Você está na página 1de 426

Geometria Analı́tica e Vetores

Notas de Aula

Petronio Pulino

T
T 
T 
T 
T 
bb T  ....................................................
b
..T
b
.. .........
........
b 
......
..... T .....
b .s. ... ....
b T
.... ...
...
.. b
..
...
T
...
b
...
.... b T "
"
. ...
b "
...
 ..
.
.
bT
...
"
Tbb "
s
 ......
..
"
..

...
T bb .... ""
.
.... ..
 ...
T b ... "
.
... "
 T ....." bb
...
....
.... .

.
.....s" b
..... .
.
.....T
............................................" b
........ ....

...........
" T b
 " T b
"
 " T
 "
" T
 " T
"
 " T
 "
" T
 " T
"
 " T
 " "
""
" -
"
s
"
" 


.......... .........
............................................ .......................rq.............
.... .... PULINUS
. .......................... .............................
.......... .............
.......................................................................................
Geometria Analı́tica e Vetores
Notas de Aula

Petronio Pulino
Departamento de Matemática Aplicada
Instituto de Matemática, Estatı́stica e Computação Cientı́fica
Universidade Estadual de Campinas
e-mail: pulino@ime.unicamp.br
www.ime.unicamp.br/∼pulino/GeometriaAnalitica/

Janeiro de 2018
Conteúdo

1 Matrizes e Sistemas Lineares 1


1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Tipos Especiais de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.5 Inversa de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.7 Matrizes em Blocos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.8 Operações Elementares. Equivalência . . . . . . . . . . . . . . . . . . . . . . 48
1.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
1.10 Forma Escalonada. Forma Escada . . . . . . . . . . . . . . . . . . . . . . . . 53
1.11 Matrizes Elementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
1.12 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
1.13 Matrizes Congruentes. Lei da Inércia . . . . . . . . . . . . . . . . . . . . . . 73
1.14 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
1.15 Sistemas de Equações Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . 79
1.16 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

2 Vetores no Plano e no Espaço 111


2.1 Conceitos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
2.2 Operações com Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
2.2.1 O Plano Cartesiano e o Espaço Tridimensional . . . . . . . . . . . . 116
2.2.2 Adição de Vetores e Multiplicação por Escalar . . . . . . . . . . . . . 119
2.2.3 Adição de Ponto com Vetor . . . . . . . . . . . . . . . . . . . . . . . 123
2.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
2.4 Dependência e Independência Linear. Base . . . . . . . . . . . . . . . . . . . 130
2.5 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
2.6 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
2.7 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

3 Produto Escalar 151


3.1 Produto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
3.2 Norma Euclidiana. Métrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
3.3 Definição de Ângulo e Ortogonalidade . . . . . . . . . . . . . . . . . . . . . 166
3.4 Projeção Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
3.5 Base Ortogonal. Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . 175
3.6 Processo de Ortogonalização . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
3.7 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
i
ii CONTEÚDO

3.8 Distância de Ponto a Ponto . . . . . . . . . . . . . . . . . . . . . . . . . . . 190


3.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198

4 Produto Vetorial. Produto Misto 201


4.1 Orientação do Espaço . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
4.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
4.3 Produto Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
4.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
4.5 Produto Misto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
4.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227

5 Estudo da Reta no Espaço 229


5.1 Equação Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
5.2 Posição Relativa de Reta e Reta . . . . . . . . . . . . . . . . . . . . . . . . . 235
5.3 Ângulo entre Retas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
5.4 Distância de Ponto a Reta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
5.5 Distância entre Reta e Reta . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
5.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255

6 Estudo do Plano no Espaço 259


6.1 Equação Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
6.2 Equação Geral. Vetor Normal . . . . . . . . . . . . . . . . . . . . . . . . . . 266
6.3 Posição Relativa de Retas e Planos . . . . . . . . . . . . . . . . . . . . . . . 271
6.4 Ângulo entre Reta e Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
6.5 Ângulo entre Planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
6.6 Distância de Ponto a Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
6.7 Distância entre Reta e Plano . . . . . . . . . . . . . . . . . . . . . . . . . . 287
6.8 Distância entre Plano e Plano . . . . . . . . . . . . . . . . . . . . . . . . . . 291
6.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295

7 Mudança de Coordenadas 301


7.1 Sistemas de Coordenadas em IE 2 . . . . . . . . . . . . . . . . . . . . . . . . 302
7.1.1 Translação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
7.1.2 Rotação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
7.1.3 Rotação Composta com uma Translação . . . . . . . . . . . . . . . . 322
7.2 Sistemas de Coordenadas em IE 3 . . . . . . . . . . . . . . . . . . . . . . . . 327
7.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334

8 Cônicas 341
8.1 Cônicas – Forma Reduzida . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
8.1.1 Elipse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343
8.1.2 Hipérbole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347
8.1.3 Parábola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355
8.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
8.3 Diagonalização de Matrizes Simétricas . . . . . . . . . . . . . . . . . . . . . 364
CONTEÚDO iii

8.3.1 Autovalores e Autovetores de uma Matriz . . . . . . . . . . . . . . . 366


8.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379
8.5 Aplicação da Rotação e da Translação . . . . . . . . . . . . . . . . . . . . . 380
8.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397
8.7 Classificação das Cônicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 398
8.8 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 416

Bibliografia 419
iv CONTEÚDO
Petronio Pulino Geometria Analı́tica e Vetores

Matrizes e Sistemas Lineares


1
Conteúdo
1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Tipos Especiais de Matrizes . . . . . . . . . . . . . . . . . . . . . 13
1.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.5 Inversa de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . 31
1.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.7 Matrizes em Blocos . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.8 Operações Elementares. Equivalência . . . . . . . . . . . . . . . 48
1.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
1.10 Forma Escalonada. Forma Escada . . . . . . . . . . . . . . . . . 53
1.11 Matrizes Elementares . . . . . . . . . . . . . . . . . . . . . . . . . 56
1.12 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
1.13 Matrizes Congruentes. Lei da Inércia . . . . . . . . . . . . . . . 73
1.14 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
1.15 Sistemas de Equações Lineares . . . . . . . . . . . . . . . . . . . 79
1.16 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

1
2 Geometria Analı́tica e Vetores

1.1 Matrizes
Definição 1.1.1 Denominamos matriz a um conjunto de números reais, ou a um con-
junto de números complexos, dispostos em linhas e colunas, numa certa ordem, e colocados
entre colchetes. Assim, uma matriz real, ou uma matriz complexa, que vamos denotar por
A, com m linhas e n colunas é representada da forma:
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
A =  . .. .. 
 .. . . 

am1 am2 · · · amn

com aij ∈ IR, ou aij ∈ C. Os escalares aij são denominados elementos da matriz,
onde o primeiro ı́ndice indica a linha e o segundo ı́ndice indica a coluna às quais pertence o
elemento. Neste caso, dizemos que a matriz A é de ordem m × n. Por simplicidade, vamos
utilizar a indicação A = [aij ] para denotar a matriz A e seus elementos.

Definição 1.1.2 Dizemos que uma matriz A = [aij ] de ordem m × n é quadrada se


m = n, isto é, se possui o mesmo número de linhas e de colunas. Neste caso, dizemos
simplesmente que A é uma matriz de ordem n.

Definição 1.1.3 Dizemos que uma matriz A = [aij ] de ordem m × n é a matriz nula
se seus elementos aij são todos nulos. Neste caso, denotamos A = 0. Freqüentemente,
indicamos 0m×n para denotar uma matriz nula de ordem m × n, onde pode causar alguma
dúvida sobre a ordem da matriz.

Definição 1.1.4 Sejam A = [aij ] e B = [bij ] duas matrizes de ordem m × n. Dizemos


que as matrizes A e B são iguais se, e somente se,

aij = bij ; i = 1, · · · , m e j = 1, · · · , n .

Definição 1.1.5 Dizemos que uma matriz A = [aij ] de ordem m × 1 é uma matriz
coluna, que representamos por:  
a11
 a21 
 
A =   ..  .

 . 
am1
Petronio Pulino 3

Definição 1.1.6 Dizemos que uma matriz A = [aij ] de ordem 1 × n é uma matriz
linha, que representamos por:
h i
A = a11 a12 · · · a1n .

Em geral, uma matriz coluna também é denominada vetor coluna e uma matriz linha
também é denominada vetor linha. Em particular, podemos considerar um escalar a ∈ IR,
ou a ∈ C, como uma matriz de ordem 1 × 1.

Exemplo 1.1.1 A seguir temos o exemplo de uma matriz real


" #
1 2 4
A =
4 6 7

de ordem 2 × 3.

Exemplo 1.1.2 Determine os valores de a, b, c e d de modo que A = B, onde


" # " #
3 −1 2a − b a + 2b
A = e B = .
c 5 3c − d c − 3d

Exemplo 1.1.3 A seguir temos o exemplo de uma matriz complexa


" #
1+i 2i
A =
2 6 − 3i

de ordem 2 × 2.

Exemplo 1.1.4 A seguir temos o exemplo de uma matriz coluna real X, de ordem 3 × 1,
e de uma matriz linha Y , de ordem 1 × 4,
 
1 h i
X = 5 e Y = 2 −1 4 6 .
 

De modo análogo, podemos considerar uma matriz coluna complexa e uma matriz linha
complexa. Nos casos em que fica claro qual é a ordem da matriz podemos omitir essa
especificação. Omitimos também se a matriz é real ou complexa nos casos que não causam
dúvidas ou que o resultado é válido tanto para matriz real quanto para matriz complexa.
4 Geometria Analı́tica e Vetores

Definição 1.1.7 Considere os seguintes subconjuntos de IN

Im = { 1, 2, · · · , m } e In = { 1, 2, · · · , n } .

Uma matriz sobre o corpo IF de ordem m × n é uma função

A : Im × In −→ IF

que para cada para ordenado (i, j) ∈ Im × In está associado um único escalar

aij = A(i, j) ∈ IF ,

denominado elemento da matriz A.

Rigorosamente falando, a tabela retangular exibida na Definição 1.1.1, não é uma matriz,
mas sim a representação de uma matriz.

Exemplo 1.1.5 Considere o seguinte conjunto I3 = { 1, 2, 3 }. Vamos definir uma ma-


triz real A : I3 × I3 −→ IR da seguinte forma:
1
aij = A(i, j) = ,
i+j−1
que é denominada matriz de Hilbert de ordem 3 × 3.

De acordo com a Definição 1.1.1, representamos a matriz A da seguinte forma:


1 1
 
1 2 3
 
1 1 1
 
A = 2 .
 
 3 4 
1 1 1
 
 
3 4 5

De modo análogo, definimos a matriz de Hilbert de ordem n × n.

Exemplo 1.1.6 Considere o seguinte conjunto I4 = { 1, 2, 3, 4 }. Vamos definir uma


matriz real A : I4 × I4 −→ IR cuja regra funcional é dada por:

aij = A(i, j) = | i − j | .

De acordo com a Definição 1.1.1, representamos a matriz A da seguinte forma:


 
0 1 2 3
1 0 1 2
A =  .
 
2 1 0 1
3 2 1 0
Petronio Pulino 5

Definição 1.1.8 Sejam A = [aij ] e B = [bij ] duas matrizes de ordem m × n. Definimos


a soma das matrizes A e B, que denotamos por A + B, como sendo a matriz C = [cij ] ,
de ordem m × n, onde cada elemento é definido da seguinte forma:

cij = aij + bij ; i = 1, · · · , m e j = 1, · · · , n .

Por simplicidade, indicamos A + B = [aij + bij ] para denotar a soma das matrizes A
e B. De modo análogo, definimos a diferença das matrizes A e B, que denotamos por
A − B = [aij − bij ].

Definição 1.1.9 Sejam A = [aij ] uma matriz de ordem m × n e um escalar λ.


Definimos a multiplicação da matriz A pelo escalar λ, e denotamos λA, como sendo a
matriz C = [cij ] , de ordem m × n, onde cada elemento é definido da seguinte forma:

cij = λ aij ; i = 1, · · · , m e j = 1, · · · , n .

Por simplicidade, indicamos λA = [λaij ] para denotar a multiplicação da matriz A pelo


escalar λ.

Exemplo 1.1.7 Considerando as matrizes A = [aij ] e B = [bij ] de ordem 2 × 3,


" # " #
1 2 1 2 3 1
A = e B = ,
3 5 1 4 1 2

a matriz C = A + 2B = [aij + 2bij ] é dada por:


" # " # " #
1 2 1 4 6 2 5 8 3
C = + = .
3 5 1 8 2 4 11 7 5

Teorema 1.1.1 Sejam A, B e C matrizes de mesma ordem. Então,

(a) A + B = B + A.

(b) A + (B + C) = (A + B) + C.

(c) Existe uma matriz nula 0, da mesma ordem da matriz A, tal que A + 0 = A.

(d) Existe uma matriz D, da mesma ordem da matriz A, tal que A + D = 0.

Demonstração – A prova é feita utilizando as definições das operações de soma de matrizes


e da multiplicação de uma matriz por escalar, juntamente com as propriedades das operações
com números reais (complexos). 
6 Geometria Analı́tica e Vetores

Exemplo 1.1.8 Dadas as matrizes A = [aij ] e B = [bij ] de ordem 3 × 2,


   
1 2 2 3
A = 3 4 e B = 1 5 ,
   

5 6 4 3

determine a matriz D tal que A + B − D = 0.

Definição 1.1.10 Sejam X uma matriz linha de ordem 1 × m e Y uma matriz coluna
de ordem m × 1,

y11
 . 
h i
X = x11 · · · x1m e Y =  ..  ,
ym1

o produto XY , nesta ordem, é a matriz Z de ordem 1 × 1 dada por:


" m #
h i X
Z = x11 y11 + x12 y21 + · · · + x1j yj1 + · · · + x1m ym1 = x1j yj1 .
j=1

Exemplo 1.1.9 Dada a matriz linha X de ordem 1 × 3 e a matriz coluna Y de ordem


3 × 1,  
h i 2
X = 1 3 2 e Y =  4 ,
 

1
a matriz Z = XY de ordem 1 × 1 é dada por:
 
h i 2 h i h i
Z = 1 3 2 4 = 2 + 12 + 2 = 16 .
 

Definição 1.1.11 Sejam A = [aij ] uma matriz de ordem m × p e B = [bij ] uma


matriz de ordem p × n. O produto AB, nesta ordem, é a matriz C = [cij ] de ordem
m × n cujos elementos são definidos por:
p
X
cij = aik bkj ; i = 1, · · · , m e j = 1, · · · , n ,
k=1

isto é, o elemento cij é o produto da i–ésima linha de A pela j–ésima coluna de B.
Assim, podemos definir o produto AB somente quando o número de colunas de A é igual
ao número de linhas de B.
Petronio Pulino 7

Exemplo 1.1.10 Dada a matriz A de ordem 3 × 2 e a matriz B de ordem 2 × 4,


 
1 2 " #
2 1 1 3
A = 3 1 e B = ,
 
0 1 2 1
4 2

a matriz C = AB de ordem 3 × 4 é dada por:


   
1 2 " # 2 3 5 5
 2 1 1 3
C = 3 1  = 6 4 5 10 .
  
0 1 2 1
4 2 8 6 8 14

Exemplo 1.1.11 Dada a matriz coluna X , de ordem 3 × 1,


 
1
X =  3 ,
 

determine a matriz Z = XX t de ordem 3 × 3.

Exemplo 1.1.12 Dada uma matriz coluna X , de ordem m × 1,


 
x11
 . 
 .. 
 
X =  xi1  ,
 
 . 
 .. 
 
xm1

deduza uma regra para a formação da matriz Z = XX t de ordem m × m.

Exemplo 1.1.13 Dada a matriz coluna X , de ordem 3 × 1,


 
3
X =  2 ,
 

−1

determine todas as matrizes Y , de ordem 3 × 1, tais que Y t X = 0.

Exemplo 1.1.14 Determine um escalar λ tal que AX = λX, onde


" # " #
2 1 1
A = e X = .
1 2 1
8 Geometria Analı́tica e Vetores

Teorema 1.1.2 Sejam as matrizes A = [aij ] de ordem m × n, B = [bij ] de ordem


n × p e C = [cij ] de ordem n × p . Então, A(B + C) = AB + AC.

Demonstração – Chamando D = A(B + C) = [dij ] , sabemos que


n
X n
X n
X
dij = aik (bkj + ckj ) = aik bkj + aik ckj
k=1 k=1 k=1

para i = 1, · · · , m e j = 1, · · · , p .

Logo, temos que a primeira parcela é o elemento da i–ésima linha e da j–ésima coluna do
produto AB e a segunda parcela é o elemento da i–ésima linha e da j–ésima coluna do
produto AC. Portanto, provamos que A(B + C) = AB + AC. 

Teorema 1.1.3 Sejam as matrizes A = [aij ] de ordem m × n, B = [bij ] de ordem


m × n e C = [cij ] de ordem n × p . Então, (A + B)C = AC + BC.

Demonstração – A prova pode ficar a cargo do leitor. 

Teorema 1.1.4 Sejam as matrizes A = [aij ] de ordem m × n, B = [bij ] de ordem


n × p e C = [cij ] de ordem p × q . Então, A(BC) = (AB)C.

Demonstração – A prova pode ficar a cargo do leitor. 

É importante observar que

(a) AB 6= BA , em geral.

(b) AB = 0 não implica necessariamente que A = 0 ou B = 0.

(c) AB = AC não implica necessariamente que B = C.

onde a ordem das matrizes, A, B e C, são tais que as operações indicadas acima podem
ser efetuadas.

Exemplo 1.1.15 Dadas as matrizes


     
2 −3 −5 −1 3 5 2 −2 −4
A =  −1 4 5  , B =  1 −3 −5  e C =  −1 3 4 .
     

1 −3 −4 −1 3 5 1 −2 −3

Mostre que AB = BA = 0 , AC = A e CA = C.
Petronio Pulino 9

Exemplo 1.1.16 Dadas as matrizes


     
1 −3 2 1 4 1 0 2 1 −1 −2
A =  2 1 −3  , B =  2 1 1 1  e C =  3 −2 −1 −1  .
     

4 −3 −1 1 −2 1 2 2 −5 −1 0

Verifique que AB = AC, entretanto, B 6= C.

Exemplo 1.1.17 Dadas as matrizes


   
1 −1 1 1 2 3
A =  −3 2 −1  e B =  2 4 6 .
   

−2 1 0 1 2 3

Verifique que AB = 0 e que


 
11 6 −1
BA =  −22 12 −2  .
 

−11 6 −1

Portanto, em geral, AB 6= BA.

Teorema 1.1.5 Sejam A e B matrizes de mesma ordem e α e β escalares. Então,

(a) α(βA) = (αβ)A.

(b) (α + β)A = αA + βA.

(c) α(A + B) = αA + αB.

Demonstração – A prova é feita utilizando as definições das operações de soma de matrizes


e de multiplicação de uma matriz por escalar, juntamente com as propriedades das operações
com números reais (complexos). 

Teorema 1.1.6 Sejam A uma matriz de ordem m × n, B uma matriz de ordem n × p


e λ um escalar. Então, A(λB) = λ(AB) = (λA)B.

Demonstração – A prova é feita utilizando as definições de produto de matrizes e de


multiplicação de uma matriz por escalar, juntamente com as propriedades das operações
com números reais (complexos). 
10 Geometria Analı́tica e Vetores

Teorema 1.1.7 Considere A = [aij ] uma matriz de ordem m × n e λ um escalar. Se


λA = 0m×n , então λ = 0 ou A = 0m×n .

Demonstração – Pela Definição 1.1.9, sabemos que a matriz λA é dada por:

λA = [λ aij ] para i = 1, · · · m e j = 1, · · · n .

Desse modo, pela hipótese, temos que

λ aij = 0 para i = 1, · · · m e j = 1, · · · n .

Assim, pelo Teorema 1.2.5 da referência [3], temos que

λ = 0 ou aij = 0 para i = 1, · · · m e j = 1, · · · n ,

o que completa a demonstração. 

Teorema 1.1.8 Seja A uma matriz de ordem m × n. Então, AX = 0m×1 para toda
matriz coluna X de ordem n × 1 se, e somente se, A = 0m×n .

Demonstração – Considerando que A = 0m×n , o resultado segue trivialmente.

Considerando que AX = 0m×1 para toda matriz coluna X de ordem n × 1, e tomando


a equação A = AIn , obtemos

A = AIn = [AE·1 · · · AE·j · · · AE·n ] = [0m×1 · · · 0m×1 · · · 0m×1 ] ,

onde a matriz coluna E·j de ordem n × 1 é a j–ésima coluna da matriz identidade In ,


uma vez que AE·j = 0m×1 para j = 1, · · · , n.

Portanto, mostramos que A = 0m×n , o que completa a demonstração. 

Teorema 1.1.9 Sejam A e B matrizes de ordem m × n. Então, A = B se, e somente


se, AX = BX para toda matriz coluna X de ordem n × 1.

Demonstração – A prova segue imediata pelo resultado do Teorema 1.1.8. De fato,

AX = BX ⇐⇒ ( A − B )X = 0m×1 ⇐⇒ A − B = 0m×n .

para toda matriz coluna X de ordem n × 1.

Como A − B = 0m×n , tem–se A = B, o que completa a demonstração. 


Petronio Pulino 11

1.2 Exercı́cios

Exercı́cio 1.2.1 Considere o subconjunto In = { 1, 2, · · · , n } de IN . Determine a


matriz A : In × In −→ IR definida pela seguinte regra funcional

 1 se |i − j | > 1
aij = A(i, j) =
 −1 se |i − j | ≤ 1

Exercı́cio 1.2.2 Considere o subconjunto In = { 1, 2, · · · , n } de IN . Determine a


matriz A : In × In −→ IR definida pela seguinte regra funcional

 1 se |i − j | < 2
aij = A(i, j) =
 0 se |i − j | ≥ 2

Exercı́cio 1.2.3 Sejam A uma matriz de ordem m × n e X uma matriz coluna de


ordem n × 1 que são indicadas da seguinte forma:
 
x1
.
 .. 
 
A = [Y1 · · · Yj · · · Yn ] e X =  xj  ,
 
.
 .. 
 
xn

onde a matriz coluna Yj de ordem m × 1 é a j–ésima coluna da matriz A. Mostre que


podemos escrever o produto AX da seguinte forma:

AX = x1 Y1 + · · · + xj Yj + · · · + xn Yn .

Exercı́cio 1.2.4 Sejam A uma matriz de ordem m × n e B uma matriz de ordem n × p


que vamos indicar da seguinte forma:

B = [Y1 · · · Yj · · · Yp ] ,

onde a matriz coluna Yj de ordem n × 1 é a j–ésima coluna da matriz B. Mostre que


podemos escrever a matriz C = AB da seguinte forma:

C = AB = A[Y1 · · · Yj · · · Yp ] = [AY1 · · · AYj · · · AYp ] .

onde a matriz coluna Zj = AYj de ordem m × 1 é a j–ésima coluna da matriz C.


12 Geometria Analı́tica e Vetores

Exercı́cio 1.2.5 Dadas as matrizes


" # " #
a + 2b 2a − b 9 −2
A = e B = .
2c + d c − 2d 4 7

Determine os parâmetros a, b, c e d de modo que A = B.

Exercı́cio 1.2.6 Dadas as matrizes


   
a h i 3
X = 2 , Y = −1 b 2 e Z = 2 .
   

1 1

Determine os parâmetros a e b tais que Y X = 0 e Y Z = 1.

Exercı́cio 1.2.7 Determine todas as matrizes X tais que Y X = 0, onde


 
a h i
X = b e Y = 1 1 −1 .
 

Exercı́cio 1.2.8 Dadas as matrizes


" # " # " #
cos(θ) sin(θ) 1 −1
A = , X = e Y = .
− sin(θ) cos(θ) 1 1

Determine os valores do parâmetro θ ∈ IR de modo que AX = Y .

Exercı́cio 1.2.9 Dadas as matrizes


" # " # " #
−2 3 −1 3 −4 −3
A = ; B = e C = .
2 −3 2 0 0 −4

Verifique que AB = AC.

Exercı́cio 1.2.10 Dada a matriz " #


2 1
A = .
1 2
Determine as matrizes B de modo que AB − BA = 02×2 , se possı́vel.
Petronio Pulino 13

1.3 Tipos Especiais de Matrizes


Definição 1.3.1 Seja U = [uij ] uma matriz de ordem n × n. Dizemos que U é uma
matriz triangular superior se os elementos abaixo da diagonal principal são todos nulos,
isto é, uij = 0 para j < i.

Exemplo 1.3.1 A matriz U dada por:


 
2 1 5
U =  0 3 3 
 

0 0 6

é uma matriz triangular superior.

Definição 1.3.2 Seja L = [lij ] uma matriz de ordem n × n. Dizemos que L é uma
matriz triangular inferior se os elementos acima da diagonal principal são todos nulos,
isto é, lij = 0 para j > i.

Exemplo 1.3.2 A matriz L dada por:


 
2 0 0
L =  1 3 0 
 

2 7 4

é uma matriz triangular inferior.

Exemplo 1.3.3 Mostre que o produto de duas matrizes triangulares superiores é uma matriz
triangular superior.

Exemplo 1.3.4 Mostre que o produto de duas matrizes triangulares inferiores é uma matriz
triangular inferior.

Definição 1.3.3 Seja D = [dij ] uma matriz de ordem n × n. Dizemos que D é uma
matriz diagonal se os elementos fora da diagonal principal são todos nulos, isto é, dij = 0
para j 6= i. Freqüentemente, indicamos

D = diag(d1 , · · · , dn ) ,

para dizer que D é uma matriz diagonal de ordem n × n.


14 Geometria Analı́tica e Vetores

Exemplo 1.3.5 A matriz D dada por:


 
2 0 0
D =  0 3 0 
 

0 0 4

é uma matriz diagonal.

Definição 1.3.4 O traço de uma matriz A = [aij ] , de ordem n, que denotamos por tr(A),
é a soma dos elementos da diagonal principal, isto é,
n
X
tr(A) = aii .
i=1

Exemplo 1.3.6 Dada a matriz real


 
1 2 7
A =  3 4 8 ,
 

0 1 3

temos que tr(A) = 1 + 4 + 3 = 8.

Exemplo 1.3.7 Dada a matriz complexa


 
4i 2−i 7+i
A = 3 + 2i 4 + i 8 + 2i ,
 

0 1 + 3i 3 − i

temos que tr(A) = 4i + (4 + i) + (3 − i) = 7 + 4i.

Teorema 1.3.1 Sejam A = [aij ] e B = [bij ] matrizes de ordem n. Então,

(a) tr(A + B) = tr(A) + tr(B).

(b) tr(λA) = λtr(A) para qualquer escalar λ.

Demonstração – A prova pode ficar a cargo do leitor. 

Teorema 1.3.2 Sejam A = [aij ] e B = [bij ] matrizes de ordem n. Então, tr(AB) =


tr(BA).

Demonstração – A prova pode ficar a cargo do leitor. 


Petronio Pulino 15

Definição 1.3.5 Uma matriz diagonal D = diag(d11 , · · · , dnn ) cujos elementos da diago-
nal principal são todos iguais, isto é, dii = α para i = 1, · · · , n, é denominada matriz
escalar.

Exemplo 1.3.8 A matriz D dada por:


 
5 0 0
D =  0 5 0 
 

0 0 5
é uma matriz escalar de ordem 3.

Definição 1.3.6 Uma matriz diagonal cujos elementos da diagonal principal são todos iguais
a 1 é denominada identidade. Freqüentemente, indicamos In para denotar uma matriz
identidade de ordem n.

Exemplo 1.3.9 A matriz I dada por:


 
1 0 0
I =  0 1 0 
 

0 0 1
é uma matriz identidade de ordem 3.

Exemplo 1.3.10 Seja A uma matriz de ordem m × n. Podemos verificar facilmente que
Im A = A e AIn = A.

Definição 1.3.7 Se A é uma matriz de ordem m × n , denominamos transposta de A à


matriz de ordem n × m obtida trocando–se as linhas pelas colunas. Denotamos a transposta
da matriz A por At .

Exemplo 1.3.11 Temos o seguinte exemplo de uma matriz real A de ordem 4 × 3 e de


sua respectiva transposta At de ordem 3 × 4 .
 
2 1 3  
 1 3 5  2 1 2 1
t
A =  A =  1 3 1 2 
   

 2 1 4 
3 5 4 7
1 2 7

Exemplo 1.3.12 Seja A uma matriz real de ordem n. Podemos verificar facilmente que
tr(At ) = tr(A).
16 Geometria Analı́tica e Vetores

Exemplo 1.3.13 Temos o seguinte exemplo de uma matriz complexa A de ordem 2 × 3 e


de sua respectiva transposta At de ordem 3 × 2 .
 
" # 2 3+i
2 1+i i
A = At =  1 + i 2i 
 
3 + i 2i 1
i 1

Definição 1.3.8 Seja A = [aij ] uma matriz quadrada. Dizemos que A é simétrica se
At = A, isto é, aij = aji para todos i, j.

Exemplo 1.3.14 As matrizes A e B dadas por:


 
5 1 2 " #
1 + 2i 2 + i
A =  1 6 3  e B =
 
2+i 3
2 3 8

são matrizes simétricas, isto é, At = A e B t = B.

Definição 1.3.9 Seja A uma matriz quadrada. Dizemos que A é anti–simétrica se


At = −A, isto é, aij = −aji para todos i, j.

Exemplo 1.3.15 As matrizes A e B dadas por:


   
0 1 −2 0 2 − i −3
A =  −1 0 3 e B = −2 + i 0 i 
   

2 −3 0 3 −i 0

são matrizes anti–simétricas, isto é, At = −A e B t = −B.

Definição 1.3.10 Considere A = [aij ] uma matriz complexa de ordem m × n. A matriz


obtida de A substituindo cada elemento por seu conjugado é denominada matriz conju-
gada da matriz A, que denotamos por A. Assim, A = [aij ].

Exemplo 1.3.16 Dada a matriz complexa


" #
1 + 2i i
A = .
3 2 − 3i

A matriz conjugada de A, que denotamos por A, é obtida da seguinte forma:


" #
1 − 2i −i
A = .
3 2 + 3i
Petronio Pulino 17

Definição 1.3.11 Seja A = [aij ] uma matriz complexa de ordem m × n. Definimos a


matriz transposta Hermitiana da matriz A, que indicamos por A∗ , como sendo a matriz
A∗ = [aji ] de ordem n × m, isto é, A∗ = (A)t .

Exemplo 1.3.17 Dada a matriz complexa


" #
1 + 2i i
A = .
3 2 − 3i

A transposta Hermitiana de A é dada por:


" #
1 − 2i 3
A∗ = .
−i 2 + 3i

Teorema 1.3.3 Sejam A = [aij ] e B = [bij ] matrizes complexas, com ordens compatı́veis
com as operações. Então,

(a) (A + B) = A + B .

(b) (AB) = A B .

(c) (λA) = λ A para qualquer escalar λ ∈ C.

(d) (A)t = (At ).

Demonstração – A prova pode ficar a cargo do leitor. 

Exemplo 1.3.18 Seja A uma matriz complexa de ordem n. Observamos facilmente que
tr(A∗ ) = tr(A).

Definição 1.3.12 Dizemos que uma matriz A = [aij ] complexa de ordem n é uma matriz
Hermitiana se (A)t = A, isto é, aij = aji para todos i, j. Geralmente indicamos
A∗ = A para denotar uma matriz Hermitiana.

Exemplo 1.3.19 A matriz complexa


 
1 1−i 2
A = 1 + i 3 i
 

2 −i 0

é uma matriz Hermitiana, isto é, (A)t = A.


18 Geometria Analı́tica e Vetores

Definição 1.3.13 Dizemos que uma matriz A = [aij ] complexa de ordem n é uma matriz
anti–Hermitiana se (A)t = −A, isto é, aij = −aji para todos i, j. Geralmente
indicamos A∗ = −A para denotar uma matriz anti–Hermitiana.

Exemplo 1.3.20 A matriz complexa


 
i 1−i 2
A = −1 − i 3i i
 

−2 i 0

é uma matriz anti–Hermitiana, isto é, (A)t = −A.

Teorema 1.3.4 Sejam A = [aij ] e B = [bij ] matrizes de mesma ordem e α um


escalar. Então,

(a) (At )t = A.

(b) (A + B)t = At + B t .

(c) (αA)t = αAt .

Demonstração – A prova pode ficar a cargo do leitor. 

Teorema 1.3.5 Sejam as matrizes A = [aij ] de ordem m × n e B = [bij ] de ordem


n × p. Então, (AB)t = B t At .

Demonstração – A prova pode ficar a cargo do leitor. 

Teorema 1.3.6 Sejam A = [aij ] e B = [bij ] matrizes complexas de mesma ordem e α


um escalar. Então,

(a) (A∗ )∗ = A.

(b) (A + B)∗ = A∗ + B ∗ .

(c) (αA)∗ = αA∗ .

Demonstração – A prova pode ficar a cargo do leitor. 

Teorema 1.3.7 Sejam as matrizes complexas A = [aij ] de ordem m × n e B = [bij ]


de ordem n × p. Então, (AB)∗ = B ∗ A∗ .

Demonstração – A prova pode ficar a cargo do leitor. 


Petronio Pulino 19

Exemplo 1.3.21 Seja A uma matriz real de ordem m × n. Podemos verificar facilmente
que as matrizes AAt e At A são simétricas.

Exemplo 1.3.22 Seja A uma matriz complexa de ordem m × n. Podemos verificar


facilmente que as matrizes AA∗ e A∗ A são Hermitianas.

Definição 1.3.14 Seja A uma matriz quadrada. Define–se potenciação para expoentes
naturais da seguinte forma:

A0 = I , A1 = A , A2 = AA e Ak+1 = AAk .

Exemplo 1.3.23 O calculo da expressão A2 − 2A + 3I2 , onde


" #
1 2
A = ,
3 1

é obtido da seguinte forma:


" # " # " # " #
2 7 4 2 4 3 0 8 0
A − 2A + 3I2 = − + = .
6 7 6 2 0 3 0 8

Podemos definir a matriz p(A) = A2 − 2A + 3I2 , de mesma ordem da matriz A, que é o


polinômio matricial em A associado ao polinômio p(x) = 3 − 2x + x2 .

Definição 1.3.15 Dizemos que a matriz quadrada A é idempotente se A2 = A.

Exemplo 1.3.24 A matriz A, dada abaixo, é idempotente, isto é, A2 = A.


" #
1 1 1
A =
2 1 1

Exemplo 1.3.25 A matriz A, dada abaixo, é idempotente, isto é, A2 = A.


 
1 1 1
1 
A =  1 1 1 

3
1 1 1

Definição 1.3.16 Seja A uma matriz quadrada. Dizemos que A é periódica, com perı́odo
k, se Ak+1 = A, onde k é o menor inteiro positivo com tal propriedade.
20 Geometria Analı́tica e Vetores

Definição 1.3.17 Seja A uma matriz quadrada de ordem n × n. Dizemos que A é nil-
potente se existe um k ∈ IN ∗ tal que Ak = 0n . Se k é o menor inteiro positivo tal que
Ak = 0n , dizemos que A é nilpotente de ı́ndice k.

Exemplo 1.3.26 A matriz dada por:


 
0 1 1
A =  0 0 1 
 

0 0 0

é uma matriz nilpotente de ı́ndice k = 3, isto é, A3 = 03 .

Definição 1.3.18 Dizemos que a matriz quadrada A é auto–reflexiva se A2 = I.

Exemplo 1.3.27 A matriz A dada por:


" #
1 0
A =
0 −1

é uma matriz auto–reflexiva, isto é, A2 = I.

Definição 1.3.19 Se A e B são matrizes quadradas tais que AB = BA, dizemos que
as matrizes A e B são comutativas.

Exemplo 1.3.28 Podemos verificar facilmente que as matrizes


" # " #
1 2 5 4
A = e B =
3 4 6 11

são comutativas, isto é, AB = BA.

Definição 1.3.20 Se A e B são matrizes quadradas tais que AB = −BA, dizemos que
as matrizes A e B são anti–comutativas.

Exemplo 1.3.29 Podemos verificar facilmente que as matrizes


" # " # " #
0 1 0 −i i 0
A = , B = e C =
1 0 i 0 0 −i

são anti–comutativas duas a duas.


Petronio Pulino 21

Teorema 1.3.8 Sejam A uma matriz de ordem n e D = diag(d, · · · , d) uma matriz


escalar de mesma ordem da matriz A. Então, DA = AD.

Demonstração – Podemos verificar facilmente que uma matriz escalar pode ser escrita
como D = dI, Exercı́cio 1.4.1. Assim, utilizando o Teorema 1.1.6, temos que

DA = (dI)A = d(IA) = dA e AD = A(dI) = d(AI) = dA ,

o que completa a demonstração. 

Definição 1.3.21 Seja A uma matriz real de ordem n. Dizemos que A é uma matriz
normal se At A = AAt , isto é, as matrizes A e At são comutativas.

Exemplo 1.3.30 As matrizes reais


   
2 1 4 3 −1 5
A = 1 3 0 e B =  1 3 2
   

4 0 1 −5 −2 3

são matrizes normais, isto é, At A = AAt e B t B = BB t .

Exemplo 1.3.31 Podemos verificar facilmente que se A é uma matriz simétrica real,
então A é uma matriz normal real.

Exemplo 1.3.32 Podemos verificar facilmente que se A é uma matriz anti–simétrica real,
então A é uma matriz normal real.

Exemplo 1.3.33 Podemos verificar facilmente que se A é a soma de uma matriz escalar
real e uma matriz anti–simétrica real, então A é uma matriz normal real.

De fato, vamos escrever A = D + B, onde D é uma matriz escalar e B é uma matriz


anti–simétrica, isto é, B t = −B. Assim, pelo Teorema 1.3.8, temos que

(D + B)t (D + B) = (D − B)(D + B) = D2 + DB − BD − B 2 = D2 − B 2
(D + B)(D + B)t = (D + B)(D − B) = D2 − DB + BD − B 2 = D2 − B 2

Portanto, mostramos que At A = AAt , isto é, A é uma matriz normal real.
22 Geometria Analı́tica e Vetores

Exemplo 1.3.34 A matriz real


 
2 1 −3 2
 −1 2 4 −1 
A = 
 

 3 −4 2 0 
−2 1 0 2

é uma matriz normal, isto é, At A = AAt . De fato, podemos observar facilmente que a
matriz A é a soma de uma matriz escalar e uma matriz anti–simétrica.

Definição 1.3.22 Seja A uma matriz complexa de ordem n. Dizemos que A é uma
matriz normal se A∗ A = AA∗ , isto é, as matrizes A e A∗ são comutativas..

Exemplo 1.3.35 A matriz complexa


" #
2 + 3i 1
A =
i 1 + 2i

é uma matriz normal, isto é, A∗ A = AA∗ .

Exemplo 1.3.36 Podemos verificar facilmente que se A é uma matriz Hermitiana, então
A é uma matriz normal.

Exemplo 1.3.37 Podemos verificar facilmente que se A é uma matriz anti–Hermitiana,


então A é uma matriz normal.

Exemplo 1.3.38 Podemos verificar facilmente que se A é a soma de uma matriz escalar
complexa e uma matriz anti–Hermitiana, então A é uma matriz normal.

De fato, vamos escrever A = D + B, onde D é uma matriz escalar e B é uma matriz


anti–Hermitiana, isto é, B ∗ = −B. Assim, pelo Teorema 1.3.8, temos que

(D + B)∗ (D + B) = (D∗ − B)(D + B) = D∗ D + D∗ B − BD − B 2


= D∗ D + D∗ B − DB − B 2

(D + B)(D + B)∗ = (D + B)(D∗ − B) = DD∗ − DB + BD∗ − B 2


= D∗ D + D∗ B − DB − B 2

Portanto, mostramos que A∗ A = AA∗ , isto é, A é uma matriz normal complexa.
Petronio Pulino 23

Exemplo 1.3.39 A matriz complexa C = A + D, onde


   
i 1−i 2 3+i 1+i
−1 − i 3i i 2i   1+i 
A =  e D =  ,
   

 −2 i 0 −3   1+i 
−3 + i 2i 3 2i 1+i

é uma matriz normal, isto é, C ∗ C = CC ∗ . De fato, podemos observar facilmente que A
é uma matriz anti–Hermitiana e D é uma matriz escalar complexa.

Exemplo 1.3.40 Podemos observar facilmente que uma matriz simétrica complexa não ne-
cessariamente é uma matriz normal. Tome como exemplo as seguintes matrizes simétricas
" # " #
1 i i i
A = e B = .
i i i 1

De fato, temos que " #


2 0
A∗ A = AA∗ = .
0 2
Logo, A é uma matriz normal. Entretanto,
" # " #
2 1+i 2 1−i
BB ∗ = e B∗B = .
1−i 2 1+i 2

Logo, B não é uma matriz normal.

Exemplo 1.3.41 Podemos verificar facilmente que a matriz complexa


" #
1 1 − 2i
A =
1 + 2i 1

é uma matriz normal, pois A é Hermitiana, isto é, A∗ = A. Assim, temos que
" #
6 2 − 4i
A∗ A = AA∗ = .
2 + 4i 6

Exemplo 1.3.42 Seja A uma matriz real de ordem m × n. Podemos verificar facilmente
que a matriz C = At A, de ordem n, é uma matriz normal.

Exemplo 1.3.43 Seja A uma matriz real de ordem m × n. Podemos verificar facilmente
que a matriz C = AAt , de ordem m, é uma matriz normal.
24 Geometria Analı́tica e Vetores

Teorema 1.3.9 Seja A uma matriz normal real de ordem 2 × 2. Então, A ou é uma
matriz simétrica ou é a soma de uma matriz escalar e uma matriz anti–simétrica.

Demonstração – Vamos escrever a matriz A da seguinte forma:


 
a b
A = .
c d

Assim, temos que


    
t a b a c a2 + b2 ac + bd
AA = =
c d b d ac + bd c2 + d2
    
t a c a b a2 + c2 ab + cd
AA = =
b d c d ab + cd b2 + d2
Como, por hipótese, temos que AAt = At A, obtemos três equações

(1) a2 + b2 = a2 + c2 .

(2) c2 + d2 = b2 + d2 .

(3) ac + bd = ab + cd.

Desse modo, da primeira equação, ou da segunda equação, obtemos b2 = c2 . Logo, temos


duas possibilidades b = c ou b = −c.

Primeiramente, considerando o caso b = c, o que inclui o caso b = −c = 0, obtemos que


a matriz A é simétrica, isto é,  
a b
A = .
b d
Finalmente, considerando a situação b = −c 6= 0, da terceira equação obtemos

c(a − d) = ac + bd = ab + cd = c(d − a) .

Assim, temos que

c(a − d) = c(d − a) ⇐⇒ 2c(a − d) = 0

como c 6= 0, obtemos a = d. Portanto, a matriz A tem a seguinte forma:


     
a b a 0 0 b
A = = +
−b a 0 a −b 0

que é a soma de uma matriz escalar e uma matriz anti–simétrica, o que completa a demons-
tração. 
Petronio Pulino 25

1.4 Exercı́cios

Exercı́cio 1.4.1 Mostre que se A = [aij ] é uma matriz escalar de ordem n, então
A = cIn para qualquer escalar c.

Exercı́cio 1.4.2 Sejam A , B e C matrizes quadradas de mesma ordem. Mostre que

(ABC)t = C t B t At .

Exercı́cio 1.4.3 Seja A = [aij ] uma matriz anti–simétrica. Mostre que os elementos da
diagonal principal são todos nulos, isto é, aii = 0 para i = 1, · · · , n.

Exercı́cio 1.4.4 Seja A = [aij ] uma matriz Hermitiana. Mostre que os elementos da
diagonal principal são números reais, isto é, aii ∈ IR para i = 1, · · · , n..

Exercı́cio 1.4.5 Seja A = [aij ] uma matriz anti–Hermitiana. Mostre que os elementos da
diagonal principal são ou nulo ou imaginário puro.

Exercı́cio 1.4.6 Seja A uma matriz de ordem n. Então, a matriz B = A + At é


simétrica e a matriz C = A − At é anti–simétrica.

Exercı́cio 1.4.7 Seja A uma matriz complexa de ordem n. Então, B = A + A∗ é uma


matriz Hermitiana e C = A − A∗ é uma matriz anti–Hermitiana.

Exercı́cio 1.4.8 Mostre que as matrizes


" # " #
a b c d
A = e B =
b a d c

comutam para quaisquer valores de a, b, c e d.

Exercı́cio 1.4.9 Sejam A e B matrizes simétricas de mesma ordem. Então, AB é uma


matriz simétrica se, e somente se, A e B comutam, isto é, AB = BA.

Exercı́cio 1.4.10 Seja A uma matriz idempotente, de ordem n × n. Então,

B = I − A

é uma matriz idempotente. Além disso, temos que AB = BA = 0n .


26 Geometria Analı́tica e Vetores

Exercı́cio 1.4.11 Sejam A e B matrizes quadradas de mesma ordem tais que

AB = A e BA = B .

Então, A e B são matrizes idempotentes.

Exercı́cio 1.4.12 Seja A uma matriz nilpotente com k = 2. Então, A(I + A)3 = A.

Exercı́cio 1.4.13 Qual a relação entre uma matriz A ser periódica e A ser nilpotente?

Exercı́cio 1.4.14 Seja A uma matriz de ordem n. Mostre que A pode ser decomposta,
de maneira única, como A = B + C, onde B é uma matriz simétrica e C é uma matriz
anti–simétrica.

Exercı́cio 1.4.15 Seja A uma matriz complexa de ordem n. Mostre que A pode ser
decomposta, de maneira única, como A = B + C, onde B é uma matriz Hermitiana e
C é uma matriz anti–Hermitiana.

Exercı́cio 1.4.16 Considere A e B matrizes quadradas de mesma ordem. Seja A uma


matriz simétrica. Então, B t AB é uma matriz simétrica.

Exercı́cio 1.4.17 Considere A e B matrizes quadradas de mesma ordem. Seja A uma


matriz Hermitiana. Então, B ∗ AB é uma matriz Hermitiana.

Exercı́cio 1.4.18 Seja A uma matriz Hermitiana de ordem n. Mostre que A pode ser
escrita como A = B + iC, onde B é uma matriz simétrica real e C é uma matriz
anti–simétrica real.

Exercı́cio 1.4.19 Seja A uma matriz anti–Hermitiana de ordem n. Mostre que A pode
ser escrita como A = B + iC, onde B é uma matriz anti–simétrica real e C é uma
matriz simétrica real.

Exercı́cio 1.4.20 Considere A e B matrizes quadradas de mesma ordem. Seja A uma


matriz anti–simétrica. Então, B t AB é uma matriz anti–simétrica.

Exercı́cio 1.4.21 Considere A e B matrizes quadradas de mesma ordem. Sejam A e


B matrizes anti–simétricas. Então, AB é simétrica se, e somente se, as matrizes A e
B comutam, isto é, AB = BA.
Petronio Pulino 27

Exercı́cio 1.4.22 Seja A uma matriz real de ordem m × n. Mostre que C = At A é


uma matriz simétrica.

Exercı́cio 1.4.23 Sejam A uma matriz quadrada e B = λA + αI, onde λ, α ∈ IR.


Então, as matrizes A e B comutam.

Exercı́cio 1.4.24 Mostre que não existem matrizes A e B, de ordem n, tais que

AB − BA = I ,

utilizando as propriedades de traço.

Exercı́cio 1.4.25 Se A é uma matriz simétrica (anti–simétrica) de ordem m e P é uma


matriz de ordem m × n, então B = P t AP é uma matriz simétrica (anti–simétrica).

Exercı́cio 1.4.26 Seja A uma matriz de ordem n tal que AB = BA para toda matriz
B de ordem n. Mostre que A = cIn , onde c é um escalar qualquer.

Exercı́cio 1.4.27 Seja A uma matriz de ordem n. Mostre que

I − Ak+1 = (I − A)(I + A + . . . + Ak ) = (I + A + . . . + Ak )(I − A) .

Exercı́cio 1.4.28 Mostre que a matriz


 
2 −2 −4
A =  −1 3 4 
 

1 −2 −3

é idempotente, isto é, A2 = A.

Exercı́cio 1.4.29 Mostre que a matriz


 
1 1 3
A =  5 2 6 
 

−2 −1 −3

é nilpotente de ordem 3, isto é, A3 = 0.

Exercı́cio 1.4.30 Mostre que se A é nilpotente de ordem 2, isto é, A2 = 0, então

A(I + A)n = A ,

para qualquer inteiro positivo n.


28 Geometria Analı́tica e Vetores

Exercı́cio 1.4.31 Mostre que uma matriz A é auto–reflexiva se, e somente se,

(I − A)(I + A) = 0 .

Exercı́cio 1.4.32 Mostre que se A e B são matrizes quadradas, então A e B comutam


se, e somente se, A − λI e B − λI comutam para qualquer escalar λ.

Exercı́cio 1.4.33 Mostre que se A é uma matriz idempotente, de ordem n × n, então


B = I − A é uma matriz idempotente e AB = BA = 0n .

Exercı́cio 1.4.34 Dada a matriz


 
1 2 2
A =  2 1 2 .
 

2 2 1

Mostre que A2 − 4A − 5I = 03 , onde 03 ∈ IM3 (IR) é a matriz nula..

Exercı́cio 1.4.35 Dada a matriz complexa


" #
i 0
A = .
0 i

Mostre que uma fórmula para as potências inteiras positivas da matriz A é dada por:

An = I, A, −I, −A

para n = 4m, 4m + 1, 4m + 2, 4m + 3 ; m ∈ IN , respectivamente.

Exercı́cio 1.4.36 Mostre que a matriz


 
1 −2 −6
A =  −3 2 9 
 

2 0 −3

é periódica com perı́odo 2, isto é, A3 = A.

Exercı́cio 1.4.37 Mostre que a matriz


 
1 −3 −4
A =  −1 3 4 
 

1 −3 −4

é nilpotente, isto é, existe um k ∈ IN ∗ tal que Ak = 03 .


Petronio Pulino 29

Exercı́cio 1.4.38 Mostre que as matrizes


   
1 2 3 −2 −1 −6
A =  3 2 0  e B =  3 2 9 
   

−1 −1 −1 −1 −1 −4
comutam, isto é, AB = BA.

Exercı́cio 1.4.39 Mostre que a matriz


 
4 3 3
A =  −1 0 −1 
 

−4 −4 −3
é auto–reflexiva, isto é, A2 = I.

Exercı́cio 1.4.40 Determine todas as matrizes reais de ordem 2 da forma


" #
a b
A =
0 c

tal que A2 = I2 , isto é, A é auto–reflexiva.

Exercı́cio 1.4.41 Sejam A uma matriz de ordem m × n e D = diag(d1 , · · · , dm ) uma


matriz diagonal. Deduza uma regra para o produto DA .

Exercı́cio 1.4.42 Sejam A uma matriz de ordem m × n e D = diag(d1 , · · · , dn ) uma


matriz diagonal. Deduza uma regra para o produto AD .

Exercı́cio 1.4.43 Mostre que se A é auto–reflexiva, então as matrizes


1 1
(I + A) e (I − A)
2 2
são idempotentes.

Exercı́cio 1.4.44 Mostre que se A é uma matriz auto–reflexiva, de ordem n × n, então

(I + A)(I − A) = 0n .

Exercı́cio 1.4.45 Mostre que as matrizes


" # " #
1 −1 1 1
A = e B =
2 −1 4 −1

são anti–comutativas. Assim, temos que (A + B)2 = A2 + B 2 .


30 Geometria Analı́tica e Vetores

Exercı́cio 1.4.46 Sejam A e B matrizes quadradas de mesma ordem. Qual a condição


que devemos ter para que (A + B)(A − B) = A2 − B 2 ?

Exercı́cio 1.4.47 Sejam A e B matrizes quadradas de mesma ordem. Qual a condição


que devemos ter para que (A + B)2 = A2 + 2AB + B 2 ?

Exercı́cio 1.4.48 Dada a matriz " #


1 1
A = .
0 1
Deduzir uma fórmula para as potências inteiras positivas da matriz A .

Exercı́cio 1.4.49 Dada a matriz " #


2 0
A = ,
1 3
determine as matriz B, de ordem 2, tais que AB = BA.

Exercı́cio 1.4.50 Sejam X = [xi1 ] e Y = [yi1 ] matrizes coluna de ordem n × 1. Mostre


que tr(XY t ) = X t Y .

Exercı́cio 1.4.51 Seja A = [aij ] uma matriz real de ordem n × n. Mostre que

(a) tr(At A) ≥ 0.

(b) tr(At A) = 0 se, e somente se, A = 0n .

Exercı́cio 1.4.52 Dada a matriz


" #
cos(θ) sin(θ)
A = para θ ∈ IR .
− sin(θ) cos(θ)

(a) Determine A2 e A3 .

(b) Faça a dedução de uma expressão para Ak , k ∈ IN , se possı́vel.


Petronio Pulino 31

1.5 Inversa de uma Matriz


Definição 1.5.1 Se A e B são matrizes quadradas de mesma ordem tais que

AB = BA = I ,

dizemos que B é a inversa de A e escrevemos B = A−1 . De modo análogo, temos que a


matriz A é a inversa da matriz B e podemos escrever A = B −1 . Uma matriz que possui
inversa dizemos que é invertı́vel. Caso contrário, dizemos que a matriz é não–invertı́vel.

Exemplo 1.5.1 As matrizes A e B dadas por:


   
1 2 3 6 −2 −3
A =  1 3 3  e B =  −1 1 0 
   

1 2 4 −1 0 1

satisfazem AB = BA = I. Logo, uma é a inversa da outra.

Teorema 1.5.1 Sejam A e B matrizes quadradas de mesma ordem com inversas A−1 e
B −1 , respectivamente. Então, (AB)−1 = B −1 A−1 .

Demonstração – Por definição, temos que

(AB)−1 (AB) = (AB) (AB)−1 = I .

Desse modo, podemos escrever

(B −1 A−1 ) (AB) = B −1 (A−1 A)B = B −1 IB = B −1 B = I .

Por outro lado, temos que

(AB) (B −1 A−1 ) = A(BB −1 )A−1 = AIA−1 = AA−1 = I .

Portanto, provamos que (AB)−1 = B −1 A−1 . 

Teorema 1.5.2 Seja A uma matriz quadrada com inversa A−1 . Então,

(A−1 )t = (At )−1 .

Demonstração – Sabemos que AA−1 = I e A−1 A = I. Assim, calculando suas


transpostas, obtemos

(AA−1 )t = (A−1 )t At = I e (A−1 A)t = At (A−1 )t = I .

Desse modo, temos que (A−1 )t = (At )−1 , o que completa a demonstração. 
32 Geometria Analı́tica e Vetores

Teorema 1.5.3 Sejam A , B e C matrizes quadradas tais que

AB = I e CA = I .

Então, B = C = A−1 é a única inversa da matriz A.

Demonstração – Como CA = I e AB = I, temos que

(CA)B = C(AB) =⇒ B = C.

Portanto, pela Definição 1.5.1, temos que B = C = A−1 . Assim, mostramos que a inversa
da matriz A é única. 

Exemplo 1.5.2 Dada a matriz " #


2 3
A = .
3 4
Determine a matriz A−1 , se possı́vel.

Sabendo que a inversa da matriz A é única, caso exista, vamos representar a matriz A−1
da seguinte forma:  
−1 a b
A =
c d
para em seguida utilizar o fato que AA−1 = I2 , isto é,
    
2 3 a b 1 0
= .
3 4 c d 0 1

Assim, temos que obter a solução de dois sistemas lineares


( (
2a + 3c = 1 2b + 3d = 0
e
3a + 4c = 0 3b + 4d = 1

que são equivalentes aos seguintes sistemas lineares, respectivamente,


( (
6a + 9c = 3 6b + 9d = 0
e
c = 3 d = −2

que possuem solução única. Portanto, obtemos


 
−1 −4 3
A = ,
3 −2

mostrando também a sua unicidade.


Petronio Pulino 33

1.6 Exercı́cios

Exercı́cio 1.6.1 Dada a matriz " #


1 3
A = .
2 8
Determine a matriz A−1 .

Exercı́cio 1.6.2 Considere a matriz real A dada por:


" #
a b
A = com ad − bc 6= 0 .
c d

Mostre que " #


1 d −b
A−1 = .
ad − bc −c a

Exercı́cio 1.6.3 Sejam A , B e C matrizes quadradas de mesma ordem com inversas


A−1 , B −1 e C −1 , respectivamente. Mostre que (ABC)−1 = C −1 B −1 A−1 .

Exercı́cio 1.6.4 Seja A uma matriz quadrada com inversa A−1 . Mostre que
1 −1
(λA)−1 = A
λ
para qualquer escalar λ não–nulo.

Exercı́cio 1.6.5 Seja D = diag(a11 , · · · , ann ) uma matriz diagonal, de ordem n, com os
elementos aii 6= 0 para i = 1, · · · , n. Mostre que
 
−1 1 1
D = diag , ··· ,
a11 ann

Exercı́cio 1.6.6 Determine a inversa da matriz A definida por:


 
1 1 1 1
 0 1 1 1
A =  .
 
 0 0 1 1
0 0 0 1

Exercı́cio 1.6.7 Sejam A e B matrizes quadradas de mesma ordem e B com inversa


B −1 . Mostre que tr(B −1 AB) = tr(A).
34 Geometria Analı́tica e Vetores

Exercı́cio 1.6.8 Sejam A e B matrizes quadradas de mesma ordem tais que AB é uma
matriz invertı́vel. Mostre que as matrizes A e B são invertı́veis.

Exercı́cio 1.6.9 Sejam A e B matrizes quadradas não–nulas, de ordem n, tais que AB =


0n . Mostre que as matrizes A e B são não–invertı́veis.

Exercı́cio 1.6.10 Seja A uma matriz quadrada complexa com inversa A−1 . Mostre que

( A )−1 = (A−1 ) .

Exercı́cio 1.6.11 Seja A uma matriz de ordem n tal que A4 = 04 . Mostre que

(I4 − A)−1 = I4 + A + A2 + A3 .

onde I4 ∈ IM4 (IR) é a matriz identidade e 04 ∈ IM4 (IR) é a matriz nula.

Exercı́cio 1.6.12 Seja A uma matriz nilpotente de ordem n. Mostre que a matriz (In −
A) é invertı́vel, exibindo sua matriz inversa.

Exercı́cio 1.6.13 Sejam A e B matrizes de ordem n. Mostre que

(a) Se AB = In , então BA = In .

(b) Se BA = In , então AB = In .

Exercı́cio 1.6.14 Determine a matriz A−1 , se possı́vel, da matriz A dada por:


" #
cos(θ) sin(θ)
A = para θ ∈ IR .
− sin(θ) cos(θ)

Exercı́cio 1.6.15 Seja X uma matriz coluna de ordem n × 1 tal que X t X = 1. A


matriz H, de ordem n, definida por:

H = In − 2XX t

é denominada matriz de Householder. Mostre que

(a) H é uma matriz simétrica.

(b) H t H = In .

(c) H −1 = H t .

Dê um exemplo de uma matriz de Householder de ordem 3.


Petronio Pulino 35

1.7 Matrizes em Blocos


Definição 1.7.1 Dizemos que uma matriz A ∈ IMm×n (IR) é uma matriz em blocos
quando podemos particionar linhas e colunas da seguinte forma:
 
A11 · · · A1r
 .. .. 
A =  . . ,
Aq1 · · · Aqr

onde cada matriz Aαβ é de ordem mα × nβ , com

m 1 + · · · + mq = m e n1 + · · · + nr = n .

Exemplo 1.7.1 Considere a matriz em blocos A ∈ IM3×5 (IR) definida na forma:


" #
A11 A12 A13
A = ,
A21 A22 A23

onde as matrizes Aαβ são dadas por:


" # " # " #
1 2 0 3 1
A11 = , A12 = , A13 =
0 2 1 2 −3

h i h i h i
A21 = 3 1 , A22 = 2 4 , A23 = −8

com m1 = 2, m2 = 1, n1 = 2, n2 = 2 e n3 = 1. Assim, temos que

m1 + m2 = 3 e n1 + n2 + n3 = 5 .

Portanto, a matriz A ∈ IM3×5 (IR) é dada por:


 
1 2 0 3 1
A = 0 2 1 2 −3 .
 

3 1 2 4 −8

Finalmente, é importante observar que podemos particionar a matriz A em blocos de


diversas maneiras.
36 Geometria Analı́tica e Vetores

Exemplo 1.7.2 Considere a matriz em blocos A ∈ IM4 (IR) definida na forma:


" #
A11 A12
A = ,
A21 A22

onde as matrizes Aαβ são dadas por:


   
1 2 0 1 h i h i
A11 = 3 0 1 , A12 = 2 , A21 = 2 1 4 , A22 = 5
   

2 4 0 0

com m1 = 3, m2 = 1, n1 = 3 e n2 = 1 . Assim, temos que

m1 + m2 = 4 e n1 + n2 = 4 .

Portanto, a matriz A ∈ IM4 (IR) é dada por:


 
1 2 0 1
3 0 1 2
A =  .
 
2 4 0 0
2 1 4 5

Exemplo 1.7.3 Considere a matriz em blocos A ∈ IM4 (IR) definida na forma:


" #
A11 A12
A = ,
A21 A22

onde as matrizes Aαβ são dadas por:


" # " # " # " #
1 1 0 0 0 0 2 5
A11 = , A12 = , A21 = , A22 =
1 2 0 0 0 0 1 3

com m1 = 2, m2 = 2, n1 = 2 e n2 = 2 . Assim, temos que

m1 + m2 = 4 e n1 + n2 = 4 .

Portanto, a matriz A ∈ IM4 (IR) é dada por:


 
1 1 0 0
1 2 0 0
A =  .
 
0 0 2 5
0 0 1 3
Petronio Pulino 37

Definição 1.7.2 Dizemos que uma matriz A é uma matriz quadrada em blocos se

(a) A é uma matriz quadrada.

(b) Os blocos formam uma matriz quadrada.

(c) O blocos diagonais são matrizes quadradas.

Definição 1.7.3 Dizemos que uma matriz quadrada em blocos D ∈ IMn (IR) é uma matriz
diagonal em blocos se os blocos não diagonais são matrizes nulas. Denotamos a matriz
diagonal em blocos da seguinte forma:
 
D11
D22
 
 
D =  
...
,

 
Drr

onde cada matriz Dαα é de ordem nα × nα , com n1 + · · · + nr = n.

