Cap 03 Espaco Vetorial

Álgebra Linear - Espaço vetorial
Antonio Cândido Faleiros
Universidade Federal do ABC
Santo André, SP
2021
2
Sumário
1 Espaço vetorial 5
1.1 Corpo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Espaço vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Exemplos de espaços vetoriais . . . . . . . . . . . . . . . . . . . 14
1.3.1 Propriedades adicionais dos espaços vetoriais . . . . . . . 18
1.4 Subespaços vetoriais . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Combinação linear . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.6 Espaço gerado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.6.1 Propriedades dos espaços gerados . . . . . . . . . . . . . 33
1.7 Dependência e independência linear . . . . . . . . . . . . . . . . 34
1.8 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.8.1 Bases canônicas . . . . . . . . . . . . . . . . . . . . . . . 49
1.9 Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1.10 Espaço linha e espaço coluna . . . . . . . . . . . . . . . . . . . . 57
1.11 O posto e a matriz inversa . . . . . . . . . . . . . . . . . . . . . 73
1.12 Núcleo de uma matriz . . . . . . . . . . . . . . . . . . . . . . . 73
1.13 O posto e a nulidade de uma matriz . . . . . . . . . . . . . . . . 76
1.14 Matriz de mudança de base . . . . . . . . . . . . . . . . . . . . 81
1.15 Mudança de coordenadas . . . . . . . . . . . . . . . . . . . . . . 86
1.16 Espaços vetoriais funcionais . . . . . . . . . . . . . . . . . . . . 88
1.16.1 Combinação linear . . . . . . . . . . . . . . . . . . . . . 95
1.16.2 Dependência linear . . . . . . . . . . . . . . . . . . . 96
1.16.3 Wronskiano . . . . . . . . . . . . . . . . . . . . . . . . . 102
Professor Antonio Cândido Faleiros

4 SUMÁRIO
Prezados alunos, sejam bem-vindos.

Pegue seu celular, computador ou tablet,
lápis, papel e borracha.
Anote, esboce, faça diagramas, pense, interprete.
Ah... e se tiver alguma dúvida, pergunte.
É assim que se estuda.

Capítulo 1
Espaço vetorial
Graças ao seu poder de síntese, o conceito de espaço vetorial se mostrou

muito importante em Matemática, unicando diversas estruturas que per-
meiam as ciências exatas.
1.1 Corpo
Um corpo é uma estrutura matemática formada por um conjunto K, que

possui pelo menos dois elementos e duas operações. Uma delas denominadas
de adição e multiplicação. Estas operações possuem algumas propriedades
que serão enumeradas abaixo. Os elementos do corpo são chamados escalares.
A adição é uma operação que atua sobre dois escalares x e y de K e os leva

no escalar x + y de K denominado soma de x e y.
A multiplicação é uma operação que atua sobre dois escalares x e y de K
e os leva no escalar xy em K, denominado produto de x e y.
Como x + y e xy pertencem a K, se diz K é fechado na adição e na
multiplicação.
Ao dizer que K é um corpo, entenda-se que K é um conjunto munido de
duas operações e esta estrutura formada pelo conjunto e as duas operações é
que constitui o corpo.
Para o conjunto K e as operações de adição e multiplicação formarem um
corpo, é preciso que as propriedades abaixo sejam satisfeitas:

6 Espaço vetorial
1. Comutatividade. Dados dois escalares x e y em K,
x+y =y+x
xy = yx
2. Associatividade. Dados três escalares x, y e z em K,
(x + y) + z = x + (y + z)
(xy)z = x(yz)
3. Elemento neutro. Existem dois escalares em K, o 0 (zero) e o 1 (um),

que, para todo escalar x em K,
x+0=0+x=x
x1 = 1x = x
O 0 (zero) é o elemento neutro da adição ou elemento nulo e o 1
(um) é o elemento neutro da multiplicação ou elemento unidade.
4. Elemento simétrico.
(a) Para cada escalar x em K, existe um escalar u em K, denominado

simétrico aditivo ou oposto de x, para o qual
x + u = u + x = 0.
(b) Para cada escalar x em K diferente do zero, existe um escalar v em

K, denominado simétrico multiplicativo ou inverso de x, para
o qual
xv = vx = 1.

1.1 Corpo 7
5. Distributividade. Dados três escalares x, y e z em K,
x(y + z) = xy + xz,
(x + y)z = xz + yz.
Devido à associatividade (x + y) + z e x + (y + z) são iguais e podemos

denotá-los por
x + y + z.
Sendo a multiplicação uma operação associativa, os produtos (xy)z e x(yz)

são iguais e podemos denotá-los
xyz.
O x e o y são chamados de parcelas da soma
x + y.
O x e o y são chamados de fatores do produto
xy.
Quando for necessário, podemos usar o sinal × ou o ponto · para indicar o

produto e escrever x × y ou x · y em lugar de xy.
Ilustramos com os exemplos 5 × 7 ou 8 · 3.
Omitir os sinais nestes casos, poderia nos levar a confundir o produto de 5
por 7 com 57 e o produto de 8 por 3 com 83.
O elemento neutro da adição é único.
De fato, se 01 e 02 forem elementos neutros da adição,
(1) (2)
01 = 01 + 02 = 02 .

8 Espaço vetorial
a igualdade (1) vale pois 02 é elemento neutro da adição e a igualdade

(2) vale pois 01 é elemento neutro da adição. Sendo 01 = 02 , o elemento
neutro é único.
O elemento neutro da multiplicação é único.
O oposto de um escalar x é único. Sendo único, o oposto de x e será

denotado por −x.
O inverso de um escalar x 6= 0 é único. Sendo único, o inverso de x será

denotado por x−1 .
Com estas notações,
x + (−x) = (−x) + x = 0
x x−1 = x−1 x = 1.
Denimos a subtração x − y (leia-se x menos y ) por
x − y = x + (−y).
Quando y 6= 0, denimos a divisão x/y (leia-se x dividido por y) do

seguinte modo
x
= xy −1 .
y
Exemplo. São corpos:

1. O conjunto dos números racionais Q com as operações usuais de adição
e multiplicação de números racionais.
2. O conjunto dos números reais R com as operações usuais de adição e
multiplicação de números reais.
3. O conjunto dos números complexos C, com as operações usuais de adição
e multiplicação de números complexos.

1.1 Corpo 9
Por simplicidade, iremos nos referir a eles como corpo dos racionais Q,
corpo dos reais R e corpo dos números complexos C.
Corpos nitos
São aqueles nos quais o conjunto K possui um número nito de elementos.
São também denominados Corpos de Galois, em homenagem ao matemá-

tico francês Evariste Galois (1811-1832).
Denição 1.1 Operação modular. Sejam x e n > 1 dois números inteiros,

ao efetuar a divisão inteira de x por n, obtemos um quociente inteiro q e
um resto inteiro r, onde 0 ≤ r < n,
x = qn + r.
A operação modular é aquela que leva os números x e n no resto r,
x mod n = r (leia-se x módulo n).
Exemplo.
25 mod 3 = 1 pois 25 = 8 × 3 + 1
−38 mod 7 = 4 pois − 38 = (−6) × 7 + 4
52 mod 26 = 0 pois 52 = 2 × 26 + 0
Exemplo. São corpos nitos:

1. Seja p um número primo. A estrutura matemática formada pelo conjunto
Zp = { 0, 1, 2, . . . , p − 1 }

10 Espaço vetorial
e as operações de adição e multiplicação módulo p
a ⊕ b = (a + b) mod p
a ⊗ b = (a · b) mod p
é um corpo nito.
Vamos lembrar que
x mod p (leia-se x módulo p).

é o resto da divisão inteira de x por p.
Exemplo. Consideremos p = 7 e
Z7 = { 0, 1, 2, 3, 4, 5, 6 } .
As operações de adição e multiplicação assim são denidas
a ⊕ b = (a + b) mod 7
a ⊗ b = (a · b) mod 7
Vamos realizar algumas adições
2 ⊕ 4 = (2 + 4) mod 7 = 6 mod 7 = 6
5 ⊕ 3 = (5 + 3) mod 7 = 8 mod 7 = 1
1 ⊕ 6 = (1 + 6) mod 7 = 7 mod 7 = 0
Vamos realizar algumas multiplicações
5⊗3 = (5 × 3) mod 7 = 15 mod 7 = 1
6⊗6 = (6 × 6) mod 7 = 36 mod 7 = 1
4⊗2 = (4 × 2) mod 7 = 8 mod 7 = 1
4⊗4 = (4 × 4) mod 7 = 16 mod 7 = 2
2⊗3 = (2 × 3) mod 7 = 6 mod 7 = 6
A título de informação, os corpos nitos são muito utilizados em Cripto-

graa.

1.2 Espaço vetorial 11
1.2 Espaço vetorial
Um espaço vetorial é uma estrutura matemática formada por:

1. um conjunto não vazio V, cujos elementos são denominados de vetores;
2. um corpo K, cujos elementos são denominados escalares;

3. duas operações, sendo uma delas a adição de vetores e a outra a
multiplicação de um vetor por um escalar.
Para que tal estrutura seja denominada de espaço vetorial, as duas ope-
rações precisam satisfazer a algumas propriedades que serão descritas abaixo.
Os vetores serão representados por letras em negrito.

Os escalares serão designados por letras sem negrito.
Para simplicar, é frequente dizer apenas que V é um espaço vetorial.
Todavia, nunca se deve esquecer que o espaço vetorial é uma estrutura
formada pelo conjunto V, pelo corpo K e por duas operações. Uma é a adição
de vetores e a outra é a multiplicação de um vetor por um escalar.
Para enfatizar o papel do corpo na estrutura do espaço vetorial é usual
dizer que V é um espaço vetorial sobre o corpo K.
Quando K é o corpo dos números reais, se diz que o espaço vetorial V é
real.
Quando K é o corpo dos números complexos, se diz que o espaço vetorial
V é complexo.
A adição e a multiplicação num espaço vetorial
A adição de vetores é uma operação que leva um par v e w de vetores

de V no vetor v + w de V chamado de soma de v e w.
A multiplicação de um vetor por um escalar é uma operação que
leva um escalar x de K e um vetor v de V no vetor x v de V denominado de
múltiplo escalar de v ou somente múltiplo de v.
Quando for conveniente, sendo x um escalar e v um vetor, pode-se escrever
v x em lugar de x v e, quando x 6= 0, podemos denir

12 Espaço vetorial
v
= x−1 v.
x
Para o conjunto V ser um espaço vetorial sobre o corpo K é preciso que

as operações de adição de vetores e multiplicação de um vetor por um escalar
possuam as propriedades abaixo:
Propriedades da adição:
1. Comutatividade. Para todo par v e w de vetores em V,
v + w = w + v.
2. Associatividade. Sendo u, v e w vetores em V,
(u + v) + w = u + (v + w).
3. Vetor nulo. Existe um vetor em V, chamado de vetor zero ou vetor

nulo, denotado por 0 (zero em negrito) tal que, para todo vetor v em
V,
v + 0 = 0 + v = v.
O vetor nulo 0 é o elemento neutro da adição de vetores.
4. Vetor oposto. Para cada vetor v em V, existe um vetor w em V,

chamado de vetor oposto de v, para o qual
v + w = w + v = 0.
Propriedades da multiplicação de um vetor por escalar:

1.2 Espaço vetorial 13
1. Associatividade. Para todo par x e y de escalares em K e todo vetor

v em V,
(x y)v = x(y v).
2. Distributividade. Se x e y forem escalares em K, v e w vetores em V,
x(v + w) = x v + x w,
(x + y)v = x v + y v.
3. Elemento unidade. Se 1 for o elemento neutro da multiplicação em K,

para todo vetor v em V,
1v = v.
Em virtude da associatividade da adição de vetores, os vetores (u + v) + w

e u + (v + w) são iguais e podemos denotá-los por
u + v + w,
sem os parêntesis.
Em virtude da associatividade da multiplicação de um escalar por um vetor,

os vetores (xy)v e x(yv) são iguais e podemos denotá-los simplesmente por
x y v.
Evite uma notação que conduza a erros de interpretação.

Para indicar o produto (5 × 4)v, que é igual a 5(4v), nunca escreva 54v.

14 Espaço vetorial
Nota 1.2 Estabelecemos que a soma u + v e o produto x v pertencem ambos

a V. Muitos autores incluem este fato entre as propriedades das operações
dizendo que o espaço vetorial V é fechado na adição de vetores e fechado
na multiplicação de um vetor por um escalar.
Por brevidade é usual falar que o espaço vetorial V é fechado na adição e
na multiplicação.
O vetor nulo é único.

Dado um vetor v o seu oposto é único e será denotado por −v
v + (−v) = (−v) + v = 0.
Denimos a diferença entre os vetores u e v por
u − v = u + (−v)
É bom notar que

u − u = u + (−u) = 0.
1.3 Exemplos de espaços vetoriais
O espaço vetorial das n−uplas ordenadas
O conjunto dos vetores é formado por todas as n−uplas ordenadas de nú-

meros reais
Rn = { (x1 , . . . , xn ) : xi ∈ R para i = 1, . . . , n }
O corpo dos escalares é o corpo dos números reais R.

Duas n−uplas do Rn são iguais

1.3 Exemplos de espaços vetoriais 15
(x1 , x2 , . . . , xn ) = (y1 , y2 , . . . , yn )
quando
x1 = y1 , x2 = y2 , . . . , xn = yn .
A adição de duas n−uplas
x = (x1 , . . . , xn ) e y = (y1 , . . . , yn )
as leva na n−upla
x + y = (x1 + y1 , . . . , xn + yn ),
chamada de soma de x e y.
A multiplicação de um número real c por uma n−upla
x = (x1 , . . . , xn )
resulta na n−upla
c x = ( c x1 , . . . , c xn ),
chamada de múltiplo escalar de x ou, simplemente, múltiplo de x.
O vetor nulo ou vetor zero é o
0 = (0, . . . , 0).
Note que usamos o zero em negrito para indicar o vetor nulo e zero sem
negrito para indicar o escalar zero.
O oposto de x = (x1 , . . . , xn ) é
−x = (−x1 , . . . , −xn ).

16 Espaço vetorial
O Rn , com as operações acima denidas de adição de n−uplas e multipli-

cação de uma n−upla por um escalar, é um espaço vetorial real.
No Rn , a subtração é a operação denida por
(x1 , . . . , xn ) − (y1 , . . . , yn ) = (x1 − y1 , . . . , xn − yn ).
Observe que
 
x1
 .. 
(x1 , . . . , xn ) x1 · · · xn  . 
xn
são três formas equivalentes de dispor n números reais numa tabela ordenada.
O espaço vetorial das matrizes reais
O conjunto dos vetores é o das das matrizes reais de tamanho m × n, que

denotaremos por
Mm×n (R) ou Mm×n .
O corpo K dos escalares é o corpo R dos números reais.

As operações são aquelas usuais de adição de matrizes e multiplicação de
números reais por matrizes
A+B e c A.
O conjunto das matrizes reais m × n, com estas operações é um espaço

vetorial real.
Quando nos referirmos ao espaço vetorial das matrizes
Mm×n

1.3 Exemplos de espaços vetoriais 17
estaremos nos referindo a toda a estrutura formada pelo conjunto de vetores,

pelo corpo dos escalares e as duas operações.
Destacamos o espaço vetorial das matrizes coluna m × 1, o das matrizes
linha 1 × n e o das matrizes quadradas n × n.
O espaço vetorial das funções polinomiais
O conjunto de vetores é o conjunto Pn (R) das funções polinomiais p : R →

R, com coecientes reais e grau menor ou igual a n, do tipo
p(x) = a0 + a1 x + · · · + an xn
onde
a0 , a1 , . . . , an
são números reais.
Lembramos que todo polinômio de grau n > 0 se anula em, no máximo, n

valores reais de x.
As funções polinomiais constantes,
p(x) = a0
para todo x real, possuem grau zero.

