
13
5. Matriz Diagonal é toda matriz quadrada A tal que aij = 0, quando i 6= j.
 
−1 0 0
0 0
Exemplo 1.8 A=  0 1 0  B=
0 0
0 0 3
6. Matriz Identidade é toda matriz quadrada I tal que aij = 1, quando i = j e aij = 0, se
i 6= j.
 
1 0 0
1 0
Exemplo 1.9 A=  0 1 0  B=
0 1
0 0 1
Observação 1.1 A diagonal principal de uma matriz quadrada An×n é a n-upla

(a11 , a22 , . . . , ann ).
7. Matriz Triangular Superior é toda matriz quadrada tal que aij = 0, quando i > j. Ou
seja, é uma matriz quadrada onde todos os elementos abaixo da diagonal são nulos.
 
1 1 3
3 2
Exemplo 1.10 A=  0 −2 5  B=
0 1
0 0 1
8. Matriz Triangular Inferior é toda matriz quadrada tal que aij = 0, quando i < j. Ou
seja, é uma matriz quadrada onde todos os elementos acima da diagonal são nulos.
 
1 0 0
a 0
Exemplo 1.11 A=  −1 −2 0  B=
b c
4 5 1
Observação 1.2 Indicaremos conjunto de todas as matrizes de de ordem m × n, com elementos

em R, por Mmn (R).
1.3 Operações usuais com Matrizes e Propriedades

Apresentaremos a seguir uma aritmética de matrizes na qual as matrizes podem ser somadas,
subtraı́das e multiplicadas.
14
1.3.1 Adição de Matrizes
Considere a tabela (apresentada na pág. 5) das notas dos alunos A1, A2 e A3:
Aluno Prova 1 Atividade

Aluno A1 9,0 7,0
Aluno A2 3,0 5,0
Aluno A3 6,5 8,4
Supondo que foram aplicadas outras duas avaliações e os resultados obtidos estão descritos
nas tabelas
Aluno Prova 2 Atividade Aluno Prova 3 Atividade

Aluno A1 9,5 3,0 Aluno A1 6,0 4,0
Aluno A2 7,3 5,5 Aluno A2 7,0 6,0
Aluno A3 8,5 4,4 Aluno A3 5,5 9,4
para as quais extraindo somente os números, obtemos:
     
9, 0 7, 0 9, 5 3, 0 6, 0 4, 0
A =  3, 0 5, 0  B =  7, 3 5, 5  C =  7, 0 6, 0 
6, 5 8, 4 8, 5 4, 4 5, 5 9, 4
Somando as entradas correspondentes (de mesma posição matricial) de A, B e C, temos:
 
9, 0 + 9, 5 + 6, 0 7, 0 + 3, 0 + 4, 0
S = A + B + C = 3, 0 + 7, 3 + 7, 0
 5, 0 + 5, 5 + 6, 0 
6, 5 + 8, 5 + 5, 5 8, 4 + 4, 4 + 9, 4
logo,  
24, 5 14, 0
S = 17, 3
 16, 5 
20, 5 22, 2
é a matriz que representa o total de pontos obtidos por cada aluno em provas e atividades na
disciplina.
Generalizando, temos a seguinte definição:
Definição 1.3 Sejam as matrizes A, B ∈ Mmn (R), então a soma S = A + B é a matriz obtida
somando as entradas de A às entradas correspondentes de B. Em notação matricial, se A = [aij ]
e B = [bij ] são matrizes m × n, então
sij = aij + bij , com 1 ≤ i ≤ m e 1 ≤ j ≤ n.
15
     
1 0 1 2 3 0 3 3 1
Exemplo 1.12  2 −2 0  +  2 7 6  =  4 5 6 
4 5 1 1 −2 1 5 3 2
Observação 1.3 A matriz nula é o elemento neutro para a adição de matrizes. Isto é,
0m×n + A = A + 0m×n = A, ∀ A ∈ Mmn (R)
1.3.2 Subtração de Matrizes
Suponhamos que o professor citado nos exemplos anteriores, queira comparar os primeiros e
segundos resultados obtidos pelos alunos nas provas 1 e 2 e nas respectivas atividades. Para
saber se houve aumento/diminuição de nota, podemos calcular a diferença dij = bij − aij , entre
as respectivas notas de provas e atividades.
Se dij > 0 então, houve um aumento de nota da prova 1 para a prova 2;
Se dij < 0 então, houve uma diminuição de nota da prova 1 para a prova 2;
Se dij = 0 então, a nota se manteve.
Fazendo o cálculo da diferença entre as respectivas notas de provas e atividades, temos:
     
9, 5 3, 0 9, 0 7, 0 0, 5 −4, 0
B − A =  7, 3 5, 5  −  3, 0 5, 0  =  4, 3 0, 5 
8, 5 4, 4 6, 5 8, 4 2, 0 −4, 0
Analisando a matriz diferença B − A podemos concluir que todos alunos aumentaram suas
notas de provas e dois alunos teve diminuição de nota de atividade.
De modo geral, definimos:
Definição 1.4 Sejam as matrizes A, B ∈ Mmn (R), então a diferença D = B − A é a matriz

obtida subtraindo as entradas de B às entradas correspondentes de A. Em notação matricial, se
A = [aij ] e B = [bij ] são matrizes m × n, então
dij = bij − aij , com 1 ≤ i ≤ m e 1 ≤ j ≤ n.

     
1 0 1 2 3 0 −1 −3 1
Exemplo 1.13  2 −2 0  −  2 7 6  =  0 −9 −6 
4 5 1 1 −2 1 3 7 0
1.3.3 Multiplicação por Escalar
Seja S a matriz definida na seção (1.3.1) que representa o total de pontos dos alunos em uma
determinada disciplina avaliada por meio de provas e atividades. Para obter a média aritmética
16
1
do total de pontos em provas e avaliações calcula-se 3
de cada nota disponibilizada nas colunas
de S, ou seja,
1 1
 
3
.(24, 5) 3
.(14, 0)
 
 1 1

1  .(17, 3)
3 3
.(16, 5) 
N = .S =  
3 
 1

1

 .(20, 5) .(22, 2) 
3 3
logo,  
8, 2 4, 7
N ≈ 5, 8
 5, 5 
6, 8 7, 4
representa a média aritmética do total de pontos em provas e avaliações.
Generalizando, definimos:
Definição 1.5 Sejam A ∈ Mmn (R) e c ∈ R. A matriz cA = M é obtida pela multiplicação de

cada entrada da matriz A, por c. A matriz cA = M é chamada múltiplo escalar de A. Em
notação matricial, se A = [aij ], então
mij = caij , com 1 ≤ i ≤ m e 1 ≤ j ≤ n.

2 −10 −4 20
Exemplo 1.14 −2 =
1 2 −2 −4
Observação 1.4 A + (−1)A = 0m×n , ∀ A ∈ Mmn (R). A matriz (−1)A, denotada por −A, é
a matriz oposta de A.

−2 7 2 −7
Exemplo 1.15 A matriz oposta da matriz A = é −A =
1 2 −1 −2
1.3.4 Propriedades da Adição e do Produto por Escalar
Sejam A, B, C ∈ Mmn (R) e c, d escalares reais.
1. Se A e B são elementos de Mmn (R) então A + B ∈ Mmn (R).
2. A + B = B + A.
17
3. A + (B + C) = (A + B) + C.
4. 0m×n + A = A + 0m×n = A.
5. A + (−1)A = 0m×n .
6. Se k é qualquer escalar e A ∈ Mmn (R), então kA ∈ Mmn (R).
7. c(A + B) = cA + cB.
8. (c + d)A = cA + dA.
9. (cd)A = c(dA).
10. 1A = A.
Apresentaremos a seguir operações matriciais que não possuem analogia com a aritmética dos
números reais.
1.4 Operações não usuais com Matrizes e Propriedades

1.4.1 Matriz Transposta
Definição 1.6 A transposta de uma matriz A = [aij ]m×n é a matriz B = At = [aji ]n×m , cujas
linhas são as colunas de A, isto é, bij = aji , para todo i e j.
 
2 1
t 2 0 −1
Exemplo 1.16 A transposta da matriz A =  0 3 é a matriz A =

1 3 4
−1 4
Se A e B são matrizes de ordem m × n e c um número real, podemos verificar as seguintes

propriedades:
1.(A + B)t = At + B t 2.(cA)t = cAt 3.(At )t = A.
Usando a definição de Matriz Transposta, podemos definir dois novos tipos de matrizes:
Definição 1.7 Matriz Simétrica

É uma matriz quadrada tal que At = A. Isto é, os elementos que estão dispostos simetrica-
mente em relação à diagonal são iguais (aij = aji ).
18
 
2 1 3
Exemplo 1.17 A =  1 6 4 
3 4 1
Definição 1.8 Matriz Anti-Simétrica

É uma matriz quadrada tal que At = −A. Isto é, os elementos que estão dispostos simetrica-
mente em relação à diagonal são opostos (aij = −aji ).
 
0 −2 3
Exemplo 1.18 A =  2 0 −5 
−3 5 0
Observação 1.5 A diagonal de uma matriz A anti-simétrica é nula. Isto é, aii = 0.
1.4.2 O traço de uma Matriz
Definição 1.9 Se A é uma matriz quadrada, então o traço de A, denotado por tr(A), é definido
pela soma das entradas na diagonal principal de A : a11 + a22 + . . . + ann .
O traço de A não é definido se A não é uma matriz quadrada.
 
−1 2 7 0
 3 5 −8 4  temos: tr(A) = −1 + 5 + 7 + 0 = 11
Exemplo 1.19 Para A= 
 1 2 7 −3 
4 −2 1 0
1.4.3 Produto de Matrizes
Até aqui nos definimos a multiplicação de uma matriz por um escalar mas não a multiplicação de
duas matrizes. Como na definição da adição (e subtração) somamos (e subtraı́mos) as entradas
correspondentes, pareceria natural definir a multiplicação de matrizes multiplicando as entradas
correspondentes. Contudo, ocorre que tal definição não seria muito útil na maioria dos proble-
mas práticos e teóricos. A experiência levou os matemáticos à uma definição mais útil para a
multiplicação de matrizes.
Ilustraremos a devida definição dando continuidade a situação exposta anteriormente:
Seja N a matriz (seção 1.3.3) que representa o total de pontos dos alunos em uma determinada
disciplina avaliada por meio de provas e atividades. Atribuindo peso 8, 0 para as provas e peso
2, 0 para as atividades podemos obter a nota final de cada aluno da seguinte maneira:
19
   
8, 2 4, 7 8, 2.(0, 8) + 4, 7.(0, 2)
0, 8
N F = N.P =  5, 8 5, 5  . =  5, 8.(0, 8) + 5, 5.(0, 2) 
0, 2
6, 8 7, 4 6, 8.(0, 8) + 7, 4.(0, 2)
logo,  
7, 5
N F =  5, 7 
6, 9
Este exemplo nos leva às seguintes observações:
- para tornar possı́vel o produto N.P o número de colunas de N deve coincidir com o número
de linhas de P ;
- o produto da linha i de N pela coluna j de P resulta em um único valor (nf )ij ;
Generalizando, definimos:
Definição 1.10 Seja uma matriz A de ordem m×n e B uma matriz de ordem n×p. O produto
de A por B,denotado por AB, é a matriz de ordem m × p, cujo elemento de ordem ij é obtido
multiplicando ordenadamente, os elementos da i-ésima linha de A pelos elementos da j-ésima
coluna de B e somando-se os produtos assim obtidos. Isto é,
b1j
 
..
.
 
(ab)ij = Ai B j = (ai1 , . . . , ain )   = ai1 b1j + . . . + ain bnj
 
..
 . 
bnj
para 1 ≤ i ≤ m e 1 ≤ j ≤ p.
Observação 1.6 Podemos usar a notação de somatório:

n
X
(ab)ij = aik bkj
k=1
 
1 2
1 0 −1
Exemplo 1.20 Dadas as matrizes A = e B =  0 1  , determine AB.
2 1 3
0 1

1 1
Resposta: A.B = ,
2 8
20
Teorema 1.1 Desde que sejam possı́veis as operações, as seguintes propriedades são válidas:
1. A.(B + C) = AB + AC; 2. (B + C)A = BA + CA;
3. A(kB) = (kA)B = k(AB), k ∈ R 4. A(BC) = (AB)C;
5. (AB)t = B t At ; 6. AI = IA = A;
7. A0 = 0A = 0m×n .
1.5 Matrizes Invertı́veis

Dada uma matriz A quadrada se pudermos encontrar uma matriz B de mesmo ordem tal que
An×n .Bn×n = Bn×n .An×n = In×n , então diremos que An×n é invertı́vel e que Bn×n é a inversa
de An×n . Se não puder ser encontrada tal matriz B então diremos que A é não invertı́vel ou A
é dita singular.

3 5 2 −5
Exemplo 1.21 A matriz B = é a inversa de A =
1 2 −1 3
Teorema 1.2 A inversa de uma matriz quadrada A é única e será denotada por A−1 .
prova:
Suponhamos que B e C são inversas da matriz A. Então:
(BA) = I
Multiplicando ambos os lados da igualdade pela direita por C têm-se:
(BA)C = IC = C
Por outro lado,

(BA)C = B(AC) = B.I = B
Portanto, B = C.

a b
Teorema 1.3 A matriz A = é invertı́vel se ad − bc 6= 0, caso em que a inversa é
c d
dada pela fórmula:

−1 1 d −b
A =
ad − bc −c a
21
prova: Basta verificar que A.A−1 = A−1 .A = I2×2 .
Teorema 1.4 Se A é uma matriz invertı́vel, então At também é invertı́vel. E ainda,
(At )−1 = (A−1 )t
prova: Basta verificar que At .(A−1 )t = (A−1 .A)t = I t = I, usando o item 5 do Teorema (1.1).
Exercı́cio 1.3 Use o Teorema (1.3) para calcular as inversas das seguintes matrizes.

3 1 2 −3 6 4 2 0
a) A = b) B = c) C = d) D =
5 2 4 4 −2 −1 0 3
Resposta:

2 −1 1 4 3 −1 1 −1 −4 −1 1 3 0
a) A−1 = b) B −1 = c) C = d) D =
−5 3 20 −4 2 2 2 6 6 0 2
1.5.1 Matrizes Ortogonais
Uma matriz A é dita ortogonal se, A é quadrada, invertı́vel e A.At = At .A = I ou seja,
A−1 = At .

cosθ −senθ
Exemplo 1.22 A matriz A = é ortogonal pois, At .A = A.At = I.
senθ cosθ
3 2 6
 
7 7 7
Exercı́cio 1.4 Verifique se A =  − 76 3
7
2
7
 é ortogonal.
2 6
7 7
− 37
Resposta: Sim, verifica-se que At .A = A.At = I.
1.6 Sugestão de Leitura e Estudo

• Anton, H.; Rorres, C. Álgebra Linear com Aplicações. 8a Ed.. Porto Alegre: Bookman,
2001. Seção 1.3 e Seção 1.4.
• Boldrini, J. L.. Álgebra Linear . 3a Ed.. São Paulo: Harbra Ltda, 1986. Capı́tulo Matrizes e
Sistemas Lineares.
• Steinbruch, A.; Winterle, P. Introdução à Álgebra Linear.São Paulo: Makron Books, 1990.
Apêndice.
• Santos, Nathan Moreira dos. Vetores e Matrizes - Uma introdução à Álgebra Linear .
4a Ed. São Paulo: Thompson Learning, 2007.
22
1.7 Lista 1
1. Um conglomerado é composto por cinco lojas, numeradas de 1 a 5. A matriz a seguir
apresenta o faturamento em reais de cada loja nos quatro primeiros dias de fevereiro.
 
1950 2030 1800 1950

 1500 1820 1740 1680 

F =
 3100 2800 2700 3050 

 2500 2420 2300 2680 
1800 2020 2040 1950
Cada elemento aij dessa matriz é o faturamento da loja i no dia j.
a) Qual foi o faturamento da loja 3 no dia 2?

b) Qual foi o faturamento de todas as lojas no dia 3?
c) Qual foi o faturamento da loja 1 nos quatro dias?
2. Classifique cada afirmação como verdadeiro (V) ou falso (F):
a) ( ) Toda matriz identidade é necessariamente quadrada.

b) ( ) Existe matriz identidade que não é quadrada.
c) ( ) Toda matriz nula é necessariamente quadrada.
d) ( ) Existe matriz nula que não é quadrada.
t
e) ( ) (At ) = A, qualquer que seja a matriz A.
f ) ( ) At 6= A para qualquer matriz A.
g) ( ) Existe alguma matriz tal que At 6= A.
h) ( ) Se a matriz A é do tipo 2 × 3, então At é do tipo 3 × 2.
i) ( ) Se uma matriz A é simétrica, então At = A.

t 2 3 −5 8
3. Determinar a matriz transposta A de A = .
3 −7 1 9
 
0 3 4
4. Considerando a matriz anti-simétrica A =  −3 0 −6  , calcule At . O que você observa
−4 6 0
em relação a A e At ?
23

1 −2 3 3 0 2
5. Considere A = eB= , calcule:
4 5 −6 −7 1 8
(a) A + 5B
(b) 3A
(c) 2A − 3B
   
2 1 0 3 −4 3 5 1
6. Considere as matrizes A =  −1 0 2 4  e B =  2 2 0 −1  , encontre
4 −2 7 0 3 2 −4 5
1
A + B, A − B e 3 A
7. Resolva o produto de matrizes:

 
4 1 4 3
1 2 4 
A.B = 0 −1 3 1 
2 6 0
2 7 5 2
8. Em cada item, encontre a operação que se pede (adição, subtração ou multiplicação) entre
as matrizes dadas abaixo:

2 5 −7 3 3 2
a) A = eB= , encontre A + B.
3 −2 4 8 9 1

4 −1 5 −6
b) A = eB= , encontre A − B; AB e BA.
−3 9 7 −8
 
5 2 4 1
4 2 6
c) A = e B =  2 3 1 0  encontre AB.
2 5 3
1 2 7 6
     
1 −3 2 1 4 1 0 2 1 −1 −2
d) A =  2 1 −3  , B =  2 1 1 1  e C =  3 −2 −1 −1 
4 −3 −1 1 −2 1 2 2 −5 −1 0
encontre AB e encontre AC. O que observou?

1 0 0 0 0 1
9. Considerando A = , B= e C= , calcule (AB) C e A (BC).
0 0 1 0 0 0
10. Em cada item, faça a multiplicação AB entre as matrizes dadas abaixo:
24
 
1 0
 −2 3 
a) A =   eB= 0 6 1
 5 4  3 8 −2 2×3
0 1 4×2
 
−1
−2 0 1
b) A = eB= 2 
3 0 1 2×3
4 3×1
 
2 1
1 −1
c) A =  4 2  e B =
0 4 2×2
5 3 3×2
   
1 −1 1 1 2 3
d) A =  −3 2 −1  e B =  2 4 6  . Neste item, encontre também BA.
−2 1 0 1 2 3

1 2 2 0
11. Se A = eB= , calcule AB e BA. O que observa sobre o resultado do
3 −1 1 1
produto AB e BA?


4 −5
−4 6 −3
12. Dadas as matrizes A =  3 −7 e B =
 , calcule (AB)t .
−3 5 8
−2 4

x y 2 3 1 0
13. Ache x, y, z e w se = .
z w 3 4 0 1
14. Um construtor tem contratos para construir 3 estilos de casa: moderno, mediterrâneo e
colonial. A quantidade de material empregada em cada tipo de casa é dado por:
F erro M adeira V idro T inta T ijolo

Moderno 5 20 16 7 17
Mediterrâneo 7 18 12 9 21
Colonial 6 25 8 5 13
a) Represente as informações acima por meio de uma matriz C3×5 .
25
b) Se ele vai construir 5, 7 e 12 casas dos tipos moderno, mediterrâneo e colonial, res-
pectivamente, quantas unidades de cada material serão empregadas?(Sugestão: crie a
matriz quantidade, Q1×3 e calcule a matriz material M = Q1×3 .C3×5 )
c) Suponha agora que os preços por unidades de ferro, madeira, vidro, tinta e tijolo sejam,
respectivamente, 15, 8, 5, 1 e 10 reais. Com relação a esses materiais qual é o preço
unitário de cada tipo de casa?(Sugestão: crie a matriz preço-material P M5×1 e calcule
a matriz preço-casa P C = C3×5 .P M5×1 )
d) Se ele vai construir 5,7 e 12 casas dos tipos moderno, mediterrâneo e colonial, respecti-
vamente.Considerando os mesmos preços, use produto de matrizes para obter o custo
total de material empregado.
2
2 x y
15. Considerando A = A · A, calcule .
z w

2 6 x
16. Considerando que A = eX= , encontre AX.
−5 4 y
17. Considerando as matrizes dadas nos itens abaixo, verifique se as matrizes A e B são inversas.

2 5 3 −5
a) A = eB=
1 3 −1 2
   
1 0 2 −11 2 2
b) A =  2 −1 3  e B =  −4 0 1 
4 1 8 6 −1 −1
26
1.8 A função Determinante de uma Matriz Quadrada
No Ensino Médio você deve ter se deparado com o cálculo de determinante de matrizes 2 × 2 e
3 × 3, fazendo uso de algumas regras e fórmulas.
No entanto, nesta seção verificaremos que o ”determinante” é um certo tipo de função, que
associa a cada matriz quadrada um número real, independente da ordem da matriz quadrada.
Para tanto necessitaremos de alguns conceitos preliminares.
Definição 1.11 Uma permutação do conjunto de inteiros {1, 2, ..., n} é um rearranjo destes
inteiros em alguma ordem sem omissões ou repetições.
Exemplo 1.23 Existem 6 permutações distintas do conjunto de inteiros {1, 2, 3}
Exercı́cio 1.5 Liste todas as permutações dos inteiros {1, 2, 3, 4}.
Definição 1.12 Denotando por (j1 , j2 , ..., jn ) uma permutação arbitrária do conjunto {1, 2, ..., n}
dizemos que, ocorre uma inversão numa permutação sempre que um inteiro maior precede um
menor.
Exemplo 1.24 Determine o número de inversões nas seguintes permutações.

a) (6, 1, 3, 4, 5, 2)
5+0+1+1+1=8
b) (2, 4, 1, 3)
1+2+0=3
Observação 1.7 Para calcular o número de inversões de uma permutação devemos:

(1) encontrar a quantia de números menores que j1 e que estão depois de j1 na permutação;
(2) encontrar a quantia de números menores que j2 e que estão depois de j2 na permutação.
Continuar este processo até jn−1 e somar estas quantias. A soma destes números será o número
de inversões de uma permutação.
Definição 1.13 Uma permutação é chamada par se o número de inversões é um inteiro par e
é chamada ı́mpar se o número de inversões é ı́mpar.
27
Exercı́cio 1.6 Estude o número de inversões das permutações de {1, 2, 3} e classifique estas
permutações em par ou ı́mpar.
Definição 1.14 Seja A = [aij ]n×n uma matriz quadrada e (j1 , j2 , ..., jn ) uma permutação ar-
bitrária do conjunto {1, 2, ..., n} . O produto
a1j1 .a2j2 ...anjn
é dito um produto elementar de A.
Definição 1.15 Seja A uma matriz quadrada. A função determinante denotada por det é
definida da seguinte maneira:
X
det(A) = (−1)k a1j1 .a2j2 ...anjn
onde k é o número de inversões de (j1 , j2 , ..., jn ) ou seja, det(A) é definido como a soma de todos
os produtos elementares de A acompanhados do sinal: (+) se a permutação (j1 , j2 , ..., jn ) é par
ou (−) se (j1 , j2 , ..., jn ) é ı́mpar.
Exemplo 1.25 Cálculo do determinante de uma matriz de 2a ordem.

a11 a12
detA = = a11 a22 − a12 a21
a21 a22
Exemplo 1.26 Cálculo do determinante de uma matriz de 3a ordem.

a11 a12 a13

det A = a21 a22 a23 = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a31 a22 a13 − a32 a23 a11 − a33 a21 a12

a31 a32 a33
1.8.1 Algumas propriedades de determinante de uma matriz
Seja A uma matriz n × n.
1. Se todos os elementos de uma linha (ou coluna) de A são nulos, então detA = 0.
2. Se B é a matriz que resulta quando multiplicarmos uma única linha ou coluna de A por
uma constante k, então detB = k.detA.
3. Se B é a matriz que resulta quando duas linhas ou duas colunas de A são permutadas,
então detB = −detA.
28
4. Se B é a matriz que resulta quando uma linha de A é somada a um múltiplo de outra linha,
então detB = detA
5. O determinante de uma matriz que tem duas linhas (ou colunas) iguais é zero. Se uma
linha é múltipla de outra linha, então o determinante é zero.
6. det(A · B) = detA · detB.
7. det(An ) = (det A)n .
Teorema 1.5 Se A é uma matriz triangular n × n, então detA é o produto das entradas na
diagonal principal da matriz; ou seja,
det(A) = a11 .a22 ...ann .
1.8.2 Cálculo do determinante por triangularização
Usando as propriedades de determinante e o teorema acima, podemos calcular o determinante

de uma matriz quadrada qualquer reduzindo esta ao formato triangular superior usando as
operações elementares:
1. Li −→ k.Li , para k 6= 0
Neste caso, temos:

det(A) = D =⇒ det(B) = k.det(A)
Portanto, quando utilizarmos esta operação sobre A para triangularizá-la e ainda obter o
1
determinante de A, devemos lembrar de multiplicar o novo determinante pela fração ,
k
pois:
1
det(A) = D =⇒ det(B) = k.det(A) =⇒ det(A) = .det(B)
k
2. Li −→ Lj ,
Neste caso, temos:

det(A) = D =⇒ det(B) = −det(A)
29
Portanto, quando utilizarmos esta operação sobre A para triangularizá-la e ainda obter o
determinante de A, devemos lembrar de multiplicar o novo determinante por k = −1 pois
det(A) = D =⇒ det(B) = −1.det(A) =⇒ det(A) = −1.det(B)
3. Li → Li + k.Lj
Neste caso, sabemos que o determinante não se altera, ou seja,
det(A) = det(B)
Portanto, a operação pode ser utilizada sem que haja preocupações com mudanças no
determinante de A.
Aplicaremos este método de Redução por linhas em nossas aulas para o cálculo do determinante
das seguintes matrizes:
     
0 1 5 3 6 −9 0 3 1
A =  3 −6 9  , B =  0 0 −2  e C =  1 1 2  .
2 6 1 −2 1 5 3 2 4
Exercı́cio 1.7 Calcule o determinante das matrizes indicadas abaixo usando o Método de Redução
por linhas:
 
0 1 1 1
   
2 1 3 1  1 1 1

 1

2 2
1 2

0 1 1   
1. A = 
 0
 2. B =  
2 1 0   2 1 1


3 3 3
0 
0 1 2 3 



− 13 2
3
0 0
30
1.8.3 Desenvolvimento de Laplace: A expansão em cofatores
Observando o Exemplo (1.26) notamos que o determinante da matriz de ordem 3 × 3 pode ser
desenvolvimento em função de determinantes de submatrizes 2 × 2 como segue:
detA = a11 (a22 a33 − a23 a32 ) + a12 (−a21 a33 + a23 a31 ) + a13 (a21 a32 − a22 a31 ) (1)

a a
= a11 22 23 − a12 a21 a23 + a13 a21 a22

.
a32 a33 a31 a33 a31 a32
Observe que o determinante da matriz 3 × 3 pode ser expresso em função dos determinantes
de submatrizes 2 × 2, isto é,
detA = a11 M11 − a12 M12 + a13 M13 ,
no qual Mij é o determinante da submatriz obtida de A, onde a i-ésima linha e a j-ésima coluna
foram retiradas. Além disso, se chamarmos Cij = (−1)i+j Mij , obtemos a expressão
detA = a11 C11 + a12 C12 + a13 C13 .
Rearranjando os termos em (1), é possı́vel obter outras fórmulas como:
detA = a11 C11 + a21 C21 + a31 C31
= a12 C12 + a22 C22 + a32 C32
= a13 C13 + a23 C23 + a33 C33 .
= a21 C21 + a22 C22 + a23 C23
= a31 C31 + a32 C32 + a33 C33
Note que em cada uma dessas equações as entradas e os cofatores são todos da mesma linha
ou coluna. Estas equações são chamadas expansão em cofatores de det(A).
Estes resultados que acabamos de ver para matrizes 3 × 3 formam somente um caso especial
de um teorema geral, que enunciaremos a seguir:
31
Teorema 1.6 Expansão em Cofatores
O determinante de uma matriz A de tamanho n × n pode ser calculado multiplicando as
entradas de qualquer linha(ou coluna) pelos seus cofatores e somando os produtos resultantes, ou
seja,
n
X
detAn×n = ai1 Ci1 + · · · + ain Cin = aij Cij
j=1
(expansão em cofatores ao longo da i-ésima linha)
n
X
detAn×n = a1j C1j + · · · + anj Cnj = aij Cij
i=1
(expansão em cofatores ao longo da j-ésima coluna)
O número Cij é chamado cofator ou complemento algébrico do elemento aij , onde Cij é o
determinante afetado pelo sinal (−1)i+j da submatriz obtida de A retirando-se a i-ésima linha e
a j-ésima coluna.
 
