Revisão Álgebra Linear

Álgebra Linear I - Aula 1
1. Resolução de Sistemas Lineares.
2. Métodos de substituição e escalonamento.
3. Coordenadas em R2 e R3 .
Roteiro
1 Resolução de Sistemas Lineares

Uma equação linear é uma equação onde todas as incógnitas (que denotare-
mos por x1 , x2 , . . . , xn , ou simplesmente por x, y, z quando há apenas três ou
menos incógnitas) que aparecem têm todas grau igual a um. Por exemplo:
a1 x 1 + a2 x 2 + · · · + a n x n = b
é uma equação linear com n incógnitas.

Por exemplo x2 + y = 5 e x y = 3 não são equações lineares.
Uma solução da equação anterior é qualquer conjunto ordenado (ℓ1 , ℓ2 , . . . , ℓn )
de n números tal que
a1 ℓ1 + a2 ℓ2 + · · · + an ℓn = b.
Em geral (eliminando os casos triviais, quais?) uma equação linear tem

sempre solução. Por exemplo, se supomos que a1 6= 0 temos que (b/a1 , 0, . . . , 0)
é uma solução da equação. Analogamente, se supomos que a2 6= 0 temos que
(0, b/a2 , 0, . . . , 0) também é uma solução. Porém, em geral há soluções mais
complicadas. Por exemplo, se consideramos a equação
x+y =1
é simples verificar que as soluções são da forma (t, 1 − t), onde t ∈ R. Usando
o método anterior, obteriamos (apenas) as soluções (1, 0) e (0, 1).
1
Um sistema linear de m equações com n incógnitas é um conjunto de m
equações lineares com as mesmas n incógnitas x1 , x2 , . . . xn . Uma diferença
importante entre os sistemas e as equações lineares é que (novamente elimi-
nando os casos triviais) os primeiros nem sempre têm solução. Por exemplo,
as duas equações lineares x = 1 e x = 2 têm solução. Porém o sistema linear
de duas equações
x = 1, x = 2
não tem solução. Ao longo do curso (e nesta aula) veremos casos mais inter-
essantes de sistemas lineares sem solução.
O objetivo desta aula é relembrar como resolver sistemas lineares de
forma simples.
Existem dois tipos de sistemas lineares, os que não admitem solução (im-
possı́veis) e os que admitem solução. Estes últimos se subdividem em deter-
minados (a solução é única) e indeterminados (existem infinitas soluções).
Vejamos alguns exemplos:
• Impossı́vel:
x + y = 1, x + y = 2.
• Com solução única (determinado):
x + y = 1, x − y = 1.
• Com infinitas soluções (indeterminado):
x + y = 1, 2x + 2y = 2.
Mostraremos dois métodos de resolução de sistemas: método de substi-

tuição e de escalonamento ou de eliminação gaussiana. Observamos que
no caso em que o sistema não tem solução estes métodos fornecem esta in-
formação.
1.1 Método de substituição

Neste método isolamos uma das variáveis e a escrevemos em função das
outras.
Exemplo 1. Resolva o sistema x + y = 2, x − y = 1.
2
Resposta: Da primeira equação temos, x = 2 − y. Substituindo o valor
de x na segunda equação, 2 − y − y = 1, logo y = 1/2. Portanto, x = 3/2.
Neste exemplo, temos um sistema (com solução) determinado (única). ¤
Lembre sempre de verificar que o resultado está certo!
Exemplo 2. Resolva o sistema linear de duas equaçẽs

x + y = 2, 2x + 2y = 4.
Resposta: Da primeira equação obtemos
x = 2 − y.
Substituindo o valor de x na segunda equação,
4 − 2y + 2y = 4, 4 = 4.
Isto é, a segunda equação não impõe nenhuma condição nova (de fato, é
obtida multiplicando a primeira por 2 (!)). As soluções do sistema são da
forma
x = 2 − y, (2 − y, y),
onde y pode ser qualquer valor de R. Isto é as soluções do sistema de-
terminam uma reta no plano R2 . Logo o sistema admite infinitas soluções
(indeterminado).
Para verificar que a solução está correta substituimos nas equações:
(2 − y) + y = 2, 2 = 2,
2(2 − y) + 2y = 4, 4 − 2y + 2y = 4, 4 = 4.
A resolução do exemplo agora está completa. ¤
Exemplo 3. Resolva o sistema linear

x + y = 2, x + y = 3.
Resposta: Da primeira equação temos x = 2−y. Substituindo na segunda,
2 − y + y = 3,
isto é, 2 = 3(!), o que é absurdo. Portanto, o sistema não admite solução
(impossı́vel). ¤
3
Exemplo 4. Resolva o sistema linear
x + y + z = 1, x − y = 2.
Resposta: Da segunda equação, temos x = 2 + y, e substituindo na

primeira,
2 + 2y + z = 1, z = −1 − 2y.
Portanto, as soluções são da forma
(2 + t, t, −1 − 2t), t ∈ R.
Observe que estamos escolhendo y = t como parâmetro. Logo, para cada

valor de t, obtemos uma solução. As soluções formam uma reta.
Verifiquemos que a resposta é correta: Substituindo nas equações:
x + y + z = (2 + t) + t + (−1 − 2t) = 1, x − y = (2 + t) − t = 2.
Observamos que poderiamos ter escolhido outra variável como parâmetro.

Por exemplo, escolhendo x como parâmetro, temos, x = t, y = x−2 = −2+t
e z = 1 − x − y = 3 − 2t.
Observe que não é possı́vel escolher a variável z como parâmetro (tente!,
justifique!). ¤
Exemplo 5. Determine k para que o sistema o linear
x + y = 1, 2x + 2y = k
tenha solução. Estude se em tal caso o sistema é determinado ou indetermi-

nado.
Resposta: Da primeira equação obtemos x = 1 − y. Substituindo na

segunda, 2 − 2y + 2y = k, logo k = 2. O sistema tem infinitas soluções
(indeterminado): todo ponto da forma (1 − t, t), t ∈ R é solução. Verifique
sua resposta. ¤
4
1.2 Método de escalonamento
Este método consiste em, dado um sistema linear, encontrar outro sistema
linear equivalente (com as mesmas soluções) tal que no novo sistema na se-
gunda equação apareça (no mı́nimo) uma incógnita a menos que na primeira,
e assim sucessivamente. Desta forma, isolaremos uma variável e a partir
desta, obteremos sucessivamente as outras.
Por exemplo o sistemas
x + y = 4, 2 x + 3 y = 11
e
x + y = 4, y=3
são equivalentes (a única solução dos sistemas é x = 1 e y = 3, confira). Mas
é muito mais simples resolver os segundo: já conhecemos o valor de y. De
fato, o segundo sistema já está em forma de escada.
Vejamos o método de escalonamento com um exemplo, considere o sis-
tema
x + y + z = 2, 2x − y + z = 5, x − 2y + 3z = 9.
Em primeiro lugar, eliminaremos a variável x das segunda e terceira equações.
Para isto, efetuamos as seguintes operações:
• substituimos a segunda equação pela segunda equação menos duas
vezes a primeira equação, e
• substituimos a terceira equação pela terceira equação menos a primeira.

Assim obtemos,
x + y + z = 2, −3 y − z = 1, −3y + 2z = 7.
Este sistema linear é equivalente ao primeiro (isto é, tem as mesmas soluções).
Para eliminar a variável y da terceira equação, consideraremos a terceira
menos a segunda, obtendo
x + y + z = 2, −3 y − z = 1, +3 z = 6.
Portanto, z = 2. Da segunda equação, temos, y = −1 e finalmente x = 1.

Portanto, o sistema tem solução única (determinado). Verifique que a solução
achada é correta.
5
Exemplo 6. Resolva o sistema linear de três equações
x + y + z = 0, 2x + y = 4, x − z = 4.
Resposta: Eliminaremos a variável x da segunda e da terceira equações.

Para isto, subtrairemos da segunda equação duas vezes a primeira e da ter-
ceira a primeira. Obtemos,
x + y + z = 0, −y − 2z = 4, −y − 2z = 4.
Vemos que as duas últimas equações estão repetidas. Podemos suprimir uma
delas e obtemos o sistema de duas equações nas três variáveis
x + y + z = 0, y + 2z = −4.
Isto significa que no sistema inicial uma das equações não fornece informação
alguma: a terceira equação é a segunda equação menos a primeira.
Neste ponto já não é possı́vel fazer mais eliminações. Escolhemos z como
parâmetro e escrevemos as outras variáveis em função de z = t ∈ R. Temos,
y = −4 − 2 t, x = −y − z = 4 + 2 t − t = 4 + t.
Logo, a solução é da forma:
(4 + t, −4 − 2 t, t), t ∈ R.
Portanto, o sistema é indeterminado (existem infinitas soluções). ¤
Exemplo 7. Resolva o sistema linear,
x + y + z = 1, x − y − z = 2, 3x + y + z = 10.
Resposta: Eliminaremos x da segunda e da terceira equações (segunda

menos primeira e terceira menos três vezes a primeira). Obtemos,
x + y + z = 1, −2y − 2z = 1, −2y − 2z = 7.
Ao eliminar y da terceira equação temos,
0 = 6,
o que é impossı́vel, logo o sistema é impossı́vel e por isso não admite solução.
¤
6
x=m
Y
k (m, k)
y=k
m X
Figure 1: Retas paralelas aos eixos
Z Z
m z=m Z y=m
Y
Y m X Y
X X m
Figure 2: Planos paralelos aos eixos
2 Coordenadas em R2 e R3
Em primeiro lugar lembramos o significado geométrico das equações x = k,
y = k (em R2 e R3 ) e z = k (em R3 ).
Equações das retas e planos paralelos aos planos e os eixos coordenados.
Exemplo 8. Seja P um paralelepı́pedo com faces paralelas aos planos coorde-

nados. Sabendo que A = (1, 1, 1) e B = (3, 4, 5) são dois vértices determine
os outros 6.
Resposta: (1, 1, 5), (1, 4, 1), (1, 4, 5), (3, 4, 1), (3, 1, 1) e (3, 1, 5). ¤
7
1. Vetores.
2. Distâncias.
3. Módulo de um vetor.
Roteiro
1 Vetores
Nesta seção lembraremos brevemente os vetores e suas operações básicas.
Definição de vetor v̄. Vetor v̄ determinado por dois pontos A e B (extre-
mos inicial e final) vetor AB.
Exemplos: Escreva os vetores determinados pelos pontos A = (1, 1, 1) e
B = (2, 3, 4), e C = (2, 3, 5) e D = (3, 5, 8). Interprete.
1.1 Operações com vetores

Considere os vetores u = (u1 , u2 , u3 ) e v = (v1 , v2 , v3 ), e o número real λ.
• soma (lei do paralelogramo): u + v = (u1 + v1 , u2 + v2 , u3 + v3 ),
• subtração ou diferença (lei do paralelogramo): u − v = (u1 −

v1 , u2 − v2 , u3 − v3 ),
• multiplicação pelo escalar λ ∈ R: λ u = (λ u1 , λ u2 , λ u3 ),
• vetor nulo: 0̄ = (0, 0, 0),
• produto escalar (ou produto interno): u · v = u1 v1 + u2 v2 + u3 v3

(o resultado é um número real!).
Vetores paralelos.
1
ū ū ū + v̄
v̄ v̄
ū
v̄
−ū v̄ − ū
ū − v̄
ū
−v̄ v̄
Figura 1: Lei do paralelogramo
Exemplo 1. Considere o paralelogramo que tem como vértices os pontos A =

(a1 , a2 , a3 ), B = (b1 , b2 , b3 ) e C = (c1 , c2 , c3 ). Sabendo que AB e AC são lados
do paralelogramo. determinemos o quarto vértice D do paralelogramo. Estude
as possibilidades que aparecem quando AB e AC não são simultaneamente
lados do paralelogramo.
B D B
C A
A C
B AD
AB
D
A C
AC D B
A C
Figura 2: Os paralelogramos de vêrtices A, B, C e D
Resposta: Seja X = (x1 , x2 , x3 ) o quarto vértice do paralelogramo. Pela

lei do paralelogramo, sabemos que:
AB + AC = AX.
2
Logo,
(b1 + c1 − 2 a1 , b2 + c2 − 2 a2 , b3 + c3 − 2 a3 ) = (x1 − a1 , x2 − a2 , x3 − a3 ).
Portanto, como os dois vetores são iguais as coordenadas devem coincidir:
x 1 = b 1 + c 1 − a1 , x 2 = b 2 + c 2 − a2 , x 3 = b 3 + c 3 − a3 .
Concluimos assim o exemplo. ¤
Exercı́cio 1. Encontre as coordenadas do vetor v̄ de extremos inicial A =

(4, 6, 1) e final B = (1, 2, 3).
Exercı́cio 2. Considere o vetor v̄ = (1, 2, 3). Sabendo que seu extremo inicial
é (1, 2, 3) determine seu extremo final.
Exercı́cio 3. Considere os vetores u = (−3, 1, 2), v = (4, 0, 8) e w =

(6, −1, −4). Seja r um vetor tal que 2u − v + r = 2r + w. Determine r.
Estude se existe um vetor k tal que 2u − v + k = k + w.
2 Distâncias
2.1 Distância entre dois pontos
A distância entre dois pontos A e B, denotada por d(A, B), é o comprimento
do segmento de extremos A e B. Calcularemos a distância entre dois pontos
usando o teorema de Pitágoras.
Distância entre dois pontos em R2 : dados dois pontos, A = (a, b) e
B = (c, d) a distância entre eles é
p
d(A, B) = (c − a)2 + (d − b)2 .
Para obter esta fórmula considere o triângulo retângulo ∆ de vértices A,

B e C = (c, b). A hipotenusa do triângulo retângulo ∆ é exatamente o
segmento AB (cujo comprimento queremos calcular). Os catetos de ∆ são os
segmentos AC e CB paralelos aos eixos coordenados e cujos comprimentos
são conhecidos. Agora é só aplicar o teorema de Pitágoras. Veja a figura.
3
c
d B
A=(a,b,c)
b A
0 b
a c
a
Figura 3: Distâncias
Distância entre dois pontos em R3 : Dados dois pontos, A = (a, b, c) e

B = (d, e, f ), a distância entre eles é
p
d(A, B) = (d − a)2 + (e − b)2 + (f − c)2 .
Esta fórmula é obtida como no caso anterior mas é necessário considerar
dois passos. Considere o ponto auxiliar C = (d, e, c). Os pontos A e C estão
no mesmo plano z = c. Portanto, podemos calcular a distância entre A e C,
nesse plano, usando o item precedente:
p
d(A, C) = (d − a)2 + (e − b)2 .
Veja agora que os vértices A, B e C determinam um novo trin̂gulo retângulo
Υ cuja hipotenusa é o segemento AB e cujos catetos são os segmentos AC
(cujo comprimento acabamos de calcular) e BC. Mas o comprimento do
cateto BC é trivialmente |f − c|. Agora é só aplicar novamente o teorema
de Pitágoras. Veja a figura 5.
Exemplo 2. A circunferência de raio r e centro P = (a, b) (conjunto dos

pontos de R2 a distância r de P ) é o conjunto de pontos X = (x, y) tais que
p
d(X, P ) = r, (x − a)2 + (y − b)2 = r.
A superfı́cie esférica de raio r e centro P (conjunto dos pontos de R3 a
distância r de P = (a, b, c)) é o conjunto de pontos X = (x, y, z) tais que
p
d(X, P ) = r, (x − a)2 + (y − b)2 + (z − c)2 = r.
4
Exemplo 3 (Lugares geométricos). Lugar geométrico L dos pontos equidis-
tantes de A = (a, 0, 0) e B = (−a, 0, 0), isto é, o conjunto dos pontos X de
R3 tais que d(XA) = d(X, B)).
L d
X B
d d
d
B A
A
Figura 4: Lugar geométrico
Por definição, um ponto X = (x, y, z) que pertence a L deve verificar,

d(X, A) = d(X, B),
onde d representa a distância. Como a distância é um número não negativo,
isto é equivalente a
d(X, A)2 = d(X, B)2 , (x−a)2 +y 2 +z 2 = (x+a)2 +y 2 +z 2 , 4ax = 0, x = 0.
Ou seja, o lugar geométrico procurado está formado pelos pontos em um
plano coordenado (qual?).
Faça como exercı́cio o caso geral A = (a1 , a2 , a3 ) e B = (b1 , b2 , b3 ).
Exemplo 4. Determine o ponto do eixo Y equidistante de A = (3, −2, 4) e
B = (−2, 6, 5).
Resposta: Os pontos X que procuramos são da forma X = (0, y, 0) (pois
estão no eixo Y) e devem verificar:
d(X, A) = d(X, B), 9 + (y + 2)2 + 16 = 4 + (y − 6)2 + 25, y = 9/4.
Dê agora um exemplo de dois pontos de R2 tais que não existam pontos
do eixo Y que lhes sejam equidistantes. (Resposta: A = (5, 0) e B = (7, 0),
justifique). ¤
5
3 Módulo ou norma de um vetor
A norma ou módulo do vetor ū = (u1 , u2 , u3 ) de R3 é
q
||ū|| = u21 + u22 + u23 .
Geometricamente a fórmula significa que o módulo do vetor ū é o compri-

mento do segmento OU , onde O é a origem e U é o ponto de R3 de coorde-
nadas (u1 , u2 , u3 ).
O módulo de um vetor do plano R2 é definido de forma análoga e tem o
mesmo significado geométrico.
Observe que se verifica a seguinte relação entre módulo e produto escalar:
||ū||2 = ū · ū.
Temos as seguintes propriedades do módulo de um vetor:
• ||u|| = 0 se, e somente se, u = 0,
• Desigualdade triangular :
||u + v|| ≤ ||u|| + ||v||.
A interpretação geométrica da desigualdade é a seguinte: dado um

triângulo a soma dos comprimentos de dois lados do mesmo é maior
que o comprimento do terceiro lado),
• λ ∈ R, ||λ v|| = |λ| ||v||.
As provas da primeira e da terceira propriedades são simples e ficam

como exercı́cio. Vejamos a desigualdade triangular no caso (simplificado)
ū = (u1 , 0) e v̄ = (v1 , v2 ). Observe que quadrando ambos os membros, a
desigualdade triangular é equivalente a
(||u + v||)2 = (u + v) · (u + v) ≤ (||u|| + ||v||)2 = ||u||2 + ||v||2 + 2 ||u|| ||v||.
Desenvolvendo o primeiro membro da desigualdade temos:
(u + v) · (u + v) = u · u + 2 u · v + v · v = ||u||2 + ||v||2 + 2 u · v.
6
Desenvolvendo o segundo membro:
(||u|| + ||v||)2 = ||u||2 + ||v||2 + 2 ||u|| ||v||.
Portanto, a desigualdade triangular é equivalente a:
||u||2 + ||v||2 + 2 u · v ≤ ||u||2 + ||v||2 + 2 ||u|| ||v||,
ou seja,
u · v ≤ ||u|| ||v||.
Usando que u = (u1 , 0) e v = (v1 , v2 ), temos que a desigualdade triangular é
equivalente a q q
u1 v1 ≤ u21 v12 + v22 .
Mas esta desigualdade é sempre verdadeira pois
q q
u21 ≥ |u1 | e v12 + v22 ≥ |v1 |.
Não faremos a prova da desigualdade triangular no caso geral, apenas jus-

tificaremos a simplificação com uma figura e um breve comentário. Considere
os pontos U = (u1 , u2 ), V = (v1 , v2 ) e a origem O = (0, 0) que determinam
um triângulo ∆. Queremos provar que o comprimento do lado U V é menor
que a soma dos comprimentos dos lados OU e OV (este é exatamente o signi-
ficado da desigualdade triangular). Para ver isto é suficiente girar o triângulo
∆ obtendo um novo triângulo ∆′ de vértices O, U ′ e V ′ cujos lados têm os
mesmos comprimentos e de forma que o lado OU ′ agora é paralelo ao eixo X,
isto é, o vetor u é da forma (u1 , 0) e estamos no caso provado anteriormente.
Observe que
||ū + v̄|| = ||ū|| + ||v̄||
se, e somente se, v̄ = k ū onde k é um número real positivo. Em vista dos
comentários anteriores e como u1 v1 ≤ |u1 | |v1 | a igualdade se tem quando
q q
2
u1 = |u1 | e v12 + v22 = |v1 | (ou seja v2 = 0)
e u1 v1 = |u1 | |v1 |, (ou seja u1 e v1 têm o mesmo sinal).
7
V ∆
U
V′
∆′
U′
Figura 5: Desigualdade triangular
3.1 Vetores unitários

Um vetor v̄ é unitário quando seu módulo é igual a 1.
1
A cada vetor ū não nulo associamos o vetor ||u|| ū que, por definição tem
módulo 1, e tem a mesma direção e sentido que o vetor ū.
Exemplo 5. Vetores unitários na circunferência trigonométrica de R2 : são

os vetores da forma (cos t, sin t) onde t ∈ [0, 2π]. De fato, em R2 todos os
vetores unitários são da forma (cos t, sin t).
8
ū
ū
||ū||
v̄
v̄
||v̄||
x2 + y 2 = 1
Figura 6: Vetores unitários associados (no plano)
sin θ
θ
cos θ
r=1
Figura 7: Vetores unitários na circunferência trigonométrica
9
1. Produto escalar. Ângulos.
2. Desigualdade triangular.
3. Projeção ortogonal de vetores.
Roteiro
1 Produto escalar
Considere dois vetores ū = (u1 , u2 , u3 ) e v̄ = (v1 , v2 , v3 ) de R3 . O produto
escalar de u e v é definido da seguinte forma:
ū · v̄ = u1 v1 + u2 v2 + u3 v3 .
A definição para o produto escalar de dois vetores do plano R2 é similar, se

ū = (u1 , u2 ) e v̄ = (v1 , v2 ) então
ū · v̄ = u1 v1 + u2 v2 .
As principais propriedades do produto escalar (todas de simples verificação)

são as seguintes:
• comutativa: ū · v̄ = v̄ · ū,
• distributiva: (ū + w̄) · v̄ = ū · v̄ + w̄ · v̄,
• λ ∈ R, (λ ū) · v̄ = λ (ū · v̄).
• ū · ū = 0 se, e somente se, ū = 0̄.
Observe que, como já referido, se verifica a seguinte propriedade do

módulo de um vetor:
||ū||2 = ū · ū.
1
1.1 Produto escalar e ângulos
Dizemos que dois vetores ū e v̄ (não nulos) são ortogonais se verificam
ū · v̄ = 0.
Veremos a seguir que a noção de vetores ortogonais corresponde a noção

de perpendicularidade. Por simplicidade, veremos esta propriedade no plano
R2 . Suponha que
ū = (u1 , u2 ) e v̄ = (v1 , v2 ).
Considere os pontos
A = (u1 , u2 ) e B = (v1 , v2 ).
Propriedade 1.1. Os vetores ū e v̄ são ortogonais (ū · v̄ = 0) se, e somente

se, o triângulo de vértices 0 (a origem), A e B é retângulo. (Veja a figura).
A
B
ū
v̄
Figura 1: Ortogonalidade
Prova: Observamos, em primeiro lugar que, pelo teorema de de Pitágoras,

o triângulo OAB é retângulo se, e somente se,
d(A, B)2 = d(0, A)2 + d(0, B)2 . (1)
Observe que
d(A, B) = ||ū − v̄||, d(0, A) = ||ū||, d(0, B) = ||v̄||
e que se verificam as igualdades
||ū − v̄||2 = (ū − v̄) · (ū − v̄), ||ū||2 = ū · ū, ||v̄||2 = v̄ · v̄,
2
A igualdade (1) é equivalente a:
(ū − v̄) · (ū − v̄) = ū · ū + v̄ · v̄.
Usando as propriedades do produto escalar e simplificando, obtemos,
2 (ū · v̄) = 0.
Ou seja, o triângulo é retângulo se, e somente se, ū · v̄ = 0, como queremos

provar. ¤
A seguir veremos uma fórmula que relaciona produto escalar e ângulos e
que imediatamente implica a Propriedade 1.1.
Propriedade 1.2. O produto escalar dos vetores ū e v̄ também é dado pela

fórmula
ū · v̄ = |ū| |v̄| cos α,
onde α é o ângulo formado por ū e v̄, com 0 ≤ α ≤ π.
Em particular, o ângulo α entre dois vetores é dado pela fórmula
ū · v̄
cos α = .
|ū||v̄|
Prova: Provaremos a afirmação para vetores do plano. Suponhamos pri-

meiro que os vetores são unitários. Como os vetores são unitários (veja a
Aula 2) temos que
ū = (cos φ, sin φ), v̄ = (cos θ, sin θ),
para certos ângulos φ e θ.

Logo, pela fórmula do coseno da soma de dois ângulos,
ū · v̄ = cos φ cos θ + sin φ sin θ = cos(φ − θ) = cos α.
O que termina o caso em que os vetores são unitários.

No caso geral, escrevemos
ū = |ū| ē e v̄ = |v̄| f¯,
onde ē e f¯ são vetores unitários paralelos a ū e v̄.
3
v̄
θ
ū
Figura 2: Produto escalar
v̄
f¯ ē
ū
Figura 3: Produto escalar (continuação)
Aplicando as propriedades do produto escalar,
ū · v̄ = (|ū| ē) · (|v̄| f¯) = (|ū| |v̄|) (ē · f¯).
Agora é suficiente observar que, pela primeira parte, ē· f¯ é o coseno do ângulo
entre ē e f¯ que é igual ao ângulo entre ū e v̄.
Os argumentos acima fornecem o seguinte: o ângulo α entre dois vetores
é dado pela fórmula
ū · v̄
cos α = . (2)
|ū||v̄|
Isto termina a prova da propriedade. ¤
Observação 1. A fórmula em (2) implica que se ū · v̄ = 0 então os vetores

são ortogonais: |ū| |v̄| cos θ = 0, onde θ é o ângulo formado por ū e v̄, logo,
como |ū| =
6 0 6= |v̄|, cos θ = 0, e, portanto, θ = π/2.
4
Exemplo 1. Considere os vetores ū = (1, k) e v̄ = (2, 1). Determine k para
que os vetores sejam ortogonais e para que formem um ângulo de π/4.
Resposta: Para que os vetores sejam ortogonais devemos ter a relação
ū · v̄ = 0 = 2 + k = 0,
logo k = −2.
Para que os vetores formem um ângulo de π/4 devemos ter a relação
√ √ √
ū · v̄ = 2 + k = 5 1 + k 2 ( 2/2).
Agora é suficiente resolver a equação de segundo grau:

1
4 + k 2 + 4 k = 5 (1 + k 2 ) = 0, 3 k 2 − 2 k − 3 = 0.
2
Ou seja, √ √ √
2± 4 + 36 2 ± 2 10 1 ± 10
k= = = .
6 6 3
Tente justifivar geometricamente porquê neste caso temos duas soluções para
k e no caso precedente (vetores ortogonais) apenas uma solução. ¤
Exemplo 2. Calcule o ângulo entre a diagonal de um cubo e suas arestas.
Z
k
d¯ Y
k
X k
Figura 4: Cubo com vetor diagonal
Resposta: Consideraremos o cubo com arestas paralelas aos eixos coorde-

nados. Sejam a origem (0, 0, 0) e os pontos (k, 0, 0), (0, k, 0) e (0, 0, k) quatro
vértices do cubo (veja a figura). Considere agora o vetor diagonal, isto é,
5
o vetor d¯ obtido considerando a origem e o vértice oposto (k, k, k). Então,
o ângulo θ entre o vetor diagonal e a aresta (por exemplo) ux = (k, 0, 0) é
obtido como segue:
√
d¯ · ūx = (k, k, k) · (k, 0, 0) = |d|
¯ · |ūx | cos θ, k 2 = 3 k 2 k cos θ,
√ √
Logo, cos θ = 1/ 3, e θ = arccos(1/ 3), onde escolhemos a determinação
do arccos em (0, π). Os ângulos com as outras arestas são iguais.
Observe que o ângulo obtido é sempre independente da escolha de k ¤
2 A desigualdade triangular (novamente)

Usando as fórmulas do produto escalar podemos obter novamente a a desi-
gualdade triangular:
Propriedade 2.1 (Desigualdade triangular). Dados dois vetores ū e v̄ se
verifica
||ū + v̄|| ≤ ||ū| + ||v̄||.
Além disto a igualdade kū + v̄k = kūk + kv̄k se verifica, e somente se,
ū = λ v̄ ou v̄ = λ ū para algum número real λ (isto é, se os vetores são
paralelos).
Prova: Observe que é suficiente provar
(kū + v̄k)2 ≤ (kūk + kv̄k)2 .
Temos as igualdades
(kū + v̄k)2 = (ū + v̄) · (ū + v̄) = kūk2 + 2 ū · v̄ + kv̄k2 ,
(kūk + kv̄k)2 = kūk2 + 2 kūk kv̄k + kv̄k2 .
Portanto, para provar a desigualdade é suficiente observar que
ū · v̄ = kūk kv̄k cos α ≤ kūk kv̄k,
onde α é o ângulo entre os vetores.

Para ver a segunda parte da propriedade, observe que se verifica
kū + v̄k = kūk + kv̄k
6
se, e somente se,
ū · v̄ = kūk kv̄k cos α = kūk kv̄k,
ou seja, α = 0. Logo ū = λ v̄ para λ ≥ 0. ¤
Exercı́cio 1. Mostre a identidade:

kū + v̄k2 + kū − v̄k2 = 2 (kūk2 + kv̄k2 ).
Resposta: É suficiente observar que:
kū + v̄k2 = (ū + v̄) · (ū + v̄) = kūk2 + kv̄k2 + 2 ū · v̄,
kū − v̄k2 = (ū − v̄) · (ū − v̄) = kūk2 + kv̄k2 − 2 ū · v̄.

Somando as duas expressões obtemos,
kū + v̄k2 + kū − v̄k2 = 2 kūk2 + 2 kv̄k2 ,
obtendo o resultado pedido. ¤
3 Projeção ortogonal em um vetor

Dado um vetor não nulo ū, a projeção ortogonal do vetor v̄ no vetor ū é um
novo vetor (paralelo ao vetor v̄) definido como:
³ ū · v̄ ´
πū (v̄) = ū.
ū · ū
Interpretação geométrica da projeção ortogonal: o vetor πū (v̄) é a compo-
nente vetorial do vetor v̄ na direção ū. Dito de outra forma, o vetor v̄ é
a soma da sua projeção ortogunal no vetor ū e um vetor ortogonal a ū (veja
a figura e o comentário a seguir).
Propriedade 3.1. O vetor (v̄ − πū (v̄)) é ortogonal a ū.

Prova: Para comprovar a propriedade é suficiente calcular o produto escalar
ū · (v̄ − πū (v̄)) e ver que é nulo:
ū · v̄
ū · (v̄ − πū (v̄)) = ū · v̄ − ū · ū = ū · v̄ − ū · v̄ = 0.
ū · ū
Assim a propriedade está provada. ¤
7
πū (v̄)
v̄
v̄
ū
ū
πū (v̄)
Figura 5: Projeção ortogonal
Exemplo 3. Estude se é possı́vel ter dois vetores diferentes e não nulos ū e

v̄ tais que
πū (v̄) = πv̄ (ū).
Resposta: Observe em primeiro lugar que se os vetores são ortogonais,

isto é, ū · v̄ = 0, então πū (v̄) = πv̄ (ū) = 0̄, e a resposta é afirmativa.
Vejamos agora que acontece quando os vetores não são ortogonais. Neste
caso a resposta é negativa. Em primeiro lugar, os vetores devem ser paralelos
(justifique!). Logo v̄ = λ ū para algum λ. Portanto, usando as fórmulas das
projeções, temos,
ū · v̄ λ kuk2
πū (v̄) = ū = ū = λ ū = v̄.
ū · ū kuk2
Analogamente,
ū · v̄ λ kuk2
πv̄ (ū) = v̄ = 2 λ ū = ū.
v̄ · v̄ λ kuk2
Logo a única possibilidade é ū = v̄, logo a resposta é negativa.
Resumindo, πū (v̄) = πv̄ (ū) se e somente ū · v̄ = 0 ou ū = v̄. ¤
8
1. Determinantes (revisão).
2. Significado geométrico.
3. Cálculo de determinantes.
4. Produto vetorial.
5. Aplicações do produto vetorial.
Roteiro
1 Determinantes (revisão rápida)

1.1 Cálculo de determinantes
Em primeiro lugar, lembramos como calcular determinantes 2 × 2 e 3 × 3 e
introduziremos uma notação para o determinante.
Determinantes 2 × 2: ¯ ¯
¯ a b ¯
¯ ¯ = ad − bc.
¯ c d ¯
Determinantes 3 × 3:
¯ ¯
¯ a b c ¯¯ ¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ e f ¯ ¯ d f ¯ ¯ d e ¯
¯ d e f ¯¯ = a ¯ h i ¯ − b ¯ g i ¯ + c ¯ g h ¯.
¯ ¯ ¯ ¯ ¯ ¯
¯
¯ g h i ¯
Neste caso, dizemos que desenvolvemos o determinante pela primeira linha.

