1.

Espaços Vectoriais

1.1 - Introdução.
Começamos por dar um exemplo para motivar o objectivo do curso.
Considere-se então o caso de uma pequena oficina de carpintaria que fabrica apenas dois
produtos, mesas e estantes, a partir de dois inputs, trabalho e madeira. Admita-se que para fabricar
uma mesa são necessárias duas unidades de trabalho e uma unidade de madeira enquanto para
fabricar uma estante são precisas uma unidade de trabalho e duas unidades de madeira. Estes
factos são resumidos na tabela abaixo:

Mesas Estantes Disponibilidades

Trabalho 2 1 4
Madeira 1 2 5

A última coluna indica as disponibilidades em trabalho e madeira para um certo periodo (por
exemplo, um dia).
O dono da carpintaria quer saber quantas mesas e estantes consegue fabricar com as
disponibilidades de trabalho e madeira que tem.
Claro que isto é um problema bem simples que qualquer aluno do ensino secundário consegue
resolver. Assim, se chamarmos x à quantidade de mesas fabricadas e y à quantidade de estantes
produzidas (e admitindo proporcionalidade, isto é, linearidade) a quantidade de trabalho gasta a
fazer mesas será 2x enquanto que a quantidade de trabalho gasto a fazer estantes será 1y. Como só
fabricamos mesas e estantes o trabalho total gasto será 2x  1y que terá que ser igual a 4, o trabalho
disponível, obtendo-se a equação 2x  1y  4. Raciocinando de uma forma semelhante sobre o
outro factor de produção, a madeira, chegariamos à equação 1x  2y  5.
Temos portanto o seguinte sistema de equações:
2x  1y  4
1x  2y  5
Cuja solução é x  1 e y  2.
O problema é que, raramente, uma empresa fabrica só 2 produtos a partir de 2 factores de
produção! Mas se tivéssemos 15 produtos e 20 factores de produção o modelo seria essencialmente
o mesmo, só que com 15 variáveis e 20 equações.
Assim o propósito central (mas não o único!) deste curso de Álgebra Linear (muito
elementar...) será aprender a resolver sistemas de equações lineares com um número arbitrário
(mas finito!) de equações e variáveis. Para isso regressemos ao nosso pequeno exemplo para
desenvolver uma ”estratégia”.
Repare que o primeiro membro do sistema envolve as variáveis (x e y) e os números que
representam o modo (tecnologia) de fabrico das mesas e estantes enquanto o segundo membro diz
respeito às disponibilidades. Podemos resumir essa informação nos quadros seguintes:

2 1 x
O quadro da tecnologia o quadro das variáveis , e o quadro das
1 2 y

1
 4
disponibilidades .
5

Claro que, se o problema tivesse mais equações e variáveis, estes quadros seriam semelhantes
só que de maiores dimensões. Repare que o primeiro membro do sistema ”mistura” (usarei o sinal
⊗ para designar essa ”mistura”) o quadro da tecnologia com o das variáveis e o seu resultado é o
quadro das disponibilidades. Simbolicamente posso escrever:

2 1 x 4
⊗ 
1 2 y 5

Se a ”mistura” (⊗) designasse uma multiplicação para a qual existisse uma correspondende
divisão (⊘) o resultado do sistema seria:

x 4 2 1
 ⊘
y 5 1 2

Claro que nada disto faz sentido por enquanto mas deixa antever a estratégia para resolver
sistemas de tamanho arbitrário.
Vamos ser levados a introduzir novos objectos matemáticos (estes quadros cheios de números)
e definir operações entre eles para dar sentido a coisas como ⊗ e ⊘ e assim resolver sistemas de
equações lineares.
Há 2 tipos de objectos que vamos ser levados a estudar:
2 1
Objectos do tipo , ”quadros cheios de números”, a que chamaremos Matrizes e
1 2
estudaremos mais tarde.
4
Objectos do tipo , ”números em fila”, a que chamaremos vectores (por analogia com as
5
coordenadas de um vector no plano) cujo estudo iniciamos a seguir.

2
 1.2 - Espaços vectoriais reais : definições.
4
Comecemos então a olhar para os objectos do tipo . São pares ordenados de números
5
reais que podem ser pensados como coordenadas de um vector (ponto) no plano, por isso
designaremos o conjunto de todos eles por  2 , ou seja o produto cartesiano de  por si próprio.
Agora, se definirmos a sua soma, como é usual, componente a componente, isto é
4 6 46
  , e o seu produto por números reais multiplicando cada
5 7 57
4 10  4
componente por esse número, ou seja 10   , verificamos que não saimos
5 10  5
de  2 por efectuar estas operações. Dizemos então que este conjunto de objectos,  2 , é fechado
para a soma e para a multiplicação por escalares e por isso dizemos que  2 é um espaço
vectorial real.

É fácil de ver que se, em vez de ”2 números em fila”, tivessemos considerado ”n números em
fila” , isto é, objectos do tipo  x 1 x 2 … x n  (para já tanto faz dispor os números em linha
como em coluna), obteriamos algo de semelhante a que chamaremos o espaço vectorial real  n
que vai ser o objecto central do nosso estudo nesta fase.