3 1 −4
Exemplo 1.27 Encontre o determinante da matriz A =  2 5 6  usando Laplace.
1 4 8
Primeiro vamos calcular o determinante menor da entrada aij .

5 6
O menor de a11 é M11 = = 40 − 24 = 16;
4 8

2 6
O menor de a12 é M12 = = 16 − 6 = 10;
1 8

2 5
O menor de a13 é M13 = = 8 − 5 = 3. Então
1 4
detA = a11 M11 − a12 M12 + a13 M13 = 3(16) − 1(10) + (−4)3 = 26.
Exercı́cio 1.8 Encontre o determinante da matriz abaixo usando o método de Laplace.

 
2 4 3
A=  1 −5 7  resposta: detA = −343
−3 8 9
O desenvolvimento de Laplace é uma fórmula de recorrência que permite calcular o determi-

nante de uma matriz de ordem n, a partir dos determinantes das submatrizes quadradas de ordem
n − 1. Em grande parte dos casos ele simplifica muito o cálculo de determinantes, principalmente
se for utilizado em conjunto com outras propriedades dos determinantes.
32
1.8.4 Cálculo do determinante de uma matriz de ordem maior que 3
O cálculo de determinante de ordem maior que 3 envolve um número elevado de operações, por
isso, não é feito usando a definição. Usaremos métodos alternativos para calcular determinante
para ordem maior que 3.
O método de Laplace pode ser usado, ou poderá ser feito o cálculo do determinante por meio
de redução de linhas.
Exercı́cio 1.9 Aplique o método de Laplace para calcular o determinante de

 
−5 2 3 −4
 0 2 0 0 
A=  −5 2

−3 0 
−8 5 3 1
(Observe que é mais conveniente usar a linha 2, pois esta tem como elementos o maior
números de zeros e isso facilita os cálculos).

−5 2 3 −4
−5 3 −4
0 2 0 0
det A = = 0 + 2(−1)2+2 −5 −3 0 + 0 + 0 = 372.
−5 2 −3 0
−8 3 1
−8 5 3 1

−1 2 3 −4
4 2 0 0
Exercı́cio 1.10 Calcule detA = usando a linha (e depois a coluna) mais
−1 2 −3 0
2 5 3 1
apropriada.
1.9 Cálculo da Matriz Inversa usando Cofatores

Estamos em condições de obter uma fórmula para a inversa de uma matriz invertı́vel usando os
cofatores.
Definição 1.16 Se A é uma matriz n × n e Cij é o cofator de Aij , então a matriz
Cof = [Cij ]
é chamada matriz de cofatores de A ou Cofatora de A. A transposta desta matriz é

chamada adjunta de A e denotada por adj(A).
33
Exemplo 1.28 Seja  
3 2 −1
A= 1 6 3 
2 −4 0
Verifique que,  
12 4 12
adj(A) =  6 2 −10 
−16 16 16
Calcule então det(A) e verifique que,
1
A−1 = adj(A).
det(A)
Para generalizar este resultado, verificamos que
A.adj(A) = det(A).I
considerando o produto A.adj(A) e observando que a entrada na i-ésima linha e j-ésima coluna
do produto A.adj(A) é:
ai1 Cj1 + · · · + ain Cjn = 0, i 6= j
pois é o determinante de uma matriz A, obtida de A trocando a linha j pela linha i. E,
ai1 Ci1 + · · · + ain Cin = det(A), i = j
Assim, podemos enunciar o seguinte resultado:
Teorema 1.7 A inversa de uma Matriz usando a Adjunta

Se A é uma matriz invertı́vel, então
1
A−1 = adj(A).
det(A)
Exemplo 1.29 Usando a matriz A enunciada no exemplo (1.28) e o teorema (1.7) temos:
 
12 4 12
1 
A−1 = 6 2 −10 
64
−16 16 16
Exercı́cio 1.11 Calcule a inversa de A utilizando o teorema (1.7), sendo:

 
2 5 5
A =  −1 −1 0 
2 4 3
34
1.10 Cálculo da Matriz Inversa usando Operações Ele-
mentares
Nesta seção vamos desenvolver um algoritmo para encontrar a inversa de uma matriz invertı́vel
fazendo uso das operações elementares já enunciadas.
Definição 1.17 Uma matriz n × n que pode ser obtida da matriz identidade In executando uma
única operação elementar sobre linhas é chamada matriz elementar.
Teorema 1.8 Operações sobre Linhas por Multiplicação Matricial

Se a matriz elementar E resulta de efetuar uma certa operação sobre linhas em Im e se A
é uma matriz m × n, então o produto EA é a matriz que resulta quando esta mesma operação
sobre linhas é efetuada sobre A.
Este teorema nos auxiliará nos cálculos, pois é preferı́vel (e ágil) efetuar operações sobre
linhas diretamente sobre uma matriz A do que calcular o produto EA, multiplicando à esquerda
por uma matriz elementar.
Teorema 1.9 Qualquer matriz elementar é invertı́vel e a inversa é, também, uma matriz ele-
mentar.
Teorema 1.10 Afirmações Equivalentes

Se A é uma matriz n × n então as seguintes afirmações são equivalentes:
(a) A é invertı́vel.
(b) Usando operações elementares sobre as linhas de A obtermos a matriz In .
Ek ...E2 .E1 .A = In (2)
(c) A pode ser expressa como um produto de matrizes elementares.
A = (E1 )−1 .(E2 )−1 ...(Ek )−1 (3)
1.10.1 Um Método para Inverter Matrizes
Usando a equação (2) apontada anteriormente podemos escrever:
A−1 = Ek ...E2 .E1 .In (4).
35
Esta equação nos indica que A−1 pode ser obtida multiplicando In sucessivamente à esquerda
pelas matrizes elementares.
Por outro lado, observe que estas mesmas operações aplicadas sobre A faz com que obtemos
In .
Portanto, podemos enunciar o seguinte Método:
Para encontrar a inversa de uma matriz invertı́vel A, nós devemos encontrar uma
sequência de operações elementares sobre linhas que reduz A à identidade I. Estas
mesmas operações efetuadas em I nos dará A−1 .
Simbolicamente temos:
[A|I] ≈ [I|A−1 ]
Exemplo 1.30 Encontre a inversa de

 
1 2 3
A= 2 5 3 
1 0 8
Exemplo 1.31 Verifique se  

1 6 4
A =  2 4 −1 
−1 2 5
é invertı́vel.
Exemplo 1.32 Determine a inversa de

 
1 0 0 0
 1 3 0 0 
A=
 1

3 5 0 
1 3 5 7
1.11 Sugestão de Leitura e Estudo

• Anton, H.; Rorres, C. Álgebra Linear com Aplicações. 8a Ed.. Porto Alegre: Bookman,
2001. Seção 1.5 e Capı́tulo 2.
• Boldrini, J. L.. Álgebra Linear . 3a Ed.. São Paulo: Harbra Ltda, 1986. Capı́tulo Matrizes e
Sistemas Lineares.
• Steinbruch, A.; Winterle, P. Introdução à Álgebra Linear.São Paulo: Makron Books, 1990.
Apêndice.
• Santos, Nathan Moreira dos. Vetores e Matrizes - Uma introdução à Álgebra Linear .
4a Ed. São Paulo: Thompson Learning, 2007.
36
1.12 Exercı́cios de Fixação (Lista 2)
Exercı́cio 1.12 Encontrar a matriz inversa de cada uma das matrizes dadas.

3 5 −1 2 −5
a) A= resposta: A =
1 2 −1 3
 14
− 3 − 93 − 13
  
−3 4 −5 3
b) B= 0 1 2  resposta: B −1 =  −2 −1 −2 
3 −5 4 1 1 1
   
1 0 0 0 1 0 0 0
 , resposta: C −1 =  −2 1
 2 1 0 0   0 0 
c) C=  3 2 1 0   1 −2 1 0 .

4 3 2 1 0 1 −2 1
 1
− 2 0 − 12
  
1 0 −2
d) D =  2 −2 −2  resposta: D−1 =  14 − 21 − 41 .
−3 0 2 − 34 0 − 14
−4 25 −5
   
−4 0 −10
e) E =  −2 −4 −4  resposta: E −1 =  21 − 12 12 .
3
2 −2 6 2
−1 2
   11 4

−3 −6 −12 3 3
−2
f) F = 0 3 −3  resposta: F −1 =  − 32 0 1 
3
.
−6 −9 −24 2
− 3 − 3 311
   
1 2 3 −40 16 9
g) G =  2 5 3  resposta: G−1 =  −13 −5 −3 .
1 0 8 5 −2 −1
 
1 0 2
Exercı́cio 1.13 Seja dada a matriz A =  2 −1 3 , encontre sua inversa.
4 1 8
Exercı́cio 1.14 Encontre a inversa da matriz dada usando operações elementares.

2 13  √ √
   
0 0 2 0 −8 17 
2 √2 3√ 2 0
 1 0 0 1   4 0
5
−9 
a) 
 0 −1
 b)   c)  −4 2 2 0 
3 0   0 0 0 0 
0 0 1
2 1 5 −3 −1 13 4 2
   
−1 3 −4 2 6 6
d)  2 4 1  e)  2 7 6 
−4 2 −9 2 7 7
37
Exercı́cio 1.15 Encontre a inversa de cada uma das seguintes matrizes 4 × 4, onde k, k1 , k2 , k3 , k4
e k5 são todos não nulos.
     
k1 0 0 0 0 0 0 k1 k 0 0 0
 0 k2 0 0   0 0 k2 0   1 k 0 0 
a)  0 0 k3 0 
 b)  
 0 k3 0 0  c) 
 0

1 k 0 
0 0 0 k4 k4 0 0 0 0 0 1 k
 
k 1 0 0  
 0 k k k
k 1 0 
d) 
 0
 e)  0 k k 
0 k 1 
0 0 k
0 0 0 0
Exercı́cio 1.16 Calcule o determinante da matriz dada usando as propriedades de Determinante

e as operações elementares.
   
0 0 0 0 −3 5 0 0 0 0  
 0 0 0 −4 0  4 −9 9 2
 0 0 0 −4 0   −2 5
    6 4 
a)  0 0 −1 0 0  b)  0 0 3 0 0  c)  

 0 2 0
    1 2 −5 −3 
0 0   0 0 0 1 0 
1 −2 0 −2
5 0 0 0 0 0 −2 0 0 0
 
  1 3 1 5 3
2 1 3 1
 1 0
 −2 −7 0 −4 2 
1 1   
d) 
 0 2
 e)  0 0 1 0 1 
1 0   
 0 0 2 1 1 
0 1 2 3
0 −0 0 1 1

a b c

Exercı́cio 1.17 Sabendo que d e f = −6, encontre

g h i

d e f 3a 3b 3c a+g b+h c+i

a) g h i b) −d −e −f c) d e f

a b c 4g 4h 4i g h i

−3a −3b −3c 3d 3e 3f

d)
d e f
e) a b c
g − 4d h − 4e i − 4f g h i
Exercı́cio 1.18 Use det(A) para determinar quais das seguintes matrizes são invertı́veis.
     √ √   
1 0 −1 4 2 8 √2 − √7 0 −3 0 1
a)  9 −1 4  b)  −2 1 −4  c)  3 2 −3 7 0  d)  5 0 6 
8 9 −1 3 1 6 5 −9 0 8 0 3
38
 
3 0 6
e)  1 0 2 
2 3 7
Exercı́cio 1.19 Seja

 
a b c
A= d e f 
g h i
Supondo que det(A) = −7, obtenha

 
a d g
a) det(3A) b) det(A−1 ) c) det((2A)−1 ) d) det(2A−1 ) e) det  b e h 
c f i
Exercı́cio 1.20 Estude o determinante de A por cofatores da linha ou coluna mais apropriada
1
e use A−1 = detA .adjA para o cálculo da inversa de A.
 
    3 3 0 5
2 −3 5 2 0 0  2 2 0 −2 
a)  0 1 −3  b)  8 1 0  c)  
 4 1 −3 0 
0 0 2 −5 3 6
2 10 3 2
 
4 0 0 1 0  

 3 3 3 −1 0 
 2 0 3
d) 
 1 2 4 2 3  e)  0 3 2 
 9 4 6 2 3  −2 0 −4
2 2 4 2 3
1.13 Sistemas de Equações Lineares

Os sistemas de equações algébricas lineares e suas soluções constituem um dos principais tópicos
estudados em cursos de Álgebra Linear. Nesta seção iremos introduzir alguma terminologia
básica e discutir um método para resolver estes sistemas.
Definição 1.18 Equação Linear Definimos uma equação linear nas n variáveis x1 , x2 , ..., xn
como uma equação que pode ser expressa na forma
a1 x1 + a2 x2 + ... + an xn = b
onde a1 , a2 , ..., an e b são constantes reais. As variáveis de uma equação linear são chamadas
incógnitas.
39
Observação 1.8 Uma equação linear não envolve quaisquer produtos ou raı́zes de variáveis.
Todas as variáveis ocorrem somente na primeira potência e não aparecem como argumentos de
funções trigonométricas ou exponenciais.
Exemplo 1.33 As equações

x + 3y = 7, y = 12 x + 3z + 1 e x1 − 2x2 − 3x3 + x4 = 7 são lineares. Já as equações,
√
x + 3 y = 5, 3x + 2y − z + xz = 4 e y = senx
são não-lineares.
Exercı́cio 1.21 Classifique as equações em lineares ou não lineares.

√ 1
a) x1 + 3x2 + x1 x3 = 2 b) x−21 + x2 + 8x3 = 5 c) πx1 − 2x2 + 31 x3 = 7 3
Definição 1.19 Uma solução de uma equação linear a1 x1 + a2 x2 + ... + an xn = b é uma n-upla
(s1 , s2 , ..., sn ) tais que a equação é satisfeita quando substituı́mos x1 = s1 , x2 = s2 , ..., xn = sn . O
conjunto de todas as soluções de uma equação é chamado seu conjunto-solução ou solução
geral da equação.
Definição 1.20 Um conjunto finito de equações lineares nas variáveis (x1 , x2 , . . . , xn ) é chamado
de sistema de equações lineares ou um sistema linear. A n-upla (x1 , x2 , . . . , xn ) é chamada
solução do sistema se x1 = s1 , x2 = s2 , ..., xn = sn é solução de cada uma das equações:


 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · · + a2n xn = b2

S1 : .. .. .. (1.13.1)


 . . · · · .
 a x + a x + ··· + a x = b
m1 1 m2 2 mn n m
onde bi , aij , 1 ≤ i ≤ m, 1 ≤ i ≤ n, pertencem a R. O conjunto de equações 1.13.1 chama-se

sistema de m equações lineares com n incógnitas.
O sistema S1 pode ser escrito como AX = B, onde

     
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n   x2   b2 
A =  .. .. .. X =  ..  B= ..
     
 . ...  
. .   .   . 
am1 am2 · · · amn xm bm
matriz dos coeficientes matriz das incógnitas matriz dos termos independentes
Outra matriz associada ao sistema é:
40
 
a11 a12 · · · a1n b1
 a21 a22 · · · a2n b2 
.. .. . . . ....  , chamada matriz ampliada do sistema.
 

 . . .. 
am1 am2 · · · amn bm
Observação 1.9 O sistema S1 é dito homogêneo se b1 = b2 = · · · = bm = 0.

 x − 2y + z = 0
Exemplo 1.34 A forma matricial do sistema S1 : 2x + y − z = 0 é
3x − y + 2z = 0

    
1 −2 1 x 0
 2 1 −1   y  =  0 
3 −1 2 z 0
 
1 −2 1 0
e a matriz ampliada associada ao sistema é: 2 1 −1 0 
3 −1 2 0
Exercı́cio 1.22 Encontre a matriz ampliada de cada um dos seguintes sistemas de equações
lineares.
 3x − 2y = −1
(a) 4x + 5y = 3
7x + 3y = 2


 2x + 2z = 1
(b) 3x − y + 4z = 7
6x + y − z = 0


 x + 2y − t + w = 1
(c) 3y + z − w = 2
z + 7w = 1

Nosso objetivo agora, é estudar um método para resolução de sistemas em geral. O processo
consiste em substituir o sistema inicial por um sistema ”equivalente” cada vez mais simples,
fazendo a eliminação sucessiva das incógnitas através de operações elementares (já apresen-
tadas no estudo das Matrizes e Determinantes) até que possamos visualizar facilmente a solução
do sistema.
1.13.1 Operações Elementares sobre as equações de um Sistema
1. Multiplicar uma equação inteira por uma constante não nula.
41
2. Trocar duas equações entre si.
3. Somar um múltiplo de uma equação a uma outra equação
1.13.2 Operações Elementares sobre as linhas da matriz ampliada
Como as linhas (horizontais) de uma matriz aumentada correspondem às equações no sistema
associado, as três operações elementares aplicadas sobre as equações de um sistema linear
correspondem às seguintes operações nas linhas da matriz ampliada do sistema:
1. Multiplicação de uma linha inteira por um escalar c não-nulo (Li −→ cLi );
2. Permutação da i -ésima linha pela j -ésima linha (Li ←→ Lj ).
3.Substituição da i -ésima linha pela i -ésima linha mais c vezes a j -ésima linha (Li −→ Li +cLj );
Exemplo 1.35 Determine a solução do sistema abaixo, realizando operações elementares sobre
as linhas da matriz ampliada.

 x + y + 2z = 9
2x + 4y − 3z = 1
3x + 6y − 5z = 0

1.14 Eliminação Gaussiana

Apresentaremos um procedimento para reduzir a matriz ampliada de um sistema a uma outra
matriz ampliada ”escalonada”.
Definição 1.21 Uma matriz A chama-se escalonada ou dizemos que está na forma escalonada,
se o número de zeros precedendo o primeiro elemento não-nulo de cada linha aumenta por linhas
e se aparecerem linhas nulas, estas devem estar abaixo de todas as outras linhas.
Definição 1.22 Uma matriz A chama-se escalonada reduzida por linhas se:
a) está na escalonada;
42
b) o primeiro elemento não-nulo de cada linha não-nula de A for igual a 1. Chamamos este
número 1 de pivô;
c) cada coluna de A que contém o primeiro elemento não-nulo de alguma linha de A tiver
todos os outros elementos iguais a zero.
   
1 0 0 0 0 2 1
Exemplo 1.36 Dadas as matrizes A =  0 1 −1 0  B =  1 0 −3 
0 0 1 0 0 0 0
   
0 1 −3 0 1 0 1 −3 0 2
C= 0 0 0
 0 0  D= 0 0 0 1 2 

0 0 0 −1 2 0 0 0 0 0
Quais são escalonadas e quais são escalonadas reduzidas por linhas?
Definição 1.23 Se A e B são matrizes de ordem m × n, diremos que A é equivalente por

linhas a B se B pode ser obtida de A após um número finito de operações elementares sobre as
linhas de A.
Notação: A ∼ B
  
1 0 1 0
Exemplo 1.37 A matriz A =  4 −1  é equivalentes por linhas a B =  0 1 
−3 4 0 0
Teorema 1.11 Toda matriz é equivalente por linhas a uma única matriz escalonada reduzida
por linhas.
Definição 1.24 Dois sistemas lineares são equivalentes se, e somente se, toda solução de um
deles, é também solução do outro.
Teorema 1.12 Todo sistema de equações lineares homogêneo, cujo número de equações é menor
que o número de incógnitas, possui solução não-nula, isto é, possui infinitas soluções.
43
Teorema 1.13 Dois sistemas de equações lineares que possuem matrizes ampliadas equivalentes
são equivalentes.
Definição 1.25 O posto de uma matriz A é o número de linhas não nulas de alguma matriz
escalonada , equivalente a A.

1 3 1 0
Exemplo 1.38 Determine o posto da matriz A =  2 6 2 0 .
1 −3 −1 0
1.14.1 Classificação de um Sistema Linear quanto à Solução
No teorema a seguir veremos que um sistema só admite uma (e somente uma) das seguintes
classificações:
SPD: Sistema Possı́vel Determinado, com uma única solução.
SPI: Sistema Possı́vel Indeterminado, com infinitas soluções.
S.I: Sistema Impossı́vel, sem nenhuma solução.
O estudo do posto de uma matriz nos auxiliará na classificação de um sistema linear.
Teorema 1.14 Consideremos um sistema linear de m equações a n variáveis. Seja Pc o posto

da matriz dos coeficientes e Pα o posto da matriz ampliada do sistema.
a) Se Pc = Pα = p, então o sistema tem solução única no caso em que n = p (SPD)
e tem infinitas soluções se p < n; (SPI)
b) Se Pc 6= Pα então o sistema não tem solução. ( SI)
Observação 1.10 No caso de um sistema de n incógnitas apresentar infinitas soluções, p variáveis

podem ser escrita em função de outras n − p escolhidas convenientemente. Estas n − p variáveis
são chamadas de variáveis livres e o número (n − p) denota o grau de liberdade do sistema.
Quando aplicamos operações elementares sobre as linhas da matriz ampliada associada a

um sistema até transformarmos na forma escalonada, obtemos um novo sistema equivalente
que pode ser resolvido por substituição de trás para frente, também dita retro substituição.
44
1.14.2 O Método de Gauss
1. Escreva a matriz ampliada A do sistema;
2. Use operações elementares sobre as linhas da matriz A até transformá-la numa matriz A′
escalonada;
3. Fazendo substituição de trás para frente, resolva o sistema equivalente associado a A′ .

 x + 2y + z = 0
Exemplo 1.39 Determine a solução do sistema S : −x + 3z = 5 utilizando o Método de
x − 2y + z = 1

Gauss.
1.14.3 O Método de Gauss-Jordan
Neste método, procedemos como no método de eliminação de Gauss, mas reduzimos ainda mais
a matriz ampliada até à forma escalonada reduzida por linha.
1. Escreva a matriz ampliada A do sistema;
2. Use operações elementares sobre as linhas de A até transformá-la numa matriz A′ escalo-
nada reduzida por linhas;
3. Se o sistema for possı́vel e determinado, a matriz A′ indica a solução;
4. Se o sistema resultante for possı́vel e indeterminado, resolva-o para as variáveis dependentes

em termos de quaisquer variáveis livres que tenham sobrado.
Exemplo 1.40 Determine a solução do sistema abaixo usando eliminação de Gauss-Jordan.


 2x + 4y + 6z = −6
3x + −2y − 4z = −38
x + 2y + 3z = −3

Exercı́cio 1.23 Determine a solução de cada sistema abaixo usando eliminação de Gauss-
Jordan.
45

 2x + 2y + z = 5
(a) −x − y = −2
x + 2y + 3z = 6



 2x + 2y − z + w = 0
−x − y + 2z − 3t + w = 0

(b)

 x + y − 2z − w = 0
z+t+w =0


 2x + 2y + z = 2
(c) −x − y = 0
x+y+z =5

46
1.15 Exercı́cios de Fixação ( Lista 3)
1. Considere as matrizes
     
3 0 1 5 2 6 1 3
4 −1 1 4 2
A =  −1 2  , B = , C= , D =  −1 0 1  , E =  −1 1 2 
0 2 3 1 5
1 1 3 2 4 4 1 3
Calcule, quando possı́vel:
a) D + E b) D − E c) 2B − C d) 4E − 2D e) − 3(D + 2E).
2. Usando as matrizes do Exercicio 1, calcule (se possı́vel):

a) tr(D) b) 4tr(7B) c) tr(DDT ) d) tr(4E T − D) e) tr(C T AT + 2E T ).
3. Usando as matrizes do Exercicio 1, calcule os seguintes (quando possı́vel).

a) (2DT −E)A b) (4B)C+2B c) (−AC)T +5DT d) (BAT −2C)T e) B T (CC T −AAT ).
4. Sejam
   
3 −2 7 6 −2 4
A= 6 5 4  e B= 0 1 3 
0 4 9 7 7 5
Use a definição de produto de matrizes da página 9 do Capı́tulo 1 para encontrar
a) a primeira linha de AB b) a terceira linha de AB c) a segunda coluna de AB
d) a primeira coluna de BA e) a terceira coluna de AA.
5. Em cada item, encontre uma matriz [aij ] de tamanho 6 × 6 que satisfaz a condição dada.
Dê respostas tão gerais quanto possı́vel, usando letras e não números para entradas não
nulas especı́ficas. Classifique as matrizes obtidas quanto ao tipo, utilizando a seção 1.2.
a) aij = 0 se i 6= j b) aij = 0 se i > j c) aij = 0 se i < j
d) aij = i + j e) aij = i − j
6. Sejam
   
2 −1 3 8 −3 −5
A= 0 4 5 , B =  0 1 2 , e
−2 1 4 4 −7 6
 
0 −2 3
C = 1 7 4  , a = 4, b = −7.

