• Nenhum resultado encontrado

Textodeapoio-EspaçosVectoriais-Versão2

N/A
N/A
Protected

Academic year: 2021

Share "Textodeapoio-EspaçosVectoriais-Versão2"

Copied!
33
0
0

Texto

(1)

Departamento de Ciˆencias Exactas e Tecnol´ogicas

21002 - ´

Algebra Linear I

Espa¸

cos Vectoriais -

Texto de Apoio

1

o

ano - 1

o

semestre de 2008/09

Ana Lu´ısa Correia

(2)
(3)

Espac¸os Vectoriais

A no¸c˜ao de espa¸co vectorial abstracta generaliza a do c´alculo vectorial tridimensional usual, onde est˜ao presentes a adi¸c˜ao de vectores e a multiplica¸c˜ao de vectores por n´umeros reais. Deve-se ali´as a este espa¸co e `a no¸c˜ao f´ısica de vector a nomenclatura utilizada: espa¸co vectorial e vector. Note-se, ainda que, o conceito abstracto ´e definido para um conjunto qualquer, cujos elementos, embora designados por vectores, podem n˜ao ter nada a ver com a no¸c˜ao usual de vector de R3.

Defini¸c˜ao: Um espa¸co vectorial sobre um corpo K ´e uma estrutura alg´ebrica for-mada por um conjunto n˜ao vazio V , cujos elementos se designam por vectores, onde est˜ao definidas

• uma opera¸c˜ao bin´aria designada por adi¸c˜ao: “+′′

: V × V −→ V

(~x, ~y) 7−→ ~x + ~y − adi¸c˜ao de vectores

• opera¸c˜oes un´arias designadas por multiplica¸c˜ao por escalar: para cada α ∈ K “α′′

: V −→ V

~x 7−→ α~x − multiplica¸c˜ao pelo escalar α Estas duas opera¸c˜oes tˆem de satisfazer os seguintes axiomas:

(A1) ∀~x, ~y, ~z ∈ V, (~x + ~y) + ~z = ~x + (~y + ~z) - a adi¸c˜ao de vectores ´e associativa (A2) ∀~x, ~y ∈ V, ~x + ~y = ~y + ~x - a adi¸c˜ao de vectores ´e comutativa

(A3) ∃~0 ∈ V ∀~x ∈ V : ~x + ~0 = ~x - existe elemento neutro para a adi¸c˜ao de vectores (A4) ∀~x ∈ V ∃ − ~x ∈ V : ~x + (−~x) = ~0 - existe sim´etrico 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 Observa¸c˜oes 1.

• Dizer que cada α ∈ K define uma opera¸c˜ao un´aria em V ´e equivalente a dizer que est´a definida uma multiplica¸c˜ao escalar:

“·′′

: K × V −→ V

(α, ~x) 7−→ α~x − ac¸c˜ao de K em V

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

(4)

• Os axiomas (M1) a (M4) dizem respeito `a ac¸c˜ao do corpo K em V . • Se V ´e um espa¸co vectorial sobre o corpo K:

– Os elementos de V designam-se por vectores: usam-se as nota¸c˜oes ~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 adi¸c˜ao em V , diz-se o vector nulo e denota-se por ~0 ou 0V.

– Quando K = R ou K = C, V diz-se um espa¸co vectorial real ou complexo, respec-tivamente.

Exemplos cl´assicos 1.

a) O espa¸co vectorial modelo ´e o espa¸co Rn munido da opera¸c˜ao de adi¸c˜ao e das opera¸c˜oes

de multiplica¸c˜ao 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 ´e um corpo, o conjunto Kn formado por todos os n-uplos de

elementos de K, com opera¸c˜oes definidas por:

• (a1, a2, . . . , an) + (b1, b2, . . . , bn) = (a1+Kb1, a2+Kb2, . . . , an+Kbn), onde ai, bi ∈ K

• α · (a1, a2, . . . , an) = (α ·K a1, α ·Ka2, . . . , α ·K an), onde α, ai ∈ K

´e um espa¸co vectorial sobre K.

Note-se que as opera¸c˜oes definidas em Kn s˜ao `a custa das opera¸c˜oes definidas em K.