Comecemos então por dar uma definição mais ”formal”:

Definição 1.2.1: Um conjunto V de objectos fechado para a soma e para a multiplicação

por reais diz-se um espaço vectorial real. (Nota: a partir de agora omitiremos a palavra real
que fica subentendida)

Claro que esta definição omite esclarecer o que é a soma de objectos de V bem como a sua
multiplicação por reais. Pode consultar a bibliografia recomendada para ver definições mais
precisas.
No âmbito deste curso elementar suporemos que estas operações, soma de objectos de V e sua
multiplicação por reais, estão ”bem definidas” pelo contexto, tal como nos casos de  2 e  n . No
entanto convém chamar a atenção para os seguintes factos:
(1) A soma tem um elemento neutro, 0̄ ∈ V, a que chamamos o vector nulo. Por exemplo, o
vector nulo de  n é  0 0 … 0 , ou seja n zeros ”em fila”.
(2) x  0̄  0̄  x  x para todo o x ∈ V.
(3) x  −1  x  −1  x  x  0̄ para todo o x ∈ V.
Podemos agora estender a definição de soma de vectores para somar ”por grosso” conjuntos de
vectores:

Definição 1.2.2: Dados A e B, sub-conjuntos de um espaço vectorial V, a soma do conjunto

A com o conjunto B, que se escreve A  B, é definida por: A  B  x  a  b : a ∈ A, b ∈ B.

Por exemplo, se tivermos A  1, 2 e B  6, 7 vem

A  B  1  6, 1  7, 2  6, 2  7  7, 8, 9.
Um exemplo geométrico, em  2 , é ilustrado na figura seguinte: Nela

3
A  x, 0 : 1/2 ≤ x ≤ 3/2 (isto é, um segmento no eixo dos xx) e B é o conjunto singular
B  0, 1.

A+B
B

x
A

Voltemos agora aos espaços vectoriais.

Claro que existem outras familias de objectos matemáticos que são espaços vectoriais. Alguns
exemplos:
(1) Os polinómios de grau igual ou inferior a k, que designo por ℘ k .
(2) As funções deriváveis, que designo por C 1 .
(3) As funções continuas, que designo por C 0 .
Repare que ℘ k ⊂ C 1 ⊂ C 0 , isto é, existem espaços vectoriais que ”vivem” dentro de outros
espaços vectoriais.
Em  2 os vectores da forma x, 0, o eixo dos xx, são um espaço vectorial dentro de  2 . Por
sua vez o conjunto singular formado apenas pela origem 0̄  0, 0 é um espaço vectorial dentro
do eixo dos xx. Estes factos ”pedem” uma definição:

Definição 1.2.3: Um sub-espaço de um espaço vectorial V é um sub-conjunto S ⊂ V que é

ele próprio um espaço vectorial.

É fácil verificar (faça como exercício) que os sub-espaços de  2 são a origem e as rectas que
passam pela origem.
Em  3 os sub-espaços são a origem, as rectas que passam pela origem e os planos que passam
na origem.
Vamos agora ver alguns factos sobre os sub-espaços de um espaço vectorial V.

Teorema 1.2.4: Todos os sub-espaços de um espaço vectorial V contêm o vector nulo 0̄ .

Prova: x ∈ S  −x ∈ S  x  −x  0̄ ∈ S 

Teorema 1.2.5: O conjunto singular formado pelo vector nulo, 0̄ , é sub-espaço de
qualquer espaço vectorial.
Prova: Óbvio 

Teorema 1.2.6: Se S 1 e S 2 são sub-espaços de V então S 1 ∩ S 2 também o é.

Prova: Temos que mostrar que S 1 ∩ S 2 é fechado para a soma e para a multiplicação por reais.
Comecemos por ver que é fechado para a soma. Tomemos x, y ∈ S 1 ∩ S 2 .
x ∈ S1 ∩ S2  x ∈ S1 e x ∈ S2.
y ∈ S1 ∩ S2  y ∈ S1 e y ∈ S2.
Mas x ∈ S 1 e y ∈ S 1  x  y ∈ S 1 porque S 1 é sub-espaço de V
Do mesmo modo x ∈ S 2 e y ∈ S 2  x  y ∈ S 2 porque S 2 é sub-espaço de V. Logo
x  y ∈ S1 ∩ S2.

4
 Agora vejamos a multiplicação por reais: x ∈ S 1 ∩ S 2  x ∈ S 1 e x ∈ S 2  x ∈ S 1 e
x ∈ S 2 , com  ∈ , pois S 1 e S 2 são sub-espaços de V. Logo x ∈ S 1 ∩ S 2 

5
 1.3 - Independência Linear. Bases.
Tudo o que sabemos fazer em espaços vectoriais resume-se (até agora) a somar vectores e a
multiplicar vectores por constantes. Isto ”pede” uma definição:

Definição 1.3.1: Dado um espaço vectorial V e x, y ∈ V, chamamos combinação linear de x

com y a todo o vector da forma x  y, com  e  números reais.

