Universidade Federal de Santa Maria

MTM1073 – Álgebra Linear com Geometria Analítica – T12

Engenharia Mecânica – Prof. Marlon Vinícius Machado

Referências utilizadas na elaboração do material:

STEINBRUCH, A. & WINTERLE, P. Álgebra linear. São Paulo: McGraw-Hill, 1987.
ANTON, Howard. Álgebra linear com aplicações. 10. ed. São Paulo: Bookman, 2010.

UNIDADE 3 - ESPAÇOS VETORIAIS

3.1 - Conceito de espaço vetorial.
3.2 - Subespaço vetorial.
3.3 - Combinação Linear.
3.4 - Dependência e Independência Linear.
3.5 - Base de um espaço vetorial.

UNIDADE 4 - ESPAÇOS VETORIAIS COM PRODUTO INTERNO

4.4 - Subespaços Ortogonais.
4.5 - Produto Interno: Definição e Exemplos.
4.7 - Conjuntos ortogonais e ortonormais.
4.8 - Processo de Ortogonalização de Gram-Schmidt.

ESPAÇOS VETORIAIS

Espaços Vetoriais
Neste item iremos estender o conceito de vetor extraindo as propriedades mais importantes dos
vetores usuais e transformando-as em axiomas. Assim, quando um conjunto de objetos satisfizer estes
axiomas, estes objetos automaticamente têm as mais importantes propriedades dos vetores usuais, o
que torna razoável considerar estes novos objetos como novos tipos de vetores.
Sabe-se que o conjunto: 𝑅 2 = {(𝑥, 𝑦)/𝑥, 𝑦 ∈ 𝑅} é interpretado geometricamente como sendo
o plano cartesiano. Um par (𝑥, 𝑦) pode ser expresso como um ponto e, neste caso, x e y são as
coordenadas deste ponto, ou pode ser expresso como um vetor e, neste caso, x e y são as componentes
(ou coordenadas) deste vetor.
Esta mesma ideia, em relação ao plano, estende-se para o espaço tridimensional que é a
interpretação geométrica do conjunto 𝑅 3 . Embora se perca a visão geométrica com dimensão acima
de 3, é possível estender esta ideia a espaços como 𝑅 4 , 𝑅 5 , … , 𝑅 𝑛 . Assim, quádruplas de números
(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) podem ser vistas como pontos ou vetores no espaço 𝑅 4 , de quarta dimensão. A
quíntupla (2, −1,3,5,4) será interpretada como um ponto ou um vetor no espaço 𝑅 5 , de dimensão
1
cinco. Portanto, o espaço de dimensão n (ou espaço n-dimensional) será constituído pelo conjunto de
todas as n-úplas ordenadas e representado por 𝑅 𝑛 , isto é:
𝑅 𝑛 = {(𝑥1 , 𝑥2 , … , 𝑥𝑛 ); 𝑥𝑖 ∈ 𝑅}

A maneira de se trabalhar nestes espaços, de dimensão superior a três, é idêntica àquela vista
em 𝑅 2 e em 𝑅 3 . Por exemplo, se: 𝑢
⃗ = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) e 𝑣 = (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) são vetores no 𝑅 𝑛 e 𝛼 um
escalar, define-se:
a) Igualdade: 𝑢
⃗ = 𝑣 se, e somente se, 𝑥1 = 𝑦2 , 𝑥2 = 𝑦2 , … , 𝑥𝑛 = 𝑦𝑛
⃗ + 𝑣 = (𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 , … , 𝑥𝑛 + 𝑦𝑛 )
b) Adição: 𝑢
⃗ = (𝛼𝑥1 , 𝛼𝑥2 , … , 𝛼𝑥𝑛 )
c) Multiplicação por um Escalar: 𝛼𝑢
d) Produto Escalar: 𝑢
⃗ ∙ 𝑣 = 𝑥1 𝑦1 + 𝑥2 𝑦2 + ⋯ + 𝑥𝑛 𝑦𝑛

e) Módulo: |𝑢
⃗ | = √𝑢 ⃗ = √𝑥12 + 𝑥22 + ⋯ + 𝑥𝑛2
⃗ ∙𝑢

Definição: (Definição de Espaço Vetorial) Seja um conjunto V não vazio qualquer de objetos, no qual
estão definidas as operações de adição e multiplicação por um escalar, isto é:
i) ∀ 𝑢
⃗ 𝑒 𝑣 ∈ 𝑉; 𝑢
⃗ + 𝑣 ∈ 𝑉;
ii) ∀ 𝛼 ∈ 𝑅, ∀ 𝑢
⃗ ∈ 𝑉; 𝛼𝑢
⃗ ∈ 𝑉.