Para salientar esse facto est´a escrito ”+K” e ”·K”. Quando n˜ao h´a perigo de confus˜ao,

omite-se a indexa¸c˜ao e escreve-se simplesmente ”+” e ”·” tanto para as opera¸c˜oes em K como em Kn.

c) Dado um corpo K o conjunto das matrizes Kn×m, com as opera¸c˜oes naturais de adi¸c˜ao

de matrizes e multiplica¸c˜ao de um elemento de K por uma matriz:

• A+B =      a11+ b11 a12+ b12 . . . a1m+ b1m a21+ b21 a22+ b22 . . . a2m+ b2m .. . ... ... an1+ bn1 an2+ bn2 . . . anm+ bnm      , onde A = [aij], B = [bij] ∈ Kn×m; • αA =     

αa11 αa12 . . . αa1m

αa21 αa22 . . . αa2m

..

. ... ...

αan1 αan2 . . . αanm

     , onde A = [aij] ∈ Kn×m, α ∈ K

´e um espa¸co vectorial sobre K.

d) Designando por Kn[x] o conjunto de todos os polin´omios na vari´avel x, com coeficientes

em K, de grau ≤ n, n ∈ N0, este conjunto algebrizado da maneira natural:

• (anxn+· · ·+a1x+a0)+(bnxn+· · ·+b1x+b0) = (an+bn)xn+· · ·+(a1+b1)x+(a0+b0)

(5)

Os conjuntos dos exemplos 1 - 4, com as opera¸c˜oes mencionadas, s˜ao espa¸cos vectoriais sobre os corpos em causa, porque s˜ao verificados todos os axiomas (A1) - (A4) e (M1) - (M4). Por exemplo, prove que assim ´e para n = 2 e m = 3 (no caso do exemplo 3).

Exemplo 2. R2 algebrizado com opera¸c˜oes diferentes das usuais- Ver exerc´ıcio 4.1.4 do manual

1) Consideremos em R2 as opera¸c˜oes definidas, para quaisquer (x

1, x2), (y1, y2) ∈ R2, α ∈ R:

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

• α(x1, x2) = (αx1, αx2)

Para investigar se R2 ´e ou n˜ao um espa¸co vectorial sobre R ou temos uma vis˜ao de que

falha algum dos axiomas, exibimos um contra-exemplo, e assim provamos que n˜ao ´e um espa¸co 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 arbitr´arios:

(A1) Como a adi¸c˜ao ´e 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 adi¸c˜ao ´e 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 x2+ b + 1 = x2 ⇐⇒ ( a = 0 b = −1 Portanto ~0 = (0, −1) - para adi¸c˜ao acima definida.

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

Portanto −(x1, x2) = (−x1, −2 − x2) - para adi¸c˜ao 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)

(6)

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) =

def. de “+”(1 + 1, 0 + 0 + 1) = (2, 1).

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

Basta que falhe um axiomapara que, com estas opera¸c˜oes, R2 ao seja um espa¸co

vectorial real. N˜ao ´e necess´ario continuar a percorrer os restantes axiomas. 2) Consideremos em R2 as opera¸c˜oes definidas, para quaisquer (x

1, x2), (y1, y2) ∈ R2, α ∈ R:

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

• α(x1, x2) = (αx1, αx2)

Observando a maneira como a adi¸c˜ao est´a definida vˆe-se que h´a v´arios axiomas que falham. Por exemplo, a adi¸c˜ao n˜ao ´e comutativa:

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

def. de “+”(1, 0 + 2 + 1) = (1, 3)

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

def. de “+”(2, 1 + 1 + 0) = (2, 2)

Como (1, 3) 6= (2, 2) falha o axioma (A2). Tamb´em falham (A3), (A4), (M1) - verifique! Portanto, com estas opera¸c˜oes, R2 n˜ao ´e um espa¸co vectorial real.

3) Consideremos em R2 as opera¸c˜oes definidas, para quaisquer (x

1, x2), (y1, y2) ∈ R2, α ∈ R:

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

• α(x1, x2) = (x1, αx2)

Como a opera¸c˜ao de adi¸c˜ao coincide com a adi¸c˜ao usual em R2 ´e claro que os axiomas

(A1) - (A2) s˜ao todos satisfeitos. Ora, pela defini¸c˜ao de multiplica¸c˜ao escalar 0(x1, x2) = (x1, 0x2) = (x1, 0) 6=

em geral

(0, 0) ´

E portanto claro que algum dos axiomas (Mi) ter´a 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) n˜ao ´e satisfeito. Portanto, com estas opera¸c˜oes, R2 n˜ao ´e um espa¸co vectorial real.