Por exemplo 10  1, 2  20  3, 4  70, 100 é uma combinação linear do vector 1, 2
com o vector 3, 4 de  2 .
Se agora tomarmos dois vectores de  3 , 1, 0, 0 e 0, 1, 0, e fizermos todas as combinações
lineares possíveis desses vectores obtemos   1, 0, 0    0, 1, 0  , , 0 que é o plano
XOY de  3 , e portanto um sub-espaço. Isto não é uma coincidencia. Com efeito temos o seguinte:

Teorema 1.3.2: O conjunto de todas as combinações lineares dos vectores x e y de V

formam um sub-espaço de V chamado sub-espaço gerado por x e y e designado por Spanx, y.
Prova: Temos que mostrar que Spanx, y é fechado para a soma e para a multiplicação por
escalares.
Vejamos primeiro o caso da soma:
p ∈ Spanx, y  p  x  y.
q ∈ Spanx, y  q  x  y .
Logo p  q    x    y  p  q ∈ Spanx, y.
Agora o caso da multiplicação por escalares:
p ∈ Spanx, y  p  x  y  p  x  y  p ∈ Spanx, y. 

Observe ainda que tudo o que dissemos para o sub-espaço gerado por dois vectores continua
válido para o sub-espaço gerado por um número qualquer (finito) de vectores.
Repare agora que dado um conjunto de vectores por vezes, como no caso do conjunto
1, 0, 0, 1, 1, 1, há vectores que se podem exprimir como combinação linear de outros
1, 1  1, 0  0, 1.
Noutros casos, como no seguinte conjunto de vectores (agora em  3 )
1, 0, 0, 0, 1, 0, 0, 0, 1, isso é impossivel. Digamos que no primeiro caso há ”excesso de
informação”.
Vamos distinguir estas duas situações com a seguinte definição de importancia capital em
Álgebra Linear:

Definição 1.3.3: O conjunto de vectores x 1 , x 2 , . . . , x n  diz-se linearmente dependente se

existem números reais  1 ,  2 , . . . ,  n , não todos nulos, tais que  1 x 1   2 x 2 . . .  n x n  0̄ . Se
tais números não existem então o conjunto x 1 , x 2 , . . . , x n  diz-se linearmente independente.

Note que no primeiro exemplo atrás o conjunto 1, 0, 0, 1, 1, 1 é linearmente dependente
pois 1  1, 1  −1  1, 0  −1  0, 1  0, 0. No segundo exemplo o conjunto
1, 0, 0, 0, 1, 0, 0, 0, 1 é linearmente independente.
Por vezes, por abuso de linguagem, atribuimos a qualificação de linearmente dependente (ou
independente) aos vectores do conjunto e não ao conjunto ele próprio. Isto é diremos, por abuso
de linguagem, que os vectores 1, 0, 0, 1, 1, 1 são linearmente dependentes em vez de dizer que
o conjunto 1, 0, 0, 1, 1, 1 é linearmente dependente. Não vem grande mal ao mundo deste
abuso de linguagem, desde que se saiba do que se está a falar!
Repare que o vector nulo 0̄ não pode, evidentemente, pertencer a nenhum conjunto de vectores

6
linearmente independente. Passamos agora a ver dois factos menos óbvios mas importantes sobre a
dependência e independência linear de conjuntos de vectores:

Teorema 1.3.4: Se um conjunto de vectores é linearmente dependente todos os seus

super-conjuntos (finitos) também o são.
Prova: Tome então um conjunto dependente D  x 1 , x 2 , . . . , x n  e um conjunto que o
contenha (super-conjunto) S  x 1 , x 2 , . . . , x n , x n1 , x n2 , . . . , x nk . Como D é dependente existem
números reais  1 ,  2 , . . . ,  n , não todos nulos, tais que  1 x 1   2 x 2 . . .  n x n  0̄ . Então S
também virá dependente pois  1 x 1   2 x 2 . . .  n x n  0x n1  0x n2 . . . 0x nk  0̄ . 

Teorema 1.3.5: Se um conjunto de vectores é linearmente independente todos os seus

sub-conjuntos (não vazios) também o são.
Prova: Suponha, por absurdo, que I  x 1 , x 2 , . . . , x n , x n1 , x n2 , . . . , x nk  é independente mas
que um seu sub-conjunto D  x 1 , x 2 , . . . , x n  é dependente. Ora isto não pode acontecer pois o
conjunto I (que contem D) , dado o resultado anterior, teria que ser também dependente. 

A noção de independência linear vai permitir escrever todos os vectores de um espaço vectorial
como combinações lineares de um número ”pequeno” de vectores do mesmo espaço.
Tomemos o caso de  2 e os vectores 1, 0 e 0, 1. Qualquer vector de  2 , , , pode-se
escrever como combinação linear dos anteriores ,   1, 0  0, 1.
Se tivessemos tomado os vectores 1, 0 , 0, 1 e 1, 1 isto também aconteceria mas, ao
contrário do exemplo anterior, haveria muitas maneiras de escrever ,  como combinação linear
dos 3 vectores, por exemplo ,   1, 0  0, 1  01, 1 e
,   01, 0   − 0, 1  1, 1.
Ora nós queremos eliminar o segundo caso e manter o primeiro em que a combinação linear é
única. Para isso vamos dar uma definição:

Definição 1.3.6: Uma Base de um espaço vectorial V é um conjunto B (finito, no âmbito

deste curso elementar) de vectores tal que:
(1) SpanB  V
(2) B é linearmente independente.