3 5 9
Mostre que
47
a) A + (B + C) = (A + B) + C b) (AB)C = A(BC) c) a(B − C) = aB − aC
d) (AT )T = A e) (AB)T = B T .AT .
7. Use o Teorema 1.3 para calcular as inversas das seguintes matrizes.

3 1 2 −3 6 −4
a) A = b) B = c) C =
5 2 4 4 −2 −1

2 0 3 0
d) D = e) E = .
0 3 0 2
8. Use as matrizes A e B do exercı́cio anterior para verificar que
a) (A−1 )−1 = A b) (B T )−1 = (B −1 )T c) (AB)−1 = B −1 .A−1
d) (ABC)−1 = C −1 .B −1 .A−1 e)(CA)−1 = A−1 .C −1 .
9. Em cada parte use a informação dada para encontrar A.

−1 2 −1 −1 −3 7 T −1 −3 −1
a) A = b) (7A) = c) (5A ) =
3 5 1 −2 5 2

−1 −1 2 −1 2 3
d) (I + 2A) = e) A = .
4 5 −1 5
10. Mostre que
 
a11 0 · · · 0
 0 a22 · · · 0 
a) An×n = 
 · · · · · · · · · · · ·  é invertı́vel e encontre sua inversa,

0 0 · · · ann
sabendo que a11 .a22 . · · · .ann 6= 0
b) Uma matriz An × n com uma linha de zeros não pode ter inversa.
c) Uma matriz An × n com uma coluna de zeros não pode ter inversa.
d) Se A, B são matrizes quadradas tais que AB = 0 e A é invertı́vel então, B = 0.
e) Se A é uma matriz quadrada tal que Li = k.Lj então A não é invertı́vel.
11. Encontre uma operação sobre linhas que retorna a matriz elementar dada a uma matriz
identidade.
0 − 17
     
  0 0 0 1 1 0 2 0 0 2
1 0 0
1 0  0 1 0 0   0 1 0 0 
  0 1 0 0 
a) b)  0 1 0  c)   d)  e)  
−3 1  0 0 1 0   0 0 1 0   0 0 1 0 
0 0 3
1 0 0 0 1 0 0 0 0 0 0 1
12. Encontre a inversa da matriz dada usando operações elementares.
48
−8 17 2 13 √ √
   
0 0 2 0  
 1 0 0 1   4 0 2 −9  √2 3√ 2 0
a)   b)  5  c)  −4 2 2 0 
 0 −1 3 0   0 0 0 0 
0 0 1
2 1 5 −3 −1 13 4 2
   
−1 3 −4 2 6 6
d)  2 4 1  e)  2 7 6 
−4 2 −9 2 7 7
13. Encontre a inversa de cada uma das seguintes matrizes 4 × 4, onde k, k1 , k2 , k3 , k4 e k5 são
todos não nulos.
     
k1 0 0 0 0 0 0 k1 k 0 0 0
 0 k2 0 0   0 0 k2 0   1 k 0 0 
a) 
 0 0 k3 0
 b)  
 0 k3 0 0  c) 
 0

 1 k 0 
0 0 0 k4 k4 0 0 0 0 0 1 k
 
k 1 0 0  
 0 k k k
k 1 0 
d) 
 0
 e)  0 k k 
0 k 1 
0 0 k
0 0 0 0
14. Calcule o determinante da matriz dada usando as propriedades de Determinante e as
operações elementares.
   
0 0 0 0 −3 5 0 0 0 0  
 0 0 0 −4 0 4 −9 9 2
  0 0 0 −4 0   −2 5
    6 4 
 0 0 −1 0
a)  0 b)  0 0 3 0 0  c) 
 
 0 2 0
    1 2 −5 −3 
0 0   0 0 0 1 0 
1 −2 0 −2
5 0 0 0 0 0 −2 0 0 0
 
  1 3 1 5 3
2 1 3 1
 1 0
 −2 −7 0 −4 2 
1 1   
d) 
 0 2
 e)  0 0 1 0 1 
1 0   
 0 0 2 1 1 
0 1 2 3
0 −0 0 1 1

a b c

15. Sabendo que d e f = −6, encontre
g h i

d e f 3a 3b 3c a+g b+h c+i

a) g h i b) −d −e −f c) d e f

a b c 4g 4h 4i g h i
49

−3a −3b −3c 3d 3e 3f

d)
d e f
e) a b c
g − 4d h − 4e i − 4f g h i
16. Use det(A) para determinar quais das seguintes matrizes são invertı́veis.
     √ √   
1 0 −1 4 2 8 √2 − √ 7 0 −3 0 1
a)  9 −1 4  b)  −2 1 −4  c)  3 2 −3 7 0  d)  5 0 6 
8 9 −1 3 1 6 5 −9 0 8 0 3
 
3 0 6
e)  1 0 2 
2 3 7
17. Seja
 
a b c
A= d e f 
g h i
Supondo que det(A) = −7, obtenha

 
a g d
a) det(3A) b) det(A−1 ) c) det((2A)−1 ) d) det(2A−1 ) e) det  b h e 
c i f
1
18. Use A−1 = detA
.adjA para o cálculo da inversa de A e estude o determinante de A por
cofatores da linha ou coluna mais apropriada.
 
    3 3 0 5
2 −3 5 2 0 0  2 2 0 −2 
a) 0 1
 −3  b)  8 1 0  c)  
 4 1 −3 0 
0 0 2 −5 3 6
2 10 3 2
 
4 0 0 1 0  

 3 3 3 −1 0 
 2 0 3
d) 
 1 2 4 2 3  e)  0 3 2 
 9 4 6 2 3  −2 0 −4
2 2 4 2 3
50
19. Quais das seguintes matrizes 3 × 3 estão em forma escalonada?
     
1 2 0 1 0 0 1 3 4
a) 0 1
 0  b)  0 1 0  c)  0 0 1 
0 0 0 0 2 0 0 0 0
   
1 5 −3 1 2 3
d)  0 1 1  e)  0 0 0 
0 0 0 0 0 1
20. Quais das seguintes matrizes 3 × 3 estão em forma escalonada reduzida por linhas?
     
1 0 0 0 1 0 1 0 0
a) 0 1
 0  b)  0 0 1  c)  0 0 1 
0 0 0 0 0 0 0 0 0
   
1 1 0 1 0 2
d)  0 1 0  e)  0 1 3 
0 0 0 0 0 0
21. Em cada parte, determine se a matriz está em forma escalonada, escalonada reduzida por
linhas, ambas ou nenhuma das duas.
 
1 2 0 3 0  
 0 1 0 0 5
0 1 1 0   1 0 3 1
a) 
 0 b)  0 0 1 3  c)
0 0 0 1  0 1 2 4
0 1 0 4
0 0 0 0 0
 
1 3 0 2 0
1 −7 5 5  1 0 2 2 0 
d) e)  
0 1 3 2  0 0 0 0 1 
0 0 0 0 0
22. Em cada parte, suponha que a matriz de um sistema de equações lineares foi reduzida
por operações sobre linhas à forma escalonada ou à forma escalonada reduzida por linhas.
Resolva o sistema.
     
1 0 0 −3 1 0 0 −7 8 1 0 8 −5 6
a)  0 1 0 0  b)  0 1 0 3 2  c)  0 1 4 −9 3 
0 0 1 7 0 0 1 1 −5 0 0 1 1 2
51
   
1 −3 0 0 1 −3 7 1
d)  0 0 1 0  e)  0 1 4 0 
0 0 0 1 0 0 0 1
23. Resolva cada um dos seguintes sistemas por eliminação de Gauss.
 
 x + y + 2z = 8  2x + 2y + 2z = 0
(a) −x − 2y + 3z = 1 (b) −2x + 5y + 2z = 1
3x − 7y + 4z = 10 8x + y + 4z = −1
 

x − y + 2z − w = −1 
 −2y + 3z = 1


2x + y − 2z − 2w = −2

(c) (d) 3x + 6y − 3z = −2
−x + 2y − 4z + w = 1
6x + 6y + 3z = 5

 
3x − 3w = −3



 3x + 2y − z = −15
5x + 3y + 2z = 0

(e)

 3x + y + 3z = 11
−6x − 4y + 2z = 30

24. Resolva cada um dos seguintes sistemas por eliminação de Gauss-Jordan.



 10y − 4z + w = 1 
 x + 4y − z + w = 2  x − 2y + z − 4w = 1


(a) 3x + 2y + z + 2w = 5 (b) x + 3y + 7z + 2w = 2
−2x − 8y + 2z − 2w = −4 x − 12y − 11z − 16w = 5

 


x − 6y + 3z = 1


w + 2x − y = 4 
 2x − 3y + 4z − w = 0


x−y =3

(c) (d) 7x + y − 8z + 9w = 0
w + 3x − 2y = 7
2x + 8y + z − w = 0

 
2u + 4v + w + 7x = 7



 2x + 2y + 4z = 0
−y − 3z + w = 0

(e)

 3x + y + z + 2w = 0
x + 3y − 2z − 2w = 0

25. Resolva os seguintes sistemas por eliminação de Gauss ou elimação de Gauss-Jordan.


 v + 3w − 2x = 0
 2x − y − 3z = 0


2u + v − 4w + 3x = 0

(a) −x + 2y − 3z = 0 (b)
2u + 3v + 2w − x = 0
x + y + 4z = 0
 

−4u − 3v + 5w − 4x = 0

52

x + 3y + w = 0 
2x − y + 3z + 4w = 9


 x + 4y + 2z = 0

 

x − 2z + 7w = 11

(c) −2y − 2z − w = 0 (d)
3x − 3y + z + 5w = 8
2x − 4y + z + w = 0

 

2x + y + 4z + 4w = 10

 
x − 2y − z + w = 0



 z+w+t=0
−x − y + 2z − 3w + t = 0

(e)

 x + y − 2z − t = 0
2x + 2y − z + t = 0

26. As situações apontadas a seguir ilustram aplicações da resolução de sistemas lineares.

a) (F uvest2008) João entrou na lanchonete BOB pediu 3 hambúrgues, 1 suco de laranja e
2 cocadas, gastando R$21, 50. Na mesa ao lado, algumas pessoas pediram 8 hambúrgues, 3
sucos de laranja e 5 cocadas, gastando R$57, 00. Sabendo que o preço de um hambúrguer,
mais o de um suco de laranja, mais o de uma cocada totaliza R$10, 00, calcule o preço de
cada um desses itens.
b) (U nesp2007) Uma pessoa consumiu na segunda-feira, no café da manhã, 1 pedaço de

bolo e 3 pãezinhos, o que deu um total de 140 gramas. Na terça-feira, no café da manhã,
consumiu 3 pedaços de bolo e 2 pãezinhos (iguais aos do dia anterior e de mesma massa),
totalizando 210 gramas. Cada 100 gramas de bolo e de pãozinho fornecem (aproximada-
mente) 420 kcal e 270kcal de energia, respectivamente. Usando estas informações, deter-
mine a quantidade em gramas de cada pedaço de bolo e de cada pãozinho e calcule o total
de quilocalorias (kcal) consumido pela pessoa, com esses dois alimentos, no café da manhã
de segunda-feira.
c) (F uvest2005) Um supermercado adquiriu detergentes nos aromas limão e coco. A com-

pra foi entregue, embalada em 10 caixas, com 24 frascos em cada caixa. Sabendo-se que
cada caixa continha 2 frascos de detergentes a mais no aroma limão do que no aroma coco,
determine o número de frascos entregues, no aroma limão.
d) Uma copeira lavou os 800 copos usados em uma festa. Ela recebeu R$0, 05 por copo
que lavou e teve de pagar R$0, 25 por copo que quebrou. Terminado o serviço, a copeira
recebeu R$35, 80. Determine o número de copos que ela quebrou.
53
e) (F uvest2002) Carlos, Luı́s e Sı́lvio tinham, juntos, 100 mil reais para investir por um
ano. Carlos escolheu uma aplicação que rendia 15% ao ano. Luı́s, uma que rendia 20% ao
ano. Sı́lvio aplicou metade de seu dinheiro em um fundo que rendia 20% ao ano, investindo
a outra metade numa aplicação de risco, com rendimento anual pós-fixado. Depois de um
ano, Carlos e Luı́s tinham juntos 59 mil reais; Carlos e Sı́lvio, 93 mil reais; Luı́s e Sı́lvio,
106 mil reais. Determine, quantos reais cada um tinha inicialmente e qual o rendimento
da aplicação de risco.
54
Capı́tulo 2
Vetores
Existem grandezas chamadas escalares, exemplos: área, comprimento, massa, etc...

que ficam completamente determinadas assim que for dada sua magnitude. Outras quantidades
fı́sicas no entanto requerem mais do que isso. Por exemplo, uma força ou uma velocidade, para
que fiquem bem definidas precisamos dar a direção, a intensidade e o sentido. Tais grandezas
são chamadas vetoriais.
2.1 Segmentos Orientados

Dois pontos A e B do espaço determinam uma reta r. O conjunto dos pontos de r que estão
entre A e B é um segmento de reta AB que podemos orientar considerando um dos pontos como
origem e outro como extremidade. Denotaremos por AB o segmento orientado de origem em A
e extremidade em B.
Figura 2.1: segmento AB
O segmento AA é dito segmento nulo.
Observação 2.1
a) Tamanho ou comprimento de um segmento orientado AB é o comprimento do segmento
geométrico AB.
43
b) Dizemos que os segmentos orientados AB e A′ B ′ tem mesma direção se a reta determinada
por A e B é paralela a reta determinada por A’ e B’.
c) Se os segmentos orientados AB e A′ B ′ tem mesma direção eles terão o mesmo sentido se
AA′ BB ′ = ∅
T
Definição 2.1 Diremos que um segmento orientado AB é equipolente ao segmento orientado

A′ B ′ , se ambos são nulos ou possuem mesma direção, mesmo tamanho e mesmo sentido.
Propriedades da relação de equipolência:

(a) Reflexividade: AB é equipolente a AB.
(b) Simetria: Se AB é equipolente a A′ B ′ , então A′ B ′ é equipolente a AB.
(c) Transitividade: Se AB é equipolente a A′ B ′ e se A′ B ′ é equipolente a A′′ B ′′ , então AB
é equipolente a A′′ B ′′ .
2.2 Vetores
Imagine um sólido em translação, a velocidade de cada ponto desse sólido é a mesma. Então qual
das flexas (que obtemos em cada ponto do sólido) seria escolhida para representar a velocidade
do sólido? Observe que todas são equipolentes. Assim poderı́amos representar a velocidade por
qualquer uma delas.
Definição 2.2 O conjunto de todos os segmentos orientados equipolentes a AB, será chamado
−→
de vetor determinado pelo segmento orientado AB, e denotaremos por AB.
−→
Diremos que o segmento orientado AB é um representante do vetor AB. Assim dado um
vetor, em cada ponto do espaço, sempre existirá um, e somente um, representante desse vetor.
−→ →
−
Notações: podemos simplesmente denotar o vetor AB por − →a ou b .
Observação 2.2
−→ −−→
1. Dois vetores AB e CD são iguais se, e somente se, AB é equipolente a CD.
2. O vetor nulo é o vetor cujo representante é um segmento orientado nulo.

→
−
Notação: 0
44
3. A norma (módulo ou comprimento) de um vetor →
−
a é o comprimento de qualquer
segmento orientado representante desse vetor.
Notação: k −
→
a k,
4. Um vetor →
−
a é unitário se k −
→
a k= 1.
−→ −→
5. Se →
−
a = AB então o vetor oposto de →
−
a é ao vetor BA.
−→
Notação: −AB ou −~a.
−→ → − −−→
6. Dois vetores −
→
a = AB e b = CD são colineares ou paralelos se tiverem a mesma
direção, isto é, se seus representantes AB e CD pertencerem a uma mesma reta ou a retas
paralelas.
Figura 2.2: vetores colineares
7. Três ou mais vetores são coplanares se possuem representantes pertencentes a um mesmo

plano.
Figura 2.3: vetores coplanares
45
Note que dois vetores quaisquer são sempre coplanares no entanto, três vetores poderão ou
não ser coplanares.
Figura 2.4: vetores coplanares e não-coplanares
2.3 Adição de Vetores

Definição 1.3 Sejam − →u e−→
v dois vetores do espaço, a soma desses vetores, representada por
→
−u +−→v , é o vetor determinado da seguinte maneira: posicione o vetor −→v de tal maneira que
→
− →
− →
−
seu ponto inicial coincide com o ponto final de u . O vetor u + v é representado pela flecha do
ponto inicial de u ao ponto final de v.
Propriedades da adição
Para quaisquer vetores ~a, ~b e ~c temos:
1. ~u + ~v = ~v + ~v
2. (~u + ~v ) + w
~ = ~u + (~v + w)
~
3. ~u + ~0 = ~0 + ~u = ~u
4. ~u + (−~u) = −~u + ~u = ~0
46
Regra do paralelogramo
−→ −→
Consideremos o paralelogramo com vértices ABCD e os vetores ~a = AB e ~b = AC. Temos
que o vetor soma ~s = ~a +~b é representado pelo segmento orientado AD, que é uma das diagonais
do paralelogramo e que o vetor diferença d~ = ~a − ~b = ~a + (−~b), representado pelo segmento
orientado CB, é a outra diagonal do paralelogramo.
Figura 2.5: regra do paralelogramo
Observação 2.3 Para obter a diferença a − b sem construir −b, posicione a e b de tal modo que
seus pontos iniciais coincidam; o vetor do ponto final de b ao ponto final de a é o vetor a − b.
2.4 Produto por Escalares

Seja k um número real e AB um representante do vetor ~u, o produto do vetor ~u pelo escalar k,
denotado por k~u é definido por:
1. k~u = ~0, se k = 0 ou ~u = ~0;
2. Se ~u 6= ~0 e k 6= 0, k~u é o vetor de mesma direção de ~u cujo comprimento é | k | vezes o
comprimento de ~u e o sentido é o mesmo de ~u se k > 0 e oposto ao de ~u se k < 0.
Propriedades do produto por escalares
Para quaisquer vetores ~u e ~v e k e t números reais temos:
1. (k + t)~u = k~u + t~u
2. k(~u + ~v ) = k au
~ + k~v
3. k(t~u) = (kt)~v
4. 1~u = ~u e (−1)~u = −~u
47
Exercı́cio 2.1 Dados os vetores ~a, ~b e ~c, de acordo com a figura, construir o vetor
1
~s = 2~a − 3~b + ~c
2
−→ −−→
Exercı́cio 2.2 Considere o paralelogramo ABCD determinado pelos vetores AB e AD, seja M
e N pontos médios dos lados DC e AB, respectivamente. Complete convenientemente:
−−→ −→
a) AD + AB = ...............
−→ −−→
b) BA + DA = ...............
−→ −−→
c) AC − BC = ...............
−−→ −−→
d) AN + BC = ...............
−−→ −−→
e) M D + M B = ...............
−−→ 1 −−→
f ) BM − DC = ...............
2
Exercı́cio 2.3 No tetraedro e no paralelepı́pedo retângulo, achar a soma dos vetores indicados :
−→ −→ −→ −−→ −→ −−→
Exercı́cio 2.4 No hexágono regular, obter: a) AB+F E+AF b) AD-AE+BE
48
2.5 Ângulo entre dois vetores
−→ −→
O ângulo entre dois vetores não-nulos ~a e ~b, com representantes AB e AC, respectivamente,
denotado por (~a, ~b), é ângulo formado pelas semi-retas AB e AC tal que 0 ≤ (~a, ~b) ≤ π.
Observação 2.4
1. Se (~a, ~b) = π, ~a e ~b têm a mesma direção e sentidos contrários.
2. Se (~a, ~b) = 0, ~a e ~b têm a mesma direção e o mesmo sentido.
π
3. Se (~a, ~b) = , ~a e ~b são ortogonais. Indicamos ~a ⊥ ~b.
2
Neste caso, temos k~a + ~bk2 = k~ak2 + k~bk2
Exercı́cio 2.5 Sabendo que u e v são perpendiculares tais que k~uk = 5 e k~v k = 12. Calcular
k~u + ~v k e k~u − ~v k.
Exercı́cio 2.6 Dados os vetores ~a e ~b, da figura, mostrar graficamente um representante do

vetor: a) ~a − ~b b) ~b − ~a c) 2~a − 3~b
Exercı́cio 2.7 Sabendo que o ângulo entre os vetores ~u e ~v é de 60◦ , determinar o ângulo
formado pelos vetores:
a) ~u e −~v b)−~u e ~v c) −~u e −~v d) 2~u e 3~v
49
Capı́tulo 3
Sistemas de coordenadas: Vetores

Bidimensionais e Tridimensionais
A introdução de um sistema de coordenadas retangulares muitas vezes simplifica problemas

envolvendo vetores. O tratamento algébrico, na maioria das situações, é bem mais prático do
que o tratamento geométrico.
3.1 Vetores Bidimensionais

Seja v um vetor qualquer do plano e suponha, que v tenha sido posicionado com seu ponto inicial
na origem de um sistema de coordenadas retangulares. As coordenadas (x1 , y1 ) do ponto final
de v são chamadas componentes de v.
Existe um correspondência biunı́voca entre os vetores do plano e os pares ordenados (x, y) de
números reais. Desse modo, a cada vetor ~v do plano pode-se associar um par ordenado (x1 , y1 ).
Assim, denotamos ~v = (x1 , y1 ).
y
v=(x1 , y1 )
b
(x1 , y1 )
v
x
50
Observação 3.1 Observe que todo vetor v = (x, y) do plano bidimensional pode ser decomposto
→
− →
−
segundo as direções dos vetores i = (1, 0) e j = (0, 1). Isto é, existem números reais x e y
tais que,
−
→ →
− →
−
v = x. i + y. j
→ −
− →
Neste caso, dizemos que v é combinação linear de i e j . Os números x e y são as coor-
→
− − → → −
− →
denadas de −→v em relação à base { i , j }. A base { i , j } é dita base canônica de
R2 = {(x, y) : x, y ∈ R}.
Figura 3.1:
Dado um vetor ~v = x1~i + y1~j, o vetor x1~i é a projeção ortogonal de ~v sobre o eixo dos x e y1~j
é a projeção ortogonal de ~v sobre o eixo dos y.
Figura 3.2:
Se não haver referência em contrário, a seguir faremos nosso estudo tratanto somente da base
canônica.
51
Igualdade de vetores
Os vetores ~a = (x1 , y1 ) e ~b = (x2 , y2 ) são iguais (~a = ~b) se, e somente se, x1 = x2 e y1 = y2 .
Operações
Dados os vetores ~a = (x1 , y1 ) e ~b = (x2 , y2 ) e k ∈ R temos:

a) ~a + ~b = (x1 + x2 , y1 + y2 )
b) k~a = (kx1 , ky1 ).
Exemplo 3.1 Dados os vetores ~a = (−2, 3) e ~b = (1, 0), calcular ~a + ~b e 2~a.
Vetor definido por dois pontos
Figura 3.3:
−→
Consideremos o vetor AB com origem no ponto A(x1 , y1 ) e extremidade no ponto B(x2 , y2 )
(figura 3.3). Temos:
−→ −−→
OA = (x1 , y1 ) e OB = (x2 , y2 )
Além disso,
−→ −→ −−→
OA + AB = OB onde
−→ −−→ −→
AB = OB − OA
−→
Isto é, AB = (x2 , y2 ) − (x1 , y1 )
−→
Logo, AB = (x2 − x1 , y2 − y1 )
52
3.2 Vetores Tridimensionais
Assim como os vetores no plano podem ser descritos por pares de números reais, os vetores no
espaço podem ser descritos por ternos de números reais utilizando um sistema de coordenadas
retangulares. Para construir um tal sistema de coordenadas, selecionamos um ponto O, deno-
minado a origem e escolhemos três retas mutuamente perpendiculares passando pela origem,
denominadas eixos coordenados, designados eixos x, y e z.
Figura 3.4:
Analogamente como no plano, em nosso estudo, a menos que se faça referência contrária,
faremos uso de uma base canônica , neste caso dada pelos vetores ~i = (1, 0, 0), ~j = (0, 1, 0) e
~k = (0, 0, 1), os quais têm origem no mesmo ponto O. A reta que passa pelo ponto O e com a
mesma direção do vetor ~i chama-se eixo dos x, a reta que passa pelo ponto O e com a mesma
direção do vetor ~j chama-se eixo dos y e a reta que passa pelo ponto O e com a mesma direçào
do vetor ~k chama-se eixo dos z. Na figura 4.4, as setas indicam o sentido positivo de cada eixo.
Estes eixos são chamados eixos coordenados.
O plano determinado pelo eixo dos x e pelo eixo dos y é chamado plano xy; o plano deter-
minado pelo eixo dos x e pelo eixo dos z é chamado plano xz; o plano determinado pelo eixo
dos y é pelo eixo dos z é chamado plano yz.
O conjunto R3 = {(x, y, z)/x, y, z ∈ R} é o produto cartesiano R × R × R e sua representação
geométrica é o espaço cartesiano determinado pelos três eixos cartesianos dois a dois ortogo-
nais x, y e z.
53
Figura 3.5:
A cada ponto P do espaço vai corresponder uma terna ordenada (x, y, z) de números reais que
são as coordenadas do ponto P , denominadas abscissa, ordenada e cota, respectivamente.
Em R3 temos:
−→
~v = OP = x~i + y~j + z~k = (x, y, z)
Exemplo 3.2 O vetor ~v = 2~i − 3~j + ~k pode ser representado por ~v = (2, −3, 1)
Analogamente como vimos no plano temos:

Igualdade de vetores
Os vetores ~a = (x1 , y1 , z1 ) e ~b = (x2 , y2 , z2 ) são iguais (~a = ~b) se, e somente se,
x1 = x2 , y1 = y2 e z 1 = z 2 .
Operações
Dados os vetores ~a = (x1 , y1 , z1 ), ~b = (x2 , y2 , z2 ) e k ∈ R temos:

a) ~a + ~b = (x1 + x2 , y1 + y2 , z1 + z2 )
b) k~a = (kx1 , ky1 , kz1 ).
54
Vetor definido por dois pontos
−→
Consideremos o vetor AB com origem no ponto A(x1 , y1 , z1 ) e extremidade no ponto B(x2 , y2 , z2 ),
temos
−→
AB = (x2 − x1 , y2 − y1 , z2 − z1 )
Vetores paralelos
Como vimos na observação 2.2, dois vetores ~a = (x1 , y1 , z1 ) e ~b = (x2 , y2 , z2 ) são colineares
ou paralelos se existir um número real k tal que
~a = k~b
isto é,
(x1 , y1 , z1 ) = k(x2 , y2 , z2 ) ⇒ (x1 , y1 , z1 ) = (kx2 , ky2 , kz2 ) ⇒
x1 = kx2
x1 y1 z1
y1 = ky2 ⇒ = =
x2 y2 z2
z1 = kz2
Denoteremos : ~a//~b.
Exemplo 3.3 Os vetores ~a = (−2, 3, 5) e ~b = (−4, 6, 10) são paralelos pois
−2 3 5 1
= = =
−4 6 10 2
1
isto é, ~a = ~b.
2
55
Universidade Tecnológica Federal do Paraná
Campus de Campo Mourão
Geometria Analı́tica e Álgebra Linear
3a LISTA DE EXERCÍCIOS - VETORES BIDIMENSIONAIS E TRIDIMENSIONAIS
1. Represente geometricamente num sistema de coordenadas de mão direita os pontos cujas

coordenadas são:
a) (3, 4, 5) b) (−3, 4, 5) c) (3, −4, 5) d) (3, 4, −5)
e) (−3, −4, 5) f) (−3, 4, −5) g) (3, −4, −5) h) (−3, −4, −5)
i) (−3, 0, 0) j) (3, 0, 3) k) (0, 0, −3) l) (0, 3, 0)
2. Esboce os seguintes vetores com ponto inicial na origem do sistema:

a) ~v1 = (3, 6) b) ~v2 = (−4, 8) c) ~v3 = (−4, −3) d) ~v4 = (5, −4)
e) ~v5 = (3, 6, 4) f) ~v6 = (3, 3, 0) g) ~v7 = (0, 0, −3) h) ~v8 = (5, −4, 8)
3. Encontre os componentes analı́ticas do vetor de origem A e extremidade B:

a) A(4, 8), B(3, 7) b) A(3, −5), B(−4, −7)
c) A(3, −7, 2), B = (−2, 5, −4) d) A(−1, 0, 2), B(0, −1, 0)
4. Sejam u = (−3, 1, 2), v = (4, 0, −8) e w = (6, −1, −4). Calcule a expressão analı́tica dos
vetores:
a) v − w b) 6u + 2v c) −v + u d) 5(v − 4u)
5. Considere u, v e w os vetores do exercı́cio 4.

