Universidade Tecnológica Federal do Paraná

UTFPR - Campus Pato Branco

GEOMETRIA ANALÍTICA E ÁLGEBRA LINEAR

Prof. Eliakim Machado

Pato Branco
2015

1
 SUMÁRIO

00 CORPOS.............................................................................................................3
01 MATRIZES.........................................................................................................4
02 SISTEMAS DE EQUAÇÕES LINEARES.......................................................18
03 SISTEMAS DE COORDENADAS.................................................................39
04 VETORES.........................................................................................................44
05 VETORES NO PLANO E NO ESPAÇO.......................................................59
06 DEPENDÊNCIA E INDEPENDÊNCIA LINEAR..........................................69
07 BASE.................................................................................................................83
08 PRODUTO ESCALAR....................................................................................91
09 PRODUTO VETORIAL...............................................................................111
10 PRODUTO MISTO.......................................................................................125
11 RETA..............................................................................................................132
12 PLANO...........................................................................................................156
13 CÔNICAS......................................................................................................182
14 ESPAÇOS VETORIAIS................................................................................220
15 TRASFORMAÇÕES LINEARES.................................................................267
16 AUTOVALORES E AUTOVETORES........................................................300
17 PRODUTO INTERNO.................................................................................316

2
 CORPOS

Definição: Um conjunto munido das operações: “ ”

chamada de soma e “ ”, chamada de produto, é um corpo se as seguintes
propriedades são válidas:
S1) ( ) ( ), quaisquer que sejam . Esta
propriedade recebe o nome de associativa da soma.
S2) , quaisquer que sejam . Esta propriedade
recebe o nome de comutativa da soma.
S3) Existe tal que , qualquer que seja .O
elemento é chamado de elemento neutro da soma. Além disso,
podemos denotar .
S4) Para qualquer , existe tal que . O
elemento é chamado de oposto aditivo de . Além disso, podemos
denotar .
P1) ( ) ( ), quaisquer que sejam . Esta
propriedade recebe o nome de associativa do produto.
P2) , quaisquer que sejam . Esta propriedade
recebe o nome de comutativa do produto.
P3) Existe tal que , qualquer que seja . O
elemento é chamado de elemento neutro do produto. Além disso,
podemos denotar .
P4) Para qualquer , com , existe tal que
. O elemento é chamado de inverso multiplicativo de . Além
disso, podemos denotar .
D) ( ) ( ) , quaisquer que sejam
. Esta propriedade recebe o nome de distributiva do produto em
relação à soma.

Observação: Denotamos um corpo por ( ). Uma terna composta

pelo conjunto e suas duas operações.

3
 CAPÍTULO 01: MATRIZES

1.1 INTRODUÇÃO

O objetivo deste capítulo é revisar o conteúdo matrizes. Vamos

estudar os tipos de matrizes, transposição, operações com matrizes e
matrizes invertíveis.
Basicamente, devemos abordar este conteúdo devido ao fato de
que podemos simplificar e organizar uma grande variedade de
problemas utilizando as matrizes.
Chamamos de matriz uma tabela de elementos dispostos em
linhas e colunas. Por exemplo, vamos considerar a tabela abaixo que
dispõem dados como altura, peso e idade de determinadas pessoas.

Altura ( ) Peso ( ) Idade (anos)

Pessoa 1
Pessoa 2
Pessoa 3
Pessoa 4

Podemos omitir o significado de cada linha e cada coluna, e

escrevermos:

[ ]

Uma matriz composta por 4 linhas e 3 colunas. Ainda podemos

dizer que esta é uma matriz .
Os locais onde aparecem os números dispostos na matriz são
chamados de entradas da matriz. As entradas podem ser números reais,
números complexos, funções, ou até mesmo matrizes.
Alguns exemplos de matrizes são:

4
 [ ] [ ] [ ]

Note que estamos usando colchetes para denotar as matrizes, mas

ainda podemos usar as notações dos seguintes exemplos:

( ) ‖ ‖

Representa-se uma matriz de linhas e colunas ( ) por:

[ ] [ ]

Quando nos referirmos a matrizes, usaremos sempre letras

maiúsculas para denota-las. Por exemplo, denotamos uma matriz de
linhas e colunas por .
Para a localização de elementos, dizemos a linha e em seguida a
coluna (respeitando esta ordem) deste elemento. Vejamos o seguinte
exemplo.

[ ]

O elemento está localizado na primeira linha e na terceira

coluna, e escrevemos .

5
 Em geral, o elemento está localizado na linha e na
coluna.
Ainda na matriz do exemplo, temos: , , ,
e .

1.1.1 Definição: Duas matrizes [ ] e [ ] são

iguais se:
i. Elas possuírem o mesmo número de linhas ( );
ii. Elas possuírem o mesmo número de colunas ( );
iii. Os elementos das entradas correspondentes são iguais (
).
Denotamos a igualdade entre tais matrizes por .

1.2 TIPOS DE MATRIZES

Nesta seção, vamos estudar algumas matrizes com características

especiais. O que torna essas matrizes especiais, é a existência de
algumas propriedades particulares que podem ser exploradas, seja pelo
número de linhas e colunas ou pela natureza dos elementos em suas
entradas.

6
 1.2.1 Matriz Quadrada: Diz-se que uma matriz [ ] é

quadrada se , isto é, se o número de linhas é igual ao número de

colunas.
Exemplos:

[ ]e [ ] são matrizes quadradas, pois o número de linhas

e colunas de é 2, enquanto o número de linhas e colunas de é 1.

Observação: Dizemos que a matriz com linhas e colunas é,

simplesmente, uma matriz quadrada de ordem .

1.2.2 Matriz Nula: Uma matriz é nula se , para quaisquer e

.
Exemplos:

[ ]e são matrizes nulas, pois para todo e em

[ ]
e , tem-se .

1.2.3 Matriz Coluna: Uma matriz é chamada de matriz

coluna se , isto é, se o número de colunas é igual a 1.
Exemplos:

[ ]e [ ] são exemplos de matriz coluna.

1.2.4 Matriz Linha: Uma matriz é chamada de matriz linha

se , isto é, se o número de linhas é igual a 1.
Exemplos:

[ ] e [ ] são matrizes linha.

7
Observações:

01. Denotamos o conjunto de todas as matrizes com entradas em

um corpo ( ) por ( ). No caso em que , denotamos
( ).

02. Consideramos uma matriz de ordem . A diagonal da matriz é

formada pelos elementos , onde . Na matriz quadrada abaixo
destacamos sua diagonal:

[ ]

, e formam a diagonal da matriz .

É importante lembrar que somente matrizes quadradas possuem
diagonal.

03. O traço de uma matriz quadrada é uma função ( ) que

associa uma matriz quadrada de ordem a soma dos elementos da
diagonal de . Isto é:

[ ] ( ) ∑

1.2.5 Matriz Diagonal: Uma matriz quadrada é chamada de matriz

diagonal se para todo , isto é, se todos os elementos que não
estão na diagonal são nulos.
Exemplos:

[ ]e [ ] são exemplos de matriz diagonal.

1.2.6 Matriz Identidade: Uma matriz diagonal cujos elementos da

diagonal são iguais a é chamada de matriz identidade. Resumindo,
uma matriz diagonal com , para todo , é chamada de matriz
identidade.
Exemplos:

8
 [ ]e [ ] são exemplos de matriz identidade. é a matriz

identidade de ordem 1, enquanto é a matriz identidade de ordem 3.

1.2.7 Matriz Triangular Superior: Uma matriz quadrada cujos

elementos abaixo da diagonal principal são todos nulos, recebe o nome
de matriz triangular superior. Ou ainda, uma matriz é triangular
superior se , para todo .
Exemplos:

[ ]e [ ] são matrizes triangular superior.

1.2.8 Matriz Triangular Inferior: Uma matriz quadrada cujos

elementos acima da diagonal principal são todos nulos, recebe o nome
de matriz triangular inferior. Ou ainda, uma matriz é triangular inferior
se , para todo .
Exemplos:

[ ]e [ ] são matrizes triangular inferior.

1.2.9 Matriz Simétrica: Uma matriz quadrada é simétrica se

, para quaisquer e .
Exemplos:

[ ]e [ ] são matrizes simétricas.

9
1.3 OPERAÇÕES COM MATRIZES

Nesta seção vamos estudar as operações: adição, produto por

escalar, transposição de matrizes, multiplicação de matrizes e suas
decorrentes propriedades.

1.3.1 Adição (soma): Sejam [ ] e [ ]

matrizes. A matriz soma de e , denotada por , é uma matriz de

ordem tal que suas entradas são resultantes da soma das entradas
correspondentes de e . Isto é, é tal que:

( ) [ ]

Exemplo:

Sejam [ ]e [ ], então:

[ ] [ ] [ ] [ ]
( )

[ ]

1.3.1.1 Propriedades: Sejam , e matrizes de mesma ordem

. Então as seguintes propriedades são válidas:
i. (comutatividade);
ii. ( ) ( ) (associatividade);
iii. (elemento neutro aditivo).

Observação: O elemento que aparece na propriedade iii é a matriz

nula de ordem . Podemos ainda denotar esta matriz por .

1.3.2 Multiplicação por escalar: Seja [ ] uma matriz e

um número (real ou complexo) que chamaremos de escalar. Definimos

10
a multiplicação escalar de por , como sendo a matriz , de ordem
, tal que:

( ) [ ]

Exemplo:

Sejam [ ]e , então:

( )
[ ] [ ( ) ( )] [ ]

[ ]

1.3.2.1 Propriedades: Sejam e matrizes de ordem e ,

e escalares. As seguintes propriedades são válidas:
i. ( ) ;
ii. ( ) ;
iii. ;
iv. ( ) ( ) .

Observação: A propriedade iii nos diz que, ao multiplicarmos uma

matriz de ordem pelo escalar zero (real ou complexo), vamos
obter como resultado a matriz nula de ordem .

1.3.3 Transposição de matrizes: Dada uma matriz

[ ] , podemos obter uma matriz [ ] , cujas linhas são as

colunas de , isto é, . é chamada de matriz transposta de .

Exemplos:

01. Seja [ ], então [ ].

11
02. Seja [ ], então [ ].

1.3.3.1 Propriedades:
i. Uma matriz é simétrica se, e somente se, ela é igual a sua
transposta, isto é, se, e somente se .
ii. , isto é, a transposta da transposta é igual a própria
matriz.
iii. ( ) , isto é, a transposta da soma é igual à soma
das transpostas.
iv. ( ) , escalar.

1.3.4 Multiplicação de matrizes: Sejam [ ] e [ ] .

Definimos a multiplicação [ ] , onde:

Observações:

01. Só podemos efetuar a multiplicação de duas matrizes e se

o número de colunas da primeira for igual ao número de linhas da
segunda, isto é, se . A matriz terá ordem .

02. O elemento é obtido multiplicando os elementos da

linha da primeira matriz pelos elementos correspondentes da
coluna da segunda matriz, e somando estes produtos.

Exemplos:

01. Sejam [ ]e [ ]. Observe que o número de colunas de

é igual ao número de linhas de , portanto podemos realizar a

12
multiplicação de por . Além disso, como temos e , a matriz
terá ordem . Calculamos então :

( )
[ ( ) ] [ ]
( )

[ ]

02. Considere [ ] e [ ]. Efetuamos a

multiplicação:

( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
[ ]
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )

[ ]

[ ]

[ ]

1.3.4.1 Propriedades:
i. Em geral , mesmo que um dos produtos não possa
ser realizado;

13
 ii. , onde é a matriz identidade. Como é uma
matriz quadrada, digamos que de ordem , para que a multiplicação
esteja definida, deve possuir colunas;
iii. ( ) ;
iv. ( ) ;
v. ( ) ( );
vi. ( ) ;
vii. e ;
viii. não implica que ou .

1.4 MATRIZES INVERTÍVEIS

Nesta seção, temos como objetivo definir matriz inversa, estudar

algumas propriedades e métodos para a determinação de uma matriz
inversa.

1.4.1 Matriz Inversa: Uma matriz quadrada de ordem admite

uma matriz inversa se, existe uma matriz de ordem tal que
, onde é a matriz identidade de ordem . Denotamos a matriz
inversa de por .

Quando uma matriz não possui inversa, dizemos que esta matriz
é singular.

1.4.2 Proposição: A inversa de uma matriz quadrada é única.

Prova: Seja uma matriz quadrada e suponha que possui duas
matrizes inversas e .
Como e são inversas de , temos por definição que:

14
 Assim, temos:

( ) ( )

Portanto, a matriz inversa de e única.

1.4.3 Propriedades:
i. A matriz identidade de ordem é invertível.
ii. Se é uma matriz invertível, então é invertível. Além disso,
( ) .
iii. Se e são matrizes invertíveis, então a matriz também é
invertível. Além disso, ( ) .
iv. Se é invertível, então é invertível. Além disso, ( )
( ).

Observação: Algumas das propriedades serão demonstradas em aula.

1.4.4 Teorema: Seja uma matriz quadrada de ordem . Para que

seja invertível é necessário e suficiente que ( ) .
Usamos o teorema acima para evitar que façamos cálculos
desnecessários e tentemos determinar a inversa de uma matriz singular.

1.4.5 Algoritmo para calcular a inversa de uma matriz: Seja

uma matriz invertível. Determinamos a matriz usando o seguinte
procedimento:
1. Construir uma matriz ampliada da forma [ | ].
2. Usando operações elementares na matriz ampliada, devemos
converter a matriz na matriz identidade . No final do processo
obtemos uma matriz ampliada da forma [ | ].

15
 Vejamos um exemplo para determinar a inversa de uma matriz.
Exemplo:

Consideramos a matriz [ ]. Note que:

( ) | |

( )

( ) implica que a matriz é invertível. Agora, usamos o algoritmo

para determinar .

[ | ] [ | ]→ [ | ]

→ [ | ]→ [ | ]

→ [ | ]→ [ | ]

|
→ [ | ]→ [ | ]
|
[ ]

Desta forma, obtemos:

16
[ ]

17
 CAPÍTULO 02: SISTEMAS DE EQUAÇÕES LINEARES

2.1 INTRODUÇÃO

Neste capítulo estudaremos sistemas de equações lineares. Os

principais pontos abordados neste capítulo serão: equações lineares,
soluções de equações lineares, sistemas de equações lineares, solução
de sistemas de equações lineares, sistemas de equações lineares com
duas ou mais incógnitas, sistemas equivalentes, operações elementares,
tipos de sistemas e sistemas homogêneos.

2.2 EQUAÇÕES LINEARES

2.2.1 Definição: Uma equação linear nas incógnitas

, onde ( ) é um corpo, é uma expressão da forma:

Onde são chamados de coeficientes e é

chamado de termo independente da equação.
Exemplos:

01. A equação é uma equação linear nas incógnitas

.

02. As equações e √ não

são equações lineares.

2.2.2 Solução de uma equação linear: Uma equação linear

sobre , com pelo menos um dos , sempre

18
possui solução. Uma ( ) é uma solução da equação
linear se .
Por exemplo, supondo que , temos em particular
. Logo, como ( ) é um corpo, possui inverso multiplicativo
. Então:

Portanto ( ) é uma
solução da equação.
Em geral:

{( ) }

É o conjunto solução da equação.

Exemplos:

01. Considere a equação . Note que uma solução para esta

equação é o par ( ) . Outra solução é o par ( ) . É fácil
perceber que existem infinitas soluções para a equação .
Fazendo:

Portanto, o conjunto solução da equação é:

{( ) }

02. Considere a equação √ . Fazendo:

√ √

19
 √

Portanto, o conjunto solução da equação √ é:

{( √ ) }

2.3 SISTEMAS DE EQUAÇÕES LINEARES

2.3.1 Definição: Um sistema de equações lineares com equações

e incógnitas é um conjunto de equações do tipo:

{ ∑

∑
{

Onde ( e ) são elementos de um corpo.

Exemplos:

01. O conjunto de equações { é um sistema de equações

lineares composto por equações e incógnitas. Podemos ainda dizer

que este é um sistema .

02. Se uma das equações em um sistema não for uma equação linear,
então este sistema não é um sistema de equações lineares.

20
 2.3.2 Solução de um sistema de equações lineares: Considere o

sistema de equações lineares { . Uma

( ) é solução do sistema se esta satisfaz

simultaneamente todas as equações deste sistema.
Exemplo:

A terna ( ) é solução do sistema { . Observe que:

Tomando ( ) em temos:

( ) ( ) ( )

A primeira equação é satisfeita pela terna.

Tomando ( ) em temos:

( ) ( ) ( )

A segunda equação é satisfeita pela terna.

Tomando ( ) em temos:

( ) ( ) ( )

A terceira equação é satisfeita pela terna,

Logo, por definição, ( ) é solução do sistema { .

Por outro lado, a terna ( ) não é solução do sistema. Embora

( ) satisfaça a segunda equação, o mesmo não ocorre para as
outras equações do sistema.

21
 2.3.2.1 Sistemas Equivalentes: Dois sistemas de equações lineares
são equivalentes se, e somente se, toda solução de qualquer um dos
sistemas também é solução do outro.
Exemplo:

Os sistemas de equações lineares { e {

são sistemas equivalentes (verifique!). Indicamos a equivalência dos

sistemas por:

{ {

2.3.3 Sistemas e matrizes: Podemos escrever o sistema de

equações lineares { na forma matricial:

[ ] [ ] [ ]

Onde [ ], [ ]e [ ]. Dizemos que

é a matriz dos coeficientes, é a matriz das incógnitas e é a matriz dos

termos independentes.
Podemos ainda representar o sistema acima pela matriz ampliada:

[ ]

22
 Note que a matriz ampliada é composta pelos coeficientes de cada
equação, juntamente com os termos independentes.
Exemplo:

O sistema { em sua forma matricial é dado por:

[ ] [ ] [ ]

Ou ainda, podemos escrever a matriz ampliada associada ao sistema:

[ ]

Observação: Note que, escrevemos o sistema de equações lineares:

Como:

[ ] [ ] [ ]

Devido ao fato de que, ao realizarmos a multiplicação e usando a

definição de igualdade entre matrizes, teremos exatamente o conjunto
das equações do sistema.

2.4 OPERAÇÕES ELEMENTARES

23
 São três as operações elementares sobre as linhas de uma matriz.
A seguir, veremos estas operações e alguns exemplos.

2.4.1 Permuta das e linhas ( ): Consiste

em “trocar de lugar” a linha pela linha.
Exemplo:

Façamos na matriz [ ]. Temos então:

[ ]→ [ ]

.
2.4.2 Multiplicação da linha por um escalar não nulo
( ): Consiste em multiplicar a linha de uma matriz por
um escalar , onde .
Exemplo:

Façamos na matriz [ ]. Temos então:

[ ]→ [ ]

2.4.3 Substituição da linha pela linha mais

vezes a linha ( ): Pensemos que, para usar esta
operação, devemos trocar uma linha da matriz por ela própria somada
com uma linha “múltipla” de outra linha presente na matriz.
Exemplo:

Façamos na matriz [ ]. Temos então:

24
 [ ]→ [ ]

2.4.4 Definição: Se e são matrizes , dizemos que é

linha equivalente a , se é obtida através de um número finito de
operações elementares sobre as linhas de . Podemos denotar ou
.

2.4.5 Teorema: Dois sistemas que possuem matrizes ampliadas

equivalentes são equivalentes.

2.5 FORMA ESCADA

2.5.1 Definição: Uma matriz é linha reduzida à forma

escada se:
i. O primeiro elemento não nulo de uma linha não nula é ;
ii. Cada coluna que contém o primeiro elemento não nulo de
alguma linha tem todos os seus outros elementos iguais à zero;
iii. Toda linha nula ocorre abaixo de todas as linhas não nulas;
iv. Se as linhas são linhas não nulas, e se o primeiro
elemento não nulo da linha ocorre na coluna , então .
A condição (iv) impõe a forma escada à matriz:

25
 Isto é, o número de zeros precedendo o primeiro elemento não
nulo de uma linha aumenta a cada linha, até que sobrem somente linhas
nulas, se houver.
Exemplos:

01. [ ] não é uma matriz linha reduzida à forma escada. Note

que a condição (ii) não é satisfeita, pois é o primeiro elemento

não nulo da linha , mas o restante de elementos da coluna não são
nulos.

02. [ ] não é uma matriz linha reduzida à forma escada, as

condições (i) e (iv) não são satisfeitas. A condição (i) diz que o primeiro
elemento não nulo de cada linha deve ser igual a , note que o primeiro
elemento não nulo da linha é igual a . Já a linha 2 possui elemento
não nulo na coluna 1, enquanto a linha possui elemento não nulo na
coluna , o que não corresponde a condição exigida em (iv).

03. [ ] não é uma matriz linha reduzida à forma escada,

as condições (i) e (iii) não são satisfeitas. Na linha , note que o primeiro
elemento não nulo é igual a , logo (i) não é satisfeita. Existe uma linha
nula (linha ) acima de uma linha não nula (linha ), portanto (iii) não é
satisfeita.

04. [ ] é uma matriz linha reduzida à forma escada.

2.5.2 Teorema: Toda matriz é linha equivalente a uma única

matriz linha reduzida à forma escada.

26
 2.5.3 Definição: Seja uma matriz e a matriz linha
reduzida à forma escada linha equivalente a . O posto de , denotado
por , é o número de linhas não nulas de . A nulidade de é o número
.
Observamos que, para determinar o posto de uma matriz,
devemos encontrar sua matriz linha reduzida à forma escada, assim o
posto de será o número de linhas não nulas presentes na matriz
escada. Para determinar a nulidade, fazemos a diferença entre o número
de colunas de e o posto de .
Exemplos:

01. Vamos determinar o posto e a nulidade de [ ].

Primeiramente, usando operações elementares, vamos determinar a

matriz linha reduzida à forma escada linha equivalente a matriz .

[ ]→ [ ]→ [ ]

→ [ ]→ →

[ ]
[ ]

[ ]

E temos a matriz linha reduzida à forma escada linha equivalente a .

Por definição, temos que o posto de é e a nulidade é .

27
Note que, se a matriz acima for associada à matriz ampliada de um
sistema, temos:

A matriz escada obtida é equivalente a matriz e, pelo Teorema 2.4.5, o

sistema associado a matriz será equivalente ao sistema associado a
matriz escada. Logo:

Onde é o sistema associado à matriz escada .

{ [ ]
Note que, ao determinarmos a matriz escada equivalente a matriz
ampliada do sistema, encontramos a solução de tal sistema.

02. A matriz [ ] é equivalente a matriz que é a

[ ]
matriz linha reduzida à forma escada. Temos o posto e a nulidade
.
Novamente, associando as matrizes a sistemas de equações lineares,
temos:

28
 { {

Este é o caso de um sistema com equações redundantes, ou seja, a

terceira e a quarta equações podem ser “desconsideradas”. Isto significa
que o sistema inicial é equivalente ao sistema:

Podemos ainda dizer que as duas primeiras equações são independentes

e as demais são dependentes.

Observação: É muito importante perceber o que o posto de uma matriz

ampliada de um sistema nos fornece o número de equações
independentes do mesmo.

2.6 TIPOS DE SOLUÇÕES (SPD, SPI E SI)

Um sistema de equações lineares pode ser classificado da seguinte

maneira:
Sistema Possível Determinado (SPD): Dizemos que um sistema é
SPD se este possui solução única.
Sistema Possível Indeterminado (SPI): Dizemos que um sistema é
SPI quando este possui infinitas soluções.
Sistema Impossível (SI): Dizemos que um sistema é SI quando este
não possui solução.

2.6.1 Sistema : Se tivermos um sistema de uma equação e

uma incógnita , são três as possibilidades:
i. Se , então a equação possui uma única solução, que é:

29
 ii. Se , então a equação possui infinitas soluções, pois
qualquer que seja o valor de , teremos:

iii. Se e , então a equação não possui solução, pois não

existe valor de que satisfaça:

2.6.2: Análise de sistemas de duas equações e duas incógnitas:

Façamos tal analise utilizando exemplos práticos, e em seguida
formalizaremos para casos mais gerais.
Exemplos:

01. Consideramos o sistema { . Note que, cada uma das

equações representa a equação de uma reta no plano, observe:

30
A solução deste sistema é o par ( ) que satisfaz as duas
equações simultaneamente. Geometricamente, devemos encontrar o
ponto do plano que é comum às duas retas, ou seja, queremos encontrar
a interseção destas retas. É fácil perceber que a solução será ( ).

Note que [ ] é a matriz ampliada do sistema. Agora, vamos

“transformar” esta matriz em sua matriz equivalente na forma escada:

[ ]→ [ ]→ [ ]→ [ ]

→ [ ]

Assim, o sistema equivalente ao sistema inicial, é o sistema associado a

matriz escada obtida acima. Temos:

Obtemos a solução e . Podemos ainda observar que o

posto da matriz ampliada do sistema é e a nulidade é .
Este é o caso de um sistema possível determinado.

02. Consideramos o sistema { . Note que as duas equações

representam duas retas coincidentes no plano. Observe:

31
Geometricamente, qualquer ponto de uma das retas pertence à outra.

A matriz ampliada do sistema é [ ] e sua matriz equivalente na

forma escada é [ ]. Portanto o sistema equivalente ao sistema

inicial é:

Logo a segunda equação pode ser desconsiderada, pois não

estabelecemos nenhuma condição sobre ou . Assim, a solução do
sistema é obtida atribuindo-se valores a uma das incógnitas e em
seguida determina-se o valor da outra incógnita. Por exemplo, sem
escrevermos , ao atribuirmos valores para , encontramos
valores consequentes para . Este sistema admite infinitas soluções. Este
é um caso de um sistema possível indeterminado.

03. Seja { um sistema . Geometricamente, tem-se:

32
Note que, as equações representam duas retas paralelas, isto é, as retas
em questão não possuem nenhum ponto em comum. Ainda podemos
dizer que não existe ( ) tal que e satisfaçam as equações

simultaneamente. A matriz ampliada do sistema é [ ] e sua

matriz escada equivalente é [ ]. Portanto, temos o sistema

equivalente:

Não existem valores de e que satisfaçam a segunda equação. Assim,

o sistema inicial não possui solução. Este é um caso de um sistema
impossível.

2.6.3 Caso Geral: Consideramos um sistema de equações lineares

:

33
Onde os coeficientes e são elementos de um corpo. Este sistema
poderá ter:
i. Uma única solução (SPD);
ii. Infinitas soluções (SPI);
iii. Nenhuma solução (SI).

2.6.4 Teorema:
i. Um sistema de equações e incógnitas admite solução se, e
somente se, o posto da matriz ampliada é igual ao posto da matriz dos
coeficientes.
ii. Se as duas matrizes têm o mesmo posto e , a solução
será única.
iii. Se as duas matrizes têm o mesmo posto e , podemos
escolher incógnitas, e as outras incógnitas serão dadas em
função destas.

Dizemos no caso iii que o grau de liberdade do sistema é .

Denotamos o posto da matriz ampliada por e o posto da matriz dos
coeficientes de . Se , denotamos .
Exemplos:

01. Na matriz [ ] temos e , note que

, segue pelo Teorema que a solução do sistema associado a esta

matriz será única.

02. Na matriz [ ] temos e , também

logo o sistema é SPI com grau de liberdade

, ou seja, uma incógnita é livre e as outras duas
dependem desta.

34
03. Na matriz [ ] temos , e . Note que

e, portanto, o sistema associado a esta matriz é

SI.

2.7 SOLUÇÃO DE UM SISTEMA PELA MATRIZ INVERSA

Seja a forma matricial de um sistema de equações

lineares de equações e incógnitas e suponha que existe a matriz
inversa de . Temos que:

( ) ( )

Portanto é solução do sistema .

2.8 SISTEMAS HOMOGÊNEOS

2.8.1 Definição: Um sistema de equações lineares

{ é chamado de sistema homogêneo se

.
Na forma matricial, o sistema é homogêneo se ,
onde é a matriz nula de ordem ( ).

Observação: Todo sistema homogêneo possui pelo menos uma solução,

chamamos esta de solução trivial ou solução nula . Onde:

[ ]

35
Ou ainda, podemos pensar na solução como sendo a
( ) ( ).

Exemplos:

01. O sistema { é um sistema homogêneo e tem, como única

solução, a solução ( ).

02. O sistema { é homogêneo. Note que ( ) é uma solução

deste sistema, porém não é única. Pois:

[ ]→ [ ]→ [ ]

→ [ ]

Temos o sistema equivalente ao sistema inicial { . Logo:

O conjunto solução do sistema é {( ) }, isto é, a cada valor

atribuído para teremos uma solução. Portanto, este sistema possui
infinitas soluções, ou seja, este é um SPI.
Isto acontece, por que se trata de um sistema , ou seja, um sistema
com número de incógnitas maior do que o número de equações.

2.8.2 Teorema: Se um sistema de equações lineares homogêneo

tem mais incógnitas do que equações, então existe uma solução não
trivial.

36
 Prova: Seja o sistema homogêneo na forma matricial ,
onde é uma matriz com (isto quer dizer que o número de
incógnitas é maior do que o número de equações).
Como um sistema homogêneo é sempre possível, pelo item i do
Teorema 2.6.4 temos que . E como o sistema possui mais
incógnitas do que equações, obviamente , segue então pelo item iii
do Teorema 2.6.4 que o sistema possui grau de liberdade e
incógnitas dependentes das incógnitas livres, ou seja, este sistema é
possível e indeterminado, portanto possui uma solução não trivial.

2.8.3 Propriedade: Se é uma solução do sistema homogêneo

, então também é solução, onde (( ) é um corpo).
Demonstração: Para mostrar que é uma solução do sistema
homogêneo, basta mostrar que ( ) . De fato:

( ) ( ) ( )

Da hipótese, sabemos que é solução do sistema, ou seja,

. Daí, em (1) temos:

( ) ( )

( )

A igualdade acima nos diz que é solução do sistema, que é

o desejado.

Como vimos anteriormente, o sistema { tem como

solução qualquer {( ) }. Note que ( ) é uma solução

do sistema, e consequentemente ( ), ( ) também.

2.8.4 Propriedade: Se e são soluções do sistema

homogêneo , então também é solução.

37
 2.8.5 Teorema: Qualquer combinação linear de soluções de um
sistema homogêneo também é solução.

38
 CAPÍTULO 03: SISTEMAS DE COORDENADAS

3.1 INTRODUÇÃO

O objetivo deste capítulo é estudar o produto cartesiano entre

conjuntos e fazer uma revisão sobre sistemas de coordenadas no plano
e no espaço.

3.2 PRODUTO CARTESIANO

3.2.1 Definição: Sejam e dois conjuntos tais que e .

Definimos o produto cartesiano entre e , denotado por , como
sendo o conjunto {( ) }.

Observações:

01. Se ou , o produto cartesiano de por é . Em

outras palavras, se um dos conjuntos for vazio, então o produto
cartesiano entre eles é vazio.

02. Se , então .

03. .

04. Se possui elementos e possui elementos, então possui

elementos.

05. Denotaremos a quantidade de elementos de um conjunto por

( ). No caso em que possui elementos, temos ( ) .

06. Reescrevemos a observação 04 por: ( ) e ( )

( ) ( ) ( ) .

Exemplo:

Sejam { }e { }. O produto cartesiano é o conjunto

{( )( )( )( )( )( )( )( )}. Note que, como
39
possui elementos e possui elementos, de acordo com a observação
04, possui elementos.

3.3 SISTEMA DE COORDENADAS CARTESIANAS NO PLANO

O sistema formado por um ponto do plano chamado de origem

e pelos eixos perpendiculares e cuja interseção é o ponto , onde
ambos os eixos são retas que representam o conjunto dos números
reais , recebe o nome de plano cartesiano ou sistema de coordenadas
cartesianas no plano.

O sistema de coordenadas cartesianas no plano é o produto

cartesiano , isto é, {( ) }.
Exemplo:

40
Na representação acima, o ponto tem coordenadas e , ou
seja, ( ). O ponto tem coordenadas e , ou seja,
( ).

3.3.1 Quadrantes: Os eixos e dividem o plano em quatro

semiplanos, cada um destes semiplanos recebe o nome de quadrante.

Considerando um ponto ( ) no plano, com relação ao

sistema de coordenadas, temos:
i. se e ;
ii. se e ;

41
 iii. se e ;
iv. se e .
v. Se , está sobre o eixo Y.
vi. Se , está sobre o eixo

3.3.2 Distância entre pontos no plano: Dados os pontos

( ) e ( ) no plano. A distância entre os pontos e ,
denotada por ( ), é dada por:

( ) √( ) ( )

3.4 SISTEMA DE COORDENADAS NO ESPAÇO

O sistema formado por um ponto do espaço chamado de origem

e pelos eixos ortogonais , e cuja interseção é o ponto , onde estes
eixos são retas que representam o conjunto dos números reais , recebe
o nome de sistema de coordenadas cartesianas no espaço.

O sistema de coordenadas cartesianas no espaço é o produto

cartesiano , isto é, {( ) }.
Exemplo:

42
Na representação acima o ponto tem coordenadas , e
, ou seja, ( ).

3.4.1 Octantes: Os eixos , e dividem o espaço em oito

semiespaços, cada um destes semiespaços recebe o nome de octante.

3.4.2 Distância entre pontos no espaço: Sejam ( ) e

( ) pontos do espaço. A distância entre os pontos e é
dada por:

( ) √( ) ( ) ( )

43
 CAPÍTULO 04: VETORES

4.1 INTRODUÇÃO

Neste capítulo estudaremos vetores através de uma abordagem

tendendo à geometria. Porém, no decorrer do semestre, veremos que
podemos estudar vetores de uma maneira mais abstrata.
A partir de agora, nosso ambiente de estudo será o espaço
tridimensional, denotado por . Mais tarde veremos que estamos
trabalhando no sistema , porém, por enquanto digamos que este
ambiente seja simplesmente .

4.2 CONCEITOS BÁSICOS

4.2.1 Reta Orientada: Uma reta é dita orientada quando nela

fixamos um sentido de percurso, considerado positivo, e indicado por
uma seta.

O sentido oposto é chamado de sentido negativo.

4.2.2 Segmento Orientado: Um segmento orientado é determinado

por um par de pontos, onde o primeiro ponto é chamado de origem do
segmento e o segundo é chamado de extremidade do segmento.

44
 Sendo a origem e a extremidade, denotamos este segmento
orientado por ( ) (note que devemos levar em consideração a ordem
em que dispomos os pontos). Geometricamente, este segmento é
representado por uma seta, de acordo com a figura abaixo.

4.2.2 Segmento Nulo: Um segmento é considerado nulo se sua

extremidade coincide com a origem.

4.2.3 Segmento Oposto: Sendo ( ) um segmento orientado, o

segmento ( ) é chamado de segmento oposto de ( ).

4.2.4 Medida de um segmento: Ao fixarmos uma unidade de

comprimento padrão, a cada segmento orientado pode-se associar um
número real não negativo, que é a medida do segmento em relação à
unidade considerada.
Chamamos a medida de um segmento de comprimento ou
módulo. Denotamos o comprimento do segmento ( ) por ̅̅̅̅.
Exemplo:

Considere o segmento ( ) e a unidade de medida na figura abaixo.

45
Neste caso, temos ̅̅̅̅ .

Observações:

01. Qualquer segmento nulo tem comprimento igual à zero.

02. ̅̅̅̅ ̅̅̅̅, isto é, qualquer segmento e seu segmento oposto terão
mesmo comprimento.

4.2.5 Direção e Sentido: Dois segmentos ( ) e ( ) possuem

mesma direção se, suas retas suporte são paralelas ou coincidentes.
Ainda podemos dizer que ( ) e ( ) possuem mesma direção se
.

Observação: Para compararmos o sentido de dois segmentos, estes

devem possuir mesma direção.

Na figura abaixo, os segmentos ( ) e ( ) possuem sentido

contrário (note que ( )e( ) possuem mesma direção).

46
 Na figura abaixo, os segmentos ( ) e ( ) possuem mesmo
sentido.

4.2.6 Definição: Dizemos que os segmentos orientados ( ) e

( ) têm o mesmo comprimento se os segmentos e têm o mesmo
comprimento.

Observação: Dois segmentos opostos possuem sentidos contrários.

4.3 SEGMENTOS EQUIPOLENTES

Dois segmentos orientados ( )e( ) são equipolentes se estes

possuem mesma direção, mesmo sentido e mesmo comprimento.

47
 Se os segmentos ( )e( ) não pertencem a mesma reta, para
que ( ) seja equipolente a ( ) devemos ter ( ) ( ) e ( )
( ) , isto é, deve ser um paralelogramo.

Observações:

01. Dois segmentos nulos sempre serão equipolentes.

02. Denotamos a equipolência entre os segmentos ( ) e ( ) por

( ) ( ).

4.3.1 Propriedades: Sejam ( ), ( ) e ( ) segmentos

orientados. As seguintes propriedades são válidas:
i. ( ) ( ) (reflexiva);
ii. Se ( ) ( ), então ( ) ( ) (simétrica);
iii. Se ( ) ( )e( ) ( ), então ( ) ( ) (transitiva);
iv. Dado um ponto , existe um único ponto tal que ( ) ( ).

4.4 VETOR

Chamamos de vetor determinado por um segmento orientado

( ) de , o conjunto de todos os segmentos orientados equipolentes
a( ).
Se denotarmos este conjunto por ⃗, podemos escrever:

48
 ⃗ {( ) ( ) ( )}

Ou seja, o vetor ⃗ é o conjunto dos segmentos orientados ( ) tais que

( ) ( ).
Denotamos o conjunto de todos os vetores por .

Ainda podemos denotar o vetor determinado por ( ) como ⃗⃗⃗⃗⃗⃗ ,

ou ⃗.
Um vetor ⃗⃗⃗⃗⃗⃗ pode ser determinado por uma infinidade de
segmentos orientados, chamados de representantes desse vetor, e todos
equipolentes entre si. Portanto, um segmento determina um conjunto
que é o vetor, e qualquer um dos representantes também determinará
este mesmo vetor.
As características de um vetor ⃗ são as mesmas para qualquer um
de seus representantes, ou seja, todos os representantes possuem
mesmo módulo, mesma direção e mesmo sentido.

Observação: Denotamos o módulo do vetor ⃗ por || ⃗||.

4.4.1 Igualdade entre vetores: Dois vetores ⃗⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗⃗ são iguais se,
e somente se, ( ) ( ). Denotamos a igualdade por ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ .

49
 4.4.2 Vetor Nulo: Os segmentos nulos, por serem equipolentes
entre si, determinam um único vetor, chamado de vetor nulo.
Denotamos o vetor nulo por ⃗⃗.

4.4.3 Vetor Oposto: Dado um vetor ⃗ ⃗⃗⃗⃗⃗⃗, o vetor ⃗⃗⃗⃗⃗⃗ é oposto de

⃗⃗⃗⃗⃗⃗ . Denotamos o oposto de ⃗⃗⃗⃗⃗⃗ por ⃗⃗⃗⃗⃗⃗ ou ⃗.

4.4.4 Norma: A norma de um vetor é o comprimento ou o módulo

de qualquer um dos representantes deste vetor. Como vimos
anteriormente, denotamos a norma de ⃗ por || ⃗||.

4.4.5 Vetor Unitário: Se || ⃗|| , dizemos que ⃗ é um vetor

unitário.

4.4.6 Versor: Seja ⃗ ⃗⃗ um vetor. O versor de ⃗ será o vetor

unitário de mesma direção e sentido de ⃗.