De acordo com a definição o conjunto B  1, 0, 0, 1 é uma base de  2 enquanto o
conjunto D  1, 0, 0, 1, 1, 1 não o é. Com efeito, embora SpanB  SpanD   2 , B é
independente mas D é dependente. A condição (2) vai garantir que

Teorema 1.3.7: Qualquer vector de um espaço vectorial escreve-se de uma maneira única
como combinação linear dos vectores de uma base B.
Prova: Seja B  x 1 , x 2 , . . . , x n  uma base de um espaço vectorial V e suponha, por absurdo,
que existe um vector w ∈ V que se escreve de duas maneiras distintas como combinação linear dos
vectores de B, por exemplo w   1 x 1   2 x 2 . . .  n x n e w   1 x 1   2 x 2 . . .  n x n . Subtraindo
membro a membro as duas igualdades anteriores obteriamos
0̄   1 −  1 x 1   2 −  2 x 2 . . .  n −  n x n .
Ora, como as duas maneiras de escrever w como combinação linear dos vectores de B são
supostas ser distintas pelo menos um dos números  1 −  1 ,  2 −  2 , . . . ,  n −  n  é diferente de
0, o que contraria a independência linear de B. 

Este facto dá origem à seguinte definição:

Definição 1.3.8: As coordenadas (por vezes utiliza-se também o termo componentes) de um

7
vector numa certa base são os coeficientes que é necessário utilizar para o escrever como
uma combinação linear única dos vectores dessa base.

Uma consequência disto é que, em bases diferentes o mesmo vector pode ter coordenadas
diferentes. A figura abaixo representa  2 e duas bases desse espaço vectorial, a base vermelha
a 1 , a 2  e a base verde b 1 , b 2 . O vector azul, w, escreve-se como combinação linear única dos
vectores da base vermelha como w  2a 1  2a 2 logo as suas coordenada na base vermelha são
2, 2. Na base verde w escreve-se w  −2b 1 − 2b 2 portanto as suas coordenadas nessa base são
−2, −2.

a2
w

b2 a1

b1

Isto implica que, quando damos as coordenadas de um vector, deveriamos especificar sempre a
que base se referem. Existem no entanto, em  2 ,  3 , . . . ,  n umas bases particulares que usaremos
mais frequentemente, as bases canónicas. A base canónica de  2 é 1, 0, 0, 1, a de  3 é
1, 0, 0, 0, 1, 0, 0, 0, 1 e a base canónida de  n é 1, 0, . . . , 0, 0, 1, 0, . . . , 0, . . . , 0, 0, . . . , 1.
Fica convencionado que, quando dermos as coordenadas de um vector de um destes espaços
vectoriais sem mencionar a base é porque nos estamos a referir à base canónica respectiva.
Repare agora que na figura acima as duas bases de  2 desenhadas, a base vemelha e a base
verde, têm algo em comum: são ambas constituidas por 2 vectores. Por mais que se esforce não vai
conseguir arranjar uma base de  2 com uma cardinalidade diferente. Isto não é uma coincidencia
particular. Com efeito temos o seguinte resultado:

Teorema 1.3.9: Todas as bases de um espaço vectorial V têm o mesmo número de

vectores. Essa cardinalidade comum designa-se por dimensão do espaço vectorial V, e
escreve-se dimV.
Prova: Comece por observar de novo a figura acima. Pense na base vermelha e no vector verde
b 1 . Será que b 1 pode substituir algum dos vectores da base vermelha continuando nós a ter uma
base? É fácil de ver que a 1 , b 1  é uma base mas b 1 , a 2  não. Isto é, b 1 não pode substituir a 1 .
Repare ainda que a componente de b 1 segundo a 1 é 0. Isto não é uma coincidencia.
Com efeito a prova do teorema baseia-se numa ”técnica” que permite substituir um vector de
uma base a 1 , a 2 , . . . , a n  por outro vector b   1 a 1   2 a 2 . . .  n a n desde que o vector da base
a substituir, a i , corresponda a um  i não nulo. Sem perda de generalidade suponha-se que vamos
substituir a n por b e que, portanto,  n ≠ 0.
Temos então que provar que o conjunto a 1 , a 2 , . . . , a n−1 , b é uma base. Começaremos por
provar a independência linear deste conjunto. Por absurdo admita-se a dependência. Teriamos
então  1 a 1   2 a 2 . . .  n−1 a n−1  b  0̄ com os números  1 ,  2 , . . . ,  n−1 ,  não todos nulos.
Observe que  ≠ 0 pois o contrário implicaria a dependência do conjunto dos primeiros n − 1
vectores a 1 , a 2 , . . . , a n−1  e por consequência a dependência do seu super-conjunto a 1 , a 2 , . . . , a n 
o que é absurdo por se tratar de uma base.
Agora substitua em  1 a 1   2 a 2 . . .  n−1 a n−1  b  0̄ o vector b pela sua expressão como

