Departamento de Ciências Exactas e Tecnológicas

21002 - Álgebra Linear I

Espaços Vectoriais - Texto de Apoio

1o ano - 1o semestre de 2008/09

Ana Luı́sa Correia
 Espaços Vectoriais

A noção de espaço vectorial abstracta generaliza a do cálculo vectorial tridimensional

usual, onde estão presentes a adição de vectores e a multiplicação de vectores por números
reais. Deve-se aliás a este espaço e à noção fı́sica de vector a nomenclatura utilizada: espaço
vectorial e vector. Note-se, ainda que, o conceito abstracto é definido para um conjunto
qualquer, cujos elementos, embora designados por vectores, podem não ter nada a ver com a
noção usual de vector de R3 .

Definição: Um espaço vectorial sobre um corpo K é uma estrutura algébrica for-

mada por um conjunto não vazio V , cujos elementos se designam por vectores, onde estão
definidas

• uma operação binária designada por adição:

“+′′ : V × V −→ V
− adição de vectores
(~x, ~y ) 7−→ ~x + ~y

• operações unárias designadas por multiplicação por escalar: para cada α ∈ K

“α′′ : V −→ V
− multiplicação pelo escalar α
~x 7−→ α~x

Estas duas operações têm de satisfazer os seguintes axiomas:

(A1) ∀~x, ~y , ~z ∈ V, (~x + ~y ) + ~z = ~x + (~y + ~z ) - a adição de vectores é associativa

(A2) ∀~x, ~y ∈ V, ~x + ~y = ~y + ~x - a adição de vectores é comutativa

(A3) ∃ ~0 ∈ V ∀~x ∈ V : ~x + ~0 = ~x - existe elemento neutro para a adição de vectores

(A4) ∀~x ∈ V ∃ − ~x ∈ V : ~x + (−~x) = ~0 - existe simétrico para cada vector

(M1) ∀~x ∈ V ∀α, β ∈ K, (α + β)~x = α~x + β~x - distributividade

(M2) ∀~x, ~y ∈ V ∀α, β ∈ K, α(~x + ~y ) = α~x + α~y - distributividade

(M3) ∀~x ∈ V ∀α, β ∈ K, α(β~x) = (αβ)~x - associatividade

(M4) ∀~x ∈ V, 1~x = ~x - 1 designa o elemento unidade do corpo K

Observações 1.
• Dizer que cada α ∈ K define uma operação unária em V é equivalente a dizer que está
definida uma multiplicação escalar:
“·′′ : K × V −→ V
− acção de K em V
(α, ~x) 7−→ α~x

• Os axiomas (A1) a (A4) dizem respeito à estrutura aditiva de V e podem ser resumidos
dizendo-se que (V, +) é um grupo aditivo comutativo.

1
 • Os axiomas (M1) a (M4) dizem respeito à acção do corpo K em V .
• Se V é um espaço vectorial sobre o corpo K:
– Os elementos de V designam-se por vectores: usam-se as notações ~x, ~y , u, v, ...
– Os elementos de K designam-se por escalares: usam-se as letras α, β, a, b, k, t, ...
– O elemento zero da adição em V , diz-se o vector nulo e denota-se por ~0 ou 0V .
– Quando K = R ou K = C, V diz-se um espaço vectorial real ou complexo, respec-
tivamente.
Exemplos clássicos 1.
a) O espaço vectorial modelo é o espaço Rn munido da operação de adição e das operações
de multiplicação por escalares por:

• (a1 , a2 , . . . , an ) + (b1 , b2 , . . . , bn ) = (a1 + b1 , a2 + b2 , . . . , an + bn ), onde ai , bi ∈ R

• α · (a1 , a2 , . . . , an ) = (αa1 , αa2 , . . . , αan ), onde α, ai ∈ R.

b) Mais geralmente, se K é um corpo, o conjunto K n formado por todos os n-uplos de

elementos de K, com operações definidas por:
• (a1 , a2 , . . . , an ) + (b1 , b2 , . . . , bn ) = (a1 +K b1 , a2 +K b2 , . . . , an +K bn ), onde ai , bi ∈ K
• α · (a1 , a2 , . . . , an ) = (α ·K a1 , α ·K a2 , . . . , α ·K an ), onde α, ai ∈ K
é um espaço vectorial sobre K.
Note-se que as operações definidas em K n são à custa das operações definidas em K.
Para salientar esse facto está escrito ”+K ” e ”·K ”. Quando não há perigo de confusão,
omite-se a indexação e escreve-se simplesmente ”+” e ”·” tanto para as operações em K
como em K n .
c) Dado um corpo K o conjunto das matrizes K n×m , com as operações naturais de adição
de matrizes e multiplicação de um elemento de K por uma matriz:
 
a11 + b11 a12 + b12 . . . a1m + b1m
 a21 + b21 a22 + b22 . . . a2m + b2m 
 
• A+B =  .. .. .. , onde A = [aij ], B = [bij ] ∈ K n×m ;
 . . . 
an1 + bn1 an2 + bn2 . . . anm + bnm
 
αa11 αa12 . . . αa1m
 αa21 αa22 . . . αa2m 
  n×m
• αA =  .. .. .. , onde A = [aij ] ∈ K ,α∈K
 . . . 
αan1 αan2 . . . αanm
é um espaço vectorial sobre K.
d) Designando por Kn [x] o conjunto de todos os polinómios na variável x, com coeficientes
em K, de grau ≤ n, n ∈ N0 , este conjunto algebrizado da maneira natural:
• (an xn +· · ·+a1 x+a0 )+(bn xn +· · ·+b1 x+b0 ) = (an +bn )xn +· · ·+(a1 +b1 )x+(a0 +b0 )
• α(an xn + · · · + a1 x + a0 ) = (αan )xn + · · · + (αa1 )x + (αa0 )
é um espaço vectorial sobre o corpo K

2
Os conjuntos dos exemplos 1 - 4, com as operações mencionadas, são espaços vectoriais sobre
os corpos em causa, porque são verificados todos os axiomas (A1) - (A4) e (M1) - (M4). Por
exemplo, prove que assim é para n = 2 e m = 3 (no caso do exemplo 3).

Exemplo 2. R2 algebrizado com operações diferentes das usuais - Ver exercı́cio 4.1.4
do manual
1) Consideremos em R2 as operações definidas, para quaisquer (x1 , x2 ), (y1 , y2 ) ∈ R2 , α ∈ R:
• (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 + 1)
• α(x1 , x2 ) = (αx1 , αx2 )
Para investigar se R2 é ou não um espaço vectorial sobre R ou temos uma visão de que
falha algum dos axiomas, exibimos um contra-exemplo, e assim provamos que não é um
espaço vectorial, ou corremos cada axioma e analisamos o que se passa. Neste primeiro
caso, vamos percorrer os axiomas. Consideramos para o efeito (x1 , x2 ), (y1, y2 ), (z1 , z2 ) ∈
R2 , α, β ∈ R elementos arbitrários:

(A1) Como a adição é associativa e comutativa em R

(x1 , x2 ) + (y1 , y2 ) + (z1 , z2 ) = (x1 + y1 , x2 + y2 + 1) + (z1 , z2 )
= ((x1 + y1 ) + z1 , (x2 + y2 + 1) + z2 + 1)
= (x1 + (y1 + z1 ), x2 + (y2 + z2 + 1) + 1)
= (x1 , x2 ) + (y1 + z1 , y2 + z2 + 1)


= (x1 , x2 ) + (y1 , y2 ) + (z1 , z2 )

(A2) Como a adição é comutativa em R

(x1 , x2 ) + (y1 , y2 ) = (x1 + y1, x2 + y2 + 1) = (y1 + x1 , y2 + x2 + 1) = (y1 , y2 ) + (x1 , x2 )

(A3) Temos
(x1 , x2 ) + (a, b) = (x1 , x2 ) ⇐⇒ (x1 + a, x2 + b + 1) = (x1 , x2 )
( (
x1 + a = x1 a=0
⇐⇒ ⇐⇒
x2 + b + 1 = x2 b = −1

Portanto ~0 = (0, −1) - para adição acima definida.

(A4) Temos
(x1 , x2 ) + (a, b) = ~0 ⇐⇒ (x1 + a, x2 + b + 1) = (0, −1)
( (
x1 + a = 0 a = −x1
⇐⇒ ⇐⇒
x2 + b + 1 = −1 b = −2 − x2

Portanto −(x1 , x2 ) = (−x1 , −2 − x2 ) - para adição acima definida.

(M1) Temos
(α + β)(x1 , x2 ) = ((α + β)x1 , (α + β)x2 ) = (αx1 + βx1 , αx2 + βx2 )
6= (αx1 + βx1 , αx2 + βx2 + 1) = (αx1 , αx2 ) + (βx1 , βx2 )
= α(x1 , x2 ) + β(x1 , x2 )

3
 Por exemplo, para α = β = 1 e x1 = 1, x2 = 0, temos

(1 + 1)(1, 0) = 2(1, 0) = (2, 0)

1(1, 0) + 1(1, 0) = (1, 0) + (1, 0) = (1 + 1, 0 + 0 + 1) = (2, 1).

def. de “+”

Portanto, (1 + 1)(1, 0) 6= 1(1, 0) + 1(1, 0) - falha a distributiva (M1).

Basta que falhe um axioma para que, com estas operações, R2 não seja um espaço
vectorial real. Não é necessário continuar a percorrer os restantes axiomas.