4.4.7 Paralelismo: Sejam ⃗ ⃗ , dizemos que ⃗ e ⃗ são paralelos

se um representante de ⃗ é paralelo a um representante de ⃗ (logo todos
serão paralelos). Denotamos o paralelismo entre ⃗ e ⃗ por ⃗ ⃗. Além
disso, ⃗⃗ é paralelo a qualquer vetor.

4.5 SOMA DE VETORES

Considerando dois vetores ⃗⃗ ⃗ , vamos definir uma operação

que associa o par de vetores ( ⃗⃗ ⃗) ao vetor denotado por ⃗⃗ ⃗, chamado
de vetor soma de ⃗⃗ com ⃗. Note que aqui, a operação é ,
onde ( ⃗⃗ ⃗) ⃗⃗ ⃗.
Tomamos ⃗⃗ ⃗⃗⃗⃗⃗⃗ e ⃗ ⃗⃗⃗⃗⃗⃗ , isto é, tomando ⃗⃗ como sendo o vetor
determinado pelo segmento , ⃗ será o vetor determinado pelo

50
segmento . Note que, ⃗ pode ser qualquer, porém tomamos um
representante com origem no ponto , isto é, a origem do representante
de ⃗ coincide com a extremidade do representante de ⃗⃗. O vetor ⃗⃗⃗⃗⃗⃗ será
a soma de ⃗⃗ e ⃗. Em outras palavras ⃗⃗⃗⃗⃗⃗ ⃗⃗ ⃗, isto é, um representante
do vetor soma é o segmento orientado ( ). A definição de soma pode
parecer um pouco confusa, mas veremos que geometricamente tudo fica
mais claro.
Consideramos a figura abaixo, para uma melhor visualização.

51
Observações:

01. ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ . Esta igualdade nos diz que, ao somarmos vetores
onde a extremidade (do representante) do primeiro coincide com a
origem (do representante) do segundo, o vetor resultante terá um
representante com a origem do primeiro e a extremidade do segundo.

02. Ainda podemos usar a regra do paralelogramo para determinar a

soma de dois vetores.

03. A escolha do representante ( ) do vetor ⃗⃗ é arbitrária, mas isso

não influi na determinação de ⃗⃗ ⃗. Note que, se escolhermos ( )e
( ) como representantes de ⃗⃗ e ⃗, respectivamente, teremos
( ) ( ), ( ) ( ) e daí decorrerá ( ) ( ). Para ficar
mais claro, faça as devidas representações geométricas.

4.5.1 Propriedades: Sejam ⃗⃗ ⃗ ⃗⃗⃗ , as seguintes propriedades

são válidas:
A1. ( ⃗⃗ ⃗) ⃗⃗⃗ ⃗⃗ (⃗ ⃗⃗⃗) (associativa);
A2. ⃗⃗ ⃗ ⃗ ⃗⃗ (comutativa);
A3. ⃗⃗ ; ⃗⃗ tem-se ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗. Observe que todo
representante de ⃗⃗ possui origem e extremidade coincidentes. Portanto,
tomando ⃗⃗ ⃗⃗⃗⃗⃗⃗, para realizarmos a soma de ⃗⃗ com ⃗⃗, tomamos um

representante de ⃗⃗ com origem na extremidade de ⃗⃗, isto é, ⃗⃗ ⃗⃗⃗⃗⃗⃗ .

Logo ⃗⃗ ⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗. Esta propriedade garante a existência do

elemento neutro para a soma de vetores.
A4. ⃗⃗ , ⃗⃗ ; ⃗⃗ ( ⃗⃗) ⃗⃗. Tomando ⃗⃗ ⃗⃗⃗⃗⃗⃗, seja

⃗⃗ ⃗⃗⃗⃗⃗⃗. Então ⃗⃗ ( ⃗⃗) ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗. Esta propriedade garante a
existência do elemento oposto para a soma de vetores.

A propriedade iv nos permite definir a subtração ou diferença de

vetores. Definimos ⃗⃗ ⃗ em como sendo:

52
 ⃗⃗ ⃗ ⃗⃗ ( ⃗) ⃗⃗ ⃗

Vejamos um exemplo onde fazemos o uso de algumas das

propriedades.
Exemplo:

Mostre que ⃗⃗ ⃗ ⃗⃗ ⃗⃗⃗ ⃗ ⃗⃗⃗. Em outras palavras, queremos mostrar

que vale a “lei do cancelamento” para vetores.
De fato, pela propriedade A4, sabemos que existe ⃗⃗ ⃗⃗ ( ⃗⃗) ⃗⃗, e
somando ⃗⃗ na equação ⃗⃗ ⃗ ⃗⃗ ⃗⃗⃗, temos:

⃗⃗ ( ⃗⃗ ⃗) ⃗⃗ ( ⃗⃗ ⃗⃗⃗) ⇒ ( ⃗⃗ ⃗⃗) ⃗ ( ⃗⃗ ⃗⃗) ⃗⃗⃗

⇒ ⃗⃗ ⃗ ⃗⃗ ⃗⃗⃗ ⇒ ⃗ ⃗⃗⃗

⃗ ⃗⃗⃗

4.6 MULTIPLICAÇÃO DE ESCALAR POR VETOR

Neste momento, vamos assumir que o corpo em questão é ( ),

isto é, o conjunto dos números reais munido de suas operações usuais
soma e produto. O escalar a ser considerado para esta operação é .
Definimos a operação que associa o par ( ⃗⃗), onde e ⃗
ao vetor ⃗ , chamada de multiplicação escalar de por ⃗. Apesar de
estarmos denotando o vetor por ⃗, ainda podemos escrever ⃗, e
dizermos que é uma operação , onde ( ⃗) ⃗ ⃗.

Observações: Sejam e ⃗⃗ . Então:

01. Se ou ⃗⃗ ⃗⃗, então ⃗⃗ ⃗⃗.

53
02. Se e ⃗⃗ ⃗⃗, temos:

i. ⃗⃗// ⃗⃗;

ii. ⃗⃗ e ⃗⃗ tem mesmo sentido se e sentido contrário se ;

iii. || ⃗⃗|| | | || ⃗⃗||, isto é, a norma do vetor ⃗⃗ é dada pelo produto

usual em entre o módulo de e a norma de ⃗⃗.

4.6.1 Propriedades: Sejam e ⃗⃗ ⃗ , as seguintes

propriedades são válidas:
M1. ( ⃗⃗ ⃗) ⃗⃗ ⃗;
M2. ( ) ⃗⃗ ⃗⃗ ⃗⃗;
M3. ⃗⃗ ⃗⃗;
M4. ( ⃗⃗) ( ) ⃗⃗.

Observações:

01. O conjunto com as operações soma e multiplicação por escalar

acompanhadas de suas propriedades forma um “espaço vetorial”. Em
Álgebra Linear, veremos a definição geral de um espaço vetorial, para
um conjunto e suas operações.

02. Definimos multiplicação por escalar como sendo a multiplicação de

um escalar (número real) por vetor. Adiante será definido o produto
escalar entre vetores, que é um conceito distinto da multiplicação de
escalar por vetor.

03. No conjunto munido das duas operações definidas até o

momento, acompanhadas de suas propriedades, ao fazer cálculos com
vetores, podemos seguir as mesmas “regras” de cálculo algébrico
elementar. Por exemplo, na equação vetorial ⃗ ⃗⃗ ⃗, se desejamos
determinar ⃗⃗ em função de ⃗ e ⃗, basta somar o oposto de ⃗ em ambos
os lados da igualdade e aplicar as propriedades. Veja:

⃗ ⃗⃗ ⃗⇒ ⃗ (⃗ ⃗⃗) ⃗ ⃗⇒ ( ⃗ ⃗) ⃗⃗ ⃗ ⃗

⇒ ⃗⃗ ⃗⃗ ⃗ ⃗ ⇒ ⃗⃗ ⃗ ⃗

⃗⃗
04. Se , ⃗.

Exemplos:

54
01. Provemos que ( )⃗ ( ⃗), e ⃗ . Nossa “missão” é
provar que o vetor ( ) ⃗ é o oposto aditivo de ⃗, ou seja, devemos
mostrar que a soma de ( ) ⃗ com ⃗ resulta no vetor ⃗⃗. De fato:

( )⃗ ⃗ ( )⃗ ⃗ ⃗⃗ ( )⃗ ⃗ ⃗⃗

Portanto, ( )⃗ ( ⃗).

02. Provemos que ( ⃗) ( ⃗), e ⃗ . Novamente, devemos

mostrar que o vetor ⃗ é o oposto aditivo de ⃗. De fato:

( ⃗) ⃗ ( ⃗ ⃗) ⃗⃗ ⃗⃗ ( ⃗) ⃗ ⃗⃗

Portanto, ( ⃗) ( ⃗).

03. Provemos que ( )( ⃗) ⃗, e ⃗ . Sabemos, pelo

Exemplo 01, que ( )⃗ ( ⃗). Logo, aplicando este resultado para o
vetor ( )( ⃗), temos:

( )( ⃗) [ ( ⃗)] ( )

Sabemos também, pelo Exemplo 02, que ( ⃗) ( ⃗). Usando esta

informação em (1), temos:

( )( ⃗) [ ( ⃗)] [ ( ⃗)] ⃗

( )( ⃗) ⃗

04. Provemos que se ⃗ ⃗, com e ⃗ ⃗⃗, então . De fato:

⃗ ⃗ ⃗ ⃗ ⃗⃗ ⃗ ( ( ⃗)) ⃗⃗ ⃗ ( )⃗ ⃗⃗

55
 ( )⃗ ⃗⃗

Mas, por hipótese, temos ⃗ ⃗⃗. Então a igualdade acima será válida se
. Portanto:

05. Sejam ⃗⃗ ⃗ ⃗⃗⃗ , de acordo com a figura, construir o vetor ⃗ ⃗⃗

⃗ ⃗⃗⃗.

56
06. O paralelogramo é determinado pelos vetores ⃗⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗⃗, sendo
e pontos médios dos lados e , respectivamente.

Temos:
a) ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ; b) ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗; c) ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ;

d) ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗.

4.7 VETORES COLINEARES

Dois vetores ⃗⃗ ⃗ são colineares se possuírem mesma direção.

Em outras palavras, ⃗⃗ e ⃗ são colineares se tiverem representantes ( )
e ( ), respectivamente, pertencentes a uma mesma reta ou a retas
paralelas.

57
4.8 VETORES COPLANARES

Os vetores ⃗⃗ ⃗ ⃗⃗⃗ são coplanares se possuem representantes

( ), ( )e( ), respectivamente, pertencentes a um mesmo plano.

4.9 ÂNGULO ENTRE VETORES

Sejam ⃗⃗ ⃗ , com ⃗⃗ ⃗⃗ e ⃗ ⃗⃗. O ângulo entre ⃗⃗ e ⃗ é o

ângulo formado por ( )e( ) tal que .

4.9.1 Propriedades: Conhecendo o ângulo entre vetores, podemos

fazer algumas afirmações. Seja o ângulo entre ⃗⃗ e ⃗, temos:
i. Se , ⃗⃗ e ⃗ têm mesma direção e sentidos contrários;
ii. Se , ⃗⃗ e ⃗ têm mesma direção e mesmo sentido;
iii. Se , dizemos que ⃗⃗ e ⃗ são vetores ortogonais. Indicamos a

ortogonalidade entre ⃗⃗ e ⃗ por ⃗⃗ ⃗. Além disso, quando ⃗⃗ ⃗, a relação

|| ⃗⃗ ⃗|| || ⃗⃗|| || ⃗|| é válida;

iv. ⃗⃗ ⃗⃗ ⃗⃗ ;
v. Se ⃗⃗ ⃗e , então ⃗⃗ ⃗;
vi. O ângulo entre ⃗⃗ e ⃗ é o suplemento do ângulo entre ⃗⃗ e ⃗, ou
seja, se ( ⃗⃗ ⃗), então .

58
 CAPÍTULO 05: VETORES EM e

5.1 INTRODUÇÃO

Neste capítulo, temos como objetivo, relacionar vetores com

pontos dos sistemas de coordenadas cartesianas.

Observação: Para cada caso, faremos analogia entre vetores no plano e

no espaço. Embora estivéssemos acostumados a estudar vetores em ,
neste capítulo vamos desconsiderar o conjunto e em cada definição
esclarecemos se um vetor estará no plano ou no espaço.

5.2 DECOMPOSIÇÃO DE UM VETOR NO PLANO

Dados dois vetores ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ não colineares de um plano, qualquer

vetor ⃗ no mesmo plano pode ser decomposto segundo as direções de ⃗⃗⃗⃗⃗
e ⃗⃗⃗⃗⃗. Devemos escrever o vetor ⃗ como sendo a soma de dois vetores
com mesmas direções de ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗. Em outras palavras, temos que
determinar tais que ⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗.
A possibilidade de escrever o vetor ⃗ como soma de outros dois
vetores vem da definição de soma de vetores, que foi vista no capítulo
anterior. Portanto, se você tiver dificuldade em perceber tal fato, tente
fazer figuras para chegar a alguma conclusão.

5.2.1 Definição: Sejam ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ vetores não colineares. Quando o

vetor ⃗ estiver representado por ⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗, dizemos que ⃗ é uma
combinação linear de ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗. O par de vetores ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ é chamado de base
no plano. Aliás, qualquer conjunto {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗}, com ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ não colineares,
constitui uma base no plano. Os números são chamados de
coordenadas ou componentes de ⃗ em relação à base {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗}. Embora
estejamos denotando a base por {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗}, ou seja, usando a notação de
conjunto, a ordem em que os vetores aparecem deve ser levada em
59
consideração. O vetor ⃗⃗⃗⃗⃗ é chamado de projeção de ⃗ sobre ⃗⃗⃗⃗⃗ segundo
a direção de ⃗⃗⃗⃗⃗. O vetor ⃗⃗⃗⃗⃗ é chamado de projeção de ⃗ sobre ⃗⃗⃗⃗⃗
segundo a direção de ⃗⃗⃗⃗⃗.

5.2.2 Base Ortonormal: Uma base {⃗⃗⃗⃗ ⃗⃗⃗⃗} é dita ortonormal se seus
vetores são ortogonais e se cada vetor é unitário. Em outras palavras,
{⃗⃗⃗⃗ ⃗⃗⃗⃗} é ortonormal se ⃗⃗⃗⃗ ⃗⃗⃗⃗ e ||⃗⃗⃗⃗|| ||⃗⃗⃗⃗|| .
Exemplo:

Consideramos {⃗⃗⃗⃗ ⃗⃗⃗⃗} uma base ortonormal no sistema de coordenadas

cartesianas e um vetor ⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗, ou seja, as coordenadas de ⃗
com relação à base {⃗⃗⃗⃗ ⃗⃗⃗⃗} são e .

Se tratando de uma base ortonormal, dizemos que os vetores ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗

são projeções ortogonais de ⃗ sobre ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗, respectivamente.

Obviamente, existem infinitas bases ortonormais no plano

cartesiano, porém vamos considerar, a partir de agora, uma base
particular.

60
 5.2.3 Base Canônica: A base {⃗ ⃗} formada pelos vetores ⃗ e ⃗ cujos
representantes possuem origem no ponto e extremidade nos pontos
( )e( ), respectivamente, é chamada de base canônica do plano.

Dado um vetor ⃗ ⃗ ⃗, onde e são as coordenadas de ⃗

com relação à base canônica {⃗ ⃗}, temos:

5.3 EXPRESSÃO ANALÍTICA EM

Fixada a base canônica {⃗ ⃗} no plano, existe uma correspondência

biunívoca entre vetores e pontos do plano, ou seja, podemos associar
cada vetor ao par ( ) , pois, com relação à base canônica o

61
representante do vetor ⃗ ⃗ ⃗ possui origem em ( ) e extremidade
no ponto ( ), quaisquer que sejam .
Define-se vetor no plano pelo par ordenado ( ) e o
representamos por ⃗ ( ) , que é a expressão analítica de ⃗ em .

A primeira coordenada é chamada de abcissa e a segunda,

ordenada.
Exemplo:

Podemos escrever ⃗ ⃗ ⃗ ( ), ⃗ ( ), ⃗ ( ) e ⃗ ⃗
⃗ ( ). Particularmente ⃗ ( ), ⃗ ( ) e ⃗⃗ ( ).

Observação: A escolha da base {⃗ ⃗} é proposital para a simplificação da

escrita. Por exemplo, quando nos referimos a qualquer ponto ( ),
este pode ser identificado com o vetor ⃗ ⃗⃗⃗⃗⃗⃗ ⃗ ⃗ ( ), onde é
a origem do sistema.

5.4 IGUALDADE E OPERAÇÕES

5.4.1 Igualdade: Os vetores ⃗⃗ ( )e ⃗ ( ) são iguais se, e

somente se, e . Denotamos a igualdade por ⃗⃗ ⃗.
Exemplos:

01. Os vetores ⃗⃗ ( )e ⃗ ( ) são iguais, pois e

.
02. Para que os vetores ⃗⃗ ( ) e ⃗ ( ) sejam iguais, de
acordo com a definição, devemos ter e
.

5.4.2 Operações: Sejam ⃗⃗ ( ), ⃗ ( )e . Definimos:

i. ⃗⃗ ⃗ ( ) (soma);
ii. ⃗⃗ ( ) (multiplicação por escalar).

62
 Resumindo: a soma de dois vetores ⃗⃗ e ⃗ é um vetor cujas
coordenadas são a soma das coordenadas correspondentes de ⃗⃗ e ⃗. A
multiplicação do escalar pelo vetor ⃗⃗ é um vetor cujas
coordenadas são a multiplicação (em ) de por cada coordenada de ⃗⃗.
Exemplo:

Sendo ⃗⃗ ( )e ⃗ ( ), temos:

⃗⃗ ⃗ ( ) ( ) ( ) ( ) ⃗⃗ ⃗ ( )

⃗ ( ) ( ( ) ) ( ) ⃗ ( )

Observação: As propriedades das operações vistas no capítulo anterior,

para as operações, são verificadas para vetores no plano.

5.5 VETOR DEFINIDO POR DOIS PONTOS

Seja ⃗ ⃗⃗⃗⃗⃗⃗ , um vetor cujo representante é o segmento orientado

( ). Digamos que, com relação ao sistema de coordenadas ,
( )e ( ).
De acordo com o que foi visto anteriormente, podemos associar
os pontos e aos vetores ⃗⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗⃗ ( ), respectivamente.
Observe a figura.

63
 Note que, temos a soma de vetores:

⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ( ) ( )

⃗⃗⃗⃗⃗⃗ ( )

Isto é, as coordenadas de ⃗⃗⃗⃗⃗⃗ são obtidas subtraindo-se as

coordenadas correspondentes da extremidade e da origem do segmento
representante. Por esta razão, podemos usar a notação ⃗⃗⃗⃗⃗⃗ .
Observe que, as coordenadas do vetor ⃗⃗⃗⃗⃗⃗ (com relação ao sistema
) serão exatamente as coordenadas do vetor ⃗⃗⃗⃗⃗⃗ determinado pelo
segmento orientado ( ), onde ( ) ( ), com origem na origem do
sistema de coordenadas. Ora, como este segmento ( ) é equipolente a
( ), podemos toma-lo como um representante do mesmo vetor ⃗⃗⃗⃗⃗⃗ .

64
5.6 NORMA DE UM VETOR NO PLANO

Seja ⃗ ⃗⃗⃗⃗⃗⃗ ( ) um vetor de (note que ⃗ é o vetor

definido pelos pontos ( )e ( )). A norma (ou módulo) do
vetor ⃗ é dada por:

|| ⃗|| √( ) ( )

Observação: Você deve perceber que o vetor definido pelos pontos e

tem como norma || ⃗|| ( ).

Se ⃗ ( ) ⃗ ⃗, sua norma é dada por:

|| ⃗|| √

Observação: Note que a segunda fórmula é obtida fazendo a

substituição e .

5.7 DECOMPOSIÇÃO DE UM VETOR NO ESPAÇO

Dados três vetores ⃗⃗⃗⃗⃗, ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ não coplanares no espaço, qualquer
vetor ⃗ no mesmo espaço pode ser decomposto segundo as direções de
⃗⃗⃗⃗⃗, ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗. Devemos escrever o vetor ⃗ como sendo a soma de três
vetores com mesmas direções de ⃗⃗⃗⃗⃗, ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗. Em outras palavras, temos
que determinar tais que ⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗.

5.7.1 Definição: Sejam ⃗⃗⃗⃗⃗, ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ vetores não coplanares. Quando
o vetor ⃗ estiver representado por ⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗, dizemos que ⃗
é uma combinação linear de ⃗⃗⃗⃗⃗, ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗. A tripla de vetores ⃗⃗⃗⃗⃗, ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ é
chamada de base no espaço. Aliás, qualquer conjunto {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗}, com ⃗⃗⃗⃗⃗,
⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ não coplanares, constitui uma base no espaço. Os números

65
 são chamados de coordenadas ou componentes de ⃗ em
relação à base {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗}. Embora estejamos denotando a base por
{⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗}, ou seja, usando a notação de conjunto, a ordem em que os
vetores aparecem deve ser levada em consideração.

5.7.2 Base Ortonormal: Uma base {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗} é dita ortonormal se
seus vetores são dois a dois ortogonais e se cada vetor é unitário. Em
outras palavras, {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗} é ortonormal se ⃗⃗⃗⃗ ⃗⃗⃗⃗, ⃗⃗⃗⃗ ⃗⃗⃗⃗, ⃗⃗⃗⃗ ⃗⃗⃗⃗ e
||⃗⃗⃗⃗|| ||⃗⃗⃗⃗|| ||⃗⃗⃗⃗|| .

5.7.3 Base Canônica: A base {⃗ ⃗ ⃗⃗ } formada pelos vetores ⃗, ⃗ e ⃗⃗

cujos representantes possuem origem no ponto e extremidade nos
pontos ( ), ( ) e ( ), respectivamente, é chamada de base
canônica do espaço.

5.8 EXPRESSÃO ANALÍTICA EM

Fixada a base canônica {⃗ ⃗ ⃗⃗ } no espaço, existe uma

correspondência biunívoca entre vetores e pontos do espaço, ou seja,
podemos associar cada vetor à ternar ( ) , pois, com
relação à base canônica o representante do vetor ⃗ ⃗ ⃗ ⃗⃗ possui

66
origem em ( ) e extremidade no ponto ( ), quaisquer que
sejam .
Define-se vetor no espaço pela terna ordenada ( ) e o

representamos por ⃗ ( ) , que é a expressão analítica de ⃗ em .

5.9 IGUALDADE E OPERAÇÕES

5.9.1 Igualdade: Os vetores ⃗⃗ ( ) e ⃗ ( ) são

iguais se, e somente se, , e . Denotamos a igualdade
por ⃗⃗ ⃗.

5.9.2 Operações: Sejam ⃗⃗ ( ), ⃗ ( ) e .

Definimos:
i. ⃗⃗ ⃗ ( ) (soma);
ii. ⃗⃗ ( ) (multiplicação por escalar).

5.10 VETOR DEFINIDO POR DOIS PONTOS

Sejam ( ), ( ), o vetor ⃗⃗⃗⃗⃗⃗ é determinado por:

⃗⃗⃗⃗⃗⃗ ( )

5.11 NORMA DE UM VETOR NO ESPAÇO

Seja ⃗ ⃗⃗⃗⃗⃗⃗ ( ) um vetor de (note que ⃗ é

o vetor definido pelos pontos ( ) e ( )). A norma
(ou módulo) do vetor ⃗ é dada por:

|| ⃗|| √( ) ( ) ( )

67
Observação: Você deve perceber que o vetor definido pelos pontos e
tem como norma || ⃗|| ( ).

Se ⃗ ( ) ⃗ ⃗ ⃗⃗ , sua norma é dada por:

|| ⃗|| √

Observação: Note que a segunda fórmula é obtida fazendo a

substituição , e .

5.12 CONDIÇÃO DE PARALELISMO ENTRE VETORES

Já vimos anteriormente, que os vetores ⃗⃗ ( ) e ⃗

( ) são colineares (ou paralelos), se existe tal que ⃗⃗ ⃗. Isto
é:

⃗⃗ ⃗ ( ) ( )

( ) ( )

Mas, pela igualdade entre vetores, temos:

Em outras palavras, dois vetores são paralelos quando suas

coordenadas são proporcionais.
Denotamos o paralelismo entre ⃗⃗ e ⃗ por ⃗⃗ ⃗.

68
 CAPÍTULO 06: DEPENDÊNCIA E INDEPENDÊNCIA LINEAR

6.1 INTRODUÇÃO

Neste capítulo, vamos estudar a dependência linear entre vetores.

Antes de tudo, veremos conceitos geométricos de dependência e em
seguida faremos um estudo dos conceitos algébricos envolvidos na
dependência linear.

6.2 RESULTADOS COMPLEMENTARES

Nesta seção, enunciaremos alguns resultados complementares que

serão de grande importância para a continuidade de nosso estudo.

6.2.1 Proposição: Sejam ⃗⃗ e ⃗ vetores não nulos. ⃗⃗ e ⃗ serão

paralelos se, e somente se, existe um escalar tal que ⃗⃗ ⃗.
Prova: Temos o seguinte:
(⇐) Imediato, pois da definição de multiplicação de um escalar por
um vetor, se ⃗⃗ ⃗ concluímos que ⃗⃗ é paralelo a ⃗.
( ) Queremos provar que se ⃗⃗ e ⃗ são paralelos, então existirá um
número real tal que ⃗⃗ ⃗.
|| ⃗⃗||
Caso 01: Se ⃗⃗ e ⃗ possuem mesmo sentido, tomemos || ⃗⃗||
. Para

provar que ⃗⃗ ⃗ é equivalente mostrar que ⃗⃗ e ⃗ possuem mesma

direção, sentido e norma.
Por hipótese, ⃗⃗ e ⃗ são paralelos, logo possuem mesma direção e
consequentemente ⃗⃗ e ⃗ também, pois ⃗ e ⃗ são paralelos. Se
|| ⃗⃗||
tomarmos || ⃗⃗||
, note que isto acarreta a ⃗ e ⃗ com mesmo

sentido, devido à definição de multiplicação por escalar, com um escalar

69
positivo. Assim, como supomos ⃗⃗ e ⃗ com mesmo sentido, temos que ⃗⃗
e ⃗ possuem mesmo sentido.
Resta mostrar que ⃗⃗ e ⃗ possuem mesma norma. De fato:

|| ⃗⃗|| || ⃗||
|| ⃗|| | | || ⃗|| | | || ⃗|| || ⃗⃗|| || ⃗⃗|| || ⃗⃗|| || ⃗|| || ⃗⃗||
|| ⃗|| || ⃗||

Portanto, ⃗⃗ ⃗.
|| ⃗⃗||
Caso 02: Se ⃗⃗ e ⃗ possuem sentidos contrários, tomemos || ⃗⃗||
.

Novamente, provar que ⃗⃗ ⃗ é equivalente a provar que ⃗⃗ e ⃗

possuem mesma direção, sentido e norma.
Como, por hipótese ⃗⃗ ⃗e ⃗ ⃗, temos ⃗⃗ ⃗. Como , temos
que ⃗ e ⃗ possuem sentidos contrários, e devido ao fato de termos
considerado ⃗⃗ e ⃗ de sentidos opostos, ⃗⃗ e ⃗ só podem ser de mesmo
sentido.
Resta mostrar que ⃗⃗ e ⃗ possuem mesma norma. De fato:

|| ⃗⃗|| || ⃗||
|| ⃗|| | | || ⃗|| | | || ⃗|| | | || ⃗⃗|| || ⃗⃗|| || ⃗⃗||
|| ⃗|| || ⃗||

|| ⃗|| || ⃗⃗||

Portanto, ⃗⃗ ⃗.

6.2.2 Proposição: Se ⃗⃗ e ⃗ não são paralelos, então ⃗⃗ ⃗ ⃗⃗

implica que .
Prova: Suponha que . Temos:

⃗⃗ ⃗ ⃗⃗ ⃗⃗ ⃗

70
Mas, esta igualdade nos diz que ⃗⃗ e ⃗ são paralelos, o que contradiz a
hipótese de que ⃗⃗ e ⃗ não são paralelos.
Supondo , é análogo ao caso anterior.
Portanto, só podemos ter .

6.2.2.1 Corolário: Se ⃗⃗ e ⃗ não são paralelos, então ⃗⃗ ⃗ ⃗⃗

⃗ implica que e .
Prova: De fato:

⃗⃗ ⃗ ⃗⃗ ⃗ ⃗⃗ ⃗ ( ⃗⃗ ⃗) ⃗⃗ ⃗⃗ ⃗⃗ ⃗ ⃗ ⃗⃗

( ) ⃗⃗ ( )⃗ ⃗⃗

Mas, pela proposição 6.2.2, como ⃗⃗ e ⃗ não são paralelos, a igualdade

acima implica que e . Logo:

E temos o desejado.

6.2.3 Conceitos Básicos: Inicialmente, fixemos a seguinte

linguagem: Um vetor ⃗⃗ será paralelo a uma reta se existir um
representante ( ) de ⃗⃗ paralelo a e denotamos ⃗⃗ . Um vetor ⃗⃗ será
paralelo a um plano se existir um representante ( ) de ⃗⃗ paralelo a
e denotamos ⃗⃗ .
Dois vetores paralelos a uma mesma reta sempre serão paralelos.
Cuidado, dois vetores paralelos a um mesmo plano podem não ser
paralelos. O vetor nulo será paralelo a qualquer reta e a qualquer plano.
Agora, novamente estamos trabalhando no espaço, ou seja, em .
O conjunto dos vetores de será o conjunto já visto anteriormente .

71
6.3 CONCEITOS GEOMÉTRICOS DE DEPÊNDENCIA E INDEPENDÊNCIA

Vamos analisar cada caso, considerando certa quantidade de

vetores.

6.3.1 Definição: Para cada quantidade de vetores tem-se:

i. O conjunto { ⃗} composto por um único vetor ⃗ é
linearmente dependente (LD) se ⃗ ⃗⃗. Se ⃗ ⃗⃗, { ⃗} é linearmente
independente (LI).
ii. O conjunto { ⃗⃗ ⃗} de vetores de é linearmente dependente (LD)
se ⃗⃗ e ⃗ são paralelos. Caso contrário, { ⃗⃗ ⃗} é linearmente independente
(LI), isto é, se ⃗⃗ e ⃗ não são paralelos.
iii. O conjunto { ⃗⃗ ⃗ ⃗⃗⃗} de vetores de é linearmente dependente
(LD) se ⃗⃗, ⃗ e ⃗⃗⃗ são paralelos a um mesmo plano, ou seja, se ⃗⃗, ⃗ e ⃗⃗⃗ são
coplanares. Caso contrário, { ⃗⃗ ⃗ ⃗⃗⃗} é linearmente independente (LI), isto
é, se ⃗⃗, ⃗ e ⃗⃗⃗ são não coplanares.
iv. Qualquer conjunto {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗}, com , é linearmente
dependente (LD).
Exemplos:

Observe as figuras a seguir e tente associar cada uma com a Definição

6.3.1.

Observação: Se em {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} ocorrer ⃗⃗⃗⃗ ⃗⃗, para algum , então

72
{⃗⃗⃗⃗ } é LD.

6.4 CONCEITOS ALGÉBRICOS DE DEPENDÊNCIA E INDEPENDÊNCIA

6.4.1 Definição: Sejam ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ e , com

. Chamamos de combinação linear dos vetores ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ (com
coeficientes ) o vetor:

⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

Se ⃗⃗ é combinação linear dos vetores ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗, diz-se que ⃗⃗ é gerado

pelos vetores ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗.

Observações:

01. Quaisquer que sejam ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗, o vetor nulo sempre será gerado por
⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗. De fato, sempre é possível tomar , e teremos:

⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

02. Nem sempre a combinação ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ resultando no vetor nulo

terá todos os coeficientes iguais à zero. Isso dependerá do conjunto
{⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗}.

Exemplos:

01. Sabendo que ⃗⃗ ⃗, vamos escrever duas expressões diferentes do

vetor nulo como combinação de ⃗⃗ e ⃗.
Sabemos que ⃗⃗ ⃗⃗ ⃗, e esta é uma combinação. Como ⃗⃗ ⃗, temos
⃗⃗ ( )⃗ ⃗⃗ e esta é outra forma de escrever o vetor nulo.

02. Supondo que { ⃗⃗ ⃗} é LI só há uma expressão para o vetor nulo como

combinação de ⃗⃗ e ⃗ que é ⃗⃗ ⃗⃗ ⃗. Pois se ⃗⃗ ⃗ ⃗⃗, pela
Proposição 6.2.2, .

73
 6.4.2 Proposição: O conjunto de vetores {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗}, com , é LD
se, e somente se, algum vetor do conjunto for gerado pelos demais.
Prova: Analisaremos separadamente ii, iii e iv da definição.
Caso i: { ⃗⃗ ⃗} é LD Um dos vetores é gerado pelo outro.
( ) Queremos provar que se { ⃗⃗ ⃗} é LD, então ⃗⃗ é gerado por ⃗ ou
⃗ é gerado por ⃗⃗.
Se ⃗⃗ ⃗⃗ ou ⃗ ⃗⃗, deve ocorrer ⃗⃗ ⃗ ou ⃗ ⃗⃗. Logo um é gerado
pelo outro.
Suponha agora, ⃗⃗ ⃗⃗ e ⃗ ⃗⃗. Por hipótese, { ⃗⃗ ⃗} é LD, logo, devido
a definição de LD, existem representantes ( ) de ⃗⃗ e ( ) de ⃗ tais
que , e são colineares (pois os representantes podem ser tomados
contidos em uma mesma reta), com e . Se os representantes
são paralelos, por definição, temos que os vetores ⃗⃗ e ⃗ são paralelos,
assim existe tal que ⃗⃗ ⃗ (como supomos ⃗⃗ ⃗ ⃗⃗, ) ou
⃗ ⃗⃗, portanto um dos vetores é gerado pelo outro. Observe que, o

sinal de só irá influenciar na direção dos vetores, e nada mudará sobre

o fato de um ser gerado pelo outro.
(⇐) Queremos provar agora que, se ⃗⃗ é gerado por ⃗ ou ⃗ é gerado
por ⃗⃗, então { ⃗⃗ ⃗} é LD.
Suponha que ⃗ ⃗⃗ e que nenhum dos vetores é nulo (no caso em
que um dos dois fosse nulo, não haveria nada o que fazer e já
concluiríamos que o conjunto { ⃗⃗ ⃗} seria LD). Seja ( ) um
representante de ⃗⃗. Da definição de multiplicação de um escalar por
vetor, sabemos que ⃗ ⃗⃗, pois ⃗ é a multiplicação do escalar por ⃗⃗.
Logo podemos tomar um representante de ⃗ com origem em e
extremidade em na reta que passa por e , ou seja, os pontos , e
são colineares. Como ⃗⃗ ⃗⃗⃗⃗⃗⃗ e ⃗ ⃗⃗⃗⃗⃗⃗ e ambos são paralelos a uma
mesma reta, por definição { ⃗⃗ ⃗} é LD.
Caso ii: { ⃗⃗ ⃗ ⃗⃗⃗} é LD Um dos vetores é gerado pelos outros dois.
( ) Queremos provar que se { ⃗⃗ ⃗ ⃗⃗⃗} é LD, então um dos vetores é
gerado pelos outros.
Temos por hipótese que { ⃗⃗ ⃗ ⃗⃗⃗} é LD.

74
 Suponha que { ⃗⃗ ⃗} é LD, então pelo caso anterior temos que ⃗⃗ ⃗
ou ⃗ ⃗⃗. Neste caso, ⃗⃗ ⃗ ⃗⃗⃗ ou ⃗ ⃗⃗ ⃗⃗⃗ e está provada a
afirmação.
Suponha que { ⃗⃗ ⃗} é LI, faremos a seguinte construção geométrica:
Tomamos e os representantes ( ), ( ) e ( ) de ⃗⃗, ⃗ e ⃗⃗⃗,
respectivamente. Em outras palavras, ⃗⃗ ⃗⃗⃗⃗⃗⃗, ⃗ ⃗⃗⃗⃗⃗⃗ e ⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ . Note que,
, e não são colineares, uma vez que supomos { ⃗⃗ ⃗} LI e também ,
, e são coplanares, devido à definição de LD para { ⃗⃗ ⃗ ⃗⃗⃗}. Pelo
ponto tomamos as retas paralelas a ( ) e a ( ), determinando
assim os pontos e . Observe a figura.

Então, temos que { ⃗⃗ ⃗⃗⃗⃗⃗⃗⃗} e { ⃗ ⃗⃗⃗⃗⃗⃗⃗ } são LD, e pelo que já foi provado no

caso i, temos ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗ e ⃗⃗⃗⃗⃗⃗⃗ ⃗. Percebe-se que ⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗ ⃗,

ou seja, ⃗⃗⃗ ⃗⃗ ⃗. Portanto, ⃗⃗⃗ é gerado por ⃗⃗ e ⃗.
(⇐) Queremos provar que se um dos vetores é combinação linear
dos outros dois, então { ⃗⃗ ⃗ ⃗⃗⃗} é LD.
Suponha que ⃗⃗⃗ seja gerado por ⃗⃗ e ⃗, isto é, ⃗⃗⃗ ⃗⃗ ⃗ e que
nenhum dos vetores é nulo (caso um deles seja nulo, já podemos
concluir, devido ao caso anterior, que o conjunto { ⃗⃗ ⃗ ⃗⃗⃗} é LD).
Tomemos ⃗⃗ ⃗⃗⃗⃗⃗⃗, ⃗ ⃗⃗⃗⃗⃗⃗ e ⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ . Se os pontos , e forem
colineares, é claro que os quatro pontos , , e estão em um mesmo
plano, ou seja, os representantes de ⃗⃗, ⃗ e ⃗⃗⃗ serão paralelos ao mesmo
plano, logo por definição { ⃗⃗ ⃗ ⃗⃗⃗} é LD. Caso , e sejam não

75
colineares, estes determinarão um plano (resultado da geometria
elementar).

Como supomos ⃗⃗⃗ ⃗⃗ ⃗, observe pela figura que ⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗, logo
⃗⃗⃗⃗⃗⃗⃗ ⃗⃗ e ⃗⃗⃗⃗⃗⃗⃗ ⃗. Daí, pertence à reta que contém ( ) e
pertence à reta que contém ( ), portanto o paralelogramo está
contido no plano determinado por , e . Concluímos assim que , ,
e são coplanares e, portanto { ⃗⃗ ⃗ ⃗⃗⃗} é LD.
Caso iv: Consulte o livro “Geometria Analítica: um tratamento
vetorial 2ª Ed.” de Paulo Boulos. Demonstração na página 30.

6.4.2.1 Corolário: { ⃗⃗ ⃗} é LD se, e somente se, existe tal que

⃗⃗ ⃗ ou existe tal que ⃗ ⃗⃗. Além disso, se ⃗⃗ ⃗⃗, ⃗ ⃗⃗, e
, então .

Prova: Caso ii da Proposição 6.4.2.

6.4.2.2 Corolário: Se { ⃗⃗ ⃗} é LI e { ⃗⃗ ⃗ ⃗⃗⃗} é LD, então ⃗⃗⃗ é

combinação linear de ⃗⃗ e ⃗.
Prova: Caso iii da Proposição 6.4.2.