8
combinação linear dos vectores da base a 1 , a 2 , . . . , a n , b   1 a 1   2 a 2 . . .  n a n . Feita a
substituição obteriamos a igualdade
 1   1 a 1   2   2 a 2 . . .  n−1   n−1 a n−1   n a n  0̄ . Note que, como  n ≠ 0, a
igualdade anterior implicaria a dependência linear de a 1 , a 2 , . . . , a n−1 , a n  o que é absurdo por se
tratar de uma base. Fica portanto estabelecido que o conjunto a 1 , a 2 , . . . , a n−1 , b é linearmente
independente.
Repare agora que, como b   1 a 1   2 a 2 . . .  n a n com  n ≠ 0, tem-se
Spana 1 , a 2 , . . . , a n−1 , b  Spana 1 , a 2 , . . . , a n−1 , a n  ficando então provado que o conjunto
a 1 , a 2 , . . . , a n−1 , b é uma base.
Estabelecido este facto estamos agora em condições de atacar a prova do teorema propriamente
dito. Imagine-se então que existiam em V duas bases de cardinalidades não necessáriamente iguais
a 1 , a 2 , . . . , a p  e b 1 , b 2 , . . . , b q  e, sem perda de generalidade, admita que q ≤ p. Agora repare que
b 1 pode ser utilizado para substituir um dos a i pois terá uma componente não nula segundo algum
deles, caso contrário b 1  0̄ o que é absudo pois b 1 faz parte de uma base que tem que ser um
conjunto independente. Admita, sem perda de generalidade, que b 1 substitui a 1 .
Temos então que o conjunto b 1 , a 2 , . . . , a p  é uma base. Agora note que, nesta base, b 2 tem
uma componente não nula segundo algum dos a i (e que portanto pode substitui-lo) pois doutro
modo b 2  k 1 b 1 o que é absurdo pois b 1 e b 2 pertencem à mesma base que é um conjunto
independente. Admita que b 2 substitui a 2 . Então b 1 , b 2 , a 3 , . . . , a p  é ainda uma base de V.
Agora note que, nesta base, b 3 tem uma componente não nula segundo um dos a i (e que
portanto pode substitui-lo) pois doutro modo b 3  k 1 b 1  k 2 b 2 o que é absurdo pois b 1 , b 2 e b 3
pertencem à mesma base que é um conjunto independente. Admita, de novo sem perda de
generalidade, que b 3 substitui a 3 . Então b 1 , b 2 , b 3 , a 4 , . . . , a p  é ainda uma base de V.
Prosseguindo este estilo de raciocinio teríamos que b 1 , b 2 , . . . , b q , a q1 , . . . , a p  seria uma base
de V o que é absurdo, no caso q  p, pois o sub-conjunto b 1 , b 2 , . . . , b q  também o é.
O único modo de evitar esta contradição é já não ter nenhum a i depois da entrada de b q , ou
seja ter q  p. 

Este teorema tem duas consequências importantes que enunciamos a seguir:

Teorema 1.3.10: As bases de  n têm todas n vectores (assim teremos

dim 2   2, dim 3   3, . . . , dim n   n). Qualquer conjunto linearmente independente
de n vectores de  n é uma base deste espaço vectorial.
Prova: A primeira parte do teorema decorre directamente do facto da base canónica de  n ter
n vectores e do resultado anterior. Para provar a segunda afirmação considere um conjunto, C,
linearmente independente de n vectores de  n . Se SpanC ≠  n então existiria em  n um
conjunto linearmente independente com pelo menos n  1 vectores e, consequentemente, uma base
com pelo menos essa cardinalidade contradizendo o teorema anterior. 

Teorema 1.3.11: Em  n qualquer conjunto de m  n vectores é linearmente dependente.

Prova: Se existisse em  n um conjunto linearmente independente de m  n vectores isso
implicaria a existencia de uma base de cardinalidade pelo menos igual a m, contradizendo o
teorema 1.3.9. 

9
 1.4 - Medição de ângulos e distâncias em  n : o
produto interno.
Já conhece, do ensino secundário, uma operação entre vectores de  2 chamada produto
escalar, ou ”dot product” ou ainda produto interno (neste curso usaremos esta última designação)
de dois vectores. Deixe-me recordar-lhe essa operação:
Dados dois vectores de  2 expressos na base canónica (no ensino secundário os vectores eram
sempre considerados espressos na base canónica!), x  x 1 , x 2  e y  y 1 , y 2 , o produto interno de
x por y, designado por x. y ou x′y ou x|y ou ainda por  x, y  (neste curso usaremos esta última
notação) é  x, y  x 1 y 1  x 2 y 2 . Isto é, o produto interno de dois vectores de  2 é um número que
se obtém multiplicando as coordenadas homólogas e somando esses valores. Por exemplo o
produto interno de 1, 2 por 3, 4 é dado por  1, 2, 3, 4  1  3  2  4  11.
Sabe ainda que o produto interno está relacionado com o comprimento do vector x que
designaremos por ||x||. Com efeito, uma simples aplicação do teorema de Pitágoras diz-nos que
||x|| x 21  x 22   x, x  .
Por outro lado aprendeu, ainda no ensino secundário, que o coseno do ângulo  formado pelos
vectores x e y se pode escrever, em termos do seu produto interno, como
cos   x, y  /||x||||y||.
Estes factos vão permitir-nos transportar para  n as noções de ângulo e comprimento.
Primeiro vamos estender para  n a definição de produto interno.