A função polinomial p(x) = 0, para todo x real, é a chamada função
polinomial nula.
Duas funções polinomiais p e q são iguais quando
p(x) = q(x) para todo x real.
Quando este for o caso, escrevemos p = q.

A adição de duas funções polinomiais p e q as leva na função polinomial
p + q, denida, para todo x real, por
(p + q)(x) = p(x) + q(x).

18 Espaço vetorial
A multiplicação de um número real c por uma função polinomial p resulta

na função polinomial cp denida, para todo x real, por
(c p)(x) = c p(x).
O conjunto
Pn (R),
com as operações acima denidas, é um espaço vetorial real.
O elemento neutro é a função polinomial identicamente nula, o oposto da
função polinomial p é a função polinomial −p denida por
(−p)(x) = −p(x).
O conjunto
P (R)
de todas as funções polinomiais reais com as duas operações denidas acima é
um espaço vetorial real.
Nota 1.3 O conjunto das funções polinomiais de grau n (exatamente n), com
as operações acima denidas, não é um espaço vetorial real. A soma de duas
funções polinomiais de grau n pode ser uma função polinomial de grau menor
do que n. Vamos a um exemplo: ao adicionar
p(x) = 3 − 2x + 5x2 e q(x) = 6 + 4x − 5x2 ,

obtemos
(p + q)(x) = p(x) + q(x) = 9 + 2x

que possui grau 1.
1.3.1 Propriedades adicionais dos espaços vetoriais
Lembre-se que 0 (zero sem negrito) denota o escalar zero, que é o elemento
neutro da adição no corpo dos escalares e 0 (zero em negrito) denota o vetor
nulo, que é o elemento neutro da adição no espaço vetorial V.
Para todo escalar c e todo vetor v em V,

1.4 Subespaços vetoriais 19
1. 0 v = 0.
2. c 0 = 0.
3. −v = (−1)v.
4. Se c v = 0 então c = 0 ou v = 0.
O papel das operações nos espaços vetoriais
Vamos denir no R2 as operações
(a, b) + (x, y) = (a + x, b + y),

c (x, y) = (c x, 0),
onde c é um número real.
Este conjunto com essas operações não é um espaço vetorial real pois
1(1, 2) = (1, 0) 6= (1, 2).
A multiplicação agora denida não satisfaz à propriedade 1v = v exigida

na denição de espaços vetoriais.
1.4 Subespaços vetoriais
Seja S um subconjunto não vazio de um espaço vetorial V sobre um corpo K.

Sendo V um espaço vetorial, nele há uma adição de vetores e uma multi-
plicação de vetores por escalares.
Como S está contido em V, podemos adicionar os vetores de S e multiplicá-
los por escalares.
Diremos que S é fechado na adição se, dados dois vetores u e v quaisquer
em S, a soma u + v pertence a S.

20 Espaço vetorial
Diremos que S é fechado na multiplicação por escalar se, para todo

vetor v em S e todo escalar c em K, o vetor c v pertence a S.
Denição 1.4 Seja S um subconjunto não vazio de um espaço vetorial V

sobre um corpo K. Diremos que S é um subespaço vetorial de V quando for
fechado na adição e na multiplicação por escalar: Para todo par de vetores u
e v em S e para todo escalar c em K,
1. a soma u + v pertence a S;
2. o produto c v pertence a S.
Exemplo. O R2 , com as operações de adição de pares ordenados e multi-

plicação de um par ordenado por um número real c, denidas por
(a, b) + (x, y) = (a + x, b + y),
c(a, b) = (ca, cb),
é um espaço vetorial real. O subconjunto
(x, y) ∈ R2 : 2x + 3y = 0

S=
é um subespaço vetorial do R2 .
Precisamos mostrar que S é fechado na adição e na multiplicação.

Sejam (a, b) e (x, y) dois pares ordenados em S, de modo que
2a + 3b = 0 e 2x + 3y = 0.
Para um número real c, vamos mostrar que, tanto
(a, b) + (x, y) = (a + x, b + y) quanto c (x, y) = (c x, c y)
pertencem a S. De fato,
2(a + x) + 3(b + y) = (2a + 3b) + (2x + 3y) = 0 + 0 = 0,

e
2(c x) + 3(c y) = c (2x + 3y) = c 0 = 0.

O S é fechado na adição e na multiplicação por escalar.

Logo, ele é um subespaço vetorial do R2 .
Perceba que o conjunto S é uma reta passando pela origem do R2 .
Exemplo. O conjunto M2×2 (R) das matrizes reais 2 × 2, com as operações

de adição de matrizes e multiplicação de uma matriz por um número real, é
um espaço vetorial real.
São subespaços de M2×2 (R) :
1. O subconjunto S1 das matrizes simétricas

a x
S1 = ∈ M2×2 (R) ,
x d
2. O subconjunto S2 das matrizes diagonais

a 0
S2 = ∈ M2×2 (R) ,
0 d
3. O subconjunto S3 das matrizes triangulares inferiores

a 0
S3 = ∈ M2×2 (R) ,
c d
4. O subconjunto S4 das matrizes triangulares superiores

a b
S4 = ∈ M2×2 (R) .
0 d
Teorema 1.5 Todo subespaço vetorial S contém o vetor nulo.

22 Espaço vetorial
Prova. Como o subespaço vetorial S não é vazio, ele possui ao menos um

vetor v. Como S é fechado na multiplicação por escalar, 0 = 0 v pertence a S.
Se o vetor nulo 0 de V não pertence ao subconjunto S, já se pode armar

que S não é subespaço vetorial de V.
A recíproca não é verdadeira. O vetor nulo 0 de V pode pertencer a
um subconjunto S de V e mesmo assim, não podemos armar que S é um
subespaço vetorial de V, sem vericar o fechamento em relação às operações.
Exemplo. Considere o subconjunto
S = { (x, y) ∈ R2 : y = x2 }
do R2 que contém o vetor nulo (0, 0). Ele não é um subespaço vetorial pois
não é fechado na multiplicação por um escalar. Observe que
(1, 1) ∈ S
mas
3(1, 1) = (3, 3) não pertence a S.
O S também não é fechado na adição.

O ponto (1, 1) pertence a S mas a soma
(1, 1) + (1, 1) = (2, 2)
não.
Teorema 1.6 Seja S um subespaço vetorial de um espaço vetorial V sobre um

corpo K.
Então S, com as operações de adição e multiplicação por escalar denidas
em V, é um espaço vetorial sobre o corpo K.

Prova. Sendo S um subespaço vetorial de V, ele é fechado na adição e

na multiplicação por um escalar. Vimos que o vetor nulo está em S, que é o
elemento neutro da adição. Se um vetor v pertence a S seu oposto também está
pois −v = (−1)v. As outras propriedades das operações em V permanecem
em S. Isto é o bastante para assegurar que S, com as operações em V, é um
espaço vetorial sobre o corpo K.
Se V é um espaço vetorial, então o próprio V e o conjunto {0}, contendo

apenas o vetor nulo, são subespaços vetoriais de V denominados triviais.
Em particular, o subespaço vetorial {0} que contém apenas o vetor nulo é
denominado de espaço nulo.
Se um subespaço vetorial S de um espaço vetorial real possuir um vetor
não nulo v, então possuirá innitos vetores, uma vez que o vetor c v, para todo
real c, também pertence a S.
Subespaços vetoriais do R2
Lembre-se que a origem (0, 0) do R2 é o seu vetor nulo.
São subespaços vetoriais do R2 a retas que passam pela origem (0, 0), o
próprio R2 e o subconjunto que contém apenas o (0, 0).
Exemplo. Seja (a, b) um par não nulo de números reais. Os pontos (x, y)
das retas S que passam pela origem (0, 0) do plano R2 obedecem a equações
paramétricas
(x, y) = t (a, b), t ∈ R.
A soma dos pontos t1 (a, b) e t2 (a, b) de S pertence à reta pois é da forma
t1 (a, b) + t2 (a, b) = (t1 + t2 )(a, b)
Ao multiplicar um ponto t (a, b) da reta S por um número real c, obtemos

o ponto
(ct) (a, b)
que pertence à reta.

24 Espaço vetorial
Sendo fechada na adição e na multiplicação por escalar, a reta passando

pela origem é um subespaço vetorial do R2 .
Exemplo. A reta S do R2 cujos pontos (x, y) obedecem às equações pa-

raméricas
x = 2 − s, y = −4 + 2s, s ∈ R,
é um subespaço vetorial do R2 pois (x, y) = (0, 0) quando s = 2.
Exemplo. A reta S cujos pontos (x, y) obedecem às equações paramétricas
x = 1 + 2t, y = 2 − t, t ∈ R,
não é subespaço vetorial do R2 pois S não passa pela origem (0, 0). Não existe
t para o qual 1 + 2t = 0 e 2 − t = 0.
Subespaços vetoriais do R3
Lembre-se que a origem (0, 0, 0) do R3 é o seu vetor nulo.
São subespaços vetoriais do R3 as retas e planos que passam pela origem
(0, 0, 0), o próprio R3 e o conjunto que contém apenas o terno (0, 0, 0).
Exemplo. O plano S do R3 , cujos pontos (x, y, z) obedecem às equações

paramétricas

 x = 1 + r − s,
y = 2 − r, r, s ∈ R,
z = 6 − 2s,

passa pela origem (0, 0, 0) quando r = 2 e s = 3. Logo S é um subespaço

vetorial do R3 .
Teorema 1.7 Seja S um subconjunto não vazio de um espaço vetorial V.

O S é um subespaço vetorial de V se, e só se, a combinação linear

c1 v 1 + c2 v 2
também pertence a S, para quaisquer vetores v1 e v2 de S e quaisquer escalares

c1 e c2 .
Prova. (1) Quando S é um subespaço vetorial de V. Dados v1 e v2 per-

tencentes a S e dados dois escalares c1 , c2 , então c1 v1 e c2 v2 pertencem a S
pois ele é fechado no produto de um vetor por um escalar. Como S é fechado
na adição, c1 v1 + c2 v2 também pertence a S.
(2) Sejam v1 , v2 vetores de S e c1 , c2 dois escalares. Vamos tomar como
hipótese que a combinação linear
c1 v 1 + c2 v 2
pertence a S.
Tomando c2 = 0, vemos que c1 v1 pertence a S. Logo S é fechado na mul-
tiplicação por um escalar.
Por outro lado, tomando c1 = c2 = 1, vemos que v1 + v2 pertence a S,
mostrando que S é fechado na adição.
Logo, S é subespaço vetorial de V.
Exemplo. Seja A uma matriz real m × n e 0 a matriz coluna m × 1.

O conjunto S das soluções X da equação homogênea
AX = 0
é um subespaço vetorial de Mn×1 (R).

De fato, se
AX1 = 0 e AX2 = 0,
então a combinação linear
c1 X 1 + c2 X 2
também é solução do homogênea pois
A(c1 X1 + c2 X2 ) = A(c1 X1 ) + A(c2 X2 )

= c1 AX1 + c2 AX2 = c1 0 + c2 0 = 0.

26 Espaço vetorial
1.5 Combinação linear
Considere os vetores v1 , v2 , . . . , vn de um espaço vetorial V e escalares c1 , c2 ,

. . . , cn . O vetor de V denido por
c1 v 1 + c2 v 2 + · · · + cn v n
é chamado combinação linear (CL) dos vetores v1 , v2 , . . . , vn , com coe-

cientes c1 , c2 , . . . , cn .
A combinação linear
0v1 + 0v2 + · · · + 0vn
onde todos os coecientes são iguais a zero, é denominada trivial e resulta

no vetor nulo.
Sendo c um escalar, o múltiplo
cv
do vetor v é uma combinação linear de um único vetor.

As combinações lineares de um único vetor v são os múltiplos c v, onde c
é um escalar.
Exemplo. Todo vetor (x, y, z) do R3 é uma combinação linear dos vetores

(1, 0, 0), (0, 1, 0), (0, 0, 1)
pois
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1).
Mesmo existindo innitos ternos ordenados de números reais, todos eles são
combinações lineares de apenas três deles.

1.5 Combinação linear 27
Exemplo. Embora existam innitas matrizes reais 2×2, podemos escrevê-

las como combinação linear de quatro matrizes

a b 1 0 0 1 0 0 0 0
=a +b +c +d .
c d 0 0 0 0 1 0 0 1
Estes exemplos evidenciam a importância da combinação linear e que pas-

saremos a explorar.
Exemplo. O terno ordenado de números reais
(9, 2, 7)
é uma combinação linear de
(1, 2, −1) e (6, 4, 2)
com coecientes −3 e 2, uma vez que
(9, 2, 7) = −3(1, 2, −1) + 2(6, 4, 2)
Por outro lado,

(4, −1, 8)
não é combinação linear de
(1, 2, −1) e (6, 4, 2).
De fato, para escrever o primeiro terno como combinação linear dos dois
últimos,
(4, −1, 8) = x(1, 2, −1) + y(6, 4, 2) ,
é preciso que x e y sejam solução do sistema de equações algébricas lineares

28 Espaço vetorial
x + 6y = 4,
2x + 4y = −1,
−x + 2y = 8,
que, escalonado, resulta em
x + 6y = 4,
8y = 9,
0x + 0y + 0z = 3.
Como a última equação é inconsistente,
(4, −1, 8)
não é combinação linear de
(1, 2, −1) e (6, 4, 2).
Exemplo. Considere os ternos ordenados do R3
e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)
Uma vez que
(2, 3, −1) = 2(1, 0, 0) + 3(0, 1, 0) − 1(0, 0, 1),
concluímos que
(2, 3, −1)
é uma combinação linear de e1 , e2 , e3 pois
(2, 3, −1) = 2e1 + 3e2 − 1e3 .

1.6 Espaço gerado 29
Aliás,
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)

= x e1 + y e2 + z e3 ,
e todo terno ordenado (x, y, z) do R3 é uma combinação linear de e1 , e2 , e3 .
Embora existam innitos ternos ordenados (x, y, z) de números reais, todos

eles são combinações lineares de e1 , e2 , e3 .
1.6 Espaço gerado
Seja V um espaço vetorial não nulo sobre um corpo K e
G = {v1 , . . . , vn }
um conjunto nito e não vazio de vetores pertencentes a V.

O conjunto
S = { c1 v1 + · · · + cn vn : c1 , . . . , cn ∈ K }
formado por todas as combinações lineares dos vetores v1 , . . . , vn é um su-

bespaço vetorial de V, chamado espaço vetorial gerado por G = {v1 , . . . , vn }
ou espaço vetorial gerado por v1 , . . . , vn .
O vetor nulo está em S pois
0 = 0v1 + · · · + 0vn
é a combinação linear trivial de v1 , . . . , vn .