Em geral, representamos a matriz diagonal em bloco D da forma:


r
X
D = D11 ⊕ D22 ⊕ · · · ⊕ Drr = ⊕ Dii ,
i=1

que também é denominada soma direta das matrizes D11 , · · · , Drr .

Exemplo 1.7.4 A matriz do Exemplo 1.7.3 é uma matriz diagonal em blocos.

Definição 1.7.4 Dizemos que uma matriz quadrada em blocos L ∈ IMn (IR) é uma matriz
triangular inferior em blocos se os blocos acima da diagonal principal são matrizes
nulas.

Exemplo 1.7.5 A matriz quadrada em blocos L ∈ IM4 (IR) definida na forma:


" #
L11 02
L = ,
L21 L22

onde 02 ∈ IM2 (IR) é a matriz nula, e as matrizes Lαβ são dadas por:
" # " # " #
1 1 1 0 2 5
L11 = , L21 = e L22 = ,
1 2 0 1 1 3

é uma matriz triangular inferior em blocos.


38 Geometria Analı́tica e Vetores

Portanto, a matriz L ∈ IM4 (IR) é dada por:


 
1 1 0 0
1 2 0 0
L =  .
 
1 0 2 5
0 1 1 3

Definição 1.7.5 Dizemos que uma matriz quadrada em blocos U ∈ IMn (IR) é uma matriz
triangular superior em blocos se os blocos abaixo da diagonal principal são matrizes
nulas.

Exemplo 1.7.6 A matriz quadrada em blocos U ∈ IM4 (IR) definida na forma:


" #
U11 U12
U = ,
04 U22

onde as matrizes Uαβ são dadas por:


" # " # " #
1 1 0 1 2 5
U11 = , U12 = e U22 = ,
1 2 1 0 1 3

é uma matriz triangular superior em blocos.

Portanto, a matriz U ∈ IM4 (IR) é dada por:


 
1 1 0 1
1 2 1 0
U =  .
 
0 0 2 5
0 0 1 3

Definição 1.7.6 Sejam A , B ∈ IMm×n (IR) matrizes em blocos dadas por:


   
A11 · · · A1r B11 · · · B1r
 .. ..   .. .. 
A =  . .  e B =  . . ,
Aq1 · · · Aqr Bq1 · · · Bqr

onde as matrizes Aαβ , Bαβ são de ordem mα × nβ , com

m 1 + · · · + mq = m e n1 + · · · + nr = n .
Petronio Pulino 39

Definimos a soma C = A + B da seguinte forma:


   
C11 · · · C1r A11 + B11 · · · A1r + B1r
 . ..  .. ..
   
C =  .. .. ..
. .  = . ,
 
 . .
   
Cq1 · · · Cqr Aq1 + Bq1 · · · Aqr + Bqr

que é uma matriz em blocos, onde cada matriz Cαβ é de ordem mα × nβ .

Lema 1.7.1 Sejam A ∈ IMm×p (IR) e B ∈ IMp×n (IR) matrizes em blocos dadas por:

A1
 . 
h i
A =  ..  e B = B1 · · · Br ,
Aq

onde cada matriz Aα é de ordem mα × p, com

m1 + · · · + mq = m ,

e cada matriz Bβ é de ordem p × nβ , com

n 1 + · · · + nr = n .

Então, o produto C = AB, que é uma matriz em blocos, é definido na forma:


 
C11 · · · C1r
 . .. 
 
C =  .. ...
. ,
 
Cq1 · · · Cqr

onde cada matriz Cαβ = Aα Bβ é de ordem mα × nβ .

Demonstração – Veja Lema 1.3.1, página 25, da referência [13]. 


40 Geometria Analı́tica e Vetores

Lema 1.7.2 Sejam A ∈ IMm×p (IR) e B ∈ IMp×n (IR) matrizes em blocos dadas por:
 
B1
 . 
h i
A = A1 · · · Aq e B =  ..  ,
Bq

onde as matrizes Aγ são de ordem m × nγ e as matrizes Bγ são de ordem nγ × n, com


n1 + · · · + nq = p.

Então, o produto C = AB, que é uma matriz em blocos, é definido na forma:


q
X
C = Aγ B γ ,
γ=1

onde cada matriz Aγ Bγ ∈ IMm×n (IR) para γ = 1 , · · · , q.

Demonstração – Veja Lema 1.3.2, página 26, da referência [13]. 


Petronio Pulino 41

Lema 1.7.3 Sejam A ∈ IMm×p (IR) e B ∈ IMp×n (IR) matrizes em blocos dadas por:
   
A11 · · · A1s B11 · · · B1r
 .. ..   .. .. 
A =  . .  e B =  . . ,
Aq1 · · · Aqs Bs1 · · · Bsr

onde cada matriz Aαγ é de ordem mα × lγ , com

m1 + · · · + mq = m e l1 + · · · + ls = p ,

e cada matriz Bγβ é de ordem lγ × nβ , com

n1 + · · · + nr = n .

Então, o produto C = AB, que é uma matriz em blocos, é definido na forma:


 
C11 · · · C1r
 . .. 
 
C =  .. ...
. ,
 
Cq1 · · · Cqr

que é uma matriz em blocos, onde cada matriz Cαβ é dada por:
s
X
Cαβ = Aαγ Bγβ ,
γ=1

que é de ordem mα × nβ , para

α = 1, · · · , q e β = 1, · · · , r .

Demonstração – Veja Teorema 1.3.3, página 26, da referência [13]. 


42 Geometria Analı́tica e Vetores

Exemplo 1.7.7 Sejam a matriz em blocos A e o vetor coluna em blocos X dados por:
   
A11 A12 X1
A =   e X =  ,
A21 A22 X2

onde cada matriz Aαβ ∈ IMn (IR) e cada vetor coluna Xβ ∈ IMn×1 (IR).

Assim, o produto Y = AX é escrito da seguinte forma:


    
A11 A12 X1 A11 X1 + A12 X2
Y =    =  ,
A21 A22 X2 A21 X1 + A22 X2

de acordo com o Lema 1.7.3.

Para exemplificar, considere a matriz em blocos A ∈ IM4 (IR) definida na forma:


 
A11 A12
A =  ,
A21 A22

onde as matrizes Aαβ ∈ IM2 (IR) são dadas por:


" # " # " # " #
1 1 0 0 0 0 2 5
A11 = , A12 = , A21 = , A22 = ,
1 2 0 0 0 0 1 3

e o vetor coluna X ∈ IM4×1 (IR) definido na forma:


     
X1 1 −1
X =   com X1 =   e X2 =  .
X2 1 1

Assim, o produto Y = AX é escrito da seguinte forma:


    
A11 A12 X1 A11 X1
Y =    =  .
A21 A22 X2 A22 X2

Assim, o vetor coluna Y ∈ IM4×1 (IR) é dado por:


 
2
3
Y =  .
 
3
2
Petronio Pulino 43

Exemplo 1.7.8 Considere a matriz diagonal em blocos A definida na forma:


 
A11 0n
A =  ,
0n A22

onde 0n ∈ IMn (IR) é a matriz nula, e as matrizes Aαα ∈ IMn (IR) são invertı́veis.

Desse modo, a matriz em blocos B definida na forma:


 
B11 B12
B =  
B21 B22

tal que  
I n 0n
AB = BA =  ,
0n I n
onde In ∈ IMn (IR) é a matriz identidade, é a inversa da matriz A.

De acordo com o Lema 1.7.3, temos que o produto AB é dado por:


   
A11 B11 A11 B12 In 0n
AB =   =  .
A22 B21 A22 B22 0n In

Portanto, temos que

A11 B11 = In ⇐⇒ B11 = A−1


11

A11 B12 = 0n ⇐⇒ B12 = A−1


11 0n = 0n

A22 B21 = 0n ⇐⇒ B21 = A−1


22 0n = 0n

A22 B22 = In ⇐⇒ B22 = A−1


22

Assim, obtemos a matriz diagonal em blocos


 
A−1
11 0 n
B =  
−1
0n A22

que é a inversa da matriz A.


44 Geometria Analı́tica e Vetores

Exemplo 1.7.9 Considere a matriz diagonal em blocos A ∈ IM4 (IR) definida na forma:
 
A11 02
A =  ,
02 A22

onde 02 ∈ IM2 (IR) é a matriz nula, e as matrizes Aαα ∈ IM2 (IR) são dadas por:
" # " #
1 1 2 5
A11 = e A22 = .
1 2 1 3

Assim, a matriz diagonal em blocos A−1 ∈ IM4 (IR) definida na forma:


 
A−1
11 0 2
A−1 =  ,
−1
02 A22

é a inversa da matriz A, onde as matrizes A−1


αα ∈ IM2 (IR) são dadas por:
" # " #
2 −1 3 −5
A−1
11 = e A−1
22 = .
−1 1 −1 2

Portanto, temos que " #


I2
AA−1 = A−1 A = ,
I2
onde I2 ∈ IM2 (IR) é a matriz identidade.

Portanto, as matrizes A , A−1 ∈ IM4 (IR) são dadas por:


   
1 1 0 0 2 −1 0 0
1 2 0 0  −1 1 0 0 
A =  e A−1 =  .
   

0 0 2 5  0 0 3 −5 
0 0 1 3 0 0 −1 2
Petronio Pulino 45

Lema 1.7.4 Considere a matriz em blocos A ∈ IMm×n (IR) dada na seguinte forma:
 
A11 · · · A1r
 .. .. 
A =  . . ,
Aq1 · · · Aqr

onde cada matriz Aαβ é de ordem mα × nβ , com

m 1 + · · · + mq = m e n1 + · · · + nr = n .

Então, a matriz em blocos At ∈ IMn×m (IR) é definida na forma:

At11 · · · Atq1
 
 . .. 
At =  .. . .
At1r · · · Atqr

Demonstração – A prova pode ficar a carga do leitor. 


46 Geometria Analı́tica e Vetores

Exemplo 1.7.10 Considere a matriz em blocos A ∈ IM3×5 (IR) definida na forma:


" #
A11 A12 A13
A = ,
A21 A22 A23

onde as matrizes Aαβ são dadas por:


" # " # " #
1 2 0 3 1
A11 = , A12 = , A13 =
0 2 1 2 −3

h i h i h i
A21 = 3 1 , A22 = 2 4 , A23 = −8

Desse modo, a matriz At ∈ IM5×3 (IR) é dada por:


 
At11 At21
 
t  t t
A = A12 A22 

 
t t
A13 A23

onde as matrizes Atαβ são dadas por:


" # " #
1 0 0 1 h i
At11 = , At12 = , At13 = 1 −3
2 2 3 2

" # " #
3 2 h i
At21 = , At22 = , At23 = −8
1 4

Assim, obtemos  
1 0 3
2 2 1
 
 
At = 
 0 1 2 

3 2 4
 
1 −3 −8
Petronio Pulino 47

Exemplo 1.7.11 Sejam A uma matriz normal real de ordem n × n e B uma matriz
normal real de ordem m × m. Vamos mostrar que a matriz em blocos dada por:
 
A 0n×m
C =  
t
0n×m B

é uma matriz normal de ordem (n + m), onde 0n×m é a matriz nula de ordem n × m.

Assim, temos que


" #" # " #
A 0n×m At 0n×m AAt 0n×m
CC t = =
0tn×m B 0tn×m Bt 0tn×m BB t
" #" # " #
At 0n×m A 0n×m At A 0n×m
C tC = =
0tn×m Bt 0tn×m B 0tn×m BtB
Como, por hipótese, At A = AAt e B t B = BB t , obtemos CC t = C t C. Logo, mostra-
mos que a matriz em blocos C é uma matriz normal.

Exemplo 1.7.12 Podemos verificar facilmente que as matrizes


 
2 0 0 " #
2 −3
A = 0 6 4 e B =
 
3 2
0 4 5

são matrizes normais.

Portanto, a matriz em blocos dada por:


 
2 0 0 0 0
" # 0 6 4 0 0
A 03×2  
C = 0
=  4 5 0 0
02×3 B

0 0 0 2 −3
0 0 0 3 2

é também uma matriz normal.


48 Geometria Analı́tica e Vetores

1.8 Operações Elementares. Equivalência


Definição 1.8.1 As operações elementares com matrizes, são operações que mantém
tanto a ordem da matriz quanto a sua caracterı́stica. Vamos definir dois tipos de operações
elementares. As operações elementares de linhas, que vamos indicar por h, e as operações
elementares de colunas, que vamos indicar por k.

São operações elementares de linhas:

(a) Permutação da i–ésima linha com a j–ésima linha, que indicaremos por:

h : li ←→ lj .

(b) Multiplicação da i–ésima linha por um escalar r não–nulo, que indicaremos por:

h : li ←− rli .

(c) Substituição da i–ésima linha pela i–ésima linha mais a j–ésima linha multiplicada por
um escalar r não–nulo, que indicaremos por:

h : li ←− li + rlj .

De modo análogo, definimos os mesmos tipos de operações elementares com as colunas da


matriz, que são denominadas operações elementares de colunas.

São operações elementares de colunas:

(a) Permutação da i–ésima coluna com a j–ésima coluna, que indicaremos por:

k : ci ←→ cj .

(b) Multiplicação da i–ésima coluna por um escalar r não–nulo, que indicaremos por:

k : ci ←− rci .

(c) Substituição da i–ésima coluna pela i–ésima coluna mais a j–ésima coluna multiplicada
por um escalar r não–nulo, que indicaremos por:

k : ci ←− ci + rcj .

Vamos nos dedicar mais às operações elementares de linhas, pois temos como objetivo central
suas aplicações na análise de soluções de sistemas de equações lineares.
Petronio Pulino 49

Exemplo 1.8.1 Dada a matriz


 
1 1 2
A =  3 5 5 ,
 

1 2 3

a operação elementar de linhas


h : l2 ←− l2 − 3l1
e a operação elementar de colunas

k : c2 ←− c2 + c3 .

Portanto, aplicando a seqüência k(h(A)) obtemos a seguinte matriz resultante


 
1 3 2
C = k(h(A)) =  0 1 −1  .
 

1 5 3

Podemos verificar facilmente que C = h(k(A)).

Exemplo 1.8.2 Dada a matriz


 
1 −1 2
A =  2 3 4 ,
 

3 1 1

vamos aplicar a seguinte seqüência de operações elementares de linhas


     
1 −1 2 1 −1 2 1 −1 2
 2 3 4  l2 ←− l2 − 2l1  0 5 0  l3 ←− l3 − 3l1  0 5 0 
     

3 1 1 3 1 1 0 4 −5
   
1 −1 2 1 −1 2
l3 ←− 5l3  0 5 0  l3 ←− l3 − 4l2  0 5 0 .
   

0 20 −25 0 0 −25

Assim, encontramos uma matriz triangular superior


 
1 −1 2
U =  0 5 0 ,
 

0 0 −25

obtida da matriz A através de operações elementares de linhas.


50 Geometria Analı́tica e Vetores

Definição 1.8.2 A operação elementar inversa é uma operação que desfaz o efeito
da operação elementar, isto é, depois de haver realizado uma operação elementar sobre uma
matriz, aplicando sobre a matriz resultante a operação elementar inversa retornamos à matriz
original.

Exemplo 1.8.3 Considere as seguintes operações elementares de linhas

(a) h : li ←− li + clj (b) h : li ←− rli (c) h : li ←→ lj

onde os escalares c e r são não–nulos.

As respectivas operações elementares inversas são dadas por:


1
(a) h1 : li ←− li − clj (b) h1 : li ←− li (c) h1 : li ←→ lj
r
o que pode ser facilmente verificada.

Exemplo 1.8.4 Considere a seguinte seqüência de operações elementares de linhas


1
l2 ←− l2 − 2l1 , l3 ←− l3 − 3l1 e l2 ←− l2 .
5
Desse modo, a seqüência de operações elementares inversas é dada por:

l2 ←− 5l2 , l3 ←− l3 + 3l1 e l2 ←− l2 + 2l1 .

Exemplo 1.8.5 Dada a matriz


 
1 −1 2
A =  2 3 4 .
 

3 1 1

Aplicando a seqüência de operações elementares de linhas


1
l2 ←− l2 − 2l1 , l3 ←− l3 − 3l1 , l2 ←− l2 e l3 ←− l3 − 4l2 ,
5
na matriz A, obtemos a seguinte matriz resultante
 
1 −1 2
B =  0 1 0 .
 

0 0 −5

Finalmente, aplicando a seqüência de operações elementares inversas

l3 ←− l3 + 4l2 , l2 ←− 5l2 , l3 ←− l3 + 3l1 e l2 ←− l2 + 2l1 .

na matriz B, obtemos novamente a matriz A.


Petronio Pulino 51

Assim, podemos verificar facilmente que a operação inversa de uma operação elementar de
linhas é uma operação elementar de linhas do mesmo tipo. Desse modo, temos que

h1 (h(A)) = h(h1 (A)) = A .

De modo análogo, a operação inversa de uma operação elementar de colunas é uma operação
elementar de colunas do mesmo tipo.

Definição 1.8.3 Sejam A e B matrizes de mesma ordem. Dizemos que a matriz B é


linha equivalente a matriz A, se a matriz B pode ser obtida da matriz A através de
uma seqüência finita de operações elementares sobre as linhas de A.

Exemplo 1.8.6 Considere a matriz A, de ordem 3 × 4, dada por:


 
1 4 2 1
A =  2 1 −1 1  .
 

4 −5 −7 1

Aplicando a seqüência de operações elementares de linhas

l2 ←− l2 − 2l1 , l3 ←− l3 − 4l1 e l3 ←− l3 − 3l2

na matriz A, obtemos a matriz


 
1 4 2 1
B =  0 −7 −5 −1 
 

0 0 0 0

que é linha equivalente a matriz A.

Definição 1.8.4 Sejam A e B matrizes de mesma ordem. Dizemos que a matriz B é


equivalente por coluna a matriz A, se a matriz B pode ser obtida da matriz A através
de uma seqüência finita de operações elementares sobre as colunas de A.

Definição 1.8.5 Sejam A e B matrizes de mesma ordem. Dizemos que a matriz B


é equivalente a matriz A, se a matriz B pode ser obtida da matriz A através de uma
seqüência finita de operações elementares sobre as linhas e sobre as colunas de A. Indicamos
B ∼ A para denotar que a matriz B é equivalente a matriz A.
52 Geometria Analı́tica e Vetores

1.9 Exercı́cios

Exercı́cio 1.9.1 Mostre que as matrizes


   
2 1 −1 1 3 2
A =  1 3 2  e U =  0 −5 −5 
   

4 2 1 0 0 3

são equivalentes, indicando a seqüência de operações elementares de linhas utilizada para


reduzir a matriz A a matriz triangular superior U .

Exercı́cio 1.9.2 Mostre que as matrizes


   
1 2 1 2
A =  3 4  e B =  0 −2 
   

−2 0 0 0

são equivalentes, indicando a seqüência de operações elementares de linhas utilizada para


reduzir a matriz A a matriz B.

Exercı́cio 1.9.3 Mostre que as matrizes


  
1 2 1 0
A =  3 4  e R =  0 1 
   

−2 0 0 0

são equivalentes, indicando a seqüência de operações elementares utilizada.

Exercı́cio 1.9.4 Mostre que as matrizes


" # " #
1 2 1 1 0 0
A = e R =
3 8 4 0 1 0

são equivalentes, indicando a seqüência de operações elementares utilizada.


Petronio Pulino 53

1.10 Forma Escalonada. Forma Escada


Definição 1.10.1 Uma matriz R, de ordem m × n, está na forma escalonada, linha
reduzida, se prevalecem as seguintes condições:

(a) Todas as linhas nulas, se houver, aparecem nas últimas linhas da matriz.

(b) O primeiro elemento não–nulo de uma linha, que é denominado pivô, está à direita
do primeiro elemento não–nulo da linha anterior.

Exemplo 1.10.1 Nos Exemplos 1.8.5 e 1.8.6 efetuamos uma seqüência de operações ele-
mentares de linhas na matriz A com o objetivo de obter uma matriz B na forma escalo-
nada, linha equivalente a matriz A.

Definição 1.10.2 Uma matriz R, de ordem m×n, na forma escalonada está na forma
escada, linha reduzida, se prevalecem mais as seguintes condições:

(c) O primeiro elemento não–nulo de uma linha não–nula de R é igual a 1.

(d) Cada coluna de R que contém o primeiro elemento não–nulo tem todos os seus outros
elementos nulos.

Exemplo 1.10.2 Um exemplo de uma matriz de ordem n na forma escada é a matriz


identidade In . De fato, podemos verificar facilmente que a matriz identidade satisfaz as
propriedades exigidas. Para ilustrar, tome como exemplo a matriz
 
1 0 0
I 3 =  0 1 0 .
 

0 0 1

A matriz nula 0m×n é um outro exemplo de uma matriz na forma escada.

Exemplo 1.10.3 Considerando as matrizes A e B do Exemplo 1.8.5. Aplicando a


seqüência de operações elementares de linhas
1
l3 ←− − l3 , l1 ←− l1 + l2 e l1 ←− l1 − 2l3
5
na matriz B na forma escalonada, linha equivalente a matriz A, obtemos a matriz R = I3
na forma escada, que é linha equivalente a matriz A.
54 Geometria Analı́tica e Vetores

Exemplo 1.10.4 Considerando novamente as matrizes A e B do Exemplo 1.8.6. Pode-


mos realizar uma seqüência de operações elementares de linhas na matriz B, que está na
forma escalonada, para obter uma matriz R na forma escada, linha equivalente a matriz
A. De fato,
   
1 4 2 1 1 4 2 1
1
B =  0 −7 −5 −1  l2 ←− − l2  0 1 57 71 
   
7
0 0 0 0 0 0 0 0
 
1 0 − 67 73
5 1 
l1 ←− l1 − 4l2  0 1

7 7 
0 0 0 0
Assim, obtemos a matriz na forma escada
 
1 0 − 67 37
5 1 
R =  0 1

7 7 
0 0 0 0

que é linha equivalente a matriz A.

Exemplo 1.10.5 Dada a matriz


 
2 2 −1 6 4
 4 4 1 10 13 
A =  .
 
 2 2 5 2 14 
6 6 0 20 19

Encontre uma matriz R na forma escalonada, linha equivalente a matriz A, indicando a


seqüência de operações elementares de linhas utilizada.

Exemplo 1.10.6 Dada a matriz


 
1 2 −3 0
A =  2 4 −2 2  .
 

3 6 −4 3

Encontre uma matriz R na forma escada, linha equivalente a matriz A, indicando a


seqüência de operações elementares de linhas utilizada.
Petronio Pulino 55

Definição 1.10.3 Sejam A uma matriz de ordem m × n e R a matriz na forma


escalonada linha equivalente a matriz A. Definimos o posto linha da matriz A, ou posto
de A, como sendo o número de linhas não–nulas da matriz R, e denotamos esse número
inteiro por posto(A).

Exemplo 1.10.7 Determine o posto linha da matriz A dada por:


 
1 2 1
A =  3 8 4 ,
 

1 4 2

e também o posto linha da matriz At .

Exemplo 1.10.8 Determine o posto linha da matriz A dada por:


 
1 2 1 1
A =  3 8 4 1 ,
 

1 4 2 1

e também o posto linha da matriz At .

Exemplo 1.10.9 Determine o posto linha da matriz A dada por:


 
1 2 1
 3 8 4 
A =  ,
 
 1 4 2 
1 1 1

e também o posto linha da matriz At .

Na seção 8.10 da referência [3] apresentamos um estudo mais detalhado sobre os resultados
envolvendo o posto de A, onde demonstraremos o fato observado nos exemplos anteriores.
56 Geometria Analı́tica e Vetores

1.11 Matrizes Elementares


Definição 1.11.1 A matriz resultante da aplicação de uma única operação elementar de
linhas à matriz identidade, é denominada matriz elementar de linha.

Definição 1.11.2 A matriz resultante da aplicação de uma única operação elementar de


colunas à matriz identidade, é denominada matriz elementar de coluna.

Exemplo 1.11.1 Vamos considerar o seguinte exemplo de uma matriz elementar de linha
obtida da matriz identidade I3 , que denotamos por H,
   
1 0 0 1 0 0
I3 = 0 1 0 l2 ←− l2 + 2l1 H = 2 1 0
   

0 0 1 0 0 1

Definição 1.11.3 A matriz resultante da aplicação de uma única operação elementar de


permutação de linhas sobre a matriz identidade, é denominada matriz de permutação
de linhas.

Definição 1.11.4 A matriz resultante da aplicação de uma única operação elementar de


permutação de colunas sobre a matriz identidade, é denominada matriz de permutação
de colunas.

Exemplo 1.11.2 Vamos considerar o seguinte exemplo de uma matriz de permutação de


linhas obtida da matriz identidade I3 , que denotamos por P ,
   
1 0 0 0 0 1
I3 = 0 1 0 l1 ←→ l3 P = 0 1 0
   

0 0 1 1 0 0

Observamos facilmente que uma matriz de permutação também é uma matriz elementar,
pois foi obtida da matriz identidade através de uma única operação elementar.

Seja h uma operação elementar de linhas, denotamos por H = h(In ) a matriz ele-
mentar de linha correspondente à operação elementar h. De modo análogo, se k é uma
operação elementar de colunas, vamos denotar por K = k(In ) a matriz elementar de
coluna correspondente à operação elementar k.
Petronio Pulino 57

Lema 1.11.1 Sejam A uma matriz de ordem m × n, B uma matriz de ordem p × m e


h uma operação elementar de linhas. Então, h(B)A = h(BA).

Demonstração – Seja Ei· a matriz linha de ordem 1 × p dada por:


 
Ei· = 0 · · · 0 1 0 ··· 0 ,

onde o valor 1 aparece na i–ésima coluna, que é a i–ésima linha da matriz identidade de
ordem p × p. Podemos verificar facilmente que
 
Ei· B = bi1 · · · bij · · · bim = Bi· ,

onde Bi· é a matriz linha de ordem 1 × m que denota a i–ésima linha da matriz B.

Por simplicidade, vamos denotar as matrizes A e B, e a matriz identidade Ip , da seguinte


forma:
A1· B1· E1·
     
 ..   ..   .. 
 .   .   . 
A =  Ai·  , B =  Bi·  e Ip =  Ei·  ,
     
 .   .   . 
 ..   ..   .. 
Am· Bp· Ep·
onde Ai· é a matriz linha de ordem 1 × n que denota a i–ésima linha da matriz A.

De modo análogo, podemos verificar facilmente que

B1· A
 
 .. 
 . 
BA =  Bi· A  ,
 
 . 
 .. 
Bp· A

utilizando a definição de multiplicação de matrizes. Note que Bi· A indica a multiplicação


da i–ésima linha da matriz B pela matriz A, obtendo a i–ésima linha da matriz BA.

A seguir passamos para a demonstração, considerando cada uma das operações elementar
de linhas, onde as observações acima serão de muita utilidade.
58 Geometria Analı́tica e Vetores

(1) Considere h como sendo a operação elementar de linhas que multiplica a i–ésima linha
por um escalar r não–nulo, isto é, h : li ←− rli , cuja matriz elementar correspondente é
dada por:
E1·
 
 .. 
 . 
h(Ip ) = H = rEi·  .
 
 . 
 .. 
Ep·
Desse modo, temos que

B1· E1· B
   
 ..   .. 
 .   . 
h(B) = rBi·  = (rEi· )B  = h(Ip )B = HB .
   
 .   . 
 ..   .. 
Bp· Ep· B

Portanto, temos que h(B)A = (HB)A = H(BA) = h(BA), fazendo uso do fato que
multiplicação de matrizes e associativa.

(2) Considere h como sendo a operação elementar de linhas que substitui a i–ésima
linha pela i–ésima mais a k–ésima linha multiplicada por um escalar r não–nulo, isto é,
h : li ←− li + rlk , cuja matriz elementar correspondente é dada por:

E1·
 
..
.
 
 
h(Ip ) = H = Ei· + rEk·  .
 
 .. 
 . 
Ep·

Desse modo, temos que

B1· E1· B
   
.. ..
. .
   
   
h(B) = Bi· + rBk·  = (Ei· + rEk· )B  = h(Ip )B = HB .
   
 ..   .. 
 .   . 
Bp· Ep· B

Portanto, temos que h(B)A = (HB)A = H(BA) = h(BA), fazendo uso do fato que
multiplicação de matrizes e associativa.
Petronio Pulino 59

(3) Considere h como sendo a operação elementar de linhas que permuta a i–ésima li-
nha com a k–ésima linha, isto é, h : li ←→ lk , para i < k, cuja matriz elementar
correspondente é dada por:  
E1·
 .. 
 . 
Ek· 
 
 . 
 ..  .
h(Ip ) = H =  
E 
 i· 
 . 
 .. 
Ep·
Desse modo, temos que
   
B1· E1· B
 ..   .. 
 .   . 
Bk·  Ek· B 
   
 .   . 
 ..  =  ..  = h(Ip )B = HB .
h(B) =    
B  E B 
 i·   i· 
 .   . 
.
 .   .. 
Bp· Ep· B

Portanto, temos que h(B)A = (HB)A = H(BA) = h(BA), fazendo uso do fato que
multiplicação de matrizes e associativa. 

Teorema 1.11.1 Seja A uma matriz de ordem m × n. A matriz C resultante da


aplicação de uma única operação elementar com as linhas da matriz A, é a mesma matriz
C resultante da multiplicação pela esquerda da matriz A pela matriz elementar H de
ordem m × m, correspondente à operação elementar efetuada com as linhas de A, isto é,
C = HA.

Demonstração – A prova segue do Lema 1.11.1, considerando a matriz B = Im . De fato,


Seja H a matriz elementar de linha correspondente à operação elementar de linhas h.
Desse modo, temos que
C = h(A) = h(Im )A = HA ,
o que completa a demonstração. 
60 Geometria Analı́tica e Vetores

Lema 1.11.2 Sejam A uma matriz de ordem m × n, k uma operação elementar de


colunas e h a operação elementar de linhas correspondente à operação k. Então,

k(A) = ( h(At ) )t .

Demonstração – A demonstração segue diretamente do fato que as colunas da matriz A


são as linhas da matriz At , e vice–versa. 

Corolário 1.11.1 Sejam k uma operação elementar de colunas, sendo K a matriz


elementar de coluna correspondente, e h a operação elementar de linhas análoga à operação
k, com H a matriz elementar de linha correspondente à operação elementar de linhas h.
Então, K = H t .

Exemplo 1.11.3 Vamos considerar a seguinte operação elementar de colunas

k : c2 ←− c2 + 2c1

e a operação elementar de linhas h correspondente à operação k, isto é,

h : l2 ←− l2 + 2l1 .

Desse modo, temos as matrizes elementares correspondentes às operações k e h


   
1 2 0 1 0 0
K = k(I3 ) = 0 1 0 e H = h(I3 ) = 2 1 0 .
   

0 0 1 0 0 1

Assim, podemos verificar que K = H t .

Teorema 1.11.2 Seja A uma matriz de ordem m × n. A matriz C resultante da


aplicação de uma única operação elementar com as colunas da matriz A, é a mesma matriz
C resultante da multiplicação pela direita da matriz A pela matriz elementar K, de ordem
n×n, correspondente à operação elementar efetuada com as colunas de A, isto é, C = AK.

Demonstração – A prova segue do Lema 1.11.2 e do Teorema 1.11.1. De fato, Sejam


K a matriz elementar de coluna correspondente à operação elementar de colunas k e H
a matriz elementar de linha correspondente à operação elementar de linhas h análoga à
operação k. Desse modo, obtemos

k(A) = ( h(At ) )t = ( HAt )t = AH t = AK ,

o que completa a demonstração. 


Petronio Pulino 61

Exemplo 1.11.4 Considere a matriz


 
1 2 1
A = 4 10 6 .
 

3 0 1

Aplicando a operação elementar de linhas l2 ←− l2 − 4l1 na matriz A, obtemos a matriz


resultante C    
1 2 1 1 2 1
A = 4 10 6 l2 ←− l2 − 4l1 C = 0 2 2 .
   

3 0 1 3 0 1
Equivalentemente, considerando a matriz elementar de linha E correspondente à operação
elementar de linhas, definida acima,
   
1 0 0 1 0 0
I3 = 0 1 0 l2 ←− l2 − 4l1 E = −4 1 0 ,
   

0 0 1 0 0 1

obtemos a matriz C da seguinte forma:


    
1 0 0 1 2 1 1 2 1
C = −4 1 0 4 10 6 = 0 2 2 ,
    

0 0 1 3 0 1 3 0 1

isto é, C = EA.

Exemplo 1.11.5 Considerando o Exemplo 1.8.1, vamos denotar por H a matriz elementar
de linha correspondente a operação elementar de linhas h e por K a matriz elementar de
coluna correspondente a operação elementar de colunas k. Desse modo, temos que a matriz
C pode ser obtida da seguinte forma:
     
1 0 0 1 1 2 1 0 0 1 3 2
C = −3 1 0  3 5 5  0 1 0 =  0 1 −1  .
     

0 0 1 1 2 3 0 1 1 1 5 3

Portanto, temos que C = (HA)K = H(AK), pois o produto de matrizes possui a propri-
edade associativa. Logo, provamos que k(h(A)) = h(k(A)).
62 Geometria Analı́tica e Vetores

Exemplo 1.11.6 Considere a matriz A de ordem 3 × 2 e a matriz B de ordem 2 × 3,


 
1 1 " #
1 1 3
A = 2 3 e B = ,
 
2 4 8
4 6

e a operação elementar de linhas h : l2 ←− l2 − 2l1 . Podemos verificar facilmente que


 
" # 1 1 " #
1 1 3  15 22
h(B)A = 2 3 = = h(BA)

0 2 2 12 18
4 6

onde as matrizes BA e h(BA) são dadas por:


" # " #
15 22 15 22
BA = l2 ←− l2 − 2l1 h(BA) = .
42 62 12 18

Assim, vemos que h(B)A = h(BA), que é uma ilustração do Lema 1.11.1.

Exemplo 1.11.7 Considere a matriz A de ordem 3 × 2


 
1 1
A = 2 3 
 

4 6

e a seguinte seqüência de operações elementares de linhas

l2 ←− l2 − 2l1 , l3 ←− l3 − 4l1 e l3 ←− l3 − 2l2

com as correspondentes matrizes elementares E1 , E2 e E3 , todas de ordem 3,


     
1 0 0 1 0 0 1 0 0
E1 = −2 1 0 , E2 =  0 1 0 e E 3 =  0 1 0 .
     

0 0 1 −4 0 1 0 −2 1

Desse modo, obtemos a matriz B = E3 E2 E1 A, que está na forma escalonada, que cor-
responde a aplicação da seqüência de operações elementares de linhas, definida acima, na
matriz A. De fato,
      
1 0 0 1 0 0 1 0 0 1 1 1 1
B = E 3 E2 E1 A = 0 1 0  0 1 0 −2 1 0 2 3 = 0 1 .
      

0 −2 1 −4 0 1 0 0 1 4 6 0 0

Portanto, temos que as matrizes A e B são equivalentes, A ∼ B.


Petronio Pulino 63

Teorema 1.11.3 Sejam A e B matrizes de ordem m × n. Então, a matriz B é linha


equivalente a matriz A se, e somente se, B = P A, com P = Hr · · · H2 H1 , onde cada
matriz Hi é uma matriz elementar de linha de ordem m × m.

Demonstração

(=⇒) Considerando que B é linha equivalente a matriz A. Sejam h1 , · · · hr uma seqüência


de operações elementares com as linhas de A resultando na matriz B. Desse modo, to-
mando Hi a matriz elementar de linha correspondente à operação elementar de linhas hi ,
temos que B = (Hr · · · H2 H1 )A = P A.

(⇐=) Considerando que B = P A, com P = Hr · · · H2 H1 , onde cada matriz Hi é


uma matriz elementar de linha de ordem m × m. Temos que a matriz H1 A é linha
equivalente a matriz A e H2 H1 A é linha equivalente a matriz H1 A. Assim, a matriz
H2 H1 A é linha equivalente a matriz A. Continuando o processo, vemos que a matriz
(Hr · · · H2 H1 )A = P A é linha equivalente a matriz A. 

Teorema 1.11.4 Uma matriz elementar de linha H é invertı́vel e sua inversa é uma
matriz elementar de linha H1 que corresponde à operação elementar inversa da operação
elementar de linhas efetuada por H.

Demonstração – Seja H a matriz elementar de linha correspondente à operação elementar


de linhas h. Se h1 é a operação inversa de h e H1 = h1 (I), então

HH1 = h(H1 ) = h(h1 (I)) = I


H1 H = h1 (H) = h1 (h(I)) = I

Desse modo, temos que H é uma matriz invertı́vel e H1 = H −1 . Logo, da definição de


inversa de uma matriz, temos que H = H1−1 . 

Teorema 1.11.5 Uma matriz elementar de coluna K é invertı́vel e sua inversa é uma
matriz elementar de coluna K1 que corresponde à operação elementar inversa da operação
elementar de colunas efetuada por K.

Demonstração – A prova pode ficar a cargo do leitor. 


64 Geometria Analı́tica e Vetores

Exemplo 1.11.8 Vamos considerar o seguinte exemplo de uma matriz elementar de linha
obtida da matriz identidade I3
   
1 0 0 1 0 0
I3 = 0 1 0 l2 ←− l2 + 2l1 E1 = 2 1 0 .
   

0 0 1 0 0 1

Assim, temos que a operação elementar inversa é l2 ←− l2 − 2l1 e a inversa da matriz


elementar E1 é dada por:
   
1 0 0 1 0 0
I3 = 0 1 0 l2 ←− l2 − 2l1 E2 = −2 1 0 .
   

0 0 1 0 0 1

Portanto, temos que E1 E2 = E2 E1 = I3 . Logo, E2 = E1−1 e E1 = E2−1 , decorrente da


definição de inversa de uma matriz.

Exemplo 1.11.9 Vamos considerar o seguinte exemplo de uma matriz de permutação de


linhas obtida da matriz identidade I3
   
1 0 0 1 0 0
I3 = 0 1 0 l2 ←→ l3 P = 0 0 1
   

0 0 1 0 1 0

Sabemos que a matriz de permutação P é uma matriz elementar e podemos observar que
P −1 = P , isto é, P P = P 2 = I3 . Logo, a matriz de permutação P é idempotente.

Exemplo 1.11.10 No Exemplo 1.11.7 temos que B = E3 E2 E1 A. Logo, como as matrizes


elementares são invertı́veis, obtemos que A = E1−1 E2−1 E3−1 B.

Assim, denotando E = E3 E2 E1 , temos que E −1 = E1−1 E2−1 E3−1 . Portanto, obtemos


      
1 0 0 1 0 0 1 0 0 1 1 1 1
−1 −1 −1
A = E 1 E 2 E 3 B =  2 1 0  0 1 0  0 1 0   0 1  = 2 3  .
      

0 0 1 4 0 1 0 2 1 0 0 4 6

Exemplo 1.11.11 Considerando o Exemplo 1.11.10, calcule explicitamente as matrizes

E = E3 E2 E1 e E −1 = E1−1 E2−1 E3−1 .


Petronio Pulino 65

Teorema 1.11.6 Sejam H1 , H2 , · · · , Hr matrizes elementares de linha e

H = H r · · · H 2 H1 .

Então, H −1 = H1−1 H2−1 · · · Hr−1 .

Demonstração – Pelo Teorema 1.11.4, temos que cada matriz elementar de linha Hi é
invertı́veis. Assim, a prova segue da aplicação do Teorema 1.5.1. 

Teorema 1.11.7 Sejam K1 , K2 , · · · , Kr matrizes elementares de coluna e

K = Kr · · · K2 K1 .

Então, K −1 = K1−1 K2−1 · · · Kr−1 .

Demonstração – Pelo Teorema 1.11.5, temos que cada matriz elementar de coluna Hi é
invertı́veis. Assim, a prova segue da aplicação do Teorema 1.5.1. 

Exemplo 1.11.12 Dada a matriz


 
1 2 −3
A =  2 4 −2 
 

3 6 −4

Encontre uma matriz R na forma escalonada, linha equivalente a matriz A, indicando a


seqüência de matrizes elementares de linha utilizada.

Exemplo 1.11.13 Dada a matriz


 
1 1 2
A =  2 0 1 
 

1 0 1

Determine uma seqüência de matrizes elementares H1 , · · · , Hr , onde cada matriz Hi é


uma matriz elementar de linha correspondente à operação elementar de linhas hi , de modo
que Hr Hr−1 · · · H2 H1 A = I3 . Mostre que Hr Hr−1 · · · H2 H1 = A−1 .

Exemplo 1.11.14 Mostre que necessariamente uma matriz elementar de linha de ordem
2 × 2 é uma das seguintes matrizes:
" # " # " # " # " #
0 1 1 c 1 0 c 0 1 0
, , , e
1 0 0 1 c 1 0 1 0 c

para o escalar c 6= 0.
66 Geometria Analı́tica e Vetores

Teorema 1.11.8 Seja A uma matriz de ordem n × n. Então, as seguintes afirmações são
equivalentes:

(a) A é invertı́vel.

(b) A é linha equivalente a matriz identidade.

(c) A é um produto de matrizes elementares de linha.

Demonstração

Vamos mostrar que (a) =⇒ (b). Considerando que A é invertı́vel e linha equivalente a uma
matriz B na forma escada. Sejam H1 , H2 , · · · , Hr matrizes elementares de linha, onde
cada matriz Hi corresponde a uma operação elementar de linhas hi , tais que

B = Hr · · · H2 H1 A .

Como A é invertı́vel e cada matriz elementar de linha Hi também é invertı́vel, temos que
B é invertı́vel. Entretanto, se B 6= In , então B possui uma linha nula, o que é uma
contradição, pois B é invertı́vel. Logo, B = In .

Vamos mostrar que (b) =⇒ (c). Considerando que A é linha equivalente a matriz In .
Sejam h1 , · · · hr uma seqüência de operações elementares com as linhas de A resultando
na matriz In . Desse modo, tomando cada matriz Hi como sendo a matriz elementar de
linha correspondente à operação elementar de linhas hi , temos que

I n = Hr · · · H2 H 1 A .

Pelo Teorema 1.11.6, temos que o produto de matrizes elementares de linha é invertı́vel.
Assim, temos que
A = H1−1 H2−1 · · · Hr−1 .
Sabemos que Hi−1 também é uma matriz elementar de linha. Portanto, mostramos que A
é um produto de matrizes elementares de linha.

Finalmente, mostraremos que (c) =⇒ (a). Sejam H1 , H2 , · · · , Hr matrizes elementares de


linha, onde cada matriz Hi corresponde a uma operação elementar de linhas hi , tais que
A = Hr · · · H2 H1 . Pelo Teorema 1.11.6, temos que o produto de matrizes elementares de
linha é invertı́vel. Desse modo, obtemos

A−1 = H1−1 H2−1 · · · Hr−1 ,

provando que A é invertı́vel, o que completa a demonstração. 


Petronio Pulino 67

Exemplo 1.11.15 Dada a matriz


 
1 1 2
A =  1 1 1 .
 

1 0 1

Vamos determinar a matriz A−1 , se possı́vel, através da aplicação de uma seqüência de


operações elementares de linhas h1 , h2 , · · · , hr na matriz A de modo que A ∼ I3 . Pelo
Teorema 1.11.8, sabemos que aplicando essa mesma seqüência de operações elementares de
linhas na matriz identidade I3 obtemos a matriz A−1 .

Inicialmente, aplicamos as operações elementares de linhas

h1 : l2 ←− l2 − l1 , h2 : l3 ←− l3 − l1 e h3 : l2 ←→ l3

simultaneamente na matriz A, obtendo uma matriz R na forma escalonada, e na matriz


identidade I3 , obtendo
   
1 1 2 1 0 0
R = H3 H2 H 1 A =  0 −1 −1  e H3 H2 H 1 I 3 =  −1 0 1 .
0 0 −1 −1 1 0

Agora, aplicamos as operações elementares de linhas

h4 : l2 ←− l2 − l3 , h5 : l1 ←− l1 − 2l3 e h6 : l1 ←→ l1 + l2

simultaneamente na matriz R e na matriz H3 H2 H1 I3 , obtendo


   
1 0 0 −1 1 1
H6 H5 H4 R =  0 −1 0  e H6 H5 H4 H3 H2 H1 I3 =  0 −1 1  .
0 0 −1 −1 1 0

Finalmente, aplicamos as operações elementares de linhas

h7 : l2 ←− −l2 e h8 : l3 ←− −l3

nas matrizes acima, obtendo I3 = H8 H7 H6 H5 H4 H3 H2 H1 A e


 
−1 1 1
A−1 = H8 H7 H6 H5 H4 H3 H2 H1 I3 =  0 1 −1  ,
1 −1 0

o que completa a resolução do exemplo.


68 Geometria Analı́tica e Vetores

Exemplo 1.11.16 Dada a matriz


 
1 2 1
A =  3 7 5 .
 

3 8 7

Vamos determinar a matriz A−1 , se possı́vel, através da aplicação de uma seqüência de


operações elementares de linhas h1 , h2 , · · · , hr na matriz A de modo que A ∼ I3 . Pelo
Teorema 1.11.8, sabemos que aplicando essa mesma seqüência de operações elementares de
linhas na matriz identidade I3 obtemos a matriz A−1 .

Para facilitar a aplicação da seqüência de operações elementares de linhas, vamos cria uma
matriz ampliada M da seguinte forma:
 
1 2 1 | 1 0 0
M =  3 7 5 | 0 1 0 .
3 8 7 | 0 0 1

Inicialmente, na primeira parte da matriz M temos a matriz A e na segunda parte da


matriz M temos a matriz identidade I3 .

Agora, aplicando as operações elementares de linhas

h1 : l2 ←− l2 − 3l1 , h2 : l3 ←− l3 − 3l1 e h3 : l3 ←− l3 − 2l2

na matriz ampliada M , obtemos


 
1 2 1 | 1 0 0
H3 H2 H1 M =  0 1 2 | −3 1 0 .
0 0 0 | 3 −2 1

Temos que a matriz R = H3 H2 H1 A na forma escalonada, linha equivalente a matriz A,


possui uma linha nula. Assim, pelo Teorema 1.11.8, podemos concluir que a matriz A não
possui inversa, pois não poderá ser reduzida linha equivalente à matriz identidade I3 .
Petronio Pulino 69

Teorema 1.11.9 Sejam A e B matrizes de ordem m × n. Mostre que a matriz B é


equivalente por coluna a matriz A se, e somente se, B = AQ, com Q = K1 K2 · · · Kr ,
onde cada matriz Ki é uma matriz elementar de coluna de ordem n × n.

Demonstração – A prova é feita de modo análogo ao Teorema 1.11.3. 

Corolário 1.11.2 Sejam A e B matrizes de ordem m × n. Então, a matriz B é


equivalente a matriz A, que indicamos por B ∼ A, se, e somente se, existe uma matriz
invertı́vel P de ordem m × m e uma matriz invertı́vel Q de ordem n × n, tais que
B = P AQ.

Demonstração – A prova segue imediata da Definição 1.8.5, do Teorema 1.11.3 e do


Teorema 1.11.9. 
70 Geometria Analı́tica e Vetores

Exemplo 1.11.17 Vamos mostrar que a equivalência de matrizes, que indicamos por ∼, é
uma relação de equivalência sobre o conjunto das matrizes de ordem m × n, isto é, satisfaz
as seguintes propriedades:

(a) Propriedade Reflexiva: A ∼ A.

(b) Propriedade Simétrica: Se A ∼ B, então B ∼ A.

(c) Propriedade Transitiva: Se A ∼ B e B ∼ C, então A ∼ C.

para A, B e C matrizes de ordem m × n.

Podemos verificar facilmente que A ∼ A. De fato, pois A = Im AIn , onde In é a matriz


identidade de ordem n×n, e Im é a matriz identidade de ordem m×m. Assim, mostramos
que a equivalência de matrizes satisfaz a propriedade reflexiva.

Considerando que a matriz A é equivalente a matriz B, A ∼ B, isto é, existe uma matriz
invertı́vel P de ordem m × m e uma matriz invertı́vel Q de ordem n × n, tais que
A = P BQ.

Assim, temos que B = P −1 AQ−1 . Logo, tomando as matrizes P1 = P −1 e Q1 = Q−1 ,


obtemos B = P1 AQ1 . Desse modo, mostramos que a matriz B é equivalente a matriz A,
B ∼ A. Portanto, mostramos que a equivalência de matrizes satisfaz a propriedade simétrica.

Considerando que a matriz A é equivalente a matriz B, A ∼ B, isto é, existe uma matriz
invertı́vel P1 de ordem m × m e uma matriz invertı́vel Q1 de ordem n × n, tais que
A = P1 BQ1 , e que a matriz B é equivalente a matriz C, B ∼ C, isto é, existe uma
matriz invertı́vel P2 de ordem m × m e uma matriz invertı́vel Q2 de ordem n × n, tais
que B = P2 CQ2 . Desse modo, temos que

A = P1 BQ1 = P1 ( P2 CQ2 )Q1 = ( P1 P2 )C( Q2 Q1 )

Sabemos que a matriz P1 P2 é invertı́vel, pois as matrizes P1 e P2 são invertı́veis, e


que a matriz Q2 Q1 é invertı́vel, pois as matrizes Q1 e Q2 são invertı́veis. Desse modo,
mostramos que a matriz A é equivalente a matriz C, A ∼ C. Assim, mostramos que a
equivalência de matrizes satisfaz a propriedade transitiva.

Portanto, mostramos que a equivalência de matrizes é uma relação de equivalência sobre o


conjunto das matrizes de ordem m × n.
Petronio Pulino 71

1.12 Exercı́cios

Exercı́cio 1.12.1 Determine as matrizes elementares de linha H1 , H2 , H3 e H4 , de


ordem 3 × 3, que correspondem às operações elementares de linhas

h1 : l1 ←→ l3 , h2 : l2 ←− l2 + l1 , h3 : l3 ←− l3 − 2l1 e h4 : l3 ←− l3 − l2

e encontre a inversa da matriz H = H4 H3 H2 H1 .

Exercı́cio 1.12.2 Escreva a matriz


" #
1 2
A =
3 5

como um produto de matrizes elementares de linha, se possı́vel.

Exercı́cio 1.12.3 Escreva a matriz


 
1 1 2
A =  1 0 1
 

0 2 1

como um produto de matrizes elementares de linha e determine sua inversa, se possı́vel.

Exercı́cio 1.12.4 Dada a matriz


 
1 0 3
A =  2 2 1 .
 

1 4 −7

Determine a matriz A−1 , se possı́vel, através da aplicação de uma seqüência de operações


elementares de linhas h1 , h2 , · · · , hr na matriz A de modo que A ∼ I3 .

Exercı́cio 1.12.5 Dada a matriz


 
1 0 1
A =  0 1 1 .
 

1 0 2

Determine a matriz A−1 , se possı́vel, através da aplicação de uma seqüência de operações


elementares de linhas h1 , h2 , · · · , hr na matriz A de modo que A ∼ I3 .
72 Geometria Analı́tica e Vetores

Exercı́cio 1.12.6 Dada a matriz


 
1 2 0 3
A =  2 1 3 6 .
 

1 4 3 1

Determine uma matriz R na forma escalonada que seja linha equivalente a matriz A, e
uma matriz P invertı́vel de ordem 3 × 3 tal que R = P A.

Exercı́cio 1.12.7 Dada a matriz


 
1 2 3
A =  2 5 7 .
 

3 7 6

Determine uma matriz R na forma escalonada que seja linha equivalente a matriz A e
uma matriz P invertı́vel de ordem 3 × 3 tal que R = P A.

Exercı́cio 1.12.8 Considere a seguinte matriz simétrica


 
1 2 1
A =  2 2 4 .
 

1 3 4

Determine uma matriz L triangular inferior que seja equivalente por coluna a matriz A,
indicando a seqüência de operações elementares de colunas utilizada e a respectiva seqüência
de matrizes elementares de coluna, isto é, L = AK1 K2 · · · Kr .

Exercı́cio 1.12.9 Considere a matriz L triangular inferior obtida no Exercı́cio 1.12.8.


Determine a matriz D linha equivalente a matriz L através da seqüência de operações ele-
mentares de linhas correspondente à seqüência de operações elementares de colunas utilizada
para obter a matriz L, isto é, D = Hr · · · H2 H1 L onde Hi = (Ki )t .

Exercı́cio 1.12.10 Determine o posto linha da matriz A dada por:


 
1 2 1 2 0
A =  3 4 4 5 1 ,
 

1 0 2 1 1

e também o posto linha da matriz At .


Petronio Pulino 73

1.13 Matrizes Congruentes. Lei da Inércia

Definição 1.13.1 Sejam A e B matrizes reais de ordem n × n. Dizemos que a matriz


B é congruente com a matriz A se existe uma matriz real invertı́vel P de ordem n × n
tal que B = P AP t .

Podemos verificar facilmente que se a matriz B é congruente a uma matriz simétrica A,


então B é simétrica. De fato,

B t = ( P AP t )t = P At P t = P AP t = B ,

e assim mostramos que B é uma matriz simétrica.

Como a congruência é uma relação de equivalência, Exemplo 1.13.3, temos que somente
as matrizes simétricas podem ser mutuamente congruentes e, em particular, somente as
matrizes simétricas são congruentes a matrizes diagonais.

Teorema 1.13.1 (Lei da Inércia) Seja A uma matriz simétrica real. Então, existe uma
matriz real invertı́vel P tal que D = P AP t é uma matriz diagonal. Além disso, o número
de elementos na diagonal de D que são positivos, negativos e nulos é sempre o mesmo,
independente da matriz P que realiza a relação de congruência.

Na seção 6.7 da referência [3] apresentamos a demonstração da Lei de Inércia de Sylvester ,


que é uma generalização do Teorema 1.13.1, utilizando os resultados de diagonalização de
matrizes Hermitianas, tornando a prova mais simples e elegante.

A seguir, apresentamos um procedimento para determinar da matriz P que realiza a dia-


gonalização da matriz simétrica A através da relação de congruência.

Sejam h1 , · · · , hr a seqüência de operações elementares de linhas, sendo Hi a matriz


elementar de linha correspondente à operação elementar de linhas hi , tais que

R = Hr · · · H2 H1 A = HA

é a matriz na forma escalonada linha equivalente a matriz A, que é uma matriz triangular
superior, onde estamos indicando a matriz H = Hr · · · H2 H1 .
74 Geometria Analı́tica e Vetores

Sejam k1 , · · · , kr a seqüência de operações elementares de colunas correspondente à


seqüência de operações elementares de linhas h1 , · · · , hr . Indicamos por Ki a matriz
elementar de coluna correspondente à operação elementar de colunas ki . Sabemos que

Ki = ( H i ) t ,

pelo Corolário 1.11.1.

Aplicando a seqüência de operações elementares de colunas K1 , · · · , Kr na matriz R =


HA, obtemos a matriz diagonal

D = Hr · · · H2 H1 A K1 · · · Kr = HAH t

Desse modo, a matriz P , que é triangular inferior, é dada por:

P = Hr · · · H2 H1 = H

realiza a diagonalização da matriz simétrica A através da relação de congruência, isto é,

D = P AP t

é uma matriz diagonal.

Portanto, a matriz P é invertı́vel, pois é o produto de matrizes elementares de linhas.


Assim, a matriz L = P −1 , que é triangular inferior, é dada por:

L = (H1 )−1 (H2 )−1 · · · (Hr )−1 .

Desse modo, temos a decomposição da matriz simétrica A na forma:

A = LDLt ,

que é bastante utilizada em várias aplicações. Essa forma de decomposição de matrizes


simétricas é estudada de forma detalhada na seção 8.7 da referência [3], onde apresentamos
a Decomposição de Cholesky. Tradicionalmente a Decomposição de Cholesky é também
estuda na disciplina de Cálculo Numérico.
Petronio Pulino 75

Exemplo 1.13.1 Dada a matriz simétrica


 
1 2 1
A =  2 6 6 .
 

1 6 3

Vamos determinar uma matriz invertı́vel P de modo que

D = P AP t

seja uma matriz diagonal.

Para facilitar a aplicação da seqüência de operações elementares, vamos cria uma matriz
ampliada M da seguinte forma:
 
1 2 1 | 1 0 0
M =  2 6 6 | 0 1 0 .
1 6 3 | 0 0 1

Inicialmente, na primeira parte da matriz M temos a matriz A e na segunda parte da


matriz M temos a matriz identidade I3 .

Agora, aplicando as operações elementares de linhas

h1 : l2 ←− l2 − 2l1 , h2 : l3 ←− l3 − l1 e h3 : l3 ←− l3 − 2l2

na matriz ampliada M , obtemos


 
1 2 1 | 1 0 0
H3 H2 H1 M =  0 2 4 | −2 1 0 .
0 0 −6 | 3 −2 1

Desse modo, temos que as matrizes P = H3 H2 H1 e P A são dadas por:


   
1 2 1 1 0 0
PA =  0 2 4  e P =  −2 1 0 .
0 0 −6 3 −2 1

Finalmente, aplicando as correspondentes operações elementares de colunas na matriz P A,


isto é, P A K1 K2 K3 , onde Ki = ( Hi )t , obtemos a matriz diagonal
 
1 0 0
D = P AP t =  0 2 0 ,
0 0 −6

que é a diagonalização da matriz A através da transformação de congruência. Sabemos


que a matriz P é invertı́vel, pois é um produto de matrizes elementares de linhas.
76 Geometria Analı́tica e Vetores

Podemos observar facilmente que


     
1 0 0 1 0 0 1 0 0
H1 =  −2 1 0  , H2 =  0 1 0  e H3 =  0 1 0 .
0 0 1 −1 0 1 0 −2 1

Desse modo, chamando a matriz triangular inferior L = P −1 , temos que


 
1 0 0
L = P −1 = (H1 )−1 (H2 )−1 (H3 )−1 = 2 1 0 ,
1 2 1

onde
     
1 0 0 1 0 0 1 0 0
(H1 )−1 =  2 1 0  , (H2 )−1 =  0 1 0  e (H3 )−1 =  0 1 0 .
0 0 1 1 0 1 0 2 1

Portanto, temos que a matriz simétrica A pode ser decomposta da seguinte forma:

A = P −1 D P −t = L D Lt ,

que também é uma forma bastante usual de decomposição de uma matriz simétrica, que
possui várias aplicações interessantes.

Exemplo 1.13.2 Considere a matriz simétrica A dada por:


 
4 2 12 2
 2 28 6 1 
A =  .
 
 12 6 72 6 
2 1 6 3

Determine uma matriz invertı́vel P de modo que D = P AP t seja uma matriz diagonal,
e a matriz L = P −1 tal que A = LDLt .
Petronio Pulino 77

Exemplo 1.13.3 Vamos mostrar que a relação de congruência, que indicaremos por ≈, é
uma relação de equivalência sobre o conjunto das matrizes de ordem n × n, isto é, satisfaz
as seguintes propriedades:

(a) Reflexiva: A ≈ A.

(b) Simétrica: Se B ≈ A, então A ≈ B.

(c) Transitiva: Se A ≈ B e B ≈ C, então A ≈ C.

para A, B e C matrizes de ordem n × n.

Podemos verificar facilmente que A ≈ A. De fato, pois A = IAI t , onde I é a matriz


identidade de ordem n × n. Assim, mostramos que a relação de congruência satisfaz a
propriedade reflexiva.

Considerando que a matriz B é congruente com a matriz A, B ≈ A, isto é, existe uma
matriz invertı́vel P tal que B = P AP t . Sendo assim, temos que A = P −1 BP −t . Por-
tanto, tomando a matriz Q = P −1 , obtemos A = QBQt . Desse modo, mostramos que
a matriz A é congruente com a matriz B, A ≈ B. Assim, mostramos que a relação de
congruência satisfaz a propriedade simétrica.

Considerando que a matriz A é congruente com a matriz B, A ≈ B, isto é, existe uma
matriz invertı́vel P tal que A = P BP t , e que a matriz B é congruente com a matriz C,
B ≈ C, isto é, existe uma matriz invertı́vel Q tal que B = QCQt . Desse modo, temos
que
A = P BP t = P ( QCQt )P t = (P Q)C(P Q)t .
Sabemos que a matriz P Q é invertı́vel, pois P e Q são invertı́veis. Desse modo, mos-
tramos que a matriz A é congruente com a matriz C, A ≈ C. Assim, mostramos que a
relação de congruência satisfaz a propriedade transitiva.

Portanto, mostramos que a relação de congruência é uma relação de equivalência sobre o


conjunto das matrizes de ordem n × n.
78 Geometria Analı́tica e Vetores

1.14 Exercı́cios

Exercı́cio 1.14.1 Considere a matriz simétrica


 
1 2 3
A =  2 6 8 .
 

3 8 15

Determine uma matriz invertı́vel P de modo que D = P AP t seja uma matriz diagonal,
e a matriz L = P −1 tal que A = LDLt .

Exercı́cio 1.14.2 Considere a matriz simétrica


 
3 9 6
A =  9 29 22  .
 

6 22 20

Determine uma matriz invertı́vel P de modo que D = P AP t seja uma matriz diagonal,
e a matriz L = P −1 tal que A = LDLt .
Petronio Pulino 79

1.15 Sistemas de Equações Lineares


Seja A = [aij ] uma matriz de ordem m × n definida sobre o corpo IF , isto é, seus
elementos ai,j ∈ IF para 1 ≤ i ≤ m e 1 ≤ j ≤ n. Consideremos o problema de
encontrar escalares x1 , · · · , xn ∈ IF satisfazendo simultaneamente o seguinte sistema de
equações lineares

a11 x1 + a12 x2 + · · · + a1n xn = y1





 .. .. .. ..
. . . .



ai1 x1 + ai2 x2 + · · · + ain xn = yi
 .. .. .. ..
. . . .




am1 x1 + am2 x2 + · · · + amn xn = ym

conhecendo os escalares y1 , · · · , yn ∈ IF . Esse problema é denominado sistema linear,


com m equações lineares e n incógnitas.

Por simplicidade, vamos representar o sistema linear acima na sua forma matricial

AX = Y

onde
a11 a12 · · · a1n x1 y1
     
 .. .. ..   ..   .. 
 . . .  .  . 
A =  ai1 ai2 · · · ain  , X =  xi  e Y =  yi 
     
 . .. ..  .  . 
 .. . .   ..   .. 
am1 am2 · · · amn xn ym

A matriz A de ordem m × n é denominada matriz dos coeficientes do sistema linear,


o vetor coluna X de ordem n × 1 é denominado vetor de incógnitas e o vetor coluna
Y de ordem m × 1 é denominado vetor do lado direito do sistema linear.