a) Encontre o vetor ~x que satisfaz: 2u − v + ~x = 7~x + w.
b) Encontre escalares c1 , c2 e c3 tais que: c1 u + c2 v + c3 w = (2, 0, 4)
Confira as respostas! Livro: Álgebra Linear com Aplicações. ANTON, páginas:105 e 106.
56
Capı́tulo 4
Produto de Vetores
4.1 Cálculo da norma de um vetor

Considere os vetores de R2 e R3 , representados na figura abaixo:
Usando o Teorema de Pitágoras, podemos determinar a norma (módulo ou compri-

mento) de −
→
v:
qp
k→
− →
−
p p
v k= x + y , ~v ∈ R ou k v k= ( x2 + y 2 )2 + z 2 = x2 + y 2 + z 2 , ~v ∈ R3 .
2 2 2
4.2 Distância entre dois pontos
A distância d entre os pontos A(x1 , y1 , z1 ) e B(x2 , y2 , z2 ) é assim definida:
57
−→
d =k AB k=k B − A k=k (x2 − x1 , y2 − y1 , z2 − z1 ) k
Portanto, usando a seção anterior, temos:
p
d= (x2 − x1 )2 + (y2 − y1 )2 + (z2 − z1 )2
Exemplo 4.1 Dados os pontos A = (2, 3, 5) e B = (3, 0, 7), calcular a distância d entre A e B.
1 1
Exemplo 4.2 Determine α para que o vetor ~v = (α, − , ) seja unitário.
2 4
4.3 Produto interno euclidiano ou produto escalar

Definição 4.1 Sejam u e v dois vetores não-nulos no espaço bi ou tridimensional e θ é o ângulo
entre u e v satisfazendo 0 ≤ θ ≤ π rad.
O produto interno euclidiano ou o produto escalar ~u.~v, é definido por:

kuk kvk cosθ se u 6= 0 e v 6= 0
~u.~v =
0 se u = 0 ou v = 0
Exemplo 4.3 Sabendo que o ângulo entre os vetores ~u = (1, 0) e ~v = (1, 1) é de 45◦ , calcule
~u.~v.
Observação 4.1
1. Se ~u.~v > 0, da Definição 5.1, cos θ deve ser um número positivo, isto é, cos θ > 0, o que
implica 0◦ ≤ θ < 90◦ . Nesse caso, θ é dito ângulo agudo ou nulo.
2. Se ~u.~v < 0,da Definição 5.1, cos θ deve ser um número negativo, isto é, cos θ < 0, o que
implica 90◦ < θ ≤ 180◦ . Nesse caso, θ é dito ângulo obtuso ou raso.
3. Se ~u.~v = 0, da Definição 5.1, cos θ deve ser igual a zero, isto é, cos θ = 0, o que implica
θ = 90◦ . Nesse caso, θ é ângulo reto.
58
4.3.1 Produto interno em termos das Componentes
Para efeitos de cálculo, é desejável ter uma fórmula que dê o produto interno de dois vetores em
termos das componentes do vetor. O teorema abaixo fornece essa fórmula:
Teorema 4.1 Sejam ~u = (u1 , u2 , u3 ) e ~v = (v1 , v2 , v3 ) dois vetores não nulos, então:
~u.~v = u1 .v1 + u2 v2 + u3 v3
(a demonstração será feita na aula)
−
→
u .−
→
v
Observação 4.2 Da Definição 4.1 segue que, cos θ = , ou seja,
k u k.k−
→
− →
v k
→
−
u .−
→
v
θ = arccos −
k→
u k.k− →
v k
Exemplo 4.4 Considere os vetores u = (2, −1, 1) e v = (1, 1, 2). Encontre u.v e determine o
ângulo θ entre u e v.
Exemplo 4.5 Calcule o ângulo entre os vetores ~u = (1, 1, 4) e ~v = (−1, 2, 2).
59
4.3.2 Propriedades do produto escalar
~ = (x3 , y3 , z3 ) de R3 ,
Para quaisquer que sejam os vetores ~u = (x1 , y1 , z1 ), ~v = (x2 , y2 , z2 ), w
temos:
1. ~u.~u > 0 e ~u.~u = 0 somente se ~u = ~0.
2. ~u.~v = ~v .~u
3. ~u.(~v + w)
~ = ~u.~v + ~u.w
~
4. (m~u).~v = m(~u.~v ) = ~u.(m~v )

√
5. k −
→
v k= −
→
v .−
→
v ou ainda,−
→
v .−
→
v =k −
→
v k2 .
6. k ~u + ~v k2 = k ~u k2 + 2~u.~v + k ~v k2
7. k ~u − ~v k2 = k ~u k2 − 2~u.~v + k ~v k2
8. k ~u k2 − k ~v k2 = (~u + ~v ).(~u − ~v )
4.3.3 Condição de ortogonalidade de dois vetores
De acordo com a observação 5.1.3 podemos enunciar a seguinte condição:

”Dois vetores são ortogonais se, e somente se, o produto interno deles é nulo”.
Ou seja,
~u⊥~v ⇔ ~u.~v = 0
Exemplo 4.6 Verifique se os vetores ~u = (−2, 3, −2) e ~v = (−1, 2, 4) são orto-

gonais.
Exemplo 4.7 Prove que o triângulo de vértices A(2, 3, 1), B(2, 1, −1) e C(2, 2, −2) é um triângulo
retângulo.
(Sugestão: A forma mais simples de provar a existência de um ângulo reto é mostrar que o
produto interno de dois vetores que determinam os lados do triângulo é nulo.)
60
4.3.4 Estudo da Projeção Ortogonal usando Produto Escalar
Sejam os vetores ~u e ~v , com ~u,~v 6= ~0 e, θ o ângulo por eles formado. Pretendemos calcular o
vetor w
~ que representa a projeção ortogonal de ~u sobre ~v ou componente vetorial de ~u
ao longo de ~v . Para tanto, utilizaremos a figura abaixo, que ilustra as duas situações possı́veis
podendo ser θ um ângulo agudo ou obtuso.
Do triângulo retângulo, segue que:
|−
→u .−
→
v| |−
→
u .−
→
v|
k−
→
w k=k −
→
u k .| cos θ| =k −
→
u k →
− −
→ = →
−
k u kk v k k v k
Como w
~ e ~v têm a mesma direção, segue-se que:
~ = k~v , k ∈ R
w
Então:
k−
→
w k= |k| k −
→
v k
ou seja,
−
→
u .−
→
v
k= →
−
k v k2
Logo, →
−
u .−
→
v

w
~= ~v
k−→
v k2
Obtemos assim:

~u.~v
proj~v ~u = ~v : componente vetorial de u ao longo de v.
~v .~v
~u.~v
E, u − proj~v ~u = u − ~v : componente vetorial de u ortogonal a v.
~v .~v
61
Exercı́cios para fixação
Exercı́cio 4.1 Determine o vetor projeção (componente vetorial) de u = (2, 3, 4) ao

longo de v = (1, −1, 0) e a componente vetorial de u ortogonal a v.
Exercı́cio 4.2 Sejam u = (2, −1, 3) e v = (4, −1, 2). Encontre o componente vetorial de u ao
longo de v e o componente vetorial de u ortogonal a v.
Exercı́cio 4.3 Sejam os pontos A(1, 2, −1), B(−1, 0, −1) e C(2, 1, 2).
a) Mostre que o triângulo ABC é retângulo em A;
b) Calcule a medida da projeção do cateto AB sobre a hipotenusa BC;
c)Determine o pé da altura do triângulo relativa ao vértice A.
Exercı́cio 4.4 a) Deduza uma fórmula para o comprimento do vetor projeção de u ao longo de
v usando produto interno.
b) Deduza uma fórmula para o comprimento do vetor projeção de u ao longo de v usando o

ângulo θ entre os vetores.
62
4.4 Produto Vetorial
Dados os vetores ~u = (x1 , y1 , z1 ) e ~v = (x2 , y2 , z2 ), tomados nesta ordem, chama-se produto
vetorial dos vetores ~u e ~v , e se representa por ~u × ~v , ao vetor:
~u × ~v = (y1 z2 − z1 y2 )~i − (x1 z2 − z1 x2 )~j + (x1 y2 − y1 x2 )~k

a11 a12
Relembrando a definição de determinante de uma matriz A2×2 = , dado por
a21 a22
| A |= a11 a22 − a21 a12
podemos reescrever cada componente do produto vetorial na forma de um determinante de 2a

ordem:

y1 z 1 x1 z 1 x1 y1
~u × ~v = ~i − ~ ~
y2 z 2 x2 z 2 j + x2 y2 k
~i ~j ~k

Notação: ~u × ~v = x1 y1 z1
x2 y2 z 2
Observação 4.3 Esta notação é utilizada para facilitar a memorização da definição do produto
vetorial e faz alusão ao cálculo de determinante de uma matriz 3 × 3 usando a 1a linha. No
entanto, o produto vetorial não pode ser confundido com um determinante de uma
matriz real pois:
1o ) ~u × ~v é um vetor e o determinante é um número real;

2o ) A notação considerada não indica um determinante, pois a primeira linha contém vetores
ao invés de números.
Observação 4.4 O produto vetorial ~u × ~v é também indicado por ~u ∧ ~v e se lê ”~u vetorial ~v ”.
Exemplo 4.8 Calcule ~u ∧ ~v e ~v ∧ ~u considerando ~u = (5, 4, 3) e ~v = (1, 0, 1).
63
4.4.1 Propriedades do Produto Vetorial
Segue da definição do produto vetorial e das propriedades dos determinantes, as seguintes pro-
priedades:
1. ~u × ~u = ~0.
2. ~u × ~v = −~v × ~u
3. ~u × (~v + w)
~ = (~u × ~v ) + (~u × w).
~
4. (m~u) × ~v = m(~u × ~v ) = ~u × (m~v )
5. ~u × ~v = ~0 se, e somente se, um dos vetores é nulo ou se ~u e ~v são colineares.
6. ~u × ~v é ortogonal simultaneamente aos vetores ~u e ~v .
7. || ~u × ~v ||2 =|| ~u ||2 || ~v ||2 −(~u.~v )2 . (Identidade de Lagrange)
Teorema 4.2 Se ~u 6= ~0, ~v 6= ~0 e se θ é o ângulo dos vetores ~u e ~v , então:
|| ~u × ~v ||=k ~u kk ~v k sen θ
(a demonstração será feita na aula)
64
4.4.2 Interpretação geométrica do módulo do produto vetorial de dois
Vetores
Geometricamente, || ~u × ~v || mede a área do paralelogramo ABCD determinado pelos vetores

−→ −→
~u = AB e ~v = AC.
b
C b
D
v h
A b
u b
B
prova: (faremos na aula)
Exemplo 4.9 Dados os vetores ~u = (1, 2, −1) e ~v = (0, −1, 3), calcular a área do paralelogramo
determinado pelos vetores 3~u e ~v − ~u.
Exemplo 4.10 Calcule a área do triângulo de vértices A(1, −2, 1), B(2, −1, 4) e C(−1, −3, 3).
4.5 Produto Misto
Dados os vetores ~u = (x1 , y1 , z1 ), ~v = (x2 , y2 , z2 ) e w

~ = (x3 , y3 , z3 ), tomados nesta ordem, chama-
~ ao número real ~u.(~v × w).
se produto misto dos vetores ~u, ~v e w ~
Notação: (~u, ~v , w).
~

y2 z 2 x2 z 2 x2 y2
~ = ~u.(~v × w)
(~u, ~v , w) ~ = (x1 , y1 , z1 ). ~i − ~ ~
y3 z 3 x3 z 3 j + x3 y3 k =

y2 z 2 x2 z 2 x2 y2
(~u, ~v , w)
~ = x1
− y1
+ z1

y3 z 3 x3 z 3 x3 y3

x1 y1 z 1

~ = x2 y2 z2
Outra notação: (~u, ~v , w)
x3 y3 z 3
~ = (4, −3, 2).

Exemplo 4.11 Calcule o produto misto dos vetores ~u = (2, 3, 5), ~v = (−1, 3, 3) e w
65
4.5.1 Propriedades do produto misto
Da definição do produto misto e das propriedades dos determinantes segue as seguintes proprie-
dades:
1. (~u, ~v , w)
~ = 0 se um dos vetores é nulo,se dois eles são
colineares, ou se os três são coplanares.
0 0 0

~ = x2 y2 z2
a) se ~u = (0, 0, 0) temos: (~u, ~v , w)
x3 y3 z 3
b)Se ~u 6= ~0, ~v 6= ~0, mas ~u e ~v são colineares: ~u = m~v

mx2 my2 mz2

~ = x2
(~u, ~v , w) y2 z2
x3 y3 z3
~ são coplanares, lembremos que o vetor ~v × w
c) Se ~u, ~v e w ~ é ortogonal a ~v e w.
~ Logo,
~v × w
~ é ortogonal a ~u. Portanto,
~ = ~u.(~v × w)
(~u, ~v , w) ~ =0
Resumindo, se ~u, ~v e w
~ são coplanares então (~u, ~v , w)
~ =0
~v × w
~
w
~
~v
b
~u
Esta propriedade é fundamental em vários tópicos a serem estudados.
66
De forma análoga dizemos que quatro pontos A,B,C e D pertencem a um mesmo plano se
−→ −→ −−→ −→ −→ −−→
os vetores AB, ACe AD forem coplanares, isto é, se (AB, AC, AD) = 0.
b
D
b
C
A b
b
B
2. (~u, ~v , w)
~ = (~v , w,
~ ~u) = (w,
~ ~u, ~v )
(Esta propriedade é denominada propriedade cı́clica: O produto misto independe da

ordem circular dos vetores.)
~u
b
~v b b
w
~
Entretanto, o produto misto muda de sinal quando se trocam as posições de dois vetores
consecutivos, isto é:
~ = −(~v , ~u, w)
(~u, ~v , w) ~
Observação 4.5 Resulta da propriedade cı́clica, que os sinais . e × permutam entre si no

produto misto de três vetores:
~u.(~v × w)
~ = (~u × ~v ).w
~
3. (~u, ~v , w
~ + ~r) = (~u, ~v , w)
~ + (~u, ~v , ~r)
4. (~u, ~v , mw)
~ = (~u, m~v , w)
~ = (m~u, ~v , w)
~ = m(~u, ~v , w)
~
67
4.5.2 Interpretação geométrica do módulo do produto misto
Geometricamente, o produto misto (~u, ~v , w)

~ é igual, em módulo, ao volume do paralelepı́pedo de
−−→ −→ −→
arestas determinadas pelos vetores AD, AB e AC.
4.6 Exercı́cios de Fixação

Exercı́cio 4.5 Obtenha o volume do paralelepı́pedo de lados u, v e w.
a) u = (2, −6, 2), v = (0, 4, −2), w = (2, 2, −4)
b) u = (3, 1, 2), v = (4, 5, 1), w = (1, 2, 4)
Exercı́cio 4.6 Suponha que u.(v × w) = 3.

a)u.(w × v) b)(v × w).u c)w.(u × v) d)v.(u × w)
Exercı́cio 4.7 Encontre um vetor que é ortogonal a u e v, sendo:

a) u = (−6, 4, 2), v = (3, 1, 5) b) u = (−2, 1, 5), v = (3, 0, −3)
Exercı́cio 4.8 Determine se u, v e w estão num mesmo plano, sendo:

a) u = (−1, −2, 1), v = (3, 0, −2), w = (5, −4, 0)
b) u = (5, −2, 1), v = (4, −1, 1), w = (1, −1, 0)
c) u = (4, −8, 1), v = (2, 1, −2), w = (3, −4, 12)
68
Capı́tulo 5
Aplicação de Vetores ao Estudo da Reta

e do Plano
Neste capı́tulo faremos uso da teoria de vetores e produto de vetores para apresentarmos as
equações que descrevem analiticamente as retas e os planos. Desta maneira, usaremos expressões
analı́ticas na resolução de problemas geométricos como estudo do ângulo, distância, posições e
interseções.
5.1 Equações da Reta

Geometricamente, para identificarmos uma reta r basta conhecermos um ponto A desta reta
e sua direção.
Analiticamente, procedemos da mesma forma:

Seja r uma reta que passa pelo ponto A e tem a direção de um vetor não nulo ~v .
−→
AP = t.~v ⇒ P − A = t.~v ⇒ P = A + t.~v
ou seja,
69
Se A(x1 , y1 , z1 ) ∈ r e ~v = (a, b, c) é o vetor diretor (que dá a direção) de r, para todo
P (x, y, z) ∈ r temos:
(x, y, z) = (x1 , y1 , z1 ) + t.(a, b, c), t ∈ R (5.1.1)
A equação (5.1.1) é denominada equação vetorial da reta r.

A equação vetorial da reta pode ser reescrita, gerando assim novas equações:

 x = x1 + a.t
y = y1 + b.t (5.1.2)
z = z1 + c.t

nas quais a, b e c não são todos nulos (~v 6= ~0), denominadas equações paramétricas da reta
r.
Ou ainda, supondo a.b.c 6= 0, segue que:
x − x1 y − y1 z − z1
t= , t= , t=
a b c
Assim, obtemos:
x − x1 y − y1 z − z1
= = (5.1.3)
a b c
denominadas equações simétricas da reta r.
Observação 5.1 É fácil verificar que a cada valor de t na equações vetorial da reta corresponde
um ponto particular P da reta r. Quando t varia de −∞ a +∞, o ponto P descreve a reta r.
O número t é dito parâmetro.
Exemplo 5.1 Determine as equações da reta r que passa pelo ponto A(3, 0, −5) e tem a direção
do vetor ~v = (2, 2, −1).
Pergunta: O ponto P (7, 4, −7) ∈ r?
Exemplo 5.2 As equações paramétricas da reta r, que passa pelo ponto A(3, −1, 2) e é paralela
ao vetor ~v = (−3, −2, 1), são:

 x = 3 − 3t
y = −1 − 2t
z =2+t

70
Observe que, para obter um ponto desta reta, basta atribuir a t um valor particular. Por
exemplo, para t = 3, tem-se:

 x = −6
y = −7
z=5

isto é, o ponto (−6, −7, 5) é um ponto da reta r.

Pergunta: A(3, −1, 2) e B(0, 3, 4) são pontos desta reta?
5.2 Reta definida por dois pontos

A reta definida pelos pontos A(x1 , y1 , z1 ) e B(x2 , y2 , z2 ) é a reta que passa pelo ponto A(ou B)
−→
e tem a direção do vetor ~v = AB = (x2 − x1 , y2 − y1 , z2 − z1 ).
Exemplo 5.3 A reta r, determinada pelos pontos A(1, −2, −3) e B(3, 1, −4), tem a direção do
−→
vetor ~v = AB = (2, 3, −1) e as equações paramétricas

 x = 1 + 2t
y = −2 + 3t
z = −3 − t

−→
representam esta reta r, passando pelo ponto A, com direção do vetor ~v = AB; analogamente,
as equações paramétricas

 x = 3 + 2t
y = 1 + 3t
z = −4 − t

−→
ainda representam a mesma reta r, passando pelo ponto B, com a direção do vetor ~v = AB.
Observação 5.2 Se o vetor ~(2, 3, −1) é um vetor diretor desta reta r, qualquer vetor α~v , α 6= 0,
também o é.
Observação 5.3 Se a reta é determinada pelos pontos A(x1 , y1 , z1 ) e B(x2 , y2 , z2 ), suas equações
simétricas são:
x − x1 y − y1 z − z1
= =
x2 − x1 y2 − y1 z2 − z1
71
pois um vetor diretor é:
−→
~v = AB = (x2 − x1 , y2 − y1 , z2 − z1 ), desde que tenhamos x2 − x1 6= 0, y2 − y1 6= 0 e z2 − z1 6= 0.
Exemplo 5.4 As equações simétricas da reta determinada pelos pontos A(2, 1, −3) e B(4, 0, 2)
são:
x−2 y−1 z+3
= =
4−2 0−1 −2 + 3
isto é:
x−2 y−1 z+3
= =
2 −1 1
−→
Estas são as equações da reta que passa pelo ponto A e tem a direção do vetor ~v = AB.
As equações
x−4 y z+2
= =
2 −1 1
−→
representam a mesma reta passando pelo ponto B e com a direção de ~v = AB.
5.3 Condição para que três pontos estejam em linha reta

A condição para que três pontos A1 (x1 , y1 , z1 ),A2 (x2 , y2 , z2 ) e A3 (x3 , y3 , z3 ) estejam em linha reta
−−−→ −−−→ −−−→ −−−→
é que os vetores A1 A2 e A1 A3 sejam colineares, isto é: A1 A2 = mA1 A3 , para algum m ∈ R
ou:
x2 − x1 y2 − y1 z2 − z1
= =
x3 − x1 y3 − y1 z3 − z1
Exemplo 5.5 Verique que os pontos A1 (5, 2, −6), A2 (−1, −4, −3) e A3 (7, 4, −7) estão em linha
reta.
5.4 Equações Reduzidas da Reta

Para as equações simétricas da reta
x − x1 y − y1 z − z1
= =
a b c
pode-se dar outra forma, isolando as variáveis y e z e expressando-as em função de x.
Assim, comparando dois a dois os termos da igualdade, temos:
72
y − y1 x − x1 z − z1 x − x1
= =
b a c a
b c
y − y1 = (x − x1 ) z − z1 = (x − x1 )
a a
b b c c
y − y1 = x − x1 z − z 1 = x − x1
a a a a
b b c c
y = x − x1 + y1 z = x − x1 + z 1
a a a a
fazendo fazendo
b c
=m =p
a a
b b c c
y = x − x1 + y1 z = x − x1 + z 1
a a a a
b c
− x1 + y1 = n, − x1 + z1 = q,
a a
segue que:

y = mx + n
(5.4.1)
z = px + q
são as equações reduzidas da reta r.
Exemplo 5.6 Estabeleça as equações reduzidas da reta r que passa pelo ponto A(2, 1, −3) e
B(4, 0, −2).
Observação 5.4 Nas equações reduzidas:

y = mx + n
(5.4.2)
z = px + q,
a variável x figura como variável independente. Se expressarmos as equações de forma que a
variável independente seja y ou z, ainda assim as equações são chamadas de equações reduzidas.
Por exemplo, as equações reduzidas da reta do exemplo anterior também podem ser expressas
por:

x = 4 − 2y
z = −y − 2
73
ou

x = 2z + 8
z = −z − 2
Observação 5.5 Das equações

y = mx + n
z = px + q
pode-se obter:
x y−n z−q
= = (5.4.3)
1 m p
Comparando a equação acima com as equações:
x − x1 y − y1 z − z1
= =
a b c
verifica-se que as equações reduzidas representam a reta que passa pelo ponto N (0, n, q) e tem a
direção do vetor ~v = (1, m, p).
Exemplo 5.7 As equações:

y = 2x − 3
z = −4x + 5
representam a reta que passa pelo ponto N (0, −3, 5) e tem a direção do vetor ~v = (1, 2, −4).
Observe que o ponto N é obtido fazendo x = 0 nas equações reduzidas. Já as componentes
do vetor ~v podem são obtidas analisando as equações reduzidas como equações paramétrica (com
parâmetro x) observando quais constantes acompanham x nas equações pois, as equações

y = 2x − 3
z = −4x + 5
são equivalentes à

 x = 1x
y = 2x − 3
z = −4x + 5

74
5.5 Retas Paralelas aos Planos e aos Eixos Coordenados
Nas seções anteriores apresentamos as possı́veis equações de uma reta, considerando um ponto
A(x1 , y1 , z1 ) ∈ r e o vetor diretor ~v = (a, b, c), cujas componentes são diferentes de zero. Entre-
tanto uma ou duas destas componentes podem ser nulas. Assim, temos dois casos:
1o ) Uma só das componentes de ~v é nula
Neste caso, o vetor ~v é ortogonal a um dos eixos coordenados e, portanto, a reta r é paralela
ao plano dos outros eixos.
a) Se a = 0, ~v = (0, b, c) ⊥ Ox ∴ r // yOz (r pertence a um plano paralelo a yOz).
x = x ,
1

r : y − y1 z − z1
 =
b c
b) Se b = 0, ~v = (a, 0, c) ⊥ Oy ∴ r // xOz (r pertence a um plano paralelo a xOz).

y = y ,
1

r : x − x1 z − z1
 =
a c
c) Se c = 0, ~v = (a, b, 0) ⊥ Oz ∴ r // xOy (r pertence a um plano paralelo a xOy).

z = z ,
1

r : x − x1 y − y1
 =
a b
75
2o ) Duas das componentes de ~v são nulas
Neste caso o vetor ~v tem a direção dos vetores ~i = (1, 0, 0) ou ~j = (0, 1, 0) ou ~k = (0, 0, 1) e ,
portanto a reta r é paralela ao eixo que tem a direção de ~i ou de ~j ou de ~k.
Assim:
a) Se a = b = 0, ~v = (0, 0, c)//~k ∴ r//Oz.
(x = x
1
r: y = y1
z = z1 + c.t
Costuma-se dizer, simplesmente, que as equações da reta r são:
nx = x
1
r : y = y , subentendendo-se z variável.
1
b) Se a = c = 0,~v = (0, b, 0)//~j ∴ r//Oy.

(x = x
1 nx = x
1
r : y = y1 + b.t ou, simplesmente, r : z = z
1
z = z1
subentendendo-se y variável.
c) Se b = c = 0, ~v = (a, 0, 0)//~i ∴ r//Ox.