30 Espaço vetorial
Também é usual dizer que G é um conjunto gerador de S ou ainda que

os vetores v1 , . . . , vn geram S.
O espaço vetorial gerado por G é denotado por
S = ger(G) ou S = ger(v1 , . . . , vn ).
Cada vetor v1 , . . . , vn de G pertence ao subespaço vetorial gerado por ele,

uma vez que
v1 = 1v1 + 0v2 + · · · + 0vn
v2 = 0v1 + 1v2 + · · · + 0vn
..
.
vn = 0v1 + 0v2 + · · · + 1vn
é uma combinação linear dos vetores de G.
O espaço gerado por um único vetor v não nulo, é aquele formado pelos
múltiplos de v
ger(v) = { c v : c ∈ K }.
Exemplo. O espaço gerado pelos vetores v1 = (1, 2, 0), v2 = (0, 1, 1) do

R é
3
S = { a(1, 2, 0) + b(0, 1, 1) : a, b ∈ R }
= { (a, 2a + b, b) ∈ R3 : a, b ∈ R }.
O subespaço S gerado por v1 e v2 é um plano que passa pela origem e cujos

pontos (x, y, z) obedecem às equações paramétricas
x = a
y = 2a + b
z = b
cujos parâmetros a e b podem assumir quaisquer valores reais.

Chamamos S de plano gerado por v1 e v2 .
Exemplo. Consideremos os ternos ordenados de números reais
v1 = (1, 1, 0), v2 = (0, 1, 0), v3 = (1, 0, 1).
Estes três vetores geram todo o R3 pois qualquer terno ordenado (a, b, c)
de números reais se escreve como combinação linear de v1 , v2 e v3 .
Provemos esta armação. Dado um terno ordenado (a, b, c) qualquer de
números reais, vamos mostrar que existem x, y e z de modo que
(a, b, c) = x v1 + y v2 + z v3
(a, b, c) = x(1, 1, 0) + y(0, 1, 0) + z(1, 0, 1).
Esta igualdade vetorial é satisfeita pelas soluções do sistema
x+z = a
x+y = b
z = c
cuja solução em x, y e z é
x = a − c,
y = −a + b + c,
z = c.
Portanto,
(a, b, c) = (a − c) v1 + (−a + b + c) v2 + c v3 .
Exemplo. Os ternos ordenados de números reais
(1, 1, 2), (1, 0, 1), (2, 1, 3)

32 Espaço vetorial
não geram o R3 .
Passemos à prova desta armação.

Vejamos quais ternos ordenados (a, b, c) de números reais são combinações
lineares dos três vetores acima.
Sejam x, y, z tais que
(a, b, c) = x (1, 1, 2) + y (1, 0, 1) + z (2, 1, 3) .
Tais números reais seriam solução do sistema
x + y + 2z = a,
x + z = b,
2x + y + 3z = c,
que, em sua forma escalonada, se torna
x + y + 2z = a
y+z = a−b
0x + 0y + 0z = c − a − b
A última linha corresponde a uma equação degenerada que possui solução

apenas quando
c−a−b=0 ou c = a + b.
Apenas aqueles ternos ordenados (a, b, c) para os quais c = a + b, são

combinações lineares dos vetores
(1, 1, 2), (1, 0, 1), (2, 1, 3)
que, portanto, não geram o R3 mas apenas um subespaço S formado pelos

ternos ordenados (a, b, c) onde c = a + b.

Este subespaço S é um plano que passa pela origem do R3 , cuja equação

geral é
c = a + b.
1.6.1 Propriedades dos espaços gerados
1. Sejam G e H conjuntos nitos e não vazios de um espaço vetorial V não

nulo.
(a) Se todo vetor de G for combinação linear dos vetores de H, isto é,
G ⊂ ger(H),
então
ger(G) ⊂ ger(H).
(b) Se todo vetor de G for combinação linear dos vetores de H e, todo

vetor de H for combinação linear dos vetores de G, isto é,
G ⊂ ger(H) e H ⊂ ger(G),
então
ger(G) = ger(H).
2. O espaço gerado por G não se altera ao:
(a) permutar a posição dos vetores de G;

34 Espaço vetorial
(b) multiplicar um dos vetores de G por um escalar não nulo;
(c) adicionar a um vetor de G um múltiplo de outro vetor de G;

Note o leitor a conexão entre estas propriedades e as operações
elementares sobre as linhas de uma matriz.
3. O espaço gerado por G não se altera ao:
(a) incluir em G um vetor igual a uma combinação linear dos vetores

de G;
(b) retirar de G um vetor igual a uma combinação linear dos demais

vetores de G.
1.7 Dependência e independência linear
Seja V um espaço vetorial não nulo sobre um corpo K.

Seja
G = {v1 , ..., vn }
um conjunto nito e não vazio de vetores de V.
Quando existirem escalares c1 , c2 , . . . , cn nem todos nulos para os quais
c1 v1 + c2 v2 + · · · + cn vn = 0,
diz-se que o conjunto G = {v1 , ..., vn } é linearmente dependente (LD) ou

que os vetores v1 , . . . , vn são linearmente dependentes.
Quando um conjunto G = {v1 , ..., vn } de vetores não for linearmente depen-
dente, diremos que ele é linearmente independente (LI) ou que os vetores
v1 , . . . , vn são linearmente independentes.
Neste caso, apenas a combinação linear trivial
0 v1 + · · · + 0 vn

1.7 Dependência e independência linear 35
resulta no vetor nulo 0.
Por conveniência, vamos considerar linearmente independente o conjunto

vazio { } e, por denição, dizer que ele gera o espaço vetorial trivial {0}, que
contém apenas o vetor nulo.
Um conjunto com um único vetor G = {v} não nulo é linearmente inde-
pendente pois a equação
c v = 0,
onde c é um escalar, possui apenas a solução trivial c = 0.
Dados os vetores v1 , . . . , vn , quando os escalarares c1 , . . . , cn forem tais
que
c1 v1 + · · · + cn vn = 0,
diremos que x1 = c1 , . . . , xn = cn é uma solução da equação vetorial
x1 v1 + · · · + xn vn = 0, (1.1)
nas incógnitas x1 , . . . , xn .
Esta equação sempre possui a solução x1 = 0, . . . , xn = 0, denominada

solução trivial.
Se esta for sua única solução de (1.1), o conjunto
G = {v1 , . . . , vn }
é linearmente independente. Quando (1.1) possuir soluções não triviais, o

conjunto G é linearmente dependente.
Exemplo. Considere os ternos ordenados de números reais
u = (2, −1, 0), v = (1, 2, 5), w = (7, −1, 5).
Vamos vericar se G = {u, v, w} é ou não um conjunto linearmente de-

pendente do R3 .
Consideremos a equação vetorial

36 Espaço vetorial
x(2, −1, 0) + y(1, 2, 5) + z(7, −1, 5) = (0, 0, 0)
nas incógnitas reais x, y e z.
Esta igualdade vetorial corresponde a três igualdades escalares
2x + y + 7z = 0,
−x + 2y − z = 0,
5y + 5z = 0,
cuja solução é
x = −3z
y = −z.
onde z é uma variável livre e pode assumir qualquer valor real.
Temos innitas soluções, inclusive a trivial x = 0, y = 0 e z = 0.

Uma possível solução não trivial é obtida escolhendo z = −1. Substituindo
acima, obtemos
x=3 e y = 1.
Com esta escolha, vê-se que
3u + v − w = 0,
mostrando que o conjunto de vetores {u, v, w} é linearmente dependente.
Nesta igualdade podemos explicitar w para escrevê-lo como uma combina-

ção linear de u e v
w = 3u + v.
Este exemplo mostra que, se um conjunto de vetores é linearmente depen-

dente, então pelo menos um dos vetores é uma combinação linear dos demais.

Exemplo. Os vetores
e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)
do R3 formam um conjunto linearmente independente.
Se x, y e z forem números reais para os quais
xe1 + ye2 + ze3 = 0 ou

x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1) = (0, 0, 0)
então x = 0, y = 0 e z = 0.
Exemplo. Vamos vericar se o conjunto formado pelos vetores
v1 = (1, −2, 3), v2 = (5, 6, −1), v3 = (3, 2, 1)
do R3 é ou não é linearmente dependente.
Sejam x, y e z números reais tais que
x(1, −2, 3) + y(5, 6, −1) + z(3, 2, 1) = (0, 0, 0).
Esta igualdade vetorial resulta no sistema homogêneo de três equações
x + 5y + 3z = 0
−2x + 6y + 2z = 0
3x − y + z = 0
cuja forma matricial é
    
1 5 3 x 0
 −2 6 2   y = 0 .
 
3 −1 1 z 0
Aplicando o método de Gauss para resolvê-la, obtemos

38 Espaço vetorial
x=y e z = −2y.
Sendo y uma variável livre, o sistema homogêneo possui solução não trivial.
Tomando y = 1, obtemos uma solução não trivial da equação vetorial
x = 1, y=1 e z = −2 .
que resulta na combinação linear não trivial
1v1 + 1v2 + (−2) v3 = 0
cujo resultado é o vetor nulo.
Fica provado que o conjunto de vetores {v1 , v2 , v3 } é linearmente depen-

dente.
Note que a combinação linear acima não é única.
Para cada escolha da varável independente y temos uma CL distinta.
Teorema 1.8 Um conjunto nito e não vazio de vetores de um mesmo espaço

vetorial é linearmente dependente se, e só se, um dos seus vetores for uma
combinação linear dos demais.
Prova. Seja G = {v1 , . . . , vn } um conjunto nito e não vazio de vetores

de um mesmo espaço vetorial.
1. Se G for linearmente dependente, existem escalares c1 , . . . , cn , nem
todos nulos, tais que
c1 v 1 + c2 v 2 + · · · + cn v n = 0
Se o c1 for diferente de zero, podemos explicitar v1

c2 cn
v1 = − v2 + · · · + − vn
c1 c1

e provamos que é possível escrever v1 como combinação linear de v2 , . . . , vn .
Se o c1 for igual a zero, pelo menos um dos outros coecientes c2 , . . . , cn é

diferente de zero.
Quando ci 6= 0, é possível explicitar vi e escrevê-lo como combinação linear
dos outros vetores.
2. Reciprocamente, se v1 for uma combinação linear de v2 , . . . , vn , existem
escalares a2 , . . . , an tais que
v 1 = a2 v 2 + · · · + an v n ,
de onde segue
1 v1 + (−a2 ) v2 + · · · + (−an ) vn = 0 ,
e temos uma combinação linear dos vetores de G com pelo menos o coeciente
de v1 sendo diferente de zero, pois é igual a 1. Isto prova a dependência linear
do conjunto G.
Todo conjunto nito que contém o vetor nulo, é linearmente dependente.
Se G = {0, v1 , . . . , vn }, podemos decompor o vetor nulo numa combinação

linear dos demais vetores
0 = 0v1 + · · · + 0vn
Podemos ainda formar a combinação linear não trivial dos vetores de G
10 + 0v1 + · · · + 0vn = 0,
que resulta no vetor nulo, mostrando que G é linearmente dependente.
Exemplo. O conjunto formado pelos vetores
u = (3, 6, 9), v = (2, 4, 6), w = (1, 2, 1)

40 Espaço vetorial
do R3 é linearmente dependente pois
2u − 3v + 0w = 0.
Nesta igualdade, podemos explicitar u ou v mas não o w
3 2
u = v + 0w e v = u + 0w.
2 3
Propriedades da dependência linear
Vamos reunir algumas propriedades interessantes da dependência e da in-

dependência linear.
Teorema 1.9 Neste teorema, os conjuntos são nitos, não vazios e formados
por vetores de um mesmo espaço vetorial.
1. Ao incluir um vetor num conjunto LD, ele continua LD.
2. Ao retirar um vetor de um conjunto LI, ele continua LI.
3. Seja G um conjunto LI. Ao incluir um vetor w em G ele se torna LD.
Então w é uma combinação linear dos vetores de G.
4. Seja G um conjunto LD com pelo menos um vetor não nulo. Um desse

vetores é uma CL dos demais. Ao retirar este vetor do conjunto G obte-
mos um novo conjunto H que gera o mesmo espaço que o G.
5. Seja G um conjunto LD com pelo menos um vetor não nulo. Dele po-
demos extrair um subconjunto não vazio B que é LI e gera o mesmo
espaço que o G
ger(B) = ger(G).

1.8 Base 41
1.8 Base
Denição 1.10 Seja B um conjunto nito e não vazio de vetores de um es-

paço vetorial V não nulo.
O conjunto B é uma base de V se for
1. gerador de V e
2. linearmente independente.
Exemplo. O conjunto
B = { (1, 0), (0, 1) }
gera o R2 pois todo par (x, y) de números reais é uma CL dos vetores de B
(x, y) = x(1, 0) + y(0, 1) .
Se tomarmos (x, y) = (0, 0) vemos da igualdade acima que a única combi-

nação linear dos vetores de B que resulta no vetor nulo é a combinação linear
trivial. Isto prova que o conjunto B é LI.
Logo, B é base do R2 .
Exemplo. O conjunto
C = { (1, 1), (1, 2) }
gera o R2 pois todo par (x, y) de números reais é uma CL dos vetores de C
(x, y) = (2x − y)(1, 1) + (y − x)(1, 2) (a)
e isto mostra que C gera o R3 . Para determinar os coecientes da CL
(x, y) = c1 (1, 1) + c2 (1, 2)

42 Espaço vetorial
que corresponde ao sistema de equações
c1 + c2 = x
c1 + 2c2 = y
cuja solução para c1 e c2 é
c1 = 2x − y e c2 = y − x
A partir de (a), fazendo x = 0 e y = 0, vemos que a única CL dos vetores

de C que resulta no par (0, 0) é a combinação linear trivial. Isto mostra que
C é LI.
Logo, C é base do R2 .
Exemplo. Considere os ternos ordenados de números reais
v1 = (1, 1, 1), v2 = (0, 1, 1), v3 = (0, 0, 1)
Vamos mostrar que o conjunto
B = { v1 , v 2 , v3 }
é uma base do R3 .
1. Vamos mostrar que B gera o R3 , isto é, qualquer terno (a, b, c) de

números reais é uma combinação linear dos vetores de B.
Vamos mostrar que, dado (a, b, c), existem números reais x, y e z para os
quais
(a, b, c) = x v1 + y v2 + z v3
(a, b, c) = x (1, 1, 1) + y (0, 1, 1) + z (0, 0, 1)
Esta igualdade vetorial é equivalente ao sistema de equações

1.8 Base 43
x = a
x+y = b
x+y+z = c
cuja solução é
x = a
y = b−x=b−a
z = c − x − y = c − a − (b − a) = c − b
Concluímos que todo terno ordenado (a, b, c) é uma combinação linear dos
vetores de B
(a, b, c) = a v1 + (b − a) v2 + (c − b) v3 .
2. Vamos mostrar que B é LI. Da igualdade anterior, vemos que a única

combinação linear dos vetores v1 , v2 , v3 que resulta no vetor nulo (0, 0, 0) é a
combinação linear trivial a = 0, b = 0, c = 0. Isto prova que B é linearmente
independente.
Pelos dois itens provados, B é base do R3 .
Teorema 1.11 Unicidade da representação em uma base.

Seja B = {v1 , v2 , . . . , vn } uma base de um espaço vetorial não nulo V.
Para cada vetor w em V, existe uma única n−upla (a1 , a2 , . . . , an ) de
escalares para a qual
w = a1 v1 + a2 v2 + · · · + an vn .
A combinação linear do lado direito é chamada de decomposição de w

na base B.
Prova. Como B é um conjunto gerador de V, a tal n−upla (a1 , a2 , . . . ,

an ) existe.