6.4.2.3 Corolário: Se { ⃗⃗ ⃗ ⃗⃗⃗} é LI, então todo vetor ⃗ é gerado

por ⃗⃗, ⃗ e ⃗⃗⃗. Isto é, qualquer que seja ⃗ , existem tais que:

⃗ ⃗⃗ ⃗ ⃗⃗⃗

76
 Prova: Caso iv da Proposição 6.4.2.

6.4.3 Proposição: O conjunto {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é LD se, e somente se, a

equação ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗ implicar que pelo menos um dos é
diferente de zero.
Prova: De fato:
( ) Queremos mostrar que se {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é LD, então ∑ ⃗⃗⃗⃗⃗ ⃗⃗

implica que , para algum { }.

Por hipótese, temos que {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é LD, logo pela Proposição 6.4.2,
algum dos vetores será gerado pelos demais. Suponha que ⃗⃗⃗⃗ seja gerado
pelos demais vetores do conjunto. Então:

⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ( ) ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗

Portanto, a equação ∑ ⃗⃗⃗⃗⃗ ⃗⃗ implicou que algum dos coeficientes é

diferente de zero. Temos o desejado.
(⇐) Queremos mostrar que se a equação ∑ ⃗⃗⃗⃗⃗ ⃗⃗ implicar que
algum dos é diferente de zero, então o conjunto {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é LD.
Por hipótese, ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗
implica que algum , com { }, é não nulo.
Suponha que . Então:

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗

⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

77
Como , existe tal que . Multiplicando a equação

por , tem-se:

⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

Ou seja, ⃗⃗⃗⃗ é combinação linear de ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗. Mas, pela
Proposição 6.4.2, se um dos vetores é gerado pelo restante, temos que
{⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é LD. Temos o desejado.

Observação: A proposição a seguir é uma maneira alternativa de

escrever a proposição vista acima, isto é, as proposições serão
equivalentes. É importante enunciá-la, pois esta será bastante usada.

6.4.4 Proposição: {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é LI se, e somente se, a equação

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗ implica que .

Exemplo:

Sejam ⃗ ⃗⃗ ⃗⃗⃗, ⃗⃗ ⃗⃗ ⃗ ⃗⃗⃗ e ⃗ ⃗ ⃗⃗⃗. Prove que:

{ ⃗⃗ ⃗ ⃗⃗⃗} é LI { ⃗ ⃗⃗ ⃗} é LI.

Queremos mostrar que se { ⃗⃗ ⃗ ⃗⃗⃗} é LI, então { ⃗ ⃗⃗ ⃗} é LI.

Para isto, façamos ⃗ ⃗⃗ ⃗⃗⃗ ⃗⃗, e provar que { ⃗ ⃗⃗ ⃗} é LI é

equivalente a provar que , devido à Proposição 6.4.4. Então:

⃗ ⃗⃗ ⃗⃗⃗ ⃗⃗ ( ⃗⃗ ⃗⃗⃗) ( ⃗⃗ ⃗ ⃗⃗⃗) (⃗ ⃗⃗⃗) ⃗⃗

⃗⃗ ⃗⃗⃗ ⃗⃗ ⃗ ⃗⃗⃗ ⃗ ⃗⃗⃗ ⃗⃗

( ) ⃗⃗ ( )⃗ ( ) ⃗⃗⃗ ⃗⃗

78
 Como, por hipótese { ⃗⃗ ⃗ ⃗⃗⃗} é LI equivale a:

Note que este sistema é homogêneo e possui número de incógnitas e

equações iguais, logo sua solução é .
Desta forma, pela Proposição 6.4.4, temos que { ⃗ ⃗⃗ ⃗} é LI.

6.4.4.1 Corolário: Se {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é LI, então para cada vetor gerado
por ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ os coeficientes são univocamente determinados, isto é:

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

Prova: Façamos:

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ( ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗) ⃗⃗

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗

( )⃗⃗⃗⃗⃗ ( )⃗⃗⃗⃗⃗ ⃗⃗

Como, por hipótese {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é LI, pela Proposição 6.4.4 qualquer
combinação linear dos vetores ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ resultando no vetor nulo implica
que os coeficientes são iguais à zero, isto é, , com { }.
Logo:

79
 6.4.4.2 Corolário: Se ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗, e ,
com { }, então {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é LI ( ).
Prova: Se tais que ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗, segue que:

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

Mas por hipótese, essa igualdade só é válida de

. Logo, novamente pela Proposição 6.4.4, temos que {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗}
é LI.

Exemplos:

01. Prove que se { ⃗⃗ ⃗} é LI, então { ⃗⃗ ⃗ ⃗⃗ ⃗} é LI.

Sejam tais que ( ⃗⃗ ⃗) ( ⃗⃗ ⃗) ⃗⃗, devemos mostrar que os
escalares e são iguais a zero. De fato:

( ⃗⃗ ⃗) ( ⃗⃗ ⃗) ⃗⃗ ⃗⃗ ⃗ ⃗⃗ ⃗ ⃗⃗

( ) ⃗⃗ ( )⃗ ⃗⃗

Temos uma combinação linear de ⃗⃗ e ⃗ resultando no vetor nulo, e da

hipótese { ⃗⃗ ⃗} é LI, logo pela Proposição 6.4.4, os coeficientes desta
combinação devem ser iguais à zero. Assim, temos:

Um sistema homogêneo com número de equações e incógnitas iguais,

ou seja, a única solução que este sistema admite é e .
80
Portanto, como a combinação ( ⃗⃗ ⃗) ( ⃗⃗ ⃗) ⃗⃗ implicou em
, temos pela proposição 6.4.4 que o conjunto { ⃗⃗ ⃗ ⃗⃗ ⃗} é LI.

02. Na figura, é um triângulo e é o ponto médio de . Sabendo

que é paralelo a , prove que é o ponto médio de .

Podemos tratar cada lado do triângulo como sendo representantes de

vetores, basta “colocar” orientações nestes segmentos. Por exemplo,
como é um triângulo, temos {⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ } é LI.
Como é o ponto médio de , temos:

⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗ ( )

Como, por hipótese, é paralelo a , temos:

⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ( )

Finalmente, como pertence ao lado , temos:

⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ( )

Note que, nosso objetivo agora é concluir que . Façamos:

⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗

81
 ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗

Logo, por (1) e (2):

⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ( )

Por outro lado, de (3) vem:

⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ (⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ) (⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ )

⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ( )

Comparando (4) e (5):

⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗

Como vimos no Exemplo 01, se {⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ } é LI, a igualdade acima implica
que os coeficientes são iguais, ou seja:

Portanto, e temos o desejado.

82
 CAPÍTULO 07: BASE

7.1 INTRODUÇÃO

No capítulo anterior, falamos um pouco sobre um conjunto

especifico de vetores que formava uma base para determinado “lugar”.
Lembre que estudamos vetores no plano e no espaço. No plano, um
conjunto composto por dois vetores, onde esse conjunto é LI, forma
uma base para o plano. Enquanto no espaço, um conjunto composto por
três vetores, onde esse conjunto é LI, forma uma base para o espaço.
Neste capítulo, vamos fazer uma abordagem mais teoria sobre
bases do espaço.

7.1.1 Definição: O conjunto ordenado LI, {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗}, chama-se

base de .

Se {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗} é uma base, podemos dizer, conforme o Corolário

6.4.2.3 que todo vetor ⃗⃗ é gerado por ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗, isto é, existem
tais que:

⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗

83
 A terna ( ) é a única a satisfazer a equação acima, pois, se
supormos ⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗, devido ao fato de que {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗} é LI, o
Corolário 6.4.4.1 diz que . Cada escalar é
chamado de coordenada de ⃗⃗ em relação à base . Lembre-se de nunca
trocar a ordem dos vetores ou dos escalares. Como ( ) é
composto pelas coordenadas de ⃗⃗ em relação à base , podemos
reescrever o vetor ⃗⃗ como sendo, simplesmente:

⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ( )

⃗⃗ ( )

Quando trabalharmos com uma grande quantidade de vetores,

podemos supor que todos estão escritos em relação à uma mesma base
e omitimos o índice em ( ) , isto é, escrevemos ⃗⃗ ( ).

7.2 OPERAÇÕES SEGUNDO AS COORDENADAS

7.2.1 Proposição: Sejam ⃗⃗ ( ) e ⃗ ( ). A soma de

⃗⃗ com ⃗, em termos de coordenadas, é o vetor:

⃗⃗ ⃗ ( )

Prova: Seja {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗}, então:

⃗⃗ ⃗ ( ) ( ) ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗

( )⃗⃗⃗⃗ ( )⃗⃗⃗⃗ ( )⃗⃗⃗⃗ ( )

⃗⃗ ⃗ ( )

84
 7.2.2 Proposição: Sejam ⃗⃗ ( ) e . A multiplicação
escalar de por ⃗⃗, em termos de coordenadas, é o vetor:

⃗⃗ ( )

Prova: Seja {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗}, então:

⃗⃗ ( ) ( ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗) ( )⃗⃗⃗⃗ ( )⃗⃗⃗⃗ ( )⃗⃗⃗⃗

( ) ⃗⃗ ( )

Exemplo:

Sendo ⃗⃗ ( ) e ⃗ ( ) , vamos determinar a tripla de

coordenadas do vetor ⃗⃗⃗ ⃗⃗ ⃗ na base . Temos:

⃗⃗⃗ ⃗⃗ ⃗ ( ) ( ) ( ) ( )

⃗⃗⃗ ( )

7.3 ANALISANDO A DEPENDÊNCIA PELAS COORDENADAS

A seguir, veremos um resultado que nos ajudará a concluir se um

conjunto de vetores é LD ou LI em termos de suas coordenadas.

7.3.1 Proposição: Sejam ⃗⃗ ( ) e ⃗ ( ) . O

conjunto { ⃗⃗ ⃗} é LD se, e somente se, [ ] e [ ] são
proporcionais1, ou equivalentemente, se:

1
Estamos usando [ ] e [ ] para representar sequências de números.
[ ]e[ ] serão proporcionais se .

85
 | | | | | |

Exemplos:

01. Os vetores ⃗⃗ ( )e ⃗ ( ) formam um conjunto LI, pois

e isto implica a NÃO proporcionalidade das sequências [ ]e

[ ].

02. Os vetores ⃗⃗ ( )e ⃗ ( ) formam um conjunto LD, pois as

sequências [ ] e [ ] são proporcionais, note que .

Logo, pela proposição, a proporcionalidade entre as sequências das

coordenadas equivale à dependência linear dos vetores, ou seja, o par de
vetores forma um conjunto LD.

7.3.2 Proposição: Sejam ⃗⃗ ( ), ⃗ ( ) e ⃗⃗⃗

( ). O conjunto { ⃗⃗ ⃗ ⃗⃗⃗} é LD se, e somente se:

| |

Exemplos:

01. Verifique se { ⃗⃗ ⃗ ⃗⃗⃗} é LD ou LI, onde ⃗⃗ ( ) , ⃗ ( ) e

⃗⃗⃗ ( ) .

Usando a Proposição 6.3.2:

| |

Portanto, { ⃗⃗ ⃗ ⃗⃗⃗} é LD.

86
02. Sabendo que {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗} é uma base e que ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗, ⃗⃗⃗⃗ ⃗⃗⃗⃗
⃗⃗⃗⃗ ⃗⃗⃗⃗ e ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗, mostre que {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗} é uma base e, em
seguida, escreva o vetor ⃗ ( ) na base .
Para mostrar que é uma base, basta mostrar que este conjunto é LI.
Note que ⃗⃗⃗⃗ ( ) , ⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗ ( ) . Usando a
Proposição 6.3.2, temos:

| |

O determinante é diferente de zero e equivale a é LI. Portanto é uma

base.
Agora, queremos escrever o vetor ⃗ ( ) ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ na base .
A ideia aqui é escrever os vetores de como combinações dos vetores
⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗
de . Podemos associar o sistema {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ à matriz e em
⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗
seguida usar operações elementares para expressar ⃗⃗⃗ em termos dos
⃗⃗⃗⃗
vetores de , onde [ ⃗⃗⃗⃗]. Para isso, vamos reduzir à sua
⃗⃗⃗⃗

matriz equivalente linha reduzida à forma escada. Temos:

⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗

| ⃗⃗⃗⃗| → | ⃗⃗⃗⃗| → | ⃗⃗⃗⃗|
⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗

⃗⃗⃗⃗ ⃗⃗⃗⃗
→ | ⃗⃗⃗⃗ ⃗⃗⃗⃗| → | ⃗⃗⃗⃗ ⃗⃗⃗⃗ |
⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗

87
 ⃗⃗⃗⃗ ⃗⃗⃗⃗
⃗⃗⃗⃗ ⃗⃗⃗⃗ | ⃗⃗⃗⃗ ⃗⃗⃗⃗ |
→ | |→ | |
⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ (⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗
)

⃗⃗⃗⃗ (⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗)

| |
→ ⃗⃗⃗⃗ ⃗⃗⃗⃗
| |
(⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗
)

Desta forma, temos:

⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ( ) ⃗⃗⃗⃗ ( )

⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ( ) ⃗⃗⃗⃗ ( )

⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ( ) ⃗⃗⃗⃗ ( )

Agora, vamos determinar as coordenadas de ⃗ ( ) em relação à

base . Temos:

⃗ ( ) ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗

( ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗) ( ⃗⃗⃗⃗ ⃗⃗⃗⃗) ( ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗)

⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗

( ) ⃗⃗⃗⃗ ( ) ⃗⃗⃗⃗ ( ) ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗

88
 ⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ( )

⃗ ( )

Note que, podemos escrever ⃗ ( ) ( ) .

7.4 ORTOGONALIDADE

7.4.1 Definição: Os vetores não nulos ⃗⃗ e ⃗ são ortogonais se seus

representantes são ortogonais. Indicamos a ortogonalidade por ⃗⃗ ⃗.

7.4.2 Proposição: Os vetores ⃗⃗ e ⃗ são ortogonais se, e somente

se, || ⃗⃗ ⃗|| || ⃗⃗|| || ⃗|| .

Observação: ⃗⃗ ⃗ ⃗ .

7.4.2 Definição: Uma base {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗} é ortonormal se ||⃗⃗⃗⃗||

||⃗⃗⃗⃗|| ||⃗⃗⃗⃗|| e ⃗⃗⃗⃗ ⃗⃗⃗⃗, ⃗⃗⃗⃗ ⃗⃗⃗⃗ e ⃗⃗⃗⃗ ⃗⃗⃗⃗. Em outras palavras, é uma
base ortonormal se seus vetores são unitários e dois a dois ortogonais.

89
 7.4.3 Proposição: Seja {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗} uma base ortonormal. Se
⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ( ) , então:

|| ⃗⃗|| √

Exemplo:

Seja uma base ortonormal e ⃗⃗ ( ) . Vamos calcular a norma de

⃗⃗. Temos:

|| ⃗⃗|| √ ( ) √ √

90
 CAPÍTULO 08: PRODUTO ESCALAR

8.1 INTRODUÇÃO

Neste capítulo estudaremos o produto escalar entre vetores. É

importante que fique claro a diferença entre produto escalar e a
multiplicação por escalar vista anteriormente.
Antes de iniciarmos, lembre-se da definição de ângulo entre dois
vetores, isto é, caso os conceitos não fiquem claros aqui, revise as
propriedades de ângulo entre vetores.
Considere a figura abaixo:

Sendo ( ⃗⃗ ⃗), e o triângulo formado pelos representantes

dos vetores ⃗⃗, ⃗ e ⃗⃗ ⃗, podemos aplicar a Lei dos Cossenos e obter:

|| ⃗⃗ ⃗|| || ⃗⃗|| || ⃗|| || ⃗⃗|||| ⃗|| ( )

Por outro lado, se considerarmos uma base ortonormal

{⃗ ⃗ ⃗⃗ }, podemos escrever ⃗⃗ ( ) , ⃗ ( ) e
consequentemente ⃗⃗ ⃗ ( ) . Calculemos a norma
de ⃗⃗ ⃗ em termos de suas coordenadas e em seguida elevamos esta ao
quadrado:

91
 || ⃗⃗ ⃗|| ( ) ( ) ( )

( ) ( ) ( )

||⃗⃗|| ||⃗⃗|| ( )

|| ⃗⃗ ⃗|| || ⃗⃗|| || ⃗|| ( ) ( )

Substituindo (II) em (I), tem-se:

||⃗⃗|| ||⃗⃗|| ( ) ||⃗⃗|| ||⃗⃗|| || ⃗⃗|||| ⃗||

( ) || ⃗⃗|||| ⃗||

|| ⃗⃗|||| ⃗|| ( )

Note que esta equação nos permite calcular o ângulo entre os

vetores em termos de suas coordenadas em relação à uma base
ortonormal. Basta tomar || ⃗⃗|| √ e || ⃗|| √ , e
temos (considere ⃗⃗ e ⃗ não nulos):

√( )( )

[ ]
√( )( )

8.1.1 Definição: Sejam ⃗⃗ ⃗ e ( ⃗⃗ ⃗). O produto escalar

dos vetores ⃗⃗ e ⃗, indicado por ⃗⃗ ⃗, é o número real tal que:

92
 i. Se ⃗⃗ ⃗⃗ ou ⃗ ⃗⃗, ⃗⃗ ⃗ ;

ii. Se ⃗⃗ ⃗⃗ e ⃗ ⃗⃗, ⃗⃗ ⃗ || ⃗⃗|||| ⃗|| .

Observação: Podemos ainda, pensar no produto escalar como sendo

uma operação:

( ⃗⃗ ⃗) ⃗⃗ ⃗

8.1.2 Proposição: Sejam ⃗⃗ ⃗ e ( ⃗⃗ ⃗).

⃗⃗ ⃗⃗
i. Se ⃗⃗ ⃗⃗ e ⃗ ⃗⃗, então ;
|| ⃗⃗|||| ⃗⃗||

ii. Qualquer que seja ⃗⃗ , || ⃗⃗|| √ ⃗⃗ ⃗⃗;

iii. Quaisquer que sejam ⃗⃗ ⃗ : ⃗⃗ ⃗ ⃗⃗ ⃗ .
Prova:
i. Se ⃗⃗ e ⃗ são não nulos, temos que || ⃗⃗|| e || ⃗|| , logo

existem || ⃗⃗||
(|| ⃗⃗||) e || ⃗⃗||
(|| ⃗||) . Então:

⃗⃗ ⃗
⃗⃗ ⃗ || ⃗⃗|||| ⃗||
|| ⃗⃗|||| ⃗||

ii. Caso 01: Se ⃗⃗ ⃗⃗, por definição ⃗⃗ ⃗⃗ . Por outro lado,

|| ⃗⃗|||| ⃗⃗|| || ⃗⃗|||| ⃗⃗|| . Como ambos os

membros (olhe para a definição) são iguais a zero, vale a igualdade:

⃗⃗ ⃗ || ⃗⃗|||| ⃗||

Caso 02: Se ⃗⃗ ⃗⃗, note que ( ⃗⃗ ⃗⃗) (por que?). Temos:

⃗⃗ ⃗⃗ || ⃗⃗|||| ⃗⃗|| || ⃗⃗|| || ⃗⃗|| ⃗⃗ ⃗⃗ || ⃗⃗||

|| ⃗⃗|| √ ⃗⃗ ⃗⃗

93
 Observe que, ao “passar” a raiz quadrada para o outro membro,
teríamos dois possíveis valores, porém, a norma de ⃗⃗ sempre será
positiva, logo tomamos o valor positivo.

iii. Caso 01: Se um dos vetores é nulo, a equivalência é válida, pois

ambas as afirmações serão verdadeiras.

Caso 02: Se ⃗⃗ e ⃗ são não nulos, temos:

( ) Queremos mostrar que se ⃗⃗ ⃗, então ⃗⃗ ⃗ . De fato, se
⃗⃗ ⃗, temos que , logo:

⃗⃗ ⃗ || ⃗⃗|||| ⃗|| || ⃗⃗|||| ⃗|| ⃗⃗ ⃗

(⇐) Queremos mostrar que, se ⃗⃗ ⃗ , então ⃗⃗ ⃗. De fato, se

⃗⃗ ⃗ , temos:

|| ⃗⃗|||| ⃗||

Como ⃗⃗ e ⃗ são não nulos, suas normas são diferentes de zero,

logo podemos multiplicar a igualdade acima por . Portanto:
|| ⃗⃗|||| ⃗⃗||

|| ⃗⃗|||| ⃗||

Lembrando que da definição de ângulo entre vetores ,eo

único valor de no intervalo [ ] que satisfaz é . Logo:

Assim, se ( ⃗⃗ ⃗) , temos por definição que ⃗⃗ ⃗.

94
Observações:

01. Perceba que, se ⃗⃗ ⃗ , pode ocorrer:

i. ⃗⃗ ⃗⃗ ou ⃗ ⃗⃗;
ii. ⃗⃗ ⃗.

02. Se ⃗⃗ ⃗ , temos que ⃗⃗ e ⃗ são não nulos.

03. Se ⃗⃗ ⃗ , temos ( ⃗⃗ ⃗) é agudo, pois . Se ⃗⃗ ⃗ ,

esse ângulo é obtuso, pois .

8.1.3 Proposição: Seja uma base ortonormal. Se, em relação à

base , temos ⃗⃗ ( ) , ⃗ ( ) , então:

⃗⃗ ⃗

Prova: O caso em que ⃗⃗ e ⃗ são nulos, é imediato.

Se ⃗⃗ e ⃗ são não nulos, por definição, temos:

⃗⃗ ⃗ || ⃗⃗|||| ⃗|| ( )

Por outro lado, pela equação (8.1-E), temos:

|| ⃗⃗|||| ⃗|| ( )

Substituindo (**) em (*), tem-se o desejado:

⃗⃗ ⃗

Observação: É fundamental perceber que o produto escalar não

dependerá das coordenadas do vetor em relação à base, desde que essa
seja ortonormal. Se os vetores ⃗⃗ e ⃗ são nulos, não há o que discutir,
pois sabemos que o produto escalar ⃗⃗ ⃗ será igual à zero. Se ⃗⃗ e ⃗ não
são nulos, suponha que e sejam bases ortonormais. Temos:

⃗⃗ ( ) ( )

95
 ⃗ ( ) ( )

Logo:

⃗⃗ ⃗ || ⃗⃗|||| ⃗||

|| ⃗⃗|||| ⃗|| ( )

⃗⃗ ⃗ || ⃗⃗|||| ⃗||

|| ⃗⃗|||| ⃗|| ( )

Substituindo (II) em (I), tem-se:

Isto é, independente das coordenadas, o produto vetorial é o mesmo.

Em outras palavras, o produto vetorial não depende das coordenadas
dos vetores, em relação a bases ortonormais.

Exemplos:

01. Em relação a uma base ortonormal, são dados ⃗⃗ ( ) e

⃗ ( ). Calcule, em radianos, a medida angular entre ⃗⃗ e ⃗.
Como ⃗⃗ e ⃗ são não nulos, se é a medida angular entre ⃗⃗ e ⃗, esta é
⃗⃗ ⃗⃗
dada por [|| ⃗⃗|||| ⃗⃗||].

Calculando ⃗⃗ ⃗, sabendo que ⃗⃗ ( )e ⃗ ( ):

⃗⃗ ⃗ ( ) ⃗⃗ ⃗

Calculando || ⃗⃗|||| ⃗||, sabendo que ⃗⃗ ( )e ⃗ ( ):

|| ⃗⃗|| √ ( ) √ √ || ⃗⃗|| √

|| ⃗|| √ √ √ || ⃗|| √

96
Portanto, || ⃗⃗|||| ⃗|| √ √ √ √ || ⃗⃗|||| ⃗|| √ .

Finalmente, temos:

⃗⃗ ⃗ √
[ ] ( ) ( )
|| ⃗⃗|||| ⃗|| √

√
( )

02. Sendo uma base ortonormal, determine de modo que os

vetores ⃗⃗ ( ) e ⃗ ( ) sejam ortogonais.
De acordo com o item iii da Proposição 8.1.2, dois vetores são
ortogonais se, e somente se, o produto escalar entre eles é zero.
Portanto, façamos ⃗⃗ ⃗:

⃗⃗ ⃗ ( ) ( )

⃗⃗ ⃗

Note que, independente do valor de , o produto escalar de ⃗⃗ por ⃗

resultou em zero. Logo, qualquer que seja , temos ⃗⃗ ⃗ , o que é
equivalente a ⃗⃗ ⃗ para qualquer .

03. Determine de modo que os vetores ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( )

sejam ortogonais, onde é uma base ortonormal.
Queremos calcular o valor de de modo que os vetores ⃗⃗ e ⃗ sejam
ortogonais, mas isto é equivalente a determinar o valor de que
satisfaça ⃗⃗ ⃗ . Vejamos:

⃗⃗ ⃗ ( ) ( )

97
Para determinar tal valor de , basta resolver a equação . Sua
solução é .
Portanto, por iii da Proposição 8.1.2, o valor de que torna os vetores ⃗⃗
e ⃗ ortogonais é o mesmo valor que torna o produto escalar entre ⃗⃗ e ⃗
nulo, isto é, .

04. Dados os vetores ⃗⃗ ( ) , ⃗ ( ) e ⃗⃗⃗⃗⃗⃗ ( ) ,

determine o valor de tal que ⃗⃗ ( ⃗ ⃗⃗⃗⃗⃗⃗ ) .
Note que:

⃗ ⃗⃗⃗⃗⃗⃗ ( ) ( ) ( ) ⃗ ⃗⃗⃗⃗⃗⃗ ( )

Então:

⃗⃗ ( ⃗ ⃗⃗⃗⃗⃗⃗ ) ( ) ( ) ( )

8.1.4 Proposição: Quaisquer que sejam ⃗⃗ ⃗ ⃗⃗⃗ e , valem

as propriedades:
P1. ⃗⃗ ( ⃗ ⃗⃗⃗) ⃗⃗ ⃗ ⃗⃗ ⃗⃗⃗;
P2. ⃗⃗ ( ⃗) ( ⃗⃗) ⃗ ( ⃗⃗ ⃗);
P3. ⃗⃗ ⃗ ⃗ ⃗⃗;
P4. Se ⃗⃗ ⃗⃗, então ⃗⃗ ⃗⃗ .
P5. A propriedade P1 é válida para uma quantidade finita qualquer
de vetores, isto é, ⃗⃗ (⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗) ⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗ ⃗⃗⃗⃗⃗.

Exemplos:

98
01. Sabendo que ⃗⃗, ⃗ e ⃗⃗⃗ são vetores unitários e que ( ⃗⃗ ⃗) ,

( ⃗⃗ ⃗⃗⃗) e ( ⃗ ⃗⃗⃗) , prove que o conjunto { ⃗⃗ ⃗ ⃗⃗⃗} é uma base.

Para provar que { ⃗⃗ ⃗ ⃗⃗⃗} é uma base, basta mostrar que este conjunto é
LI, de acordo com a definição de base.
Agora, nossa tarefa é mostrar que { ⃗⃗ ⃗ ⃗⃗⃗} é LI. Para isto, façamos uma
combinação linear dos vetores do conjunto e igualemos esta
combinação ao vetor nulo, ou seja, ⃗⃗ ⃗ ⃗⃗⃗ ⃗⃗. Assim sendo, por
um resultado já visto, mostrar que o conjunto é LI, é equivalente a
mostrar que os coeficientes tais que ⃗⃗ ⃗ ⃗⃗⃗ ⃗⃗ são todos
nulos. Façamos isto:

⃗⃗ ⃗ ⃗⃗⃗ ⃗⃗ ( )

1º passo: Façamos o produto escalar de ⃗⃗ nos dois membros de (I):

⃗⃗ ( ⃗⃗ ⃗ ⃗⃗⃗) ⃗⃗ ⃗⃗ ⃗⃗ ( ⃗⃗ ⃗ ⃗⃗⃗)

⇒ ⃗⃗ ( ⃗⃗) ⃗⃗ ( ⃗) ⃗⃗ ( ⃗⃗⃗) ⇒ ( ⃗⃗ ⃗⃗) ( ⃗⃗ ⃗) ( ⃗⃗ ⃗⃗⃗)

⇒ || ⃗⃗|| || ⃗⃗|||| ⃗|| || ⃗⃗|||| ⃗⃗⃗|| ( )

Como, por hipótese, os vetores ⃗⃗, ⃗ e ⃗⃗⃗ são unitários, temos:

|| ⃗⃗|| || ⃗|| || ⃗⃗⃗||

Substituindo o valor de cada norma na equação (*):

√ √ √ √
( )

2º passo: Façamos o produto escalar de ⃗ nos dois membros de (I):

99
 ⃗ ( ⃗⃗ ⃗ ⃗⃗⃗) ⃗ ⃗⃗ ⃗ ( ⃗⃗ ⃗ ⃗⃗⃗)

⇒ ⃗ ( ⃗⃗) ⃗ ( ⃗) ⃗ ( ⃗⃗⃗) ⇒ ( ⃗ ⃗⃗) ( ⃗ ⃗) ( ⃗ ⃗⃗⃗)

⇒ || ⃗⃗|||| ⃗|| || ⃗|| || ⃗|||| ⃗⃗⃗||

√
⇒ ( )

3º Passo: Façamos o produto escalar de ⃗⃗⃗ nos dois membros de (I):

⃗⃗⃗ ( ⃗⃗ ⃗ ⃗⃗⃗) ⃗⃗⃗ ⃗⃗ ⃗⃗⃗ ( ⃗⃗ ⃗ ⃗⃗⃗)

⇒ ⃗⃗⃗ ( ⃗⃗) ⃗⃗⃗ ( ⃗) ⃗⃗⃗ ( ⃗⃗⃗) ⇒ ( ⃗⃗⃗ ⃗⃗) ( ⃗⃗⃗ ⃗) ( ⃗⃗⃗ ⃗⃗⃗)

⇒ || ⃗⃗⃗|||| ⃗⃗|| || ⃗⃗⃗|||| ⃗|| || ⃗⃗⃗||

√
⇒ ( )

Juntando ( ) ( ) ( ) temos o sistema:

√ √

√
{

Este sistema admite somente a solução .

100
Portanto, como ⃗⃗ ⃗ ⃗⃗⃗ ⃗⃗ implicou , concluímos que
o conjunto { ⃗⃗ ⃗ ⃗⃗⃗} é LI e, por definição, é uma base.

02. Sabendo que ⃗ ( ) forma um ângulo de com o vetor

⃗⃗⃗⃗⃗⃗ ( ), determinemos o valor de .
⃗⃗ ⃗⃗⃗⃗⃗⃗
Sabemos que ,e . Então:
|| ⃗⃗||||⃗⃗⃗⃗⃗⃗||

⃗ ⃗⃗⃗⃗⃗⃗ ⃗ ⃗⃗⃗⃗⃗⃗
( )
|| ⃗|| ||⃗⃗⃗⃗⃗⃗ || || ⃗|| ||⃗⃗⃗⃗⃗⃗ ||

Calculando ⃗⃗ ⃗:

⃗ ⃗⃗⃗⃗⃗⃗ ( ) ( )

⃗ ⃗⃗⃗⃗⃗⃗

Calculando || ⃗||:

|| ⃗|| √ ( ) √ √ || ⃗|| √

Calculando ||⃗⃗⃗⃗⃗⃗ ||:

||⃗⃗⃗⃗⃗⃗ || √ ( ) ( ) √ √

||⃗⃗⃗⃗⃗⃗ || √

Substituindo os valores em (I):

√
√ √
101
 ⇒

( )

03. Suponha (⃗ ⃗ ⃗⃗ ) uma base ortonormal. Vamos provar que o

triângulo formado por ⃗⃗⃗⃗⃗⃗ ( ), ⃗⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗⃗ ( )é

retângulo (omitimos o índice , mas assuma que as coordenadas dos
vetores são dadas na base ).

Para provar que o triângulo é retângulo, devemos mostrar que dois

de seus lados são ortogonais, ou seja, devemos mostrar que dois dos
vetores que estão determinando seus lados são ortogonais, o que
equivale a provar que o produto escalar entre dois dos vetores é igual à
zero. Vejamos:

⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ( ) ( ) ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗

⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗

102
 ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ( ) ( ) ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗

Portanto, o triângulo é retângulo em .

04. Sendo ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ) , onde é uma base ortonormal,

determinemos um vetor ⃗⃗ que seja ortogonal a ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗.

Seja ⃗⃗ ( ) , para que ⃗⃗ seja ortogonal a ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗, devemos ter

⃗⃗ ⃗⃗⃗⃗⃗ e ⃗⃗ ⃗⃗⃗⃗⃗ . Então:

⃗⃗ ⃗⃗⃗⃗⃗ ( ) ( ) ( )

⃗⃗ ⃗⃗⃗⃗⃗ ( ) ( ) ( )

Junto (*) e (**), temos o sistema:

Donde , e é qualquer. Portanto, qualquer vetor da

forma ⃗⃗ ( ) é ortogonal a ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗.
Por exemplo, se , então ⃗⃗ ( ) . Observe:

103
 8.1.5 Proposição: {⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗} é uma base ortonormal se, e
⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗
somente se, { .
⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗ ⃗⃗⃗⃗

Exemplo:

Vamos mostrar que || ⃗⃗ ⃗|| || ⃗⃗|| ( ⃗⃗ ⃗) || ⃗|| .

Sabemos por ii da Proposição 8.1.2 que, para qualquer ⃗⃗⃗ , tem-se
|| ⃗⃗⃗|| √ ⃗⃗⃗ ⃗⃗⃗. Usando este resultado para ⃗⃗ ⃗, temos:

|| ⃗⃗ ⃗|| √( ⃗⃗ ⃗) ( ⃗⃗ ⃗)

Ou ainda:

|| ⃗⃗ ⃗|| ( ⃗⃗ ⃗) ( ⃗⃗ ⃗)

Partindo disso, vamos mostrar o desejado:

|| ⃗⃗ ⃗|| ( ⃗⃗ ⃗) ( ⃗⃗ ⃗) ( ⃗⃗ ⃗) ⃗⃗ ( ⃗⃗ ⃗) ⃗

⃗⃗ ( ⃗⃗ ⃗) ⃗ ( ⃗⃗ ⃗) ⃗⃗ ⃗⃗ ⃗⃗ ⃗ ⃗ ⃗⃗ ⃗ ⃗

104
 || ⃗⃗|| ⃗⃗ ⃗ ⃗⃗ ⃗ || ⃗|| || ⃗⃗|| ( ⃗⃗ ⃗) || ⃗||

|| ⃗⃗ ⃗|| || ⃗⃗|| ( ⃗⃗ ⃗) || ⃗||

8.2 PROJEÇÃO ORTOGONAL

Nesta seção, vamos falar sobre o importante conceito de projeção

ortogonal de um vetor sobre outro. Por exemplo, considere os vetores
⃗⃗ ⃗⃗⃗⃗⃗⃗ e ⃗ ⃗⃗⃗⃗⃗⃗ não nulos que formam um ângulo agudo de medida ,
de acordo com a figura.

O ponto é o pé da perpendicular a passando por . O vetor

⃗ ⃗⃗⃗⃗⃗⃗ será o vetor que nos interessa, o qual será chamado de projeção
ortogonal ⃗ sobre ⃗⃗.
É obvio que ⃗ ⃗⃗, e o vetor ⃗ é o único vetor paralelo a ⃗⃗ tal que o
vetor soma ⃗ ( ⃗) ⃗⃗⃗⃗⃗⃗ é ortogonal a ⃗⃗.

Podemos ainda escrever ⃗ ⃗ ⃗⃗⃗⃗⃗⃗ ⃗, e assim:

⃗ ⃗ ⃗

⃗ ⃗⃗

105
 ⃗ ⃗⃗

8.2.1 Definição: Seja ⃗⃗ ⃗⃗ um vetor. Dado ⃗ , o vetor ⃗ é

chamado de projeção ortogonal de ⃗ sobre ⃗⃗, denotado por ⃗⃗ ⃗, se
satisfaz as condições:
i. ⃗ ⃗⃗;
ii. ( ⃗ ⃗) ⃗⃗.

Como ⃗ ⃗⃗ ⃗, reescrevemos as condições i e ii usando esta

notação:
i’. ⃗⃗ ⃗ ⃗⃗;
ii’. ( ⃗ ⃗⃗ ⃗) ⃗⃗.

Voltando a observar a figura anterior:

|| ⃗||
No triângulo retângulo , note que || ⃗⃗||
ou || ⃗|| || ⃗||

e ainda:

|| ⃗⃗|| || ⃗⃗|||| ⃗|| ⃗⃗ ⃗

|| ⃗|| ( ) || ⃗||
|| ⃗⃗|| || ⃗⃗|| || ⃗⃗||

⃗⃗ ⃗
|| ⃗|| ( )
|| ⃗⃗||

106
 Por outro lado, como ⃗⃗ e ⃗ são de mesmo sentido, podemos
escrever:

|| ⃗||
⃗ ⃗⃗ ( )
|| ⃗⃗||

Substituindo (*) em (**), temos:

⃗⃗ ⃗
( )
|| ⃗⃗|| ⃗⃗ ⃗ ⃗⃗ ⃗
⃗ ⃗⃗ ( ) ⃗⃗ ⃗ ( ) ⃗⃗
|| ⃗⃗|| || ⃗⃗|| || ⃗⃗||

Logo, podemos escrever uma “fórmula” alternativa para a

projeção ortogonal de ⃗ sobre ⃗⃗:

⃗⃗ ⃗
⃗⃗ ⃗ ( ) ⃗⃗
|| ⃗⃗||

Observação: As expressões para ⃗ e || ⃗|| ainda não podem ser utilizadas

para um caso geral, pois só são válidas para o triângulo da figura
acima. A seguir, consideramos outra figura e faremos a análise.

Na figura acima, a igualdade || ⃗|| || ⃗|| não é válida, pois a

medida do ângulo ̂ é e não .

107
 Nas figuras abaixo, observe:

A proposição a seguir fala sobre a unicidade da projeção

ortogonal de um vetor sobre outro.