4) Consideremos em R2 as opera¸c˜oes definidas, para quaisquer (x

1, x2), (y1, y2) ∈ R2, α ∈ R:

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

(7)

Subespac¸os Vectoriais

Defini¸c˜ao: Seja V um espa¸co vectorial sobre um corpo K. Um conjunto F diz-se um subespa¸co vectorial de V se:

• F ⊆ V ; • F 6= ∅;

• F for um espa¸co vectorial sobre K para as restri¸c˜oes das opera¸c˜oes definidas em V aos elementos de F (a que chamamos opera¸c˜oes induzidas pelas opera¸c˜oes de V no conjunto F ).

Observa¸c˜ao 2. Qualquer espa¸co vectorial V tem sempre, pelo menos, dois subespa¸cos vecto-riais: V e {0V}. Estes subespa¸cos dizem-se os subespa¸cos triviais de V .

Existem dois crit´erios muito ´uteis para verficar se um subconjunto F de V ´e um subespa¸co vectorial de F .

Crit´erio de subespa¸co 3. (Ver proposi¸c˜ao 4.3.4) Seja V um espa¸co vectorial sobre K. Tem-se:

F ´e subespa¸co de V ⇐⇒          (1) F ⊆ V (2) 0V ∈ F (3) ∀u, v ∈ F, u + v ∈ F (4) ∀u ∈ F ∀α ∈ K, αu ∈ F

- a condi¸c˜ao (3) diz-nos que F ´e fechado para adi¸c˜ao definida em V : a soma de dois vectores de F tem de pertencer a F .

- a condi¸c˜ao (4) diz-nos que F ´e fechado para a multiplica¸c˜ao escalar definida em V : qualquer m´ultiplo escalar de um vector de F tem de pertencer a F

Crit´erio de subespa¸co 4. (Ver proposi¸c˜ao 4.3.11) Seja V um espa¸co vectorial sobre K. Tem-se:

F ´e subespa¸co de V ⇐⇒      (1′ ) F ⊆ V (2′ ) 0V ∈ F (3′ ) ∀u, v ∈ F ∀α, β ∈ K, αu + βv ∈ F - temos (1′ )=(1), (2′ )=(2) e (3′ ) ⇔ (3),(4)

(8)

Exemplos de aplica¸c˜ao 3. (Ver exerc´ıcio 4.3.9)

Consideremos o espa¸co vectorial R3 com as opera¸c˜oes 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 crit´erios, P n˜ao ´e um subespa¸co 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. Ent˜ao, por defini¸c˜ao de S: u = (x, y, z) ∈ S =⇒ x + y + z = 0 v = (x′ , y′ , z′ ) ∈ S =⇒ x′ + y′ + z′ = 0  =⇒ (x + x′ ) + (y + y′ ) + (z + z′ ) = 0 =⇒ u + v = (x + x′, y + y′, z + z′) ∈ S • Sejam u = (x, y, z) ∈ S e α ∈ K quaisquer. Ent˜ao, por defini¸c˜ao 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 crit´erio de subespa¸co 1, S ´e um subespa¸co vectorial de R3. Aplique o

(9)

Reuni˜ao, intersecc¸˜ao e soma de subespac¸os

Seja V um espa¸co vectorial sobre um corpo K. Dados dois subconjuntos F e G de V podemos construir outros subconjuntos de V :

• F ∩ G =

def.{v ∈ V : v ∈ F ∧ v ∈ G}

-os element-os de F ∩ G s˜ao -os vectores do espa-¸co V que est˜ao simultaneamente em F e em G. • F ∪ G =

def.{v ∈ V : u ∈ F ∨ v ∈ G}

-os element-os de F ∪ G s˜ao -os vectores do espa-¸co V que est˜ao em F ou em G.

• F + G =

def.{u + v ∈ V : u ∈ F ∧ v ∈ G}

-os element-os de F + G s˜ao -os vectores do espa¸co V que se escrevem como soma de um vector de F com um vector de G. Observa¸c˜oes 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 s˜ao subespa¸cos vectoriais de V . Ent˜ao: • F ∩ G ´e um subespa¸co vectorial de V - ver proposi¸c˜ao 4.4.6.