( x = x + a.t
1 ny = y
1
r : y = y1 ou, simplesmente, r : z = z
1
z = z1
subentendendo-se x variável.
Observação 5.6 Os eixos 0x, Oy e Oz são retas particulares.

O eixo Ox é uma reta que passa pela origem O(0, 0, 0) e tem a direção do vetor ~i = (1, 0, 0).
Logo, suas equações são:
y=0
n
z=0
De forma análoga, as equações do eixo Oy são:

n
x=0 x=0
e as equaçoes do eixo Oz são:
z=0 y=0
76
5.6 Ângulo de Duas Retas
Sejam as retas r1 , que passa pelo ponto A1 (x1 , y1 , z1 ) e tem a direção de um vetor v~1 = (a1 , b1 , c1 )
e r2 , que passa pelo ponto A2 (x2 , y2 , z2 ) e tem a direção de um vetor v~2 = (a2 , b2 , c2 ). Chama-se
ângulo de duas retas r1 e r2 o menor ângulo de um vetor diretor de r1 e de um vetor diretor
de r2 . Logo, sendo θ este ângulo, tem-se
|v~1 .v~2 | π
cos θ = , com 0 ≤ θ ≤ (5.6.1)
|v~1 |.|v~2 | 2
Reescrevendo a equação 5.6.1 em coordenadas, temos:

|a1 a2 + b1 b2 + c1 c2 |
cos θ = p p (5.6.2)
a1 2 + b 1 2 + c 1 2 a2 2 + b 2 2 + c 2 2
x=3+t,
(
x+2 y−3 z
Exercı́cio 5.1 Calcular o ângulo entre as retas r1 = y=t, e r2 = = =
−2 1 1
z=-1-2t
5.7 Condição de Paralelismo de Duas Retas

A condição de paralelismo das retas r1 e r2 é a mesma dos vetores v~1 = (a1 , b1 , c1 ) e
v~2 = (a2 , b2 , c2 ), que definem as direções dessas retas, isto é:
r1 //r2 ⇐⇒ v~1 = mv~2
77
ou seja,
a1 b1 c1
= =
a2 b2 c2
Exemplo 5.8 Verifique que a reta r1 , que passa pelos pontos A1 (−3, 4, 2) e B1 (5, −2, 4), e a
reta r2 , que passa pelos pontos A2 (−1, 2, −3) e B2 (−5, 5, −4), são paralelas.
Observação 5.7 Se as retas r1 e r2 forem expressas, respectivamente pelas equações reduzidas:

(y = m x + n , (y = m x + n ,
1 1 2 2
r1 = e r2 =
z = p 1 x + q1 z = p 2 x + q2 ,
cujas direções são dadas, respectivamentes pelos vetores:
v1 = (1, m1 , p1 ) e v2 = (1, m2 , p2 ), a condição de paralelismo permite escrever:
1 m1 p1
= = ⇐⇒ m1 = m2 , p1 = p2
1 m2 p2

y=2x-3, y=2x+1,
Por exemplo, as retas r1 = e r2 =
z=-4x+5 z=-4x,
são paralelas.
5.8 Condição de Ortogonalidade de Duas Retas

A condição de ortogonalidade das retas r1 e r2 é a mesma dos vetores v~1 = (a1 , b1 , c1 ) e v~2 =
(a2 , b2 , c2 ) que definem as direções dessas retas, isto é:
v~1 .v~2 = 0
ou:
a1 a2 + b1 .b2 + c1 .c2 = 0
Exemplo 5.9 As retas


 y = 3,

x y+1 z−3
r1 : x − 3 z+1 e r2 : = = são ortogonais.

 = 3 5 4
8 −6
78
5.9 Condição de Coplanaridade de Duas Retas
A reta r1 , que passa por um ponto A1 (x1 , y1 , z1 ) e tem a direção de um vetor v~1 = (a1 , b1 , c1 ),
e a reta r2 , que passa pelo ponto A2 (x2 , y2 , z2 ) e tem a direção de um vetor v~2 = (a2 , b2 , c2 ),
−−−→
são coplanares se os vetores v~1 , v~2 e A1 A2 forem coplanares, isto é, se for nulo o produto misto
−−−→
(v~1 , v~2 , A1 A2 ).

a1 b1 c1
−−−→
r1 , r2 ∈ π ⇐⇒ (v~1 , v~2 , A1 A2 ) = a2 b2 c2 =0

x2 − x1 y2 − y1 z 2 − z 1
x−2 y z−5 x+5 y+3 z−6

Exemplo 5.10 Mostre que as retas r1 : = = e r2 : = = são
2 3 4 −1 1 3
coplanares.
5.10 Posição Relativa de Duas Retas

Duas retas r1 e r2 , no espaço, podem ser:
I) paralelas: r1 //r2
Para tanto, basta verificarmos que os vetores diretores são paralelos, ou seja: v~1 //v~2 .
O caso de serem r1 e r2 coincidentes pode ser considerado como um caso particular de
paralelismo, que é verificado quando:
v~1 //v~2 e, A ∈ r1 ⇐⇒ A ∈ r2 .
79
II) concorrentes: r1 ∩ r2 = {I} (I é o ponto de interseção das duas retas);
Neste caso, basta verificarmos que mesmo não tendo v~1 //v~2 temos, r1 , r2 ∈ π ou seja,
−−−→
(v~1 , v~2 , A1 A2 ) = 0.
III) reversas: não situadas num mesmo plano. Nesse caso r1 ∩ r2 = ∅.
−−→
Para tanto, basta verificarmos que (~u, ~v , P1 P2 ) 6= 0.

 x = 1 − 3t
y = 2x − 3
Exemplo 5.11 Estudar a posição relativas das retas r1 : e r2 : y = 6 − 6t
z = −x
z = 3t

80

x y−1  x = 2 − 4t
Exemplo 5.12 Estudar a posição relativas das retas r1 : = = z e r2 : y = 2t
2 −1
z = 1 − 2t


x−2 y z−5  x =5+t
Exemplo 5.13 Estudar a posição relativas das retas r1 : = = e r2 : y =2−t
2 3 4
z = 7 − 2t


y =3
Exemplo 5.14 Estudar a posição relativas das retas r1 : e r2 : x = y = z
z = 2x
5.11 Interseção de Duas Retas

Duas retas r1 e r2 coplanares e não paralelas são concorrentes. Consideremos as retas

 x = −t
y = −3x + 2
r1 : e r2 : y = 1 + 2t
z = 3x − 1
z = −2t

Temos que r1 e r2 são concorrentes. Se I(x, y, z) é o ponto de interseção dessas retas, suas
coordenadas satisfazem o sistema formado pelas equações de r1 e r2 , isto é, I(x, y, z) é solução
do sistema:


 y = −3x + 2
 z = 3x − 1


x = −t
y = 1 + 2t




z = −2t

Eliminando t nas últimas três equações, temos o seguinte sistema equivalente
81


 y = −3x + 2
z = 3x − 1


 y = 1 − 2x
z = 2x


 x =1
Resolvendo o sistema temos: y = −1 . Isto é, I(1, -1, 2).
z =2

5.12 Distância de Um Ponto a Uma Reta

Seja r uma reta definida por um ponto P1 (x1 , y1 , z1 ) e pelo vetor diretor ~v = (a, b, c) e seja
−−→
P0 (x0 , y0 , z0 ) um ponto qualquer do espaço. Os vetores ~v e P1 P0 determinam um paralelogramo
cuja altura corresponde distância d de P0 a r.
Assim,
−−→
−−→ |~v × P1 P0 |
A = |~v | . d = |~v × P1 P0 | =⇒ d =
|~v |
x y−2 z+3
Exemplo 5.15 Calcular a distância do ponto P (2, 0, 7) à reta r : = = .
2 2 1
82
5.13 Distância Entre Duas Retas
1. Se r e s são retas concorrentes, a distância d entre r e s é nula,
2. Se r e s são retas paralelas, a distância d entre r e s, é a distância de um ponto qualquer

P0 de uma de uma delas à outra, isto é:
d(r, s) = d(P0 , s), P0 ∈ r
ou
d(r, s) = d(P0 , r), P0 ∈ s
Assim, a distância entre duas retas paralelas se reduz ao cálculo da distância de um ponto
à uma reta.
3. Se r e s são retas reversas com vetores diretores ~u e ~v respectivamente com, P1 ∈ r1

−−→
e P2 ∈ r2 , temos que os vetores ~u, ~v e P1 P2 = (x2 − x1 , y2 − y1 , z2 − z1 ) determinam um
paralelepı́pedo, cuja base é definida pelos vetores ~u e ~v e a altura corresponde à distância
d entre as retas r e s, pois a reta s é paralela ao plano da base do paralelepı́pedo, uma vez
que sua direção é a do vetor ~v .
Assim,
−−→
−−→ |(~u, ~v , P1 P2 )|
V = |~u × ~v |. d = |(~u, ~v , P1 P2 )| =⇒ d =
|~u × ~v |
83

 x = −1 − 2t
y = −2x + 3
Exemplo 5.16 Calcular a distância entre as retas e y = 1 + 4t
z = 2x
z = −3 − 4t


y =1  x =3
(
Exemplo 5.17 Calcular a distância entre as retas r : z−4 e s: y = 2t − 1
x+2 =
−2 z = −t + 3

5.14 O Estudo do Plano

Como apresentamos um tratamento geométrico e algébrico para as retas, apresentaremos a seguir
as possı́veis equações que descrevem um plano e auxiliam na resolução de problemas geométricos,
como cálculo de distância, ângulo e interseções.
Seja A(x1 , y1 , z1 ) um ponto pertencente a um plano π e ~n = a~i + b~j + c~k, ~n 6= (0, 0, 0) um
vetor normal (ortogonal) ao plano. O plano π pode ser definido como sendo o conjunto de todos
−→
os pontos P (x, y, z) do espaço tais que o vetor AP é ortogonal a ~n. Logo, o ponto P pertence a
π se, e somente se:
−→
~n.AP = 0. (5.14.1)
~ = (x − x1 , y − y1 , z − z1 ), temos:
Tendo em vista que: ~n = (a, b, c) e AP
(a, b, c).(x − x1 , y − y1 , z−1 ) = 0
84
ou seja,
ax + by + cz − ax1 − by1 − cz1 = 0
Fazendo:
−ax1 − by1 − cz1 = d, segue que:
ax + by + cz + d = 0 (5.14.2)
Esta é a equação geral ou cartesiana do plano π.
Observação 5.8 É importante observar que os três coeficientes a, b,e c da equação geral
ax + by + cz + d = 0 representam as componentes de um vetor normal ao plano. Por exemplo, se
um plano π é dado por: π : 3x + 2y − 4z + 5 = 0, um de seus vetores normais é: ~n = (3, 2, −4).
Este mesmo vetor ~n é também normal a qualquer plano paralelo a π.
Assim, todos os infinitos planos paralelos a π têm equação geral do tipo: π : 3x+2y −4z +d =
0,na qual d é o elemento que diferencia um plano de outro. O valor de d está identificado quando
se conhece um ponto do plano.
Exemplo 5.18 Determinar a equação geral do plano π que passa pelo ponto A(2, −1, 3), sendo
~n = (3, 2, −4) um vetor normal a π.
Exemplo 5.19 Escrever a equação cartesiana do plano π que passa pelo ponto A(3, 1, −4) e é
paralelo ao plano:
π1 : 2x − 3y + z − 6 = 0
Exemplo 5.20 Determinar a equação geral do plano que passa pelo ponto A(2, 1, −2) e é per-
pendicular à reta
x = −4 + 3t
(
r = y = 1 + 2t,
z=t
85
5.15 Determinação de um Plano
Vimos que um plano é determinado por um dos seus pontos e por um vetor normal a ele. Existem
outras formas de determinação de um plano nas quais estes dois elementos (ponto e vetor normal)
ficam bem evidentes. Algumas destas formas serão apresentadas a seguir.
1. A ∈ π e v~1 e v~2 são vetores não colineares paralelos a π.
−→
2. A, B ∈ π e ~v é paralelo a π e não colinear a AB.
86
3. A, B e C ∈ π e não estão em linha reta.
4. π contém duas retas r1 e r2 concorrentes.
5. π contém duas retas r1 e r2 paralelas.
87
6. π contém uma reta r e um ponto B ∈
/ r.
Exemplo 5.21 Determine a equação geral do plano que passa pelo ponto A(1, −3, 4) e é paralelo
aos vetores v~1 = (3, 1, −2) e v~2 = (1, −1, 1).
Exemplo 5.22 Estabeleça a equação geral do plano determinado pelos pontos A(2, 1, −1), B(0, −1, 1)
e C(1, 2, 1).
Exemplo 5.23 Estabeleça a equação cartesiano do plano que contém a reta

x=4
r= e o ponto B(−3, 2, 1).
y=3
88
Observação 5.9 Em todos os problemas de determinação da equação geral do plano um vetor
normal ~n foi obtido através do produto vetorial de dois vetores-base desse plano. Vamos mostrar,
retomando ao primeiro exemplo dado, um outro modo de se obter a equação geral do plano.
Nesse problema, o plano passa pelo ponto A(1, −3, 4) e é paralelo aos vetores v~1 = (3, 1, −2) e
~ , v~1 e v~2 são
v~2 = (1, −1, 1). Ora, se P (x, y, z) é um ponto qualquer do plano, os vetores AP
~ , v~1 , v~2 ) = 0
coplanares e, portanto, o produto misto deles é nulo, isto é: (AP
Assim, obtemos a equação geral do plano desenvolvendo o determinante:

x−1 y+3 z−4

3
1 −2 = 0 =⇒ π : x + 5y + 4z − 2 = 0

1 −1 1
Exemplo 5.24 Determine a equação geral do plano que contém as retas

x = −1 + 2t
(
y = 2x + 1
n
r1 = e r2 = y = 4t
z = −3x − 2
z = 3 − 6t
5.16 Equações Paramétricas do Plano

Seja π um plano paralelo aos vetores ~v1 e ~v2 não colineares e A(x0 , y0 , z0 ) um ponto de π. Um
ponto P (x, y, z) pertence ao plano π se, e somente se, existem números reais h e t tais que
−→
AP = h.~u + t.~v .
89
−→
Escrevendo a equação AP = h.~u + t.~v . em coordenadas, obtemos
(x − x0 , y − y0 , z − z0 ) = h(a1 , b1 , c1 ) + t(a2 , b2 , c2 ).
Isto é,

 x = x 0 + a1 h + a2 t
y = y0 + b1 h + b2 t
z = z0 + c1 h + c2 t

Estas são as equações paramétricas do plano.

Quando h e t, chamados parâmetros, variam de −∞ a +∞, o ponto P percorre o plano π.
Exemplo 5.25 As equações paramétricas do plano que passa A(2, 1, 3) e e paralelo aos vetores
~u = (−3, −3, 1) e ~v = (2, 1, −2) são:
Exemplo 5.26 Determinar as equações paramétricas do plano determinado pelos pontos

A(5, 7, −2), B(8, 2, −3) e C(1, 2, 4).
5.17 Ângulo de Dois Planos

Sejam os planos
π1 : a1 x+b1 y+c1 z+d1 = 0 e π2 : a2 x+b2 y+c2 z+d2 = 0, com vetores normais: ~n1 = (a1 , b1 , c1 )
e ~n2 = (a2 , b2 , c2 ), respectivamente.
Chama-se ângulo de dois planos π1 e π2 o menor ângulo que o vetor normal de π1 forma
com o vetor normal de π2 . Logo, sendo θ este ângulo, tem-se:
90
|n~1 .n~2 | π
cos θ = , com 0 ≤ θ ≤ (5.17.1)
||n~1 ||.||n~2 || 2
ou, em coordenadas:
|a1 a2 + b1 b2 + c1 c2 |
cos θ = p p (5.17.2)
a1 2 + b 1 2 + c 1 2 a2 2 + b 2 2 + c 2 2
Observação 5.10
a1 b1 c1
1. π1 //π2 , se ~n1 //~n2 . Isto é = = .
a2 b2 c2
a1 b1 c1 d1
Se além dessas igualdades tivermos = = = os planos são coincidentes.
a2 b2 c2 d2
2. π1 ⊥ π2 , se ~n1 ⊥ ~n2 . Isto é, se a1 a2 + b1 b2 + c1 c2 = 0.
Exemplo 5.27 Determinar o ângulo entre os planos

π1 : 2x − 3y + 5z − 8 = 0 e π2 : 3x + 2y + 5z − 4 = 0.
5.18 Ângulo de uma reta com um Plano

Seja r uma reta com a direção do vetor ~v e um plano π com vetor nomal ~n. O ângulo φ da reta r
com o plano π é o complemento do ângulo θ que a reta r forma com uma reta normal ao plano.
π
Como θ + φ = e, portanto, cos θ = sen φ temos:
2
|~v .~n| π
sen φ = , com 0 ≤ θ ≤ (5.18.3)
||~v ||.||~n|| 2
Exemplo 5.28 Determinar o ângulo entre a reta


 x = 1 − 2t
r: y = −t e plano π : x + y − 5 = 0
z = 3+t

91
5.19 Interseção de Dois Planos
Consideremos os planos não paralelos
π1 : 5x − 2y + z + 7 = 0 e
π2 : 3x − 3y + z + 4 = 0.
Sabemos que a interseção de dois planos não paralelos é uma reta r cujas equações se de-
seja determinar. Uma reta está determinada quando se conhece dois de seus pontos ou um
ponto e seu vetor diretor. Um ponto pertence à reta interseção se suas coordenadas satisfazem
simultaneamente as equações dos dois planos, isto é, ele é uma solução do sistema:

5x − 2y + z + 7 = 0
3x − 3y + z + 4 = 0
O sistema é indeterminado e, em termos de x sua solução é:

y = −2x − 3
z = −9x − 13
Estas são as equações reduzidas da reta interseção dos planos π1 e π2 , sendo os pontos dessa
interseção da forma:
(x, y, z) = (x, −2x − 3, −9x − 13)
5.20 Distância de um Ponto a um Plano

Seja um ponto P0 (x0 , y0 , z0 ) e um plano π : ax + by + cz + d = 0. Seja A o pé da perpendicular
conduzida por P0 sobre o plano π e P (x, y, z) um ponto qualquer desse plano.
92
−−→
O vetor ~n = (a, b, c) e normal ao plano π e, por conseguinte, o vetor AP0 tem a mesma direção
de ~n.
A distância d do ponto P0 ao plano π é:
−−→
d(P0 , π) = ||AP0 ||
−−→ −−→
Observando que o vetor AP0 é a projeção do vetor P P0 na direção de ~n, temos:

−−→ −−→ ~n
d(P0 , π) = ||AP0 || = P P0 .

||~n||
−−→
Mas, P P0 = (x0 − x, y0 − y, z0 − z)
e
~n (a, b, c)
=√ .
||~n|| a2 + b 2 + c 2
Logo,

(a, b, c)
d(P0 , π) = (x0 − x, y0 − y, z0 − z). √
a2 + b2 + c2
|a(x0 − x) + b(y0 − y) + c(z0 − z)|

d(P0 , π) = √
a2 + b 2 + c 2
|ax0 − ax + by0 − by + cz0 − cz|

d(P0 , π) = √
a2 + b 2 + c 2
Em virtude de P ∈ π temos:
d = −ax − by − cz
portanto,
|ax0 + by0 + cz0 + d|

d(P0 , π) = √
a2 + b 2 + c 2
Exemplo 5.29 Determinar a distância do ponto P0 (−4, 2, 5) ao plano π : 2x + y + 2z + 8 = 0
93
5.21 Distância entre dois planos
A distância entre dois planos é definida somente para planos paralelos:
Para π1 //π2 , temos:
d(π1 , π2 ) = d(P0 , π2 ), P0 ∈ π1 .
Exemplo 5.30 Dados os planos paralelos π1 : 2x − 2y + z − 5 = 0 e π2 : 4x − 4y + 2z + 14 = 0

verifique que d(π1 , π2 ) = 4.
5.22 Distância de uma Reta a um Plano

A distância de uma reta a um plano é definida somente quando a reta é paralela ao plano, ou
seja, o vetor diretor de r é paralelo ao plano π. Neste caso, temos:
d(r, π) = d(P0 , π), P0 ∈ r.

x=3
Exemplo 5.31 Estude a distância da reta r : ao planos xOz e yOz.
y=4
94
Capı́tulo 6
Cônicas e Quádricas
Neste Capı́tulo faremos um estudo geométrico e analı́tico(algébrico) de curvas bidimensionais

especiais: as CÔNICAS e, as superfı́cies tridimensionais classificadas como QUÁDRICAS.
6.1 Definição geométrica das Cônicas

Definição 6.1 As cônicas são curvas planas obtidas pela intersecção de um cone circular duplo
com um único plano.
Figura 6.1: cone duplo
A inclinação do plano com relação ao eixo de simetria do cone determinará os diversos tipos
de curvas. Essas curvas são chamadas de cônicas. São elas: circunferência, elipse, parábola e
hipérbole.
95
Figura 6.2:
Observação 6.1 Se o plano passar pelo vértice O do cone obtemos as cônicas degeneradas:
Estudaremos somente as cônicas não-degeneradas.
Figura 6.3: cônicas degeneradas
6.2 Definição analı́tica das Cônicas

Definição 6.2 Uma cônica em R2 é um conjunto de pontos cujas coordenadas satisfazem a
equação:
C(x, y) = ax2 + 2cxy + by 2 + dx + ey + f = 0
onde a ou b ou c 6= 0.
Veremos neste curso que:
96
− Se c = d = e = 0 então a cônica está centrada na origem e possui uma posição padrão
não rotacionada;
− Se c = 0 e d 6= ou e 6= então a cônica está transladada (não centrada na origem) mas,
possui uma posição padrão não rotacionada;
− Se c 6= 0 e d = e = 0 então a cônica está centrada na origem e rotacionada;
− Se c, d , e 6= 0 então a cônica está transladada (não centrada na origem) e rotacionada.
6.3 Definição geométrica das Superfı́cies Quádricas

Definição 6.3 As Superfı́cies Quádricas são superfı́cies tridimensionais cuja interseção com os
planos paralelos aos planos coordenados é dada por uma cônica. Cada cônica obtida por esta
interseção é chamada de curva de nı́vel.
97
6.4 Definição analı́tica das Superfı́cies Quádricas
Definição 6.4 Uma Superfı́cie Quádrica em R3 é um conjunto de pontos cujas coordenadas
satisfazem a equação:
ax2 + by2 + cz2 + 2dxy + 2eyz + 2fxz + gx + hy + iz + j = 0
com pelo menos uma das constantes a, b, c, d, e ou f diferente de zero.
Estudaremos as quádricas, na posição padrão cuja representação é dada por uma equação da
forma
ax2 + by2 + cz2 + gx + hy + iz + j = 0.
6.5 A elipse
Definição 6.5 Uma elipse é o conjunto dos pontos P (x, y) do plano tais que a soma das
distância de P a dois pontos fixos F1 e F2 situados no mesmo plano é constante. Os pontos
F1 e F2 , são chamados focos da elipse.
Figura 6.4: elipse
Seja d(F1 , F2 ) = 2c (distância focal) e seja a um número real tal que 2a > 2c. O conjunto de
todos os pontos P do plano que satisfazem a equação
d(P, F1 ) + d(P, F2 ) = 2a
ou
−−→ −−→
k P F1 k + k P F2 k = 2a (6.5.1)
é uma elipse com focos F1 e F2 .
98
Observação 6.2 Se a = c, (6.5.1) é a equação do segmento F1 F2 .
6.5.1 Elementos da elipse
• Focos: são os pontos F1 e F2 .
• Distância focal: é a distância 2c entre os focos.
• Centro: é o ponto médio C do segmento F1 F2 .
• Eixo maior: é o segmento A1 A2 de comprimento 2a.
• Eixo menor: é o segmento B1 B2 de comprimento 2b.
• Vértices: são os pontos A1 , A2 , B1 e B2 .

c
• Excentricidade: é o número e dado por e = . Como c < a, temos 0 ≤ e < 1.
a
Figura 6.5:
Observação 6.3 Em toda elipse vale a relação: a2 = b2 + c2
Figura 6.6:
99
6.5.2 Expressão analı́tica da elipse centrada na origem
Consideremos a elipse com focos F1 (−c, 0) e F2 (c, 0).
Figura 6.7:
−−→ −−→
Logo, F1 P = P − F1 = (x + c, y) e F2 P = P − F2 = (x − c, y). Portanto, a equação
−−→ −−→
k F1 P k + k F2 P k= 2a
pode ser escrita como:
p p
(x + c)2 + y 2 + (x − c)2 + y 2 = 2a ⇒
p p
(x + c)2 + y 2 = 2a − (x − c)2 + y 2 ⇒
p p
( (x + c)2 + y 2 )2 = (2a − (x − c)2 + y 2 )2 ⇒
p
(x + c)2 + y 2 = 4a2 − 4a (x − c)2 + y 2 + (x − c)2 + y 2 ⇒
p
x2 + 2xc + c2 + y 2 = 4a2 − 4a (x − c)2 + y 2 + x2 − 2xc + c2 + y 2 ⇒
p p
4a (x − c)2 + y 2 = 4a2 − 4xc ⇒ a (x − c)2 + y 2 = a2 − xc ⇒
p
(a (x − c)2 + y 2 )2 = (a2 − xc)2 ⇒ a2 ((x − c)2 + y 2 ) = a4 − 2a2 xc + x2 c2 ⇒
a2 (x2 − 2xc + c2 + y 2 ) = a4 − 2a2 xc + x2 c2 ⇒ a2 x2 − a2 2xc + a2 c2 + a2 y 2 = a4 − 2a2 xc + x2 c2 ⇒
a2 x 2 + a2 c 2 + a2 y 2 = a4 + x 2 c 2 ⇒ a2 x 2 − x 2 c 2 + a2 y 2 = a4 − a2 c 2 ⇒
x2 (a2 − c2 ) + a2 y 2 = a2 (a2 − c2 ) ⇒ x 2 b 2 + a2 y 2 = a2 b 2 (pois a2 = b2 + c2 ) ⇒
Dividindo ambos os membros por a2 b2 (a e b são não-nulos) temos
x2 y 2
+ 2 = 1 (6.5.2)
a2 b
que é a equação da elipse com centro na origem e eixo maior sobre o eixo x.
100
Analogamente, se tomarmos F1 (0, −c) e F2 (0, c), obtemos a equação
x2 y 2
+ 2 = 1 (6.5.3)
b2 a
que e a equação da elipse com centro na origem e eixo maior sobre o eixo y.
Exemplo 6.1 Determine os elementos de cada uma das elipses a seguir:

x2 y 2 x2 y 2
a) + =1 b) + =1
9 4 4 9
c) 9x2 + 25y 2 = 225 d) 4x2 + y 2 = 16
6.5.3 Elipses transladadas
Consideremos no plano cartesiano xOy um ponto O′ (h, k). Vamos introduzir um novo sistema
x′ O′ y ′ tal que os eixos O′ x′ e O′ y ′ tenham a mesma unidade de medida, a mesma direção e o
mesmo sentido dos eixos Ox e Oy. Assim, um sistema pode ser obtido do outro através de uma
translação de eixos.
Figura 6.8:
Seja um ponto P qualquer do plano tal que suas coordenadas são:

x e y em relação ao sistema xOy,
x′ e y ′ em relação ao sistema x′ O′ y ′ ,
Pela figura (6.8) temos:
x = x′ + h e y = y ′ + k ou x′ = x − h e y ′ = y − k
que são as fórmulas de translação e que permitem transformar coordenadas de um sistema
para outro.
101
Definição 6.6 Expressão analı́tica da elipse com centro fora da origem do sistema cartesiano
10 caso: O eixo maior é paralelo ao eixo dos x.