8.2.2 Proposição: Considere o vetor ⃗⃗ ⃗⃗. Para todo ⃗ , existe

uma única projeção ortogonal de ⃗ sobre ⃗⃗. A projeção de ⃗ sobre ⃗⃗ é
dada por:

⃗⃗ ⃗
⃗⃗ ⃗ [ ] ⃗⃗
|| ⃗⃗||

A norma do vetor projeção é dada por:

108
 | ⃗⃗ ⃗|
|| ⃗⃗ ⃗||
|| ⃗⃗||

Prova: De acordo com a definição de projeção ortogonal, dizer

que ⃗ é projeção ortogonal de ⃗ sobre ⃗⃗ é equivalente a dizer que ⃗ ⃗⃗ e
que ( ⃗ ⃗) ⃗⃗.
Mas dizer que ⃗ é paralelo a ⃗⃗ é equivalente a dizer que ⃗ ⃗⃗.
Logo podemos escrever ( ⃗ ⃗⃗) ⃗⃗.
Agora, para mostrar que a projeção ortogonal é única, devemos
mostrar que é o único valor a satisfazer ( ⃗ ⃗⃗ ) ⃗⃗ (esta
igualdade vem do fato de que ( ⃗ ⃗⃗) e ⃗⃗ são ortogonais). De fato:

(⃗ ⃗⃗) ⃗⃗ ⃗⃗ ⃗ ( ⃗⃗ ⃗⃗) ⃗⃗ ⃗ || ⃗⃗||

⃗⃗ ⃗
|| ⃗⃗||

E este valor de é único. Disso decorre que:

⃗⃗ ⃗ ⃗⃗ ⃗
⃗ ⃗⃗ ⃗ ⃗⃗ [ ] ⃗⃗ ⃗⃗ ⃗ [ ] ⃗⃗
|| ⃗⃗|| || ⃗⃗||

A norma vem de:

⃗⃗ ⃗ | ⃗⃗ ⃗| | ⃗⃗ ⃗|
|| ⃗|| || ⃗⃗|| | ||| ⃗⃗|| | | || ⃗⃗|| || ⃗⃗||
|| ⃗⃗|| || ⃗⃗|| || ⃗⃗||

| ⃗⃗ ⃗| | ⃗⃗ ⃗|
|| ⃗|| || ⃗||
|| ⃗⃗|| || ⃗⃗||

Exemplos:

109
01. Sejam {⃗ ⃗ ⃗⃗ } uma base ortonormal, ⃗⃗ ⃗ ⃗ ⃗⃗ e ⃗ ⃗ ⃗.
Vamos obter a projeção ortogonal de ⃗ sobre ⃗⃗.
⃗⃗ ⃗⃗
Sabemos que ⃗ ⃗⃗ ⃗ ⃗⃗. Vamos determinar cada valor da
|| ⃗⃗||

expressão. Temos ⃗⃗ ⃗ ⃗ ⃗⃗ ( ) e ⃗ ⃗ ⃗ ( ) ,
logo:

⃗⃗ ⃗ ( ) ( ) ( ) ( )

⃗⃗ ⃗

|| ⃗⃗|| ( ) || ⃗⃗||

Desta forma:

⃗⃗ ⃗
⃗ ⃗⃗ ⃗⃗ ⃗⃗ ( ) ( )
|| ⃗⃗||

⃗⃗ ⃗ ( )

Para determinar o vetor ⃗ ⃗ ⃗ ortogonal a ⃗⃗:

⃗ ( ) ( ) ( ) ( )

⃗ ( )

Note que ⃗ é, de fato, ortogonal a ⃗⃗, pois se fizermos ⃗⃗ ⃗ este produto

escalar será igual à zero:

⃗⃗ ⃗ ( ) ( )

110
 CAPÍTULO 09: PRODUTO VETORIAL

9.1 INTRODUÇÃO

A partir de agora, fixamos nossa base ortonormal {⃗ ⃗ ⃗⃗ } na

origem do sistema cartesiano de modo que os vetores ⃗, ⃗ e ⃗⃗ tenham

origem na origem de e extremidade nos pontos ( ), ( ) e
( ), respectivamente. Assim, escrevemos ⃗ ( ), ⃗ ( ) e
⃗⃗ ( ). Chamamos a base de base canônica.

9.1.1 Definição: Sejam {⃗ ⃗ ⃗⃗ } uma base ortnormal, ⃗⃗

( ) e ⃗ ( ) vetores, tomados nesta ordem, chama-se
produto vetorial de ⃗⃗ por ⃗, representado por ⃗⃗ ⃗, ao vetor:

⃗⃗ ⃗ ( )⃗ ( )⃗ ( ) ⃗⃗

Ou:

⃗⃗ ⃗ ( )

Cada coordenada do vetor produto vetorial pode ainda ser

reescrita usando os determinantes de ordem 2, da seguinte maneira:

⃗⃗ ⃗ | |⃗ | |⃗ | | ⃗⃗

Podemos ainda usar um determinante “simbólico” de ordem 3,

cuja primeira linha é composta pelos vetores da base ortonormal
considerada, isto é:

111
 ⃗ ⃗ ⃗⃗
⃗⃗ ⃗ | |

Exemplo:

O produto vetorial entre ⃗⃗ ⃗ ⃗ ⃗⃗ e ⃗ ⃗ ⃗⃗ é dado da seguinte

maneira:

⃗ ⃗ ⃗⃗ ⃗ ⃗
⃗⃗ ⃗ | | ⃗ ⃗ ⃗⃗ ⃗ ⃗ ( )⃗ ⃗⃗

⃗⃗ ⃗ ⃗ ⃗ ⃗⃗

Note que, ao fazermos o produto ⃗ ⃗⃗, ocorre:

⃗ ⃗ ⃗⃗ ⃗ ⃗
⃗ ⃗⃗ | | ⃗ ⃗⃗ ⃗ ⃗ ⃗ ( )⃗ ⃗⃗

⃗ ⃗⃗ ⃗ ⃗ ⃗⃗

Obtemos vetores opostos, isto é, o produto vetorial de ⃗⃗ por ⃗ é

diferente do produto vetorial de ⃗ por ⃗⃗. E vale ⃗⃗ ⃗ (⃗ ⃗⃗).

9.1.2 Proposição: Seja {⃗ ⃗ ⃗⃗ } uma base ortonormal, ⃗⃗

( ) , ⃗ ( ) e ⃗⃗⃗ ( ) vetores de . Valem as
propriedades:
i. ⃗⃗ ⃗⃗ ⃗⃗;
ii. ⃗⃗ ⃗ (⃗ ⃗⃗);
iii. ⃗⃗ (⃗ ⃗⃗⃗) ⃗⃗ ⃗ ⃗⃗ ⃗⃗⃗;
iv. ( ⃗⃗) ⃗ ( ⃗⃗ ⃗) ⃗⃗ ( ⃗);
v. ⃗⃗ ⃗ ⃗⃗ { ⃗⃗ ⃗} é LD ou se um dos vetores é nulo;

112
 vi. ( ⃗⃗ ⃗) ⃗⃗ e ( ⃗⃗ ⃗) ⃗.
Prova:
i. Sabemos que ⃗⃗ ( ) , logo o produto vetorial ⃗⃗ ⃗⃗ é dado
por:

⃗ ⃗ ⃗⃗ ⃗ ⃗
⃗⃗ ⃗⃗ | | ⃗ ⃗ ⃗⃗ ⃗⃗ ⃗ ⃗

( )⃗ ( )⃗ ( ) ⃗⃗

⃗⃗ ⃗ ⃗ ⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗ ⃗⃗

ii. Como ⃗⃗ ( ) e ⃗ ( ) , temos:

⃗⃗ ⃗ ( )⃗ ( )⃗ ( ) ⃗⃗

Por outro lado, temos:

⃗ ⃗⃗ ( )⃗ ( )⃗ ( ) ⃗⃗

( )⃗ [ ( )] ⃗ ( ) ⃗⃗

[( )⃗ ( )⃗ ( ) ⃗⃗ ] ( ⃗⃗ ⃗)

⃗ ⃗⃗ ( ⃗⃗ ⃗) ⃗⃗ ⃗ (⃗ ⃗⃗)

iii. Sabemos que ⃗⃗ ( ) e que ⃗ ⃗⃗⃗ (

) . Por definição:

⃗ ⃗ ⃗⃗ ⃗ ⃗
⃗⃗ (⃗ ⃗⃗⃗) | |

113
 ( )⃗ ( )⃗ ( ) ⃗⃗ ( ) ⃗⃗ ( )⃗ ( )⃗

⃗ ⃗ ⃗⃗ ⃗ ⃗ ⃗⃗
| | | | ⃗⃗ ⃗ ⃗⃗ ⃗⃗⃗

⃗⃗ (⃗ ⃗⃗⃗) ⃗⃗ ⃗ ⃗⃗ ⃗⃗⃗

iv. Sabemos que ⃗⃗ ( ) . Logo:

⃗ ⃗ ⃗⃗ ⃗ ⃗ ⃗⃗
( ⃗⃗) ⃗ | | | | ( ⃗⃗ ⃗)

Por outro lado, sabemos que ⃗ ( ), então:

⃗ ⃗ ⃗⃗ ⃗ ⃗ ⃗⃗
( ⃗⃗ ⃗) | | | | ⃗⃗ ( ⃗)

v. ( ) Queremos mostrar que se ⃗⃗ ⃗ ⃗⃗, então { ⃗⃗ ⃗} é LD. De

fato, se ⃗⃗ ⃗ ⃗⃗, as coordenadas de ⃗⃗ ⃗ são nulas, isto é:

| | | | | |

Estes determinantes serão iguais a zero se cada coordenada de ⃗⃗

ou ⃗ for nula e, então teríamos que um dos vetores é nulo. Os
determinantes seriam, também, iguais a zero se [ ] e [ ]
fossem proporcionais e, neste caso, teríamos { ⃗⃗ ⃗} linearmente
dependente.
(⇐) Caso 01: Queremos mostrar que se ⃗⃗ ⃗⃗ ou ⃗ ⃗⃗, então

⃗⃗ ⃗ ⃗⃗. De fato, suponha ⃗⃗ ⃗⃗, então ⃗⃗ ( ) e:

114
 ⃗ ⃗ ⃗⃗
⃗⃗ ⃗ | | ⃗ ⃗ ⃗⃗ ⃗⃗

Para ⃗ ⃗⃗, é análogo.

Caso 02: Queremos mostrar que se o conjunto { ⃗⃗ ⃗} é LD, então
⃗⃗ ⃗ ⃗⃗. De fato, se { ⃗⃗ ⃗} é LD, então ⃗⃗ ⃗. Logo se ⃗ ( ) ,
então ⃗⃗ ( ) . Portanto:

⃗ ⃗ ⃗⃗
⃗⃗ ⃗ | | ⃗ ⃗ ⃗⃗ ⃗⃗

E temos o desejado.

vi. Queremos provar que os o produto vetorial de ⃗⃗ por ⃗ é

ortogonal a ⃗⃗ e a ⃗, mas isso equivale a mostrar que ( ⃗⃗ ⃗) ⃗⃗ e
( ⃗⃗ ⃗) ⃗ . De fato:

( ⃗⃗ ⃗) ⃗⃗ ( ) ( )

( ) ( ) ( )

( ⃗⃗ ⃗) ⃗⃗ ( ⃗⃗ ⃗) ⃗⃗

De forma análoga conclui-se que ( ⃗⃗ ⃗) ⃗.

Observação: Note que de (vi) podemos dizer que se { ⃗⃗ ⃗} é LI, então

{ ⃗⃗ ⃗ ⃗⃗ ⃗} e { ⃗⃗ ⃗ ⃗ ⃗⃗} formam bases para o espaço, pois o vetor
obtido pelo produto vetorial de dois vetores é ortogonal a estes.
Como o vetor ⃗ ⃗⃗ é oposto de ⃗⃗ ⃗, tem-se ( ⃗⃗ ⃗ ⃗ ⃗⃗) . Logo

115
⃗ ⃗⃗ também será ortogonal a ⃗⃗ e ⃗.

Uma ilustração das bases { ⃗⃗ ⃗ ⃗⃗ ⃗} e { ⃗⃗ ⃗ ⃗ ⃗⃗} é dada na figura

abaixo:

Considerando a base canônica {⃗ ⃗ ⃗⃗ }, observe que:

⃗ ⃗ ( ) ( ) | |⃗ | |⃗ | | ⃗⃗ ⃗⃗ ⃗ ⃗ ⃗⃗

Analogamente ⃗ ⃗⃗ ⃗e ⃗ ⃗⃗ ⃗. Note que, os vetores ⃗ e ⃗⃗ não

estão “um ao lado do outro”, ou ainda, ⃗⃗ não vem depois de ⃗ no
conjunto { ⃗ ⃗ ⃗⃗}, logo o produto vetorial entre eles, resulta no vetor

oposto de ⃗ e, desta forma, ⃗⃗ ⃗ ⃗. Considerando a figura abaixo:

116
 Se pensarmos em um ciclo, o vetor que “vem depois” de ⃗ é ⃗, logo
o produto vetorial entre ⃗ e ⃗ resulta no outro vetor da base, que é ⃗⃗ .
Analogamente, o vetor que vem depois de ⃗ é ⃗⃗ , portanto o produto
vetorial entre ⃗ e ⃗⃗ é o outro vetor da base, que é ⃗. Perceba que ⃗⃗ não
vem depois de ⃗, por isso o produto ⃗ ⃗⃗ não resulta em ⃗. Porém,

observando o ciclo, o vetor que vem depois de ⃗⃗ é ⃗, desta forma o

produto ⃗⃗ ⃗ resulta no outro vetor da base, que é ⃗.
Ainda podemos dizer que a base {⃗ ⃗ ⃗⃗ } é de sentido positivo, de
acordo com a ordem circular fixada. No momento em que a ordem
circular é fixada, pode-se analisar que as bases { ⃗ ⃗⃗ ⃗} e { ⃗⃗ ⃗ ⃗} também
são de sentido positivo. Logo, fazendo o produto vetorial de vetores
sucessivos, na ordem apropriada, obtém-se o terceiro vetor da base.

9.1.3 Proposição: Seja {⃗ ⃗ ⃗⃗ } uma base ortonormal, ⃗⃗

( ) , ⃗ ( ) e ⃗⃗⃗ ( ) vetores de . Valem as
propriedades:

i. || ⃗⃗ ⃗|| || ⃗⃗|| || ⃗|| ( ⃗⃗ ⃗) (Identidade de Lagrange);

ii. Se ⃗⃗ ⃗⃗, ⃗ ⃗⃗ e ( ⃗⃗ ⃗), então || ⃗⃗ ⃗|| || ⃗⃗|||| ⃗|| ;

iii. Não é válido ( ⃗⃗ ⃗) ⃗⃗⃗ ⃗⃗ (⃗ ⃗⃗⃗).
Prova:
i. Como ⃗⃗ ⃗ ( ) , temos:

117
 || ⃗⃗ ⃗|| ( ) ( ) ( )

Por outro lado, se ⃗⃗ ( ) e ⃗ ( ) , temos:

|| ⃗⃗|| || ⃗|| ( ⃗⃗ ⃗) ( )( ) ( )

Realizando os devidos cálculos, constata-se que:

|| ⃗⃗ ⃗|| || ⃗⃗|| || ⃗|| ( ⃗⃗ ⃗)

A Identidade de Lagrange ainda pode ser reescrita por:

( ⃗⃗ ⃗) ( ⃗⃗ ⃗) ( ⃗⃗ ⃗⃗)( ⃗ ⃗) ( ⃗⃗ ⃗)

ii. Sabemos que || ⃗⃗ ⃗|| || ⃗⃗|| || ⃗|| ( ⃗⃗ ⃗) . Por outro lado, da

definição de produto escalar ⃗⃗ ⃗ || ⃗⃗|||| ⃗|| e, substituindo na
Identidade de Lagrange:

|| ⃗⃗ ⃗|| || ⃗⃗|| || ⃗|| (|| ⃗⃗|||| ⃗|| ) || ⃗⃗|| || ⃗|| || ⃗⃗|| || ⃗||

|| ⃗⃗|| || ⃗|| ( ) || ⃗⃗|| || ⃗||

|| ⃗⃗ ⃗|| (|| ⃗⃗|||| ⃗|| ) √|| ⃗⃗ ⃗|| √(|| ⃗⃗|||| ⃗|| )

2 || ⃗⃗ ⃗|| || ⃗⃗|||| ⃗||

2
Lembre-se que √ | | , se (que é o caso: || ⃗⃗ ⃗|| e || ⃗⃗|||| ⃗|| ,
pois para [ ]).

118
 iii. Note que o vetor ⃗⃗ (⃗ ⃗⃗⃗) é coplanar a ⃗ e ⃗⃗⃗, enquanto
( ⃗⃗ ⃗) ⃗⃗⃗ é coplanar a ⃗⃗ e ⃗. Portanto, em geral ⃗⃗ (⃗ ⃗⃗⃗) ( ⃗⃗ ⃗)
⃗⃗⃗.

Exemplo:

Vamos determinar um vetor unitário que seja ortogonal a ⃗⃗ ( )e

⃗ ( ).
Sabemos que o vetor ⃗⃗ ⃗ é ortogonal a ⃗⃗ e ⃗ simultaneamente ( ⃗ ⃗⃗
também). Portanto, temos:

⃗ ⃗ ⃗⃗ ⃗ ⃗
⃗⃗ ⃗ | | ⃗ ⃗ ⃗⃗ ⃗⃗ ⃗ ⃗

⃗⃗ ⃗ ⃗ ⃗ ⃗⃗ ( )

Para determinar agora um vetor unitário à ⃗⃗ e ⃗, basta determinar o

versor de ⃗⃗ ⃗. Então:

⃗⃗ ⃗
( ) ( )
|| ⃗⃗ ⃗|| || ⃗⃗ ⃗|| √( )

( ) ( ) ( )
√ √

( ) ( )

Portanto, o vetor unitário ortogonal à ⃗⃗ e ⃗ simultaneamente é:

⃗⃗ ⃗
( )
|| ⃗⃗ ⃗||

119
9.3 INTERPRETAÇÃO GEOMÉTRICA DO MÓDULO DO PRODUTO
VETORIAL

Se ⃗⃗ ⃗⃗⃗⃗⃗⃗ e ⃗ ⃗⃗⃗⃗⃗⃗ , a norma do produto vetorial entre ⃗⃗ e ⃗ mede

a área do paralelogramo . Observe:

Note que, a área do paralelogramo é dada por:

( ) || ⃗⃗|| ( )

Do triângulo retângulo tem-se:

|| ⃗|| ( )
|| ⃗||

Substituindo (II) em (I):

( ) || ⃗⃗|||| ⃗||

Por outro lado, já foi visto que || ⃗⃗ ⃗|| || ⃗⃗|||| ⃗|| . Logo, segue
que:

( ) || ⃗⃗ ⃗||

120
 Exemplos: Para os exemplos a seguir considere {⃗ ⃗ ⃗⃗ } uma
base ortonormal.

01. Dados os vetores ⃗⃗ ( ) e ⃗ ( ) , vamos calcular a área

do paralelogramo determinado pelos vetores ⃗⃗ e ⃗ ⃗⃗. Sabemos que a
área do paralelogramo determinado por ⃗⃗ e ⃗ ⃗⃗ é dada pela norma do
vetor ⃗⃗ (⃗ ⃗⃗). Portanto:

|| ⃗⃗ (⃗ ⃗⃗)|| || ⃗⃗ ⃗ ⃗⃗ ( ⃗⃗)|| || ( ⃗⃗ ⃗) [ ⃗⃗ ( ⃗⃗)]||

⃗ ⃗ ⃗⃗
|| ( ⃗⃗ ⃗) ( )( ⃗⃗ ⃗⃗)|| || | | ⃗⃗||

|| ( ⃗ ⃗⃗ ⃗ ⃗) ⃗⃗|| || ( ⃗ ⃗ ⃗⃗ )|| || ( ) ||

| | ||( ) || √ ( ) ( ) √ √

⃗ (⃗ ⃗⃗ ) ⃗ ⃗ ⃗⃗
02. Determine o conjunto de soluções de { . Para
⃗ ⃗
isto, vamos tomar ⃗ ⃗ ⃗ ⃗⃗ ( ) . Sabemos também que

⃗ ⃗⃗ ( ) , ⃗ ⃗ ⃗⃗ ( ) e ⃗ ( ) . Portanto,
reescrevemos o sistema:

( ) ( ) ( ) ( )
{
( ) ( ) ( )

Da equação (I), vem:

121
 ⃗ ⃗ ⃗⃗
( ) ( ) ( ) | | ( )

( )⃗ ( )⃗ ( ) ⃗⃗ ( )

⃗ ( )⃗ ( ) ⃗⃗ ( ) ( ) ( )

Assim, ⃗ ( ). Temos da equação (II):

( ) ( )

E isto nos diz que, para qualquer valor de , o vetor ⃗ ⃗ ⃗ (

) ⃗⃗ é solução do sistema. Desta forma, o conjunto solução do sistema é
{( ) }.

03. Sejam ⃗⃗ ( ) e ⃗ ( ) . Vamos calcular um valor para de

modo que a área do paralelogramo determinado por ⃗⃗ e ⃗ seja √ .
Sabemos que || ⃗⃗ ⃗||, então:

|| ⃗⃗ ⃗|| √ ||( ) ( ) ||

⃗ ⃗ ⃗⃗
√ |||| |||| √ ||( )⃗ ( )⃗ ( ) ⃗⃗ ||

√ ||( ) || √ √ ( ) ( )

122
A solução desta equação é ou .

04. Calcular a área do triângulo cujos vértices são os pontos

( ), ( )e ( ).

Note que o triângulo tem os lados determinados pelos vetores ⃗⃗⃗⃗⃗⃗ ,

⃗⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ . Portanto, vamos determinar cada um desses vetores:

⃗⃗⃗⃗⃗⃗ ( ) ( ) ( ) ⃗⃗⃗⃗⃗⃗ ( )

⃗⃗⃗⃗⃗⃗ ( ) ( ) ( ) ⃗⃗⃗⃗⃗⃗ ( )

⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ( ) ( ) ( )

123
Agora, perceba que a área do triângulo é igual à metade do
paralelogramo determinado pelos vetores ⃗⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗⃗ . Logo:

||⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ||
( )

Fazendo ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ :

⃗ ⃗ ⃗⃗
⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ | | ( )⃗ ( )⃗ ( ) ⃗⃗ ⃗ ⃗ ⃗⃗

⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ( )

Calculando a norma de ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ :

||⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ || ||( ) || √ √ √

||⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ || √ ( )

Substituindo (**) em (*):

||⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ || √ √

124
 CAPÍTULO 10: PRODUTO MISTO

10.1 INTRODUÇÃO

10.1.1 Definição: Sejam ⃗⃗ {⃗ ⃗ ⃗⃗ } a base canônica de e os

vetores ⃗⃗ ( ) , ⃗ ( ) e ⃗⃗⃗ ( ) . Definimos o
produto misto entre ⃗⃗, ⃗ e ⃗⃗⃗ como sendo o número real ⃗⃗ ( ⃗ ⃗⃗⃗).
Indicamos o produto misto entre ⃗⃗, ⃗ e ⃗⃗⃗ por ( ⃗⃗ ⃗ ⃗⃗⃗). Desta forma,
sempre tome cuidado com a ordem em que os vetores aparecem.
Já sabemos que:

⃗ ⃗ ⃗⃗
⃗ ⃗⃗⃗ | | | |⃗ | |⃗ | | ⃗⃗

⃗ ⃗⃗⃗ (| | | | | |)

E como ⃗⃗ ( ) , temos o produto escalar:

⃗⃗ ( ⃗ ⃗⃗⃗) ( ) (| | | | | |)

| | | | | | | |

( ⃗⃗ ⃗ ⃗⃗⃗) | |

Exemplo:

125
O produto misto entre os vetores ⃗⃗ ⃗ ⃗ ⃗⃗ , ⃗ ⃗ ⃗ ⃗⃗ e

⃗⃗⃗ ⃗ ⃗ ⃗⃗ é dado por:

( ⃗⃗ ⃗ ⃗⃗⃗) (( ) ( ) ( ) ) | |

( ) ( ) ( ) ( ) ( )

( ⃗⃗ ⃗ ⃗⃗⃗)

Observação: Tome cuidado com a ordem em que os vetores aparecem

no produto misto. Por exemplo:

( ⃗⃗ ⃗ ⃗⃗⃗) ⃗⃗ ( ⃗ ⃗⃗⃗)

( ⃗ ⃗⃗⃗ ⃗⃗) ⃗ ( ⃗⃗⃗ ⃗⃗)

(⃗ ⃗⃗ ⃗ ⃗ ⃗) (⃗ ⃗⃗ ) ( ⃗ (⃗ ⃗))

10.1.1 Proposição: Sejam ⃗⃗ ( ), ⃗ ( ) e ⃗⃗⃗

( ) vetores. As seguintes propriedades são válidas:
i. ( ⃗⃗ ⃗ ⃗⃗⃗) se um dos vetores é nulo, se dois a dois são
paralelos, ou se { ⃗⃗ ⃗ ⃗⃗⃗} é LD;
ii. O produto misto independe da ordem circular dos vetores, isto
é, ( ⃗⃗ ⃗ ⃗⃗⃗) ( ⃗ ⃗⃗⃗ ⃗⃗) ( ⃗⃗⃗ ⃗⃗ ⃗);
iii. ( ⃗⃗ ⃗ ⃗⃗⃗ ⃗) ( ⃗⃗ ⃗ ⃗⃗⃗) ( ⃗⃗ ⃗ ⃗);
iv. ( ⃗⃗ ⃗ ⃗⃗⃗) ( ⃗⃗ ⃗ ⃗⃗⃗) ( ⃗⃗ ⃗ ⃗⃗⃗) ( ⃗⃗ ⃗ ⃗⃗⃗).
Prova:
i. Vamos separar em três casos:
Caso 01: Suponha que um dos vetores é nulo, digamos ⃗⃗. Então
⃗⃗ ( ) e tem-se:

( ⃗⃗ ⃗ ⃗⃗⃗) | |

126
 Caso 02: Suponha dois vetores paralelos, digamos ⃗⃗ e ⃗. Então
⃗⃗ ( )e ⃗ ( ) e temos:

( ⃗⃗ ⃗ ⃗⃗⃗) | |

Caso 03: Suponha { ⃗⃗ ⃗ ⃗⃗⃗} LD. Sabemos que ⃗ ⃗⃗⃗ é ortogonal a ⃗ e

a ⃗⃗⃗ e consequentemente será ortogonal a ⃗⃗, uma vez que ⃗⃗ ⃗ ⃗⃗⃗ estão
num mesmo plano. Ora, se ⃗⃗ ⃗ ⃗⃗⃗, então ⃗⃗ ( ⃗ ⃗⃗⃗ ) . Mas ⃗⃗
(⃗ ⃗⃗⃗) ( ⃗⃗ ⃗ ⃗⃗⃗), logo ( ⃗⃗ ⃗ ⃗⃗⃗) .

Observação: Note que o caso 3 do item i nos diz que se os vetores ⃗⃗, ⃗ e
⃗⃗⃗ são coplanares, então o produto misto entre eles é nulo.
De forma análoga, se considerarmos os pontos , , e , estes pontos
pertence a um mesmo plano se os vetores ⃗⃗⃗⃗⃗⃗ , ⃗⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗⃗ forem
coplanares, isto é, se (⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ) .

ii. Observe:

Esta propriedade decorre imediatamente das propriedades de

determinantes (apenas fazemos uma analogia para os vetores ⃗, ⃗ e ⃗⃗ .
Mas estes poderiam ser quaisquer).

Observação: Desta propriedade, resulta que as operações e

permutam entre si, isto é:

127
 ⃗⃗ ( ⃗ ⃗⃗⃗) ( ⃗⃗ ⃗) ⃗⃗⃗

Chamamos esta consequência de propriedade cíclica.

Exemplos:

01. Vamos verificar se os vetores ⃗⃗ ( ), ⃗ ( ) e ⃗⃗⃗ ( )

são coplanares. Para isto, basta calcular o produto misto entre eles:

( ⃗⃗ ⃗ ⃗⃗⃗) | | ⃗⃗ ⃗ ⃗⃗⃗

02. Qual deve ser o valor de para que os vetores ⃗ ( ), ⃗⃗

( ) e ⃗ ( ) sejam coplanares? Para que os vetores sejam
coplanares, devemos ter:

( ⃗ ⃗⃗ ⃗) | |

03. Verificar se os pontos ( ), ( ), ( ) e

( ) são coplanares. Para verificar se os pontos são coplanares,
construímos os vetores ⃗⃗⃗⃗⃗⃗ ( ), ⃗⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗⃗
( ) e calculamos o produto misto:

(⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗) | |

10.2 INTERPRETAÇÃO GEOMÉTRICA DO MÓDULO DO PRODUTO

MISTO

128
 Geometricamente, o módulo do produto misto ( ⃗⃗ ⃗ ⃗⃗⃗) ⃗⃗ ( ⃗ ⃗⃗⃗)
calcula o volume do paralelepípedo de arestas determinadas pelos
vetores ⃗⃗ ⃗⃗⃗⃗⃗⃗ , ⃗ ⃗⃗⃗⃗⃗⃗ e ⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ . Observe a figura:

Sabemos que o volume de um paralelepípedo é dado por “área da

base vezes a altura”. Então:

( )

Como a área da base é o paralelogramo determinado pelos vetores

⃗ e ⃗⃗⃗, sabemos que:

|| ⃗ ⃗⃗⃗|| ( )

Observando o ângulo formado entre ⃗⃗ e ⃗ ⃗⃗⃗, temos:

129
 | | || ⃗⃗||| | ( )3
|| ⃗⃗||

Substituindo (*) e (**) em (I), temos:

|| ⃗ ⃗⃗⃗|||| ⃗⃗||| | || ⃗⃗|||| ⃗ ⃗⃗⃗||| | ( )

Sabemos ainda que:

⃗⃗ ( ⃗ ⃗⃗⃗) || ⃗⃗|||| ⃗ ⃗⃗⃗|| | ⃗⃗ ( ⃗ ⃗⃗⃗)| || ⃗⃗|||| ⃗ ⃗⃗⃗||| | ( )

Comparando (***) e (I), tem-se:

| ⃗⃗ ( ⃗ ⃗⃗⃗)| |( ⃗⃗ ⃗ ⃗⃗⃗)| |( ⃗⃗ ⃗ ⃗⃗⃗)|

Exemplos:

01. Vamos calcular o volume do paralelepípedo determinado pelos

vetores ⃗⃗⃗⃗⃗⃗ ( ), ⃗⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗⃗ ( ). Para calcular tal volume,
basta calcular o produto misto entre os vetores e em seguida tomar o
módulo deste valor. Calculemos:

(⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ) | |

Agora, temos:

|(⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗)| | |

3
Devemos considerar | |, pois poderia ocorrer ( ] e então .

130
02. Dados os vetores ⃗⃗ ( ), ⃗ ( ) e ⃗⃗⃗ ( ), calcule o
valor de para que o volume do paralelepípedo determinado por ⃗⃗, ⃗ e
⃗⃗⃗ seja igual a .
Sabemos que o volume do paralelepípedo é dado por |( ⃗⃗ ⃗ ⃗⃗⃗)|. Para
que o volume seja igual a 24, temos:

|( ⃗⃗ ⃗ ⃗⃗⃗)| || || | |

Sabemos que, por definição:

| | {

Então, temos:
Se , então | | .
Se , então | | .
Desta forma, concluímos que ou .

131
 CAPÍTULO 11: RETA

11.1 INTRODUÇÃO

11.1.1 Equação Vetorial da Reta: Considere o sistema de

coordenadas , a base canônica {⃗ ⃗ ⃗⃗ }, uma reta passando por um
ponto com mesma direção de um vetor não nulo ⃗. Para que um
ponto do espaço pertença à reta é necessário e suficiente que, os
vetores ⃗⃗⃗⃗⃗⃗ e ⃗ sejam paralelos, isto é:

⃗⃗⃗⃗⃗⃗ ⃗ ⃗

Podemos ainda reescrever a equação ⃗ por:

⃗ ( )

A princípio podemos pensar que a equação (I) não faz sentido,

pois parece ser composta por “um ponto igual a um ponto somado com

132
um vetor”, porém a igualdade pode ser “aceita” devido ao fato de que
existe uma correspondência biunívoca entre pontos e vetores do espaço.
Note que ao ponto corresponde o vetor ⃗⃗⃗⃗⃗⃗ cujas coordenadas serão as
mesmas coordenadas de em relação ao sistema de coordenadas e,
analogamente, ao ponto corresponde o vetor ⃗⃗⃗⃗⃗⃗.
Se tomarmos, ( ), ( )e ⃗ ( ), reescrevemos
(I) como:

( ) ( ) ( ) ( )

Qualquer uma das equações (I) e (II) é denominada equação

vetorial da reta que passa pelo ponto e tem a direção de ⃗.
O vetor ⃗ é chamado de vetor diretor da reta e o número real
recebe o nome de parâmetro. Note que para cada valor de , obtemos
um ponto da reta, ou seja, quando variamos no intervalo ( )o
ponto descreve a reta .
Exemplo:

Vamos encontrar a equação vetorial da reta que passa pelo ponto

( ) e tem como vetor diretor ⃗ ⃗ ⃗ ⃗⃗ .

Sendo ( ) um ponto genérico da reta, temos:

⃗ ( ) ( ) ( )

A equação vetorial da reta é ( ) ( ) ( ). Quando

varia de até , descreve tal reta. Por exemplo, se , temos:

( ) ( ) ( ) ( ) ( ) ( )

( ) ( )

Ou seja, o ponto ( ) pertence à reta .

133
Por outro lado, como proceder para verificar se um ponto pertence a
uma reta?
Considerando a reta do exemplo ( ) ( ) ( ), o ponto
( ) pertence à reta ? Para verificar se pertence à reta, basta
substituir as respectivas coordenadas de nas coordenadas do ponto
genérico da construção, isto é:

( ) ( ) ( ) ( ) ( )

O valor de é único, e isto nos diz que o ponto pertence à reta .

Por outro lado, tomemos ( ). Este ponto pertence à reta?
Vamos substituir suas coordenadas na equação de . Então:

( ) ( ) ( )

Obtemos valores distintos de , e isso nos diz que o ponto não

pertence à reta .

11.1.2 Equações Paramétricas da Reta: Considere o sistema de

coordenadas no espaço e a base canônica {⃗ ⃗ ⃗⃗ }. Seja ( ) um
ponto genérico do espaço e ( ) um ponto dado, onde
uma reta cujo vetor diretor é ⃗ ( ). Da equação vetorial da reta,
temos:

134
 ⃗ ( ) ( ) ( )

( ) ( )

{ ( )

O sistema de equações ( ), com não são todos nulos ( ⃗ ⃗⃗)

nos fornece as equações paramétricas de em relação ao sistema de
coordenadas fixado.
Exemplo:

As equações paramétricas da reta que passa pelo ponto ( )e

tem a direção do vetor ⃗ ( ) são:

( ) ( ) ( )

Para obter qualquer ponto de , basta atribuir um valor para . Por

exemplo, se , temos:

( )
{ ( )
( )

Desta forma, temos o ponto ( ) .

Note que o ponto e, obviamente, este ponto satisfaz as equações
vetoriais de . Temos:

135
 {

Por outro lado, o ponto ( ) , pois:

{ ( )

11.1.3 Reta Definida por Dois Pontos: A reta definida pelos

pontos ( )e ( ) é a reta que passa pelo ponto (ou
) e tem a direção do vetor ⃗⃗⃗⃗⃗⃗ ( ). Sendo um
ponto genérico, a equação vetorial da reta definida pelos pontos e é:

⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗

Exemplo:

Vamos construir a equação vetorial da reta que passa pelos pontos

( ) e ( ). Para construir tal equação, devemos
determinar o vetor diretor de a partir dos pontos e , isto é:

⃗ ⃗⃗⃗⃗⃗⃗ ( ) ( ) ⃗ ( )

Tomando , tem-se:

( ) ( ) ( )

E as equações paramétricas são as equações do sistema:

136
 {

Se tivéssemos tomado ⃗:

( ) ( ) ( ) {

Que representam a mesma reta .

11.1.4 Equações Simétricas da Reta: Considere a reta cujas

equações paramétricas são { . Supondo que , ou seja,

nenhuma das coordenadas de ⃗ nula, temos:

( )

( )

( )

Comparando (I), (II) e (III), temos:

Estas equações são denominadas equações simétricas da reta que

passa por ( ) e tem direção de ⃗ ( ).
Exemplo:

137
As equações simétricas da reta que passa pelo ponto ( ) e tem

como vetor diretor o vetor ⃗ ⃗ ⃗ ⃗⃗ são:

Observação: Para construir as equações simétricas de uma reta definida

por dois pontos, basta construir o vetor diretor a partir dos pontos e
proceder de forma análoga à definição.

11.1.5 Equações Reduzidas da Reta: Considerando as equações

simétricas de uma reta , podemos isolar as variáveis e

em função de . Observe:
Da igualdade entre a primeira e a segunda expressão:

( )

( )

Fazendo e e, substituindo em (I):

( )

Da igualdade entre a primeira e a terceira expressão:

( )

( )

Fazendo e e, substituindo em (II):

138
 ( )

O sistema formado pelas equações (*) e (**) nos fornece as

equações reduzidas da reta passando por ( ) com vetor
diretor ⃗ ( ).

Exemplo:

Vamos construir as equações reduzidas da reta que passa por

( ) e tem a direção do vetor ⃗⃗⃗ ( ). Das equações
simétricas de vem:

Da igualdade entre a primeira e a segunda expressão:

( )

Da igualdade entre a primeira e a terceira expressão:

( )

De (*) e (**), temos:

139
Que nos fornece as equações reduzidas de ⃗⃗⃗.

Observação: A variável nas equações reduzidas faz o papel de variável

independente na equação da reta. Da mesma forma que deixamos as
variáveis e em função de , poderíamos deixar qualquer outra das
variáveis como sendo a variável livre.

11.2 RETAS PARALELAS AOS PLANOS OU AOS EIXOS COORDENADOS

Até o momento, quando tínhamos as equações paramétricas

{ de uma reta passando por ( ) com a direção de

⃗ ( ), onde , poderíamos escrever as equações simétricas de

como .

Eventualmente, pode ocorrer que uma ou duas coordenadas de ⃗

sejam nulas e, neste momento, vamos analisar estes possíveis casos.

11.2.1 Uma componente do vetor diretor nula: Consideramos a

reta que passa por ( ) e tem a direção de ⃗ ( ). No caso
em que uma das coordenadas de ⃗ ( ) é nula, teremos o seguinte:
i. Se , então ⃗ ( ) é um vetor ortogonal ao eixo e
paralelo ao plano . Consequentemente, qualquer reta que tenha
mesma direção de ⃗ será ortogonal ao eixo e paralela ao plano . As
equações paramétricas e simétricas serão respectivamente:

{ {

Note que, as coordenadas de qualquer ponto ( )

variam somente em e , sendo que a coordenada se mantém fixa
. Observe a figura:

140
 ii. Se , então ⃗ ( ) é um vetor ortogonal ao eixo e
paralelo ao plano . Consequentemente, qualquer reta que tenha
mesma direção de ⃗ será ortogonal ao eixo e paralela ao plano . As
equações paramétricas e simétricas serão respectivamente:

{ {

Note que, as coordenadas de qualquer ponto ( )

variam somente em e , sendo que a coordenada em se mantém fixa
. Observe a figura:

141
 iii. Se , então ⃗ ( ) é um vetor ortogonal ao eixo e
paralelo ao plano . Consequentemente, qualquer reta que tenha
mesma direção de ⃗ será ortogonal ao eixo e paralela ao plano . As
equações paramétricas e simétricas serão respectivamente:

{ {

Note que, as coordenadas de qualquer ponto ( )

variam somente em e , sendo que a coordenada em se mantém fixa
. Observe a figura:

142
 11.2.2 Duas componentes do vetor diretor nulas: Consideramos
a reta que passa por ( ) e tem a direção de ⃗ ( ). No
caso em que duas das coordenadas de ⃗ ( ) são nulas, o vetor ⃗

terá a direção de um dos vetores da base canônica {⃗ ⃗ ⃗⃗ }. Assim:

i. Se , então ⃗ ( ) é um vetor paralelo ao eixo , ou
seja, ⃗ ⃗⃗. Consequentemente, qualquer reta que tenha a direção de ⃗
será paralela ao eixo . As equações paramétricas serão:

Note que, as coordenadas de qualquer ponto ( )

variam somente em , sendo que as coordenada em e se mantém
fixas e . Observe a figura:

ii. Se , então ⃗ ( ) é um vetor paralelo ao eixo , ou

seja, ⃗ ⃗. Consequentemente, qualquer reta que tenha a direção de ⃗
será paralela ao eixo . As equações paramétricas serão:

143
 Note que, as coordenadas de qualquer ponto ( )
variam somente em , sendo que as coordenada em e se mantém
fixas e . Observe a figura:

iii. Se , então ⃗ ( ) é um vetor paralelo ao eixo , ou

seja, ⃗ ⃗. Consequentemente, qualquer reta que tenha a direção de ⃗
será paralela ao eixo . As equações paramétricas serão:

Note que, as coordenadas de qualquer ponto ( )

variam somente em , sendo que as coordenada em e se mantém
fixas e . Observe a figura:

144
Observação: Os eixos , e são retas particulares. Observemos:

a) O eixo é a reta que passa pelo ponto ( ) e tem como vetor

diretor o vetor ⃗ ( ). Portanto:

b) O eixo é a reta que passa pelo ponto ( ) e tem como vetor

diretor o vetor ⃗ ( ). Portanto:

c) O eixo é a reta que passa pelo ponto ( ) e tem como vetor

diretor o vetor ⃗⃗ ( ). Portanto:

Exemplos:

01. Vamos determinar a equação da reta que passa pelo ponto

( ) e tem a direção do vetor ⃗ ⃗ ⃗⃗ .