É possı́vel desenvolver o determinante usando outras linhas (ou colunas),
obtendo o mesmo resultado. O desenvolvimento pela segunda linha fornece:
¯ ¯
¯ a b c ¯ ¯ ¯ ¯ ¯ ¯ ¯
¯ d e f ¯ = −d ¯ b c ¯ + e ¯ a c ¯ − f ¯ a b ¯ .
¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ h i ¯ ¯ g i ¯ ¯ g h ¯
¯ g h i ¯
1
Finalmente, o desenvolvimento pela terceira linha é:
¯ ¯
¯
¯ a b c ¯¯ ¯
¯ b c ¯
¯ ¯
¯ a c ¯
¯ ¯
¯ a b
¯
¯
¯ d e f ¯¯ = g ¯¯ ¯−h ¯
¯ d f ¯+i
¯ ¯ ¯.
¯ e f ¯ ¯ d e ¯
¯ g h i ¯
De forma mais geral, consideramos o determinante

¯ ¯
¯ a11 a12 a13 ¯¯
¯
¯ a21 a22 a23 ¯¯
¯
¯ a31 a32 a33 ¯
e denotamos por Aij o determinante 2 × 2 onde eliminamos a i-ésima linha
e a j-ésima coluna. Por exemplo,
¯ ¯
¯ ¯
¯ ¯
A13 = ¯ a21 a22 ¯¯ .
¯
¯ a31 a32 ¯
Temos que o desenvolvimento do determinante pela i-ésima linha é

¯ ¯
¯ a11 a12 a13 ¯
¯ ¯
¯ a21 a22 a23 ¯ = (−1)i+1 ai1 Ai1 + (−1)i+2 ai2 Ai2 + (−1)i+3 ai3 Ai3 .
¯ ¯
¯ a31 a32 a33 ¯
De forma similar, o desenvolvimento do determinante pela i-ésima coluna é

¯ ¯
¯ a11 a12 a13 ¯¯
¯
¯ a21
¯ a22 a23 ¯¯ = (−1)1+i a1i A1i + (−1)2+i a2i A2i + (−1)3+i a3i A3i .
¯ a31 a32 a33 ¯
Obviamente, a melhor estratégia é desenvolver o determinante por uma linha
ou coluna com “muitos” zeros.
Notação: Considere os vetores de R3
u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) e w = (w1 , w2 , w3 ).
Usaremos a seguinte notação: det(u, v, w) representa o determinante que tem
por linhas as coordenadas dos vetores u, v e w:
¯ ¯
¯ u1 u 2 u3 ¯
¯ ¯
¯ v1 v2 v3 ¯ .
¯ ¯
¯ w1 w2 w3 ¯
2
1.2 Propriedades dos determinantes
Os determinantes verificam as seguintes propriedades (que formularemos para
determinantes 3 × 3):
• Dado qualquer número real σ, det(u, σu, w) = 0 = det(u, v, σu) (um

determinante com uma linha proporcional a outra é nulo).
• det(u, v, w) = − det(v, u, w) = − det(w, v, u) (ao permutar duas linhas

de um determinante este muda o sinal).
• det(u + u′ , v, w) = det(u, v, w) + det(u′ , v, w).
• Dado qualquer número real σ se verifica,
det(σu, v, w) = det(u, σv, w) = det(u, v, σw) = σ det(u, v, w).
Exercı́cio 1. Verifique as propriedades acima para determinantes 2 × 2.
As propriedades anteriores também podem ser formuladas usando colunas

em vez de linhas (verifique no caso 2 × 2).
1.3 Exemplos de cálculo de determinantes

A seguir calcularemos alguns determinantes usando as propriedades dos de-
terminantes da seção precedente (operações com linhas e/ou colunas).
Exemplo 1. Verifique que

¯ ¯
¯ 1 1 1 ¯
¯ ¯
¯ a b c ¯ = (b − a) (c − a)(c − b).
¯ 2 2 2 ¯
¯ a b c ¯
Restando da segunda coluna a primera e da terceira a primeira obtemos

que ¯ ¯ ¯ ¯
¯ 1 1 1 ¯ ¯ 1 0 0 ¯
¯ ¯ ¯ ¯
¯ a b c ¯=¯ a b−a c − a ¯¯ .
¯ 2 2 2 ¯ ¯ 2 2
¯ a b c ¯ ¯ a b − a2 c 2 − a2 ¯
3
Agora, desenvolvendo pela primeira linha, temos:
¯ ¯
¯ 1 1 1 ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ b−a c − a ¯ ¯ b−a c−a ¯
¯ a b c ¯=¯ 2
¯ 2 2 2 ¯ ¯ b − a2 c2 − a2 ¯ = ¯ (b − a) (b + a) (c − a) (c + a)
¯ ¯ ¯.
¯
¯ a b c ¯
Como (b − a) e (c − a) multiplicam a primeira e a segunda coluna temos

¯ ¯
¯ 1 1 1 ¯¯ ¯ ¯
¯
¯ a
¯ 1 1 ¯
b c ¯¯ = (b − a) (c − a) ¯¯ ¯=
¯ 2
¯ a 2 2 ¯ (b + a) (c + a) ¯
b c
¯ ¯
¯ 1 0 ¯
= (b − a) (c − a) ¯¯ ¯.
(b + a) (c − b) ¯
Na última operação consideramos a segunda coluna menos a primeira. Agora

é suficiente desenvolver o determinante pela primeira linha.
Exemplo 2. Calcule o determinante

¯ ¯
¯ 3333 3333 3333 ¯
¯ ¯
¯ 6666 6667 6668 ¯ .
¯ ¯
¯ 9999 1000 1002 ¯
Consideramos as seguintes operações com as linhas: segunda menos 2

vezes a primeira, e terceira menos 3 vezes a primeira:
¯ ¯ ¯ ¯
¯ 3333 3333 3333 ¯ ¯ 3333 3333 3333 ¯
¯ ¯ ¯ ¯
¯ 6666 6667 6668 ¯ = ¯ 0 1 2 ¯.
¯ ¯ ¯ ¯
¯ 9999 1000 1002 ¯ ¯ 0 1 3 ¯
Portanto, ¯ ¯ ¯ ¯
¯ 3333 3333 3333 ¯ ¯ 1 1 1 ¯
¯ ¯ ¯ ¯
¯ 6666 6667 6668 ¯ = 3333 ¯ 0 1 2 ¯.
¯ ¯ ¯ ¯
¯ 9999 1000 1002 ¯ ¯ 0 1 3 ¯
Desenvolvendo o último determinante pela primeira coluna obtemos
¯ ¯
¯ 1 1 1 ¯¯ ¯¯ ¯
¯
¯ 0 1 2 ¯
1 2 ¯¯ = ¯¯ ¯=3−2=1
¯
¯ 0 1 3 ¯
1 3 ¯
4
Portanto, ¯ ¯
¯ 3333 3333 3333 ¯
¯ ¯
¯ 6666 6667 6668 ¯ = 3333.
¯ ¯
¯ 9999 1000 1002 ¯
Exemplo 3. Sem calcular diretamente verifique que

¯ ¯
¯ sin α cos α sin(α + δ) ¯
¯ ¯
¯ sin β cos β sin(β + δ) ¯ = 0
¯ ¯
¯ sin γ cos γ sin(γ + δ) ¯
Observe que
sin(α + δ) = sin α cos δ + sin δ cos α.
Portanto, ¯ ¯
¯ sin α cos α sin α cos δ + sin δ cos α ¯
¯ ¯
¯ sin β cos β sin β cos δ + sin δ cos β ¯ .
¯ ¯
¯ sin γ cos γ sin γ cos δ + sin δ cos γ ¯
Pelas propriedades dos determinantes, este não muda se restamos da terceira
coluna (cos δ) vezes a primeira coluna mais (sin δ) vezes a segunda coluna.
Mas este resultado fornece uma coluna (a terceira) formada exclusivamente
por zeros. Desenvolvendo por esta coluna obtemos o resultado.
2 Interpretação geométrica dos determinan-

tes 2 × 2: Área de um paralelogramo.
Significado geométrico do determinante: O valor absoluto do determi-
nante ¯ ¯
¯ a b ¯
¯ c d ¯ = |ad − bc|.
¯ ¯
é igual a área do paralelogramo P que tem por vértices a origem e os pontos

A = (a, b) e B = (c, d).
Observe que a área do paralelogramo anterior é independente da escolha
do quarto vértice. Veja figura. Escolheremos o quarto vértice C do paralelo-
gramo P da forma C = (a + c, b + d).
5
C
B B B
A
A A
0 0 0
Figura 1: Paralelogramos com vértices 0, A e B
Estratégia: Para obter o resultado transformaremos o paralelogramo P em

um paralelogramo da mesma área com lados paralelos aos eixos coordena-
dos e tendo a origem como vértice. Portanto, calcular a área deste novo
paralelogramo é muito simples!.
C C′
C′
B ′
B
B′
A A
B′ Ĉ′
Â
Figura 2: Significado geométrico do determinante
Passo 1: A área de P é igual à área de qualquer paralelogramo P ′ com

vértices 0, A e B ′ e C ′ , onde B ′ e C ′ estão na reta r determinada pelos
pontos B e C (veja a figura). A afirmação decorre da fórmula área de P ,
área(P ) = (b)ase × (h)altura,
todos estes paralelogramos têm a mesma base b (o segmento 0A) e a mesma
6
altura h:
h = |0B| sin θ,
onde θ é o ângulo formado pelos segmentos 0A e 0B. Veja a figura.
Dos paralelogramos acima, escolheremos o que tem o vértice B ′ no eixo
Y. Para determinar B ′ devemos calcular as coordenadas da interseção da
reta r contendo a B e C e o eixo Y. A equação paramétrica da reta r acima
é
r : (c + ta, d + tb), t ∈ R.
A reta r intersecta o eixo Y quando t = −c/a. Logo o ponto de interseção
da reta r e o eixo Y é
B ′ = (0, d − (cb)/a).
Passo 2: A área de P ′ é igual à área de qualquer paralelogramo P̂ com
vértices 0, Â e B ′ e Ĉ ′ , onde Â e Ĉ ′ estão na reta s determianda pelos pontos
A e C ′ (veja a figura). Observe que s reta s é paralela ao eixo Y e sua equação
paramétrica é
s : (a, d + t), t ∈ R.
Escolhemos Â como o ponto de intersecao de s com o eixo X, ou seja Â =
(a, 0).
Passo 3: O retângulo P̂ tem como vértices os pontos
(0, 0), B ′ = (0, d − (cb)/a) e Â = (a, 0).
Portanto, sua área é
a (d − (cb)/a) = ad − cb,
que é exatamente o determinante procurado.
3 Produto vetorial
Definição: Dados vetores ū = (u1 , u2 , u3 ) e v̄ = (v1 , v2 , v3 ) de R3 definimos
o produto vetorial ū × v̄ como o vetor
¯ ¯
¯ i j k ¯ µ¯ ¯ ¯ ¯ ¯ ¯¶
¯ ¯ ¯ u2 u3 ¯ ¯ u1 u3 ¯ ¯ u 1 u 2 ¯
ū × v̄ = ¯¯ u1 u2 u3 ¯¯ = ¯¯ ¯,−¯
¯ v1 v3 ¯ , ¯ v1 v2 ¯ ,
¯ ¯ ¯
¯ v1 v2 v3 ¯ v 2 v 3
¯
onde
i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1).
7
3.1 Propriedades do produto vetorial
• O vetor ū × v̄ é ortogonal aos vetores ū e v̄, isto é,
ū · (ū × v̄) = v̄ · (ū × v̄) = 0.
Para provar a afirmação é suficiente interpretar ū · (ū × v̄) como um

determinante com duas linhas iguais. Veja que
µ¯ ¯ ¯ ¯ ¯ ¯¶
¯ u2 u3 ¯ ¯ u 1 u 3 ¯ ¯ u1 u2 ¯
ū · (ū × v̄) = (u1 , u2 , u3 ) · ¯¯ ¯,−¯
¯ v1 v3 ¯ , ¯ v1 v2 ¯ =
¯ ¯ ¯
v2 v3 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ u2 u3 ¯ ¯ u1 u3 ¯ ¯ u1 u2 ¯
= u1 ¯¯ ¯ − u2
¯ v 1 v 3 ¯ + u3 ¯ v 1 v 2 ¯ =
¯ ¯ ¯ ¯
v2 v3 ¯
¯ ¯
¯ u1 u2 u3 ¯
¯ ¯
= ¯¯ u1 u2 u3 ¯¯ = 0.
¯ v1 v2 v3 ¯
• ū × v̄ = −v̄ × ū (a troca da ordem de duas linhas de um determinante

muda o sinal).
• ū × ū = 0 (um determinante de uma matriz com duas linhas iguais vale
zero).
• (ū + ū′ ) × v̄ = (ū × v̄) + (ū′ × v̄),
• (σū) × v̄ = σ(ū × v̄), para todo σ ∈ R.
• ū × v̄ = 0 se, e somente se, os vetores ū e v̄ são paralelos (v̄ = σū).
Também temos as seguintes propriedades:
• O módulo do produto vetorial ū × v̄ é a área de um paralelogramo

de lados ū e v̄, (lembre o significado geométrico de um determinante
dois por dois como área de um paralelogramo).
• O módulo do produto vetorial verifica a fórmula:
||ū × v̄|| = ||ū|| ||v̄|| sen α,
onde α é o ângulo entre os vetores ū e v̄.
8
• Orientação do vetor ū × v̄: o sentido de ū × v̄ pode ser determinado
usando a regra da mão direita, se θ é o ângulo formado pelos vetores
ū e v̄, e ū é girado um ângulo até coincidir com v̄, se os dedos da mão
direita se fecharem no sentido desta rotação então o polegar aponta no
sentido de ū × v̄. Dito de outra forma, primeiro colocamos o canto da
mão coincidindo com o primeiro vetor com a parte que corresponde ao
dedo polegar sobre a origem do vetor. Depois fazemos girar a mão até
coincidir con o vetor v̄ (usando o caminho mais curto), deste jeito, o
polegar apontara no sentido do vetor ū × v̄.
Exemplo 4. Verificam-se as igualdades
i × j = k, i × k = −j, j × k = i.
Observação 1. Não é válida, em geral, a fórmula
ū × (v̄ × w̄) = (ū × v̄) × w̄.
Por exemplo,
i × (j × j) = 0
pois j × j = 0). Porém
(i × j) × j = k × j = −i.
Portanto, a expressão ū × v̄ × w̄ não tem sentido: são necessários parênteses

para saber quais são os produtos vetorias que devemos calcular.
4 Aplicações do produto vetorial

4.1 Cálculo da área de um paralelogramo
Exemplo 5. Determine a área do paralelogramo de vértices (0, 0, 0), (1, 2, 3)
e (2, 1, 1).
Resposta: A área é igual ao módulo do produto vetorial dos vetores (1, 2, 3)
e (2, 1, 1). Temos que
¯ ¯
¯ i j k ¯
¯ ¯
(1, 2, 3) × (2, 1, 1) = ¯¯ 1 2 3 ¯¯ = (−1, 5, −3).
¯ 2 1 1 ¯
9
Verifiqe que este vetor é ortogonal aos vetores (1, 2, 3) e (2, 1, 1). Temos
√ √
k(−1, 5, 3)k = 1+ 52 + 32 = 35.
√
Portanto, a área é 35. ¤
Questão 1. O quarto vértice do paralelogramo do exemplo anterior está

determinado? Quantas possibilidades existem? (um desenho ajuda, veja os
desenhos do significado geométrico do determinante).
Exemplo 6. Considere um paralelogramo P cujos vértices são a origem, o

ponto A = (1, 2, 3) e um terceiro vértice C na reta (t, t, t). Determine C de
forma que o paralelogramo P tenha área 1.
Resposta: Para cada t, sejam Ct = (t, t, t) e Pt √ um paralelogramo com

vértices (0, 0, 0), (1, 2, 3) e (t, t, t). A área √
de Pt é√|t| 6√(justifique). Logo o
ponto procurado é (por exemplo) C = (1/ 6, 1/ 6, 1/ 6).
Existem outras possibilidades? Em caso Caso afirmativo determine os
diferentes casos. ¤
4.2 Cálculo de vetores ortogonais a dois vetores dados

uev
Observe que dados dois vetores ū e v̄ para determinar um vetor ortogonal
aos dois vetores é suficiente calcular ū × v̄.
Exemplo 7. Determine um vetor ortogonal a ū = (1, 2, 3) e v̄ = (2, 1, 1).
Resposta: Por exemplo, o vetor ū × v̄ = (−1, 5, −3) (verifique, usando o

produto escalar, a ortogonalidade). ¤
10
1. Produto misto.
2. Equação paramétrica da reta.
3. Retas paralelas e reversas.
4. Equação paramétrica do plano.
5. Ortogonalizade.
Roteiro
1 Produto Misto
Dados três vetores de R3
ū = (u1 , u2 , u3 ), v̄ = (v1 , v2 , v3 ) e w̄ = (w1 , w2 , w3 )
definimos o produto misto ū · (v̄ × w̄) como

¯ ¯
¯
¯ u1 u2 u3 ¯¯
ū · (v̄ × w̄) = ¯¯ v1 v2 v3 ¯¯ .
¯ w1 w2 w3 ¯
Observe que a expressão (ū· v̄)×w não faz sentido: não é possı́vel calcular
o produto vetorial de um número (ū · v̄) por um vetor.
1.1 Significado geométrico do produto misto

Propriedade 1.1 (Volume e produto misto). O valor absoluto
|ū · (v̄ × w̄)|
é o volume do paralelepı́pedo de arestas ū, v̄ e w̄.
1
n̄
ū
h
w̄
v̄
Figura 1: Produto misto
Prova: Para provar a propriedade considere o vetor n̄ = v̄ × w̄. Suponha

que a base do paralelepı́pedo contém os vetores v̄ e w̄. A área A da base é
A = |n̄| (esta afirmação segue do significado geométrico do produto vetorial).
Então, a altura h do paralelepı́pedo é |ū| cos α, onde α é o ângulo formado
por n̄ e ū. Portanto, o volume do paralelepı́pedo é base por altura, isto é,
A h = |n̄||ū| cos α = |ū · n̄| = |ū · v̄ × w̄|.
Obtemos assim a propriedade. ¤
1.2 Propriedades do produto misto

Enumeraremos as principais propriedades do produto misto. Estas proprie-
dades decorrem das propriedades dos determinantes.
• ū · (ū × v̄) = 0 = ū · (v̄ × ū), pois ū × v̄ = n̄ é ortogonal a ū, logo ū · n̄ = 0

(v. também pode interpretar como um determinante com duas linhas
iguais).
• O produto misto verifica as seguines relações (correspondentes a trocar

a ordem de colunas em um determinante): ū · (v̄ × w̄) = −ū · (w̄ × v̄) =
w̄ · (ū × v̄) = w̄ · (v̄ × ū), etc.
2
• ū · (w̄ × w̄) = 0 = w̄ · (ū × w̄).
Exemplo 1. Sabendo que
ū · (v̄ × w̄) = 2
determine
v̄ · (ū × w̄), w̄ · (ū × v̄), ū · (w̄ × v̄).
Observe que
v̄ · (ū × w̄) = −ū · (v̄ × w̄) = −2.
Também
w̄ · (ū × v̄) = −ū · (w̄ × v̄) = ū · (v̄ × w̄) = 2.
2 Equação paramétrica da reta

A Equação vetorial da reta reta r que contém um ponto P = (p1 , p2 , p3 ) e é
paralela ao vetor v̄ = (v1 , v2 , v3 ) (o vetor diretor da reta) é
X = P + tv̄,
A equação paramétrica da reta r é:
x = p1 + tv1 , y = p2 + tv2 , z = p3 + tv3 , t ∈ R.
X
P
OX
OP
v̄
0 tv̄
Figura 2: Reta
Existem diversas formas de determinar uma reta:
3
• reta r que contém dois pontos, P = (p1 , p2 , p3 ) e Q = (q1 , q2 , q3 ): o
vetor diretor da reta é P Q = (q1 − p1 , q2 − p2 , q3 − p3 ) e sua equação
vetorial é X = P + tP Q,
• reta r que contém um ponto P e é paralela a v̄: X = P + tv̄.
Mais tarde veremos retas obtidas como interseções de dois planos (equações
cartesianas).
Exemplo 2. Determine a interseção da reta r que contém os pontos
A = (0, 0, 1) e B = (1, 0, 0)
com a superfı́cie z = x2 + y 2 .
Dê também um exemplo de uma reta s que não intersecte à superfı́cie
anterior.
Resposta: O vetor diretor da reta é o vetor AB = (1, 0, −1), e um ponto
da reta é (1, 0, 0). Logo a equação paramétrica de r é
(1 + t, 0, −t), t ∈ R.
Devemos encontrar o parâmetro t tal que
√
−t = (1 + t)2 + 02 , t2 + 3t + 1 = 0, t = (−3 ± 5)/2.
Logo os pontos de interseção são:
√ √ √ √
((−1 + 5)/2, 0, (3 − 5)/2) e ((−1 − 5)/2, 0(3 + 5)/2))
Verifique que as respostas estão certas.
Um exemplo de uma reta que não intersecta à superfı́cie é obtido como
segue. Escolha o ponto (0, 0, −1). Veja que este ponto está abaixo da su-
perfı́cie (faça um desenho e confira). Considere agora a reta s de vetor diretor
(a, b, c) que contém ao ponto (0, 0, −1):
s : (at, bt, −1 + ct), t ∈ R.
Calculemos (ou tentemos calcular) o ponto de interseção de s e a superfı́cie.
Observe que não ter interseção corresponde a uma equação sem solução
(real). Devemos resolver:
p
2 2 2 2 1 ± c2 − 4(a2 + b2 )
ct − 1 = a t + b t , t=
2
4
Portanto, é suficiente escolher a2 + b2 > c2 /4 (radicando negativo). Ou seja
√ √
a2 + b2 > |c|/2 ou a2 + b2 < −|c|/2.
Finalmente, verifiquemos que qualquer reta que contém um ponto da

forma (0, 0, k), k ≥ 0, intersecta a superfı́cie. Repetimos os argumentos
anteriores e obtemos o seguinte. Agora a reta s é da forma (at, bt, k + ct),
para calcular as interseções devemos resolver:
p
2 2 2 c ± c2 + 4k(a2 + b2 )
c t + k = (a + b ) t , t = .
2(a2 + b2 )
Como o radicando é sempre não negativo esta equação tem sempre solução
real. ¤
2.1 Interseção de duas retas. Paralelismo

Para calcular a interseção de duas retas r e r′ , digamos
r : X = P + tv̄, r′ : X = Q + sū,
(equações vetoriais), devemos ver se o sistema
P + tv̄ = Q + sū
tem solução, onde s e t são as incógnitas.
Se P = (p1 , p2 , p3 ), Q = (q1 , q2 , q3 ), v̄ = (v1 , v2 , v3 ), e ū = (u1 , u2 , u3 ), o

sistema é
p1 − q1 = s u1 − t v1 , p2 − q2 = s u2 − t v2 , p3 − q3 = s u3 − t v3 ,
onde s e t são as incógnitas. Se o sistema tem solução os pontos de interseção

se obtêm substituindo t ou s nas equações.
Temos a seguinte interpretação geométrica do resultado:
• o sistema não tem solução: as retas não se intersectam,
• o sistema tem solução:
– solução única: interseção um ponto,
5
– infinitas soluções: retas iguais.
Observação 1. Temos a seguinte interpretação fı́sica. Seja M o ponto de
interseção das duas retas (supondo que o ponto exista) e suponha que o sis-
tema acima tem solução t = t0 e s = s0 . Considere agora um corpo C saindo
do ponto P e se movimentando com velocidade v̄. O corpo chegará ao ponto
M em t0 segundos. Analogamente, se v. considera um corpo K saindo do
ponto Q e se movimentando com velocidade ū, o corpo K chegará ao ponto
M em s0 segundos. Em geral, t0 e s0 são diferentes e os corpos não colidem
no ponto M . Temos que as trajetorias dos pontos (duas retas) se intersectam
mas não há colisão.
Observe que se v. resolve o sistema
P + tv̄ = Q + tū
(isto é, v. considera o mesmo parâmetro para as duas retas!) o que está
determinando não é se os corpos C e K passam pelo ponto M (isto é as
retas se intersectam) mas se os corpos passam no mesmo instante pelo ponto
M , e portanto há uma colisão.
Exemplo 3.
• r1 = (1 + t, 2 + t, 3 + t), t ∈ R e r2 = (1 − t, 1 + 2t, 5 − t), t ∈ R (as
retas não se intersectam)
• r1 = (3 + t, 4 + t, 3 + t), t ∈ R e r2 = (3 − t, 4 − 2t, 3), t ∈ R (interseção
em um ponto, no ponto (3, 4, 3),
• r1 = (1 + t, 2 + t, 3 + t), t ∈ R e r2 = (1 − t, 1 + 2t, 1 + 5t), t ∈ R,
(interseção em um ponto, no ponto (2/3, 5/3, 8/3),
• r1 = (1 + t, 2 + t, 3 + t), t ∈ R e r2 = (6 + 2t, 7 + 2t, 8 + 2t), t ∈ R (retas
iguais).
2.2 Retas paralelas e reversas

Duas retas r1 e r2 são paralelas se seus vetores diretores são paralelos, isto é,
ū = σ v̄, onde ū e v̄ são os vetores diretores das retas.
Observe que dadas duas retas paralelas r1 e r2 há duas possibilidades: ou
são iguais ou são disjuntas. Em outras palavras, duas retas paralelas que se
intersetam são iguais. Verifique.
Duas retas são reversas se não são paralelas e não se intersectam.
6
3 Equação paramétrica do plano
A equação vetorial do plano π que contém um ponto P = (p1 , p2 , p3 ) e é
paralelo aos vetores v̄ = (v1 , v2 , v3 ) e w̄ = (w1 , w2 , w3 ) é dada por:
X = P + t v̄ + s w̄, t, s ∈ R.
Os vetores v̄ e w̄ são vetores diretores ou paralelos ao plano π.

Observe que um plano pode ter muitos vetores diretores não paralelos
entre si. Por exemplo, o plano cartesiano z = 0 tem como vetores diretores
(1, 0, 0) e (0, 1, 0), e (1, 2, 0), e também (178, 159, 0).
X sū + tv̄
sū
v̄
ū tv̄
0
Figura 3: Plano
A equação paramétrica do plano π acima é
x = p 1 + t v1 + s w 1 ,
y = p 2 + t v2 + s w 2 , t, s ∈ R.
z = p 3 + t v3 + s w 3 ,
Observe que há dois parâmetros t e s.

Veremos a seguir algumas formas de determinar um plano (alguns exemplos):
• plano que contém três pontos não colineares, P = (p1 , p2 , p3 ), Q =

(q1 , q2 , q3 ), e R = (r1 , r2 , r3 ): dois vetores paralelos ou diretores do
plano são P Q e P R. O fato dos pontos não serem colineares garante
que os vetores não são paralelos. A equação vetorial é:
X = P + t P Q + s P R, t, s ∈ R,
7
• plano que contém um ponto P e a reta r : Q + tv̄ (que não contém
P ): dois vetores diretores ou paralelos do plano são P Q e v̄, a equação
vetorial é
X = P + tP Q + s v̄, t, s ∈ R,
• plano que contém dois pontos P e R e é paralelo à reta r : Q + tv̄ (que

não contém P nem R): os vetores paralelos do plano são P R e v̄, e
temos
X = P + t P R + s v̄, t, s ∈ R,
Note que pode não existir tal plano (porquê?, dê um exemplo dessa
situação), assim devemos verificar se Q satisfaz a equação obtida.
• plano determinado por duas retas paralelas diferentes r : Q + t v̄ e

r′ : P + t v̄: os vetores diretores do plano são P Q e v̄, e a equação
vetorial ou paramétrica é
X = P + t P Q + s v̄, t, s ∈ R,
• plano determinado por duas retas r : Q+t v̄ e r′ : P +t w̄ e não paralelas

com interseção não vazia: os vetores paralelos do plano são v̄ e w̄, e a
equação é
X = P + t w̄ + s v̄ = Q + t w̄ + s v̄, t, s ∈ R.
Exercı́cio 1. Ilustre com exemplos todas as situações descritas acima.
3.1 Interseção de planos. Paralelismo

Para calcular a interseção de dois planos procedemos exatamente como no
caso das retas. Neste caso teremos um sistema de três equações (correspon-
dentes às coordenadas x, y e z) e quatro incógnitas (os parâmetros s e t do
primeiro plano, e α e β do segundo). Sistemas sem solução correspondem a
planos que não se intersectam.
Dizemos que dois planos π e ρ são paralelos se são iguais ou não se inter-
sectam. Temos os seguintes casos para a interseção de dois planos:
• planos paralelos (iguais ou distintos) e
• planos cuja interseção é uma reta.
8
Exercı́cio 2. Usando o método de escalonamento veja que se dois planos se
intersectam em um ponto, então existem infinitas interseções (uma reta ou
o próprio plano, quando os dois planos são iguais).
ρ
r π
Figura 4: Interseções de planos
Exemplo 4. Determinar a interseção do plano π que contém os pontos

(1, 2, 3), (2, 3, 1) e (3, 2, 1), e o eixo X.
Resposta: Dois vetores diretores de π são, por exemplo, (1, 1, −2) e
(1, −1, 0). Logo uma equação paramétrica de π é
(1 + t + s, 2 + t − s, 3 − 2t), t, s ∈ R.
A equação paramétrica do exio X é (m, 0, 0), m ∈ R. Logo para calcular a
interseção devemos resolver
m = 1 + t + s, 0 = 2 + t − s, 0 = 3 − 2t.
Ou seja, t = 3/2, s = 7/2 e m = 6. Logo o ponto é (6, 0, 0). ¤
4 Ortogonalidade
Duas retas são ortogonais quando se intersectam e seus vetores diretores são
perpendiculares (ou seja, seu produto escalar igual a zero)
Exemplo 5. As retas (1 + t, 2 + t, 1 − t) e (2 + t, 3 + t, 2t) são ortogonais.
Uma reta é ortogonal a um plano quando seu vetor diretor é ortogonal
a qualquer vetor paralelo ao plano (mais tarde voltaremos a esta questão,
depois de introduzir equações cartesianas).
9
1. Equação cartesiana do plano.
2. Equação cartesiana da reta.
3. Posições relativas: de duas retas, de uma reta e um plano, de dois

planos.
Roteiro
1 Equação cartesiana do plano

A equação cartesiana do plano π é da forma
π : a x + b y + c z = d.
O vetor n̄ = (a, b, c) é um vetor normal do plano.

Propriedade 1.1. O vetor normal n do plano é ortogonal a qualquer vetor
diretor ou paralelo do plano π.
Prova: De fato, afirmamos que dados dois pontos quaisquer do plano
P = (p1 , p2 , p3 ) e Q = (q1 , q2 , q3 ) se verifica
n̄ · P¯Q = 0.
Observe que como os pontos pertencem ao plano π,
a p1 + b p2 + c p3 = d, a q1 + b q2 + c q3 = d,
e considerando a segunda equação menos a primeira obtemos
a (q1 − p1 ) + b (q2 − p2 ) + c (q3 − p3 ) = d − d = 0,
mas a última expressão é extamamente o produto escalar n̄ · P¯Q.

Agora é suficiente observar que qualquer vetor paralelo ao plano π é da
forma P Q, onde P e Q são pontos do plano. ¤
1
1.1 Equações cartesianas e paramétricas
A seguir veremos as relações entre as equações cartesiana e paramétrica de
um plano, e como passar de uma equação à outra.
Veremos primeiro como passar de cartesianas a paramétricas. Para isso
devemos determinar dois vetores diretores do plano π e um ponto do plano.
Para isso é suficiente determinar três pontos do plano: por exemplo, assu-
mindo que a, b e c são não nulos, obtemos três pontos do plano:
A = (d/a, 0, 0), B = (0, d/b, 0), C = (0, 0, d/c).
Agora já conhecemos um ponto e dois vetores paralelos do plano, dados
suficientes para determinar uma equação paramétrica do plano.
Exemplo 1. Calcule a equação paramétrica do plano x + 2y + z = 1.
Resposta: Temos que três pontos do plano são: (1, 0, 0), (0, 0, 1) e (0, 1, −1).
Logo dois vetores paralelos ao plano são: (1, 0, −1) e (1, −1, 1). Portanto,
uma equação paramétrica é:
x = 1 + t + s, y = −s, z = −t + s, t, s ∈ R.
Obviamente, há outras (muitas) possibilidades de equações paramétricas.
Por exemplo, (2, −1, 0) e (0, 1, −2) são vetores paralelos do plano (pois são
ortogonais ao vetor normal) e o ponto (0, 1, 1) pertence ao plano, assim
x = 2 t, y = −t + s, z = 1 − 2s, t, s ∈ R.
V. pode encontrar outras equações. ¤
Para passar da equação paramétrica à equação cartesiana há duas possi-
bilidades:
• consideramos dois vetores v e w paralelos ao plano v e w. Obtemos
o vetor normal do plano como n = v × w. Como já conhecemos um
ponto, a equação cartesiana está determinada.
• O método de eliminação dos parámetros s e t que ilustramos a seguir
com um exemplo.
Exemplo 2 (Eliminação de parâmetros). Dado o plano π de equações pa-
ramétricas
x = 1 − s, y = 1 − t, z = t − 2s,
Calcule sua equação cartesiana.
2
Resposta: Observe que da equação paramétrica obtemos dois vetores
paralelos ao plano v̄ = (−1, 0, −2) e w̄ = (0, −1, 1) e um ponto dele P =
(1, 1, 0).
Obtemos
s = 1 − x, t = 1 − y.
Substituindo na terceira equação obtemos:
2x − y − z = 1.
Verifique que (2, −1, 1) é ortogonal aos vetores paralelos do plano v̄ =

(−1, 0, −2) e w̄ = ((0, −1, 1).
Usando a equação paramétrica do plano escolha três pontos de π não
colineares e verifique que satisfazem a equação cartesiana. ¤
Exemplo 3 (Equação cartesiana e produto vetorial). Determine a equação

cartesiana do plano paralelo aos vetores u = (1, 2, 3) e v = (2, 1, 1) que
contém o ponto A = (1, 2, 3).
Resposta: Sabemos que um vetor normal do plano é
u × v = (−1, 5, −3).
Logo a equação cartesiana é da forma
x − 5y + 3z = d.
Determinamos o valor de d pelo ponto A = (1, 2, 3):
1 − 10 + 9 = d, d = 0.
Assim temos sua equação cartesiana:
x − 5y + 3z = 0.
Note que isto implica que o plano contém a origem. ¤
3
2 Equação cartesiana da reta
Para obter a equação da cartesiana da reta r a escrevemos como interseção
de dois planos não paralelos π e ρ, onde os planos estão escritos em equações
cartesianas:
r : a x + b y + c z = d, a′ x + b′ y + c′ z = d′ .
Para passar de equações cartesianas a equações paramétricas o mais sim-
ples é resolver o sistema escolhendo uma variável como parâmetro.
Exemplo 4. Calcule a equação paramétrica da reta r de equações cartesianas
x − y + z = 0 e 2 x − y + 2 z = 1.
Resposta: Escalonando, obtemos o sistema,
x − y + z = 0, y = 1.
Logo, z = 1 − x. Escolhendo x como parâmetro, a equação de r é
(t, 1, 1 − t), t ∈ R.
Verifiquemos que o resultado está certo: é suficiente ver que este verifica as
equações dos planos. Por exemplo, substituindo no primeiro:
t − 1 + (1 − t) = 0.
Verifique que o vetor diretor da reta é ortogonal aos vetores normais dos
planos. ¤
Observação 1. Por construção, o vetor diretor da reta é perpendicular aos
dois vetores normais dos planos
π : a x + b y + c z = d, q ρ : a′ x + b′ y + c′ z = d′ .
Portanto, um vetor diretor da reta é
n = (a, b, c) × (a′ , b′ , c′ ).
Observação 2. Nem sempre é possı́vel escolher qualquer variável como parâmetro.
Por exemplo, no exemplo anterior não é possı́vel escolher y como parâmetro.
Veja também que na reta de equações cartesianas x − y = 2 e z = 2 não é
possı́vel escolher z como parâmetro.
Outra forma de calcular a equação paramétrica da reta é determinar dois
pontos A e B da reta (isto é, encontrar duas soluções do sistema). Assim
temos o vetor diretor AB e um ponto A.
4
3 Posições relativas
3.1 Posição relativa de duas retas
Quanto posição relativa, duas retas r : P + t v e e s : Q + t w podem ser:
• paralelas (se v = σw, σ ∈ R);
– iguais (se Q ∈ r);
– disjuntas (se Q 6∈ r);
• reversas: as retas não são paralelas e não se intersectam (isto é, v e w
não são paralelos e P Q · (v × w) 6= 0);
• concorrentes: se intersectam em um ponto (se v e w não são paralelos
e P Q · (v × w) = 0).
Exemplo 5.
• As retas r : (1 + t, 2 t, t) e s : (5 + 2 t, 4 t, 2 t + 2) são paralelas e não
disjuntas.
• As retas r : (1 + t, 2 t, t) e s : (t, 1, 2 t + 2) são reversas (escolha P =
(1, 0, 0), Q = (0, 1, 2) v = (1, 2, 1) e w = (1, 0, 2) e veja que
P Q · (v × w) = (−1, 1, 2) · ((1, 2, 1) × (1, 0, 2)) =
= (−1, 1, 2) · (4, −1, −2) = −4 − 1 − 4 = −9 6= 0.
3.2 Posição relativa de reta e plano

Quanto posição relativa, uma reta r : P + tv e o plano e π : ax + by + cz = d
podem ser:
• paralelos (se v · n = 0, onde n = (a, b, c),)
– r contida em π (se P ∈ π)
– disjuntos (se P 6∈ π)
• interseção em um ponto (n · v 6= 0).
Exemplo 6. A reta (1 + t, t, 2 t) é paralela ao plano π : x + y − z = 1 e o
ponto (1, 0, 0) pertence ao plano, logo a reta está contida no plano. A reta
(t, t, t) intersecta π em um ponto (no ponto (1, 1, 1)).
5
3.3 Posição relativa de dois planos
Quano posição relativa, dois planos
π : ax + by + cz = d e ρ : a′ x + b′ y + c′ z = d′
podem ser:
• paralelos (se n = σn′ , onde σ 6= 0, n = (a, b, c) e n′ = (a′ , b′ , c′ ))
– iguais (se n = σn′ e d = σd′ )

– disjuntos (se n = σn′ e d 6= σd′ )
• se intersectam ao longo de uma reta (se n e n′ não são paralelos).
Exemplo 7. Planos
• paralelos e diferentes: π : x + y + z = 1 e ρ : 3x + 3y + 3z = 1,
• iguais: π : x + y + z = 1 e ρ : 3x + 3y + 3z = 3,
• se intersectando ao longo de uma reta: π : x+y+z = 1 e ρ : x+2y+3z =

1.
6
1. Posições relativas e sistemas de equações.
Roteiro
1 Sistemas de equações lineares (posição re-

lativa de três planos)
Considere os planos de equações cartesianas
π1 : a1 x + b1 y + c1 z = d1 ,
π2 : a2 x + b2 y + c2 z = d2 ,
π3 : a3 x + b3 y + c3 z = d3 ,
e o sistema linear de equações
a1 x + b1 y + c2 z = d1 ,
a2 x + b2 y + c2 z = d2 ,
a3 x + b3 y + c3 z = d3 .
Os planos se intersectam se (e somente se) o sistema tem solução. Se a

solução é única então a interseção é um ponto, caso contrário será uma reta
ou um plano.
As oito posições possı́veis dos planos π1 , π2 e π3 são as seguintes:
a) os três planos coincidem,
b) dois planos coincidem e são paralelos a um terceiro,
c) dois planos coincidem e intersectam ao terceiro ao longo de uma reta,
d) os três planos são paralelos entre si,
e) dois planos são paralelos e o terceiro os intersecta ao longo de retas

paralelas,
1
f ) os três planos têm uma reta em comum (interseção ao longo de uma
reta),
g) os planos se intersectam dois a dois ao longo de retas paralelas,
h) os três planos se intersectam em exatamente um ponto.
Considere vetores normais aos planos n1 , n2 e n3 .