O conjunto V com essas duas operações é chamado ESPAÇO VETORIAL REAL e seus
objetos são denominados vetores, se forem verificados os seguintes axiomas:

A) Em relação à adição:
A1) (𝑢
⃗ + 𝑣) + 𝑤 ⃗ + (𝑣 + 𝑤) ∀ 𝑢
⃗⃗ = 𝑢 ⃗ ,𝑣 𝑒 𝑤
⃗⃗ ∈ 𝑉; Associativa
A2) 𝑢
⃗ +𝑣 =𝑣+𝑢
⃗ ∀𝑢
⃗ , 𝑣 ∈ 𝑉; Comutativa
A3) ∃ ⃗0 ∈ 𝑉; ∀ 𝑢 ⃗ 0
⃗ + ⃗0 = 𝑢
⃗ ∈ 𝑉; 𝑢 ⃗  V; Existência do elemento neutro na adição
A4) ∀ 𝑢
⃗ ∈𝑉∃−𝑢
⃗ ∈ 𝑉; 𝑢 ⃗ ) = ⃗0
⃗ + (−𝑢 Existência do elemento oposto

M) Em relação à multiplicação por escalar:

M1) 𝑎(𝑢
⃗ + 𝑣 ) = 𝑎𝑢
⃗ + 𝑎𝑣 distribuição da multiplicação em relação a adição
M2) (𝑎 + 𝑏)𝑣 = 𝑎𝑣 + 𝑏𝑣 distribuição da adição em relação a multiplicação
M3) (𝑎𝑏)𝑣 = 𝑎(𝑏𝑣), associativa
M4) 1𝑣 = 𝑣 𝑣 ∈ 𝑉 elemento neutro da multiplicação
para ∀ 𝑢
⃗ , 𝑣 ∈ 𝑉 e ∀ 𝑎, 𝑏 ∈ 𝑅
2
Observações:
(i) Os elementos do espaço vetorial V são chamados vetores, independente de sua natureza.
Pode parecer estranho, e à primeira vista não deixa de ser, o fato de se chamar de vetores os
polinômios (quando V for constituído de polinômios), as matrizes (quando V for constituído de
matrizes), os números (quando V for um conjunto numérico), e assim por diante. A justificativa está
no fato de as operações de adição e multiplicação por escalar realizadas com estes elementos de
natureza tão distinta se comportarem de forma idêntica, como se estivéssemos trabalhando com os
próprios vetores em 𝑅 2 e 𝑅 3 . Assim a familiaridade que temos com os vetores do 𝑅 2 e 𝑅 3 terá
continuidade nestes conjuntos, chamando seus elementos também de vetores.
(ii) Se na definição acima tivéssemos tomado para escalares o conjunto C dos números
complexos, V seria um espaço vetorial complexo. Daqui por diante, serão considerados somente
espaços vetoriais reais.

Exemplos de Espaços Vetoriais:

Os seguintes exemplos ilustram a variedade de espaços vetoriais possíveis. Em cada exemplo,
nós vamos especificar um conjunto não-vazio V e duas operações: a adição e a multiplicação por um
escalar; em seguida vamos verificar que os 10 axiomas de espaço vetorial estão satisfeitos, com isto
habilitando V, com as operações dadas, a ser chamado de espaço vetorial.
1. O conjunto dos números reais em relação às operações usuais de adição e multiplicação por
um escalar é um espaço vetorial.
2. Os conjuntos 𝑅 2 , 𝑅 3 , 𝑅 4 , 𝑅 5 , … , 𝑅 𝑛 , com as operações usuais de adição e multiplicação por
um escalar é um espaço vetorial.
3. Conjunto 𝑀(𝑚, 𝑛) das matrizes m x n com as operações de adição e multiplicação por um
escalar é um espaço vetorial
4. O conjunto 𝑃𝑛 = {𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛 , 𝑎𝑖 ∈ 𝑅} dos polinômios com coeficientes
reais de grau ≤ n, mais o polinômio nulo, em relação às operações usuais de adição de polinômios e
multiplicação por um escalar é um espaço vetorial.

Exemplo 131: Verifique se o conjunto 𝑉 = {(𝑥, 𝑦)/𝑥, 𝑦 ∈ 𝑅} é um espaço vetorial com as operações
de adição e multiplicação por um escalar usuais. Resolução em aula.

Exemplo 132: Verifique se o conjunto 𝑉 = {(𝑥, 𝑥 + 3)/𝑥 ∈ 𝑅} é um espaço vetorial com as operações
de adição e multiplicação por um escalar usuais. Resolução em aula.

3
Subespaços Vetoriais
Definição: Um subconjunto S de um espaço vetorial V é chamado um subespaço vetorial de V se W
é um espaço vetorial em relação às operações de adição e multiplicação por um escalar definidas em
V.
Em geral, nós devemos verificar os dez axiomas do espaço vetorial para mostrar que um
conjunto S forma um espaço vetorial com uma adição e uma multiplicação por um escalar. No entanto,
se S é parte de um conjunto maior V que já é sabido ser um espaço vetorial, então alguns axiomas não
precisam ser conferidos para S, pois eles são “herdados” de V. Por exemplo, não há necessidade de
conferir que 𝑢 + 𝑣 = 𝑣 + 𝑢 (Axioma A2) para S, pois se isto vale para todos os vetores de V que
valem também para todos os vetores de S. Outros axiomas herdados por S de V são o A1, M1, M2, M3
e M4. Assim, para mostrar que um conjunto S é um subespaço vetorial de V, nós somente precisamos
verificar os dois axiomas principais (i) e (ii) apresentados no teorema descrito a seguir e os axiomas
A3 (elemento neutro) e A4 (elemento inverso).