Note que o vetor ⃗ ( ) tem a segunda componente nula, isto é, este

vetor é ortogonal ao eixo e paralelo ao plano , logo a reta que passa
por e tem direção de ⃗ tem as mesmas particularidades de ⃗ em
relação ao eixo e ao plano .
A equação vetorial de é, considerando ( ) , ⃗
( ) ( ) ( ). Portanto, podemos escrever sua equação
na forma:

145
02. Determinaremos a equação da reta que passa pelos pontos
( )e ( ).
Primeiramente, sabemos que o vetor diretor de tal reta será ⃗ ,
então:

⃗ ( ) ( ) ( ) ⃗ ⃗ ⃗

O vetor ⃗ ( ) tem a terceira componente nula, isto é, a reta que

tem a direção de ⃗ será ortogonal ao eixo e paralela ao plano .
Sendo ( ) , a equação de é, portanto:

( ) ( ) ( ) {

03. Estabeleceremos a equação da reta que passa pelo ponto

( ) e tem como vetor diretor ⃗ ⃗.
Note que ⃗ ( ) tem a segunda e a terceira coordenada nula, logo a
reta que tem a mesma direção de ⃗ será paralela ao eixo . Portanto,
sendo ( ) :

( ) ( ) ( ) {

11.3 ÂNGULO ENTRE RETAS

Considere a reta que passa por ( ) e tem a direção de

⃗⃗⃗⃗⃗ ( )e a reta que passa por ( ) e tem a direção de
⃗⃗⃗⃗⃗ ( ). O ângulo entre e é o menor ângulo entre os vetores
os vetores diretores ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗. Observe a figura:

146
 Logo, sendo a medida angular entre e , temos:

|⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗|
||⃗⃗⃗⃗⃗||||⃗⃗⃗⃗⃗||

Observação: Note que sempre estará no intervalo [ ], pois se

então tomaríamos o ângulo entre as retas como sendo o suplemento do
ângulo de medida .

Exemplo:

Calculemos os ângulos entre as retas { e .

Note que, é a reta que passa pelo ponto ( ) e tem a direção

do vetor ⃗⃗⃗⃗⃗ ( ) e a reta passa pelo ponto ( ) e tem
direção de ⃗⃗⃗⃗⃗ ( ). Portanto:

|⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗| |( ) ( )|
||⃗⃗⃗⃗⃗||||⃗⃗⃗⃗⃗|| ||( )||||( )||

| | | |
√ ( ) √( ) √ √

147
Como [ ], .

Portanto, o ângulo entre e é o ângulo de medida .

11.3.1 Condição de Paralelismo: Considere as retas ⃗⃗⃗⃗⃗

e ⃗⃗⃗⃗⃗. As retas e serão paralelas se { } é LD, ou
equivalentemente, se .
De outra forma: se ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ), as retas e
serão paralelas se existe tal que ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗. Portanto, se:

E temos:

Exemplo:

Sejam a reta que passa por ( )e ( )e a reta que

passa por ( )e ( ). As retas e são paralelas,
pois seus vetores diretores são respectivamente:

⃗⃗⃗⃗⃗ ( )

⃗⃗⃗⃗⃗ ( )

148
Logo:

11.3.2 Condição de Ortogonalidade: Sejam e retas cujos

vetores diretores são, respectivamente, ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ).
As retas e serão ortogonais se ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗, isto é, se:

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

Ou ainda, se:

Denotamos a ortogonalidade entre e por .

Exemplo:

Considere as retas { e . Os vetores diretores de

e são, respectivamente, ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ). Daí, temos:

⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ( ) ( ) ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗

11.3.3 Condição de Coplanaridade: Sejam a reta que passa por

( ) com vetor diretor ⃗⃗⃗⃗⃗ ( )e a reta que passa por
( ) com vetor diretor ⃗⃗⃗⃗⃗ ( ). As retas e serão
coplanares se {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗} é LD. Em outras palavras e serão

coplanares se os vetores ⃗⃗⃗⃗⃗, ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ estiverem contidos em

um mesmo plano.

149
 Lembrando que, {⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗} é LD (⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗) , portanto:

(⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗) | |

Observe:

Exemplo:

As retas e são coplanares. De fato, note

que ( ) ( ) ( ) e ( ) ( ) ( ).
Assim ( )e ( ), então ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ ( ), ⃗⃗⃗⃗⃗ ( )e
⃗⃗⃗⃗⃗ ( ). Desta forma:

(⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗) | |

(⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗)

11.4 POSIÇÕES RELATIVAS ENTRE RETAS

Considerando e retas do espaço, estas podem ser:

150
 01. Coplanares, isto é, e situadas em um mesmo plano. Neste
caso, e poderão ser:
a) Concorrentes: { }, isto é, é o ponto de interseção entre
e .

b) Paralelas: , isto é, não existe ponto de interseção entre

e .

Se e são coincidentes, elas ainda serão paralelas.

02. Reversas, isto é, não existe nenhum plano que contenha e .

Neste caso, sempre temos .

151
 11.4.1 Verificação Algébrica: Considere as retas ⃗⃗⃗⃗⃗ e
⃗⃗⃗⃗⃗. Temos que:
i. (⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗) . Se existir tal que
⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗, então e serão paralelas ou, caso contrário, e serão
concorrentes.
ii. (⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗) .

Exemplos:

01. Vamos estudar a posição relativa entre as retas:

a) { e { ;

Note que pode ser expressa por , logo seu vetor diretor é

⃗⃗⃗⃗⃗ ( ) e um ponto de é ( ), enquanto tem como vetor

diretor ⃗⃗⃗⃗⃗ ( ) e passa pelo ponto ( ).
Observe que ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗, logo e são paralelas.
Resta verificar se e são coincidentes ou não. Para isto, basta
verificar se um ponto de também é ponto de . Como ( ) é
um ponto de , vamos substituir suas coordenadas em :

Obviamente, no sistema acima, obtemos mais de um valor para e isto

implica que . Portanto, e são paralelas tais que .

b) e { ;

Temos ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ). É fácil notar que ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ e,

portanto, e são paralelas.

152
Sabemos também que ( ). Note que , pois ao
substituirmos em obtemos nas três equações paramétricas de

. Daí, conclui-se que pois, se estas são paralelas e possuem pelo

menos um ponto em comum, então todos os outros pontos de qualquer
uma das retas também esta na outra.

c) e { ;

Observe que ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ) e assim implica que

tal que ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗. Desta forma e não são paralelas.

Agora, devemos verificar se as retas são coplanares ou reversas. Para
isto seja ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ ( ) ( ) ( ) ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ ( ). Então:

(⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗) | | ( ) ( ) ( )

(⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗)

Se e são coplanares e não são paralelas, temos que e são retas

concorrentes, isto é, { }.

d) { e ;

Podemos fazer em , logo ( ) ( ) ( ). Ainda

temos ( ) ( ) ( ).
É fácil notar que e não são paralelas, pois ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ).
Resta verificar se as retas são coplanares ou reversas. Fazendo ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
( ) ( ) ( ) ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ ( ). Então:

153
 (⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗) | | (⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗)

Se e não são coplanares, então estas são retas reversas.

11.5 INTERSEÇÃO ENTRE DUAS RETAS

Se considerarmos duas retas coplanares concorrentes, sabemos

que existe um ponto de interseção entre elas. Veremos através de um
exemplo como determinar o ponto de interseção entre duas retas.
Exemplo:

Considere { e { , queremos determinar o ponto

( ) tal que , isto é, devemos determinar as coordenadas

do ponto que satisfaz as equações de e simultaneamente. Para
encontrar tais valores de basta resolver o sistema formados pelas
equações de e . Então:

( )
( )
( )
( )
{ ( )

Da equação (III), podemos tomar e substituir em (IV) e (V) e,

teremos:

( )
( )
( )
( )
{ ( )

154
Comparando (1) com (3) e (2) com (2):

Obtemos um mesmo valor para . Substituindo no sistema (*):

( )
( )
( )
{ ( )

Portanto, , e . Assim o ponto de interseção entre e

é ( ).

155
 CAPÍTULO 12: PLANO

12.1 INTRODUÇÃO

12.1.1 Equação Geral do Plano: Considere ( ) um ponto

pertencente a um plano e ⃗⃗ ⃗ ⃗ ⃗⃗ , onde , um vetor

normal (ortogonal) ao plano . O plano é definido como sendo o
conjunto de todos os pontos ( ) do espaço tais que ⃗⃗⃗⃗⃗⃗ ⃗⃗. Em
outras palavras, se, e somente:

⃗⃗⃗⃗⃗⃗ ⃗⃗ ( )

Como ⃗⃗ ( ) e ⃗⃗⃗⃗⃗⃗ ( ), de (I) temos:

⃗⃗ ⃗⃗⃗⃗⃗⃗ ( ) ( )

( ) ( ) ( )

( )

156
 Fazendo e substituindo em (*):

( )

A equação (II) é chamada de equação geral do plano .

Observações:

01. Note que as coordenadas do vetor ⃗⃗ ( ) ficam evidentes na

equação geral do plano (equação II).

02. Se ⃗⃗ é um vetor normal a , então qualquer vetor ⃗⃗, com ,

também é normal a .

03. Se {⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é LI e ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ são paralelos a , podemos tomar o vetor
⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗ como sendo o vetor normal a .

Exemplos:

01. Se o plano tem equação , perceba que um vetor

normal a é ⃗⃗⃗⃗⃗ ( ) e, além disso, para qualquer plano que
seja paralelo a também podemos tomar ⃗⃗⃗⃗⃗ como sendo um de seus
vetores normais. Assim, qualquer plano que seja paralelo a possui
equação geral do tipo , onde é o elemento que
determina a diferença entre os planos paralelos.
Em geral, se tem equação geral , então qualquer
plano paralelo a tem equação geral .

157
02. Vamos determinar a equação geral do plano que contém o ponto
( ) e tem como vetor normal ⃗⃗ ⃗ ⃗ ⃗⃗ .

Se ⃗⃗ ( ) é normal ao plano , então a equação de é da forma

. Como ( ) , suas coordenadas devem
satisfazer a equação de , isto é:

( ) ( ) ( )

Portanto, a equação geral de é .

Ainda poderíamos determinar a equação do plano usando a equação

( ) ( ) ( ) . Como ⃗⃗ ( ) e ( ),
temos , , , , e . Então

( ) ( ) ( )

03. Estabelecer a equação geral do plano mediador do segmento ,

onde ( )e ( ).
O plano mediador de é o plano perpendicular ao segmento que
contém seu ponto médio. Note que ⃗⃗⃗⃗⃗⃗ ( ) pode ser tomado
como vetor normal ao plano mediador e o ponto médio4 de é
( ) que está contido no plano. Então, a equação geral do plano
é dada por:

( )

Como ( ) está contido no plano, substituindo sua coordenadas

em (*):

4
Se ( ) e ( ), então o ponto médio do segmento é dado por
( ).

158
 ( ) ( ) ( )

Portanto, a equação geral do plano mediador do segmento é

. Ainda podemos dividir a equação por e obter:

Observe que ⃗⃗ ⃗⃗⃗⃗⃗⃗ e este vetor ainda pode ser tomado como vetor

normal ao plano.

12.2 DETERMINAÇÃO DE UM PLANO

Embora a equação geral de um plano seja construída a partir de

um ponto e um vetor ortogonal ao plano, existem outras maneiras de
determinar um plano, que é o que veremos em seguida.

12.2.1 Determinação 01: Consideramos o plano que passa por um

ponto e é paralelo a dois vetores ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ não colineares. Neste caso,
tomamos o vetor normal ao plano como sendo ⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗.

12.2.2 Determinação 02: Consideramos o plano que passa por

dois pontos e e é paralelo ao vetor ⃗ não colinear a ⃗⃗⃗⃗⃗⃗ . Neste caso
tomamos o vetor normal ao plano como sendo ⃗⃗ ⃗ ⃗⃗⃗⃗⃗⃗ .

159
 12.2.3 Determinação 03: Consideramos o plano que passa por
três pontos , e não colineares. Neste caso, tomamos o vetor normal
ao plano como sendo ⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ .

12.2.4 Determinação 04: Consideramos o plano que passa pelas

retas concorrentes ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗. Neste caso, tomamos
o vetor normal ao plano como sendo ⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗.

12.2.5 Determinação 05: Consideramos o plano que passa pelas

retas paralelas ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗. Neste caso, tomamos o
vetor normal ao plano como sendo ⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ ou pode-se tomar

também ⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗.

160
 12.2.6 Determinação 06: Consideramos o plano que passa pela
reta ⃗ e contém o ponto . Neste caso, tomamos o vetor
normal ao plano como sendo ⃗⃗ ⃗ ⃗⃗⃗⃗⃗⃗ .

Observação: Nos seis casos, o vetor normal foi determinado fazendo o

produto vetorial de vetores que possuíam representantes contidos no
plano. Os vetores com representantes contidos no plano que fornecem
o vetor normal são chamados de vetores base do plano.

Exemplos:

01. Determinar a equação geral do plano que passa pelo ponto

( ) e é paralelo aos vetores ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ).
Os vetores base do plano são ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ e, portanto, podemos tomar como
vetor normal ao plano ⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗. Façamos:

⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ( ) ( ) | |⃗ | |⃗ | | ⃗⃗

⃗ ⃗ ⃗⃗ ( ) ⃗⃗ ( )

161
Portanto, a equação geral do plano cujo vetor normal é ⃗⃗ ( )
é:

Para determinar , basta atribuir as coordenadas de ( ) na

equação do plano, uma vez que sabemos que . Então:

( ) ( ) ( )

Temos e, multiplicando a equação por :

02. Estabelecer a equação cartesiana do plano que contém os pontos

( ), ( )e ( ).
Neste caso, foi visto que podemos tomar ⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ . Temos ⃗⃗⃗⃗⃗⃗

( ) e ⃗⃗⃗⃗⃗⃗ ( ) e, portanto:

⃗⃗ ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗ | |⃗ | |⃗ | | ⃗⃗ ⃗ ⃗ ⃗⃗

( ) ⃗⃗ ( )

Temos que a equação geral do plano é e nos resta

determinar o valor da constante . Para isto, basta substituir as
coordenadas de qualquer um dos pontos , e na equação, pois
sabemos que estes estão contidos no plano. Substituímos ( ):

( ) ( ) ( )

162
Logo é a equação cartesiana do plano que passa
pelos pontos , e . Ainda podemos escrever .

03. A equação geral do plano que contém a reta { e o ponto

( ).
Note que podemos reescrever a reta ( ) ( ) ( ) que
passa pelo ponto ( ) e tem a direção de ⃗ ( ) e, de acordo
com a determinação 02, o vetor normal ao pano é ⃗⃗ ⃗ ⃗⃗⃗⃗⃗⃗.
Calculando ⃗⃗:

⃗⃗ ⃗ ⃗⃗⃗⃗⃗⃗ ( ) ( ) | |⃗ | |⃗ | | ⃗⃗

⃗ ⃗ ( ) ⃗⃗ ( )

Desta forma, a equação geral de é . Determinando

substituindo as coordenadas de ( ) na equação:

( ) ( )

Logo é a equação geral do plano.

04. Calcular a equação cartesiana do plano que contém as retas

{ e { .

A reta passa pelo ponto ( ) e tem como vetor diretor

⃗⃗⃗⃗⃗ ( ) e a reta passa pelo ponto ( ) e tem como vetor
diretor ⃗⃗⃗⃗⃗ ( ). Como ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗, temos que e, neste caso,
podemos tomar o vetor normal ao plano como sendo ⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ (ou

também ⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗). Calculando ⃗⃗:

⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ ( ) ( ) | |⃗ | |⃗ | | ⃗⃗

163
 ⃗ ⃗ ⃗⃗ ( ) ⃗⃗ ( )

Então a equação geral do plano é e para calcular o

valor de substituímos as coordenadas de um dos pontos, façamos
( ), na equação. Portanto:

( ) ( ) ( )

Logo, é a equação geral do plano que contém e .

12.3 PLANOS PARALELOS AOS EIXOS E AOS PLANOS COORDENADOS

Considere o plano , com vetor normal

⃗⃗ ( ). Vamos analisar os casos em que o vetor normal possui uma
ou duas componentes nulas, ou quando a constante é nula.

12.3.1 Plano que passa pela origem: Se passa pela origem,

então o ponto ( ) pertence a , logo suas coordenadas
satisfazem a equação de . Então:

Se , temos , ou seja, esta equação

representa qualquer plano que passa pela origem. Em outras palavras,
qualquer plano que passe pela origem tem o termo constante nulo.

12.3.2 Uma componente do vetor normal nula: Se apenas uma

das coordenadas do vetor normal ⃗⃗ ( ) é nula, o vetor é ortogonal
a um dos eixos coordenados e, portanto, o plano é paralelo ao mesmo
eixo.

164
 i. Se , então ⃗⃗ ( ) é um vetor ortogonal ao eixo , logo o
plano que possui ⃗⃗ como vetor normal é paralelo ao eixo
. Isto é:

Exemplo:

Se , temos:

Perceba que as interseções com os eixos e são, respectivamente, os

pontos ( ) e ( ), e que nenhum ponto ( ) pertence ao
plano, pois não satisfaz a equação .

ii. Se , então ⃗⃗ ( ) é um vetor ortogonal ao eixo Y, logo o

plano que possui ⃗⃗ como vetor normal é paralelo ao eixo
. Isto é:

Exemplo:

165
Se , temos:

Perceba que as interseções com os eixos e são, respectivamente, os

pontos ( ) e ( ), e que nenhum ponto ( ) pertence ao
plano, pois não satisfaz a equação .

iii. Se , então ⃗⃗ ( ) é um vetor ortogonal ao eixo Z, logo

o plano que possui ⃗⃗ como vetor normal é paralelo ao
eixo Z. Isto é:

Exemplo:

Se , temos:

166
Perceba que as interseções com os eixos e são, respectivamente, os
pontos ( ) e ( ), e que nenhum ponto ( ) pertence ao
plano, pois não satisfaz a equação .

Observação: Perceba que o plano será paralelo ao eixo correspondente à

coordenada nula do vetor normal.

12.3.3 Duas componentes do vetor normal nulas: Se duas das

coordenadas do vetor normal ⃗⃗ ( ) são nulas, o vetor é paralelo a
um dos eixos coordenados e, portanto, o plano é paralelo ao plano
determinado pelos outros dois eixos.
i. Se , então ⃗⃗ ( ) é um vetor paralelo ao eixo , logo
o plano que possui ⃗⃗ como vetor normal é paralelo ao plano
. Isto é:

Como , temos . Portanto, qualquer plano cuja

equação é da forma é paralelo ao plano .

Exemplo:

Se , temos:

167
O plano intercepta o eixo no ponto ( ) e, além disso, perceba
que qualquer ponto da forma ( ) satisfaz a equação deste plano.

Um vetor normal a esse plano é ⃗⃗ ( ).

ii. Se , então ⃗⃗ ( ) é um vetor paralelo ao eixo ,

logo o plano que possui ⃗⃗ como vetor normal é paralelo ao
plano . Isto é:

Como , temos . Portanto, qualquer plano cuja

equação é da forma é paralelo ao plano .

Exemplo:

Se , temos:

168
O plano intercepta o eixo no ponto ( ) e, além disso, perceba
que qualquer ponto da forma ( ) satisfaz a equação deste plano.
Um vetor normal a esse plano é ⃗ ( ).

iii. Se , então ⃗⃗ ( ) é um vetor paralelo ao eixo ,

logo o plano que possui ⃗⃗ como vetor normal é paralelo ao
plano . Isto é:

Como , temos . Portanto, qualquer plano cuja

equação é da forma é paralelo ao plano .

Exemplo:

Se , temos:

O plano intercepta o eixo no ponto ( ) e, além disso, perceba

que qualquer ponto da forma ( ) satisfaz a equação deste plano.
Um vetor normal a esse plano é ⃗ ( ).

Observação: Perceba que o plano sempre será paralelo ao plano que

corresponde às coordenadas nulas do vetor normal.

169
12.4 EQUAÇÕES PARAMÉTRICAS DO PLANO

Considere um ponto ( ) em um plano e os vetores

⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ) não paralelos entre si e paralelos a . Um
ponto ( ) pertence a se, e somente se, o conjunto {⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗} é
LD. Em outras palavras, se, e somente se, existem tais
que:

⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ( )

Podemos reescrever a equação (I) em termos de coordenadas:

( ) ( ) ( )

( ) ( )

( )

170
 ( ) ( )

{ ( )

O sistema (II) nos fornece as equações paramétricas do plano.

Note que, à medida que variamos os parâmetros e de a ,o
ponto descreve o plano.
Exemplo:

Determinar as equações paramétricas do plano que passa pelo ponto

( ) e é paralelo aos vetores ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ).
Seja ( ) , temos:

⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ {

Para determinarmos pontos quaisquer do plano, basta atribuir valores

para os parâmetros e . Por exemplo, se tomarmos e ,
temos:

( ) ( )

( ) ( )

( ) ( )

Portanto, ( ) é um ponto do plano que passa por e é

paralelo aos vetores ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗.

12.5 ÂNGULO ENTRE DOIS PLANOS

171
 Considere os planos e
. Os vetores normais a e são, respectivamente, ⃗⃗⃗⃗⃗
( ) e ⃗⃗⃗⃗⃗ ( ).

O ângulo entre e tem a mesma medida que o menor ângulo

formado entre seus vetores normais ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗. Sendo [ ] tal ângulo,

temos:

|⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗|
||⃗⃗⃗⃗⃗||||⃗⃗⃗⃗⃗||

12.5.1 Condições de paralelismo entre planos: Sejam

e planos cujos vetores
normais são ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ). Os planos e serão
paralelos se seus vetores normais ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ forem paralelos.
Em outras palavras, se existe tal que ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗. Ou

ainda, se .

Se tivermos ainda , então .

172
 12.5.2 Condição de ortogonalidade entre planos: Sejam
e planos cujos vetores
normais são ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ). Os planos e serão
ortogonais se seus vetores normais ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ forem ortogonais (⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗
⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ ).
Em outras palavras, se ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ .

Exemplos:

01. Determine o ângulo entre os planos e

.
Os vetores normais de e são, respectivamente ⃗⃗⃗⃗⃗ ( ) e
⃗⃗⃗⃗⃗ ( ). Para a medida angular entre os planos, basta calcular a
medida angular entre seus vetores normais. Então:

173
 |⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗| |( ) ( )| | | | |
||⃗⃗⃗⃗⃗||||⃗⃗⃗⃗⃗|| ||( )||||( )|| √ √ √ √

( )

02. Calcule o valor de e para que os planos ( )

e sejam paralelos.
Para que os planos sejam paralelos, basta que seus vetores normais
sejam paralelos. Note que, ⃗⃗⃗⃗⃗ ( ) e ⃗⃗⃗⃗⃗ ( ) e, observe

que para que ⃗⃗⃗⃗⃗ e ⃗⃗⃗⃗⃗ sejam paralelos deve ocorrer . Logo:

Portanto, para que e sejam paralelos deve ocorrer e .

12.6 ÂNGULO ENTRE RETA E PLANO

Sejam ⃗ e , onde ⃗ é o vetor

diretor de e ⃗⃗ é o vetor normal a .

174
 O ângulo de medida entre e é igual ao complemento do
ângulo de medida entre o vetor diretor de e o vetor normal a ,
| ⃗⃗ ⃗⃗|
portanto e então , logo:
|| ⃗⃗|||| ⃗⃗||

| ⃗ ⃗⃗|
[ ]
|| ⃗|||| ⃗⃗||

12.6.1 Condição de paralelismo entre reta e plano: Sejam

⃗ uma reta com vetor diretor ⃗ e cujo
vetor normal é ⃗⃗ ( ). A reta é paralela ao plano se o vetor
diretor de for ortogonal ao vetor normal a (⃗ ⃗⃗ ⃗ ⃗⃗ ).
Em outras palavras, se ⃗ ⃗⃗ .

12.6.2 Condição de ortogonalidade entre reta e plano: Sejam

⃗ uma reta com vetor diretor ⃗ ( )e
cujo vetor normal é ⃗⃗ ( ). A reta é ortogonal ao plano se o
vetor diretor de é paralelo ao vetor normal a .
Em outras palavras, se existe tal que ⃗ ⃗⃗. Ou ainda,

se .

175
 12.6.3 Reta contida em um plano: Sejam ⃗ a reta
passando por cujo vetor diretor é ⃗ e o plano
cujo vetor normal é ⃗⃗ ( ). Teremos se:
i. ⃗ ⃗⃗;
ii. .
Em outras palavras, estará contida em se seu vetor diretor for
ortogonal ao vetor normal a e se também pertencer a .

Exemplos:

01. Determinar o ângulo entre { e .

Observe que o vetor diretor de é ⃗ ( ) e o vetor normal a é

⃗⃗ ( ), portanto o ângulo entre e é tal que:

176
 | ⃗ ⃗⃗| |( ) ( )| | | | |
|| ⃗|||| ⃗⃗|| ||( )||||( )|| √ √ √ √ √

√ √ √ √
( )
√ √

02. Verifique se e são ortogonais.

Para que e sejam ortogonais, o vetor diretor de e o vetor normal a

devem ser paralelos. Temos ⃗ ( ) e ⃗⃗ ( ) e, perceba
que ⃗⃗ ⃗, isto é, ⃗⃗ ⃗ e temos que e são ortogonais.

03. Determine os valores de e para que , onde { e

.
Note que, um ponto de é ( ), o vetor diretor de é ⃗
( ) e o vetor normal de é ⃗⃗ ( ). Para que , devemos ter
⃗ ⃗⃗ e .

⃗ ⃗⃗ ⃗ ⃗⃗ ( ) ( )

Então ⃗⃗ ( )e ( ) . Devemos ter também

( ) e, para isto, as coordenadas de devem verificar a
equação de , portanto:

( )( ) ( ) ( )

Logo .

177
12.7 INTERSEÇÃO ENTRE DOIS PLANOS

A interseção entre dois planos pode ser uma reta ou, no caso em
que os planos são paralelos e não coincidentes, a interseção é vazia.
Veremos através de um exemplo como determinar a interseção
entre planos.

12.7.1 Interseção vazia: Se tivermos e

, onde , então e, consequentemente,
.

12.7.2 Interseção não vazia: Considere e

. Note que os vetores normais a estes planos não
são paralelos, portanto , onde é uma reta. Juntando as
equações:

Em termos de , a solução deste sistema é:

{ ( )

Perceba que o sistema (*) nos fornece as equações reduzidas da

reta .

Determinando a equação vetorial de { :

178
 Temos que ou ainda podemos escrever a equação

da reta ( ) ( ) ( ). Perceba que o vetor diretor

de é ⃗ ( ).
Obviamente, qualquer ponto de também será um ponto de e
, uma vez que .

12.8 INTERSEÇÃO ENTRE RETA E PLANO

A interseção entre uma reta e um plano pode ser: a própria

reta, no caso em que ; vazia, no caso em que ; um ponto, no
caso em que não é paralela a .
Vejamos através de um exemplo como determinar a interseção de
uma reta com um plano.

12.8.1 A interseção é a própria reta: Se tivermos ⃗ e

, onde ⃗⃗ ( ), tais que ⃗ ⃗⃗ e , então
.

12.8.2 A interseção é vazia: Se tivermos ⃗e

, onde ⃗⃗ ( ), tais que ⃗ ⃗⃗ e , então .

179
 12.8.3 A interseção é um ponto: Consideramos { e

. O ponto de interseção entre e é o ponto

( ) tal que, suas coordenadas determinam a solução do sistema:

{ ( )

Substituindo as duas primeiras equações de (*) na terceira:

( ) ( )

Temos também e .

Portanto, o ponto de interseção entre e é ( ), isto

é, {( )}.

12.9 INTERSEÇÃO DE PLANO COM OS EIXOS E OS PLANOS

COORDENADOS

12.9.1 Interseção entre plano e os eixos coordenados: Considere

, com . Se tomarmos:

i. , então , isto é, a interseção entre e

o eixo é o ponto ( );

ii. , então , isto é, a interseção entre

e o eixo é o ponto ( );

iii. , então , isto é, a interseção entre

e o eixo é o ponto ( ).

180
 12.9.2 Interseção entre plano e os eixos coordenados: Considere
, com . Se tomarmos:
i. , então e a interseção entre e o plano é

a reta { ;

ii. , então e a interseção entre e o plano é

a reta { ;

iii. , então e a interseção entre e o plano é

a reta { .

181
 CAPÍTULO 13: CÔNICAS

13.1 INTRODUÇÃO

Até o momento, estávamos estudando a geometria analítica no

espaço e havíamos determinado as equações de uma reta e de um plano
no espaço. A partir de agora, o espaço considerado será o plano e,
tomamos como sistema de referência o sistema de coordenadas .

13.2 TRANSLAÇÃO DE EIXOS

Considere o sistema de coordenadas e um ponto arbitrário

( ). A partir do ponto , podemos introduzir um novo sistema
de coordenadas com eixos e paralelos aos eixos e ,
respectivamente, cuja unidade de medida é a mesma do sistema .
Nestas condições, um sistema pode ser obtido do outro fazendo a
translação de eixos.
Tomando um ponto no plano, temos o que suas coordenadas
são:
e em relação ao sistema usual com eixos e ;
e em relação ao novo sistema com eixos e .
Desta forma, teríamos ( ) no sistema usual e ( ) no
novo sistema. Observe:

182
 Temos que e são as

formulas usadas para a translação de eixos.

13.3 A PARÁBOLA

Considere uma reta e um ponto, ambos no mesmo plano.

Definimos a parábola como sendo o lugar geométrico dos pontos (do
mesmo plano de e ) que equidistam da reta e do ponto .

Note que, na figura, todos os pontos que estão sobre a “curva” são
equidistantes de e . Todos os pontos com esta propriedade formam a
parábola.

183
 Observe na figura abaixo que, para calcular a distância entre o
ponto da parábola e a reta , basta traçar a perpendicular a
passando por , o ponto é o pé desta perpendicular e, a distância
entre e é a distância entre e .

Figura 1

De acordo com a definição, o ponto pertence à parábola se, e

somente se:

( ) ( )

Observação: Perceba que , pois se tivéssemos , a

parábola se degeneraria em uma reta.

13.3.1 Elementos da parábola: Considerando a “figura 1”, temos:

a) Foco: É o ponto ;
b) Diretriz: É a reta ;
c) Eixo: É a reta que passa pelo foco ( ) e é perpendicular à diretriz
( );
d) Vértice: É o ponto que é dado pela interseção entre a parábola
e o eixo.
Observe ainda que, é um ponto da parábola e, como é a
interseção do eixo da parábola com a diretriz (pensamos em como
sendo o pé da perpendicular sobre a diretriz e que passa por ), temos
( ) ( ).

184
 Em seguida, vamos analisar os casos mais simples da parábola e
construir suas equações cartesianas.

13.3.2 Equação da Parábola com Vértice na Origem do Sistema:

Consideramos os seguintes casos:
Caso 01: O eixo da parábola coincide com o eixo .

Obviamente o vértice é ( ) e, se considerarmos o foco

( ), tem-se ( ) e a equação da diretriz é .

Sendo ( ) um ponto arbitrário da parábola, temos que o pé

da perpendicular à diretriz passando por é ( ). Por definição:

( ) ( ) √( ) ( ) √( ) [ ( )]

Elevando ambos os membros ao quadrado:

( ) ( ) ( ) ( )

185
 Esta é a equação reduzida da parábola com vértice na origem cujo
eixo coincide com o eixo .
Observe que, como temos , logo e devem possuir
sempre mesmo sinal.
Se , então e isto implica que todos os pontos da
parábola estão acima da diretriz. Neste caso, dizemos que a parábola
tem concavidade para cima (ou concavidade positiva em relação a Y).

Se , então e isto implica que todos os pontos da

parábola estão abaixo da diretriz. Neste caso, dizemos que a parábola
tem concavidade para baixo (ou concavidade negativa em relação a Y).

O número real é chamado de parâmetro da parábola.

Caso 02: O eixo da parábola coincide com o eixo .

186
 Obviamente o vértice é ( ) e, se considerarmos o foco

( ), tem-se ( ) e a equação da diretriz é .

Sendo ( ) um ponto arbitrário da parábola, temos que o pé

da perpendicular à diretriz passando por é ( ). Por definição:

( ) ( ) √( ) ( ) √[ ( )] ( )

Elevando ambos os membros ao quadrado:

( ) ( ) ( ) ( )

Esta é a equação reduzida da parábola com vértice na origem cujo

eixo coincide com o eixo .

187
 Observe que, como temos , logo e devem possuir
sempre mesmo sinal.
Se , então e isto implica que todos os pontos da
parábola estão à direita da diretriz. Neste caso, dizemos que a parábola
tem concavidade para a direita (ou concavidade positiva em relação a X).

Se , então e isto implica que todos os pontos da

parábola estão à esquerda da diretriz. Neste caso, dizemos que a
parábola tem concavidade para a esquerda (ou concavidade negativa em
relação a X).

Exemplos:

01. Determine o foco e construa o gráfico da parábola:

a) .

188
Observe que esta é uma parábola cujo eixo coincide com o eixo e seu
vértice é a origem do sistema cartesiano. Sua equação é da forma
e temos:

( )

Mas, de vem . Logo o foco, que é da forma ( ), é o ponto

( ) . Além disso, a equação da diretriz é .

O gráfico:

b) .
Observe que esta é uma parábola cujo eixo coincide com o eixo e seu
vértice é a origem do sistema cartesiano. Sua equação é da forma
e temos:

( )

De , vem . Logo o foco, que é da forma ( ), é o ponto

( ). Além disso, a equação da diretriz é .

O gráfico:

189
02. Determinar a equação de cada uma das parábolas:
a) Vértice ( ) e foco ( );
Perceba que o foco ( ) é um ponto do eixo , logo se trata de uma
parábola eixo coincidente com o eixo e sua equação é da forma
.

Como ( ) ( ), temos , logo a equação da

parábola com vértice na origem e foco ( )é ou .

A concavidade desta parábola é voltada para a direita.

b) Vértice em ( ) e diretriz ;
Como a diretriz é , esta parábola tem eixo coincidente com o eixo
e sua equação é da forma . Desta forma, o foco será o ponto

( ) ( ) e temos .

Portanto, a equação da parábola com vértice na origem e diretriz é

ou . A concavidade desta parábola é voltada para
baixo.

c) Vértice em ( ), passa pelo ponto ( ) e concavidade

voltada para cima;
Como a concavidade é voltada para cima, o eixo da parábola coincide
com o eixo , logo sua equação é da forma .
Como ( ) é um ponto da parábola, suas coordenadas satisfazem
a equação da parábola. Portanto:
190
 ( ) ( )

E a equação desta parábola é ou .

13.3.3 Equação da Parábola com Vértice fora da Origem do

Sistema: Consideramos os seguintes casos:
Caso 01: Parábola com vértice no ponto ( ) e eixo paralelo
ao eixo .

Seja ( ) um ponto arbitrário da parábola.

Consideramos um novo sistema, de acordo com a figura, com
origem em e eixos e . Com relação a este novo sistema, temos
( ) e a equação da parábola é:

( )

Mas, sabe-se que e . Portanto:

( ) ( )

191
 Esta é a equação da parábola com eixo paralelo ao eixo e vértice
em ( ).

Caso 02: Parábola com vértice no ponto ( ) e eixo paralelo

ao eixo .

De forma análoga ao caso anterior, obtemos a equação:

( ) ( )

Esta é a equação da parábola com eixo paralelo ao eixo e vértice

em ( ).
Exemplos:

01. Determinar a equação da parábola com vértice em ( ),

sabendo que a equação de sua diretriz é .
Note que, a equação da diretriz nos diz que a parábola tem eixo
paralelo ao eixo e, como ( ), sua equação é da forma ( )
( ). Além disso, a concavidade da parábola é voltada para baixo.
Observe:

192
 Note que, . Portanto, a equação desta parábola é:

( ) ( )

02. Determinar a equação da parábola com foco em ( ), sendo

a equação de sua diretriz.
Como a equação da diretriz é , o eixo da parábola será paralelo ao
eixo . Graficamente, temos:

Perceba que para determinar o vértice, basta determinar o ponto médio

entre o segmento . Como ( ) e ( ), temos ( ) e, sua

193
equação é da forma ( ) ( ). Como a concavidade tem
abertura no sentido contrário da diretriz, a concavidade será para a
esquerda, logo . Temos . Portanto:

( ) ( )

E esta é a equação da parábola com diretriz de equação e foco

( ).

13.3.4 Equação da Parábola na Forma Explicita: Sabe-se que a

equação da uma parábola com vértice em ( ) pode ser da forma
( ) ( ) no caso em que o eixo da parábola é paralelo ao eixo
e( ) ( ) no caso em que o eixo da parábola é paralelo ao
eixo .
Podemos desenvolver estas equações:

( ) ( )

( )

Fazendo , e , (I) fica:

Esta é a equação explicita da parábola com eixo paralelo ao eixo .

Analogamente, obtemos:

Esta é a equação explicita da parábola com eixo paralelo ao eixo .

194
 A partir de uma equação na forma explicita como proceder para
determinar o vértice da parábola? Como determinar a equação da
diretriz? Como determinar o foco? A seguir, vejamos como responder
estas perguntas através de um exemplo.
Exemplo:

Considere a parábola com equação . De alguma

maneira, devemos deixar esta equação na forma ( ) ( ).
Vejamos:

( )

Perceba que ( ). O que devemos fazer para

“transformar” a expressão em um quadrado perfeito? Vejamos:

( )

Logo ( ) [( ) ]. Substituindo em (*):

[( ) ] ( ) ( )

( ) ( ) ( ) ( )

Chegamos na forma desejada e a equação nos diz que a parábola tem

vértice em ( )e .

Como , a concavidade da parábola esta voltada para cima, logo seu

foco é o ponto ( ) ( ) ( ) ( )

A equação da diretriz é

195
 13.3.5 Determinação de Foco e Diretriz (caso geral): Considere a
tabela abaixo como um “esquema” para lembrar. Abaixo da tabela segue
a explicação lógica.

Equação Vértice Foco Eq. da Diretriz

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

Quando a parábola possui eixo paralelo ao eixo (1ª linha da

tabela), o vértice e o foco terão mesmas coordenadas em e a
coordenada em do foco é obtida a partir da coordenada em do
vértice somando a constante que é a distância entre o foco e o vértice.