• F ∪ G n˜ao ´e, em geral, um subespa¸co vectorial de V - ver proposi¸c˜ao 4.4.5. • F + G ´e um subespa¸co vectorial de V - ver proposi¸c˜ao 4.4.9.

• Temos v = 0V + v = v + 0V e 0V ∈ F , 0V ∈ G, porque s˜ao subespa¸cos de V .

Portanto

F ⊆ F + G e G ⊆ F + G. Exemplos de aplica¸c˜ao 4. (Ver exerc´ıcio 4.4.3)

Consideremos o espa¸co vectorial R2 e os subespa¸cos

F = {(x, x) : x ∈ R} , G = {(x, 2x) : x ∈ R}. a) Temos (x, y) ∈ F ∩ G ⇐⇒ (x, y) ∈ F ∧ (x, y) ∈ G ⇐⇒  x = y (por def. de F ) y = 2x (por def. de G) ⇐⇒ ( x = 0 y = 0 ⇐⇒ (x, y) = (0, 0) Segue-se que F ∩ G = {(0, 0)}.

b) Temos, por defini¸c˜ao 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 n˜ao ´e subespa¸co de V .

(10)

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, n˜ao h´a restri¸c˜oes sobre as varia¸c˜oes de x, x′ . Assim, (x + x′, x + 2x′) = (x + x′ | {z } z , x + x′ | {z } z

+x′) = (z, z + x′) c/ z, x′ percorrendo todos os reais.

Logo F + G = {(z, z + x′

) : z, x′

∈ R} = R2.

Alternativa: Temos F +G ⊆ R2. Resta provar a inclus˜ao rec´ıproca. Ora, dado (x, y) ∈ R2

qualquer (x, y) = (a + a′, a + 2a′) ⇐⇒ ( x = a + a′ y = a + 2a′ ⇐⇒ ( a = 2x − y a′ = y − x . Logo (x, y) = (2x − y, 2x − y) | {z } ∈F + (y − x, 2(y − x)) | {z } ∈G ∈ F + G.

(11)

Subespac¸o gerado

Defini¸c˜ao: Seja V um espa¸co vectorial sobre um corpo K e sejam v1, . . . , vk vectores de

V .

• Chama-se combina¸c˜ao linear de v1, . . . , vk a toda a soma do tipo

α1v1+ α2v2+ · · · + αkvk,

onde α1, . . . , αk ∈ K.

• Diz-se que v ∈ V ´e combina¸c˜ao linear dos vectores v1, . . . , vk se existem escalares

α1, . . . , αk ∈ K (n˜ao necessariamente ´unicos) tais que

v = α1v1+ α2v2+ · · · + αkvk.

Observa¸c˜oes 6. Sejam v1, . . . , vk∈ V .

1. 0V ´e combina¸c˜ao linear de quaisquer vectores v1, . . . , vk, pois

0V = ov1+ ov2+ · · · + 0vk.

2. Cada vi ´e combina¸c˜ao linear de v1, . . . , vk, pois

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

3. Os escalares α1, . . . , αk podem n˜ao ser ´unicos. Por exemplo, se considerarmos em R2 os

vectores (1, 1), (2, 2), ent˜ao:

(3, 3) = 3(1, 1) + 0(2, 2) = 1(1, 1) + 1(2, 2) = 2(1, 1) +1 2(2, 2). 4. O conjunto de todas as combina¸c˜oes lineares dos vectores v1, . . . , vk, isto ´e,

{α1v1+ α2v2+ · · · + αkvk: α1, . . . , αk ∈ K}

´e um subespa¸co vectorial de V - ver p´ag. 213 e 214 do manual.

Defini¸c˜ao: Seja V um espa¸co vectorial sobre um corpo K e sejam v1, . . . , vk ∈ V .

Chama-se subespa¸co gerado por v1, . . . , vk ao conjunto de todas as combina¸c˜oes lineares dos

vectores v1, . . . , vk:

subespa¸co gerado por v1, . . . , vk =

(12)

Observa¸c˜oes 7. Sejam v1, . . . , vk∈ V .

1. Existem v´arias nota¸c˜oes:

subespa¸co gerado por v1, . . . , vk = hv1, . . . , vki = L({v1, . . . , vk}) = L(v1, . . . , vk) (1).