Se n1 · (n2 × n3 ) 6= 0 (vetores não coplanares) então o sistema tem solução
única, isto é, os planos se intersectam em um ponto (esta afirmação se justifica
usando escalonamento).
Consideraremos agora as diferentes possibilidades que podem aparecer
quando n1 · (n2 × n3 ) = 0.
1.1 Sistemas com solução (os planos têm intersecção

comum)
Se n1 · (n2 × n3 ) = 0 os vetores são coplanares. Então teremos, por exemplo
n1 = σ2 n2 + σ3 n3 .
Então necessariamente, para que o sistema tenha solução deveremos ter
d1 = σ2 d2 + σ3 d3 .
As possibilidades são:
• Os planos têm interseção ao longo de uma reta (por exemplo, n2 e n3

não paralelos, n1 = σ2 n2 + σ3 n3 , e d1 = σ2 d2 + σ3 d3 .
• dois planos são iguais e o terceiro não é paralelo.
• os três planos são iguais (n2 = σ2 n1 e n3 = σ3 n1 , d2 = σ2 d1 e d3 = σ3 d1 ).
1.2 Sistemas sem solução (os planos não se intersec-

tam)
As possibilidades são as seguintes:
• Três planos paralelos diferentes,
2
• Dois planos paralelos (por exemplo π1 e π2 ) e o terceiro π3 intersecta
π1 e π2 de forma que r1 = π1 ∩ π3 e r2 = π2 ∩ π3 são retas paralelas.
• Os planos se intersectam dois a dois ao longo de retas paralelas r1 =

π1 ∩ π3 , r2 = π1 ∩ π2 , e r3 = π2 ∩ π3 , e são retas paralelas.
1.3 Exemplos
Exemplo I: Considere os planos
π1 : x + y + z = 1,
π2 : 2x + 2y + 2z = 2,
π3 : 5x + 5y + 5z = 5.
Os três planos são iguais (caso (a))

Exemplo II: Considere os planos
π1 : x + y + z = 1,
π2 : 2x + 2y + 2z = 2,
π3 : 3x + 3y + 3z = 1.
Os dois primeiros planos são iguais e π3 é paralelo a π1 e π2 (caso (b)).

Exemplo III: Considere os planos
π1 : x + y + z = 1,
π2 : 2x + 2y + 2z = 2,
π3 : x + 2y + 3z = 1.
Os dois primeiros planos são iguais e π3 os intersecta ao longo de uma reta

(caso (c)).
Exemplo IV: Considere os planos
π1 : x + y + z = 1,
π2 : x + y + z = 2,
π3 : x + y + z = 3.
Os três planos são paralelos e diferentes (caso (d)).
3
Exemplo V: Considere os planos
π1 : x − 2y + 3z = 4,
π2 : 2x − 4y + 6z = 0,
π3 : x + y + z = 3.
Os planos π1 e π2 são paralelos e diferentes e π3 os intersecta ao longo de

retas paralelas (caso (e)).
Exemplo VI: Considere os planos
π1 : x + 2y − 3z = 4,
π2 : 2x + 3y + 4z = 5,
π3 : 4x + 7y − 2z = 13.
Os planos π1 , π2 e π3 têm uma reta em comum (caso (f)).

Exemplo VII: Considere os planos
π1 : x + 2y − 3z = 4,
π2 : 2x + 3y + 4z = 5,
π3 : 4x + 7y − 2z = 3.
Os planos π1 , π2 e π3 se intersectam dois a dois ao longo de retas paralelas

diferentes (caso (g)).
4
1. Distância de um ponto a uma reta.
2. Distância de um ponto a um plano.
3. Distância entre uma reta e um plano.
4. Distância entre dois planos.
5. Distância entre duas retas.
Roteiro
1 Distância de um ponto P a uma reta r

Dado um ponto P e uma reta r, a distância do ponto P à reta r é o menor
comprimento dos segmentos P Q onde Q é um ponto da reta. Este mı́nimo
é atingido quando o vetor P Q é ortogonal ao vetor diretor da reta. Observe
que, neste caso, dado qualquer ponto R da reta r, os pontos P , Q e R são
os vértices de um triângulo retângulo, onde os segmentos P Q e QR são os
catetos e P R a hipotenusa. Portanto, temos
|P Q| = |P R| sen (θ),
onde θ é o ângulo formado pelos segmentos P R e RQ; como sen (θ) ≤ 1,

temos que |P Q| ≤ |P R|, o que prova a afirmação. Veja a Figura 1
Vejamos primeiro como calcular a distância no plano. Neste caso, escolhemos
qualquer ponto R da reta, a distância é o módulo da projeção ortogonal do
vetor RP no vetor normal da reta, n (em R2 a direção do vetor está bem
determinada, isto não ocorre em R3 , justifique). Observe que este cálculo é
independente do ponto R. Isto é: a projeção ortogonal de RP em n é igual
à projeção ortogonal de AP em n, para qualquer ponto A de r (justifique
também esta afirmação!).
1
P
Q R
r
Figura 1: Distância entre ponto e reta
Vejamos agora o cálculo da distância de P a r no caso geral. Pelos

comentários anteriores, o problema consiste em achar o ponto Q tal que P Q
seja ortogonal a r.
Método 1: Considere o plano π normal a r que contém P . Calcule o ponto
de interseção Q de π e r. A distância procurada é a distância entre P e Q.
Veja a Figura 2.
Método 2: Considere um ponto qualquer R de r e o vetor diretor v de r.
Calcule o produto vetorial P R × v. Então a distância d procurada é
||P R × v||
d= .
||v||
Veja a Figura 3.
Para ver esta afirmação observe que a área do paralelogramo determinado
por P R e v é
||P R × v|| = (base b do paralelogramo) (altura h do paralelogramo).
Onde b = ||v|| e h é a distância procurada.

Veja que este método é independente da escolha do ponto R.
Exemplo 1. Calcule a distância do ponto P = (1, 0, 1) à reta (t, 2t, 3), t ∈ R.
2
π Q P
Figura 2: Distância entre ponto e reta
Resposta: Usando o primeiro método, temos que o plano π normal a r

que contém o ponto P é da forma
π : x + 2 y = d.
Como (1, 0, 1) ∈ π temos d = 1.
A interseção de r e π ocorre para o parâmetro t que verifica
t + 2 (2 t) = 1,
logo t = 1/5. Temos que o ponto Q de interseçao é (1/5, 2/5, 3). Logo
P Q = (−4/5, 2/5, 10/5)
√ √ p
que tem módulo 16 + 4 + 100/5 = 120/5 = 24/5. Este módulo é a
distância procurada.
Para o segundo método escolhemos um ponto R qualquer de r (por exem-
plo, (0, 0, 3)). Logo
P R = (1, 0, −2).
Temos (1, 2, 0) × (1, 0, −2) = (4, −2, 2). Logo a distância é
√ √
|(4, −2, 2)|/|(1, 0, −2)| = 24/ 5.
Obviamente obtemos o mesmo resultado. ¤
3
A = (b)(h)
P
d h
R v b
Figura 3: Distância entre ponto e reta: usando produto vetorial
2 Distância de um ponto P a um plano π

Dado um ponto P e um plano π, a distância entre P e π é a menor das
distâncias d(P, Q), onde Q é um ponto de π. Como no caso da distância de
um ponto a uma reta, este mı́nimo ocorre quando o vetor P Q é ortogonal ao
plano (ou seja, paralelo ao vetor normal do plano). Esta afirmação é obtida
exatamente como no caso da distância de um ponto a uma reta.
Para calcular a distância de P a π veremos três métodos:
• Método 1: Considere a reta r normal ao plano π que contém P .

Calcule o ponto de interseção Q de π e r. A distância procurada é a
distância entre P e Q.
• Método 2: Considere um ponto qualquer R de π e o vetor normal n

de π. Calcule o vetor w obtido como a projeção do vetor P R em n. O
módulo de w é a distância procurada.
• Método 3: Usando o produto misto. Considere dois vetores v e w

paralelos ao plano π e um ponto Q do plano π. Considere o parale-
lepı́pedo Π com arestas v, w e P Q. O volume do paralelepı́pedo Π
é
|P Q · (v × w)| = (área base) · ([h]altura) = ||v × w|| · h.
4
Temos que h é exatamente a distância de P a π.
Exercı́cio 1. Com a notação acima, que propriedade verifica o ponto T =
P − w?
d w n
R T
Figura 4: Distância entre ponto e plano: usando projeções
Exemplo 2. Calcule a distância do ponto P = (1, 0, 1) ao plano π : x + 2 y −

z = 1.
Resposta: Usando o primeiro método, temos que r = (1 + t, 2t, 1 − t). A
interseção da reta r e do plano π ocorre quando t verifica (substituindo a
equação da reta na do plano)
(1 + t) + 2 (2 t) − (1 − t) = 1,
isto é, t = 1/6. Logo Q = (7/6, 2/6, 5/6) e P Q = (1/6, √2/6, −1/6). A
distância é o módulo de P Q = (1/6, 2/6, −1/6), ou seja, 1/ 6.
Usando o segundo método escolhemos o ponto R = (1, 0, 0) do plano
π, logo √ P R =√(0, 0, −1).
√ Consideremos um vetor unitário normal ao plano
n = (1/ 6, 2/ 6, −1/ 6). A projeção de P R em n é
√ √ √ √
(P R · n) n = 1/ 6(1/ 6, 2/ 6, −1/ 6) = (1/6, 2/6, −1/6).
√
Este vetor tem módulo (que é a distância procurada) igual a 1/ 6.
Obviamente, T é o ponto Q do primeiro método! (isto responde ao Exer-
cı́cio 1). ¤
5
3 Distância de uma reta r a um plano π
A distância entre uma reta r e um plano π é a menor das distâncias entre
pontos P da reta r e Q do plano π. Obviamente, se a reta e o plano se
intersectam a distância é nula.
Seja n um vetor normal ao plano π e v um vetor diretor da reta r. Existem
duas possibilidades:
• ou a reta é paralela ao plano (em tal caso n · v = 0),
• a reta não é paralela ao plano (isto ocorre se n · v 6= 0). Neste caso a

reta intersecta o plano em um ponto, a distância é zero.
No primeiro caso, a distância de r a π é a distância de qualquer ponto

P de r a π. Logo é suficiente escolher qualquer ponto de r e calcular a
distância a π, caindo em um caso já estudado. A afirmação é obtida como
segue: sejam P e Q pontos da reta, e sejam T e R os pontos do plano mais
próximos de P e de Q, então os vetores P T e QR são paralelos e os quatro
pontos determinam um retângulo, portanto, |P T | = |QR|.
Exemplo 3. Calcule a distância da reta r = (1 + t, −t, 1 − t) ao plano

π : x + 2 y − z = 1.
Resposta: Temos que que um vetor diretor da reta é (1, −1, −1) e um
vetor normal do plano é (1, 2, −1). Como
(1, −1, −1) · (1, 2, −1) = 0,
temos que o vetor diretor da reta é ortogonal ao vetor normal ao plano.

Portanto, a reta é paralela ao plano.
Como o ponto (1, 0, 1) pertence a r, o exercı́cio já√está resolvido no exem-
plo distância entre ponto e plano, e a distância é 1/ 6. ¤
4 Distância entre dois planos π e ρ

A distância entre os planos π e ρ é a menor das distâncias entre pontos P de
π e Q de ρ.
Sejam n e m vetores normais dos plano π e ρ, respectivamente. Existem
duas possibilidades: ou os planos são paralelos (em tal caso n = σ m para
6
algum σ 6= 0) ou não. No último caso, os planos se intersectam e a distância
é zero.
No primeiro caso, a distância de ρ a π é a distância de qualquer ponto P
de ρ a π. Logo é suficiente escolher qualquer ponto de ρ e calcular a distância
a π, caindo em um caso já estudado.
Exemplo 4. A distância entre os planos
π : x + y + z = 0 e ρ : 2x + y − z = 0
é zero, pois os planos não são paralelos (os vetores normais não são paralelos)
e portanto se intersectam.
Exemplo 5. Calcule a distância entre os planos paralelos π : x + y + z = 0
e ρ : x + y + z = 1.
Resposta: Podemos calcular a distância como segue: considere o ponto
P = (0, 0, 0) ∈ π e o ponto Q = (1, 0, 0) ∈ ρ.√A distância
√ √é o módulo da
projeção de P Q = (1, 0, 0) no vetor normal (1/ 3, 1/ 3, 1/ 3) do plano,
√ √ √ √ √ √
w = ((1, 0, 0) · (1/ 3, 1/ 3, 1/ 3))(1/ 3, 1/ 3, 1/ 3) = (1/3, 1/3, 1/3).
√
A distância é ||w|| = 1/ 3. ¤
5 Distância entre duas retas r e s

Calcularemos a distância entre duas retas r e s, que denotaremos por d(r, s).
Esta distância é o mı́nimo das distâncias dist(P, Q), onde P é um ponto na
reta r e Q é um ponto na reta s.
Obviamente, se as retas se intersectam a distância d(r, s) = 0. Neste
caso, podemos escolher P = Q o ponto de interseção das retas. Portanto,
consideraremos que as retas são disjuntas.
Suponhamos em primeiro lugar que as retas r e s são paralelas. Neste
caso, a distância d entre as retas é igual a distância entre qualquer ponto
P ∈ r e a reta s, caso já considerado (distância de ponto a reta). Observe
que a escolha do ponto P é totalmente irrelevante.
Suponhamos agora que as retas não são paralelas (isto é, são reversas).
Um método para calcular a distância é o seguinte. Consideremos pontos P
e Q de r e s, respectivamente, e vetores diretores v e w de r e s, respectiva-
mente.
7
w
Q s
w
t
P π
v
r
Figura 5: Distância entre duas retas
• Considere os planos π paralelo a s que contém r e ρ paralelo a r que

contém s. No desenho, a reta t é uma reta paralela a s contida em π
com vetor diretor w. Escolhemos como ponto P a interseção das retas
t e r.
• Observe que estes planos são paralelos e que dois vetores (não paralelos)
de π e ρ são v e w.
• Observe que a distância d entre as retas r e s é a distância entre os dois

planos.
• Esta distância d é, por exemplo, a distância de qualquer ponto Q da

reta s ao plano π. Esta distância pode ser calculada usando o produto
misto como fizemos anteriormente. Consideramos vetores diretores v e
w das retas r e s, obtendo:
|P Q · (v × w)|
d= .
||v × w||
8
5.1 Posição relativa de duas retas não paralelas
O método anterior fornece um sistema para saber se duas retas não para-
lelas se intersectam (sem necessidade de resolver um sistema): as retas se
intersectam se e somente se
P Q · (v × w) = 0.
Mais uma vez, a escolha dos pontos P e Q é irrelevante.
Exemplo 6. Calcule a distância entre as retas r = (t, 1+t, 2 t) e s = (t, t, 1).
Resposta: Vetores diretores das retas r e s são v = (1, 1, 2) e w = (1, 1, 0),

respectivamente. Um ponto P ∈ r é (0, 1, 0) e um ponto Q ∈ s é (0, 0, 1),
logo P Q = (0, −1, 1). Portanto, a distância d entre r e s é
|(0, −1, 1) · (1, 1, 2) × (1, 1, 0)| |(0, −1, 1) · (−2, 2, 0)| 2 1

d= = =√ =√ .
|(1, 1, 2) × (1, 1, 0)| |(−2, 2, 0)| 8 2
√
Logo a distância é 1/ 2. ¤
9
1. Combinação linear de vetores.
2. Subespaços e geradores.
Roteiro
1 Combinação linear de vetores

Definição 1 (Combinação linear de vetores). Dada um conjunto de vetores
U = {u1 , u2 , . . . , um } uma combinação linear dos vetores de U é um vetor v
da forma
v = λ 1 u1 + λ 2 u2 + · · · + λ m u m ,
onde λ1 , . . . , λm são números reais.
Por exemplo, o vetor v = (1, 1, 4) de R3 é combinação linear dos vetores
i j e k, pois
v = 1 i + 1j + 4 k.
O vetor v também é combinação linear dos vetores v1 = (1, 0, 1), v2 = (1, 1, 0)
e v3 = (0, 1, 1). Para provar esta afirmação devemos encontrar números reais
x, y, z tais que
(1, 1, 4) = x (1, 0, 1) + y (1, 1, 0) + z (0, 1, 1).
Escrevendo a equação em coordenadas obtemos o sistema:
1 = x + y, 1 = y + z, 4 = x + z.
Verifique que o sistema admite a solução única
x = 2, y = −1, z = 2.
Portanto, obtemos a combinação linear
(1, 1, 4) = 2 (1, 0, 1) − (1, 1, 0) + 2(0, 1, 1).
Caso o sistema anterior não tivesse solução, teriamos que o vetor não seria
combinação linear do conjunto de vetores considerado. Veremos a seguir um
exemplo dessa situação.
1
Exercı́cio 1. Veja que o vetor (1, 2, 3) não é combinação linear dos vetores
(1, 1, 1), (1, 0, 1), (2, 1, 2) e (0, 1, 0).
Resposta: Como no exemplo acima, devemos ver se existem números reais

x, y, z e w tais que
(1, 2, 3) = x (1, 1, 1) + y (1, 0, 1) + z (2, 1, 2) + w (0, 1, 0).
Escrevendo em coordenadas, obtemos o sistema de equações:
1 = x + y + 2z, 2 = x + z + w, 3 = x + y + 2z.
Escalonando,
1 = x + y + 2z, 1 = −y − z + w, 2 = 0.
Logo o sistema não tem solução. Portanto, o vetor (1, 2, 3) não é combinação
linear dos vetores (1, 1, 1), (1, 0, 1), (2, 1, 2) e (0, 1, 0). ¤
Resumindo, para determinar se um vetor é combinação linear de outros
vetores (e em caso afirmativo encontrar uma combinação linear), devemos
resolver um sistema de equações lineares. Quando o sistema não tem solução
o vetor não é combinação linear dos vetores dados.
Observamos que, em certas situações, um vetor pode se escrever de mais
de uma forma como combinação linear de um conjunto de vetores
Exemplo 1. Considere o vetor (1, 2, −3) e o conjunto de vetores
U = {(1, 1, −2), (1, 0, −1), (−1, 2, −1)}.
Então se verifica
(1, 2, −3) = 2 (1, 1, −2) − (1, 0, −1)
e também
(1, 2, −3) = 2 (1, 0, −1) − (1, 2, −1).
De fato, o vetor (1, 2, 3) pode ser escrito de infinitas formas como combinação
linear dos vetores de U. Encontre novas combinações lineares.
Exemplo 2. Determinar o conjunto dos vetores que são combinação linear

dos vetores coplanares (1, 1, 1), (1, 0, 1), (2, 1, 2) e (0, 1, 0).
2
Resposta: Raciocinando como nos exemplos anteriores, temos que um
vetor (a, b, c) de R3 é combinação linear dos vetores (1, 1, 1), (1, 0, 1), (2, 1, 2)
e (0, 1, 0) se, e somente se, o sistema abaixo tem solução:
a = x + y + 2z, b = x + z + w, c = x + y + 2z,
O sistema anterior é equivalente a
a = x + y + 2z, b − a = −y − z + w, c − a = 0,
Logo uma condição necessária é a = c. Logo, a priori, os vetores que são
combinação linear são vetores da forma (a, b, a). Observe que o sistema
a = x + y + 2z, b − a = −y − z + w,
admite solução, por exemplo, x = a, y = z = 0, w = (b − a)/2. De fato,
é fácil ver que este sistema admite infinitas soluções (encontre v. mesmo
outras soluções). Portanto, os vetores da forma (a, b, a) podem ser escritos
de infinitas formas diferentes como combinação linear dos vetores dados.
De fato, obtemos que o conjunto de vetores procurado é o plano vetorial
ρ : x − z = 0. Isto é, o conjunto de vetores w = OP , onde P é um ponto do
plano ρ. ¤
2 Subespaços vetorias (de R2 e R3). Gerado-

res
Definição 2 (Subespaços). Dizemos que um conjunto V de vetores de R2
ou R3 é um subespaço vetorial se para cada par de vetores u e v de V e todo
número real λ se verifica que
• u+v ∈V e
• λ u ∈ V.
Em particular, 0̄ ∈ V (é suficiente considerar 0 ū = 0̄).
De forma análoga a como fizemos acima, a retas e planos podemos associar
conjuntos de vetores. A uma reta r associamos o conjunto de vetores Vr
formado pelos vetores w da forma w = OP , onde P ∈ r. Analogamente, a
um plano π associamos o conjunto de vetores Vπ formado pelos vetores w da
forma w = OP , onde P ∈ π.
3
Exemplos 1. Retas e planos que contêm a origem são os subsespaços de R2
e R3 . Isto é, se r e π são retas e planos que contêm a origem então Vr e Vπ
são subespaços vetorias.
De fato, estes conjuntos são os únicos subespaços vetorias não triviais
(diferentes do vetor 0̄, que é um subespaço vetorial (!), verifique) de R2 ou
R3 . Em outras palavras,
• se V é um subespaço de R2 diferente de {0̄} e de R2 então existe uma

reta r que contém a origem tal que V = Vr ,
• se V é um subespaço de R3 diferente de {0̄} e de R3 então existem uma

reta r ou um plano π que contêm a origem tais que V = Vr ou V = Vπ .
Resposta: Considere uma reta r que contém a origem (de R2 ou R3 ). Para

ver que Vr é um subespaço vetorial usaremos a equação paramétrica da reta
r. Um ponto P pertence a r se, e somente se, o vetor OP é paralelo ao vetor
diretor ū da reta r: OP = t ū. Portanto,
Vr : v̄ = t ū, t ∈ R,
onde ū é um vetor diretor da reta r.

Se consideramos dois vetores v̄1 e v̄2 de Vr temos v̄1 = OP1 = t1 ū e
v̄2 = OP2 = t2 ū, onde P1 e P2 são pontos da reta. Portanto,
v̄1 + v̄2 = t1 ū + t2 ū = (t1 + t2 ) ū = OP3 ,
onde P3 é um ponto de r. Portanto, o vetor soma v1 + v2 ∈ Vr .

Para o produto de um vetor por um escalar procedemos de forma análoga
(deixamos como exercı́cio v. completar os detalhes).
Para ver que se π é um plano de R3 que contém a origem então Vπ é
um subespaço vetorial, usaremos também a equação paramétrica do plano
π. Um ponto P pertence ao plano π se, e somente se,
OP = t ū + s w̄, t, s ∈ R,
onde ū e w̄ são dois vetores diretores do plano não paralelos.

Se consideramos dois vetores v̄1 = OP1 e v̄2 = OP2 , P1 , P2 ∈ π, de Vπ
temos
v̄1 = t1 ū + s1 w̄ e v̄2 = t2 ū + s2 w̄.
4
Assim,
v̄1 + v̄2 = (t1 + t2 ) ū + (s1 + s2 ) w̄ = OP3 ,
onde P3 ∈ π Portanto, o vetor soma v1 + v2 pertence a Vπ .
Para verificar que o produto de um vetor por um escalar pertence a Vπ
procedemos de forma análoga (mais uma vez, deixamos como exercı́cio v.
completar os detalhes).
V. pode fazer os raciocı́nios anteriores usando as equações cartesianas de
retas e de planos. Por exemplo, para ver que se π é um plano de equação
cartesiana a x + b y + c z = 0 então Vπ é um subespaço vetorial, observe que
um vetor u = (α, β, γ) pertence a Vπ se, e somente se, as coordenadas do
vetor u verificam a equação do plano:
a α + b β + c γ = 0.
Isto é equivalente a
u · n = 0,
onde n é o vetor normal do plano.
Devemos ver que dados dois vetores u e v quaisquer de Vπ se verifica
u + v ∈ Vπ . Mas u ∈ Vπ é equivalente a u · n = 0. Analogamente, v ∈ Vπ se,
e somente se, u · n = 0. Portanto, devemos ver que (u + v) · n = 0. Mas isto
decorre das propriedades do produto escalar:
(u + v) · n = u · n + v · n = 0.
Analogamente, é imediato conferir que λ v ∈ Vπ para todo número real.

É simples ver que uma reta r ou um plano π se não contém a origem então
V = Vr ou V = Vπ não é um subsespaço. Em primeiro lugar, é suficiente
ver que não verifica a condição necessária de subespaço: 0̄ 6∈ V. Também
podemos raciocinar diretamente. Vejamos no caso de um plano. A equação
cartesiana do plano π é
π : a x + b y + c z = d.
Como o plano não contém a origem, temos que d 6= 0. Escolhemos dois

vetores de Vπ , v = OP1 = (v1 , v2 , v3 ) e w = OP2 = (w1 , w2 , w3 ) onde P1 , P2 ∈
π. Isto é, as coordenadas dos vetores verificam
a v1 + b v2 + c v3 = d, a w1 + b w2 + c w3 = d.
5
Somando as equações:
a (v1 + w1 ) + b (v2 + w2 ) + c (v3 + w3 ) = 2 d 6= d.
Ou seja, as coordenadas do vetor soma v̄ + w̄ não verificam a equação do

plano. Portanto, ū + v̄ 6= OP3 , para qualquer ponto P3 ∈ π.
¿Um outro exemplo: dada a circunferência C centrada em (−1, 0) de
raio 1 temos que VC não é um subespaço de R2 . A circunferência contém
a origem, portanto o vetor 0̄ pertence a VC . Mas isto não é suficiente para
VC ser um subespaço. O vetor (−2, 0) pertence a VC . Mas se multiplicamos
este vetor por qualquer número diferente de zero ou de 1 o vetor resultante,
w, não pertence a VC : w 6= 0P para todo P ∈ C. ¤
Resumindo, considere uma reta r ou um plano π (suponhamos em equac
cões cartesianas para simplificar). Se consideramos Vr : um vetor w = (a, b, c)
pertence a Vr se e somente P = (a, b, c) verifica a equação da reta. Se
consideramos Vπ : um vetor w = (a, b, c) pertence a Vπ se e somente P =
(a, b, c) verifica a equação do plano π.
Por este motivo, quando consideramos retas e planos, com certo abuso de
notação, simplesmente escrevemos Vr = r e Vπ = π.
Definição 3 (Subsespaço gerado por vetores). Dado um conjunto de vetores
W = {u1 , . . . , um } o subespaço W gerado pelos vetores de W é o de conjunto
de vetores que podem se escrever da forma
v = λ 1 u1 + λ 2 u2 + · · · + λ m u m ,
onde λ1 , . . . , λm são números reais.

Observamos que W é um subespaço vetorial. Devemos verificar que para
todo par de vetores u, v ∈ W e todo número real σ ∈ R se verifica:
u + v ∈ W e σ u ∈ W.
Veja que se
v = λ 1 u 1 + λ 2 u 2 + · · · + λ m um e w = σ1 u1 + σ2 u2 + · · · + σm um ,
então
v + w = (λ1 + σ1 ) u1 + (λ2 + σ2 ) u2 + · · · + (λm + σm ) um
6
e
σ v = (σ λ1 ) u1 + (σ λ2 ) u2 + · · · + (σ λm ) um .
Portanto, por definição de subespaço gerado, os vetores soma e produto por
um escalar pertencem a W.
Exemplo 3. Pelos argumentos da seção anterior, o subespaço vetorial gerado

pelos vetores
W = {(1, 1, 1), (1, 0, 1), (2, 1, 2), (0, 1, 0)}
é o conjunto de vetores
W = {(x, y, x) : x ∈ R, y ∈ R}.
Ou seja, o plano que contém a origem e tem vetores paralelos a (1, 0, 1) e a

(0, 1, 0). Ou em forma cartesiana, o plano de equação x − z = 0,
Definição 4 (Geradores de um subespaço). Dado um subespaço vetorial W

dizemos que u1 , u2 . . . , um são geradores de W se todo vetor w de W pode se
escrever como combinação linear dos vetores u1 , u2 . . . , um .
Observe que a equação paramétrica de um plano π e a equação pa-

ramétrica de uma reta r (contendo a origem) determinam os geradores de Vπ
e Vr :
• Um plano é gerado por dois vetores paralelos ao plano não paralelos

entre si.
• Uma reta é gerada pelo seu vetor diretor.
Por exemplo, para determinar os geradores do plano vetorial Vπ : x−z = 0

é suficiente considerar dois vetores paralelos a π e não paralelos entre si. Por
exemplo, (1, 0, 1) e (0, 1, 0). Observe que (1, 0, 1), (1, 1, 1) e (1, 2, 1) também
são geradores. Veremos, que o mais conveniente é encontrar um conjunto de
geradores com o menor número possı́vel de elementos.
Exemplos 2. Determinar dois vetores que gerem o plano vetorial Vπ : x +

y − 2 z = 0. Determinar um vetor que gere a reta vetorial definida como a
interseção dos planos vetorias x + y + z = 0 e x + 2 y + 3 z = 0.
7
Resposta: Temos que os vetores (2, 0, 1) e (1, −1, 0) são paralelos ao plano,
é suficiente ver que ão ortogonais ao vetor normal do plano
(2, 0, 1) · (1, 1, −2) = 0, (1, −1, 0) · (1, 1, −2) = 0.
Obviamente, estes vetores não são paralelos entre si. Portanto, (2, 0, 1) e
(1, −1, 0) geram o plano π. Assim, uma equação paramétrica de π é
π : (2t + s, −s, t), t, s ∈ R.
Finalmente, um vetor diretor da reta é (1, 1, 1) × (1, 2, 3) = (1, −2, 1).