Logo para obter a diretriz, basta encontrar o ponto que dista do vértice

no sentido contrário do foco, que seria o ponto ( ), e traçar a reta

perpendicular ao eixo da parábola que passa pelo ponto ( ), ou

seja, a reta de equação .

Quando a parábola possui eixo paralelo ao eixo (2ª linha da

tabela), o vértice e o foco terão mesmas coordenadas em e a
coordenada em do foco é obtida a partir da coordenada em do
vértice somando a constante que é a distância entre o foco e o vértice.

Logo para obter a diretriz, basta encontrar o ponto que dista do vértice

no sentido contrário do foco, que seria o ponto ( ) e traçar a reta

perpendicular ao eixo da parábola que passa pelo ponto ( ), ou

seja, a reta de equação .

196
13.4 A ELIPSE

Considere dois pontos fixos e em um plano. Define-se elipse

como sendo o conjunto dos pontos do plano, tais que, a distância de
a somada com a distância de a é sempre constante.

Digamos que e são tais que ( ) . Considere um

número tal que .

Figura 2

De acordo com a definição, a elipse será o conjunto de todos os

pontos tais que:

( ) ( )

197
 13.4.1 Elementos da Elipse: Considerando a elipse da “figura 2”,
definimos:
a) Focos: São os pontos e ;
b) Distância Focal: É a distância entre os focos;
c) Centro: É o ponto médio do segmento ;
d) Eixo maior: É o segmento de comprimento que contém
os focos da elipse;
e) Eixo menor: É o segmento de comprimento ,
perpendicular ao eixo menor e passando pelo centro ;
f) Vértices: São os pontos , , e ;
g) Excentricidade: É o número . Note que .

Observação: Em toda elipse vale a relação . Observe:

Tal relação é obtida a partir do triângulo retângulo em .

13.4.2 Equação da Elipse centrada na Origem do Sistema:

Consideremos os seguintes casos:
Caso 01: O eixo maior está sobre o eixo .

198
 Seja ( ) um ponto arbitrário da elipse e os focos ( )
e ( ). Se é um ponto da elipse, por definição:

( ) ( )

√[ ( )] ( ) √( ) ( )

√( ) √( )

Elevando ambos os membros ao quadrado:

√( )

√( )

√( )

√( )

Novamente, elevamos ambos os membros ao quadrado:

( )

( ) ( ) ( )

Mas, temos e substituindo em (*):

199
 Multiplicando a igualdade por , temos:

Esta é a equação reduzida da elipse centrada na origem e eixo

maior sobre o eixo .

Caso 02: O eixo maior esta sobre o eixo .

Observe que ( ) e ( ). Com um procedimento

análogo ao caso anterior, obtemos:

Esta é a equação reduzida da elipse centrada na origem e eixo

maior sobre o eixo .

Observação: Como , temos que , logo .

Perceba que, se o termo aparecer no denominador de na equação
reduzida, isto quer dizer que o eixo maior está sobre o eixo . Da
mesma forma, se aparecer no denominador de na equação
reduzida, isto quer dizer que o eixo maior está sobre o eixo .

200
 Exemplos:

01. Perceba que, na figura abaixo, a equação reduzida da elipse é

02. Enquanto a elipse abaixo tem equação .

03. Encontre a equação reduzida da elipse , determine

seus focos, vértices e conclua qual é o eixo maior.
Para isto, façamos:

( )

201
A equação reduzida nos diz que e , logo a elipse tem seu eixo
maior sobre o eixo . Além disso, esta elipse está centrada na origem.
Os vértices são os pontos ( ) ( ), ( ) ( ),
( ) ( )e ( ) ( ).
Para determinar os focos ( ) e ( ), usamos a relação
. Como e :

Logo ( )e ( ) e graficamente, temos:

04. Uma elipse tem centro na origem do sistema, um dos focos em ( )

e a medida do eixo maior é . Determine sua equação.
Como um dos focos é ( ), o outro foco será o ponto ( ), isto é,
( )e ( ). Além disso, como os focos estão sobre o eixo ,
consequentemente o eixo maior também está. Assim, a equação da

elipse é da forma .

Sabe-se que a medida do eixo maior é , então e, das

coordenadas do foco, temos que . Desta forma:

A equação reduzida da elipse é:

202
 13.4.3 Equação da Elipse de Centro fora da Origem do Sistema:
Consideramos os seguintes casos:
Caso 01: Eixo maior paralelo ao eixo .
Consideramos a elipse centrada em ( ).

Sendo ( ) um ponto arbitrário da elipse, se fixarmos um

novo sistema de coordenadas com origem em ( ) e considerarmos
( ) em relação a este novo sistema, temos:

( ) ( )

Mas, usando a formula de translação de eixos, sabemos que

e , logo:

( ) ( )

Esta é a equação reduzida da elipse centrada em ( ) e eixo

paralelo ao eixo .

Caso 02: Eixo maior paralelo ao eixo .

203
 Consideramos a elipse centrada em ( ).

Sendo ( ) ( ) um ponto arbitrário da elipse,

analogamente ao caso anterior obtemos:

( ) ( ) ( ) ( )

Esta é a equação reduzida da elipse centrada em ( ) e eixo

maior paralelo ao eixo .
Para determinar vértices e focos, lembrando que ,
considere a seguinte tabela:

Equação Centro Vértices Focos

( )
( ) ( ) ( ) ( ) ( )
( ) ( )
( )
( )
( ) ( ) ( ) ( ) ( )
( ) ( )
( )

Exemplos:

204
01. Uma elipse cujo eixo maior é paralelo ao eixo dos , tem centro no
ponto ( ), excentricidade e eixo menor medindo . Determine

sua equação.
( ) ( )
A equação desta elipse será da forma , pois seu eixo é

paralelo ao eixo . Resta determinar as constantes positivas e .

Sabe-se que , logo . Também, temos que o eixo

menor mede , isto é, . Usando a relação :

( ) √

Consequentemente √ . Então e e a equação

reduzida da elipse é:

( ) ( )

( ) ( )
Ainda podemos desenvolver a equação . Primeiramente,

multiplicamos a igualdade por :

( ) ( )
[ ] ( ) ( )

( ) ( )

Dizemos que esta é a equação explicita da elipse.

02. Dada a elipse de equação , vamos

determinar o centro, os focos, os vértices e a excentricidade da mesma.

205
Para obtermos o centro, devemos fazer manipulações algébricas em sua
equação explicita. Observe:

( ) ( ) [( ) ] [( ) ]

( ) ( ) ( ) ( )

( ) ( )
( ) ( )

( ) ( )

A equação nos diz que o centro da elipse é ( ), e

. Além disso, o eixo maior é paralelo ao eixo .
Os vértices são os pontos ( ), ( ), ( ) e
( ), logo:

( ) ( ) ( ) ( )

Seus focos, são os pontos ( ) e ( ). Vamos

determinar :

Logo ( √ )e ( √ ).
√
A excentricidade é .

Graficamente, temos:

206
13.5 A HIPÉRBOLE

A hipérbole é o lugar geométrico dos pontos de um plano cuja a

diferença das distâncias, em módulo, a dois pontos fixos desse plano é
sempre constante.
Se considerarmos e dois pontos de um plano, a hipérbole é
formada pelos pontos tais que a o módulo da distância de a
menos a distância de a é sempre constante.

Digamos que e são tais que ( ) . Considere um

número tal que .

207
 Figura 3

De acordo com a definição, hipérbole é o conjunto dos pontos

tais que:

| ( ) ( )|

Observe que a hipérbole é uma curva composta por dois ramos. A

equação acima nos diz que um ponto pertence à hipérbole se, e
somente se:

( ) ( )

Quando estiver no ramo da direita, tomamos a diferença como

sendo . Se estiver no ramo da esquerda, a diferença é . Devido
ao fato de que:
Se está no ramo da direita, temos que ( ) ( )
( ) ( ) , ou seja, tomamos a diferença como sendo .
Se está no ramo da esquerda, temos que ( ) ( )
( ) ( ) , ou seja, tomamos a diferença como sendo .
Na “figura 3”, considere a reta que passa por e , sendo e
os pontos de interseção entre esta reta e a hipérbole. Consideramos

208
ainda outra reta passando pelo ponto médio do segmento
perpendicular à reta que contém e . Percebe-se que a hipérbole é
simétrica em relação a estas duas retas. Devido à simetria, temos:

( ) ( )

( )

13.5.1 Elementos da Hipérbole: Considerando a figura abaixo,

temos:

a) Focos: São os pontos e ;

b) Distância Focal: É a distância entre os focos;
c) Centro: É o ponto médio do segmento ;
d) Vértices: São os pontos e ;
e) Eixo Real: É o segmento de comprimento ;
f) Eixo Imaginário: É o segmento de comprimento .
g) Excentricidade: É o número . Note que .

Observação: O valor de é obtido através da relação , onde

, e são as medidas do triângulo retângulo em .

Na figura acima, note que construímos um retângulo com

dimensões e tomando retas passando por e paralelas ao

209
segmento e retas passando por e perpendiculares ao
segmento .
As retas e que contém as diagonais deste retângulo são
chamadas de assíntotas da hipérbole.

A excentricidade é o que influencia na abertura de uma hipérbole.

13.5.2 Equação da Hipérbole centrada na Origem do Sistema:

Consideramos os seguintes casos:
Caso 01: Eixo real sobre o eixo .

Seja ( ) um ponto arbitrário. Considere a hipérbole com

focos em ( )e ( ). Temos, por definição que, pertence a
hipérbole se:

| ( ) ( )|
210
 |√[ ( )] ( ) √( ) ( ) |

|√( ) √( ) |

|√ √ | ( )

Podemos ter os seguintes casos para (*):

a) √ √ :

√ √

√ √

Elevando ambos os membros ao quadrado:

√ √

Elevando novamente ambos os membros ao quadrado:

( )

( ) ( ) ( )

Mas temos, e substituindo em (I):

211
 Multiplicando a igualdade por , temos:

b) √ √ :

De forma análoga, também obtemos para este caso .

Portanto:

Esta é a equação reduzida da hipérbole centrada na origem com

eixo real sobre o eixo .

Caso 02: Eixo real sobre o eixo .

212
 Observe que ( )e ( ) e sendo ( ) um ponto da
elipse, obtemos de forma análoga ao caso anterior:

Esta é a equação reduzida da hipérbole centrada na origem com

eixo real sobre o eixo .

Observações:

01. Perceba que, se aparecer no denominador de , a equação nos

diz que o eixo real da hipérbole é paralelo ao eixo . Caso apareça no
denominador de , a hipérbole terá eixo real paralelo ao eixo .

02. O termo que acompanha sempre terá sinal positivo.

Exemplos:

01. A hipérbole de equação está representada na

figura abaixo:

Note que e , logo √ √ √ . Desta forma,

seus vértices são ( ) e ( ) e os focos são ( √ ) e
(√ ).

213
Como , temos os pontos ( )e ( ).
As assíntotas da hipérbole são as retas que passam pela origem e pelos
pontos ( )e( ). Vamos construir suas equações.
A assíntota que passa pela origem ( ) e pelo ponto ( ) terá sua
equação dada por:

| |

A assíntota que passa pela origem e pelo ponto ( ) terá sua

equação dada por:

| |

13.5.3 Equação da Hipérbole centrada fora da Origem do

Sistema: Consideramos os seguintes casos:
Caso 01: Eixo real paralelo ao eixo .
Considere a hipérbole centrada em ( ).

De forma análoga aos casos da parábola e da elipse, obtemos:

214
 ( ) ( )

Os vértices serão os pontos ( )e ( );

Os focos serão os pontos ( )e ( );
Temos também pontos ( )e ( );
Assíntota 1: Reta que passa por ( )e( );
Assíntota 2: Reta que passa por ( )e( ).

Caso 02: Eixo real paralelo ao eixo .

Considere a hipérbole centrada em ( ).

Obtemos:

( ) ( )

Os vértices serão os pontos ( )e ( );

Os focos serão os pontos ( )e ( );
Temos também pontos ( )e ( );

215
 Assíntota 1: Reta que passa por ( )e( );
Assíntota 2: Reta que passa por ( )e( ).

Exemplos:

01. Determinar a equação da hipérbole que tem vértices em ( )

e ( ), sabendo que um de seus focos é o ponto ( ).
Percebemos que esta hipérbole terá eixo real paralelo ao eixo , pois as
coordenadas de seus vértices variam em . Observe:

Para determinar o centro da hipérbole, basta encontrar o ponto médio

do segmento que é ( ). Podemos ainda determinar e ,
sabendo que:

( )

( )

O outro foco será ( ) ( ) ( ) ( ).

Assim, os focos serão ( )e ( ).
Como vale a relação :

( ) ( )
Assim, a equação da hipérbole é .

216
Podemos desenvolver a equação:

( ) ( ) ( ) ( )
[ ]

( ) ( ) ( ) ( )

Esta é a equação explicita da hipérbole.

02. Determinar o centro, os focos, os vértices, a excentricidade e as

equações das assíntotas da hipérbole .
Devemos reduzir a equação:

( ) ( )

[( ) ] [( ) ]

( ) ( )

( ) ( ) ( ) ( )

( ) ( )
( ) ( )

A equação reduzida nos indica que o centro da hipérbole é ( ) e

seu eixo real é paralelo ao eixo .
Temos ainda que e e, portanto √ √

217
Seus focos serão ( ) ( √ ) e ( ) ( √ ),
os vértices serão ( ) ( ) ( ) e ( )
√
( ) ( ) e a excentricidade .

Temos ainda os pontos ( ) ( ) ( )e ( )

( ) ( ).

Assíntota 1: É a reta que passa pelo centro ( ) e pelo ponto ( ),

logo sua equação é dada por:

| |

Assíntota 2: É a reta que passa pelo centro ( ) e pelo ponto ( ),

logo sua equação é dada por:

| |

218
219
 CAPÍTULO 14: ESPAÇOS VETORIAIS

14.1 INTRODUÇÃO

Neste capítulo, vamos iniciar a parte de Álgebra Linear presente

em nossa ementa.
Iniciamos nosso estudo com uma abordagem abstrata e mais
“generalizada” de vetores. Embora estejamos acostumados a representar
vetores de uma forma geométrica, a partir daqui nem sempre será
possível associar figuras aos vetores.

14.2 ESPAÇOS VETORIAIS

14.2.1 Definição: Sejam ( ) um corpo e um conjunto não

vazio. Dizemos que o conjunto , munido das operações soma (
( ) ) e multiplicação por escalar ( ( )
), é um espaço vetorial sobre o corpo se, para quaisquer
e , as seguintes propriedades são válidas:
S1) ( ) ( );
S2) ;
S3) ;
S4) ( ) ( ) ;
M1) ( ) ;
M2) ( ) ;
M3) ( ) ( );
M4) .
Ainda podemos nos referir a como sendo um espaço vetorial.
Chamamos os elementos do conjunto de vetores, enquanto os
elementos de são chamados de escalares.

220
Observações:

01. Sempre que falarmos em espaço vetorial, devemos deixar bem claro
qual é o corpo considerado. Os escalares presentes nos axiomas sempre
serão elementos do corpo.

02. Não confunda as operações de com as operações de .

Em temos as operações:
soma de escalares de .
multiplicação de escalares de .

Em temos as operações:
soma de vetores de .
multiplicação de um escalar de por um vetor de .

Perceba que na multiplicação de escalar por vetor no conjunto , a

operação transforma um par ( ) em um vetor .

Observamos na figura abaixo como as operações funcionam em

um espaço vetorial:

Somando-se dois vetores de , o vetor soma ainda pertence ao

conjunto . Multiplicando um escalar de por um vetor de , obtemos
um vetor que ainda pertence ao conjunto .

Exemplos:

221
01. O conjunto {( ) } onde:
Se ( ) ( ) e , definimos:

( )

( )

É um espaço vetorial, ou um espaço vetorial sobre . Verifique!

02. Em geral, {( ) } com as operações (definidas

abaixo) é um espaço vetorial sobre .
Definimos as operações, para ( ) ( ) e
, por:

( )

( )

03. Denotamos o conjunto das matrizes de ordem 2 com entradas reais

por ( ). O conjunto ( ) com as operações soma e multiplicação
por escalar é um espaço vetorial sobre . Vamos verificar!
Podemos escrever:

( ) {[ ] }

Tomando [ ] [ ] [ ] ( ) e , as

operações usuais são definidas por:

[ ] [ ]

222
Agora, devemos concluir que estas operações verificam as 8
propriedades da definição. Mostremos a primeira propriedade
detalhadamente, e as demais serão mais diretas.
S1) Devemos concluir que ( ) ( ). De fato:

( ) ([ ] [ ]) [ ]

( ) ( )
[ ] [ ] [ ]
( ) ( )

( ) ( )
( ) [ ] ( )
( ) ( )

Note que, as entradas da matriz acima são números reais e desta forma,
como é um corpo, vale ( ) ( ) . Usando esta
propriedade nas entradas da matriz, temos em (*):

( ) ( )
( ) [ ]
( ) ( )

( ) ( )
[ ] [ ] [ ]
( ) ( )

[ ] ([ ] [ ]) ( )

( ) ( )

S2) Devemos concluir que . De fato:

[ ] [ ] [ ] [ ]

[ ] [ ]

223
S3) Devemos mostrar que existe ( ) tal que . De fato,

seja [ ] ( ):

[ ] [ ] [ ] [ ] [ ]

Devido à igualdade de matrizes, temos:

Logo [ ] [ ] [ ]. Portanto, constatamos a existência

da matriz ( ) tal que .

S4) Devemos mostrar que existe ( ) tal que ( ) . De

fato, seja [ ] ( ):

( ) [ ] [ ] [ ] [ ] [ ]

Devido à igualdade entre matrizes, temos:

224
Logo [ ] [ ]. Portanto, constatamos a existência da

matriz ( ) tal que ( ) .

M1) Devemos concluir que ( ) . De fato:

( ) ([ ] [ ]) [ ]

( ) ( )
[ ] [ ]
( ) ( )

[ ] [ ] [ ] [ ]

( )

M2) Devemos concluir que ( ) . De fato:

( ) ( )
( ) ( )[ ] [ ] [ ]
( ) ( )

[ ] [ ] [ ] [ ]

( )

M3) Devemos concluir que ( ) ( ). De fato:

225
 ( ) ( ) ( ) ( )
( ) ( )[ ] [ ] [ ] [ ]
( ) ( ) ( ) ( )

( [ ]) ( )

( ) ( )

M4) Devemos concluir que . De fato:

[ ] [ ] [ ]

Como as 8 propriedades foram satisfeitas, concluímos que ( )é

um espaço vetorial.

04. O conjunto ( ) das matrizes de ordem com entradas

reais é um espaço vetorial sobre .

( ) {[ ] }

05. O conjunto ( ) é o conjunto dos polinômios de grau menor ou

igual a 2 com coeficientes reais. ( ) é um espaço vetorial sobre
(verifique).

( ) { }

Sendo ( ) ( ) ( ) e ,
definimos as operações em ( ):

226
 ( )( ) ( ) ( ) ( ) ( ) ( )

( )( ) ( )

06. O conjunto ( ) { } dos

polinômios de grau menor ou igual a (incluindo o grau zero) é um
espaço vetorial.

Observação: Para nosso curso, vamos assumir que os espaços vetoriais

são considerados espaços sobre .

14.3 SUBESPAÇOS VETORIAIS

Muitas vezes, conseguimos identificar, dentro de um espaço

vetorial , subconjuntos tal que ainda é um espaço vetorial.
Chamamos estes conjuntos de subespaços de .

14.3.1 Definição: Sejam um espaço vetorial sobre e tal

que . Dizemos que é um subespaço vetorial de se:
i. Para quaisquer , tem-se ;
ii. Para quaisquer e , tem-se .

A definição acima nos diz que, operando dois elementos de

com a soma de , o elemento resultante ainda será um elemento de e,
operando um escalar de com um elemento de usando-se a
multiplicação escalar definida em , o elemento resultante ainda será
um elemento de . Em outras palavras, dizemos que é um conjunto
fechado em relação às operações soma e multiplicação escalar e, estas
operações estão bem definidas em . Além disso, não há a necessidade
de verificar as 8 propriedades de espaço vetorial para , pois se as
operações são fechadas, operando quaisquer dois elementos de o

227
resultado ainda é elemento de . Ora, sabemos que , ou seja,
qualquer elemento de é elemento de e, como é espaço vetorial,
sabe-se que as 8 propriedades de espaço vetorial são satisfeitas.
IMPORTANTE: Qualquer subespaço de contém o vetor nulo
de , pois na condição ii da definição de subespaço, tomando
temos que ainda é vetor de . O fato de que , se é
subespaço de é muito utilizado para verificar se um subconjunto não
é subespaço de certo conjunto.
Se tivermos , onde é espaço vetorial, e ocorrer
concluímos imediatamente que NÃO é subespaço de . Tome cuidado,
se concluirmos que , não podemos dizer de imediato que é
subespaço de , pois é uma condição necessária para que seja
subespaço de , mas não é suficiente. Logo devemos verificar também i
e ii da definição.

14.3.2 Subespaços Triviais: Seja um espaço vetorial. Os

subconjuntos de { } (conjunto formado pelo vetor nulo) e
são subespaços de e os chamamos de subespaços triviais de .
Em outras palavras, qualquer conjunto formado pelo vetor nulo
de é subespaço de . E o próprio conjunto é subespaço de .

Observação: Sempre que quisermos verificar se é um subespaço

de , devemos verificar se e as propriedades i e ii da definição.

Exemplos:

01. Seja {( ) } espaço vetorial sobre . Seja o

conjunto de pontos de contidos na reta , desta forma
{( ) }. é subespaço de .

228
Para quaisquer e , tem-se e . Vejamos:
Se ( ) , então . Logo ( ). Se ( ) ,
então . Logo ( ). Assim:

( ) ( ) ( )

As coordenadas de satisfazem , logo . E também:

( ) ( )

As coordenadas de satisfazem , logo .

Como i e ii são satisfeitas, concluímos que é subespaço vetorial de
.

02. Qualquer reta que passa pela origem é subespaço de .

03. Sejam e um plano passando pela origem. Note que

é um subespaço de , pois quaisquer que sejam e
tem-se e além disso, como o plano passa pela origem, o
vetor nulo de ( ) pertence à .

229
04. Sejam e {( ) } o conjunto dos
vetores de com primeira coordenada nula.
Tomando e ( ) ( ) , temos:

( )

Pois a primeira coordenada de é nula e as demais são números

reais , isto é, a propriedade de é satisfeita. Temos também:

( )

Pois a primeira coordenada de é nula e as demais são .

Portanto, concluímos que é um subespaço de .

05. O conjunto das matrizes triangulares superiores é um subespaço

de ( ), pois a soma de duas matrizes triangulares superiores
ainda é uma matriz triangular superior e a multiplicação de um escalar
por uma matriz triangular superior ainda é uma matriz triangular
superior.

06. Consideramos o sistema homogêneo de equações lineares

{ na forma matricial:

230
 [ ][ ] [ ] ( )

Note que a solução do sistema é encontrada no conjunto ( ) das

matrizes de ordem com coeficientes reais e, desta forma, vamos
mostrar que o conjunto de soluções do sistema (*) é um subespaço de
( ).

Tomando [ ] [ ] e , resta verificar que e são

soluções do sistema, isto é, devemos mostrar que , daí

concluímos que é subespaço de ( ). De fato:

[ ] [ ]

i. Mostremos que é solução do sistema (*):

[ ] ([ ] [ ]) [ ][ ] [ ][ ] ( )

Como [ ] , é solução do sistema, logo [ ][ ] [ ] e,

de forma análoga, como [ ] , é solução do sistema, logo

[ ][ ] [ ]. Desta forma, voltando em (**), temos:

[ ] ([ ] [ ]) [ ][ ] [ ][ ] [ ] [ ]

[ ] [ ] ([ ] [ ]) [ ]

231
Portanto, [ ] [ ] é solução de (*), logo .

Temos também:

[ ]

ii. Mostremos que é solução do sistema (*):

[ ] ( [ ]) ([ ] [ ]) [ ] [ ]

[ ] ( [ ]) [ ]

Portanto é solução do sistema (*), logo .

Como i e ii são satisfeitas, temos que é subespaço vetorial de ( ).

Contra Exemplos:

01. Sejam e {( ) }. não é um subespaço

vetorial de .

232
Observe que a soma de é o vetor , para que seja
um vetor de , este deveria possuir extremidade sobre a reta de
equação . Em outras palavras, a propriedade i da definição de
subespaço não é satisfeita, logo não é subespaço vetorial de .
Também podemos concluir algebricamente que não é um subespaço
de . Basta observar que o vetor nulo ( ) não satisfaz a
propriedade de , isto é, as coordenadas do vetor nulo são e ,
logo . Portanto e isto já é o
suficiente para concluir que NÃO é subespaço de .

02. Seja , se for qualquer reta que não passa pela origem, então
não é subespaço de .

03. Sejam e {( ) }. não é subespaço de .

Observe que ( ) , pois em ( ), as coordenadas são e
, logo , isto é, ( ) satisfaz a propriedade
de . Podemos concluir que é subespaço de ? Não! Ainda devemos
verificar as propriedades i e ii da definição.
Tomando ( ) ( ) , temos que e , logo:

233
 ( )

( )

Vamos verificar i da definição, isto é, queremos verificar se .

Temos:

( ) ( ) ( ) ( )

Perceba que o vetor não satisfaz a propriedade de , pois

deveríamos ter ( ) na coordenada em (lembrando
que para que um vetor ( ) pertença a , suas coordenadas devem
satisfazer ), ou seja, o vetor não é da forma ( ). Portanto
, e assim não é subespaço de .

14.3.3 Teorema (Interseção de subespaços): Dados e

subespaços de , a interseção ainda é um subespaço de .
Prova: Para provar que o conjunto é subespaço de ,
devemos mostrar:
i. Se e , então ;
ii. Se e , então .
i. Se e , então . De fato:
a) Como , temos que e .
b) Como , temos que e .
Juntando as informações de a e b, como e e é
subespaço de , temos que ( ).

Juntando as informações de a e b, como e e é

subespaço de , temos que ( ).

De (*) e (**), temos que e , logo concluímos

que .

ii. Se e , então . De fato:

234
 Como , temos que e . Sabemos que é
subespaço de , logo . Também como é subespaço de tem-

se . Logo, se e , temos que .

Assim, concluímos que é subespaço de .

Exemplos:

01. Sejam , {( ) }e {( ) }.
Note que {( ) }e {( ) } são planos que
passam pela origem e paralelos ao eixo e a interseção é a reta

{ (reta sobre o eixo ). Como e são planos que passam pela

origem, sabemos que e são subespaços de .

Perceba que {( ) } {( ) } é, de fato, um
subespaço de . Se , é da forma ( ) e se
, é da forma ( ), logo, sendo :

( )

( )

Geometricamente, podemos pensar que quaisquer vetores sobre o eixo

, terão sua soma ainda sobre o eixo e também qualquer múltiplo
ainda estará sobre .

02. Sejam ( ), o conjunto das matrizes triangulares superiores

de ordem e o conjunto das matrizes triangulares inferioresde
ordem . Obviamente e são subespaços de ( ).
O conjunto será o conjunto das matrizes diagonal de ordem e
este será um subespaço de ( ).

235
 14.3.4 Teorema (Soma de subespaços): Sejam e subespaços
de . O conjunto { } ainda é
subespaço de .
Prova: Devemos mostrar que e:
i. Se e , então ;
ii. Se e , então .
Mostremos:
i. Se e , então . De fato, se
, existem e tais que e,
analogamente, se , existem e tais que
. Assim:

( ) ( )

Como e são subespaços de , todas as propriedades de

espaços vetoriais são válidas para suas operações. Assim:

( ) ( ) ( ) ( )

Portanto , pois é formado pela soma de elementos

de e .
ii. Se e , então . De fato, Se
, existem e tais que . Assim:

( )

Portanto , pois é formado pela soma de elementos de

e .
Desta forma, concluímos que é subespaço vetorial de .

Exemplos:

236
01. Sejam , um plano passando pela origem e uma reta
passando pela origem contida neste plano, . Observe:

02. Se tivermos {[ ] } e {[ ] }, então

{[ ] } ( ).

Neste caso, e são subespaços de ( ), assim a soma

ainda é subespaço de ( ) devido ao Teorema da soma de subespaços.
Além disso, a soma dos subespaços resultou no próprio espaço vetorial
( ).

14.3.5 Definição: Seja espaço vetorial e e subespaços de

. Quando { }, dizemos que é soma direta de com
e denotamos . Em outras palavras, se a interseção entre e
for o conjunto composto pelo vetor nulo.
Exemplos:

01. O exemplo 01 anterior é um caso onde não é soma direta de

com , pois , isto é, a interseção é a reta { }.

237
02. No exemplo 02 anterior, é soma direta de com , pois

{[ ] } {[ ]} { }. A única matriz que

satisfaz as propriedades de e simultaneamente é a matriz nula de

( ). Logo ( ).

14.4 COMBINAÇÃO LINEAR

14.4.1 Definição: Sejam um espaço vetorial sobre ,

e . Chamamos de combinação linear de
o vetor tal que:

14.4.2 Subespaço Gerado: Sejam um espaço vetorial sobre ,

, e:

{ }

é um subespaço de e chamamos de subespaço gerado por

.
Em outras palavras, é o conjunto dos vetores de tais que
estes vetores são combinação linear de . Ainda podemos usar a
notação [ ] que indica que é o subespaço gerado por
.

Observação: O conjunto [ ] deve ser o subespaço de que

possui a menor quantidade de vetores e que contenha { }.
Por exemplo, se conter { }, este deve satisfazer .

Exemplos:

238
01. Considere e . Observe que [ ] { }, isto é, o
conjunto gerado por é a reta que contém o vetor e passa pela origem
do sistema.

02. Sejam e . Temos

[ ] { } é o plano que passa pela origem e
contém os vetores e .

Se tivermos [ ], então , logo [ ] [ ]

pois todo vetor que é escrito como combinação linear de pode
ser escrito como combinação de e , pois, se
[ ] foi visto que , logo:

( )

( ) ( ) [ ]

239
03. Sejam e ( ) ( ) . Então

[ ] [( )( )] { }

{ ( ) ( ) } {( ) ( ) }

{( ) }

Neste caso, [ ]. Dizemos que o subespaço gerado por

[ ] é gerador do espaço vetorial . Em outras palavras, qualquer que
seja ( ) , ( ) ( ) ( ), ou seja, ( ) [( )( )], logo
gera todos os vetores de .

04. Sejam ( )e [ ] [ ] ( ). Temos:

[ ] [[ ] [ ]] { }

{ [ ] [ ] } {[ ] [ ] }

[ ] {[ ] }

05. Quais são os vetores geradores do subespaço {( )

} de ? Para determinar tais que [ ], façamos:

{( ) } {( ) }
240
 {( ) ( ) } { ( ) ( ) }

[( )( )] [( )( )]

Logo ( )e ( ).

06. O conjunto solução da equação linear é um

subespaço de . Observe que:

O conjunto de soluções é:

{( ) } {( ) ( ) }

{ ( ) ( ) } [( )( )] [( )( )]

O conjunto de soluções de é o subespaço gerado por

( )e( ).

14.5 DEPENDÊNCIA E INDEPENDÊNCIA LINEAR

Como vimos no Exemplo 02 anterior, o subespaço gerado por

é o mesmo subespaço gerado por e, desta forma, podemos
pensar no vetor como sendo supérfluo para descrever tal subespaço,
pois este é uma combinação linear de e .
Em geral, considerando { }, nossa preocupação é
determinar se existe algum vetor que não exista a necessidade de estar
no conjunto no caso em que desejamos descrever [ ].

241
 14.5.1 Definição: Seja um espaço vetorial e .
Dizemos que o conjunto { } é linearmente independente (LI) se:

14.5.2 Definição: Seja um espaço vetorial e .

Dizemos que o conjunto { } é linearmente dependente (LD) se:

{ }

14.5.3 Teorema: O conjunto { } é LD se, e somente se, um

dos vetores do conjunto for combinação linear dos demais.
Prova: ( ) Queremos mostrar que se { } é LD, então um dos
vetores é combinação linear dos demais. De fato:
Se { } é LD, temos por definição que
implica que algum dos é não nulo. Suponha que em
, tem-se . Então:

( ) ( )

Como , existe tal que . Multiplicando (*) por :

A igualdade acima, nos diz que é combinação linear de

, ou seja, um vetor do conjunto é combinação linear
dos demais, que é o que queríamos demonstrar.
(⇐) Queremos mostrar que se um dos vetores de { } é
combinação linear dos demais, então { } é LD. De fato, se um dos

242
vetores de { } é combinação linear, digamos que seja
combinação linear de , então:

( )

Somando em ambos os membros de (*):

Note que, na equação cima, temos uma combinação linear de

igual ao vetor nulo, onde o coeficiente de é , ou
seja, a equação implicou um dos não nulo. Logo, por definição,
concluímos que { } é LD, que é o que queríamos demonstrar.
Equivalente à proposição acima: Um conjunto de vetores é LI se,
e somente se, nenhum dos vetores for combinação linear dos demais.

Exemplos:

01. Sejam e . O conjunto { } é LD se, e somente se

e estiverem na mesma reta que passa pela origem, ou ainda se
.

02. Sejam e . O conjunto { } é LD se, e somente

se , e estiverem no mesmo plano que passa pela origem

243
03. Sejam e ( ) ( ). O conjunto { } é LI.
Vamos mostrar que este conjunto é LI usando o Teorema anterior, ou
seja, façamos uma combinação de e igual ao vetor nulo e, se esta
implicar que os coeficientes da combinação são nulos, concluímos que
{ } é LI. Então:

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) {

Portanto, e, pelo Teorema 14.5.3 segue que

{( )( )} é LI.

04. Sejam e ( ) ( ) ( ) , o conjunto

{ } é LI. De fato:

( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( ) {

Como implicou , temos que

{( )( )( )} é LI.

244
05. Sejam e ( ) ( ) ( ) . O conjunto
{ } é LD, pois:

( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( )

Logo e . Portanto ,
e com não não necessariamente nulo, ou seja, a equação
implicou em um dos coeficientes não nulo. Portanto
{ } {( )( )( )} é LD.

14.6 BASE DE UM ESPAÇO VETORIAL

Podemos encontrar dentro de um espaço vetorial , um conjunto

finito de vetores tais que qualquer outro vetor de é uma combinação
linear dos vetores deste conjunto. Em outras palavras, queremos
determinar um conjunto de vetores que gera todos os vetores do espaço
vetorial .
A ideia aqui é semelhante à vista em geometria analítica, onde
todos os vetores do espaço podiam ser escritos com combinação dos
vetores do conjunto {⃗ ⃗ ⃗⃗ }. E dizíamos que {⃗ ⃗ ⃗⃗ } era uma base para o
espaço.

14.6.1 Definição: O conjunto { } é uma base de se:

i. { } é LI;
ii. [ ].
Em outras palavras, { } é uma base de se este
conjunto é linearmente independente e se qualquer vetor de é escrito

245
com combinação linear de (se é igual ao subespaço gerado por
).
Exemplos:

01. Se e ( ) ( ) , { } é base de conhecida

como base canônica de . Pois este conjunto é LI e qualquer que seja
( ) pode ser escrito como ( ) ( ) ( )
, ou seja, todo vetor de é
combinação linear de e , logo [ ] [( )( )].

02. Se , o conjunto {( )( )} também é uma base de . Note

que:

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

{ {( )( )}

Resta mostrar que {( )( )} é um conjunto gerador de . Seja

( ) , temos:

( ) ( ) ( ) ( ) ( )( )

( ) ( ) ( )( )

Qualquer vetor ( ) pode ser escrito como combinação linear de

( )e( ), mas isto quer dizer que é gerado por ( )e( ), ou
seja, [( )( )].
Como {( )( )} é LI e [( )( )], temos que {( )( )} é uma
base de .

03. O conjunto {( )( )} não é uma base de , pois:

246
 ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

Como ( ) ( ) ( ) implicou ou não necessariamente nulos,

temos que {( )( )} é LD, logo este conjunto não forma uma base
para .

04. Sendo , o conjunto {( )( )( )} é uma base para ,

pois:

( ) ( ) ( ) ( ) ( ) ( ) {

{( )( )( )}

Além disso, qualquer que seja ( ) :

( ) ( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

Como qualquer ( ) é escrito como combinação linear dos

vetores de {( )( )( )}, temos que [( )( )( )].
Como {( )( )( )} é LI e [( )( )( )], segue
que {( )( )( )} é base de .

05. O conjunto {( )( )} não é base de . Note que

{( )( )} é LI, mas {( )( )} não gera , isto é,
[( )( )]. Sendo ( ) , temos:

( ) ( ) ( ) ( ) ( ) ( ) {

247
A condição nos diz que ( )e( ) geram apenas os vetores de
cujo a terceira coordenada é nula, ou seja, ( )e( ) não geram
todos os vetores de , daí tem-se [( )( )].

06. Sendo , o conjunto { } é base de . Note que:

{ }

Além disso, qualquer que seja , temos:

Isto é, é combinação linear de e , logo [ ].

Como { } é LI e [ ], temos que { } é base de .

07. O conjunto {[ ] [ ] [ ] [ ]} é uma base do espaço

vetorial ( ). De fato:

[ ] [ ] [ ] [ ] [ ]

[ ] [ ] [ ] [ ] [ ]

[ ] [ ]

Sendo [ ] ( ), temos:

[ ] [ ] [ ] [ ] [ ]

[ ] [ ] [ ] [ ]

248
 [ ] [ ] [ ] [ ] [ ]

Desta forma, qualquer vetor de ( ) é combinação linear dos

vetores de . Portanto ( ) [[ ] [ ] [ ] [ ]].

Como {[ ] [ ] [ ] [ ]} é LI e

( ) [[ ] [ ] [ ] [ ]], concluímos que é base de

( ).

Observação: Embora existam espaços vetoriais com bases possuindo

infinitos elementos (por exemplo, um espaço vetorial de funções),
nosso estudo engloba somente os casos de espaços vetoriais com bases
contendo um número finito de vetores, ou seja, estamos trabalhando
com bases finitas.

A seguir, veremos uma série de proposições fundamentais para o

estudo de bases.

14.6.2 Teorema: Sejam vetores não nulos que geram um

espaço vetorial . Então, dentre estes vetores podemos extrair uma base
para .
Prova: Para construir uma base para devemos obter um
conjunto que seja LI e gerador de .
Por hipótese, já sabemos que geram e:
Caso o conjunto { } seja LI, já temos o desejado, e o
conjunto { } é base de .
Caso o conjunto { } seja , existe algum vetor do conjunto
que é combinação linear dos demais. Suponha combinação linear dos
demais, assim:

249
 Ora, como é combinação linear de , os vetores
ainda geram .
Caso o conjunto { } for LI, temos o desejado, pois se
geram e{ } é LI, isto implica { } base de .
Caso o conjunto { } for LD, existe algum vetor do
conjunto que é combinação dos demais. Suponha combinação dos
demais, assim:

Ora, como é combinação linear de , os vetores

ainda geram .
Caso o conjunto { } for LI, temos o desejado, pois se
geram e{ } é LI, isto implica { } base de .
Seguindo este processo após um número finito de iterações,
sempre conseguimos um subconjunto LI { } { }, com
vetores, que ainda gera , ou seja, que forma uma base de .