2. Se F = hv1, . . . , vki, diz-se que os vectores v1, . . . , vk geramF , ou que v1, . . . , vks˜ao

ge-radoresde F , ou que F ´e gerado pelos vectores v1, . . . , vkou pelo conjunto {v1, . . . , vk}.

3. Temos

hv1, . . . , vki = {α1v1+ α2v2 + · · · + αkvk: α1, . . . , αk ∈ K}

´e o menor subespa¸co de V que cont´em os vectores v1, . . . , vk - ver proposi¸c˜ao 4.5.11.

Defini¸c˜ao: Um espa¸co vectorial V sobre um corpo K diz-se finitamente gerado se for gerado por um n´umero finito de geradores, isto ´e se existem k ∈ N e v1, . . . , vk ∈ V tais

que

V = hv1, . . . , vki.

Exemplos 5.

a) Dado um corpo K, o espa¸co vectorial Kn ´e finitamente gerado. De facto

Kn= {(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 ´e a unidade do corpo K e 0 ´e o elemento neutro da adi¸c˜ao 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 Ax = 0 ⇐⇒ 1 0 −5   x1 x2 x3  =0 ⇐⇒ x1− 5x3 = 0 ⇐⇒ x1 = 5x3. Assim ker A = {x ∈ R3×1: Ax = 0} =      x1 x2 x3  ∈ R3×1: x1 = 5x3    =      5x3 x2 x3  : x2, x3 ∈ R    =    x2   0 1 0  + x3   5 0 1  : x2, x3 ∈ R    = *  0 1 0  ,   5 0 1   + .

(13)

Mas, tamb´em temos ker A = *  0 4 0  ,   −15 0 −3   + Facamos u =   0 1 0  , v =   5 0 1  , u′ =   0 4 0  , v′ =   −15 0 −3  . De facto, *  0 4 0  ,   −15 0 −3   + =    α   0 4 0  + β   −15 0 −3  : α, β ∈ R    =    (4α)   0 1 0  + (−3β)   5 0 1  : α, β ∈ R    −

´e conj. de comb. li-neares dos vectores u, v ⊆ *  0 1 0  ,   5 0 1   + .

Para a inclus˜ao rec´ıproca vamos argumentar de modo equivalente: *  0 1 0  ,   5 0 1   + =    α   0 1 0  + β   5 0 3  : α, β ∈ R    =    (1/4α)   0 4 0  + (−1/3β)   −15 0 −3  : α, β ∈ R    −

´e um conj. de comb. lineares dos vectores u′ , v′ ⊆ *  0 4 0  ,   −15 0 −3   + . - Ver exerc´ıcio 4.7.2.

No exemplo anterior encontr´amos dois conjuntos geradores para o mesmo subespa¸co. O seguinte resultado d´a-nos um processo simples para verificar se dois conjuntos de vectores geram o mesmo subespa¸co:

Proposi¸c˜ao 8. Seja V um espa¸co vectorial sobre um corpo K e sejam v1, . . . , vk, u1, . . . , ut

vectores de V . Tem-se 1. hv1, . . . , vki ⊆ hu1, . . . , uti ⇐⇒ vi ∈ hu1, . . . , uti para todo i = 1, ..., k. 2. hv1, . . . , vki = hu1, . . . , uti ⇐⇒ ( vi ∈ hu1, . . . , uti, para todo i = 1, ..., k uj ∈ hv1, . . . , vki, para todo j = 1, ..., t .

Demonstra¸c˜ao. 1. (⇒) Suponhamos, por hip´otese, que hv1, . . . , vki ⊆ hu1, . . . , uti. Ora,

para qualquer i = 1, ..., k

(14)

Portanto vi ∈ hu1, . . . , uti, para todo i = 1, ..., k.

(⇐) Suponhamos, por hip´otese, que vi ∈ hu1, . . . , uti, para todo i = 1, ..., k. Ent˜ao, pelo

crit´erio 2 de subespa¸co (que se generaliza a uma soma finita) podemos afirmar que ∀α1, . . . , αk∈ K, α1v1+ · · · + αkvk∈ hu1, . . . , uti. (*)