44 Espaço vetorial
Para provar a unicidade, vamos supor que existem duas ênuplas (a1 , a2 ,
. . . , an ) e (b1 , b2 , . . . , bn ) para as quais
w = a1 v 1 + a2 v 2 + · · · + an v n ,
w = b1 v 1 + b2 v 2 + · · · + bn v n .
Subtraindo uma igualdade da outra, segue
(a1 − b1 )v1 + (a2 − b2 )v2 + · · · + (an − bn )vn = w − w = 0.
Da independência linear de B, concluímos que
ai = b i para i = 1, 2, . . . , n.
Isto completa a prova da unicidade da decomposição de w numa combinação

linear dos elementos da base.
Na decomposição de w na base B = {v1 , v2 , . . . , vn },
w = a1 v 1 + a2 v 2 + · · · + an v n ,
os escalares
a1 , a2 , . . . , an
são as de coordenadas de w na base B.

A n−upla
(w)B = (a1 , a2 , . . . , an )
do Rn é chamada de vetor de coordenadas de w na base B.

A matriz coluna

1.8 Base 45
 
a1
[w]B =  ... 
 
an
é chamada de matriz de coordenadas de w na base B.
Exemplo. Vamos decompor o vetor
w = (−3, 2, −4)
do R3 na base
B = { (−9, 8, 5), (2, −1, −1), (−2, 2, 1) }.
Precisamos determinar x, y, z de modo que
(−3, 2, −4) = x(−9, 8, 5) + y(2, −1, −1) + z(−2, 2, 1).
Esta igualdade vetorial pode ser levada à forma matricial equivalente

    
−9 2 −2 x −3
 8 −1 2  y  =  2 
5 −1 1 z −4
cuja solução é
x = −11, y = −12, z = 39.
A matriz de coordenadas e o vetor de coordenadas de w = (−3, 2, −4) na

base B são, respectivamente,
 
−11
[w]B =  −12  e (w)B = (−11, −12, 39).
39

46 Espaço vetorial
Vamos considerar agora a base
C = { (1, 0, 0), (0, 1, 0), (0, 0, 1) }
do R3 . Uma vez que
w = (−3, 2, −4) = −3(1, 0, 0) + 2(0, 1, 0) − 4(0, 0, 1) ,
o vetor de coordenadas de w na base C é
(w)C = (−3, 2, −4) = w.
Nesta base especial o vetor de coordenadas (w)C é igual ao vetor w. A matriz
de coordenadas de w na base C é
 
−3
[w]C =  2  .
−4
Quando um vetor for uma combinação linear de vetores de um conjunto

linearmente dependente, esta decomposição não é única. Vamos ilustrar este
fato no próximo exemplo.
Exemplo. O conjunto
G = { (2, 1, 0), (0, 1, 2), (2, 3, 4) }
é linearmente dependente pois
(2, 3, 4) = 1(2, 1, 0) + 2(0, 1, 2).
Podemos decompor

1.8 Base 47
(2, 0, −2)
numa combinação linear de vetores de G mas esta decomposição não é única.
As soluções da equação vetorial
(2, 0, −2) = x(2, 1, 0) + y(0, 1, 2) + z(2, 3, 4),
que pode ser escrita na forma matricial equivalente
    
2 0 2 x 2
 1 1 3  y  =  0 ,
0 2 4 z −2
são da forma
   
x 1−c
 y  =  −1 − 2c 
z c
para todo número real c. Logo,
(2, 0, −2) = (1 − c)(2, 1, 0) − (1 + 2c)(0, 1, 2) + c(2, 3, 4),
onde c pode assumir qualquer valor real.
A decomposição de (2, 0, −2) como combinação linear dos vetores de G não

é única.
Isto ocorre porque G é linearmente dependente.
O conjunto
G = { (2, 1, 0), (0, 1, 2), (2, 3, 4) }
não gera o R3 .
Vamos identicar os ternos ordenados
(a, b, c)

48 Espaço vetorial
que podem ser decompostos em combinações lineares de vetores de G. Se-

jam x, y e z que satisfazem à equação vetorial
(a, b, c) = x(2, 1, 0) + y(0, 1, 2) + z(2, 3, 4) ,
que é equivalente à equação matricial

    
2 0 2 x a
 1 1 3  y  =  b .
0 2 4 z c
Ao escalonar a matriz completa destes sistema, obtemos
 
1 1 3 b
 0 −2 −4 a − 2b 
0 0 0 a + c − 2b
A última linha corresponde a uma equação degenerada

0x + 0y + 0z = a + c − 2b
que possui solução apenas quando
a + c − 2b = 0.
Apenas os ternos (a, b, c) de números reais onde
a + c − 2b = 0
é que podem ser decompostos como combinações lineares dos vetores de G.
Para esses ternos ordenados, a decomposição não é única.
O G não gera o R3 mas sim um subespaço
(a, b, c) ∈ R3 : a + c − 2b = 0

S=
do R3 . Notamos que S é um plano do R3 cuja equação geral é
a + c − 2b = 0.

1.8 Base 49
1.8.1 Bases canônicas
Existem bases que, pela sua simplicidade e aplicabilidade, recebem o nome de

bases canônicas.
1. O conjunto
{ (1, 0) , (0, 1) }
é a base canônica do R2 .
Todo par ordenado (x, y) do R2 pode ser decomposto nesta base
(x, y) = x(1, 0) + y(0, 1).
2. O conjunto
{ (1, 0, 0) , (0, 1, 0) , (0, 0, 1) }
é a base canônica do R3 .
Todo terno ordenado (x, y, z) do R3 pode ser decomposto nesta base
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1).
3. O conjunto formado pelas n−uplas ordenadas
e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , en = (0, 0, . . . , 1),
é a base canônica do Rn .
Toda n−upla (x1 , . . . , xn ) do Rn pode ser decomposta nesta base
(x1 , . . . , xn ) = x1 e1 + x2 e2 + · · · + xn en .

50 Espaço vetorial
4. O conjunto formado pelas matrizes

1 0 0 1 0 0 0 0
A1 = , A2 = , A3 = , A4 = ,
0 0 0 0 1 0 0 1
é a base canônica do espaço vetorial M2×2 (R) das matrizes quadradas

reais de ordem 2 × 2.
Toda matriz real 2 × 2

a b
A=
c d
é uma combinação linear dos elementos da base canônica
A = aA1 + bA2 + cA3 + dA4 .
5. Considere o espaço vetorial Pn (R), das funções polinomiais reais de grau

menor ou igual a n.
O conjunto de funções polinomiais
{ p0 , p1 , p2 , . . . , pn } ,
denidas para todo t real por
p0 (t) = 1,
p1 (t) = t,
p2 (t) = t2 ,
..
.
pn (t) = tn ,
é a base canônica de Pn (R). Toda função polinomial real
p(t) = a0 + a1 t + · · · + an tn
é uma combinação linear de p0 , p1 , . . . , pn pois

1.8 Base 51
p(t) = a0 p0 (t) + a1 p1 (t) + · · · + an pn (t).
Os números reais a0 , a1 , . . . , an são as coordenadas da função polinomial

p na base
{ p0 , p1 , p2 , . . . , pn }.
Teorema 1.12 (Conjunto gerador e base) Seja G um conjunto gerador

nito de um espaço vetorial não nulo V. Este conjunto G possui um subconjunto
B que é base do espaço gerado por G.
Na seção sobre espaços coluna de uma matriz vamos apresentar um mé-

todo sistemático e eciente para se obter a base B a partir de um conjunto
gerador G.
Denição 1.13 Um espaço vetorial é nitamente gerado se possuir um

conjunto gerador nito e não vazio.
Com esta denição podemos enunciar o Teorema anterior da seguinte forma
Teorema 1.14 Todo espaço vetorial nitamente gerado possui base.

Propriedades relacionadas às bases
Seja n um número inteiro positivo e V um espaço vetorial que possui uma

base com n vetores. Então:
1. Todo subconjunto nito de V com mais do que n vetores é linearmente

dependente.
2. Todo subconjunto de V com menos do que n vetores não gera V.
3. Todas as bases de V possuem n vetores. Esta propriedade é conhecida

como Princípio da Invariância.

52 Espaço vetorial
4. Todo subconjunto de V, com n vetores e linearmente independente, é

base de V.
5. Todo conjunto gerador de V com n vetores é base de V.
6. Pode-se incluir vetores num conjunto linearmente independente, com me-

nos do que n vetores, até obter uma base de V.
Na seção que trata do espaço coluna de uma matriz vamos apresentar um

algoritmo prático e eciente para incluir vetores a um conjunto linearmente
independente até obter uma base do espaço vetorial.
Exemplo. A base canônica
C = { (1, 0), (0, 1) }
do R2 possui dois elementos.
O conjunto
B = { (−3, 7), (5, 5) }
com dois vetores é LI e, portanto, base do R2 .
Exemplo. A base canônica
C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
do R3 possui três elementos.
O conjunto
B = { (2, 0, −1), (4, 0, 7), (−1, 1, 4) }
gera o R3 e possui três vetores. Isto é o suciente para garantir que B é uma
base de R3 .

1.8 Base 53
Exemplo. Vamos determinar uma base para o subespaço vetorial do R3

formado pelos ternos ordenados de números reais que estão no plano denido
por sua equação geral
5x + 3y − 2z = 0.
O subespaço vetorial em questão é
S = { (x, y, z) ∈ R3 : 5x + 3y − 2z = 0 }.
Explicitando z na equação do plano obtemos
z = (5/2)x + (3/2)y
e assim, todo (x, y, z) de S é da forma
(x, y, z) = (x, y, (5/2)x + (3/2)y) = x(1, 0, 5/2) + y(0, 1, 3/2)
onde x e y podem assumir qualquer valor real.
Todos os vetores de S são combinações lineares dos vetores de
B = { (1, 0, 5/2), (0, 1, 3/2) }
que, por ser também linearmente independente, é base de S.
Se desejássemos uma base cujos vetores possuíssem entradas inteiras, po-

deríamos ter colocado em evidência x/2 e y/2 para escrever
(x, y, z) = (x/2)(2, 0, 5) + (y/2)(0, 2, 3)
e obter outra base de S
B1 = { (2, 0, 5), (0, 2, 3) }.

54 Espaço vetorial
Exemplo. Vamos determinar uma base para o subespaço vetorial do R3

formado pela reta cujos pontos (x, y, z) são denidos pelas equações paramé-
tricas
x = −3t, y = 5t, z = 8t,
onde o parâmetro t pode assumir qualquer valor real.
O subespaço vetorial em questão é
S = { (x, y, z) ∈ R3 : x = −3t, y = 5t, z = 8t, t ∈ R }.
Todo (x, y, z) de S é da forma
(x, y, z) = (−3t, 5t, 8t ) = t(−3, 5, 8 ),
que são múltiplos do vetor (−3, 5, 8 ). Logo, o conjunto
B = { (−3, 5, 8 ) },
com um único vetor gera S e é LI. Portanto é base de S.
1.9 Dimensão
Se um espaço vetorial V possuir uma base com n elementos, pelo princípio da

invariância, todas as suas bases terão n elementos.
Este fato nos permite denir a dimensão do espaço.
Denição 1.15 Seja n > 0 um número inteiro e positivo. Se um espaço

vetorial V possuir uma base com n vetores, diremos que ele possui dimensão
nita e que sua dimensão é n. Indicaremos este fato escrevendo
1.9 Dimensão 55
dim(V ) = n.
A base do espaço vetorial nulo, V = {0}, que contém apenas o vetor zero
é o conjunto vazio { } e sua dimensão é zero
dim({0}) = 0.
É consistente com o fato geométrico de um plano possuir dimensão 2, uma

reta possuir dimensão 1 e um ponto possuir dimensão zero.
Teorema 1.16 Todo espaço nitamente gerado possui uma base e, portanto,
sua dimensão é nita.
Denição 1.17 Quando um espaço vetorial não for nitamente gerado, dire-
mos que sua dimensão é innita.
Exemplo. Sejam m e n números inteiros positivos.
1. A base canônica do Rn possui n vetores. Logo, dim(Rn ) = n.
2. A base canônica do espaço vetorial Pn (R) das funções polinomiais reais

de grau menor ou igual a n possui n + 1 funções polinomiais reais que
são
1, x, x2 , . . . , xn .
Logo, dim(Pn (R)) = n + 1.
3. A base canônica do espaço vetorial Mm×n (R), das matrizes reais de ta-
manho m × n, possui m · n elementos e, portanto, sua dimensão é m · n.
Exemplo. Considere o conjunto P (R) de todas funções polinomiais de-

nidas em R. Nenhum conjunto nito de funções polinomiais gera P (R).

56 Espaço vetorial
As funções polinomiais de qualquer subconjunto nito C de P (R) possuem

grau menor do que um certo número inteiro n.
Nenhuma função polinomial de grau maior do que n é combinação linear
das funções polinomiais em C. Logo, P (R) não é nitamente gerado e sua
dimensão é innita.
Teorema 1.18 Seja S um subespaço de um espaço vetorial V de dimensão

nita. Então S possui dimensão nita e
dim(S) ≤ dim(V ).
Quando dim(S) = dim(V ), então S = V.
Exemplo. Considere o subespaço vetorial do R2 denido por
S = { (a, 2a) : a ∈ R } .
Todo par ordenado de S é um múltiplo de (1, 2). O conjunto { (1, 2) } gera

S e é linearmente independente.
Logo, este conjunto é base de S e dim(S) = 1.
Vale a desigualdade
dim(S) < dim(R2 ).
Exemplo. Considere o subespaço vetorial
S = { (x, 0, y) : x, y ∈ R }
do R3 . Todo vetor de S é da forma
(x, 0, y) = x(1, 0, 0) + y(0, 0, 1)

1.10 Espaço linha e espaço coluna 57
de modo que o conjunto
B = { (1, 0, 0), (0, 0, 1) }
gera S.
Como B também é linearmente independente, ele é base de S e
dim(S) = 2.
Vale a desigualdade dim(S) < dim(R3 ).
1.10 Espaço linha e espaço coluna
Através de um exemplo vamos ilustrar o que se entende por espaço linha e

espaço coluna de uma matriz.
A matriz

2 1 3
A=
0 5 2
possui duas linhas
e

2 1 3 0 5 2 .
e três colunas

2 1 3
, e .
0 5 2
O espaço gerado pelas linhas da matriz A é formado por todas as matrizes

linha da forma

x 2 1 3 + y 0 5 2 = 2x x + 5y 3x + 2y

58 Espaço vetorial
onde x e y são números reais.

Em particular,

6 −7 5
pertence ao espaço gerado pelas linhas da matriz A, uma vez que

3 2 1 3 − 2 0 5 2 = 6 −7 5 .
O espaço gerado pelas colunas de A é formado por todas as matrizes coluna

da forma

2 1 3 2a + b + 3c
a +b +c = ,
0 5 2 5b + 2c
onde a, b e c são números reais.
Em particular, a matriz coluna

16
1
pertence ao espaço gerado pelas colunas de A, uma vez que

2 1 3 16
4 −1 +3 = .
0 5 2 1
Temos assim a seguinte denição:
Denição 1.19 O espaço gerado pelas linhas de A é chamado espaço linha

de A.
O espaço gerado pelas colunas de A é chamado espaço coluna de A.
Vamos denotar o espaço linha e o espaço coluna de A, respectivamente, por

EL(A) e EC(A) .
Se uma matriz A possui m linhas e n colunas,
dim EL(A) ≤ m e dim EC(A) ≤ n.
Continuando com a matriz

2 1 3
A= ,
0 5 2
o conjunto de formado por suas linhas

2 1 3 , 0 5 2 ,
gera o espaço linha.
Como este conjunto também é LI, ele é uma base do EL(A).