Toda n–upla (x1 , · · · , xn ) de elementos do corpo IF que satisfaz cada uma das equações
do sistema linear é denominada uma solução do sistema linear. O vetor coluna X , associ-
ado a essa n–upla, é denominado vetor solução do sistema linear. O conjunto de todas as
soluções do sistema linear é chamado conjunto solução.

Quanto y1 = y2 = · · · = ym = 0 dizemos que o sistema linear é homogêneo, isto é,


temos que cada equação do sistema linear é uma equação homogênea.
80 Geometria Analı́tica e Vetores

Teorema 1.15.1 Considere a equação linear

ax = b ,

com a, b ∈ IR.
b
(a) Se a 6= 0, então x = é a única solução da equação linear.
a
(b) Se a = 0 e b 6= 0, então a equação linear não possui solução.

(c) Se a = 0 e b = 0, então a equação linear possui infinitas solução.

Demonstração – A prova pode ficar a cargo do leitor. 

Definição 1.15.1 Dizemos que a equação linear

a1 x1 + · · · + an xn = b ,

nas incógnitas x1 , · · · , xn , é degenerada se a1 = a2 = · · · = an = 0.

Teorema 1.15.2 Considere a equação linear degenerada

a1 x1 + · · · + an xn = b ,

a1 = a2 = · · · = an = 0.

(a) Se b 6= 0, então a equação linear degenerada não possui solução.

(b) Se b = 0, então a equação linear degenerada possui infinitas solução.

Demonstração – A prova pode ficar a cargo do leitor. 

Definição 1.15.2 Dizemos que a equação linear

a1 x1 + · · · + an xn = b

é não–degenerada se os coeficientes a1 , a2 , · · · , an não são todos nulos. Além disso,


a primeira incógnita com coeficiente não–nulo é denominada variável básica. De modo
análogo, xk é a variável básica, se aj = 0 para todo j < k, mas ak 6= 0.
Petronio Pulino 81

Teorema 1.15.3 Considere a equação linear não–degenerada

a1 x1 + · · · + an xn = b ,

com xk a variável básica.

(a) Qualquer conjunto de valores xj , para j 6= k, fornece uma única solução para a
equação linear. As incógnitas xj , para j 6= k, são denominadas variáveis livres.

(b) Toda solução da equação linear não–degenerada é obtida em (a).

Demonstração – Inicialmente atribuı́mos valores arbitrários às variáveis livres xj , para


j 6= k. Como aj = 0, para j < k, obtemos

ak xk = b − ( ak+1 xk+1 + · · · + an xn ) ,

com ak 6= 0. Pelo Teorema 1.15.1, a incógnita xk é determinada de modo único na forma:

b − ( ak+1 xk+1 + · · · + an xn )
xk = ,
ak
o que prova o item (a).

Finalmente, vamos supor que a n–upla (x1 , · · · , xn ) seja uma solução da equação linear.
Desse modo, temos que

b − ( ak+1 xk+1 + · · · + an xn )
xk = ,
ak
que é exatamente a solução obtida no item (a), o que completa a demonstração. 

Exemplo 1.15.1 O conjunto solução da equação linear

2x + 6y − 4z = 10 ,

nas incógnitas x, y, e z, é dado por:

S = { ( x, y, z ) ∈ IR3 / x = 5 − 3y + 2z , y, z ∈ IR } ,

onde x é a variável básica, com y e z as variáveis livres.


82 Geometria Analı́tica e Vetores

Exemplo 1.15.2 Considere o sistema de equações lineares não–degeneradas dado por:



 a1 x + b1 y = c1
 ax + by = c
2 2 2

nas incógnitas x e y.

Podemos observar facilmente que cada uma das equações do sistema linear representa a
equação na forma canônica de uma reta contida no plano numérico IR2 . Assim, podemos
dar uma interpretação geométrica ao conjunto solução do sistema linear.

Podemos descrever três situações geométricas para o conjunto solução, a saber:

(1) O gráfico das equações lineares são retas que se interceptam em um único ponto, isto
é, são retas concorrentes. Assim, O sistema linear possui somente uma única solução.

(2) O gráfico das equações lineares são retas paralelas distintas. Assim, O sistema linear
não possui solução.

(3) O gráfico das equações lineares são retas paralelas coincidentes. Assim, O sistema
linear possui infinitas soluções.

A seguir vamos analisar separadamente cada um dos casos acima. As situações (2) e (3)
ocorrerem quando as retas possuem coeficientes angulares iguais, isto é,
a1 a2 a1 b1
− = − ⇐⇒ = ⇐⇒ a1 b2 − a2 b1 = 0 .
b1 b2 a2 b2
Note que a condição acima pode ser escrita da seguinte forma:

a1 b1
det(A) = = 0,
a2 b2

onde A é a matriz do sistema linear. Desse modo, os casos (2) e (3) ocorrerem somente
quando a matriz do sistema linear não possui inversa.

Assim, o caso (1) ocorre quando as retas possuem coeficientes angulares diferentes, isto é,

a1 b1
det(A) = = a1 b2 − a2 b1 6= 0 .
a2 b2

Portanto, o caso (1) ocorre quando a matriz do sistema linear for invertı́vel.
Petronio Pulino 83

O caso (2) ocorre quando as retas são paralelas e cortam o eixo vertical OY em pontos
distintos, isto é,
c1 c2 b1 c1 a1 b1 c1
− 6= − ⇐⇒ 6= ⇐⇒ = 6= .
b1 b2 b2 c2 a2 b2 c2
O caso (3) ocorre quando as retas são paralelas e cortam o eixo vertical OY no mesmo
pontos, isto é,
c1 c2 b1 c1 a1 b1 c1
− = − ⇐⇒ = ⇐⇒ = = .
b1 b2 b2 c2 a2 b2 c2
Assim, analisamos o conjunto solução do sistema linear tanto do ponto de vista geométrico
quanto do ponto de vista algébrico.

Exemplo 1.15.3 Analisar o conjunto solução do sistema linear



 2x + y = 1
 3x + 2y = 4

apresentando uma interpretação geométrica.

Exemplo 1.15.4 Analisar o conjunto solução do sistema linear



 3x + 2y = 1
 3x + 2y = 4

apresentando uma interpretação geométrica.

Exemplo 1.15.5 Analisar o conjunto solução do sistema linear



 10x + 5y = 15
 2x + 1y = 3

apresentando uma interpretação geométrica.

Exemplo 1.15.6 Analisar o conjunto solução do sistema linear



 10x + 5y = 15
 2x + 1y = −3

apresentando uma interpretação geométrica.


84 Geometria Analı́tica e Vetores

Exemplo 1.15.7 Uma equação linear nas incógnitas x, y, z é representada na forma:

ax + by + cz = d

conhecendo os escalares a, b, c, d ∈ IR. Por exemplo,

x − 4y + 3z = 6

é uma equação linear nas incógnitas x, y, z.

Exemplo 1.15.8 Uma equação linear nas incógnitas x, y, z representada na forma:

ax + by + cz = 0 ,

conhecendo os escalares a, b, c ∈ IR, é denominada equação linear homogênea.

Por exemplo,
x − 4y + 3z = 0
é uma equação linear homogênea nas incógnitas x, y, z.

Podemos verificar facilmente que toda solução da equação linear homogênea, dada acima,
pode ser escrita como:

(x, y, z) = y(4, 1, 0) + z(−3, 0, 1) para y, z ∈ IR .

denominada solução geral.

Desse modo, pode representar o conjunto solução da seguinte forma:

S = { (x, y, z) / (x, y, z) = y(4, 1, 0) + z(−3, 0, 1) para y, z ∈ IR } .

Note que as ternas (4, 1, 0) e (−3, 0, 1) são soluções da equação homogênea, utilizadas
na representação da solução geral. Essas soluções são chamadas soluções básicas.

Uma técnica bastante simples e muito importante na obtenção de soluções de um sistema


de equações lineares é o método de eliminação que utiliza as operações elementares de
linhas. Vamos exemplificar esse método através de um sistema linear homogêneo.
Petronio Pulino 85

Exemplo 1.15.9 Considere o seguinte sistema linear homogêneo


(
x − 2y + z = 0
2x − 5y + z = 0

Aplicando a operação elementar de linhas l2 ←− l2 − 2l1 obtemos o seguinte sistema


linear homogêneo 
x − 2y + z = 0
− y − z = 0
Assim, da segunda equação temos que y = −z para z ∈ IR. Substituindo na primeira
equação obtemos x = −3z.

Portanto, temos que toda solução do sistema linear homogêneo é escrita da seguinte forma:

(x, y, z) = z(−3, −1, 1) para z ∈ IR .

Note que (−3, −1, 1) é uma solução do sistema linear homogêneo, que é utilizada na
representação da solução geral. Assim, essa solução é chamada solução básica. Neste caso,
dizemos que o sistema linear homogêneo possui um grau de liberdade, que é a variável
livre z. As varáveis x, y são denominadas variáveis básicas.

Podemos verificar que o sistema linear homogêneo obtido através da operação elementar de
linhas, possui o mesmo conjunto solução do sistema linear homogêneo original. Desse modo,
dizemos que os dois sistemas lineares são equivalentes. Vamos apresentar uma análise de-
talhada do processo de eliminação mais a frente. Claramente, o processo de eliminação é
válido para sistema linear não homogêneo, como exemplificamos a seguir.

Exemplo 1.15.10 Considere o seguinte sistema linear


(
x − 2y + z − t = 1
2x − 3y + z + 2t = 3

Aplicando a operação elementar de linhas l2 ←− l2 − 2l1 obtemos o sistema linear



x − 2y + z − t = 1
y − z + 4t = 1

Assim, da segunda equação temos que y = z − 4t + 1 para z, t ∈ IR. Substituindo na


primeira equação obtemos x = z − 7t + 3.
86 Geometria Analı́tica e Vetores

Portanto, temos que a solução geral do sistema linear é escrita da seguinte forma:

(x, y, z, t) = z(1, 1, 1, 0) + t(−7, −4, 0, 1) + (3, 1, 0, 0) para z, t ∈ IR .

Neste exemplo, temos duas variáveis livres, que são z e t, e dizemos que o grau de liberdade
do sistema linear é igual a dois.

Podemos verificar facilmente que as ternas (1, 1, 1, 0) e (−7, −4, 0, 1) são duas soluções
do sistema linear homogêneo associado, isto é,
 
x − 2y + z − t = 0 x − 2y + z − t = 0
⇐⇒
2x − 3y + z + 2t = 0 y − z + 4t = 0
utilizadas na representação da solução geral do sistema linear. Assim, essas soluções são as
soluções básicas do sistema linear homogêneo associado. Note que a terna (3, 1, 0, 0) é uma
solução do sistema linear original, denominada solução particular.

Exemplo 1.15.11 Considere o seguinte sistema linear



 x − 2y
 + z − t = 1
2x − 3y + z + 2t = 3

3x − 9y + 6z − 15t = 5

Aplicando as seguintes operações elementares de linhas

l2 ←− l2 − 2l1 e l3 ←− l3 − 3l1

obtemos o sistema linear



 x − 2y + z − t = 1
y − z + 4t = 1
− 3y + 3z − 12t = 2

Aplicando a operação elementar de linhas l3 ←− l3 + 3l2 obtemos o sistema linear



 x − 2y + z − t = 1
y − z + 4t = 1
0 = 5

Desse modo, temos que a terceira equação é degenerada, isto é, pode ser escrita como:

0x + 0y + 0z + 0t = 5 .

Logo, o sistema linear é inconsistente, isto é, não possui solução.

Exemplo 1.15.12 Considere o seguinte sistema linear



 x − 2y + z = −1

2x − 3y + z = −3

x + 4y + 2z = 7

Petronio Pulino 87

Aplicando as seguintes operações elementares de linhas

l2 ←− l2 − 2l1 e l3 ←− l3 − l1

obtemos o sistema linear 


 x − 2y + z = 1
y − z = −1
6y + z = 8

Aplicando a operação elementar de linhas l3 ←− l3 − 6l2 obtemos o sistema linear



 x − 2y + z = 1
y − z = 1
7z = 14

Assim, temos que o sistema linear possui uma única solução

z = 2, y = 1 e x = −1 ,

isto é, a terna (−1, 1, 2) é a única solução do sistema linear.

Definição 1.15.3 Dizemos que um sistema de equações lineares é consistente se possui


solução. Quanto não possui solução, dizemos que é inconsistente.


 Inconsistente −→ não possui solução



Sistema de Equações Lineares (
 −→ possui uma única solução
Consistente



−→ possui infinitas soluções

88 Geometria Analı́tica e Vetores

Teorema 1.15.4 Sejam A e B matrizes de ordem m × n que são equivalentes por


linha. Então, os sistemas lineares homogêneos AX = 0 e BX = 0 possuem as mesmas
soluções.

Demonstração – Considerando que a matriz B é linha equivalente a matriz A, pelo


Teorema 1.11.3, existe uma seqüência de operações elementares com as linhas da matriz A
resultando na matriz B, que vamos denotar por h1 , · · · hr . Desse modo, tomando Hi
a matriz elementar de linha correspondente à operação elementar de linhas hi , temos que
B = (Hr · · · H2 H1 )A = P A. Pelo Teorema 1.11.6, sabemos que a matriz P é invertı́vel.
Assim, temos que A = P −1 B. Logo, a matriz A é linha equivalente a matriz B.

Desse modo, se o vetor coluna X ∗ , de ordem n × 1, é uma solução do sistema linear


homogêneo AX = 0, isto é, AX ∗ = 0, temos que

BX ∗ = (P A)X ∗ = P (AX ∗ ) = 0 .

Logo, X ∗ é também uma solução do sistema linear homogêneo BX = 0.

De modo análogo, se o vetor coluna X ∗ , de ordem n × 1, é uma solução do sistema linear


homogêneo BX = 0, isto é, BX ∗ = 0, temos que

AX ∗ = (P −1 B)X ∗ = P −1 (BX ∗ ) = 0 .

Logo, X ∗ é também uma solução do sistema linear homogêneo AX = 0.

Portanto, provamos que os sistemas lineares homogêneos

AX = 0 e BX = 0

são equivalentes, isto é, possuem o mesmo conjunto solução. 

Definição 1.15.4 Seja A uma matriz de ordem m × n. Dizemos que A é uma matriz
não–singular se AX = 0 somente para X = 0. Caso contrário, dizemos que A é uma
matriz singular.

No resultado que apresentamos a seguir, provamos que se A é uma matriz de ordem m × n,


com m < n, então necessariamente A é uma matriz singular, isto é, o sistema linear
homogêneo AX = 0 possui solução não trivial. Para uma matriz A de ordem n, vamos
mostrar que A é uma matriz invertı́vel se, e somente se, A é uma matriz não–singular.
Esses são resultados importantes em Álgebra Linear, que iremos utilizar em todo o texto.
Petronio Pulino 89

Teorema 1.15.5 Seja A uma matriz de ordem m × n, com m < n. Então, o sistema
linear homogêneo AX = 0 admite pelo menos uma solução não trivial.

Demonstração – Seja R = [rij ] uma matriz na forma escalonada linha equivalente a


matriz A. Então, pelo Teorema 1.15.4, os sistemas lineares homogêneos AX = 0 e
RX = 0 são equivalentes, isto é, possui o mesmo conjunto solução.

Considerando que p é o número de linhas não–nulas na matriz R, certamente temos


que p < m < n. Desse modo, o sistema linear homogêneo tem grau de liberdade igual a
(n − p). Vamos considerar que o primeiro elemento não–nulo da i–ésima linha ocorra na
coluna ki , com k1 < k2 < · · · < ki < · · · < kp .

Assim, o sistema linear RX = 0 possui p equações não–triviais, que podem ser escritas
da seguinte forma:
n
X
riki xki + rij xj = 0 para i = 1, 2, · · · p .
j = ki+1

Como riki 6= 0, temos que as incógnitas xki são obtidas da seguinte forma:
n
X
rij xj
j = ki+1
x ki = − para i = 1, 2, · · · p .
riki

Finalmente, atribuindo valores, não todos nulos, para as (n − p) variáveis livres, que são
diferentes das variáveis básicas xk1 , · · · , xkp , obtemos o conjunto solução do sistema
linear homogêneo RX = 0. 

Exemplo 1.15.13 No sistema linear homogêneo associado do Exemplo 1.15.10


( (
x − 2y + z − t = 0 x − 2y + z − t = 0
⇐⇒
2x − 3y + z + 2t = 0 y − z + 4t = 0

temos as seguintes matrizes de coeficientes


" # " #
1 −2 1 −1 1 −2 1 −1
A = e R =
2 −3 1 2 0 1 −1 4

que são equivalentes por linha. Neste exemplo, temos k1 = 1 e k2 = 2, onde x, y são
as variáveis básicas e z, t são as variáveis livres. Desse modo, obtemos

y = z − 4t e x = z − 7t

para z, t ∈ IR livres.
90 Geometria Analı́tica e Vetores

Teorema 1.15.6 Seja A uma matriz de ordem n. Então, o sistema linear homogêneo
AX = 0 possui somente a solução trivial se, e somente se, a matriz A é linha equivalente
a matriz identidade In .

Demonstração – Seja R uma matriz na forma escada linha equivalente a matriz A e


p o número de linhas não–nulas de R. Como AX = 0 possui somente a solução trivial,
pelo Teorema 1.15.4, sabemos que o sistema homogêneo RX = 0 também possui somente
a solução trivial. Assim, temos que p ≥ n. Entretanto, a matriz R possui somente n
linhas. Logo, como p ≤ n, temos que p = n.

Desse modo, temos que na matriz R o primeiro elemento não–nulo da i–ésima linha ocorre
na i–ésima coluna, isto é, sempre na diagonal principal. Portanto, a matriz R é necessari-
amente a matriz identidade In .

Podemos verificar facilmente que se a matriz A é linha equivalente a matriz identidade,


então o sistema linear homogêneo AX = 0 possui somente a solução trivial. 

Teorema 1.15.7 Seja A uma matriz de ordem n. Então, a matriz A é invertı́vel se, e
somente se, o sistema linear homogêneo AX = 0 possui somente a solução trivial.

Demonstração – A prova segue imediatamente do Teorema 1.11.8 e do Teorema 1.15.6,


o que completa a demonstração. 

Exemplo 1.15.14 Considere o seguinte sistema linear homogêneo


         
1 2 1 x 0 1 2 1 x 0
1 3 2  y  =  0  ⇐⇒  0 1 1  y  =  0 
         

2 4 5 z 0 0 0 1 z 0

que possui somente a solução trivial x = y = z = 0.

Desse modo, temos que a matriz do sistema linear homogêneo AX = 0 que é dada por:
 
1 2 1
A = 1 3 2
 

2 4 5

é uma matriz não–singular, isto é, AX = 0 somente para X = 0. Portanto, temos que
A é uma matriz invertı́vel, de acordo com o Teorema 1.15.7.
Petronio Pulino 91

Corolário 1.15.1 Seja A uma matriz de ordem n. Então, a matriz A é invertı́vel se, e
somente se, o sistema linear AX = Y possui somente uma única solução.

Demonstração – Inicialmente, tomando por hipótese que A é invertı́vel, temos que


X ∗ = A−1 Y é uma solução do sistema linear AX = Y .

Vamos mostrar que X ∗ é a única solução. Para isso, supomos que X1∗ e X2∗ sejam duas
soluções do sistema linear AX = Y , isto é, AX1∗ = Y e AX2∗ = Y .

Desse modo, temos que

AX1∗ − AX2∗ = A(X1∗ − X2∗ ) = 0 .

Pelo Teorema 1.15.7, temos que (X1∗ − X2∗ ) = 0. Logo, obtemos que X1∗ = X2∗ .

Finalmente, tomando por hipótese que o sistema linear AX = Y possui somente uma única
solução e considerando Y = 0, pelo Teorema 1.15.7, temos que a matriz A é invertı́vel, o
que completa a demonstração. 

Vamos fazer algumas considerações. Sejam A uma matriz de ordem m × n e Y um


vetor coluna de ordem m × 1. Queremos determinar o conjunto solução do sistema linear

AX = Y .

Seja R uma matriz na forma escalonada linha equivalente a matriz A, isto é, existe uma
matriz P de ordem m × m invertı́vel tal que R = P A. Sabemos que a matriz P é
o produto de matrizes elementares de linha, isto é, P = Hr · · · H2 H1 , onde cada matriz
Hi é uma matriz elementar de linha associada a uma operação elementar de linhas hi , que
foram utilizadas na redução da matriz A na forma escalonada. Desse modo, sabemos que
o sistema linear AX = Y possui o mesmo conjunto solução do sistema linear RX = Z,
onde Z = P Y .

Portanto, um procedimento eficiente para a resolução do sistema linear AX = Y é a


aplicação de uma seqüência de operações elementares de linhas na matriz ampliada [A | Y ]
para obtermos a matriz [R | Z]

[R | Z] = Hr · · · H2 H1 [A | Y ] ,

sem a necessidade do cálculo da matriz P . Esse procedimento, inclusive o cálculo da matriz


P , foi bastante discutido na seção 1.11. Em particular, se A é uma matriz quadrada, esse
procedimento também vai determinar se A é uma matriz invertı́vel.
92 Geometria Analı́tica e Vetores

Exemplo 1.15.15 Considere o sistema linear não–homogêneo



 x
 − 2y + z − t = 1
2x − 3y + z + 2t = 4

3x − 9y + 6z − 15t = −3

Vamos fazer uma análise do seu conjunto solução.

Para facilitar a aplicação da seqüência de operações elementares de linhas, vamos cria uma
matriz ampliada [A | Y ] da seguinte forma:
 
1 −2 1 −1 | 1
[A | Y ] =  2 −3 1 2 | 4 
3 −9 6 −15 | −3

onde A é a matriz dos coeficientes do sistema linear e Y é o vetor do lado direito.

Aplicando a seqüência de operações elementares de linhas

l2 ←− l2 − 2l1 , l3 ←− l3 − 3l1 e l3 ←− l3 + 3l2

na matriz ampliada [A | Y ], obtemos a matriz [R | Z]


 
1 −2 1 −1 | 1
[R | Z] =  0 1 −1 4 | 2 
0 0 0 0 | 0

Assim, obtemos o sistema linear equivalente RX = Z



x − 2y + z − t = 1
y − z + 4t = 2

Portanto, a solução geral do sistema linear não–homogêneo AX = Y é escrita como:

(x, y, z, t) = z(1, 1, 1, 0) + t(−7, −4, 0, 1) + (5, 2, 0, 0) para z, t ∈ IR .

Logo, o sistema linear AX = Y é consistente e possui infinitas soluções.

Podemos verificar facilmente que as ternas (1, 1, 1, 0) e (−7, −4, 0, 1) são as soluções
básicas do sistema linear homogêneo associado AX = 0, que é equivalente ao sistema linear
homogêneo RX = 0. Portanto, a solução geral do sistema linear homogêneo associado
AX = 0 é escrita como:

(x, y, z, t) = z(1, 1, 1, 0) + t(−7, −4, 0, 1) para z, t ∈ IR .

A terna (5, 2, 0, 0) é uma solução particular do sistema linear AX = Y .


Petronio Pulino 93

Exemplo 1.15.16 Considere o sistema linear não–homogêneo



 x − 2y
 + z − t = 1
2x − 3y + z + 2t = 4

3x − 9y + 6z − 15t = 5

Vamos fazer uma análise do seu conjunto solução.

Para facilitar a aplicação da seqüência de operações elementares de linhas, vamos cria uma
matriz ampliada [A | Y ] da seguinte forma:
 
1 −2 1 −1 | 1
[A | Y ] =  2 −3 1 2 | 4 
3 −9 6 −15 | 5

onde A é a matriz dos coeficientes do sistema linear e Y é o vetor do lado direito.

Aplicando a seqüência de operações elementares de linhas

l2 ←− l2 − 2l1 , l3 ←− l3 − 3l1 e l3 ←− l3 + 3l2

na matriz ampliada [A | Y ], obtemos a matriz [R | Z]


 
1 −2 1 −1 | 1
[R | Z] =  0 1 −1 4 | 2 
0 0 0 0 | 8

Assim, obtemos o sistema linear equivalente RX = Z



 x − 2y + z − t = 1
y − z + 4t = 2
0 = 8

Assim, temos que a terceira equação é degenerada, isto é, pode ser escrita como:

0x + 0y + 0z + 0t = 8 .

Logo, o sistema linear AX = Y é inconsistente, isto é, não possui solução.


94 Geometria Analı́tica e Vetores

Exemplo 1.15.17 Considere o sistema linear não–homogêneo



 x −
 2y + z = −1
2x − 3y + z = −3

x + 4y + 2z = 7

Vamos fazer uma análise do seu conjunto solução.

Para facilitar a aplicação da seqüência de operações elementares de linhas, vamos cria uma
matriz ampliada [A | Y ] da seguinte forma:
 
1 −2 1 | −1
[A | Y ] =  2 −3 1 | −3 
1 4 2 | 7

onde A é a matriz dos coeficientes do sistema linear e Y é o vetor do lado direito.

Aplicando a seqüência de operações elementares de linhas

l2 ←− l2 − 2l1 , l3 ←− l3 − l1 e l3 ←− l3 − −l2

na matriz ampliada [A | Y ], obtemos a matriz [R | Z]


 
1 −2 1 | 1
[R | Z] =  0 1 −1 | 1 
0 0 7 | 14

Assim, obtemos o sistema linear equivalente RX = Z



 x − 2y + z = 1
y − z = 1
7z = 14

Assim, o sistema linear não–homogêneo AX = Y possui uma única solução

z = 2 , y = 1 e x = −1.

Portanto, o sistema linear AX = Y é consistente e a terna (−1, 1, 2) é a única solução.


Petronio Pulino 95

Observando os exemplos apresentados nessa seção, podemos fazer a seguinte afirmação:

Solução Geral do Sistema Linear AX = Y


=
Solução Geral do Sistema Linear Homogêneo Associado AX = 0
+
Solução Particular do Sistema Linear AX = Y

De fato, consideramos que Xh é uma solução do sistema linear homogêneo associado,


isto é, AXh = 0, e que Xp é uma solução particular do sistema linear original, isto é,
AXp = Y . Desse modo, temos que

A(Xh + Xp ) = AXh + AXp = 0 + Y = Y .

Assim, mostramos que Xh + Xp é uma solução do sistema linear AX = Y .

Por outro lado, considerando que X ∗ é uma solução do sistema linear AX = Y , que pode
ser distinta da solução particular Xp , temos que

A(X ∗ − Xp ) = AX ∗ − AXp = Y − Y = 0.

Desse modo, temos que X ∗ − Xp é uma solução do sistema homogêneo AX = 0.

Entretanto, podemos escrever X ∗ da seguinte forma:

X ∗ = Xp + (X ∗ − Xp ) .

Portanto, qualquer solução do sistema linear AX = Y pode ser escrita como a soma de
uma solução particular do sistema linear original com uma solução do sistema linear ho-
mogêneo associado.

Portanto, a solução geral do sistema linear AX = Y pode ser escrita da seguinte forma:

Xg = Xh + Xp ,

o que prova a nossa afirmação.


96 Geometria Analı́tica e Vetores

Teorema 1.15.8 Sejam A uma matriz de ordem m × n, e X1 , · · · , Xn soluções do


sistema linear homogêneo AX = 0. Então, toda combinação linear

Xc = α1 X1 + · · · + α 1 Xn ,

onde α1 , · · · , αn são escalares, é também solução do sistema linear AX = 0.

Demonstração – Sabemos que

AX1 = 0, · · · , AXn = 0 .

Logo,
AXc = α1 AX1 + · · · + α1 AXn = 0 ,
o que completa a demonstração. 

Teorema 1.15.9 Sejam A uma matriz de ordem m × n e Y um vetor coluna de ordem


m × 1. Então, o sistema linear AX = Y não possui solução, possui uma única solução,
ou possui infinitas soluções.

Demonstração – Basta mostrar que se o sistema linear AX = Y possui mais de uma


solução, então possui infinitas soluções.

Sejam X1 e X2 duas soluções distintas de AX = Y , isto é, AX1 = Y e AX2 = Y .


Desse modo, para todo escalar α temos que

X ∗ = X1 + α(X1 − X2 )

é também uma solução do sistema linear AX = Y . De fato,

AX ∗ = AX1 + α(AX1 − AX2 ) = Y + α(Y − Y ) = Y .

Finalmente, devemos observar que para cada escalar α os vetores colunas

X ∗ = X1 + α(X1 − X2 )

são distintos, o que completa a demonstração. 


Petronio Pulino 97

Teorema 1.15.10 Sejam A uma matriz de ordem m × n e Y um vetor coluna de


ordem m × 1. Então,

(a) O sistema linear AX = Y é consistente se, e somente se,

posto( [A | Y ] ) = posto(A) .

(b) O sistema linear AX = Y possui uma única solução se, e somente se,

posto( [A | Y ] ) = posto(A) = n .

(c) O sistema linear AX = Y possui infinitas solução se, e somente se,

posto( [A | Y ] ) = posto(A) < n .

(d) O sistema linear AX = Y é inconsistente se, e somente se,

posto(A) < posto( [A | Y ] ) .

Demonstração – Seja [R | Z] uma matriz na forma escalonada, linha equivalente a ma-


triz ampliada [A | Y ], isto é, existe uma matriz P invertı́vel de ordem m × m tal que
R = P A e Z = P Y . Logo, os sistemas lineares AX = Y e RX = Z possuem o
mesmo conjunto solução.

(a) O posto( [A | Y ] ) = posto(A), isto é,

posto( [R | Z] ) = posto(R)

se, e somente se, o sistema linear reduzido RX = Z não possui equações degeneradas.
Desse modo, não existem condições sobre as componentes de Z para que o sistema linear
reduzido RX = Z tenha solução. Portanto, AX = Y é um sistema linear consistente,
isto é, possui solução.

(b) O posto( [A | Y ] ) = posto(A) = n, isto é,

posto( [R | Z] ) = posto(R) = n

se, e somente se, o sistema linear reduzido RX = Z não possui variáveis livres. Desse
modo, cada uma das variáveis assume um valor fixo, que são obtidos resolvendo o sistema
linear reduzido RX = Z pelo processo de substituição atrasada. Portanto, o sistema linear
AX = Y possui uma única solução.
98 Geometria Analı́tica e Vetores

Exemplificando a situação descrita acima, podemos representar a matriz reduzida R, linha


equivalente a matriz A, e o vetor coluna Z por:

r11 r12 r13 · · · r1n z1


   
 0 r22 r23 · · · r2n   z2 
   
0 0 r33 · · · r3n   z3 
 . .. .. ..  .
..

 . . .
 . . . .  .
e Z =   ,
0 0 · · · 0 r z n 
 
 nn 
0 0 ··· 0 0  0
   
 . . . . .
 .. .. .. ..   .. 

0 0 ··· 0 0 0

onde os elementos da diagonal principal da matriz R são todos não–nulos.

(c) O posto( [A | Y ] ) = posto(A) < n, isto é,

posto( [R | Z] ) = posto(R) < n

se, e somente se, o sistema linear RX = Z possui pelo menos uma variável livre. Desse
modo, para cada conjunto de valores atribuı́dos às variáveis livres, obtemos uma solução.
Como cada variável livre pode assumir qualquer valor, o sistema linear reduzido RX = Z
possui infinitas soluções. Portanto, o sistema linear AX = Y possui infinitas soluções.

(d) O posto(A) < posto( [A | Y ] ) , isto é,

posto(R) < posto( [R | Z] )

se, e somente se, o sistema linear reduzido RX = Z possui pelo menos uma equação
degenerada, com a correspondente componente de Z não–nula. Desse modo, o sistema
linear reduzido RX = Z não possui solução. Portanto, AX = Y é um sistema linear
inconsistente. 
Petronio Pulino 99

Sistemas Lineares em Forma Triangular

Definição 1.15.5 Sejam L uma matriz triangular inferior de ordem n × n e Y um


vetor coluna de ordem n × 1. Dizemos que

LX = Y

é um sistema linear triangular inferior.

Exemplo 1.15.18 O sistema linear dado por:


    
4 0 0 0 x1 4
1 5 0 0   x2  11
    
  =  


2 1 4 0   x3  8
1 2 3 6 x4 26

é um sistema triangular inferior.

Teorema 1.15.11 Sejam L uma matriz triangular inferior de ordem n × n, com todos os
elementos da diagonal principal não–nulos, e Y um vetor coluna de ordem n × 1. Então,
o sistema linear triangular inferior

LX = Y

possui uma única solução, que é obtida pelo processo de substituição avançada.

Demonstração – Resolvendo a primeira equação, obtemos o valor da primeira incógnita


y1
l11 x1 = y1 ⇐⇒ x1 = .
l11
Substituindo o valor de x1 na segunda equação, obtemos o valor da segunda incógnita
y2 − l21 x1
x2 = .
l22
Desse modo, sucessivamente determinamos o valor de xk , levando os valores das incógnitas
previamente obtidos na k–ésima equação, da forma:
k−1
X
yk − lkj xj
k−1
X j=1
lkk xk = yk − lkj xj ⇐⇒ xk =
j=1
lkk

para k = 2, 3, · · · , n.

Note que a unicidade de xk , para k = 1, · · · , n, é dada pelo Teorema 1.15.1, o que


completa a demonstração. 
100 Geometria Analı́tica e Vetores

Definição 1.15.6 Sejam U uma matriz triangular superior de ordem n × n e Y um


vetor coluna de ordem n × 1. Dizemos que

UX = Y

é um sistema linear triangular superior.

Exemplo 1.15.19 O sistema linear dado por:


    
6 2 3 1 x1 16
0 4 1 2   x2  15
    
  =  


0 0 5 1   x3  8
0 0 0 4 x4 12

é um sistema triangular superior.

Teorema 1.15.12 Sejam U uma matriz triangular superior de ordem n × n, com todos os
elementos da diagonal principal não–nulos, e Y um vetor coluna de ordem n × 1. Então,
o sistema linear triangular superior

UX = Y

possui uma única solução, que é obtida pelo processo de substituição atrasada.

Demonstração – Resolvendo a última equação, obtemos o valor da última incógnita


yn
unn xn = yn ⇐⇒ xn = .
unn
Substituindo o valor de xn na penúltima equação, obtemos o valor da penúltima incógnita
yn−1 − un−1,n xn
xn−1 = .
un−1,n−1

Desse modo, sucessivamente determinamos o valor de xk , levando os valores das incógnitas


previamente obtidos na k–ésima equação, da forma:
n
X
yk − ukj xj
n
X j=k+1
ukk xk = yk − ukj xj ⇐⇒ xk =
j=k+1
ukk

para k = (n − 1), · · · , 1.

Note que a unicidade de xk , para k = n, · · · , 1, é dada pelo Teorema 1.15.1, o que


completa a demonstração. 
Petronio Pulino 101

A seguir apresentamos o algoritmo para o obter a solução de um sistema linear triangular


inferior LX = Y , pelo processo de substituição avançada.

Algoritmo 1.15.1 (Processo de Substituição Avançada)

for i = 1, ... ,n
soma = 0.0
for j = 1, ... ,(i-1)
soma = soma + L(i,j)*X(j)
end
X(i) = ( Y(i) - soma ) / L(i,i)
end

A seguir apresentamos o algoritmo para o obter a solução de um sistema linear triangular


superior U X = Y , pelo processo de substituição atrasada.

Algoritmo 1.15.2 (Processo de Substituição Atrasada)

for i = n, ... ,1
soma = 0.0
for j = (i+1), ... ,n
soma = soma + U(i,j)*X(j)
end
X(i) = ( Y(i) - soma ) / U(i,i)
end
102 Geometria Analı́tica e Vetores

Exemplo 1.15.20 Determine a solução do sistema linear triangular inferior




 4x = 4

 x + 5y = 11


 2x + y + 4z = 8
x + 2y + 3z + 6t = 26

pelo processo de substituição avançada.

Exemplo 1.15.21 Determine a solução do sistema linear triangular superior




 6x + 2y + 3z + t = 16

 4y + z + 2t = 15


 5z + t = 8
4t = 12

pelo processo de substituição atrasada.


Petronio Pulino 103

Fatoração LU

Sejam A uma matriz de ordem n × n invertı́vel e Y um vetor coluna de ordem n × 1.


Vamos supor que a matriz A possa ser decomposta na forma:

A = LU ,

onde L é uma matriz triangular inferior, com todos os elementos da diagonal principal
iguais a 1, e U uma matriz triangular superior com todos os elementos da diagonal princi-
pal diferentes de zero. Assim, dizemos que a matriz A possui uma fatoração LU, ou uma
decomposição LU.

A fatoração LU da matriz A pode ser utilizada para obter, de uma maneira eficiente, a
solução do sistema linear
AX = Y ,
repetidamente para diferentes vetores Y .

Substituindo a fatoração A = LU , obtemos

AX = Y ⇐⇒ (LU )X = Y ⇐⇒ L(U X) = Y .

Chamando U X = Z, e substituindo no sistema linear acima, obtemos o seguinte sistema


linear triangular inferior
LZ = Y ,
cuja solução Z ∗ pode ser obtida facilmente pelo processo de substituição avançada.

Finalmente, obtemos a solução do sistema linear triangular superior

U X = Z∗

pelo processo de substituição atrasada. Assim, determinamos a solução X ∗ do sistema


linear AX = Y .

Portanto, caso a matriz A possua uma decomposição LU, podemos obter a solução do
sistema linear AX = Y através da resolução de dois sistemas triangulares, isto é,
(
LZ = Y
AX = Y ⇐⇒
U X = Z∗
104 Geometria Analı́tica e Vetores

Exemplo 1.15.22 Determine a solução do seguinte sistema linear



 4x1 +
 x2 + 2x3 = 2
8x1 + 4x2 + 5x3 = 6

12x1 + 7x2 + 10x3 = 6

através da fatoração LU da matriz de coeficientes do sistema.

A matriz de coeficientes do sistema linear é dada por:


 
4 1 2
A =  8 4 5 
12 7 10

e possui uma fatoração A = LU , onde


   
1 0 0 4 1 2
L =  2 1 0  e U =  0 2 1 
3 2 1 0 0 2

Primeiramente, resolvemos o sistema linear triangular inferior



 z1 = 2
2z1 + z2 = 6
3z1 + 2z2 + z3 = 6

pelo processo de substituição avançada. Assim, obtemos a solução


 
2
Z =  2 .
−4

Finalmente, uma vez determinado Z, resolvemos o sistema linear triangular superior



 4x1 + x2 + 2x3 = 2
2x2 + x3 = 2
2x3 = −4

pelo processo de substituição atrasada. Assim, obtemos a solução


 
1
X =  2 ,
−2

o que completa a resolução do sistema linear AX = Y .


Petronio Pulino 105

Seja A uma matriz de ordem n × n invertı́vel que pode ser reduzida à forma escalonada,
através de operações elementares de linhas, sem qualquer permutação de linhas, isto é, a
cada passo do processo de redução à forma escalonada o pivô é sempre não–nulo.

Vamos descrever o processo de redução da matriz A à forma escalonada, que também é


conhecido como processo de Eliminação Gaussiana, através do seguinte algoritmo.

Algoritmo 1.15.3 (Fatoração LU)

para j = 1, · · · , (n − 1)

para i = (j + 1), · · · , n

aij
mij =
ajj
Ai· ←− Ai· − mij Aj·

aij = mij

f im

f im

Os escalares mij são denominados multiplicadores. Por simplicidade, indicamos por Ai·
para denotar a i–ésima linha da matriz A.

No final do procedimento, teremos a matriz U armazenada na parte triangular superior da


matriz A, e a matriz L armazenada abaixo da diagonal principal da matriz A, sabendo
que os elementos da diagonal principal da matriz L são todos iguais à 1. Desse modo, a
matriz triangular inferior L é dada por:
 
1
 
 m21 1 
 
 
 m31 m32 1 
 
L =    .
 m 41 m 42 m 43 1 

 .. .. ..
 
..
.

 . . . 
 
mn1 mn2 mn3 · · · mn,n−1 1
106 Geometria Analı́tica e Vetores

Teorema 1.15.13 Seja A uma matriz de ordem n × n invertı́vel que pode ser reduzida
à forma escalonada, através de operações elementares de linhas, sem qualquer permutação
de linhas. Então, existe uma matriz triangular inferior L, com todos os elementos da
diagonal principal iguais a 1, e uma matriz triangular superior U , com todos os elementos
da diagonal principal não–nulos, tais que A = LU .

Demonstração – Sejam h1 , · · · , hr a seqüência de operações elementares de linhas, sendo


Hi a matriz elementar de linha correspondente à operação elementar de linhas hi , tais que

U = Hr · · · H2 H1 A

é a matriz na forma escalonada linha equivalente a matriz A, que é uma matriz triangular
superior. Sendo assim, temos que

A = ( Hr · · · H2 H1 )−1 U = ( H1−1 H2−1 · · · Hr−1 )U = LU ,

onde a matriz triangular inferior L é dada por:

L = H1−1 H2−1 · · · Hr−1 ,

com os elementos da diagonal principal todos iguais a 1.

Finalmente, os elementos da diagonal principal da matriz U são todos não–nulos. De fato,


caso contrário existiria um vetor coluna X não–nulo, de ordem n × 1, tal que

UX = 0 ⇐⇒ AX = LU X = 0 ,

o que é uma contradição, pois A é invertı́vel, o que completa a demonstração. 


Petronio Pulino 107

De uma maneira geral, podemos resumir os resultados apresentados da seguinte forma.

Seja A uma matriz de ordem n. As seguintes afirmações são equivalentes:

(a) A é uma matriz não–singular.

(b) A é uma matriz invertı́vel.

(c) A matriz triangular superior U na forma escalonada, linha equivalente a matriz A,


possui todos os elementos da diagonal principal não–nulos.

(d) posto(A) = n.

(e) O sistema linear homogêneo AX = 0 possui somente a solução trivial.

(f) Para todo vetor coluna Y , de ordem n × 1, o sistema linear AX = Y possui uma
única solução, que é dada por X ∗ = A−1 Y .

Exemplo 1.15.23 Considere a matriz A de ordem 4 × 4 dada por:


 
1 1 0 0
 0 4 0 0 
A =  .
 
 0 3 1 0 
0 2 0 1

Determine a fatoração A = LU , e a matriz inversa A−1 .


108 Geometria Analı́tica e Vetores

Exemplo 1.15.24 Considere a matriz A de ordem 3 × 3 dada por:


 
4 1 2
A =  8 4 5 .
 

12 7 10

Vamos determinar a fatoração A = LU sem permutações de linhas, se possı́vel.

Considere a seguinte seqüência de operações elementares de linhas

h1 : l2 ←− l2 − 2l1 , h2 : l3 ←− l3 − 3l1 e h3 : l3 ←− l3 − 2l2

com as correspondentes matrizes elementares H1 , H2 e H3 , todas de ordem 3,


     
1 0 0 1 0 0 1 0 0
H1 = −2 1 0 , H2 =  0 1 0 e H3 = 0 1 0 .
0 0 1 −3 0 1 0 −2 1

Desse modo, obtemos a matriz U = H3 H2 H1 A, que está na forma escalonada, que cor-
responde a aplicação da seqüência de operações elementares de linhas, definida acima, na
matriz A. De fato,
      
1 0 0 1 0 0 1 0 0 4 1 2 4 1 2
U = 0 1 0  0 1 0 −2 1 0  8 4 5  = 0 2 1 .
0 −2 1 −3 0 1 0 0 1 12 7 10 0 0 2

Portanto, a matriz triangular inferior L = H1−1 H2−1 H3−1 é dada por:


     
1 0 0 1 0 0 1 0 0 1 0 0
L = 2 1 0
   0 1 0   0 1 0 = 2
  1 0
0 0 1 3 0 1 0 2 1 3 2 1

Assim, obtemos a fatoração A = LU , sem qualquer permutação de linhas.


Petronio Pulino 109

1.16 Exercı́cios

Exercı́cio 1.16.1 Determine a fatoração A = LU , onde a matriz A é dada por:


 
2 2 1
A =  6 9 4 ,
 

6 9 8

e determine a solução do sistema linear AX = Y , onde


 
0
Y =  0 .
 

24

Exercı́cio 1.16.2 Determine a solução do sistema linear



 2x1 +
 x2 − x 3 = 1
6x1 + 7x2 − 2x3 = 3

8x1 + 12x2 + 0x3 = −4

através da fatoração LU da matriz de coeficientes do sistema.

Exercı́cio 1.16.3 Descreva o conjunto solução da equação linear

2x + 3y − 6z = 8 .

Exercı́cio 1.16.4 Descreva o conjunto solução do sistema liner


(
2x + 3y − 6z = 8
x + y + z = 1

Qual é o lugar geométrico em IR3 definido pelo conjunto solução?

Exercı́cio 1.16.5 Considere a matriz A dada por:


 
1 −2 3
A =  3 2 −1  .
 

1 6 −7

Determine todos os vetores colunas  


a
X = b
 

c
tais que AX = 0.
110 Geometria Analı́tica e Vetores

Exercı́cio 1.16.6 Considere a matriz A dada por:


" #
1 3
A = .
4 −3

Determine todos os vetores colunas " #


a
X =
b
tais que AX = −5X.

Exercı́cio 1.16.7 Seja A uma matriz simétrica decomposta na forma A = LDLt , onde
   
1 0 0 5 0 0
L = 3 1 0 e D =  0 1 0 .
   

4 2 1 0 0 3

Determine a solução do sistema linear AX = Y , onde


 
10
Y = 29 .
 

32

Exercı́cio 1.16.8 Considere o seguinte sistema linear



 2x1 +
 x2 − x3 = 1
6x1 + 7x2 − 2x3 = 3

4x1 + 6x2 − x3 = −4

Faça uma análise do conjunto solução.

Exercı́cio 1.16.9 Considere o seguinte sistema linear



 2x1 + 5x2 + 2x3 = −5

6x1 + 7x2 − 2x3 = 3

8x1 + 12x2 + 0x3 = −4

Faça uma análise do conjunto solução.

Exercı́cio 1.16.10 Considere a matriz A dada por:


 
1 2 3
A =  1 3 3 .
 

1 2 4

Determine a inversa da matriz A utilizando a fatoração A = LU , de maneira eficiente.


Petronio Pulino Geometria Analı́tica e Vetores

Vetores no Plano e no Espaço


2
Conteúdo
2.1 Conceitos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
2.2 Operações com Vetores . . . . . . . . . . . . . . . . . . . . . . . . 116
2.2.1 O Plano Cartesiano e o Espaço Tridimensional . . . . . . . . . . . 116
2.2.2 Adição de Vetores e Multiplicação por Escalar . . . . . . . . . . . 119
2.2.3 Adição de Ponto com Vetor . . . . . . . . . . . . . . . . . . . . . . 123
2.3 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
2.4 Dependência e Independência Linear. Base . . . . . . . . . . . 130
2.5 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
2.6 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
2.7 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

111
112 Geometria Analı́tica e Vetores

2.1 Conceitos Básicos


Definição 2.1.1 Um segmento orientado é um par ordenado (A, B) de pontos do
espaço Euclidiano, no qual o ponto A é a origem e o ponto B é a extremidade,
como ilustra a Figura 2.1. Os segmentos orientados (A, A) são ditos nulos. É importante
observar que se A 6= B, o segmento orientado (A, B) é diferente do segmento orientado
(B, A).

r
B
!
!
!
!
!
!
!
!
r
A
Figura 2.1: Ilustração do segmento orientado (A, B), com origem no ponto A e extremidade
no ponto B. A utilização da flecha, indica que o foi fixada uma orientação.

Definição 2.1.2 Dizemos que os segmentos orientados (A, B) e (C, D) têm o mesmo
comprimento, módulo ou norma, se os segmentos geométricos AB e CD têm o
mesmo comprimento, como ilustra a Figura 2.2.

r

D





*
r
 
 B 

 r
r C
A
Figura 2.2: Os segmentos orientados (A, B) e (C, D) têm o mesmo comprimento.

Definição 2.1.3 Considere os segmentos orientados (A, B) e (C, D) não–nulos. Dizemos


que os segmentos orientados (A, B) e (C, D) têm a mesma direção se os segmentos
geométricos AB e CD são paralelos, que indicamos AB k CD, incluindo o caso em que
as retas suportes são coincidentes. Assim, dizemos que os segmentos orientados (A, B) e
(C, D) são paralelos.

Definição 2.1.4 Considere os segmentos orientados (A, B) e (C, D) com a mesma


direção, e as retas suportes dos segmentos geométricos AB e CD distintas. Dizemos
que os segmentos orientados (A, B) e (C, D) têm o mesmo sentido se os segmentos
geométricos AC e BD tenham intersecção vazia, como ilustra a Figura 2.3. Caso
contrário, dizemos que os segmentos orientados (A, B) e (C, D) têm sentido contrário,
como ilustra a Figura 2.4.
Petronio Pulino 113

r
!B
!
!
r
D
!
!
!
! !
! !
! r!
!
r C
A
Figura 2.3: Os segmentos orientados (A, B) e (C, D) têm o mesmo sentido.

r
!B
!
!
r
!C
! !
! !
! !
! r!

!
r D
A
Figura 2.4: Os segmentos orientados (A, B) e (C, D) têm sentido contrário.

Definição 2.1.5 Considere os segmentos orientados (A, B) e (C, D) com a mesma


direção, e as retas suportes dos segmentos geométricos AB e CD coincidentes, e tome
um segmento orientado (A′ , B ′ ) de modo que A′ não pertença à reta suporte do segmento
geométrico AB e que os segmentos orientados (A, B) e (A′ , B ′ ) tenham a mesma direção
e o mesmo sentido. Dizemos que os segmentos orientados (A, B) e (C, D) têm o mesmo
sentido se os segmentos orientados (A′ , B ′ ) e (C, D) têm o mesmo sentido, como ilustra
a Figura 2.5. Caso contrário, dizemos que os segmentos orientados (A, B) e (C, D) têm
sentido contrário, como ilustra a Figura 2.6.

r
!B

!
!r
!
!D
!
!
r
! B ′
!
!
!!
!
r!
! !
!
! C r!
!
r A′
A
Figura 2.5: Os segmentos orientados (A, B) e (C, D) têm o mesmo sentido.
114 Geometria Analı́tica e Vetores

r
!B

!
!
r
!!C
!
!
r
B ′
!
!
!
!
! !
r!

! !
!
! D r!
!
r A′
A
Figura 2.6: Os segmentos orientados (A, B) e (C, D) têm sentido contrário.

Definição 2.1.6 Dizemos que os segmentos orientados (A, B) e (C, D) são equipolentes,
e indicados por (A, B) ≈ (C, D), caso ocorrer uma das seguintes situações:

(a) ambos os segmentos orientados são nulos.

(b) os segmentos orientados são não–nulos, e têm o mesmo comprimento, a mesma direção
e o mesmo sentido.

Na Figura 2.7, temos a ilustração de dois segmentos orientados equipolentes.


r
!D
!
!
r
B
!
!
! !
! !
! !
! !
! r!
r! C
A

Figura 2.7: Os segmentos orientados (A, B) e (C, D) são equipolentes, pois têm o mesmo
comprimento, a mesma direção e o mesmo sentido.

Exemplo 2.1.1 Considere X o conjunto de todos os segmentos orientados do espaço


Euclidiano. A relação de equipolência definida sobre X , que indicamos por ≈, é uma
relação de equivalência, isto é, satisfaz as propriedades:

(a) Reflexiva: (A, B) ≈ (A, B).


(b) Simétrica: Se (A, B) ≈ (C, D), então (C, D) ≈ (A, B).
(c) Transitiva: Se (A, B) ≈ (C, D) e (C, D) ≈ (E, F ), então (A, B) ≈ (E, F ).
Petronio Pulino 115

Definição 2.1.7 (Classe de Equipolência) Seja X o conjunto de todos os segmentos


orientados do espaço Euclidiano, e considere um segmento orientado (A, B) ∈ X fixo,
porém arbitrário. Chama–se classe de equipolência, ou classe de equivalência, que
−→
indicamos por AB, ao conjunto de todos o segmentos orientados que são equipolentes ao
segmento orientado (A, B). O segmento orientado (A, B) é o representante da classe
de equivalência.

Definição 2.1.8 (Conceito de Vetor) Considere X o conjunto de todos os segmentos


orientados do espaço Euclidiano. Definimos um vetor no espaço Euclidiano como sendo
uma classe de equipolência de segmentos orientados. Se (A, B) é o segmento orientado
−→
representante da classe de equipolência, o vetor correspondente é indicado por ~v = AB,
como ilustra a Figura 2.8. No caso em que os segmentos orientados (A, B) e (C, D) são
−→ −−→
equipolentes, dizemos que os vetores ~v = AB e w ~ = CD são iguais, isto é, essas duas
classes de equipolência coincidem pela propriedade transitiva.

p p p
!
 p 
! 
!
!  !
! !
! ! ! !
! ! ! !
!
p p p
p p

!
! p
! 
!
!
!
p !

! !
! p
!
~v
!

Figura 2.8: O vetor ~v representa as classes de equivalências associadas a determinados


segmentos orientados equipolentes, que são coincidentes pela propriedade transitiva.

Pelos fatos expostos acima, tem–se que um vetor fica bem determinado se apresentamos
qualquer um de seus representantes. Definimos o espaço de vetores V 3 , como sendo o
conjunto de todos os vetores no espaço tridimensional IE 3 . É importante observar que nunca
devemos utilizar o termo vetores equipolentes, tendo em vista que equipolência é uma relação
de equivalência entre segmentos orientados, e o vetor representa uma classe de equipolência
associada a um determinado segmento orientado.
116 Geometria Analı́tica e Vetores

2.2 Operações com Vetores


2.2.1 O Plano Cartesiano e o Espaço Tridimensional
O plano cartesiano IR2 = IR × IR é o exemplo mais importante de produto cartesiano. Os
elementos (x, y) ∈ IR2 são os pares ordenados de números reais. Os pares ordenados, de
certa forma, podem representar as coordenadas cartesianas de um ponto P de um plano
Π, onde x é a abscissa e y é a ordenada, quando fixamos nesse plano um par de
eixos ortogonais, que vamos indicar por OX e OY , denominados eixo das abscissas e
eixos das ordenadas, respectivamente, que se interceptam no ponto O = (0, 0), chamado
origem do sistema de coordenadas.

Dado o ponto P ∈ Π, a abscissa de P é o número x, coordenada do pé da perpendicular


baixada do P sobre o eixo OX , enquanto a ordenada de P é o número y, coordenada do
pé da perpendicular baixada de P sobre o eixo OY . Assim, dizemos que (x, y) é o par
de coordenadas do ponto P relativamente ao sistema de eixos ortogonais, como ilustra a
Figura 2.9.

Y
6

y uP = (x, y)

- X
0 x
Figura 2.9: O Plano Numérico IR2 = IR × IR.

Podemos observar que os eixos OX e OY dividem o plano em quatro regiões, chamadas


quadrantes, caracterizadas pelos sinais das coordenadas de seus pontos. Desse modo, no
primeiro quadrante, tem–se x ≥ 0 e y ≥ 0. No segundo quadrante, tem–se x ≤ 0
e y ≥ 0. No terceiro quadrante, tem–se x ≤ 0 e y ≤ 0. No quarto quadrante, tem–se
x ≥ 0 e y ≤ 0, como ilustra a Figura 2.10.

A aplicação f : Π −→ IR2 que associa a cada ponto P do plano Π seu único par de
coordenadas f (P ) = (x, y), relativamente ao sistema de eixos ortogonais, é uma bijeção,
isto é, uma correspondência biunı́voca entre os elementos de IR2 e de Π. Dessa maneira,
temos que a aplicação f −1 : IR2 −→ Π associa a cada par de coordenadas (x, y) de IR2
um único ponto f −1 (x, y) = P do plano Π.
Petronio Pulino 117

6Y

segundo quadrante primeiro quadrante

X
-
0

terceiro quadrante quarto quadrante

Figura 2.10: Enumeração dos Quadrantes do Plano Numérico IR2 .

Portanto, a aplicação f permite traduzir conceitos e propriedades geométricas para uma


linguagem algébrica e, reciprocamente, permite interpretar geometricamente relações entre
números reais. Assim, podemos dizer que IR2 é o modelo aritmético do plano Π, enquanto
o plano Π é o modelo geométrico do plano numérico IR2 . Assim, com a identificação
entre IR2 e um plano Π do espaço Euclidiano, realizada pela bijeção f , podemos olhar
para o IR2 como um plano, plano numérico, e chamaremos seus elementos P = (x, y) de
pontos. Utilizando essa nova linguagem, que relaciona conceitos algébricos com conceitos
geométricos, vamos melhorar nosso entendimento sobre as propriedades das funções reais.

Y
6

Pr rQ
@ ~
I ~!!

@v w
@! r rB - X
0 I
@
@
@r A

Figura 2.11: Plano Numérico IR2 , espaço bidimensional.


118 Geometria Analı́tica e Vetores

Igualmente aos vetores, cada ponto do plano é dado por duas coordenadas e cada ponto do
espaço tridimensional por três coordenadas. Assim, A = (2, −1) e Q = (x, y) são os pontos
marcados na Figura 2.11. Podemos entender que o vetor w ~ = (x, y) representa a classe de
equivalência definida pelo segmento orientado (O, Q) que tem por origem o ponto O = (0, 0)
e por extremidade o ponto Q. Na figura 2.11, o vetor ~v = (−1, 1) representa a classe de
equivalência associada ao segmento orientado (A, B) com origem no ponto A = (2, −1) e
com extremidade no ponto B = (1, 0).

De modo análogo, o espaço numérico tridimensional IR3 = IR ×IR ×IR é um outro exemplo
importante de produto cartesiano. Os elementos (x, y, z) ∈ IR3 são as ternas ordenadas de
números reais. As ternas ordenadas surgem como as coordenadas cartesianas de um ponto
P do espaço tridimensional IE 3 , quando fixamos nesse espaço tridimensional um sistema de
três eixos ortogonais, que vamos indicar por OX , OY e OZ , que se interceptam no ponto
O = (0, 0, 0), chamado origem do sistema de coordenadas, como ilustra a Figura 2.12.

Z
6

r(x, y, z)

r -Y
!0
!
!
!
X!

Figura 2.12: Espaço Tridimensional IE 3 .

A aplicação f : IE 3 −→ IR3 que associa a cada ponto P do espaço tridimensional IE 3


sua única terna de coordenadas f (P ) = (x, y, z), relativas a um sistema de três eixos
ortogonais, é uma bijeção, isto é, uma correspondência biunı́voca entre os elementos de
IR3 e de IE 3 . Desse modo, temos que a aplicação f −1 : IR3 −→ IE 3 associa a cada terna
ordenada (x, y, z) de IR3 um único ponto f −1 (x, y, z) = P do espaço tridimensional IE 3 .

Assim, podemos dizer que o espaço numérico tridimensional IR3 é o modelo aritmético do
espaço tridimensional IE 3 , enquanto que o espaço tridimensional IE 3 é o modelo geométrico
do espaço numérico IR3 . Desse modo, com a identificação entre o espaço numérico IR3 e
o espaço tridimensional IE 3 , da Geometria Euclidiana, realizada pela bijeção f , podemos
olhar para o IR3 como sendo o espaço numérico tridimensional, e chamaremos seus elementos
P = (x, y, z) de pontos.
Petronio Pulino 119

2.2.2 Adição de Vetores e Multiplicação por Escalar


Pelo exposto na secção 2.2.1, podemos definir uma bijeção de IE 3 em IR3 , e uma bijeção
de IR3 em V 3 . Assim, para cada ponto P = (x, y, z) do espaço tridimensional IE 3 ,
podemos associar um único vetor ~v = (x, y, z) de V 3 , onde (x, y, z) são as coordenadas
do vetor ~v com relação a um sistema de três eixos ortogonais, que estamos indicando por
OX , OY e OZ , que se interceptam no ponto O = (0, 0, 0), chamado origem do sistema
de coordenadas, como ilustra a Figura 2.13. Desse modo, o vetor ~v representa a classe de
equipolência associada ao segmento orientado (O, P ), como ilustra a Figura 2.13.

Z
6

r
P = (x, y, z)

!
!
~v!
!
!
r! -Y
!0
!
!
!
!
!
!
X!

Figura 2.13: Representação do Espaço V 3 .

Definição 2.2.1 Considere o espaço de vetores V 3 . Definimos a operação de adição de


vetores, que a cada par de vetores ~u e ~v faz corresponder um novo vetor w ~ = ~u + ~v
3
de V . Chamando ~u = (x1 , y1 , z1 ) e ~v = (x2 , y2 , z2 ), definimos a operação de adição de
vetores da forma:
w
~ = ~u + ~v = (x1 + x2 , y1 + y2 , z1 + z2 ) .

Definição 2.2.2 Consider o espaço de vetores V 3 . Definimos a operação de multiplicação


de vetor por escalar, que a cada vetor ~u e a cada escalar λ faz corresponder um novo
vetor w ~ = λ~u de V 3 . Chamando ~u = (x1 , y1 , z1 ) e λ um escalar qualquer, definimos a
operação de multiplicação por escalar da seguinte forma:

w
~ = λ~u = (λx1 , λy1 , λz1 ) .

Neste texto consideramos que os escalares são números reais. Além disso, No caso em que
λ = 0IR ou ~v = ~0, definimos λ~v = ~0.

Note que para λ 6= 0IR e ~v 6= ~0, o vetor w ~ = λ~v tem a mesma direção do vetor ~v .
Além disso, para λ > 0 o vetor w~ = λ~v tem o mesmo sentido do vetor ~v e para λ < 0
o vetor w~ = λ~v tem sentido contrário do vetor ~v .
120 Geometria Analı́tica e Vetores

A operação de adição de vetores tem as seguintes propriedades:

(A1 ) Comutatividade
~u + ~v = ~v + ~u , ∀ u, v ∈ V 3

(A2 ) Associatividade

~u + (~v + w)
~ = (~u + ~v ) + w
~ , ∀ u, v, w ∈ V 3

(A3 ) Elemento Neutro


Existe um elemento ~0 ∈ V 3 tal que

~u + ~0 = ~u , ∀ ~u ∈ V 3

(A4 ) Elemento Simétrico


Para todo elemento ~u ∈ V 3 existe o elemento −~u ∈ V 3 tal que

~u + (−~u) = ~0 , ∀ ~u ∈ V 3

onde o elemento neutro da operação de adição ~0 = (0, 0, 0) é o vetor nulo de V 3 .