Obviamente, o vetor (1, −2, 1) gera a reta. ¤
2.1 Geradores de R2 e R3
Para gerar R2 necessitamos dois vetores não paralelos. Por exemplo (1, 0) e
(0, 1). Ou (1, 1) e (1, 2). Por exemplo, (1, 1), (2, 2) e (3, 3) não geram R2 ,
somente geram a reta (t, t), t ∈ R.
Para gerar R3 necessitamos três vetores não coplanares. Sabemos qual é
o teste de coplanaridade:
• u, v e w são coplanares se, e somente se, u · (v × w) = 0.
Exemplos 3.
• (1, 0, 0), (0, 1, 0) e (0, 0, 1) geram R3 .
• (1, 1, 1), (1, 2, 2) e (1, 2, 3) geram R3 . Para ver isto, verifique que
(1, 1, 1) · (1, 2, 2) × (1, 2, 3) = 1 6= 0.
• Os vetores (1, 1, 1), (1, 1, 2) e (2, 2, 3) não geram R3 . Veja que seu
produto misto é zero. Veja também que o vetor (1, 2, 3) não está no
subespaço gerado por estes vetores. Finalmente, verifique que o subes-
paço gerado por estes três vetores é o plano vetorial x = y.
Exercı́cio 2. Verifique se (1, 1, 1), (1, 1, 2), (2, 2, 3), e (0, 0, 1) geram R3 .
Resposta: A resposta é negativa: veja que são coplanares. Observe que

neste caso não é possı́vel calcular o produto misto (pois temos quatro veto-
res!). Raciocinamos da seguinte forma:
8
• Os vetores (1, 1, 1) e (1, 1, 2) são não paralelos. Temos que geram o
plano vetorial Vπ : x − y = 0.
• O vetor (2, 2, 3) pertence a π. Isto pode ser feito de duas formas. Cal-
culando (2, 2, 3) · (1, 1, 1) × (1, 1, 2) e vendo que é zero (portanto, os três
vetores são coplanares, e o plano determinado é necessariamente π).
Ou vendo que (2, 2, 3) verifica x − y = 0. Isto significa que os conjun-
tos de vetores {(1, 1, 1), (1, 1, 2)} e {(1, 1, 1), (1, 1, 2), (2, 2, 3)} geram o
mesmo subespaço (ou seja, o vetor (2, 2, 3) nada acrescenta).
• Finalmente, repetimos o argumento anterior com o vetor (0, 0, 1): este

vetor está no plano x − y = 0.
Conclusão, a famı́lia de vetores {(1, 1, 1), (1, 1, 2), (2, 2, 3), (0, 0, 1)} gera o
plano x − y = 0.
Voltando ao conjunto de vetores do exemplo. Se
{(1, 1, 1), (1, 1, 2), (2, 2, 3), (0, 0, 1)}
gerasse R3 , todo vetor (a, b, c) de R3 poderia ser escrito da forma
(a, b, c) = x (1, 1, 1) + y (1, 1, 2) + z (2, 2, 3) + w (0, 0, 1).
Isto é, o sistema em x, y, z e w,
a = x + y + 2 z, b = x + y + 2 z, c = x + 2 y + 3 z + w,
sempre teria solução. Escalonando o sistema temos,
a = x + y + 2 z, b − a = 0, c − a = y + z + w.
Logo b tem que ser igual a a, isto é somente vetores da forma (a, a, c) se
podem escrever como combinac cão linear dos vetores dados. Portanto, esses
vetores geram o plano x − y = 0. ¤
9
1. Dependência e independência linear.
2. Bases.
3. Coordenadas.
4. Bases de R3 e produto misto.
Roteiro
1 Dependência e independência linear de ve-

tores
Definição 1 (Dependência linear). Dizemos que os vetores
{u1 , u2 , . . . um }
são linearmente dependentes (l.d.) se existem números reais σ1 , σ2 , . . . , σm

não todos nulos tais que
σ1 u1 + σ2 u2 + · · · + σm um = 0̄.
A definição implica que se os vetores u1 , u2 , . . . , um são l.d. então algum

vetor da coleção {u1 , u2 , . . . , um } pode ser escrito como combinação linear
dos outros. Supondo, por exemplo, que σ1 6= 0, temos
σ2 σm
u1 = − u2 − · · · − um .
σ1 σ1
Portanto, u1 é combinação linear dos vetores u2 , . . . , um .
Observe que se um vetor, por exemplo o vetor u1 , é combinação linear
dos outros vetores, então a coleção de vetores é linearmente dependente:
u1 = σ2 u2 + · · · + σm um .
1
Observe que não sabemos se os coeficientes σ2 , . . . , σm são diferentes de zero.
Mas,
u1 − σ2 u2 − · · · − σm um = 0̄.
Como o coeficiente de u1 é não nulo, os vetores são linearmente dependentes.
Observe que qualquer coleção de vetores contendo o vetor nulo é linear-
mente dependente. Por exemplo, {u1 , 0̄, u2 }, temos
0̄ = 0 u1 , +(15) 0̄ + 0 u2 .
Exemplo 1. Três vetores coplanares de R3 são linearmente dependentes.
(Teste do produto misto): faça operações de escalonamento no determinante,
o processo de escalonamento fornece a combinação linear dos vetores igual a
zero.
Por exemplo, considere os vetores
u1 = (1, 2, 1), u2 = (2, 3, 1), u3 = (1, 0, −1).
Consideramos o determinante escrevendo no lado o vetor que representa cada
linha: ¯ ¯
¯ 1 2 1 ¯ u1
¯ ¯
¯ 2 3 1 ¯ u2 .
¯ ¯
¯ 1 0 −1 ¯ u3
Cada operação com as linhas corresponde a uma operação com os vetores:
¯ ¯
¯ 1 2 1 ¯ u1
¯ ¯
¯ 0 −1 −1 ¯ u2 − 2 u1 .
¯ ¯
¯ 0 −2 −2 ¯ u3 − u1
Trocando sinais nas duas últimas linhas:
¯ ¯
¯ 1 2 1 ¯¯ u1
¯
¯ 0 1 1 ¯ 2 u1 − u2 .
¯
¯
¯ 0 2 2 ¯ u1 − u3
Finalmente, ¯ ¯
¯ 1 2 1 ¯ u1
¯ ¯
¯ 0 1 1 ¯ 2 u 1 − u2 .
¯ ¯
¯ 0 0 0 ¯ u1 − u3 − 2 (2 u1 − u2 )
Obtemos assim,
0̄ = u1 − u3 − 2 (2 u1 − u2 ) = −3 u1 + 2 u2 − u3 .
Observamos que dois vetores paralelos de R2 são linearmente dependentes.
2
Definição 2 (Independência linear). Os vetores {u1 , u2 , . . . um } são line-
armente independentes (l.i.) se não são linearmente dependentes, isto é,
a única forma de obter o vetor nulo como combinação linear dos vetores
u1 , u2 , . . . um é tomando todos os coeficientes σ1 , σ2 , . . . , σm iguais a zero:
σ1 u1 + σ2 u2 + · · · + σm um = 0̄
se, e somente se,

σ1 = σ2 = · · · = σm = 0.
Outra forma de entender a independência linear é a seguinte: nenhum
vetor ui pode ser escrito como combinação linear dos outros (m − 1) vetores
u1 , . . . ui−1 , ui+1 , . . . um . Suponhamos que
ui = σ1 u1 + · · · + σi−1 ui−1 + σi+1 ui+1 + · · · + σm um ,
então,
σ1 u1 + · · · + σi−1 ui−1 − ui + σi+1 ui+1 + · · · + σm um = 0̄
obtendo uma combinação linear não trivial (no mı́nimo o coeficiente de ui é

não nulo (!)) dando o vetor nulo.
Propriedade 1.1. Se um vetor v pode se escrever como combinação linear
dos vetores u1 , u2 , u3 de duas formas diferentes, então u1 , u2 , u3 são linear-
mente dependentes.
Prova: Suponha que existem números reais x1 , x2 , x3 e y1 , y2 , y3 com
(x1 , x2 , x3 ) 6= (y1 , y2 , y3 ) tais que
u = x 1 u1 + x 2 u2 + x 3 u3 = y 1 u1 + y 2 u2 + y 3 u3 .
Logo,
(x1 − y1 ) u1 + (x2 − y2 ) u2 + (x3 − y3 ) u3 = 0̄.
Como (x1 − y1 ), (x2 − y2 ) e (x3 − y3 ) não são todos nulos, obtemos uma
combinação linear de não trivial de u1 , u2 e u3 dando o vetor nulo. Portanto,
os vetores u1 , u2 e u3 são l.d.. ¤
Exemplo 2. Os vetores
• (1, 0, 0), (0, 1, 0) e (0, 0, 1) são l.i..
3
• (1, 1, 1), (1, 2, 2) e (1, 2, 3) são l.i.
• Os vetores (1, 1, 1), (1, 1, 2) e (2, 2, 3) não são l.i..
• (1, 1, 1), (1, 1, 2), (2, 2, 3), e (0, 0, 1) não são l.i..
Temos as seguintes propriedades sobre dependência linear:
Propriedade 1.2.
• Um conjunto de vetores de R3 com quatro ou mais vetores é l.d..
• Um conjunto de vetores de R2 com três ou mais vetores é l.d..
Prova: Vejamos o caso de R2 . Consideremos um conjunto com três vetores

u1 , u 2 e u 3 .
Se u1 e u2 são paralelos, então u2 = σu1 (por exemplo) e u2 − σu1 = 0̄,
logo os vetores são l.d..
Se u1 e u2 não são paralelos então geram R2 . Logo u3 = σu1 + βu2 , logo
u3 − σu1 − βu2 = 0̄ e os vetores são l.d..
Repita este tipo de argumento com quatro vetores de R3 . ¤
Exemplos 1. Estude se as afirmações a seguir são verdadeiras ou falsas:
a) Se {v1 , v2 } é um conjunto de vetores linearmente dependente então se

verifica v1 = σ v2 e v2 = λ v1 para certos números reais λ e σ.
b) Se {v1 , v2 , v3 } é um conjunto de vetores linearmente independente também

o é o conjunto {κ v1 , κv2 , κ v3 } para todo κ não nulo.
c) Se {v1 , v2 , v3 } é um conjunto de vetores linearmente dependente então

cada vetor pode ser obtido como combinação linear dos outros dois.
d) Se {v1 , v2 , v3 } é um conjunto de vetores linearmente independente também

o é o conjunto {κ v1 , λv2 , σ v3 } para todo κ, λ, σ não nulos.
Resposta: As afirmações (a) e (c) são falsas. Para a afirmação (a) considere
os vetores (1, 1) e (0, 0), por exemplo. Para a afirmação (c) considere v1 =
(1, 1, 1), v2 = (2, 2, 2), v3 = (1, 0, 1). Claramente, o vetor v3 não pode ser
escrito como combinação linear de v1 e v2 .
4
A afirmação (b) é verdadeira: considere uma combinação linear os vetores
κ v1 , κv2 , κ v3 , que seja o vetor nulo:
σ1 κ v1 + σ2 κ v2 + σ3 κ v3 = 0̄.
Ou seja
κ (σ1 v1 + σ2 v2 + σ3 v3 ) = 0̄.
Como κ 6= 0, temos
σ1 v1 + σ2 v2 + σ3 v3 = 0̄.
E como v1 , v2 e v3 são l.i., σ1 = σ2 = σ3 = 0, logo os vetores são l.i..
Finalmente, a afirmação (d) também é verdadeira, e a prova segue como
o caso anterior. Complete os detalhes. ¤
2 Bases
Definição 3 (Base). Considere um subespaço vetorial W e um conjunto de
vetores u1 , u2 , . . . , um de W. Dizemos que
β = {u1 , u2 , . . . , um }
é uma base de W se
• os vetores de β geram W, isto é, todo vetor v ∈ W pode ser escrito

da forma v = σ1 u1 + σ2 u2 + · · · + σm um (ou seja, todo vetor de é
combinação linear dos vetores da base β).
• os vetores de β são linearmente independentes.
Por exemplo, os vetores
β = {(1, 1, 1), (1, 2, 2), (1, 3, 3), (1, 2, 1), (2, 1, 1)}
geram R3 , é suficiente verificar se os vetores (1, 1, 1), (1, 2, 2), (1, 2, 1) não são
coplanares ¯ ¯ ¯ ¯
¯ 1 1 1 ¯ ¯ 1 1 1 ¯
¯ ¯ ¯ ¯
¯ 1 2 2 ¯ = ¯ 1 2 2 ¯ = −1.
¯ ¯ ¯ ¯
¯ 1 2 1 ¯ ¯ 0 1 0 ¯
5
Porém aqueles vetores não formam uma base pois não são linearmente in-
dependentes (um conjunto de mais de três vetores de R3 não é linearmente
independente).
Observe que é possı́vel, obter uma base de R3 a partir da coleção β,
eliminando alguns vetores. Por exemplo,
β ′ = {(1, 1, 1), (1, 2, 2), (1, 2, 1)}
é uma base de R3 . Já vimos que são linearmente independentes, e três vetores
linearmente independentes geram R3 .
Observamos que se acrescentamos qualquer vetor a β ′ , os vetores geram
3
R , porém não serão linearmente independentes (justifique!), portanto, não
formam uma base.
Observe também que se a famı́lia de vetores β = {u1 , u2 , . . . , um } é uma
base de W então, se eliminamos qualquer vetor ui da base β, o novo conjunto
não é gerador de W. É suficiente observar que o vetor ui ∈ W não pode ser
escrito como combinação linear dos vetores restantes: caso fosse escrito os
vetores de β não seriam linearmente independentes, e portanto não formariam
uma base. Complete os detalhes.
Propriedade 2.1. As seguintes propriedades sobre bases se verificam:
• Uma base de R2 sempre tem dois vetores.
• Uma base de R3 sempre tem três vetores.
• Uma base de um plano de R3 (contendo a origem) sempre tem dois

vetores de R3 .
• Uma base de uma reta de R3 ou R2 (contendo a origem) sempre tem

um vetor deR3 ou de R2 .
• Dois vetores linearmente independentes de R2 formam uma base de R2 .
• Três vetores linearmente independentes de R3 formam uma base de R3 .
• Dois vetores linearmente independentes de um plano π de R3 contendo

a origem formam uma base de π.
Exemplos 2.
• E = {i = (1, 0), j = (0, 1)} é uma base de R2 , a chamada base canônica.
6
• E = {i = (1, 0, 0), j = (0, 1, 0), k = (0, 0, 1)} é uma base de R3 , a
chamada base canônica.
• β1 = {(1, 1), (1, 2)}, β2 = {(3, 1), (1, 4)} e β3 = {(1, 0), (1, 1)}, são
bases de R2 .
• β1 = {(1, 1, 1), (1, 2, 3), (1, 0, 1)}, β2 = {(2, 1, 2), (1, 4, 1), (3, 5, 0} e β3 =
{(1, 0, 0), (1, 1, 0), (1, 1, 1)}, são bases de R3 .
• Os vetores (1, 0, 1) e (1, −1, −1) formam uma base do plano de equação
cartesiana π : x + 2 y − z = 0.
Exercı́cio 1. Suponha que γ = {u1 , u2 , u3 } é uma base de R3 . Estude se

β = {u1 , u2 , u1 + u2 + u3 } também é uma base de R3 .
Resposta: Pela propriedade acima (três vetores l.i. de R3 formam uma

base) é suficiente ver que os vetores são linearmente independentes. Escreva
x1 u1 + x2 u2 + x3 (u1 + u2 + u3 ) = 0̄,
isto é,
(x1 + x3 ) u1 + (x2 + x3 ) u2 + x3 u3 = 0̄.
Como os vetores u1 , u2 e u3 são l.i., todos os coeficiente de uma combinação
linear dando o vetor zero devem ser necessariamente nulos,
x1 + x3 = 0 = x2 + x3 = x3 .
Portanto, resolvendo os sistema, x1 = x2 = x3 = 0. Assim, os vetores são l.i.

e formam uma base de R3 . ¤
3 Coordenadas em uma base β

Definição 4 (Coordenadas). Considere uma base β = {u1 , u2 , u3 } de R3 .
As coordenadas do vetor v na base β, denotada (v)β , são (v)β = (x1 , x2 , x3 ),
onde
v = x 1 u1 + x 2 u2 + x 3 u 3 .
7
Observe que as coordenadas de v na base γ = {u2 , u3 , u1 } são (v)γ =
(x2 , x3 , x1 ).
Idênticos comentários valem para bases em R2 .
Observamos que as coordenadas de um vetor v em uma base β são únicas:
se houvesse mais possibilidades de coordenadas terı́amos o seguinte. Supo-
nhamos que as coordenadas de v na base β sejam simultaneamente (x1 , x2 , x3 )
e (y1 , y2 , y3 ). Então,
v = x 1 u1 + x 2 u 2 + x 3 u 3 = y 1 u 1 + y 2 u 2 + y 3 u 3 .
Portanto,
(x1 − y1 ) u1 + (x2 − y2 ) u2 + (x3 − y3 ) u3 = 0̄.
Como os vetores u1 , u2 , u3 são linearmente independentes, temos
x 1 − y1 = 0 = x 2 − y2 = x 3 − y3 .
Logo
x1 = y1 , x2 = y2 , x3 = y3 .
4 Bases de R3 e produto misto

Propriedade 4.1. Considere três vetores u, v e w de R3 . Se u · (v × w) 6= 0
então os vetores são l.i.. Portanto, formam uma base de R3 . O recı́proco é
verdadeiro (complete os detalhes). Portanto, três vetores de R3 formam uma
base se, e somente se u · (v × w) 6= 0̄.
Exercı́cio 2. Determine uma base de R3 formada por dois vetores paralelos

ao plano x − y − z = 0 e outro ortogonal a estes vetores.
Resposta: {(1, 1, 0), (1, 0, 1), (1, −1, −1)}. ¤
Exemplo 3. Considere vetores não nulos u e v de R3 tais que
(u + v) · (u + v) = (u − v) · (u − v).
Então
β = {u × v, u, v}
é uma base de R3 formada por vetores ortogonais.
8
Resposta: Da condição (u + v) · (u + v) = (u − v) · (u − v) obteremos que
u · v = 0. Temos
(u + v) · (u + v) = u · u + u · v + v · u + v · v = u · u + 2 (u · v) + v · v,
(u − v) · (u − v) = u · u − u · v − v · u + v · v = u · u − 2 (u · v) + v · v.
Igualando estas equações obtemos
u · u + 2 (u · v) + v · v = u · u − 2 (u · v) + v · v.
Isto é,
4 (u · v) = 0, u · v = 0.
Logo os vetores u e v são ortogonais (e portanto, l.i.). Claramente u × v é
ortogonal a u e v. Logo os vetores de β são ortogonais. Logo somente falta
ver que estes vetores são l.i..
Também sabemos o produto misto de u × v, u e v é não nulo:
(u × v) · (u × v) = |u × v|2 = (|u||v|sen(π/2))2 6= 0.
Logo os vetores não são coplanares. Logo são l.i.. O argumento termina
observando que três vetores l.i. formam uma base de R3 . ¤
Exemplo 4. Considere uma base β = {u1 , u2 , u3 } de R3 . Veja que
γ = {u1 , u2 , u1 + u2 + u3 }
também é uma base de R3 . Finalmente, sabendo que as coordenadas de v na

base β são (v)β = (x1 , x2 , x3 ), determine as coordenadas de (v)γ = (y1 , y2 , y3 )
de v na base γ.
Resposta: Para ver que γ é uma base é suficiente observar que
(u1 + u2 + u3 ) · (u1 × u2 ) = u1 · (u1 × u2 ) + u2 · (u1 × u2 ) + u3 · (u1 × u2 ) =

= u3 · (u1 × u2 ) = u1 · (u2 × u3 ) 6= 0.
Onde a última afirmação decorre da independência linear dos vetores u1 , u2

e u3 . (Justifique cuidadosamente todas as passagens do raciocı́nio anterior).
9
Para o cálculo das coordenadas, sabemos que
v = y1 u1 + y2 u2 + y3 (u1 + u2 + u3 ) = (y1 + y3 ) u1 + (y2 + y3 ) u2 + y3 u3 .
Logo, da unicidade das coordenadas na base β,
x1 = y1 + y3 , x2 = y2 + y3 , e x3 = y3 .
Logo
y1 = x 1 − x3 , y 2 = x 2 − x3 , y3 = x3 .
Completamos assim a resposta. ¤
10
1. Transformações lineares.
2. Exemplos de Transformações lineares.
Roteiro
1 Transformações lineares
Definição 1 (Transformação linear). Uma transformação linear T definida
de Rn em Rm (pense, por exemplo, em n e m iguais a 2 ou 3) é uma aplicação
T : Rn → Rm que verifica as seguintes propriedades:
• T (u + v) = T (u) + T (v), para todo par de vetores u e v de Rn ,
• T (σu) = σ T (u) para todo vetor u de Rn e todo número real σ.
A definição significa que uma transformação linear preserva as operações

de adição de vetores e multiplicação de um vetor por um escalar. Como
consequência da definição de transformação linear temos que
T (0̄) = T (0̄ + 0̄) = T (2 0̄) = 2 T (0̄), T (0̄) = 0̄.
Observe que T (0̄) = 0̄ é uma condição necessária para que a transformação

T seja linear, mas esta condição não é suficiente. Veja o seguinte exemplo, a
transformação T
T : R → R, T (x) = x2 ,
verifica T (0) = 0 mas, em geral, T (x + y) 6= T (x) + T (y):
T (x + y) = (x + y)2 = x2 + y 2 + 2x y 6= x2 + y 2 = T (x) + T (y),
sempre que x e y sejam os dois simultaneamente não nulos.

Vejamos outros exemplos de transformações que não são lineares:
1
• T : R2 → R2 , T (x, y) = (x + 2, y + 1), não é uma transformação linear,
pois T (0, 0) = (2, 1) 6= (0, 0).
• T : R2 → R2 , T (x, y) = (sen x, sen y) verifica T (0, 0) = (0, 0), porém

não é uma transformação linear. Deixamos v. verificar os detalhes,
observamos que o fato de T não ser linear segue de que, em geral,
sen (x + x′ ) 6= sen (x) + sen (x′ ).
Da definição de transformação linear obtemos as seguintes propriedades

(que v. deve verificar como exercı́cio):
Propriedade 1.1. Considere duas transformações de lineares T e S,
T, S : Rn → Rm ,
e um número real λ. Então

• A soma das transformações lineares T + S : Rn → Rm , definida como
(T + S)(u) = T (u) + S(u),
é uma transformção linear,
• O produto por um número real λ de uma transformação linear T , defi-

nida como (λ T )(u) = λ (T (u)), é uma transformação linear.
Definição 2 (Conjunto imagem). A imagem do conjunto V pela trans-
formação T é o conjunto:
im(T (V)) = {w ∈ Rm tal que existe v ∈ V tal que w = T (v)}.
Propriedade 1.2. Se V é um subespaço vetorial e T é uma transformação

linear, então a imagem T (V) também é um subespaço.
Em particular, a imagem por uma transformação linear de uma reta ou
um plano que contém a origem também é uma reta ou um plano que contém
a origem ou o vetor 0̄.
Prova: Para provar que im(T (V)) é um subespaço considere vetores w1 e
w2 de im(T (V)). Temos que provar que w1 + w2 ∈ im(T (V)). Da definição
de imagem, existem vetores v1 e v2 ∈ V tais que
w1 = T (v1 ) e w2 = T (w2 ).
2
Como T é linear:
w1 + w2 = T (v1 ) + T (v2 ) = T (v1 + v2 ).
Como v1 , v2 ∈ V e V é um subespaço, v1 + v2 = v3 ∈ V. Portanto,
w1 + w2 = T (v3 ), v3 ∈ V.
Logo, w1 + w2 ∈ im(T (V)).

Deixamos como exercı́cio verificar que se w ∈ im(T (V)) e λ é um número
real então λ w ∈ im(T (V)). Veja que se w = T (v), v ∈ V, então λ w = T (λ v)
onde λ v ∈ V, (complete os detalhes). ¤
Considere uma transformação linear T : R3 → R3 . Veremos que a imagem
de uma reta r que contém a origem é ou outra reta que contém a origem ou
o vetor nulo. A princı́pio, como a imagem da reta deve ser um subespaço de
R3 , a imagem da reta poderia ser um plano que contém a origem ou todo
R3 . Seja v o vetor diretor da reta, então: r : {t v, t ∈ R}.
Seja w = T (v). Afirmamos que T (r) é a reta r′ que contém a origem cujo
vetor diretor é w, isto é,
r′ : {t w, t ∈ R}.
Observamos que se w = 0̄, então T (r) = 0̄ (deixamos v. conferir esta
afirmação). Vejamos as duas inclusões:
T (r) ⊂ r′ : seja u ∈ T (r), então u = T (t v) para certo t. Como T é linear,

u = t T (v) = t w. Portanto, u ∈ r′ .
r′ ⊂ T (r): seja u ∈ r′ , então u = t w = t T (v), para certo t. Como T

é linear, u = T (t v) = T (ℓ), onde (por definicção) ℓ ∈ r. Portanto,
u ∈ T (r).
De forma análoga temos que a imagem por uma transformação linear de

um plano π que contém a origem é ou um plano ou uma reta contendo a
origem ou o vetor nulo. Suponha que o plano π é gerado pelos vetores v e w.
As equações paramétricas de π são,
π : u = t v + s w, t, s ∈ R.
Sejam T (v) = v ′ e T (w) = w′ . Temos as seguintes possibilidades para a

imagem T (π):
3
• um plano ρ: se os vetores v ′ e w′ não são paralelos e são não nulos. De
fato, o plano ρ é o plano que contém a origem e é paralelo aos vetores
v ′ e w′ .
• uma reta r: se os vetores v ′ e w′ são paralelos e um deles não é nulo
(por exemplo, v ′ 6= 0̄). De fato, r é a reta que contém a origem e é
paralela a v ′ .
• o vetor 0̄: se v ′ e w′ são nulos.
Vejamos, por exemplo, que se v ′ = T (v) 6= 0̄ e w′ = T (w) 6= 0̄ não são
paralelos, se verifica que o plano ρ paralelo a v ′ e w′ que contém a origem
contém T (π) (as outras inclusões e os outros casos seguem exatamente como
no exemplo acima e serão omitidos). Seja ℓ′ ∈ T (π), então, por definição,
existe um vetor ℓ ∈ π tal que T (ℓ) = ℓ′ . Como ℓ ∈ π, ℓ = t v + s w. Como T
é linear,
ℓ′ = T (ℓ) = T (t v + s w) = t T (v) + s T (w) = t v ′ + s w′ .
Assim, pela definição de ρ, ℓ ∈ ρ.
2 Exemplos de Transformações lineares

A seguir veremos alguns exemplos de transformações lineares (v. deve com-
pletar os detalhes).
1. A transformação linear nula, definida por T (u) = 0̄ para todo vetor u.

2. A transformação linear identidade, T (u) = u para todo vetor u.
3. Transformações de escala, T (u) = σ u para todo vetor u, onde σ ∈ R.
Se |σ| < 1 dizemos que é uma contração e se |σ| > 1 é uma dilatação.
4. Transformações V : R2 → R2 de cisalhamento vertical e
V (x, y) = (x, α x + y)
e H : R2 → R2 de cisalhamento horizontal
H(x, y) = (x + α y, y).
Veja a Figura 1.
4
V V (j)
j
V (i)
i
V
R V (R)
Figura 1: Cisalhamento vertical
5. Projeção ortogonal em um vetor u definida por

v·u
P (v) = u.
u·u
Veja a Figura 2.
Escreveremos P (x, y, z) em coordenadas. Podemos supor, sem perda

de generalidade que o vetor u = (a, b, c) é unitário. Em coordenadas
temos,
P (x, y, z) = ((x, y, z) · (a, b, c)) (a, b, c) = (a x + b y + c z) (a, b, c) =

= (a2 x + a b y + a c z, a b x + b2 y + b c z, a c x + b c y + c2 z).
6. Reflexões em torno dos eixos coordenados X e Y, definidas como
R(x, y) = (x, −y), S(x, y) = (−x, y),
respectivamente. Veja a Figura 3.
7. Reflexão na origem,
T (x, y) = (−x, −y).
5
u
P (v)
Figura 2: Projeção ortogonal
8. Dado um vetor u de R3 , definimos a transformação linear T : R3 → R

como T (v) = v · u (produto escalar ). O fato de T ser linear segue das
propriedades do produto escalar.
9. Dado um vetor u de R3 , definimos a transformação linear T : R3 → R3
como T (v) = v × u (produto vetorial ). O fato de T ser linear segue das
propriedades do produto vetorial.
S(u) u
T (u) R(u)
Figura 3: Reflexões
Deixamos, como exercı́cio, verificar que as transformações anteriores são

lineares.
Observe que todas as transformações lineares exibidas até agora são da
forma
T (x, y) = (a x + b y, c x + d y),
6
no caso de transformações do plano no plano, e da forma
T (x, y, z) = (a x + b y + c z, d x + e y + f z, g x + h y + k z),
no caso de transformações de R3 em R3 . Por exemplo, a transformação linear
T : R3 → R3 , T (v) = v × w,
para certo vetor w tem a seguinte forma. Suponha que w = (a, b, c), então
¯ ¯
¯ i j k ¯
¯ ¯
T (x, y, z) = ¯¯ x y z ¯¯ = (c y − b z, a z − b x, b x − a y).
¯ a b c ¯
Finalmente, no caso da transformação linear
T : R3 → R, T (v) = v · u,
se o vetor u = (a, b, c) temos
T (x, y, z) = a x + b y + c z.
Temos também que as seguintes transformações são lineares:
T: R2 → R, T (x, y) = a x + b y,
T: R3 → R, T (x, y, z) = a x + b y + c z,
T: R3 → R2 , T (x, y, z) = (a x + b y + c z, d x + e y + f z)
T: R2 → R3 , T (x, y) = (a x + b y, c x + d y, e x + f y),
onde a, b, c, d, e, f são números reais.

De fato, temos o seguinte, toda transformação linear tem a forma das
transformações acima.
7
1. Rotações no plano.
2. Projeções
3. Espelhamentos
4. Caso geral.
Roteiro
1 Exemplos de Transformações lineares (con-

tinuação)
1.1 Rotações no plano
A Rotação no plano de ângulo θ no sentido anti-horário é definida como:
Rθ (x, y) = ((cos θ) x − (sen θ) y, (cos θ )y + (sen θ) x),
veja a Figura 1.
Esta transformaçõe é uma caso particular das descritas acima, onde
a = cos θ, b = −sen θ, c = sen θ e d = cos θ.
Calcularemos o ângulo formado entre um vetor u e sua imagem Rθ (u), e

veremos que este ângulo é θ. Considere o vetor u = (a, b). Primeiro veremos
que os módulos de u e Rθ (u) são iguais:
|Rθ (a, b)|2 = ((cos θ)2 a2 + (sen θ)2 b2 − 2 (cos θ) a (sen θ) b+
+(cos θ)2 b2 + (sen θ)2 a2 + 2 (cos θ) a (sen θ) b =
= ((cos θ)2 + (sen θ)2 ) a2 + ((cos θ)2 + (sen θ)2 ) b2 ) =
= a2 + b2 = |(a, b)|2 .
1
Rθ (u)
θ u
Figura 1: Rotação
Por outra parte, e como |u| = |Rθ (u)|,
u · Rθ (u) = |u| |Rθ (u)| cos α = |u|2 cos α,
onde α é o ângulo formado por u e Rθ (u). Calculemos agora o ângulo α.
(a, b) · Rθ (a, b) = (a, b) · ((cos θ) a − (sen θ) b, (cos θ) b + (sen θ) a) =
= (cos θ) a2 − (sen θ) a b + (sen θ) a b + (cos θ) b2 =
= (cos θ) (a2 + b2 ) = cos θ |u|2 .
Das duas fórmulas anteriores temos que o ângulo entre u e Rθ (u) é exatamente
o ângulo de rotação θ.
Usando o mesmo tipo de raciocı́nio v. pode provar que o ângulo entre os
vetores u e v é igual ao ângulo entre Rθ (u) e Rθ (v). Deixamos a prova da
afirmação como exercı́cio.
1.2 Projeção em uma reta r

Estudaremos agora a transformação linear T projeção em uma reta r de R2
na direção do vetor v, onde a reta r contém a origem e o vetor v não é
paralela à reta, veja a Figura 2.
Esta transformação é definida como segue. Considere a reta de projeção
r de equação cartesiana ax + by = 0 e o vetor v = (c, d) que determina a
2
s
r
v T (u)
n
Figura 2: Projeção não ortogonal em uma reta
direção de projeção. A imagem do vetor u = (u1 , u2 ) é o vetor OP , onde P

é o ponto de interseção das retas s de equação paramétrica
s : (u1 + t c, u2 + t d), t ∈ R,
e a reta r de projeção, r : ax + by = 0 (equação cartesiana). Determinaremos

o valor de t que fornece o ponto de interseção,
a(u1 + t c) + b(u2 + t d) = 0, t(a c + b d) = −(a u1 + b u2 ),
isto é,
−(a u1 + b u2 )
t= .
ac + bd
Observe que se verifica
a c + b d 6= 0,
isto decorre do fato da direção de projeção não ser paralela à reta de projeção,
ou seja (c, d) não é ortogonal ao vetor normal n = (a, b) da reta (isto é,
0 6= (c, d) · (a, b) = a c + b d). Logo
µ ¶
a c u1 + b c u 2 a d u1 + b d u2
T (u1 , u2 ) = u1 − , u2 − .
ac + bd ac + bd
Pela discussão acima, T é uma transformação linear.
Outra forma de obter a transformação anterior é a seguinte. Considere
uma base β = {u, v} de R2 tal que u é um vetor diretor da reta de projeção
3
e v é a direção de projeção. Como estes vetores não são paralelos temos que
β é uma base.
Dado um vetor w escrevemos w na base β: w = x u + y v. Então consi-
deramos a transformação definida como
S(w) = x u.
Deixamos como exercı́cio verificar que S é uma transformação linear. Ob-

servamos que esta “nova” transformação linear S coincide com a T definida
anteriormente. Para isso lembre que duas transformações lineares são iguais
se, e somente se, elas coincidem em uma base. Portanto é suficiente observar
S e T coincidem na base β. Veja que u = 1 u + 0 v e pela definição S(u) = u.
Veja também que v = 0 u + 1 v e pela definição S(v) = 0̄. Portanto,
S(u) = u = T (u), S(v) = v = T (v).
1.3 Projeção em um plano π

Estudaremos agora a transformação linear projeção em um plano π de R3 na
direção do vetor v, onde o plano contém a origem e o vetor v não é paralelo
ao plano.
Esta transformação é definida como segue. Considere o plano de projeção
π de equação a x + b y + c z = 0 e o vetor v = (v1 , v2 , v3 ) que determina a
direção de projeção. A imagem do vetor u = (u1 , u2 , u3 ) é o vetor OP , onde
P é a interseção da reta s de equação paramétrica
s : (u1 + tv1 , u2 + tv2 + u3 + tv3 ), t ∈ R,
e o plano π : a x + b y + c z = 0 (equação cartesiana). Determinaremos o valor

de t que fornece o ponto de interseção,
a (u1 + t v1 ) + b (u2 + t v2 ) + c (u3 + t v3 ) = 0,
logo,
t (a v1 + b v2 + c v3 ) = −(a u1 + b u2 + c u3 ),
isto é,
−(a u1 + b u2 + c u3 )
t= .
a v1 + b v 2 + c v 3
Observe que se verifica a v1 + b v2 + c v3 6= 0, isto decorre do fato da direção
de projeção não ser paralela ao plano de projeção, ou seja (v1 , v2 , v3 ) não
4
é ortogonal ao vetor normal n = (a, b, c) do plano (isto é, 0 6= (v1 , v2 , v3 ) ·
(a, b, c) = a v1 + b v2 + c v3 ). Logo
av1 bv1 cv1
T (u1 , u2 , u3 ) = ((1 − ( av1 +bv2 +cv3
) u1 − ( av1 +bv2 +cv3
) u2 − ( av1 +bv2 +cv3
) u3 ,
av2 bv2 cv2

, −( av1 +bv2 +cv3
) u1 + (1 − ( av1 +bv2 +cv3
) u2 − ( av1 +bv2 +cv3
) u3 ,
av3 bv3 cv3

, −( av1 +bv2 +cv3
) u1 − ( av1 +bv2 +cv3
) u2 + (1 − ( av1 +bv2 +cv3
) u3 ).
Pela discussão acima, T é uma transformação linear.