2) Consideremos em R2 as operações definidas, para quaisquer (x1 , x2 ), (y1 , y2 ) ∈ R2 , α ∈ R:

• (x1 , x2 ) + (y1 , y2 ) = (x1 , x2 + y1 + y2 )

• α(x1 , x2 ) = (αx1 , αx2 )

Observando a maneira como a adição está definida vê-se que há vários axiomas que
falham. Por exemplo, a adição não é comutativa:

(1, 0) + (2, 1) = (1, 0 + 2 + 1) = (1, 3)

def. de “+”

(2, 1) + (1, 0) = (2, 1 + 1 + 0) = (2, 2)

def. de “+”

Como (1, 3) 6= (2, 2) falha o axioma (A2). Também falham (A3), (A4), (M1) - verifique!
Portanto, com estas operações, R2 não é um espaço vectorial real.

3) Consideremos em R2 as operações definidas, para quaisquer (x1 , x2 ), (y1 , y2 ) ∈ R2 , α ∈ R:

• (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )

• α(x1 , x2 ) = (x1 , αx2 )

Como a operação de adição coincide com a adição usual em R2 é claro que os axiomas
(A1) - (A2) são todos satisfeitos. Ora, pela definição de multiplicação escalar

0(x1 , x2 ) = (x1 , 0x2 ) = (x1 , 0) 6= (0, 0)

em geral

É portanto claro que algum dos axiomas (Mi) terá de falhar. Ora por exemplo, temos

(1 + 0)(2, 1) = 1(2, 1) = (2, 1 · 1) = (2, 1)

1(2, 1) + 0(2, 1) = (2, 1) + (2, 0) = (4, 1).

Assim, (1 + 0)(2, 1) 6= 1(2, 1) + 0(2, 1), e o axioma (M1) não é satisfeito. Portanto, com
estas operações, R2 não é um espaço vectorial real.

4) Consideremos em R2 as operações definidas, para quaisquer (x1 , x2 ), (y1 , y2 ) ∈ R2 , α ∈ R:

• (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )

• α(x1 , x2 ) = (αx1 , x2 )

Situação idêntica à 3).

4
 Subespaços Vectoriais

Definição: Seja V um espaço vectorial sobre um corpo K. Um conjunto F diz-se um

subespaço vectorial de V se:

• F ⊆V;

• F 6= ∅;

• F for um espaço vectorial sobre K para as restrições das operações definidas em V

aos elementos de F (a que chamamos operações induzidas pelas operações de V no
conjunto F ).

Observação 2. Qualquer espaço vectorial V tem sempre, pelo menos, dois subespaços vecto-
riais: V e {0V }. Estes subespaços dizem-se os subespaços triviais de V .

Existem dois critérios muito úteis para verficar se um subconjunto F de V é um subespaço

vectorial de F .

Critério de subespaço 3. (Ver proposição 4.3.4)

Seja V um espaço vectorial sobre K. Tem-se:


 (1) F ⊆V

(2) 0V ∈ F
F é subespaço de V ⇐⇒


 (3) ∀u, v ∈ F, u + v ∈ F

(4) ∀u ∈ F ∀α ∈ K, αu ∈ F

- a condição (3) diz-nos que F é fechado para adição definida em V : a soma de dois vectores
de F tem de pertencer a F .
- a condição (4) diz-nos que F é fechado para a multiplicação escalar definida em V : qualquer
múltiplo escalar de um vector de F tem de pertencer a F

Critério de subespaço 4. (Ver proposição 4.3.11)

Seja V um espaço vectorial sobre K. Tem-se:

′
(1 ) F ⊆ V

F é subespaço de V ⇐⇒ (2′ ) 0V ∈ F

 ′
(3 ) ∀u, v ∈ F ∀α, β ∈ K, αu + βv ∈ F

- temos (1′ )=(1), (2′ )=(2) e (3′ ) ⇔ (3),(4)

5
Exemplos de aplicação 3. (Ver exercı́cio 4.3.9)
Consideremos o espaço vectorial R3 com as operações usuais.

a) Seja P = {(x, y, z) ∈ R3 : x + y + z = 1}. Temos:

• P ⊂ R3
• (0, 0, 0) 6∈ P - pois 0 + 0 + 0 = 0 6= 1

Logo, por qualquer um destes critérios, P não é um subespaço vectorial de R3 .

b) Seja S = {(x, y, z) ∈ R3 : x + y + z = 0}. Temos:

• S ⊂ R3
• (0, 0, 0) ∈ S - pois 0 + 0 + 0 = 0
• Sejam u = (x, y, z), v = (x′ , y ′ , z ′ ) ∈ S quaisquer. Então, por definição de S:

u = (x, y, z) ∈ S =⇒ x + y + z = 0
=⇒ (x + x′ ) + (y + y ′) + (z + z ′ ) = 0
v = (x′ , y ′, z ′ ) ∈ S =⇒ x′ + y ′ + z ′ = 0
=⇒ u + v = (x + x′ , y + y ′ , z + z ′ ) ∈ S

• Sejam u = (x, y, z) ∈ S e α ∈ K quaisquer. Então, por definição de S:

u = (x, y, z) ∈ S =⇒ x + y + z = 0 =⇒ α(x + y + z) = 0 =⇒ αx + αy + αz = 0
=⇒ αu = α(x, y, z) = (αx, αy, αz) ∈ S

Portanto, pelo critério de subespaço 1, S é um subespaço vectorial de R3 . Aplique o

critério 2, para concluir o mesmo!

6
 Reunião, intersecção e soma de subespaços

Seja V um espaço vectorial sobre um corpo K. Dados dois subconjuntos F e G de V

podemos construir outros subconjuntos de V :
os elementos de F ∩ G são os vectores do espa-
• F ∩ G = {v ∈ V : v ∈ F ∧ v ∈ G} -
def. ço V que estão simultaneamente em F e em G.

os elementos de F ∪ G são os vectores do espa-

• F ∪ G = {v ∈ V : u ∈ F ∨ v ∈ G} -
def. ço V que estão em F ou em G.

os elementos de F + G são os vectores do

• F + G = {u + v ∈ V : u ∈ F ∧ v ∈ G} - espaço V que se escrevem como soma
def.
de um vector de F com um vector de G.
Observações 5.
1. Da teoria dos conjuntos sabemos que:
• F ∩ G ⊆ F , F ∩ G ⊆ G.
• F ⊆ F ∪ G, G ⊆ F ∪ G.
2. Suponhamos que F e G são subespaços vectoriais de V . Então:
• F ∩ G é um subespaço vectorial de V - ver proposição 4.4.6.
• F ∪ G não é, em geral, um subespaço vectorial de V - ver proposição 4.4.5.
• F + G é um subespaço vectorial de V - ver proposição 4.4.9.
• Temos v = 0V + v = v + 0V e 0V ∈ F , 0V ∈ G, porque são subespaços de V .
Portanto
F ⊆ F + G e G ⊆ F + G.

Exemplos de aplicação 4. (Ver exercı́cio 4.4.3)

Consideremos o espaço vectorial R2 e os subespaços
F = {(x, x) : x ∈ R} , G = {(x, 2x) : x ∈ R}.
a) Temos

x=y (por def. de F )
(x, y) ∈ F ∩ G ⇐⇒ (x, y) ∈ F ∧ (x, y) ∈ G ⇐⇒
y = 2x (por def. de G)
(
x=0
⇐⇒ ⇐⇒ (x, y) = (0, 0)
y=0

Segue-se que F ∩ G = {(0, 0)}.

b) Temos, por definição de F e G que (1, 1) ∈ F e (1, 2) ∈ G. Logo (1, 1) ∈ F ∪ G e
(1, 2) ∈ F ∪ G. Mas
(1, 1) + (1, 2) = (2, 3) 6∈ F , (1, 1) + (1, 2) = (2, 3) 6∈ G
logo (1, 1) + (1, 2) = (2, 3) 6∈ F ∪ G. Portanto F ∪ G não é subespaço de V .

7
c) Temos

w ∈ F + G ⇐⇒ w = u + v para alguns u ∈ F, v ∈ G
⇐⇒ w = (x, x) + (x′ , 2x′ ) para alguns x, x′ ∈ R
⇐⇒ w = (x + x′ , x + 2x′ ) para alguns x, x′ ∈ R

Assim, F + G = {(x + x′ , x + 2x′ ) : x, x′ ∈ R}. Mas, não há restrições sobre as variações
de x, x′ . Assim,

(x + x′ , x + 2x′ ) = (x
|+
′
{zx}, |x +
′ ′ ′ ′
{zx} +x ) = (z, z + x ) c/ z, x percorrendo todos os reais.
z z

Logo F + G = {(z, z + x′ ) : z, x′ ∈ R} = R2 .
Alternativa: Temos F +G ⊆ R2 . Resta provar a inclusão recı́proca. Ora, dado (x, y) ∈ R2
qualquer
( (
′
x = a + a a = 2x − y
(x, y) = (a + a′ , a + 2a′ ) ⇐⇒ ′
⇐⇒ .
y = a + 2a a′ = y − x

Logo
(x, y) = (2x − y, 2x − y) + (y − x, 2(y − x)) ∈ F + G.
| {z } | {z }
∈F ∈G

Portanto, R2 ⊆ F + G. Da dupla inclusão segue-se a igualdade.

8
 Subespaço gerado

Definição: Seja V um espaço vectorial sobre um corpo K e sejam v1 , . . . , vk vectores de

V.

• Chama-se combinação linear de v1 , . . . , vk a toda a soma do tipo

α1 v1 + α2 v2 + · · · + αk vk ,

onde α1 , . . . , αk ∈ K.

• Diz-se que v ∈ V é combinação linear dos vectores v1 , . . . , vk se existem escalares

α1 , . . . , αk ∈ K (não necessariamente únicos) tais que

v = α1 v1 + α2 v2 + · · · + αk vk .