A operação de multiplicação por escalar tem as seguintes propriedades:

(M1 ) Associatividade

(α β) ~u = α (β ~u) , ∀ ~u ∈ V 3 e ∀ α, β ∈ IR

(M2 ) Distributividade para a Adição de Vetores

α (~u + ~v ) = α ~u + α ~v , ∀ ~u, ~v ∈ V 3 e ∀ α ∈ IR

(M3 ) Distributividade para a Multiplicação por Escalar

(α + β) ~u = α ~u + β ~u , ∀ ~u ∈ V 3 e ∀ α, β ∈ IR

(M4 ) Elemento Identidade


1IR ~u = ~u , ∀ ~u ∈ V 3

O espaço de vetores V 3 munido com a operação de adição de vetores e com operação de


multiplicação de vetor por escalar, e essas operações com as respectivas propriedades, recebe
o nome de Espaço Vetorial Real. O termo real vem do fato que os escalares são números
reais. Os espaços vetoriais são estudados de maneira detalhada na disciplina de Álgebra
Linear.
Petronio Pulino 121

De maneira análoga, o conjunto IR3 = { (x1 , x2 , x3 ) / xi ∈ IR }, conjunto de todas as


ternas reais ordenadas, com a operação de adição de elementos definida por:

(x1 , x2 , x3 ) + (y1 , y2 , y3 ) = (x1 + y1 , x2 + y2 , x3 + y3 )

e com a operação de multiplicação por escalar definida por:

λ(x1 , x2 , x3 ) = (λx1 , λx2 , λx3 ) , ∀ λ ∈ IR ,

é também um espaço vetorial real.

Podemos mostrar que a operação de adição de elementos e a operação de multiplicação por


escalar definidas em IR3 , verificam as propriedades (A1 )–(A4 ) e (M1 )–(M4 ) definidas acima.
Para isso, basta utilizar as propriedades da adição e da multiplicação de números reais.

É importante observar que pelo fato que podemos estabelecer uma correspondência biunı́voca
entre os elementos do espaço de vetores V 3 e os elementos de IR3 , e que nos dois conjuntos
definimos uma operação de adição de elementos e uma operação de multiplicação por escalar
que satisfazem as propriedades (A1 )–(A4 ) e (M1 )–(M4 ), podemos chamar os elementos de
IR3 de vetores e utilizar a notação de flecha, isto é, indicando ~u = (x, y, z) ∈ IR3 .

Na Figura 2.14, temos a representação geométrica da soma dos vetores ~u e ~v . Para


isso, consideramos o segmento orientado (A, B) um representante do vetor ~u, e o segmento
orientado (B, C) um representante do vetor ~v . Assim, definimos o segmento orientado
−→
(A, C) com sendo um representante do vetor ~u + ~v , que indicamos AC = ~u + ~v .

rC ′
!!


rC !

!
!

!

!
!

!
!
~ v
~v

!
!

!
!
~u

!
~ v !  3B ′
r
~v

!
! 
+

! !
~u


~u
! 3
r
!
!  B !

!
~
u r
!
!
!  A′

!
r
A
Figura 2.14: Representação geométrica da operação de soma de vetores.
122 Geometria Analı́tica e Vetores

É importante observar que a escolha do segmento orientado para representar o vetor ~u é


arbitrária, e que esse fato não altera o resultado da adição dos vetores ~u e ~v . De fato,
escolhendo um outro segmento orientado (A′ , B ′ ) para representar o vetor ~u, e um outro
segmento orientado (B ′ , C ′ ) como representante do vetor ~v , teremos obrigatoriamente que
os segmentos orientados (A, B) e (A′ , B ′ ) são equipolentes, (A, B) ≈ (A′ , B ′ ), e que os
segmentos orientados (B, C) e (B ′ , C ′ ) são equipolentes, (B, C) ≈ (B ′ , C ′ ). Portanto, os
segmentos orientados (A, C) e (A′ , C ′ ) são equipolentes, (A, C) ≈ (A′ , C ′ ). Assim, temos
−→ −−→
AC = A′ C ′ = ~u + ~v , como ilustra a Figura 2.14.

A propriedade do elemento simétrico, ou elemento oposto, permite a definição da operação


de subtração de vetores. Assim, tem–se

~u − ~v = ~u + (−~v ) , ∀ ~u, ~v ∈ V 3 ,

como ilustra a Figura 2.15. Note que o elemento simétrico −~v tem a mesma direção, mas
sentido contrário, do vetor ~v .

Ar
H v
 H−~
!
! HH
!  HHjr C
!  
!
~v

!  !

~u !
~u

!
!  !
~v

 !

!
~u

B r!  !
YH ~
H v  !
HH  !
HHr! -
0
Figura 2.15: Representação geométrica da operação de subtração de vetores.

Na Figura 2.15, temos a representação geométrica da operação de subtração de vetores. Para


isso, consideramos os vetores ~u e ~v com o segmento orientado (0, A) um representante do
vetor ~u, e o segmento orientado (0, B) um representante do vetor ~v . Assim, definimos o
−→
segmento orientado (B, A) um representante do vetor ~u − ~v , que indicamos BA = ~u − ~v .
Portanto, os segmentos orientados (0, C) e (B, A) são equipolentes.
Petronio Pulino 123

2.2.3 Adição de Ponto com Vetor


Definição 2.2.3 Considere o espaço de vetores V 3 e o espaço de ponto IE 3 . Definimos
uma operação que a cada ponto P ∈ IE 3 e a cada vetor ~v ∈ V 3 associa um único ponto
Q ∈ IE 3 da seguinte forma:
−→
Q = P + ~v ⇐⇒ ~v = P Q .

De modo análogo, podemos dizer que dado um ponto P ∈ IE 3 e um vetor ~v ∈ V 3 , existe


um único ponto Q ∈ IE 3 de modo que o segmento orientado (P, Q) é um representante do
vetor ~v , como ilustra a Figura 2.16. Além disso, podemos representar o vetor ~v da forma:

~v = Q − P ⇐⇒ ~v = (x2 − x1 , y2 − y1 , z2 − z1 ) ,

onde P = (x1 , y1 , z1 ) e Q = (x2 , y2 , z2 ).

r
Q
!
!
!
!
~v!
!
!
!
r
P
Figura 2.16: Ilustração da operação de adição de ponto com vetor.

A operação de adição de ponto com vetor tem as seguintes propriedades:

(P1 ) P + ~0 = P , ∀ P ∈ IE 3 .

(P2 ) P + ~u = P + ~v ⇐⇒ ~u = ~v .

(P3 ) ( P + ~u ) + ~v = P + ( ~u + ~v ) , ∀ ~u, ~v ∈ V 3 e ∀ P ∈ IE 3 .

(P4 ) P + ~v = Q + ~v ⇐⇒ P = Q.

(P5 ) ( P − ~v ) + ~v = P .

rA
@
!
!
! @
! @
~u! @~
v
! @
! @
!
r @
R
@
-r
P B
~u + ~v
Figura 2.17: Ilustração da propriedade P3 .
124 Geometria Analı́tica e Vetores

Vamos analisar as propriedades da operação de adição de ponto com vetor.

−→
(P1 ) Temos que P P = ~0, que é a definição de vetor nulo. Assim, da definição da operação
de adição de ponto com vetor obtemos P + ~0 = P .

(P2 ) Seja Q = P + ~u = P + ~v . Da definição da operação de adição de ponto com vetor,


tem–se
−→ −→
P Q = ~u e P Q = ~v .
Portanto, ~u = ~v , uma vez que possuem o mesmo segmento orientado como representante.

(P3 ) Consideremos A = P + ~u e B = A + ~v , como ilustra a Figura 2.17. Assim,


tem–se
−→ −→
P A = ~u e AB = ~v .
−→ −→
Fazendo P A + AB, obtemos
−→ −→ −−→
P A + AB = ~u + ~v ⇐⇒ P B = ~u + ~v ,

uma vez que


−→ −→ −−→
P A + AB = ( A − P ) + ( B − A ) = B − P = P B .
Utilizando a definição da operação de ponto com vetor, tem–se

B = P + ( ~u + ~v ) =⇒ ( P + ~u ) + ~v = P + ( ~u + ~v ) ,

uma vez que B = ( P + ~u ) + ~v .

(P4 ) Fazendo uso das propriedade (P3 ) e (P1 ), obtemos

P + ~v = Q + ~v ⇐⇒ ( P + ~v ) − ~v = ( Q + ~v ) − ~v
⇐⇒ P + ( ~v − ~v ) = Q + ( ~v − ~v )
⇐⇒ P + ~0 = Q + ~0
⇐⇒ P = Q

(P5 ) Fazendo uso das propriedade (P3 ) e (P1 ), obtemos

( P − ~v ) + ~v = P + ( ~v − ~v ) = P + ~0 = P .
Petronio Pulino 125

Exemplo 2.2.1 Considere no espaço tridimensional IE 3 o segmento orientado (A, B) que


−→
é o representante da classe de equipolência do vetor ~v , indicamos ~v = AB, ou também por
~v = B − A, denotando que B = A + ~v .

Exemplo 2.2.2 Considere no espaço tridimensional IE 3 o segmento orientado (A, B),


onde o ponto A = (a1 , a2 , a3 ) é a origem do segmento orientado e o ponto B = (b1 , b2 , b3 )
é a extremidade do segmento orientado. O vetor ~v = (b1 − a1 , b2 − a2 , b3 − a3 ) é a classe
de equipolência associada ao segmento orientado (A, B).

Exemplo 2.2.3 Considere no espaço tridimensional IE 3 o segmento orientado (A, B),


onde o ponto A = (1, 2, 1) é a origem do segmento orientado e e o ponto B = (2, 0, 1)
é a extremidade do segmento orientado. Se o segmento orientado (A, B) é o representante
−→
da classe de equipolência do vetor ~v , indicamos ~v = AB = B − A = (1, −2, 0). Desse
modo, tem–se que B = A + ~v . É importante observar que cada segmento orientado é o
representante de uma única classe de equipolência.

Exemplo 2.2.4 Considere no espaço bidimensional IE 2 o segmento orientado (O, A), onde
o ponto O = (0, 0) é a origem do segmento orientado e o ponto A = (1, 2) é a extremidade
−→
do segmento orientado. Assim, o vetor ~v = 0A = (1, 2) é a classe de equipolência dos
segmentos orientados cujo representante é o segmento orientado (O, A).

Exemplo 2.2.5 Considere no espaço tridimensional IE 3 o segmento orientado (O, A),


onde o ponto O = (0, 0, 0) é a origem do segmento orientado e o ponto A = (−1, 2, −4)
−→
é a extremidade do segmento orientado. Desse modo, o vetor ~v = 0A = (−1, 2, −4) é a
classe de equipolência dos segmentos orientados cujo representante é o segmento orientado
(O, A).
126 Geometria Analı́tica e Vetores

2.3 Exercı́cios
Exercı́cio 2.3.1 Mostre que o segmento que une os pontos médios de dois lados de um
triângulo é paralelo ao terceiro lado e é igual a sua metade.

Exercı́cio 2.3.2 Mostre que as diagonais de um losango cortam–se mutuamente em seu


ponto médio e que são ortogonais entre si.

Exercı́cio 2.3.3 Encontre o ponto Q tal que o vetor com origem no ponto P = (1, 0, 1) e
com extremidade em Q tenha norma, direção e sentido iguais ao vetor ~v = (1, −2, 1).

Exercı́cio 2.3.4 Encontre o ponto Q que é a extremidade de um vetor com origem no ponto
médio do segmento que liga os pontos P1 = (1, 1, 3) e P2 = (−1, 1, 1) e tem norma, direção
e sentido do vetor w
~ = (−1, 0, 1).

Exercı́cio 2.3.5 Para os pontos A = (1, 0, 1), B = (−1, 1, 1) e C = (0, 1, 2):

(a) determine o ponto D tal que os pontos A, B , C e D sejam os vértices consecutivos


de um paralelogramo.

(b) Determine o ponto médio do segmento AC.

(c) Determine o ponto médio do segmento BD.

Exercı́cio 2.3.6 Demonstre que se α e β são números reais tais que

α(2, 3) + β(3, 2) = ~0 ,

então α = 0 e β = 0. Qual a conclusão geométrica que podemos tirar?

Exercı́cio 2.3.7 Considere três vetores do espaço de vetores V 3 :

~u = (1, 0, −1) , ~v = (1, 1, 1) e w


~ = (x, y, z) .

(a) Se w
~ = (−1, −5, −9), mostre que existem escalares a e b tais que w
~ = a~u + b~v .

(b) Ainda para w


~ = (−1, −5, −9), será que existem escalares a′ e b′ tais que

(a′ , b′ ) 6= (a, b) e ~ = a′~u + b′~v ?


w

~ ∈ V 3 existem escalares a e b tais que w


(c) Será que para todo vetor w ~ = a~u + b~v ?

(d) Existe alguma relação entre as perguntas acima e o estudo de sistemas lineares?
Petronio Pulino 127

O exercı́cio 2.3.6, traduz geometricamente o fato de precisarmos de dois eixos não paralelos
no espaço bidimensional IE 2 , para podermos determinar de modo único os vetores. Assim,
existem dois vetores que são canônicos para determinarmos de modo único os vetores no
espaço de vetores V 2 que são

~i = (1, 0) e ~j = (0, 1) .

como ilustra a Figura 2.18.

6
~j

- -
0 ~i

Figura 2.18: Base canônica para o espaço de vetores V 2 .

Dado um vetor ~u = (x, y) ∈ V 2 , podemos escreve–lo de modo único da seguinte forma:

~u = x~i + y~j .

O conjunto β = {~i , ~j } é denominado base canônica do espaço de vetores V 2 , podendo ser


denotado os vetores canônicos por ~e1 , ~e2 , isto é,

~e1 = (1, 0) e ~e2 = (0, 1) .

O exercı́cio 2.3.7, traduz geometricamente o fato de precisarmos de três eixos, dois a dois
não paralelos, no espaço tridimensional IE 3 , para podermos determinar de modo único os
vetores. Existem três vetores que são canônicos para determinarmos de modo único os
vetores no espaço de vetores V 3 que são

~i = (1, 0, 0) , ~j = (0, 1, 0) e ~k = (0, 0, 1) .

como ilustra a Figura 2.19.

O conjunto β = {~i , ~j , ~k } é denominado base canônica do espaço de vetores V 3 , podendo


ser denotado os vetores canônicos por ~e1 , ~e2 , ~e3 , isto é,

~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1) .


128 Geometria Analı́tica e Vetores

6
~k
~j
- -
!0
!~i
!

!
!
!
!
!
!

!

Figura 2.19: Base canônica para o espaço de vetores V 3 .

Dado um vetor ~u = (x, y, z) ∈ V 3 , podemos escreve–lo de modo único da seguinte forma:

~u = x~i + y~j + z~k .

Para uma apresentação detalhada de como representar de forma única um vetor do espaço
de vetores V 3 necessitamos dos conceitos de dependência linear, independência linear, bases
(sistemas de coordenadas), que iremos estudar a seguir.

Exercı́cio 2.3.8 Mostre que ~u + ~v = ~u + w


~ ⇐⇒ ~v = w.
~

Exercı́cio 2.3.9 Prove que se α~v = β~v e se ~v 6= ~0, então α = β.

Exercı́cio 2.3.10 Prove que se α~u = α~v e se α 6= 0, então ~u = ~v .

Exercı́cio 2.3.11 Resolva a equação abaixo na incógnita ~x, conhecendo os vetores ~u e ~v .

3~x + 2~u = 8( ~x − ~v ) .

Exercı́cio 2.3.12 Resolva o sistema nas incógnita ~x e ~y , conhecendo os vetores ~u e ~v .



 2~x + 3~y = ~u
 ~x − 3~y = 2~v + ~u

Exercı́cio 2.3.13 Mostre que as diagonais de um paralelogramo têm o mesmo ponto médio.
Petronio Pulino 129

Exercı́cio 2.3.14 Sejam o triângulo ABC, M e N os pontos médios dos segmentos AC


e BC, respectivamente. Mostre que o segmento M N é paralelo ao segmento AB e tem
por medida a metade da medida do segmento AB.

Exercı́cio 2.3.15 Prove que num triângulo ABC, cujas medianas são AM , BN e CP ,
tem–se
−−→ −−→ −→
AM + BN + CP = ~0 .

Exercı́cio 2.3.16 Os vetores ~v1 , ~v2 , ~v3 e ~u1 , ~u2 , ~u3 são tais que

~v1 = 2~u1 + 3~u2 − 3~u3

~v2 = ~u1 − 2~u2 + 2~u3

~v3 = −2~u1 + ~u2 − 2~u3

Sabendo–se que
~v = 3~u1 − ~u2 + 2~u3 ,
represente o vetor ~v em função dos vetores ~v1 , ~v2 e ~v3 .

Exercı́cio 2.3.17 Sabendo–se que os vetores ~v1 e ~v2 não tem a mesma direção, e que

~v = ( a + 4b )~v1 + ( 2a + b + 1 )~v2

~u = ( −2a + b + 2 )~v1 + ( 2a − 3b − 1 )~v2

determine os valores dos parâmetros a e b de modo que 3~v = 2~u.

Exercı́cio 2.3.18 Seja o ponto P ∈ IE 3 o baricentro de um triângulo ABC, mostre que


−→ −−→ −→
P A + P B + P C = ~0 .

Exercı́cio 2.3.19 Sendo P ∈ IE 3 o ponto médio de um segmento AB e Q um ponto


qualquer, mostre que
−→ −−→ −→
QA + QB = 2QP
−→ −−→
Exercı́cio 2.3.20 Dados quatro pontos A, B, C e P tais que AP = αP B. Represente
−→ −→ −−→
o vetor CP em função dos vetores CA e CB, e do parâmetro α.

Exercı́cio 2.3.21 Sejam A, B e C três pontos quaisquer, com A 6= B. Mostre que


−→ −→ −−→
P é um ponto do segmento AB ⇐⇒ CP = αCA + β CB ,

com os parâmetros α e β positivos, e α + β = 1.


130 Geometria Analı́tica e Vetores

2.4 Dependência e Independência Linear. Base


Definição 2.4.1 Dizemos que o vetor ~u ∈ V 3 é uma combinação linear dos vetores
v1 , v2 , · · · , vn ∈ V 3 se existem escalares c1 , c2 , · · · , cn tais que

~u = c1 v1 + c2 v2 + · · · + cn vn .

De modo análogo, podemos dizer que o vetor ~u é gerado pelos vetores v1 , v2 , · · · , vn .

~ ∈ V 3 dados por:
Exemplo 2.4.1 Considere os vetores ~u, ~v , w

~u = (1, 2, 3) , ~v = (1, 1, 1) e w
~ = (−1, 0, 1) .

Mostre que o vetor w


~ é uma combinação linear dos vetores ~u e ~v .

Resolução – De fato, para isso, basta mostrar que existem escalares a, b ∈ IR de modo
que o vetor w
~ pode ser representado pela combinação linear

w
~ = a~u + b~v ⇐⇒ (−1, 0, 1) = a(1, 2, 3) + b(1, 1, 1) ,

isto é, devemos encontrar a solução do sistema linear



 a + b = −1
2a + b = 0
3a + b = 1

Procedendo com o escalonamento, encontramos a = 1 e b = −2 a única solução do


sistema linear. Assim, mostramos que w
~ é uma combinação linear dos vetores ~u e ~v .

~ ∈ V 3 dados por:
Exemplo 2.4.2 Considere os vetores ~u, ~v , w

~u = (1, 1, 0) , ~v = (1, 4, 5) e w
~ = (3, 6, 5) .

Podemos verificar facilmente que w


~ = 2~u + ~v . Assim, o vetor w
~ é uma combinação linear
dos vetores ~u e ~v .

Exemplo 2.4.3 Considere os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, 2, 3) , ~v2 = (1, 4, 9) e ~v3 = (1, 8, 27) .

Mostre que o vetor ~u = (2, 6, 18) pode ser representado de modo único por uma combinação
linear dos vetores ~v1 , ~v2 e ~v3 , isto é, existem, e são únicas, as constantes a, b e c tais
que
~u = a~v1 + b~v2 + c~v3 .

Resolução – Considerando a combinação linear acima, obtemos o seguinte sistema linear


 
 a + b + c = 2  a + b + 3c = 4
2a + 4b + 8c = 6 ⇐⇒ 2b + 6c = 2
3a + 9b + 27c = 18 6c = 6
 

que admite solução única dada por c = 1, b = −2 e a = 3. Assim, mostramos que o


vetor ~u é representado de modo único por um combinação linear dos vetores ~v1 , ~v2 e ~v3 .
Petronio Pulino 131

Exemplo 2.4.4 Considere os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, 0, −1) , ~v2 = (1, 2, 1) e ~v3 = (0, −3, 2) .

Mostre que qualquer vetor do espaço de vetores V 3 pode ser escrito de modo único por um
combinação linear dos vetores ~v1 , ~v2 e ~v3 , isto é, existem, e são únicas, as constantes x,
y e z tais que

~u = x~v1 + y~v2 + z~v3 para todo ~u = (a, b, c) ∈ V 3 .

Resolução – Considerando a combinação linear acima, obtemos o seguinte sistema linear



 x + y = a
2y − 3z = b
−x + y + 2z = c

Para mostrar que o sistema linear acima admite solução única, basta mostrar que a matriz do
sistema é invertı́vel, que é equivalente a mostrar que a matriz tem determinante diferente de
zero. A seguir apresentamos a matriz A do sistema linear e a matriz R na forma escalonada
linha equivalente a matriz A.
   
1 1 0 1 1 0
A =  0 2 −3 e R = 0 2 −3
−1 1 2 0 0 5
Desse modo, o sistema linear acima admite solução única, uma vez que det(A) 6= 0.

Portanto, determinamos de modo único as constantes x, y e z, mostrando que qualquer


vetor de V 3 pode ser representando de modo único por uma combinação linear dos vetores
~v1 , ~v2 e ~v3 .

Finalmente, vamos exibir a solução do sistema linear acima, em função das constantes a, b
e c. Escalonando o sistema linear acima, obtemos

 x + y = a
2y − 3z = b
5z = c+a−b

que admite solução única dada por:


a−b+c 3a + 2b + 3c 7a − 2b − 3c
z = , y = e x = .
5 10 10

Definição 2.4.2 Dizemos que o espaço de vetores V 3 é gerado pelos vetores v1 , v2 , · · · , vn


se, e somente se, todo vetor ~u ∈ V 3 pode ser representado por uma combinação linear dos
vetores v1 , v2 , · · · , vn , isto é, existem escalares c1 , c2 , · · · , cn tais que

~u = c1 v1 + c2 v2 + · · · + cn vn .

Dizemos também que os vetores v1 , v2 , · · · , vn é um sistema de geradores para V 3 .


132 Geometria Analı́tica e Vetores

Exemplo 2.4.5 Os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, 0, −1) , ~v2 = (1, 2, 1) e ~v3 = (0, −3, 2) ,

é um sistema de geradores para o espaço V 3 , de acordo com o Exemplo 2.4.4.

Exemplo 2.4.6 Podemos verificar facilmente que os vetores ~v1 , ~v2 ∈ V 2 dados por:

~v1 = (1, −1) e ~v2 = (1, 1) ,

é um sistema de geradores para o espaço de vetores V 2 .

Resolução – De fato, para isso, vamos mostrar que um vetor qualquer ~u = (a, b) ∈ V 2
pode ser representado como uma combinação linear dos vetores ~v1 , ~v2 , isto é, exitem escalares
x e y tais que
~u = (a, b) = x (1, −1) + y (1, 1) .
Considerando a combinação linear acima, obtemos o seguinte sistema linear
(
x + y = a
−x + y = b

que admite uma única solução dada por:


a−b a+b
x = e y = .
2 2

Definição 2.4.3 Dizemos que os vetores ~v1 , · · · , ~vn , pertencentes a um espaço de vetores,
são Linearmente Dependentes (LD) se, e somente se, existirem escalares α1 , · · · , αn
não todos nulos tais que
α1 ~v1 + · · · + αn ~vn = ~0 .
De maneira análoga, dizemos que os vetores ~v1 , · · · , ~vn , são Linearmente Dependentes
se, e somente se, a equação

α1 ~v1 + · · · + αn ~vn = ~0 ,

nas incógnitas α1 , · · · , αn , admite solução não–trivial.

Definição 2.4.4 Dizemos que os vetores ~v1 , · · · , ~vn , pertencentes a um espaço de vetores,
são Linearmente Independentes (LI) se, e somente se, a equação

α1 ~v1 + · · · + αn ~vn = ~0 ,

nas incógnitas α1 , · · · , αn , admite somente a solução trivial.


Petronio Pulino 133

Exemplo 2.4.7 Prove que se os vetores ~u, ~v ∈ V 3 são linearmente independentes, então
os vetores ~u + ~v , ~u − ~v são linearmente independentes.

Resolução – A prova pode ficar a cargo do leitor.

Exemplo 2.4.8 Prove que se os vetores ~u, ~v , w ~ ∈ V 3 são linearmente independentes,


então os vetores ~u + ~v + w
~ , ~u − ~v , 3~v são linearmente independentes.

Resolução – A prova pode ficar a cargo do leitor.

Exemplo 2.4.9 Prove que se os vetores ~u, ~v , w ~ ∈ V 3 são linearmente independentes,


então os vetores ~u + ~v , ~u + w
~ , ~v + w
~ são linearmente independentes.

Resolução – Para mostra os vetores ~u + ~v , ~u + w,


~ ~v + w
~ são linearmente independentes
3
em V , basta mostrar que a equação

a (~u + ~v ) + b (~u + w) ~ = ~0
~ + c (~v + w)

possui somente a solução trivial a = b = c = 0. Tomando a equação acima, tem–se

~ = ~0 .
(a + b) ~u + (a + c) ~v + (b + c) w

Como os vetores ~u, ~v , w~ são linearmente independentes, a equação acima possui somente a
solução trivial. Assim, obtemos o sistema linear homogêneo
  
a + b = 0 1 1 0 a 0
  

   
a + c = 0 ⇐⇒  1 0 1  b  =  0 .

  

b + c = 0 0 1 1 c 0

Como a matriz do sistema linear homogêneo é invertı́vel, uma vez que seu determinante é
não–nulo, o sistema linear possui somente a solução trivial a = b = c = 0, o que completa
a demonstração.

Exemplo 2.4.10 Os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, 0, −1) , ~v2 = (1, 2, 1) e ~v3 = (0, −3, 2) ,

são linearmente independentes.

Resolução – A prova pode ficar a cargo do leitor.

~ ∈ V 3 dados por:
Exemplo 2.4.11 Os vetores ~u, ~v , w

~u = (1, 1, 0) , ~v = (1, 4, 5) e w
~ = (3, 6, 5) ,

são linearmente dependentes, uma vez que w


~ = 2~u + ~v .

Resolução – A prova pode ficar a cargo do leitor.


134 Geometria Analı́tica e Vetores

Definição 2.4.5 Uma base para o espaço de vetores V 3 é um conjunto de vetores de V 3


que são linearmente independentes e que geram o espaço de vetores V 3 .

Considerando tudo o que foi exposto até o momento, vamos apresentar a definição de base
para o espaço de vetores V 3 .

Definição 2.4.6 Uma base para o espaço de vetores V 3 é qualquer conjunto que contém
três vetores de V 3 que são linearmente independentes.

Exemplo 2.4.12 Considere os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, 0, −1) , ~v2 = (1, 2, 1) e ~v3 = (0, −3, 2) .

Conforme os Exemplos 2.4.4 e 2.4.10, sabemos que os vetores ~v1 , ~v2 , ~v3 são linearmente
independentes e geram o espaço de vetores V 3 . Logo, os vetores ~v1 , ~v2 , ~v3 formam uma
base para o espaço de vetores V 3 .

Exemplo 2.4.13 Existem três vetores canônicos para representarmos de modo único os
vetores do espaço de vetores V 3 , que são os vetores dados por:

~i = (1, 0, 0) , ~j = (0, 1, 0) e ~k = (0, 0, 1) .

Podemos verificar facilmente que os vetores ~i, ~j, ~k são linearmente independentes e geram
o espaço de vetores V 3 . Assim, o conjunto β = {~i , ~j , ~k } é denominado base canônica
do espaço V 3 . Podemos também denotar os vetores canônicos por ~e1 , ~e2 , ~e3 , isto é,

~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1) .

Assim, dado um vetor ~u = (x, y, z) ∈ V 3 podemos escreve–lo de modo único da forma:

~u = x~i + y~j + z~k para x, y, z ∈ IR .

Exemplo 2.4.14 Mostre que os vetores ~v1 , ~v2 ∈ V 2 dados por:

~v1 = (1, 2) e ~v2 = (2, −1) ,

formam uma base para o espaço de vetores V 2 .

Resolução – A prova pode ficar a cargo do leitor.

Exemplo 2.4.15 Mostre que os vetores ~u, ~v ∈ V 3 não–nulos são linearmente dependentes
se, e somente se, um é múltiplo escalar do outro.

Resolução – A prova pode ficar a cargo do leitor.


Petronio Pulino 135

Exemplo 2.4.16 Mostre que se os vetores ~u, ~v ∈ V 3 são linearmente independentes e os


~ ∈ V 3 são linearmente dependentes, então o vetor w
vetores ~u, ~v , w ~ é uma combinação
linear dos vetores ~u e ~v .

Resolução – Como os vetores ~u, ~v , w~ ∈ V 3 são linearmente dependentes, sabemos que


existem escalares a, b, c não todos nulos de modo que

~ = ~0 .
a ~u + b ~v + c w

Como os vetores ~u, ~v ∈ V 3 são linearmente independentes, devemos ter o escalar c 6= 0.


Assim, obtemos, da equação acima, o vetor w ~ como uma combinação linear dos vetores
~u, ~v ∈ V 3 , da seguinte forma:
a b
~ = ~u + ~v ,
w
c c
o que completa a demonstração.

Exemplo 2.4.17 Seja γ = { ~v1 , ~v2 , ~v3 } uma base ordenada para o espaço de vetores V 3 .
Mostre que o conjunto β dado por:

β = { 2~v1 − ~v2 , ~v1 − ~v2 + 2~v3 , ~v1 + 2~v3 }

é também uma base para o espaço de vetores V 3 .

Resolução – Para mostrar que o conjunto β é uma base para o espaço de vetores V 3 ,
basta mostrar que β é linearmente independente em V 3 . Para isso, basta mostrar que a
equação
a (2~v1 − ~v2 ) + b (~v1 − ~v2 + 2~v3 ) + c (~v1 + 2~v3 ) = ~0
possui somente a solução trivial a = b = c = 0.

Podemos reescrever a equação acima da seguinte forma:

(2a + b + c) ~v1 − (a + b) ~v2 + (2b + 2c) ~v3 = ~0 .

Como os vetores ~v1 , ~v2 , ~v3 são linearmente independentes, a equação acima possui somente
a solução trivial. Assim, obtemos o seguinte sistema linear homogêneo:

2a + b + c = 0 2 1 1 a 0
     


a + b = 0 ⇐⇒  1 1 0  b  =  0 
    


2b + c = 0 0 2 1 c 0

Como a matriz do sistema linear homogêneo é invertı́vel, uma vez que seu determinante é
não–nulo, o sistema linear homogêneo possui somente a solução trivial a = b = c = 0, o
que completa a demonstração.

Por base ordenada, entendemos que ~v1 é o primeiro elemento da base, ~v2 é o segundo
elemento da base e que ~v3 é o terceiro elemento da base.
136 Geometria Analı́tica e Vetores

Teorema 2.4.1 Seja β = { ~v1 , ~v2 , ~v3 } uma base ordenada para o espaço de vetores
V 3 . Então, todo vetor ~u ∈ V 3 pode ser escrito de modo único como uma combinação
linear dos vetores de β, isto é, existem, e são únicos, os escalares reais c1 , c2 , c3 tais que

~u = c1 ~v1 + c2 ~v2 + c3 ~v3 .

Além disso, dizemos que os escalares c1 , c2 , c3 são as coordenadas do vetor ~u com relação
á base ordenada β, que denotamos pela matriz coluna
 
c1
[~u]β = c2  ,
 

c3

denominada matriz de coordenadas do vetor ~u.

Demonstração – Como β = { ~v1 , ~v2 , ~v3 } é uma base para o espaço de vetores V 3 ,
sabemos que todo elemento ~u ∈ V 3 é expresso da forma:
3
X
~u = c1 ~v1 + c2 ~v2 + c3 ~v3 = cj ~vj .
j=1

Para mostrar a unicidade dessa combinação linear, vamos considerar que


3
X 3
X 3
X
~u = cj ~vj = bj ~vj ⇐⇒ (cj − bj ) ~vj = ~0 .
j=1 j=1 j=1

Como os vetores { ~v1 , ~v2 , ~v3 } são linearmente independentes, obtemos

cj − bj = 0 ⇐⇒ cj = bj para j = 1, 2, 3 ,

o que completa a demonstração. 

Exemplo 2.4.18 considere a base ordenada γ = { ~v1 = (1, 1) , ~v2 = (−1, 1) } para o
espaço de vetores V 2 . Determine a matriz de coordenadas do vetor ~u = (3, 5) ∈ V 2 com
relação a base ordenada γ.

Resolução – A prova pode ficar a cargo do leitor.


Petronio Pulino 137

Exemplo 2.4.19 Considere os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, 1, 1) , ~v2 = (1, 0, 1) e ~v3 = (1, 0, −1) .

(a) Mostre que os vetores ~v1 , ~v2 , ~v3 formam uma base para o espaço de vetores V 3 .

(b) Determine a matriz de coordenadas para o vetor ~u = (2, 1, 4) com relação à base
ordenada γ = { ~v1 , ~v2 , ~v3 }.

Resolução – Para mostrar que os vetores ~v1 , ~v2 , ~v3 formam uma base para o espaço de
vetores V 3 , basta mostrar que são linearmente independentes em V 3 . Para isso, basta
mostrar que a equação
a ~v1 + b ~v2 + c ~v3 = ~0
possui somente a solução trivial a = b = c = 0.

Podemos reescrever a equação acima da seguinte forma:

a + b + c = 0 1 1 1 a 0
     


a = 0 ⇐⇒ 1 0 0  b  = 0
    


a + b − c = 0 1 1 −1 c 0

Como a matriz do sistema linear homogêneo é invertı́vel, uma vez que seu determinante é
não–nulo, o sistema linear homogêneo possui somente a solução trivial a = b = c = 0, o
que completa a demonstração.

Para obter a matriz de coordenadas para o vetor ~u = (2, 1, 4) com relação à base γ, basta
obter a solução da seguinte equação

a ~v1 + b ~v2 + c ~v3 = (2, 1, 4) .

Da equação acima, obtemos o sistema linear

1 1 1 a 2
    

1 0 0  b  = 1
    

1 1 −1 c 4

cuja solução é dada por a = 1 , b = 2 , c = −1. Assim, a matriz de coordenadas do vetor


~u = (2, 1, 4) com relação a base γ é dada por:
 
1
 
 2 .
[~u]γ =  

−1
138 Geometria Analı́tica e Vetores

Exemplo 2.4.20 Considere a base canônica β = {~i , ~j , ~k } para o espaço de vetores V 3


e o vetor ~u = (−1, 2, 3) ∈ V 3 . Podemos verificar facilmente que o vetor ~u pode ser escrito
de modo único da seguinte forma:

~u = −~i + 2~j + 3~k .

Desse modo, a matriz de coordenadas do vetor ~u com relação à base canônica é dada por:
 
−1
[~u]β =  2 .
 

Proposição 2.4.1 Sejam γ = { ~v1 , ~v2 , ~v3 } uma base ordenada para o espaço de vetores
V 3 e ~u, ~v vetores quaisquer de V 3 cujas matrizes de coordenadas são dadas por:
   
a1 a2
[~u]γ =  b1  , [~v ]γ =  b2  .
   

c1 c2

Então, as matrizes de coordenadas dos vetores ~u + ~v e λ ~u, são dadas por:


   
a1 + a2 λa1
[~u + ~v ]γ =  b1 + b2  , [λ ~u]γ =  λb1  .
   

c1 + c2 λc1

Demonstração – A prova pode ficar a cargo do leitor. 

Proposição 2.4.2 Sejam γ = { ~v1 , ~v2 , ~v3 } uma base ordenada para o espaço de vetores
V 3 e ~u, ~v , w
~ vetores quaisquer de V 3 cujas matrizes de coordenadas são dadas por:
     
a1 a2 a3
[~u]γ =  b1  , [~v ]γ =  b2  , [w]~ γ =  b3  .
     

c1 c2 c3

Então, os vetores ~u, ~v , w


~ são linearmente independentes se, e somente se,

a1 a2 a3
b1 b2 b3 6= 0 .
c1 c2 c3

Demonstração – A prova pode ficar a cargo do leitor. 


Petronio Pulino 139

Exemplo 2.4.21 Verifique se os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, 2, 1) , ~v2 = (1, −1, −7) e ~v3 = (4, 5, −4) ,

são linearmente independentes ou linearmente dependentes.

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 2.4.22 Seja γ = { ~v1 , ~v2 , ~v3 } uma base para V 3 . Verifique se o conjunto

β = { ~v1 + ~v2 + ~v3 , ~v1 + ~v2 , ~v1 + ~v3 }

é uma base para V 3 .

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 2.4.23 Seja γ = { ~v1 , ~v2 , ~v3 } uma base para V 3 . Mostre que o conjunto

β = { a ~v1 , b ~v2 , c ~v3 }

é uma base para V 3 , desde que os escalares a, b, c sejam não–nulos.

Exemplo 2.4.24 Seja γ = { ~v1 , ~v2 , ~v3 } uma base ordenada para V 3 .

(a) Mostre que o conjunto

β = { −~v1 + ~v2 + ~v3 , ~v1 + ~v2 , ~v1 }

é também uma base para V 3 .

(b) Considere o vetor w


~ que tem a matriz de coordenadas, em relação a base γ, dada por:
 
1
~ γ = −1 .
[w]
 

Determine a matriz de coordenadas do vetor w


~ em relação á base β.

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 2.4.25 Considere os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, 2, 2) , ~v2 = (m − 1, 1, m − 2) e ~v3 = (m + 1, m − 1, 2) .

É possı́vel determinar valores para o parâmetro m de modo que os vetores ~v1 , ~v2 , ~v3 sejam
uma base para V 3 .

Resolução – A resolução pode ficar a cargo do leitor.


140 Geometria Analı́tica e Vetores

Exemplo 2.4.26 Considere os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (m, 1, 1 + m) , ~v2 = (1, 2, m) e ~v3 = (1, 1, 1) .

É possı́vel determinar valores para o parâmetro m de modo que os vetores ~v1 , ~v2 , ~v3 sejam
uma base para V 3 .

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 2.4.27 Seja γ = { ~v1 , ~v2 , ~v3 } uma base ordenada para V 3 .

(a) Mostre que o conjunto

β = { ~v1 + ~v2 + ~v3 , ~v2 + ~v3 , ~v3 }

é também uma base para V 3 .

(b) Considere o vetor w


~ que tem a matriz de coordenadas, em relação a base γ, dada por:
 
1
~ γ = 1 .
[w]
 

Determine a matriz de coordenadas do vetor w


~ em relação á base β.

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 2.4.28 Podemos verificar facilmente que os conjuntos de vetores dados por:

β = { ~e1 = (1, 0) , ~e2 = (0, 1) } e γ = { ~v1 = (1, −1) , ~v2 = (1, 1) }

são duas bases para o espaço V 2 .

Resolução – A resolução pode ficar a cargo do leitor.


Petronio Pulino 141

2.5 Exercı́cios
Exercı́cio 2.5.1 Seja γ = { ~v1 , ~v2 , ~v3 } uma base ordenada para o espaço de vetores V 3 .
Verifique se o conjunto β dado por:

β = { ~v1 − 2~v2 , ~v1 − ~v2 + 2~v3 , −~v1 + 2~v3 }

é uma base para o espaço de vetores V 3 .

Exercı́cio 2.5.2 Considere os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, 1, 1) , ~v2 = (1, 0, 1) e ~v3 = (1, 0, −1) .

(a) Mostre que os vetores ~v1 , ~v2 , ~v3 formam uma base para o espaço de vetores V 3 .

(b) Determine a matriz de coordenadas para o vetor ~u = (2, 1, 4) com relação a base
ordenada γ = { ~v1 , ~v2 , ~v3 }.

Exercı́cio 2.5.3 Verifique se os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, −2, 1) , ~v2 = (1, −1, 6) e ~v3 = (2, 3, −2) ,

são linearmente independentes ou linearmente dependentes.

Exercı́cio 2.5.4 Seja γ = { ~v1 , ~v2 , ~v3 } uma base para o espaço de vetores V 3 . Mostre
que o conjunto
β = { a ~v1 , b ~v2 , c ~v3 }
é uma base para o espaço de vetores V 3 , desde que os escalares a, b, c sejam não–nulos.

Exercı́cio 2.5.5 Seja γ = { ~v1 , ~v2 , ~v3 } uma base ordenada para V 3 .

(a) Mostre que o conjunto

β = { ~v1 − ~v2 + ~v3 , ~v1 + ~v2 , ~v1 + ~v3 }

é também uma base para o espaço de vetores V 3 .

(b) Considere o vetor w


~ que tem a matriz de coordenadas, em relação a base γ, dada por:
 
3
[w]
~ γ = −1 .
 

2
Determine a matriz de coordenadas do vetor w
~ em relação a base β.

Exercı́cio 2.5.6 Considere os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (1, 2, 1) , ~v2 = (m + 1, 1, m + 2) e ~v3 = (m + 1, m − 1, 1) .

É possı́vel determinar valores para o parâmetro m de modo que os vetores ~v1 , ~v2 , ~v3 sejam
uma base para o espaço de vetores V 3 .
142 Geometria Analı́tica e Vetores

Exercı́cio 2.5.7 Considere os vetores ~v1 , ~v2 , ~v3 ∈ V 3 dados por:

~v1 = (m, 1, 1 + m) , ~v2 = (1, 2, m − 1) e ~v3 = (1, −1, 1) .

É possı́vel determinar valores para o parâmetro m de modo que os vetores ~v1 , ~v2 , ~v3 sejam
uma base para o espaço de vetores V 3 .

Exercı́cio 2.5.8 Seja γ = { ~v1 , ~v2 , ~v3 } uma base ordenada para V 3 .

(a) Mostre que o conjunto

β = { ~v1 + ~v2 − ~v3 , ~v2 − ~v3 , ~v3 − ~v1 }

é uma base para o espaço de vetores V 3 .

(b) Considere o vetor w


~ que tem a matriz de coordenadas, em relação a base γ, dada por:
 
2
[w]
~ γ = −1 .
 

Determine a matriz de coordenadas do vetor w


~ em relação á base β.

Exercı́cio 2.5.9 Considere as bases ordenadas para o espaço V 2 dadas por:

β = { ~e1 = (1, 0) , ~e2 = (0, 1) } e γ = { ~v1 = (1, −1) , ~v2 = (1, 1) } ,

onde β é a base canônica.

(a) Determine a matriz de coordenadas do vetor ~u = (−2, 3) com relação à base γ.

(b) Considere o vetor w


~ que tem a matriz de coordenadas, em relação a base γ, dada por:
" #
a
[w]
~γ = .
b

Determine a matriz de coordenadas do vetor w


~ em relação á base canônica β.

(c) Considere o vetor w


~ que tem a matriz de coordenadas, em relação a base β, dada por:
" #
x
[w]
~β = .
y

Determine a matriz de coordenadas do vetor w


~ em relação á base ordenada γ.

(d) Determine uma matriz invertı́vel P de ordem 2 × 2 de modo que

[w]
~ β = P [w]
~γ ⇐⇒ ~ γ = P −1 [w]
[w] ~β.

(e) Mostre que a matriz P , determinada no item (d), é única.


Petronio Pulino 143

2.6 Mudança de Base


Proposição 2.6.1 Sejam β e γ duas bases ordenadas para o espaço de vetores V 2 dadas
por:
β = { ~u1 , ~u2 } e γ = { ~v1 , ~v2 } .
Então, existe uma única matriz invertı́vel P de ordem 2 × 2 tal que

[w]
~ γ = P [w]
~β ⇐⇒ ~ β = P −1 [w]
[w] ~γ,

~ ∈ V 2.
para todo vetor w

Demonstração – Pelo Teorema 2.4.1, sabemos que cada vetor da base ordenada β pode
ser representado de modo único como uma combinação linear dos vetores da base γ, isto é,
existem, e são únicos, os escalares reais c11 , c21 tais que

~u1 = c11 ~v1 + c21 ~v2 ,

e existem, e são únicos, os escalares reais c12 , c22 tais que

~u2 = c12 ~v1 + c22 ~v2 .

~ ∈ V 2 cuja matriz de coordenadas na base ordenada β é dada por:


Dado um vetor w
 
a
[w]
~β = ,
b
isto é, o vetor w
~ é escrito da seguinte forma:
w
~ = a~u1 + b~u2
= a( c11 ~v1 + c21 ~v2 ) + b( c12 ~v1 + c22 ~v2 )
= ( a c11 + bc12 ) ~v1 + ( a c21 + bc22 ) ~v2
Desse modo, obtemos a matriz de coordenadas do vetor w~ com relação à base ordenada γ
que é dada por:
    
a c11 + bc12 c11 c12 a
[w]
~γ = = = P [w]
~β.
a c21 + bc22 c21 c22 b
Portanto, a matriz P procurada é dada por:
 
c11 c12
P = ,
c21 c22
que é denominada matriz de mudança da base ordenada β para a base ordenada γ.

O fato que a matriz de mudança de base P é uma matriz invertı́vel, é uma consequência
imediata da Proposição 2.4.2. Para mostrar a unicidade da matriz de mudança de base,
basta considerar duas matrizes P e Q tais que

[w]
~ γ = P [w]
~β e [w]
~ γ = Q[w]
~β ⇐⇒ ( P − Q )[w]
~ β = 02×1

~ ∈ V 2 . Portanto, podemos concluir que P = Q, o que completa a


para todo vetor w
demonstração. 
144 Geometria Analı́tica e Vetores

Proposição 2.6.2 Sejam β e γ bases ordenadas para o espaço de vetores V 3 dadas por:
β = { ~u1 , ~u2 , ~u3 } e γ = { ~v1 , ~v2 , ~v3 } .
Então, existe uma única matriz invertı́vel P de ordem 3 × 3 tal que
[w]
~ γ = P [w]
~β ⇐⇒ ~ β = P −1 [w]
[w] ~γ,
~ ∈ V 3.
para todo vetor w
Demonstração – Pelo Teorema 2.4.1, sabemos que cada vetor da base ordenada β pode
ser representado de modo único como uma combinação linear dos vetores da base γ, isto é,
existem, e são únicos, os escalares reais c11 , c21 , c31 tais que
~u1 = c11 ~v1 + c21 ~v2 + c31 ~v3 ,
e existem, e são únicos, os escalares reais c12 , c22 , c32 tais que
~u2 = c12 ~v1 + c22 ~v2 + c32 ~v3 .
e existem, e são únicos, os escalares reais c13 , c23 , c33 tais que
~u3 = c13 ~v1 + c23 ~v2 + c33 ~v3 .
~ ∈ V 3 cuja matriz de coordenadas na base ordenada β é dada por:
Dado um vetor w
 
a
~ β = b ,
[w] 
c
isto é, o vetor w
~ é escrito da seguinte forma:
w
~ = a~u1 + b~u2 + c~u3
= a( c11 ~v1 + c21 ~v2 + c31 ~v3 ) + b( c12 ~v1 + c22 ~v2 + c23 ~v3 ) + c( c13 ~v1 + c23 ~v2 + c33 ~v3 )
= ( a c11 + b c12 + c c13 ) ~v1 + ( a c21 + b c22 + c c23 ) ~v2 + ( a c31 + b c32 + c c33 ) ~v3
Desse modo, obtemos a matriz de coordenadas do vetor w
~ com relação à base ordenada γ
que é dada por:
    
a c11 + bc12 + c c13 c11 c12 c13 a
~ γ = a c21 + bc22 + c c23 = c21 c22 c23
[w]      b  = P [w]
~β.
a c31 + b c32 + c c33 c31 c32 c33 c
Portanto, a matriz P procurada é dada por:
 
c11 c12 c13
P = c21 c22 c23  ,
c31 c32 c33
que é denominada matriz de mudança da base ordenada β para a base ordenada γ.

O fato que a matriz de mudança de base P é uma matriz invertı́vel, é uma consequência
imediata da Proposição 2.4.2. Para mostrar a unicidade da matriz de mudança de base,
~ ∈ V 3 , tem–se
basta considerar duas matrizes P e Q tais que, para todo vetor w
[w]
~ γ = P [w]
~β e [w]
~ γ = Q[w]
~β ⇐⇒ ( P − Q )[w]
~ β = 03×1
Assim, concluı́mos que P = Q, o que completa a demonstração. 
Petronio Pulino 145

Exemplo 2.6.1 Considere o espaço de vetores V 3 . Determine a matriz de mudança da


base canônica β = { ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) , ~e3 = (0, 0, 1) } para a base ordenada
γ = { ~v1 = (1, 1, 1) , ~v2 = (1, 0, 1) , ~v3 = (1, 0, −1) }.
 
0 1 0
 
1 1 1 1 1
 
Resposta: P =  2 −1 e P −1 = 1 0 0
 
2
1 1 −1
 
1 1
0 −
2 2

Exemplo 2.6.2 Considere o espaço de vetores V 2 . Determine a matriz P de mudança da


base α = { ~v1 = (−3, −1) , ~v2 = (−1, 3) } para a base γ = { ~u1 = (−1, 1) , ~u2 = (1, 1) }.

1 2
 
  −
1 2 5 5
Resposta: P = e P −1 = 
 
−2 1 2 1
5 5

Exemplo 2.6.3 A matriz P de mudança da base ordenada γ = { ~u1 , ~u2 } de V 2 , onde


~u1 = (1, 1) e ~u2 = (−2, 2), para a base ordenada α = { ~v1 , ~v2 } de V 2 é dada por:
 
1  1 0
P = .
2 4 −2

Determine a base ordenada α do espaço de vetores V 2 .

Resolução – Para determinar os elementos da base ordenada α vamos precisar da matriz


P −1 de mudança da base ordenada α para a base ordenada γ, que é dada por:
 
−1 2 0
P = .
4 −1

Desse modo, os elementos da base ordenada α são expressos em função dos elementos da
base ordenada γ da seguinte forma:

~v1 = 2 ~u1 + 4 ~u2 = 2 (1, 1) + 4 (−2, 2) = (−6, 10)


~v2 = 0 ~u1 − 1 ~u2 = −1 (−2, 2) = (2, −2)

Portanto, a base ordenada α para o espaço de vetores V 2 é dada por:

α = { ~v1 = (−6, 10) , ~v2 = (2, −2) } .


146 Geometria Analı́tica e Vetores

Exemplo 2.6.4 Considere as bases ordenadas β = {~u1 , ~u2 , ~u3 } e γ = {w


~1 , w
~2 , w
~ 3}
para o espaço de vetores V 3 , relacionadas da forma:

 w
 ~ 1 = ~u1 − ~u2 − ~u3
w
~2 = 2~u2 + 3~u3 (2.1)

w
~ 3 = 3~u1 + ~u3

(a) Determine a matriz de mudança da base ordenada γ para a base ordenada β.

(b) Determine a matriz de mudança da base ordenada β para a base ordenada γ.

(c) Considere que o vetor ~u ∈ V 3 tem por matriz de coordenadas


 
2
 
[~u]β = 3 .
 
 
4

Determine a matriz de coordenadas do vetor ~u com relação a base ordenada γ.

Resolução – Conhecendo os elementos da base ordenada γ expressos em função dos


elementos da base ordenada β dados pelas relações (2.1), sabemos que a matriz P de
mudança da base ordenada γ para a base ordenada β é dada por:

1 0 3
 

P = −1 2 0
 

−1 3 1

Assim, a matriz P −1 é a matriz de mudança da base ordenada β para a base ordenada γ,


que é dada por:
−2 −9 6
 

P −1 = −1 −4 3
 

1 3 −2
Conhecendo a matriz de coordenadas do vetor ~u ∈ V 3 em relação a base ordenada β, dada
por:
2
 

[~u]β = 3 ,
 

4
sabemos que sua matriz de coordenadas com relação à base ordenada γ é dada por:

−2 −9 6 2 −7
    

[~u]γ = P −1 [~u]β ⇐⇒ [~u]γ = −1 −4 3 3 = −2


    

1 3 −2 4 3
Petronio Pulino 147

Exemplo 2.6.5 Considere as bases ordenadas para o espaço de vetores V 2 dadas por:

β = { ~e1 = (1, 0) , ~e2 = (0, 1) } e γ = { ~v1 = (1, −1) , ~v2 = (1, 1) } ,

onde β é a base canônica, e a reta r representada pela equação y = 2x + 2, no sistema


de coordenadas definido pela base canônica β. Determine a equação que representa a reta
r no sistema de coordenadas definido pela base ordenada γ.

Resolução – Dado um vetor ~u ∈ V 2 , vamos indicar a matriz de coordenadas do vetor ~u


com relação à base canônica β e a matriz de coordenadas do vetor ~u com relação à base
ordenada γ, respectivamente, por:
" # " ′#
x x
[~u]β = e [~u]γ = .
y y′
A matriz de mudança da base canônica β para a base ordenada γ é dada por:
" #
1 1 −1
P =
2 1 1
Desse modo, para todo vetor ~u ∈ V 2 tem–se que
" #" # " ′# " #
1 1 −1 x x 1 x−y
[~u]γ = ⇐⇒ = .
2 1 1 y y′ 2 x+y
A matriz de mudança da base ordenada γ para a base canônica β é dada por:
" #
1 1
P −1 =
−1 1
Desse modo, para todo vetor ~u ∈ V 2 tem–se que
" #" # " # " #
1 1 x′ x x′ + y ′
[~u]β = ⇐⇒ = .
−1 1 y ′ y y ′ − x′

É importante observar que a reta r é a representação do gráfico da função f (x) = 2x + 2,


para x ∈ IR, no plano cartesiano. O gráfico da função f , que vamos denotar por G(f ), é
um subconjunto de IR × IR = IR2 dado por:

G(f ) = { X = (x, y) ∈ IR × IR = IR2 / y = f (x) para x ∈ IR } .

Para todo vetor ~u = (x, y) ∈ V 2 , suas coordenadas relativas à base canônica β estão
relacionadas com suas coordenadas relativas à base ordenada γ da seguinte forma:

x = x′ + y ′ e y = y ′ − x′ , x′ , y ′ ∈ IR ,

que substituindo na equação da reta r, obtemos

y = 2x + 2 ⇐⇒ y ′ − x′ = 2y ′ + 2x′ + 2 ⇐⇒ −y ′ = 3x′ + 2 .

Portanto, a equação da reta r em relação ao sistema de coordenadas definido pela base


ordenada γ é dada por:
y ′ = −3x′ − 2 .
148 Geometria Analı́tica e Vetores

Portanto, qualquer ponto P ∈ r é expresso da seguinte forma:


−−→
P = O + x′ ~v1 + y ′ ~v2 ⇐⇒ OP = x′ ~v1 − ( 3x′ + 2 ) ~v2

para x′ ∈ IR, onde o ponto O = (0, 0) é a origem do sistema de coordenadas.

Na Figura 2.20 ilustramos os dois sistemas de coordenadas relacionados as bases ordenadas


β e γ para o espaço de vetores V 2 e o gráfico da reta r.

y
6
r



 y′
 !

 !
@  !
@  !
@  !
@  !
@  !
@  !
@
 ~ e2 ! !
@ 6 ! 
@ !~ v2
 @!
s - -x
 !@ ~ e1
 ! @
 ! ~v1@
R
@
 ! @
! @
! @
! @
! @
!  @
!  @
 @R x′
@

Figura 2.20: Sistemas de coordenadas definidos pelas bases β e γ.

Exemplo 2.6.6 Considere as bases ordenadas para o espaço de vetores V 2 dadas por:

β = { ~e1 = (1, 0) , ~e2 = (0, 1) } e γ = { ~v1 = (1, 2) , ~v2 = (−2, 1) } ,

onde β é a base canônica, e a reta r representada pela equação y = −2x + 3, no sistema


de coordenadas definido pela base canônica β. Determine a equação que representa a reta
r no sistema de coordenadas definido pela base ordenada γ.

Resolução – A resolução pode ficar a cargo do leitor.


Petronio Pulino 149

2.7 Exercı́cios
Exercı́cio 2.7.1 Considere as bases ordenadas para o espaço de vetores V 2 dadas por:

β = { ~e1 = (1, 0) , ~e2 = (0, 1) } e γ = { ~v1 = (1, 1) , ~v2 = (−1, 1) } ,

onde β é a base canônica.

(a) Determine a matriz de coordenadas do vetor ~u = (−2, 3) com relação à base γ.

(b) Considere o vetor w


~ que tem a matriz de coordenadas, em relação a base γ, dada por:
" #
x′
[w]
~γ = .
y′

Determine a matriz de coordenadas do vetor w


~ em relação á base canônica β.

(c) Considere o vetor w


~ que tem a matriz de coordenadas, em relação a base β, dada por:
" #
x
[w]
~β = .
y

Determine a matriz de coordenadas do vetor w


~ em relação á base ordenada γ.

(d) Determine uma matriz invertı́vel P de ordem 2 × 2 de modo que

[w]
~ β = P [w]
~γ ⇐⇒ ~ γ = P −1 [w]
[w] ~β.

(e) Considere a reta r representada pela equação y = −3x + 1, no sistema de coordenadas


definido pela base canônica β. Determine a equação que representa a reta r no sistema
de coordenadas definido pela base ordenada γ.

Exercı́cio 2.7.2 Considere o espaço de vetores V 3 . Determine a matriz de mudança da


base canônica β = { ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) , ~e3 = (0, 0, 1) } para a base ordenada
γ = { ~v1 = (1, −1, 1) , ~v2 = (0, 1, 1) , ~v3 = (1, 0, 1) }.

Exercı́cio 2.7.3 Considere o espaço de vetores V 2 . Determine a matriz P de mudança da


base α = { ~v1 = (−3, −1) , ~v2 = (−1, 3) } para a base γ = { ~u1 = (−1, 1) , ~u2 = (1, 1) }.

Exercı́cio 2.7.4 A matriz P de mudança da base ordenada γ = { ~u1 , ~u2 } de V 2 , onde


~u1 = (1, 1) e ~u2 = (−1, 1), para a base ordenada α = { ~v1 , ~v2 } de V 2 é dada por:
" #
1 1 1
P = .
2 1 −1

Determine a base ordenada α para o espaço de vetores V 2 .


150 Geometria Analı́tica e Vetores

Exercı́cio 2.7.5 Considere as bases β = {~u1 , ~u2 , ~u3 } e γ = {w


~1 , w ~ 3 } de V 3 ,
~2 , w
relacionadas da seguinte forma:

 w
 ~ 1 = ~u1 + ~u2 − ~u3
w
~2 = 2~u2 + 2~u3

w
~ 3 = ~u1 − ~u3

(a) Determine a matriz de mudança da base β para a base γ.

(b) Determine a matriz de mudança da base γ para a base β.

(c) Considere que o vetor ~u ∈ V 3 tem por matriz de coordenadas


 
3
[~u]β = −2 .
 

Determine a matriz de coordenadas do vetor ~u com relação à base γ.


Petronio Pulino Geometria Analı́tica e Vetores

Produto Escalar
3
Conteúdo
3.1 Produto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
3.2 Norma Euclidiana. Métrica . . . . . . . . . . . . . . . . . . . . . 160
3.3 Definição de Ângulo e Ortogonalidade . . . . . . . . . . . . . . . 166
3.4 Projeção Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . 172
3.5 Base Ortogonal. Coordenadas . . . . . . . . . . . . . . . . . . . . 175
3.6 Processo de Ortogonalização . . . . . . . . . . . . . . . . . . . . . 179
3.7 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
3.8 Distância de Ponto a Ponto . . . . . . . . . . . . . . . . . . . . . 190
3.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198

151
152 Geometria Analı́tica e Vetores

3.1 Produto Escalar


Na geometria Euclidiana as propriedades que nos possibilitam expressar o comprimento de
vetor e o ângulo entre dois vetores são denominadas de propriedades métricas. No estudo
do espaço de vetores V 3 , em Geometria Analı́tica, definimos comprimento, ou norma, de
vetores, ângulo entre dois vetores e o conceito de ortogonalidade através do produto escalar.
Denotamos o produto escalar entre dois vetores ~u e ~v do espaço V 3 da seguinte forma:

~u  ~v ou por h ~u, ~v i .

Neste capı́tulo apresentamos um estudamos das propriedades geométricas que são atribuı́das
ao espaço de vetores através do produto escalar definido nesse espaço. Mais especificamente,
estabelecemos as propriedades básicas, e suas aplicações, dos conceitos de norma, ângulo,
ortogonalidade e projeção ortogonal determinadas ao espaço de vetores pelo produto escalar.

Definição 3.1.1 Considere o espaço de vetores V 3 . Uma aplicação

h ·, · i : V 3 × V 3 −→ IR

que satisfaz as seguintes propriedades:

(1) Simetria: h ~u, ~v i = h ~v , ~u i ; ∀ ~u, ~v ∈ V 3

(2) Positividade: h ~u, ~u i ≥ 0 ; ∀ ~u ∈ V 3 , com h ~u, ~u i = 0 ⇐⇒ ~u = ~0

(3) Distributividade: h ~u + w,
~ ~v i = h ~u, ~v i + h w,
~ ~v i ; ~ ∈ V3
∀ ~u, ~v , w

(4) Homogeneidade: h λ~u, ~v i = λh ~u, ~v i ; ∀ ~u, ~v ∈ V 3 e λ ∈ IR

define um produto escalar no espaço de vetores V 3 .

Note que com as propriedades de simetria, distributividade e homogeneidade, tem–se

(5) h ~u, ~v + w
~ i = h ~u, ~v i + h ~u, w
~i

(6) h ~u, λ ~v i = λ h ~u, ~v i

~ ∈ V 3 e λ ∈ IR.
para todos ~u, ~v , w
Petronio Pulino 153

De fato, com as propriedades de simetria e distributividade, obtemos

h ~u, ~v + w
~ i = h ~v + w,
~ ~u i = h ~v , ~u i + h w,
~ ~u i = h ~u, ~v i + h ~u, w
~i,

e com as propriedades de simetria e homogeneidade, obtemos

h ~u, λ ~v i = h λ ~v , ~u i = λh ~v , ~u i = λ h ~u, ~v i ,

~ ∈ V 3 e λ ∈ IR.
para todos ~u, ~v , w

Assim, dizemos que o produto escalar, no espaço de vetores V 3 , é uma aplicação bilinear,
isto é, o produto escalar é uma aplicação linear em cada uma das variáveis. Com o objetivo
de esclarecer vamos apresentar o conceito de transformação linear.