Teorema 1:
Um subconjunto S, não-vazio, de um espaço vetorial V, é um subespaço de V se estiverem
satisfeitas as condições:
(i) Para quaisquer u, v  S, tem-se: 𝑢+𝑣 ∈𝑆
(ii) Para quaisquer a  R, u  S, tem-se: 𝑎. 𝑢 ∈ 𝑆
Sendo estas duas condições válidas em S, os oito axiomas do espaço vetorial também se
verificam em S, ou seja, considere u e v vetores quaisquer de S observe que 𝐴1 , 𝐴2 , 𝑀1 , 𝑀2 , 𝑀3 , 𝑀4 ,
são verificados em S pelo fato de S ser um subconjunto não-vazio de V. A partir do teorema também
é possível verificar os axiomas 𝐴3 e 𝐴4 , observe que se a condição (ii), a.u  S, é válida para todo a 
⃗ ∈ 𝑆, ou seja, ⃗0 ∈ 𝑆 (axioma 𝐴3 ); fazendo 𝑎 = −1, segue
R. Fazendo 𝑎 = 0, temos que 0 ∙ 𝑢
(−1)𝑢
⃗ = −𝑢
⃗ ∈ 𝑆 (axioma 𝐴4 ).

Observações:
Todo espaço vetorial de V admite pelo menos dois subespaços: o conjunto {0}, chamado de
subespaço zero ou subespaço nulo, e o próprio espaço vetorial V. Estes dois são os subespaços triviais
de V. Os demais subespaços são denominados subespaços próprios de V.
Por exemplo, os subespaços triviais de 𝑉 = 𝑅 3 são {(0,0,0)} e o próprio 𝑅 3 . Os subespaços
próprios de 𝑅 3 são as retas e os planos que passam pela origem.

4
 Para 𝑉 = 𝑅 2 , os subespaços triviais são: {(0,0)} e 𝑅 2 , enquanto os subespaços próprios são as
retas que passam pela origem.

Exemplo 133: Verificar se S é um subespaço vetorial de V:

a) 𝑉 = 𝑅 2 e 𝑆 = {(𝑥, 𝑦) ∈ 𝑅 2 /𝑦 = 2𝑥} b) 𝑉 = 𝑅 2 e 𝑆 = {(𝑥, 4 − 2𝑥); 𝑥 ∈ 𝑅}
c) 𝑉 = 𝑅 2 e 𝑆 = {(𝑥, |𝑥|); 𝑥 ∈ 𝑅} Resolução em aula.

Combinação Linear:
Uma das características mais importantes de um espaço vetorial V é a obtenção de outros
vetores a partir de vetores dados.
Definição: Sejam os vetores ⃗⃗⃗⃗
𝑣1 , ⃗⃗⃗⃗
𝑣2 , … , ⃗⃗⃗⃗
𝑣𝑛 do espaço vetorial V e os escalares 𝑎1 , 𝑎2 , … , 𝑎𝑛 . Então,
qualquer vetor 𝑣 ∈ 𝑉 da forma 𝑣 = 𝑎1 ⃗⃗⃗⃗
𝑣1 + 𝑎2 ⃗⃗⃗⃗
𝑣2 + ⋯ + 𝑎𝑛 ⃗⃗⃗⃗
𝑣𝑛 é uma combinação linear dos vetores
𝑣1 , ⃗⃗⃗⃗
⃗⃗⃗⃗ 𝑣2 , … , ⃗⃗⃗⃗
𝑣𝑛 .

Exemplo 134: Para as situações de a até c, consideremos, no 𝑅 3 , os seguintes vetores: ⃗⃗⃗⃗

𝑣1 = (1, −3,2)
𝑣2 = (2,4, −1)
e ⃗⃗⃗⃗
a) Escrever o vetor 𝑣 = (−4, −18,7) como combinação linear de ⃗⃗⃗⃗
𝑣1 e ⃗⃗⃗⃗
𝑣2 . R: 𝑣 = 2𝑣
⃗⃗⃗⃗1 − 3𝑣
⃗⃗⃗⃗2
b) Mostrar que o vetor 𝑣 = (4,3, −6) não é combinação linear dos vetores ⃗⃗⃗⃗
𝑣1 e ⃗⃗⃗⃗
𝑣2 .
R: Mostrar que o sistema é incompatível.
c) Determinar o valor de k para que o vetor 𝑢
⃗ = (−1, 𝑘, −7) seja combinação linear de ⃗⃗⃗⃗
𝑣1 e ⃗⃗⃗⃗
𝑣2 .
R: 𝒌 = 𝟏𝟑 (𝑎1 = −3, 𝑎2 = 1) Resolução em aula.

Dependência e Independência Linear

Definição: Sejam V um espaço vetorial e os vetores 𝐴 = {𝑣
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣𝑛 } ⊂ 𝑉. Dizemos que o conjunto
𝑣2 , … , ⃗⃗⃗⃗
{𝑣
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣𝑛 } é linearmente independente (LI), ou que os vetores ⃗⃗⃗⃗
𝑣2 , … , ⃗⃗⃗⃗ 𝑣1 , ⃗⃗⃗⃗
𝑣2 , … , ⃗⃗⃗⃗
𝑣𝑛 são LI, se a equação
𝑎1 ⃗⃗⃗⃗
𝑣1 + 𝑎2 ⃗⃗⃗⃗
𝑣2 + ⋯ + 𝑎𝑛 ⃗⃗⃗⃗
𝑣𝑛 = 0 admite apenas a solução trivial, ou seja, 𝑎1 = 𝑎2 = ⋯ = 𝑎𝑛 = 0. No
caso de existirem soluções 𝑎𝑖 ≠ 0 dizemos que A é linearmente dependente (LD), ou que os vetores
𝑣1 , ⃗⃗⃗⃗
⃗⃗⃗⃗ 𝑣2 , … , ⃗⃗⃗⃗
𝑣𝑛 são LD.
Vetores linearmente dependentes (LD) podem ser caracterizados de outra maneira.