As colunas de A

2 1 3
, ,
0 5 2
geram o seu espaço coluna.

Este conjunto é linearmente dependente e, por isso, gera mas não é base
do espaço coluna.
A última matriz é uma combinação linear das outras duas e ela pode ser
retirada do conjunto gerador sem alterar o espaço gerado.
O conjunto obtido

2 1
, ,
0 5

60 Espaço vetorial
é linearmente independente e gera o espaço coluna de A. Portanto, é base

deste espaço.
Para esta matriz, o espaço linha e o espaço coluna possuem dimensão 2.
Exemplo. O espaço linha da matriz real

1 0 2
A=
0 3 1
é gerado pelas duas linhas de A,
e

1 0 2 0 3 1
e toda matriz pertencente ao espaço linha de A é da forma

x 1 0 2 + y 0 3 1 = x 3y 2x + y
onde x e y são números reais.
O espaço coluna de A é aquele gerado pelas colunas

1 0 2
, , ,
0 3 1
e toda matriz do espaço coluna é do tipo

1 0 2 x + 2z
x +y +z =
0 3 1 3y + z
onde x, y e z são números reais.
O conjunto

G1 = 1 0 2 , 0 3 1
gera o espaço linha e o conjunto


1 0 2
G2 = , ,
0 3 1
gera o espaço coluna de A.
Sendo G1 linearmente independente, ele é base do espaço linha e
dim EL(A) = 2.
O conjunto G2 é linearmente dependente pois a terceira matriz é combina-

ção linear das duas primeiras.
Retirando-a de G2 , o conjunto resultante é linearmente independente e
continua gerando o espaço coluna de A.
Assim

1 0
G3 = ,
0 3
é base do espaço coluna de A e
dim EC(A) = 2.
Nos exemplos anteriores,
dim EL(A) = dim EC(A).
Esta igualdade não é uma mera coincidência pois, como provaremos, ela
se verica para toda matriz A.
Teorema 1.20 Sejam A e B matrizes com m linhas e n colunas, com

B = EA,
matriz E de tamanho m × m.

62 Espaço vetorial
B1 , . . . , Bn colunas de B
A1 , . . . , An colunas de A
1. Valem as implicações,
cj1 Aj1 + · · · + cjk Ajk = 0 ⇒ cj1 Bj1 + · · · + cjk Bjk = 0.
Aj = dj1 Aj1 + · · · + djk Ajk ⇒ Bj = dj1 Bj1 + · · · + djk Bjk .
Se {Aj1 , . . . , Ajk } for LD então {Bj1 , . . . , Bjk } é LD.
2. Se E for inversível, A = E −1 B e
cj1 Aj1 + · · · + cjk Ajk = 0 ⇔ cj1 Bj1 + · · · + cjk Bjk = 0.
Aj = dj1 Aj1 + · · · + djk Ajk ⇔ Bj = dj1 Bj1 + · · · + djk Bjk .
O conjunto
{Aj1 , . . . , Ajk } é LD se, e só se, {Bj1 , . . . , Bjk } é LD.
{Aj1 , . . . , Ajk } é LI se, e só se, {Bj1 , . . . , Bjk } é LI.
Exemplo. A matriz R é uma das formas escalonadas de A.

   
1 2 3 2 1 2 1 2 3 2 1 2
 1 2 4 5 3 3   0 0 1 3 2 1 
A=
 2
, R= .
4 5 1 0 3   0 0 0 0 0 1 
3 6 8 3 1 6 0 0 0 0 0 0

Assim R = EA, Se Ri indicar a coluna i de R, valem as igualdades
R2 = 2R1 ,
R4 = 3R3 − 7R1 ,
R5 = 2R3 − 5R1 .
Essas relações se mantém entre as colunas de A.
A2 = 2A1 ,
A4 = 3A3 − 7A1 ,
A5 = 2A3 − 5A1 .
Corolário 1.21 Sejam A e B matrizes com m linhas e n colunas, com
B = EA,
onde E é uma matriz inversível de tamanho m × m.
B1 , . . . , Bn colunas de B
A1 , . . . , An colunas de A
Então,
1. O conjunto de matrizes coluna
{Aj1 , . . . , Ajk } é LD se, e só se, {Bj1 , . . . , Bjk } for LD.
2. O conjunto de matrizes coluna
{Aj1 , . . . , Ajk } é LI se, e só se, {Bj1 , . . . , Bjk } for LI.

64 Espaço vetorial
Propriedades dos espaços linha e coluna
1. Seja R uma matriz escalonada de tamanho m × n.
(a) As linhas não nulas de R formam uma base do seu espaço linha.
(b) As colunas que possuem os pivôs de R formam uma base do seu

espaço coluna.
(c) O espaço linha de R e o espaço coluna de R possuem a mesma

dimensão
dim EL(R) = dim EC(R).
 
1 2 3 4 1
 0 1 2 0 2 
R=
 0

0 0 1 2 
0 0 0 0 0
2. Seja R uma forma escalonada da matriz A de tamanho m × n. Então

R = EA com E inversível.
(a) O EL(A) = EL(R). Toda base de um deles é base do outro e
dim EL(A) = dim EC(A).
Exemplo. Seja R uma forma escalonada de A

   
1 2 3 1 1 1 2 3 1 1
 1 3 5 1 3   0 1 2 0 2 
A=
 2
 R= 
3 4 3 2   0 0 0 1 2 
1 2 3 1 1 0 0 0 0 0
Assim,

1 2 3 1 1 , 0 1 2 0 2 , 0 0 0 1 2

é uma base do EL(R) e uma base do EL(A). Logo

dim EL(A) = dim EL(R) = 3

(b) Denote
R1 , . . . , Rn as colunas de R
A1 , . . . , An as colunas de A
Se
{ Rj1 , Rj2 , . . . , Rjk } é base do EC(R)
então
{ Aj1 , Aj2 , . . . , Ajk } é base do EC(A)
Exemplo. No exemplo anterior, o conjunto
{ R1 , R2 , R4 } é uma base do EC(R)

Então o conjunto
{ A1 , A2 , A4 } é uma base do EC(A)

como em
   
1 2 3 1 1 1 2 3 1 1
 1 3 5 1 3   0 1 2 0 2 
A=
 2
 R= 
3 4 3 2   0 0 0 1 2 
1 2 3 1 1 0 0 0 0 0

(c) Em geral,
EC(A) 6= EC(R)
mas
dim EC(A) = dim EC(R).

66 Espaço vetorial
Resumindo
Se R for uma forma escalonada de A,
dim EL(R) = dim EC(R)
EL(A) = EL(R) ⇒ dim EL(A) = dim EL(R)
EC(A) 6= EC(R) mas dim EC(A) = dim EC(R)
pos(A) = dim EL(A) = dim EC(A)
Denição 1.22 O posto da matriz A é a dimensão do EL(A) que é idêntica

à dimenssão do EC(A)
pos(A) = dim EL(A) = dim EC(A).
O posto de uma matriz é igual ao posto de sua transposta
pos(A) = pos(AT )
pois uma linha de A é uma coluna de AT e vice-versa.

Denição 1.23 Se a matriz A possuir m linhas e n colunas, seu posto não é

maior do que m nem é maior do que n.
Uma matriz A com m linhas e n colunas possui posto máximo quando
pos(A) = min{m, n}.
Exemplo. Considere a matriz A e sua forma escalonada R

   
1 2 3 4 1 1 2 3 4 1
 2 5 8 8 4   0 1 2 0 2 
A=
 1
 R= 
2 3 5 3   0 0 0 1 2 
2 4 6 8 3 0 0 0 0 1
As linhas 1, 2, 3 e 4 de R formam uma base do EL(A) = EL(R)

As colunas 1, 2, 4 e 5 de R formam uma base do EC(R)
As colunas 1, 2, 4 e 5 de A formam uma base do EC(A)
pos(A) = pos(R) = 4.
Exemplo. A matriz R é uma das formas escalonadas de A

   
1 2 3 2 1 2 1 2 3 2 1 2
 1 2 4 5 3 3   0 0 1 3 2 1 
A=
 2
, R= .
4 5 1 0 3   0 0 0 0 0 1 
3 6 8 3 1 6 0 0 0 0 0 0
Sabemos que as linhas 1, 2 e 3 é uma base do EL(R) = EL(A).

Será que as três primeiras linhas de A é uma base do EL(A)?
A resposta é não pois, se Lj designar a linha j de A,

68 Espaço vetorial
L3 = 3L1 − L2
Ao escalonar a matriz A, uma das operações usadas foi a troca da terceira

com a quarta linha.
Exemplo. Obter uma base do EL(A) formada por linhas de A :

 
1 1 2 2 3
 2 3 4 5 8 
A=
 0

3 0 3 6 
2 3 5 5 8
Tome a transposta de A e escalone

   
1 2 0 2 1 2 0 2

 1 3 3 3 


 0 1 3 1 

T
A =
 2 4 0 5 
 R=
 0 0 0 1 .

 2 5 3 5   0 0 0 0 
3 8 6 8 0 0 0 0
As colunas 1, 2 e 4 de R formam uma base do EC(R).

As colunas 1, 2 e 4 de AT formam uma base do EC AT .

As linhas 1, 2 e 4 de A formam uma base do EL(A).

Uma base do EL(A) formada por linhas de A é

1 1 2 2 3 , 2 3 4 5 8 , 2 3 5 5 8
Se Ri for a coluna i de R,
R3 = 3R2 − 6R1 .
Esta relação se aplica às colunas 1, 2 e 3 de AT e se tranferem às linhas de

A.

Se Li indicar a linha i de A,
L3 = 3L2 − 6L1 .
Exemplo. Considere os quatro vetores
v1 = (1, −2, 0, 1, 2), v2 = (1, −1, 1, 1, 3),

v3 = (1, −3, −1, 1, 1), v4 = (2, −2, 3, 1, 6)
do R5 . Vamos determinar uma base para o espaço S gerado por
G = {v1 , v2 , v3 , v4 }.
1. Forme a matriz A cujas linhas são as entradas de v1 , v2 , v3 e v4 e a

escalone
   
1 −2 0 1 2 1 −2 0 1 2
 1 −1 1 1 3   0 1 1 0 1 
A=  R= 
 1 −3 −1 1 1   0 0 1 −1 0 
2 −2 3 1 6 0 0 0 0 0
As linhas 1, 2 e 3 formam uma base do EL(A) = EL(R).

Logo, uma base para S é o conjunto {w1 , w2 , w3 }, onde
w1 = (1, −2, 0, 1, 2),

w2 = (0, 1, 1, 0, 1),
w3 = (0, 0, 1, −1, 0).
Os vetores w1 , w2 , w3 não pertencem ao conjunto G.

Para obter uma base de S formada pelos elementos de G, proceda como
segue:

70 Espaço vetorial
1. Forme a matriz cujas colunas são as entradas de
v1 = (1, −2, 0, 1, 2), v2 = (1, −1, 1, 1, 3),

v3 = (1, −3, −1, 1, 1), v4 = (2, −2, 3, 1, 6)
e a escalone
   
1 1 1 2 1 1 1 2

 −2 −1 −3 −2 


 0 1 −1 2 

B=
 0 1 −1 3 
 S=
 0 0 0 1 

 1 1 1 1   0 0 0 0 
2 3 1 6 0 0 0 0
As colunas 1, 2 e 4 de S formam uma base do EC(S).

As colunas 1, 2 e 4 de B formam uma base do EC(B).
Logo, o conjunto
{ v1 , v2 , v4 }
é uma base do espaço gerado por G formada por vetores de G.
Se S1 , S2 , S3 , S4 forem as colunas de S,
S3 = 2S1 − S2 .
Esta mesma relação se conserva entre os vetores v1 , v2 , v3 , v4 pois
v3 = 2v1 − v2 .
O próximo exemplo mostra como se pode incluir vetores num conjunto

linearmente independente de modo a obter uma base do espaço vetorial.
Exemplo. Considere as quadras ordenadas de números reais

v1 = (1, −1, 1, −2) e v2 = (1, −2, 2, −4)
O conjunto
C = {v1 , v2 }
é linearmente independente mas não gera o R4 pois
dim R4 = 4.

Se o conjunto de vetores
{ e1 , e2 , e3 , e4 }
de uma base do R4 , podemos inclui-lo em C para obter o conjunto
G = { v1 , v2 , e1 , e2 , e3 , e4 }
que gera o R4 .
Para obter uma base do R4 basta retirar de G os vetores excedentes.

Para exemplicar, vamos tomar a base canônica
e1 = (1, 0, 0, 0), e2 = (0, 1, 0, 0), e3 = (0, 0, 1, 0), e4 = (0, 0, 0, 1)
Agora, basta dispor as entradas dos 6 vetores v1 , v2 , e1 , e2 , e3 , e4 nas

colunas de uma matriz e tomar uma de suas formas escalonadas
   
1 1 1 0 0 0 1 1 1 0 0 0
 −1 −2 0 1 0 0   0 1 −1 −1 0 0 
A=
 1
 R= .
2 0 0 1 0   0 0 0 1 1 0 
−2 −4 0 0 0 1 0 0 0 0 2 1
As colunas 1, 2, 4 e 5 de R formam uma base do EC(R).

72 Espaço vetorial
As colunas 1, 2, 4 e 5 de A formam uma base do EC(A).

Estas colunas são formadas pelas entradas dos vetores
v 1 , v 2 , e2 , e3 .
que formam a base

B = {v1 , v2 , e2 , e3 }.
A solução a este problema não é única.

Se, em lugar de G tivéssemos tomado
H = { v1 , v2 , e4 , e3 , e2 , e1 },
e formado a matriz B cujas colunas são as entradas desses vetores e a escalo-

nássemos, obteríamos T
   
1 1 0 0 0 1 1 1 0 0 0 1
 −1 −2 0 0 1 0   0 1 0 0 −1 −1 
B= , T = .
 1 2 0 1 0 0   0 0 1 0 −2 0 
−2 −4 1 0 0 0 0 0 0 1 1 0
As colunas 1, 2, 3 e 4 de T formam uma base do EC(T ).

As colunas 1, 2, 3 e 4 de B formam uma base do EC(B).
Estas colunas correspondem aos vetores
v1 , v2 , e4 , e3
e outra base possível para o R4 , formada por vetores de C, é o conjunto
{ v1 , v2 , e4 , e3 }.