Definição 1.4.1: Dados dois vectores de  n , x e y, expressos na base canónica,

x  x 1 , x 2 , . . . , x n  e y  y 1 , y 2 , . . . , y n , o seu produto interno é definido por
in
x, y ∑ i1 x i y i  x 1 y 1  x 2 y 2 . . . x n y n .

Com esta definição teremos que o comprimento de um vector x de  n (que passaremos a

designar por norma euclideana de x) é dado por ||x||  x, x  . Dados dois vectores x, y ∈  n o
ângulo  por eles formado é tal que cos   x, y  /||x||||y||.
Por exemplo o vector x  1, 2, 0, 3 de  4 tem por norma euclideana
||x|| 1  4  9  14 .
Este vector x e o vector y  0, 0, 7, 0 de  4 fazem um ângulo  tal que
cos   0/ 14  7  0 ou seja   /2  90º, isto é são perpendiculares.
Com definição que acabamos de dar é imediato verificar que o produto interno tem as
seguintes propriedades análogas às do produto de números reais:

Propriedades do produto interno:

(1)  x, y  y, x 
(2)   x, y  x, y  x, y 
(3)  x  y, z  x, z    y, z 

Agora mais algum vocabulário:

Quando um vector x de  n tiver norma euclideana (comprimento) igual a 1 dizemos que x é
normado.
Quando dois vectores x, y de  n tiverem um produto interno nulo,  x, y  0, ou seja quando
formarem um ângulo   /2  90º diremos que são ortogonais.
A ortogonalidade e a independência linear estão relacionadas como mostra o seguinte teorema:

Teorema 1.4.2: Um conjunto de vectores de  n (que não inclua o vector nulo)

10
mutuamente ortogonais é linearmente independente, ou seja a ortogonalidade implica a
independência linear (a reciproca é falsa!).
Prova: Seja x 1 , x 2 , . . . , x k  um conjunto de vectores mutuamente ortogonais, isto é
 x i , x j  0 para i ≠ j, com i, j  1, . . . , k.
Suponha que temos a igualdade  1 x 1   2 x 2 . . .  k x k  0̄ .
Vamos mostrar que isto só pode ocorrer se  1   2 . . . .   k  0.
Tome a igualdade  1 x 1   2 x 2 . . .  k x k  0̄ e faça o produto interno de ambos os membros
pelo vector x 1 .
Obteriamos  1  x 1 , x 1   2  x 2 , x 1  . . .  k  x k , x 1  0̄ , x 1  ou seja  1 ||x 1 || 2  0.
Como x 1 não é o vector nulo isto só pode ocorrer se  1  0.
De forma semelhante se mostraria que  2   3 . . . .   k  0. 

Uma consequêcia imediata deste resultado é o seguinte teorema:

Teorema 1.4.3: Qualquer conjunto de n vectores de  n mutuamente ortogonais formam

uma base. Em  n não podem existir m  n vectores mutuamente ortogonais.
Prova: É uma consequência directa dos teoremas 1.3.10 e 1.3.11 e do resultado anterior. 