Consideremos uma elipse de centro C(h, k) e seja P (x, y) um ponto qualquer da elipse.
Figura 6.9:
Consideremos um novo sistema de eixos x′ O′ y ′ com origem em O′ em C. Veja figura (6.9)

A equação da elipse referente ao sistema x′ O′ y ′ é
x′2 y ′2
+ 2 =1
a2 b
mas,
x′ = x − h e y ′ = y − k
logo,
(x − h)2 (y − k)2
+ = 1,
a2 b2
que é a equação da elipse com centro C(h, k) e eixo maior paralelo ao eixo dos x.
20 caso: O eixo maior é paralelo ao eixo dos y

De modo análogo ao caso anterior, obtemos:
(x − h)2 (y − k)2
+ = 1,
b2 a2
que é a equação da elipse com centro C(h, k) e eixo maior paralelo ao eixo dos y.
102
Figura 6.10:
Exemplo 6.2 Determinar a equação da elipse, cujo eixo maior é paralelo ao eixo dos y, tem
1
centro C(4, -2), excentricidade e = e eixo menor de medida 6.
2
Exemplo 6.3 Determinar o centro, os vértices, os focos e a excentricidade da de equação

4x2 + 9y 2 − 8x − 36y + 4 = 0.
Observação 6.4 Na equação da elipse, sendo a = b temos:
(x−k)2 (y−l)2
a2
+ a2
= 1 ou ainda,
(x − k)2 + (y − l)2 = a2 ,
que é a equação da circunferência de centro (k, l) e raio r = a.
Exemplo 6.4 Determinar o centro e o raio das circunferências:

a) x2 + y 2 = 9
b) x2 + y 2 + 6x − 8y = 0
103
6.6 O Elipsóide
Consideremos uma superfı́cie tal que, os planos xy, xz e yz a interceptam segundo as elipses
x2 y 2 x2 z 2 y2 z2
+ 2 = 1, + 2 =1 e + 2 =1
a2 b a2 c b2 c
respectivamente.
Essa superfı́cie é dita um elipsóide descrito pela equação:
x2 y 2 z 2
+ 2 + 2 = 1,
a2 b c
onde a, b e c são números reais positivos.
Observação 6.5 Se a = b = c, o elipsóide é uma esfera.
Observação 6.6 O plano z = k, se | k |< c intercepta a superfı́cie segundo uma elipse e os

planos x = k, se | k |< a e y = k, se | k |< b também interceptam a superfı́cie segundo elipses .
9z 2
Exemplo 6.5 Identifique e esboce o gráfico da superfı́cie dada pela equação 9x2 + y 2 + = 9.
4
104
6.7 A Hipérbole
Uma hipérbole com focos F1 e F2 é o conjunto dos pontos P (x, y) do plano tais que
|d(F1 , P ) − d(F2 , P )| é constante.
Figura 6.11: hipérbole
Sejam F1 e F2 dois pontos do plano tais que d(F1 , F2 ) = 2c e seja a um número real tal que
2a < 2c. O conjunto de todos os pontos P do plano que satisfazem a equação
|d(P, F1 ) − d(P, F2 )| = 2a
ou
−−→ −−→
| k P F1 k − k P F2 k | = 2a (6.7.1)
é uma hipérbole com focos F1 e F2 .
−−→ −−→
Observação 6.7 Se a = c a equação | k P F1 k − k P F2 k | = 2c descreve os pontos P, situados
sobre a reta que passa pelos pontos F1 e F2 não interiores ao segmento F1 F2 .
Consideremos a reta que passa por F1 e F2 e sejam A1 e A2 os pontos de interseção da

hipérbole com esta reta. Consideremos outra reta perpendicular a esta passando pelo ponto
médio C do segmento F1 F2 . A hipérbole é simétrica em relação a essas duas retas, como também
em relação ao ponto C. Consideremos ainda uma circunferência de raio c e centro C. Tracemos
por A1 e A2 cordas perpendiculares ao diâmetro F1 F2 . As quatro extremidades dessas cordas são
os vértices do retângulo M N P Q inscrito nessa circunferência. As retas que contém as diagonais
do referido retângulo chamam-se assı́ntotas da hipérbole. Observemos que em toda hipérbole
vale a relação: c2 = a2 + b2 . Veja figura (6.12).
105
Figura 6.12:
As assı́ntotas são retas das quais a hipérbole se aproxima cada vez mais à medida que os
pontos se afastam dos focos.
6.7.1 Elementos da Hipérbole
• Focos: são os pontos F1 e F2 .
• Distância focal: é a distância 2c entre os focos.
• Centro: é o ponto médio C do segmento F1 F2 .
• Vértices: são os pontos A1 e A2 .
• Eixo real: é o segmento A1 A2 de comprimento 2a.
• Eixo imaginário: é o segmento B1 B2 de comprimento 2b.

c
• Excentricidade: é o número e dado por e = . Como c > a, temos e > 1.
a
106
6.7.2 Expressão analı́tica da hipérbole centrada na origem
1◦ caso: O eixo real está sobre o eixo dos x

Sja P (x, y) um ponto qualquer da hipérbole de focos F1 (−c, 0) e F2 (c, 0).
Figura 6.13:
Da definição temos
|d(P, F1 ) − d(P, F2 )| = 2a ⇒
p p
| (x + c)2 + y 2 − (x − c)2 + y 2 | = 2a ⇒
p p
(x + c)2 + y 2 − (x − c)2 + y 2 = ±2a ⇒
p p
(x + c)2 + y 2 = ±2a + (x − c)2 + y 2
Com procedimento análogo ao que foi usado na dedução da equação da elipse e usando a
relação c2 = a2 + b2 obtemos:
x2 y 2
− 2 = 1 (6.7.2)
a2 b
que é a equação da hipérbole com centro na origem e eixo real sobre o eixo x.
2◦ caso: O eixo real está sobre o eixo dos y

Analogamente, se tomarmos F1 (0, −c) e F2 (0, c), obtemos a equação
y 2 x2
− 2 = 1 (6.7.3)
a2 b
que é a equação da hipérbole com centro na origem e eixo real sobre o eixo y.(Veja
figura 6.14)
107
Figura 6.14:
Exemplo 6.6 Esboce as hipérboles a seguir e determine:

a) a medida dos semi-eixos;
b) os vértices;
c) os focos;
d) a excentricidade;
e) as equações das assı́ntotas.
x2 y 2 x2 y 2 y 2 x2 y 2 x2
I) − =1 II) − =1 III) − =1 IV ) − =1
9 4 4 9 4 9 9 4
108
6.7.3 Hipérboles transladadas
10 caso: O eixo real é paralelo ao eixo dos x.

Consideremos uma hipérbole de centro C(h, k) e seja P (x, y) um ponto qualquer dessa
hipérbole.
Analogamente como no estudo da elipse temos que
x2 y 2
− 2 =1
a2 b
é a equação de uma hipérbole com centro C(0, 0) e eixo real sobre o eixo dos x; quando o eixo
real for paralelo ao eixo dos x e o centro é C(h, k), sua equação passa a ser:
(x − h)2 (y − k)2
− =1
a2 b2
20 caso: O eixo real é paralelo ao eixo dos y

Neste caso, a equação é:
(y − k)2 (x − h)2
− =1
a2 b2
109
(y − 1)2 (x − 3)2
Exemplo 6.7 Esboce o gráfico da hipérbole − = 1 e determine:
9 4
a) o centro;
b) os vértices;
c) os focos;
d) a excentricidade;
e) as equações das assı́ntotas.
6.8 O Hiperbolóide de um folha
Consideremos a superfı́cie tal que, o plano xy a intercepta segundo a elipse
x2 y 2
+ 2 = 1, z = 0
a2 b
e os planos xz e yz a interceptam segundo as hipérboles
x2 z 2 y2 z2
− 2 = 1, y = 0 e − 2 = 1, x = 0
a2 c b2 c
respectivamente.
Essa superfı́cie é dita um hiperbolóide de uma folha ao longo do eixo z descrito pela
equação:
x2 y 2 z 2
+ 2 − 2 = 1,
a2 b c
onde a, b e c são números reais positivos.
Observação 6.8 Os traços horizontais são elipses. Os traços verticais nos planos x = k e
y = k são hipérboles se k 6= 0 e são um par de retas se k = 0.
Observação 6.9 O eixo de simetria corresponde à variável cujo coeficiente é negativo.
110
x2 y 2 z 2 x2 y 2 z 2
Já as equações − + + = 1, e − 2 + 2 = 1 descrevem o hiperbolóide de uma
a2 b2 c2 a2 b c
folha ao longo do eixo x e ao longo do eixo y, respectivamente.
y2 z2
Exemplo 6.8 Esboçar o gráfico da superfı́cie dada pela equação x2 + − = 1.
4 4
6.9 A Parábola
Consideremos em um plano uma reta d e um ponto F não pertencente a d. Uma parábola de
foco F é o conjunto dos pontos P (x, y) do plano equidistantes de F e de d.
Figura 6.15: parábola
Seja P1 é o pé da perpendicular de um ponto P do plano sobre a reta d. De acordo com a

definição, P pertence à parábola se, e somente se:
d(P, F ) = d(P, P1 )
ou
−→ −−→
k P F k=k P P1 k (6.9.1)
6.9.1 Elementos da parábola
• Foco: é o ponto F.
111
• Diretriz: é a reta d.
• Eixo: é a reta que passa pelo foco e é perpendicular à diretriz.
• Vértice: é o ponto V de interseção da parábola com seu eixo.
Observação 6.10 d(V, F ) = d(V, A), A ∈ d (d: diretriz).
6.9.2 Expressão analı́tica da parábola com vértice na origem
1◦ caso: O eixo da parábola é o eixo dos x

Consideremos a parábola de foco F (a, 0).
Figura 6.16:
Um ponto P (x, y) do plano pertence à parábola se, e somente se:
d(P, F ) = d(P, P1 )
ou
−→ −−→
k P F k=k P P1 k
isto é,
p p
(x − a)2 + (y − 0)2 = (x + a)2 + (y − y)2 ⇒
(x − a)2 + y 2 = (x + a)2 ⇒
x2 − 2xa + a2 + y 2 = x2 + 2xa + a2 ⇒ y 2 = 4ax
112
Portanto, y2 = 4ax é a equação da parábola com:
vértice V (0, 0), foco F (a, 0) sobre o eixo dos x e diretriz d : x = −a.
Observação 6.11 Se a > 0, a parábola tem concavidade voltada para a direita e se a < 0, a
parábola tem concavidade voltada para a esquerda.
2◦ caso: O eixo da parábola está sobre o eixo dos y

Considerando um ponto P (x, y) de uma parábola com foco F (0, a), de modo análogo ao
primeiro caso obtemos a equação
x2 = 4ay
que é a equação da parábola com vértice V (0, 0), foco F (0, a) sobre o eixo dos y e diretriz
d : y = −a
Figura 6.17:
Observação 6.12 Se a > 0, a parábola tem concavidade voltada para cima e se a < 0, a parábola
tem concavidade voltada para baixo.
Exemplo 6.9 Determinar a equação da reta diretriz, o vértice e o foco das parábolas x2 = 8y e
y 2 = −2x e esboce as parábolas.
113
6.9.3 Parábolas Transladadas
10 caso: O eixo da parábola é paralelo ao eixo dos x.

Consideremos uma parábola com vértice V (h, k) e eixo paralelo ao eixo dos x. Após uma
translação de eixos, análogo ao que foi feito no estudo da elipse e da hipérbole, temos que
(y − k)2 = 4a(x − h)
é a equação da parábola com vértice no ponto V (h, k) e eixo paralelo ao eixo dos x.
Analogamente,
(x − h)2 = 4a(y − k)
é a equação da parábola com vértice no ponto V (h, k) e eixo paralelo ao eixo dos y.
Exemplo 6.10 Determinar a equação da reta diretriz, o vértice e o foco da parábola

y 2 + 6y − 8x + 1 = 0 e esboce a parábola.
114
6.10 O Parabolóide elı́ptico
A superfı́cie tal que, s planos xz e yz a interceptam segundo as parábolas
x2 = a2 cz, e y 2 = b2 cz.
Esta superfı́cie é dita parabolóide elı́ptico em torno do eixo z descrita pela equação
x2 y 2
+ 2 = cz.
a2 b
Figura 6.18:
Observação 6.13 - Se c > 0, o plano z = k intercepta essa superfı́cie segundo a elipse
x2 y2
+ = 1 z = k. (6.10.2)
cka2 ckb2
se k > 0.
- Se k < 0 o plano z = k não intercepta a superfı́cie. Isto é, se c > 0, a superfı́cie está
contida na região z ≥ 0. Analogamente, temos que se c < 0, a superfı́cie está na região z ≤ 0.
y2 z2 x2 z 2
Já as equações + = cx, e + 2 = cy descrevem o parabolóide elı́ptico em torno do eixo
a2 b 2 a2 b
x e em torno do eixo y, respectivamente.
Exemplo 6.11 Esboçar o gráfico da superfı́cie dada pela equação z = 4x2 + y 2
115
6.11 O Hiperbolóide de duas folhas
x2 y 2 z 2
Consideremos a superfı́cie cuja equação é da forma − + 2 − 2 = 1, onde a, b e c são
a2 b c
números reais positivos.
Se | k |< b o plano y = k não intercepta a superfı́cie e se | k |> b o plano y = k intercepta a
superfı́cie segundo a elipse.
x2 z 2 k2
+ = − 1, y = k. (6.11.3)
a2 c2 b2
Vemos que essa superfı́cie tem duas folhas, uma na região y ≥ b e outra na região y ≤ −b.
Os planos xy e yz interceptam a superfı́cie segundo as hipérboles
y 2 x2 y2 z2
− = 1, z = 0 e − 2 = 1, x = 0
b2 a2 b2 c
respectivamente. Essa superfı́cie é um hiperbolóide de duas folhas ao longo do eixo y.
Exemplo 6.12 Identifique e esboce o gráfico da superfı́cie dada pela equação

4x2 − y 2 + 2z 2 + 4 = 0.
116
6.12 O Parabolóide hiperbólico
x2 y 2
A superfı́cie cuja equação é da forma − + 2 = cz é um parabolóide hiperbólico .
a2 b
Figura 6.19:
- O plano xz intercepta a superfı́cie segundo a parábola x2 = −ca2 z, y = 0 a qual tem

concavidade voltada para baixo, se c > 0 e seu eixo focal é o eixo dos z.
- O plano yz intercepta a superfı́cie segundo a parábola y 2 = cb2 z, x = 0 a qual tem
concavidade voltada para cima, se c > 0 e seu eixo focal também é o eixo dos z.
- Se k 6= 0, o plano z = k intercepta a superfı́cie segundo a hipérbole
x2 y2
− + = 1 z = k. (6.12.4)
cka2 ckb2
- Se k > 0, o eixo focal da hipérbole é paralelo ao eixo dos y e;

- Se k < 0 esse eixo é paralelo ao eixo dos x.
Exemplo 6.13 Esboçar o gráfico da superfı́cie dada pela equação z = y 2 − x2
6.13 Superfı́cie Cônica
Superfı́cie cônica é uma superfı́cie gerada por uma reta que se move apoiada numa curva plana
qualquer e passando sempre por um ponto dado não situado no plano desta curva.
A reta é denominada geratriz, a curva plana é a diretriz e o ponto fixo dado é o vértice da
superfı́cie cônica.
117
6.13.1 O Cone Quádrico
Consideraremos o caso particular da superfı́cie cônica cuja diretriz é uma elipse (ou circun-
ferência) com o vértice na origem do sistema e com seu eixo sendo um dos eixos coordenados.
Nestas condições, a superfı́cie cônica cujo eixo é o eixo dos z tem equação:
x2 y 2 z 2
+ 2 − 2 = 0.
a2 b c
Figura 6.20:
e chama-se cone quádrico.

O plano z = k, k 6= 0 intercepta a superfı́cie segundo a elipse
x2 y2
+ = 1 z = k. (6.13.5)
k 2 a2 k 2 b 2
A interseção dessa superfı́cie com o plano z = 0 é a origem, que é o vértice do cone.

Os planos xy e yz interceptam a superfı́cie segundo os pares de reta
x = ±az, y = 0 e y = ±bz x = 0.
respectivamente.
Exemplo 6.14 Esboçar o gráfico da superfı́cie dada pela equação x2 + y 2 = z 2 .
118
6.14 Superfı́cie Cilı́ndrica
Seja C uma curva plana e f uma reta fixa não contida nesse plano.
Superfı́cie cilı́ndrica é a superfı́cie gerada por uma reta r que se move paralelamente à reta
fixa f em contato permanente com a curva plana C.
A reta r que se move é denominada geratriz e a curva C é a diretriz da superfı́cie cilı́ndrica.
Nesse estudo consideramos apenas superfı́cies cilı́ndricas cuja diretriz é uma curva que se
encontra num dos planos coordenados e a geratriz é uma reta paralela ao eixo coordenado não
contido nesse plano. Neste caso, a equação da superfı́cie cilı́ndrica é a mesma de sua diretriz.
Exemplo 6.15 Represente geometricamente as superfı́cies cilı́ndricas dadas pelas equações:

a) y 2 = 2z.
b) z 2 = 2y.
c) x2 = 2y.
x2 y 2
d) + =1
4 9
x2 z 2
e) + =1
4 9
y2 z2
f) + =1
4 9
Observação 6.14 Conforme a diretriz seja uma circunferência, elipse, hipérbole ou parábola, a
superfı́cie cilı́ndrica é chamada circular, elı́ptica, hiperbólica, ou parabólica.
119
Resumo de alguns possı́veis tipos de superfı́cies quádricas básicas e as equações em cada caso.
Superfı́cie Elipsóide Cone elı́ptico Parabolóide elı́ptico
x2 y 2 z 2 x2 y 2 x2 y 2
Equação: + 2 + 2 = 1, z2 = + 2, z= + 2
a2 b c a2 b a2 b
gráfico
Hiperbolóide de vertical ao longo do eixo x ao longo do eixo y

uma folha
x2 y 2 z 2 x2 y 2 z 2 x2 y 2 z 2
Equação: + 2 − 2 = 1, − 2 + 2 + 2 = 1, − 2 + 2 =1
a2 b c a b c a2 b c
gráfico
Hiperbolóide de vertical ao longo do eixo x ao longo do eixo y

duas folhas
z 2 x2 y 2 x2 y 2 z 2 y 2 x2 z 2
Equação: − 2 − 2 = 1, − 2 − 2 = 1, − 2 − 2 =1
a2 b c a2 b c a2 b c
gráfico
120
Parabolóide em z em x em y
Hiperbólico
y 2 x2 y2 z2 x2 z 2
Equação: z= − 2, x= − 2, y= − 2,
a2 b a2 b a2 b
gráfico
121
Capı́tulo 7
O Espaço Vetorial Euclidiano

n-dimensional
Em meados do século XV II René Descartes materializou explicitamente a idéia de utilizar

pares de números para situar pontos no plano. Logo em seguida foram utilizados ternos de
números para situar pontos do espaço tridimensional. Já na segunda metade do século dezoito,
os matemáticos e fı́sicos (entre eles, Einstein) perceberam a possibilidade de se trabalhar com
quádruplos (x, y, z, t) que poderiam ser considerados como pontos de um universo espaço-tempo
de dimensão quatro. Mais ainda, acrescendo outras informações a este ponto do espaço poderiam
trabalhar com pontos (x1 , x2 , x3 , x4 , x5 ) num espaço de dimensão cinco e assim por diante, com
n−uplas (x1 , x2 , ..., xn ) num ”espaço n-dimensional”, a qual designaremos de ”espaço vetorial
euclidiano.”
Neste capı́tulo estudaremos as propriedades das operações sobre os vetores deste espaço.
7.1 O Espaço Euclidiano n-Dimensional

Mesmo não havendo visualização geométrica para espaços de dimensão maior que 3, é possı́vel es-
tender muitas idéias familiares como ângulo, comprimento, distância, utilizando as propriedades
numéricas e algébricas.
Definição 7.1 Se n é um número inteiro positivo, dizemos que uma sequência (x1 , x2 , ..., xn ) de
números reais é uma n-upla ordenada e o espaço euclidiano n-dimensional é dado por:
Rn = {(x1 , x2 , ..., xn ) : xi ∈ R, i = 1, 2, ..., n}
~ = (x1 , x2 )(OP
Observação 7.1 Em R2 (R3 ) à cada ponto P (x1 , x2 )(P (x1 , x2 , x3 ) há um vetor OP ~ =
122
(x1 , x2 , x3 )) associado e vice-versa: à cada vetor de R2 (R3 ) há um ponto associado. Generali-
zando então, esta associação dizemos que cada n-upla ordenada (x1 , x2 , ..., xn ) corresponde tanto
a um ponto generalizado de Rn quanto a um vetor generalizado de Rn .
7.1.1 Igualdade de vetores de Rn
Dois vetores ~u = (u1 , u2 , ..., un ) e ~v = (v1 , y2 , ..., vn ) são iguais (~u = ~v ) se, e somente se, u1 =
v1 , u2 = v2 , ..., un = vn
7.1.2 Operações em Rn
Dados os vetores ~u = (u1 , u2 , ..., un ) e ~v = (v1 , y2 , ..., vn ) em Rn temos:

A soma u + v definida por
~u + ~v = (u1 + v1 , u2 + v2 , ..., un + vn )
e se k ∈ R, a multiplicação por escalar de ~v definida por:
k~v = (kv1 , kv1 , ..., kvn ).
Observações:
1. O vetor nulo de Rn é denotado por ~0 ou é definido como
~0 = 0Rn = (0, 0, .., 0)
2. O inverso aditivo de um vetor ~u = (u1 , u2 , ..., un ) é denotado por −u e definido por
−u = (−u1 , −u2 , ..., −un )
3. A diferença de vetores em Rn é definida por
u − v = u + (−v) = (u1 − v1 , u2 − v2 , ..., un − vn )
Exemplo 7.1 Dados os vetores ~u = (−2, 3, 7, 4) e ~v = (1, 0, −3, 6), calcule:

a) ~u + ~v b) 2~u c) u − 3v.
123
7.1.3 Propriedades das operações no Espaço Euclidiano
~ em Rn e k e l escalares em R temos:
Para quaisquer vetores ~u, ~v e w
1. Se ~u, ~v ∈ Rn então ~u + ~v ∈ Rn
2. Se ~u ∈ Rn e k ∈ R então k.~u ∈ Rn .
3. ~u + ~v = ~u + ~v
4. (~u + ~v ) + w
~ = ~u + (~v + w)
~
5. ~u + ~0 = ~0 + ~u = ~u
6. ~u + (−~u) = −~u + ~u = ~0
7. (k + l)~u = k~u + l~u
8. k(~u + ~v ) = k au
~ + k~v
9. k(l~u) = (kl)~v
10. 1~u = ~u e (−1)~u = −~u
7.1.4 O produto interno euclidiano em Rn
As noções geométricas euclidianas de ângulo, paralelismo, perpendicularismo, ortogonalidade,

comprimento, distância, área e volume em R2 e R3 foram todas definidas a partir do produto
interno entre dois vetores. Portanto, para estender estas noções ao espaço n-dimensional Rn
precisamos definir neste espaço, o produto interno euclidiano.
Definição 7.2 Sejam ~u = (u1 , u2 , ..., un ) e ~v = (v1 , v2 , ..., vn ) dois vetores não nulos de Rn ,
então:
~u.~v = u1 .v1 + u2 v2 + ... + un vn
define o produto interno euclidiano de ~u e ~v.
Exemplo 7.2 O produto interno euclidiano dos vetores u = (−1, 3, 5, 7) e v = (5, −4, 7, 0) em
R4 é:
u.v = (−1).5 + 3.(−4) + 5.7 + 7.0 = 18
124
Norma e Distância em Rn
Por analogia com as fórmulas familiares de R3 , nós definimos a norma euclidiana ou com-
primento euclidiano de um vetor u = (u1 , u2 , ..., un ) em Rn por
q
k→−u k= u21 + u22 + ... + u2n
Da mesma forma, a distância euclidiana entre os pontos u = (u1 , u2 , ..., un ) e v = (v1 , v2 , ..., vn )
de Rn é definida por
−−−→ p
d(u, v) =k u − v k= (u1 − v1 )2 + (u2 − v2 )2 + ... + (un − vn )2
~ de Rn e k um escalar real, temos:

Para quaisquer que sejam os vetores ~u, ~v e w
Propriedades do Produto Interno Euclidiano
1. ~u.~u > 0 e ~u.~u = 0 somente se ~u = ~0.
2. ~u.~v = ~v .~u
3. ~u.(~v + w)
~ = ~u.~v + ~u.w
~
4. (k~u).~v = k(~u.~v ) = ~u.(k~v )
Propriedades do Comprimento Euclidiano

√
v k= −
1. k −
→ →
v .−
→
v ou ainda,−
→
v .−
→
v =k −
→
v k2 .
2. k −
→
u k≥ 0, k−
→
u k= 0 se, e somente se, u = 0
−→
3. k k.u k= |k| k −
→
u k
4. k −
u−+
−→v k≤k −
→
u k + k−
→
v k (Desigualdade triangular)
5. k ~u + ~v k2 = k ~u k2 + 2~u.~v + k ~v k2
6. k ~u − ~v k2 = k ~u k2 − 2~u.~v + k ~v k2
7. k ~u k2 − k ~v k2 = (~u + ~v ).(~u − ~v )
Propriedades da Distância em Rn
1. d(u, v) ≥ 0, d(u, v) = 0 se, e somente se, u = v.
2. d(u, v) = d(v − u)
3. d(u, v) ≤ d(u, w) + d(w, v) (Desigualdade triangular)
125
Capı́tulo 8
Espaços Vetoriais
Definição 8.1 Um espaço vetorial real é um conjunto V, não vazio, munido de duas operações:
+:V ×V → V ·:R×V → V
(u, v) 7→ u + v (a, v) 7→ av
satisfazendo as seguintes propriedades, ∀ u, v, w ∈ V e a, b ∈ R ou a, b ∈ C:
01) u + v = v + u ;
02) u + (v + w) = (u + v) + w ;
03) Existe um elemento 0 ∈ V , tal que 0 + u = u (0 é o elemento neutro da adição);
04) Existe um elemento (−v) ∈ V , tal que v + (−v) = (−v) + v = 0 (existência do simétrico);
05) 1v = v(1 é o elemento neutro da multiplicação por escalar);
06) a(bv) = (ab)v;
07) a(v + w) = av + aw;
08) (a + b)v = av + bv.
Observação 8.1 1) Se os escalares forem números complexos teremos um espaço vetorial

complexo. Daqui por diante, salvo referência em contrário, serão considerados somente os
espaços vetoriais reais.
2) Os elementos do espaço vetorial V serão chamados vetores.
Exemplo 8.1 O conjunto dos vetores do espaço V = R3 = {(x1 , x2 , x3 ); xi ∈ R} é um espaço

vetorial real.
Exemplo 8.2 O conjunto V = Pn dos polinômios com coeficientes reais, de grau menor ou igual
a n é um espaço vetorial.
126
Exemplo 8.3 O conjunto Mmn (R) com as operações adição e multiplicação por escalar usuais
é um espaço vetorial.
Exemplo 8.4 O espaço euclidiano Rn = {(x1 , x2 , . . . , xn ); xi ∈ R} (n inteiro qualquer) é

um espaço vetorial real, munido das operações
u + v = (x1 + y1 , x2 + y2 , . . . , xn + yn ) e a.u = (ax1 , ax2 , . . . , axn ) ∀ u, v, ∈ V e a ∈ R.
8.1 Subespaço Vetorial