Observações 6. Sejam v1 , . . . , vk ∈ V .

1. 0V é combinação linear de quaisquer vectores v1 , . . . , vk , pois

0V = ov1 + ov2 + · · · + 0vk .

2. Cada vi é combinação linear de v1 , . . . , vk , pois

v1 = 1v1 + 0v2 + · · · + 0vk , v2 = 0v1 + 1v2 + · · · + 0vk , . . . , vk = 0v1 + 0v2 + · · · + 1vk .

3. Os escalares α1 , . . . , αk podem não ser únicos. Por exemplo, se considerarmos em R2 os

vectores (1, 1), (2, 2), então:
1
(3, 3) = 3(1, 1) + 0(2, 2) = 1(1, 1) + 1(2, 2) = 2(1, 1) + (2, 2).
2

4. O conjunto de todas as combinações lineares dos vectores v1 , . . . , vk , isto é,

{α1 v1 + α2 v2 + · · · + αk vk : α1 , . . . , αk ∈ K}

é um subespaço vectorial de V - ver pág. 213 e 214 do manual.

Definição: Seja V um espaço vectorial sobre um corpo K e sejam v1 , . . . , vk ∈ V . Chama-

se subespaço gerado por v1 , . . . , vk ao conjunto de todas as combinações lineares dos
vectores v1 , . . . , vk :

subespaço gerado por v1 , . . . , vk = {α1 v1 + α2 v2 + · · · + αk vk : α1 , . . . , αk ∈ K}.

def.

9
Observações 7. Sejam v1 , . . . , vk ∈ V .

1. Existem várias notações:

subespaço gerado por v1 , . . . , vk = hv1 , . . . , vk i = L({v1 , . . . , vk }) = L(v1 , . . . , vk ) (1 ).

2. Se F = hv1 , . . . , vk i, diz-se que os vectores v1 , . . . , vk geram F , ou que v1 , . . . , vk são ge-

radores de F , ou que F é gerado pelos vectores v1 , . . . , vk ou pelo conjunto {v1 , . . . , vk }.

3. Temos
hv1 , . . . , vk i = {α1 v1 + α2 v2 + · · · + αk vk : α1 , . . . , αk ∈ K}
é o menor subespaço de V que contém os vectores v1 , . . . , vk - ver proposição 4.5.11.

Definição: Um espaço vectorial V sobre um corpo K diz-se finitamente gerado se for

gerado por um número finito de geradores, isto é se existem k ∈ N e v1 , . . . , vk ∈ V tais
que
V = hv1 , . . . , vk i.

Exemplos 5.

a) Dado um corpo K, o espaço vectorial K n é finitamente gerado. De facto

K n = {(x1 , . . . , xn ) : xi ∈ K}
= {x1 (1, 0, . . . , 0) + x2 (0, 1, . . . , 0) + · · · + xn (0, 0, . . . , 1) : xi ∈ K}
= h(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)i.

onde 1 é a unidade do corpo K e 0 é o elemento neutro da adição definida em K.

Em particular,
Rn = h(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)i.
 
b) Seja A = 1 0 −5 ∈ R1×3 . Temos
 
  x1  
Ax = 0 ⇐⇒ 1 0 −5 x2  = 0 ⇐⇒ x1 − 5x3 = 0 ⇐⇒ x1 = 5x3 .
x3

Assim
     
 x1   5x3 
ker A = {x ∈ R3×1 : Ax = 0} = x2  ∈ R3×1 : x1 = 5x3 =  x2  : x2 , x3 ∈ R
   
x3 x3
      *   +
 0 5  0 5
= x2 1 + x3 0 : x2 , x3 ∈ R = 1 , 0 .
 
0 1 0 1
1
No manual é também usada a notação [v1 , . . . , vk ], mas é preciso ter algum cuidado pois pode confundir-se,
nalguns casos, com a notação de matriz.

10
 Mas, também temos
*0 −15+
ker A = 4 ,  0 
0 −3
       
0 5 0 −15
Facamos u = 1, v = 0, u′ = 4, v ′ =  0 . De facto,
0 1 0 −3
*0 −15+  0 
−15
 
 
4 ,  0  = α 4 + β  0  : α, β ∈ R
 
0 −3 0 −3
     
 0 5  é conj. de comb. li-
= (4α) 1 + (−3β) 0 : α, β ∈ R − neares dos vectores
 
0 1 u, v
*   +
0 5
⊆ 1 , 0 .
0 1

Para a inclusão recı́proca vamos argumentar de modo equivalente:

*0 5+  0  
5

 
1 , 0 = α 1 + β 0 : α, β ∈ R
 
0 1 0 3
     
 0 −15  é um conj. de comb.
= (1/4α) 4 + (−1/3β) 0
    : α, β ∈ R − lineares dos vectores
 
0 −3 u′ , v ′
*0 −15+
⊆ 4 ,  0  .
0 −3

- Ver exercı́cio 4.7.2.

No exemplo anterior encontrámos dois conjuntos geradores para o mesmo subespaço. O

seguinte resultado dá-nos um processo simples para verificar se dois conjuntos de vectores
geram o mesmo subespaço:

Proposição 8. Seja V um espaço vectorial sobre um corpo K e sejam v1 , . . . , vk , u1 , . . . , ut

vectores de V . Tem-se

1. hv1 , . . . , vk i ⊆ hu1, . . . , ut i ⇐⇒ vi ∈ hu1 , . . . , uti para todo i = 1, ..., k.

(
vi ∈ hu1, . . . , ut i, para todo i = 1, ..., k
2. hv1 , . . . , vk i = hu1 , . . . , ut i ⇐⇒ .
uj ∈ hv1 , . . . , vk i, para todo j = 1, ..., t

Demonstração. 1. (⇒) Suponhamos, por hipótese, que hv1 , . . . , vk i ⊆ hu1, . . . , ut i. Ora,

para qualquer i = 1, ..., k

vi = 0v1 + · · · + 0vi−1 + 1vi + 0vi+1 + · · · + vk ∈ hv1 , . . . , vk i ⊆ hu1 , . . . , ut i.

11
 Portanto vi ∈ hu1 , . . . , ut i, para todo i = 1, ..., k.
(⇐) Suponhamos, por hipótese, que vi ∈ hu1 , . . . , uti, para todo i = 1, ..., k. Então, pelo
critério 2 de subespaço (que se generaliza a uma soma finita) podemos afirmar que

∀α1 , . . . , αk ∈ K, α1 v1 + · · · + αk vk ∈ hu1 , . . . , ut i. (*)

Portanto

hv1 , . . . , vk i = {α1 v1 + · · · + αk vk : α1 , . . . , αk ∈ K} ⊆ hu1 , . . . , ut i

por def. sub. por (*)

2. Basta aplicar 1. nos dois sentidos.



Exemplo 6. Aplicando o resultado acima, podemos mais facilmente provar que

*0 5+ *0 −15+
1 , 0 = 4 ,  0  .
0 1 0 −3

Efectivamente, tem-se
    *        *   
0 0 0 −15 + 5 −15 0 −15 +
1 = 1 4 ∈ 4 ,  0  , 0 = − 1  0  ∈ 4 ,  0  .
4 3
0 0 0 −3 1 −3 0 −3

Portanto *0 5+ *0 −15+

1 , 0 ⊆ 4 ,  0  .
0 1 0 −3
Analogamente
    *   +     *   +
0 0 0 5 −15 5 0 5
4 = 4 1 ∈ 1 , 0 ,  0  = −3 0 ∈ 1 , 0 .
0 0 0 1 −3 1 0 1

Portanto *0 −15+ *0 5+

4 ,  0  ⊆ 1 , 0 .
0 −3 0 1
Da dupla inclusão segue-se a igualdade.

12
 Dependência e independência linear

Definição: Seja V um espaço vectorial sobre um corpo K e sejam v1 , . . . , vk ∈ V .

• Diz-se que os vectores v1 , . . . , vk são linearmente dependentes (sobre K) se existem

escalares α1 , . . . , αk ∈ K, com pelo menos um não nulo, tais que

α1 v1 + α2 v2 + · · · + αk vk = 0V .

• Diz-se que os vectores v1 , . . . , vk são linearmente independentes (sobre K) se

α1 v1 + α2 v2 + · · · + αk vk = 0 =⇒ α1 = α2 = · · · = αk = 0V .

Proposição 9. Sejam v1 , . . . , vk ∈ V . São equivalentes as afirmações seguintes:

1. v1 , . . . , vk são linearmente independentes;
2. todo v ∈ hv1 , . . . , vk i escreve-se de modo único como combinação linear de v1 , . . . , vk ;
3. α1 v1 + α2 v2 + · · · + αk vk = β1 v1 + β2 v2 + · · · + βk vk =⇒ α1 = β1 , α2 = β2 , . . . , αk = βk ;
4. vi 6∈ hv1 , . . . , vi−1 , vi+1 , . . . , vk i para todo i = 1, 2, . . . , k, no caso de k ≥ 2.
Ver proposições 4.6.8, 4.6.10 e 4.6.14.