1.11 O posto e a matriz inversa
73
1.11 O posto e a matriz inversa
Teorema 1.24 Uma matriz quadrada de ordem n é inversível se, e só se, seu
posto for n.
Prova. Vimos que uma matriz quadrada A de ordem n é inversível se, e só

se, o conjunto de suas n colunas for linearmente independente. Isto signica
que o posto de A é n.
Vamos reunir num teorema as principais propriedades associadas a uma

matriz inversível e já demonstradas.
Teorema 1.25 (Matriz inversível) Seja A uma matriz quadrada de ordem

n.
As seguintes armações são equivalentes:
1. a matriz A é inversível;
2. a equação AX = 0 admite apenas a solução trivial X = 0;
3. a forma escalonada reduzida de A é a matriz identidade;
4. a matriz A é um produto de matrizes elementares;
5. o determinante de A é diferente de zero;
6. o posto de A é igual a n.
1.12 Núcleo de uma matriz
Seja A uma matriz real com m linhas e n colunas e 0 a matriz coluna nula com
m linhas.
O núcleo de A ou espaço nulo de A, é conjunto solução da equação
homogênea

74 Espaço vetorial
AX = 0
Será denotado por nuc(A)
nuc(A) = { X ∈ Mn×1 (R) : AX = 0 }.
O núcleo de A é um subespaço vetorial de Mn×1 (R).
Denição 1.26 A nulidade de A é a dimensão do seu núcleo

nul(A) = dim nuc(A).
Seja R uma forma escalonada de A. As equações
AX = 0 e RX = 0
possuem a mesma solução geral e daí,
nuc(A) = nuc(R) e nul(A) = nul(R).
Exemplo. Considere as matrizes A, R e X, onde R é uma forma escalonada

de A
    
1 −2 3 1 −2 3 x
A = 2 −4
 6  , R= 0
 0 0  , X= y 
3 −6 9 0 0 0 z
A equações
AX = 0 e RX = 0
possuem a mesma solução geral.

1.12 Núcleo de uma matriz 75
Toda solução de RX = 0 é tal que
x = 2y − 3z, onde y e z são livres.

O nuc(A) = nuc(R) é formado pela matrizes
       
x 2y − 3z 2 −3
X =  y  =  1y + 0z  = y  1  + z  0 
z 0y + 1z 0 1
que são combinações lineares das matrizes do conjunto
   
 2 −3 
 1 ,  0 
0 1
 
Este conjunto é uma base do nuc(R) = nuc(A) e
nul(A) = nul(R) = 2.
Exemplo. Abaixo, R é uma das formas escalonadas de A

   
1 −2 3 1 −2 3
A =  −3 7 −8  , R= 0
 1 1 .
−2 4 −6 0 0 0
Toda solução de RX = 0, onde X é a transposta de é da forma

x y z
x = −5z e y = −z.
Todo X no nuc(R) = nuc(A) é formado pela matrizes

     
x −5z −5
X =  y  =  −z  = z  −1  , z é livre.
z z 1

76 Espaço vetorial
O conjunto
 
 −5 
 −1 
1
 
é uma base do núcleo de nuc(A) = nuc(R) e nul(A) = nul(R) = 1.
Exemplo. Abaixo, R é uma das formas escalonadas de A

   
1 −2 3 1 −2 3
A =  −3 7 −8  R= 0
 1 1 .
4 1 2 0 0 1
T
Toda matriz X = do nuc(R), ou seja, for solução de RX = 0, é

x y z
a matriz nula
x = 0, y = 0, z = 0.
O nuc(A) = nuc(R) possui apenas a matriz nula
T
0= 0 0 0
e sua base é o conjunto vazio { } (segundo a convenção estabelecida)
nuc(A) = {0} e nul(A) = 0.
1.13 O posto e a nulidade de uma matriz
Seja R uma forma escalonada de uma matriz real A com m linhas e n colunas.

1.13 O posto e a nulidade de uma matriz 77
Valem as igualdades
EL(A) = EL(R) e pos(A) = pos(R)
nuc(A) = nuc(R) e nul(A) = nul(R).
Teorema 1.27 Seja A uma matriz com n colunas. Então
pos(A) + nul(A) = n.
Prova. Seja R uma forma escalonada da matriz A com n colunas.

O pos(R) é igual ao número de incógnitas dependentes na equação
RX = 0
A nul(R) é igual ao número de incógnitas livres em
RX = 0
A soma pos(R) + nul(R) é igual ao número n de incógnitas em RX = 0
pos(R) + nul(R) = n.
Logo,
pos(A) + nul(A) = pos(R) + nul(R) = n.

Exemplo. Abaixo estão uma matriz A e uma de suas formas escalonadas

R. Ambas possuem 3 linhas e 4 colunas

78 Espaço vetorial
   
1 −2 −2 1 1 −2 −2 1
A =  3 −5 −9 5  , R= 0 1 −3 2 .
−1 2 3 −4 0 0 1 −3
Como R possui três pivôs,
pos(R) = 3.
Em RX = 0,
 
 x   
1 −2 −2 1  0
y   

 0 1 −3 2 
  = 0
z 
0 0 1 −3 0
w
o X é uma matriz coluna com 4 linhas e w é uma incógnita livre,
nul(R) = 1.
Adicionando o posto de A à nulidade de A obtemos
pos(A) + nul(A) = pos(R) + nul(R) = 3 + 1 = 4,
que é igual ao número de colunas de A.
Equação não homogênea
Seja A uma matriz m × n e B uma matriz m × 1.

Diz-se que a equação homogênea
AX = 0 é associada à equação não homogênea AX = B.

1.13 O posto e a nulidade de uma matriz 79
Toda solução de AX = B é da forma
X = Xp + X h
onde Xp é uma solução particular de
AX = B
e Xh é solução da equação homogênea
AX = 0.
Quando Xh for a solução geral da equação homogênea
AX = 0,
a solução geral Xg da não homogênea
AX = B
é da forma
Xg = X p + X h
Se {X1 , . . . , Xk } for uma base do conjunto solução da equação homogênea
AX = 0,

80 Espaço vetorial
a solução geral Xg de AX = B é da forma
X g = X p + c1 X 1 + · · · + ck X k ,
onde c1 , . . . , cn são números reais pois
AXg = A (Xp + c1 X1 + · · · + ck Xk )
= AXp + c1 AX1 + · · · + ck AXk
= B + c1 0 + · · · + ck 0 = B
.
Exemplo. Considere as matrizes


    x
1 −3 0 −1 1  y 
A = −2
 6 1 0 , B = −1 
 X=
 z .

3 −9 −2 1 1
w
Escalonando a equação AX = B obtemos
 
 x 
 
1 −3 0 −1  1
 0 0 1 −2   y  =  1 

 z 
0 0 0 0 0
w
z − 2w = 1
x − 3y − w = 1
z = 1 + 2w
x = 1 + 3y + w
Toda solução X de AX = B é da forma

    
  
x 1 + 3y + w 1 3 1
 y   0 + 1y + 0w   0   1
+w 0 
  
 z  =  1 + 0y + 2w
X=    =  +y
  1   0   2 
w 0 + 0y + w 0 0 1

1.14 Matriz de mudança de base 81
A solução geral da equação AX = B é

    
1 3 1
 0   1
 + w  0  = Xp + y X1 + w X2 .
  
Xg = 
 1 +y 0
 
  2 
0 0 1
A matriz Xp é uma solução particular de AX = B e X1 , X2 são soluções

da AX = 0.
O conjunto { X1 , X2 } é LI e gera todas as soluções de AX = 0. Logo, é
base do núcleo de A.
1.14 Matriz de mudança de base
Seja V um espaço vetorial de dimensão n.

Sejam
B = {v1 , . . . , vn } e B 0 = {v10 , . . . , vn0 }
duas bases de V.
Podemos decompor cada vetor de B numa combinação linear dos vetores
de B 0
 
v1 = a11 v10 + a21 v20 + · · · + an1 vn0 , a11 a12 · · · a1n
v2 = a12 v10 + a22 v20 + · · · + an2 vn0 ,  a21 a22 · · · a2n 
.. ⇒ MBB 0 =  .. .. . . .
 
.  . . . ..


vn = a1n v10 + a2n v20 + · · · + ann vn0 . an1 an2 · · · ann
ou, usando o símbolo de somatório,
n
X
vj = aij vi0 ⇒ MBB 0 = [aij ]
i=1
O número real aij é a coordenada de vj na direção de vi0 .

82 Espaço vetorial
Os coecientes a11 , a21 , . . . , an1 , são as coordenadas de v1 na base B 0 .

Os coecientes a12 , a22 , . . . , an2 , são as coordenadas de v2 na base B 0 .
MBB 0 é chamada de matriz de mudança de base, da base B para a base
0
B
Ou apenas matriz de mudança de base.
Ou matriz de transição da base B para a base B 0 .
As colunas de MBB 0 são as matrizes de coordenadas dos vetores v1 , v2 ,
. . . , vn na base B 0
     
a11 a12 a1n
 a21   a22   a2n 
[v1 ]B 0 =  ..  , [v2 ]B 0 =  ..  , ..., [vn ]B 0 =  ..  .
     
 .   .   . 
an1 an2 ann
Na matriz de transição da base B para a base B 0 ,

MBB 0 = [v1 ]B 0 | [v2 ]B 0 | · · · | [vn ]B 0 .
Exemplo. Considere as bases do R3 ,
B = {v1 , v2 , v3 } e B 0 = {v10 , v20 , v30 }
onde
v1 = (0, 1, 3), v2 = (1, 2, 1), v3 = (1, 0, 3).
e
v10 = (1, 0, 1), v20 = (0, 1, 1), v30 = (0, 0, 2).
Podemos decompor os vetores v1 , v2 e v3 nas direções de v10 , v20 e v30

(0, 1, 3) = a11 (1, 0, 1) + a21 (0, 1, 1) + a31 (0, 0, 2),

(1, 2, 1) = a12 (1, 0, 1) + a22 (0, 1, 1) + a32 (0, 0, 2),
(1, 0, 3) = a13 (1, 0, 1) + a23 (0, 1, 1) + a33 (0, 0, 2).
    
1 0 0 a11 a12 0 1
 0 1 0   a21 a22  =  1 2 
1 1 2 a31 a32 3 1
As três igualdades vetoriais podem ser escritas numa única igualdade ma-
tricial
    
1 0 0 a11 a12 a13 0 1 1
 0 1 0   a21 a22 a23  =  1 2 0  .
1 1 2 a31 a32 a33 3 1 3
A matriz de transição da base B para a base B 0 é
 
a11 a12 a13
MBB 0 =  a21 a22 a23 
a31 a32 a33
Usando o método de Gauss-Jordan para escalonar a matriz completa da

equação matricial
   
1 0 0 0 1 1 1 0 0 0 1 1
 0 1 0 1 2 0  obtemos  0 1 0 1 2 0 
1 1 2 3 1 3 0 0 1 1 −1 1
de onde extraímos
   
a11 a12 a13 0 1 1
MBB 0 =  a21 a22 a23  =  1 2 0 ,
a31 a32 a33 1 −1 1
Chegamos à seguinte relação entre os vetores das bases B e B 0
v1 = 0v10 + 1v20 + 1v30 ,

v2 = 1v10 + 2v20 − 1v30 ,
v3 = 1v10 + 0v20 + 1v30 .

84 Espaço vetorial
Teorema 1.28 Sejam B, B 0 e B 00 bases de um espaço vetorial V de dimensão

n.
1. As matrizes de transição estão relacionadas por
MBB 00 = MB 0 B 00 MBB 0
e
MB 0 B MBB 0 = I ou MB 0 B = (MBB 0 )−1
Exemplo. Considere as três bases do R2
B = { (−3, 2), (4, −3) }

B 0 = { (1, 0), (−1, 1) }
B 00 = { (1, 1), (1, 2) }
A matriz de transição da base B para B 0 é

−1 1
MBB 0 = .
2 −3
A matriz de transição da base B 0 para B é

−3 −1
MB 0 B = = (MBB 0 )−1 .
−2 −1
A matriz de transição da base B 0 para B 00 é

2 −3
MB 0 B 00 = .
−1 2

A matriz de transição da base B para B 00 é

−8 11
MBB 00 = .
5 −7
Não é trabalhoso vericar
MBB 00 = MB 0 B 00 MBB 0
pois

2 −3 −1 1 −8 11
MB 0 B 00 MBB 0 = = = MBB 00
−1 2 2 −3 5 −7
Teorema 1.29 Considere uma base
B = {v1 , . . . , vn }
de um espaço vetorial V de dimensão n e a matriz
 
a11 · · · a1n
M =  ... . . . ... 
 
an1 · · · ann
Se M for inversível, o conjunto de vetores denidos por
w1 = a11 v1 + · · · + an1 vn ,
..
.
wn = a1n v1 + · · · + ann vn .
é base de V.

86 Espaço vetorial
Exemplo. Considere a base do R2
B = { (1, 1), (2, −1) }
e a matriz inversível

1 2
M=
3 −1
Os conjunto de vetores
(7, −2) = 1(1, 1) + 3(2, −1),

(0, 3) = 2(1, 1) − 1(2, −1),
é base do R2 .
1.15 Mudança de coordenadas
Teorema 1.30 Sejam B e B 0 duas bases de um espaço vetorial V com dimen-

são nita.
Seja MBB 0 a matriz de transição da base B para a base B 0 .
Seja [u]B as matriz de coordenadas do vetor u na base B.
Seja [u]B0 as matriz de coordenadas do vetor u na base B.
Então
[u]B 0 = MBB 0 [u]B ,
Lembrete: Se
B = { v1 , v2 , . . . , v n } e u = c1 v 1 + c2 v 2 + · · · + cn v n
então  
c1
[u]B =  ...  .
 
cn

1.15 Mudança de coordenadas 87
Exemplo. Consideremos as duas bases do R2
B = { (−3, 2), (4, −3) } e B 0 = { (1, 0), (−1, 1) }.
para as quais

−1 1
MBB 0 = .
2 −3
Ao decompor o vetor (7, −5) nas bases B e B 0 ,
(7, −5) = −1(−3, 2) + 1(4, −3)

(7, −5) = 2(1, 0) − 5(−1, 1)
obtemos as matrizes de coordenadas de (7, −5) nas bases B e B 0

−1 2
[(7, −5)]B = e [(7, −5)]B 0 =
1 −5
Observe que

−1 1 −1 2
MBB 0 [(7, −5)]B = = = [(7, −5)]B 0 .
2 −3 1 −5
Exemplo. Sabe-se que
B = {v1 , v2 , v3 } e B 0 = {v10 , v20 , v30 }
são bases de um espaço vetorial V de dimensão três e que

 
0 1 1
MBB 0 = 1
 2 0 
1 −1 1

88 Espaço vetorial
é a matriz de mudança da base B para B 0 . Sabendo que u é o vetor
u = 0v1 − 1v2 + 2v3 ,
vamos determinar a matriz de coordenadas de u na base B 0 .

A matriz de coordenadas de u na base B é
 
0
[u]B =  −1  .
2
A matriz de coordenadas de u na base B 0 é fornecida por

    
0 1 1 0 1
[u]B 0 = MBB 0 [u]B =  1 2 0   −1  =  −2  .
1 −1 1 2 3
Portanto,
u = 1v10 − 2v20 + 3v30
1.16 Espaços vetoriais funcionais
Existem espaços vetoriais onde os vetores são funções e já tivemos a oportu-

nidade de ver alguns exemplos.
Tais espaços vetoriais são de fundamental importância na matemática e
nas demais ciências exatas.
Tanto são importantes que existe toda uma área da Matemática denomi-
nada Análise Funcional dedicada a eles.
Não iremos estudá-los em profundidade mas vamos nesta seção detalhar
um pouco mais esses espaços vetoriais cujos vetores são funções.