Definição 8.2 Seja V um espaço vetorial real. Um subconjunto S de V é um subespaço veto-
rial de V se:
1) S contém o vetor nulo;
2) Se u, v ∈ S, então u + v ∈ S;
3) Se u ∈ S e a ∈ R, então au ∈ S.
Observação 8.2 Todo espaço vetorial V admite pelo menos dois subespaços: S = {0}, chamado
subespaço nulo ou subespaço zero e o próprio espaço vetorial V . Esses dois são chamados
subespaços triviais de V. Os demais são denominados subespaços próprios de V.
Exemplo 8.5 Os subespaços triviais de V = R3 são S = {(0, 0, 0)} e o próprio R3 . Os subespaços

próprios são as retas e os planos que passam pela origem.
Exemplo 8.6 Sejam V = R2 e S = {(x, y) ∈ R2 /y = 2x} ou S = {(x, 2x); x ∈ R}. Mostre que
S é um subespaço vetorial do R2 .
127
Exemplo 8.7 Sejam V = R2 e S = {(x, 4 − 2x); x ∈ R}. Mostre que S não é um subespaço
vetorial do R2 .
Exemplo 8.8 Sejam V = R3 e S = {(x, y, z) ∈ R3 ; ax + by + cz = 0}. Mostre que S é um

subespaço vetorial do R3 .
Exemplo 8.9 Sejam V = R3 e S o conjunto solução de um sistema homogêneo de três equações

e três variáveis. Mostre que S é um subespaço vetorial do R3 .
8.2 Combinação Linear

Definição 8.3 Sejam os vetores v1 , v2 , . . . , vn do espaço vetorial V e os escalares a1 , a2 , . . . , an .
Qualquer vetor v ∈ V da forma:
v = a1 v 1 + a2 v 2 + . . . + a n v n
é uma combinação linear dos vetores v1 , v2 , . . . , vn .
Exemplo 8.10 O vetor v = (2, 3) ∈ R2 é uma combinação linear dos vetores v1 = (1, 0) e
v2 = (0, 1), pois
128
(2, 3) = 2(1, 0) + 3(0, 1)
Exemplo 8.11 O vetor v = (5, 2, 3) ∈ R3 é uma combinação linear dos vetores v1 = (1, 0, 0),
v2 = (0, 1, 0), e v3 = (0, 0, 1), pois
(5, 2, 3) = 5(1, 0, 0) + 2(0, 1, 0) + 3(0, 0, 1)
8.3 Subespaços Gerados

Seja V um espaço vetorial. O conjunto S de todas as combinações lineares possı́veis dos vetores
v1 , v2 , . . . , vn de V é um subespaço vetorial de V, denominado subespaço vetorial gerado
pelos vetores v1 , v2 , . . . , vn .
Notação: S = [v1 , v2 , . . . , vn ]
Observação 8.3 Os vetores v1 , v2 , . . . , vn são chamados geradores de S
Exemplo 8.12 Os vetores i = (1, 0) e j = (0, 1) geram o espaço vetorial R2 , pois qualquer vetor
(x, y) ∈ R2 é combinação linear de i e j.
(x, y) = (x, 0) + (0, y) = x(1, 0) + y(0, 1) = xi + yj
Logo, [i, j] = R2
Exemplo 8.13 Os vetores i = (1, 0, 0) e j = (0, 1, 0) geram o subespaço S = {(x, y, 0) ∈

R3 /x, y ∈ R}, pois
(x, y, 0) = x(1, 0, 0) + y(0, 1, )
Logo, [i, j] = S é um subespaço próprio do R3 e representa, geometricamente o plano XOY
Exemplo 8.14 Os vetores e1 = (1, 0, 0), e2 = (0, 1, 0) e e3 = (0, 0, 1) geram o espaço vetorial
R3 , pois qualquer vetor (x, y, z) ∈ R3 é combinação linear de e1 , e2 e e3 :
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)
Logo, [e1 , e2 , e3 ] = R3
129
Observação 8.4 Dados n vetores v1 , v2 , . . . , vn de V e w tal que w = a1 v1 , a2 v2 , . . . , an vn
então:
[v1 , v2 , . . . , vn , w] = [v1 , v2 , . . . , vn ]
pois todo vetor v que é combinação linear de v1 , v2 , . . . , vn , w é também combinação linear de
v1 , v2 , . . . , vn .
Supondo que:
v ∈ [v1 , v2 , . . . , vn , w], então existem números reais
b1 , b2 , . . . , bn , b
tais que
v = b1 v1 + b2 v2 + . . . + bn vn + bw
mas
w = a1 v 1 + a2 v 2 + . . . + an v n
logo,
v = b1 v1 + b2 v2 + . . . + bn vn + b(a1 v1 + a2 v2 + . . . + an vn )
ou
v = (b1 + a1 )v1 + (b1 + a2 )v2 + . . . + (bn + an )vn
logo v é combinação linear de v1 , v2 , . . . , vn , isto é,
v ∈ [v1 , v2 , . . . , vn ]
Para mostrar a recı́proca, isto é, se v ∈ [v1 , v2 , . . . , vn ] então v ∈ [v1 , v2 , . . . , vn , w], basta
considerar b = 0.
8.4 Dependência e Independência Linear

Na observação acima vimos que um espaço vetorial V pode ser gerado por n vetores ou por
n + 1 vetores. Isto é, o conjunto gerador de V pode ter n ou n + 1 vetores. Em nosso estudo
estamos interessados no conjunto gerador de um espaço vetorial que seja o menor possı́vel. Para
determinarmos esse conjunto precisamos do conceito de dependência e independência linear.
Definição 8.4 Sejam V um espaço vetorial e v1 , v2 , . . . , vn ∈ V. Dizemos que v1 , v2 , . . . , vn são

linearmente independentes se a equação
130
a1 v 1 + a2 v 2 + . . . + a n v n = 0
só admitir a solução nula, isto é, a1 = a2 = . . . = an = 0. Se a equação admitir solução diferente
da solução nula diremos que os vetores v1 , v2 , . . . , vn são linearmente dependentes.
Exemplo 8.15 Dados os vetores e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , en = (0, 0, . . . , 1) do

Rn e u = (a1 , a2 , . . . , an ) um vetor qualquer do Rn . Temos que u = a1 e1 + a2 e2 + . . . + an en . Além
disso, se
x1 e1 + x2 e2 + . . . + xn en = 0,
então x1 = x2 = . . . = xn = 0. Portanto os vetores e1 , e2 , . . . , en são linearmente independentes.
Definição 8.5 Se V é um espaço vetorial, o conjunto de vetores v1 , v2 , . . . , vn ∈ V é uma base

de V, se:
i) v1 , v2 , . . . , vn são LI;
ii) os vetores v1 , v2 , . . . , vn geram V.
O número de vetores de uma base para um espaço vetorial V é o mesmo para qualquer base
de V e chama-se dimensão de V.
Exemplo 8.16 Se V = R2 , v1 = (1, 0) e v2 = (0, 1), então {v1 , v2 } é base de R2 .

De fato, já vimos que todo vetor do plano é combinação linear de v1 e v2 e que os vetores v1
e v2 são LI. A base {(1, 0), (0, 1)} é chamada base canônica de R2 .
Exemplo 8.17 O conjunto {(1, 0), (2, 0)} não é base do R2 , pois os vetores são LD.
Exemplo 8.18 Se V = R3 , v1 = (1, 0, 0), v2 = (0, 1, 0) e v3 = (0, 0, 1) então {v1 , v2 , v3 } é base

de R3 , chamada base canônica de R3 , pois para qualquer vetor X = (x, y, z) do R3 , temos
X = xv1 + yv2 + zv3
e os vetores (0, 1, 0), (0, 1, 0) e (0, 0, 1) são LI.
131
Exemplo 8.19 O conjunto {(1, 0, 0), (0, 1, 0)} não é uma base de R3 . Temos que (1, 0, 0) e
(0, 1, 0) são LI, mas não geram R3 .
Exemplo 8.20 Os n vetores e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , en = (0, 0, . . . , 1) do

exemplo 8.15 formam uma base para o Rn , chamada base canônica de Rn .
8.5 Espaços Vetoriais com Produto Interno

No Capı́tulo 1, foi definido o produto interno usual de dois vetores no R2 e no R3 e foram
estabelecidas, por meio desse produto, algumas propriedades desses vetores. Pretendemos agora
generalizar o conceito de produto interno.
Definição 8.6 O produto interno no espaço vetorial V é uma função de V × V em R que a todo
par de vetores (u, v) ∈ V × V associa um número real, indicado por u.v ou < u, v >, que satisfaz
as seguintes propriedades:
1) u.v = v.u;
2) u.(v + w) = u.v + v.w;
3) (αu).v = α(u.v) para todo real α;
4) u.v ≥ 0 e u.u = 0 se, e somente se, u = 0V .
Exemplo 8.21 Se u = (x1 , x2 , x3 ) e v = (y1 , y2 , y3 ) são vetores quaisquer do R3 , o número real
u.v = x1 y1 + x2 y2 + x3 y3
define o produto interno usual no R3 .

Analogamente,
Se u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ) são n-uplas no Rn então temos que o produto
interno usual no Rn de u por v é dado por
u · v = x1 y1 + x2 y2 + . . . + x n yn .
132
8.6 Espaço Vetorial Euclidiano
Um espaço vetorial real, de dimensão finita, na qual está definido um produto interno, é um
espaço vetorial euclidiano.
8.6.1 Norma de um Vetor
A norma de um vetor v de um espaço vetorial euclidiano V, é dada por
√
k v k= v.v
Exemplo 8.22 Se u = (1, 2, −1, 3) e v = (0, −1, 2, 1), determine u · v e k u k .
Distância entre dois vetores

A distância entre dois vetores (ou pontos) é o número real, dado por
d(u, v) =k u − v k
Propriedades da Norma de um Vetor

Se V um espaço vetorial euclidiano.
1. k v k≥ 0, para todo vetor v ∈ V e k v k= 0, se, e somente se, v = 0.
2. k αv k= |α| k v k, para todo vetor v ∈ V e α ∈ R
3. | u.v |≤k u kk v k, para quaisquer vetores u, v ∈ V
4. k u + v k≤k u k + k v k para quaisquer vetores u, v ∈ V
133
8.7 Ângulo de dois Vetores
Sejam u e v vetores não-nulos de um espaço vetorial euclidiano V. O ângulo θ dos vetores u e
v é dado por:
u.v
cosθ = , 0≤θ≤π
k u kkk v k
8.8 Vetores Ortogonais

Seja V um espaço vetorial euclidiano. Dizemos que dois vetores u e v são ortogonais, denotamos
por u ⊥ v, se, e somente se, u.v = 0.
8.9 Conjunto Ortogonal de Vetores

Seja V um espaço vetorial euclidiano. Dizemos que um conjunto de vetores {v1 , v2 , · · · , vn } ⊂ V
é ortogonal se quaisquer dois vetores, distintos, são ortogonais, isto é, vi .vj = 0 para todo i 6= j.
8.10 Base Ortonormal

Uma base B = {v1 , v2 . . . vn } de um espaço vetorial V é ortonormal se v1 , v2 , . . . , vn são unitários
e se vi · vj = 0 para todo i 6= j.
Em muitos problemas envolvendo espaços vetoriais, temos liberdade de escolher uma base
apropriada para o espaço vetorial.
Em espaços vetoriais com produto interno a solução de um problema é muitas vezes simpli-
ficada pela escolha de uma base na qual os vetores são ortogonais entre si.
Nesta seção mostraremos como tais bases podem ser obtidas.
MOTIVAÇÃO: É excepcionalmente simples expressar um vetor como combinação linear
dos vetores de uma base ortonormal.
Teorema 8.1 Se B = {v1 , v2 , . . . , vn } é uma base ortonormal de um e.v E com p.i e u ∈ E,

então u = a1 v1 + a2 v2 + . . . + an vn onde
ai =< u , vi > = u.vi
134
Exemplo 8.23 B = {v1 , v2 , v3 } = {(0, 1, 0), (−4/5, 0, 3/5), (3/5, 0, 4/5)} é base ortonormal.
Logo, tomando por exemplo, u = (1, 1, 1) ∈ R3 temos:
1 7
u =< u, v1 > v1 + < u, v2 > v2 + < u, v3 > v3 = 1v1 − v2 + v3
5 5
Teorema 8.2 Se B = {v1 , v2 , . . . , vn } é uma base ortogonal de um e.v E com p.i e u ∈ E,

então u = a1 v1 + a2 v2 + . . . + an vn onde
< u , vi > u.vi
ai = 2
=
kvi k kvi k2
8.11 Projeções Ortogonais: O Processo de Gram-Schmidt
É geometricamente evidente em R2 ou R3 com o produto interno euclidiano, que se W é uma

reta ou um plano que contém a origem (s.e.v) então, para cada vetor u ∈ R2 (∈ R3 ) temos:
u = w1 + w2
Definição 8.7 Seja E e.v de dimensão finita com p.i e W ⊂ E, W s.e.v de E. Então, o
subespaço ortogonal à W é dado por:
W ⊥ = {v ∈ E :< v, w >= 0, ∀ w ∈ W }
Teorema 8.3 Se W é s.e.v de E, E e.v de dimensão finita com p.i então, se u ∈ E, u = w1 +w2 ,
onde w1 ∈ W e w2 ∈ W ⊥ .
O vetor w1 do teorema acima é chamado projeção ortogonal de u em W e é denotado por

projW u.
Do teorema anterior resulta:
u = projW u + (u − projW u)
135
Teorema 8.4 Se W é s.e.v de E, E e.v de dimensão finita com p.i então:
a) Se {v1 , v2 , ..., vr } é base ortonormal de W então,
projW u = < u, v1 > v1 + < u, v2 > v2 + ...+ < u, vr > vr .
b) Se {v1 , v2 , ..., vr } é base ortogonal de W então,

< u, v1 > < u, v2 > < u, vr >
projW u = v 1 + v 2 + ... + vr .
kv1 k2 kv2 k2 kvr k2
Teorema 8.5 Cada espaço vetorial não nulo de dimensão finita com p.i possui uma base orto-
normal {v1 , v2 , ..., vn }.
prova:(PROCESSO DE GRAM-SCHMIDT)
Considere {u1 , u2 , ..., un }. base de E.
Passo 1: v1 = u1
< u2 , v 1 >
Passo 2: v2 = u2 − projW1 u2 = u2 − v1 , onde W1 = [v1 ].
kv1 k2
(Observe que v2 é ortogonal a v1 )

< u3 , v 1 > < u3 , v 2 >
Passo 3: v3 = u3 − projW2 u3 = u3 − v1 + v2 , onde W2 = [v1 , v2 ].
kv1 k2 kv2 k2
(Observe que v3 é ortogonal a v1 e v2 )

< u4 , v 1 > < u4 , v 2 > < u4 , v 3 >
Passo 4: v4 = u4 − projW3 u4 = u4 − v1 + v2 + v3 , onde
kv1 k2 kv2 k2 kv3 k2
W3 = [v1 , v2 , v3 ].
(Observe que v4 é ortogonal a v1 , v2 e v3 )
Passo n:
< un , v 1 > < un , v 2 > < un , vn−1 >
vn = un − projWn−1 un = un − v1 + v2 + ... + vn−1 , onde
kv1 k2 kv2 k2 kvn−1 k2
Wn−1 = [v1 , v2 , ..., vn−1 ].
(Observe que vn é ortogonal a v1 , v2 ,...,vn−1 )

v1 v2 vn
Portanto, {v1 , v2 , ..., vn } é uma base ortogonal de E e , , ..., é uma base
kv1k kv2 k kvn k
ortonormal de E.
Exemplo 8.24 Considerando B = (1, 1, 1), (0, 1, 1), (0, 0, 1) uma base de R3 use o Processo de
Gram-Schmidt para ”ortonormalizar”esta base.
136
LISTA DE EXERCÍCIOS - ESPAÇOS VETORIAIS
Nos problemas 1-5 são apresentados subconjuntos de R2 . Verificar quais deles são subespaços
vetoriais de R2 , relativamente às operações de adição e multiplicação por escalar usuais. Para
os que são subespaços, mostrar que as duas condições são satisfeitas. Caso contrário, citar um
contra-exemplo.
1. S = {(x, y)/y = −x}
2. S = {(x, x2 )/x ∈ R}
3. S = {(x, y)/x + 3y = 0}
4. S = {(x, y)/y = x + 1}
5. S = {(x, y)/x ≥ 0}
Nos problemas 6- 13 são apresentados subconjuntos de R3 . Verificar quais deles são su-
bespaços vetoriais de R3 , relativamente às operações de adição e multiplicação por escalar
usuais. Para os que são subespaços, mostrar que as duas condições são satisfeitas. Caso
contrário, citar um contra-exemplo.
6. S = {(x, y, z)/x = 4y e z = 0}
7. S = {(x, y, z)/z = 2x − y}
8. S = {(x, y, z)/x = z 2 }
9. S = {(x, y, z)/y = x + 2 e z = 0}
10. S = {(x, x, x)/x ∈ R}
11. S = {(x, y, z)/x ≥ 0}
12. S = {(x, y, x)/x + y + z = 0}
13. S = {(4t, 2t, −t)/t ∈ R}
14. Verificar se os subconjuntos que seguem são subespaços de M (2, 2) :

a b
a) S = :c=a+b e d=0 .
c d

a b
b) S = : a, b, c ∈ R .
0 c
137

a b
c) S = : a, b, c ∈ R .
b c

a a+b
d) S = : a, b ∈ R .
a−b b

a 1
e) S = : a, b ∈ R .
a b
15. Escreva w = (7, −11, 2) como combinação linear dos vetores u = (2, −3, 2) e v = (−1, 2, 4)
em R3 .
16. Consideremos no espaço P2 os vetores p1 = t2 − 2t + 1, p2 = t + 2 e p3 = 2t2 − t.

a) Escreva o vetor p = 5t2 − 5t + 7 como combinação linear de p1 , p2 e p3 .
b) Verifique se é possı́vel escrever p1 como combinação linear de p1 e p2 .
17. Seja o espaço vetorial M (2, 2) e os vetores

1 0 −1 2 0 −1
v1 = , v2 = e v3 =
1 1 0 1 2 1

1 8
Escrever o vetor v = como combinação linear dos vetores v1 , v2 e v3 .
0 5
18. Sejam os vetores v1 = (−1, 2, 1), v2 = (1, 0, 2) e v3 = (−2, −1, 0). Expressar cada um dos
vetores u = (−8, 4, 1), v = (0, 2, 3) e w = (0, 0, 0) como combinação linear de v1 , v2 e v3 .
19. Expressar o vetor u = (−1, 4, −4, 6) ∈ R4 como combinação linear dos vetores v1 =
(3, −3, 1, 0), v2 = (0, 1, −1, 2) e v3 = (1, −1, 0, 0).
20. Classificar os seguintes subconjuntos de R2 em LI ou LD:

a) {(1, 3)} b){(2, −1), (3, 5)} c){(1, 0), (−1, 1), (3, 5)}
21. Classificar os seguintes subconjuntos de R3 em LI ou LD:

a) {(2, −1, 3)} b){(1, −1, 1), (1, 1, 1)}
c){(2, −1, 0), (−1, 3, 0), (3, 5, 0)} d){(1, 2, −1), (1, 0, 0), (0, 1, 2), (3, −1, 2)}
22. Classificar os seguintes subconjuntos de P2 em LI ou LD:

a) 2 + x − x2 , −4 − x + 4x2 , x + 2x2 b)x2 − x + 1, x2 + 2x
138
23. Sendo E o espaço vetorial das matrizes 2 × 3, verificar se {A, B, C} é L.I ou L.D, sendo

−1 2 1 0 −1 2 −1 0 5
A= ,B= eC =
3 −2 4 −2 1 0 −1 0 3
24. Verificar se os subconjuntos que seguem são bases de R2 :
a) {(2, 1), (3, 0)} b){(3, 9), (−4, −12)}
25. Verificar se os subconjuntos que seguem são bases de R3 :

a) {(1, 0, 0), (2, 2, 0), (3, 3, 3)} b){(3, 1, −4), (2, 5, 6), (1, 4, 8)}
26. Verificar se os subconjuntos que seguem são bases de P2 :

a) {1 − 3x + 2x2 , 1 + x + 4x2 , 1 − 7x} b){−4 + x + 3x2 , 6 + 5x + 2x2 , 8 + 4x + x2 }
27. Mostre que o conjunto de vetores dados é uma base de M (2, 2).

3 6 0 −1 0 −8 1 0
, , ,
3 −6 −1 0 −12 −4 −1 2
28. Encontre as coordenadas de w = (3, −7) em relação à base B = {(1, 1), (0, 2)}.
29. Encontre as coordenadas de w = (5, −12, 3) em relação à base B = {(1, 2, 3), (−4, 5, 6), (7, −8, 9)}
30. Encontre as coordenadas de p = 2 − x + x2 em relação à base B = {1 + x, 1 + x2 , x + x2 }

2 0
31. Encontre as coordenadas de A = em relação a base B = {A1 , A2 , A3 , A4 } sendo,
−1 3

−1 1 1 1 0 0 0 0
A1 = ; A2 = ; A3 = ; A4 =
0 0 0 0 1 0 0 1
32. Determine uma base e a dimensão dos seguintes subespaços de R3 :

a) S = {(x, y, z)/3x − 2y + 5z = 0} b) S = {(x, y, z)/x = 2t, y = −t, z = 4t}
33. Determine uma base e a dimensão dos subespaços vetoriais apresentados nos exercı́cios
1 − 14.
34. Use o Processo de Gram-Schmidt para transformar B = {(1, −3), (2, 2)} em uma base
ortonormal. Determine as coordenadas de u = (5, 2) em relação à essa base ortonormal.
35. Use o Processo de Gram-Schmidt para transformar B = {(1, 1, 1), (−1, 1, 0),
(1, 2, 1)} em uma base ortonormal. Determine as coordenadas de
u = (−2, 2, 3) em relação à essa base ortonormal.
139
8.12 Mudança de Base
Em aplicações é muito comum trabalhar com mais de um sistema de coordenadas e nestes casos
é geralmente necessário conhecer as relações entre as coordenadas.
Pergunta: Se mudarmos da base B1 de um espaço V para uma base B2 , qual a relação entre
as coordenadas de [v]B1 e as novas coordenadas de [v]B2 ?
Para simplificar o problema, nós iremos resolver este problema para espaços bidimensionais.
dim V = 2 e depois generalizaremos a solução.
Sejam B1 = {u1 , u2 } e B2 = {w1 , w2 } bases de V . Então considerando as coordenadas:

a c
[w1 ] = [w2 ] =
b d
ou seja:
w 1 = a u1 + b u2 (1)
w 2 = c u1 + d u2 (2)

k1
e, v ∈ V um vetor qualquer e [v]B2 = temos:
k2
v = k1 w1 + k2 w2 (3)
Substituindo (1) e (2) em (3 resulta
v = k1 (a u1 + b u2 ) + k2 (c u1 + d u2 ) (4)
ou ainda,
v = (k1 a + k2 c)u1 + (k1 b + k2 d) u2 (5)
Portanto,

k1 a + k2 c a c k1
[v]B1 = = .
k1 b + k2 d b d k2
ou seja,
140
[v]B1 = P.[v]B2
ou ainda,
[v]B1 = [I]B
B1 .[v]B2
2
Exemplo 8.25 Dadas as bases B1 = {(1, 1), (2, 1)} e B2 = {(1, 0), (0, 1)} de V = R2 , determine:
a) a matriz mudança de base P de B2 para B1 .
b) a matriz mudança de base P , de B1 para B2 .
c) P.P , e P , .P
Com estes cálculos, qual relação você estabelece entre P e P , ?
Generalização:
Sejam B1 = {u1 , u2 , . . . , un } e B2 = {w1 , w2 , . . . , wn } duas bases ordenadas de um mesmo
espaço vetorial V. Dado um vetor v ∈ V temos:
[v]B1 = P.[v]B2
sendo P a matriz cujas colunas são formadas pelas coordenadas dos vetores da base B2 em relação
à base B1 ; ou seja, os vetores-coluna de P são
[w1 ]B1 , [w2 ]B1 , ..., [wn ]B1 , ou seja
P = [ [w1 ]B1 |[w2 ]B1 |...| [wn ]B1 ]
A matriz P é chamada matriz de transição de B2 para B1 ou P = [I]B

B1 é dita matriz de
2
mudança da base B2 para a base B1 .
Teorema 8.6 Se P é a matriz de transição de uma base B2 para uma base B1 em um espaço
vetorial de dimensão finita V, então:
a) P e invertı́vel.
b) P −1 é a matriz de transição de B1 para B2 .
141
Aplicação à Rotação de Eixos no Espaço Bidimensional
Em muitos problemas é dado um sistema de coordenadas retangulares xy que, girado no
sentido anti-horário em torno da origem por um ângulo θ, produz um novo sistema de coordenadas
x, y , . Quando isto é feito, cada ponto Q do plano tem dois conjuntos de coordenadas (x, y) e as
coordenadas (x, , y , ) em relação ao sistema x, y , .
Introduzindo vetores unitários u1 e u2 ao longo dos eixos x e y e vetores unitários w1 e w2,

ao londo dos eixos x, e y , positivos, nós podemos considerar esta rotação como uma mudança de
uma base velha B1 = {u1 , u2 }, a uma nova B2 = {w1 , w2 }. Assim, as novas coordenadas (x, y)
de um ponto Q estão relacionadas por

x, −1 x
=P
y, y
onde P é a matriz de transição de B2 para B1 . Observe que,

cos θ −sen θ
[w1 ]B1 = e [w2 ]B1 =
sen θ cos θ

cosθ −senθ −1 cosθ senθ
Assim, a matriz P = eP = e portanto,
senθ cosθ −senθ cosθ

x, cosθ senθ x
=
y, −senθ cosθ y
Exemplo 8.26 Determine as coordenadas do vetor (2, 1) na base de rotação de um ângulo θ = π4 .
Exemplo 8.27 Determine as coordenadas do vetor (−2, 3) na base de rotação de um ângulo