Portanto

hv1, . . . , vki =

por def. sub.{α1v1+ · · · + αkvk: α1, . . . , αk ∈ K} ⊆por (*)hu1, . . . , uti

2. Basta aplicar 1. nos dois sentidos.

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

*  0 1 0  ,   5 0 1   + = *  0 4 0  ,   −15 0 −3   + . Efectivamente, tem-se   0 1 0  = 1 4   0 4 0  ∈ *  0 4 0  ,   −15 0 −3   + ,   5 0 1  = −1 3   −15 0 −3  ∈ *  0 4 0  ,   −15 0 −3   + . Portanto *  0 1 0  ,   5 0 1   + ⊆ *  0 4 0  ,   −15 0 −3   + . Analogamente   0 4 0  = 4   0 1 0  ∈ *  0 1 0  ,   5 0 1   + ,   −15 0 −3  = −3   5 0 1  ∈ *  0 1 0  ,   5 0 1   + . Portanto *  0 4 0  ,   −15 0 −3   + ⊆ *  0 1 0  ,   5 0 1   + . Da dupla inclus˜ao segue-se a igualdade.

(15)

Dependˆencia e independˆencia linear

Defini¸c˜ao: Seja V um espa¸co vectorial sobre um corpo K e sejam v1, . . . , vk ∈ V .

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

escalares α1, . . . , αk∈ K, com pelo menos um n˜ao nulo, tais que

α1v1+ α2v2+ · · · + αkvk = 0V.

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

α1v1+ α2v2+ · · · + αkvk = 0 =⇒ α1 = α2 = · · · = αk = 0V.

Proposi¸c˜ao 9. Sejam v1, . . . , vk ∈ V . S˜ao equivalentes as afirma¸c˜oes seguintes:

1. v1, . . . , vk s˜ao linearmente independentes;

2. todo v ∈ hv1, . . . , vki escreve-se de modo ´unico como combina¸c˜ao linear de v1, . . . , vk;

3. α1v1+ α2v2+ · · · + αkvk= β1v1+ β2v2+ · · · + βkvk =⇒ α1 = β1, α2 = β2, . . . , αk = βk;

4. vi 6∈ hv1, . . . , vi−1, vi+1, . . . , vki para todo i = 1, 2, . . . , k, no caso de k ≥ 2.

Ver proposi¸c˜oes 4.6.8, 4.6.10 e 4.6.14. Observa¸c˜oes 10.

1. Os conceitos de dependˆencia e independˆencia linear s˜ao a nega¸c˜ao um do outro. Efec-tivamente, se α = (α1, . . . , αk) ∈ Kk e P (x) designar a propriedade “combina¸c˜ao linear

nula dos vectores dos vectores v1, . . . , vk”, ent˜ao o conceito de dependˆencia 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 n˜ao s˜ao linearmente dependentes ⇔ ¬(∃α 6= 0 P (α))

⇔ ∀α 6= 0 ¬P (α)

⇔ [P (α) ⇒ (α1, . . . , αk) = (0, 0, ..., 0)]

⇔ v1, . . . , vk s˜ao linearmente independentes

2. No caso de termos um ´unico vector v, temos

v ´e linearmente dependente ⇐⇒ ∃α 6= 0 αv = 0V =⇒ α−1αv = 0V =⇒ v = 0V.

Por outro lado,

v = 0V =⇒ 1 · v = 0V =⇒ v ´e linearmente dependente

Deste modo, podemos afirmar que

v ´e linearmente dependente ⇐⇒ v = 0V,

(16)

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 ´e um conjunto linearmente dependente ou independente. Para isso vamos considerar uma combina¸c˜ao 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 α1+ 2α3 = 0 α1− α2+ α3 = 0 α1+ 2α2− α3 = 0 ⇐⇒     1 1 0 1 0 2 1 −1 1 1 2 −1     | {z } A   α1 α2 α3  =     0 0 0 0     ⇐⇒ A   α1 α2 α3  =     0 0 0 0    

Assim, utilizando os conhecimentos sobre matrizes e sistemas de equa¸c˜oes lineares (1, 1, 1, 1), (1, 0, −1, 2), (0, 2, 1, −1) s˜ao linearmente independentes

⇐⇒ (α1, α2, α3) = (0, 0, 0) ´e a ´unica solu¸c˜ao de Ax = 0

⇐⇒ Ax = 0 tem solu¸c˜ao ´unica (0, 0, 0) ⇐⇒ Ax = 0 ´e poss´ıvel e determinado

⇐⇒ rank A = 3 = n´umero de inc´ognitas = n´umero de vectores

(1, 1, 1, 1), (1, 0, −1, 2), (0, 2, 1, −1) s˜ao linearmente dependentes ⇐⇒ existe um triplo (α1, α2, α3) 6= (0, 0, 0) que ´e solu¸c˜ao de Ax = 0