14.6.3 Teorema: Sejam vetores não nulos que geram um

espaço vetorial . Então, qualquer conjunto com mais de vetores é
necessariamente LD (e, portanto, qualquer conjunto LI tem no máximo
elementos).
Prova: Como [ ], foi visto no Teorema 16.6.3 que
podemos extrair uma base para do conjunto { }. Seja { },
onde , tal base.
Consideramos agora vetores de , onde . Existem
então as constantes , com e , tais que (como ,
qualquer pode ser escrito como combinação dos vetores da base
{ }):

{ ( )

250
 Tomemos agora a combinação linear de e igualamos esta
combinação ao vetor nulo de :

( )

Substituindo (I) em (II), temos:

( ) ( )
( )

( ) ( )
( ) ( )

Temos uma combinação linear de igual ao vetor nulo e,

como { } é base de , este conjunto é LI, logo a equação (*) implica
que cada coeficiente da combinação é igual à zero, ou seja:

{ ( )

O sistema (III) é um sistema homogêneo com incógnitas

( ) e equações. Lembrando que , ou seja, o
sistema tem mais incógnitas do que equações, assim ele não admite
apenas a solução trivial, isto é, existe alguma solução com um dos não
nulo.
Resumindo, implicou algum dos ,e
por definição, isto quer dizer que o conjunto { } é LD. Portanto,
qualquer conjunto com um número de vetores, onde , é
linearmente dependente.
Também, qualquer conjunto LI tem no máximo vetores.

251
 14.6.4 Corolário: Qualquer base de um espaço vetorial tem
sempre o mesmo número de vetores. Este número é chamado de
dimensão de , e o denotamos por ( ).
Prova: Sejam { }e{ } bases de .
Como geram e é LI, pelo Teorema 16.6.3 temos
que .
Como geram e é LI, pelo Teorema 16.6.3 temos
que .
Ora, como e , a única conclusão que chegamos é a que
, ou seja, as bases possuem a mesma quantidade de vetores.

Observação: Se { }, então .

Exemplos:

01. Já vimos anteriormente que {( )( )} e {( )( )} são bases de

. Assim ( ) .

02. Uma base de é {( )( )( )} com 3 vetores, assim

( ) .

03. Vimos anteriormente que {[ ] [ ] [ ] [ ]} é uma base

de ( ), desta forma [ ( )] .

04. O conjunto { } é base de , ou seja, ( ) .

14.6.5 Teorema: Qualquer conjunto LI de vetores de um espaço

vetorial com dimensão finita pode ser completado de modo que este
conjunto se torne uma base de .
Prova: Seja tal que ( ) e{ } um conjunto LI, onde
(Devido ao Teorema 16.6.3). Se [ ], então { } forma
uma base para e temos o desejado (neste caso ).

252
 Porém, pode acontecer [ ], assim existe tal que
[ ], logo não é combinação linear de e então
{ } ainda é LI. Caso [ ], então { }
forma uma base para e temos o desejado.
Porém, pode acontecer [ ], assim existe tal
que [ ], logo não é combinação linear de
e então { } ainda é LI. Caso
[ ], então { } forma uma base de e
temos o desejado.
Usando este mesmo procedimento, sempre conseguiremos
completar o conjunto LI { } até que ele tenha elementos e seja
uma base de .

14.6.6 Corolário: Se ( ) , então qualquer subconjunto LI de

, com vetores, forma uma base de .
Prova: Suponha que o conjunto LI de vetores não forme uma
base de . Então, pelo Teorema 16.6.5, poderíamos completar este
conjunto de modo a torna-lo uma base de . Mas aí teríamos uma base
com mais de vetores, o que é absurdo, qualquer base de deve ter
vetores (Corolário 16.6.4).

Observação: O corolário acima é muito importante, pois, este nos diz

que para verificar se um conjunto com vetores é base de um espaço,
basta constatar que este conjunto é LI, ou seja, não há a necessidade de
verificar se este conjunto é gerador de .

14.6.7 Teorema: Se e são subespaços de um espaço vetorial

de dimensão finita, então ( ) ( ) e ( ) ( ). Além
disso:

( ) ( ) ( ) ( )

14.6.8 Teorema: Dada uma base { } de , cada vetor de

é escrito de maneira única como combinação linear dos vetores de .

253
 Prova: Seja , então existem tais que
. Suponha que existem tais que .
Desta forma, como as duas igualdades valem para :

( ) ( )

Como é base, é LI, logo a equação acima implica:

Portanto, supondo que existam tais que ∑ , a única

conclusão que chegamos é que , ou seja, qualquer é escrito
de maneira única como combinação linear dos vetores de .

Usando a ideia do Teorema 16.6.8 definimos coordenadas ou

componentes para vetores em relação a uma base.

14.6.9 Definição: Sejam { } uma base de e tal

que . Chamamos os números reais de
coordenadas do vetor em relação à base e usamos a notação:

[ ] [ ]

Ou seja, [ ] [ ], quer dizer que o vetor é escrito como

∑ { }. Escrevemos o vetor usando uma matriz coluna

(matriz de ordem ).

254
 Fazendo uma análise à notação, perceba que qualquer vetor de um
espaço vetorial de dimensão pode ser representado por uma matriz de
ordem .
Exemplos:

01. Sejam e a base {( )( )}. Temos:

( ) ( ) ( )

Portanto:

[( )] [ ]

Nota-se, quando não mencionamos qual a base considerada, qualquer

vetor de é dado em relação à base canônica. Isto é, sendo ( ) :

( ) ( ) ( ) [( )] [ ]

02. Se e {( )( ), vamos descobrir quais as coordenadas

de ( ) em relação à .
Tomando uma combinação:

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

Logo ( ) ( ) ( )( ), e isto quer dizer que:

[( )] [ ]

255
03. Sejam , {( ) } e {( ) }. Note
que e são subespaços de e:

{( ) } {( ) }

{( ) } {( ) ( ) }

{ ( ) ( ) } [( )( )] [( )( )]

{( ) } {( ) } {( ) ( ) }

{ ( ) ( ) } [( )( )] [( )( )]

Temos ainda [( )( )( )( )] e dado ( )

:

( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( )

( ) ( ) {

O sistema acima possui infinitas soluções, ou seja, qualquer vetor de

é escrito como combinação linear de vetores de , logo, é
gerado por .

O conjunto {( )( )( )( )} não fornece uma base para ,

pois este é LD. Como ( ) ( ) e sabemos que ( ) ,
temos ( ) .

256
Vamos determinar . Veja:

{( ) } {( ) }

{( ) } { ( ) } [( )] [( )]

Logo ( ) .
Perceba agora que ( ) ( ) ( ) ( ) é
satisfeita, pois ( ) , ( ) , ( ) e ( ) ,
logo:

( ) ( ) ( ) ( )

04. Sejam ( ) e a base {[ ] [ ] [ ] [ ]}. O vetor

[ ] pode ser escrito:

[ ] [ ] [ ] [ ] [ ]

[ ] ( )[ ] ( )[ ] ( )[ ]

[ ] [ ]

Em geral, qualquer vetor (matriz) [ ] ( ) pode ser escrito:

[ ] [ ]

257
Notamos ainda que qualquer base de ( ) deve possuir 4 vetores e,
desta forma, qualquer vetor de ( ) pode ser escrito, em relação à uma
base, como uma matriz coluna .
Em geral, se ( ) , uma base de terá vetores e qualquer

vetor de é escrito, em relação à base, por uma matriz .

14.7 MUDANÇA DE BASE

Muitas vezes nos deparamos com algum problema em que o

referencial usual pode não ser o apropriado para a resolução deste
problema.
Por exemplo, suponha um problema de física em que o
movimento de um corpo é descrito por uma elipse cuja equação é
, de acordo com a figura abaixo:

A descrição do movimento ficaria muito mais simples se ao invés

de considerarmos os eixos e (e a base {⃗ ⃗}), considerássemos um
referencial que se apoia nos eixos principais da elipse, de acordo com a
figura:

258
 Neste novo referencial temos a base { } e os eixos e . A
equação da elipse em relação a este sistema é .
Tendo visto a situação acima, devemos nos questionar: Como
escolher um novo sistema apropriado? Fixado um novo referencial,
como relacionar as coordenadas de um ponto do antigo referencial com
as coordenadas no novo?

14.7.1 Mudança de Base: Sejam { } e { }

bases de um espaço vetorial . Dado um vetor , podemos escrever o
mesmo em relação às duas bases, isto é:

( )
{
( )

Como relacionar as coordenadas de em relação à :

[ ] [ ]

Com as coordenadas de em relação à :

259
 [ ] [ ]

Como { } é base de e os vetores de ainda são

vetores de , podemos escrever cada como combinação linear dos
vetores de , isto é:

{ ( )

Substituindo (**) em (*):

( ) ( )
( )

( ) ( )
( )

( ) ( )
( ) ( )

Por outro lado, temos de (I) que:

( )

Observe que as equações ( ) e ( ) nos fornece o vetor escrito

como combinação linear dos vetores de , e como as coordenadas em
relação a uma base são univocamente determinadas, cada coeficiente
correspondente é idêntico, ou seja:

260
 {

Na forma matricial:

[ ] [ ][ ]

Denotando [ ] [ ], podemos escrever:

[ ] [ ] [ ]

Que é a formula para mudança de base de para .

A matriz [ ] é chamada de matriz mudança de base de para .

Comparando [ ] com (**), percebe-se que a coluna é

composta pelas coordenadas de em relação à base .

Vejamos um exemplo para esclarecer melhor a ideia de mudança
de base.
Exemplo:

01. Sejam {( )( )} e {( )( )} bases de . Procuremos a

matriz mudança de base de para . Vamos reescrever as bases
usando uma notação genérica para seus vetores para que possamos
fazer uma analogia com a construção feita anteriormente. Sejam:

{ } ( ) ( )

261
 { } ( ) ( )

O próximo passo é escrever os vetores de como combinação linear

dos vetores de .

( ) ( ) ( )

( ) ( ) ( )

( ) ( ) ( )

( ) ( ) ( )

( ) ( ) ( )

( ) ( ) ( )

De (I) e (II), temos:

Cuja solução é , , e .

Portanto, temos a matriz mudança de base:

[ ] [ ] [ ] [ ] [ ]

262
Agora, vamos determinar as coordenadas do vetor ( ) em relação

à base . Sabemos que [ ] [ ] e usando a formula de mudança de

base:

[ ] [ ] [ ] [ ] [ ][ ] [ ]

[ ] [ ]

Ou ainda: [ ] ( ) ( ).
É obvio que poderíamos simplesmente tomar uma combinação arbitrária
( ) ( ) ( ) e calcular os valores de e e então o vetor

seria escrito [( )] [ ]. Porém, quando aumentamos o número de

vetores, o uso da matriz se tornará vantajoso.

14.7.2 Inversão: Fazendo um processo análogo ao visto em 14.7.1,

mas escrevendo como combinação linear dos vetores da base
encontramos a relação:

[ ] [ ] [ ]

E esta é a formula de mudança de base de para .

A matriz [ ] é a matriz mudança de base de para .

14.7.3 Relação Entre as Matrizes: A relação entre as matrizes

mudança de base de para ([ ] ) e mudança de base de para

([ ] ) é:

263
 ([ ] ) [ ]

Exemplos:

01. No exemplo anterior, obtemos [ ] [ ], para encontrar a

matriz mudança de base de para basta usar a relação de 14.7.3, isto

é, devemos calcular a inversa de [ ] . Realizando os cálculos obtemos:

[ ] [ ]

02. Considere , as bases { } canônica e { }, obtida

da base canônica pela rotação de um ângulo de medida . Dado um
vetor tal que:

[ ] [ ]

Quais as coordenadas de em relação à , isto é, queremos determinar

e , em função de e , tais que:

[ ] [ ]

Observe:

264
Temos e queremos calcular:

[ ] [ ] [ ]

Ou seja, queremos encontrar a matriz [ ] [ ] mudança de base

de para . Para isso, devemos escrever os vetores e de em

função de e . Observe a figura:

Temos . E:

265
Temos .
Desta forma:

[ ] [ ]

Logo:

[ ] [ ] [ ] [ ] [ ][ ] {

266
 CAPÍTULO 15: TRANSFORMAÇÕES LINEARES

15.1 INTRODUÇÃO

Antes de falarmos sobre transformações (aplicações) lineares,

vamos relembrar alguns conceitos básicos de funções (aplicações).
Primeiramente, o que é uma função? Sempre que nos referimos a
uma função matematicamente, devemos considerar dois conjuntos e
. Uma função é definida como sendo uma relação (ou regra) que
associa a todo elemento de um único elemento de .
Por exemplo, considere os conjuntos { } e { } e
seja uma função que associa todo elemento de a um único elemento
de , denotamos (lê-se: de em ), tal que , e .
No caso em que , dizemos que “o elemento é associado ao
elemento ” ou ainda podemos dizer que é a imagem de através
da função , e podemos denotar esta relação entre e por ( ) . De
outra maneira, podemos pensar que a função “transforma” o elemento
no elemento . Análogo à ( ) , temos ( ) e ( ) .
Note que os elementos são associados ao mesmo elemento
. O que devemos tomar cuidado é que, por exemplo, o elemento
só pode ser associado a um único elemento de (neste caso, ).
Caso tivéssemos ( ) e ( ) , isto implicaria que a relação não é
uma função.
Como tarefa, represente a função descrita acima por um
Diagrama de Venn.

15.1.1 Definição: Sejam e espaços vetoriais5. Uma

transformação linear é uma função de em , , tal que as
seguintes propriedades são satisfeitas:

5
Quando falarmos somente “tal conjunto é espaço vetorial”, já estamos assumindo
que este é um espaço vetorial sobre o corpo ( ).

267
 P1. ( ) ( ) ( ), quaisquer que sejam ;
P2. ( ) ( ), quaisquer que sejam e .

Exemplos:

01. Vamos mostrar que a função tal que ( ) é uma

aplicação linear.
Note que, neste caso os espaços vetoriais são e a função
transforma um número real em seu triplo , isto é, ( ).
Mostremos que é uma transformação linear. Para isto, devemos
mostrar que:
P1. Quaisquer que sejam , a propriedade ( ) ( )
( ) deve ser verificada. De fato:

( ) ( ) ( ) ( ) ( ) ( ) ( )

P2. Quaisquer que sejam e , a propriedade ( ) ( )

deve ser verificada. De fato:

( ) ( ) ( ) ( ) ( ) ( )

Como P1 e P2 são válidas, temos que é uma transformação

linear.

02. A aplicação definida por ( ) NÃO é uma aplicação

linear. Perceba que, tomando , tem-se:

( ) ( )

Por outro lado:

( ) ( )

268
Desta forma:

( ) ( ) ( )

( ) ( ) ( )

Ou seja, a propriedade P1 da definição não é satisfeita, o que já é

suficiente para concluir que não é uma aplicação linear.

03. Seja definida por ( ) ( ). Vamos mostrar

que é uma transformação linear.
Note que o conjunto de “partida” é o espaço vetorial , logo seus
vetores são da forma ( ), enquanto o conjunto de chegada é o
espaço vetorial com vetores da forma ( ).
Mostremos que é transformação linear:
P1. Sejam ( ) ( ) . Então:

( ) (( ) ( )) ( )

( ( ) ( ) ( ))

( ( ) ( ))

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( )

P2. Sejam e ( ) . Então:

( ) ( ( )) ( ) ( ( ) ) ( ( ) ( ))

269
 ( ) ( ) ( ) ( ) ( )

Como P1 e P2 são satisfeitas, temos que é uma transformação linear.

15.1.2 Consequência da Definição: Decorre da definição de

transformação linear que, sendo uma transformação linear, o
vetor nulo de é associado ao vetor nulo de . Em outras palavras, se
é transformação linear, a imagem do vetor nulo de através da
aplicação é o vetor nulo de , isto é, ( ) (usamos os índices
e em , somente para que fique mais fácil de visualizar que um dos
vetores é o vetor nulo do espaço vetorial e o outro é o vetor nulo do
espaço vetorial ).
Prova: Queremos mostrar que ( ) , ou seja, partimos de um
lado da igualdade e devemos chegar do outro lado. De fato:

( ) ( )

Como, por hipótese, é linear, ( ) ( ) ( ). Então:

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

Note que, ( ) e, como é espaço vetorial, sabe-se que existe

( ) tal que ( ) [ ( )] . Somando ( ) em (*):

( ) [ ( )] [ ( ) ( )] [ ( )]

( ) { ( ) [ ( )]} ( )

( )

270
 Portanto, temos o desejado, isto é, a igualdade destacada acima
nos diz que o vetor nulo de tem como imagem, através de linear, o
vetor nulo de .

IMPORTANTE: O resultado acima nos será muito útil para

concluir quais aplicações não são lineares, isto é, se for tal que
( ) , concluímos de imediato que não é uma aplicação linear.
Porém, se ocorrer ( ) , não podemos ainda afirmar que esta
transformação é linear, ainda teremos que verificar as propriedades P1 e
P2 da definição.
Exemplo:

Seja tal que ( ) ( ), esta aplicação não é uma

transformação linear, pois:

( ) ( ) ( ) ( ) ( )

Temos ( ) , ou seja, pelo resultado visto acima isto implica que

não é linear.

A seguir, veremos um resultado que nos auxiliará a detectar

transformações lineares. Digamos que este resultado “resume” as
propriedades P1 e P2 em apenas uma condição.

15.1.3 Proposição: Seja uma aplicação. é uma

transformação linear se, e somente se, ( ) ( ) ( ),
quaisquer que sejam e .
Prova: Devemos mostrar a “ida” e a “volta” do “se, e somente se”:
( ) Queremos provar que, se é linear, então vale a igualdade
( ) ( ) ( ). De fato, partimos do lado esquerdo da
igualdade ( ). Mas como é, por hipótese, linear, é válido
( ) ( ) ( ) e também, devido ao fato de que é linear, é
válido ( ) ( ). Então:

271
 ( ) ( ) ( ) ( ) ( )

( ) ( ) ( )

E temos o desejado.
(⇐) Queremos mostrar que, a igualdade ( ) ( ) ( ) é
válida, quaisquer que sejam e , então é uma
transformação linear. Em outras palavras, queremos provar que P1 e P2
da definição são válidas. De fato:
Se ( ) ( ) ( ) é válida para quaisquer e ,
podemos tomar, em particular, em ( ) ( ) ( ), isto é:

( ) ( ) ( ) ( ) ( ) ( )

Concluímos ( ) ( ) ( ), quaisquer que sejam ,

isto é, a propriedade P1 da definição é satisfeita.
Por outro lado, se ( ) ( ) ( ) é válida para quaisquer
e , podemos tomar, em particular, em ( )
( ) ( ), isto é:

( ) ( ) ( ) ( ) ( ) ( )

Concluímos que ( ) ( ), quaisquer que sejam e ,

isto é, a propriedade P2 da definição é satisfeita.
Portanto, como P1 e P2 são válidas, temos que é uma
transformação linear.

Exemplo:

A aplicação tal que ( ) ( ) ou ( ) ( ) é

uma transformação linear. Tomando ( ) ( ) e
, temos:
272
 ( ) ( ( ) ( )) (( ) ( ))

( ) ( ( ) )

( ( ) ( )) ( ( )) ( )

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( )

Como ( ) ( ) ( ), segue que é transformação linear.

No próximo exemplo, veremos que podemos associar a qualquer

transformação uma matriz de ordem .
Exemplos:

01. Sejam uma transformação linear e uma matriz

de modo é definida por ou ( ) , onde pode ser

tomado como [ ]e ( ) pode ser tomado como ( ) [ ].

Assim:

( ) [ ] [ ]

Segue das propriedades de operações com matrizes que, dados

e , tem-se:

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

273
Logo é transformação linear.

02. Tomando tal que ( ) ( ), como

identificar a matriz ? Note que [ ]e ( ) [ ], e observando a

lei de , temos:

( ) ( ) [ ] [ ] {

O sistema na forma matricial é:

[ ][ ] [ ]

Ora, podemos identificar [ ], desta forma a igualdade acima é

escrita como ( ), ou ainda, .

( ) [ ][ ]

15.2 RESULTADOS E CONCEITOS FUNDAMENTAIS DE

TRANSFORMAÇÕES LINEARES

Agora veremos uma série de resultados e algumas definições de

elementos presentes em transformações lineares.
O primeiro resultado nos diz que para determinar uma
transformação linear, basta saber como esta transformação “funciona”
nos elementos de uma base.

274
 15.2.1 Teorema: Sejam e espaços vetoriais, o conjunto
{ } uma base de e os vetores . Existe uma única
transformação linear tal que ( ) ( ) ( )
. Sendo , podemos escrever e a aplicação é
dada por ( ) ( ) ( ) ( )
.
Prova: Suponha que, além de existe outra aplicação
tal que ( ) ( ) (a ideia então é concluir que
( ) ( ) , para mostrar a unicidade de ).
Sendo , , pois { } é base de e,
além disso, os coeficientes são únicos.
Aplicando a função em , temos:

( ) ( ) ( ) ( ) ( ) ( )

( )

Temos por hipótese também que ( ) ( ), logo:

( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

Logo, para qualquer , temos ( ) ( ). Portanto,

concluímos que , e desta forma é única.

Exemplos:

01. Qual é a transformação linear tal que ( ) ( ) e

( ) ( )? Sabemos que ( ) ( ) formam uma

275
base para . Assim, tomando ( ) um vetor arbitrário, este
pode ser escrito como ( ) ( ) ( ) e, aplicando
nesta igualdade:

( ) ( ) ( ) ( ) ( ) ( )

Como ( ) ( )e ( ) ( ), temos:

( ) ( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( )

Portanto, de acordo com o resultado anterior, a transformação linear

procurada é ( ) ( ) e esta é a única que satisfaz as
“exigências” iniciais.

02. Qual é a transformação tal que ( ) ( )e ( )

( )? O conjunto {( )( )} é uma base para , logo conhecendo a
imagem de cada vetor desta base, conseguimos determinar a
transformação linear , de acordo com o teorema acima. Para isto,
tomemos ( ) que pode ser escrito como:

( ) ( ) ( ( )) ( ) ( )( )

( ) ( ) ( )( )

Aplicando na igualdade acima:

( ) ( ( ) ( )( )) ( ( )) (( )( ))

276
 ( ) ( ) ( ) ( ) ( )( )

( ) ( ) ( ) ( )

( ) ( )

15.2.2 Definição: Seja uma transformação linear. A

imagem de é o conjunto dos vetores tais que existe algum vetor
para o qual ( ) . Denotamos a imagem de por ( ), ou seja:

( ) { ( ) }

15.2.3 Definição: Seja uma transformação linear. O

conjunto dos vetores que são associados ao vetor é chamado
de núcleo de . Em outras palavras, o núcleo de é o conjunto dos
vetores tais que ( ) . Denotamos o núcleo de por ( ), ou
seja:

( ) { ( ) }

15.2.4 Consequências da Definição: Os conjuntos ( ) e

( ) são, respectivamente, subespaços de e .
Prova: Faça! 

Exemplos:

01. Seja tal que ( ) ou ( ) . Vamos

determinar o núcleo e a imagem de .
Por definição, ( ) { ( ) }. Tomando ( ) , temos:

( ) {( ) ( ) } {( ) }

277
 {( ) } {( ) } { ( ) } [( )]

( ) [( )]

Note que o núcleo de é o subespaço gerado por ( ) e ,

geometricamente, o núcleo de é o conjunto de vetores de que estão
sobre a reta . Observe:

Por definição, temos que ( ) { ( ) }. Tomando

( ) :

( ) { ( ) ( ) } { }

{ } {( ) } [ ]

( ) [ ]

Ou seja, a imagem de é o subespaço gerado pelo vetor .

278
02. Seja tal que ( ) ( ) ou ( ) ( ).
Temos que, o núcleo de é:

( ) {( ) ( ) ( )} {( ) ( ) ( )}

{( ) } {( ) }

{ ( ) } [( )] ( ) [( )]

Ou seja, o núcleo de é o subespaço de gerado por ( ). Além

disso, observe que ( ( )) .
A imagem de é:

( ) {( ) ( ) ( ) ( ) }

{( ) ( ) ( )} {( ) }

{( ) } {( ) ( ) }

{ ( ) ( ) } [( )( )] ( ) [( )( )]

Ou seja, ( ) é o subespaço gerado de por ( ) e ( ). Além

disso, observe que ( ( )) .

15.2.5 Definição: Seja uma função (não necessariamente

aplicação linear). é uma função injetora se dados tais que

279
 ( ) ( ) implica em . Ou equivalentemente, se dados tais
que , então ( ) ( ).
Em outras palavras, uma função é injetora, se dois
elementos com mesma imagem são iguais, ou equivalente a isso, a
função é injetora se quaisquer dois elementos distintos sempre
possuem imagens distintas.

15.2.6 Definição: Seja uma função (não necessariamente

aplicação linear). é uma função sobrejetora se ( ) .
Em outras palavras, dizemos que uma função é sobrejetora se o
conjunto imagem desta função coincidir com seu contradomínio, ou
ainda, é sobrejetora se ( ).

Exemplo:

Seja tal que ( ) ( ). Note que, se tomarmos tais

que ( ) ( ), temos:

( ) ( ) ( ) ( )

Como ( ) ( ) implicou , temos por definição que é injetora.

Vejamos que não é uma função sobrejetora. De fato:

( ) {( ) ( ) ( ) } {( ) ( ) ( )}

{( ) } {( ) } { ( ) } [( )]

( ) [( )]

Ou seja, a imagem de é o subespaço gerado por ( ) e este vetor

não gera , logo [( )] ( ). Logo ( ) , o que implica que
não é sobrejetora.

280
 A seguir, veremos um resultado que nos será muito útil para
identificar transformações lineares injetoras. O teorema diz,
basicamente, que uma condição necessária e suficiente para que uma
transformação linear seja injetora é que seu núcleo contém somente o
vetor nulo.

15.2.7 Teorema: Seja uma transformação linear.

( ) { } se, e somente se é injetora.
Prova: Devemos mostrar a dupla implicação.
( ) Queremos mostrar que se ( ) { }, então é injetora. Para
mostrar que é injetora, devemos concluir que, tomando tais
que ( ) ( ) isto implica em .
De fato, sejam tais que ( ) ( ), então:

( ) ( ) ( ) ( ) ( )

Como é linear, ( ) ( ) ( ) ( ) e também

( ) ( ) ( ). Voltando em (*):

( ) ( ) ( ) ( ) ( )

Mas, como ( ) (a imagem de é o vetor nulo), isto

implica que ( ). Porém, por hipótese, temos que ( ) { },
ou seja, o único vetor do núcleo é o vetor nulo, logo . Assim:

Ora, como ( ) ( ) implicou em , temos por definição que

é uma função injetora.
(⇐) Queremos mostrar que se é injetora, então ( ) { }, ou
seja, devemos mostrar que o único vetor do núcleo é o vetor nulo de .
Seja ( ), então por definição:

281
 ( ) ( )

Já foi visto que uma consequência da definição de transformação

linear é ( ) , isto é, a imagem do vetor nulo de é o vetor nulo de
. Voltando em (*), temos:

( ) ( ) ( ) ( )

Mas, por hipótese, temos que é injetora, logo a igualdade

( ) ( ) implica que . Portanto, tomando arbitrário em
( ), concluímos que , logo o único vetor do núcleo de é o vetor
nulo de . Assim ( ) { }, e temos o desejado.

Exemplo:

Voltando ao exemplo em que tal que ( ) ( ), vamos usar

o Teorema15.2.7 para mostrar que é injetora. Veja:

( ) { ( ) ( )} { ( ) ( )} { } { }

( ) { }

O próximo resultado relaciona a dimensão do núcleo e da imagem

de uma transformação linear com a dimensão do espaço vetorial
domínio.

15.2.8 Teorema: Se é uma transformação linear, A

seguinte relação é válida:

( ) ( )

Prova: Seja { } uma base de ( ) (isto quer dizer que

supomos ( ) ). Sabemos que ( ) , logo temos

282
{ } e, desta forma, podemos completar o conjunto { }
até que este seja uma base de .
Assim, considere , vetores tais que { }
seja uma base de (assim, teremos ).
Já foi visto em um resultado que se é uma transformação linear,
esta associa certa quantidade de vetores da base de à mesma
quantidade de vetores de , isto é, { ( ) ( )} . Vamos
mostrar que este conjunto { ( ) ( )} como vetores forma uma
base de ( ). Em outras palavras, queremos mostrar que:
i. ( ) [ ( ) ( )];
ii. { ( ) ( )} é LI.
Mostremos:
i. Queremos mostrar que todo vetor ( ) pode ser escrito
como combinação linear dos vetores de { ( ) ( )}. De fato, seja
( ), então existe tal que ( ) ( ). Como , este vetor
pode ser escrito como uma combinação linear dos vetores da base
{ } de , ou seja, .
Logo, reescrevemos (*):

( )

( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( )

Mas, como os são vetores de ( ), tem-se ( ) , logo (I)

fica:

( ) ( )

Qualquer que seja ( ), ou seja, qualquer vetor da imagem é

combinação linear de ( ) ( ), logo ( ) é o subespaço gerado
por ( ) ( ). Assim ( ) [ ( ) ( )].

283
 ii. Queremos mostrar que o conjunto { ( ) ( )} é LI. De
fato, tomemos a equação:

( ) ( ) ( ) ( )

( )

A igualdade acima, nos diz que o vetor é um

vetor de ( ), pois este tem como imagem o vetor nulo de . Logo,
como ( ), este vetor pode ser escrito como uma
combinação linear dos vetores da base { } de ( ), isto é:

A igualdade acima é uma combinação linear dos vetores de

{ } igual ao vetor nulo e sabe-se que o conjunto
{ } é uma base de , logo este conjunto é LI, e assim a
igualdade acima implica:

Desta forma, tomando ( ) ( ) , concluímos que

, logo, por definição, temos que { ( ) ( )} é LI.
Como i e ii são válidos, concluímos que { ( ) ( )} é uma
base de ( ), e este conjunto possui vetores, logo ( ) .
Portanto ( ) ( ) , que é o desejado.

15.2.9 Corolário: Seja uma transformação linear tal que

. A aplicação é injetora se, e somente se, é sobrejetora.
Prova: De fato:
( ) { } ( ) ( ) ( )

284
 ( ) ( ) ( )

15.2.10 Corolário: Seja uma transformação linear

injetora. Se , então leva uma base de em uma base de
.
Prova: Queremos mostrar que, se considerarmos { }, ao
aplicarmos aos vetores deste conjunto, o conjunto formado pelos
( ) será uma base para . De fato:
Seja { } base de . Façamos:

( ) ( ) ( )

Mas como { } é base, em particular é LI, logo

. Desta forma, a equação ( ) ( ) implicou
, ou seja, { ( ) ( )} é LI.
Como { ( ) ( )} é um conjunto LI com vetores e
, temos que { ( ) ( )} é base de .

15.2.11 Definição: Se é injetora e sobrejetora (bijetora)

dizemos que é um isomorfismo.
Se existe um isomorfismo de em dizemos que e são
espaços isomorfos.
Se é um isomorfismo (obviamente ), existe
uma única aplicação , que também é um isomorfismo. A
transformação recebe o nome de aplicação inversa de .
Exemplo:

285
Seja dada por ( ) ( ). Vamos mostrar que
é um isomorfismo e em seguida calcular .
Como , temos que , logo para mostrar que é
isomorfismo, basta mostrar que esta transformação é injetora, ou seja,
basta mostrar que ( ) {( )}. De fato:

( ) {( ) ( ) ( )}

{( ) ( ) ( )}

{( ) }

{( ) } {( )} ( ) {( )}

Portanto, é isomorfismo.
Como é injetora e , sabemos que leva uma base de
em uma base de . Tomando a base {( )( )( )}
de , o conjunto { ( ) ( ) ( )} será uma base de
.

( ) ( ) ( )

( ) ( ) ( )

( ) ( ) ( )

Logo {( )( )( )} é base de .
Agora calculamos a inversa de . Sabemos que ( )
( ), ( ) ( )e ( ) ( ), logo:

( ) ( )

( ) ( )

286
 ( ) ( )

Queremos calcular ( ), para isto tomemos ( ) , e

como {( )( )( )} é base de , escrevemos o vetor
( ) como combinação dos vetores desta base, isto é:

( ) ( ) ( ) ( )

Realizando os cálculos obtemos:

( ) ( ) ( ) ( )

Aplicando :

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

( ) ( )

Portanto a regra da transformação inversa de é

( ) ( ).

15.3 MATRIZES E TRANSFORMAÇÕES LINEARES

Já foi visto anteriormente, em um exemplo, que conseguíamos

associar uma matriz de ordem a uma transformação linear

287
 . Nesta seção, vamos formalizar este resultado para espaços
vetoriais quaisquer, conhecendo suas bases.
Exemplo:

Sejam , as bases {( )( )} e {( )( )} e a matriz

[ ]. Queremos determinar a transformação linear tal

que ( ) depende de , e .

Seja ( ) e tal que [ ] [ ] (ou seja, é a matriz das

coordenadas de em relação à base ), [ ][ ] [ ] [ ( )]

(ou seja, é a matriz das coordenadas de ( ) em relação à base ).

Como [ ( )] [ ], temos:

( ) ( ) ( ) ( ) ( ) ( )

( ) ( )

Se tivéssemos , teríamos [ ( )] [ ] [ ][ ] .

15.3.1 Transformação através da Matriz: De modo geral, fixamos

{ }, { } e a matriz [ ] ,

associamos tal que ( ), sendo [ ] [ ] a:

[ ] [ ][ ] [ ] [ ( )]

Então ( ) .

288
 Em geral, dada uma matriz , esta pode ser abordada como
uma aplicação linear em relação às bases canônicas de e
.
Exemplos:

01. Seja [ ] , {( )( )}, {( )( )( )} e

. Encontremos .

Seja [ ] [ ] , então:

[ ( )] [ ] [ ][ ] [ ]

[ ( )] [ ] ( ) ( )( ) ( )( )

( ) ( ) ( )

02. Agora, dada tal que ( ) ( ), como

encontrar a matriz tal que ( ) .
Aqui, as bases consideradas são {( )( )( )} e

{( )( )}. Tomando [ ] [ ], sabemos que:

( ) ( ) [ ( )] [ ] [ ][ ] [ ][ ]

[ ( )] [ ]

Logo [ ].

289
 Vamos generalizar este caso de encontrar a matriz, dada certa
transformação linear.

15.3.2 Matriz através da Transformação: Seja uma

transformação linear, { } base de e { } base de
. Os vetores ( ) ( ) são vetores de , logo:

( )

( )

A matriz transposta da matriz associada acima, denotada por

[ ] , é chamada de matriz de em relação às bases e .

[ ] [ ]

Então passa a ser a aplicação linear associada à matriz e bases

e , isto é, .
Exemplos:

01. Considere tal que ( ) ( ).

Sejam {( )( )( )} e {( )( )}. Queremos encontrar
[ ] . Calculamos nos elementos da base :

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( )

290
Logo a matriz transposta da matriz associada ao sistema é a matriz de
em relação às bases e :

[ ] [ ]

Perceba que, se mudarmos as bases, a matriz da transformação em

relação às bases também muda.

02. Seja tal que ( ) ( ). Mas agora,

considere {( )( )( )} e {( )( )}. Vamos encontrar
[ ] :

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

Logo [ ] [ ].

Observação: Se para tomarmos e como sendo as bases

canônicas de e , respectivamente, denotamos a matriz de em
relação à e simplesmente por [ ]. Isto é:

[ ] [ ]

03. Seja tal que ( ) , isto é, é a identidade. Sendo

{ }e { } bases de , temos:

( )

( )

291
Logo:

[ ] [ ] [ ]

Que é a matriz mudança de base de para .

04. Dadas as bases {( )( )} de e {( )( )( )}

de , encontremos cuja matriz é:

[ ] [ ]

Interpretando a matriz, temos:

( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( )

Logo ( ) ( )e ( ) ( ). Tomando ( ) , temos que

( ) ( ) ( )( ) e aplicando :

( ) ( ) ( ) ( ) ( ) ( )( )

( ) ( ) ( )

( ) ( )

15.3.3 Teorema: Sejam e espaços vetoriais, uma base de ,

uma base de e uma aplicação linear. Para todo vale:

[ ( )] [ ] [ ]

292
 Prova: Sejam { }, { },

[ ] [ ], [ ] [ ] e [ ( )] [ ].

Interpretando a matriz [ ] temos:

( )
( )

( )

Como , aplicamos linear na igualdade:

( ) ( ) ( ) ( )

( ) ( )
( )

( ) ( )

( ) ( ) ( )

[ ( )] [ ]

Mas, ainda temos [ ( )] [ ] e como as coordenadas em

relação à uma base são univocamente determinadas, temos:

293
 { ( )

E (*) na forma matricial:

[ ] [ ][ ] [ ( )] [ ] [ ]

Exemplo:

Seja tal que [ ] [ ], {( )( )} base de e

{( )( )( )} base de . Queremos determinar a imagem

do vetor ( ) através de . Para isto, escrevemos [ ] [ ] e

usando a notação do teorema:

[ ( )] [ ] [ ] [ ][ ] [ ]

[ ( )] [ ] ( ) ( ) ( ) ( ) ( )

15.3.4 Teorema: Sejam e aplicações lineares. A

transformação é uma aplicação linear. Além disso, se é
base de , é base de e é base de , temos:

[ ] [ ] [ ]

Observe que:

294
 i. base de e base de implicam que [ ] é a matriz de
em relação às bases e .
ii. base de e base de implicam que [ ] é a matriz de
em relação às bases e .
iii. base de e base de implicam que [ ] é a matriz de
em relação às bases e .

Exemplos:

01. Considere as transformações tal que ( ) ( ) e

tal que ( ) ( ). Note que , logo
podemos determinar a transformação composta .
Façamos:

( )( ) ( ( )) ( ) ( )

( )( ) ( )

Vamos observar as matrizes. Note que, considerando {( )( )}, e

( ) , isto é, [ ] [( )] [ ] temos:

[ ( )] [ ] [ ][ ] [ ] [( )]

Logo [ ] [ ] é a matriz de em relação à base . Temos também:

295
 [ ( )] [ ] [ ][ ] [ ] [( )]

Logo [ ] [ ] é a matriz de em relação à base .

O teorema nos diz que obtemos [ ] fazendo:

[ ] [ ] [ ] [ ][ ] [ ] [ ] [ ]

Veja que encontraremos a mesma matriz se analisarmos a

transformação ( )( ) ( ). Seja [ ] [( )] :

[( )( )] [ ] [ ][ ] [ ] [( )]

Logo [ ] [ ].

02. Sejam e cujas matrizes em relação às bases

{( )( )}, {( ) ( )( )} e {( )( )} são,

respectivamente:

[ ] [ ] [ ] [ ]

Queremos encontrar , ou seja, queremos ( )( ).

Segundo o teorema, temos que:

[ ] [ ] [ ] [ ][ ] [ ]

[ ] [ ]

296
Ainda temos que [( )( )] [ ] [ ] . Seja ( )

escrevendo este vetor na base , temos [ ] [ ], logo:

[( )( )] [ ] [ ] [ ][ ] [ ]

[( )( )] [ ] ( )( ) ( )( ) ( ) ( )

( )( ) ( )

15.3.5 Corolário: Seja uma transformação linear

invertível com e bases de e (logo a matriz de em relação à e
é [ ] ), respectivamente, então a matriz de tem em relação

à e é[ ] e:

[ ] ([ ] )

Prova: Para mostrar que a matriz [ ] é a inversa de [ ] , basta

mostrar que o produto entre elas é a identidade.