Observações 10.
1. Os conceitos de dependência e independência linear são a negação um do outro. Efec-
tivamente, se α = (α1 , . . . , αk ) ∈ K k e P (x) designar a propriedade “combinação linear
nula dos vectores dos vectores v1 , . . . , vk ”, então o conceito de dependência linear para
v1 , . . . , vk pode ser escrito na forma
∃ (α1 , . . . , αk ) 6= (0, 0, ..., 0) P (α) ou mais simples ∃ α 6= 0 P (α).
Assim
v1 , . . . , vk não são linearmente dependentes ⇔ ¬(∃α 6= 0 P (α))
⇔ ∀α 6= 0 ¬P (α)
⇔ [P (α) ⇒ (α1 , . . . , αk ) = (0, 0, ..., 0)]
⇔ v1 , . . . , vk são linearmente independentes

2. No caso de termos um único vector v, temos

v é linearmente dependente ⇐⇒ ∃α 6= 0 αv = 0V =⇒ α−1 αv = 0V =⇒ v = 0V .
Por outro lado,
v = 0V =⇒ 1 · v = 0V =⇒ v é linearmente dependente
Deste modo, podemos afirmar que
v é linearmente dependente ⇐⇒ v = 0V ,
v é linearmente independente ⇐⇒ v 6= 0V .

13
Exemplos 7.

1. Consideremos em R4 , o seguinte conjunto de vectores

{(1, 1, 1, 1), (1, 0, −1, 2), (0, 2, 1, −1)}.

Vamos averiguar se é um conjunto linearmente dependente ou independente. Para isso

vamos considerar uma combinação linear nula e ver o que se passa com os escalares:

α1 (1, 1, 1, 1) + α2 (1, 0, −1, 2) + α3 (0, 2, 1, −1) = (0, 0, 0, 0)

⇐⇒ (α1 + α2 , α1 + 2α3 , α1 − α2 + α3 , α1 + 2α2 − α3 ) = (0, 0, 0, 0)
      

 α1 + α2 = 0 1 1 0   0   0

α + 2α = 0 α1 α1
1 3  1 0 2  α2  =   ⇐⇒ A α2  = 0
 0   
⇐⇒ ⇐⇒ 
 α1 − α2 + α3 = 0  1 −1 1  0  0

 α 3 α3

α1 + 2α2 − α3 = 0 1 2 −1 0 0
| {z }
A

Assim, utilizando os conhecimentos sobre matrizes e sistemas de equações lineares

(1, 1, 1, 1), (1, 0, −1, 2), (0, 2, 1, −1) são linearmente independentes
⇐⇒ (α1 , α2 , α3 ) = (0, 0, 0) é a única solução de Ax = 0
⇐⇒ Ax = 0 tem solução única (0, 0, 0)
⇐⇒ Ax = 0 é possı́vel e determinado
⇐⇒ rank A = 3 = número de incógnitas = número de vectores

(1, 1, 1, 1), (1, 0, −1, 2), (0, 2, 1, −1) são linearmente dependentes
⇐⇒ existe um triplo (α1 , α2 , α3 ) 6= (0, 0, 0) que é solução de Ax = 0
⇐⇒ Ax = 0 não tem solução única
⇐⇒ Ax = 0 é possı́vel e indeterminado
⇐⇒ rank A < 3 = número de incógnitas = número de vectores

Vamos assim determinar a caracterı́stica da matriz A:

       
1 1 0 1 1 0 1 1 0 1 1 0
0 −1 2  −→ 0 −1
1 0 2    2 0 −1 2 
1 −1 1  L−→
 −→
0 0 −3 .
  
2 −L1
0 −2 1  L3 −2L2 0 0 −3 L4 +1/3L3
1 2 −1 L −L 0 1 −1 L4 +L3 0 0
L3 −L1
1 0 0 0
4 1

Portanto, como rank A = 3 = número de incógnitas, os vectores (1, 1, 1, 1), (1, 0, −1, 2),
(0, 2, 1, −1) são linearmente independentes.

2. Consideremos em R4 , o seguinte conjunto de vectores

{(1, −1, −1, 1), (1, 1, 0, 2), (0, 2, 1, 1)}.

Procedendo de modo análogo ao exemplo acima:

α1 (1, −1, −1, 1) + α2 (1, 1, 0, 2) + α3 (0, 2, 1, 1) = (0, 0, 0, 0)

⇐⇒ (α1 + α2 , −α1 + α2 + 2α3 , −α1 + α3 , α1 + 2α2 + α3 ) = (0, 0, 0, 0)

14
     

α1 + α2 = 0 1 1 0   0

−α + α + 2α = 0 −1 1 α1
1 2 3 2 0
⇐⇒ ⇐⇒   α  =  
−α 1 + α3 = 0 −1 0 1 2 0

 α3

α1 + 2α2 + α3 = 0 1 2 1 0
| {z }
A

Temos      
1 1 0 1 1 0 1 1 0
−1 1 2 0 2 2 0 2 2
  −→   −→  .
−1 0 1 L2 +L1 0 1 1 L3 −1/2L2 0 0 0
1 2 1 LL3 +L
−L
1
0 1 1 L4 −1/2L3 0 0 0
4 1

Portanto, como rank A = 2 < número de incógnitas, os vectores (1, −1, −1, 1), (1, 1, 0, 2),
(0, 2, 1, 1) são linearmente dependentes.
Alternativa: Repare-se que as colunas da matriz A são os vectores dados. Equivalente-
mente, poderı́amos ter considerado a matriz cujas linhas são os vectores dados e estudar
a sua caracterı́stica, uma vez que rank A = rank AT . Efectivamente
     
1 −1 −1 1 1 −1 −1 1 1 −1 −1 1
1 1 0 2 −→ 0 2 1 1 −→ 0 2 1 1 .
L2 −L1 L3 −L2
0 2 1 1 0 2 1 1 0 0 0 0
Assim, rank AT = 2 < número de vectores e, portanto, os vectores são linearmente
dependentes.
Alternativa: Repare-se ainda que olhando para os vectores dados, verificamos facilmente
que o segundo vector é soma do primeiro com o terceiro: (1, 1, 0, 2) = (1, −1, −1, 1) +
(0, 2, 1, 1). Assim temos a seguinte combinação linear nula destes vectores sem que todos
os escalares sejam iguais a zero:
1(1, −1, −1, 1) + −1(1, 1, 0, 2) + 1(0, 2, 1, 1) = (0, 0, 0, 0).
Portanto os vectores são linearmente dependentes.

No caso geral, decidir se um dado conjunto de vectores de Rn é linearmente dependente

ou independente reduz-se ao cálculo da caracterı́stica duma matriz.

n
 11. Sejam v1 , . . . ,vm ∈ R e suponhamos que vi = (v1i , v2i , ..., vni ), i = 1, ..., m.
Proposição
v11 v12 · · · v1n
 v21 v22 · · · v2n 
  n×m
Seja A =  .. .. ..  ∈ R a matriz cujas colunas são os vectores v1 , . . . , vm .
 . . . 
vm1 vm2 · · · vmn
São equivalentes as afirmações seguintes:
1. v1 , . . . , vm são linearmente independentes;
2. Ax = 0 tem solução única (0, 0, ..., 0) ∈ Rm ;
3. rank A = m;
4. rank AT = m;
5. |A| = |AT | =
6 0, no caso de n = m.

15
Demonstração. No caso geral procedemos como foi feito no caso particular do exemplo
anterior. Temos
α1 v1 + α2 v2 + · · · + αm vm = (0, 0, ..., 0)
⇐⇒ α1 (v11 , v21 , ..., vn1 ) + α2 (v12 , v22 , ..., vn2 ) + · · · + αm (v1m , v2m , ..., vnm ) = (0, 0, ..., 0)


 α1 v11 + α2 v12 + · · · αm v1m = 0

α v + α v + · · · α v = 0
1 21 2 22 m 2m
⇐⇒


 · · ·

α1 vn1 + α2 vn2 + · · · αm vnm = 0
 
   0    
v11 v12 · · · v1n α1  0 α1 0
 v21 v22 · · · v2n   α2     α2  0
..   ..  = 0 ⇐⇒ A  ..  =  .. 
        
⇐⇒  .. ..
 . . .  .   .  .  .
 .. 
vm1 vm2 · · · vmn αm αm 0
0
Deste modo, usando a definição de vectores linearmente independentes e utilizando os conhe-
cimentos sobre matrizes e sistemas de equações lineares
(v11 , v21 , ..., vn1 ), (v12 , v22 , ..., vn2 ), ..., (v1m , v2m , ..., vnm ) são linearmente independentes
⇐⇒ (α1 , α2 , ..., αm ) = (0, 0, ..., 0) é a única solução de Ax = 0
⇐⇒ Ax = 0 tem solução única (0, 0, ..., 0) ∈ Rm
⇐⇒ Ax = 0 é possı́vel e indeterminado
⇐⇒ rank A = número de incógnitas = número de vectores = m
⇐⇒ rank AT = m
Por fim, note-se que no caso de n = m a matriz A é quadrada e, portanto
6 0 ⇐⇒ |AT | =
rank A = n ⇐⇒ |A| = 6 0.


Para a dependência linear obtém-se, por negação, o critério seguinte:

n
 12. Sejam v1 , . . . ,vm ∈ R e suponhamos que vi = (v1i , v2i , ..., vni ), i = 1, ..., m.
Proposição
v11 v12 · · · v1n
 v21 v22 · · · v2n 
  n×m
Seja A =  .. .. ..  ∈ R a matriz cujas colunas são os vectores v1 , . . . , vm .
 . . . 
vm1 vm2 · · · vmn
São equivalentes as afirmações seguintes:
1. v1 , . . . , vm são linearmente dependentes;
2. existe um m-uplo (α1 , α2 , ..., αm ) 6= (0, 0, ..., 0) que é solução de Ax = 0;
3. rank A < m;
4. rank AT < m;
5. |A| = |AT | = 0, no caso de n = m.