Teorema: {𝑣
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣𝑛 } é LD se, e somente se, um destes vetores for uma combinação linear dos
𝑣2 , … , ⃗⃗⃗⃗
outros.

5
Exemplo 135: Sejam os vetores ⃗⃗⃗⃗
𝑣1 = (2, −1,3), ⃗⃗⃗⃗
𝑣2 = (−1,0, −2) e ⃗⃗⃗⃗
𝑣3 = (2, −3,1) analise se são LI
ou LD. Resolução em aula.

Exemplo 136: Analise se os vetores são LI ou LD, onde ⃗⃗⃗⃗

𝑣1 = (2,0) e ⃗⃗⃗⃗
𝑣2 = (0,5).
Resolução em aula.

- Propriedades da Dependência e Independência Linear:

Seja V um espaço vetorial então
I) Se 𝐴 = {𝑣} ⊂ 𝑉 e 𝑣 ≠ ⃗0, então A é LI.
II) Se um conjunto A  V contém o vetor nulo, então A é LD.
III) Se uma parte de um conjunto A  V é LD, então A é também LD.
IV) Se uma parte de um conjunto A  V é LI, qualquer parte A1 de A é também LI.

Observações:
1. Os vetores ⃗⃗⃗⃗
𝑣1 , ⃗⃗⃗⃗
𝑣2 , … , ⃗⃗⃗⃗
𝑣𝑛 são linearmente dependentes se, e somente se, um deles é
combinação linear dos outros, ou seja, os vetores são colineares entre si.
2. Se dois vetores ⃗⃗⃗⃗
𝑣1 , ⃗⃗⃗⃗
𝑣2 , … , ⃗⃗⃗⃗
𝑣𝑛 , são iguais, digamos ⃗⃗⃗⃗
𝑣1 = ⃗⃗⃗⃗
𝑣2 , então os vetores são dependentes.
Pois ⃗⃗⃗⃗
𝑣1 − ⃗⃗⃗⃗
𝑣2 = 0
3. Dois vetores ⃗⃗⃗⃗
𝑣1 e ⃗⃗⃗⃗
𝑣2 são dependentes se, e somente se, um deles é múltiplo do outro.

Base e Dimensão de um Espaço Vetorial

Em geral nós pensamos numa reta como sendo unidimensional, num plano como sendo
bidimensional e no espaço como sendo tridimensional. O principal objetivo deste tópico é tornar mais
precisa esta noção intuitiva de “dimensão”, porém inicialmente será enunciado o conceito de “base”.
Para começar será útil reformular a noção de sistema de coordenadas nos espaços bi e
tridimensionais usando vetores em vez de eixos coordenados, isto pode ser feito substituindo cada eixo
coordenado por um vetor de comprimento 1 que aponta na direção e no sentido positivo do eixo.
Considere, por exemplo, que ⃗⃗⃗⃗
𝑣1 e ⃗⃗⃗⃗
𝑣2 são tais vetores, se 𝑃 = (𝑎, 𝑏) é um ponto qualquer no plano,
podemos projetar P paralelamente a v1 e v2, para ter ⃗⃗⃗⃗⃗
𝑂𝑃 como a diagonal do paralelogramo
determinado por 𝑎𝑣
⃗⃗⃗⃗1 e 𝑏𝑣 ⃗⃗⃗⃗⃗ como uma combinação linear de
⃗⃗⃗⃗1 e portanto podemos escrever o vetor 𝑂𝑃
𝑣1 e ⃗⃗⃗⃗
⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ = 𝑎𝑣
𝑣2 , ou seja, 𝑂𝑃 ⃗⃗⃗⃗1 + 𝑏𝑣
⃗⃗⃗⃗2 .
Então, informalmente dizemos que os vetores que especificam um sistema de coordenadas são
“os vetores de base” do sistema. Embora tenhamos usado vetores de base de comprimento 1, veremos
6
que isso não é essencial, para formarmos uma base são suficientes vetores não-nulos de qualquer
comprimento. A seguir a definição de base de um espaço vetorial.

Definição: Um conjunto 𝐵 = {𝑣
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣𝑛 } ⊂ 𝑉 é uma base do espaço vetorial V se:
𝑣2 , … , ⃗⃗⃗⃗
I) B é LI;
II) B gera V.

Teorema: Se 𝐵 = {𝑣
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣𝑛 } é uma base de um espaço vetorial V, então cada vetor de V pode ser
𝑣2 , … , ⃗⃗⃗⃗
expresso da forma 𝑣 = 𝑐1 ⃗⃗⃗⃗
𝑣1 + 𝑐2 ⃗⃗⃗⃗
𝑣2 + . . . +𝑐𝑛 ⃗⃗⃗⃗
𝑣𝑛 de uma única maneira.