θ = π3 .
142
LISTA de EXERCÍCIOS
ESPAÇOS VETORIAIS - MUDANÇA DE BASE
√ √
1. Sejam B1 = {(1, 0), (0, 1)}, B2 = {(−1, 1), (1, 1)}, B3 = {( 3, 1), ( 3, −1)} e B4 = {(2, 0), (0, 2)}
bases ordenadas de R2 .
a)Ache as matrizes de mudança de base:

[I]B
B1 ,
2
[I]B
B2 ,
1
[I]B B1
B3 [I]B4
1
b) Quais são as coordenadas do vetor v = (3, −2) em relação à base:

i) B1 ii) B2 iii) B3 iv) B4
c) As coordenadas de um vetor v em relação à base B2 são dadas por

4
[v]B2 =
0
d) Quais são as coordenadas de v em relação à base:

i) B1 ii) B3 iii) B4
 
1 1 0
2. Se [I]B 2
=  0 −1 1  determine
 
B1
1 0 −1
 
−1
a)[v]B1 sendo [v]B2 =  2 
3
 
−1
b)[v]B2 sendo [v]B1 =  2 
3
143
Capı́tulo 9
Transformações Lineares
Neste capı́tulo estudaremos um tipo especial de aplicação, onde o domı́nio e o contra-

domı́nio são espaços vetoriais. Assim tanto a variável independente como a variável dependente
são vetores, razão pela qual essas aplicações são chamadas vetoriais. Estamos interessados nas
aplicações vetoriais lineares, que serão denominadas transformações lineares.
Definição 9.1 Sejam E e F. Uma aplicação T : E → F é chamada transformação linear de E

em F se:
I) T (u + v) = T (u) + T (v)
II) T (αu) = αT (u)
para qualquer u, v ∈ E e para qualquer α ∈ R
Observação 9.1 O conjunto de todas as transformações lineares de E em F é denotado por:
L(E, F )
Observação 9.2 Uma transformação linear de E em E é chamada operador linear sobre E.
Observação 9.3 Uma transformação linear de E em R é chamada funcional linear e
L(E, R) = E ∗
espaço vetorial dual de E.
144
Consequências da Definição:
• T (0E ) = 0F
• T (α1 v1 + ... + αn vn ) = α1 T (v1 ) + ... + αn T (vn )
• T (−v) = −T (v)
• T (u − v) = T (u) − T (v)
Observação 9.4 L(E, F ) = {T : E → F/T é transformação linear} é um espaço vetorial com

as operações:
• (A + B)(v) = A(v) + B(v)
• (αA)(v) = α.A(v)
Teorema 9.1 Se T1 : U → V e T2 : V → W são transformações lineares então,
(T2 ◦ T1 ) : U → W, tal que (T2 ◦ T1 )(u) = T2 (T1 (u)),
é uma transformação linear.
Exemplo 9.1 A aplicação T : R → R dada por T (x) = 2x é uma transformação linear.
Exemplo 9.2 A aplicação T : R2 → R dada por T (x, y) = 3x + 1 não é uma transformação

linear.
dp
Exemplo 9.3 A aplicação D : Pn → Pn dada por D(p(x)) = é uma transformação linear.
dx
Rb
Exemplo 9.4 A aplicação S : Pn → R dada por S(p(x)) = a
p(x)dx é uma transformação
linear.
145
Exemplo 9.5 Dada uma matriz A ∈ Mm×n , a aplicação LA : Rn → Rm dada por LA (v) = A.(v)
é uma transformação linear.
9.1 Transformações Lineares Planas

Agora iremos apresentar uma interpretação geométrica das transformações lineares, apresentando
exemplos de transformações de R2 em R2 . Veremos que as expansões, contrações, rotações certas
deformações em objetos planos podem ser descritas por transformações lineares.
9.1.1 Exemplos
1. (Dilatação de fator 2) T : R2 → R2 tal que T (x, y) = 2(x, y).
2. (Contração de fator 12 ) T : R2 → R2 tal que T (x, y) = 12 (x, y).
3. (Dilatação de fator 2 na direção do eixo x) T : R2 → R2 tal que T (x, y) = (2x, y).
4. (Dilatação de fator 2 na direção do eixo y) T : R2 → R2 tal que T (x, y) = (x, 2y).
146
5. (Reflexão em torno do eixo x) T : R2 → R2 tal que T (x, y) = (x, −y).
6. (Reflexão em torno do eixo y) T : R2 → R2 tal que T (x, y) = (−x, −y).
7. (Rotação de um Ângulo θ no sentido anti-horário) Rθ : R2 → R2 tal que

cosθ −senθ x
Rθ (x, y) = .
senθ cosθ y
8. (Cisalhamento horizontal) T : R2 → R2 tal que T (x, y) = (x + 2y, y).
9.2 Transformações Lineares Espaciais

Também podemos interpretar geometricamente as transformações lineares, apresentando exem-
plos de transformações de R3 em R3 . Veremos que as expansões, contrações,projeções, rotações e
certas deformações em objetos tridimensionais podem ser descritas por transformações lineares.
9.2.1 Exemplos
1. (Dilatação de fator 2) T : R3 → R3 tal que T (x, y, z) = 2(x, y, z).
147
2. (Contração de fator 12 ) T : R3 → R3 tal que T (x, y, z) = 12 (x, y, z).
3. (Dilatação de fator 2 na direção do eixo z) T : R3 → R3 tal que T (x, y, z) = (x, y, 2z).
4. (Dilatação de fator 2 na direção do eixo y) T : R3 → R3 tal que T (x, y, z) = (x, 2y, z).
5. (Reflexão em torno do plano xy) T : R3 → R3 tal que T (x, y, z) = (x, y, −z).
6. (Reflexão em torno do plano xz) T : R3 → R3 tal que T (x, y, z) = (x, −y, z).
148
7. (Reflexão em torno do plano yz) T : R3 → R3 tal que T (x, y, z) = (−x, y, z).
8. (Projeção ortogonal sobre o plano xy) T : R3 → R3 tal que T (x, y, z) = (x, y, 0).
9. (Projeção ortogonal sobre o plano xz) T : R3 → R3 tal que T (x, y, z) = (x, 0, z).
10. (Projeção ortogonal sobre o plano yz) T : R3 → R3 tal que T (x, y, z) = (0, y, z).
11. (Rotação anti-horária em torno do eixo z positivo por um ângulo θ) Rθ : R3 → R3

tal que    
cosθ −senθ 0 x
Rz(θ) (x, y, z) = senθ cosθ 0 . y 
  
0 0 1 z
149
12. (Rotação anti-horária em torno do eixo x positivo por um ângulo θ) Rθ : R3 → R3
1 0 0 x
Rx(θ) (x, y, z) =  0 cosθ −senθ  .  y 
0 senθ cosθ z
13. (Rotação anti-horária em torno do eixo y positivo por um ângulo θ) Rθ : R3 → R3

cosθ 0 senθ x
Ry(θ) (x, y, z) =  0 1 0 . y 
−senθ 0 cosθ z
9.3 O uso de bases na obtenção de uma Transformação

Linear
Considere {v1 , v2 , ..., vn } uma base de E. Uma transformação linear T : E → F fica inteiramente
definida quando definimos as imagens T (v1 ), T (v2 ), ..., T (vn ).
Isto pode ser feito expressando um vetor qualquer de E como combinação linear da base:
v = c1 v1 + c2 v2 + ... + cn vn
E então usando a definição de transformação linear temos:
T (v) = c1 T (v1 ) + c2 T (v2 ) + ... + cn T (vn )
150
Exemplo 9.6 Seja B = {(0, 1, 0), (1, 0, 1), (1, 1, 0)} base de R3 e T : R3 → R2 tal que T (0, 1, 0) =
(1, −2), T (1, 0, 1) = (3, 1), T (1, 1, 0) = (0, 2). Verifique que T (5, 3, −2) = (−10, 20).
Exemplo 9.7 Seja B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} e T : R3 → R2 tal que: T (1, 1, 1) =
(1, 0), T (1, 1, 0) = (2, −1), T (1, 0, 0) = (4, 3).
Encontre uma expressão para T (x, y, z) e use-a para determinar T (2, −3, 5).
9.4 Núcleo e Imagem de uma Transformação Linear

Definição 9.2 Chama-se núcleo de uma transformação linear T : E → F ao conjunto de todos
os vetores v ∈ E que são transformados em 0F . Indica-se esse conjunto por N (T ) ou ker(T ):
N (T ) = {v ∈ E/ T (v) = 0F }
Observação 9.5 N (T ) é um subespaço vetorial de E.
Observação 9.6 Uma transformação linear T : E → F é injetora se, e somente se,
N (T ) = {0E }
Definição 9.3 Chama-se imagem de uma transformação linear T : E → F ao conjunto dos

vetores w ∈ F que são imagens de pelo menos um vetor v ∈ E. Indica-se esse conjunto por
Im(T ) ou simplesmente, T (E).
Im(T ) = {w ∈ F/ T (v) = w para algum v ∈ E}
Observação 9.7 Im(T ) é um subespaço vetorial de F.
151
9.5 Matrizes de Transformações Lineares Arbitrárias
Suponha que V é um espaço vetorial n-dimensional e W é um espaço vetorial m-dimensional. Se
nós escolhermos bases B e B , para V e W respectivamente, então para cada v ∈ V a matriz de
coordenadas [v]B será um vetor em Rn e a matriz de coordenadas [T (v)]B , será um vetor em Rm .
Se B = {v1 , v2 , ..., vn } é base de V e B , = {w1 , w2 , ..., wm } é base de W. Então T (v1 ), T (v2 ), ..., T (vn )
são vetores de W e portanto,
T (v1 ) = a11 w1 + a21 w2 + ... + am1 wm
T (v2 ) = a12 w1 + a22 w2 + ... + am2 wm
. . . .
. . . .
. . . .
T (vn ) = a1n w1 + a2n w2 + ... + amn wm
dizemos que  
a11 a12 ... a1n

 a21 a22 ... a2n 

 . . ... . 
 = [T ]B
A= B,

 . . ... . 

 . . ... . 
am1 am2 ... amn
é a matriz de T em relação às bases B e B , .
Exemplo 9.8 Seja T : R3 → R2 tal que T (x, y, z) = (2x + y − z, 3x − 2y + 4z) e sejam B a base
canônica de R3 e B , a base canônica de R2 . Calculando [T ]B
B , temos:
Exercı́cio 9.1 Considerando então B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} e B , = {(1, 3), (1, 4)} calcule
[T ]B
B, .
152
Teorema 9.2 Sejam V e W espaços vetoriais, B = {v1 , v2 , ..., vn } base de V, B , = {w1 , w2 , ..., wm }
base de W e T : V → W uma aplicação linear.
Então, para todo v ∈ V vale:
[T (v)]B , = [T ]B
B , .[v]B
Teorema 9.3 Se T1 : U → V e T2 : V → W são transformações lineares e se B1 , B2 , B3 são

bases de U, V e W, respectivamente, então
[T2 ◦ T1 ]B B2 B1
B3 = [T2 ]B3 .[T1 ]B2
1
Observação 9.8 Para U = V = W e B1 = B2 = B3 = B temos:
[T2 ◦ T1 ]B = [T2 ]B .[T1 ]B
Exercı́cio 9.2 Estude matricialmente T2 ◦ T1 sabendo que T1 (x, y) = 2(x, y) é uma expansão
plana e T2 (x, y) = (x + 2y, y) é um cisalhamento. Interprete a composição geometricamente.
Exercı́cio 9.3 No plano, uma rotação anti-horária de 45o é seguida por uma dilatação de
√
2. Ache a aplicação A que representa esta transformação no plano e interprete-a ”passo-a-
passo”geometricamente.
Exercı́cio 9.4 No espaço, uma dilatação de fator 2 na direção do eixo y é seguida de uma
rotação anti-horária de 90o em torno do eixo x positivo e uma reflexão em torno do plano
xy. Ache a aplicação A que representa esta transformação espacial e interprete-a ”passo-a-
passo”geometricamente.
153
Capı́tulo 10
Autovalores e Autovetores
Definição 10.1 Um vetor v 6= 0E de E chama-se autovetor do operador T : E → E, quando

existe λ ∈ R tal que
Av = λv.
O número λ ∈ R, por sua vez, chama-se autovalor do operador A.
Observação 10.1 Se v é um vetor não nulo tal que A(v) = λv então cada vetor na reta gerada
por v é levado de volta à mesma reta quando multiplicado pela matriz de A. Vetores não nulos que
são levados em múltiplos escalares deles mesmo por um operador linear aparecem naturalmente
no estudo de vibrações e da dinâmica populacional, na Genética, Mecânica Quântica e Economia.
Exemplo 10.1 A transformação linear T (x, y) = (3x + 2y, 3x − 2y) admite v = (2, 1) como
autovetor associado ao autovalor λ = 4.
Definição 10.2 Dizemos que o número real λ é um autovalor da matriz

a ∈ M (n × n) quando λ é um autovalor do operador A : Rn → Rn , cuja matriz na base
canônica é a. Ou seja, existe x ∈ Rn tal que ax = λx.

3 0
Exemplo 10.2 O vetor v = (1, 2) é um autovetor de A = correspondente ao autova-
8 −1
lor λ = 3.
Pergunta: Dado um operador linear T : E → E, como determinar λ ∈ R tal que T v = λv ?

Na próxima seção veremos um método para calcular o autovalor λ.
154
10.1 O Polinômio Caracterı́stico
Observe que v é autovetor do operador T associado ao autovalor λ se: T (v) = λv. Tomando
então, [T ] a matriz de T com relação a base canônica teremos: [T ][v] = λ[v] ou ainda,
([T ] − λI)[v] = 0E Fazendo ([T ] − λI) = B temos:
B.v = 0 (1)
Esta equação é dada explicitamente por:

     
a11 − λ a1 ... a1n x1 0
 a21
 a22 − λ ... a2n  
  x2  
  0 


 . . . ...  
. .  
= . 


 . . . ...  
  .  
  . 

 . . . ...   .   . 
an1 an2 ... ann − λ xn 0
Observe que para det(B) 6= 0, o sistema de equações lineares homogêneo indicado acima
tem uma única solução, x1 = x2 = ... = xn = 0 (ou v = 0E ). Portanto, a única maneira de
encontrarmos autovetores v (soluções não nula da equação acima) é termos detB = 0, ou seja,
det([T ] − λI) = 0 (2)
Impondo esta condição determinamos primeiramente os autovalores λ que satisfazem a equação

e depois os autovetores a eles associados.
Definição 10.3 O determinante dado em (2) é dito Polinômio Caracterı́stico do operador

T.
P(λ) = det([T] − λI)
Exemplo 10.3 Estude a existência de autovalores e autovetores do operador
T (x, y) = (3x, 8x − y).
Exemplo 10.4 Determine, se possı́vel, os autovalores e autovetores do operador
A(x, y) = (4x + 3y, x + 2y)
Exemplo 10.5 Seja A(x, y) = (y, 0) Quais são os autovalores e autovetores de A?
155
Exemplo 10.6 Seja A(x, y) = (2x − y, x + 4y). Mostre que A possui um autovalor único igual
a 3.
Exemplo 10.7 Seja A(x, y) = (3x + y, 2x + y). Mostre que A possui os autovalores 4 e 1.
Determine a base de autovetores de A e estude a matriz de A na base de autovetores.
Exemplo 10.8 Estude os autovalores e autovetores associados a matriz

 
3 −3 −4
 0 3 5 
0 0 −1
Exemplo 10.9 Estude os autovalores e autovetores associados a matriz

 
2 −3 1
 1 −2 1 
1 −3 2
Teorema 10.1 Seja E um espaço vetorial de dimensão n que possui n autovalores distintos.
Então, o conjunto dos autovetores associados aos autovalores de T é base de E.
B = {v1 , v2 , ..., vn } onde, T (vi ) = λi vi , i = 1, 2, ..., n.
Observação 10.2 Se B = {v1 , v2 , ..., vn } é uma base de autovetores de E então,

 
λ1 0 ... 0
 0 λ2 ... 0 

[T ]B
B = 
 é diagonalizável.
... ... ... ... 
0 0 ... λn
Definição 10.4 Uma matriz An × n é dita diagonalizável se existirem uma matriz invertı́vel
P e uma matriz diagonal D satisfazendo
P −1 .A.P = D
Nesse caso dizemos que P diagonaliza A.
Teorema 10.2 Uma matriz An × n é diagonalizável se e somente se A tem n autovetores line-

armente independentes.
Mais ainda, a matriz P que diagonaliza A é matriz cujas colunas são formadas pelos autove-
tores de A.
156

2 −3
Exemplo 10.10 Verifique que A = é diagonalizável, determinando seus autovalores
2 −5
−1
(e autovetores) e as matrizes P, P e D.
 
3 −1 −2
Exemplo 10.11 Verifique que A =  2 0 −2  é diagonalizável, determinando seus auto-
2 −1 −1
valores (e autovetores) e as matrizes P, P −1 e D.
10.2 Operadores Auto-Adjuntos

Como vimos anteriormente, dado um operador linear A sobre um espaço E de dimensão finita,
se existir uma base de autovetores a matriz de [A] nesta base de autovetores é uma matriz
diagonal, ou seja se existe uma base de autovetores então o operador é diagonalizável. No entanto,
observamos pelos exemplos do Capı́tulo anterior que nem todos operadores são diagonalizáveis,
ou seja, nem todo operador A admite uma base de autovetores.
Definição 10.5 Um operador A : E → E é auto-adjunto quando existe uma base ortonomal

B de E tal que [A]B
B é simétrica, ou seja
O operador A é auto-adjunto ⇐⇒ [A]B B T

B = ([A]B ) independente da base B ortonormal
considerada.
Teorema 10.3 (Teorema Espectral) Para todo operador auto-adjunto

A : E → E, num espaço vetorial de dimensão finita munido de produto interno, existe uma
base ortonormal {u1 , u2 , ..., um } ⊂ E formada por autovetores de A.
Observação 10.3 Do teorema acima concluı́mos que, se T é um operador auto-adjunto então, a

matriz canônica de T é simétrica e diagonalizável pela matriz P, cujas colunas são os autovetores
ortonormais de T.
Observação 10.4 A matriz P considerada acima é dita unitária pois seus vetores colunas
formam um conjunto ortonormal.
Podemos então, reformular o Teorema Espectral da seguinte maneira:
Teorema 10.4 (Reformulação do Teorema Espectral)

Se An×n é uma matriz auto-adjunta, então existe uma matriz unitária P que diagonaliza A.
157
 
0 2 −1
Exercı́cio 10.1 Dada A =  2 3 −2  encontre uma matriz unitária P que diagonaliza
−1 −2 0
A.
Exercı́cio 10.2 Determine, se possı́vel, uma base ortonormal de autovetores do operador
T (x, y, z) = (−2x, 6y + z, y + 6z).
Exercı́cio 10.3 Seja T (x, y, z) = (2x + y, x + y + z, y − 3z).

a) Mostre que T é um operador auto-adjunto.
b) Exiba uma base de autovetores de T e verifique que esta base é ortogonal. A partir desta
base, escreva uma base ortonormal e a matriz de T com relação a esta base.
Exercı́cio 10.4 Encontre uma matriz diagonalizante unitária para cada uma das matrizes a
seguir.

2 1
a)
1 2
 
2 1 1
b)  1 3 −2 
1 −2 3
 
1 1 1
c)  1 1 1 
1 1 1
 
4 2 −2
d)  2 1 −1 
−2 −1 1
158
10.3 Diagonalização de uma forma quadrática plana
Uma forma quadrática plana é dada por:
Q(x, y) = ax2 + by 2 + 2cxy (1)
e serão estudadas no Capı́tulo 10 como um dos termos da equação de uma cônica dada por:
C(x, y) = ax2 + by 2 + 2cxy + dx + ex + f = 0 (2)
Veremos a seguir que:

− Se c = d = e = 0 então a cônica está centrada na origem e possui uma posição padrão
não rotacionada;
− Se c = 0 e d 6= 0 ou e 6= 0 então a cônica está transladada (não centrada na origem)
mas, possui uma posição padrão não rotacionada;
− Se c 6= 0 e d = e = 0 então a cônica está centrada na origem e rotacionada;
− Se c, d, e são não nulos então a cônica está transladada (não centrada na origem) e
rotacionada.
Para os casos em que a cônica está rotacionada, é necessário determinar os novos vetores de
posição. Veremos que a nova base de posição será formada por autovetores da matriz simétrica
associado a forma quadrática Q(x, y). Para tanto é necessário expressar Q(x, y) matricialmente:

a c x
Q(x, y) = [x y] (3)
c b y

a c
Como A = é simétrica, sabemos que está associada a um operador auto-adjunto e
c b
portanto, existe uma matriz P que diagonaliza A. Sendo P uma matriz ortonormal de autovetores
temos:
P −1 = P T , pois P T .P = I e ainda, P T .A.P = D
Fazendo então a mudança da base canônica para a base de autovetores temos:

[I]autovetores canonica −1
canonica = P ⇒ [I]autovetores = P . Logo,
, T
x x x
= P. e [x y] = = [x, y , ]P T .
y y, y
Substituindo em (3) temos:
, ,
x x
, , T
Q(x, y) = [x y ]P .A.P. ,
, ,
= [x y ].D. = λ1 (x, )2 + λ2 (y , )2 , denominada forma
y y,
quadrática diagonalizada.
159
Referências Bibliográficas
[1] Anton, H.; Rorres, C.. Álgebra Linear com Aplicações. 8a Ed.. Porto Alegre: Bookman,
2001.
[2] Boldrini, J. L.. Álgebra Linear . 3a Ed.. São Paulo: Harbra Ltda, 1986.
[3] Boulos, P. Camargo, I. de. G. A. - um tratamento vetorial. 3a Ed.. S.P.: Prentice Hall,
2005.
[4] Santos, Nathan Moreira dos. Vetores e Matrizes - Uma introdução à Álgebra Linear . 4a
Ed. São Paulo: Thompson Learning, 2007.
[5] Poole, D. Álgebra Linear. 1a Ed.. São Paulo: Thomson Learning, 2006.
[6] Poole, D. Álgebra Linear. 1a Ed.. São Paulo: Thomson Learning, 2006.
[7] Steinbruch, A.; Winterle, P. Geometria Analı́tica. 2a Ed.São Paulo: Makron Books, 1987.
[8] Steinbruch, A.; Winterle, P. Álgebra Linear. 2a Ed.São Paulo: Makron Books, 1987.
[9] Steinbruch, A.; Winterle, P. Introdução à álgebra linear. São Paulo: Makron Books, 1990.
160

Geometria Analitica e Algebra Linear para Iniciantes PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Geometria Analitica e Algebra Linear para Iniciantes PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Geometria Analitica e Algebra Linear para Iniciantes PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ

1 Matrizes e Sistemas de Equações Lineares 10

3 Sistemas de coordenadas: Vetores Bidimensionais e Tridimensionais 50

5 Aplicação de Vetores ao Estudo da Reta e do Plano 69

7 O Espaço Vetorial Euclidiano n-dimensional 122

8 Espaços Vetoriais 126

9 Transformações Lineares 144

10 Autovalores e Autovetores 154

O Capı́tulo 1 trata das Matrizes, Determinantes e Sistemas de Equações Lineares por se

Os Capı́tulos 2, 3, 4, 5 e 6 se ocupam dos Vetores, Retas, Planos, Cônicas e Quádricas,

O Capı́tulo 7 traz a generalização do estudo dos vetores apresentando o espaço n−dimensional

Os Capı́tulos 8, 9 e 10 apresentam um sucinto curso de Álgebra Linear, expondo resumi-

Novas parcerias, eventuais correções e ou sugestões de aprimoramento serão bem acolhidas e

Sara Coelho da Silva

Matrizes e Sistemas de Equações

Aluno Prova 1 Atividade

Generalizando, apresentamos a seguinte definição.

A = [aij ]m×n ou A = [aij ]

Já, a j-ésima coluna de A é a m-upla

c) C = (cij )3×3 , sendo cij = i2 + j 2

1.2 Alguns tipos especiais de matrizes

3. Matriz Quadrada An×n : é a matriz em que o número de linhas é igual ao número de

Observação 1.1 A diagonal principal de uma matriz quadrada An×n é a n-upla

Observação 1.2 Indicaremos conjunto de todas as matrizes de de ordem m × n, com elementos

1.3 Operações usuais com Matrizes e Propriedades

Aluno Prova 1 Atividade

Aluno Prova 2 Atividade Aluno Prova 3 Atividade

Somando as entradas correspondentes (de mesma posição matricial) de A, B e C, temos:

sij = aij + bij , com 1 ≤ i ≤ m e 1 ≤ j ≤ n.

0m×n + A = A + 0m×n = A, ∀ A ∈ Mmn (R)

1.3.2 Subtração de Matrizes

Definição 1.4 Sejam as matrizes A, B ∈ Mmn (R), então a diferença D = B − A é a matriz

dij = bij − aij , com 1 ≤ i ≤ m e 1 ≤ j ≤ n.

1.3.3 Multiplicação por Escalar

Definição 1.5 Sejam A ∈ Mmn (R) e c ∈ R. A matriz cA = M é obtida pela multiplicação de

mij = caij , com 1 ≤ i ≤ m e 1 ≤ j ≤ n.

1.3.4 Propriedades da Adição e do Produto por Escalar

Sejam A, B, C ∈ Mmn (R) e c, d escalares reais.

1. Se A e B são elementos de Mmn (R) então A + B ∈ Mmn (R).

6. Se k é qualquer escalar e A ∈ Mmn (R), então kA ∈ Mmn (R).

1.4 Operações não usuais com Matrizes e Propriedades

Se A e B são matrizes de ordem m × n e c um número real, podemos verificar as seguintes

Definição 1.7 Matriz Simétrica

Definição 1.8 Matriz Anti-Simétrica

1.4.2 O traço de uma Matriz

1.4.3 Produto de Matrizes

Observação 1.6 Podemos usar a notação de somatório:

3. A(kB) = (kA)B = k(AB), k ∈ R 4. A(BC) = (AB)C;

1.5 Matrizes Invertı́veis

Por outro lado,

Teorema 1.4 Se A é uma matriz invertı́vel, então At também é invertı́vel. E ainda,

(At )−1 = (A−1 )t

1.5.1 Matrizes Ortogonais

Uma matriz A é dita ortogonal se, A é quadrada, invertı́vel e A.At = At .A = I ou seja,

Resposta: Sim, verifica-se que At .A = A.At = I.

1.6 Sugestão de Leitura e Estudo

Cada elemento aij dessa matriz é o faturamento da loja i no dia j.

a) Qual foi o faturamento da loja 3 no dia 2?

2. Classifique cada afirmação como verdadeiro (V) ou falso (F):