Como nos casos anteriores esta projeção pode ser obtida como segue.
Considere uma base β = {u1 , u2 , v} de R3 tal que {u1 , u2 } é uma base do
plano π de projeção e v é a direção de projeção. Como a direção v não é
paralela a plano temos que β é uma base.
Observe que podemos usar o critério do produto misto para ver que β é
uma base:
(u1 × u2 ) · v 6= 0,
pois
u1 × u2 = n
onde n é o vetor normal do plano. Temos que n · v 6= 0, pois caso contrário
v seria paralelo ao plano.
Dado um vetor w escrevemos w na base β: w = x1 u1 + x2 u2 + y v. Então
consideramos a transformação definida como
S(w) = x u1 + y u2 .
Deixamos como exercı́cio verificar que S é uma transformação linear. Ob-

servamos que esta “nova” transformação linear S coincide com a T definida
anteriormente. Como no caso das projeções em uma reta lembramos que
duas transformações lineares são iguais se, e somente se, elas coincidem em
uma base. Portanto é suficiente observar S e T coincidem na base β. Veja
que u1 = 1 u1 + 0 u2 0 v e pela definição S(u1 ) = u1 . Analogamente temos que
S(u2 ) = u2 . Veja também que v = 0 u1 + 0 u2 + 1 v e pela definição S(v) = 0̄.
Portanto,
S(u1 ) = u1 = T (u1 ), S(u2 ) = u2 = T (u2 ), S(v) = v = T (v).
5
1.4 Projeção em uma reta em R3
Estudaremos agora a transformação linear T projeção uma reta r de R3 na
direção do vetor π, onde a reta contém a origem e o plano π não é paralelo
à reta e contém a origem.
Esta transformação é definida como segue. Considere o plano de projeção
π de equação a x + b y + c z = 0 e o vetor v = (v1 , v2 , v3 ) diretor da reta de
projeção. A imagem do vetor u = (u1 , u2 , u3 ) é o vetor OP , onde P é a
interseção da reta r e do plano ρ que contém o ponto P e é paralelo ao plano
π.
Deixamos como exercı́cio calcular a fórmula explı́cita desta transformação
linear. Veja que esta transformação deixa fixos os vetores paralelos a r e
transforma no vetor zero os vetore paralelos ao plano π.
Como nos casos anteriores esta projeção pode ser obtida como segue.
Considere uma base β = {u1 , u2 , v} de R3 tal que {u1 , u2 } é uma base do
plano π que definie a direção de projeção e v é um vetor diretor da reta de
projeção. Como a direção v não é paralela a plano temos que β é uma base.
Dado um vetor w escrevemos w na base β: w = x1 u1 + x2 u2 + y v. Então
temos que
T (w) = y v.
1.5 Espelhamentos em retas e planos

Consideramos um plano π de R3 que contém a origem e uma base ortogonal
β = {n1 , n2 , v} de R3 onde {n1 , n2 } é uma base do plano π.
Dado um vetor w ∈ R3 o espelhamento S de w no plano π é definido com
segue. Escrevemos
w = x n1 + y n2 + z v,
e definimos
S(w) = x n1 + y n2 − z w.
Como no caso das projeções temos que S é uma aplicação linear (confira).
Observe que a projeção ortogonal T no plano π do vetor w é
T (w) = x n1 + y n2 .
Portanto, temos se Id é a aplicação linear identidade temos
S(w) = 2 T (w) − Id(w).
6
Confira os cálculos.
De forma similar podemos definir o espelhamento E em uma reta r que
contém a origem. Para isso consideramos uma base ortogonal {v, v1 , v2 } onde
v é o vetor diretor da reta r.
Dado um vetor w ∈ R3 o espelhamento E de w no plano π é definido com
segue:
w = x v + y v 1 + z v2
e definimos
S(w) = x v − y v1 − z v2 .
Como no caso das projeções temos que S é uma aplicação linear (confira).
Observe que a projeção ortogonal P na reta r do vetor w é
P (w) = x v.
Como no caso dos espelhamentos em planos temos
E(w) = 2 P (w) − Id(w).
Confira os cálculos.
1.6 Um caso mais geral

As projeções e espelhamentos em retas e planos estudados acima são exem-
plos particulares do seguinte tipo de transformações lineares mais gerais.
Dada uma base {v1 , v2 , v3 } de R3 e números reais a1 , a2 , a3 , definimos T (w)
como segue. Seja w = x1 v1 + x2 v2 + x3 v3 , então
T (w) = a1 x1 v1 + a2 x2 v2 + a3 x3 v3 .
Vejamos que T é linear. Veremos apenas que T (w + w′ ) = T (w) + T (w′ )

(v. é convidado a verificar que T (λ w) = λ T (w)). Escrevemos
w′ = x′1 v1 + x′2 v2 + x′3 v3 .
Portanto
T (w′ ) = a1 x′1 v1 + a2 x′2 v2 + a3 x′3 v3 .
Temos
T (w) + T (w′ ) = (a1 x1 v1 + a2 x2 v2 + a3 x3 v3 ) + (a1 x′1 v1 + a2 x′2 v2 + a3 x′3 v3 )
= a1 (x1 + x′1 ) v1 + a2 (x2 + x′2 ) v2 + a3 (x3 + x3 )′ v3 .
7
Por outro lado
w + w′ = (x1 + x′1 ) v1 + (x2 + x′2 ) v2 + (x3 + x3 )′ v3 .
e pela definição de T
T (w + w′ ) = a1 (x1 + x′1 ) v1 + a2 (x2 + x′2 ) v2 + a3 (x3 + x3 )′ v3 .
Portanto T (w + w′ ) = T (w) + T (w′ ).

No caso das projeções em um plano temos a1 = a2 = 1 e a3 = 0 e no
caso de projeçẽos em retas a1 = 1 e a2 = a3 = 0. No caso dos espelhamentos
a1 = a2 = 1 e a3 = −1 (em planos) e a1 = 1 e a2 = a3 = −1 (em retas).
8
1. Determinação de uma transformação linear.
2. Matrizes.
3. Forma matricial de uma transformação linear.
1 Determinação de uma transformação linear

Uma transformação linear T fica totalmente determinada quando são conhe-
cidas as imagens dos vetores de uma base do espaço de saida de T (domı́nio).
Por exemplo, suponhamos que T é uma transformação linear cujo domı́nio é
R3 . Seja β = {v1 , v2 , v3 } uma base de R3 e suponha determinadas as imagens
dos vetores da base:
w1 = T (v1 ), w2 = T (v2 ), w3 = T (v3 ).
Como β é uma base temos que dado qualquer vetor v ∈ R3 ,
v = λ1 v 1 + λ2 v 2 + λ3 v 3
para certos (únicos) λ1 , λ2 e λ3 . Portanto, como T é uma transformação

linear,
T (v) = T (λ1 v1 + λ2 v2 + λ3 v3 ) = λ1 T (v1 ) + λ2 T (v2 ) + λ3 T (v3 ) =

= λ 1 w1 + λ 2 w2 + λ 3 w3 ,
logo a imagem T (v) de qualquer vetor v está determinada pelas imagens dos
vetores da base β.
Exemplo 1. Estudas se existe uma transformação linear T : R3 → R2 tal

que
T (1, 0, 1) = (2, 1), T (1, 1, 1) = (1, 1),
T (1, 1, 0) = (2, 3), T (3, 1, 1) = (5, 6).
1
Resposta: Observe que os vetores (1, 0, 1), (1, 1, 1) e (1, 1, 0) formam uma
base de R3 . Para isto é suficiente verificar que não são coplanares (ou que
são linearmente independentes),
¯ ¯
¯ 1 0 1 ¯
¯ ¯
(1, 0, 1) · ((1, 1, 1) × (1, 1, 0)) = ¯¯ 1 1 1 ¯¯ = −1 6= 0.
¯ 1 1 0 ¯
Consideramos a base
β = {(1, 0, 1), (1, 1, 1), (1, 1, 0)}
Portanto, caso a transformação linear T exista, ela está totalmente determi-

nada pelas imagens dos três vetores da base β. Verifique que:
(3, 1, 1) = 2 (1, 0, 1) − (1, 1, 1) + 2 (1, 1, 0).
Portanto, como T é linear,
T (3, 1, 1) = 2 T (1, 0, 1) − T (1, 1, 1) + 2 T (1, 1, 0) =

= 2 (2, 1) − (1, 1) + 2 (2, 3) = (7, 9) 6= (5, 6).
Portanto, não existe tal transformação linear. ¤
Exemplo 2. Determine uma transformação linear T que transforme o pa-

ralelogramo de vértices
A = (0, 0), B = (2, 1), C = (1, 4) e D = (3, 5),
(os lados do paralelogramo são os segmentos AB, AC, BD e CD) no para-

lelogramo de vértices
A′ = A = (0, 0), B ′ = (−1, −1), C ′ = (2, 6), e D1 = (1, 5),
(os lados são A′ B ′ , A′ C ′ , B ′ D′ e C ′ D′ ).
Resposta: Pelas afirmações acima, uma estratégia é considerar a trans-

formação que leva os lados do primeiro retângulo nos lados do segundo. Mais
precisamente, considere os vetores
u = AB = (2, 1), v = AC = (1, 4),

w = A′ B ′ = (−1, −1), ℓ = A′ C ′ = (2, 6)
2
e a transformação linear T definida por
T (u) = T (2, 1) = w = (−1, −1), T (v) = T (1, 4) = (2, 6) = ℓ.
Como {(2, 1), (1, 4)} é uma base de R2 , a transformação T está totalmente
determinada. Por construção, T transforma os vértices do primeiro para-
lelogramo nos vértices do segundo paralelogramo (confira). Afirmamos que
também transforma os lados do primeiro paralelogramo nos lados do segundo
paralelogramo.
Vejamos, por exemplo, que T transforma o segmento (lado) BD no seg-
mento (lado) B ′ D′ . Observe primeiro que o segmento BD está formado pelos
pontos X tais que
OX = AX = AB + t AC = u + t v, onde t ∈ [0, 1].
Analogamente, o segmento B ′ D′ está formado pelos pontos Y tais que
OY = A′ X = A′ B ′ + t A′ C ′ = w + t ℓ, onde t ∈ [0, 1].
Considere um ponto X do lado BD, então, como T é linear,
OY = T (OX) = T (u) + t T (v) = w + t ℓ, onde t ∈ [0, 1].
Portanto, o extremo Y do vetor T (OX) verifica a condição de pertencer ao

segmento B ′ D′ . Portanto, a imagem do lado BD do primeiro paralelogramo
está contida no lado B ′ D′ do segundo paralelogramo. Para ver a inclusão em
sentido contrário, considere qualquer ponto Y do segmento B ′ D′ e escreva
OY = w + t ℓ, onde t ∈ [0, 1].
Por definição, temos,
OY = w + t ℓ = T (u) + t T (v) = T (u + t v) = T (OX).
Como t ∈ [0, 1], temos que o ponto X pertence ao lado BD.

Um raciocı́nio idêntico (que omitimos) mostra que a transformação leva
os lados AB, AC, BD e CD do primeiro paralelogramo nos lados A′ B ′ , A′ C ′ ,
B ′ D′ e C ′ D′ , respetivamente, do segundo paralelogramo. ¤
3
2 Matrizes
Uma matriz n × m (onde n representa o número de linhas e m o número de
colunas) M é definida como segue:
 
a1,1 a1,2 ... a1,m
 a2,1 a2,2 ... a2,m 
A =  .. .. ..
 
 . ... 
. . 
an,1 an,2 . . . an,m
Dizemos que (aj,1 , aj,2 , aj,m ) é a j-ésima linha de A e que (a1,j , a2,j , an,j ) é a
j-ésima coluna de A. Quando n = m, dizemos que a matriz é quadrada.
Dadas duas matrizes A e B das mesmas dimensões n × m,
   
a1,1 a1,2 . . . a1,m b1,1 b1,2 . . . b1,m
 a2,1 a2,2 . . . a2,m   b2,1 b2,2 . . . b2,m 
A =  .. .. ..  , B =  .. .. ..  ,
   
 . . . . . . .
. .   . . . 
an,1 an,2 . . . an,m bn,1 bn,2 . . . bn,m
definimos a soma e a substração de matrizes S = A + B e D = A − B, como

segue,  
a1,1 + b1,1 a1,2 + b1,2 . . . a1,m + b1,m
 a2,1 + b2,1 a2,2 + b2,2 . . . a2,m + b2,m 
S= .. .. .. ,
 
...
 . . . 
an,1 + bn,1 an,2 + bn,2 . . . an,m + bn,m
e  
a1,1 − b1,1 a1,2 − b1,2 . . . a1,m − b1,m
 a2,1 − b2,1 a2,2 − b2,2 . . . a2,m − b2,m 
D= .. .. .. ,
 
. . .
 . . . 
an,1 − bn,1 an,2 − bn,2 . . . an,m − bn,m
isto é, S e D são matrizes das mesmas dimenões n × m que A e B, onde os
coefientes si,j e di,j das matrizes soma S e substração D são:
si,j = ai,j + bi,j , di,j = ai,j − bi,j .
A multiplicação da matriz A pelo escalar λ é a matriz E, n × m, cujos

coeficientes são
ei,j = λ ai,j .
4
Finalmente, dadas matrizes A, n × m, e B, r × k, o produto P = A B está
definido quando r = m e é uma matriz n × k, o coeficiente pi,j da matriz
produto é dado por
pi,j = ai,1 b1,j + ai,2 b2,j + · · · + ai,m bm,j .
Mais tarde veremos como o produto de duas matrizes aparece de forma na-
tural: a regra de multiplicação ficará clara quando estudemos a composição
de transformações lineares.
V. pode interpretar os coeficientes da matriz produto como segue. Escreva
   
a1,1 a1,2 . . . a1,m ℓ1
 a2,1 a2,2 . . . a2,m   ℓ2 
A =  .. .. ..  =  ..  ,
   
 . ...
. .   . 
an,1 an,2 . . . an,m ℓn
onde cada ℓi é um vetor linha de Rm da forma
ℓi = (ai,1 , ai,2 , . . . , ai,m ).
Analogamente, escreva
 
b1,1 b1,2 . . . b1,k  
 b2,1 b2,2 . . . b2,k 
B =  .. .. .. = c1 c2 ck 
  
 . ...
. . 
bm,1 bm,2 . . . bm,k
cada cj é um vetor coluna de Rm da forma

 
b1,j
 b2,j 
cj =  ..  .
 
 . 
bm,j
Então, pi,j é obtido como o produto escalar dos vetores ℓi e cj ,
pi,j = ℓi · cj .
Observe que o produto A B de duas matrizes pode estar definido e o

produto B A pode não esta-lo. Por exemplo, se a matriz A é 3 × 2 e B é
5
2 × 1. Neste caso A B é uma matriz 3 × 1 e não é possı́vel fazer o produto
B A.
Também pode acontecer que os dois produtos estejam definidos e os re-
sultados dos produtos serem matrizes de dimensões diferentes. Por exemplo,
se A é 3 × 2 e B é 2 × 3, temos que A B está definido e é uma matriz 3 × 3,
e A B também está definido e é uma matriz 2 × 2. Portanto, o produto de
matrizes não é (em geral) comutativo: mesmo quando as matrizes A B e B A
têm as mesmas dimensões. Um exemplo desta situação é
µ ¶ µ ¶
2 1 1 3
A= , B= .
1 1 1 1
Temos µ ¶µ ¶ µ ¶
2 1 1 3 3 7
AB = =
1 1 1 1 2 4
e µ ¶µ ¶ µ ¶
1 3 1 2 5 4
BA= = .
1 1 1 1 3 2
Portanto, os dois produtos estão definidos, porém
A B 6= B A.
3 Forma matricial de uma transformação li-

near
Lembramos que se T e L são transformações lineares de R3 em R3 e de R2
em R2 são da forma:
T : R3 → R3 ,
T (x, y, z) = (a1 x + a2 y + a3 z, b1 x + b2 y + b3 z, c1 x + c2 y + c3 z),
L : R2 → R2 ,
L(x, y) = (a1 x + a2 y, b1 x + b2 y).
Observe que
T (1, 0, 0) = (a1 , b1 , c1 ),
T (0, 1, 0) = (a2 , b2 , c2 ),
T (0, 0, 1) = (a3 , b3 , c3 ),
L(1, 0) = (a1 , b1 ),
L(0, 1) = (a2 , b2 ).
6
As transformações lineares T e L têm as seguintes representações matri-
ciais (representando os vetores na sua forma coluna):
    
x a1 a2 a3 x µ ¶ µ ¶µ ¶
x a 1 a 2 x
[T ]  y  =  b1 b2 b3   y  , [L] = .
y b1 b2 y
z c1 c2 c3 z
Isto significa que se escrevemos um vetor v na forma coluna [v] e fazemos o

produto das matrizes [T ] [v] obtemos como resultado o vetor T (v) na forma
coluna: seja v = (x, y, z), então
 
x
[v] =  y 
z
e
      
x a1 a2 a3 x a1 x + a2 y + a3 z
[T ]  y  =  b1 b2 b3   y  =  b1 x + b2 y + b3 z  .
z c1 c2 c3 z c1 x + c2 y + c3 z
Pelos comentários já feitos temos a seguinte interpretação das colunas da

matriz [T ].
• A primeira coluna é a imagem de T (1, 0, 0),
• a segunda coluna é a imagem de T (0, 1, 0),
• a última coluna é a imagem de T (0, 0, 1).
Comentários análogos podem ser feitos para a matriz [L].
7
1. Forma matricial de uma transformação linear. Exemplos.
1 Forma matricial de uma matriz. Exemplos

Exemplos 1.
• As transformações lineares identidade e nula têm como matrizes as-
sociadas as matrizes identidade (diagonal igual a 1 e todos os outros
coeficientes nulos) e a matriz nula (todos os coeficientes são zero).
• As matrizes das transformaçõeso lineares de cisalhamento horizontal
H(x, y) = (x, αx + y) e vertical V (x, y) = (x + αy, y) são
µ ¶ µ ¶
1 0 1 α
[H] = e [V ] = .
α 1 0 1
• Lembrando que a projeção ortogonal no vetor unitário (a, b, c) de R3 é

da forma
P (x, y, z) = (a2 x + aby + acz, abx + b2 y + bcz, acx + bcy + c2 z).
temos  
a2 ab ac
[P ] =  ab b2 bc  .
ac bc c2
Por exemplo, as matrizes projeções ortogonais nos eixos X, Y e Z são,
respetivamente,
     
1 0 0 0 0 0 0 0 0
 0 0 0 ,  0 1 0 ,  0 0 0 .
0 0 0 0 0 0 0 0 1
Analogamente, lembrando as definições da ortogonais em um plano

temos que a projeções ortogonais nos planos XY, X, Z e YZ são da
forma
     
1 0 0 1 0 0 0 0 0
 0 1 0 ,  0 0 0 ,  0 1 0 .
0 0 0 0 0 1 0 0 1
1
Por exemplo, para a projeção ortogonal P no plano XY é suficiente
observar que
P (i) = i, P(j) = j, P(k) = k).
• Lembrando a fórmula das reflexões R e S (em R2 ) em torno dos eixos

X e Y e T em torno da origem
R(x, y) = (x, −y), S(x, y) = (−x, y), T (x, y) = (−x, −y),
(veja a última aula) temos

µ ¶ µ ¶ µ ¶
1 0 −1 0 −1 0
[R] = , [S] = , [T ] = .
0 −1 0 1 0 −1
• Lembrando a expressão da rotação de ângulo θ no sentido anti-horário
Rθ (x, y) = ((cos θ) x − (senθ) y, (cos θ )y + (senθ) x),
temos µ ¶
cos θ −senθ
[Rθ ] = .
senθ cos θ
• Consideremos agora a de projeção T na reta ax + by = 0 segundo a
direção do vetor v = (c, d). Pelos resultados da aula anterior,
µ ¶
ax + by ax + by)
T (x, y) = x − c, y − d .
ac + bd ac + bd
Portanto,
ac bc
 
 1 − ac + bd − ac + bd 
[T ] =  ad bd .
− 1−
ac + bd ac + bd
• Determinaremos a seguir a matriz da projeção ortogonal no plano x +
y+z =. Para isso temos que determinar P (1, 0, 0), P (0, 1, 0) e P (0, 0, 1).
Para isso consideramos a base ortogonal
{u1 = (1, 1, 1), u2 = (1, 0, −1), u3 = (1, −2, 1),
E observamos que
P (u1 ) = 0, P (u2 ) = u2 , P (u3 ) = u3 .
2
Para determinar P (1, 0, 0) Escrevemos
(1, 0, 0) = x (1, 1, 1) + y (1, 0, −1) + z (1, −2, 1).
Observe que
¡ ¢
P (1, 0, 0) = P x (1, 1, 1) + y (1, 0, −1) + z (1, −2, 1) =
= x P (1, 1, 1) + y P (1, 0, −1) + z P (1, −2, 1)
= y (1, 0, −1) + z (1, −2, 1).
Observe que o coeficiente x é irrelevante.

Calculamos y e z. Como a base é ortogonal temos
(1, 0, 0) · (1, 0, −1) = y (1, 0, −1) · (1, 0, −1) = 2 y, y = 1/2
(1, 0, 0) · (1, −2, 1) = z (1, −2, 1) · (1, −2, 1) = 6 z, z = 1/6.
Logo
P (1, 0, 0) = 1/2 (1, 0, −1) + 1/6 (1, −2, 1) = (2/3, −1/3, −1/3).
Para determinar P (0, 1, 0) escrevemos
(0, 1, 0) = x (1, 1, 1) + y (1, 0, −1) + z (1, −2, 1)
e observamos que
P (0, 1, 0) = y (1, 0, −1) + z (1, −2, 1).
Calculamos y e z. Como a base é ortogonal temos
(0, 1, 0) · (1, 0, −1) = y (1, 0, −1) · (1, 0, −1) = 2 y, y=0
(0, 1, 0) · (1, −2, 1) = z (1, −2, 1) · (1, −2, 1) = 6 z, z = −1/3.
Logo
P (0, 1, 0) = (−1/3, 2/3, −1/3).
3
Raciocinando de forma similar obtemos
P (0, 0, 1) = (−1/3, −1/3, 2/3).
Portanto  
2/3 −1/3 −1/3
[P ] =  −1/3 2/3 −1/3  .
−1/3 −1/3 2/3
Exemplo 1. Considere as retas
r : (t, 2 t, t), t ∈ R e s : (t + 1, 2 t, t − 5), t ∈ R
e o plano
π : x + y + z = 0.
(a) Determine a matriz (na base canônica) da transformação linear T

projeção no plano π na direção da reta r.
(b) Determine a matriz (na base canônica) da transformação linear L

projeção na reta r na direção do plano π.
(c) Determine a forma matricial (na base canônica) da transformação afim

A projeção na reta s na direção do plano π.
Resposta:
a) Observe que (1, 2, 1) é um vetor paralelo à direção de projeção, logo
T (1, 2, 1) = (0, 0, 0)
Temos que o vetor (−1, 2, −1) é um vetor do plano de projeção. Portanto,
T (−1, 2, −1) = (−1, 2, −1)
Somando as igualdades,
T (0, 4, 0) = T ((−1, 2, −1) + (1, 2, 1)) = (−1, 2, −1).
Portanto
T (0, 1, 0) = (−1/4, 2/4, −1/4).
4
Temos também que que o vetor (1, −1, 0) é um vetor do plano de projeção.
Portanto,
T (1, 0, 0) − T (0, 1, 0) = T (1, −1, 0) = (1, −1, 0).
Isto é
T (1, 0, 0) = T (0, 1, 0) + (1, −1, 0) =
= (−1/4, 2/4, −1/4) + (1, −1, 0) =
= (3/4, −2/4, −1/4).
Finalmente, o vetor (0, −1, 1) é um vetor do plano de projeção. Portanto,
T (0, 0, 1) − T (0, 1, 0) = T (0, −1, 1) = (0, −1, 1).
Isto é
T (0, 0, 1) = T (0, 1, 0) + (0, −1, 1) =
= (−1/4, 2/4, −1/4) + (0, −1, 1) =
= (−1/4, −2/4, 3/4).
Portanto,  
3/4 −1/4 −1/4
[T ] =  −2/4 2/4 −2/4  .
−1/4 −1/4 3/4
V. pode resolver o problema usando geometria analı́tica. Temos que
T (a, b, c) é o vetor OQ, onde Q é a interseção da reta (a + t, b + 2 t, c + t) e
o plano x + y + z = 0. Esta interseção ocorre quando
a+b+c
a + t + b + 2 t + c + t = 0, 4 t = −a − b − c, t=− .
4
Isto é
µ ¶
3 a − b − c −2 a + 2 b − 2 c −a − b + 3 c
T (a, b, c) = , , .
4 4 4
Tomando os vetores (1, 0, 0), (0, 1, 0) e (0, 0, 1) obtemos
T (1, 0, 0) = (3/4, −2/4, −1/4),

T (0, 1, 0) = (−1/4, 2/4, −1/4),
T (0, 0, 1) = (−1/4, −2/4, 3/4).
b) Raciocinamos como no primeiro item. Observe que (1, 2, 1) é um vetor
5
da reta de projeção, logo
L(1, 2, 1) = (1, 2, 1)
Temos que o vetor (−1, 2, −1) é um vetor paralelo à direção de projeção.

Portanto,
L(−1, 2, −1) = (0, 0, 0)
Somando as igualdades,
L(0, 4, 0) = L((1, 2, 1) + (−1, 2, −1)) = (1, 2, 1).
Portanto
L(0, 1, 0) = (1/4, 2/4, 1/4).
Temos também que que o vetor (1, −1, 0) é paralelo ao plano direção projeção.
Portanto,
L(1, 0, 0) − L(0, 1, 0) = L(1, −1, 0) = (0, 0, 0).
Isto é
L(1, 0, 0) = L(0, 1, 0) = (1/4, 2/4, 1/4).
Analogamente, o vetor (0, −1, 1) é paralelo à direção projeção. Portanto,
L(0, 0, 1) − L(0, 1, 0) = L(0, −1, 1) = (0, 0, 0).
Isto é
L(0, 0, 1) = L(0, 1, 0) = (1/4, 2/4, 1/4).
Portanto,  
1/4 1/4 1/4
[L] =  2/4 2/4 2/4  .
1/4 1/4 1/4
V. pode usar também geometria analı́tica como no caso anterior. Outra
possibilidade é observar que dado um vetor v se verifica
v = vr + vπ ,
onde vr é um vetor paralelo à reta r e vπ é paralelo ao plano π. Portanto,
T (v) = vπ , L(v) = vr .
6
Ou seja,
v = T (v) + L(v) = Id(v).
Isto significa que a soma das matrizes [T ] e [L] é a matriz identidade, isto é,
     
1 0 0 3/4 −1/4 −1/4 1/4 1/4 1/4
[L] =  0 1 0  −  −2/4 2/4 −2/4  =  2/4 2/4 2/4  .
0 0 1 −1/4 −1/4 3/4 1/4 1/4 1/4
c) Para determinar a forma matricial devemos achar A(0, 0, 0), obtido como
a interseção do plano π e a reta s. Ou seja, devemos encontrar o valor de t
que verifica
(t + 1) + (2 t) + (t − 5) = 0, 4 t = 4, t = 1.
Logo
A(0, 0, 0) = (2, 2, −4).
Assim a forma matricial de A é
    
1/4 1/4 1/4 x 2
 2/4 2/4 2/4   y  +  2  .
1/4 1/4 1/4 z −4
Exemplo 2. Determine a matriz da transformação linear
T : R3 → R3 , T (u) = u × v,
onde v = (1, 1, 1).
Resposta: Para isto determinaremos a forma geral de T . Observe que

¯ ¯
¯ i j k ¯¯
¯
T (x, y, z) = (x, y, z) × (1, 1, 1) = ¯¯ x y z ¯¯ = (y − z, z − x, x − y).
¯ 1 1 1 ¯
Portanto,
T (1, 0, 0) = (0, −1, 1), T (0, 1, 0) = (1, 0, −1), T (0, 0, 1) = (−1, 1, 0).
7
Finalmente, obtemos
 
0 1 −1
[T ] =  −1 0 1 .
1 −1 0
¤
Exemplo 3. Determinar a matriz da transformação linear
T : R3 → R3 , T (u) = (u · v) w,
onde v = (1, 1, 1) e w = (1, 2, 3).
Resposta: Calcularemos as imagens dos vetores i, j e k. Temos

T (1, 0, 0) = ((1, 0, 0) · (1, 1, 1)) (1, 2, 3) = (1, 2, 3),
T (0, 1, 0) = ((0, 1, 0) · (1, 1, 1)) (1, 2, 3) = (1, 2, 3),
T (0, 0, 1) = ((0, 0, 1) · (1, 1, 1)) (1, 2, 3) = (1, 2, 3).
Portanto,  
1 1 1
[T ] =  2 2 2  .
3 3 3
¤
Analogamente, dada uma matriz [T ] temos uma transformação linear T
associada a dita matriz. Dada a matriz
 
a1 a2 a3
[T ] =  b1 b2 b3 
c1 c2 c3
sua transformação linear associada é
T (x, y, z) = (a1 x + a2 y + a3 z, b1 x + b2 y + b3 z, c1 x + c2 y + c3 z).
Ou de outra forma, escrevendo os vetores em froma coluna,

    
x a1 a2 a3 x
[T ] y
  =  b1 b2 b3   y .
z c1 c2 c3 z
8
1. Composição de transformações lineares.
2. Produto de matrizes.
3. Determinante do produto de matrizes.
1 Composição de transformações lineares

Considere duas transformações lineares T e L,
T : Rm → Rk , L : Rn → Rℓ .
Se ℓ é igual a m temos que dado um vetor u de Rn sua imagem L(u) está

em Rℓ = Rm , que é o domı́nio de T , portanto podemos aplicar T a L(u),
obtendo T (L(u)). Neste caso podemos definir a composição T ◦ L como
T ◦ L(u) = T (L(u)).
Analogamente, se k é igual a n, dado qualquer vetor v de Rm sua imagem

T (v) está em Rk = Rn , que é o domı́nio de L, portanto podemos aplicar L a
T (v), obtendo L(T (v)). Neste caso podemos definir a composição L ◦ T .
Dadas duas transformações lineares
T : Rm → Rk , L : Rn → Rm ,
a composição T ◦ L
T ◦ L : Rn → Rk ,
é uma nova transformação linear:
• T ◦ L(u + v) = T (L(u + v)) = T (L(u) + L(v)) = T (L(u)) + T (L(v)) =

T ◦ L(u) + T ◦ L(v),
• T ◦ L(σu) = T (L(σu)) = T (σL(u)) = σT (L(u)) = σ(T ◦ L(u)).
1
Observação: Como no caso do produto de matrizes, a composição de
transformações lineares não é comutativa. Em alguns casos a composição
T ◦ L pode estar definida e a composição L ◦ T não. Mesmo quando as duas
composições estão definidas pode acontecer que T ◦ L 6= L ◦ T .
Veremos a seguir alguns exemplos:

(1) Considere os cisalhamentos
T (x, y) = (x + α y, y), e L(x, y) = (x, β x + y).
Então
L ◦ T (x, y) = L((x + α y, y)) = (x + α y, y + β α y + β x),
e
T ◦ L(x, y) = T ((x, β x + y)) = (x + α y + α β x, y + βx),
que obviamente são (em geral) diferentes.
(2) Seja T : R3 −→ R3 a transformação linear projeção ortogonal na reta

(t, 0, 0) e seja L : R3 −→ R3 a transformação linear definida por
L(v) = v × u, onde u = (1, −1, 1).
Então
L ◦ T (x, y, z) = L((x, 0, 0)) = (0, −x, −x),

e
T ◦ L(x, y, z) = T ((y + z, −x + z, −x − y)) = (y + z, 0, 0)
que são obviamente transformações lineares distintas, por exemplo:
L ◦ T (1, 2, 3) = L((1, 0, 0)) = (0, −1, −1),

mas
T ◦ L(1, 2, 3) = T ((5, 2, −3)) = (5, 0, 0)
Observe que, neste caso, L◦T (v) = T ◦L(v) se, e somente se, v = (0, k, −k), k ∈
R. Nestas condições L ◦ T (0, k, −k) = T ◦ L(0, k, −k) = (0, 0, 0) o que mostra
2
que essas transformações, L ◦ T e T ◦ L, não são injetoras. Verifique também
que elas não são sobrejetoras!
(3) Seja T : R2 −→ R3 a transformação linear definida por T (x, y) =
(x, y, x + y) e seja L : R3 −→ R2 a transformação linear definida por
L(x, y, z) = (2x, y + z). Então
L ◦ T (x, y) = L((x, y, x + y)) = (2x, x + 2y),
e
T ◦ L(x, y, z) = T ((2x, y + z)) = (2x, y + z, 2x + y + z)
que são obviamente transformações lineares distintas. Observe inclusive que
L ◦ T : R2 −→ R2 enquanto que T ◦ L : R3 −→ R3 .
Vale a pena você conferir que, neste caso, L ◦ T é injetora e sobrejetora
enquanto que T ◦ L não é injetora nem sobrejetora.
(4) Seja T : R2 −→ R2 a transformação linear identidade, ou seja, T (x, y) =
(x, y) e seja L : R2 −→ R3 a transformação linear definida por L(x, y) =
(x, 0, y). Então
L ◦ T (x, y) = L((x, y)) = (x, 0, y),
mas, neste caso T ◦ L não está definida.
Para pensar: apresente, se possı́vel, duas transformações lineares T e L
de modo que para todo vetor v se tenha T ◦ L(v) = L ◦ T (v). Não vale
T = L = Id, nem T (v) = 2 e L(w) = 3 w e coisas similares!
2 Produto de matrizes
A seguir calcularemos a matriz associada à composição de duas transformações
lineares. Por simplicidade, faremos os cálculos em R2 , os cálculos em R3 são
idênticos.
Sejam T e L transformações lineares cujas matrizes são

µ ¶ µ ¶
a1 a2 c1 c2
[T ] = , [L] = .
b1 b2 d1 d2
Para determinar a matriz de L◦T é suficiente calcular L◦T (1, 0) e L◦T (0, 1),
que serão as colunas da nova matriz.
3
L ◦ T (1, 0) = L((a1 , b1 )) = a1 L(1, 0) + b1 L(0, 1) =
= a1 (c1 , d1 ) + b1 (c2 , d2 ) =
= (a1 c1 + b1 c2 , a1 d1 + b1 d2 ).
L ◦ T (0, 1) = L((a2 , b2 )) = a2 L(1, 0) + b2 L(0, 1) =

= a2 (c1 , d1 ) + b2 (c2 , d2 ) =
= (a2 c1 + b2 c2 , a2 d1 + b2 d2 ).
Obtendo a nova matriz:
µ ¶
c 1 a1 + c 2 b 1 c 1 a2 + c 2 b 2
[L ◦ T ] = .
d1 a1 + d2 b1 d1 a2 + d2 b2 .
Finalmente, observamos que os cálculos feitos para calcular o produto de duas

matrizes fornece a seguinte regra geral. Considere os vetores c = (c1 , c2 ) e
d = (d1 , d2 ) que determinam as linhas de [L], e os vetores u = (a1 , b1 ) e
v = (a2 , b2 ) que determinam as colunas de [T ]. Temos a seguinte expressão:
µ ¶
c·u c·v
[L][T ] = .
d·u d·v
Dessa forma, vamos verificar a matriz associada à composição de duas trans-

formações lineares nos quatro exemplos que apresentamos acima:
(1) L e T são dois cisalhamentos definidos por:

Nestas condições:
µ ¶µ ¶ µ ¶
1 0 1 α 1 α
[L ◦ T ] = [L][T ] = =
β 1 0 1 β αβ + 1
e µ ¶µ ¶ µ ¶
1 α 1 0 1 + αβ α
[T ◦ L] = [T ][L] = = .
0 1 β 1 β 1
(2) T : R3 −→ R3 é a transformação linear projeção ortogonal na reta (t, 0, 0)

e L : R3 −→ R3 é a transformação linear definida por L(v) = v × u para
u = (1, −1, 1).
4
    
0 1 1 1 0 0 0 0 0
[L ◦ T ] = [L][T ] =  −1 0 1   0 0 0  =  −1 0 0 
−1 −1 0 0 0 0 −1 0 0
e
    
1 0 0 0 1 1 0 1 1
[T ◦ L] = [T ][L] =  0 0 0   −1 0 1  =  0 0 0  .
0 0 0 −1 −1 0 0 0 0
(3) T : R2 −→ R3 é a transformação linear definida por T (x, y) = (x, y, x+y)

e L : R3 −→ R2 é a transformação linear definida por L(x, y, z) = (2x, y + z).
 