16
Exemplo 8. (Ver exemplo 4.6.3)

1. Os vectores (1, 2, 3), (0, 1, 2), (3, 1, −1) são linearmente dependentes. Vamos justificar
esta afirmação de várias maneiras possı́veis:
a) Pela definição:

α(1, 2, 3) + β(0, 1, 2) + γ(3, 1, −1) = (0, 0, 0) ⇔ (α + 3γ, 2α + β + γ, 3α + 2β − γ) = (0, 0, 0)

  

 α + 3γ = 0 
 α = −3γ α = −3γ

⇔ 2α + β + γ = 0 ⇔ −6γ + β + γ = 0 ⇔ β = 5γ

 
 

3α + 2β − γ −9γ + 2β − γ = 0 β = 5γ

Como existe mais do que uma solução para α, β, γ os vectores são linearmente depen-
dentes. Temos infinitas combinações lineares nulas destes vectores. Por exemplo

(0, 0, 0) = −3(1, 2, 3) + 5(0, 1, 2) + 1(3, 1, −1) = −9(1, 2, 3) + 15(0, 1, 2) + 3(3, 1, −1).

b) Calculando caracterı́sticas:
Podemos considerar a matriz cujas linhas são estes vectores e calcular a sua caracterı́stica:
     
1 2 3 1 2 3 1 2 3
0 1 2  −→ 0 1 2  −→ 0 1 2
L3 −3L1 L +5L
3 1 −1 0 −5 −10 3 2 0 0 0

A matriz tem caracterı́stica 2 < 3 logo os vectores são linearmente dependentes. Em

alternativa, podı́amos ter considerado a matriz das colunas.
c) Calculando determinantes: porque temos 3 vectores de R3
Podemos considerar a matriz cujas linhas são estes vectores e calcular o seu determinante:
   
1 2 3  1 2 3   
    1+1
1 2 
0 1 2  = 0 1
   2 
 = 1 · (−1) −5 −10 = 0.
 
3 1 −1 L3 −3L1 0 −5 −10 Laplace-col1

A matriz tem determinante 0 logo os vectores são linearmente dependentes. Em alter-

nativa, podı́amos ter calculado o determinante da matriz das colunas.

2. Os vectores (1, 2, 3), (0, 1, 2), (4, 1, −1) são linearmente independentes. Vamos justificar
esta afirmação de várias maneiras possı́veis:
a) Pela definição:

α(1, 2, 3) + β(0, 1, 2) + γ(4, 1, −1) = (0, 0, 0) ⇔ (α + 4γ, 2α + β + γ, 3α + 2β − γ) = (0, 0, 0)

  
α + 4γ = 0
 α = −4γ
 α = −3γ = 0

⇔ 2α + β + γ = 0 ⇔ −8γ + β + γ = 0 ⇔ β = 7γ = 0

 
 

3α + 2β − γ −12γ + 2β − γ = 0 γ=0

Como α = β = γ = 0 os vectores são linearmente independentes.

17
b) Calculando caracterı́sticas:
Podemos considerar a matriz cujas linhas são estes vectores e calcular a sua caracterı́stica:
     
1 2 3 1 2 3 1 2 3
0 1 2  −→ 0 1 2  −→ 0 1 2
L3 −4L1 L +7L
4 1 −1 0 −7 −13 3 2 0 0 1

A matriz tem caracterı́stica 3 = número de vectores logo os vectores são linearmente

independentes. Em alternativa, podı́amos ter considerado a matriz das colunas.
c) Calculando determinantes: porque temos 3 vectores de R3
Podemos considerar a matriz cujas linhas são estes vectores e calcular o seu determinante:
   
1 2 3  1 2 3   
1+1  1 2 
   
0 1 2  = 0 1 2  = 1 · (−1)  = 1 6= 0.
  
4 1 −1 L3 −4L1 0 −7 −13 Laplace-col1 −7 −13

A matriz tem determinante 6= 0 logo os vectores são linearmente independentes. Em

alternativa, podı́amos ter calculado o determinante da matriz das colunas.

18
 Bases e dimensão

Nesta secção E é um espaço vectorial finitamente gerado sobre um corpo K. Por outro lado,
no conceito de base (ordenada) é importante a ordem porque são considerados os vectores.
Assim, em vez de conjuntos de vectores consideram-se sequências de vectores.

Definição: Seja V um espaço vectorial sobre um corpo K e sejam v1 , . . . , vk ∈ V . Dizemos

que a sequência (v1 , . . . , vn ) é uma base se:

• v1 , . . . , vn geram V , isto é V = hv1 , . . . , vn i,

• v1 , . . . , vn são vectores linearmente independentes (sobre K).

Convenciona-se que se V = {0V } então ∅ é base de V .

Exemplo 9. (Ver exercı́cio 4.7.2)

Vamos determinar uma base para o seguinte subespaço de R4 :
F = {(x1 , x2 , x3 , x4 ) ∈ R4 : x1 + x2 = x3 + x4 }.
Temos
(x1 , x2 , x3 , x4 ) ∈ F ⇐⇒ x1 + x2 = x3 + x4 ⇐⇒ x1 = −x2 + x3 + x4
⇐⇒ (x1 , x2 , x3 , x4 ) = (−x2 + x3 + x4 , x2 , x3 , x4 )
⇐⇒ (x1 , x2 , x3 , x4 ) = x2 (−1, 1, 0, 0) + x3 (1, 0, 1, 0) + x4 (1, 0, 0, 1)
Portanto
F = {x2 (−1, 1, 0, 0) + x3 (1, 0, 1, 0) + x4 (1, 0, 0, 1) : x2 , x3 , x4 ∈ R}
= h(−1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)i
isto é, os vectores (−1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1) geram F . Temos de provar, agora, que são
linearmente independentes:
     
−1 1 0 0 −1 1 0 0 −1 1 0 0
 1 0 1 0 −→  0 1 1 0 −→  0 1 1 0
L +L L −L
1 0 0 1 L23 +L11 0 1 0 1 3 2 0 0 −1 1
- esta matriz tem caracterı́stica 3, logo a matriz cujas linhas são os vectores em estudo também
tem caractarı́stica 3 = número de vectores. Portanto (−1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1) são
linearmente independentes. Deste modo, ((−1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)) é uma base de F .

Observação 13. Dado um corpo K, a sequência formada pelos vectores de k n

e1 = (1, 0, 0, ..., 0), e2 = (0, 1, 0, ..., 0), e3 = (0, 0, 1, ..., 0), ..., en = (0, 0, 0, ..., 1)
é uma base do espaço vectorial K n , pois estes vectores geram K n (como já tı́nhamos obser-
vado) e são linearmente independentes (a matriz cujas linhas (ou colunas) são estes vectores
é a matriz identidade In que tem determinante 1). Esta base, dada a sua simplicidade, diz-se
a base canónica de K n .

19
 Quando temos um conjunto de geradores para um espaço, podemos afirmar que todo o
vector escreve-se como combinação linear desses vectores geradores, mas essa escrita não é
necessariamente única ver exemplos 7 e 8. O conceito de base assegura a unicidade.
Proposição 14. Ver Proposição 4.7.4
Seja V um espaço vectorial sobre um corpo K e seja (v1 , . . . , vn ) uma sequência de
vectores de V . Então
qualquer vector v ∈ V escreve-se de modo único
(v1 , . . . , vn ) é uma base de V ⇐⇒
como combinação linear dos vectores v1 , . . . , vn .
existem escalares únicos α1 , . . . , αn ∈ K tais que
⇐⇒
v = α1 v1 + α2 v2 + · · · + αn vn
Os escalares α1 , . . . , αk dizem-se as coordenadas de v na base (v1 , . . . , vn ).

Observação 15. Se (v1 , . . . , vn ) é uma base de V então, cada vector v ∈ V

• escreve-se como combinação linear dos vectores v1 , . . . , vn - porque os vectores v1 , . . . , vn
geram V
• de modo único - porque os vectores v1 , . . . , vn são linearmente independentes.

Na proposição seguinte resumem-se vários resultados do manual que têm a ver com a
existência de base, possibilidade de completar um conjunto gerador a uma base, possibilidade
de excluir vectores de um conjunto gerador de modo a obter uma base, número de vectores
das bases.

Proposição 16. Seja V um espço vectorial finitamente gerado sobre um corpo K.

1. V tem, pelo menos, uma base - ver Corolário 4.7.9.
2. Qualquer conjunto de vectores linearmente independentes de V pode ser estendido a uma
base de V - ver Corolário 4.7.10.
3. Qualquer conjunto gerador de V contém uma base de V - ver Corolário 4.7.13.
4. Todas as bases de V têm igual número de vectores - ver Corolário 4.7.15.

Observações 17. Seja V um espaço vectorial finitamente gerado sobre um corpo K.

1. Note-se que para obtermos uma base...
• ... a partir de um conjunto linearmente independente, não podemos acrescentar
quaisquer vectores, e podemos fazê-lo de várias maneiras - ver exemplo 10 abaixo.
• ... a partir de um conjunto gerador, é preciso cuidado nos vectores a excluir, e
podemos fazê-lo de várias maneiras - ver exemplo 10 abaixo.
2. Se V tem uma base com n elementos então qualquer base de V tem n elementos -
consequência de 4. da proposição 16.

Definição: Seja V um espaço vectorial sobre um corpo K que admite uma base com n
vectores. Então diz-se que V tem dimensão n e escreve-se

dim V = n.

20
Observações 18. Seja V um espaço vectorial sobre um corpo K com dim V = n. Então:
1. Qualquer conjunto gerador de V tem ≥ n vectores - por 3. e 4. da proposição 16.
2. Qualquer conjunto linearmente independente de V tem ≤ n vectores - por 2. e 4. da
proposição 16.
3. Se V = {0V } então dim V = 0 - porque o conjunto ∅ é base de V .