Definição 3.1.2 Considere o espaço de vetores V 3 e uma aplicação de T : V 3 −→ V 3 .


Dizemos que T é uma transformação linear se possui as seguintes propriedades:

(a) T (~u + ~v ) = T (~u) + T (~v ) para todo ~u , ~v ∈ V 3 .

(b) T (λ~u) = λ T (~u) para todo ~u ∈ V 3 e λ ∈ IR .

Das duas propriedades de transformação linear, obtemos facilmente que

T (a~u + b~v ) = a T (~u) + b T (~v )

para todo ~u, ~v ∈ V 3 e a, b ∈ IR.

Exemplo 3.1.1 Considere o espaço de vetores V 3 . Definimos a transformação linear

T : V 3 −→ V 3

~v −→ T (~v ) = ~v

que é a transformação identidade.

Exemplo 3.1.2 Considere o espaço de vetores V 3 e um escalar λ ∈ IR fixo, porem


arbitrário. Definimos a transformação linear

T : V 3 −→ V 3

~v −→ T (~v ) = λ ~v

que representa uma contração para 0 < λ < 1, e uma expansão para λ > 1.

Note que, tanto na contração, quanto na expansão, o vetor T (~v ) tem a mesma direção e
sentido do vetor v, como ilustram as Figuras 3.1 e 3.2.
154 Geometria Analı́tica e Vetores

Na Figura 3.1 temos a ilustração de uma expansão.


λ ~
!
! v
!
!

!
!
!
~v
!
!
r
O

Figura 3.1: Expansão (λ > 1)

Na Figura 3.2 temos a ilustração de uma contração.


~
!
! v
!
!

!
!
!
λ ~v
!
!
r
O

Figura 3.2: Contração (0 < λ < 1)

Exemplo 3.1.3 Considere o espaço de vetores V 3 . Definimos a transformação linear


T : V 3 −→ V 3

~v −→ T (~v ) = −~v
que representa uma reflexão em torno da sua origem.

Na Figura 3.3 temos a ilustração de uma reflexão em torno da origem.


~
!
! v
!
!
r!
!O
!
!
!

!
−~v

Figura 3.3: Reflexão em torno da origem

Tendo o conceito de transformação linear, voltamos ao fato que o produto escalar é uma
aplicação bilinear, isto é, é uma aplicação linear em cada uma das variáveis. De fato, das
propriedades de produto escalar, obtemos facilmente que
1. h a~u + b~v , w
~ i = a h ~u, w
~ i + b h ~v , w
~i

2. h w,
~ a~u + b~v i = a h w,
~ ~u i + b h w,
~ ~v i
~ ∈ V 3 e a, b ∈ IR.
para todo ~u, ~v , w
Petronio Pulino 155

Exemplo 3.1.4 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i .


Dado um vetor não–nulo w ~ ∈ V 3 fixo, porém arbitrário, podemos verificar facilmente que
a transformação T : V 3 −→ IR definida da forma:
T : V 3 −→ IR

~u −→ T (~u) = h ~u, w
~i
é uma transformação linear.
De fato, para todo ~u, ~v ∈ V 3 e a, b ∈ IR, tem–se
T (a~u + b~v ) = h a~u + b~v , w
~ i = a h ~u, w
~ i + b h ~v , w
~ i = a T (~u) + b T (~v ) ,
o que mostra que T é uma transformação linear.

Teorema 3.1.1 Considere o espaço de vetores V 3 e os vetores genéricos


~u = (x1 , x2 , x3 ) e ~v = (y1 , y2 , y3 ) .
A aplicação
h ·, · ip : V 3 × V 3 −→ IR

(~u, ~v ) −→ h ~u, ~v ip = a x1 y1 + b x2 y2 + c x3 y3
para a , b , c números reais positivos, define um produto escalar no espaço de vetores V 3 ,
denominado produto escalar ponderado.
Demonstração – A prova é feita, essencialmente, considerando que o conjunto dos números
reais IR é munido das seguintes propriedades:
1. Se ab = 0, então a = 0 ou b = 0.

2. Se a < b e c > 0, então ac < bc.

3. Se a 6= 0, então a2 > 0.

4. Se a < b e c < 0, então ac > bc.

5. Se a < c e b < d, então a + b < c + d.

6. Se ab > 0, então a e b são positivos ou ambos são negativos.


para todo a, b, c ∈ IR. 

Teorema 3.1.2 Considere o espaço de vetores V 3 e os vetores genéricos


~u = (x1 , x2 , x3 ) e ~v = (y1 , y2 , y3 ) .
A aplicação
h ·, · i : V 3 × V 3 −→ IR

(~u, ~v ) −→ h ~u, ~v i = x1 y1 + x2 y2 + x3 y3
define um produto escalar no espaço de vetores V 3 .
Demonstração – A prova segue do Teorema 3.1.1 para a = b = c = 1. 
156 Geometria Analı́tica e Vetores

Exemplo 3.1.5 Considere o espaço de vetores V 3 munido do produto escalar ponderado


h · , · ip , definido da seguinte forma:

h ~x, ~y ip = 2 x1 y1 + 4 x2 y2 + 6 x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 .

Determine o produto escalar entre os vetores:

(a) ~u = (1, −2, 1) e ~v = (3, −1, 1)

(b) ~u = (2, −1, 1) e ~v = (−4, 2, −2)

(c) ~u = (1, −1, 1) e ~v = (2, 3, 1)

Resolução – Tomando a definição do produto escalar ponderado dada acima, tem–se

(a) h ~u, ~v ip = 2 × (1 × 3) + 4 × (−2 × −1) + 6 × (1 × 1) = 6 + 8 + 6 = 20

Os itens (b) e (c) podem ficar a cargo do leitor.

Exemplo 3.1.6 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~x, ~y i = x1 y1 + x2 y2 + x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 .

Determine o produto escalar entre os vetores:

(a) ~u = (1, −2, 1) e ~v = (3, −1, 1)

(b) ~u = (2, −1, 1) e ~v = (−4, 2, −2)

(c) ~u = (1, −1, 1) e ~v = (2, 3, 1)

Resolução – Tomando a definição do produto escalar dada acima, tem–se

(a) h ~u, ~v i = 1 × 3 + (−2 × −1) + 1 × 1 = 3 + 2 + 1 = 6

Os itens (b) e (c) podem ficar a cargo do leitor.


Petronio Pulino 157

Teorema 3.1.3 (Desigualdade de Cauchy–Schwarz) Considere o espaço de vetores V 3


munido do produto escalar h · , · i . Então, para todos ~u , ~v ∈ V 3 tem–se

h ~u, ~v i2 ≤ h ~u, ~u i h ~v , ~v i .

Além disso, a igualdade é válida se, e somente se, os vetores ~u e ~v são linearmente
dependentes.

Demonstração – Inicialmente vamos considerar que os vetores ~u e ~v são linearmente


independentes, isto é,
~u + λ ~v 6= ~0 para todo λ ∈ IR .
Desse modo, tem–se

h ~u + λ ~v , ~u + λ ~v i = h ~u, ~u i + h ~u, λ ~v i + h λ ~v , ~u i + λ2 h ~v , ~v i

= h ~u, ~u i + 2 λ h ~u, ~v i + λ2 h ~v , ~v i > 0

é uma inequação de segundo grau na variável λ.

Assim, a equação do segundo grau na variável λ

h ~u, ~u i + 2 λ h ~u, ~v i + λ2 h ~v , ~v i = 0 (3.1)

não possui raı́zes reais. Note que a equação do segundo grau dada em (3.1) pode ser escrita
da seguinte forma:
aλ2 + bλ + c = 0 ,
onde a = h ~v , ~v i > 0, b = 2 h ~u, ~v i e c = h ~u, ~u i > 0. Na figura abaixo ilustramos o
gráfico da função quadrática ϕ(λ) = aλ2 + bλ + c para λ ∈ IR.

ϕ
6

... .
... ...
... .
....
... .
... ..
... .
....
... .
... ...
... ...
... .
..
... ..
... .
...
... ..
...
... ...
... ...
... ..
.... ...
.... .
.....
..... .
.......... .............
............


0
158 Geometria Analı́tica e Vetores

Portanto, devemos ter

4 h ~u, ~v i2 − 4 h ~u, ~u i h ~v , ~v i < 0 ⇐⇒ h ~u, ~v i2 < h ~u, ~u i h ~v , ~v i ,

provando a validade da desigualdade para vetores linearmente independentes.

No caso em que os vetores ~u e ~v são linearmente dependentes, existe um único escalar λ


de modo que
~u + λ ~v = ~0 .
Desse modo, a função quadrática ϕ tem λ como sua única raiz, como ilustra a figura abaixo.

ϕ
6

... ..
... ...
... .
...
... .
... ...
... .
...
... .
... ...
...
....
... .
... ..
... ....
... .
.
... ..
...
... .....
... ...
.... ...
.... .
.....
..... .
.......... ..............
............ -λ
0
λ

Assim, tem–se

4 h ~u, ~v i2 − 4 h ~u, ~u i h ~v , ~v i = 0 ⇐⇒ h ~u, ~v i2 = h ~u, ~u i h ~v , ~v i ,

o que mostra a validade da igualdade para vetores linearmente dependentes, completando a


demonstração. 
Petronio Pulino 159

Exemplo 3.1.7 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~x, ~y i = x1 y1 + x2 y2 + x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 .

Verifique a desigualdade de Cauchy–Schwarz para os seguintes vetores:

(a) ~u = (1, −2, 1) e ~v = (3, −1, 1)

(b) ~u = (2, −1, 1) e ~v = (4, −2, 2)

Resolução – Vamos verificar a desigualdade de Cauchy–Schwarz para os vetores

~u = (1, −2, 1) e ~v = (3, −1, 1) .

Para isso, necessitamos dos seguintes cálculos:

h ~u, ~v i = 6 , h ~u, ~u i = 6 e h ~v , ~v i = 11 .

Assim, tem–se
62 < 6 × 11 .
O item (b) pode ficar a cargo do leitor.

Exemplo 3.1.8 Considere o espaço de vetores V 3 munido com o produto escalar ponderado
h · , · ip , definido da seguinte forma:

h ~x, ~y ip = 2 x1 y1 + 4 x2 y2 + 6 x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 .

Verifique a desigualdade de Cauchy–Schwarz para os seguintes vetores:

(a) ~u = (1, −2, 1) e ~v = (3, −1, 1)

(b) ~u = (2, −1, 1) e ~v = (4, −2, 2)

Resolução – Vamos verificar a desigualdade de Cauchy–Schwarz para os vetores

~u = (1, −2, 1) e ~v = (3, −1, 1) .

Para isso, necessitamos dos seguintes cálculos:

h ~u, ~v ip = 20 , h ~u, ~u ip = 24 e h ~v , ~v ip = 28 .

Assim, tem–se
202 < 24 × 28 .
O item (b) pode ficar a cargo do leitor.
160 Geometria Analı́tica e Vetores

3.2 Norma Euclidiana. Métrica


Definição 3.2.1 (Norma) Considere o espaço de vetores V 3 . Uma aplicação

k · k : V 3 −→ IR

~u −→ k ~u k

que satisfaz as seguintes propriedades:

(a) Positividade:

k ~u k ≥ 0 para todo ~u ∈ V 3 , com k ~u k = 0 ⇐⇒ ~u = ~0

(b) Homogeneidade:

k λ ~u k = | λ | k ~u k para todo ~u ∈ V 3 , λ ∈ IR

(c) Desigualdade Triangular:

k ~u + ~v k ≤ k ~u k + k ~v k para todo ~u , ~v ∈ V 3

define uma norma no espaço de vetores V 3 .

Definição 3.2.2 (Distância) Considere o espaço de vetores V 3 . Uma aplicação

d(·, ·) : V 3 × V 3 −→ IR

(~u, ~v ) −→ d(~u, ~v )

que satisfaz as seguintes propriedades:

(a) Positividade:

d(~u, ~v ) ≥ 0 para todo ~u, ~v ∈ V 3 , com d(~u, ~v ) = 0 ⇐⇒ ~u = ~v

(b) Simetria:
d(~u, ~v ) = d(~v , ~u) para todo ~u, ~v ∈ V 3

(c) Desigualdade Triangular:

d(~u, ~v ) ≤ d(~u, w)
~ + d(~v , w)
~ ~ ∈ V3
para todo ~u, ~v , w

define uma métrica, ou uma distância, no espaço de vetores V 3 .


Petronio Pulino 161

Teorema 3.2.1 (Norma Euclidiana) Considere o espaço de vetores V 3 munido com o


produto escalar h · , · i . A aplicação

k · k : V 3 −→ IR
p
~u −→ k ~u k = h ~u, ~u i

define uma norma no espaço de vetores V 3 .

Demonstração – As propriedades (a) e (b) seguem das propriedades de positividade e


homogeneidade do produto escalar.

Para provar que a aplicação k · k satisfaz a propriedade da desigualdade triangular, vamos


utilizar a desigualdade de Cauchy–Schwarz escrita da forma:

h ~u, ~v i2 ≤ h ~u, ~u i h ~v , ~v i ⇐⇒ | h ~u, ~v i | ≤ k ~u k k ~v k para todo ~u , ~v ∈ V 3 .

Com algumas manipulações algébricas, obtemos

k ~u + ~v k2 = h ~u + ~v , ~u + ~v i = h ~u, ~u i + h ~u, ~v i + h ~v , ~u i + h ~v , ~v i .

Fazendo uso da propriedade de simetria do produto escalar, tem–se

k ~u + ~v k2 = h ~u, ~u i + 2 h ~u, ~v i + h ~v , ~v i = k ~u k2 + 2 h ~u, ~v i + k ~v k2 .

Tomando o módulo do segundo termo do membro da direita da equação acima, obtemos

k ~u + ~v k2 ≤ k ~u k2 + 2 | h ~u, ~v i | + k ~v k2 .

Utilizando a desigualdade de Cauchy–Schwarz, obtemos

k ~u + ~v k2 ≤ k ~u k2 + 2 k ~u k k ~v k + k ~v k2 = ( k ~u k + k ~v k )2 .

Portanto

k ~u + ~v k2 ≤ ( k ~u k + k ~v k )2 =⇒ k ~u + ~v k ≤ k ~u k + k ~v k

provando a desigualdade triangular, o que completa a demonstração. 


162 Geometria Analı́tica e Vetores

Exemplo 3.2.1 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~x, ~y i = x1 y1 + x2 y2 + x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e a norma k · k proveniente desse


produto escalar, isto é,
p
k ~x k = h ~x, ~x i para todo ~x ∈ V 3 .

Determine a norma dos seguintes vetores:

(a) ~u = (1, −2, 1)

(b) ~v = (−4, 2, −2)

(c) w
~ = (1, −1, 1)

Resolução – Tomando a definição da norma dada acima, tem–se


p √
(a) k ~u k = h ~u, ~u i = 6

Os itens (b) e (c) podem ficar a cargo do leitor.

Exemplo 3.2.2 Considere o espaço de vetores V 3 munido com o produto escalar ponderado
h · , · ip , definido da seguinte forma:

h ~x, ~y ip = 2 x1 y1 + 4 x2 y2 + 6 x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e a norma k · k proveniente desse


produto escalar, isto é,
q
k ~x k = h ~x, ~x ip para todo ~x ∈ V 3 .

Determine a norma dos seguintes vetores:

(a) ~u = (1, −2, 1)

(b) ~v = (−4, 2, −2)

(c) w
~ = (1, −1, 1)

Resolução – Tomando a definição da norma dada acima, tem–se


q √ √
(a) k ~u k = h ~u, ~u ip = 24 = 2 6

Os itens (b) e (c) podem ficar a cargo do leitor.


Petronio Pulino 163

Definição 3.2.3 Considere o espaço de vetores V 3 munido do produto escalar h · , · i e da


norma k · k proveniente desse produto escalar. Dizemos que o vetor ~u ∈ V 3 é um vetor
unitário se, e somente se, k ~u k = 1.

Definição 3.2.4 Considere o espaço de vetores V 3 munido do produto escalar h · , · i e da


norma k · k proveniente desse produto escalar, e o vetor ~u ∈ V 3 não–nulo. O vetor unitário
~n ∈ V 3 definido da forma:
~u
~n =
k ~u k
é denominado versor do vetor ~u.

Exemplo 3.2.3 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~x, ~y i = x1 y1 + x2 y2 + x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e a norma k · k proveniente desse


produto escalar, isto é,
p
k ~x k = h ~x, ~x i para todo ~x ∈ V 3 .

Determine o versor dos seguintes vetores:

(a) ~u = (1, −2, 1)

(b) ~v = (−4, 2, −2)

(c) w
~ = (1, −1, 1)

Resolução – Os exemplos devem ser resolvidos cuidadosamente junto com a classe.

Exemplo 3.2.4 Considere o espaço de vetores V 3 munido com o produto escalar ponderado
h · , · ip , definido da seguinte forma:

h ~x, ~y ip = 2 x1 y1 + 3 x2 y2 + 5 x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e a norma k · k proveniente desse


produto escalar, isto é,
q
k ~x k = h ~x, ~x ip para todo ~x ∈ V 3 .

Determine o versor dos seguintes vetores:

(a) ~u = (1, −2, 1)

(b) ~v = (−4, 2, −2)

(c) w
~ = (1, −1, 1)

Resolução – Os exemplos devem ser resolvidos cuidadosamente junto com a classe.


164 Geometria Analı́tica e Vetores

Teorema 3.2.2 (Distância Euclidiana) Considere o espaço de vetores V 3 munido com


o produto escalar h · , · i e com a norma k · k proveniente desse produto escalar. A aplicação

d(·, ·) : V 3 × V 3 −→ IR

(~u, ~v ) −→ d(~u, ~v ) = k ~u − ~v k

define uma métrica no espaço de vetores V 3 .

Demonstração – A prova pode ficar a cargo do leitor. 

Apresentamos a seguir uma interpretação geométrica para a distância Euclidiana. Considere


o espaço de vetores V 3 munido com o produto escalar h · , · i , definido da seguinte forma:

h ~u, ~v i = x1 y1 + x2 y2 + x3 y3

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 , e da norma k · k proveniente desse


produto escalar, isto é,
p p
k ~u k = h ~u, ~u i = (x1 )2 + (x2 )2 + (x3 )2 para todo ~u ∈ V 3 .

Desse modo, distância Euclidiana entre os vetores ~u, ~v ∈ V 3 , isto é,


p
d(~u, ~v ) = k ~u − ~v k = (x1 − y1 )2 + (x2 − y2 )2 + (x3 − y3 )2

definida pela norma Euclidiana, representa a distância entre as extremidades dos vetores
−−→ −→
~u = OB e ~v = OA, isto é, o comprimento do segmento AB, como ilustra a Figura 3.4.

Ar
@


@
~u



@
~v 
~v

 @
 @
Rr
@
 *B


 
  
  ~u


r
O

Figura 3.4: Distância Euclidiana entre os vetores ~u, ~v ∈ V 3

É importante recordar que o vetor diferença entre os vetores

~u = (x1 , x2 , x3 ) e ~v = (y1 , y2 , y3 ) ∈ V 3 ,

é expresso da seguinte forma:

~u − ~v = (x1 − y1 , x2 − y2 , x3 − y3 ) .

Além disso, não podemos esquecer que a distância Euclidiana depende o produto escalar
definido no espaço de vetores, como veremos nos exemplos a seguir.
Petronio Pulino 165

Exemplo 3.2.5 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~u, ~v i = x1 y1 + x2 y2 + x3 y3

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 , e a norma k · k proveniente desse


produto escalar, isto é,
p p
k ~u k = h ~u, ~u i = (x1 )2 + (x2 )2 + (x3 )2 para todo ~u ∈ V 3 .

Determine a distância Euclidiana entre os vetores:

(a) ~u = (1, −2, 1) e ~v = (3, −1, 1)

(b) ~u = (2, −1, 1) e ~v = (−4, 2, −2)

(c) ~u = (1, −1, 1) e ~v = (2, 3, 1)

Resolução – Os exemplos devem ser resolvidos cuidadosamente junto com a classe.

Exemplo 3.2.6 Considere o espaço de vetores V 3 munido com o produto escalar ponderado
h · , · ip , definido da seguinte forma:

h ~u, ~v ip = 2x1 y1 + 3x2 y2 + 5x3 y3

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 , e a norma k · k proveniente desse


produto escalar, isto é,
q p
k ~u k = h ~u, ~u ip = 2(x1 )2 + 3(x2 )2 + 4(x3 )2 para todo ~u ∈ V 3 .

Determine a distância Euclidiana entre os vetores:

(a) ~u = (1, −2, 1) e ~v = (3, −1, 1)

(b) ~u = (2, −1, 1) e ~v = (−4, 2, −2)

(c) ~u = (1, −1, 1) e ~v = (2, 3, 1)

Resolução – Os exemplos devem ser resolvidos cuidadosamente junto com a classe.


166 Geometria Analı́tica e Vetores

3.3 Definição de Ângulo e Ortogonalidade


Considere o espaço de vetores V 3 munido do produto escalar h · , · i e com a norma k · k
proveniente desse produto escalar. Podemos mostrar que, para quaisquer vetores não–nulos
~u, ~v ∈ V 3 o quociente
h ~u, ~v i
∈ [−1, 1] .
k ~u k k ~v k
De fato, pela desigualdade de Cauchy–Schwarz, sabemos que

| h ~u, ~v i |
h ~u, ~v i2 ≤ h ~u, ~u i h ~v , ~v i ⇐⇒ | h ~u, ~v i | ≤ k ~u k k ~v k ⇐⇒ ≤ 1.
k ~u k k ~v k

Desse modo, existe um número real θ ∈ [0, 2π] tal que

h ~u, ~v i
= cos(θ) .
k ~u k k ~v k

Além disso, existe um único valor θ ∈ [0, π] satisfazendo a igualdade. Assim, podemos ter
a noção de ângulo entre dois vetores de espaço V 3 , que será compatı́vel com a definição de
ortogonalidade que apresentamos a seguir.

Definição 3.3.1 (Ângulo) Considere o espaço de vetores V 3 munido do produto escalar


h · , · i e com a norma k · k proveniente desse produto escalar. A medida do ângulo entre
dois vetores não–nulos ~u, ~v ∈ V 3 é definido como sendo o valor θ ∈ [0, π] que satisfaz a
equação
h ~u, ~v i
cos(θ) = ⇐⇒ h ~u, ~v i = k ~u k k ~v k cos(θ) . (3.2)
k ~u k k ~v k

É importante observar que estamos considerando o menor ângulo entre os vetores, como
ilustra a Figura 3.5.

~v




... ~u
 ........... θ 
*
....

 ....
.
... 
  

q

O

Figura 3.5: Ângulo entre dois vetores

É importante ressaltar que o conceito de ângulo entre dois vetores depende do produto
escalar definido no espaço de vetores. Assim, o produto escalar define uma geometria no
espaço de vetores, como veremos nos exemplos a seguir.
Petronio Pulino 167

Exemplo 3.3.1 Considere o espaço de vetores V 2 munido com o produto escalar h · , · i ,


definido da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2
para todo ~x = (x1 , x2 ) , ~y = (y1 , y2 ) ∈ V 2 , e da norma k · k proveniente desse produto
escalar. Determine a medida em graus do ângulo entre os vetores ~u , ~v ∈ V 3 dados por:

~u = (2, 0) e ~v = (1, 1) .

Resolução – Considerando a equação (3.2), tem–se



h ~u, ~v i 2 2
cos(θ) = = √ = ⇐⇒ θ = 45o ,
k ~u k k ~v k 2× 2 2

como ilustra a Figura 3.6.

~v

!
....
! ...... θ
.
!
r ... - -
0 ~u

Figura 3.6: Ângulo entre dois vetores ~u, ~v ∈ V 2

Exemplo 3.3.2 Considere o espaço de vetores V 2 munido com o produto escalar ponderado
h · , · ip , definido da seguinte forma:

h ~x, ~y ip = 2 x1 y1 + 3 x2 y2

para todo ~x = (x1 , x2 ) , ~y = (y1 , y2 ) ∈ V 2 , e da norma k · k proveniente desse produto


escalar. Determine a medida em graus do ângulo entre os vetores ~u , ~v ∈ V 3 dados por:

~u = (2, 0) e ~v = (1, 1) .

Resolução – Considerando a equação (3.2), tem–se



h ~u, ~v ip 4 10
cos(θ) = = √ √ = ⇐⇒ θ ≈ 50.7685o .
k ~u k k ~v k (2 × 2) × 5 5

Vamos comparar os resultados obtidos nos exemplos 3.3.1 e 3.3.2, nos quais consideramos os
mesmos vetores, entretanto os espaços de vetores V 3 estão munidos com produtos escalares
diferentes. No exemplo 3.3.2 o ângulo entre os vetores ~u, ~v é maior que o ângulo obtido no
exemplo 3.3.1. No exemplo 3.3.2 é como estar olhando o espaço de vetores V 3 com uma
lupa, como consequência do produto escalar ponderado definido no espaço.
168 Geometria Analı́tica e Vetores

Definição 3.3.2 (Ortogonalidade) Considere o espaço de vetores V 3 munido do produto


escalar h · , · i . Dizemos que os vetores ~u, ~v ∈ V 3 são ortogonais se, e somente se,

h ~u, ~v i = 0 ,

e denotamos por ~u ⊥ ~v .

Podemos observar facilmente que


π
h ~u, ~v i = 0 ⇐⇒ cos(θ) = 0 ⇐⇒ θ = para 0 ≤θ ≤π,
2
mostrando a compatibilidade entre os conceitos de ângulo e de ortogonalidade.

Teorema 3.3.1 Considere o espaço de vetores V 3 munido do produto escalar h · , · i .


Temos as seguintes propriedades:

1. ~0 ⊥ ~v para todo ~v ∈ V 3

2. ~u ⊥ ~v implica ~v ⊥ ~u

3. Se ~v ⊥ ~u para todo ~u ∈ V 3 , então ~v = ~0

4. Se ~v ⊥ w
~ e ~u ⊥ w,
~ então (~v + ~u) ⊥ w
~

5. Se ~v ⊥ ~u, então λ ~v ⊥ ~u para todo λ ∈ IR

Demonstração – 1. Considerando um vetor não–nulo ~u ∈ V 3 fixo, porém arbitrário.


Podemos escrever o vetor nulo como ~0 = ~u − ~u. Assim, utilizando o vetor nulo escrito
dessa forma, e a linearidade do produto escalar, obtemos

h ~0, ~v i = h ~u − ~u, ~v i = h ~u, ~v i − h ~u, ~v i = 0 para todo ~v ∈ V 3 ,

provando que ~0 ⊥ ~v para todo ~v ∈ V 3 .

2. Considere ~u ⊥ ~v , isto é, h ~u, ~v i = 0. Utilizando a simetria do produto escalar, segue


que h ~v , ~u i = 0. Assim, provamos ~v ⊥ ~u. O item 3. segue imediato do item 1.

4. Considere que ~v ⊥ w
~ e ~u ⊥ w,
~ isto é,

h ~v , w
~ i = 0 e h ~u, w
~i = 0 .

Somando ambos os termos, e usando a linearidade do produto escalar, obtemos

h ~v , w
~ i + h ~u, w
~i = 0 ⇐⇒ h ~v + ~u, w
~i = 0 ⇐⇒ ~v + ~u ⊥ w
~ .

5. Considere que ~v ⊥ ~u, isto é, h ~v , ~u i = 0. Assim, usando a homogeneidade do produto


escalar, obtemos

λh ~v , ~u i = 0 ⇐⇒ h λ ~v , ~u i = 0 ⇐⇒ λ ~v ⊥ ~u para todo λ ∈ IR ,

o que completa a demonstração. 


Petronio Pulino 169

Exemplo 3.3.3 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~x, ~y i = x1 y1 + x2 y2 + x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e da norma k · k proveniente desse


produto escalar. Determine a medida em graus do ângulo entre os vetores:
(a) ~u = (1, −2, 1) e ~v = (3, −1, 1)

(b) ~u = (2, −1, 1) e ~v = (−4, 2, −2)

(c) ~u = (1, −1, 1) e ~v = (2, 3, 1)

Exemplo 3.3.4 Considere o espaço de vetores V 2 munido com o produto escalar h · , · i ,


definido da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2
para todo ~x = (x1 , x2 ) , ~y = (y1 , y2 ) ∈ V 2 , e da norma k · k proveniente desse produto
escalar. Determine a medida em graus do ângulo entre os vetores:
(a) ~u = (1, −2) e ~v = (−1, 1)

(b) ~u = (1, 1) e ~v = (2, −2)

(c) ~u = (1, 1) e ~v = (0, 1)

Exemplo 3.3.5 Considere o espaço de vetores V 3 munido do produto escalar ponderado


h · , · ip , definido da seguinte forma:

h ~x, ~y ip = 2 x1 y1 + 4 x2 y2 + 6 x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e da norma k · k proveniente desse


produto escalar. Determine a medida em graus do ângulo entre os vetores:
(a) ~u = (1, −2, 1) e ~v = (3, −1, 1)

(b) ~u = (2, −1, 1) e ~v = (−4, 2, −2)

(c) ~u = (1, −1, 1) e ~v = (2, 3, 1)

Exemplo 3.3.6 Considere o espaço de vetores V 2 munido com o produto escalar ponderado
h · , · ip , definido da seguinte forma:

h ~x, ~y ip = 2 x1 y1 + 4 x2 y2

para todo ~x = (x1 , x2 ) , ~y = (y1 , y2 ) ∈ V 2 , e da norma k · k proveniente desse produto


escalar. Determine a medida em graus do ângulo entre os vetores:
(a) ~u = (1, −2) e ~v = (−1, 1)

(b) ~u = (1, 1) e ~v = (2, −2)

(c) ~u = (1, 1) e ~v = (0, 1)


170 Geometria Analı́tica e Vetores

Definição 3.3.3 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i .


Dizemos que o conjunto de vetores não–nulos β = { ~u1 , ~u2 , ~u3 } ⊂ V 3 é um conjunto
ortogonal se, e somente se, h ~ui , ~uj i = 0 para i 6= j, i, j = 1, 2, 3.

Definição 3.3.4 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e


da norma k · k proveniente desse produto escalar. Dizemos que o conjunto de vetores
β = { ~u1 , ~u2 , ~u3 } ⊂ V 3 é um conjunto ortonormal se, e somente se,

h ~ui , ~uj i = 0 para i 6= j, i, j = 1, 2, 3, e k ~ui k = 1 para i = 1, 2, 3 .

Teorema 3.3.2 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e da


norma k · k proveniente desse produto escalar. Seja β = { ~u1 , ~u2 , ~u3 } ⊂ V 3 um conjunto
ortogonal (ortonormal). Então, β é um conjunto linearmente independente em V 3 .

Demonstração – Para mostrar que β é um conjunto linearmente independente, basta


mostrar que a equação
c1~u1 + c2~u2 + c3~u2 = ~0
é satisfeita somente para c1 = c2 = c3 = 0. Fazendo o produto escalar de ambos os
membros da equação acima por cada um dos vetores do conjunto β,

h c1~u1 + c2~u2 + c3~u3 , ~ui i = h ~0, ~ui i ,

e utilizando as propriedades de produto escalar, tem–se

c1 h ~u1 , ~ui i + c2 h ~u2 , ~ui i + c3 h ~u3 , ~ui i = 0 .

Utilizando a hipótese que β é um conjunto ortogonal, obtemos

ci h ~ui , ~ui i = 0 ⇐⇒ ci = 0 para i = 1, 2, 3 ,

uma vez que h ~ui , ~ui i 6= 0, o que completa a demonstração. 

Exemplo 3.3.7 Considere o espaço de vetores V 3 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2 + x3 y3
para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e da norma k · k proveniente desse
produto escalar. Podemos verificar facilmente que o conjunto β = { ~u1 , ~u2 , ~u3 }, onde

~u1 = (4, 1, −2) , ~u2 = (1, 2, 3) e ~u3 = (1, −2, 1) ,

é um conjunto ortogonal no espaço de vetores V 3 com relação a produto escalar definido.


Petronio Pulino 171

Teorema 3.3.3 (Teorema de Pitágoras) Considere o espaço de vetores V 3 munido do


produto escalar h · , · i e da norma k · k proveniente desse produto escalar. Então, os vetores
~u , ~v ∈ V 3 são ortogonais se, e somente se,

k ~u + ~v k2 = k ~u k2 + k ~v k2 .

Demonstração – Fazendo uso da definição de norma Euclidiana e das propriedades de


produto escalar, obtemos

k ~u + ~v k2 = h ~u + ~v , ~u + ~v i = h ~u, ~u i + 2 h ~u, ~v i + h ~v , ~v i .

Portanto,

k ~u + ~v k2 = k ~u k2 + k ~v k2 ⇐⇒ h ~u, ~v i = 0 ⇐⇒ ~u ⊥ ~v ,

o que completa a demonstração. 

Teorema 3.3.4 (Lei do Paralelogramo) Considere o espaço de vetores V 3 munido do


produto escalar h · , · i e da norma k · k proveniente desse produto escalar. Então, para todo
~u, ~v ∈ V 3 tem–se

k ~u + ~v k2 + k ~u − ~v k2 = 2 k ~u k2 + 2 k ~v k2 .

Demonstração – A prova pode ficar a cargo do leitor. 

Proposição 3.3.1 (Lei dos Cossenos) Considere o espaço de vetores V 3 munido com
o produto escalar h · , · i e da norma k · k proveniente desse produto escalar, e os vetores
~u, ~v ∈ V 3 não–nulos. Se θ é o ângulo entre os vetores ~u e ~v , então

k ~u ± ~v k2 = k ~u k2 + k ~v k2 ± 2 k ~u k k ~v k cos(θ) .

Demonstração – Com algumas manipulações algébricas obtemos

k ~u ± ~v k2 = h ~u + ~v , ~u + ~v i = h ~u, ~u i ± 2 h ~u, ~v i + h ~v , ~v i .

Da definição de ângulo entre os vetores ~u e ~v , equação (3.2), tem–se

h ~u, ~v i = k ~u k k ~v k cos(θ) ,

que substituindo na equação acima, obtemos

k ~u ± ~v k2 = k ~u k2 + k ~v k2 ± 2 k ~u k k ~v k cos(θ) ,

o que completa a demonstração. 


172 Geometria Analı́tica e Vetores

3.4 Projeção Ortogonal


Definição 3.4.1 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e
da norma k · k proveniente desse produto escalar, e os vetores ~u , ~v ∈ V 3 não–nulos. A
projeção ortogonal do vetor ~u na direção do vetor ~v , que vamos indicar pelo vetor ~u1 , é
definida da seguinte forma:
−−→ h ~u, ~v i
~u1 = proj ~v (~u) = ~v , (3.3)
h ~v , ~v i
h ~u, ~v i
onde o parâmetro λ∗ = é o coeficiente da projeção ortogonal.
h ~v , ~v i

De fato, a projeção ortogonal do vetor ~u na direção do vetor ~v , é um vetor λ∗~v de modo


que ~u = λ∗~v + w ~ onde o vetor w ~ é ortogonal ao vetor ~v , como ilustra a Figura 3.7.

Desse modo, tem–se

~ = ( ~u − λ∗~v ) ⊥ ~v
w ⇐⇒ h ( ~u − λ∗~v ), ~v i = 0 .

Portanto, da equação acima, obtemos


h ~u, ~v i
h ( ~u − λ∗~v ), ~v i = 0 ⇐⇒ λ∗ = .
h ~v , ~v i
6
~u !!
!
!
! w
~
!
!
!
!
r - -
O ~v λ∗~v

Figura 3.7: Projeção Ortogonal

Exemplo 3.4.1 Considere o espaço de vetores V 2 munido com o produto escalar h · , · i ,


definido da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2
para todo ~x = (x1 , x2 ) , ~y = (y1 , y2 ) ∈ V 2 , e da norma k · k proveniente desse produto
escalar. Determine a projeção ortogonal do vetor ~u ∈ V 2 na direção do vetor ~v ∈ V 2 ,
dados por:
~u = (1, 3) e ~v = (3, 1) .

Resolução – Considerando a definição 3.4.1, sabemos que a projeção ortogonal do vetor


~u ∈ V 2 na direção do vetor ~v ∈ V 2 , não–nulo, é o vetor ~u1 ∈ V 2 dado por:
 
−−→ h ~u, ~v i 6 9 3
~u1 = proj ~v (~u) = ~v = (3, 1) = , .
h ~v , ~v i 10 5 5
Petronio Pulino 173

Exemplo 3.4.2 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~x, ~y i = x1 y1 + x2 y2 + x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e da norma k · k proveniente desse


produto escalar. Determine a projeção ortogonal do vetor ~u na direção do vetor ~v :

(a) ~u = (1, −2, 1) e ~v = (3, −1, 1)

(b) ~u = (2, −1, 1) e ~v = (−4, 2, −2)

(c) ~u = (2, 3, 7) e ~v = (1, 1, 1)

Resolução – Da definição 3.4.1 sabemos que a projeção ortogonal do vetor ~u ∈ V 3 sobre


o vetor ~v ∈ V 3 , não–nulo, é o vetor dado por:
−−→ h ~u, ~v i
~u1 = proj ~v (~u) = ~v ,
h ~v , ~v i
h ~u, ~v i 6
(a) ~u1 = ~v = (3, −1, 1)
h ~v , ~v i 11
A resolução dos itens (b) e (c) deve ser feita junto com a classe.

Exemplo 3.4.3 Considere o espaço de vetores V 3 munido do produto escalar ponderado


h ·, · ip , definido da seguinte forma:

h ~x, ~y ip = 2 x1 y1 + 3 x2 y2 + 5 x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e da norma k · k proveniente desse


produto escalar. Determine a projeção ortogonal do vetor ~u na direção do vetor ~v :

(a) ~u = (1, −2, 1) e ~v = (3, −1, 1)

(b) ~u = (2, −1, 1) e ~v = (−4, 2, −2)

(c) ~u = (2, 3, 7) e ~v = (1, 1, 1)

Resolução – Da definição 3.4.1 sabemos que a projeção ortogonal do vetor ~u ∈ V 3 sobre


o vetor ~v ∈ V 3 , não–nulo, com relação ao produto escalar ponderado, é o vetor dado por:

−−→ h ~u, ~v ip
~u1 = proj ~v (~u) = ~v ,
h ~v , ~v ip

h ~u, ~v ip 17
(a) ~u1 = ~v = (3, −1, 1)
h ~v , ~v ip 14

A resolução dos itens (b) e (c) deve ser feita junto com a classe. É sempre importante
ressaltar que a geometria do espaço de vetores V 3 depende do produto escalar definido
nesse espaço, como mostram os resultados dos dois exemplos anteriores.
174 Geometria Analı́tica e Vetores

Problema de Minimização
Teorema 3.4.1 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e
da norma k · k proveniente desse produto escalar, os vetores ~u , ~v ∈ V 3 não–nulos e o vetor
~u1 = λ∗ ~v ∈ V 3 a projeção ortogonal do vetor ~u na direção do vetor ~v , isto é,
h ~u, ~v i
~ = ~u − λ∗ ~v ⊥ ~v
w com λ∗ = . (3.4)
h ~v , ~v i
Considere a função auxiliar ϕ : IR −→ IR definida da seguinte forma:

ϕ(λ) = k ~u − λ ~v k2 . (3.5)

Então, λ∗ é um ponto de mı́nimo global da função ϕ, isto é,

ϕ(λ∗ ) ≤ ϕ(λ) para λ ∈ IR . (3.6)

Demonstração – Vamos escrever a função ϕ da seguinte forma:

ϕ(λ) = k ~u − λ ~v k2 = h ~u − λ ~v , ~u − λ ~v i .

Com algumas manipulações algébricas, obtemos

ϕ(λ) = h ~u, ~u i − 2 λ h ~u, ~v i + λ2 h ~v , ~v i .

Fazendo ϕ′ (λ) = 0, obtemos o ponto crı́tico λ∗ da forma:


h ~u, ~v i
−2 h ~u, ~v i + 2 λ h ~v , ~v i = 0 ⇐⇒ λ∗ = . (3.7)
h ~v , ~v i
Analisando o sinal da segunda derivada da função auxiliar ϕ, ϕ′′ (λ) = 2 h ~v , ~v i > 0 para
todo λ ∈ IR, mostramos que o ponto crı́tico λ∗ é um ponto de mı́nimo global para a função
auxiliar ϕ, como ilustra a Figura 3.8. 
ϕ
6

... .
... ...
... ....
.
... .
... ..
... ....
...
... ...
..
... ...
.
... .
... ..
... ....
... .
... ..
... .
....
... .
... ...
....
.... ......
..... .
...
.......... .............
............ -λ
0 λ∗

Figura 3.8: Gráfico e ponto de mı́nimo da função auxiliar ϕ.

É importante observar, que utilizando a definição de distância Euclidiana entre dois vetores,
Teorema 3.2.2, podemos interpretar a minimização da função auxiliar ϕ como sendo a
minimização da distância entre a extremidade do vetor ~u e a extremidade de qualquer vetor
λ ~v que estão na direção do vetor ~v .
Petronio Pulino 175

3.5 Base Ortogonal. Coordenadas


Definição 3.5.1 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e
da norma k · k proveniente desse produto escalar. Dizemos que β = { ~u1 , ~u2 , ~u3 } ⊂ V 3 é
uma base ortogonal (ortonormal) se β é um conjunto ortogonal (ortonormal) em V 3 .

Teorema 3.5.1 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e


da norma k · k proveniente desse produto escalar. Seja β = { ~u1 , ~u2 , ~u3 } ⊂ V 3 uma base
base ortogonal para V 3 . Então, todo vetor ~u ∈ V 3 é escrito de modo único da forma:

h ~u, ~ui i
~u = c1~u1 + c2~u2 + c3~u3 com ci = , (3.8)
h ~ui , ~ui i

onde c1 , c2 , c3 são as coordenadas do vetor ~u com relação à base ortogonal β. No caso em


que β é uma base ortonormal para V 3 as coordenadas do vetor ~u são dadas por:

ci = h ~u, ~ui i para i = 1, 2, 3 .

Demonstração – Pelo Teorema 2.4.1 sabemos que todo vetor ~u ∈ V 3 pode ser escrito de
modo único como uma combinação linear dos vetores da base ortogonal β = { ~u1 , ~u2 , ~u3 },
isto é,
~u = c1~u1 + c2~u2 + c3~u3 .
Fazendo o produto escalar do vetor ~u por cada um dos vetores ~ui da base ortogonal, tem–se

h ~u, ~ui i = h c1~u1 + c2~u2 + c3~u3 , ~ui i = c1 h ~u1 , ~ui i + c2 h ~u2 , ~ui i + c3 h ~u3 , ~ui i = ci h ~ui , ~ui i

uma vez que h ~uj , ~ui i = 0 para i 6= j, i, j = 1, 2, 3. Assim, obtemos

h ~u, ~ui i
ci = para i = 1, 2, 3 .
h ~ui , ~ui i

Considerando que a base β seja ortonormal, obtemos

ci = h ~u, ~ui i para i = 1, 2, 3 ,

uma vez que h ~ui , ~ui i = 1 para i = 1, 2, 3, o que completa a demonstração. 

É importante lembrar que a matriz de coordenadas do vetor ~u com relação a base ordenada
β é escrita da seguinte forma:  
c1
[~u]β = c2  . (3.9)
c3
176 Geometria Analı́tica e Vetores

Teorema 3.5.2 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e da


norma k · k proveniente desse produto escalar. Seja β = { ~u1 , ~u2 , ~u3 } uma base ortonormal
para V 3 , e os vetor ~u, ~v ∈ V 3 escritos em relação à base ortonormal β da forma:

~u = b1~u1 + b2~u2 + b3~u3 e ~v = c1~u1 + c2~u2 + c3~u3 ,

onde as coordenadas dos vetores ~u e ~v com relação à base ortonormal β são dados por:

bi = h ~u, ~ui i e ci = h ~v , ~ui i para i = 1, 2, 3 .

Então, o produto escalar entre os vetores ~u e ~v é escrito de modo único da forma:

h ~u, ~v i = b1 c1 + b2 c2 + b3 c3 .

Demonstração – Fazendo o produto escalar entre os vetores ~u e ~v , obtemos


3
X 3
X
h ~u, ~v i = h bi~ui , cj ~uj i
i=1 j=1

3 X
X 3
= bi cj h ~ui , ~uj i
i=1 j=1

3
X
= bi c i
i=1

= b1 c1 + b2 c2 + b3 c3 ,

uma vez que β = { ~u1 , ~u2 , ~u3 } é uma base ortonormal, o que completa a demonstração. 

É importante ressaltar que considerando as matrizes de coordenadas dos vetores ~u e ~v , com


relação a base ortonormal β, que são escritas da seguinte forma:
   
b1 c1
[~u]β = b2
  e [~v ]β = c2  ,
 (3.10)
b3 c3

podemos escrever o produto escalar entre os vetores ~u e ~v , de acordo com o Teorema 3.5.2,
da seguinte forma:
h ~u, ~v i = b1 c1 + b2 c2 + b3 c3

= [~u]tβ [~v ]β
  (3.11)
  c1
= b1 b2 b3  c 2  .
c3
Petronio Pulino 177

Exemplo 3.5.1 Considere o espaço de vetores V 3 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2 + x3 y3
para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e da norma k · k proveniente desse
produto escalar. Podemos verificar facilmente que a base canônica β = { ~e1 , ~e2 , ~e3 }, onde

~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1) ,

é uma base ortonormal para V 3 .

Exemplo 3.5.2 Considere o espaço de vetores V 2 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2
para todo ~x = (x1 , x2 ) , ~y = (y1 , y2 ) ∈ V 2 , e da norma k · k proveniente desse produto
escalar. Podemos verificar facilmente que a base canônica β = { ~e1 , ~e2 }, onde

~e1 = (1, 0) e ~e2 = (0, 1) ,

é uma base ortonormal para V 2 .

Exemplo 3.5.3 Considere o espaço de vetores V 3 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2 + x3 y3
para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e da norma k · k proveniente desse
produto escalar. Podemos verificar facilmente que a base β = { ~u1 , ~u2 , ~u3 }, onde

~u1 = (1, 0, −1) , ~u2 = (0, 1, 0) e ~u3 = (1, 0, 1) ,

é uma base ortogonal para V 3 .

Exemplo 3.5.4 Considere o espaço de vetores V 2 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2
para todo ~x = (x1 , x2 ) , ~y = (y1 , y2 ) ∈ V 2 , e da norma k · k proveniente desse produto
escalar. Podemos verificar facilmente que a base β = { ~u1 , ~u2 }, onde
√ √
2 2
~u1 = (1, 1) e ~u2 = (1, −1) ,
2 2
é uma base ortonormal para V 2 .
178 Geometria Analı́tica e Vetores

Exemplo 3.5.5 Considere o espaço de vetores V 3 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2 + x3 y3
para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , e da norma k · k proveniente desse
produto escalar. Determine as coordenadas dos seguintes vetores:

(a) ~u = (3, −2, −1)

(b) ~v = (−1, 2, −2)

(c) w
~ = (2, 1, 1)

com relação à base ortogonal β = { ~u1 , ~u2 , ~u3 }, onde

~u1 = (1, 0, −1) , ~u2 = (0, 1, 0) e ~u3 = (1, 0, 1) .

Resolução – Tomando a definição de produto escalar e a base ortogonal dados acima,


sabemos que

(a) ~u = c1 ~u1 + c2 ~u2 + c3 ~u3 , onde

h ~u, ~u1 i h ~u, ~u2 i h ~u, ~u3 i


c1 = = 2 , c2 = = −2 e c3 = = 1 .
h ~u1 , ~u1 i h ~u2 , ~u2 i h ~u3 , ~u3 i
Assim, tem–se

~u = (3, −2, −1) = 2 × (1, 0, −1) − 2 × (0, 1, 0) + 1 × (1, 0, 1) .

Os itens (b) e (c) podem ficar a cargo do leitor.

Exemplo 3.5.6 Considere o espaço de vetores V 2 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2
para todo ~x = (x1 , x2 ) , ~y = (y1 , y2 ) ∈ V 2 , e da norma k · k proveniente desse produto
escalar. Determine as coordenadas dos seguintes vetores:

(a) ~u = (3, −1)

(b) ~v = (−1, 2)

(c) w
~ = (2, 3)

com relação à base ortogonal β = { ~u1 , ~u2 }, onde

~u1 = (1, 1) e ~u2 = (1, −1) .

Resolução – Os exemplos devem ser resolvidos cuidadosamente junto com a classe.


Petronio Pulino 179

3.6 Processo de Ortogonalização


O Processo de Ortogonalização tem por objetivo obter a partir de uma base ordenada
β = { ~v1 , ~v2 , ~v3 } para o espaço de vetores V 3 , munido do produto escalar h · , · i , da norma
k · k proveniente desse produto escalar, uma base ortogonal γ = { ~q1 , ~q2 , ~q3 } com relação
ao produto escalar definido no espaço V 3 . O processo de ortogonalização é um processo
construtivo, e de fácil programação. A seguir apresentamos a construção da base ortogonal.

Para isso, inicialmente escolhemos o vetor ~q1 = ~v1 . Em seguida construı́mos o vetor ~q2 da
seguinte forma:

~q2 = ~v2 − a1 ~q1 ⊥ ~q1 ⇐⇒ h ~q2 , ~q1 i = 0 .

Tomando a condição acima, obtemos


h ~v2 , ~q1 i
h ~q2 , ~q1 i = 0 ⇐⇒ h ~v2 , ~q1 i − a1 h ~q1 , ~q1 i = 0 ⇐⇒ a1 = .
h ~q1 , ~q1 i
Assim, o vetor ~q2 é dado por:
h ~v2 , ~q1 i
~q2 = ~v2 − a1 ~q1 com a1 = . (3.12)
h ~q1 , ~q1 i
Em seguida construı́mos o vetor ~q3 da seguinte forma:
~q3 = ~v3 − b1 ~q1 − b2 ~q2 ⊥ ~q1 ⇐⇒ h ~q3 , ~q1 i = 0

~q3 = ~v3 − b1 ~q1 − b2 ~q2 ⊥ ~q2 ⇐⇒ h ~q3 , ~q2 i = 0


Tomando as condições acima, obtemos
h ~v3 , ~q1 i
h ~v3 , ~q1 i − b1 h ~q1 , ~q1 i − b2 h ~q2 , ~q1 i = 0 ⇐⇒ b1 =
h ~q1 , ~q1 i
h ~v3 , ~q2 i
h ~v3 , ~q2 i − b1 h ~q1 , ~q2 i − b2 h ~q2 , ~q2 i = 0 ⇐⇒ b2 =
h ~q2 , ~q2 i
uma vez que h ~q1 , ~q2 i = h ~q2 , ~q1 i = 0.

Desse modo, o vetor ~q3 é dado por:


h ~v3 , ~q1 i h ~v3 , ~q2 i
~q3 = ~v3 − b1 ~q1 − b2 ~q2 com b1 = e b2 = . (3.13)
h ~q1 , ~q1 i h ~q2 , ~q2 i
Finalmente, para obter uma base ortonormal γ ∗ , basta dividir cada vetor da base ortogonal
γ pela respectiva norma, isto é,
 
∗ ~q1 ~q2 ~q3
γ = , , .
k ~q1 k k ~q2 k k ~q3 k

O Processo de Ortogonalização é estudado de forma mais detalhada na disciplina de Álgebra


Linear, denominado Processo de ortogonalização de Gram–Schmidt. Para os objetivos
da disciplina de Geometria Analı́tica é suficiente o que foi apresentado de forma resumida.
180 Geometria Analı́tica e Vetores

Interpretação Geométrica de Gram–Schmidt


Nessa seção apresentamos a interpretação geométrica para o Processo de Ortogonalização de
Gram–Schmidt, que tem por objetivo obter a partir de uma base ordenada β = { ~v1 , ~v2 , ~v3 },
para o espaço de vetores V 3 , uma base ortogonal γ = { ~q1 , ~q2 , ~q3 } com relação ao produto
escalar definido no espaço. O processo de ortogonalização é um processo construtivo que
está baseado em projeções ortogonais.

Como foi visto, inicialmente escolhemos o vetor q1 = v1 . Em seguida construı́mos o vetor


~q2 da seguinte forma:
h ~v2 , ~q1 i
~q2 = ~v2 − a1 ~q1 ⊥ ~q1 com a1 = . (3.14)
h ~q1 , ~q1 i
Note que o vetor w
~ 1 expresso da forma:
h ~v2 , ~q1 i
~ 1 = a1 ~q1
w com a1 = (3.15)
h ~q1 , ~q1 i
é a projeção ortogonal do vetor ~v2 na direção do vetor ~q1 , isto é, é a projeção ortogonal
do vetor ~v2 sobre a reta r que passa pela origem e é gerada pelo vetor ~q1 , cuja equação
vetorial é dada por:
r : X = O + λ ~q1 para λ ∈ IR . (3.16)
Na Figura 3.9 ilustramos a situação descrita acima.

!
!
!
! π1
!
!

6
~v2 !!
!
!
! ~q2 = ~v2 − a1 q1
!
!
!
!
r - - r
O ~q1 ~ 1 = a1 ~q1
w

!
!
!
!
!
!

Figura 3.9: Construção do vetor ~q2


Petronio Pulino 181

Geometricamente temos que o vetor ~q2 , dado pela equação (3.14), é a projeção ortogonal do
vetor ~v2 sobre o plano π1 que passa pela origem e é perpendicular à reta r.

Finalmente, construı́mos o vetor ~q3 da seguinte forma:

h ~v3 , ~q1 i h ~v3 , ~q2 i


~q3 = ~v3 − b1 ~q1 − b2 ~q2 com b1 = e b2 = . (3.17)
h ~q1 , ~q1 i h ~q2 , ~q2 i

O vetor w
~ 2 expresso da forma:

h ~v3 , ~q1 i h ~v3 , ~q2 i


~ 2 = b1 ~q1 + b2 ~q2
w com b1 = e b2 = (3.18)
h ~q1 , ~q1 i h ~q2 , ~q2 i

é a projeção ortogonal do vetor ~v3 sobre o plano π2 que passa pela origem e é gerado pelos
vetores ortogonais { ~q1 , ~q2 }, cuja equação vetorial é dada por:

π2 : X = O + λ1 ~q1 + λ2 ~q2 para λ1 , λ2 ∈ IR . (3.19)

Na Figura 3.10 ilustramos a situação descrita acima.

~v3
6
!
!
!
!
! ! !
! ~q3 π2 !
! ! !
! ! !
! !
r - !
! O w
~2 !
! !
! !
! !

Figura 3.10: Construção do vetor ~q3

Do ponto de vista geométrico temos que o vetor ~q3 , dado pela equação (3.17), é a projeção
ortogonal do vetor ~v3 sobre a reta s que passa pela origem e é perpendicular ao plano π2 .

Vamos apresentar um estudo mais detalhado para a interpretação geométrica do processo de


Gram–Schmidt por ocasião do estudo de reta e de plano no espaço, onde novamente vamos
abordar o tema sobre projeções ortogonais.
182 Geometria Analı́tica e Vetores

Para exemplificar o processo de ortogonalização de Gram–Schmidt, vamos considerar o


espaço de vetores V 3 munido do produto escalar h · , · i definido da seguinte forma:

h ~x, ~y i = x1 y1 + x2 y2 + x3 y3

para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , da norma k · k proveniente desse


produto escalar, e da base ordenada β = { ~v1 , ~v2 , ~v3 } onde

~v1 = (1, 0, 1) , ~v2 = (0, 1, 1) e ~v3 = (1, 1, 0) .

Vamos obter uma base ortogonal γ = { ~q1 , ~q2 , ~q3 }, com relação ao produto escalar definido
no espaço V 3 , a partir da base ordenada β dada acima. Para isso, inicialmente escolhemos
o vetor ~q1 = ~v1 = (1, 0, 1).

Em seguida construı́mos o vetor ~q2 da seguinte forma:

~q2 = ~v2 − a1 ~q1 ⊥ ~q1 ⇐⇒ h ~q2 , ~q1 i = 0 .

Tomando a condição acima, obtemos


h ~v2 , ~q1 i 1
h ~q2 , ~q1 i = 0 ⇐⇒ h ~v2 , ~q1 i − a1 h ~q1 , ~q1 i = 0 ⇐⇒ a1 = = .
h ~q1 , ~q1 i 2
Assim, o vetor ~q2 é dado por:
1 1
~q2 = ~v2 − a1 ~q1 = (0, 1, 1) − (1, 0, 1) = (−1, 2, 1) .
2 2
Em seguida construı́mos o vetor ~q3 da seguinte forma:
~q3 = ~v3 − b1 ~q1 − b2 ~q2 ⊥ ~q1 ⇐⇒ h ~q3 , ~q1 i = 0

~q3 = ~v3 − b1 ~q1 − b2 ~q2 ⊥ ~q2 ⇐⇒ h ~q3 , ~q2 i = 0

Tomando as condições acima, obtemos


h ~v3 , ~q1 i 1
h ~v3 , ~q1 i − b1 h ~q1 , ~q1 i − b2 h ~q2 , ~q1 i = 0 ⇐⇒ b1 = =
h ~q1 , ~q1 i 2

h ~v3 , ~q2 i 1
h ~v3 , ~q2 i − b1 h ~q1 , ~q2 i − b2 h ~q2 , ~q2 i = 0 ⇐⇒ b2 = =
h ~q2 , ~q2 i 3
uma vez que h ~q1 , ~q2 i = h ~q2 , ~q1 i = 0.

Desse modo, o vetor ~q3 é dado por:


1 1 1
~q3 = ~v3 − b1 ~q1 − b2 ~q2 = (1, 1, 0) − (1, 0, 1) − (−1, 2, 1) = (2, 2, −2) .
2 6 3
Portanto, a base ortogonal γ é dada por:
 
1 1
γ = (1, 0, 1) , (−1, 2, 1) , (2, 2, −2) .
2 3
Petronio Pulino 183

Exemplo 3.6.1 Considere o espaço de vetores V 3 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2 + x3 y3
para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , da norma k · k proveniente desse
produto escalar, e o conjunto de vetores β = { ~v1 , ~v2 , ~v3 } ⊂ V 3 , onde

~v1 = (1, −3, 1) e ~v2 = (2, 1, 1).

Determine um vetor ~v3 de modo que o conjunto β seja uma base ortogonal com relação ao
produto escalar definido no espaço V 3 .

Resolução – Podemos verificar facilmente que os vetores ~v1 e ~v2 são ortogonais em V 3 .
Desse modo, considerando o processo de ortogonalização de Gram–Schmidt, escolhemos um
~ ∈ V 3 de modo que o conjunto { ~v1 , ~v2 , w
vetor w ~ } ⊂ V 3 seja uma base para V 3 . Por
exemplo, podemos escolher o vetor w~ = (0, 0, 1) . Em seguida, construı́mos o vetor ~v3 da
seguinte forma:

~v3 = w
~ − b1 ~v1 − b2 ~v2 ⊥ ~v1 ⇐⇒ h ~v3 , ~v1 i = 0

~v3 = w
~ − b1 ~q1 − b2 ~v2 ⊥ ~v2 ⇐⇒ h ~v3 , ~v2 i = 0

Tomando as condições acima, obtemos

h w,
~ ~v1 i 1
h w,
~ ~v1 i − b1 h ~v1 , ~v1 i − b2 h ~v2 , ~q1 i = 0 ⇐⇒ b1 = =
h ~v1 , ~v1 i 11

h w,
~ ~v2 i 1
h w,
~ ~v2 i − b1 h ~v1 , ~v2 i − b2 h ~v2 , ~v2 i = 0 ⇐⇒ b2 = =
h ~v2 , ~v2 i 6

uma vez que h ~v1 , ~v2 i = h ~v2 , ~v1 i = 0.

Desse modo, o vetor ~v3 é dado por:

~v3 = w
~ − b1 ~v1 − b2 ~v2

1 1
= (0, 0, 1) − (1, −3, 1) − (2, 1, 1)
11 6

1
= (−28, 7, 49)
66

É importante ressaltar que o vetor ~v3 depende da escolha do vetor w


~ em particular. Assim,
existem infinitos vetores ~v3 de modo que β seja uma base ortogonal.
184 Geometria Analı́tica e Vetores

Exemplo 3.6.2 Considere o espaço de vetores V 2 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2
para todo ~x = (x1 , x2 ) , ~y = (y1 , y2 ) ∈ V 2 , da norma k · k proveniente desse produto
escalar, e da base ordenada β = { ~v1 = (2, 1) , ~v2 = (1, 1) }. Determine a partir da base
ordenada β uma base ordenada ortonormal γ ∗ com relação ao produto escalar definido no
espaço V 2 .

Resolução – Inicialmente escolhemos o vetor ~q1 = ~v1 = (2, 1). Em seguida, construı́mos
o vetor ~q2 da seguinte forma:

~q2 = ~v2 − a1 ~q1 ⊥ ~q1 ⇐⇒ h ~q2 , ~q1 i = 0 .

Tomando a condição acima, tem–se

h ~v2 , ~q1 i 3
h ~q2 , ~q1 i = 0 ⇐⇒ h ~v2 , ~q1 i − a1 h ~q1 , ~q1 i = 0 ⇐⇒ a1 = = .
h ~q1 , ~q1 i 5

Assim, o vetor ~q2 é dado por:


3 3
~q2 = ~v2 − a1 ~q1 = (1, 1) − (2, 1) = (−1, 2) .
5 5
Desse modo, obtemos a base ortogonal γ é dada por:
 
3
γ = (2, 1) , (−1, 2) .
5

Para determinar a base ortonormal γ ∗ basta dividir cada vetor da base ortogonal γ pela
respectiva norma. Portanto, obtemos
(√ √ )
∗ 5 5
γ = (2, 1) , (−1, 2) .
5 5

Exemplo 3.6.3 Considere o espaço de vetores V 3 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2 + x3 y3
para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , da norma k · k proveniente desse
produto escalar, e o conjunto de vetores β = { ~v1 , ~v2 , ~v3 } ⊂ V 3 , onde

~v1 = (a, 1, b) , ~v2 = (1, c, 3) e ~v3 = (1, −c, 1).