µ ¶ 1 0 µ ¶
2 0 0  2 0
[L ◦ T ] = [L][T ] = 0 1 = .
0 1 1 1 2
1 1
e    
1 0 µ ¶ 2 0 0
2 0 0
[T ◦ L] = [T ][L] =  0 1  =  0 1 1 .
0 1 1
1 1 2 1 1
(4) T : R2 −→ R2 é a transformação linear identidade, ou seja, T (x, y) =

(x, y) e L : R2 −→ R3 é a transformação linear definida por L(x, y) = (x, 0, y).
   
1 0 µ ¶ 1 0
1 0
[L ◦ T ] = [L][T ] =  0 0  = 0 0 
0 1
0 1 0 1
e o produto de matrizes [T ][L] não está definido.
3 Determinante do produto de duas matrizes

Considere as matrizes triangulares
µ ¶ µ ¶
a b d e
[A] e [B] .
0 c 0 f
5
Denote por det[M ] o determinante de uma matriz quadrada (mesmo número
de linhas que de colunas). Observe que
det[A] = a c det[B] = d f.
Observe que µ ¶
ad ae + bf
[AB] = [A][B] =
0 cf
e que
det[AB] = (a d) (c f ) = det[A] det[B].
Neste caso temos que o determinante da matriz produto é o produto dos de-
terminantes.
De fato, sempre, o determinante do produto de duas matrizes (quadradas)

é o produto dos determinantes das duas matrizes. Uma justificativa é a se-
guinte: reduzindo à forma escalonada, o determinante não muda, assim a
afirmação decorre da afirmação sobre o produto de matrizes triangulares.
Os exemplos (1) e (2) da seção acima, envolvem a composição de trans-

formações lineares de domı́nio e contra-domı́nio iguais. Logo, as matrizes re-
presentantes dessas transformações são quadradas e, desta forma, é possı́vel
calcular seus respectivos determinantes. Observe que, nestes casos, o deter-
minante da matriz representante da transformação composição é o produto
dos determinantes das matrizes de cada uma das transformações envolvidas
na composição. Conferindo então, temos:
(1) L e T são dois cisalhamentos definidos por:
¯ ¯¯ ¯ ¯ ¯
¯ 1 0 ¯¯ 1 α
¯=1·1=¯ 1 α
¯ ¯ ¯
det[L ◦ T ] = det[L] det[T ] = ¯¯ ¯¯ ¯ = 1.
β 1 ¯¯ 0 1 ¯ ¯ β αβ + 1 ¯
(2) T : R3 −→ R3 é a transformação linear projeção ortogonal na reta (t, 0, 0)

e L : R3 −→ R3 é a transformação linear definida por L(v) = v × u para
6
u = (1, −1, 1). Nestas condições:
¯ ¯¯ ¯ ¯ ¯
¯ 0 1 1 ¯¯ 1 0 0 ¯ ¯ 0 0 0 ¯
¯ ¯¯ ¯ ¯ ¯
det[L ◦ T ] = det[L] det[T ] = ¯¯ −1 0 1 ¯¯ ¯¯ 0 0 0 ¯¯ = ¯¯ −1 0 0 ¯¯ = 0.
¯ −1 −1 0 ¯ ¯ 0 0 0 ¯ ¯ −1 0 0 ¯
7
1. Transformação linear inversa.

2. Condições para a existência da inversa.
Roteiro
1 Transformação linear inversa

Definição 1. Dada uma transformação linear T : Rn → Rn sua inversa é
uma nova transformação linear T −1 que verifica a seguinte propriedade: para
todo vetor u,
T −1 ◦ T (u) = T ◦ T −1 (u) = u, (isto é, T −1 ◦ T = T ◦ T −1 = Id).
Observamos que, em geral, há transformações lineares que não têm in-
versa. Por exemplo, considere uma transformação linear T : R3 → R3 tal que
T (1, 1, 1) = 0̄, por exemplo, a transformação linear
T (x, y, z) = (x − y, x − z, y − z).
Se a transformação linear inversa de T existisse, T −1 deveria verificar
T −1 (0, 0, 0) = (1, 1, 1),
pois T −1 ◦ T (1, 1, 1) = (1, 1, 1), isto é, T −1 (0, 0, 0) = (1, 1, 1). Mas se T −1 for
linear então T −1 (0, 0, 0) = 0̄.
Em qualquer caso, mesmo se a T −1 não for linear haveria um problema:
como T é linear, temos T (1, 1, 1) = 0̄ = T (2, 2, 2). Portanto, T −1 (0, 0, 0)
deveria tomar dois valores, (1, 1, 1) e (2, 2, 2), o que é impossı́vel.
Na próxima seção veremos condições para a existência da transformação
linear inversa T −1 .
Observe que se a transformação inversa T −1 existe então é uma trans-
formação linear: Suponha que T (u1 ) = v1 e T (u2 ) = v2 , logo T (u1 + u2 ) =
v1 + v2 . Isto significa que,
T −1 (v1 ) = u1 , T −1 (v2 ) = u2 , T −1 (v1 + v2 ) = u1 + u2 .
1
Finalmente,
T −1 (v1 + v2 ) = u1 + u2 = T −1 (v1 ) + T −1 (v2 ).
Para verificar a condição
T −1 (σ v1 ) = σ T −1 (v1 )
observe que T (σ u1 ) = σ T (u1 ) = σ v1 . Logo
T −1 (σ v1 ) = σ u1 = σ T −1 (v1 ).
Finalmente, observe que
[T −1 ] ◦ [T ] = [T ] ◦ [T −1 ] = Id.
Logo, usando as propriedades do determinante, obtemos que:
• det[T −1 ] = 1/ det[T ].
• Se T tem inversa então det[T ] 6= 0, (de fato veremos que isto é condição
necessária e suficiente).
2 Definição de T −1. Condições para a exis-

tência da inversa
Veremos agora como definir a transformação T −1 . Em primeiro lugar observe
que se T (u) = v então, necessariamente pela definição de inversa, T −1 (v) = u.
Portanto, uma condição necessária para a existência de inversa é que a trans-
formação seja injetora, isto é, se u 6= w então T (u) 6= T (w) (veremos na Ob-
servação 1 que no caso das transformações lineares ser injetora é equivalente
a T (u) = 0̄ se, e somente se, u = 0̄).
Suponha que há vetores diferentes u e v tais que T (u) = T (v) = w (de
fato isto acontecia no exemplo anterior, por exemplo T (1, 2, 2) = T (2, 3, 3) =
T (0, 1, 1) = (−1, −1, 0)), então deveriamos ter T −1 (w) = v e T −1 (w) = u, o
que é impossı́vel.
As condições (necessárias e suficientes) para a existência de transformação
linear inversa são:
2
• Injetividade: Se u 6= w então, T (u) 6= T (w). Observe que se T (u) =
T (w) = v então, T −1 (u) = v e T −1 (u) = w, logo u deveria tomar dois
valores!.
• Sobrejetividade de T : para todo vetor u existe v tal que T (v) = u. Se a

transformação for injetora o vetor v é único. Em tal caso, T −1 (u) = v:
T −1 ◦ T (v) = T −1 (u) = v, T ◦ T −1 (v) = T (u) = v.
Estas duas condições se verificam se, e somente se, det[T ] é não nulo.
Pensaremos as condições anteriores em termos de sistemas de equações. Su-
ponha, para simplificar, que T : R2 → R2 e que
µ ¶
a b
[T ] = .
c d
Dado um vetor v = (α, β), para calcular T −1 (v) devemos encontrar um vetor
(x, y) tal que T (x, y) = (α, β) (e em tal caso T −1 (α, β) = (x, y)). Ou seja,
devemos resolver o sistema a seguir e verificar que tal sistema tem solução
única:
ax + by = α, cx + dy = β.
Isto é, para que exista a inversa o sistema anterior deve ter solução sempre,
e dita solução deve ser única. Estas condições estão garantidas se (e somente
se) det[T ] 6= 0.
Observação 1 (Sobre a condição de injetividade). No caso em que T é

injetora se verifica T (u) = 0̄ se e somente se u = 0̄.
Para ver a afirmação é suficiente observar que se T não é injectiva existem

vetores diferentes u e v tais que T (u) = T (v). Portanto,
T (u) − T (v) = 0̄, T (u − v) = 0̄,
onde u − v 6= 0̄. Claramente, se T é injetiva T (0) = 0̄ e para todo vetor não

nulo u temos T (u) 6= 0̄.
Propriedade 2.1 (Injetividade e sobrejetividade). Quando uma transformação

linear T : Rn → Rn é injetora também é sobrejetora, e vice-versa.
3
Veremos a afirmação anterior quando T : R3 → R3 . Veremos que se é
injetora também é sobrejetora. Considere uma base de R3 , u1 , u2 e u3 . Afir-
mamos que os vetores T (u1 ), T (u2 ) e T (u3 ) são linearmente independentes.
Caso contrário um deles poderia ser escrito como combinação linear dos ou-
tros. Por exemplo,
T (u3 ) = λ T (u1 ) + σ T (u2 ) = T (λ u1 + σ u2 ).
Como T é injetora,
u3 = λ u1 + σ u2 , λ u1 + σ u2 − u3 = 0.
Obtemos assim uma combinação linear dos vetores u1 , u2 e u3 dando o vetor

nulo, o que é impossı́vel pois os vetores são l.i..
Agora como T (u1 ), T (u2 ) e T (u3 ) são l.i. formam uma base. Para ter-
minar a prova, é suficiente ver que dado qualquer w ∈ R3 existe u tal que
T (u) = w. Como {T (u1 ), T (u2 ), T (u3 )} é uma base,
w = λ T (u1 ) + σ T (u2 ) + γ T (u3 ) = T (λ u1 + σ u2 + γ u3 ).
Isto termina a prova.

Fica como exercı́cio verificar que se T é sobrejetora então é injetora. Para
motivar e como dica veremos o caso R2 . Se T não for injetora existe um vetor
não nulo u tal que T (u) = 0̄. Considere agora uma base {u, v} de R2 contendo
o vetor u. Suponha que T (v) = w. Suponhamos que w 6= 0̄.
Afirmamos que a imagem de T é reta de vetor diretor w (portanto, não é
2
R ). Dado um vetor ℓ temos ℓ = λ v + σ u, logo T (ℓ) = σ w, e portante sua
imagem está na reta vetorial de vetor diretor w que contém a origem.
Exemplos 1. Estudar se as transformações lineares a seguir possuem inver-
sas. Determine estas caso existam.
• T (x, y) = (2x, x + y).
• T (x, y, z) = (2x + y + z, x + y + z, x).
Resposta: No primeiro caso existe inversa: para determinar T −1 (u) e

suficiente encontrar v tal que T (v) = u e ver que esta solução é única. Isto
é, se u = (a, b) devemos resolver o sistema:
2x = a, x + y = b.
4
A solução é x = a/2 e y = b − a/2. Ou seja,
T −1 (a, b) = (a/2, b − a/2).
Portanto, temos, µ ¶
−1 1/2 0
[T ]= .
−1/2 1
Verifique que [T −1 ] ◦ [T ] = [T ] ◦ [T −1 ] = Id.
No segundo caso não existe inversa. A transformação T não é nem sobre-
jetiva nem injetiva. Veremos isto resolvendo um sistema da forma.
2x + y + z = a, x + y + z = b, x = c,
isto é, dado um vetor (a, b, c) estamos calculando os vetores (x, y, z) tais que
T (x, y, z) = (a, b, c). Escalonando,
x = c, y + z = a − 2c, y + z = b − c.
Continuando o escalonamento,
x = c, y + z = a − 2c, 0 = b + c − a.
Ou seja, para que o sistema admita solução o vetor deve ser da forma (a, b, a−
b). Isto é, não é possı́vel definir (por exemplo) T −1 (1, 1, 1).
Calcule agora a matriz associada a T e determine seu determinante (ob-
viamente, det(T ) = 0, justifique sem fazer as contas!). ¤
3 Métodos para determinar T −1

Explicaremos de forma sucinta dois métodos para calcular a matriz de T −1 .
Para fixar ideias suporemos que a matriz associada a T é 3 × 3.
3.1 Via sistemas de equações

Este método já foi esboçado no exemplo da seção anterior. Devemos deter-
minar T −1 dos vetores (1, 0, 0), (0, 1, 0) e (0, 0, 1). Conhecidos estes vetores
a matriz [T −1 ] terá por colunas estes vetores. Para isto é suficiente resolver
os sistemas
5
• T (x, y, z) = (1, 0, 0), cuja solução é T −1 (1, 0, 0),
• T (x, y, z) = (0, 1, 0), cuja solução é T −1 (0, 1, 0),
• T (x, y, z) = (0, 0, 1), cuja solução é T −1 (0, 0, 1).
Exemplo 1. Determine a matriz inversa da transformação linear T cuja
matriz associada é  
1 1 1
[T ] =  0 1 1 
1 1 0
Resposta: Resolveremos o sistema geral T (x, y, z) = (a, b, c). Temos o
sistema,
x + y + z = a, y + z = b, x + y = c.
A solução deste sistema é
(a − b, b − a + c, a − c).
Fazendo (a, b, c) igual a (1, 0, 0), (0, 1, 0) e (0, 0, 1) obtemos
T −1 (1, 0, 0) = (1, −1, 1),
T −1 (0, 1, 0) = (−1, 1, 0),
T −1 (0, 0, 1) = (0, 1, −1).
Portanto,  
1 −1 0
[T −1 ] =  −1 1 1 .
1 0 −1
Verifique que [T −1 ] é de fato a inversa de [T ] (calcule [T −1 ][T ] e veja que o
resultado é a matriz identidade). ¤
3.2 Método de Gauss

Outra forma para encontrar a inversa de uma matriz A é o método de Gauss,
que consiste em, utilizando operações elementares, transformar a matriz A
na matriz identidade. Este método segue a mesma filosofia do método de
resolução de equações lineares usando o método de escalonamento. V. repete
cada operação efetuada na matriz A na matriz identidade, e o resultado final
é a matriz inversa A−1 (justificaremos esta afirmação mais tarde).
Entendemos por operações elementares:
6
• multiplicação de uma linha por um número diferente de zero,
• permutações na ordem das linhas,
• substituir uma linha ℓ por uma nova linha obtida como combinação
linear de essa linha e outras linhas da matriz (o coeficiente de ℓ não é
nulo)
Exemplo 2. Usando o método de Gauss, calcule a inversa de
 
1 1 1
T =  1 2 2 
1 3 2
Resposta:
   
1 1 1 | 1 0 0 1 1 1 | 1 0 0
 1 2 2 | 0 1 0  (a)  0 1 1 | −1 1 0 .
1 3 2 | 0 0 1 0 2 1 | −1 0 1
   
1 1 1 | 1 0 0 1 1 1 | 1 0 0
(b)  0 1 1 | −1 1 0  (c)  0 1 1 | −1 1 0 
0 0 −1 | 1 −2 1 0 0 1 | −1 2 −1
   
1 1 0 | 2 −2 1 1 0 0 | 2 −1 0
(d)  0 1 0 | 0 −1 1  (e)  0 1 0 | 0 −1 1  .
0 0 1 | −1 2 −1 0 0 1 | −1 2 −1
Logo  
2 −1 0
T −1 =  0 −1 1  .
−1 2 −1
Verifique!. ¤
As operações elementares efetuadas nos diferentes passos foram:
a) segunda linha menos primeira linha, e terceira linha menos a primeira,
b) terceira linha menos duas vezes a segunda,
c) a terceira linha é multiplicada por (−1).
d) segunda linha menos terceira linha, e primeira menos terceira,
7
e) primeira menos segunda.
A seguir identificaremos cada passo como as multiplicações das matrizes

T e Id por matrices A, B, C, D e E correspondentes aos passoa (a), (b), (c),
(d) e (e).
Passo (a) multiplicar (à esquerda) por

 
1 0 0
A =  −1 1 0  .
−1 0 1
Passo (b) multiplicar (à esquerda) por

 
1 0 0
B =  0 1 0 .
0 −2 1
Passo (c) multiplicar (à esquerda) por

 
1 0 0
C =  0 1 0 .
0 0 −1
Passo (d) multiplicar (à esquerda) por

 
1 0 −1
D =  0 1 −1  .
0 0 1
Passo (e) multiplicar (à esquerda) por

 
1 −1 0
E =  0 1 0 .
0 0 1
Observe que obtivemos duas matrizes
(EDCBA)T = Id, EDCBA.
8
Onde (EDCBA) é (por definição) a inversa de T .
Descobra agora quais seriam as matrices envolvidas caso v. multiplicase
pela direita, em vez de pela esquerda.
Tente repetir o processo anterior com a matriz
 
1 6 4
B =  2 4 −1  .
−1 2 5
O determinante é nulo, portanto não é inversı́vel. Quando v. repete o pro-

cesso obtem o seguinte:
 
1 6 4 | 1 0 0
 0 −8 −9 | −2 1 0  .
0 0 0 | −1 1 1
Interprete!.
Finalmente, quando a matriz é dois por dois, o método dos cofatores (que
não explicaremos agora) é muito prático: a inversa da matriz
µ ¶
a b
A= ,
c d
onde ad − bc 6= 0 (isto é, det(A) 6= 0) é dada por

µ ¶
−1 d/ det A −b/ det A
A = .
−c/ det A a/ det A
Verifique que A ◦ A−1 = Id = A−1 ◦ A.
9
1. Autovalores e autovetores.
2. Cálculo dos autovetores e autovalores. Polinômio caracterı́stico.
Roteiro
1 Autovetores e autovalores de uma trans-

formação linear
Considere uma transformação linear T : Rn → Rn .
Definição 1 (Autovetores e autovalores). Dizemos que um vetor não nulo v

é um autovetor de T se existe um número real λ tal que
T (v) = λ v.
Em tal caso, dizemos que λ é o autovalor associado ao autovetor v.
Observe que se v é um autovetor, então σv, σ 6= 0, também é um autovetor

com o mesmo autovalor associado:
T (σ v) = σ T (v) = σ λ v = λ (σ v).
2 Cálculo dos autovetores e autovalores. Poli-

nômio caracterı́stico
Observe que se um vetor v 6= 0̄ é um autovetor de T então T (v) = λ v, ou
seja
(T − λI)(v) = 0̄.
Isto implica que a transformação linear (T − λI) não é inversı́vel e, portanto,
det(T − λI) = 0.
1
Isto significa que o cálculo de autovetores e autovalores é um processo para-
lelo: primeiro determinaremos os autovalores (possı́veis) e a seguir os auto-
vetores (associados ao autovalor).
Observe que os autovalores λ da transformação linear T devem verificar
det(T − λI) = 0.
Portanto, a primeira etapa é encontrar todos os possı́veis valores de λ que
verificam essa condição.
Para fixar idéias, suponhamos que T é uma transformação linear de R3 .
Então, [T − λI] é uma matriz 3 × 3. Observe que
det(T − λI) = −λ3 + a1 λ2 + a2 λ + a3 ,
onde a3 = det(T ). Portanto, como temos um polinômio de grau 3, existe
uma raiz real do polinômio anterior, que corresponde a um autovalor.
Definição 2. Dizemos que p(λ) = det(T − λI) é o polinômio caracterı́stico
de T .
Propriedade 2.1. Considere um vetor v 6= 0̄ tal que T (v) = σ v. Então σ é
uma raiz do polinômio caracterı́stico de T .
Prova: Observe que como já vimos acima
(T − σI)(v) = 0̄,
portanto a transformação linear (T − σI) não é inversı́vel, logo
det(T − σI) = 0.
Ou seja, σ é uma raiz do polinômio caracterı́stico p(λ).
Propriedade 2.2. Cada raiz real do polinômio caracterı́stico p(λ) = det(T −

λI) é um autovalor de T .
Prova: Observe que como det(T − λI) = 0 o sistema
(T − λI)(x, y, z) = (0, 0, 0),
admite solução não trivial. Seja v 6= 0̄ uma solução. Então,
(T − λI)(v) = 0̄, T (v) − λv = 0̄, T (v) = λv.
Logo v é um autovetor com autovalor associado λ.
2
Observação 1. Observe que o polinômio p(λ) tem, no máximo, três raı́zes
diferentes, portanto, a transformação linear T tem no máximo três autova-
lores diferentes.
Em resumo:
• As raı́zes (reais e complexas) de p(λ) = det(T − λ I) são os autovalores

de T .
• A cada autovalor real associamos um autovetor. A multiplicidade do

autovalor λ é a multiplicidade de λ como raiz do polinômio carac-
terı́stico.
• O autovalor de um autovetor é sempre uma raiz do polinômio carac-

terı́stico p(λ).
2.1 Propriedades do polinômio caracterı́stico

• O coeficiente independente do polinômio caracterı́stico p(λ) de T é igual
a det(T ).
• Sejam λ1 , λ2 e λ3 as raı́zes reais e/ou complexas do polinômio carac-

terı́stico contadas com multiplicidade. Então
p(λ) = −λ3 + a1 λ2 + a2 λ + a3 = −(λ − λ1 )(λ − λ2 )(λ − λ3 ).
Ou seja
a3 = det(T ) = (λ1 λ2 λ3 ).
Em outras palavras:
Propriedade 2.3. O produto de todos os autovalores (reais e/ou comple-

xos) de uma transformação linear T contados com multiplicidade é igual ao
determinante de T .
Observamos que uma matriz (quadrada) é inversı́vel se, e somente se, seu
determinante é não nulo. Esta afirmação implica o seguinte:
Propriedade 2.4. Uma transformação linear T é inversı́vel se, e somemte

se, λ = 0 não é autovalor de T .
3
Definição 3 (Traço). O traço de uma matriz quadrada A (denotado tr(A))
é a soma dos elementos da diagonal principal. Ou seja, se
 
a1,1 a1,2 . . . a1,n
 a2,1 a2,2 . . . a2,n 
A =  .. ..  , tr(A) = a11 + a22 + · · · + ann .
 
.. . .
 . . . . 
an,1 an,2 . . . an,n
Seja A é uma matriz n × n, então, se n é ı́mpar, o traço é igual ao

coeficiente do termo de grau (n − 1) do seu polinômio caracterı́stico, e se n
é par é igual a dito coeficiente mudado de sinal. Esta afirmação é simples
quando n = 2:

a−λ b
= λ2 − λ(a + d) + ad − bc = λ2 − tr(A)λ + det(A).
c d−λ
No caso de matrizes 3 × 3, a afirmação segue de forma similar (v. somente

deve identificar o termo de grau dois).
Exemplo 1. Considere a transformação linear T : R2 → R2 cuja matriz
associada é
a b
[T ] = .
c d
Acabamos de ver que o polinômio caracterı́stico de [T ] é
p[T ] (λ) = λ2 − (tr([T ])) λ + det([T ]).
Por outra parte, se σ e ρ são as raizes (reais ou complexas) do polinômio

caracterı́stico, então
p(λ) = (λ − σ)(λ − ρ) = λ2 − (σ + ρ)λ + σρ.
Portanto,
tr([T ]) = σ + ρ,
isto é, o traço é igual à soma dos autovalores contados con multiplicidade.
Afirmação anterior relacionando o traço e a soma dos autovalores é ver-
dadeira em geral obtida da mesma forma.
Propriedade 2.5. O traço de uma matriz é igual à soma dos autovalores
contados con multiplicidade.
4
Por exemplo, considere uma matriz A, 3 × 3. Sejam λ1 , λ2 e λ3 os
autovalores de A (reais ou complexos). Então,
pA (λ) = −(λ − λ1 ) (λ − λ2 ) (λ − λ3 ) =
= −(λ − λ1 ) (λ2 − (λ2 + λ3 )λ + λ2 λ3 ).
Desenvolvendo temos
pA (λ) = −λ3 + (λ1 + λ2 + λ3 ) λ2 − (λ1 λ2 + λ1 λ3 + λ2 λ3 ) λ + det(A).
Portanto, o coeficiente de λ2 , que é o traço de A, é
λ1 + λ2 + λ3 .
Portanto, o traço de uma matriz é igual a soma dos autovalores de A contados

com multiplicidade.
2.2 Exemplos
Exemplo 2. Determine o polinômio caracterı́stico, os autovalores e os au-
tovetores da transformação linear de matriz
 
1 0 −1
 −2 3 −1  .
−6 6 0
Resposta: O polinômio caracterı́stico é

1−λ 0 −1

−2 3 − λ −1 = (1 − λ) [(λ − 3) λ + 6] − 6 (1 − λ) =

−6 6 −λ
= −λ3 + 4 λ2 − 3 λ = −λ (λ2 − 4 λ + 3) =
= −λ (λ − 3) (λ − 1).
Logo as raı́zes (que correspondem aos autovalors) são 0, 3 e 1.

A seguir calcularemos os autovetores associados aos autovalores. Devemos
resolver os seguintes sistemas, encontrando as soluções não triviais (diferentes
5
de (0, 0, 0)) dos mesmos:
    
1 0 −1 x 0
 −2 3 −1   y  =  0  , autovetores associados a λ = 0
−6 6 0 z 0
    
1−1 0 −1 x 0
 −2 3 − 1 −1   y  =  0  , autovet. associados a λ = 1
−6 6 −1 z 0
    
1−3 0 −1 x 0
 −2 3 − 3 −1   y  =  0  , autovet. associados a λ = 3
−6 6 −3 z 0
As soluções são, respectivamente,
(t, t, t), (t, t, 0), (−t, 0, 2 t), t ∈ R, t 6= 0.

Exemplo 3 (Autovalores de matrizes triangulares). Determine os polinômios

caracterı́sticos e os autovalores de:
     
1 1 1 1 0 0 1 1 1
A =  0 2 1 , B =  0 1 0 , C =  0 1 1 ,
0 0 3 0 0 3 0 0 3
   
1 1 1 1 1 1
D =  0 1 0 , E =  0 1 1 .
0 0 1 0 0 1
Resposta: Os polinômios caracterı́sticos pA , pB , etc são:
pA (λ) = −(λ − 1)(λ − 2)(λ − 3),
pB (λ) = pC (λ) = −(λ − 1)2 (λ − 3),
pD (λ) = pE (λ) = −(λ − 1)3 .
Observe que matrizes diferentes podem ter polinômios caracterı́sticos iguais.
Estudaremos a seguir os autovetores das matrizes A, B, C, D e E. Ob-
servamso primeiro que λ = 1 é um autovalor de multiplicidade 2 de B e C e
de multiplicidade 3 de D e E.
Matriz A:
6
• autovetores associados a 1: (t, 0, 0), t 6= 0,
• autovetores associados a 2: (t, t, 0), t 6= 0,
• autovetores associados a 3: (t, t, t), t 6= 0.
Matriz B:
• Autovetores de λ = 1 de B: todos os vetores não nulos do plano z = 0.
• Autovetores de λ = 3 de B: todos os vetores não nulos da forma (0, 0, t).
Matriz C:
• Autovetores de λ = 1 de C: todos os vetores não nulos da forma (t, 0, 0).
• Autovetores de λ = 3 de C: todos os vetores não nulos da forma

(3t/2, t, 2t).
Observe que para o autovalor 1 de B é possı́vel obter um plano de autovetores

(excluido o vetor nulo) e para C somente é possı́vel obter uma reta (excluido
o vetor nulo).
Matriz D:
• Autovetores de λ = 1 de D: os vetores não nulos do plazo y + z = 0.
Matriz E:
• Autovetores de λ = 1 de E: todos os vetores não nulos da forma (t, 0, 0).
Como no caso anterior, para o autovalor 1 de D é possı́vel obter um plano de

autovetores (excluido o vetor nulo) e para E somente é possı́vel obter uma
reta (excluido o vetor nulo).
7
1. Matrizes semelhantes.
1 Matrizes semelhantes
Definição 1 (Matrizes semelhantes). Considere duas matrizes quadradas A
e B. A matriz A é semelhante à matriz B se, e somente se, existe uma
matriz inversı́vel P tal que
A = P BP −1 .
Observe que se A é semelhante a B então B é semelhante a A: multipli-
cando a expressão anterior por P −1 à esquerda e por P à direita, temos
P −1 AP = P −1 P BP −1 P = B.
Logo
B = P −1 AP = P −1 A(P −1 )−1 = Q B Q−1 ,
onde Q = P −1 . Portanto, diremos que as matrizes A e B são semelhantes.
Propriedade 1.1. Duas matrizes quadradas semelhantes A e B verificam
as seguintes propriedades:
1. det(A) = det(B),
2. A é inversı́vel se, e somente se, B é inversı́vel,
3. A e B têm os mesmos autovalores com a mesma multiplicidade (mas,
em geral, não têm os mesmos autovetores),
4. A e B têm o mesmo polinômio caracterı́stico,
5. A e B têm o mesmo traço.
Prova: Suponhamos que A e B são semelhantes e que A = P B P −1 .

A afirmação sobre os determinantes segue do fato do determinante do
produto de matrizes ser o produto dos determinantes, portanto,
1
det(A) = det(P ) det(B) det(P −1 ) = det(P ) det(B) = det B.
det(P )
1
A afirmação sobre a inversibilidade decorre da propriedade sobre os de-
terminantes: A é inversı́vel se, e somente se, det(A) 6= 0. Portanto, se A e B
são semelhantes det(A) = 0 se, e somente se, det(B) = 0.
Vejamos que se λ é um autovalor de B e u é um autovetor de B associado a
λ, então P (u) é um autovetor de A associado ao mesmo autovalor λ. Observe
primeiro que como P é inversı́vel e u 6= 0̄, então, P (u) 6= 0̄. Temos,
A(P (u)) = P B P −1 (P (u)) = P B(u) = P (λ u) = λ P (u),
e, como P (u) 6= 0̄, P (u) é um autovetor de A associado ao autovalor λ.

Vejamos agora que os polinômios caracterı́sticos PA e PB de duas matrizes
semelhantes A e B são iguais. O polinômio caracterı́stico de A é
pA (λ) = det(A − λ I) = det(P B P −1 − P (λ I) P −1 ) =

= det(P (B − λI) P −1 ) = det(P ) det(B − λ I) det P −1 =
= det(B − λ I) = pB (λ),
logo os polinômios caracterı́sticos são iguais.

A igualdade dos polinômios caracterı́sticos implica que as matrizes A e B
têm os mesmos autovalores com as mesmas multiplicidades. Como o traço
de uma matriz é igual à soma dos autovalores contados com multiplicidade,
as matrizes A e B têm o mesmo traço.
1.1 Exemplos e comentários

Observamos que se as matrizes A e B são semelhantes, e as matrizes B e C
também são semelhantes, então, A e C também são semelhantes. Observe
que
A = P BP −1 , B = QCQ−1 ,
onde (obviamente) P e Q são inversı́veis. Portanto,
A = P B P −1 = P (Q C Q−1 ) P −1 = (P Q) C Q−1 P −1 .
Como
(P Q)−1 = Q−1 P −1 ,
temos
A = (P Q) C (P Q)−1 ,
2
e A e C são semelhantes.
Observe que se A e B são inversı́veis e semelhantes, então A−1 e B −1
também são semelhantes:
A = P B P −1 ,
logo
A−1 = (P B P −1 )−1 = (P −1 )−1 B −1 P −1 = P B −1 P −1 .
Usando o fato de que matrizes semelhantes têm o mesmo traço, temos

que a matriz de uma projeção em um plano de R3 não pode ser semelhante à
matriz de uma projeção em uma reta. Analogamente, matrizes de projeções
em um plano nunca são semelhantes a matrizes de espelhamentos. Embora as
matrizes de uma projeção em uma reta de R3 e de um espelhamento em um
plano tenham traço 1, não são semelhantes, pois têm diferentes autovalores
(ou diferentes determinantes).
Exemplo 1. Veja quais das matrizes a seguir são semelhantes.