Exemplo 10. (Ver exercı́cio 4.7.12)

a) Consideremos o conjunto de vectores {(1, 4, 2),(0, 2, 1)} de R3 . Este conjunto é lin-
1 4 2
earmente independente, pois a matriz tem caracterı́stica 2. Podemos assim
0 2 1
estender este conjunto a uma base de R3 . O processo mais simples a seguir é consid-
erar os vectores da base canónica de R3 e fazer substituições convenientes. Ora a base
canónica de R3 é
((1, 0, 0), (0, 1, 0), (0, 0, 1)).
Logo dim R3 = 3. Assim como já temos 2 vectores linearmente independentes só falta
um para completar este conjunto a uma base de R3 . Se escolhemos (1, 0, 0) não vamos
obter uma base, pois  
1 4 2
 
0 2 1 = 0.
 
1 0 0
Agora tentemos o segundo vector. Como
 
1 4 2
 
0 2 1 = −1 6= 0,
 
0 1 0

então ((1, 4, 2), (0, 2, 1), (0, 1, 0)) é uma base de R3 que estende o conjunto dado. Mas há
outras possibilidades. Por exemplo
((1, 4, 2), (0, 2, 1), (0, 0, 1)) , ((1, 4, 2), (0, 2, 1), (0, 1, 1))
são outras bases possı́veis.
b) Consideremos o conjunto gerador {(1, 1, 1), (1, 1, 0), (0, 0, 1), (1, 0, 1)} de R3 - verifique!
Sabemos que uma base de R3 tem sempre 3 vectores, então temos de excluir um destes
vectores. Vamos experimentar excluir o quarto vector. Ora
 
1 1 1
 
1 1 0 = 0,
 
0 0 1
logo não podemos excluir este vector. Tentemos retirar o terceiro
 
1 1 1
 
1 1 0 = −1 6= 0.
 
1 0 1

Portanto ((1, 1, 1), (1, 1, 0), (1, 0, 1)) é uma base de R3 que contém o conjunto gerador
dado. Outras bases possı́veis são:
((1, 1, 0), (0, 0, 1), (1, 0, 1)) , ((1, 1, 1), (0, 0, 1), (1, 0, 1))
- verifique!

21
Proposição 19. (Ver Proposição 4.7.18.) Seja V um espço vectorial sobre um corpo K com
dim V = n. Então:
1. Qualquer conjunto linearmente independente de vectores de V é um subconjunto de uma
base de V .

2. Qualquer conjunto com n vectores linearmente independentes de V é uma base de V .

3. Qualquer conjunto gerador de V com n vectores de V é uma base de V .

Exemplo 11. Em R3 consideremos os vectores v1 = (1, 1, 1), v2 = (α, −1, −α), v3 = (1, α, 1).
Vamos determinar α ∈ R de modo que (v1 , v2 , v3 ) é uma base de R3 . Usando a Proposição
19 é suficiente determinar α ∈ R de modo que {v1 , v2 , v3 } seja um conjunto linearmente
independente. Portanto:

(v1 , v2 , v3 ) base de R3 ⇐⇒ {v1 , v2 , v3 } linear. ind. de R3

Prop. 19
 
1 1 1 
 
⇐⇒ α −1 −α 6= 0 ⇐⇒ α(α − 1) 6= 0 ⇐⇒ α 6∈ {0, 1}
1 α 1 

Do resultado anterior podemos provar facilmente que a dimensão de um subespaço não

pode exceder a do espaço. Ver afirmação (v) no final da página 232.
Corolário 20. Seja V um espaço vectorial sobre um corpo K de dimensão finita. Seja U um
subespaço de V . Tem-se:
1. dim U ≤ dim V .

2. dim U = dim V se e somente se U = V .

Demonstração. 1. Suponhamos que dim U = m. Seja (u1 , . . . , um) uma base de U.
Então {u1 , . . . , um } é um conjunto linearmente independente de V . Logo pela Proposição
19-1 temos que {u1 , . . . , um } é um subconjunto de uma base de V . Portanto m ≤ dim V .

2. Suponhamos que dim U = dim V = n. Seja (u1 , . . . , un ) uma base de U. Então

{u1 , . . . , un } é um conjunto linearmente independente de V . Como este conjunto tem
n = dim V vectores então (u1 , . . . , un ) é uma base de V (pela Proposição 19-2). Logo

V = hu1 , . . . , um i = U.

A outra implicação é imediata. 

Exemplo 12. Em R3 consideremos o subespaço

F = h(1, 1, 1), (2, −1, −2), (1, 2, 1)i.

Sabemos pelo exemplo 11 que {(1, 1, 1), (2, −1, −2), (1, 2, 1)} é um conjunto linearmente inde-
pendente. Então ((1, 1, 1), (2, −1, −2), (1, 2, 1)) é uma base de F . Logo dim F = 3 = dim R3 .
Portanto F é um subespaço de R3 com igual dimensão. Pelo Corolário 20, F = R3 .
Alternativa: Podı́amos ter argumentado, equivalentemente, que ((1, 1, 1), (2, −1, −2), (1, 2, 1))
é uma base de R3 (provado no exemplo 11), logo R3 = h(1, 1, 1), (2, −1, −2), (1, 2, 1)i = F .

22
 Matrizes e espaços vectoriais

Já observámos, várias vezes, que as matrizes são muito úteis no estudo dos espaços K n ,
pois podemos colocar os vectores, que são n-uplos formados por elementos de K, em linhas
ou colunas e estudar a caracterı́stica ou calcular determinantes (quando a matriz é quadrada)
- ver Proposições 11 e 12. Por outro lado, com a introdução dos conceitos de dependência,
independência linear e de base, vários conceitos sobre matrizes poderão agora ficar mais claros.
Seja A = [aij ] ∈ K n×m uma matriz (com n linhas e m colunas):
 
a11 a12 . . . a1m
 a21 a22 . . . a2m 
 
A =  .. .. ..  = [aij ]n×m .
 . . . 
an1 an2 . . . anm

Caracterı́stica de uma matriz:

Uma matriz em forma de escada é uma matriz cujas linhas satisfazem as duas condições
seguintes:
• se A′ tem uma linha nula, todas as linhas abaixo dessa linha também são nulas;
• se a′ij é o pivot da linha i (isto é o elemento não nulo mais à esquerda nessa linha) então
o pivot da linha abaixo estará numa coluna mais à direita da coluna j.
Exemplo 13.
 
0 2 0 −1 0 0 2 3 −2
   
1 2 3 3 0
 0 0 4 1 1 −2 2 −1

0 4 5  ,  0  , 0
 0 0 0 −1 0 1 7 3 
0 0 9 0 0 0 0 0 0 0 0 0 5
0 0 0 0 0 0 0 0 0
são matrizes em forma de escada. Os pivots são · .
Efectuando transformações elementares sobre as linhas de A podemos transformá-la numa
matriz A′ = [a′ij ] em forma de escada:
A −→ A′ − matriz em forma de escada
transf. nas linhas

- a demonstração desta afirmação faz-se por indução no número de linhas n. O processo que
transforma uma matriz A numa matriz A′ em forma de escada designa-se por condensação
da matriz A. As matrizes A e A′ dizem-se equivalentes (por linhas) e a matriz A pode ser
equivalente (por linhas) a várias matrizes em forma de escada.
 
0 0 0 −1 4
Exemplo 14. Seja A = 2 1 0 3 4 . Então
1 2 0 1 −2
   
1 2 0 1 −2 1 2 0 1 −2
A −→ 2 1 0 3 4  −→ 0 −3 0 1 8  = A′
L1 ↔L3 L2 −2L1
0 0 0 −1 4 0 0 0 −1 4

23
      
2 1 0 3 4 2 1 0 3 4 2 1 0 3 4
A −→ 0 0 0 −1 4  −→ 0 0 0 −1 4  −→ 0 3/2 0 −1/2 −4 = A′′
L1 ↔L2 L3 −1/2L1 L ↔L
1 2 0 1 −2 0 3/2 0 −1/2 −4 2 3 0 0 0 −1 4
As matrizes A′ e A′′ são exemplos de matrizes em forma de escada equivalentes por linhas à
matriz A. Mas há muitas mais, por exemplo, basta multiplicar cada linha, de A′ ou A′′ , por
um escalar que continuamos a obter matrizes em escada e equivalentes por linhas a A.

Proposição 21. Se A′ e A′′ são duas matrizes em forma de escada e equivalentes por linhas
a A então A′ e A′′ têm os pivots nas mesmas colunas e o mesmo número de linhas não nulas.

Demonstração. Seja s′ o número de linhas não-nulas de A′ e s′′ o número de linhas não-

nulas de A′′ . Como A′ e A′′ estão em forma de escada então s′ =número de pivots de A′ e s′′ =
número de pivots de A′′ . Temos que

A −→ A′ , A −→ A′′ .
transf. nas linhas transf. nas linhas

Ora fazendo as transformações inversas em A′ às que fizémos de A para A′ vamos obter
obviamente A. Assim podemos efectuar transformações nas linhas de A′ de modo a obter A′′ :

A′ −→ A −→ A′′
transf. nas linhas transf. nas linhas

e, por um raciocı́nio idêntico, podemos obter A′ a partir de A′′ :

A′′ −→ A −→ A′ .
transf. nas linhas transf. nas linhas

Suponhamos, com vista a um absurdo, que a coluna k de A′ não tem pivot e que a coluna k
de A′′ tem um pivot. Ora se Ck′ = 0 então qualquer transformação que se faça nas linhas de A′
mantém a coluna k zero (pois multiplicam-se e/ou somam-se zeros), donde Ck′′ = 0 - contradiz
haver um pivot na coluna k de A′′ . Logo Ck′ 6= 0 e, portanto, podemos considerar nessa coluna
a entrada não nula ∗ que está na linha mais abaixo possı́vel (designemos essa linha por ℓ) e
à esquerda dessa entrada haverá um pivot ∗ :
 
∗
 .. 
 . 
 