Determine os valores dos parâmetros a, b, c ∈ IR de modo que o conjunto β seja uma


base ortogonal com relação ao produto escalar definido no espaço V 3 .

Resolução – Os exemplos devem ser resolvidos cuidadosamente junto com a classe.


Petronio Pulino 185

Exemplo 3.6.4 Considere o espaço de vetores V 2 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2
para todo ~x = (x1 , x2 ) , ~y = (y1 , y2 ) ∈ V 2 , da norma k · k proveniente desse produto
escalar, e da base ordenada β = { ~v1 = (1, 1) , ~v2 = (2, 1) }. Determine a partir da base
ordenada β uma base ordenada ortonormal γ ∗ com relação ao produto escalar definido no
espaço V 2 .

Resolução – Inicialmente escolhemos o vetor ~q1 = ~v1 = (1, 1). Em seguida, construı́mos
o vetor ~q2 da seguinte forma:

~q2 = ~v2 − a1 ~q1 ⊥ ~q1 ⇐⇒ h ~q2 , ~q1 i = 0 .

Tomando a condição acima, tem–se

h ~v2 , ~q1 i 3
h ~q2 , ~q1 i = 0 ⇐⇒ h ~v2 , ~q1 i − a1 h ~q1 , ~q1 i = 0 ⇐⇒ a1 = = .
h ~q1 , ~q1 i 2

Assim, o vetor ~q2 é dado por:


3 3
~q2 = ~v2 − a1 ~q1 = (2, 1) − (1, 1) = (1, −1) .
2 2
Desse modo, obtemos a base ortogonal γ é dada por:
 
3
γ = (1, 1) , (1, −1) .
2

Para determinar a base ortonormal γ ∗ basta dividir cada vetor da base ortogonal γ pela
respectiva norma. Portanto, obtemos
(√ √ )
∗ 2 2
γ = (1, 1) , (1, −1) .
2 2

Exemplo 3.6.5 Considere o espaço de vetores V 3 munido do produto escalar h · , · i definido


da seguinte forma:
h ~x, ~y i = x1 y1 + x2 y2 + x3 y3
para todo ~x = (x1 , x2 , x3 ) , ~y = (y1 , y2 , y3 ) ∈ V 3 , da norma k · k proveniente desse
produto escalar, e da base ordenada β = { ~v1 , ~v2 , ~v3 } onde

~v1 = (1, 1, 1) , ~v2 = (1, 0, 1) e ~v3 = (1, 1, 0) .

Determine a partir da base ordenada β uma base ordenada ortonormal γ ∗ com relação ao
produto escalar definido no espaço V 3 .

Resolução – Inicialmente, vamos obter uma base ortogonal γ = { ~q1 , ~q2 , ~q3 }, com relação
ao produto escalar definido no espaço V 3 , a partir da base ordenada β dada acima.
186 Geometria Analı́tica e Vetores

Para isso, inicialmente escolhemos o vetor ~q1 = ~v1 = (1, 1, 1). Em seguida construı́mos o
vetor ~q2 da seguinte forma:

~q2 = ~v2 − a1 ~q1 ⊥ ~q1 ⇐⇒ h ~q2 , ~q1 i = 0 .

Tomando a condição acima, obtemos

h ~v2 , ~q1 i 2
h ~q2 , ~q1 i = 0 ⇐⇒ h ~v2 , ~q1 i − a1 h ~q1 , ~q1 i = 0 ⇐⇒ a1 = = .
h ~q1 , ~q1 i 3

Assim, o vetor ~q2 é dado por:


2 2
~q2 = ~v2 − a1 ~q1 = (1, 0, 1) − (1, 1, 1) = (1, −2, 1) .
3 3
Em seguida construı́mos o vetor ~q3 da seguinte forma:

~q3 = ~v3 − b1 ~q1 − b2 ~q2 ⊥ ~q1 ⇐⇒ h ~q3 , ~q1 i = 0

~q3 = ~v3 − b1 ~q1 − b2 ~q2 ⊥ ~q2 ⇐⇒ h ~q3 , ~q2 i = 0

Tomando as condições acima, obtemos

h ~v3 , ~q1 i 2
h ~v3 , ~q1 i − b1 h ~q1 , ~q1 i − b2 h ~q2 , ~q1 i = 0 ⇐⇒ b1 = =
h ~q1 , ~q1 i 3

h ~v3 , ~q2 i 1
h ~v3 , ~q2 i − b1 h ~q1 , ~q2 i − b2 h ~q2 , ~q2 i = 0 ⇐⇒ b2 = = −
h ~q2 , ~q2 i 4

uma vez que h ~q1 , ~q2 i = h ~q2 , ~q1 i = 0.

Desse modo, o vetor ~q3 é dado por:


2 1 1
~q3 = ~v3 − b1 ~q1 − b2 ~q2 = (1, 1, 0) − (1, 1, 1) + (1, −2, 1) = (3, 0, −3) .
3 6 6
Portanto, a base ortogonal γ é dada por:
 
2 1
γ = (1, 1, 1) , (1, −2, 1) , (3, 0, −3) .
3 6

Para determinar a base ortonormal γ ∗ basta dividir cada vetor da base ortogonal γ pela
respectiva norma. Portanto, obtemos
(√ √ √ )
3 5 2
γ∗ = (1, 1, 1) , (1, −2, 1) , (3, 0, −3) .
3 5 6
Petronio Pulino 187

3.7 Exercı́cios
Em todos os Exercı́cios, considere o espaço de vetores V 3 munido com o produto escalar
h · , · i , definido da seguinte forma:

h ~u, ~v i = x1 y1 + x2 y2 + x3 y3

e com a norma proveniente desse produto escalar, denominada Norma Euclidiana, definida
da seguinte forma:
p p
k ~u k = h ~u, ~u i = (x1 )2 + (x2 )2 + (x3 )2

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 .

Exercı́cio 3.7.1 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i .


Determine o conjunto de todos os vetores do espaço V 3 que são paralelos ao vetor

~u = (1, 1, 1) .

Exercı́cio 3.7.2 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i .


Descreva o conjunto de todos os vetores do espaço V 3 que são ortogonais ao vetor

~u = (1, 0, −1) .

Exercı́cio 3.7.3 Qual o significado geométrico dos conjuntos encontrados nos item (a)?

Exercı́cio 3.7.4 Qual o significado geométrico dos conjuntos encontrados nos item (b)?

Exercı́cio 3.7.5 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i .


Decompor o vetor w ~ = (−1, −3, −2) como soma de dois vetores, isto é, w ~ = ~u + ~v , onde o
vetor ~u é paralelo ao vetor ~v1 = (0, 1, 3) e o vetor ~v é ortogonal ao vetor ~v1 = (0, 1, 3).

Sugestão: o vetor ~u pode ser escolhido como sendo a projeção ortogonal do vetor w
~ na
direção do vetor ~v1 = (0, 1, 3).

Exercı́cio 3.7.6 Considere os pontos A , B , C do espaço Euclideano IE 3 dados por:

A = (3, −2, 8) , B = (0, 0, 2) e C = (2, 3, 2) .

(a) Usando os conceitos de vetores mostre que o triângulo ABC é um triângulo retângulo.

(b) Determine o ponto H no lado AC, do triângulo ABC, para o qual os segmentos AC
e HB são ortogonais.

(c) Determine a área do triângulo ABC.


−−→ −→ −→
Sugestão: o vetor AH é a projeção ortogonal do vetor AB na direção do vetor AC.
188 Geometria Analı́tica e Vetores

Exercı́cio 3.7.7 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i .


Determine um vetor ~u ∈ V 3 que seja ortogonal aos vetores

~v1 = (2, 3, −1) e ~v2 = (2, −4, 6)



tal que k ~u k = 3 3.

Exercı́cio 3.7.8 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i .


Sejam γ ∗ = { ~q1 , ~q2 , ~q3 } uma base ordenada ortonormal para o espaço de vetores V 3 , ~u
e ~v vetores quaisquer de V 3 cujas matrizes de coordenadas em relação a base ortonormal
γ ∗ são dadas por:    
a1 a2
[~u]γ =  b1  e [~v ]γ =  b2  .
   

c1 c2

~ ∈ V 3 pode ser escrito da forma:


(a) Mostre que qualquer vetor w

~ = h w,
w ~ ~q1 i ~q1 + h w,
~ ~q2 i ~q2 + h w,
~ ~q3 i ~q3 ,

apresentando uma interpretação geométrica.

(b) Mostre que o produto escalar entre os vetores ~u e ~v pode ser escrito da forma:

h ~u, ~v i = a1 a2 + b1 b2 + c1 c2 .

Exercı́cio 3.7.9 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i .


Dados os vetores ~u = (1, 1, 0) e ~v = (0, 1, 1), determine o vetor w ~ ∈ V 3 de modo
que k w
~ k = 1 e h ~u, w~ i = h ~v , w
~ i = 0. Dê uma interpretação geométrica.

Exercı́cio 3.7.10 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e


da norma k · k proveniente desse produto escalar. Mostre que, para ~u , ~v ∈ V 3 ,

k ~u k = k ~v k ⇐⇒ h ~u + ~v , ~u − ~v i = 0 ,

Exercı́cio 3.7.11 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e


da norma k · k proveniente desse produto escalar. Mostre que, para ~u, ~v ∈ V 3 não–nulos,

h ~u, ~v i = 0 ⇐⇒ k ~u + α ~v k ≥ k ~u k para todo α ∈ IR .

Exercı́cio 3.7.12 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i .


Determine os valores do parâmetro α ∈ IR, se possı́vel, de modo que os vetores

~u = (1, 2, α) e ~v = (α, −1, α)

sejam ortogonais, isto é, h ~u, ~v i = 0.


Petronio Pulino 189

Exercı́cio 3.7.13 Considere o espaço de vetores V 3 munido do produto escalar h ·, · i e da


norma k · k proveniente desse produto escalar, e os vetores dados por:

u~1 = (1, 0, −1) , u~2 = (1, −1, 1) e u~3 = (−1, 1, 0) .

(a) Mostre que β = { u~1 , u~2 , u~3 } é uma base para V 3 , isto é,

(i) Mostre que todo vetor ~u = (a, b, c) ∈ V 3 pode ser escrito como uma combinação
linear dos elementos de β.
(ii) Mostre que β é linearmente independente.

(b) Determine uma base ortogonal γ = {~


q1 , q~2 , q~3 } a partir da base β.

(c) Determine as coordenadas do vetor w


~ = (1, −3, 2) com relação a base ortogonal γ.
190 Geometria Analı́tica e Vetores

3.8 Distância de Ponto a Ponto


Definição 3.8.1 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e
da norma k · k proveniente desse produto escalar. Sejam O um ponto do espaço IE 3 e
γ ∗ = { ~q1 , ~q2 , ~q3 } uma base ordenada ortonormal para o espaço de vetores V 3 . Definimos
por Σ = (O, ~q1 , ~q2 , ~q3 ), ou por Σ = (O, γ ∗ ), o Sistema Ortogonal de Coordenadas
para o espaço IE 3 , onde o ponto O ∈ IE 3 é a origem do sistema ortogonal de coordenadas.

~q3
6

~q2
r - -
!0
!
~
!q
! 1
!
!
!
!
!
!

Figura 3.11: Sistema de coordenadas para o espaço tridimensional IE 3 .

Considere agora os pontos A, B, C ∈ IE 3 definidos da seguinte forma:

A = O + ~q1 , B = O + ~q2 e C = O + ~q3 , (3.20)

que é o mesmo conceito de adição de ponto com vetor estudado na seção 2.2.3.

Cada uma das retas suporte dos segmentos OA, OB e OC são denominadas de eixos
coordenados, respectivamente, eixo das abscissas (OX ), eixo das ordenadas (OY ) e
eixo das cotas (OZ ), como ilustra a Figura 3.11.

De modo análogo, temos os planos coordenadas, denominados plano OXY (determinado


pelos pontos O, A, B), plano OXZ (determinado pelos pontos O, A, C) e plano OYZ
(determinado pelos pontos O, B, C).

Cada um dos planos coordenados dividem separadamente o espaço IE 3 em dois semiespaços,


por exemplo, o plano coordenado OXY divide o espaço em dois semiespaços: um semiespaço
situado na direção positiva do eixo OZ e outro na direção negativa do eixo OZ .
Petronio Pulino 191

Os três planos coordenados dividem conjuntamente o espaço IE 3 em oito partes, os quais


denominamos de octantes coordenados. Os octantes coordenados são enumerados da
seguinte forma:
Octante eixo OX eixo OY eixo OZ
I positivo positivo positivo
II negativo positivo positivo
III negativo negativo positivo
IV positivo negativo positivo
V positivo positivo negativo
VI negativo positivo negativo
VII negativo negativo negativo
VIII positivo negativo negativo

Considerando o sistema ortogonal de coordenadas Σ = (O, ~q1 , ~q2 , ~q3 ), dado um ponto
−→
P ∈ IE 3 podemos representar o vetor OP da seguinte forma:
−→
OP = x ~q1 + y ~q2 + z ~q3 , (3.21)

onde a terna ordenada (x, y, z) é denominada coordenadas cartesianas do ponto P ,


determinada de maneira única pelo sistema ortogonal de coordenadas Σ = (O, ~q1 , ~q2 , ~q3 ) e
pelo ponto P ∈ IE 3 , uma vez que sabemos da existência de uma bijeção entre o espaço IE 3
e o produto cartesiano IR3 = IR × IR × IR, como estudado na seção 2.2.1. Assim, podemos
identificar o ponto P da seguinte forma P = (x, y, z), como ilustra a Figura 3.12.

rP = (x, y, z)



 −→
~q3  OP
6 

 ~q2
 - -
!0
!
~
!q
! 1
!
!
!
!
!

!

Figura 3.12: Identificação dos pontos no espaço tridimensional IE 3 .


192 Geometria Analı́tica e Vetores

É importante ressaltar que, as coordenadas do ponto P ∈ IE 3 relativamente ao sistema


−→
de coordenadas Σ = (O, ~q1 , ~q2 , ~q3 ) são as mesmas coordenadas do vetor OP ∈ V 3 com
−→
relação à base ortonormal γ ∗ = { ~q1 , ~q2 , ~q3 }, isto é, a matriz de coordenadas do vetor OP
com relação à base ortonormal γ ∗ é dada por:
 
x
−→
[OP ]γ ∗ = y  ,  (3.22)
z

como mostra a equação (3.21).

Definição 3.8.2 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e


da norma k · k proveniente desse produto escalar. Sejam γ ∗ = { ~q1 , ~q2 , ~q3 } uma base
ordenada ortonormal para o espaço de vetores V 3 e Σ = (O, ~q1 , ~q2 , ~q3 ) um sistema
ortogonal de coordenadas para o espaço IE 3 . Dados os pontos A, B ∈ IE 3 ,

A = (x1 , y1 , z1 ) e B = (x2 , y2 , z2 ) ,

definimos a distância entre os pontos A e B da seguinte forma:


−→ p
d(A, B) = k AB k = (x2 − x1 )2 + (y2 − y1 )2 + (z2 − z1 )2 . (3.23)

Ar
@
−→

 @
A

@
B

−→ 
OA @
 @
R
@
 *rB


 

 
  OB
−−→

r

O

Figura 3.13: Distância de ponto a ponto no espaço IE 3

É importante ressaltar que, como o espaço de vetores V 3 está munido com base ortonormal
γ ∗ , isto é, Σ = (O, γ ∗ ) é um sistema ortogonal de coordenadas para o espaço IE 3 , sabemos
−→ −−→
que os vetores OA e OB são escrito de modo único da seguinte forma:
−→ −−→
OA = x1 ~q1 + y1 ~q2 + z1 ~q3 e OB = x2 ~q1 + y2 ~q2 + z2 ~q3 . (3.24)
−→ −−→ −→
Assim, o vetor AB = OB − OA é representado da seguinte forma:
−→
AB = (x2 − x1 ) ~q1 + (y2 − y1 ) ~q2 + (z2 − z1 ) ~q3 , (3.25)

e a distância entre os pontos A e B ficada definida como no equação (3.23), uma vez que
−→
d(A, B) = k AB k.
Petronio Pulino 193

Exemplo 3.8.1 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~u, ~v i = x1 y1 + x2 y2 + x3 y3

e com a norma k · k proveniente desse produto escalar, definida da seguinte forma:


p p
k ~u k = h ~u, ~u i = (x1 )2 + (x2 )2 + (x3 )2

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 .

Sejam β = { ~e1 , ~e2 , ~e3 }, onde ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), a
base canônica para o espaço de vetores V 3 e Σ = (O, ~e1 , ~e2 , ~e3 ) o sistema ortogonal de
coordenadas para o espaço IE 3 , com O = (0, 0, 0) a origem para esse sistema ortogonal de
coordenadas. Determine a distância entre os pontos A, B ∈ IE 3 dados por:

A = (1, 2, 3) e B = (4, 6, 8) .

Resolução – A distância entre os pontos A e B é definida pela equação (3.23), onde o


−→
vetor AB ∈ V 3 é dado por:
−→
AB = 3 ~e1 + 4 ~e2 + 5 ~e3 ,

assim, obtemos
−→ √ √ √
d(A, B) = k AB k = 9 + 16 + 25 = 50 = 5 2 .

Exemplo 3.8.2 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e da


norma k · k proveniente desse produto escalar. Sejam γ ∗ = { ~q1 , ~q2 , ~q3 } uma base ordenada
ortonormal para o espaço de vetores V 3 e Σ = (O, ~q1 , ~q2 , ~q3 ) um sistema ortogonal de
coordenadas para o espaço IE 3 . Dados os pontos A = (x1 , y1 , z1 ), B = (x2 , y2 , z2 ) ∈ IE 3 ,
prove que o ponto médio do segmento AB, denotado pelo ponto M , é expresso da forma:
 
x 1 + x2 y1 + y2 z 1 + z 2
M = , ,, (3.26)
2 2 2

Resolução – Considerando a ilustração da Figura 3.14, note que podemos escrever o ponto
médio M do segmento AB da seguinte forma:
1 −→
M = A + AB
2
para obter suas coordenadas de acordo com a equação (3.26).

Ar Mr Br

Figura 3.14: Ponto médio do segmento AB


194 Geometria Analı́tica e Vetores

Exemplo 3.8.3 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~u, ~v i = x1 y1 + x2 y2 + x3 y3

e com a norma k · k proveniente desse produto escalar, definida da seguinte forma:


p p
k ~u k = h ~u, ~u i = (x1 )2 + (x2 )2 + (x3 )2

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 .

Sejam β = { ~e1 , ~e2 , ~e3 }, onde ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), a
base canônica para o espaço de vetores V 3 e Σ = (O, ~e1 , ~e2 , ~e3 ) o sistema ortogonal de
coordenadas para o espaço IE 3 , com O = (0, 0, 0) a origem para esse sistema ortogonal de
coordenadas. Considerando os pontos A, B, C ∈ IE 3 dados por:

A = (1, 1, 0) , B = (0, 1, 1) e C = (1, 0, 1) ,

mostre que o triângulo ABC é um triângulo equilátero.


−→ −→ −−→
Resolução – Considere os vetores AB, AC, BC ∈ V 3 . Basta mostrar que

d(A, B) = d(A, C) = d(B, C) ,

sabendo que
−→ −→ −−→
d(A, B) = k AB k , d(A, C) = k AC k e d(B, C) = k BC k ,

de acordo com a Definição 3.8.2.

Exemplo 3.8.4 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e da


norma k · k proveniente desse produto escalar. Sejam γ ∗ = { ~q1 , ~q2 , ~q3 } uma base ordenada
ortonormal para o espaço de vetores V 3 e Σ = (O, ~q1 , ~q2 , ~q3 ) um sistema ortogonal de
coordenadas para o espaço IE 3 . Dado o ponto C = (a, b, c) ∈ IE 3 e o escalar positivo
r ∈ IR, determine o lugar geométrico dos pontos no espaço IE 3 cuja distância ao ponto C
seja igual a r.

Resolução – Considere um ponto genérico P = (x, y, z) ∈ IE 3 satisfazendo a condição,

d(C, P ) = r ⇐⇒ ( d(C, P ) )2 = r2 .
−→ −→
Sabemos que d(C, P ) = k CP k, onde o vetor CP é escrito da forma:
−→
CP = (x − a) ~q1 + (y − b) ~q2 + (z − c) ~q3 ,

obtemos
−→
( k CP k )2 = r2 ⇐⇒ (x − a)2 + (y − b)2 + (z − c)2 = r2 ,

que é a equação de uma superfı́cie esférica de centro no ponto C = (a, b, c) e raio igual a
r, com relação ao sistema ortogonal de coordenadas Σ = (O, ~q1 , ~q2 , ~q3 ).
Petronio Pulino 195

Exemplo 3.8.5 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~u, ~v i = x1 y1 + x2 y2 + x3 y3

e com a norma k · k proveniente desse produto escalar, definida da seguinte forma:


p p
k ~u k = h ~u, ~u i = (x1 )2 + (x2 )2 + (x3 )2

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 .

Sejam β = { ~e1 , ~e2 , ~e3 }, onde ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), a
base canônica para o espaço de vetores V 3 e Σ = (O, ~e1 , ~e2 , ~e3 ) o sistema ortogonal de
coordenadas para o espaço IE 3 , com O = (0, 0, 0) a origem para esse sistema ortogonal de
coordenadas. Mostre que os pontos A, B, C ∈ IE 3 dados por:

A = (1, 1, 1) , B = (2, 3, 4) e C = (4, 5, −6) ,

são os vértices de um triângulo retângulo.

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 3.8.6 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e da


norma k · k proveniente desse produto escalar. Sejam γ ∗ = { ~q1 , ~q2 , ~q3 } uma base ordenada
ortonormal para o espaço de vetores V 3 e Σ = (O, ~q1 , ~q2 , ~q3 ) um sistema ortogonal de
coordenadas para o espaço IE 3 . Dado o ponto P = (a, b, c) ∈ IE 3 .
(a) Determine a projeção ortogonal do ponto P sobre cada um dos eixos coordenados.

(a) Determine a projeção ortogonal do ponto P sobre cada um dos planos coordenados.

Resolução – Vamos denotar por Px , Py , Pz ∈ IE 3 as projeções ortogonais do ponto P


sobre os eixos coordenados OX , OY , OZ , respectivamente. Recordamos que a projeção Px
é obtida pela intersecção da reta perpendicular ao eixo OX passando pelo ponto P . De
modo análogo, obtemos as projeções Py e Pz .

Desse modo, conhecendo as coordenadas do ponto P = (a, b, c), podemos representar suas
projeções ortogonais sobre os eixos coordenados da seguinte forma:
Px = O + a ~q1 , Py = O + b ~q2 e Pz = O + c ~q3 , (3.27)
como ilustra a Figura 3.15.

É importante ressaltar que as coordenadas do ponto P = (a, b, c) ∈ IE 3 , relativamente ao


sistema de coordenas ortogonais Σ = (O, ~q1 , ~q2 , ~q3 ), são os comprimentos dos segmentos
OPx , OPy e OPz , respectivamente. Assim, as coordenadas do ponto P são dadas por:
a = OPx , b = OPy e c = OPz , (3.28)
uma vez que γ ∗ = { ~q1 , ~q2 , ~q3 } é uma base ortonormal para o espaço de vetores V 3 .
196 Geometria Analı́tica e Vetores

Vamos denotar por Pxy , Pxz , Pyz ∈ IE 3 as projeções ortogonais do ponto P sobre os planos
coordenados OXY , OXZ , OYZ , respectivamente. Desse modo, obtemos

Pxy = O + a ~q1 + b ~q2 , Pxz = O + a ~q1 + c ~q3 e Pyz = O + b ~q2 + c ~q3 ,

como ilustra a Figura 3.15. De modo análogo, obtemos a projeção ortogonal do ponto P
nos outros dois planos coordenados.

rPz

rP = (a, b, c)
~q3
6

~q2 Py
0 - r -
!
!
~
!q
! 1
!
!r r
! Px Pxy
!
!
!

Figura 3.15: Projeções do ponto P no plano coordenado OXY e nos eixos coordenados

Exemplo 3.8.7 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i ,


definido da seguinte forma:

h ~u, ~v i = x1 y1 + x2 y2 + x3 y3

e com a norma k · k proveniente desse produto escalar, definida da seguinte forma:


p p
k ~u k = h ~u, ~u i = (x1 )2 + (x2 )2 + (x3 )2

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 .

Sejam β = { ~e1 , ~e2 , ~e3 }, onde ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), a
base canônica para o espaço de vetores V 3 e Σ = (O, ~e1 , ~e2 , ~e3 ) o sistema ortogonal de
coordenadas para o espaço IE 3 , com O = (0, 0, 0) a origem para esse sistema ortogonal de
coordenadas. Determine as respectivas projeções ortogonais do ponto P = (2, −1, 3) ∈ IE 3
sobre os eixos coordenados, denotadas por Px , Py , Pz ∈ IE 3 , e sobre os planos coordenados,
denotadas por Pxy , Pxz , Pyz ∈ IE 3 .

Resolução – A resolução pode ficar a cargo do leitor.


Petronio Pulino 197

Exemplo 3.8.8 Considere o espaço de vetores V 3 munido com o produto escalar h · , · i e da


norma k · k proveniente desse produto escalar. Sejam γ ∗ = { ~q1 , ~q2 , ~q3 } uma base ordenada
ortonormal para o espaço de vetores V 3 e Σ = (O, ~q1 , ~q2 , ~q3 ) um sistema ortogonal de
coordenadas para o espaço IE 3 . Dados os pontos A = (x1 , y1 , z1 ), B = (x2 , y2 , z2 ) ∈ IE 3 ,
Determine as coordenadas do ponto P que divide o segmento AB numa razão λ, isto é,
−→
d(A, P ) k AP k
= λ ⇐⇒ −→ = λ para 0 ≤ λ ≤ 1 , (3.29)
d(A, B) k AB k

como ilustra a Figura 3.16.

Resolução – Considerando a equação (3.29) e a ilustração da Figura 3.16, note que podemos
escrever um ponto P pertencente ao segmento AB da seguinte forma:
−→ −→ −→
P = A + λ AB ⇐⇒ AP = λ AB para 0 ≤ λ ≤ 1, (3.30)

Por simplicidade, vamos escrever o ponto P = (x, y, z), com relação ao sistema ortogonal
de coordenadas Σ = (O, ~q1 , ~q2 , ~q3 ). Desse modo, podemos escrever a equação (3.30) da
seguinte forma:

(x − x1 ) ~q1 + (y − y1 ) ~q2 + (z − z1 ) ~q3 = λ(x2 − x1 ) ~q1 + λ(y2 − y1 ) ~q2 + λ(z2 − z1 ) ~q3

A equação acima pode ser escrita da seguinte forma:

( x~q1 + y~q2 + z~q3 ) = ((1 − λ)x1 + λx2 )~q1 + ((1 − λ)y1 + λy2 )~q2 + ((1 − λ)z1 + λz2 )~q3

Pela igualdade de vetores, obtemos

x = (1 − λ)x1 + λx2 , y = (1 − λ)y1 + λy2 e z = (1 − λ)z1 + λz2 ,


1
para 0 ≤ λ ≤ 1. Note que para λ = obtemos as coordenadas do ponto médio.
2

Ar Pr Br

Figura 3.16: O ponto P divide o segmento AB numa razão λ


198 Geometria Analı́tica e Vetores

3.9 Exercı́cios
Em todos os Exercı́cios, considere o espaço de vetores V 3 munido com o produto escalar
h · , · i , definido da seguinte forma:

h ~u, ~v i = x1 y1 + x2 y2 + x3 y3

e com a norma proveniente desse produto escalar, denominada Norma Euclidiana, definida
da seguinte forma:
p p
k ~u k = h ~u, ~u i = (x1 )2 + (x2 )2 + (x3 )2

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 .

Considere também o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 },
onde ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1). Definimos por Σ = (O, ~e1 , ~e2 , ~e3 )
o sistema ortogonal de coordenadas para o espaço IE 3 , com O = (0, 0, 0) a origem para
esse sistema ortogonal de coordenadas.

Exercı́cio 3.9.1 Determine as coordenadas do ponto médio M do segmento AB, onde os


pontos A, B ∈ IE 3 são dados por: A = (1, −2, 3) e B = (−2, 3, 4).

Exercı́cio 3.9.2 Determine as coordenadas do ponto P que divide o segmento AB numa


razão de três quartos, onde os pontos A, B ∈ IE 3 são dados por:

A = (1, −2, 3) e B = (−2, 3, 4) .

Exercı́cio 3.9.3 Determine as coordenadas do ponto P ′ simétrico ao ponto P = (2, −4, −6)
com relação ao ponto M = (1, −1, 1). Faça inicialmente uma representação gráfica para
auxiliar na resolução do exercı́cio.

Exercı́cio 3.9.4 Determine o vetor ~v ∈ V 3 de modo que P = Q + ~v , onde os pontos


P, Q ∈ ∈ IE 3 são dados por: P = (3, −2, 1) e Q = (3, −4, 6). Faça inicialmente uma
representação gráfica para auxiliar na resolução do exercı́cio.

Exercı́cio 3.9.5 Determine o escalar λ ∈ IR de modo que P = Q + λ ~v , onde os pontos


P, Q ∈ ∈ IE 3 e o vetor ~v ∈ V 3 são dados por:

P = (1, −10, 14) , Q = (3, −4, 6) e ~v = (−1, −3, 4) .

Faça inicialmente uma representação gráfica para auxiliar na resolução do exercı́cio.

Exercı́cio 3.9.6 Dados os ponto A, B, C, D ∈ IE 3 os vértices de um cubo, onde

A = (−a, −a, −a) , B = (a, −a, −a) , C = (−a, a, −a) e D = (a, a, a) .

Determine as coordenadas dos outros vértices. Faça uma representação gráfica para auxiliar
na resolução do exercı́cio.
Petronio Pulino 199

Exercı́cio 3.9.7 Dados os pontos A, B, D ∈ IE 3 os vértices de um paralelogramo ABCD,


onde
A = (1, 1, 1) , B = (2, 0, 2) e D = (3, 2, 0) .
Determine as coordenadas do vértice C, oposto ao vértice A. Faça uma representação
gráfica para auxiliar na resolução do exercı́cio.

Exercı́cio 3.9.8 Dados os pontos A, B, C ∈ IE 3 os vértices de um paralelogramo ABCD,


onde
A = (3, −4, 7) , B = (−5, 3, −2) e C = (1, 2, −3) .
Determine as coordenadas do vértice D, oposto ao vértice B. Faça uma representação
gráfica para auxiliar na resolução do exercı́cio.

Exercı́cio 3.9.9 Determinar os pontos P no eixo coordenado OX cuja distância ao ponto


A = (1, −2, 4) seja igual a 6.

Exercı́cio 3.9.10 Determinar o lugar geométrico dos pontos P , no plano coordenado OXY ,
cuja distância ao ponto A = (1, −2, 4) seja igual a 6.

Exercı́cio 3.9.11 Determinar o lugar geométrico dos pontos P , no plano coordenado OXZ ,
cuja distância ao ponto A = (1, −2, 4) seja igual a 6.

Exercı́cio 3.9.12 Determinar o lugar geométrico dos pontos P , no plano coordenado OYZ ,
cuja distância ao ponto A = (1, −2, 4) seja igual a 6.

Exercı́cio 3.9.13 Qual interpretação geométrica poderı́amos propor para os Exercı́cios 3.9.10,
3.9.11 e 3.9.12.

Exercı́cio 3.9.14 O segmento AB está dividido em quatro partes iguais pelos pontos C, D, E,
onde os pontos A e B são dados por:

A = (2, 1, 4) e B = (4, 3, 2) .

Determine as coordenadas dos pontos C, D, E ∈ IE 3 . Faça uma representação gráfica para


auxiliar na resolução do exercı́cio.

Exercı́cio 3.9.15 Determine a intersecção da superfı́cie esférica de centro C = (1, −2, 4)


e raio r = 6 com os planos coordenados OXY , OXZ e OYZ .
200 Geometria Analı́tica e Vetores
Petronio Pulino Geometria Analı́tica e Vetores

Produto Vetorial. Produto Misto


4
Conteúdo
4.1 Orientação do Espaço . . . . . . . . . . . . . . . . . . . . . . . . . 202
4.2 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
4.3 Produto Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
4.4 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
4.5 Produto Misto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
4.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227

201
202 Geometria Analı́tica e Vetores

4.1 Orientação do Espaço


Inicialmente apresentamos os conceitos necessários para a orientação do espaço de vetores
V 2 de maneira geométrica, sem uma formalização matemática. Para isso, vamos exemplificar
considerado a base canônica β = { ~e1 , ~e2 }, onde ~e1 = (0, 1) e ~e2 = (0, 1), e a base ordenada
γ = { ~u1 , ~u2 } , onde ~u1 = (2, 1) e ~u2 = (−2, 1), para o espaço de vetores V 2 , ilustradas
na Figura 4.1.

~e2
6
~u2 H
Y
H *~
 u1
HH 
 -
H -
0 ~e1

Figura 4.1: Orientação do espaço de vetores V 2

Observando a Figura 4.1, notamos que podemos levar de forma contı́nua o vetor ~u1 sobre
o vetor ~e1 e levar de forma contı́nua o vetor ~u2 sobre o vetor ~e2 , sempre pelo caminho
mais curto, sem que em nenhum momento desse processo os vetores ~u1 e ~u2 deixam de ser
linearmente independentes.

Vamos observar também a matriz P de mudança da base γ para a base β, que é dada por:
" #
2 −2
P = .
1 1
Note que a matriz de mudança de base P tem determinante positivo, bem com a matriz
P −1 de mudança da base β para a base γ, uma vez que
1
det(P −1 ) = > 0 .
det(P )
Considerando qualquer um dos critérios apresentados acima, dizemos que as bases ordenadas
β e γ têm a mesma orientação.

Exemplo 4.1.1 Apresente a mesma análise considerando a base canônica β = { ~e1 , ~e2 } e
a base ordenada γ = { ~u1 = (1, −2) , ~u2 = (1, 2) } para o espaço de vetores V 2 . Represente
graficamente os vetores das duas bases no plano cartesiano para auxiliar nessa análise.

Resolução – A resolução pode ficar a cargo do leitor.


Petronio Pulino 203

Voltando ao objetivo de conceituar a orientação do espaço de vetores V 2 , consideramos a


base canônica β = { ~e1 , ~e2 } e a base ordenada γ = { ~u1 = (1, 2) , ~u2 = (1, −2) } para o
espaço de vetores V 2 , ilustradas na Figura 4.2.

~u1

~e2 
6 


 - -
0A ~e1
A
A
A
A
AU ~u2

Figura 4.2: Orientação do espaço de vetores V 2

Observando a Figura 4.2, notamos que podemos levar de forma contı́nua o vetor ~u1 sobre o
vetor ~e1 e levar de forma contı́nua o vetor ~u2 sobre o vetor ~e2 , sempre pelo caminho mais
curto. Entretanto, em algum momento desse processo os vetores ~u1 e ~u2 deixam de ser
linearmente independentes.

Vamos observar também a matriz P de mudança da base γ para a base β, que é dada por:
" #
1 1
P = .
2 −2

Note que a matriz de mudança de base P tem determinante negativo, bem com a matriz
P −1 de mudança da base β para a base γ, uma vez que
1
det(P −1 ) = < 0 .
det(P )

Considerando qualquer um dos critérios apresentados acima, dizemos que as bases ordenadas
β e γ têm orientação oposta.

Exemplo 4.1.2 Apresente a mesma análise considerando a base canônica β = { ~e1 , ~e2 } e
a base ordenada γ = { ~u1 = (−2, 1) , ~u2 = (2, 1) } para o espaço de vetores V 2 . Represente
graficamente os vetores das bases no plano cartesiano para auxiliar nessa análise.

Resolução – A resolução pode ficar a cargo do leitor.


204 Geometria Analı́tica e Vetores

Exemplo 4.1.3 Considere a base ordenada γ1 = { ~u1 = (1, 1) , ~u2 = (−1, 1) } e a base
ordenada γ2 = { ~v1 = (1, −2) , ~v2 = (−1, −2) } para o espaço de vetores V 2 , como ilustra
a Figura 4.3. Verifique se as bases ordenadas γ1 e γ2 têm a mesma orientação, ou têm
orientação oposta.

Resolução – Inicialmente vamos analisar o sinal do determinante da matriz P de mudança


da base γ2 para a base γ1 . Como γ1 é uma base ortogonal, podemos escrever os elementos
da base γ2 em função dos elementos da base γ1 da seguinte forma:

h ~v1 , ~u1 i h ~v1 , ~u2 i 1 3


~v1 = ~u1 + ~u2 = − (1, 1) − (−1, 1)
h ~u1 , ~u1 i h ~u2 , ~u2 i 2 2

h ~v2 , ~u1 i h ~v2 , ~u2 i 3 1


~v2 = ~u1 + ~u2 = − (1, 1) − (−1, 1)
h ~u1 , ~u1 i h ~u2 , ~u2 i 2 2

Assim, a matriz P de mudança da base γ2 para a base γ1 é dada por:


1 3
 
− −
 2 2 1 9 5
P =    =⇒ det(P ) = − = − < 0 .
3 1  4 4 4
− −
2 2
Portanto, as bases γ1 e γ2 têm orientação oposta, uma vez que det(P ) < 0.

Pela Figura 4.3, notamos que podemos levar de forma contı́nua o vetor ~v1 sobre o vetor
~u1 e levar de forma contı́nua o vetor ~v2 sobre o vetor ~u2 , sempre pelo caminho mais curto.
Entretanto, em algum momento desse processo os vetores ~v1 e ~v2 deixam de ser linearmente
independentes. Portanto, por esse critério, concluı́mos também que as bases γ1 e γ2 têm
orientação oposta. É importante observar que essa análise para verificar a orientação das
bases tem um forte apelo geométrico.

~u2 ~u1
@
I
@ 
@
@
@ -
0A
 A
 A
 A
 A
 ~
v2 AU ~
v1

Figura 4.3: Orientação do espaço de vetores V 2


Petronio Pulino 205

Exemplo 4.1.4 Considere a base ordenada γ1 = { ~u1 = (2, 1) , ~u2 = (−2, 1) } e a base
ordenada γ2 = { ~v1 = (1, −2) , ~v2 = (1, 2) } para o espaço de vetores V 2 , como ilustra a
Figura 4.4. Verifique se as bases ordenadas γ1 e γ2 têm a mesma orientação, ou têm
orientação oposta.

Resolução – A resolução pode ficar a cargo do leitor.

~v2



~u2 H
Y  *~
 u1
H  
HH 
H -
0A
A
A
A
A
AU ~
v1

Figura 4.4: Orientação do espaço de vetores V 2

Exemplo 4.1.5 Considere a base ordenada γ1 = { ~u1 = (2, 1) , ~u2 = (−2, 1) } e a base
ordenada γ2 = { ~v1 = (1, 2) , ~v2 = (1, −2) } para o espaço de vetores V 2 , como ilustra a
Figura 4.5. Verifique se as bases ordenadas γ1 e γ2 têm a mesma orientação, ou têm
orientação oposta.

Resolução – A resolução pode ficar a cargo do leitor.

~v1



~u2 H
Y
H   *~
 u1
HH  

H -
0 A
A
A
A
A
AU ~
v2

Figura 4.5: Orientação do espaço de vetores V 2


206 Geometria Analı́tica e Vetores

Considerando a base ordenada γ1 = { ~u1 , ~u2 } e a base ordenada γ2 = { ~v1 , ~v2 } para o
espaço de vetores V 2 . Dizemos que as bases γ1 e γ2 têm a mesma orientação se podemos
levar de forma contı́nua os vetores de uma das bases sobre os vetores da outra base, sempre
pelo caminho mais curto, sem que em nenhum momento desse processo os três vetores nunca
deixam de ser linearmente independentes. Caso contrário, dizemos que as bases γ1 e γ2
têm orientação oposta. É importante observar que essa análise para verificar a orientação
das bases tem um forte apelo geométrico, o que com toda certeza torna essa análise de difı́cil
realização no espaço de vetores V 3 .

O segundo critério, que é algébrico, para orientação do espaço de vetores V 2 , analisa o sinal
do determinante da matriz de mudança de base, apresenta uma formalização matemática
mais factı́vel com os objetivos do texto. Assim, considerando as bases γ1 e γ2 para o
espaço de vetores V 2 . Dizemos que as bases γ1 e γ2 têm a mesma orientação se, e
somente se, a matriz P de mudança da base γ1 para a base γ2 tem determinante positivo.
Caso contrário, dizemos que as bases γ1 e γ2 têm orientação oposta. É importante
ressaltar que o determinante da matriz P −1 de mudança da base γ2 para a base γ1 tem o
mesmo sinal do determinante da matriz P . Esse critério será estudado com uma formalização
matemática mais cuidadosa quando da caracterização da orientação do espaço de vetores V 3 .

Finalmente, para caracterizar a orientação do espaço de vetores V 2 consideramos uma classe


A na qual qualquer par de bases ordenadas têm a mesma orientação, e uma outra classe
B na qual qualquer par de bases ordenadas têm orientação oposta. Assim, a orientação
do espaço de vetores V 2 fica caracterizada escolhendo qualquer uma das classes A ou B.

Fizemos uso do espaço de vetores V 2 com o objetivo de apresentar, de forma didática,


os dois conceitos que são utilizados para orientação do espaço do espaço de vetores V 3 .
Observamos que o conceito de deformação contı́nua de uma base em uma outra base, que
tem um forte apelo geométrico, pode apresentar algumas dificuldades para a formalização
da orientação do espaço de vetores V 3 . Assim, nesse texto iremos fazer uso do conceito mais
algébrico que analisa o sinal do determinante da matriz de mudança de base para separar as
bases do espaço de vetores V 3 nas classes A e B, caracterizando sua orientação.
Petronio Pulino 207

Orientação do Espaço de Vetores V 3


Definição 4.1.1 Sejam β = { ~u1 , ~u2 , ~u3 } e γ = { ~v1 , ~v2 , ~v3 } duas bases para o espaço
de vetores V 3 . Dizemos que a base β tem a mesma orientação da base γ se, e somente
se, a matriz P de mudança da base β para a base γ tem determinante positivo.

Recordando sobre matriz de mudança de base, sabemos que a matriz P é invertı́vel e que
P −1 é a matriz de mudança da base γ para a base β. Além disso, tem–se
1
det(P −1 ) = > 0 ,
det(P )
uma vez que det(P ) > 0. Assim, a base γ tem a mesma orientação da base β. Desse
modo, dizemos que as bases β e γ tem a mesma orientação. Quando duas bases não
tem a mesma orientação, dizemos que as bases têm orientação oposta, isto é, a matriz de
mudança de base tem determinante negativo.

Desse modo, vamos separar as bases do espaço de vetores V 3 em duas classes da seguinte
forma: Escolhemos uma base qualquer β para V 3 , e consideramos a classe A formada por
todas as bases cuja matriz de mudança para a base β tenham determinante positivo.
A classe B é formada por todas as bases cuja matriz de mudança para a base β tenham
determinante negativo.

Proposição 4.1.1 Sejam as bases β1 , β2 ∈ A. Então, as bases β1 e β2 têm a mesma


orientação.

Demonstração – Sejam P1 a matriz de mudança da base β1 para a base β, escolhida


para formar a classe A, e P2 a matriz de mudança da base β2 para a base β. Sabemos que
a matriz P2−1 é a matriz de mudança da base β para a base β2 . Assim, a matriz P1 P2−1 é
a matriz de mudança da base β1 para a base β2 . Desse modo, tem–se
det(P1 )
det(P1 P2−1 ) = > 0 ,
det(P2 )
uma vez que det(P1 ) e det(P2 ) são positivos. Portanto, as bases β1 e β2 pertencentes a
classe A têm a mesma orientação. 

Proposição 4.1.2 Sejam as bases γ1 , γ2 ∈ B. Então, as bases γ1 e γ2 têm a mesma


orientação.

Demonstração – Sejam M1 a matriz de mudança da base γ1 para a base β, escolhida


para formar a classe A, e M2 a matriz de mudança da base γ2 para a base β. Sabemos que
a matriz M2−1 é a matriz de mudança da base β para a base γ2 . Assim, a matriz M1 M2−1
é a matriz de mudança da base γ1 para a base γ2 . Desse modo, tem–se
det(M1 )
det(M1 M2−1 ) = > 0 ,
det(M2 )
uma vez que det(M1 ) e det(M2 ) são negativos. Portanto, as bases γ1 e γ2 pertencentes
a classe B têm a mesma orientação. 
208 Geometria Analı́tica e Vetores

Proposição 4.1.3 Sejam as bases β1 ∈ A e γ1 ∈ B. Então, as bases β1 e γ1 têm


orientação oposta.

Demonstração – Sejam P1 a matriz de mudança da base β1 para a base β, escolhida


para formar a classe A, e M1 a matriz de mudança da base γ1 para a base β. Sabemos que
a matriz M1−1 é a matriz de mudança da base β para a base γ1 . Assim, a matriz P1 M1−1
é a matriz de mudança da base β1 para a base γ1 . Desse modo, tem–se

det(P1 )
det(P1 M1−1 ) = < 0 ,
det(M1 )

uma vez que det(P1 ) é positivo e det(M1 ) é negativos. Portanto, as bases β1 ∈ A e


γ1 ∈ B têm orientação oposta. 

Proposição 4.1.4 A formação das classes A e B, para separar as bases do espaço de


vetores V 3 , não dependem da escolha inicial da base β ∈ V 3 para obter a classe A.

Demonstração – Considere que a formação das classes A′ e B ′ , para separar as bases do


espaço de vetores V 3 , obtidas através da escolha da base β ′ .

Inicialmente vamos considerar que as bases β e β ′ têm a mesma orientação, isto é, a matriz
P de mudança da base β para a base β ′ tem o determinante positivo, bem como a matriz
P −1 de mudança da base β ′ para a base β tem o determinante positivo.

Considere uma base qualquer γ ′ pertencente a classe A′ . Assim, as bases β ′ e γ ′ tem a


mesma orientação. Desse modo, as bases γ ′ e β têm a mesma orientação, pela propriedade
transitiva, uma vez que ter a mesma orientação é uma classe de equivalência, veja o item (c)
do Exercı́cio 4.2.6. Logo, a base γ ′ pertence a classe A. Portanto, mostramos que a classe
A′ está contida na classe A.

De modo análogo, considere uma base qualquer γ pertencente a classe A. Assim, as bases
β e γ tem a mesma orientação. Desse modo, as bases γ e β ′ têm a mesma orientação, pela
propriedade transitiva, uma vez que ter a mesma orientação é uma classe de equivalência,
veja o item (c) do Exercı́cio 4.2.6. Logo, a base γ pertence a classe A′ . Assim, mostramos
que a classe A está contida na classe A′ . Portanto, mostramos que as classes A e A′ são
iguais, assim como as classes B e B ′ também são iguais.

Finalmente, considerando que as bases β e β ′ têm a orientação oposta, isto é, a matriz P
de mudança da base β para a base β ′ tem o determinante negativo, bem como a matriz
P −1 de mudança da base β ′ para a base β tem o determinante negativo. De maneira
análoga, podemos mostrar agora que as classes A e B ′ são iguais, assim como as classes
B e A′ também são iguais, o que completa a demonstração. 
Petronio Pulino 209

Definição 4.1.2 Sejam as classes A e B formadas para separar as bases do espaço de


vetores V 3 . Dizemos que o espaço de vetores V 3 está orientado escolhendo a classe A, ou
a classe B, para orientar o espaço de vetores V 3 . As bases pertencentes a classe escolhida
para orientar o espaço V 3 são denominadas bases positivas, e as bases pertencentes a
outra classe são denominadas bases negativas.

É muito importante a orientação do espaço de vetores V 3 na definição do produto vetorial.


Vamos entender essa importância com a seguinte colocação.

Problema 4.1 Considere que a caracterização da orientação do espaço de vetores V 3 fica


dada pela base ortonormal γ = { ~q1 , ~q2 , ~q3 }. Dados dois vetores ~u, ~v ∈ V 3 linearmente
independentes, determinar um vetor w ~ ∈ V 3 satisfazendo as seguintes propriedades:

(a) O vetor w~ deve ser ortogonal simultaneamente aos vetores ~u e ~v , isto é, o vetor w
~
deve ser ortogonal ao plano que contém os vetores ~u e ~v , como ilustra a Figura 4.6.

(b) A norma do vetor w ~ deve ser igual a área do paralelogramo definido pelos vetores ~u
e ~v , como ilustra a Figura 4.6.

w1
6

~v - π
 

Or -
~u

?
w2

Figura 4.6: Interpretação Geométrica para o Problema 4.1

Verificamos facilmente que as condições (a) e (b) impostas ao vetor w ~ não são suficientes
para que o Problema 4.1 tenha solução única. De fato, a primeira condição é satisfeita para
um número infinito de vetores de V 3 . Impondo a segunda condição, o Problema 4.1 fica
com duas soluções, que são os vetores w
~1 e w~ 2 que ilustramos na Figura 4.6.

Desse modo, necessitamos impor mais uma condição ao Problema 4.1, para determinar o
vetor w ~ de modo único. Essa condição será fornecida pela orientação do espaço de vetores
3
V , isto é, devemos pedir que o conjunto γ ′ = { ~u, ~v , w
~ } e a base ortonormal γ tenham a
mesma orientação. Podemos ver facilmente que o conjunto γ ′ é linearmente independente.
Portanto, γ ′ é uma base positiva. Acredito que nesse momento estamos preparados para
apresentar um estudo sobre o produto vetorial de dois vetores de V 3 , que será realizado na
seção 4.3.
210 Geometria Analı́tica e Vetores

Exemplo 4.1.6 Considere a base ordenada γ1 = { ~u1 , ~u2 , ~u3 }, onde


~u1 = (1, 0, 1) , ~u2 = (0, 1, 0) e ~u3 = (1, 0, −1) ,
e a base ordenada γ2 = { ~v1 , ~v2 , ~v3 }, onde
~v1 = (1, −2, −3) , ~v2 = (−1, 1, 2) e ~v3 = (1, 2, −2) ,
para o espaço de vetores V 3 . Verifique se as bases ordenadas γ1 e γ2 têm a mesma
orientação, ou têm orientação oposta.
Resolução – Vamos analisar o sinal do determinante da matriz P de mudança da base
γ2 para a base γ1 . Como γ1 é uma base ortogonal, podemos escrever os elementos da base
γ2 em função dos elementos da base γ1 da seguinte forma:
h ~v1 , ~u1 i h ~v1 , ~u2 i h ~v1 , ~u3 i
~v1 = ~u1 + ~u2 + ~u3
h ~u1 , ~u1 i h ~u2 , ~u2 i h ~u3 , ~u3 i

2 2 4
= − (1, 0, 1) − (0, 1, 0) + (1, 0, −1)
2 1 2

h ~v2 , ~u1 i h ~v2 , ~u2 i h ~v3 , ~u2 i


~v2 = ~u1 + ~u2 + − ~u3
h ~u1 , ~u1 i h ~u2 , ~u2 i h ~u3 , ~u3 i

1 1 3
= (1, 0, 1) + (0, 1, 0) − (1, 0, −1)
2 1 1

h ~v3 , ~u1 i h ~v3 , ~u2 i h ~v3 , ~u3 i


~v3 = ~u1 + ~u2 + ~u3
h ~u1 , ~u1 i h ~u2 , ~u2 i h ~u3 , ~u3 i

1 2 3
= − (1, 0, 1) + (0, 1, 0) + (1, 0, −1)
2 1 2
Assim, a matriz P de mudança da base γ2 para a base γ1 é dada por:
1 1
 
−1 −

 2 2
3 3 3 3
P = −2 1 2
 
 =⇒ det(P ) = − + 2 − − 3 + + 1 = − < 0 .


 2 2 2 2
 3 3 
2 −
2 2
Portanto, as bases γ1 e γ2 têm orientação oposta, uma vez que o determinante da matriz
de mudança de base P tem sinal negativo.

Exemplo 4.1.7 Considere a base ordenada γ = { ~u1 , ~u2 , ~u3 }, onde


~u1 = (1, 0, −1) , ~u2 = (0, 1, 0) e ~u3 = (1, 0, 1) ,
e a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1) ,
para o espaço de vetores V 3 . Verifique se as bases ordenadas γ e β têm a mesma
orientação, ou têm orientação oposta, analisando os dois critérios apresentados.
Resolução – A resolução pode ficar a cargo do leitor.
Petronio Pulino 211

4.2 Exercı́cios
Exercı́cio 4.2.1 Considere as bases ordenadas para o espaço de vetores V 3 , β = { ~v1 , ~v2 , ~v3 }
e γ = {w ~1 , w ~ 3 }, cuja matriz P de mudança da base β para a base γ é dada por:
~2 , w
 
−1 1 0
P =  1 0 1 .
 

0 1 −1

Verifique se as bases β e γ têm mesma orientação ou orientação oposta.

Exercı́cio 4.2.2 Considere as bases ordenadas para o espaço de vetores V 3 , γ = { ~v1 , ~v2 , ~v3 }
e β = {w ~1 , w ~ 3 }, cujos vetores estão relacionados da forma:
~2 , w

 w
 ~ 1 = −~v1 + ~v2 + ~v3
~2 =
w ~v1 − ~v2 + ~v3

~3 =
w ~v1 + ~v2

Verifique se as bases γ e β têm mesma orientação ou orientação oposta.

Exercı́cio 4.2.3 Considere as bases ordenadas para o espaço de vetores V 3 , γ = { ~u, ~v , w


~}
e β = {~u, ~v , ~r}. Sabendo–se que as base γ e β têm orientação oposta e que os vetores
~r e w ~ têm a mesma direção, isto é, ~r = λw,
~ e normas iguais, determine o valor do
parâmetro λ.

Exercı́cio 4.2.4 Considere as bases ordenadas para o espaço de vetores V 3 , γ = { ~u, ~v , w


~}
e β = {~u, ~v , ~r}. Sabendo–se que as base γ e β têm a mesma orientação e que os vetores
~r e w ~ têm a mesma direção, isto é, ~r = λw,~ e normas iguais, determine o valor do
parâmetro λ.

Exercı́cio 4.2.5 Considere as seguintes bases ordenadas para o espaço de vetores V 3

γ = { ~u, ~v , w
~} e β = {~u, ~v + 2w,
~ ~v + ~r} ,

onde os vetores ~r e w
~ têm a mesma direção, isto é, ~r = λw,
~ e normas iguais. Sabendo–se
que as base γ e β têm orientação oposta, determine os valores do parâmetro λ.

Exercı́cio 4.2.6 Sejam β, γ, α bases ordenadas para o espaço de vetores V 3 . Mostre que
ter a mesma orientação é uma relação de equivalência, isto é, têm as seguintes
propriedades:

(a) Reflexiva – A base β tem a mesma orientação da base β.

(b) Simétrica– Se a base β tem a mesma orientação da base γ, então a base γ tem a
mesma orientação da base β.

(c) Transitiva – Se a base β tem a mesma orientação da base γ, e a base γ tem a


mesma orientação da base α, então a base β tem a mesma orientação da base α.
212 Geometria Analı́tica e Vetores

4.3 Produto Vetorial


Definição 4.3.1 Considere que a orientação do espaço de vetores V 3 seja dada pela base
ortonormal β = { ~q1 , ~q2 , ~q3 }. Definimos o produto vetorial dos vetores ~u, ~v ∈ V 3 , que
denotamos pelo vetor ~u ∧ ~v ∈ V 3 , da seguinte forma:

(a) Se os vetores ~u e ~v são linearmente dependentes, então ~u ∧ ~v = ~0.

(b) Se os vetores ~u e ~v são linearmente independentes, então o vetor ~u ∧ ~v ∈ V 3 terá


as seguintes caracterı́sticas:

1. A norma do vetor ~u ∧ ~v será igual a área do paralelogramo formado pelos vetores


~u e ~v , isto é,
k ~u ∧ ~v k = k ~u kk ~v k sin θ , (4.1)
onde θ é medida do ângulo entre os vetores ~u e ~v , e h = k ~v k sin θ é a altura
do paralelogramo, como ilustra a Figura 4.7.

~v -
 
....
... h
...θ
...
r . -
~u

Figura 4.7: Paralelogramo definidos pelos vetores ~u e ~v

2. O vetor ~u ∧ ~v é ortogonal aos vetores ~u e ~v , isto é, o vetor ~u ∧ ~v é ortogonal


ao plano que contém os vetores ~u e ~v , como ilustra a Figura 4.8.
3. O conjunto de vetores { ~u, ~v , ~u ∧ ~v } ⊂ V 3 é uma base positiva para o espaço de
vetores V 3 , isto é, tem a mesma orientação da base escolhida para orientar V 3 .

~u ∧ ~v
6

~v - π
 
....
... h
...θ
...
r . -
O ~u

Figura 4.8: Interpretação Geométrica do Produto Vetorial


Petronio Pulino 213

Teorema 4.3.1 Considere que a orientação do espaço de vetores V 3 seja dada pela base
ortonormal β = { ~q1 , ~q2 , ~q3 }. Dados os vetores ~u, ~v ∈ V 3 cujas matrizes de coordenadas
com relação à base ordenada β são expressas, respectivamente, por:
   
a1 a2
[~u]β =  b1  e [~v ]β =  b2  . (4.2)
   

c1 c2

Então, o produto vetorial dos vetores ~u e ~v é calculado da seguinte forma:



~q1 ~q2 ~q3


~u ∧ ~v = a1 b1 c1 , (4.3)

a2 b2 c2

onde o determinante é interpretado formalmente da seguinte maneira:



b1 c 1 a1 c 1 a1 b 1
~u ∧ ~v = ~q −
a2 c2 ~q2 + a2 b2 ~q3 . (4.4)
b2 c2 1

Note que o termo da direita da equação (4.4) pode ser escrito da seguinte forma:

~u ∧ ~v = (b1 c2 − b2 c1 ) ~q1 + (a2 c1 − a1 c2 ) ~q2 + (a1 b2 − a2 b1 ) ~q3 . (4.5)

Demonstração – Basicamente devemos mostrar que o vetor w ~ dado da forma:



b1 c 1 a1 c 1 a1 b 1
~ =
w ~q −
a2 c2 ~q2 + a2 b2 ~q3 , (4.6)
b2 c 2 1

tem as mesmas propriedades do vetor ~u ∧ ~v descritas na Definição 4.3.1 de produto vetorial


dos vetores ~u e ~v , isto é, w
~ = ~u ∧ ~v .

(a) Se os vetores ~u, ~v ∈ V 3 são linearmente dependentes, isto é, ~u = λ~v ou ~v = λ~u,
podemos verificar facilmente que todos os determinantes na equação 4.6 são nulos. Portanto,
mostramos que o vetor w ~ = ~0 = ~u ∧ ~v .

(b) Considere que os vetores ~u, ~v ∈ V 3 são linearmente independentes. Vamos mostrar
que o vetor w
~ tem as mesmas caracterı́sticas do vetor ~u ∧ ~v descritas na Definição 4.3.1.

1. Devemos mostrar que k w ~ k = k ~u ∧ ~v k. Para isso, vamos calcular o quadrado da norma


dos respectivos vetores. Tomando a equação (4.6), tem–se:

b1 c 1 2 a1 c1 2 a1 b1 2

2
kw
~k = a2 c2 + a2 b2
+
b2 c 2
(4.7)
= (b1 c2 − b2 c1 )2 + (a2 c1 − a1 c2 )2 + (a1 b2 − a2 b1 )2 .
214 Geometria Analı́tica e Vetores

Vamos calcular o quadrado da norma do vetor ~u ∧ ~v . Tomando a equação (4.1), tem–se:

k ~u ∧ ~v k2 = k ~u k2 k ~v k2 (sin θ)2

= k ~u k2 k ~v k2 ( 1 − (cos θ)2 )
(4.8)
2 2 2 2 2
= k ~u k k ~v k − k ~u k k ~v k cos θ)

= k ~u k2 k ~v k2 − h ~u, ~v i2

Note que podemos escrever a equação (4.8) da seguinte forma:

k ~u ∧ ~v k2 = ( (a1 )2 + (b1 )2 + (c1 )2 )( (a2 )2 + (b2 )2 + (c2 )2 ) − ( a1 a2 + b1 b2 + c1 c2 )2 . (4.9)

O primeiro termo do lado direito da equação (4.9) pode ser escrito da forma:

(a1 a2 )2 + a21 b22 + a21 c22 + b21 a22 + (b1 b2 )2 + b21 c22 + c21 a22 + c21 b22 + (c1 c2 )2 . (4.10)

O segundo termo do lado direito da equação (4.9) pode ser escrito da forma:

−(a1 a2 )2 − 2a1 b2 a2 b1 − 2a1 c2 a2 c1 − (b1 b2 )2 − 2b1 c2 b2 c1 − (c1 c2 )2 . (4.11)

Somando as expressões dadas em (4.10) e (4.11), cancelando os termos iguais e agrupando


adequadamente os termos restantes, obtemos

k ~u ∧ ~v k2 = (b1 c2 − b2 c1 )2 + (a2 c1 − a1 c2 )2 + (a1 b2 − a2 b1 )2 . (4.12)

Portanto, das equações (4.7) e (4.12), mostramos que

~ k2 = k ~u ∧ ~v k2
kw ⇐⇒ kw
~ k = k ~u ∧ ~v k . (4.13)

2. Vamos mostrar que o vetor w


~ é ortogonal aos vetores ~u e ~v , isto é,

h w,
~ ~u i = 0 e h w,
~ ~v i = 0 .

Note que os vetores w,


~ ~u e ~v são escritos com relação à base ortonormal β da forma:

b1 c1 a1 c 1 a1 b 1
~ =
w ~q −
a2 c2 ~q2 + a2 b2 ~q3
b2 c2 1

~u = a1 ~q1 + b1 ~q2 + c1 ~q3 (4.14)

~v = a2 ~q1 + b2 ~q2 + c2 ~q3


Petronio Pulino 215

Assim, o produto escalar entre os vetores w ~ e ~u é dado por:



b1 c1 a1 c1 a1 b 1
h w,
~ ~u i = a −
a2 c2 b1 + a2 b2 c1
b2 c2 1


a1 b 1 c 1
(4.15)

= a1 b1 c1 = 0

a2 b 2 c 2

provando que os vetores w


~ e ~u são ortogonais.