Exemplo 137: Verificar se 𝐵 = {(1,1), (−1,0)} é base de R2.

R: B é LI e (𝑥, 𝑦) = 𝑦(1,1) + (𝑦 − 𝑥)(−1,0) Resolução em aula.

- Dimensão de um espaço vetorial: Corolário: Qualquer base de um espaço vetorial tem sempre o
mesmo número de elementos. Este número é chamado dimensão de V, e denotado por dim V.

Exemplos de dimensões:
1. dim 𝑅 2 = 2, pois toda base do R2 tem dois vetores. 2. dim 𝑅 𝑛 = 𝑛
3. dim 𝑀(2,2) = 4 4. dim 𝑀(𝑚, 𝑛) = 𝑚 × 𝑛 5. dim {0} = 0

Observações:
Seja V um espaço vetorial tal que dim 𝑉 = 𝑛. Se S é um subespaço de V, então a dimensão de
𝑆 ≤ 𝑛. No caso da dim 𝑆 = 𝑛, tem-se que S = V. Para permitir uma interpretação geométrica,
consideramos o espaço tridimensional R3, onde a dimensão de qualquer subespaço do R3 só poderá ser
0, 1, 2 ou 3. Portanto, temos os seguintes casos:
I) dim 𝑆 = 0, então 𝑆 = {0} é a origem. II) dim 𝑆 = 1, então S é uma reta que passa pela origem.
III) dim 𝑆 = 2, então S é um plano que passa pela origem. IV) dim 𝑆 = 3, então S é o próprio 𝑅 3 .
Uma forma prática para determinar a dimensão de um espaço vetorial é verificar o número de
variáveis livres de seu vetor genérico. Esse número é a dimensão do espaço

Exemplo 138: Determinar a dimensão e uma base do espaço vetorial

𝑆 = {(𝑥, 𝑦, 𝑧) ∈ 𝑅 3 /2𝑥 + 𝑦 + 𝑧 = 0}
R: dim 𝑆 = 2; 𝐵 = {(1,0, −2), (0,1, −1)} Resolução em aula.

7
 LISTA 11 – ESPAÇOS VETORIAIS

Verifique, nos exercícios 1 e 2, se os conjuntos representam espaços vetoriais utilizando apenas as

operações de adição e multiplicação por um escalar.
1) 𝑉 = {(1, 𝑎, 𝑏); 𝑎, 𝑏 ∈ 𝑅} 2) 𝑉 = {(𝑎, 2𝑎, 3𝑎); 𝑎 ∈ 𝑅}

3) Seja 𝑉 = 𝑅 3 e 𝑊 = {(𝑥1 , 𝑥2 , 𝑥3 ); 𝑥3 = 1}, verifique se W é um subespaço do R3.

𝑎 𝑏 𝑎 𝑏
4) Seja 𝑉 = 𝑀2𝑥2 = {[ ] ; 𝑎, 𝑏, 𝑐, 𝑑 ∈ 𝑅} e 𝑆 = {[ ] ; 𝑎, 𝑏 ∈ 𝑅} verifique se S é um subespaço.
𝑐 𝑑 0 0

5) Nos problemas de I a IV são apresentados subconjuntos de R2. Verificar quais deles são subespaços
vetoriais do R2.
I) 𝑆 = {(𝑥, 𝑦)/𝑦 = −𝑥} II) 𝑆 = {(𝑥, 𝑥 2 )/𝑥 ∈ 𝑅}
III) 𝑆 = {(𝑥, 𝑦)/𝑥 + 3𝑦 = 0} IV) 𝑆 = {(𝑥, 𝑦)/𝑦 = 𝑥 + 1}

6) Considere o R 3 e verifique se os vetores são LI ou LD.

a) ⃗⃗⃗⃗
𝑢1 = (2, −1,0) 𝑢2 = (−1,3,0)
⃗⃗⃗⃗ 𝑢3 = (3,5,0)
⃗⃗⃗⃗
b) ⃗⃗⃗⃗
𝑢1 = (1, −1, −2) 𝑢2 = (2,1,1)
⃗⃗⃗⃗ 𝑢3 = (−1,0,3)
⃗⃗⃗⃗
c) ⃗⃗⃗⃗
𝑢1 = (1,2,1) 𝑢2 = (2,4,2)
⃗⃗⃗⃗ 𝑢3 = (5,10,5)
⃗⃗⃗⃗
d) ⃗⃗⃗⃗
𝑢1 = (1,1,0) 𝑢2 = (1,4,5)
⃗⃗⃗⃗ 𝑢3 = (3,6,5)
⃗⃗⃗⃗

7) Escrever o vetor 𝑢
⃗ = (−1,3,3) como combinação linear de ⃗⃗⃗⃗
𝑢1 = (1,1,0), ⃗⃗⃗⃗
𝑢2 = (0,0, −1) e
𝑢3 = (0,1,1).
⃗⃗⃗⃗

8) Escrever o vetor 𝑣 = (2, −5,3) como combinação linear dos vetores ⃗⃗⃗⃗
𝑣1 = (1, −3,2),
𝑣2 = (2, −4, −1) e ⃗⃗⃗⃗
⃗⃗⃗⃗ 𝑣3 = (1, −5,7).