0 · · · 0 ∗ ··· ∗ · · · · · · linha ℓ
A′ =  
 0 
 .. 
 . 
0
col. j col. k

Como A′ está em forma de escada então nas linhas acima de ℓ existirão eventualmente outros
pivots em colunas mais à direita da coluna j (por definição de matriz em forma de escada).
Assim qualquer transformação que se faça nas linhas de A′ vamos sempre obter alguma entrada
não nula mais à esquerda da coluna k. Portanto em A′′ não poderá haver um pivot na coluna
k. Portanto provámos que se uma coluna k de A′ não tem pivot, a coluna k de A′′ também
não tem pivot. Por um raciocı́nio idêntico provávamos a mesma afirmação trocando A′ com
A′′ . Deste modo, A′ e A′′ têm os pivots nas mesmas colunas e, portanto, têm igual número
de pivots e consequentemente igual número de linhas não-nulas (pois estas são as que têm
pivots). 

24
 O número de linhas não-nulas (ou pivots) de qualquer matriz A′ em forma de escada que
seja equivalente por linhas a A, diz-se a caracterı́stica de A, e denota-se por rank A, isto é
número de linhas não-nulas de qualquer matriz
rank A =
em forma de escada equivalente por linhas a A
- rank é a palavra inglesa para caractarı́stica e rank A é a notação mais usada para este
conceito, embora por vezes também apareça nalguns livros c(A).
Observação 22.
1. Matrizes equivalentes por linhas têm igual caracterı́stica: se A −→ B então
transf. nas linhas
como B −→ B ′ (f. escada) então também A é equivalente por linhas a B ′ :
transf. nas linhas

A −→ B −→ B ′ (f. escada) .
transf. nas linhas transf. nas linhas

Logo rank A = número de pivots de B ′ = rank B

2. rank A ≤ min{n, m}: pois a caracterı́stica não pode exceder o número de linhas e/ou de
colunas, logo rank A ≤ n, rank A ≤ m.
3. • As linhas não-nulas de uma matriz em forma de escada são vectores linearmente
independentes de K m .
• As colunas que contêm os pivots duma matriz em forma de escada são vectores
linearmente independentes de K n .
No caso geral uma matriz em forma de escada tem o seguinte aspecto
 
0 ··· 0 a′1k1 ∗ ··· ∗ ∗ ∗ ··· ∗ ∗ ∗ ··· ∗
 
 0
 ··· 0 0 0 ··· 0 a′2k2 ∗ ··· ∗ ∗ ∗ ··· ∗ 

 . .. 
 .. . 
 
 
 0
 ··· 0 0 0 ··· 0 0 0 ··· 0 a′sks ∗ ··· ∗ 

 0
 ··· 0 0 0 ··· 0 0 0 ··· 0 0 0 ··· 0 

 .. .. 
 . . 
0 ··· 0 0 0 ··· 0 0 0 ··· 0 0 0 ··· 0
Assim qualquer combinação linear nula das linhas não-nulas obriga a que os escalares
sejam todos zero:
 

 α1 a′1k1 = 0 
 α1 = 0

 

α1 ∗ +α2 a′ = 0 α2 = 0
2k2
α1 L1 + α2 L2 + · · · + αs Ls = 0 ⇐⇒ . ⇐⇒ .

 .
. 
 ..

 

α ∗ +α ∗ + · · · + α a′ = 0 α = 0
1 2 s sks s

e, portanto, as linhas não-nulas são linearmente independentes. Do mesmo modo:

 
′

 β a
1 1k1 = 0 
 β1 = 0

 

β1 ∗ +β2 a′ = 0 β2 = 0
2k2
β1 Ck1 +β2 Ck2 +· · ·+βs Cks = 0 ⇐⇒ . ⇐⇒ .

 .. 
 ..

 

β ∗ +β ∗ + · · · + β a′ = 0 β = 0
1 2 s sks s

e, portanto, as colunas com os pivots são linearmente independentes.

25
Espaço coluna de uma matriz:

Designemos por C1 , C2 , . . . , Cm todas as colunas da matriz A. Então

     
a11 a12 a1m
 a21   a22   a2m 
C1 =  ..  , C2 =  ..  , ..., Cm =  ..  ∈ K n×1 .
     
 .   .   . 
an1 an2 anm

O conjunto de todas as somas da forma α1 C1 + α2 C2 + · · · + αm Cm para α1 , α2 , . . . , αm ∈ K

é um subconjunto de K n×1 e é designado pelo espaço-coluna da matriz A. Este conjunto
designa-se, muitas vezes, por R(A). Assim,

R(A) = {α1 C1 + α2 C2 + · · · + αm Cm : α1 , α2 , . . . , αm ∈ K} = hC1 , C2 , . . . , Cm i

- é o subespaço gerado pelas colunas da matriz A. Identificando uma matriz-coluna de tipo

n × 1 com um vector de K n então R(A) é um subespaço vectorial de K n .
Por outro lado, temos:
     
a11 a12 a1m
 a21   a22   a2m 
     
α1 C1 + α2 C2 + · · · + αm Cm = α1  ..  + α2  ..  + · · · + αm  .. 
 .   .   . 
an1 an2 anm
       
α1 a11 α2 a12 αm a1m a11 α1 + a12 α2 + · · · + a1m αm
 α1 a21   α2 a22   αm a2m   a21 α1 + a22 α2 + · · · + a2m αm 
       
=  ..  +  ..  + · · · +  ..  =  .. 
 .   .   .   . 
α1 an1 α2 an2 αm anm an1 α1 + an2 α2 + · · · + anm αm
      
a11 a12 . . . a1m α1 α1 α1
 a21 a22 . . . a2m   α2   α2   α2 
       m×1
=  .. .. ..   ..  = A  ..  = Ax com x =  ..  ∈ K
 . . .  .   .   . 
an1 an2 . . . anm αm αm αm

Assim

R(A) = hC1 , C2 , . . . , Cm i = Ax : x ∈ K m×1 .

Dada uma matriz A particular podemos considerar o espaço gerado pelas suas colunas
R(A) e determinar directamente uma base e assim calcular a dimensão de R(A). No entanto,
o resultado seguinte permite-nos, sem calcular uma base, saber qual a dimensão de R(A).

Proposição 23. Seja A′ é uma matriz em forma de escada então:

1. dim R(A′ ) = número de pivots de A′ .

2. dim R(A) = dim R(A′ ) , se A′ é equivalente por linhas a A.

3. dim R(A) = número de pivots de A′ = rank A , se A′ é equivalente por linhas a A.

26
Demonstração. 1. Temos, pela Observação 22, que as colunas que contêm pivots são lin-
earmente independentes. Logo
número de pivots de A′ ≤ número máximo de colunas lin. indep. de A′ = dim R(A′ ).
Por outro lado, se Ck′ é uma coluna de A′ que pertence a uma base de R(A′ ) então Ck′ tem
um pivot ou se não tem um pivot (como não pode ser uma coluna nula porque faz parte de
uma base) existe um pivot mais à esquerda da última entrada não nula na linha mais abaixo
possı́vel (ver a matriz da demonstração da Proposição 21). Portanto,
dim R(A′ ) = número de vectores de qualquer base ≤ número de pivots de A′ .
Da dupla desigualdade segue-se a igualdade.
2. Suponhamos que A −→ A′ . Sejam Ck1 , Ck2 , . . . , Ckt t colunas de R(A). Con-
transf. nas linhas
sideremos a submatriz de A formada só por estas colunas e designêmo-la por Ak1 ,k2 ,...,kt . Então
efectuando exactamente as mesmas transformações que efectuámos de A para A′ vamos obter
uma submatriz de A′ (com t colunas) que será equivalente por linhas a Ak1 ,k2 ,...,kt :
Ak1 ,k2 ,...,kt −→ A′k1 ,k2 ,...,kt .
iguais transf. nas linhas

Como temos
   
α1 0
α2  0
   
α1 Ck1 + α2 Ck2 + . . . + αt Ckt = 0 ⇐⇒ Ak1 ,k2 ,...,kt  ..  =  ..  .
 .  .
αt 0
então,
{Ck1 , Ck2 , . . . , Ckt } é linearmente ind. ⇐⇒ Ak1 ,k2 ,...,kt X = 0 é determinado
⇐⇒ A′k1 ,k2 ,...,kt X = 0 é determinado
⇐⇒ {Ck′ 1 , Ck′ 2 , . . . , Ck′ t } é linearmente ind.
Daqui segue-se que dim R(A) = dim R(A′ ).
3. Seja A′ uma matriz em forma de escada equivalente por linhas a A. Temos por 1 e 2
que
dim R(A) = dim R(A′ ) = número de pivots de A′ = rank A.
def.