De modo análogo, o produto escalar entre os vetores w ~ e ~v é dado por:



b1 c 1 a1 c1 a1 b 1
h w,
~ ~u i = a − b + c
b2 c 2 2 a2 c2 2 a2 b 2 2


a2 b 2 c 2
(4.16)

= a1 b1 c1 = 0

a2 b 2 c 2

provando que os vetores w ~ e ~v são ortogonais. Portanto, mostramos que o vetor w ~ é


ortogonal aos vetores ~u e ~v , isto é, o vetor w
~ é paralelo aos vetores ~u e ~v .

3. Consideramos que os vetores ~u e ~v são linearmente independentes, e provamos que o


vetor w
~ é ortogonal aos vetores ~u e ~v . Logo, o conjunto γ = { ~u, ~v , w
~ } é linearmente
independente no espaço de vetores V . Assim, γ é uma base para o espaço V 3 .
3

Vamos mostra agora que o conjunto γ = { ~u, ~v , w


~ } é uma base positiva, isto é, tem a
mesma orientação da base ortonormal β. Desse modo, os vetores w
~ e ~u ∧ ~v tem o mesmo
sentido, provando que ~u ∧ ~v = w.
~

Para mostrar que as bases β e γ têm a mesma orientação, vamos analisar o sinal do
determinante da matriz P de mudança da base γ para a base β.

Das relações entre os vetores das bases γ e β, dadas em (4.14), temos que a matriz de
mudança de base é representada da seguinte forma:
 
b1 c 1
 a 1 a2

b2 c 2 
 
 
 
 a1 c 1 
P =   b 1 b 2 − a2 c 2 
 (4.17)
 
 
 
 a1 b 1 
c1 c2
a2 b 2
216 Geometria Analı́tica e Vetores

Desenvolvendo o determinante da matriz P pela terceira coluna, tem–se:



b1 b2 b1 c 1 a1 a2 a1 c1 a1 a2 a1 b1
det(P ) = +
+

c1 c 2 b2 c2 c1 c2 a2 c2 b 1 b 2 a2 b 2
(4.18)
b1 c1 2 a1 c1 2 a1 b 1 2

= + ~ k2 > 0 ,
a2 c2 + a2 b2 = k w

b2 c2

provando que as bases β = { ~q1 , ~q2 , ~q3 } e γ = { ~u, ~v , w


~ } têm a mesma orientação.
Portanto, os vetores w
~ e ~u ∧ ~v tem o mesmo sentido, provando que w ~ = ~u ∧ ~v , o que
completando a demonstração. 

Exemplo 4.3.1 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }, onde ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1). Calcule o
produto vetorial dos vetores ~u = (1, 0, 1) e ~v = (2, 1, −1).

Resolução – Sabemos que o produto vetorial dos vetores ~u e ~v , relativamente à base


base canônica β, é calculado da seguinte forma:

~e1 ~e2 ~
e 3



~u ∧ ~v = 1 0
1 = −~e1 + 3~e2 + ~e3 = (−1, 3, 1) .

2 1 −1

uma vez que as matrizes de coordenadas dos vetores ~u e ~v com relação à base canônica β
são expressas, respectivamente, por:
   
1 2
[~u]β = 0
  e [~v ]β =  1 .
1 −1

Exemplo 4.3.2 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
β = { ~q1 , ~q2 , ~q3 }. Dados os vetores ~u, ~v ∈ V 3 cujas matrizes de coordenadas com relação
à base ordenada β são expressas, respectivamente, por:
   
a1 a2
[~u]β =  b1  e [~v ]β =  b2  ,
   

c1 c2

podemos verificar facilmente que ~u ∧ ~v = −~v ∧ ~u.

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 4.3.3 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }. Determine a área do triângulo formado pelos vetores

~u = (1, 1, 1) e ~v = (1, −1, 1) .

Resolução – A resolução pode ficar a cargo do leitor.


Petronio Pulino 217

Exemplo 4.3.4 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }, onde ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1). Calcule o
produto vetorial dos vetores ~u = (1, 2, 3) e ~v = (1, 1, 1).

Resolução – Sabemos que o produto vetorial dos vetores ~u e ~v , relativamente à base


canônica β, é calculado da seguinte forma:

~e1 ~e2 ~e3


~u ∧ ~v = 1 2 3 = −~e1 + 2~e2 − ~e3 = (−1, 2, −1) ∈ V 3 .
(4.19)

1 1 1

uma vez que as matrizes de coordenadas dos vetores ~u e ~v com relação à base canônica β
são expressas, respectivamente, por:
   
1 1
[~u]β = 2
  e [~v ]β = 1 .

3 1

Exemplo 4.3.5 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
γ = { ~q1 , ~q2 , ~q3 }, onde
√ √
2 2
~q1 = (1, 0, −1) , ~q2 = (0, 1, 0) e ~q3 = (1, 0, 1)
2 2
Dados os vetores ~u = (1, 2, 3), ~v = (1, 1, 1) ∈ V 3 cujas matrizes de coordenadas com
relação à base ordenada γ são dadas por:
 √   
− 2 0
[~u]γ =  2  e [~v ]γ =  1  .
   
√ √
2 2 2

Determine o produto vetorial dos vetores ~u e ~v , relativamente à base ortonormal γ.

Resolução – Sabemos que o produto vetorial dos vetores ~u e ~v , relativamente à base


ortonormal γ, é calculado da seguinte forma:

~q1 ~q2 ~q3
√ √ √

~u ∧ ~v = − 2 2 2 2 = 0~u1 + 2~u2 − 2~u3 = (−1, 2, −1) ∈ V 3 . (4.20)

0 1 2

É importante observar nos Exemplos 4.3.4 e 4.3.5 que β e γ são duas bases positivas para
o espaço de vetores V 3 , isto é, as bases β e γ têm a mesma orientação, veja a resolução
do Exemplo 4.1.7. Assim, os vetores ~u ∧ ~v ∈ V 3 dados pelas equações (4.19) e (4.20),
são iguais. Desse modo, fica evidente a importância da orientação do espaço de vetores
V 3 para a definição e para o cálculo do produto vetorial. Gostaria de ressaltar que o fato
exemplificado nos Exemplos 4.3.4 e 4.3.5 nada mais é que uma consequência da propriedade
3(c) da Definição 4.3.1 de produto vetorial, isto é, { ~u, ~v , ~u ∧ ~v } é uma base positiva.
218 Geometria Analı́tica e Vetores

Teorema 4.3.2 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 e λ ∈ IR tem–se
β = { ~q1 , ~q2 , ~q3 }. Para quaisquer vetores ~u, ~v , w

(a) ~u ∧ (~v + w)
~ = ~u ∧ ~v + ~u ∧ w.
~

(b) (~v + w)
~ ∧ ~u = ~v ∧ ~u + w
~ ∧ ~u.

(c) ~u ∧ (λ~v ) = (λ~u) ∧ ~v = λ(~u ∧ ~v ).

(d) ~u ∧ ~v = −~v ∧ ~u.

Demonstração – Por simplicidade considere que as matrizes de coordenadas do vetores


~ ∈ V 3 com relação à base ordenada β são expressas, respectivamente, por:
~u, ~v , w
     
a1 a2 a3
[~u]β =  b1  , [~v ]β =  b2  e [w]
~ β =  b3  .
c1 c2 c3

A prova segue do cálculo formal do produto vetorial e das propriedades de determinante. 

Exemplo 4.3.6 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
β = { ~q1 , ~q2 , ~q3 }. Prove que

k ~u ∧ ~v k2 + h ~u, ~v i2 = k ~u k2 k ~v k2 , (4.21)

para todo ~u, ~v ∈ V 3 , denominada Identidade de Lagrange.

Resolução – Sabemos que

k ~u ∧ ~v k = k ~u kk ~v k sin(θ) e h ~u, ~v i = k ~u kk ~v k cos(θ) . (4.22)

onde θ é a medida do ângulo entre os vetores ~u e ~v . Assim, obtemos

k ~u ∧ ~v k2 + h ~u, ~v i2 = k ~u k2 k ~v k2 ( sin(θ) )2 + k ~u k2 k ~v k2 ( cos(θ) )2

= k ~u k2 k ~v k2 ( ( sin(θ) )2 + ( cos(θ) )2 ) (4.23)

= k ~u k2 k ~v k2

uma vez que (sin(θ) )2 + ( cos(θ) )2 = 1, o que completa a prova.

Exemplo 4.3.7 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
β = { ~q1 , ~q2 , ~q3 }. Prove que

(a) k ~u ∧ ~v k ≤ k ~u kk ~v k para todo ~u, ~v ∈ V 3 .

(b) k ~u ∧ ~v k = k ~u kk ~v k ⇐⇒ ~u ⊥ ~v .

Resolução – A prova segue imediato da Identidade de Lagrange.


Petronio Pulino 219

Exemplo 4.3.8 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 satisfazem a condição
β = { ~q1 , ~q2 , ~q3 }. Se os vetores ~u, ~v , w

~ = ~0 ,
~u + ~v + w (4.24)

prove que ~u ∧ ~v = ~v ∧ w
~ = w
~ ∧ ~u.

Resolução – Fazendo o produto vetorial de ambos os membros da equação (4.24) pelo


vetor ~v , obtemos

~ ) ∧ ~v = ~0 ∧ ~v
( ~u + ~v + w =⇒ ~ ∧ ~v = ~0
~u ∧ ~v + ~v ∧ ~v + w =⇒ ~u ∧ ~v = ~v ∧ w
~ ,

uma vez que ~v ∧ ~v = ~0 e w


~ ∧ ~v = −~v ∧ w.
~

Finalmente, fazendo o produto vetorial de ambos os membros da equação (4.24) pelo vetor
~ obtemos
w,

( ~u + ~v + w ~ = ~0 ∧ ~v
~ )∧w =⇒ ~u ∧ w
~ + ~v ∧ w
~ +w ~ = ~0
~ ∧w =⇒ ~v ∧ w
~ = w
~ ∧ ~u ,

uma vez que w ~ = ~0 e ~u ∧ w


~ ∧w ~ = −w
~ ∧ ~u, o que completa a prova.

Exemplo 4.3.9 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ~r ∈ V 3 satisfazem as condições
β = { ~q1 , ~q2 , ~q3 }. Se os vetores ~u, ~v , w,

~u ∧ ~v = w
~ ∧ ~r e ~u ∧ w
~ = ~v ∧ ~r ,

prove que os vetores ~u − ~r e ~v − w


~ são linearmente dependentes.

Resolução – Considerando as condições para os vetores ~u, ~v , w,


~ ~r, tem–se

~u ∧ ~v + ~v ∧ ~r = w
~ ∧ ~r + ~u ∧ w
~ =⇒ ~u ∧ ~v − ~r ∧ ~v = −(~r ∧ w)
~ + ~u ∧ w
~

Da equação acima, obtemos

(~u − ~r) ∧ ~v = (~u − ~r) ∧ w


~ =⇒ ~ = ~0
(~u − ~r) ∧ ~v − (~u − ~r) ∧ w

Agrupando os termos da equação acima, tem–se

~ = ~0 ,
(~u − ~r) ∧ (~v − w)

provando que os vetores ~u − ~r e ~v − w


~ são linearmente dependentes.

Exemplo 4.3.10 Considere que a orientação do espaço de vetores V 3 seja dada pela base
ortonormal β = { ~q1 , ~q2 , ~q3 }. Se os vetores ~u, ~v , ∈ V 3 são linearmente independentes, e

w ~ ∧ ~v = ~0
~ ∧ ~u = w para ~ ∈ V3 ,
w

~ = ~0. Apresente uma interpretação geométrica.


prove que o vetor w
220 Geometria Analı́tica e Vetores

4.4 Exercı́cios
Em todos os Exercı́cios, considere o espaço de vetores V 3 munido com o produto escalar
h · , · i , definido da seguinte forma:

h ~u, ~v i = x1 y1 + x2 y2 + x3 y3

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 . Além disso, a norma proveniente


desse produto escalar, denominada Norma Euclidiana, definida da seguinte forma:
p p
k ~u k = h ~u, ~u i = (x1 )2 + (x2 )2 + (x3 )2

para todo ~u = (x1 , x2 , x3 ) ∈ V 3 .

Considere a orientação do espaço de vetores V 3 dada pela base canônica β = { ~e1 , ~e2 , ~e3 },
onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1) .
Assim, o produto vetorial entre dois vetores do espaço V 3 fica definido da forma:

~e1 ~e2 ~e3

x 2 x 3 x1 x 3 x1 x2
~u ∧ ~v = x1 x2 x3 = ~e1 −
y1 y3 ~e2 + y1 y2 ~e3

y 2 y 3

y1 y2 y3

= (x2 y3 − x3 y2 ) ~e1 + (x3 y1 − x1 y3 ) ~e2 + (x1 y2 − x2 y1 ) ~e3

para todo ~u = (x1 , x2 , x3 ) , ~v = (y1 , y2 , y3 ) ∈ V 3 .

Exercı́cio 4.4.1 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }. Determine o vetor ~x ∈ V 3 de modo que seja ortogonal aos vetores
~u, ~v ∈ V 3 e satisfazendo a seguinte condição

h ~x, w
~i = 2 ,

onde ~u = (1, 2, 1), ~v = (−1, 1, 3) e w


~ = (1, 1, 1).

Exercı́cio 4.4.2 Considere as seguintes bases ordenadas para o espaço de vetores V 3

γ = { ~u, ~v , w
~} e β = { ~u + λ~v , ~u + ~v − 2w,
~ ~v + λw
~} .

Determine, se possı́vel, os valores do escalar λ de modo que as bases ordenadas γ e β têm


a mesma orientação.

Exercı́cio 4.4.3 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
β = { ~q1 , ~q2 , ~q3 }. Sabendo que a medida do ângulo entre os vetores ~u, ~v ∈ V 3 é igual a
π
θ = , k ~u k = 6 e k ~v k = 2, calcule k ~u ∧ ~v k.
3
Petronio Pulino 221

Exercı́cio 4.4.4 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
γ = { ~q1 , ~q2 , ~q3 }, onde
√ √
2 2
~q1 = (1, 0, 1) , ~q2 = (0, 1, 0) e ~q3 = (1, 0, −1)
2 2
Dados os vetores ~u = (1, 2, 3), ~v = (1, 1, 1) ∈ V 3

(a) Determine a matriz de coordenadas do vetor ~u com relação à base ortogonal γ.

(b) Determine a matriz de coordenadas do vetor ~v com relação à base ortogonal γ.

(b) Determine o produto vetorial dos vetores ~u e ~v , relativamente à base ortonormal γ.

(c) Comente o resultado obtido com os resultados dos Exemplos 4.3.4 e 4.3.5.

Exercı́cio 4.4.5 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }.

(a) Determine a área do paralelogramo ABCD sendo


−→ −−→
AB = (1, 1, −1) e AD = (2, 1, 4) .

(b) Mostre que a altura h de um triângulo ABC relativa ao lado AB é dada por:
−→ −→
k AB ∧ AC k
h = −→ .
k AB k

(c) Determine a distância de um ponto C à reta r que passa pelos ponto A e B.

Faça inicialmente uma representação geométrica dos problemas.

Exercı́cio 4.4.6 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }. Determine o vetor ~x ∈ V 3 satisfazendo as seguintes condições

 ~x ∧ ~u = ~0

3
 ~x  ~v =

2
onde ~u = (2, 3, 1) e ~v = (4, −2, 1).

Exercı́cio 4.4.7 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 satisfazendo a condição
β = { ~q1 , ~q2 , ~q3 }. Se os vetores ~u, ~v , w

~u ∧ ~v = ~u ∧ w
~ ,

prove que os vetores ~u e ~v − w


~ são linearmente dependentes.
222 Geometria Analı́tica e Vetores

Exercı́cio 4.4.8 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }. Dados os pontos A = (2, 0, 2), B = (3, 1, −1) e C = (1, −1, 1) do
espaço IE 3 .

(a) Determine a área do triângulo ABC.

(b) Determine a distância do ponto C à reta r que passa pelos pontos A e B.

Faça inicialmente uma representação geométrica dos problemas.

Exercı́cio 4.4.9 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }. Determine o vetor ~u ∈ V 3 satisfazendo as seguintes condições

~u ∧ ~v = w
~ e k ~u k = 3 ,

onde ~v = (0, 1, 1) e w
~ = (−2, −1, 1).

Exercı́cio 4.4.10 Considere a orientação do espaço de vetores V 3 dada pela base canônica
−→ −−→
β = { ~e1 , ~e2 , ~e3 }. Determine a área do triângulo ABC definido pelo vetores AB e BC
dados por:
−→ −−→
AB = (1, −1, 1) e BC = (−1, 1, 2) ,
como ilustra a Figura 4.9.

rB
@
@
@
@
@
! R
@
!r C
!
!! !!
!!
!!!
r !!
!
A

Figura 4.9: Ilustração do triângulo ABC

Exercı́cio 4.4.11 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }. Determine o vetor ~x ∈ V 3 satisfazendo as seguintes condições

 ~x ∧ ~u = w ~
 ~x  ~v = 5

onde ~u = (1, 0, 1), ~v = (1, −1, −2) e w


~ = (−2, −2, 2).
Petronio Pulino 223

4.5 Produto Misto


Definição 4.5.1 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 , que denotamos
β = { ~q1 , ~q2 , ~q3 }. Definimos o produto misto dos vetores ~u, ~v , w
por [~u, ~v , w],
~ da seguinte forma:

[~u, ~v , w]
~ = h ~u ∧ ~v , w
~i . (4.25)

~ ∈ V 3.
Vamos apresentar uma interpretação geométrica do produto misto dos vetores ~u, ~v , w
Sabemos que a norma do vetor resultante do produto vetorial dos vetores ~u e ~v é definida
da seguinte forma:
k ~u ∧ ~v k = k ~u kk ~v k sin(θ1 ) , (4.26)
onde θ1 é a medida do ângulo entre os vetores ~u e ~v , e Ap = k ~u ∧ ~v k representa a área
do paralelogramo formado pelos vetores ~u e ~v .

A altura do paralelepı́pedo, que vamos denotar por h, é igual a norma da projeção do vetor
~ sobre a direção do vetor ~r = ~u ∧ ~v . Sabemos que a projeção do vetor w
w ~ sobre a direção
do vetor ~r = ~u ∧ ~v é o vetor dado por:
−−→ h ~u ∧ ~v , w
~i
proj ~r (w)
~ = ~u ∧ ~v (4.27)
k ~u ∧ ~v k2
Assim, a norma do vetor projeção é dada por:
−−→ | h ~u ∧ ~v , w
~ i| | h ~u ∧ ~v , w
~ i|
h = k proj ~r (w)
~ k = k ~
u ∧ ~
v k = . (4.28)
k ~u ∧ ~v k2 k ~u ∧ ~v k
Sabemos que o volume do paralelepı́pedo, que vamos denotar por Vp , é igual à área da base,
que é a área do paralelogramo formado pelos vetores ~u e ~v , vez sua altura. Assim, tem–se
que Vp é calculado da seguinte forma:
| h ~u ∧ ~v , w
~ i|
Vp = Ap × h = k ~u ∧ ~v k = | h ~u ∧ ~v , w
~ i | = | [~u, ~v , w]
~ | . (4.29)
k ~u ∧ ~v k



~u ∧ ~v 6 

 w
~  
6   
  
 ~v  
  
 
 
r -
~u

Figura 4.10: Interpretação Geométrica do Produto Misto

Portanto, o módulo do produto misto dos vetores ~u, ~v , w ~ ∈ V 3 representa o volume do


paralelepı́pedo formado pelos vetores ~u, ~v , w,
~ como ilustra a Figura 4.10.
224 Geometria Analı́tica e Vetores

Exemplo 4.5.1 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }, onde ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1). Calcule o
volume do paralelepı́pedo formado pelos vetores

~u = (1, 1, 1) , ~v = (2, −1, 1) e ~ = (1, 1, −1) .


w

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 4.5.2 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 mutuamente ortogonais, e sabendo que
β = { ~q1 , ~q2 , ~q3 }. Dados os vetores ~u, ~v , w
k ~u k = 4, k ~v k = 2 e k w ~ k = 3, calcule [~u, ~v , w].
~

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 4.5.3 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 de modo que o vetor w
β = { ~q1 , ~q2 , ~q3 }. Dados os vetores ~u, ~v , w ~ é ortogonal aos
π
vetores ~u e ~v , a medida do ângulo entre os vetores ~u e ~v é igual a θ = . Sabendo que
4
k ~u k = 6, k ~v k = 2 e k w ~ k = 2, calcule [~u, ~v , w].
~

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 4.5.4 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 , prove que
β = { ~q1 , ~q2 , ~q3 }. Dados os vetores ~u, ~v , w

| [~u, ~v , w]
~ | ≤ k ~u kk ~v kk w
~k . (4.30)

Em quais condições vale a igualdade?

Resolução – Através da aplicação da desigualdade de Cauchy–Schwarz, obtemos

| [~u, ~v , w]
~ | = | h ~u ∧ ~v , w
~ i | ≤ k ~u ∧ ~v kk w
~k . (4.31)

No Exemplo 4.3.7, mostramos que k ~u ∧ ~v k ≤ k ~u kk ~v k, consequência da Identidade de


Lagrange. Desse modo, substituindo na desigualdade acima, obtemos

| [~u, ~v , w]
~ | = | h ~u ∧ ~v , w
~ i | ≤ k ~u ∧ ~v kk w
~ k ≤ k ~u kk ~v kk w
~k . (4.32)

Sabemos que vale a igualdade em Cauchy–Schwarz se, e somente se, os vetores ~u ∧ ~v e w ~


são linearmente dependentes, isto é, ~u ∧ ~v = λw
~ ou w
~ = λ(~u ∧ ~v ) para algum λ ∈ IR.

No mesmo Exemplo 4.3.7, mostramos que k ~u ∧ ~v k = k ~u kk ~v k ⇐⇒ ~u ⊥ ~v , consequência


da Identidade de Lagrange. Portanto, com as duas condições descritas acima, isto é, os
vetores ~u, ~v , w
~ são mutuamente ortogonais, obtemos a igualdade

| [~u, ~v , w]
~ | = | h ~u ∧ ~v , w
~ i | = k ~u ∧ ~v kk w
~ k = k ~u kk ~v kk w
~k , (4.33)

o que completa a prova.


Petronio Pulino 225

Teorema 4.5.1 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 cujas matrizes de coordenadas com
β = { ~q1 , ~q2 , ~q3 }. Dados os vetores ~u, ~v , w
relação à base ordenada β são expressas, respectivamente, por:
     
a1 a2 a3
[~u]β =  b1  , [~v ]β =  b2  e [w]
~ β =  b3  . (4.34)
     

c1 c2 c3

Então, o produto misto dos vetores ~u, ~v e w ~ é calculado da seguinte forma:



a1 b1 c1


[~u, ~v , w]
~ = a2 b2 c2 . (4.35)



a3 b3 c3

Demonstração – Sabemos que o produto vetorial dos vetores ~u e ~v , relativo à base


ortonormal β, é calculado da seguinte forma:

~q1 ~q2 ~q3

b 1 c 1 a1 c 1
~q2 + a1 b1 ~q3

~u ∧ ~v = a1 b1 c1 =
~q1 − (4.36)
b 2 c 2
a2 c 2 a2 b2
a2 b2 c2

Em seguida vamos calcular o produto escalar entre os vetores ~u ∧ ~v e w.


~ Sabemos que o
vetor w
~ é escrito da seguinte forma:

~ = a3 ~q1 + b3 ~q2 + c3 ~q3 ,


w (4.37)

assim, obtemos

a1 b1 c1

b1 c 1 a1 c 1 a b1
b3 + 1

[~u, ~v , w]
~ = h ~u ∧ ~v , w
~i =
a3 −
c3 = a2 b2 c2 . (4.38)

b2 c 2 a2 c 2 a2 b2

a3 b3 c3

onde o determinante foi desenvolvido pela terceira linha, o que completa a demonstração. 

Exemplo 4.5.5 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }, onde ~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1). Calcule o
produto misto dos vetores ~u = (1, 1, 1), ~v = (2, −1, 1) e w ~ = (1, 1, −1).

Resolução – Sabemos que o produto misto é calculado da forma:



1 1 1


~ = 2 −1
[~u, ~v , w] 1 = 1 + 1 + 2 + 1 + 2 − 1 = 6 .

1 1 −1
226 Geometria Analı́tica e Vetores

Teorema 4.5.2 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 . Então,
β = { ~q1 , ~q2 , ~q3 }. Sejam os vetores ~u, ~v , w

(a) [~u, ~v , w]
~ = −[~v , ~u, w]
~

(b) [~u, ~v , w]
~ = [~v , w,
~ ~u]

Demonstração – Por simplicidade, considere que as matrizes de coordenadas dos vetores


~ com relação à base ordenada β são expressas, respectivamente, por:
~u, ~v , w
     
a1 a2 a3
[~u]β = b1  , [~v ]β = b2
  e [w]
~ β = b3  .
 (4.39)
c1 c2 c3

Pelo Teorema 4.5.1, sabemos que o produto misto dos vetores ~u, ~v e w
~ é calculado
formalmente da seguinte forma:

a1 b1 c1


[~u, ~v , w]
~ = a2 b2 c2 . (4.40)

a3 b3 c3

Fazendo uso da propriedade de determinante, que cada permutação de duas linha entre si
troca o sinal do determinante. Assim, permutando a primeira linha com a segunda linha,
obtemos
a1 b1 c1 a2 b2 c2


~ = a2 b2 c2 = − a1 b1 c1 = −[~v , ~u, w]
[~u, ~v , w] ~ , (4.41)

a3 b3 c3 a3 b3 c3
em seguida realizamos a permutação da segunda linha com a terceira linha, obtendo

a1 b1 c1 a2 b2 c2


~ = a2 b2 c2 = a3 b3
[~u, ~v , w] c3 = [~v , w,
~ ~u] , (4.42)

a3 b3 c3 a1 b1 c1

o que completa a demonstração. 

Exemplo 4.5.6 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 , prove que
β = { ~q1 , ~q2 , ~q3 }. Dados os vetores ~u, ~v , w

(a) [~u, ~v , w]
~ = −[~u, w,
~ ~v ]

(b) [~u, ~v , w]
~ = [w,
~ ~u, ~v ]

(c) [~u, ~v , w]
~ = −[w,
~ ~v , ~u]

Resolução – A resolução pode ficar a cargo do leitor.

É importante observar que tanto o Teorema 4.5.2 quanto o Exemplo 4.5.6 mostram que no
produto misto a permutação de dois vetores entre si causa a troca de sinal.
Petronio Pulino 227

4.6 Exercı́cios
Exercı́cio 4.6.1 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 satisfazem a condição
β = { ~q1 , ~q2 , ~q3 }. Se os vetores ~u, ~v , w

~u ∧ ~v + ~v ∧ w ~ ∧ ~u = ~0 ,
~ + w

então, os vetores ~u, ~v , w


~ são linearmente dependentes, isto é,

~ = ~0 ,
a~u + b~v + cw

onde os escalares a, b, c ∈ IR são não todos nulos.

Exercı́cio 4.6.2 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 , prove a identidade
β = { ~q1 , ~q2 , ~q3 }. Dados os vetores ~u, ~v , w

[~u, ~v , (w
~ + a~u + b~v )] = [~u, ~v , w]
~ ,

para quaisquer escalares a, b ∈ IR.

Exercı́cio 4.6.3 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }, onde

~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1) .

Calcule o produto misto dos vetores ~u = (1, −1, 2), ~v = (2, −2, 1) e w
~ = (3, −1, 2).

Exercı́cio 4.6.4 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }. Determine o volume do paralelepı́pedo definido pelos vetores

~u = (−1, −3, 1) , ~v = (1, 0, 1) e ~ = (2, 1, 1) .


w

Exercı́cio 4.6.5 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 são linearmente dependentes se, e
β = { ~q1 , ~q2 , ~q3 }. Mostre que os vetores ~u, ~v , w
somente se, o produto misto dos vetores ~u, ~v , w ~ é nulo, isto é,

[~u, ~v , w]
~ = h ~u ∧ ~v , w
~i = 0.

Faça uma interpretação geométrica.

Exercı́cio 4.6.6 Considere a orientação do espaço de vetores V 3 dada pela base ortonormal
~ ∈ V 3 de modo que o vetor w
β = { ~q1 , ~q2 , ~q3 }. Dados os vetores ~u, ~v , w ~ é ortogonal aos
π
vetores ~u e ~v , a medida do ângulo entre os vetores ~u e ~v é igual a θ = . Sabendo que
6
k ~u k = 4, k ~v k = 2 e k w ~ k = 2, calcule [~u, ~v , w].
~

Exercı́cio 4.6.7 Considere a orientação do espaço de vetores V 3 dada pela base canônica
β = { ~e1 , ~e2 , ~e3 }. Determine o volume do paralelepı́pedo definido pelos vetores

~u = (−1, −3, 1) , ~v = (1, 0, 1) e ~ = (2, 1, 1) .


w
228 Geometria Analı́tica e Vetores
Petronio Pulino Geometria Analı́tica e Vetores

Estudo da Reta no Espaço


5
Conteúdo
5.1 Equação Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
5.2 Posição Relativa de Reta e Reta . . . . . . . . . . . . . . . . . . 235
5.3 Ângulo entre Retas . . . . . . . . . . . . . . . . . . . . . . . . . . 238
5.4 Distância de Ponto a Reta . . . . . . . . . . . . . . . . . . . . . . 243
5.5 Distância entre Reta e Reta . . . . . . . . . . . . . . . . . . . . . 249
5.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255

229
230 Geometria Analı́tica e Vetores

5.1 Equação Vetorial


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), e com o sistema ortogonal de coordenadas
para o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o
sistema ortogonal de coordenadas.

Definição 5.1.1 (Equação Vetorial) Sejam uma reta r ⊂ IE 3 , um ponto P ∈ r e um


vetor não–nulo ~v paralelo a reta r. Então, um ponto qualquer X ∈ r é escrito da forma:

r: X = P + λ ~v para λ ∈ IR , (5.1)

como ilustra a Figura 5.1. O vetor ~v é denominado vetor diretor da reta r.


r
6 



X 
1
s
λ ~v 

P 
s



~e3
6
1~

 v
 

s  -
0 -
! ~e2
!

!
~e
! 1
!
!
!
!
!
!

Figura 5.1: Reta contida no espaço tridimensional IE 3 .

Note que o ponto P tem como função indicar a posição exata da reta r no espaço e o
vetor diretor ~v determina a direção da reta r. Assim, qualquer ponto X ∈ r fica bem
determinado pelo valor do parâmetro λ ∈ IR.

Podemos verificar facilmente, pela própria Definição 5.1.1 da equação vetorial de uma reta,
que a reta r pode ser representada por mais de uma equação vetorial. De fato, considere
um outro ponto P ′ ∈ r e um outro vetor w ~ como vetor diretor da reta r. Assim, podemos
escrever qualquer ponto X ∈ r da seguinte forma:

r: X = P′ + λw
~ para λ ∈ IR . (5.2)

Portanto, as equações (5.1) e (5.1) são duas equações vetoriais que representam a mesma
reta r ⊂ IE 3 . É importante observar que quando o parâmetro λ percorre todo o conjunto
dos números reais, o ponto X percorre toda a reta r.
Petronio Pulino 231

Exemplo 5.1.1 Determine uma equação vetorial da reta r ⊂ IE 3 tendo como vetor diretor
~v = (1, 2, 3) e que passa pelo ponto P = (1, −2, 1).

Resolução – Pela equação vetorial da reta r, dada pela equação (5.1), sabemos que
qualquer ponto X ∈ r é escrito da seguinte forma:

r: X = (1, −2, 1) + λ (1, 2, 3) para λ ∈ IR ,

onde o vetor ~v = (1, 2, 3) é o vetor diretor da reta r.

Exemplo 5.1.2 Determine uma equação vetorial da reta r ⊂ IE 3 que passa pelos pontos
A = (1, 0, 4) , B = (3, 1, 2) ∈ IE 3 .
−→
Resolução – Podemos tomar como vetor diretor da reta r tanto o vetor ~v = AB quanto
−→
o vetor diretor w
~ = BA. Além disso, podemos indicar a posição da reta r no espaço
escolhendo tanto o ponto A quanto o ponto B. Assim, uma equação vetorial da reta
r ⊂ IE 3 pode ser escrita da seguinte forma:

r: X = A + λw
~ =⇒ r: X = (1, 0, 4) + λ (−2, −1, 2) ,

para λ ∈ IR.

Definição 5.1.2 Sejam uma reta r ⊂ IE 3 , um ponto P = (xo , yo , zo ) ∈ r e um vetor


não–nulo ~v = (a, b, c) paralelo a reta r. Então, um ponto qualquer X = (x, y, z) ∈ r é
escrito da seguinte forma:

r: (x, y, z) = (xo , yo , zo ) + λ (a, b, c) para λ ∈ IR , (5.3)

que podem ser reescritas da forma:




 x = xo + λ a


r: y = yo + λ b para λ ∈ IR , (5.4)



z = zo + λ c

denominadas equações paramétricas da reta r ⊂ IE 3 .

Considerando os escalares a, b, c não–nulos nas equações paramétricas (5.4) da reta r,


podemos reescreve–las da seguinte forma:
x − xo y − yo z − zo
r: = = , (5.5)
a b c
denominadas equações simétricas da reta r ⊂ IE 3 .
232 Geometria Analı́tica e Vetores

Exemplo 5.1.3 Determine equações paramétricas e equações simétricas da reta r que tem
como vetor diretor ~v = (1, 2, 3) e que passa pelo ponto P = (1, −2, 1).

Resolução – Tanto as equações paramétricas quanto as equações simétricas têm origem na


equação vetorial da reta r. Assim, vamos escrever a equação vetorial da reta r, dada pela
equação (5.1). Sabemos que qualquer ponto X ∈ r é escrito da seguinte forma:

r: X = (1, −2, 1) + λ (1, 2, 3) para λ ∈ IR ,

onde o vetor ~v = (1, 2, 3) é o vetor diretor da reta r. Desse modo, da equação vetorial
acima, escrevemos as equações paramétricas da reta r dadas por:

 x =


1 + λ
r: y = −2 + 2 λ para λ ∈ IR .


z = 1 + 3λ

De modo análogo, as equações simétricas da reta r são dadas por:


x−1 y +2 z −1
r: = = .
1 2 3

Exemplo 5.1.4 Determine equações simétricas da reta r ⊂ IE 3 que passa pelos pontos
A = (1, 0, 4) , B = (3, 1, 2) ∈ IE 3 .

Resolução – Para isso, vamos escrever a equação vetorial da reta r. Assim, podemos tomar
−→ −→
como vetor diretor da reta r tanto o vetor ~v = AB quanto o vetor diretor w ~ = BA. Além
disso, podemos indicar a posição da reta r no espaço escolhendo tanto o ponto A quanto o
ponto B. Assim, uma equação vetorial da reta r ⊂ IE 3 pode ser escrita da seguinte forma:

r: X = B + λ ~v =⇒ r: X = (3, 1, 2) + λ (2, 1, −2) ,

para λ ∈ IR. Assim, as equações simétricas da reta r são dadas por:


x−3 y −1 z −2
r: = = − .
2 1 2

Exemplo 5.1.5 Determine equações simétricas da reta r ⊂ IE 3 que passa pelos pontos
A = (1, −2, 2) , B = (3, 1, 2) ∈ IE 3 .

Resolução – A resolução pode ficar a cargo do leitor.


Petronio Pulino 233

Exemplo 5.1.6 Verifique se o ponto P = (2, −1, 4) pertence a reta r ⊂ IE 3 definida pela
seguinte equação vetorial:

r: X = (3, −1, 3) + λ (2, −3, 5) para λ ∈ IR .

Resolução – Por simplicidade, vamos escrever a equação vetorial da reta r da forma:

r: X = A + λ ~v para λ ∈ IR ,

onde A = (3, −1, 3) e ~v = (2, −3, 5). Assim, para verificar se o ponto P pertente a reta
−→
∈ r, basta verificar se os vetores AP e ~v são linearmente dependentes, isto é, se existe um
−→ −→
escalar λ ∈ IR tal que AP = λ ~v . Temos que, o vetor AP = (−1, 0, 1), assim, podemos
−→
observar facilmente que os vetores AP e ~v são linearmente independentes. Portanto, o
ponto P não pertence a reta r, isto é, não existe um escalar λ ∈ IR que satisfaz a equação
vetorial P = A + λ ~v .

Exemplo 5.1.7 Verifique se o ponto P = (5, −7, 13) pertence a reta r ⊂ IE 3 definida
pela seguinte equação vetorial:

r: X = (2, −1, 4) + λ (2, −4, 6) para λ ∈ IR .

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 5.1.8 Sejam o ponto P = (2, −1, 5) e a reta r ⊂ IE 3 definida pela seguinte
equação vetorial:

r: X = (2, −1, 4) + λ (2, −4, 6) para λ ∈ IR .

Determine um ponto Q ∈ r, se possı́vel, de modo que d(P, Q) = 3.

Resolução – Note que, qualquer ponto Q pertencente a reta r é escrito da forma:

Q = (2 + 2λ , −1 − 4λ , 4 + 6λ) para λ ∈ IR . (5.6)

Por simplicidade, vamos trabalhar com o quadrado da distância do ponto P ao ponto Q ∈ r,


para impor a condição d(P, Q) = 3. Desse modo, temos que resolver a seguinte equação:
( d(P, Q) )2 = 4 λ2 + 16 λ2 + (6λ − 1)2 = 9
= 56 λ2 − 12 λ + 1 = 9
= 56 λ2 − 12 λ − 8 = 0 ,
que é uma equação quadrática na variável λ, cujas soluções são dadas por:
1 2
λ1 = e λ2 = − .
2 7
Portanto, encontramos dois pontos, que são soluções para o problema proposto obtidos
substituindo os valores λ1 e λ2 na equação (5.6), que são dados por:
Q1 = (2 + 1 , −1 − 2 , 4 + 3) = (3, −3, 7)
   
4 8 12 18 15 40
Q2 = 2 + , −1 − , 4 + = ,− , .
7 7 7 7 7 7
234 Geometria Analı́tica e Vetores

Exemplo 5.1.9 Sejam o ponto P = (2, −1, 5) e a reta r ⊂ IE 3 definida pela seguinte
equação vetorial:

r: X = (2, −1, 4) + λ (2, −4, 6) para λ ∈ IR .

Determine a distância do ponto P à reta r, que denotamos por d(P, r), utilizando produto
vetorial. Apresente uma ilustração gráfica para auxiliar na resolução do problema.

Resolução – Na Figura 5.2 temos a ilustração do problema proposto, que vamos utilizar
para formular sua solução fazendo uso de produto vetorial.

Ps
!

! !
!
! d(P, r) !
! !
s! -!
s r
A ~u B

Figura 5.2: Ilustração para a distância do ponto P a reta r

Por simplicidade, vamos escrever a equação vetorial da reta r da forma:

r: X = A + λ ~u para λ ∈ IR ,

onde A = (2, −1, 4) e ~u = (2, −4, 6).

Sabemos que a área do triângulo ABP , que vamos denotar por AT , é expressa da forma:
1 −→ −→ 1 −→
AT = k AP ∧ AB k = k AB k × d(P, r) ,
2 2
−→ −→
onde o vetor AB = ~u, uma vez que o ponto B = A + ~u, e o vetor AP = (0, 0, 1).

Portanto, a distância do ponto P a reta r fica expressa da forma:


−→ −→ √ √
k AP ∧ AB k 20 70
d(P, r) = −→ = √ = ,
k AB k 56 14
−→ −→
uma vez que o produto vetorial dos vetores AP e AB é dado por:

~e1 ~
e 2 ~
e 3


−→ −→
AP ∧ AB = 0 0 1 = 4 ~e1 + 2 ~e2 .

2 −4 6
Petronio Pulino 235

5.2 Posição Relativa de Reta e Reta


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), e com o sistema ortogonal de coordenadas
para o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o
sistema ortogonal de coordenadas.

Definição 5.2.1 (Retas Reversas) Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (x1 , y1 , z1 ) e ~u = (a1 , b1 , c1 ), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (x2 , y2 , z2 ) e ~v = (a2 , b2 , c2 ).

−→
Então, as retas r e s são reversas se, e somente se, o conjunto γ = { ~u, ~v , AB } é
linearmente independente em V 3 , isto é, se, e somente se,

a1 b1 c1


a2 b2 c2 6= 0 .



x2 − x1 y2 − y1 z 2 − z 1

Definição 5.2.2 (Retas Concorrentes) Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (x1 , y1 , z1 ) e ~u = (a1 , b1 , c1 ), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (x2 , y2 , z2 ) e ~v = (a2 , b2 , c2 ).

−→
Então, as retas r e s são concorrentes se, e somente se, o conjunto γ = { ~u, ~v , AB } é
linearmente dependente e o conjunto γ ′ = { ~u, ~v } é linearmente independente em V 3 , isto
é, se, e somente se,

a1 b 1 c 1



a2 b2 c2 = 0 e ~u − α ~v 6= ~0 para todo α ∈ IR .



x 2 − x 1 y 2 − y 1 z 2 − z 1

De modo equivalente, dizemos que as retas r e s são concorrentes se, e somente se, são
coplanares e não são paralelas.
236 Geometria Analı́tica e Vetores

Definição 5.2.3 (Retas Paralelas) Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (x1 , y1 , z1 ) e ~u = (a1 , b1 , c1 ), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (x2 , y2 , z2 ) e ~v = (a2 , b2 , c2 ).

Então, as retas r e s são paralelas se, e somente se, exite um escalar α ∈ IR de modo
que ~u = α ~v .

Note que, se as retas r e s são paralelas, então elas podem ser distintas ou coincidentes.
Para decidir qual situação ocorre, basta tomar um ponto P pertencente a reta r e verificar
se o ponto P satisfaz, ou não, a equação vetorial que define a reta s.

Exemplo 5.2.1 Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (1, −1, 2) e ~u = (2, 3, −2), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (2, 1, −1) e ~v = (1, −2, 3). Estude a posição relativa das retas r e s.

Resolução – Podemos observar facilmente que as retas r e s não são paralelas, uma vez
que os vetores diretores ~u e ~v são linearmente independentes. Assim, devemos verificar
se as retas r e s são reversas ou concorrentes. Desse modo, temos que verificar se o
−→
conjunto γ = { ~u, ~v , AB } é linearmente independente, ou é linearmente dependente. Para
isso, basta analisar o valor do determinante abaixo.

2 3 −2


1 −2 3 = 12 + 9 − 4 − 12 + 9 − 4 = 10 .


1 2 −3
−→
Assim, concluı́mos que o conjunto γ = { ~u, ~v , AB } é linearmente independente. Portanto,
as retas r e s são reversas, de acordo com a Definição 5.2.1.
Petronio Pulino 237

Exemplo 5.2.2 Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (2, −1, 2) e ~u = (2, 3, −2), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (1, 1, −1) e ~v = (1, −2, 3). Estude a posição relativa das retas r e s.

Resolução – Podemos observar facilmente que as retas r e s não são paralelas, uma vez
que os vetores diretores ~u e ~v são linearmente independentes. Assim, devemos verificar
se as retas r e s são reversas ou concorrentes. Desse modo, temos que verificar se o
−→
conjunto γ = { ~u, ~v , AB } é linearmente independente, ou é linearmente dependente. Para
isso, basta analisar o valor do determinante abaixo.

2 3 −2


1 −2 3 = 12 − 9 − 4 − 12 + 9 + 4 = 0 .


−1 2 −3
−→
Assim, concluı́mos que o conjunto γ = { ~u, ~v , AB } é linearmente dependente. Portanto,
as retas r e s são concorrentes, de acordo com a Definição 5.2.2.

Como as retas r e s são concorrentes, sabemos que existe um único ponto P ∈ IE 3


comum à duas retas, isto é, P = r ∩ s. Assim, para determinar o ponto P devemos
resolver o seguinte sistema linear nas variáveis λ1 e λ2 :

A + λ1 ~u = B + λ2 ~v

(2, −1, 2) + λ1 (2, 3, −2) = (1, 1, −1) + λ2 (1, −2, 3)

λ1 (2, 3, −2) − λ2 (1, −2, 3) = (−1, 2, −3)

Assim, os sistema linear acima pode ser escrito da seguinte forma:




 2λ1 − λ2 = −1 
 6λ1 − 3λ2 = −3



3λ1 + 2λ2 = 2 ⇐⇒
λ2 = 1

 


−2λ1 − 3λ2 = −3

Desse modo, λ1 = 0 e λ2 = 1 é a solução do sistema linear acima. Substituindo esses


valores nas respectivas equações vetoriais, encontramos o ponto P = (2, −1, 2).
238 Geometria Analı́tica e Vetores

5.3 Ângulo entre Retas


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), com o sistema ortogonal de coordenadas para
o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o sistema
ortogonal de coordenadas, com o produto escalar h · , · i definido da seguinte forma:

h ~v , w
~ i = x1 y1 + x2 y 2 + x3 y 3

e com a norma proveniente desse produto escalar, definida da seguinte forma:


p p
k ~v k = h ~v , ~v i = (x1 )2 + (x2 )2 + (x3 )2

~ = (y1 , y2 , y3 ) ∈ V 3 .
para todo ~v = (x1 , x2 , x3 ) , w

Definição 5.3.1 (Retas Ortogonais) Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (x1 , y1 , z1 ) e ~u = (a1 , b1 , c1 ), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (x2 , y2 , z2 ) e ~v = (a2 , b2 , c2 ).

Então, as retas r e s são ortogonais se, somente se, seus vetores diretores são ortogonais,
isto é, h ~u, ~v i = 0.

Definição 5.3.2 (Retas Perpendiculares) Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (x1 , y1 , z1 ) e ~u = (a1 , b1 , c1 ), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (x2 , y2 , z2 ) e ~v = (a2 , b2 , c2 ).

Então, as retas r e s são perpendiculares se, somente se, seus vetores diretores são
ortogonais, e além disso, são retas concorrentes, isto é,

a1 b 1 c 1



h ~u, ~v i = 0 e a2 b2 c2 = 0 .



x 2 − x1 y 2 − y 1 z 2 − z 1
Petronio Pulino 239

Exemplo 5.3.1 Considere a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (2, −1, 2) e ~u = (1, 2, −1), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (1, 1, −1) e ~v = (−1, 2, 3). Verifique se as retas r e s são ortogonais. Em


caso afirmativo, verifique também se são perpendiculares.

Resolução – Observamos facilmente que os vetores diretores ~u e ~v são ortogonais, isto é,
h ~u, ~v i = 0. Assim, as retas r e s são ortogonais. Para verificar se elas são perpendiculares,
basta analisar o valor do determinante abaixo.

1 2 −1


−1 2 3 = −6 − 6 + 2 − 6 − 6 − 2 = −24 .


−1 2 −3
−→
Desse modo, o conjunto γ = { ~u , ~v , AB } é linearmente independentes. Assim, concluı́mos
que as retas r e s são reversas. Portanto, as retas r e s não são perpendiculares.

Exemplo 5.3.2 Considere a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (2, −1, 2) e ~u = (1, −2, 1), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (5, −3, 7) e ~v = (1, 2, 3). Verifique se as retas r e s são ortogonais. Em


caso afirmativo, verifique também se são perpendiculares.

Resolução – Observamos facilmente que os vetores diretores ~u e ~v são ortogonais, isto é,
h ~u, ~v i = 0. Assim, as retas r e s são ortogonais. Para verificar se elas são perpendiculares,
basta analisar o valor do determinante abaixo.

1 −2 1


1 2 3 = 10 − 18 − 2 + 6 + 10 − 6 = 0 .


3 −2 5
−→
Desse modo, o conjunto γ = { ~u , ~v , AB } é linearmente dependentes. Assim, concluı́mos
que as retas r e s são concorrentes. Portanto, as retas r e s são perpendiculares.
240 Geometria Analı́tica e Vetores

Exemplo 5.3.3 Determine uma equação vetorial da reta s que passa pelo ponto P e é
perpendicular à reta r definida pela seguinte equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde P = (3, 2, 1), A = (2, −1, 2) e ~u = (1, 2, −1).


−→
Resolução – O vetor diretor da reta s é dado pelo vetor ~v = QP , onde o ponto Q
−→ −→
pertence à reta r, de modo que os vetores ~u e P Q sejam ortogonais, isto é, h ~u, QP i = 0,
como ilustra a Figura 5.3.

Sabemos que todo ponto Q ∈ r é escrito da seguinte forma:


−→
Q = (2 + λ , −1 + 2λ , 2 − λ) =⇒ QP = (1 − λ , 3 − 2λ , −1 + λ) .

Impondo a condição de ortogonalidade dos vetores diretores, obtemos a equação


−→
h ~u, QP i = 1 − λ + 6 − 4λ + 1 + λ = 0 ⇐⇒ −6λ + 8 = 0 ,
4
cuja solução é λ = . Desse modo, o vetor diretor da reta s é dado por:
3
 
−→ 1 1 1
QP = − , ,
3 3 3

Portanto, a reta s fica definida pela seguinte equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (3, 2, 1) e ~v = (−1, 1, 1).


s
P s

6~
v

s - r
Q ~u

Figura 5.3: Ilustração do Exemplo 5.3.3


Petronio Pulino 241

Definição 5.3.3 (Ângulo entre Retas) Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR .
h πi
Então, a medida do ângulo agudo entre as retas r e s é o valor θ ∈ 0, que satisfaz
2
a equação
| h ~u, ~v i |
cos(θ) = . (5.7)
k ~u k k ~v k

Vamos apresenta um significado geométrico para a equação (5.7). Para isso, vamos denotar
por α a medida do ângulo entre os vetores diretores, que definimos como sendo o valor
α ∈ [0, π] que satisfaz a equação

h ~u, ~v i
cos(α) = .
k ~u k k ~v k

Na Figura 5.4 apresentamos uma ilustração da situação na qual o produto escalar entre
os vetores diretores é positivo
h π i ( h ~u, ~v i > 0 ). Assim, consideramos θ = α, uma vez que
cos(α) > 0 com α ∈ 0, .
2

Desseh modo, definimos a medida do ângulo entre das retas r e s como sendo o valor
πi
θ ∈ 0, que satisfaz a equação
2
h ~u, ~v i | h ~u, ~v i |
cos(θ) = = . (5.8)
k ~u k k ~v k k ~u k k ~v k

s !!
!
!
!
!
!
!
~
!
! ! v
!..!
....
! ..... θ
!
! ... - r
!
! ~u
!
!
!

Figura 5.4: Ângulo entre Retas


242 Geometria Analı́tica e Vetores

Na Figura 5.5 apresentamos uma ilustração da situação na qual o produto escalar entre os
vetores diretores é negativo
h π ( ih ~u, ~v i < 0 ). Assim, consideramos θ = π − α, uma vez que
cos(α) < 0 com α ∈ ,π .
2

Desseh modo, definimos a medida do ângulo entre das retas r e s como sendo o valor
πi
θ ∈ 0, que satisfaz a equação
2
h ~u, ~v i | h ~u, ~v i |
cos(θ) = cos(π − α) = − cos(α) = − = . (5.9)
k ~u k k ~v k k ~u k k ~v k

s !!
!
!
!
!
!
!

!
α...........
..
.. .
..
...... !
... .............. !
.
.. ~v
..... ..!
..... ! ....
! ..... θ
...
... ! r
 ... ! ! ...

~u !
!
!
!

Figura 5.5: Ângulo entre Retas

Portanto, em qualquer um das situações apresentadas,


h πi definimos a medida do ângulo entre
das retas r e s como sendo o valor θ ∈ 0, que satisfaz a equação
2
| h ~u, ~v i |
cos(θ) = . (5.10)
k ~u k k ~v k

É importante ressaltar que a medida do ângulo entre retas definida pela equação (5.10) leva
em consideração tanto retas concorrentes quanto retas reversas. Desse modo, as ilustrações
das Figuras 5.4 e 5.5 não refletem a situação de retas reversas. Assim, devem ser consideradas
como simples ilustrações.

Exemplo 5.3.4 Determine a medida em radianos do ângulo entre as retas r e s definidas


pelas equações
x−2 y −1 z +3
r: X = (1, −1, 2) + λ (−1, 0, 1) e s: = = .
2 1 1
Resolução – Os vetores diretores das retas r e s são ~u = (−1, 0, 1) e ~v = (2, 1, 1),
respectivamente. Assim, a medida do ângulo entre das retas r e s é o valor θ que satisfaz
a equação
√ √ !
| h ~u, ~v i | 1 3 3
cos(θ) = = √ √ = =⇒ θ = arccos .
k ~u k k ~v k 2 6 6 6
Petronio Pulino 243

5.4 Distância de Ponto a Reta


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), e com o sistema ortogonal de coordenadas
para o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o
sistema ortogonal de coordenadas.

Sejam uma reta r ⊂ IE 3 e um ponto P ∈ IE 3 , que não pertence a reta r. A distância do


ponto P a reta r, que denotamos por d(P, r), é a distância do ponto P ao ponto Q ∈ r,
onde o ponto Q é a projeção ortogonal do ponto P sobre a reta r. Podemos determinar o
ponto Q ∈ r tomando a interseção da reta r com o plano π, que é perpendicular a reta r
e que passa pelo ponto P , isto é, Q = r ∩ π, como ilustra a Figura 5.6. Entretanto, vamos
apresentar um processo que torna a resolução do problema um tanto quanto mais simples e
mais elegante, como veremos a seguir.
π
P s

s r
Q

Figura 5.6: Distância do ponto P a reta r

Por simplicidade, considere a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ R .

Primeiramente, vamos abordar o problema da distância do ponto P a reta r através da


−→
projeção ortogonal do vetor AP sobre a direção do vetor diretor da reta r, como ilustra a
Figura 5.7. Assim, utilizamos o tópico de projeção ortogonal que estudamos na seção 3.4.
Para isso, considere o espaço de vetores V 3 munido com o produto escalar h · , · i , definido
da seguinte forma:
h ~v , w
~ i = x1 y1 + x 2 y 2 + x3 y3
e com a norma proveniente desse produto escalar, definida da seguinte forma:
p p
k ~v k = h ~v , ~v i = (x1 )2 + (x2 )2 + (x3 )2

~ = (y1 , y2 , y3 ) ∈ V 3 .
para todo ~v = (x1 , x2 , x3 ) , w
244 Geometria Analı́tica e Vetores

Ps
6
!
!
!
!
!
!
!
!
!
s - -s r
A ~u Q

Figura 5.7: Distância do ponto P a reta r


−→
Desse modo, a distância do ponto P a reta r será expressa pela norma do vetor QP , onde o
−→ −→ −→ −→ −→
vetor QP = AP − AQ, e o vetor AQ é a projeção ortogonal do vetor AP sobre a direção
−→
do vetor diretor da reta r. Sabemos que o vetor AQ é calculado da seguinte forma:
−→
−→ h AP , ~u i
AQ = ~u .
h ~u, ~u i
−→
Assim, o vetor QP é dado por:
−→
−→ −→ h AP , ~u i
QP = AP − ~u
h ~u, ~u i
−→
Podemos verificar facilmente que a d(P, r) = k QP k é expressa da forma:

−→
s
−→ −→ ( h AP , ~u i )2
d(P, r) = h AP , AP i − . (5.11)
h ~u, ~u i

É importante observar que para obter a forma do cálculo da distância de um ponto a uma
reta dada pela equação (5.11) foi utilizado somente o conceito de projeção ortogonal, isto é,
usamos basicamente o conceito de produto escalar.

Finalmente, vamos calcular a distância de ponto a reta fazendo uso do produto vetorial. Para
isso, considere dois pontos distintos A, B na reta r, como ilustra a Figura 5.8. Sabemos
que a área do triângulo ABP , que vamos denotar por AT , é expressa da forma:
1 −→ −→ 1 −→
AT = k AP ∧ AB k = k AB k × d(P, r) ,
2 2
Portanto, a distância do ponto P a reta r fica expressa da forma:
−→ −→ −→
k AP ∧ AB k k AP ∧ ~u k
d(P, r) = −→ ⇐⇒ d(P, r) = , (5.12)
k AB k k ~u k
−→
uma vez que podemos considerar o vetor AB como sendo um vetor diretor da reta r.

Gostaria de ressaltar que a forma apresentada na equação (5.12) é a mais utilizada para
o cálculo da distância de um ponto a uma reta, na qual usamos o conceito geométrico do
produto vetorial.
Petronio Pulino 245

Ps

! !
! !
! !
! d(P, r) !
! !
! !
! !
! !
!
s - -s! r
A ~u B

Figura 5.8: Distância do ponto P a reta r

Exemplo 5.4.1 Sejam o ponto P = (1, −1, 2) e a reta r ⊂ IE 3 definida pela seguinte
equação vetorial:
r : X = A + λ ~u para λ ∈ IR ,
onde A = (2, −1, 4) e ~u = (−1, 1, 1). Determine a distância do ponto P à reta r, que
denotamos por d(P, r), utilizando produto vetorial. Apresente uma ilustração gráfica para
auxiliar na resolução do problema.

Resolução – Inicialmente vamos calcular a distância do ponto P a reta r através da


−→
equação (5.12). Assim, vamos precisar do vetor AP = (−1, 0, −2) e do produto vetorial
−→
dos vetores AP e ~u que é dado por:

~e1 ~e2 ~e3

−→
AP ∧ ~u = −1 0 −2 = 2 ~e1 + 3 ~e2 − ~e3 .

−1 1 1

Portanto, a distância do ponto P a reta r é calculado da forma:


−→ √ √
k AP ∧ ~u k 14 42
d(P, r) = = √ = .
k ~u k 3 3

Finalmente, vamos calcular a distância do ponto P a reta r através da equação (5.11), que
é dada por:
−→
s
−→ −→ ( h AP , ~u i )2
d(P, r) = h AP , AP i −
h ~u, ~u i
r r
1 14
= 5 − =
3 3

42
=
3
−→ −→ −→
uma vez que h AP , AP i = 5, h ~u, ~u i = 3 e h AP , ~u i = −1.
246 Geometria Analı́tica e Vetores

Exemplo 5.4.2 Determine a distância do ponto P = (2, −1, 3) a reta r definida pelas
seguintes equações paramétricas:


 x = 1 + λ


r: y = −2 + 2 λ para λ ∈ IR .



z = 1 + 3λ

Resolução – A Resolução pode ficar a cargo do leitor.

Exemplo 5.4.3 Determine a distância do ponto P = (1, −4, −1) a reta r definida pelas
seguintes equações simétricas:
y +3
r: 2−x = = z +1
2
Resolução – A Resolução pode ficar a cargo do leitor.

Exemplo 5.4.4 Considere a reta r definida pela equação vetorial

r: X = (1, 1, 0) + λ (1, 1, 1) para λ ∈ IR .

Determine, se possı́vel, os pontos da reta r que são equidistantes dos pontos

A = (1, 0, 1) e B = (0, 1, 1) .

Resolução – A Resolução pode ficar a cargo do leitor.

Exemplo 5.4.5 Considere a reta r definida pela equação vetorial

r: X = (1, 1, 0) + λ (1, 1, 1) para λ ∈ IR ,

e os ponto A = (1, 0, 1) e B = (0, 1, 1).

Determine, se possı́vel, um ponto C ∈ r tal que ABC seja um triângulo equilátero.

Resolução – A Resolução pode ficar a cargo do leitor.

Exemplo 5.4.6 Considere a reta r definida pela equação vetorial

r: X = (2, 1, 0) + λ (1, 1, −1) para λ ∈ IR ,

e os ponto A = (1, 0, 1) e B = (0, 1, 1).

Determine, se possı́vel, um ponto C ∈ r tal que ABC seja um triângulo equilátero.

Resolução – A Resolução pode ficar a cargo do leitor.


Petronio Pulino 247

Problema de Minimização
Problema 5.1 Considere um ponto P ∈ IE 3 e uma reta r ⊂ IE 3 definida pela seguinte
equação vetorial
r : X = A + λ ~u para λ ∈ IR .
Podemos escrever o problema de calcular a distância do ponto P a reta r da seguinte forma:

Problema de Minimização: Encontrar um ponto Q∗ ∈ r tal que

d(P, r) = d(P, Q∗ )

= min{ d(P, Q) / Q ∈ r }
(5.13)
−→
= min{ k QP k2 / Q ∈ r }
−→ −→
= min{ h QP , QP i / Q ∈ r } .
Resolução – Sabemos que qualquer ponto Q ∈ r é escrito da forma:

Q = A + λ ~u para λ ∈ IR .
−→
Assim, o vetor QP fica escrito da seguinte forma:
−→ −→ −→ −→
QP = AP − AQ = AP − λ ~u para λ ∈ IR ,

como ilustra a Figura 5.9.

Ps
!@
 I
! @
! @
! @
! @
! @
! @
! @
!
s - @
-s r
A ~u Q

Figura 5.9: Distância do ponto P a reta r

−→ −→
O produto escalar h QP , QP i é expresso da forma:
−→ −→ −→ −→ −→
h QP , QP i = h AP , AP i − 2 λ h AP , ~u i + λ2 h ~u, ~u i .

Por simplicidade, vamos definir uma função auxiliar ϕ da forma:


−→ −→ −→
ϕ(λ) = h AP , AP i − 2 λ h AP , ~u i + λ2 h ~u, ~u i para λ ∈ IR .

Desse modo o Problema de Minimização fica escrito da seguinte forma:


−→ −→
d(P, r) = min{ h QP , QP i / Q ∈ r } = min{ ϕ(λ) / λ ∈ IR } . (5.14)
248 Geometria Analı́tica e Vetores

Inicialmente, vamos determinar um ponto crı́tico da função auxiliar ϕ, anulando a primeira


derivada, obtendo a seguinte equação
−→
′ −→ ∗ h AP , ~u i
ϕ (λ) = 2 h AP , ~u i + 2 λ h ~u, ~u i = 0 ⇐⇒ λ = .
h ~u, ~u i
Para classificar o ponto crı́tico λ∗ , vamos analisar o sinal da segunda derivada da função
auxiliar ϕ, que é dada por:
ϕ′′ (λ) = 2 h ~u, ~u i > 0 para λ ∈ IR .
Assim, o ponto crı́tico λ∗ é um ponto de mı́nimo global para função auxiliar ϕ.

Desse modo, o ponto Q∗ ∈ r que é solução do Problema de Minimização, é dado por:


Q∗ = A + λ∗ ~u ,
−−→ −→
isto é, o vetor AQ∗ é a projeção ortogonal do vetor AP na direção do vetor ~u, que é um
vetor diretor da reta r, como ilustra a Figura 5.10.