11
 1.5 - Bases ortonormadas de  n .
As bases ortonormadas de  n vão desempenhar um papel especial neste curso. Para começar a
perceber porquê pense numa base arbitrária de  n , B  b 1 , b 2 , . . . , b n . Agora considere um
vector x ∈  n . Ele escreve-se de uma maneira única como combinação linear dos vectores de B,
x  x 1 b 1  x 2 b 2 . . . x n b n e portanto as suas coordenadas na base B são x 1 , x 2 , . . . , x n . Repare
agora que se multiplicar o vector x por uma constante real  obtem
x  x 1 b 1  x 2 b 2 . . . x n b n , de coordenadas x 1 , x 2 , . . . , x n  na base B.
Ou seja, as coordenadas do vector x obtêm-se sempre multiplicando as coordenadas de x pelo
número  qualquer que seja a base considerada.
Agora pense noutro vector y ∈  n . Ele também se escreve de uma maneira única como
combinação linear dos vectores de B, y  y 1 b 1  y 2 b 2 . . . y n b n e portanto as suas coordenadas na
base B são y 1 , y 2 , . . . , y n . Se agora fizer a soma do vector x com o vector y obterá
x  y  x 1 b 1  x 2 b 2 . . . x n b n   y 1 b 1  y 2 b 2 . . . y n b n  ou seja
x  y  x 1  y 1 b 1  x 2  y 2 b 2 . . . x n  y n b n . Isto significa que as coordenadas do vector
x  y na base B são x 1  y 1 , x 2  y 2 , . . . , x n  y n .
Por outras palavras, as coordenadas do vector x  y são sempre a soma das coordenadas
homólogas de x e y qualquer que seja a base em que estes vectores estão representados.
Portanto as duas operações que definem um espaço vectorial, soma de vectores e multiplicação
de vectores por números reais, podem ser sempre efectuadas ”como é costume”, isto é coordenada
a coordenada, independentemente da base a que o espaço vectorial está referido.
Mas nós acabamos de introduzir uma nova operação sobre vectores, o produto interno. Se
calcularmos o produto interno de x por y obtemos
 x, y  x 1 b 1  x 2 b 2 . . . x n b n , y 1 b 1  y 2 b 2 . . . y n b n   ou seja,
in jn
 x, y  ∑ i1 ∑ j1 x i y j  b i , b j  que envolve os produtos internos dos vectores da base uns
pelos outros  b i , b j . Se a base B for ortonormada estes produtos internos valem 0 se i ≠ j (pois
os vectores de B são mutuamente ortogonais) e valem 1 se i  j (porque os vectores de B são
normados).
in
Isto é, se a base B for ortonormada,  x, y  ∑ i1 x i y i  x 1 y 1  x 2 y 2 , . . . , x n y n . Numa base
B ortonormada o produto interno calcula-se tal como foi definido para a base canónica, ou seja
somando os produtos das coordenadas homólogas.
Esta é uma das razões da importância de trabalharmos em bases ortonormadas. Isto levanta o
problema de construir uma base ortonormada a partir de uma base arbitrária. Claro que o problema
”difícil” é construir vectores mutuamente perpendiculares porque para os tornar normados basta
dividir cada vector pelo seu comprimento.
O algoritmo que descrevemos em seguida produz uma base de vectores mutuamente
perpendiculares a partir de uma base arbitraria.

Teorema 1.5.1: (Ortogonalização de Gram-Schmidt) Dada uma base arbitrária de  n ,

B  v 1 , v 2 , . . . , v n  a base O  u 1 , u 2 , . . . , u n  construida como segue é ortogonal.
u 1 v 1
2 1
u 2 v 2 − v||u 1,u|| 2 u 1

n 1 n 2 n ,u n−1 
u n v n − v||u 1,u|| 2 u 1 − v||u 2,u|| 2 u 2 −. . . − v||u n−1 || 2
u n−1
Prova: É fácil de ver que u 1 e u 2 são ortogonais.
2 1
Com efeito  u 2 , u 1  v 2 , u 1  − v||u 1,u|| 2  u 1 , u 1  0.
A prova agora prossegue por indução. Admita então que os n − 1 primeiros u i são mutuamente

12
ortogonais. Resta então mostrar que u n é ortogonal a todos os outros u i para i  1, . . . , n − 1.
Calcule então  u n , u i  para i  1, . . . , n − 1. Obteria:
n 1 n i n ,u n−1 
 u n , u i  v n , u i  − v||u 1,u|| 2  u 1 , u i  −. . . − v||u i,u|| 2  u i , u i  −. . . − v||u n−1 || 2
 u n−1 , u i 
n i
Então a hipótese de indução garante que  u n , u i  v n , u i  − v||u i,u|| 2  u i , u i  0.

13
 1.6 - Alguma geometria em  n .
Passamos agora, que já sabemos medir ângulos e distâncias em  n , a fazer um pouco de
geometria a n dimensões. Começamos com uma definição:

Definição 1.6.1: Seja S ⊂  n . Ao conjunto dos vectores de  n ortogonais a todos os os

vectores de S chama-se complemento ortogonal de S e designa-se por S  .

Por exemplo, em  2 o complemento ortogonal do eixo dos xx é o eixo dos yy, em  3 o

complemento ortogonal do plano XOY é o eixo dos zz. Repare que nestes exemplos complementos
ortogonais de sub-espaços são também sub-espaços. Isto não é uma coincidência. Com efeito
temos:

Teorema 1.6.2: Se S ⊂  n for um sub-espaço o seu complemento ortogonal, S  , também o

é.
Prova: Temos que mostrar que S  é fechado para a soma e para a multiplicação por reais.
Primeiro a soma. Tome x, y ∈ S  .
x ∈ S   x, z  0 para todo o z ∈ S. Por outro lado y ∈ S   y, z  0 para todo o z ∈ S.
Logo  x, z    y, z  0 para todo o z ∈ S o que implica  x  y, z  0 para todo o z ∈ S
ou seja implica que x  y ∈ S  .
Agora a multiplicação por reais. Tome x ∈ S  e seja  um real arbitrário.
x ∈ S   x, z  0 para todo o z ∈ S. Isto implica que   x, z  x, z  0 para todo o
z ∈ S e que, portanto, x ∈ S  . 

Agora vamos estender a noção de plano, que temos de  3 , para  n .