1 1 2 1 3 1 1 2
A= , B= , C= , D= .
−1 4 1 3 −6 −2 1 0
Resposta: Temos
tr(A) = 5, tr(B) = 5, tr(C) = 1, tr(D) = 1.
Portanto, as únicas matrizes que podem ser semelhantes são as matrizes A e
B e as matrizes C e D.
Também temos
det(A) = 5, det(B) = 5, det(C) = 0, det(D) = −2.
Ou seja, A e B podem ser semelhantes, mas C e D não podem ser.
O polinômio caracterı́stico de A é
pA (λ) = (1 − λ)(4 − λ) + 1 = λ2 − 5λ + 5.
O polinômio caracterı́stico de B é
pB (λ) = (2 − λ)(3 − λ) − 1 = λ2 − 5λ + 5.
Portanto, as matrizes A e B ainda podem ser semelhantes. Concluiremos a
prova na próxima seção.
3
1.2 Construção da matriz de semelhança
Observe que para verificar que as duas matrizes A e B do Exemplo 1 são se-
melahantes devemos encontrar uma matriz inversı́vel T tal que A = T −1 B T .
A seguir obteremos essa matriz.
Em primeiro lugar, temos que os autovalores de A e de B são:
√
5± 5
λ= .
2
Portanto, as matrizes têm dois autovalores reais diferentes.
Sejam vA e wA dois autovetores de A associados a
√ √
λ = (5 + 5)/2, e σ = (5 − 5)/2,
respectivamente.
Observe que {vA , wA } é uma base de R2 : os vetores vA e wA são autove-
tores associados a autovalores diferentes, portanto são l.i., e dois vetores l.i.
formam uma base de R2 .
Considere agora dois autovetores vB e wB de B associados a λ e σ. Ob-
serve que raciocinando como acima temos que que {vB , wB } é uma base de
R2 .
Considere a transformação linear T : R2 → R2 definida como segue,
T (vA ) = vB , T (wA ) = wB .
Como uma transformação linear está totalmente determinada conhecidas as

imagens dos vetores de uma base, a transformação linear T está única e
totalmente determinada.
Seja [T ] a matriz de T . Afirmamos que esta matriz é inversı́vel. Isto
pode ser obtido observando que o determinante de [T ] é não nulo (justifique
e complete). A seguir, construiremos explicitamente T −1 .
De fato, T −1 é a transformação linear S determinada por
S(vB ) = vA , S(wB ) = wA .
Vejamos que S ◦ T = Id. Considere qualquer vetor u, devemos ver que
S ◦ T (u) = u.
4
Como {vA , wA } é uma base, dado qualquer vetor u podemos escreve-lo da
forma u = α vA + γ wA . Então,
S ◦ T (u) = S(T (α vA + γ wA )) = S(α T (vA ) + γ T (wA )) =
= S(α vB + γ wB ) = α S(vB ) + γ S(wB ) =
= α vA + γ wA = u,
como queremos provar.
Vejamos agora que
A = T −1 B T.
Para provar esta afirmação é suficiente ver que estas duas matrizes coincidem
em uma base, por exemplo, na base {vA , wA }. Veremos que as imagens de
vA são iguais (o caso wA é idêntico). Temos
√
A(vA ) = ((5 + 5)/2)vA .
Por outra parte,

√
T −1 B T (vA ) = T −1 B(vB ) = T −1 ((5 + 5)/2)vB ) =
√ √
= (5 + 5)/2)T −1 (vB ) = (5 + 5)/2)vA ,
como queremos provar.
Terminaremos este exemplo com algum comentários. Em primeiro lugar
observamos que a matriz [T ] é um caso particular de matriz de mudança de
base que veremos nas próximas aulas.
Os argumentos acima mostram o seguinte:
Sejam A e B duas matrizes (por exemplo, 3 × 3) que têm os mesmos auto-
valores (todos reais e diferentes). Então, A e B são semelhantes.
Suponhamos que os autovalores são λ, σ e γ. A ideia é repetir o argu-
mento do exemplo anterior. Considere autovetores de A, digamos vA , uA , wA
associados aos autovalores λ, σ e γ, respetivamente, e autovetores de B, di-
gamos vB , uB , wB associados a λ, σ e γ. Como os autovalores são diferentes
temos que
βA = {vA , uA , wA }, βB = {vB , uB , wB }
5
são duas bases de R3 . Considere agora transformação linear T que verifica
T (vA ) = vB , T (uA ) = uB , T (wA ) = wB .
Como βA é uma base, T está totalmente definida.
Exatamente como no exemplo anterior temos que
A = T −1 B T.
Complete os detalhes raciocinando como no caso anterior.
Muita atenção (!), na frase anterior o adjetivo diferente é essencial. Por
exemplo, as matrizes

2 0 2 0
A= , B=
0 2 1 2
têm o mesmo determinante (4), o mesmo traço (4), o mesmo polinômio ca-
racterı́stico ((2 − λ)2 ), e os mesmos autovalores (2, de multiplicidade 2), mas
não são semelhantes. Isto é devido a que o autovalor 2 tem multiplicidade
dois. A seguir estudaremos este exemplo.
As matrizes A e B não são semelhantes pois A possui uma base de autove-

tores (a base {(1, 0), (0, 1)}) e a matriz B não tem uma base de autovetores
(somente é possı́vel encontrar - no máximo - um autovetor l.i., por exemplo
(0, 1)). Se A e B fossem semelhantes,
B = P AP −1 ,
então {P (1, 0) e P (0, 1)} formariam uma base de autovetores de B, que
sabemos que não existe (!).
Completaremos sucintamente os detalhes das afirmações acima.
• Como P é inversı́vel, transforma vetores l.i. em vetores l.i., portanto,

{P (1, 0), P (0, 1)} é uma base.
• Em tal caso,
B(P (1, 0)) = P A P −1 (P (1, 0)) = P A(1, 0) = P (2, 0) = 2 P (1, 0),
portanto P (1, 0) é autovetor de B. Analogamente, P (0, 1) é outro vetor
de B. Portanto, B possui uma base de autovetores, o que é absurdo.
6
1. Matriz de uma transformação linear em uma base. Exemplo e mo-

tivação
2. Matriz de uma transformação linear T na base β
1 Matriz de uma transformação linear em uma

base. Exemplo e motivação
Considere a a transformação linear T projeção no plano π : x − y + z = 0 na
direção paralela a (1, 1, 1). Temos que para qualquer vetor v do plano π se
verifica T (v) = v e que T (1, 1, 1) = 0̄. Portanto,
1. T (1, 1, 0) = (1, 1, 0);
2. T (0, 1, 1) = (0, 1, 1);
3. T (1, 1, 1) = (0, 0, 0).
De (1) e (2) obtemos
T (0, 0, 1) = T (1, 1, 1) − T (1, 0, 0) = (−1, −1, 0).
Assim,
T (0, 1, 1) = T (0, 1, 0) + T (0, 0, 1) = (0, 1, 1),
e portanto,
T (0, 1, 0) = (0, 1, 1) − (−1, −1, 0) = (1, 2, 1).
Finalmente,
T (1, 1, 0) = T (1, 0, 0) + T (0, 1, 0) = (1, 1, 0),
logo
T (1, 0, 0) = (1, 1, 0) − T (0, 1, 0) = (1, 1, 0) − (1, 2, 1) = (0, −1, −1).
1
Portanto, a matriz de T (na base canônica) é
 
0 1 −1
 −1 2 −1  .
−1 1 0
Observe que
β = {(1, 1, 1), (1, 1, 0), (0, 1, 1)}
é uma base de autovetores de T .
Usando os argumentos da seção anterior, veremos que a matriz T é se-
melhante à seguinte matriz muito simples:
 
0 0 0
D =  0 1 0 .
0 0 1
Observe que três autovetores linearmente independentes de D são (1, 0, 0)

(associado a 0) e (0, 1, 0) e (0, 0, 1) (associados a 1). Veja também que as
matrizes T e D têm o mesmo traço, o mesmo determinante e o mesmo po-
linômio caracterı́stico.
Como nos exemplos anteriores, consideraremos a transformação linear que
leva os autovetores de T nos autovetores de D (preservando os autovalores),
ou seja consideramos a transformação linear S que verifica
S(1, 1, 1) = (1, 0, 0), S(1, 1, 0) = (0, 1, 0), S(0, 1, 1) = (0, 0, 1).
A matriz de S é  
1 −1 1
S= 0 1 −1  .
−1 1 0
Devemos verificar que
T = S −1 D S.
Ou de forma equivalente (e assim evitamos ter que calcular a matriz inversa
de S, embora determinar a inversa de S seja imediato...), multiplicando à
esquerda por S, a
S T = D S,
2
Ou seja,
  
1 −1 1 0 1 −1
ST = 0 1 −1   −1 2 −1  =
−1 1 0 −1 1 0
   
0 + 1 − 1 1 − 2 + 1 −1 + 1 + 0 0 0 0
= 0−1+1 0+2−1 0 − 1 + 0  =  0 1 −1  ,
0 − 1 + 0 −1 + 2 + 0 1 − 1 + 0 −1 1 0
    
0 0 0 1 −1 1 0 0 0
DS =  0 1 0   0 1 −1  =  0 1 −1  .
0 0 1 −1 1 0 −1 1 0
Como queremos ver.
Observação 1. De fato, veremos que D é a matriz de T na base β. Isto
significa que, usando as coordenadas apropriadas (ou seja escolhendo uma
base apropriada), a expressão de T é muito simples. Nosso objetivo é, dada
uma transformação linear, encontrar coordenadas (ou seja, uma base) onde
a forma de T seja o mais simples possı́vel. No exemplo anterior, dizemos
que D é uma forma diagonal de T .
2 Matriz de uma transformação linear T na

base β
Para fixar idéias, consideremos transformações lineares
T : R3 → R3 .
Considere uma base β = {v1 , v2 , v3 } de R3 . Suponha que
T (v1 ) = a1,1 v1 + a2,1 v2 + a3,1 v3
T (v2 ) = a1,2 v1 + a2,2 v2 + a3,2 v3
T (v3 ) = a1,3 v1 + a2,3 v2 + a3,3 v3 .
Então, a matriz de T na base β, denotada por [T ]β , é
 
a1,1 a1,2 a1,3
[T ]β =  a2,1 a2,2 a2,3  .
a3,1 a3,2 a3,3
3
Observe que estamos repetindo o já feito na hora de calcular a matriz de
uma transformação linear (na base canônica). Vejamos isto com atenção.
A afirmação acima significa o seguinte, se temos um vetor w com coorde-
nadas (a, b, c) na base β, escreveremos (w)β = (a, b, c), isto é,
w = a v1 + b v2 + c v3 .
Portanto, como T é linear,
T (w) = T (a v1 + b v2 + c v3 ) = a T (v1 ) + b T (v2 ) + c T (v3 ).
Substituindo os valores de T (v1 ), T (v2 ) e T (v3 ), obtemos,
T (w) = a (a1,1 v1 + a2,1 v2 + a3,1 v3 ) + b (a1,2 v1 + a2,2 v2 + a3,2 v3 )
+c (a1,3 v1 + a2,3 v2 + a3,3 v3 ).
Finalmente, agrupando os coeficientes que multiplicam aos vetores v1 , v2 e

v3 da base, obtemos
T (w) = (a1,1 a + a1,2 b + a1,3 c) v1 + (a2,1 a + a2,2 b + a2,3 c) v2 +
+(a3,1 a + a3,2 b + a3,3 c) v3 .
Isto significa que
(T (w))β = (a1,1 a + a1,2 b + a1,3 c, a2,1 a + a2,2 b + a2,3 c, a3,1 a + a3,2 b + a3,3 c),
Por outra parte, se aplicamos a matriz às coordenadas do vetor w na base

β obtemos as coordenadas de T (w) na base β,
    
a1,1 a1,2 a1,3 a a1,1 a + a1,2 b + a1,3 c
(T (w))β =  a2,1 a2,2 a2,3   b  =  a2,1 a + a2,2 b + a2,3 c  .
a3,1 a3,2 a3,3 . c a3,1 a + a3,2 b + a3,3 c
Isto é,
(T (w))β = (a1,1 a + a1,2 b + a1,3 c, a2,1 a + a2,2 b + a2,3 c, a3,1 a + a3,2 b + a3,3 c).
E obtemos o mesmo resultado.
4
Exemplos 1. Encontre uma base γ tal que as matrizes na base γ projeção
ortogonal P no plano x + y + z = 0 e o espelhamento E no mesmo plano
sejam da forma
   
1 0 0 1 0 0
[P ]γ =  0 1 0  , [E]γ =  0 1 0  .
0 0 0 0 0 −1
Prova: Observe que
β = {v1 = (1, 1, 1), v2 = (1, −1, 0), v3 = (1, 0, −1)}
é uma base de autovetores de P e de E, simultaneamente. Obviamente,
(v1 )β = (1, 0, 0)β , (v2 )β = (0, 1, 0)β , (v3 )β = (0, 0, 1)β .
Observe que
P (v1 ) = 0̄, (P (v1 ))β = (0, 0, 0)β ,
P (v2 ) = v2 , (P (v2 ))β = (0, 1, 0)β ,
P (v3 ) = v3 , (P (v3 ))β = (0, 0, 1)β .
Logo  
0 0 0
[P ]β =  0 1 0  .
0 0 1
Analogamente, para o espelhamento,
E(v1 ) = −v1 , (E(v1 ))β = (−1, 0, 0)β ,
E(v2 ) = v2 , (E(v2 ))β = (0, 1, 0)β ,
E(v3 ) = v3 , (E(v3 ))β = (0, 0, 1)β .
Logo  
−1 0 0
[E]β =  0 1 0  .
0 0 1

Observe que se nos exemplos anteriores mudamos a ordem dos vetores
das bases obtemos bases distintas e as matrizes mudam. Por exemplo, se
consideramos a base
β 0 = {v2 = (1, −1, 0), v3 = (1, 0, −1), v1 = (1, 1, 1)}
5
temos    
1 0 0 1 0 0
[P ]β 0 =  0 1 0  , [E]β 0 =  0 1 0  .
0 0 0 0 0 −1
Deixamos como exercı́cio, para v. determinar as matrizes de P e E nas
bases
γ = {v2 = (1, −1, 0), v1 = (1, 1, 1), v3 = (1, 0, −1)}
ρ = {v1 = (1, 1, 1), v3 = (1, 0, −1), v2 = (1, −1, 0)}.
Exemplo 1. Considere a transformação linear T cuja matriz na base canônica
é  
1 2 3
[T ] =  0 2 3  .
0 0 3
Encontre bases β e γ tais que
   
1 0 0 2 0 0
[T ]β =  0 3 0  , [T ]γ =  0 3 0  .
0 0 2 0 0 1
Prova: Como a matriz é triangular seus autovalores são os elementos da

diagonal. Como todos autovalores são diferentes a matriz é diagonalizável.
Determinaremos os autovetores.
Os autovetores v = (x, y, z) associados a 1 verificam,
    
0 2 3 x 0
[T − I](v) =  0 1 3   y  =  0  .
0 0 2 z 0
A solução é (t, 0, 0), t 6= 0.
    
−1 2 3 x 0
[T − 2I](v) =  0 0 3   y  =  0 .
0 0 1 z 0
A solução é (2t, t, 0), t 6= 0.
    
−2 2 3 x 0
[T − 3I](v) =  0 −1 3   y  =  0  .
0 0 0 z 0
6
A solução é (9t, 6t, 2t), t 6= 0.
Uma base de autovetores de T é
κ = {(1, 0, 0), (2, 1, 0), (9, 6, 2)}
Observe que  
1 0 0
[T ]κ =  0 2 0  .
0 0 3
Agora v. mesmo pode concluir que
β = {(1, 0, 0), (9, 6, 2), (2, 1, 0)}

.
γ = {(2, 1, 0), (9, 6, 2), (1, 0, 0)}.
Exemplo 2. Considere a transformação linear T : R3 → R3 definida por
T (v) = v × (1, 1, 1).
Determine a matriz de T nas seguintes bases:
1. β = {(1, 1, 1), (1, 0, −1), (1, −2, 1)},
2. γ = {(1, 1, 1), (1, 0, −1), (1, −1, 0)},
Resposta: Observe que
T (1, 1, 1) = 0̄, T (1, 0, −1) = (1, −2, 1), T (1, −2, 1) = (−3, 0, 3).
Portanto,  
0 0 0
[T ]β =  0 0 −3  .
0 1 0
Escreva,
(1, −2, 1) = a(1, 1, 1) + b(1, 0, −1) + c(1, −1, 0),
e veja que a = 0, b = −1 e c = 2.
7
Veja também que
T (1, −1, 0) = (−1, −1, 2),
e escreva
(−1, −1, 2) = a(1, 1, 1) + b(1, 0, −1) + c(1, −1, 0),
onde a = 0, b = −2 e c = 1. Portanto,
 
0 0 0
[T ]γ =  0 −1 −2  .
0 2 1
8
1. Matrizes diagonalizáveis.
2. Matrizes diagonalizáveis. Exemplos.
3. Forma diagonal de uma matriz diagonalizável.
1 Matrizes diagonalizáveis
Uma matriz quadrada
 
a1,1 a1,2 . . . a1,n
 a2,1 a2,2 . . . a2,n 
T =
 
.. .. .. .. 
 . . . . 
an,1 an,2 . . . an,n
é diagonal quando ai,j = 0 para todo i 6= j.
Observe que os autovalores de uma matriz diagonal são os elementos da
sua diagonal.
Uma transformação linear T é diagonalizável em quando é semelhante a

uma matriz diagonal. O raciocı́nio no exemplo na seção anterior mostra
que se T possui uma base de autovetores então é semelhante a uma matriz
diagonal (de fato, semelhante à matriz diagonal cuja diagonal está formada
pelos autovalores de T com suas multiplicidades).
De fato o processo é o o mesmo que usamos nos exemplos precedentes.
Suponhamos que estamos em R3 , e assumimos que T possui uma base de
autovetores {u, v, w} associados aos autovalores λ, σ e ρ (observemos que
estes autovalores não necessitam ser todos diferentes, de fato, podem ser
todos iguais!). Afirmamos que T é semelhante à matriz
 
λ 0 0
D =  0 σ 0 .
0 0 ρ
Para ver isto devemos achar uma matriz S tal que
T = S −1 D S, ou equivalentemente, S T = D S.
1
É suficiente considerar S definida por
S(u) = (1, 0, 0) = i, S(v) = (0, 1, 0) = j, S(w) = (0, 0, 1) = k.
Observe que
D S(u) = D(i) = λ i, D S(v) = D(j) = σ j, D S(u) = D(k) = ρ k.
Por outra parte,
S T (u) = S(λ u) = λ S(u) = λ i,

S T (v) = S(σ v) = σ S(v) = σ j,
S T (w) = S(ρ w) = ρ S(w) = ρ k.
Portanto, S T = D S na base {u, v, w}, logo as transformações lineares são

iguais. Ou seja,
T = S −1 D S,
portanto, por definição, T é diagonalizável.
Suponha agora que T é semelhante a D, onde D é uma matriz diagonal
como acima. Afirmamos que S −1 (i), S −1 (j), e S −1 (k), são autovetores de T
associados a λ, σ e ρ, respetivamente. Como S é inversı́vel e i, j e k são l.i.,
{S −1 (i), S −1 (j), S −1 (k)} é uma base, formada por autovetores de T . Vejamos
a afirmação para S −1 (i):
T (S −1 (i)) = S −1 D S(S −1 (i)) = S −1 D(i) = S −1 (λ i) = λS −1 (i),
como queriamos provar.
2 Matrizes diagonalizáveis. Exemplos

Observe que os autovalores de uma matriz diagonal são os elementos da sua
diagonal.
Uma transformação linear T é diagonalizável quando existe uma base for-

mada por autovetores. Vimos que neste caso a matriz de T é semelhante a
uma matriz diagonal. De fato, as duas propriedades seguintes são equivalen-
tes:
• possuir base de autovetores,
2
• ser semelhante a uma matriz diagonal.
Sejam A uma transformação linear diagonalizável, β = {v1 , v2 , . . . , vn }
uma base de autovetores de A e {λ1 , λ2 , . . . , λn } os autovalores associados a
v1 , . . . , vn . Uma forma diagonal de A é
 
λ1 0 . . . 0
 0 λ2 . . . 0 
DA =  .. ..  .
 
.. . .
 . . . . 
0 0 . . . λn
Observe que A pode ter diferentes formas diagonais (é suficiente mudar a
ordem dos vetores da base de autovetores!).
Exemplos 1. Espelhamentos e projeções (ortogonais ou não) são trans-
formações lineares diagonalizáveis.
Prova: Para provar a afirmação devemos encontrar uma base de autoveto-
res. Por exemplo, em R3 e considerando projeções P e espelhamentos E no
plano
π : a x + b y + c z = 0,
podemos considerar dois vetores não nulos v e w não paralelos do plano e o
vetor ` correspondente à direção de projeção ou de espelhamento. Obtemos
assim a base
β = {v, w, `}.
Trata-se de uma base de autovetores de P e de E:
P (v) = v, P (w) = w, e P (`) = 0̄.
Também temos
E(v) = v, E(w) = w, e E(`) = `.
No caso de projeções e espelhamentos em retas o raciocı́nio é similar.
Exemplos 2. A transformações lineares A, B, C : R3 → R3 cujas matrizes

na base canônica são
     
1 1 1 1 1 1 1 0 0
[A] =  0 1 2 , [B] =
  0 1 2 , [C] =  0 1 −1 
0 0 1 0 0 2 0 1 1
não são diagonalizáveis.
3
Prova: Por exemplo, a matriz A possui um único autovalor igual a 1 de
multiplicidade 3. Faça os cálculos e veja que os autovetores de A são os
vetores não nulos da forma (t, 0, 0). Portanto, no máximo é possı́vel um
autovetor l.i. de A. Logo A não possui uma base de autovetores.
No caso da matriz B, os autovalores são 2 (simples ou de multiplicidade
um) e 1 de multiplicidade 2. Associados a 2 obtemos autovetores da forma
(0, 0, t). Os autovetores associados a 1 são da forma (t, 0, 0). Portanto,
somente é possı́vel obter dois autovetores l.i. de B. Logo B não possui uma
base de autovetores.
Nos dois casos anteriores o fato de não ser possı́vel obter uma base de
autovetores é devido a que há um autovalor de multiplicidade k (3 no caso da
matriz A e 2 no caso de B) que possui um número de autovetores l.i. menor
do que k (em ambos os casos 1).
O fato da matriz C não ser diagonalizável é devido a outros motivos: tem
um autovalor complexo (não real).
Exemplos 3. As formas diagonais das projeções (ortogonais ou não) P e

espelhamentos R em R2 são, respectivamente,

1 0 1 0
DP = , DR = .
0 0 0 −1
As formas diagonais das projeções (ortogonais ou não) P1 em uma reta

e P2 em um plano de R3 são, respectivamente,
   
1 0 0 1 0 0
DP1 =  0 0 0 , DP2 =
  0 1 0 .
0 0 0 0 0 0
As formas diagonais dos espelhamentos E1 em torno de uma reta e E2

em torno de um plano em R3 são, respectivamente,
   
1 0 0 1 0 0
DE1 =  0 −1 0  , DE2 =  0 1 0  .
0 0 −1 0 0 −1
Exemplos 4. A transformação linear T : R3 → R3 definida por
T (1, 1, 2) = 2(1, 1, 2), T (1, 0, 1) = 2(1, 0, 1), T (1, 1, 1) = 3(1, 1, 1)
4
é diagonalizável: {(1, 1, 2), (1, 0, 1), (1, 1, 1)} formam uma base de autovetores
cuja forma diagonal é  
2 0 0
DT =  0 2 0  .
0 0 3
Uma condição suficiente, porém não necessária, para uma transformação
linear T : Rn → Rn ser diagonalizável é ter n autovalores reais distintos. Para
ver isto, sejam λ1 , . . . , λn os autovalores e v1 , . . . , vn os autovetores associados
a estes autovalores. Por resultados já vistos, como λ1 , . . . , λn são diferentes,
os vetores v1 , . . . , vn são l.i.. Portanto, formam uma base (de autovetores) de
Rn (n vetores l.i. de Rn formam uma base).
Exemplo 1. Suponha que A é uma transformação linear de R3 cujo po-

linômio caracterı́stico é
p(λ) = −(λ − 1)(λ − 2)(λ − 3).
Estude se A é diagonalizável e calcule sua forma diagonal.
Prova: A transformação é diagonalizável: tem três autovalores distintos:

1,2,3. Sua forma diagonal é
 
1 0 0
 0 2 0 .
0 0 3
Exemplo 2. Estude se a afirmação a seguir é verdadeira: Suponha que A

é transformação linear de R3 cujo polinômio caracterı́stico é p(λ) = −(λ −
1)2 (λ − 2), então A não é diagonalizável.
Prova: A afirmação é falsa. Da afirmação deduzimos que A tem um

autovalor 1 (de multiplicidade 2) e um autovalor 2 simples. Por exemplo,
 
1 0 0
 0 1 0 
0 0 2
5
tem polinômio caracterı́stico p(λ) = −(λ − 1)2 (λ − 2) e é diagonalizável (de
fato, já é diagonal!). Porém, a matriz
 
1 0 0
 1 1 0 
0 0 2
tem o mesmo polinômio caracterı́stico e não é diagonalizável. Ou seja, no caso

em que existem raı́zes repetidas não é possı́vel deduzir se é diagonalizável ou
não somente com a análise do polinômio caracterı́stico (é necessário estudar
os autovetores).
Exemplo 3. Sabendo que a matriz P ,

 
5/6 −2/6 1/6
P =  −2/6 2/6 2/6 
1/6 2/6 5/6
representa um espelhamento ou uma projeção ortogonal em um plano deter-

mine a opção válida. Determine o plano de projeção ou de espelhamento.
Resposta: A matriz tem traço 2. Logo não pode ser um espelhamento.

Será, portanto, uma projeção. Para determinar o plano de projeção há três
opções. Determinar os autovetores associados a 1 (obtendo assim o plano),
determinar os autovetores de 0 (obtendo a direção normal do plano) ou como
segue. Observe que P (1, 0, 0) e P (0, 1, 0) são vetores do plano. Logo (5, −2, 1)
e (−1, 1, 1) são vetores paralelos do plano. Logo o vetor normal do plano é
(1, 2, −1). Verifique que P (1, 2, −1) = 0̄.
Exemplo 4. Considere a transformação linear T ,

 
1 1 1
T =  1 1 1 .
1 1 1
Estude se T é diagonalizável. Em caso afirmativo, determine sua forma

diagonal. Determine seu significado geométrico.
6
Resposta: Uma projeção ortogonal na reta (1, 1, 1) seguida de uma multi-
plicação por 3. É diagonalizável e sua forma diagonal é
 
3 0 0
T =  0 0 0 .
0 0 0
Veja que os autovalores são 3 (simples) e 0 (multiplicidade 2). Os auto-
vetores são (t, t, t), t ∈ R, t 6= 0, e os vetores não nulos de x + y + z = 0.
Observe que existe uma base ortogonal de autovetores
{(1, 1, 1), (1, −1, 0), (1, 1, −2)}
de T
Exemplo 5. Mostre que λ é um autovalor de uma matriz inversı́vel A se,

e somente se, λ−1 é um autovalor de A−1 . Os autovetores associados são os
mesmos?
Prova: Seja v um autovetor de A e σ 6= 0 seu autovalor (pelo exercı́cio
anterior sabemos que σ é não nulo). Temos,
v = A−1 A(v) = A−1 (σv) = σA−1 (v).
Portanto,
A−1 (v) = (1/σ) v.
Logo v é um autovetor de A−1 com autovalor associado σ −1 .
Observe que o argumento anterior prova que se A é inversı́vel, então A é
diagonalizável se, e somente se, A−1 é diagonalizável.
Outra forma de provar esta propriedade é a seguinte: suponha que A é
inversı́vel e diagonalizável, então
A = P −1 D, P,
onde D é diagonal. Como o determinante do produto é o produto dos deter-
minantes, D tem determinante não nulo e portanto é inversı́vel. De fato, a
inversa de uma matriz diagonal é outra matriz diagonal, mais precisamente:
   −1 
λ1 0 . . . 0 λ1 0 ... 0
 0 λ2 . . . 0   0 λ−1 . . . 0 
−1 2
D =  .. ..  , D =  .. ..  ,
   
.. . . .. . .
 . . . .   . . . . 
−1
0 0 . . . λn 0 0 . . . λn
7
observe que det(D) 6= 0 implica que λ1 , . . . , λn são todos diferentes de 0.
Finalmente, como (C E)−1 = E −1 C −1 , temos
A−1 = (P −1 D P )−1 = P D−1 P −1 ,
e A−1 é semelhante a D−1 que é diagonal. Portanto, A−1 é diagonalizável.
8
1. Matriz de Mudança de Base.
2. Bases Ortonormais.
3. Matrizes Ortogonais.
1 Matriz de Mudança de Base

Os próximos problemas que estudaremos são os seguintes (na verdade são o
mesmo problema).
• Considere uma transformação linear T e uma base β. Suponha conheci-

da a matriz [T ]β de T na base β. Queremos obter a matriz de T na base
canônica (ou em outra base). Para simplificar notação, escreveremos
[T ]e a matriz na base canônica.
• Considere duas bases β e γ e um vetor v, conhecidas as coordenadas

de v na base β, (v)β , determinar as coordenadas do vetor v na base γ,
(v)γ .
A respeito do primeiro problema, veremos que as matrizes [T ]e e [T ]β são

semelhantes,
[T ]e = P [T ]β P −1 .
O problema principal é determinar P . As matrizes P e P −1 são as chamadas
matrizes de mudança de base. Aplicando P −1 a um vetor v na base canônica
obtemos as coordenadas de v na base β, assim P −1 e a matriz de mudança
da base canônica à base β. Analogamente, aplicando P a um vetor w na base
β obtemos as coordenadas de w na base canônica, portanto, P e a matriz de
mudança da base β à base canônica.
Para evitar notação mais pesada, resolveremos este problema no caso
de transformações lineares de R2 . Em dimensões superiores o raciocı́nio é
idêntico.
Considere a base β = {u, v} e a base canônica e = {(1, 0), (0, 1)}. Supo-
nha que u = (u1 , u2 )e e v = (v1 , v2 )e (coordenadas de u e v na base canônica).
1
Dado um vetor w com (w)β = (a, b) queremos calcular (w)e . Isto é muito
simples, temos
w = a u + b v = a (u1 i + u2 j) + b (v1 i + v2 j) = (a u1 + b v1 ) i + (a u2 + b v2 ) j.
Isto é,
(w)e = (a0 , b0 ) = (a u1 + b v1 , a u2 + b v2 ).
Portanto, em forma matrizial,
0
a u1 v1 a
0 = .
b u2 v2 b
Em outras palavras, a matriz M de mudança da base β para a base canônica

é a matriz cujas colunas são as coordenadas dos vetores da base β na base
canônica.
Observe que a matriz de mudança da base canônica e à base β é a matriz
inversa de M .
Finalmente, observe que as matrizes P = M e P −1 = M −1 verificam
[T ]e = P [T ]β P −1 .
Complete os detalhes.
Exemplo 1. Considere a projeção ortogonal T : R2 → R2 na reta x + y = 0.

Escreva [T ]e = P −1 DP , onde D é diagonal.
Prova: Como D e T tem os mesmos autovalores, os autovalores de D

devem ser 0 e 1. Como D é diagonal, seus autovalores são os elementos da
diagonal. Portanto, uma das duas escolhas para D é

0 0
D= .
0 1
Qual é a outra possibilidade? Também sabemos que se consideramos a base
β = {(1, 1), (1, −1)}
formada por dois autovetores de T então
[T ]β = D.
2
Sabemos que

1 1 −1 1/2 1/2
[P ] = , [P ] = .
1 −1. 1/2 −1/2.
Verifique que P DP −1 resulta em [T ]e

1/2 −1/2
[T ]e = .
−1/2 1/2.
Exemplo 2. Considere a transformação linear T que verifica
T (1, 1, 0) = (2, 2, 0), T (0, 1, 1) = (0, −1, −1), T (1, 0, 1) = (3, 0, 3).
Escreva
[T ]e = P D P −1 ,
onde D é diagonal. Determine também [T ]e .
Prova: Temos que
β = {(1, 1, 0), (0, 1, 1), (1, 0, 1)}
é uma base de autovetores de T . Sabemos que

 
2 0 0
[T ]β = D =  0 −1 0  .
0 0 3
Também sabemos que  

1 0 1
P =  1 1 0 .
0 1 1
Calculando [P ]−1 (por exemplo, pelo método de Gauss) obtemos
 
1 1 −1
1
P −1 =  −1 1 1 .
2
1 −1 1
3
Logo
   
1 0 1 2 0 0 1 1 −1
1
[Te ] =  1 1 0   0 −1 0   −1 1 1 =
2
0 1 1 0 0 3 1 −1 1
    
2 0 3 1 1 −1 5 −1 1
1 1
=  2 −1 0   −1 1 1  =  3 1 −3  .
2 2
0 −1 3 1 −1 1 4 −4 2
Confira que ao aplicar a última matriz aos vetores (1, 1, 0), (0, 1, 1) e (1, 0, 1)
obtemos (2, 2, 0), (0, −1, −1) e (3, 0, 3), o que confirma que o resultado é
correto.
2 Bases Ortonormais
Lembre que uma base β é ortogonal se está formada por vetores ortogonais
entre si: para todo par de vetores distintos u e v da base β se verifica que
u · v = 0.
Uma base γ é ortonormal se é ortogonal e todo vetor da base é um vetor
unitário (ou seja, u · u = 1 para todo vetor de γ).
Como já vimos, calcular as coordenadas de um vetor em uma base or-
togonal é muito simples (mais ainda se a base é ortonormal). Suponha que
estamos em R3 e que β = {u, v, w} é uma base ortonormal. Queremos de-
terminar as coordenadas de um vetor ` na base β, ou seja
(`)β = (a, b, c), ` = a u + b v + c w.
Para determinar a considere ` · u,
` · u = (a u + b v + c w) · u = a (u · u) + b (u · v) + c (u · w).
Observe que, como a base é ortonormal, u · u = 1, u · v = 0 = u · w. Logo
a = ` · u.
Analogamente obtemos,
b = ` · v, c = ` · w.
4
Exercı́cio 1. Encontre uma base ortonormal β que contenha dois vetores
paralelos a (1, 1, 1) e (1, −1, 0). Obtida a base β, determine as coordenadas
do vetor (1, 2, 3) em dita base.
Resposta: O terceiro vetor da base deve ser ortogonal a (1, 1, 1) e (1, −1, 0),
portanto, é paralelo a (1, 1, 1) × (1, −1, 0), isto é, paralelo a (1, 1, −2). Uma
possı́vel base β (existem muitas possibilidades) é
√ √ √ √ √ √ √ √
β = {(1/ 3, 1/ 3, 1/ 3), (1/ 2, −1/ 2, 0), (1/ 6, 1/ 6, −2/ 6)}.
As coordenadas de (1, 2, 3) na base β são (a, b, c) onde

√ √ √ √
a = (1, 2, 3) · (1/√ 3, 1/ √3, 1/ 3) = 6/√ 3,
b = (1, 2, 3) · (1/√2, −1/√ 2, 0) √= −1/ 2, √
c = (1, 2, 3) · (1/ 6, 1/ 6, −2/ 6) = −3/ 6.
Obtemos assim as coordenadas.
3 Matrizes ortogonais
Dada uma matriz quadrada M sua transposta, denotada M t , é uma matriz
cujas linhas são as colunas de M , ou seja, se M = (ai,j ) e M t = (bi,j ) se
verifica bj,i = ai,j .
Definição 1 (Matriz ortogonal). Uma matriz M é ortogonal se é inversı́vel

e M −1 = M t , ou seja,
M M t = M t M = Id.
Observe que se M é ortogonal então sua transposta também é ortogo-

nal (veja que (M t )−1 = M ). Portanto, a inversa de uma matriz ortogonal
também é ortogonal.
Propriedade 3.1. Uma matriz ortogonal é uma matriz cujas colunas (ou li-
nhas) formam uma base ortonormal (de fato, isto é uma definição geométrica
alternativa de matriz ortogonal).
5
Prova: Para simplificar a notação veremos a afirmação para matrizes 2 × 2.
Seja M uma matriz ortogonal cujos vetores coluna são u = (a, b) e v = (c, d).

t a b a c aa + bb ac + bd
Id = M M = = =
c d b d ac + bd cc + dd

u·u u·v 1 0
= = .
u·v v·v 0 1
Logo
u · u = v · v = 1, u · v = 0,
e u e v formam uma base ortonormal.
De fato, o argumento anterior mostra o seguinte:
Propriedade 3.2. Uma matriz é ortogonal se, e somente se, seus vetores
coluna formam uma base ortonormal.
Multiplicando M M t , v. obterá a mesma afirmação para os vetores linha:
Propriedade 3.3. Uma matriz é ortogonal se, e somente se, seus vetores
linha formam uma base ortonormal.
Observação 1. O fato anterior implica que a matriz de uma rotação ou

de um espelhamento (na base canônica) é uma matriz ortogonal. Também
implica que a matriz de uma projeção não é ortogonal (em nenhuma base).
3.1 Conclusão
Quando uma transformação linear T tem uma base ortonormal β de auto-
vetores o processo de diagonalização se simplifica substancialmente: existe
uma matriz ortogonal P e uma matriz diagonal D tais que
[T ] = P D P t ,
onde P é a matriz cujos vetores coluna são os vetores da base β.
6
1. Matrizes ortogonalmente diagonalizáveis: exemplos
2. Matrizes simétricas.
Roteiro
1 Matrizes ortogonalmente diagonalizáveis: exem-

plos
Exemplo 1. Considere a matriz
 
4 2 2
M =  2 4 2 .
2 2 4
Sabendo que 2 é um autovalor de M , encontre uma matriz ortogonal P que

diagonalize a matriz. Isto é, devemos encontrar uma matriz ortogonal P e
uma matriz diagonal D tais que M = P D P t onde P é ortogonal.
Prova: Observe que os vetores coluna de P são autovetores de M . Como

P é ortogonal, as colunas de P devem formar uma base ortonormal de auto-
vetores de M .
Determinaremos em primeiro lugar os autovetores associados a 2. Deve-
mos resolver o sistema linear
    
4−2 2 2 x 0
 2 4−2 2   y  =  0 .
2 2 4−2 z 0
Obtemos que os autovetores v = (x, y, z) associados a dois verificam
x + y + z = 0.
Portanto, é possivel obter dois autovetores linearmente independentes as-

sociados a 2. Assim, a multiplicidade de 2 é 2 ou 3. Mas o último caso
1
pode ser eliminado, se a multiplicidade for 3 então o traço de M seria
2 + 2 + 2 = 6 6= 4 + 4 + 4 = 12. Logo o autovalor 2 tem multiplicidade
2.
Usando o traço da matriz M temos que o outro autovalor σ de M verifica
2 + 2 + σ = 4 + 4 + 4, σ = 8.
Para determinar os autovetores associados a 4 devemos resolver o sistema

linear     
4−8 2 2 x 0
 2 4−8 2   y  =  0 .
2 2 4−8 z 0
Obtemos
2 x − y − z = 0, x − 2 y + z = 0, x + y − 2 z = 0.
Isto é
x − 2 y + z = 0, x + y − 2 z = 0, 2 x − y − z = 0.
Escalonando,
x − 2 y + z = 0, 3 y − 3 z = 0, −3 y + 3 z = 0.
Assim um autovetor associado a 8 é (1, 1, 1).