9) Escrever o vetor 𝑤
⃗⃗ = (7, −11,2) como combinação linear de 𝑢
⃗ = (2, −3,2) e 𝑣 = (−1,2,4).

10) Determinar o valor de k para que seja LI o conjunto {(−1,0,2), (1,1,1), (𝑘, −2,0)}.

8
11) Verificar quais dos seguintes conjuntos de vetores formam base do R2:
a) 𝐵 = {(1,2), (−1,3)} b) 𝐵 = {(3, −6), (−4,8)}

12) O conjunto 𝐵 = {(1,1, −1), (2, −1,0), (3,2,0)} forma uma base do R3?

Respostas:
1) Não é espaço vetorial
2) É espaço vetorial
3) Não é espaço vetorial
4) É subespaço
5) I) É subespaço II) Não é subespaço III) é subespaço IV) Não é subespaço
6) a) LD b) LI c) LD d) LD
7) 𝑉 = −𝑢 + 𝑣 + 4𝑤
8) Sistema Impossível, portanto não gera base
9) 𝑤 = 3𝑢– 1𝑣
10) 𝑘 ≠ −3
11) a) B gera o 𝑅 2 b) B não gera o 𝑅 2
12) B gera o 𝑅 3

9
 ESPAÇOS VETORIAIS COM PRODUTO INTERNO

Seja V um espaço vetorial real. Um produto interno sobre V é uma função que a cada par de
vetores, u e v, associa um numero real, denotado por < 𝑢
⃗ , 𝑣 > ou 𝑢
⃗ ∙ 𝑣, satisfazendo os seguintes
axiomas.
i) 𝑢
⃗ ∙𝑢
⃗ ≥0e𝑢 ⃗ ∙𝑢
⃗ = 0 se 𝑢⃗ =0 [Axioma de positividade]
ii) (𝛼𝑢
⃗ ) ∙ 𝑣 = 𝛼(𝑢
⃗ ∙ 𝑣) para todo 𝛼 real [Axioma de homogeneidade]
⃗ ∙ (𝑣 + 𝑤
iii) 𝑢 ⃗⃗ ) = 𝑢
⃗ ∙𝑣+𝑢
⃗ ∙𝑤
⃗⃗ [Axioma de aditividade]
iv) 𝑢
⃗ ∙𝑣 =𝑣∙𝑢
⃗ [Axioma de simetria]
Um espaço vetorial real com um produto interno é chamado espaço com produto interno real.
⃗ = (𝑥1 , 𝑦1 ) e 𝑣 = (𝑥2 , 𝑦2 ) definimos o produto escalar do 𝑅 2 da seguinte forma:
Sendo 𝑢
⃗ ∙ 𝑣 = 𝑥1 𝑥2 + 𝑦1 𝑦2 . Analogamente define-se o produto escalar do 𝑅 3 , 𝑅 4 , … , 𝑅 𝑛 .
𝑢

Vetores Ortogonais
Seja V um espaço vetorial euclidiano (é um espaço vetorial real, de dimensão finita, no qual
está definido um produto interno). Diz-se que dois vetores u e v são ortogonais se, e somente se,
𝑢
⃗ ∙ 𝑣 = 0, ou seja, 𝑢
⃗ ⊥ 𝑣.

Exemplo 139: Seja V  R 2 um espaço vetorial euclidiano em relação ao produto interno

(𝑥1 , 𝑦1 ) ∙ (𝑥2 , 𝑦2 ) = 𝑥1 𝑥2 + 𝑦1 𝑦2 . Verifique se os vetores 𝑢
⃗ = (−3,4) e 𝑣 = (4,3) são ortogonais.
Resolução em aula.

Conjunto Ortogonal de Vetores

Seja V um espaço vetorial euclidiano. Diz-se que um conjunto de vetores {𝑣
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣𝑛 } ⊂ 𝑉
𝑣2 , … , ⃗⃗⃗⃗
é ortogonal se dois vetores quaisquer, distintos, são ortogonais, isto é, ⃗⃗𝑣⃗𝑖 ∙ 𝑣
⃗⃗⃗𝑗 = 0 para 𝑖 ≠ 𝑗. Por
exemplo, o conjunto {(1,2, −3), (3,0,1), (1, −5, −3)} é ortogonal em relação ao produto interno usual,
pois os vetores deste conjunto são ortogonais dois a dois.

Teorema: Um conjunto ortogonal de vetores não-nulos 𝐴 = {𝑣

⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣𝑛 } é linearmente
𝑣2 , … , ⃗⃗⃗⃗
independente (LI).

Observação. A recíproca deste teorema não é verdadeira, ou seja, se o conjunto B é LI, isso não
significa que B é ortogonal. Por exemplo, 𝐵 = {(1,2), (2,5)} é um conjunto de vetores LI, mas B não
é um conjunto ortogonal.

10
Base Ortogonal
Diz-se que uma base {𝑣
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣𝑛 } de V é ortogonal se os seus vetores são dois a dois
𝑣2 , … , ⃗⃗⃗⃗
ortogonais. Logo o conjunto 𝐵 = {(1,2, −3), (3,0,1), (1, −5, −3)} é uma base ortogonal do 𝑅 3 .