1.16 Espaços vetoriais funcionais 89
Num primeiro curso de Álgebra Linear esta seção pode ser omitida a critério
do professor.
Sejam D e C conjuntos não vazios. Uma função f de D em C é uma regra
que a cada x de D associa um único y de C e se escreve y = f (x) .
O y é chamado de valor de f em x ou imagem de x por f.
Também é usual dizer que a função f leva x em y.
Usaremos a notação f : D → C para indicar que f é uma função de D em
C.
O conjunto D é chamado domínio de f e o conjunto C é denominado
contradomínio de f.
A imagem de f, denida por
f (D) = { f (x) : x ∈ D }
está contida em C.
Duas funções f e g são iguais,
f = g,
quando possuírem o mesmo domínio D, o mesmo contradomínio C e
f (x) = g (x) para todo x em D.
Para provar que as funções f e g são iguais, é preciso vericar três coisas:
1. se possuem o mesmo domínio D,
2. se possuem o mesmo contradomínio C,
3. se f (x) = g(x) para todo x em D.
Preenchidas essas condições, se pode dizer que f é igual a g e escrever f =
g.
Diremos que f é uma função real quando o seu domínio e o seu contra-
domínio forem subconjuntos de R, o conjunto dos números reais.

90 Espaço vetorial
A adição de funções reais é a operação que leva as funções reais f e g

com domínio em D na função real f + g com domínio em D e denida para
cada x neste domínio por
(f + g)(x) = f (x) + g(x).
A multiplicação de um número real por uma função real é a ope-

ração que leva o número real c e a função real f com domínio em D na função
real c f com domínio em D denida para cada x neste domínio por
(c f )(x) = c f (x).
A função f + g é chamada soma de f com g e cf é chamada produto de

c por f.
Considerando ainda f e g funções reais com domínio em D, a multiplica-
ção de funções é a operação que leva as funções f e g na função real f g com
domínio em D denida para cada x neste domínio por
(f g)(x) = f (x)g(x).
A função f g é denominada produto de f com g.
Exemplo. Abaixo apresentamos duas funções reais f e g, com domínio

em R denidas em cada x real por
f (x) = x2 , g(x) = cos(x).
Podemos adicioná-las ou muliplicar uma delas por um número real. Por exem-
plo, a função f + g e a função 7g são tais que, para todo x real,
(f + g)(x) = f (x) + g(x) = x2 + cos(x)

(7g)(x) = 7g(x) = 7 cos(x).
A função produto f g é aquela na qual, aplicada ao número real x, fornece

(f g)(x) = f (x)g(x) = x2 cos(x).
Observe que a expressão
−1
f (x) = x2 − 1
fornece um número real apenas quando x for diferente de −1 e +1.

Vamos chamar de domínio natural de uma função real f como sendo o
maior conjunto de números reais onde a expressão de f (x) fornece um número
real.
Quando o domínio de uma função real não for especicado, entenda-se que
seu domínio é o natural.
No caso de
−1
f (x) = x2 − 1
o domínio natural é a união dos intervalos abertos
(−∞, −1) , (−1, 1), (1, +∞).
que é todo conjunto dos números reais do qual se retirou os números −1 e

1.
Denotaremos por F (D) ao conjunto das funções reais cujo domínio é D.
Teorema 1.31 O conjunto F (D) com as operações de adição de funções e

multiplicação de um número real por uma função, é um espaço vetorial real.
Prova. Este espaço vetorial é real pois a multiplicação c f ocorre entre um

número real c e a função f.
Vamos provar, por exemplo, a comutatividade da adição:

92 Espaço vetorial
Para duas funções reais f e g com domínio em D tem-se
f + g = g + f.
De fato, inicialmente observe que as funções f +g e g +f possuem o mesmo

domínio D e o mesmo contradomínio R.
Além disso, para todo x em D,
(f + g)(x) = f (x) + g(x) = g(x) + f (x) = (g + f )(x).
Na segunda igualdade usamos o fato de f (x) e g(x) serem números reais e

que a adição de números reais é comutativa.
Provamos que as funções f + g e g + f possuem o mesmo domínio, o mesmo
contradomínio e (f + g)(x) = (g + f )(x) para todo x em D.
Logo, são iguais e podemos escrever f + g = g + f.
O elemento neutro da adição é a função identicamente nula, aquela que
leva todo x em D no zero: 0(x) = 0 para todo x em D.
Usamos o símbolo 0 para representar a função nula e o número real zero. O
contexto precisa esclarecer quando o 0 é o número real zero ou a função nula.
A função oposta de f é −f, aquela função que leva todo x em D no número
real −f (x)
(−f )(x) = −f (x).
Para esta função, f + (−f ) = (−f ) + f = 0 (este zero é a função nula).

Continuando com este raciocínio, usando as propriedades já conhecidas
das operações com números reais, podemos provar que a adição de funções em
F (D) e a multiplicação de um número real por uma função de F (D) possuem
todas as propriedades que caracterizam F (D) como um espaço vetorial real.
É muito comum nos depararmos com funções cujo domínio D é um intervalo

de números reais ou uma união de intervalos.

Vamos lembrar que o intervalo aberto −∞ < x < +∞ compreende todo o

conjunto R dos números reais
(−∞, +∞) = R.
Sejam a e b números reais, com a < b.

Vamos considerar também os casos em que a = −∞ ou b = +∞.
Quando D for o intervalo aberto (a, b) de números reais, denotamos F (D)
por F (a, b).
As notações F [a, b), F (a, b], F [a, b] e F (R) se aplicam quando D for um
dos intervalos [a, b), (a, b], [a, b] ou R = (− − ∞, +∞).
Exemplo. Funções polinomiais. Dados os números reais a0 , a1 , . . . , an ,

com an 6= 0, a função real p denida para todo x real por
p(x) = a0 + a1 x + · · · + an xn
é chamada função polinomial real de grau n. A expressão
a0 + a1 x + · · · + an x n
é chamada de polinômio de grau n na variável x.

O domínio natural das funções polinomiais é o conjunto de números reais
mas podemos pensá-las denidas apenas em um intervalo de números reais.
Valem as inclusões
Pn (a, b) ⊂ P (a, b) ⊂ F (a, b)
onde (a, b) indica o conjunto aberto a < x < b de números reais.

Os conjuntos Pn (a, b) e P (a, b) são fechados nas operações de adição de
funções e de multiplicação de um número real por uma função.

94 Espaço vetorial
Por esse motivo, tanto Pn (a, b) quanto P (a, b), com estas operações, são
espaços vetoriais reais.
Das inclusões acima, concluímos que Pn (a, b) é subespaço vetorial de P (a, b)
que é subespaço vetorial de F (a, b).
Considerações semelhantes podem ser feitas para funções polinomiais de-
nidas nos intervalos semiabertos [a, b) e (a, b] fechado [a, b], sejam estes inter-
valos nitos ou innitos.
Exemplo. Sejam a e b dois números reais com a < b.

O conjunto F (a, b), com as operações de adição de funções e multiplicação
de um número real por uma função, é um espaço vetorial real.
Os conjuntos denidos abaixo estão contidos em F (a, b) e são fechados nas
operações de adição de funções e multiplicação de um número real por uma
função. Logo, todos são subespaços vetoriais de F (a, b).
1. O conjunto C(a, b) das funções contínuas de F (a, b). Este conjunto
também é denotado por C 0 (a, b).
2. O conjunto C 1 (a, b) das funções em F (a, b) cuja derivada é contínua.
3. O conjunto C k (a, b) das funções em F (a, b) cujas derivadas até a ordem
k são contínuas. Aqui, k > 0 é um número inteiro positivo.
4. O conjunto C ∞ (a, b) das funções em F (a, b) cujas derivadas de todas as

ordens são contínuas.
5. O conjunto P (a, b) das funções reais polinomiais denidas no intervalo
(a, b).
6. O conjunto Pn (a, b) das funções reais polinomiais de grau menor ou

igual a n denidas no intervalo (a, b). Aqui, n ≥ 0 é um número inteiro não
negativo.
Sabemos que, se f e g forem funções contínuas em (a, b), a soma f + g e
o produto cf são contínuas no intervalo (a, b) para todo número real c. Isto
garante que C(a, b) é fechado na adição de funções e na multiplicação de um
número real por uma função.
Seja k > 1 um número inteiro positivo. Os conjuntos C 1 (a, b), C k (a, b) e
C ∞ (a, b) também são fechados em relação a essas duas operações.

As funções polinomiais possuem derivadas contínuas de todas as ordens o

que garante a inclusão de P (a, b) em C ∞ (a, b). Valem as inclusões
Pn (a, b) ⊂ P (a, b) ⊂ C ∞ (a, b) ⊂ C k (a, b) ⊂ C(a, b) ⊂ F (a, b).
Todos esses conjuntos, com as operações de adição de funções e multipli-

cação de um número real por uma função são espaços vetoriais reais.
Pelas relações de inclusão acima, cada um deles é subespaço vetorial dos
espaços que cam à sua direita.
Nota 1.32 O conjunto das funções polinomiais de grau igual a n denidas

num intervalo (a, b) não é um subespaço de F (a, b) uma vez que a soma de
duas funções polinômiais de grau n pode ter grau menor do que n como no
mostra o exemplo que segue
2 + 3x + x2 + (5 − x − x2 ) = 7 + 2x.

A adição de dois polinômios de grau 2 resultou num polinômio de grau 1.
1.16.1 Combinação linear
O conceito de combinação linear se aplica a espaços de funções.

Quando D é um conjunto não vazio, vamos lembrar que F (D) é o conjunto
de todas as funções f : D → R com domínio D e contradomínio R.
Seja
G = {f1 , . . . , fk }
um conjunto nito e não vazio de funções em F (D).
Sejam c1 , . . . , ck números reais. A função de F (D) denida por
c1 f 1 + · · · + ck f k

96 Espaço vetorial
é uma combinação linear das funções de G. É o mesmo conceito já denido

para os espaços vetoriais.
Exemplo. Considere as funções f, g e h em F (0, 1), denidas por
f (x) = x2 , g(x) = sen x, h(x) = cos x,
para todo x no intervalo (0, 1).
A função
2f − 3g + 4h
é uma combinação linear das funções f, g e h.

Podemos calcular o valor desta função num número real x do intervalo (0, 1)
(2f − 3g + 4h)(x) = 2f (x) − 3g(x) + 4h(x) = 2x2 − 3 sen x + 4 cos x.

1.16.2 Dependência linear
Sejam f1 , f2 , . . . , fn funções em F (D). O conjunto
G = {f1 , f2 , . . . , fn }
é linearmente dependente se existirem números reais c1 , c2 , . . . , cn , nem

todos nulos, tais que
c1 f1 + · · · + cn fn = 0.
Acima temos uma igualdade entre funções e o 0 (zero) do lado direito é a

função identicamente nula, aquela que leva todo x em D no zero.

A igualdade anterior envolvendo funções implica em
c1 f1 (x) + · · · + cn fn (x) = 0(x) = 0
para todo x em D.
Lembre-se 0(x) é a função nula aplicada a x, cujo valor é o número real 0
(zero).
Na igualdade acima, o 0 na extremidade direita é o número real zero.
Como as funções envolvidas estão denidas em D, diremos que o conjunto
de funções é linearmente dependente em D.
Quando o conjunto de funções não for linearmente dependente em D, di-
remos que ele é linearmente independente em D.
Isto signica que, c1 = 0, c2 = 0, . . . , cn = 0 é a única sequência de números
reais para a qual
c1 f1 + · · · + cn fn = 0.
Para vericar se um conjunto de funções G = {f1 , f2 , . . . , fn } em F (D) é

ou não linearmente independente, olhamos para a igualdade
c1 f1 (x) + · · · + cn fn (x) = 0
como uma equação nas incógnitas reais c1 , . . . , cn . Este conjunto de núme-

ros reais deve satisfazer a igualdade para todo x em D.
Se a única solução possível for a trivial,
c1 = 0, . . . , cn = 0,
diremos que G é linearmente independente em D.

Se existirem números reais c1 , . . . , cn nem todos nulos para os quais

98 Espaço vetorial
c1 f1 (x) + · · · + cn fn (x) = 0
para todo x em D, então G é linearmente dependente em D.
Nota 1.33 Ressaltamos que c1 , . . . , cn são números reais, e não podem de-
pender de x, uma vez que não são funções.
Daremos alguns exemplos de dependência linear em espaços de funções.
Exemplo. Seja D um intervalo de números reais ou o próprio conjunto

dos números reais. Considere as funções polinomiais p0 , p1 , . . . , pn em Pn (D),
denidas em todo x real por
p0 (x) = 1, p1 (x) = x, . . . , pn (x) = xn .
Vamos mostrar que o conjunto G = {p0 , p1 , . . . , pn } é LI em D.
Sejam c0 , c1 , . . . , cn números reais para os quais
c0 p0 + c1 p1 + · · · + cn pn = 0.
Esta igualdade entre funções implica em
c0 p0 (x) + c1 p1 (x) + · · · + cn pn (x) = 0
para todo x em D.
Considerando que p0 (x) = 1, p1 (x) = x, . . . , pn (x) = xn , a igualdade acima
se torna
c0 + c1 x + · · · + cn x n = 0
e vale para todo x em D.

Ora, sabemos que um polinômio real não nulo de grau n possui no máximo
n raízes e não pode se anular em todo um intervalo de números reais.
Para se anular em todo x num intervalo, c0 + c1 x + · · · + cn xn só pode
ser o polinômio nulo.
Daí se conclui que c0 = c1 = · · · = cn = 0, mostrando que o conjunto de
polinômios {p0 , p1 , . . . , pn } é linearmente independente em R.
Por vezes, para simplicar, diremos que o conjunto de polinômios {1, x,
. . . , xn } é linearmente independente em D.
Exemplo. Consideremos o espaço vetorial P2 (R) das funções polinomiais

reais com grau menor ou igual a 2.
Consideremos neste espaço vetorial as funções polinomiais p1 , p2 e p3 , de-
nidas em todo x real por
p1 (x) = 1 − x, p2 (x) = 5 + 3x − 2x2 , p3 (x) = 1 + 3x − x2 .
Vamos vericar se o conjunto {p1 , p2 , p3 } é linearmente dependente ou não

em R.
Sejam a, b e c números reais para os quais
a p1 + b p2 + c p3 = 0.
Esta é uma igualdade entre polinômios que implica em
a p1 (x) + b p2 (x) + c p3 (x) = 0
para todo x real.
Substituindo p1 (x), p2 (x) e p3 (x) por suas expressões,
a(1 − x) + b(5 + 3x − 2x2 ) + c(1 + 3x − x2 ) = 0

100 Espaço vetorial
e reorganizando os termos, obtemos
(a + 5b + c) + (−a + 3b + 3c)x + (−2b − c)x2 = 0.
O lado esquerdo é igual a zero para todo x real, apenas quando o polinômio
for identicamente nulo, o que implica em
a + 5b + c = 0, −a + 3b + 3c = 0, −2b − c = 0.
Este sistema de equações algébricas lineares e homogêneas possui innitas

soluções que satifazem
a = −3b e c = −2b,
onde b é livre para assumir qualquer valor real.
Tomando b = −1, obtemos a = 3 e c = 2. Com isto,
3p1 − p2 + 2p3 = 0,
mostrando que o conjunto {p1 , p2 , p3 } em P2 (R) é linearmente dependente.

Exemplo. Consideremos em F (R) o conjunto G = {f, g} formado pelas

funções f e g, denidas para todo x real por
f (x) = x e g(x) = sen x.
Mostremos que G é linearmente independente em R.
De fato, se a e b forem dois números reais tais que af + bg = 0, então
ax + b sen x = 0

para todo x real.
Em particular, a igualdade deve ser satisfeita para x = π/2 e x = π.