Comece por observar que um plano P de  3 fica completamente definido se dermos um ponto
x 0 ∈ P e um vector v normal ao plano. Repare que, na figura abaixo, um ponto x pertence a P se e
só se o vector x − x 0  é ortogonal a v, ou seja se  x − x 0 , v  0.

v
x0

Plano P

O interessante é que a equação  x − x 0 , v  0 está escrita numa linguagem que é

directamente transferivel para n dimensões. Chamamos a esta equação a equação normal do plano
em  n .
Por exemplo, em  3 , qual será o plano que passa em x 0  1, 1, 1 e é normal ao vector
v  4, 5, 6?
Se o ponto genérico do plano for x  x 1 , x 2 , x 3  a equação normal do plano,
 x − x 0 , v  0, vem  x 1 − 1, x 2 − 1, x 3 − 1, 4, 5, 6  0 ou seja
4x 1 − 1  5x 2 − 1  6x 3 − 1  0 ou ainda 4x 1  5x 2  6x 3  15 a habitual equação cartesiana
do plano em questão.
Repare ainda que os coeficientes das variáveis x 1 , x 2 , x 3 são as componentes ”do” vector

14
normal ao plano. Este vector é, evidentemente conhecido a menos de uma constante
multiplicativa, pois a equação 40x 1  50x 2  60x 3  150 representa o mesmo plano e os
coeficientes das variáveis x 1 , x 2 , x 3 são 10 vezes maiores!
É também fácil, dada uma equação cartesiana 4x 1  5x 2  6x 3  15, obter um ponto do plano.
Uma maneira prática de o obter é fazer tdas as varáveis menos uma iguais a zero e calcular a que
falta. Neste exemplo se fizermos x 1  x 3  0 obtemos o ponto do plano 0, 3, 0.
Fica então claro que é facil passar da equação normal para a equação cartesiana de um plano de
 n e vice-versa.
Vamos agora dar uma definição mais formal de um plano em  n que será útil no estudo dos
sistemas de equações lineares.

Definição 1.6.3: Um plano (n − 1 dimensional) de  n , definido por um ponto x 0 e um

vector normal v, é o conjunto que se obtem somando x 0   Spanv  .

Damos um exemplo geométrico, em  2 , para tornar mais perceptivel a definição.

Qual será o plano de  2 definido pelo ponto x 0  1, 0 e pelo vector v  1, 1 , ambos a
vermelho na figura?
Da equação normal  x − x 0 , v  0 vem  x 1 − 1, x 2 , 1, 1  0 ou seja a recta
x 1  x 2  1 desenhada a verde na figura abaixo. Agora se pensar no sub-espaço gerado por v
obtem Spanv , a rosa na figura. O seu complemento ortogonal Spanv  aparece a azul (na
figura, por falta de ”fonts” adequadas, o sinal ∗ substitui o habitual  para designar o complemento
ortogonal). Vê-se então claramente que a recta verde x 1  x 2  1 coincide com x 0   Spanv  .

x2
x 1 +x 2 =1
Span{v}
v

{x 0 }+(Span{v}) *
x0
0 x1

(Span{v}) *

Concluiremos calculando a distância, d, ao plano P, definido por um ponto x 0 e um vector

normal v, de um ponto y ∉ P. Vamos inspirar-nos na figura seguinte em  3 mas, claro, o que
desejamos é obter d expresso numa linguagem que seja directamente transferivel para  n .

15
 y
v
a x0
d

Plano P

Na figura acima os ”dados” do problema estão representados a vermelho (o ponto x 0 e um

vector normal v que definem o plano P bem como o ponto y ∉ P) e o que desejamos calcular é a
distância d (a azul) de y a P.
Olhando para o triângulo rectângulo na figura facilmente se conclui que, se for  (a verde na
figura) o ângulo formado pelo lado vermelho do triângulo com uma perpendicular azul baixada de
y para o plano, d  ||y − x 0 ||cos .
Ora, como d ≥ 0 (é uma distância!) podemos escrever d  ||y − x 0 |||cos |. Esta forma é
vantajosa pois |cos | pode ser calculado a partir dos ”dados” do problema. Com efeito temos que
|cos | | v, y − x 0  |/||v||||y − x 0 || pois embora não conheçamos a orientação de v (que é
conhecido a menos de uma constante multiplicativa) relativamente a y − x 0 sabemos que
|cos | |cos − | o que torna indiferente a orientação de v. Finalmente obtemos
d  ||y − x 0 |||cos | ||y − x 0 ||| v, y − x 0  |/||v||||y − x 0 || ou seja temos a expressão
d  | v, y − x 0  |/||v|| que é directamente transferível para  n .
Como exemplo calcule-se, em  4 , a distância do plano definido pelo ponto x 0  1, 0, 0, 0 e
pelo vector normal v  1, 1, 1, 1 à origem y  0, 0, 0, 0. Temos que y − x 0  −1, 0, 0, 0 e
portanto  v, y − x 0  1, 1, 1, 1, −1, 0, 0, 0  −1. Como ||v|| 4 vem d  1/ 4 .

16