Base Ortonormal
Uma base 𝐵 = {𝑣
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣𝑛 } de um espaço vetorial euclidiano V é ortonormal se B é
𝑣2 , … , ⃗⃗⃗⃗
ortogonal e todos os seus vetores são unitários.

√3 1 1 √3
Exemplo 140: Verifique se 𝐵 = {( , ) , (− , )} é uma base ortonormal do 𝑅 2 .
2 2 2 2
Resolução em aula.

Observação
⃗
𝑣
Já vimos que se v é um vetor não-nulo, o vetor é unitário. Diz-se, nesse caso, que v está
|𝑣
⃗|

⃗
𝑣
normalizado. O processo que transforma v em chama-se normalização de v.
|𝑣
⃗|

Assim, uma base ortonormal sempre pode ser obtida de uma base ortogonal normalizando cada
vetor.
𝑣1 , ⃗⃗⃗⃗
Exemplo 141: A base 𝐵 = {⃗⃗⃗⃗ 𝑣2 , … , ⃗⃗⃗⃗ 𝑣1 = (1,1,1), ⃗⃗⃗⃗
𝑣𝑛 }, sendo ⃗⃗⃗⃗ 𝑣2 = (−2,1,1) e ⃗⃗⃗⃗
𝑣3 = (0, −1,1) é
ortogonal em relação ao produto interno usual. Normalizando cada vetor obtemos uma base ortonormal
do 𝑅 3 . Determinar esta base ortonormal. Resolução em aula.

PROCESSO DE ORTOGONALIZAÇÃO DE GRAM-SCHMIDT

𝑣1 , ⃗⃗⃗⃗
Dado um espaço vetorial euclidiano V e uma base qualquer 𝐵 = {⃗⃗⃗⃗ 𝑣2 , … , ⃗⃗⃗⃗
𝑣𝑛 } desse espaço, é
possível, a partir dessa base, determinar uma base ortogonal de V.
De fato, supondo que ⃗⃗⃗⃗
𝑣1 , ⃗⃗⃗⃗
𝑣2 , … , ⃗⃗⃗⃗
𝑣𝑛 não são ortogonais e, considerando que ⃗⃗⃗⃗
𝑤1 = ⃗⃗⃗⃗
𝑣1 ,
determinamos o valor de 𝛼 de modo que o vetor ⃗⃗⃗⃗⃗
𝑤2 = ⃗⃗⃗⃗
𝑣2 − 𝛼𝑤
⃗⃗⃗⃗1 seja ortogonal a ⃗⃗⃗⃗
𝑤1, ou seja:
𝑤2 ∙ ⃗⃗⃗⃗
⃗⃗⃗⃗⃗ 𝑤1 = 0
(𝑤
⃗⃗⃗⃗⃗2 − 𝛼𝑤 ⃗⃗⃗⃗1 ) ∙ ⃗⃗⃗⃗
𝑤1 = 0
𝑣2 ∙ ⃗⃗⃗⃗
⃗⃗⃗⃗ 𝑤1 − 𝛼(𝑤 𝑤1 ) = 0
⃗⃗⃗⃗1 ∙ ⃗⃗⃗⃗
⃗⃗⃗⃗2 ∙ ⃗⃗⃗⃗
𝑣 𝑤1
𝛼=
𝑤1 ∙ ⃗⃗⃗⃗
⃗⃗⃗⃗ 𝑤1
𝑣2 ∙ ⃗⃗⃗⃗
⃗⃗⃗⃗ 𝑤1
𝑤2 = ⃗⃗⃗⃗
⃗⃗⃗⃗⃗ 𝑣2 − ( ) ∙ ⃗⃗⃗⃗
𝑤1
𝑤1 ∙ ⃗⃗⃗⃗
⃗⃗⃗⃗ 𝑤1
Assim ⃗⃗⃗⃗
𝑤1 e ⃗⃗⃗⃗⃗
𝑤2 são ortogonais.
11
 ⃗⃗⃗⃗
𝑣 ∙𝑤 ⃗⃗⃗⃗⃗2 ⃗⃗⃗⃗
𝑣 ∙𝑤 ⃗⃗⃗⃗⃗1
Analogamente determina-se ⃗⃗⃗⃗⃗
𝑤3 , onde 𝑤 𝑣3 − (⃗⃗⃗⃗⃗3
⃗⃗⃗⃗⃗3 = ⃗⃗⃗⃗ ⃗⃗⃗⃗⃗
) ∙ 𝑤
⃗⃗⃗⃗⃗
2 − ( 3
⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗1
) ∙ ⃗⃗⃗⃗
𝑤1 ,
𝑤2 ∙𝑤2 𝑤1 ∙𝑤
onde ⃗⃗⃗⃗
𝑤1, ⃗⃗⃗⃗⃗
𝑤2 e ⃗⃗⃗⃗⃗
𝑤3 são ortogonais.
O processo que permite a determinação de uma base ortogonal a partir de uma base qualquer
chama-se processo de ortogonalização de Gram-Schmidt.
⃗⃗⃗⃗
𝑤𝑖
𝑤𝑖 , fazendo ⃗⃗⃗
Para se obter uma base ortonormal, basta normalizar cada ⃗⃗⃗⃗ 𝑢𝑖 = .
|𝑤
⃗⃗⃗⃗𝑖 |