Para x = π, obtemos aπ +b sen π = 0. Como sen π = 0, segue aπ = 0 ou a
= 0.
Como a = 0, tomando x = π/2, segue b sen(π/2) = 0 o que implica em b
= 0, uma vez que sen(π/2) = 1.
Logo, a = 0, b = 0 e o conjunto G = {f, g} é linearmente independente
em R.
Sabemos que um conjunto nito de vetores é linearmente dependente se, e

só se, um dos vetores for uma combinação linear dos demais.
Este resultado, válido em espaços vetoriais gerais, continua verdadeiro para
os espaços de funções.
Exemplo. Considere o conjunto de funções {f, g, h} em F (R), denidas

em todo número real x por
f (x) = cos2 (x), g(x) = sen2 (x), h(x) = 7 cos(2x).
Usando a conhecida identidade trigonométrica
cos(2x) = cos2 (x) − sen2 (x),
válida para todo x real, concluímos que
h = 7f − 7g.
Sendo h uma combinação linear de f e g, o conjunto {f, g, h} é linearmente

dependente.

1.16.3 Wronskiano
Seja n > 0 um número inteiro positivo. Vamos indicar o intervalo aberto de

números reais com extremidades a e b por (a, b).
Para uma função real f : (a, b) → R possuir derivada de ordem n contínua,
sua derivada de ordem n − 1 deve ser contínua.
Isto signica que, se f pertence a C n (a, b) então pertence a C n−1 (a, b) e
valem as inclusões
C ∞ (a, b) ⊂ · · · ⊂ C n (a, b) ⊂ · · · ⊂ C 1 (a, b) ⊂ C(a, b).
As funções em C ∞ (a, b) possuem derivadas contínuas de todas as ordens.

Seja G = {f1 , . . . , fn } um conjunto de funções em C n−1 (a, b).
Se G for linearmente dependente, existe uma sequência c1 , . . . , cn de nú-
meros reais, onde nem todos são nulos, de modo que
c1 f1 + · · · + cn fn = 0.
O zero acima representa a função identicamente nula, 0(x) = 0 para todo

x em (a, b). Aqui, o zero da esquerda representa a função nula e o da direita o
número real zero.
Tal igualdade entre funções signica que
c1 f1 (x) + · · · + cn fn (x) = 0
para todo x em (a, b). Agora, nesta igualdade, o 0 do lado direito é o

número real zero.
Como as funções possuem derivadas contínuas até a ordem n − 1, podemos
derivar sucessivamente a igualdade anterior para obter

c1 f1 (x) + · · · + cn fn (x) = 0,
0 0
c1 f1 (x) + · · · + cn fn (x) = 0,
···
(n−1)
c1 f 1 (x) + · · · + cn fn(n−1) (x) = 0.
Se houver uma sequência não nula c1 , c2 , . . . , cn de números reais que

satisfas a estas n equações para todo x em (a, b), concluímos que
 
f1 (x) ··· fn (x)
.. ... ..
det  . . =0
 
(n−1) (n−1)
f1 (x) · · · fn (x)
para todo x no intervalo (a, b).
Este determinante é chamado de wronskiano das funções f1 , f2 , . . . , fn

no ponto x e é denotado por
W [f1 , . . . , fn ](x).
Para simplicar a notação, pode-se denotar o wronskiano das funções f1 ,

f2 , . . . , fn no ponto x por
W (x)
e, neste caso, o contexto deve informar quais são as funções envolvidas.
Acabamos de provar o seguinte teorema:
Teorema 1.34 Seja G = {f1 , . . . , fn } um conjunto nito e não vazio de

funções em C n−1 (a, b).
1. Se G for linearmente dependente em (a, b), então, para todo x em (a, b)
W [f1 , . . . , fn ](x) = 0
2. Se W [f1 , . . . , fn ](x0 ) 6= 0 em algum ponto x0 de (a, b), então G é line-

armente independente em (a, b).

Nem sempre um wronskiano nulo em um intervalo (a, b) implica na depen-

dência linear das funções envolvidas neste intervalo como mostra o próximo
exemplo.
Exemplo. O wronskiano das funções
f (x) = x2
e
x2 para x ≥ 0

g(x) =
−x2 para x < 0
é igual a zero para todo x real.
Vamos calcular este wronskiano. Quando x < 0,

f (x) g(x) x2 −x2
W [f, g](x) = det = det = 0.
f 0 (x) g 0 (x) 2x −2x
Quando x > 0,

f (x) g(x) x2 x2
W [f, g](x) = det = det = 0.
f 0 (x) g 0 (x) 2x 2x
Para calcular o wronskiano em x = 0 precisamos da derivada de g em x = 0.
Como as expressões que denem g à esquerda e à direita de x = 0 são

diferentes, precisamos calcular as derivadas laterais à esquerda e à direita de
zero usando a denição de derivada.
Como g(0) = 0, calculamos
0 − g(x) − g(0) −x2

g (0 ) = lim− = lim− = 0,
x→0 x x→0 x
g(x) − g(0) x2
g 0 (0+ ) = lim+ = lim+ = 0.
x→0 x x→0 x
Se as derivadas laterais são iguais a zero, a derivada g 0 (0) existe e é igual a

zero.
Logo,


f (0) g(0) 0 0
W [f, g](0) = det = det =0
f 0 (0) g 0 (0) 0 0
Mostramos que W [f, g](x) = 0 para todo x real.

Todavia, o conjunto de funções G = {f, g} é linearmente independente em
R.
Para provar esta independência linear, considere que c1 e c2 são dois nú-
meros reais para os quais c1 f (x) + c2 g(x) = 0 para todo x real. Fazendo x =
−1 e x = 1 na igualdade anterior obtemos o sistema
c1 − c2 = 0
c1 + c2 = 0
cuja única solução é a trivial c1 = 0 e c2 = 0.

Isto mostra que o conjunto {f, g} de funções em C 1 (R) é linearmente
independente em R.
No intervalo (−∞, 0), vale a igualdade f + g = 0 e o conjunto {f, g} é
linearmente dependente neste intervalo.
No intervalo (0, +∞), vale a igualdade f − g = 0 e neste intervalo o
conjunto {f, g} é linearmente dependente.
Enquanto o conjunto {f, g} é linearmente independente no intervalo (−∞,
+∞), ele é linearmente dependente no intervalo (−∞, 0) e no intervalo (0,
+∞).
Exemplo. Sejam f, g duas funções em C 1 (R) denidas para todo x real

por
f (x) = x e g(x) = x3 .
O wronskiano das funções f e g em x é

f (x) g(x) x x3
W [f, g](x) = det = det = 3x3 − x3 = 2x3
f 0 (x) g 0 (x) 1 3x2
que se anula em x = 0 mas é diferente de zero quando x 6= 0. Desta forma,

o conjunto de funções G = {f, g} é linearmente independente no intervalo

aberto (a, b), para qualquer escolha de a e b.
Exemplo. Vamos retornar às funções
f (x) = x e g(x) = sen x,
e usar o wronskiano para provar que são linearmente independentes em qual-

quer intervalo aberto de números reais.
O wronskiano das funções f e g num ponto x é igual a

f (x) g(x) x sen x
W [f, g](x) = det = det = x cos x − sen x.
f 0 (x) g 0 (x) 1 cos x
No ponto x = π/2, este wronskiano é igual a −1. Sendo o wronskiano

diferente de zero em x = π/2, o conjunto {f, g} é linearmente independente
em qualquer intervalo aberto que contém o ponto π/2.
O wronskiano de f e g se anula nos pontos onde x = tan x. Faça os grácos
de y = x e y = tan x numa única gura e certique-se de que as raízes de x =
tan x ocorrem em pontos isolados.
Logo, o conjunto {f, g} é linearmente independente em todo intervalo
aberto de números reais pois cada um deles contém pontos onde o wronskiano
não se anula.
Exemplo. Considere as funções reais denidas por
f (x) = 1, g(x) = ex e h(x) = e2x .
O wronskiano dessas funções num número real x é

 
1 ex e2x
W [f, g, h](x) = det  0 ex 2e2x  = 2e3x
0 ex 4e2x

Este wronskiano é diferente de zero em todo x real, o que garante a in-

dependência linear do conjunto de funções { f, g, h } em qualquer intervalo
aberto.
Quando o wronskiano for igual a zero em todos os pontos x do intervalo

(a, b), não podemos armar que o conjunto G = {f1 , . . . , fn } é linearmente
dependente em (a, b), a não ser que se incluam hipóteses adicionais.
Se as funções envolvidas forem soluções de uma equação diferencial ordiná-
ria linear, temos o seguinte resultado, cuja demonstração pode ser encontrada
em livros sobre o assunto.
Teorema 1.35 Sejam a e b números reais com a < b. Vamos denotar o in-
tervalo aberto de números reais com extremidades a e b por (a, b).
Sejam a0 , . . . , an−1 funções contínuas em (a, b) e
y = f1 (x), . . . , y = fn (x)
soluções no intervalo (a, b) da equação diferencial ordinária linear homogênea

de ordem n
y (n) + an−1 (x)y (n−1) + · · · + a1 (x)y 0 (x) + a0 (x)y = 0.
O conjunto de funções
{ f1 , . . . , f n }
é linearmente dependente em (a, b) se, e só se, o wronskiano
 
f1 (x) ··· fn (x)
.. ... ..
W (x) = det  . .
 

(n−1) (n−1)
f1 (x) · · · fn (x)
for igual a zero para algum x0 em (a, b).

Além disso, se o wronskiano for igual a zero em um ponto de (a, b), ele
será igual a zero em todos os pontos deste intervalo.

Exemplo. Sejam f e g as funções denidas por
f (x) = x e g(x) = x2 .
O cálculo do wronskiano de f e g fornece
W [f, g](x) = x2 ,
que é igual a zero em x = 0 mas é diferente de zero quando x 6= 0.
Isto signica que não existe equação diferencial linear de segunda ordem
do tipo
y 00 + a1 (x)y 0 + a0 (x)y = 0
com a1 (x) e a0 (x) contínuas num intervalo (a, b) que contenha o zero e pos-
suindo x e x2 como soluções.
Todavia, x e x2 são soluções da equação diferencial
x2 y 00 − 2 xy 0 + 2 y = 0
em toda a reta.
Note que não há contradição com o teorema anterior, uma vez que esta
equação não se encontra na forma apresentada no enunciado.
Para ter o coeciente de y 00 igual a 1, devemos dividir a equação por x2
y 00 − (2/x)y 0 + (2/x2 )y = 0
e as funções 2/x e 2/x2 são descontínuas em x = 0.
Podemos aplicar o teorema acima nos intervalos (−∞, 0) e (0, +∞) se-
paradamente. Em cada um desses intervalos, 2/x e 2/x2 são contínuas e o
W [f, g](x) 6= 0.
Muito mais sobre os espaços funcionais poderia ser dito mas paramos por
aqui. Um estudo mais detalhado desses espaços foge ao escopo de um curso
introdutório de Álgebra Linear. Entretanto, esta é outra janela através da qual
se descortina um mundo fascinante.

Cap 03 Espaco Vetorial

Enviado por

Dados do documento

Título 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

Cap 03 Espaco Vetorial

Enviado por

Direitos autorais:

Formatos disponíveis

Álgebra Linear - Espaço vetorial

Antonio Cândido Faleiros

Universidade Federal do ABC

Professor Antonio Cândido Faleiros

Prezados alunos, sejam bem-vindos.

Professor Antonio Cândido Faleiros

Graças ao seu poder de síntese, o conceito de espaço vetorial se mostrou

Um corpo é uma estrutura matemática formada por um conjunto K, que

A adição é uma operação que atua sobre dois escalares x e y de K e os leva

Professor Antonio Cândido Faleiros

1. Comutatividade. Dados dois escalares x e y em K,

2. Associatividade. Dados três escalares x, y e z em K,

3. Elemento neutro. Existem dois escalares em K, o 0 (zero) e o 1 (um),

(a) Para cada escalar x em K, existe um escalar u em K, denominado

(b) Para cada escalar x em K diferente do zero, existe um escalar v em

Professor Antonio Cândido Faleiros

5. Distributividade. Dados três escalares x, y e z em K,

Devido à associatividade (x + y) + z e x + (y + z) são iguais e podemos

Sendo a multiplicação uma operação associativa, os produtos (xy)z e x(yz)

O x e o y são chamados de parcelas da soma

O x e o y são chamados de fatores do produto

Quando for necessário, podemos usar o sinal × ou o ponto · para indicar o

 O elemento neutro da adição é único.

De fato, se 01 e 02 forem elementos neutros da adição,

Professor Antonio Cândido Faleiros

a igualdade (1) vale pois 02 é elemento neutro da adição e a igualdade

 O elemento neutro da multiplicação é único.

 O oposto de um escalar x é único. Sendo único, o oposto de x e será

 O inverso de um escalar x 6= 0 é único. Sendo único, o inverso de x será

Com estas notações,

Denimos a subtração x − y (leia-se x menos y ) por

Quando y 6= 0, denimos a divisão x/y (leia-se x dividido por y) do

Exemplo. São corpos:

Professor Antonio Cândido Faleiros

São também denominados Corpos de Galois, em homenagem ao matemá-

Denição 1.1 Operação modular. Sejam x e n > 1 dois números inteiros,

A operação modular é aquela que leva os números x e n no resto r,

x mod n = r (leia-se x módulo n).

Exemplo. São corpos nitos:

Professor Antonio Cândido Faleiros

e as operações de adição e multiplicação módulo p

Vamos lembrar que

x mod p (leia-se x módulo p).

A título de informação, os corpos nitos são muito utilizados em Cripto-

Professor Antonio Cândido Faleiros

1.2 Espaço vetorial

Um espaço vetorial é uma estrutura matemática formada por:

2. um corpo K, cujos elementos são denominados escalares;

Os vetores serão representados por letras em negrito.

A adição e a multiplicação num espaço vetorial

A adição de vetores é uma operação que leva um par v e w de vetores

Professor Antonio Cândido Faleiros

Para o conjunto V ser um espaço vetorial sobre o corpo K é preciso que

1. Comutatividade. Para todo par v e w de vetores em V,

2. Associatividade. Sendo u, v e w vetores em V,

3. Vetor nulo. Existe um vetor em V, chamado de vetor zero ou vetor

4. Vetor oposto. Para cada vetor v em V, existe um vetor w em V,

Propriedades da multiplicação de um vetor por escalar:

Professor Antonio Cândido Faleiros

1. Associatividade. Para todo par x e y de escalares em K e todo vetor

(x y)v = x(y v).

2. Distributividade. Se x e y forem escalares em K, v e w vetores em V,

3. Elemento unidade. Se 1 for o elemento neutro da multiplicação em K,

O elemento neutro da adição é único.

O elemento neutro da multiplicação é único.

O oposto de um escalar x é único. Sendo único, o oposto de x e será

O inverso de um escalar x 6= 0 é único. Sendo único, o inverso de x será

Denimos a subtração x − y (leia-se x menos y ) por

Quando y 6= 0, denimos a divisão x/y (leia-se x dividido por y) do

Denição 1.1 Operação modular. Sejam x e n > 1 dois números inteiros,

Exemplo. São corpos nitos:

A título de informação, os corpos nitos são muito utilizados em Cripto-

Denimos a diferença entre os vetores u e v por

O Rn , com as operações acima denidas de adição de n−uplas e multipli-

Vamos denir no R2 as operações

A multiplicação agora denida não satisfaz à propriedade 1v = v exigida

Denição 1.4 Seja S um subconjunto não vazio de um espaço vetorial V

Se o vetor nulo 0 de V não pertence ao subconjunto S, já se pode armar