Uma base ortonormal de autovetores de M é
√ √ √ √ √ √ √ √
β = {(1/ 3, 1/ 3, 1/ 3), (1/ 2, −1/ 2, 0)(1/ 6, 1/ 6, −2/ 6)}
onde os vetores são autovetores associados a 4, 2 e 2.

A matriz de M na base β é
 
8 0 0
D =  0 1 0 .
0 0 1
Finalmente,
 √ √ √ 
1/√3 1/ √2 1/√6
M = P D P t, P =  1/√3 −1/ 2 1/ √6  .
1/ 3 0 −2/ 6

2
 
1 0 3
A =  0 6 0 .
3 0 1
(a) Determine os autovalores de A.
(b) Determine uma base ortonormal de autovetores A.
(c) Determine uma forma diagonal D de A.
(d) Escreva A da forma A = M DM −1 onde D é uma matriz diagonal.

Determine explicitamente M e M −1 .
(e) Escreva, caso exista, a matriz A−1 inversa de A da forma A−1 =

N EN −1 , onde E é uma matriz diagonal. Determine explicitamente
N e N −1 .
Resposta: O polinômio caracterı́stico de A é
p(λ) = (6 − λ)((1 − λ)2 − 9)) = (6 − λ)(λ2 − 2λ − 8)
Observe que o polinômio (λ2 − 2λ − 8) tem raı́zes λ = 4 e λ = −2. Logo as

raı́zes de p(λ) são λ = 6, 4, −2. Observe que este resultado é coerente com o
traço ser 8 e o determinante ser −48.
Uma base de autovetores é obtida da seguinte forma.
autovetores associados a 6: são as soluções não triviais do sistema,
    
1−6 0 3 x 0
 0 6−6 0   y  =  0 .
3 0 1−6 z 0
Obtemos o sistema,
−5x + 3y = 0, 3x − 5y = 0.
As soluções são da forma (0, t, 0), t ∈ R. Portanto, um autovetor é, (0, 1, 0).
autovetores associados a 4: são as soluções não triviais do sistema,
3
    
1−4 0 3 x 0
 0 6−4 0  y  =  0 .
3 0 1−4 z 0
Obtemos o sistema,
−3x + 3y = 0, 3y = 0, 3x − 3y = 0.
As soluções são da forma (t, 0, t), t ∈ R. Portanto, um autovetor é, (1, 0, 1).
autovetores associados a −2: Como a matriz é simétrica, os autovetores
associados a −2 devem ser ortogonais a (1, 0, 1) e (0, 1, 0). Logo um autovetor
é (1, 0, −1).
Portanto, uma base de autovetores é
γ = {(1, 0, 1), (0, 1, 0), (1, 0, −1)}.
Esta base é ortogonal. Uma base ortonormal de autovetores é

1 1 1 1
β = {( √ , 0, √ ), (0, 1, 0), ( √ , 0, − √ )}.
2 2 2 2
Na base β a matriz de A é diagonal da forma

 
3 0 0
D =  0 6 0 .
0 0 −2
Considerando agora uma base ortonormal de autovetores de A,

√ √ √ √
γ = {(1/ 2, 0, 1/ 2), (0, 1, 0), (1/ 2, 0, −1/ 2)},
temos √
 √ 
1/ 2 0 1/ 2
M =  0√ 1 0√  .
1/ 2 0 −1/ 2
Como M é ortogonal,
√ √ 
1/ 2 0 1/ 2
M −1 = M t =  0√ 1 0√  = M.
1/ 2 0 −1/ 2
4
Como A tem determinante não nulo (o produto dos autovetores é diferente
de zero) existe A−1 . Temos
A−1 = (M DM −1 )−1 = M D−1 M −1 = M D−1 M.
Logo N = N −1 = M . Finalmente,
 
1/3 0 0
E = D−1 =  0 1/6 0 .
0 0 −1/2

 
1 4 1
1
B =  4 1 1 .
3
1 1 4
Encontre P ortogonal e D diagonaltais que B = P DP t .
Resposta: Isto significa que P é uma matriz ortogonal cujos vetores são
autovetores de B.
Calculando o polinômio caracterı́stico e fazendo os cálculos temos que os
autovalores de B são 2, 1 e −1.
Resolvendo sistemas lineares obtemos que ~u = (1, 1, 1) é um autovetor as-
sociado a 2, ~v = (−1, 1, 0) é é um autovetor associado a −1, e w
~ = (1, 1, −2) é
um autovetor associado a 1. Também vemos que estes vetores são ortogonais.
Normalizando obtemos uma base ortonormal de autovetores.
Portanto,
   √ √ √ 
2 0 0 1/√3 1/√6 −1/√ 2
D =  0 1 0  P =  1/√3 1/ √6 1/ 2  .
0 0 −1 1/ 3 −2/ 6 0
Observe que como P é ortogonal P −1 é sua transposta.
2 Matrizes simétricas
Na seção precedente, vimos exemplos de transformações lineares diagona-
lizáveis onde o processo de diagonalização pode ser feito usando matrizes
5
ortogonais. Chamaremos a este tipo de matrizes ortogonalmente diagona-
lizáveis.
A propriedade anterior (ser ortogonalmente diagonalizável) é equivalente
a existência de uma base ortogonal de autovetores. Veja primeiro que se
M = P DP −1 ,
onde D é uma matriz diagonal, então as colunas de P são autovetores de M .

De fato, se    
a d g λ 0 0
P = b e h  e D= 0 σ 0 
c f i 0 0 ρ
temose que (a, b, c) é um autovetor associado a λ, (d, e, f ) é um autovetor
associado a σ, e (g, h, i) é um autovetor associado a ρ. Verificaremos está
afirmação com o vetor (a, b, c), observe que como P (i) = (a, b, c) então se
verifica P −1 (a, b, c) = i. Também temos, D(i) = λ i. Portanto
P DP −1 (a, b, c) = P D(i) = P (λ i) = λP (i) = λ (a, b, c).
A seguir veremos novos exemplos desta situação.

Uma matriz M é dita simétrica se M = M t .
Propriedade fundamental das matrizes simétricas: Uma matriz M
quadrada é simétrica se, e somemente se, possui uma base ortogonal de au-
tovetores. Portanto, é ortogonalmente diagonalizável.
Conseqüência: As matrizes das projeções ortogonais e de espelhamentos na
base canônica são matrizes simétricas. A propriedade também implica que
matrizes de rotações não são matrizes simétricas.
Veremos a propriedade fundamental anterior para matrizes 2 × 2. Divi-
diremos a prova em diferentes passos.
Propriedade 2.1. Uma matriz simétrica possui autovalores reais e é diago-

nalizável.
Prova: Considere a matriz simétrica

a b
M= .
b c
6
O polinômio caracterı́stico de M é
p(λ) = λ2 − (a + c)λ + (ac − b2 ),
e suas raı́zes são
p √
(a + c) ± (a + c)2 − 4ac + 4b2 (a + c) ± a2 + c2 − 2ac + 4b2
= =
2 p 2
a + c ± (a − c)2 + 4b2
= .
2
Como o radicando é positivo, o polinômio tem duas raı́zes reais.
Observe que, se as duas raı́zes são iguais, o radicando deve ser nulo, ou
seja, necessariamente b = 0 a a = c. Neste caso, já temos que a matriz M
é diagonal. No outro caso, existem dois autovalores distintos, portanto seus
autovetores são linearmente independentes e M é diagonalizável.
Propriedade 2.2. Dados dois vetores u = (x, y) e v = (z, w) se verifica

M (u) · v = u · M (v).
Prova: Temos,
M (u) = (ax + by, bx + cy) e M (v) = (az + bw, bz + cw).
Logo
M (u) · v = (ax + by, bx + cy) · (z, w) = axz + byz + bxw + cyw,
M (v) · u = (az + bw, bz + cw) · (x, y) = azx + bwx + bzy + cwy.
O que implica nossa afirmação.
Propriedade 2.3. Autovetores associados a autovalores distintos são orto-

gonais.
Prova: A propriedade decorre automaticamente da Propriedade 2.2. Su-

ponha que
M (u) = λ u e M (v) = σ v,
onde u e v são vetores não nulos e σ 6= λ. Pela propriedade anterior,
λ (u · v) = λu · v = M (u) · v = u · M (v) = σu · v = σ (u · v).
Como λ 6= σ necessariamente temos u · v = 0.
7
 
4 2 2
M =  2 4 2 .
2 2 4
Sabendo que 2 é um autovalor de multiplicidade dois de M , encontre uma

matriz ortogonal que diagonalize a matriz.
Prova: Usando o traço da matriz M temos que o outro autovalor σ de M

verifica
2 + 2 + σ = 4 + 4 + 4, σ = 8.
Um autovetor associado a 8 é (1, 1, 1). Afirmamos que todo vetor não
nulo de x + y + z = 0 é um autovetor associado a 2.
Para isto, observe que pelas propriedades já vistas, todo autovetor asso-
ciado a 2 está em π (pois é ortogonal a (1, 1, 1)). Como M é diagonalizável
existem dois autovetores l.i. associados a 2 (os dois em π). Logo estes auto-
vetores geram π. E como os autovalores associados são iguais, M (w) = 2w
para todo vetor w de π.
Uma base ortonormal de autovetores de M é
√ √ √ √ √ √ √ √
β = {(1/ 3, 1/ 3, 1/ 3), (1/ 2, −1/ 2, 0)(1/ 6, 1/ 6, −2/ 6)}
A matriz de M na base β é
 
8 0 0
D =  0 1 0 .
0 0 1
Finalmente,
 √ √ √ 
1/√3 1/ √2 1/√6
M = P DP t , P =  1/√3 −1/ 2 1/ √6  .
1/ 3 0 −2/ 6
8
2.1 Comentários e exemplos
Observe que o produto de matrizes ortogonais M e N é uma nova matriz
ortogonal. Para ver isto, mais uma vez, não é necessário fazer cálculos,
somente é necessário lembrar que uma transformação linear é ortogonal se,
somente se, preserva o produto escalar (isto é, módulos e ângulos). Dados
dois vetores u e v veja que
(M N )(u) · (M N )(v) = M (N (u)) · M (N (v)),
como M e N são ortogonais (preservam o produto escalar),
M (N (u)) · M (N (v)) = N (u) · N (v) = u · v,
terminando a prova.
Por outra parte, o produto de duas matrizes simétricas não é necessaria-
mente uma matriz simétrica. Por exemplo,

1 2 1 0 1 6
=
2 3 0 3 2 9
que não é simétrica.

V. pode conferir que o quadrado de uma matriz simétrica é simétrica. Ob-
serve que não é necessário fazer nenhum cálculo: ser A simétrica é equivalente
a existir uma base de autovetores ortogonal. Observe que todo autovetor de
A também é autovetor de A2 : se v é um autovetor de A associado a λ então
v é um autovetor de A2 associado a λ2 , pois
A2 (v) = A(A(v)) = A(λv) = λA(v) = λλv = λ2 v.
Portanto, a base ortogonal de autovetores de A também é uma base de au-

tovetores de A2 , e A2 é simétrica.
Observe A2 pode ser simétrica e A não ser simétrica. Por exemplo,

0 1
A=
−1 0
não é simétrica, mas A2 = −Id é simétrica.
9
1. Matrizes 2 × 2 ortogonais e simétricas.
2. Projeções ortogonais.
3. Matrizes ortogonais e simétricas 3 × 3.
Roteiro
1 Matrizes simultaneamente ortogonais e si-

métricas 2 × 2
Propriedade 1.1. Considere uma matriz (2 × 2) M ortogonal e simétrica.
Existem três possibilidades: M = Id, M = −Id ou M representa (na base
canônica) um espelhamento.
Prova: Considere M uma matriz 2 × 2 ortogonal e simétrica. Como M é

simétrica seus autovalores são reais, e como é ortogonal seus autovalores são
1 e/ou −1. Portanto, existem três possibilidades para os autovalores:
1. 1 de multiplicidade dois;
2. 1 e −1 (simples),
3. (−1) de multiplicidade dois.
Em cada caso, obtemos as seguintes formas diagonais D de M :
1. 1 de multiplicidade dois
1 0
;
0 1
2. 1 e −1 (simples),
1 0 −1 0
, ;
0 −1 0 1
1
3. (−1) de multiplicidade dois.

−1 0
.
0 −1
Como M é simétrica podemos escrever M

−1 a1 b 1
M = P DP , P = ,
a2 b 2
onde P é uma matriz ortogonal (portanto, P −1 = P t ).

Se D = Id temos
M = P D P −1 = P Id P −1 = P P −1 = Id.
Se D = −Id temos
M = P D P −1 = P (−Id) P −1 = −P P −1 = −Id.
Falta considerar o caso (2) (os autovalores são 1 e −1). Escolhemos

1 0
D=
0 −1
e observamos que os vetores coluna de P são os autovetores de M associados

a 1 e −1 Como estes vetores são ortogonais, M representa o espelhamento
na reta de vetor diretos (a1 , a2 ), o autovetor associado a 1.
Observação 1. Da prova da Proposição 1.1 obtemos que se uma matriz

(2 × 2) M representa (na base canônica) um espelhamento então

1 0 −1 1 0
M =P P =P P t,
0 −1 0 −1
onde P é ortogonal. Assim M é o produto de três matrizes ortogonais e

é ortogonal. Seu determinante é o produto dos determinantes. Como P é
ortogonal, det(P ) = ±1. Assim obtemos que

1 0 1 0
det M = det(P ) det(P t ) = det(P )2
0 −1 = 1.

0 −1
Portanto, a matriz M tem determinante −1.
2
De fato, é possivel obter um pouco mais:
Propriedade 1.2. Uma matriz (2 × 2) M representa (na base canônica) um

espelhamento se, e somente se, é ortogonal e simétrica e tem determinante
−1.
Prova: Acabamos de ver que se uma matriz M representa um espelhamento

ela é ortogonal e tem determinante −1. Falta ver que ela é simétrica. Para
isto é suficiente observar que possui uma base ortogonal de autovetores: um
vetor diretor da reta de espelhamento (correspondente ao autovalor 1) e seu
vetor normal (correspondente ao autovalor −1).
Vejamos o recı́proco. Observe que se M é simétrica então tem autovalores
reais λ e σ. Como é ortogonal, os autovalores são necessariamente ±1. Como
o determinante é −1 a única possibilidade é que os autovalores sejam 1 e −1.
Sejam u e v os autovetores associados a 1 e −1. Como M é simétrica,
u e v são ortogonais. Assim a matriz M representa o espelhamento na reta
paralela a u que contém a origem.
O raciocı́nio anterior também fornece o seguinte resultado:
Propriedade 1.3. A matriz (2 × 2) M representa (na base canônica) um

espelhamento se, e somente se, é ortogonal, simétrica e tem traço 0.
Em outras palavras, uma matriz 2 × 2 ortogonal e simétrica tem deter-

minante −1 se, e somente se, seu traço é 0.
Observe que há matrizes ortogonais cujo traço é zero que não representam
espelhamentos: as rotações de ângulo π/2 e (3π)/2 radianos. Neste caso, o
determinante é 1.
Observe que uma matriz ortogonal e simétrica de determinante 1 é a
identidade ou menos a identidade (no primeiro caso o traço é 2 e no segundo
−2). Suponha, por exemplo que o determinante é 1. Então os autovalores
são 1 de multiplicidade dois ou (−1) de multiplicidade 2. No primeiro caso
temos
M = P IdP −1 = P P −1 = Id.
Complete v. o segundo caso.
Exercı́cio 1. Seja M uma matriz 2 × 2 ortogonal é simétrica tal que M 2 =

M . Determine M .
3
Resposta: Se M é ortogonal e simétrica existem três possibilidades: M
representa um espelhamento, a identidade ou menos a identidade. Nos casos
primeiro e último, M 2 = Id 6= M . Logo, a única possibilidade é M ser a
identidade.
2 Projeções ortogonais
Aproveitamos para, no caso 2 × 2, caracterizar as projeções ortogonais.
Propriedade 2.1. Seja M uma matriz 2 × 2. A matriz M representa (na

base canônica) uma projeção ortogonal se, e somente se, é simétrica, tem
determinante 0 e traço 1.
Prova: Observe que se M representa uma projeção ortogonal então é

simétrica (possui uma base ortogonal de autovetores). Como os autovalores
são 0 e 1, obtemos que o traço é 1 e o determinante é zero.
Para o recı́proco, observe que se M é simétrica, tem autovalores reais λ
e σ. Como o determinante é zero, um autovalor é nulo, por exemplo σ = 0.
Como o traço é 1, λ = 1. Sejam u e v os autovetores associados a 1 e 0. Como
M é simétrica, u e v são ortogonais. Conclusão: M representa a projeção
ortogonal na reta paralela a u que contém a origem.
Exemplo 1. A matriz M ,

1/2 1/2
M=
1/2 1/2
representa a projeção ortogonal na reta (t, t), t ∈ R.
3 Matrizes simultaneamente ortogonais e si-

métricas 3 × 3.
Considere M uma matriz 3 × 3 ortogonal e simétrica. Como é simétrica
seus autovalores são reais, e como é ortogonal seus autovaloressão 1 e/ou −1.
Existem quatro possibilidades para os autovalores:
1. 1 de multiplicidade três;
4
2. 1 de multiplicidade dois e −1 simples,
3. 1 simples e (−1) de multiplicidade dois; e
4. (−1) de multiplicidade três.

Em cada caso, obtemos as seguintes formas diagonais de M :
1. 1 de multiplicidade três  
1 0 0
0 1 0 ;
0 0 1
2. 1 de multiplicidade dois e −1 simples,

     
1 0 0 1 0 0 −1 0 0
0 1 0  , 0 −1 0 ,  0 1 0 ;
0 0 −1 0 0 1 0 0 1
3. 1 simples e (−1) de multiplicidade dois,

     
−1 0 0 −1 0 0 1 0 0
 0 −1 0 ,  0 1 0  , 0 −1 0  ;
0 0 1 0 0 −1 0 0 −1
4. (−1) de multiplicidade três,

 
−1 0 0
 0 −1 0  .
0 0 −1
Como a matriz M é simétrica podemos escrever M

 
a1 b 1 c1
M = P D P −1 , P =  a2 b 2 c2  ,
a3 b 3 c3
onde P é uma matriz ortogonal (portanto, P −1 = P t ) e são autovetores de

M . Escrevemos
a = (a1 , a2 , a3 ), b = (b1 , b2 , b3 ), c = (c1 , c2 , c3 ).
5
Observamos que como {a, b, c} é uma base ortonormal (pois P é uma matriz
ortogonal) temos a × b = ±c.
Como no caso das matrizes 2 × 2, de D = Id então M é a identidade e
se D = −Id então M = −Id. Portanto, excluidas permutações na diagonal
faltam considerar dois casos para a forma diagonal de M :
   
1 0 0 −1 0 0
D1 = 0 1 0  e D2 =  0 −1 0 .
0 0 −1 0 0 1
Se escolhemos D1 temos
• a e b são autovetores associados a 1. Consideramos o plano vetorial

paralelo a a e b. Um vetor normal do plano π paralelo a e b é o vetor
a × b = ±c. Assim π : c1 x + c2 y + c3 z = 0. Observe que para todo
vetor w de π se verifica M (w) = w (justifique!).
• c é um autovetor cujo autovalor é −1.
Portanto, neste caso, M representa um espelhamento no plano π.

Finalmente, se escolhemos D2 temos
• a e b são autovetores associados a −1. Consideramos o plano vetorial

paralelo a a e b. Um vetor normal do plano π é o vetor a × b = ±c.
Assim π : c1 x + c2 y + c3 z = 0. Observe que para todo vetor w de π se
verifica M (w) = −w (justifique!).
• c é um autovetor cujo autovalor é 1.
Portanto, neste caso, M representa um espelhamento na reta (c1 t, c2 t, c3 t).

Podemos resumir os resultados acima como segue (no texto a seguir P é
uma matriz ortogonal):
1. 1 de multiplicidade três: neste caso M é a identidade e

 
1 0 0
M =P 0  1 0 P t .
0 0 1
Neste caso, o traço é 3 e o determinante 1.
6
2. 1 de multiplicidade dois e −1 simples: neste caso M representa um
espelhamento em um plano e é se escreve da forma
 
1 0 0
M = P 0 1 0  P t .
0 0 −1
Portanto, M tem traço 1 e determinante −1.
3. 1 simples e (−1) de multiplicidade dois: neste caso M representa um
espelhamento em uma reta e é se escreve da forma
 
−1 0 0
M = P  0 −1 0 P t .
0 0 1
Portanto, M tem traço −1 e determinante 1.
4. (−1) de multiplicidade três: neste caso M é a identidade e
 
−1 0 0
M = P  0 −1 0  P t .
0 0 −1
Neste caso, o traço é −3 e o determinante −1.
Observe que o traço determina completamente as matrizes simultaneamente
ortogonais e simétricas:
1. identidade (traço 3),
2. menos idedentidade (traço −3),
3. espelhamento em relação a um plano (traço 1), e
4. espelhamento em relação a uma reta (traço −1).
Exemplo 2. Seja M uma matriz 3×3 ortogonal e simétrica tal que M 2 = M .
Determine M . Faça o mesmo no caso M 3 = M quando o determinante de
M é 1.
Resposta: No primeiro caso a resposta é a identidade (nos outros casos
M 2 = Id 6= M ). No segundo caso pode ser a identidade ou um espelha-
mento com relação a uma reta. Complete os detalhes (faça uma lista das
possibilidades... e faça eliminações!).
7
1. Caracterização das matrizes simultaneamente ortogonais e simétricas.
2. Potência de uma matriz.
Roteiro
1 Caracterização das matrizes simultaneamente

ortogonais e simétricas
1.1 Matrizes 2 × 2
Proposição: Uma matriz M representa um espelhamento se, e somente se, é
ortogonal, simétrica e determinante −1.
Já sabemos que uma matriz de espelhamento é ortogonal, simétrica e tem
determinante −1. Vejamos o recı́proco.
Observe que se M é simétrica tem autovalores reais λ e σ. Como é ortogonal,
os autovalores são ±1. Como o determinante é −1, os autovalores são 1 e −1.
Sejam u e v os autovetores associados a 1 e −1. Finalmente, como M é simétrica,
u e v são ortogonais. Conclusão: M representa o espelhamento na reta paralela
a u que contém a origem.
O raciocı́nio anterior fornece o seguinte
Proposição: A matriz M representa um espelhamento se, e somente se, é
ortogonal, simétrica e tem traço 0.
Em outras palavras, uma matriz 2×2 ortogonal e simétrica tem determinante
−1 se, e somente se, seu traço é 0.
Observe que uma matriz ortogonal e simétrica de determinante 1 é a identi-
dade ou menos a identidade (no primeiro caso o traço é 2 e no segundo −2).
Suponha, por exemplo que o determinante é 1. Então os autovalores são 1
de multiplicidade dois ou (−1) de multiplicidade 2. Vejamos o primeiro caso,
teriamos
M = P IdP −1 = P P −1 = Id.
Exemplo: Seja M uma matriz 2 × 2 ortogonal é simétrica tal que M 2 = M .

Determine M .
Se M é ortogonal e simétrica existem três possibilidades: M representa um
espelhamento, a identidade ou menos a identidade. Nos primeiro e no último
caso, M 2 = Id 6= M . Logo a única possibilidade é M ser a identidade.
1
1.1.1 Projeções ortogonais
Aproveitamos para, no caso 2 × 2, caracterizar as projeções ortogonais.
Proposição: Uma matriz, M 2 × 2, representa uma projeção ortogonal se, e
somente se, é simétrica, tem determinante 0 e traço 1.
Observe que se M é simétrica tem autovalores reais λ e σ. Como o determi-
nante é zero, um autovalor é nulo, por exemplo σ = 0. Como o traço é 1, λ = 1.
Sejam u e v os autovetores associados a 1 e 0. Como M é simétrica, u e v são
ortogonais. Conclusão: M representa a projeção ortogonal na reta paralela a u
que contem a origem.
Exemplo: A matriz M ,
1/2 1/2
M=
1/2 1/2
representa a projeção ortogonal na reta (t, t), t ∈ R.
1.2 Matrizes 3 × 3.
Considere M uma matriz ortogonal e simétrica. Os autovalores de M são 1 e/ou
−1.
Suponha que o determinante é 1. Existem as seguintes possibilidades:
• traço 3: é a identidade,
• traço 1: é um espelhamento respeito a uma reta.
Como no exemplo visto acima, temos que se o traço é 3 então M = P IdP −1 =
Id.
Vejamos o segundo caso. Como é simétrica tem autovalores reais. Como é
ortogonal são 1 ou −1. Como o determinante é 1 há duas possibilidades: 1 com
multiplicidade 3 (traço 3 e é a identidade), ou 1 com multiplicidade 1 e −1 com
multiplicidade 2 (traço −1). Em tal caso temos um espelhamento respeito a
reta que contém a origem paralela a autovetor associado a 1.
Considere M uma matriz ortogonal e simétrica. Suponha que o determinante
é −1.
Existem as seguintes possibilidades:
• traço −3: é menos identidade,
• traço 1: é um espelhamento respeito a um plano.
Como é simétrica tem autovalores reais. Como é ortogonal são 1 ou −1.
Como o determinante é −1 há duas possibilidades: −1 com multiplicidade 3
(traço −3 e é menos a identidade), ou −1 com multiplicidade 1 e 1 com mul-
tiplicidade 2 (traço 1). Em tal caso temos um espelhamento respeito ao plano
que contém a origem e é normal ao autovetor associado a −1.
Exemplo: Seja M uma matriz 3 × 3 ortogonal é simétrica tal que M 2 = M .
Determine M . Faça o mesmo no caso M 3 = M e seu determinante é 1.
2
No primeiro caso a resposta é a identidade. No segundo caso pode ser a
identidade ou um espelhamento respeito a uma reta.
2 Potência de uma matriz

Nesta seção explicaremos como calcular a potência n-ésima de uma matriz di-
agonalizável.
Primeiro observe que
 k  k 
a1 0 . . . 0 a1 0 . . . 0
 0 a2 . . . 0   0 ak2 . . . 0 
D= . ..  =  .. .
   
.. . . .. .. ..
 .. . . .   . . . . 
0 0 . . . an 0 0 ... akn
Portanto, se A é diagonalizável e D é sua forma diagonal, temos
A2 = AA = (P DP −1 )(P DP −1 ) = P D2 P −1 .
Onde calcular D2 é muito simples.
Em geral, e indutivamente,
An = P Dn P −1 .
Exemplo: Calcular A10 onde

 
0 0 −2
A= 1 2 1 .
1 0 3
Observe que A é diagonalizável, com forma diagonal
 
2 0 0
D= 0 2 0 .
0 0 1
Também,
   
−1 0 −2 1 0 −2
P = 0 1 1 , P −1 = 1 1 1 .
1 0 1 −1 0 −1
Portanto,
210
 
0 0
A10 =P 0 210 0  P −1 .
0 0 1
Exemplo: Considere as matrizes

0 1 1 3
E= A=
−1 0 3 1
Defina a matriz C = E A E.
3
• Calcule E 2 .
• Encontre a forma diagonal de A.
• Calcule C 15 .
Resposta: Temos

0 1 0 1 −1 0
E2 = E E = = .
−1 0 −1 0 0 −1
Como a matriz A é simétrica é diagonalizável. Escreveremos A = B D B −1 ,
onde D é diagonal e B ortogonal. Calculemos agora D e B.
O polinômio caraterı́stico de A é
p(λ) = λ2 − 2λ − 8
e seus autovalores são 4 e −2.
A forma diagonal de A é

4 0
D= .
0 −2
A matriz B terá por colunas autovetores (unitários) de A l.i.. O autovetor
u =√ (x, y)√ associado a 3 verifica −3x + 3y = 0, x = y, u = (1, 1) ou v =
(1/ 2, 1/
√ 2) já√normalizado. O outro autovetor será perpendicular, ou seja
w = (1/ 2, −1/ 2). A matriz B é
√ √
1/√2 1/ √2
B= .
1/ 2 −1/ 2
Finalmente para calcular C 15 observavos que B = B t = B −1 escrevemos
C 2 = (E B D B −1 E) (E B D B E) = E B D B −1 (−I) B D B E = −E B D2 B E.
Também temos
C 3 = −(E B D2 B −1 E) (E B D B E) = −E B D2 B −1 (−I) B D B E = E B D3 B E.
Finalmente,
C 4 = (E B D3 B −1 E) (E B D B E = E B D3 B −1 (−I) B D B E = −(E B D4 B E).
Portanto, temos que
C 2k = −E B D2k B −1 E, C 2k+1 = E B D2k+1 B −1 E
Logo,
B 15 = E B D15 B −1 E.
Portanto,
√ √ 15 √ √
1/ √2 −1/√2 4 0 −1/√ 2 1/√2
C 15 = ,
−1/ 2 −1/ 2 0 (−2)15 1/ 2 1/ 2
onde a primera e a última matriz correspondem aos produtos E B e B E.

Revisão Álgebra Linear

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Revisão Álgebra Linear

Enviado por

Direitos autorais:

Formatos disponíveis

Álgebra Linear I - Aula 1

1. Resolução de Sistemas Lineares.

2. Métodos de substituição e escalonamento.

1 Resolução de Sistemas Lineares

é uma equação linear com n incógnitas.

Em geral (eliminando os casos triviais, quais?) uma equação linear tem

• Com solução única (determinado):

• Com infinitas soluções (indeterminado):

Mostraremos dois métodos de resolução de sistemas: método de substi-

1.1 Método de substituição

Exemplo 1. Resolva o sistema x + y = 2, x − y = 1.

Lembre sempre de verificar que o resultado está certo!

Exemplo 2. Resolva o sistema linear de duas equaçẽs

Exemplo 3. Resolva o sistema linear

Resposta: Da segunda equação, temos x = 2 + y, e substituindo na

Observe que estamos escolhendo y = t como parâmetro. Logo, para cada

Observamos que poderiamos ter escolhido outra variável como parâmetro.

Exemplo 5. Determine k para que o sistema o linear

tenha solução. Estude se em tal caso o sistema é determinado ou indetermi-

Resposta: Da primeira equação obtemos x = 1 − y. Substituindo na

• substituimos a terceira equação pela terceira equação menos a primeira.

Portanto, z = 2. Da segunda equação, temos, y = −1 e finalmente x = 1.

Resposta: Eliminaremos a variável x da segunda e da terceira equações.

Logo, a solução é da forma:

Portanto, o sistema é indeterminado (existem infinitas soluções). ¤

Exemplo 7. Resolva o sistema linear,

Resposta: Eliminaremos x da segunda e da terceira equações (segunda

Ao eliminar y da terceira equação temos,

Figure 1: Retas paralelas aos eixos

Figure 2: Planos paralelos aos eixos

Exemplo 8. Seja P um paralelepı́pedo com faces paralelas aos planos coorde-

1.1 Operações com vetores

• soma (lei do paralelogramo): u + v = (u1 + v1 , u2 + v2 , u3 + v3 ),

• subtração ou diferença (lei do paralelogramo): u − v = (u1 −

• multiplicação pelo escalar λ ∈ R: λ u = (λ u1 , λ u2 , λ u3 ),

• vetor nulo: 0̄ = (0, 0, 0),

• produto escalar (ou produto interno): u · v = u1 v1 + u2 v2 + u3 v3

Figura 1: Lei do paralelogramo

Exemplo 1. Considere o paralelogramo que tem como vértices os pontos A =

Figura 2: Os paralelogramos de vêrtices A, B, C e D

Resposta: Seja X = (x1 , x2 , x3 ) o quarto vértice do paralelogramo. Pela

Portanto, como os dois vetores são iguais as coordenadas devem coincidir:

Concluimos assim o exemplo. ¤

Exercı́cio 1. Encontre as coordenadas do vetor v̄ de extremos inicial A =

Exercı́cio 3. Considere os vetores u = (−3, 1, 2), v = (4, 0, 8) e w =

Para obter esta fórmula considere o triângulo retângulo ∆ de vértices A,

Distância entre dois pontos em R3 : Dados dois pontos, A = (a, b, c) e

Exemplo 2. A circunferência de raio r e centro P = (a, b) (conjunto dos

Figura 4: Lugar geométrico

Por definição, um ponto X = (x, y, z) que pertence a L deve verificar,

Geometricamente a fórmula significa que o módulo do vetor ū é o compri-

Temos as seguintes propriedades do módulo de um vetor:

• ||u|| = 0 se, e somente se, u = 0,

||u + v|| ≤ ||u|| + ||v||.

A interpretação geométrica da desigualdade é a seguinte: dado um

• λ ∈ R, ||λ v|| = |λ| ||v||.

As provas da primeira e da terceira propriedades são simples e ficam

(||u + v||)2 = (u + v) · (u + v) ≤ (||u|| + ||v||)2 = ||u||2 + ||v||2 + 2 ||u|| ||v||.

Desenvolvendo o primeiro membro da desigualdade temos:

(||u|| + ||v||)2 = ||u||2 + ||v||2 + 2 ||u|| ||v||.

Portanto, a desigualdade triangular é equivalente a:

||u||2 + ||v||2 + 2 u · v ≤ ||u||2 + ||v||2 + 2 ||u|| ||v||,

Não faremos a prova da desigualdade triangular no caso geral, apenas jus-