Observação 24. De igual modo podemos considerar matrizes equivalentes por colunas a A
efectuando somente transformações elementares sobre as colunas de A e também podemos
considerar os espaço gerado pelas linhas de A, que usualmente se denota por L(A). Tem-se,
trivialmente, que:
1. dim L(A) = dim R(AT ), onde AT é a matriz transposta de A.
2. dim L(A′ ) = número de linhas não-nulas de A′ , se A está em forma de escada.
3. A −→ A′ ⇐⇒ AT −→ A′T .
transf. nas colunas transf. nas linhas

4. dim L(A) = dim R(AT ) = dim R(A′T ) = dim L(A′ ) = rank A , para qualquer A′ em forma
de escada e equivalente a A

27
  
1 2 1
Exemplo 15. Se A = , então dim R(A) = 2 = rank A (verifique!). Por outro
−3 0 1
lado,    
   x1 
 1 2 1  
R(A) = Ax : x ∈ R3×1 = x2 : x1 , x2 , x3 ∈ R
 −3 0 1 
x3
            
x1 + 2x2 + x3 1 2 1 2 1
= : x1 , x2 , x3 ∈ R = , , = ,
−3x1 + x3 −3 0 1 0 1
pois
(1, −3) = 2(2, 0) − 3(1, 1).

Espaço nulo ou núcleo de uma matriz:

O conjunto de todos os vectores x ∈ K m×1 que satisfazem Ax = 0 diz-se o espaço nulo
ou núcleo da matriz A. Este conjunto é denotado por ker A e, portanto,
ker A = {x ∈ K m×1 : Ax = 0} .
Dada uma matriz A particular podemos considerar o núcleo da matriz ker A e determinar
directamente uma base e assim calcular a dimensão de ker A. No entanto, o resultado seguinte
permite-nos, sem calcular uma base, saber qual a dimensão de ker A.
Proposição 25. Identificando uma matriz-coluna de tipo m × 1 com um vector de K m então
ker A é um subespaço vectorial de K m e tem-se:
dim ker A = m − rank A = m − dim R(A) .
Demonstração. Seja A′ em forma de escada e equivamente a A. Então Ax = 0 se e só se
A′ x = 0, donde ker A = ker A′ . Como A′ está em forma de escada, A′ x = 0 tem m − rank A′
variáveis livres, ou seja podemos obter m − rank A′ vectores linearmente independentes de
ker A′ que geram ker A′ . Portanto dim ker A′ = m − rank A′ . Assim
dim ker A = dim ker A′ = m − rank A′ = m − rank A = m − dim R(A).

  
1 2 1
Exemplo 16. Se A = , então
−3 0 1
 
  x1      
1 2 1   0 x1 + 2x2 + x3 0
Ax = 0 ⇔ x2 = ⇔ = .
−3 0 1 0 −3x1 + x3 0
x3
Ora ( (
x1 + 2x2 + x3 = 0 x2 = 2x1
⇔
−3x1 + x3 = 0 x3 = 3x1
e, portanto,   
 x1 
ker A = {x ∈ R3×1 : Ax = 0} = 2x1  : x1 ∈ R
 
3x1
   * +
 1  1
= 2 x1 : x1 ∈ R = 2 = h(1, 2, 3)i.
 
3 3
Neste caso,
dim ker A = 1 = 3 − rank A.

28
Mudança de base:

Seja V um espaço vectorial sobre um corpo K de dimensão finita n. Se B = (v1 , . . . , vn ) é

uma base de V então qualquer vector de v ∈ V escreve-se de modo único como combinação
linear dos vectores de B, isto é existem escalares únicos α1 , . . . , αi tais que

v = α1 v1 + α2 v2 + · · · + αn vn .

Por outro lado, dada outra base, B′ = (u1 , . . . , un ) de V existem também escalares únicos
β1 , . . . , βn ∈ K tais que
v = β1 u1 + β2 u2 + · · · + βn un .
Uma pergunta natural a fazer-se é: que relação existe entre estes escalares? Novamente as
matrizes vão ter um papel importante ne resposta a esta questão.
Exemplo 17. Consideremos em R3 duas bases

B = (v1 , v2 , v3 ) , B′ = (u1 , u2 , u3 ),

onde
u1 = −v1 + v2 + v3 , u2 = v1 − v2 , u3 = v1 − v3 .
Consideremos o vector v = v1 + 2v2 + 3v3 . Na base B as suas coordenadas são (1, 2, 3) por
esta ordem. Vamos, agora, determinar as coordenadas de v na base B′ :

v1 + 2v2 + 3v3 = β1 u1 + β2 u2 + β3 u3
= β1 (−v1 + v2 + v3 ) + β2 (v1 − v2 ) + β3 (v1 − v3 )
= (−β1 + β2 + β3 )v1 + (β1 − β2 )v2 + (β1 − β3 )v3 .

Sabemos que cada vector escreve-se de modo único como combinação linear dos vectores de
uma base logo, por unicidade, terá de ser
         
−β1 + β2 + β3 = 1
 −1 1 1 β1 1 β1 1
β1 − β2 = 2 ⇐⇒  1 −1 0  β2 = 2 = S β2 = 2 .
     
 matricialmente

β1 − β3 = 3 1 0 −1 β3 3 β3 3

Repare-se que as colunas da matriz S são as coordenadas dos vectores da base B′ em relação
à base B:   
u1 = (−1)v1 + (−1)v2 + 1v3
 −1 1 1
u2 = 1v1 + (−1)v2 + 0v3 e S =  1 −1 0  .


u3 = 1v1 + 0v2 + (−1)v3 1 0 −1

Como a matriz S é invertı́vel (pela Proposição 11), temos

            
β1 1 β1 1 1 1 1 1 6
−1  
S β2 = 2 ⇐⇒ β2 = S
      2 = 1 0 1 2 = 4 (confirme!).
    
β3 3 β3 3 1 1 0 3 3
Portanto
v = v1 + 2v2 + 3v3 = 6u1 + 4u2 + 3u3 .
Assim, temos as seguintes identificações:

v = v1 + 2v2 + 3v3 ≡ (1, 2, 3) − na base B , v = 6u1 + 4u2 + 3u3 ≡ (6, 4, 3) − na base B′ .

29
 No caso geral procede-se de igual modo. Dadas duas bases para um espaço vectorial, e
conhecendo uma relação entre os seus vectores, podemos “passar de uma base para outra”
através da matriz cujas colunas são formadas pelas coordenadas dos vectores duma das base
em relação à outra base:

Proposição 26. (Ver Proposição 4.8.2) Sejam B = (v1 , . . . , vn ) e B′ = (u1 , . . . , un ) duas bases
de um espaço V sobre um corpo K e seja v ∈ V . Se (α1 , . . . , αn ) é a sequência das coordenadas
de v na base B, isto é, v = α1 v1 + α2 v2 + · · · + αn vn ≡ (α1 , . . . , αn ) então a sequência das
coordenada de v na base B′ é (β1 , . . . , βn ) com
   
β1 α1
 β2   α2 
matriz cujas colunas são as coordenadas
 ..  = S −1  ..  e S =
   
. .  dos vectores de B′ escritos na base B
βn αn

Definição: Se B e B′ são duas bases de um espaço V sobre um corpo K então

matriz cujas colunas são as coordenadas

S=
dos vectores de B′ escritos na base B

diz-se a matriz mudança de base ou matriz de passagem da base B para a base

B′ (porque vamos escrever uma “nova” base B′ à custa de uma velha B).

Observação 27. Nas condições acima

1. Se S é a matriz mudança de base de B para a base B′ então S −1 é a matriz mudança de
base de B′ para a base B.
2. É comum usar-se a notação MB,B′ (id) - matriz da aplicação linear identidade id : V → V ,
em que estamos a considerar no espaço de partida os vectores escritos na base B e no
espaço de chegada os vectores escritos na base B′ . Como se trata da aplicação identidade,
id(v) = v, para todo v ∈ V . Portanto apenas escrevemos o mesmo vector em relação a
outra base de V . Esta notação será fundamentada no tema 4.

3. De acordo com a notação em 2, tem-se

S = MB′ ,B (id) , S −1 = MB,B′ (id).

Deste modo, a proposição 26 pode ser reescrita na forma

   
β1 α1
 β2   α2 
   
 ..  = MB,B′ (id)  ..  .
.  . 
βn αn

Exemplo 18. Consideremos em R4 duas bases B = (v1 , v2 , v3 , v4 ) e B′ = (u1 , u2 , u3, u4 ).

0 1 −1 1
1 0 −1 −1
Suponhamos que S = MB,B′ (id) =  . Então as colunas desta matriz
1 −1 1 −1
−1 −1 1 0

30
informam que:

u1 = 0v1 + 1v2 + 1v3 + (−1)v4 = v2 + v3 − v4

u2 = 1v1 + 0v2 + (−1)v3 + (−1)v4 = v1 − v3 − v4
u3 = (−1)v1 + (−1)v2 + 1v3 + 1v4 = −v1 − v2 + v3 + v4
u4 = 1v1 + (−1)v2 + (−1)v3 + 0v4 = v1 − v2 − v3
 
1 0 1 0
−2 −1 −1 −2
Determinando a inversa desta matriz obtemos S −1 −1 −1 0 −1 (con-
= MB′ ,B (id) =  

2 0 1 1
firme!) e, assim

v1 = 1u1 + (−2)u2 + (−1)u3 + 2u4 = u1 − 2u2 − u3 + 2u4

v2 = 0u1 + (−1)u2 + (−1)u3 + 0u4 = −u2 − u3
v3 = 1u1 + (−1)u2 + 0u3 + 1u4 = u1 − u2 + u4
v4 = 0u1 + (−2)u2 + (−1)u3 + 1u4 = −2u2 − u3 + u4

Portanto conhecida uma das bases e conhecida uma das matrizes mudança de base conhecemos
a outra base. Por exemplo, se B′ é a base canónica de R4 então:

B = ((1, −2, −1, 2), (0, −1, −1, 0), (1, −1, 0, 1), (0, −2, −1, 1)).
v1 v2 v3 v4

31