𝑣1 = (1,1,1), ⃗⃗⃗⃗
EXEMPLO 142: Sejam ⃗⃗⃗⃗ 𝑣3 = (0,0,1) vetores do 𝑅 3 . Esses vetores
𝑣2 = (0,1,1) e ⃗⃗⃗⃗
constituem uma base 𝐵 = {𝑣
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣3 } não ortogonal em relação ao produto interno usual. Obtenha a
𝑣2 , ⃗⃗⃗⃗
partir de B uma base 𝐵′ = {𝑢
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑢3 } que seja ortonormal.
𝑢2 , ⃗⃗⃗⃗ Resolução em aula.
1 1 1 2 1 1 1 1
R: 𝐵 = {( , , ) , (− , √6 , ) , (0, − , )}
√3 √3 √3 √6 √6 √2 √2

COEFICIENTES DE FOURIER1
Seja V um espaço vetorial com produto interno e 𝐵 = {𝑣
⃗⃗⃗⃗1 , ⃗⃗⃗⃗ 𝑣𝑛 } uma base ortogonal de
𝑣2 , … , ⃗⃗⃗⃗
V. As coordenadas de w em relação a B, será dado por, 𝑤
⃗⃗ = 𝑎1 ⃗⃗⃗⃗
𝑣1 + 𝑎2 ⃗⃗⃗⃗
𝑣2 + ⋯ + 𝑎𝑛 ⃗⃗⃗⃗
𝑣𝑛 e queremos
determinar a i-ésima coordenada 𝑎𝑖 .
Podemos escrever:
𝑤
⃗⃗ = 𝑎𝑖 ⃗⃗𝑣⃗𝑖 multiplicamos cada lado da igualdade por ⃗⃗𝑣⃗𝑖 , então
⃗⃗ ∙ ⃗⃗𝑣⃗𝑖 = ⃗⃗𝑣⃗𝑖 (𝑎1 ∙ ⃗⃗𝑣⃗𝑖 )
𝑤
⃗⃗⃗𝑖
𝑤∙𝑣
onde 𝑎𝑖 = é chamado coeficiente de Fourier de w em relação a ⃗⃗𝑣⃗𝑖 .
⃗⃗⃗ ⃗⃗⃗𝑖
𝑣𝑖 ∙𝑣

Exemplo 143: Seja 𝑉 = 𝑅 2 com produto interno usual e 𝐵 = {(1,1), (−1,1)} uma base ortogonal do
5 1
𝑅 2 . Determinar [(2,3)]𝐵 . Resolução em aula. R: [(2,3)]𝐵 = 2 (1,1) + 2 (−1,1)

1
Usado para encontrar as coordenadas de um vetor em relação a base ortogonal dada.
12
 LISTA 12 – ESPAÇOS VETORIAIS COM PRODUTO INTERNO

1) Determinar o valor de m para que os vetores 𝑢 ⃗ = (𝑚 − 1,2,4) sejam ortogonais

⃗ = (2, 𝑚, −3) e 𝑢
em relação o produto interno usual do 𝑅 3 .

𝑣1 = (1, −2,1) uma base ortogonal do 𝑅 3 relativamente ao produto

2) Construir a partir do vetor ⃗⃗⃗⃗
interno usual e obter, a partir dela, uma base ortonormal.

3) Considere as seguintes bases:

a) 𝐴 = {(3,4), (1,2)} b) 𝐵 = {(1,0,0), (0,1,1), (0,1,2)} c) 𝐶 = {(1,0,1), (1,0, −1), (0,3,4)}
Ortonormalizar essas bases em relação ao produto interno usual de cada espaço.

4) Seja 𝑉 = 𝑅 2 com produto interno usual e 𝐵 = {(2,1), (−1,2)} uma base ortogonal do 𝑅 2 .
Determinar [(4,7)]𝐵 .

1 1 1 1
5) O conjunto 𝐵 = {( , ) , (− , )} é uma base ortonormal do 𝑅2 com o produto interno
√2 √ 2 √2 √2
usual. Determinar as coordenadas de 𝑣 = (2,4) em relação à base B.

Respostas
7
1) 𝑚 = 2

2) 𝐵𝑜𝑟𝑡 = {(1, −2,1), (1,1,1), (−1,0,1)} para base ortonormal, basta normalizar cada vetor de B:
1 2 1 1 1 1 1 1
𝐵𝑜𝑟𝑡𝑜𝑛 = {( ,− , ),( , , ) , (− , 0, )}
√6 √6 √6 √3 √3 √3 √2 √2
3 4 4 3 1 1 1 1
3) a) 𝐴𝑜𝑟𝑡𝑜𝑛 = {( , ) , (− , )} b) 𝐵𝑜𝑟𝑡𝑜𝑛 = {(1,0,0), (0, , ) , (0, − , )}
5 5 5 5 √2 √ 2 √2 √2
1 1 1 1
c) 𝐶𝑜𝑟𝑡𝑜𝑛 = {( , 0, ),( , 0, − ) , (0,1,0)}
√2 √ 2 √2 √2

𝑤𝐵 = (3,2)
4) 𝑎1 = 3, 𝑎2 = 2 ou ⃗⃗⃗⃗⃗ 5) 𝑎1 = 3√2, 𝑎2 = √2 ou ⃗⃗⃗⃗⃗
𝑤𝐵 = (3√2, √2)

13