Note que [ ] é a matriz de em relação à e e[ ] é a matriz

de em relação à e . Note que tem, devido ao

Teorema 15.3.4, como matriz em relação à :

[ ] [ ] [ ] ( )

Mas [ ] [ ] é a identidade, e em (*):

[ ] [ ] [ ] [ ] ([ ] )

297
 15.3.6 Corolário: Seja uma transformação linear, e
bases de , e bases de , podemos relacionar as matrizes [ ] e

[ ] por:

[ ] [ ] [ ] [ ]

Onde [ ] é a matriz da transformação identidade em

relação às bases e , isto é, é a matriz mudança de base de para

e [ ] é a matriz da transformação identidade em relação às
bases e , isto é, é a matriz mudança de base de para .

Observe que, temos e , logo podemos fazer a

composição , mas também tem-se e fazemos a
composição . Desta forma:

[ ] [ ] ( )

Mas, pelo Teorema 16.3.4 [ ] [ ] [ ] [ ] [ ] [ ] e

voltando em (*):

[ ] [ ] [ ] [ ] [ ] [ ] [ ]

[ ] [ ] [ ] [ ]

298
 15.3.7 Caso Particular: Se tivéssemos transformação
linear e as bases e de , vejamos o que acontece:
Suponhamos que conhecemos [ ] , vejamos como determinar
[ ] .

Tratamos e como bases de ( )e e como bases de

( ). Temos o esquema:

Logo, tem a matriz [ ] , tem a matriz [ ] e a

composição terá a matriz [ ] [ ] [ ] , mas também

temos com matriz [ ] e fazendo a composição

temos a matriz [ ] [ ] [ ] [ ] [ ] [ ] . Logo:

[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] ( )

Mas, lembramos que as matrizes mudança de base de para e

mudança de base de para são inversas, isto é, [ ] ([ ] ) , logo (I)

fica:

[ ] [ ] [ ] [ ] [ ] [ ] ([ ] ) [ ] [ ] [ ] ([ ] )

299
 CAPÍTULO 16: AUTOVALORES E AUTOVETORES

16.1 INTRODUÇÃO

Agora, vamos considerar transformações lineares cujo conjunto

de partida e de chegada são um mesmo espaço vetorial , isto é,
consideramos transformações .
Quando estudávamos funções, sabíamos que os elementos
( ) tais que ( ) eram chamados de pontos fixos do domínio da
função. Analogamente, considerando uma transformação linear,
os vetores ( ) tais que ( ) são chamados de vetores fixos
de .
Exemplos:

01. Seja tal que ( ) ( ) a aplicação identidade. Neste

caso, todo vetor é associado a ele mesmo, isto é, qualquer que
seja ( ) , tem-se ( ) ( ).

02. Seja tal que ( ) ( ), ou na forma matricial,

[ ] [ ] [ ]. Quais são os vetores de tais que ( ) ( )?

Vejamos:

( ) ( ) ( ) ( ) {

Isto é, todo vetor da forma ( ) é levado nele mesmo e,

geometricamente, estes são os vetores que estão sobre o eixo .

Agora, vamos considerar o seguinte caso: sendo , quais

são os vetores ( ) tais que é levado em algum de seus
múltiplos, isto é, quais são os vetores tais que ( ) .

300
Observe que os vetores e ( ) serão de mesma direção, o sentido
depende dos valores do escalar e, ainda, estes vetores estão sobre
uma mesma reta suporte.
Resumidamente, estamos procurando um vetor e um escalar
tais que:

( ) ( )

Note que, satisfaz (*), qualquer que seja , portanto estamos

interessados somente nos vetores .
Em (*), o escalar é chamado de autovalor de e o vetor
é o autovetor de associado ao autovalor .
Em seguida, vamos nos referir às transformações lineares
como sendo operador linear.

16.1.1 Definição: Seja um operador linear. Se existirem

e tais que ( ) , é um autovalor de e é um
autovetor de associado a .

Observação: pode ser nulo. A única restrição que temos é que .

Exemplos:

01. Seja tal que ( ) ou ( ) ( ). Na forma

matricial ( ) [ ] [ ].

Note que, se , é um autovalor de e qualquer ( ) ( ) é

autovetor de associado ao autovalor . Geometricamente.

301
02. Em geral, se é dada por ( ) tem como
autovalor e qualquer ( ) ( ) é autovetor de associado a ,
pois ( ) é sempre um vetor de mesma direção de .
Nesta transformação, temos os seguintes casos:
i. Se , é a identidade;
ii. Se | | , contrai o vetor ;
iii. Se | | , dilata o vetor ;
iv. Se , inverte o sentido de .

03. Seja [ ], então é dada por ( ) , isto é:

( ) [ ][ ] [ ] ( ) ( )

Para procurar os autovalores e autovetores de fazemos ( ) , ou

ainda:

( ) ( ) ( ) ( ) [ ] [ ] [ ]

Então, obtemos:

302
 {

Consideramos dois casos: i) e ii) .

i. Se , da segunda equação temos . Tomando

na primeira equação:

Logo, para temos vetores da forma ( ) , ou seja, qualquer

vetor da forma ( ) é autovetor de associado ao autovalor
. Em outras palavras:

( ) ( )

Geometricamente, os autovetores de associados ao autovalor são

todos os vetores não nulos que estão sobre a reta . Logo, todos
os vetores de que estão sobre a reta são “transformados”
por em vetores de mesma direção.
ii. Se , deve ocorrer (pois se , teríamos ( ) ( )) e, da

primeira equação, temos .

Portanto, qualquer vetor da forma ( ) é autovetor de associado

ao autovalor . Em outras palavras.

( ) ( )

Geometricamente, os autovetores de associados ao autovalor são

todos os vetores não nulos que estão sobre a reta , isto é, são os
vetores não nulos sobre o eixo . Logo, todos os vetores de que estão
sobre o eixo são “transformados” por em vetores de mesma direção.

303
 16.1.2 Teorema: Dada transformação linear e um
autovetor de associado ao autovalor de . Qualquer vetor
ainda é autovetor de associado a .
Prova: Para mostrar que é autovetor de associado a ,
devemos mostrar que ( ) . De fato, como , temos:

( ) ( ) ( )

Como é linear, ( ) ( ), logo (I) fica:

( ) ( ) ( ) ( )

Como, por hipótese, é autovetor de associado a , temos

( ) e substituindo em (II):

( ) ( ) ( ) ( ) ( )

Logo, é autovetor de associado a .

16.1.3 Definição: Sendo transformação linear e

autovetor de associado ao autovalor . O conjunto formado pelos
autovetores de associados ao autovalor e o vetor nulo de é um
subespaço vetorial de (mostre). Denotamos este subespaço por:

{ ( ) }

Chamamos o subespaço de subespaço associado ao autovalor .

Observação: Para mostrar que é subespaço de , basta mostrar que:

i. Para quaisquer , tem-se ;
ii. Para qualquer e , tem-se .

304
16.2 AUTOVALORES E AUTOVETORES DE UMA MATRIZ

O método que estávamos usando para determinar autovalores e

autovetores era um tanto quanto “incerto”, pois dependendo da
transformação, fica muito difícil identificar quais são os valores de e
consequentemente os autovetores. Porém, nosso trabalho pode ser mais
efetivo utilizando matrizes associadas as transformações.
Dada uma matriz (quadrada, de ordem ), estaremos nos
referindo a autovalor e autovetor de como sendo o autovalor e
autovetor da transformação linear associada à matriz em
relação à base canônica, isto é, ( ) .
Desta forma, para encontrar autovalores e autovetores
de , devemos determinar e que satisfaçam a equação:

Caso tenhamos e fixada uma base , veremos que para

determinar os autovalores e autovetores de basta determinar os
autovalores e autovetores da matriz [ ] .

16.2.1 Polinômio Característico: Consideramos a equação

matricial e sejam [ ] e [ ]. Já vimos

que, para determinar os autovalores e autovetores de , devemos

resolver a equação:

( )

305
 ([ ] [ ]) [ ] [ ]

([ ] [ ]) [ ] [ ]

[ ][ ] [ ]

Como este sistema é homogêneo, se o determinante da matriz dos

coeficientes [ ] for diferente de zero, a única

solução para o sistema será a solução trivial [ ] [ ], ou seja, a

solução é o vetor nulo e como estamos procurando autovetores,

precisamos determinar vetores não nulos. Assim, deve ocorrer que o
determinante da matriz dos coeficientes deve ser zero (pois, o
determinante igual a zero, nos diz que uma linha é combinação linear
das demais, isto é, o sistema terá mais incógnitas do que equações, o
que implica que este possui infinitas soluções):

[ ]

( )

Observe que ( ) é um polinômio de grau em , isto é,

306
 ( ) ( ) | |

Chamamos de polinômio característico da matriz .

Logo, para determinar os autovalores da matriz , basta
determinar as raízes do polinômio característico, pois, determinar
tal que é equivalente a determinar tal que ( ) .
Exemplos:

01. Sendo [ ], queremos determinar e tais que

. De acordo com o que foi visto anteriormente, devemos calcular

tal que:

( ) ( )

Sendo [ ], temos:

[ ] [ ] [ ] [ ]

[ ] [ ]

Logo ( ) ( ) se, e somente se:

| |

307
 ( )( )( ) ( )( ( ))

( )( )( ) ( ) ( )[( )( ) ]

( )( )

Das informações acima, já temos que um autovalor é , mas ainda

falta analisar ( )( ) . Então:

( )( )

√
{

Logo, as raízes de são, e . Assim, os autovalores de

são e . Conhecendo os autovalores, conseguimos determinar
os autovetores correspondentes. Resolvendo a equação para:

i. , tomando [ ] temos:

[ ][ ] [ ] [ ][ ] [ ]

{ {

Substituindo em tem-se . Logo os autovetores

associados ao autovalor são os vetores ( ) tais que
e , isto é, ( ) . Logo:

{( ) } { ( ) } [( )] [( )]

308
O subespaço associado ao autovalor é o subespaço gerado por
( ).

ii. , tomando [ ] temos:

[ ][ ] [ ] [ ][ ] [ ]

{ {

Da primeira e da segunda equação, nota-se que e da terceira,

. Logo, os autovetores de associados ao autovalor são os vetores
( ) tais que , e , isto é, ( )
. Logo:

{( ) } { ( ) } [( )]

[( )]

O subespaço asociado ao autovalor é o subespaço gerado por

( ).

02. Seja [ ], vamos determinar os autovalores de .

Primeiramente, vamos determinar o polinômio característico que é

( ) ( ). Para isto:

[ ] [ ] [ ] [ ]

Logo:

309
 ( ) ( ) [ ] | |

( )( )

( )

Sabemos que os autovalores de serão as raízes de , assim:

√
( )

As raízes de são e . Então os autovalores de serão e .

Agora, procuramos os autovetores associados a estes autovalores, para
isto, devemos resolver a equação para:

i. e tomando [ ]:

[ ][ ] [ ] { {

Das duas equações, temos e, portanto, os vetores associados ao

autovalor são os vetores ( ) tais que e , ou seja,
temos que ( ) . Logo:

{( ) } { ( ) } [( )]

[( )]

ii. e tomando [ ]:

[ ][ ] [ ] [ ] [ ][ ] [ ]

310
 { {

Em ambas as equações e, portanto, os autovetores associados ao

autovalor são os vetores ( ) , ou seja,
( ) . Logo:

{( ) } { ( ) } [( )]

[( )]

Observe geometricamente:

03. Seja [√ ], vamos determinar os autovalores de .

√

( ) ( ) ([√ ] [ ]) [√ ]
√ √

|√ | (√ ) √
√

311
 ( ) √

Note que o polinômio característico não admite raiz real, ou seja, não
existe tal que ( ) , logo a matriz não admite autovalores.
Consequentemente, a transformação linear associada à matriz não
admite autovalores nem autovetores, logo qualquer vetor é tal que
( ) . Geometricamente, não preserva a direção de nenhum vetor.

Observação: Devido ao fato de estarmos considerando somente espaços

vetoriais reais, concluímos que a transformação associada a matriz
acima não possui autovalores nem autovetores. Porém, se estivéssemos
trabalhando com espaços vetoriais sobre o corpo , qualquer polinômio
admite raízes complexas, logo os autovalores seriam complexos, e
assim toda transformação de um espaço vetorial complexo admite
autovalores e autovetores.

Em seguida, vamos determinar o polinômio característico de uma

transformação linear, isto é, basta associar a tal transformação linear
sua representação matricial.

16.2.2 Polinômio Característico de uma Transformação: Seja

uma transformação linear e uma base de . Já foi visto
anteriormente que uma transformação linear pode ser escrita por
[ ( )] [ ] [ ] , logo:

[ ( )] [ ] [ ] [ ] [ ] [ ] [ ] [ ]

([ ] )[ ]

([ ] )

A última igualdade vem do fato de que ( ) onde é o

polinômio característico da matriz [ ] e este é chamado de polinômio

312
característico da transformação linear e as raízes deste polinômio
serão os autovalores de .
Para determinar um autovetor de correspondente ao autovalor
basta resolver a equação [ ( )] [ ] ou, equivalentemente, [ ] [ ]

[ ] .
Veremos que o polinômio característico de uma transformação é o
mesmo, independente da base considerada. De fato, seja outra base,
sabemos que se [ ] é a matriz de em relação à base e se [ ] é a

matriz de em relação à base estas matrizes se relacionam da

seguinte maneira:

[ ] [ ] [ ] ([ ] )

Assim:

([ ] ) ([ ] [ ] ([ ] ) [ ] ([ ] ) )

([ ] ([ ] ) ([ ] ) ) [ ] ([ ] ) ([ ] )

([ ] )[ [ ] ([ ] ) ] ([ ] ) ([ ] )

([ ] ) ([ ] ) ( )

Ou seja, o polinômio característico é o mesmo para ambas as

matrizes.
Exemplos:

01. Seja definida por ( ) ( ), vamos

procurar os autovalores e autovetores de . Note que a matriz de em
relação à base canônica é:

313
 [ ] [ ]

Para determinar os autovalores de , basta determinar os autovalores da

matriz [ ] , isto é, devemos encontrar as raízes do polinômio
característico ( ) ([ ] ). Veja que:

( ) ([ ] ) ([ ]) | |

( )( )

( )

Agora, os autovalores serão os valores de tais que:

√
( )

Agora, para os autovalores acima, devemos resolver a equação ( )

[ ( )] [ ] [ ] [ ] [ ] e como é base canônica,

tomando ( ) temos [ ] [ ], assim [ ] [ ] [ ] ( ).

Agora, resolvemos (*) para:

i. :

[ ] [ ] [ ] [ ][ ] [ ] { {

Das duas equações temos que , logo os autovetores de associados

ao autovalor são os vetores ( ) , isto é, os

314
autovalores de associados a são os vetores da forma ( ) .
Logo:

{( ) } { ( ) } [( )]

ii. :

[ ] [ ] [ ] [ ][ ] [ ] [ ] {

Das duas equações obtemos , logo os autovalores de associados

ao autovalor são os vetores ( ) tais que e , isto é,
são os vetores da forma ( ) . Logo:

{( ) } { ( ) } [( )]

16.2.3 Multiplicidade de um Autovalor: A multiplicidade de um

autovalor de uma matriz (ou transformação) coincide com a
multiplicidade da raiz correspondente do polinômio característico desta
matriz ( ou transformação).

315
 CAPÍTULO 17: PRODUTO INTERNO

17.1 INTRODUÇÃO

Neste capítulo, estudaremos conceitos de comprimento e ângulo

entre vetores.
Anteriormente, definimos na Geometria Analítica o produto
escalar entre vetores. Com o produto escalar ainda podíamos
determinar medida angular e calcular a norma de vetores do plano e do
espaço. A partir daqui, vamos generalizar estas ideias para vetores de
qualquer “natureza”.

17.1.1 Definição: Seja um espaço vetorial real. Definimos um

produto interno sobre o espaço vetorial como sendo uma função
〈〉 que a cada par de vetores associa um número real
denotado por 〈 〉, isto é, ( ) 〈 〉, satisfazendo:
P1. 〈 〉 ;
P2. 〈 〉 ;
P3. 〈 〉 〈 〉 ;
P4. 〈 〉 〈 〉 〈 〉 ;
P5. 〈 〉 〈 〉 .

17.1.1.2 Interpretando cada propriedade: Caso você tenha

dificuldade para interpretar cada propriedade, seguem as explicações:
P1 nos diz que o produto interno de qualquer vetor por si mesmo
sempre será um número real positivo.
P2 nos diz que se o produto interno de um vetor nulo por si
mesmo será igual à zero.
P3 nos diz que o produto interno de um vetor obtido de uma
multiplicação por escalar por outro vetor é igual ao produto (usual
em ) de pelo número 〈 〉.

316
 P4 nos diz que o produto interno entre um vetor soma e
um vetor é igual à soma do produto interno entre e e do
produto interno entre e .
P5 nos diz que podemos comutar o produto interno, ou seja, a
ordem do produto interno não importa.
Exemplos:

01. Considere o espaço vetorial . Definimos um produto interno

em como sendo o produto escalar usual, visto em geometria
analítica, isto é, sendo ( ) ( ) , temos:

〈 〉

Passamos a chamar este produto escalar de produto interno usual do .

Vejamos que, de fato, este é um produto interno. Para isto, devemos
provar que as 5 propriedades da definição são satisfeitas. Então:
P1. Seja ( ) não nulo. Temos:

〈 〉 〈( )( )〉 〈 〉

P2. Seja ( ) o vetor nulo de . Temos:

〈 〉 〈( )( )〉 〈 〉

P3. Sejam e ( ) ( ) . Temos:

〈 〉 〈 ( )( )〉 〈( )( )〉

( ) 〈 〉

〈 〉 〈 〉

317
P4. Sejam ( ) ( ) ( ) . Temos:

〈 〉 〈( ) ( )( )〉

〈( )( )〉

( ) ( ) ( )

( ) ( ) 〈 〉 〈 〉

〈 〉 〈 〉 〈 〉

P5. Sejam ( ) ( ) . Temos:

〈 〉 〈( )( 〉

〈 〉 〈 〉 〈 〉

02. De modo análogo define-se o produto interno usual no , isto é,

sendo ( ) ( ) definimos:

〈 〉

Usamos o produto interno para definir os conceitos de

perpendicularidade ou ortogonalidade entre vetores.

17.1.2 Definição: Seja um espaço vetorial com produto interno

〈 〉. Dizemos que os vetores são ortogonais em relação ao
produto interno 〈 〉 se 〈 〉 . Denotamos a ortogonalidade entre e
por .

318
 17.1.2.1 Propriedades: Seja um espaço vetorial com produto
interno 〈 〉, as seguintes propriedades são válidas para a ortogonalidade:
i. ;
ii. ;
iii. Se , então ;
iv. Se e , então ;
v. Se , então .
Prova: Para demonstrar cada propriedade, basta usar a definição
de ortogonalidade e as propriedades de definição.
i. Note que 〈 〉 〈 〉 〈 〉 〈 〉 .

ii. 〈 〉 ⇔ 〈 〉 .
iii. Sabe-se que , mas por i acima, o único vetor que é
ortogonal a todo vetor é , logo .
iv. Note que 〈 〉 〈 〉 〈 〉, mas por hipótese e
, logo 〈 〉 〈 〉 〈 〉 〈 〉 , o
que equivale a .
v. Note que 〈 〉 〈 〉, mas por hipótese , logo 〈 〉
〈 〉 〈 〉 , o que equivale a .

17.1.3 Teorema: Considerando um espaço vetorial, se

{ } um conjunto de vetores não nulos, dois a dois ortogonais,
isto é, 〈 〉 , então { } é LI.
Prova: Para mostrar que { } é LI, devemos mostrar que a
equação implica em . De fato, tomemos
e
façamos o produto interno dos dois membros da igualdade (que são
vetores iguais) por algum dos de { }:

〈 〉 〈 〉

319
 Usando as propriedades da definição de produto interno (observe
que 〈 〉 , pois o vetor nulo é ortogonal a qualquer vetor):

〈 〉 〈 〉 〈 〉 〈 〉 〈 〉

〈 〉 〈 〉 〈 〉 〈 〉 〈 〉

Agora, note que em todos os produtos 〈 〉 obtém-se

〈 〉 , uma vez que os vetores de { } são dois a dois
ortogonais, logo reescrevemos a igualdade acima:

〈 〉

〈 〉

Como , temos que 〈 〉 , logo a única possibilidade que

torna a igualdade acima válida é .
Perceba que este processo pode ser repetido para e
assim cada coeficiente da equação será nulo, ou seja,
o conjunto { } de vetores não nulos, dois a dois ortogonais, é LI.

Lembre-se que, na geometria analítica, tudo ficava muito mais

simples quando trabalhávamos com a base canônica {⃗ ⃗ ⃗⃗ } e isto vem do
fato de que os vetores desta base são dois a dois ortogonais.
A seguir veremos que, para espaços vetoriais quaisquer, é possível
trabalhar com bases tão simples quanto a base canônica do

17.1.4 Definição: Seja um espaço vetorial e { }

uma base de . Diremos que é uma base ortogonal se 〈 〉 ,
isto é, se seus vetores são dois a dois ortogonais.

320
 17.2 COEFICIENTES DE FOURIER

Sendo base ortogonal de um espaço vetorial , veremos uma

técnica para encontrar coordenadas de vetores de em relação à .
Seja um espaço vetorial com produto interno 〈 〉, { }
uma base ortogonal de e um vetor qualquer. Vamos calcular as
coordenadas de em relação à base , isto é, devemos determinar
tais que . Vejamos como
determinar a coordenada de em relação à , isto é, vamos
determinar . Para isto, fazemos o produto interno dos dois membros
de por :

〈 〉 〈 〉

〈 〉 〈 〉 〈 〉 〈 〉 〈 〉

〈 〉
〈 〉 〈 〉
〈 〉

Assim, obtemos a coordenada de , em relação à base

ortogonal , tomando o quociente entre o produto interno de pelo
vetor da base e o produto interno do vetor da
〈 〉
base por si mesmo. Chamamos a coordenada 〈 〉
de coeficiente de

Fourier de em relação .
Exemplo:

Seja com seu produto interno usual e {( )( )} base de .

Note que é uma base ortogonal, pois:

〈( )( )〉 ( ) ( )

321
Vamos determinar as coordenadas do vetor ( ) em relação à ,
isto é, vamos determinar tais que ( ) ( ) ( ). Para
isto, façamos o produto interno dos vetores de em ambos os membros
de ( ) ( ) ( ):
Por ( ), temos:
〈( )( )〉 〈 ( ) ( )( )〉 〈( )( )〉 〈( )( )〉

〈( )( )〉 〈( )( )〉 〈( )( )〉 〈( )( )〉

〈( )( )〉
〈( )( )〉

Por ( ), temos:

〈( )( )〉 〈 ( ) ( )( )〉

〈( )( )〉 〈( )( )〉 〈( )( )〉

〈( )( )〉 〈( )( )〉 〈( )( )〉

〈( )( )〉
〈( )( )〉

Assim, escrevemos [( )] [ ].

Perceba que o coeficiente de Fourier de ( ) em relação à ( )é e em

relação à ( )é .

17.3 NORMA

322
 Como já foi visto, em alguns espaços vetoriais, não conseguimos
descrever geometricamente seus vetores. Assim, como podemos falar de
norma (comprimento) de vetores sem uma representação geométrica?
Veremos a seguir que, a partir de um produto interno podemos definir
norma de vetores, independente de sua natureza.

17.3.1 Definição: Seja um espaço vetorial com produto interno

〈 〉. Definimos a norma (ou comprimento) de um vetor em relação
ao produto interno 〈 〉 como sendo ‖ ‖ √〈 〉.
Quando 〈 〉 , dizemos que é um vetor unitário.
A partir de qualquer vetor , não nulo, podemos determinar o
vetor unitário ‖ ‖
, chamado de versor de . Note que, de fato, o

vetor é unitário, pois:

‖ ‖
‖ ‖ ‖ ‖ | |‖ ‖ ‖ ‖
‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖

Exemplos:

01. Seja e 〈 〉 o produto interno usual de , então se

considerarmos ( ) , a norma deste vetor é dada por:

‖ ‖ √〈 〉 √〈( )( )〉 √ ‖ ‖ √

Tomando ( ) , vamos determinar a norma deste vetor:

‖ ‖ √〈 〉 √〈( )( )〉 √( ) ( ) ( ) √

√ ‖ ‖ √

Note que, como ‖ ‖ √ , não é um vetor unitário. Porém, foi visto

que podemos determinar, a partir de , um vetor unitário, veja:

323
 ( ) ( ) ( )
‖ ‖ √ √ √ √ √ √ √

Veja que é unitário, pois:

‖ ‖ √( ) ( ) ( ) √ √ √ √
√ √ √

‖ ‖

17.3.1.1 Propriedades: Seja um espaço vetorial com produto

interno 〈 〉, as seguintes propriedades são válidas:
i. ‖ ‖ ;
ii. ‖ ‖ ;
iii. ‖ ‖ | |‖ ‖ ;
iv. |〈 〉| ‖ ‖‖ ‖ (Desigualdade de Schwarz);
v. ‖ ‖ ‖ ‖ ‖ ‖ (Desigualdade Triangular).
Prova: De fato:
i e ii. Por definição, ‖ ‖ √〈 〉 e já foi visto que 〈 〉
e caso tem-se 〈 〉 . Assim, provamos i e ii.
iii. Por definição, ‖ ‖ √〈 〉 ( ) Mas já foi visto em
propriedades anteriores que 〈 〉 〈 〉 〈 〉 e usando
esta propriedade em (*):

‖ ‖ √〈 〉 √ 〈 〉 √ √〈 〉 | |‖ ‖ ‖ ‖ | |‖ ‖

iv. Note que, se ou (pode ser também ) temos

〈 〉 ‖ ‖‖ ‖ e vale a igualdade 〈 〉 ‖ ‖‖ ‖.
Suponha agora e , para qualquer sabemos que
〈 〉 , isto é:

324
 〈 〉 〈 〉 〈 〉

〈 〉 〈 〉 〈 〉 〈 〉

〈 〉 〈 〉 〈 〉 〈 〉

〈 〉 〈 〉 〈 〉

Temos então um trinômio de grau 2 que deve ser positivo,

qualquer que seja . Note que o coeficiente 〈 〉 de é sempre
positivo, qualquer que seja , isto é, 〈 〉 . Se pensarmos na
função positiva ( ) 〈 〉 〈 〉 〈 〉, com 〈 〉 , 〈 〉
indica que o gráfico desta função terá concavidade para cima e como
esta deve ser positiva, seu gráfico deve estar localizado acima do eixo ,
ou seja, o discriminante deve ser negativo ou nulo (não existência de
raízes reais ou duas raízes coincidentes). Logo:

( 〈 〉) 〈 〉〈 〉 〈 〉 〈 〉〈 〉

〈 〉 〈 〉〈 〉 〈 〉 ‖ ‖ ‖ ‖

〈 〉 (‖ ‖‖ ‖) √〈 〉 √(‖ ‖‖ ‖) |〈 〉| ‖ ‖‖ ‖

v. Queremos mostrar que ‖ ‖ ‖ ‖ ‖ ‖. Vamos separar em

casos:
a) Se , temos ‖ ‖ , logo:

‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖ ‖

A igualdade é válida e, além disso, se tivéssemos e também

, ainda seria válida a igualdade.
b) Se e , façamos:

325
 ‖ ‖ (√〈 〉) 〈 〉 〈 〉 〈 〉

〈 〉 〈 〉 〈 〉 〈 〉 ‖ ‖ 〈 〉 ‖ ‖

‖ ‖ ‖ ‖ 〈 〉 ‖ ‖ ( )

Lembrando que | | (um número real sempre é menor

ou igual ao seu valor absoluto), assim 〈 〉 |〈 〉|. Mas, pela
desigualdade de Schwarz ainda sabe-se que |〈 〉| ‖ ‖‖ ‖, portanto:

〈 〉 |〈 〉| ‖ ‖‖ ‖ 〈 〉 ‖ ‖‖ ‖ 〈 〉 ‖ ‖‖ ‖ ( )

Voltando em (*) e usando (**):

‖ ‖ ‖ ‖ 〈 〉 ‖ ‖ ‖ ‖ ‖ ‖‖ ‖ ‖ ‖ (‖ ‖ ‖ ‖)

‖ ‖ (‖ ‖ ‖ ‖) √‖ ‖ √(‖ ‖ ‖ ‖)

|‖ ‖| |‖ ‖ ‖ ‖| ‖ ‖ ‖ ‖ ‖ ‖

17.4 ÂNGULO ENTRE VETORES

Usando os conceitos vistos até aqui, vamos determinar o ângulo

entre dois vetores quaisquer, independendo de sua natureza.
Para definir ângulo entre dois vetores, vamos considerar um
espaço vetorial munido de um produto interno. Considere
vetores não nulos, então a desigualdade de Schwarz pode ser
manipulada da seguinte maneira:

|〈 〉| |〈 〉|
|〈 〉| ‖ ‖‖ ‖ | | ( )
‖ ‖‖ ‖ ‖ ‖‖ ‖

326
 Agora lembremos que [ ] tem-se | | , ou seja,
considerando desigualdade (I), existe um ângulo [ ] tal que
〈 〉
‖ ‖‖ ‖
. Desta forma:

〈 〉
‖ ‖‖ ‖

Assim, definimos ( ).
Note que, da maneira como o ângulo foi definido, podemos falar
naturalmente das noções de ortogonalidade, pois se 〈 〉 temos
, isto é, .

Exemplo:

Considere ( ) com o produto interno:

⟨[ ] [ ]⟩

Vamos calcular o ângulo entre os vetores [ ] [ ]

( ). Por definição, temos:

〈 〉
( ) ( )
‖ ‖‖ ‖

Calculemos separadamente cada valor de (*) e depois voltamos nesta

equação.
Calculando 〈 〉:

〈 〉 ⟨[ ] [ ]⟩ ( ) ( ( ))

〈 〉 ( )

327
Calculando ‖ ‖:

‖ ‖ √〈 〉

‖[ ]‖ √⟨[ ] [ ]⟩ √ ( ) ( )

√ √ ‖[ ]‖

‖ ‖ ( )

Calculando ‖ ‖:

‖ ‖ √〈 〉

‖[ ]‖ √⟨[ ] [ ]⟩ √ ( ) ( )

√ √ ‖[ ]‖ √

‖ ‖ √ ( )

Substituindo (I), (II) e (III) em (*):

〈 〉
( ) ( )
‖ ‖‖ ‖ √ √

17.4.1 Definição: Seja um espaço vetorial com produto interno

〈〉 e { } uma base de . Diz-se que é uma base
ortonormal se for ortogonal e cada um de seus vetores for unitário,
isto é, é ortonormal se:

328
 〈 〉 {

Observe que, se { } é base de temos que pode

ser escrito como , se for ortonormal, cada
coordenada é dada por:

〈 〉 〈 〉
〈 〉 〈 〉
〈 〉

Exemplo:

Seja e { } a base canônica, isto é, ( ) e ( ).

Note que é uma base ortonormal, logo se escrevemos:

( )

Mas 〈 〉e 〈 〉 e em (*) temos:

〈 〉
〈 〉 〈 〉 [ ] [ ]
〈 〉

17.5 PROCESSO DE ORTONORMALIZAÇÃO DE GRAM-SCHMIDT

Considerando uma base qualquer de um espaço vetorial, veremos

que existe um processo para encontrar uma base ortonormal a partir
desta base dada.
Antes de iniciarmos o processo de ortogonalização de Gram-
Schmidt, veremos alguns conceitos e resultados necessários para sua
determinação.

329
 15.5.1 Definição: Seja um espaço vetorial com produto interno
〈〉e { } um subconjunto de . Dizemos que é um conjunto
ortonormal se seus vetores são dois a dois ortogonais (
〈 〉 ) e todos unitários (‖ ‖ ).
Em outras palavras:

〈 〉 {

Note que, no caso temos 〈 〉 ‖ ‖ ‖ ‖ √

‖ ‖ e esta é a condição de que qualquer vetor do conjunto é
unitário.

Exemplo:

Considerando o espaço vetorial e seu produto interno usual, vamos

mostrar que o conjunto {( )( )} é ortonormal. Chamemos os
vetores de de ( )e ( ), então:

〈 〉 〈( )( )〉 〈 〉

‖ ‖ √〈 〉 √〈( )( )〉 √ ‖ ‖

‖ ‖ √〈 〉 √〈( )( )〉 √ ‖ ‖

Como e são unitários ortogonais entre si, por definição o conjunto

é ortonormal. Note que:

〈 〉 ‖ ‖
〈 〉 {
〈 〉

15.5.2 Proposição: Seja um espaço vetorial com produto interno

〈 〉. Todo subconjunto ortogonal de é necessariamente LI.

330
 Prova: Seja { } um conjunto ortogonal. Queremos
mostrar que é LI, isto é, devemos mostrar que:

Tomemos e façamos o produto

interno de em ambos os membros da igualdade, isto é:

〈 〉 〈 〉

〈 〉 〈 〉 〈 〉

〈 〉

Como implicou em , podemos repetir este

procedimento para e assim obtemos que ,
ou seja, { } é LI.

15.5.3 Proposição: Seja { } um subconjunto ortonormal

do espaço vetorial com produto interno 〈 〉. Então, para qualquer ,
o vetor 〈 〉 〈 〉 〈 〉 é ortogonal a todo vetor
do subespaço gerado pelos vetores de ([ ]).
Prova: Note que, para mostrar que é ortogonal a todo vetor do
subespaço gerado [ ], basta mostrar que é ortogonal a qualquer
combinação linear de .
Resumindo: Tomando [ ], devemos
mostrar que 〈 〉 .
Antes disso, vamos “conferir” que é ortogonal a cada um dos
. Veja:

〈 〉 〈 〈 〉 〈 〉 〈 〉 〈 〉 〉

〈 〉 〈 〉〈 〉 〈 〉〈 〉 〈 〉〈 〉 〈 〉〈 〉

331
 〈 〉 〈 〉 〈 〉 〈 〉 〈 〉

〈 〉 〈 〉 〈 〉

Podemos repetir este processo para e concluímos que

. Assim, é ortogonal a qualquer vetor de .
Agora, mostremos que é ortogonal a qualquer combinação linear
dos . Tomando [ ] (o mesmo vetor descrito acima) temos:

〈 〉 〈 〈 〉 〈 〉 〉

〈 〉 〈 〉 〈 〉〈 〉 〈 〉〈 〉
〈 〉〈 〉 〈 〉〈 〉

〈 〉 〈 〉 〈 〉 〈 〉 〈 〉
〈 〉

〈 〉 〈 〉 〈 〉 〈 〉

〈 〉 〈 〉 〈 〉 〈 〉

〈 〉 〈 〉 〈 〉 〈 〉

〈 〉

Assim, mostramos que para qualquer :

∑〈 〉 ∑

332
 Ou seja, é ortogonal a qualquer vetor do subespaço [ ]
(ortogonal a qualquer combinação linear de ).

17.5.4 Teorema (ortonormalização de Gram-Schmidt): Todo

espaço vetorial de dimensão finita admite uma base ortonormal.
Prova: Vamos demonstrar este teorema em etapas, tomando
dimensões .
i. Se , considere { } uma base de , então o vetor

‖ ‖
é unitário e ainda forma um conjunto { } LI, ou seja, este

conjunto forma uma base ortonormal para .

ii. Se , considere { } uma base de . Façamos

‖ ‖

e este é um vetor unitário. Agora, usando a Proposição 17.5.3, podemos

determinar a partir de o vetor 〈 〉 que é ortogonal a

e assim o vetor ‖ ‖
ainda é ortogonal a e é unitário. Logo { }

forma uma base ortonormal de , pois e‖ ‖ ‖ ‖ .

iii. Se , considere { } uma base de . Façamos

‖ ‖
e este é um vetor unitário. Agora, usando a Proposição 17.5.3,

podemos determinar a partir de o vetor 〈 〉 que é

ortogonal a e assim o vetor ‖ ‖

ainda é ortogonal a e é

unitário. Novamente, usando a Proposição 17.5.3, podemos determinar a

partir de o vetor 〈 〉 〈 〉 que é ortogonal a e

e assim o vetor ‖ ‖
ainda é ortogonal a e . Desta forma, o

conjunto { } é uma base ortonormal de .

iv. Se , considere { } uma base de . Note que,
para determinar os primeiros vetores o procedimento é
análogo aos outros casos e assim, ao chegarmos no vetor ,
devemos escolher ‖
, onde:
‖

〈 〉 〈 〉 〈 〉 〈 〉
333
 Este processo é chamado de processo de ortonormaliazação de
Gram-Schmidt que, nos permite a partir de uma base qualquer de um
espaço vetorial , determinar uma base ortonormal de .

Exemplo:

Seja e {( )( )( )} uma base de . A partir dos

vetores ( ) ( ) ( ), vamos determinar uma base
ortonormal de .
Tomamos o primeiro vetor ‖
:
‖

( ) ( ) ( )
( )
‖ ‖ √〈 〉 √〈( )( )〉 √ √

( )

Tomamos o segundo vetor ‖ ‖

, onde:

〈 〉 ( ) 〈( )( )〉( ) ( ) ( )

( ) ( ) ( ) ( )

Logo:

( ) ( ) ( )
‖ ‖ √〈 〉 √〈( )( )〉 √ √

( )
√ √

Tomamos o terceiro vetor ‖

, onde:
‖

334
 〈 〉 〈 〉

( ) 〈( )( )〉( ) 〈( )( )〉 ( )
√ √ √ √

( ) ( ) ( )( ) ( ) ( )( )
√ √ √ √ √ √ √

( ) ( ) ( ) ( ) ( )
√ √ √ √

( )

Logo:

( ) ( )
‖ ‖ √〈 〉
√〈( ) ( )〉 √( ) ( )

( ) ( ) √ √
√ ( ) ( )
√
√

√ √
Desta forma, { } {( )( ) ( )} é uma base
√ √

ortonormal de .

17.5.5 Definição: Seja um espaço vetorial com produto interno

〈 〉. Dado um subespaço de , o conjunto é um subespaço de ,
onde:

{ 〈 〉 } { }

335
 é chamado de complemento ortogonal de .
Exemplo:

Sejam e {( ) }, vamos determinar o conjunto .

Sabemos que:

{( ) } {( ) ( ) }

{ ( ) ( ) } [( )( )] [( )( )]

Um vetor ( ) pertence a se e somente se, e,

em particular, ( )e ( ) ( é perpendicular aos geradores de
), logo:

( ) 〈 ( )〉 〈( )( )〉

( ) 〈 ( )〉 〈( )( )〉

Logo ( ) e assim {( ) } { ( ) }
[( )] [( )], e assim, uma base para é {( )}.

336
REFERÊNCIAS

BOLDRINI, J.L. Álgebra Linear. HARBRA. São Paulo, 1986.

BOULOS, P. Geometria Analítica, Um Tratamento Vetorial. Pearson. São
Paulo, 2006.
CALLIOLI, C.A. Álgebra Linear e Aplicações. Atual Editora. São Paulo,
ano.
WINTERLE, P. Vetores e Geometria Analítica. Pearson. São Paulo, 2000.

337