Ps
!6

!
!
!
!
!
!
!
!
s - -s r
A ~u Q ∗

Figura 5.10: Distância do ponto P a reta r

Assim, tem–se
−−→ −−→
( d(P, r) )2 = h Q∗ P , Q∗ P i

−→ −→ −→
h AP , AP i h ~u, ~u i − h AP , ~u i2
=
h ~u, ~u i
−→ −→
k AP k2 k ~u k2 − h AP , ~u i2
=
k ~u k2
−→
k AP ∧ ~u k2
= ,
k ~u k2
o resultado segue da Identidade de Lagrange, obtida no Exemplo 4.3.6.

Portanto, a distância do ponto P a reta r fica expressa da seguinte forma:


−→
k AP ∧ ~u k
d(P, r) = , (5.15)
k ~u k
conforme resultado obtido anteriormente utilizando a interpretação geométrica do produto
vetorial, equação (5.12), e também compatı́vel com o resultado do Teorema 3.4.1.
Petronio Pulino 249

5.5 Distância entre Reta e Reta


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), com o sistema ortogonal de coordenadas para
o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o sistema
ortogonal de coordenadas, com o produto escalar h · , · i definido da seguinte forma:

h ~v , w
~ i = x1 y1 + x2 y 2 + x3 y 3

e com a norma proveniente desse produto escalar, definida da seguinte forma:


p p
k ~v k = h ~v , ~v i = (x1 )2 + (x2 )2 + (x3 )2

~ = (y1 , y2 , y3 ) ∈ V 3 .
para todo ~v = (x1 , x2 , x3 ) , w

Definição 5.5.1 (Retas Paralelas) Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

duas retas paralelas, isto é, o conjunto γ = { ~u, ~v } é linearmente dependente em V 3 .


Definimos a distância entre as retas paralelas r e s como sendo a distância de um ponto
qualquer de uma das retas à outra reta, como ilustra a Figura 5.11.

sB
~v
- s
!

!
!
! d(B, r) = d(r, s)
!
!
!
!
!
s - r
A ~u

Figura 5.11: Distância entre Retas Paralelas

Desse modo, podemos escolher o ponto B ∈ s, e calculando sua distância a reta r, obtemos
a distância entre as retas paralelas r e s. Assim, usando o procedimento para o cálculo da
distância de ponto a reta, obtemos
−→
k AB ∧ ~u k
d(r, s) = d(B, r) = . (5.16)
k ~u k

Note que, se r e s são retas concorrentes, elas têm um ponto em comum, isto é, existe
um ponto P = r ∩ s. Assim, a distância entre retas concorrentes e nula.
250 Geometria Analı́tica e Vetores

Definição 5.5.2 (Retas Reversas) Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,
−→
duas retas reversas, isto é, o conjunto { ~u, ~v , AB } é linearmente independente em V 3 .
Definimos a distância entre as retas reversas r e s da seguinte forma:
−→ −→
h ~u ∧ ~v , AB i [~u, ~v , AB]

d(r, s) = = . (5.17)
k ~u ∧ ~v k k ~u ∧ ~v k

Inicialmente, vamos apresentar uma interpretação geométrica para o membro da direita da


equação (5.17). Note que, o vetor w ~ = ~u ∧ ~v é ortogonal aos vetores diretores das retas
r e s, consequentemente, o vetor w ~ é ortogonal a reta r e a reta s. O denominador, é a
norma do produto vetorial entre os vetores ~u e ~v , que representa a área do paralelogramo
formado pelos vetores diretores ~u e ~v . Note que, o numerador, é o módulo do produto
−→
misto dos vetores ~u, ~v e AB, que representa o volume do paralelepı́pedo formado pelos
−→
vetores ~u, ~v e AB. Desse modo, a distância entre as retas reversas r e s é a altura do
−→
paralelepı́pedo formado pelos vetores ~u, ~v e AB, uma vez que é o quociente entre o volume
do paralelepı́pedo e a área da sua base.

Portanto, a distância entre as retas reversas r e s é a norma da projeção ortogonal do


−→
vetor AB sobre a direção do vetor w~ = ~u ∧ ~v . De fato, sabemos que a projeção ortogonal
−→
do vetor AB sobre a direção do vetor w ~ = ~u ∧ ~v é expressa da forma:
−→
−→ h w,
~ AB i
projw~ (AB) = w
~ .
h w,
~ w~i

Assim, tomando a norma da projeção ortogonal, obtemos a distância entre as retas reversas
r e s, que fica expressa da forma:
−→
d(r, s) = k projw~ (AB) k
−→
h w,
~ AB i

=
kw
~k
−→
h ~u ∧ ~v , AB i

=
k ~u ∧ ~v k
−→
[~u, ~v , AB]

= ,
k ~u ∧ ~v k

o que completa a interpretação geométrica.


Petronio Pulino 251

Exemplo 5.5.1 Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (1, −1, 2) e ~u = (2, 3, −2), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (2, 1, −1) e ~v = (1, −2, 3). Determine a distância entre as retas r e s.

Resolução – Podemos observar que as retas r e s não são paralelas, pois seus vetores
diretores são linearmente independentes em V 3 . Além disso, no Exemplo 5.2.1 apresentamos
o estudo da posição relativas das retas r e s, e concluı́mos que elas são retas reversas.

Vamos calcular o produto vetorial dos vetores diretores ~u e ~v , que é dado por:

~e1 ~e2 ~e3


~u ∧ ~v = 2 3 −2 = 5 ~e1 − 8 ~e2 − 7 ~e3 .

1 −2 3

Assim, tem–se k ~u ∧ ~v k = 138. Vamos agora calcular o módulo do produto misto dos
−→
vetores ~u, ~v e AB = (1, 2, −3), que é dado por:
−→ −→
[~
u , ~
v , AB] = h ~
u ∧ ~
v , AB i = 10 .

Assim, a distância entre a retas reversas r e s é dada por:


−→ √
[~u, ~v , AB]

10 5 138
d(r, s) = = √ = .
k ~u ∧ ~v k 138 69

Exemplo 5.5.2 Considere as retas r e s definidas pelas equações


x−2 y −1 z +3
r: X = (1, −1, 2) + λ (−1, 0, 1) e s: = = .
2 1 1
Estude a posição relativa das retas r e s, e determine a distância entre elas.

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 5.5.3 Determine a distância das retas paralelas r e s definidas pelas equações

r: X = (1, −1, 2) + λ (2, 1, 1) e s: x − 2 = 2y − 2 = 2z + 6 .

Resolução – A resolução pode ficar a cargo do leitor.


252 Geometria Analı́tica e Vetores

Exemplo 5.5.4 Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (1, −1, 2) e ~u = (2, 3, −2), e a reta s definida pela equação vetorial

s: X = B + α ~v para α ∈ IR ,

onde B = (2, 1, −1) e ~v = (1, −2, 3).

Encontre um ponto P ∗ na reta r e um ponto Q∗ na reta s tais que a reta que passa pelos
pontos P ∗ e Q∗ seja perpendicular a reta r e a reta s.

Resolução – Sabemos que todo ponto P ∈ r é expresso da forma:

P = (1, −1, 2) + λ (2, 3, −2) para λ ∈ IR ,

e que todo ponto Q ∈ s é expresso da forma:

Q = (2, 1, −1) + α (1, −2, 3) para α ∈ IR .

Para que a reta que passa pelos pontos P e Q seja perpendicular a reta r e a reta s,
−→
devemos impor que o vetor P Q seja ortogonal aos vetores ~u e ~v , isto é,
−→ −→
h P Q, ~u i = 0 e h P Q, ~v i = 0 .
−→
Tomando o vetor P Q que é expresso da forma:
−→
P Q = (1 − 2λ + α , 2 − 3λ − 2α , −3 + 2λ + 3α) ,

e impondo as condições acima, obtemos o sistema de equações lineares


(
17λ + 10α = 14
10λ + 14α = 12
38 32
cuja solução é λ = e α = .
69 69

Desse modo, temos que os pontos P ∗ e Q∗ são dados por:


   
∗ 145 45 62 ∗ 170 5 27
P = , , e Q = , , ,
69 69 69 69 69 69
−−−→
e o vetor P ∗ Q∗ é dado por:
−−∗−→∗
 
25 40 35
P Q = ,− ,− .
69 69 69
−−−→
Note que, nessas condições temos que k P ∗ Q∗ k = d(r, s). De fato

−−∗−→∗ 5 138
kP Q k = ,
69
o que fica de acordo com o resultado do Exemplo 5.5.1.
Petronio Pulino 253

Problema de Minimização
Problema 5.2 Sejam as retas reversas r e s, com a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (x1 , y1 , z1 ) e ~u = (a1 , b1 , c1 ), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (x2 , y2 , z2 ) e ~v = (a2 , b2 , c2 ).

Então, o cálculo da distância entre as retas reversas r e s pode ser expresso da forma:

Problema de Minimização: Encontrar um ponto P ∗ ∈ r e um ponto Q∗ ∈ s tal que


−−−→ −→
d(r, s) = k P ∗ Q∗ k = min{ k P Q k / P ∈ r e Q ∈ s} , (5.18)

que é equivalente a Condição de Transversalidade


−−−→ −−−→
h P ∗ Q∗ , ~u i = 0 e h P ∗ Q∗ , ~v i = 0 , (5.19)

isto é, a reta que passa pelos pontos P ∗ e Q∗ é perpendicular às retas r e s.

Resolução – Sabemos que todo ponto P ∈ r é expresso da forma:

P = A + λ ~u para λ ∈ IR ,

e que todo ponto Q ∈ s é expresso da forma:

Q = B + α ~v para α ∈ IR .
−→
Assim, o vetor P Q é escrito da forma:
−→ −→
P Q = AB + α ~v − λ ~u ,
−→
e sua k P Q k2 pode ser escrita por:
−→ −→ −→
k P Q k2 = h P Q, P Q i
−→ −→ −→ −→
= h AB, AB i + 2α h AB, ~v i − 2λ h AB, ~u i

− 2α λ h ~u, ~v i + α2 h ~v , ~v i + λ2 h ~u, ~u i .
Vamos definir uma função auxiliar F nas variáveis λ e α da forma:
−→ −→ −→ −→
F (λ, α) = h AB, AB i + 2α h AB, ~v i − 2λ h AB, ~u i

− 2α λ h ~u, ~v i + α2 h ~v , ~v i + λ2 h ~u, ~u i ,

para (λ, α) ∈ IR2 .


254 Geometria Analı́tica e Vetores

Assim, podemos reescrever o Problema de Minimização da seguinte forma:


−→
d(r, s) = min{ k P Q k / P ∈ r e Q ∈ s}
−→ (5.20)
= min{ k P Q k2 / P ∈ r e Q ∈ s}

= min{ F (λ, α) / (λ, α) ∈ IR2 } .

Sabemos que um ponto crı́tico (λ∗ , α∗ ) ∈ IR2 da função F , é o ponto que anula o gradiente
da função. Desse modo, um ponto crı́tico (λ∗ , α∗ ) é a solução do sistema de equações lineares

∂F −→


 (λ, α) = −h AB, ~u i + λ h ~u, ~u i − α h ~u, ~v i = 0
 ∂λ

(5.21)
∂F − →


(λ, α) = h AB, ~v i − λ h ~u, ~v i + α h ~v , ~v i = 0


∂α
Utilizando a desigualdade de Cauchy–Schwarz podemos mostramos que o determinante do
sistema linear (5.21) é positivo. De fato,

h ~u, ~u i −h ~u, ~v i
= h ~u, ~u i h ~v , ~v i − h ~u, ~v i2 > 0 . (5.22)


−h ~u, ~v i h ~v , ~v i

Assim, o sistema linear (5.21) possui solução única, e a função F tem um único ponto
crı́tico.

Classificação do Ponto Crı́tico

Pela desigualdade de Cauchy–Schwarz e pela positividade do produto escalar, tem–se


2
∂ 2F ∂ 2F ∂ 2F
  
(λ , α ) −
∗ ∗
(λ∗ , α∗ ) = h ~u, ~v i2 − h ~u, ~u i h ~v , ~v i < 0
∂λ∂α ∂λ2 ∂α2

∂ 2F ∗ ∗ (5.23)
(λ , α ) = h ~u, ~u i > 0
∂λ2

∂ 2F ∗ ∗
(λ , α ) = h ~v , ~v i > 0
∂α2
Portanto, o ponto crı́tico (λ∗ , α∗ ), solução do sistema linear (5.21), é um ponto de mı́nimo
global para o Problema de Minimização.

O sistema de equações (5.21) é a imposição da Condição de Transversalidade:


−→ −→
h P Q, ~u i = 0 e h P Q, ~v i = 0 .

Os pontos P ∗ ∈ r e Q∗ ∈ s que realizam o problema de minimização são dados por:

P ∗ = A + λ∗ ~u e Q∗ = B + α∗ ~v .
Petronio Pulino 255

5.6 Exercı́cios

Exercı́cio 5.6.1 Considere Σ = (O, ~e1 , ~e2 , ~e3 ) o sistema ortogonal de coordenadas para o
espaço IE 3 . Determine equações simétricas da reta r ⊂ IE 3 que passa pelos pontos distintos
A = (x1 , y1 , z1 ) e B = (x2 , y2 , z2 ) ∈ IE 3 .

Exercı́cio 5.6.2 Determine equações paramétricas da reta r ⊂ IE 3 que passa pelos pontos
A = (−1, 2, 1) e B = (2, 0, 3) ∈ IE 3 .

Exercı́cio 5.6.3 Determine equações simétricas da reta r ⊂ IE 3 que passa pelos pontos
A = (−1, 2, 1) e B = (2, 0, 3) ∈ IE 3 .

Exercı́cio 5.6.4 Determine equações simétricas da reta r que passa pelo ponto A = (1, −2, 1)
e é paralela a reta s que passa pelos ponto C = (1, 0, 1) e D = (0, 1, 1).

Exercı́cio 5.6.5 Determine a equação da reta r que passa pelo ponto A = (1, −2, 3), é
concorrente com a reta s dada pelas equações paramétricas


 x = 2 + 3λ


s: y = 1 + 2λ para λ ∈ IR ,



z = −1

e tem vetor diretor ortogonal ao vetor ~u = (1, −3, 1).

Exercı́cio 5.6.6 Considere a reta r definida pelas equações paramétricas




 x = 0


r: y = 2 + λ para λ ∈ IR ,



z = 1 + λ

e a reta s definida pelas equações simétricas

s: x−2 = z+1 , y = 3.

(a) Mostre que as retas r e s são reversas.

(b) Encontre um ponto P na reta r e um ponto Q na reta s tais que a reta que passa
pelos pontos P e Q seja perpendicular a reta r e a reta s.

Exercı́cio 5.6.7 Considere o ponto P = (1, 2, −1) e a reta r definida pela equação vetorial

r: X = (1, 4, −1) + λ (2, −1, 4) para λ ∈ IR .



Determine um ponto Q ∈ r, se possı́vel, de modo que d(P, Q) = 2.
256 Geometria Analı́tica e Vetores

Exercı́cio 5.6.8 Considere a reta r dada pelas equações paramétricas




 x = 1 + mλ


r: y = 2 + nλ para λ ∈ IR .



z = 1 + (n − 1)λ

Determine, se possı́vel, os valores de m e n em cada um dos seguintes casos:

(a) a reta r é paralela ao eixo OY .

(b) a reta r é paralela ao plano OXY .

(c) a reta r é passa pela origem O = (0, 0, 0).

Exercı́cio 5.6.9 Determine uma equação vetorial da reta s que passa pelo ponto P =
(1, 2, 3) e é perpendicular à reta r definida pela seguinte equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (3, 2, −1) e ~u = (1, 2, −1).

Exercı́cio 5.6.10 Considere as retas r e s definidas pelas equações paramétricas


 

 x = 2 − λ 
 x = 1 + t

 

r: y = 1 + 3λ e s: y = 3 + 4t para λ, t ∈ IR .

 

 
z = 1 + λ z = 1 + 3t
 

(a) Estude a posição relativa entre as retas r e s.

(b) Determine a distância entre as retas r e s.

(c) Encontre um ponto P ∈ r e um ponto Q ∈ s de forma que a distância entre os


pontos P e Q seja igual a distância entre as retas r e s.

Exercı́cio 5.6.11 Considere o ponto P = (2, 1, 1) e a reta r definida pela equação vetorial

r: X = (1, 0, 1) + λ (−1, 2, 1) , λ ∈ IR ,

(a) Determine a distância do ponto P a reta r.

(b) Determine um ponto Q na reta r que modo que a distância entre os pontos P e Q
seja igual a distância do ponto P a reta r.
Petronio Pulino 257

Exercı́cio 5.6.12 Determine a distância do ponto P = (2, 1, 1) a reta r definida pelas


equações paramétricas:


 x = 2 + 2λ


r: y = −3 + λ para λ ∈ IR .



z = 2 + 3λ

Exercı́cio 5.6.13 Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (2, −1, 2) e ~u = (2, 3, −2), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (3, 1, −1) e ~v = (3, −2, 3). Estude a posição relativa das retas r e s.

Exercı́cio 5.6.14 Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (2, −1, 2) e ~u = (−2, 1, −3), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (4, 2, 1) e ~v = (2, 1, 1). Estude a posição relativa das retas r e s.

Exercı́cio 5.6.15 Considere a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (2, −1, 2) e ~u = (3, 2, −1), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (1, 2, −1) e ~v = (−1, 3, 3). Verifique se as retas r e s são ortogonais. Em


caso afirmativo, verifique também se são perpendiculares.

Exercı́cio 5.6.16 Considere a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

onde A = (1, 2, 1) e ~u = (3, 3, −1), e a reta s definida pela equação vetorial

s: X = B + λ ~v para λ ∈ IR ,

onde B = (5, 4, 2) e ~v = (−1, 2, 3). Verifique se as retas r e s são ortogonais. Em


caso afirmativo, verifique também se são perpendiculares.
258 Geometria Analı́tica e Vetores

Exercı́cio 5.6.17 Considere as retas r e s definidas pelas equações


x+4 y z +5 x − 21 y +5
r: = = e s: = = 2−z.
3 4 −2 6 −4
(a) Estude a posição relativa das retas r e s.

(b) Determine a distância do ponto C = (2, 1, 1) a reta s.

(c) Determine a distância entre as retas r e s.

(d) Encontre o ponto P ∈ r e o ponto Q ∈ s de forma que a distância entre os pontos


P e Q seja igual a distância entre as retas r e s.

Exercı́cio 5.6.18 Considere a reta r definida pela equação vetorial

r: X = (1, −1, 1) + λ (1, −2, 1) para λ ∈ IR .



Determine um ponto C na reta r de modo que a área do triângulo ABC seja igual a 3,
onde A = (1, −1, 1) e B = (1, −2, 2).

Exercı́cio 5.6.19 Considere as retas r e s definidas pelas equações na forma vetorial

r: X = (0, 2, 1) + α (0, −1, −1) e s: X = (4, 3, 1) + λ (1, 0, 1) ,

para α , λ ∈ IR.

(a) Mostre que as retas r e s são reversas.

(b) Determine a distância entre os planos π1 e π2 .

(c) Determine o ponto P ∈ r e o ponto Q ∈ s tais que a reta que passa pelos pontos P
e Q seja perpendicular às retas r e s.

Exercı́cio 5.6.20 Considere as retas r e s definidas pelas equações paramétricas


 
 x=
 2−λ  x= 1+t

r: y= 1 + 3λ e s: y = 3 + 4t para λ, t ∈ IR .
 
z= 1+λ z = 1 + 3t
 

(a) Estude a posição relativa das retas r e s .

(b) Determine o ângulo entre as r e s .

(c) Determine o ponto P ∈ r e o ponto Q ∈ s tais que a reta que passa pelos pontos P
e Q seja perpendicular às retas r e s.
Petronio Pulino Geometria Analı́tica e Vetores

Estudo do Plano no Espaço


6
Conteúdo
6.1 Equação Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
6.2 Equação Geral. Vetor Normal . . . . . . . . . . . . . . . . . . . 266
6.3 Posição Relativa de Retas e Planos . . . . . . . . . . . . . . . . 271
6.4 Ângulo entre Reta e Plano . . . . . . . . . . . . . . . . . . . . . . 274
6.5 Ângulo entre Planos . . . . . . . . . . . . . . . . . . . . . . . . . 277
6.6 Distância de Ponto a Plano . . . . . . . . . . . . . . . . . . . . . 280
6.7 Distância entre Reta e Plano . . . . . . . . . . . . . . . . . . . . 287
6.8 Distância entre Plano e Plano . . . . . . . . . . . . . . . . . . . 291
6.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295

259
260 Geometria Analı́tica e Vetores

6.1 Equação Vetorial


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), e com o sistema ortogonal de coordenadas
para o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o
sistema ortogonal de coordenadas.

Definição 6.1.1 (Equação Vetorial) Sejam um plano π ⊂ IE 3 , um ponto P ∈ π e dois


vetores ~u e ~v linearmente independentes e paralelos ao plano π. Então, um ponto qualquer
X ∈ π é escrito da forma:

π: X = P + λ ~u + µ ~v para λ, µ ∈ IR , (6.1)

os vetores ~u e ~v são denominados vetores diretores do plano π.


Na Figura 6.1 ilustramos a situação descrita pela equação vetorial do plano π.

~u ∧ ~v
6

! ~v π !
! !
 !
! ! X !
! 
1s
!  !
! ! !
!
s  -
! !
! P ~u !
! !
! !
! !

Figura 6.1: Equação Geral do Plano. Vetor Normal

A equação (6.1), equação vetorial do plano π, traduz o fato que, o ponto X ∈ π se, e
−−→
somente se, os vetores P X, ~u, ~v são linearmente dependentes. De modo equivalente, o
−−→
ponto X ∈ π se, e somente se, existem escalares λ, µ ∈ R tais que P X = λ ~u + µ ~v .
Assim, quando os escalares λ, µ percorre todo o conjunto dos números reais, o ponto X
percorre todo o plano π.

Exemplo 6.1.1 Determine uma equação vetorial para cada um dos planos coordenados
OXZ , OYZ e OYZ .

Resolução – Vamos determinar uma equação vetorial para o plano coordenado OXZ .
Para isso, precisamos de dois vetores linearmente independentes para os vetores diretores
do plano. Assim, podemos considerar os vetores ~u = (1, 0, 1) e ~v = (1, 0, −1) como os
vetores diretores. Desse modo, o plano OXY fica definido pela seguinte equação vetorial

OXZ : X = λ (1, 0, 1) + µ (1, 0, −1) para λ, µ ∈ IR .

Note que, o plano coordenado OXZ passa pela origem do sistema ortogonal de coordenadas
do espaço IE 3 . A obtenção das equações vetoriais para os outros dois planos coordenados
pode ficar a cargo do leitor.
Petronio Pulino 261

Definição 6.1.2 Sejam um plano π ⊂ IE 3 , um ponto P = (xo , yo , zo ) ∈ π e dois vetores


~u = (a1 , b1 , c1 ) e ~v = (a2 , b2 , c2 ) linearmente independentes e paralelos ao plano π.
Então, um ponto qualquer X = (x, y, z) ∈ π é escrito da forma:

π: (x, y, z) = (xo , yo , zo ) + λ (a1 , b1 , c1 ) + µ (a2 , b2 , c2 ) para λ, µ ∈ IR , (6.2)

que podem ser reescritas da forma:




 x = xo + λ a1 + µ a2


π: y = yo + λ b1 + µ b2 para λ, µ ∈ IR , (6.3)



z = zo + λ c1 + µ c2

denominadas equações paramétricas do plano π.

Definição 6.1.3 Sejam um plano π ⊂ IE 3 e os pontos não–colineares

P = (xo , yo , zo ) , A = (x1 , y1 , z1 ) e B = (x2 , y2 , z2 ) ,

pertencentes ao plano π. Então, um ponto qualquer X = (x, y, z) ∈ π é escrito da forma:




 x = xo + λ (x1 − xo ) + µ (x2 − yo )


π: y = yo + λ (y1 − yo ) + µ (y2 − yo ) para λ, µ ∈ IR , (6.4)



z = zo + λ (z1 − zo ) + µ (z2 − zo )

que são equações paramétricas do plano π, na qual os vetores diretores ~u e ~v , que são
linearmente independentes e paralelos ao plano π, são escritos na forma:
−→ −−→
~u = P A = (x1 − xo , y1 − yo , z1 − zo ) e ~v = P B = (x2 − xo , y2 − yo , z2 − zo ) ,

como ilustra a Figura 6.2.

! sB π !
! !
 !
! ! X !
1s

!
~v!
  !
! ! !
! !
s -sA !
! P ~u !
! !
! !
! !

Figura 6.2: Equações Paramétricas do Plano


262 Geometria Analı́tica e Vetores

Exemplo 6.1.2 Determine uma equação vetorial e equações paramétricas para o plano π
que passa pelos pontos A = (2, 0, 1) , B = (3, 1, −2) e é paralelo ao vetor ~v = (1, 2, 3).

Resolução – Como os pontos A, B ∈ π, vamos considerar como um outro vetor diretor


−→
do plano π o vetor ~u = AB = (1, 1, −3). Assim, uma equação vetorial do plano π pode
ser escrita da forma:

π: X = λ ~u + µ ~v = (2, 0, 1) + λ (1, 1, −3) + µ (1, 2, 3) para λ, µ ∈ IR .

As equações paramétricas são obtidas da equação vetorial do plano π. Assim, tem–se




 x = 2 + λ + µ

π: y = 0 + λ + 2µ para λ, µ ∈ IR ,


z = 1 − 3λ + 3µ

equações paramétricas para o plano π.

Exemplo 6.1.3 Determine duas equações vetoriais para o plano π ⊂ IE 3 que passa pelos
pontos não–colineares A = (3, 4, 1) , B = (4, 2, −1) e C = (2, 1, −2) ∈ IE 3 .

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 6.1.4 Determine uma equação vetorial para o plano π que é paralelo ao plano
π1 definido pelas equações paramétricas


 x = 1 + 2λ − µ


π1 : y = −1 − λ + 3µ para λ, µ ∈ IR ,



z = 3 + 3λ − 2µ

passando pelo ponto A = (2, −1, 2).

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 6.1.5 Verifique se o plano π1 definido pelas equações paramétricas




 x = 1 + 2λ − µ


π1 : y = −1 − λ + 3 µ para λ, µ ∈ IR ,



z = 3 + 3λ − 2µ

é igual ao plano π2 definido pela equação vetorial

π2 : X = (2, 1, 4) + λ (1, 7, 0) + µ (5, 0, 7) para λ, µ ∈ IR .

Resolução – A resolução pode ficar a cargo do leitor.


Petronio Pulino 263

Exemplo 6.1.6 Considere a reta r definida pela equação vetorial

r: X = (2, 1, 3) + α (3, 0, 1) para α ∈ IR ,

e o plano π definido pela equação vetorial

π: X = (1, 2, 1) + λ (1, 1, 1) + µ (0, 1, 1) para λ, µ ∈ IR .

Determine o ponto P = r ∩ π.

Resolução – Considere um ponto X ∈ r ∩ π. Assim, podemos expressa–lo da forma:

X = (2, 1, 3) + α (3, 0, 1)
(6.5)
= (1, 2, 1) + λ (1, 1, 1) + µ (0, 1, 1)

Da igualdade acima, obtemos o seguinte sistema de equações lineares




 3α − λ = −1

− λ − µ = 1


α − λ − µ = −2

Procedendo com o processo de escalonamento do sistema linear acima, obtemos o seguinte


sistema linear equivalente 

 3α − λ = −1

− λ − µ = 1


µ = 7

cuja solução é dada por α = −3, λ = −8 e µ = 7. Substituindo os valores dos


parâmetros em qualquer uma das equações (6.5), obtemos

P = (2, 1, 3) − 3 (3, 0, 1) = (−7, 1, 0)


(6.6)
= (1, 2, 1) − 8 (1, 1, 1) + 7 (0, 1, 1) = (−7, 1, 0)

Portanto, o ponto P = (−7, 1, 0) ∈ r ∩ π.

Exemplo 6.1.7 Considere a reta r definida pela equação vetorial

r: X = (1, 3, 4) + α (1, 0, 1) para α ∈ IR ,

e o plano π definido pela equação vetorial

π: X = (2, 3, 1) + λ (1, 1, 0) + µ (0, 1, 1) para λ, µ ∈ IR .

Determine o ponto P = r ∩ π.

Resolução – A resolução pode ficar a cargo do leitor.


264 Geometria Analı́tica e Vetores

Exemplo 6.1.8 Considere os planos π1 e π2 definidos pelas equações vetoriais

π1 : X = (1, 0, 1) + λ (2, −1, 2) + µ (3, −1, 2)


para λ, µ ∈ IR .
π2 : X = (2, −1, 0) + λ (1, 0, 1) + µ (2, 1, 0)

(a) Determine dois pontos A, B ∈ π1 ∩ π2 .

(b) Determine uma equação vetorial para a reta r que passa pelos ponto A e B.

Resolução – Considere um ponto X ∈ π1 ∩ π2 . Assim, podemos expressa–lo da forma:

X = (1, 0, 1) + λ1 (2, −1, 2) + µ1 (3, −1, 2)


(6.7)
= (2, −1, 0) + λ2 (1, 0, 1) + µ2 (2, 1, 0)

Da igualdade acima, obtemos o seguinte sistema de equações lineares




 2 λ 1 − λ 2 + 3 µ1 − 2 µ2 = 1

−λ1 − µ1 − µ2 = −1


2 λ1 − λ 2 + 2 µ1 = −1

Procedendo com o processo de escalonamento do sistema linear acima, obtemos o seguinte


sistema linear equivalente


 2 λ 1 − λ2 + 3 µ 1 − 2 µ2 = 1

− λ2 + µ1 − 4 µ2 = −1


− µ1 + 2 µ2 = −2

cuja solução geral é dada por:

λ1 = −1 − 3 µ2 , λ2 = 3 − 2 µ 2 e µ1 = 2 + 2 µ2 para µ2 ∈ IR .

Podemos escolher o ponto A ∈ π1 ∩ π2 , tomando o parâmetro µ2 = 0 e substituindo os


valores dos parâmetros em qualquer uma das equações (6.7). Desse modo, obtemos

A = (1, 0, 1) − (2, −1, 2) + 2 (3, −1, 2) = (5, −1, 3)


(6.8)
= (2, −1, 0) + 3 (1, 0, 1) = (5, −1, 3)

Podemos escolher o ponto B ∈ π1 ∩ π2 , tomando o parâmetro µ2 = 1 e substituindo os


valores do parâmetros em qualquer uma das equações (6.7). Desse modo, obtemos

B = (1, 0, 1) − 4 (2, −1, 2) + 4 (3, −1, 2) = (5, 0, 1)


(6.9)
= (2, −1, 0) + (1, 0, 1) + (2, 1, 0) = (5, 0, 1)

Vamos determinar a equação vetorial da reta r que passa pelos pontos A = (5, −1, 3) e
−→
B = (5, 0, 1). Assim, podemos escolher o vetor ~u = AB = (0, 1, −2) como vetor diretor
da reta r. Desse modo, a reta r fica definida pela seguinte equação vetorial

r: X = (5, −1, 3) + λ (0, 1, −2) para λ ∈ IR .


Petronio Pulino 265

Exemplo 6.1.9 Considere os planos π1 e π2 definidos pelas equações vetoriais

π1 : X = (1, 2, 1) + λ (1, 1, 1) + µ (0, 1, 1)


para λ, µ ∈ IR .
π2 : X = (2, 1, 0) + λ (1, 2, 1) + µ (2, 1, 1)

Determine uma equação vetorial para a reta r = π1 ∩ π2 .

Resolução – Um ponto qualquer X ∈ r = π1 ∩ π2 é expresso da seguinte forma:


X = (1, 2, 1) + λ1 (1, 1, 1) + µ1 (0, 1, 1)
= (2, 1, 0) + λ2 (1, 2, 1) + µ2 (2, 1, 1)
para λ1 , λ2 , µ1 , µ2 ∈ IR.

Da igualdade acima, obtemos o seguinte sistema de equações lineares




 λ1 − λ2 − 2 µ2 = 1

λ 1 − 2 λ 2 + µ1 − µ 2 = −1


λ1 − λ2 + µ1 − µ 2 = −1

Procedendo com o processo de escalonamento do sistema linear acima, obtemos o seguinte


sistema linear equivalente


 λ1 − λ 2 − 2 µ2 = 1

− λ 2 + µ1 + µ2 = −2


µ1 + µ2 = −2

cuja solução geral é dada por:

λ 1 = 1 + 2 µ2 , λ2 = 0 , µ1 = −2 − µ2 para µ2 ∈ IR .

Substituindo os parâmetros acima na equação (6.1), obtemos um ponto qualquer X ∈ r da


forma:

X = (1, 2, 1) + (1 + 2µ2 ) (1, 1, 1) − (2 + µ2 ) (0, 1, 1)


= (2, 1, 0) + µ2 (2, 1, 1)
para µ2 ∈ IR. Com alguma manipulação algébrica na primeira equação, obtemos que um
ponto qualquer X ∈ r = π1 ∩ π2 é expresso da forma:
X = (2, 1, 0) + µ2 (2, 1, 1)
= (2, 1, 0) + µ2 (2, 1, 1)
para µ2 ∈ IR.

Portanto, a reta r = π1 ∩ π2 fica definida pela seguinte equação vetorial

r: X = (2, 1, 0) + λ (2, 1, 1) para λ ∈ IR .

Com os resultados da secção 6.2, resolvemos esse exercı́cio de uma maneira mais elegante.
266 Geometria Analı́tica e Vetores

6.2 Equação Geral. Vetor Normal


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), e com o sistema ortogonal de coordenadas
para o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o
sistema ortogonal de coordenadas, com o produto escalar h · , · i definido da seguinte forma:

h ~v , w
~ i = x1 y1 + x2 y 2 + x3 y3

e com a norma proveniente desse produto escalar, definida da seguinte forma:


p p
k ~v k = h ~v , ~v i = (x1 )2 + (x2 )2 + (x3 )2

~ = (y1 , y2 , y3 ) ∈ V 3 .
para todo ~v = (x1 , x2 , x3 ) , w

Sejam um plano π ⊂ IE 3 , um ponto P = (xo , yo , zo ) ∈ π e dois vetores ~u = (a1 , b1 , c1 )


e ~v = (a2 , b2 , c2 ) linearmente independentes e paralelos ao plano π. Então, o ponto
−−→
X = (x, y, z) ∈ π se, e somente se, os vetores P X, ~u, ~v são linearmente dependentes, isto
é, se e somente se,
x − x o y − yo z − z o


a1 b 1 c 1
= 0 . (6.10)


a2 b2 c2
A equação (6.10) pode ser reescrita da seguinte forma:

b1 c1
(x − xo ) − a1 c1 (y − yo ) + a1 b1 (z − zo ) = 0 ,


b2 c2 a2 c2 a2 b2 (6.11)

obtida pelo desenvolvimento do determinante relativamente à primeira linha.

Com algumas manipulações algébricas, podemos escrever a equação (6.11) da forma:

ax + by + cz = d , (6.12)

denominada equação geral do plano π.

Os coeficientes da equação geral são dados por:



b1 c1 a1 c 1 a1 b1
a = , b = e c = , (6.13)
b2 c2 a2 c 2 a2 b2

e o termo constante é dado por:



b1 c1 a1 c 1 a1 b 1
d = x − y + z . (6.14)
b2 c2 o a2 c 2 o a2 b 2 o

Petronio Pulino 267

Vamos apresentar uma forma mais geométrica de como podemos obter a equação geral (6.11)
−−→
através do produto escalar dos vetores P X e ~u ∧ ~v , uma vez que o produto vetorial dos
vetores diretores ~u e ~v é expresso da seguinte forma:

b1 c 1 a1 c 1 a1 b1
~u ∧ ~v = ~e −
a2 c2 ~e2 + a2 b2 ~e3 , (6.15)
b2 c 2 1

conforme a equação (4.4), relativo à base canônica β = { ~e1 , ~e2 , ~e3 }.

Sabemos que o vetor ~u ∧ ~v é ortogonal ao plano π. Assim, a equação geral (6.11) fica
expressa da seguinte forma:
−−→
h P X, ~u ∧ ~v i = 0 , (6.16)
−−→
uma vez que o vetor P X = (x − xo , y − yo , z − zo ) ∈ π. Na Figura 6.3 temos a ilustração
−−→
da condição de ortogonalidade entre os vetores P X e ~u ∧ ~v .

~u ∧ ~v
6

! ~v π !
! !
 !
! ! X !
1s

! !   !
! ! !
! !
s - !
! P ~u !
! !
! !
! !

Figura 6.3: Equação Geral do Plano

Definição 6.2.1 (Vetor Normal) Seja π um plano contido no espaço IE 3 . Dizemos que
um vetor não–nulo ~n ∈ V 3 ortogonal ao plano π é um vetor normal ao plano π.

Na Figura 6.4 ilustramos a situação de um vetor normal ao plano π, e especificamente o


vetor ~u ∧ ~v , produto vetorial dos vetores diretores do plano π, que também é um vetor
normal ao plano π. Assim, um vetor normal ao plano π é vetor ortogonal a qualquer vetor
paralelo ao plano π.

Definição 6.2.2 (Equação Geral) Sejam um plano π ⊂ IE 3 , um ponto P = (xo , yo , zo )


que pertence ao plano π e ~n = (a, b, c) um vetor normal ao plano π. Então, o ponto
−−→
X = (x, y, z) ∈ π se, e somente se, o vetor P X é ortogonal ao vetor normal ~n, isto é, se,
e somente se,
−−→
h P X, ~n i = 0 ⇐⇒ (x − xo ) a + (y − yo ) b + (z − zo ) c = 0
(6.17)
⇐⇒ ax + bx + cz = d ,

onde d = a xo + b yo + c xo , denominada uma equação geral do plano π.


268 Geometria Analı́tica e Vetores

~n
6

~u ∧ ~v
6

! ~v π !
! 
! !
! ! X !
! 
1s
!  !
! ! !
s
!  -
! !
! P ~u !
! !
! !
! !

Figura 6.4: Equação Geral do Plano. Vetor Normal

Exemplo 6.2.1 Determine uma equação geral do plano π ⊂ IE 3 que passa pelo ponto
P = (1, −2, 1) e que tem por um vetor normal ~n = (2, −3, 2).

Resolução – Sabemos que um ponto X = (x, y, z) ∈ π se, e somente se, o vetor


−−→
P X = (x − 1, y + 2, z − 1) é ortogonal ao vetor normal ~n = (2, −3, 2), isto é,
−−→
h P X, ~n i = 0 ⇐⇒ 2 (x − 1) − 3 (y + 2) + 2 (z − 1) = 0
⇐⇒ 2 x − 3 y + 2 z = 10 ,

que é uma equação geral para o plano π.

Exemplo 6.2.2 Determine uma equação geral do plano π ⊂ IE 3 que passa pelo ponto
P = (2, 1, 3) e é perpendicular à reta r ⊂ IE 3 definida pela equação vetorial

r: X = (1, 1, 2) + λ (−1, 3, −2) para λ ∈ IR .

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 6.2.3 Determine uma equação geral do plano π ⊂ IE 3 que passa pelo ponto
P = (1, 2, −3) e é paralelo ao plano π1 ⊂ IE 3 definido pela equação geral

π1 : 3x − 2y + 4z = 4 .

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 6.2.4 Determine uma equação geral do plano π ⊂ IE 3 que passa pelo ponto
P = (3, 1, −2) e é perpendicular à reta r ⊂ IE 3 que passa pelos ponto

A = (1, −2, 1) e B = (2, 4, −1) ∈ IE 3 .

Resolução – A resolução pode ficar a cargo do leitor.


Petronio Pulino 269

Exemplo 6.2.5 Determine uma equação vetorial da reta r = π1 ∩ π2 , onde os planos π1


e π2 são definidos pelas seguintes equações gerais

π1 : 3x − 2y + 4z = 4 e π2 : x − 2y + 2z = 2 .

Resolução – Considere um ponto X = (x, y, z) ∈ r = π1 ∩ π2 . Desse modo, X ∈ π1


e X ∈ π2 , isto é, o ponto X = (x, y, z) ∈ r satisfaz simultaneamente as equações gerais
(
3x − 2y + 4z = 4
r:
x − 2y + 2z = 2

Procedendo com o processo de escalonamento do sistema linear acima, obtemos o seguinte


sistema linear equivalente
(
3x − 2y + 4z = 4
r:
4 y − 2 z = −2

que possui um grau de liberdade. Desse modo, escolhendo z como variável livre, e chamando
z = λ ∈ IR, a reta r fica definida pelas seguintes equações paramétricas


 x = −λ + 1



1 1

r: y = λ −


 2 2


 z = λ

Portanto, a reta r fica definida pela seguinte equação vetorial


 
1
r : X = 1 , − , 0 + λ (−2, 1, 2) para λ ∈ IR .
2

Exemplo 6.2.6 Determine uma equação vetorial da reta r = π1 ∩ π2 , onde os planos π1


e π2 são definidos pelas seguintes equações gerais

π1 : x − 3y + z = 2 e π2 : −2 x + 4 y + 2 z = 2 .

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 6.2.7 Verifique se a reta r definida pela equação vetorial

r: X = (1, 1, 2) + λ (−1, 2, −5) para λ ∈ IR .

está contida no plano π definido pela equação geral

π: x − 2 y − z = −3 .

Resolução – A resolução pode ficar a cargo do leitor.


270 Geometria Analı́tica e Vetores

Exemplo 6.2.8 Determine uma equação vetorial da reta r = π1 ∩ π2 , onde os planos π1


e π2 são definidos pelas seguintes equações gerais

π1 : 3x − 2y + 4z = 4 e π2 : x − 2y + 2z = 2 .

Resolução – Sabemos que ~n1 = (3, −2, 4) é um vetor normal ao plano π1 , ~n2 = (1, −2, 2)
é um vetor normal ao plano π2 . Vamos denotar por ~n o vetor diretor da reta r. Como a
reta r = π1 ∩ π2 , então, a reta r ⊂ π1 e a reta r ⊂ π2 . Desse modo, tem–se

~n ⊥ ~n1 e ~n ⊥ ~n2 .

Assim, podemos escolher o vetor ~n = ~n1 ∧ ~n2 como um vetor diretor da reta r, que é
calculado da seguinte forma:

~e1 ~
e 2 ~
e 3



~n = ~n1 ∧ ~n2 = 3 −2 4 = 4 ~e1 − 2 ~e2 − 4 ~e3 .


1 −2 2

Vamos escolher um ponto P = (x, y, z) ∈ r = π1 ∩ π2 . Fazendo z = 0 na equação geral


do plano π2 , obtemos x = 2 + 2 y. Substituindo z = 0 e x = 2 + 2 y na equação geral
do plano π1 , obtemos
1
y = − , x = 1 e z = 0 .
2
Portanto, a reta r fica definida pela seguinte equação vetorial
 
1
r : X = 1 , − , 0 + λ (4, −2, −4) para λ ∈ IR .
2

Compare com o resultado do Exemplo 6.2.5.

Exemplo 6.2.9 Determinar uma equação vetorial para a reta r ⊂ IE 3 que passa pelo ponto
A = (2, 1, 1) e é perpendicular ao plano π definido pela equação geral

π2 : x − 2y + 2z = 2 .

Resolução – Como a reta r é perpendicular ao plano π, sabemos que um vetor normal ao


plano π é paralelo à reta r. Logo, o vetor ~n = (1, −2, 2), que é um vetor normal ao plano
π, é também um vetor diretor da reta r, que fica definida pela seguinte equação vetorial

r: X = (2, 1, 1) + λ (1, −2, 2) para λ ∈ IR .

Exemplo 6.2.10 Determine uma equação geral do plano π ⊂ IE 3 que passa pelos pontos
não–colineares A = (1, 0, 0), B = (0, 1, 0) e C = (0, 0, 1). Determine uma equação
vetorial da reta r que passa pela origem O = (0, 0, 0) e é perpendicular ao plano π.

Resolução – A resolução pode ficar a cargo do leitor.


Petronio Pulino 271

6.3 Posição Relativa de Retas e Planos


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), e com o sistema ortogonal de coordenadas
para o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o
sistema ortogonal de coordenadas, com o produto escalar h · , · i definido da seguinte forma:

h ~v , w
~ i = x1 y1 + x2 y 2 + x3 y3

e com a norma proveniente desse produto escalar, definida da seguinte forma:


p p
k ~v k = h ~v , ~v i = (x1 )2 + (x2 )2 + (x3 )2

~ = (y1 , y2 , y3 ) ∈ V 3 .
para todo ~v = (x1 , x2 , x3 ) , w

Posição Relativa de Reta e Plano

Definição 6.3.1 Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

e o plano π definido pela equação vetorial

π: X = P + α ~v + µ w
~ para α, µ ∈ IR ,

onde ~n = ~v ∧ w
~ é um vetor normal ao plano π.

Então, a reta r é transversal ao plano π se, e somente se, h ~u, ~n i 6= 0.

De modo equivalente, a reta r é transversal ao plano π se, e somente se, o conjunto


~ } é linearmente independente em V 3 .
{ ~u, ~v , w

Assim, existe um único ponto Q ∈ IE 3 de modo que Q = r ∩ π, que pode ser obtido
resolvendo a seguinte equação vetorial
−→
λ ~u − α ~v − µ w
~ = AP . (6.18)

Exemplo 6.3.1 Considere a reta r definida pela equação vetorial

r: X = (1, 1, 1) + λ (2, 1, 3) para λ ∈ IR ,

e o plano π definido pela equação vetorial

π: X = (2, 0, 2) + α (1, 1, 0) + µ (0, 1, 1) para α, µ ∈ IR .

Verifique se a reta r é transversal ao plano π. Em caso afirmativo, encontre o ponto


Q = r ∩ π.

Resolução – A resolução pode ficar a cargo do leitor.


272 Geometria Analı́tica e Vetores

Definição 6.3.2 Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

e o plano π definido pela equação vetorial

π: X = P + α ~v + µ w
~ para α, µ ∈ IR ,

onde ~n = ~v ∧ w
~ é um vetor normal ao plano π.

Então, a reta r é paralela ao plano π, ou r ⊂ π, se, e somente se, h ~u, ~n i = 0.

De modo equivalente, a reta r é paralela ao plano π, ou r ⊂ π, se, e somente se, o


~ } é linearmente dependente em V 3 .
conjunto { ~u, ~v , w

Exemplo 6.3.2 Considere a reta r definida pela equação vetorial

r: X = (1, 1, 1) + λ (3, 1, −2) para λ ∈ IR ,

e o plano π definido pela equação vetorial

π: X = (2, 0, 2) + α (1, 1, 0) + µ (0, 1, 1) para α, µ ∈ IR .

Verifique se a reta r é paralela ao plano π. Em caso afirmativo, verifique se a reta r está


contida no plano π.

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 6.3.3 Considere a reta r definida pela equação vetorial

r: X = (4, 1, 1) + λ (−1, 1, 2) para λ ∈ IR ,

e o plano π definido pela equação vetorial

π: X = (2, 0, 2) + α (1, 1, 0) + µ (0, 1, 1) para α, µ ∈ IR .

Verifique se a reta r é paralela ao plano π. Em caso afirmativo, verifique se a reta r está


contida no plano π.

Resolução – A resolução pode ficar a cargo do leitor.


Petronio Pulino 273

Posição Relativa de Plano e Plano

Definição 6.3.3 Sejam os planos π1 e π2 definidos pelas equações vetoriais

π1 : X = P1 + λ1 ~u1 + µ1 ~v1 e π2 : X = P2 + λ2 ~u2 + µ2 ~v2 ,

para λ1 , µ1 , λ2 , µ2 ∈ IR, com ~n1 = ~u1 ∧ ~v1 um vetor normal ao plano π1 e ~n2 = ~u2 ∧ ~v2
um vetor normal ao plano π2 .

Então, os planos π1 e π2 são transversais (concorrentes) se, e somente se, o conjunto


{ ~n1 , ~n2 } é linearmente independente em V 3 .

Assim, existe uma única reta r ⊂ IE 3 de modo que r = π1 ∩ π2 , que pode ser obtida
resolvendo o seguinte sistema de equações lineares

 a1 x + b1 y + c1 z = d1
r: (6.19)
 a x + b y + c z = d
2 2 2 2

onde os planos π1 e π2 são definidos pelas seguintes equações gerais

π1 : a1 x + b1 y + c1 z = d1 e π2 : a2 x + b 2 y + c 2 z = d 2 ,

com ~n1 = ~u1 ∧ ~v1 = (a1 , b1 , c1 ) e ~n2 = ~u2 ∧ ~v2 = (a2 , b2 , c2 ).

Definição 6.3.4 Sejam os planos π1 e π2 definidos pelas equações vetoriais

π1 : X = P1 + λ1 ~u1 + µ1 ~v1 e π2 : X = P2 + λ2 ~u2 + µ2 ~v2 ,

para λ1 , µ1 , λ2 , µ2 ∈ IR, com ~n1 = ~u1 ∧ ~v1 um vetor normal ao plano π1 e ~n2 = ~u2 ∧ ~v2
um vetor normal ao plano π2 .

Então, os planos π1 e π2 são paralelos (distintos ou coincidentes) se, e somente se,


o conjunto { ~n1 , ~n2 } é linearmente dependente em V 3 .

Exemplo 6.3.4 Estude a posição relativa dos planos π1 e π2 definidos pelas seguintes
equações gerais

π1 : 2x − y + 3z = 1 e π2 : 3x − 2y − z = 2 .

Resolução – A resolução pode ficar a cargo do leitor.

Exemplo 6.3.5 Estude a posição relativa dos planos π1 e π2 definidos pelas seguintes
equações gerais

π1 : x − 2y + z = 3 e π2 : 3x + y − z = 2 .

Resolução – A resolução pode ficar a cargo do leitor.


274 Geometria Analı́tica e Vetores

6.4 Ângulo entre Reta e Plano


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), com o sistema ortogonal de coordenadas para
o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o sistema
ortogonal de coordenadas, com o produto escalar h · , · i definido da seguinte forma:

h ~v , w
~ i = x1 y1 + x2 y 2 + x3 y 3

e com a norma proveniente desse produto escalar, definida da seguinte forma:


p p
k ~v k = h ~v , ~v i = (x1 )2 + (x2 )2 + (x3 )2

~ = (y1 , y2 , y3 ) ∈ V 3 .
para todo ~v = (x1 , x2 , x3 ) , w

Definição 6.4.1 Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

e o plano π definido pela equação vetorial

π: X = P + α ~v + µ w
~ para α, µ ∈ IR .

Então, a reta r e o plano π são perpendiculares se, e somente se, um vetor diretor da
reta r é paralelo ao vetor ~v ∧ w,
~ isto é,

r ⊥ π ⇐⇒ ~u k ~v ∧ w
~ ,

onde ~v ∧ w
~ é um vetor normal ao plano π, como ilustra a Figura 6.5.
r

6~
u
~v ∧ w
~
6

! w
~ π !
! !
 !
! sA ! !
! ! !
! ! !
! s! - !
! P ~v !
! !
! !
! !

Figura 6.5: Reta r perpendicular ao plano π


Petronio Pulino 275

Definição 6.4.2 Sejam a reta r definida pela equação vetorial

r: X = A + λ ~u para λ ∈ IR ,

e o plano π definido pela equação vetorial

π: X = P + α ~v + µ w
~ para α, µ ∈ IR ,

com ~n = ~v ∧ w
~ um vetor normal ao plano π.

Então, a medida do ângulo entre a reta r e o plano π é igual a medida complementar


do ângulo
h π i agudo entre a reta r e a reta s perpendicular ao plano π, que é o valor
θ ∈ 0, que satisfaz a equação
2
π  | h ~u, ~n i | | h ~u, ~n i |
cos −θ = ⇐⇒ sin(θ) = , (6.20)
2 k ~u k k ~n k k ~u k k ~n k
uma vez que os ângulos θ e α são complementares, isto é,
π π
α + θ = ⇐⇒ α = − θ ,
2 2
como ilustra a Figura 6.6.
s
r
!!
!
!
!
......................... α !
...........
.........
....... !
..... !
6 ~n !
...
~u !......... θ

! ! ...
...
! ! ...
...
! ! ... π
!
!
!
!
!
!

Figura 6.6: Ângulo entre Reta e Plano

Exemplo 6.4.1 Determine a medida em radianos do ângulo entre a reta r definida pela
equação vetorial

r: X = (1, 1, 1) + λ (2, 1, 3) para λ ∈ IR ,

e o plano π definido pela equação vetorial

π: X = (2, 0, 2) + α (1, 1, 0) + µ (0, 1, 1) para α, µ ∈ IR .

Resolução – A resolução pode ficar a cargo do leitor.


276 Geometria Analı́tica e Vetores

É importante ressaltar que o ângulo entre a reta r e o plano π fica definido como sendo o
ângulo entre e reta r e a reta t ⊂ π, onde a reta t é a projeção ortogonal da reta r sobre
o plano π, como ilustra a Figura 6.7.

s r

! ~n
~ π !
! 6 u

t !
! .
  !

....
!
........θ  !

... 
!  !


!
  !
!  !
!  !
!  !
! !

Figura 6.7: Ângulo entre Reta e Plano

Exemplo 6.4.2 Determine a medida em radianos do ângulo entre a reta r definida pela
equação vetorial

r: X = (3, 2, 1) + λ (1, 2, 1) para λ ∈ IR ,

e o plano π definido pela equação geral

π: x + y − z = 2 .

Resolução – Sabemos que o vetor ~n = (1, 1, −1) é um vetor normal ao plano π, e que o
vetor ~u = (1, 2, 1) é um vetor diretor da reta r. Assim, a medida em radianos do ângulo
entre a reta r e o plano π é expresso da seguinte forma:
√ √ !
| h ~u, ~n i | 2 2 2
sin(θ) = = √ √ = =⇒ θ = arcsin .
k ~u k k ~n k 6× 3 3 3
Petronio Pulino 277

6.5 Ângulo entre Planos


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), com o sistema ortogonal de coordenadas para
o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o sistema
ortogonal de coordenadas, com o produto escalar h · , · i definido da seguinte forma:

h ~v , w
~ i = x1 y1 + x2 y 2 + x3 y 3

e com a norma proveniente desse produto escalar, definida da seguinte forma:


p p
k ~v k = h ~v , ~v i = (x1 )2 + (x2 )2 + (x3 )2

~ = (y1 , y2 , y3 ) ∈ V 3 .
para todo ~v = (x1 , x2 , x3 ) , w

Definição 6.5.1 Sejam os planos π1 e π2 definidos pelas equações vetoriais

π1 : X = P1 + λ1 ~u1 + µ1 ~v1 e π2 : X = P2 + λ2 ~u2 + µ2 ~v2 ,

para λ1 , µ1 , λ2 , µ2 ∈ IR, com ~n1 = ~u1 ∧ ~v1 um vetor normal ao plano π1 e ~n2 = ~u2 ∧ ~v2
um vetor normal ao plano π2 .

Então, os planos π1 e π2 são perpendiculares se, e somente se, os vetores ~n1 e ~n2 são
ortogonais, isto é, se, e somente se,

~n1 ⊥ ~n2 ⇐⇒ h ~n1 , ~n2 i = 0 ,

como ilustra a Figura 6.8.

!
!
! π2
!
!
!
!
!
! ~n1
! 6

! π1 !
! ! !
! ! !
! ! !
! ! !
! !s -~
n2 !
! ! !
! ! !
! ! !
! ! !

Figura 6.8: Plano π1 perpendicular ao plano π2


278 Geometria Analı́tica e Vetores

Exemplo 6.5.1 Podemos verificar facilmente que os planos π1 e π2 definidos pelas


equações gerais

π1 : 2x − y − 3z = 2 e π2 : x − y + z = 3 ,

são perpendiculares.

Definição 6.5.2 Sejam os planos π1 e π2 definidos pelas equações vetoriais

π1 : X = P1 + λ1 ~u1 + µ1 ~v1 e π2 : X = P2 + λ2 ~u2 + µ2 ~v2 ,

para λ1 , µ1 , λ2 , µ2 ∈ IR, com ~n1 = ~u1 ∧ ~v1 um vetor normal ao plano π1 e ~n2 = ~u2 ∧ ~v2
um vetor normal ao plano π2 .

Considere a reta r perpendicular ao plano π1 , isto é, o vetor ~n1 é um vetor diretor da reta
r, e a reta s perpendicular ao plano π2 , isto é, o vetor ~n2 é um vetor diretor da reta s.

Então, a medida do ângulo entre os


h planos π1 e π2 é a medida do ângulo agudo entre
πi
as retas r e s, que é o valor θ ∈ 0, que satisfaz a equação
2
| h ~n1 , ~n2 i |
cos(θ) = , (6.21)
k ~n1 k k ~n2 k

como ilustra a Figura 6.9.

A
sA r
A
A
A
A
A 

 !
A ~n1  !
6
A .......θ.......................  !
A
..
...
 π2 !
~n2AAK  !
A  !
! A ! ! π1 !
! A ! ! !
! A ! ! !
! As! ! !
! ! 
 !
! !  !
! ! 
.  !
!  ......
...
! !
! ! ... θ !

.
...
! ! .. !

Figura 6.9: Ângulo entre Planos


Petronio Pulino 279

Exemplo 6.5.2 Determine a medida em radianos do ângulo entre os planos π1 e π2


definidos pelas seguintes equações gerais

π1 : 4x − 2y + 4z = 1 e π2 : −x − 2 y + 2 z = 3 .

Resolução – Sabemos que o vetor ~n1 = (4, −2, 4), que é um vetor normal ao plano π1 ,
é um vetor diretor da reta r perpendicular ao plano π1 , e o vetor ~n2 = (−1, −2, 2), que é
um vetor normal ao plano π2 , é um vetor diretor da reta s perpendicular ao plano π2 .
h πi
Desse modo, a medida do ângulo entre os planos π1 e π2 é o valor θ ∈ 0, que satisfaz
2
a equação
 
| h ~n1 , ~n2 i | 8 4 4
cos(θ) = = = =⇒ θ = arccos .
k ~n1 k k ~n2 k 6×3 9 9

Exemplo 6.5.3 Determine a medida em radianos do ângulo entre os planos π1 e π2


definidos pelas seguintes equações vetoriais

π1 : X = (1, 2, 1) + λ (1, 1, 1) + µ (0, 1, 1)


para λ, µ ∈ IR .
π2 : X = (2, 1, 0) + λ (1, 2, 1) + µ (2, 1, 1)

Resolução – A resolução pode ficar a cargo do leitor.


280 Geometria Analı́tica e Vetores

6.6 Distância de Ponto a Plano


Consideramos o espaço de vetores V 3 munido com a base canônica β = { ~e1 , ~e2 , ~e3 }, onde
~e1 = (1, 0, 0) , ~e2 = (0, 1, 0) e ~e3 = (0, 0, 1), com o sistema ortogonal de coordenadas para
o espaço IE 3 definido por Σ = (O, ~e1 , ~e2 , ~e3 ), com O = (0, 0, 0) a origem para o sistema
ortogonal de coordenadas, com o produto escalar h · , · i definido da seguinte forma:

h ~v , w
~ i = x1 y1 + x2 y 2 + x3 y 3

e com a norma proveniente desse produto escalar, definida da seguinte forma:


p p
k ~v k = h ~v , ~v i = (x1 )2 + (x2 )2 + (x3 )2

~ = (y1 , y2 , y3 ) ∈ V 3 .
para todo ~v = (x1 , x2 , x3 ) , w

Sejam um plano π ⊂ IE 3 e um ponto P ∈ IE 3 , que não pertence ao plano π. A distância do


ponto P ao plano π, que denotamos por d(P, π), é a distância do ponto P ao ponto Q ∈ π
que é a projeção ortogonal do ponto P sobre o plano π, isto é, d(P, π) = d(P, Q). Considere
uma reta r perpendicular ao plano π e que passa pelo ponto P . Assim, podemos determinar
o ponto Q ∈ π tomando a intersecção da reta r com o plano π, isto é, Q = r ∩ π, como
ilustra a Figura 6.10. Entretanto, vamos apresentar um processo que torna a resolução do
problema um tanto quanto mais simples e mais elegante, como veremos a seguir.
r

sP


!
π !
!
!
!
sQ !


!  !
!
 !
s


! !
! A !
! !
! !
! !

Figura 6.10: Distância de Ponto a Plano


Petronio Pulino 281

Por simplicidade, consideramos o plano π definido pela equação vetorial

π: X = A + λ ~u + µ ~v para λ, µ ∈ IR .

com ~n = ~u ∧ ~v um vetor normal ao plano π, como ilustra a Figura 6.11.

Vamos abordar o problema da distância do ponto P ao plano π através da projeção


−→
ortogonal do vetor AP sobre a direção de um vetor normal do plano π, obtendo o vetor
−→
QP , como ilustra a Figura 6.11. Assim, utilizamos o tópico de projeção ortogonal que
−→
estudamos na seção 3.4. Sabemos que o vetor QP é calculado da seguinte forma:
−→
−→ −−→ −→ h AP , ~n i
QP = proj ~n (AP ) = ~n . (6.22)
h ~n, ~n i

sP

6


~n

!
~
v π !
!
!

!
! Q
! 
1s !
!
!   !
!
! !
! !

s
-~
u !
! A !
! !
! !
! !

Figura 6.11: Distância de Ponto a Plano

Portanto, a distância do ponto P ao plano π, é calculado da seguinte forma:


−→
h AP , ~
n i

−→
d(P, π) = k QP k = . (6.23)
k ~n k
−→ −→
É importante observar que o vetor AQ é a projeção ortogonal do vetor AP sobre o plano
π, que é calculado da seguinte forma:
−→ −→ −→
AQ = AP − QP
−→ (6.24)
−→ h AP , ~n i
= AP − ~n
h ~n, ~n i
−→
Assim, obtemos facilmente a projeção ortogonal do vetor AP sobre o plano π calculando
−→
inicialmente a projeção ortogonal do vetor AP na direção de um vetor normal ao plano π,
−→
obtendo o vetor QP dado pela equação (6.22).
282 Geometria Analı́tica e Vetores

Exemplo 6.6.1 Considere o plano π definido pela equação geral

π: X = 2x − y + 4z = 2 .

Determine a distância do ponto P = (2, −2, 1) ao plano π.

Resolução – Tome um ponto A ∈ π, por exemplo, A = (1, 0, 0). Sabemos que o vetor
−→
~n = (2, −1, 4) é um vetor normal ao plano π, e o vetor AP = (1, −2, 1). Assim, a distância
do ponto P = (2, −2, 1) ao plano π, é calculado da seguinte forma:
−→


h AP , ~n i