⇐⇒ Ax = 0 n˜ao tem solu¸c˜ao ´unica ⇐⇒ Ax = 0 ´e poss´ıvel e indeterminado

⇐⇒ rank A < 3 = n´umero de inc´ognitas = n´umero de vectores Vamos assim determinar a caracter´ıstica da matriz A:

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

Portanto, como rank A = 3 = n´umero de inc´ognitas, os vectores (1, 1, 1, 1), (1, 0, −1, 2), (0, 2, 1, −1) s˜ao 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 an´alogo ao exemplo acima:

(17)

⇐⇒          α1+ α2 = 0 −α1+ α2+ 2α3 = 0 −α1+ α3 = 0 α1+ 2α2+ α3 = 0 ⇐⇒     1 1 0 −1 1 2 −1 0 1 1 2 1     | {z } A   α1 α2 α3  =     0 0 0 0     Temos    1 1 0 −1 1 2 −1 0 1 1 2 1    L−→2+L1 L3+L1 L4−L1     1 1 0 0 2 2 0 1 1 0 1 1    L3−→−1/2L2 L4−1/2L3     1 1 0 0 2 2 0 0 0 0 0 0    .

Portanto, como rank A = 2 < n´umero de inc´ognitas, os vectores (1, −1, −1, 1), (1, 1, 0, 2), (0, 2, 1, 1) s˜ao linearmente dependentes.

Alternativa: Repare-se que as colunas da matriz A s˜ao os vectores dados. Equivalente-mente, poder´ıamos ter considerado a matriz cujas linhas s˜ao os vectores dados e estudar a sua caracter´ıstica, uma vez que rank A = rank AT. Efectivamente

  1 −1 −1 1 1 1 0 2 0 2 1 1   −→ L2−L1   1 −1 −1 1 0 2 1 1 0 2 1 1   −→ L3−L2   1 −1 −1 1 0 2 1 1 0 0 0 0  .

Assim, rank AT = 2 < n´umero de vectores e, portanto, os vectores s˜ao linearmente

dependentes.

Alternativa: Repare-se ainda que olhando para os vectores dados, verificamos facilmente que o segundo vector ´e soma do primeiro com o terceiro: (1, 1, 0, 2) = (1, −1, −1, 1) + (0, 2, 1, 1). Assim temos a seguinte combina¸c˜ao 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 s˜ao linearmente dependentes.

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

ou independente reduz-se ao c´alculo da caracter´ıstica duma matriz.

Proposi¸c˜ao 11. Sejam v1, . . . , vm ∈ Rn e suponhamos que vi = (v1i, v2i, ..., vni), i = 1, ..., m.

Seja A =      v11 v12 · · · v1n v21 v22 · · · v2n .. . ... ... vm1 vm2 · · · vmn     

∈ Rn×m a matriz cujas colunas s˜ao os vectores v

1, . . . , vm.

S˜ao equivalentes as afirma¸c˜oes seguintes:

1. v1, . . . , vm s˜ao linearmente independentes;

2. Ax = 0 tem solu¸c˜ao ´unica (0, 0, ..., 0) ∈ Rm;

3. rank A = m; 4. rank AT = m;

(18)

Demonstra¸c˜ao. No caso geral procedemos como foi feito no caso particular do exemplo anterior. Temos α1v1+ α2v2+ · · · + αmvm = (0, 0, ..., 0) ⇐⇒ α1(v11, v21, ..., vn1) + α2(v12, v22, ..., vn2) + · · · + αm(v1m, v2m, ..., vnm) = (0, 0, ..., 0) ⇐⇒          α1v11+ α2v12+ · · · αmv1m= 0 α1v21+ α2v22+ · · · αmv2m= 0 · · · α1vn1+ α2vn2+ · · · αmvnm = 0 ⇐⇒      v11 v12 · · · v1n v21 v22 · · · v2n ... ... ... vm1 vm2 · · · vmn           α1 α2 ... αm      =        0 0 0 .. . 0        ⇐⇒ A      α1 α2 ... αm      =      0 0 ... 0     

Deste modo, usando a defini¸c˜ao de vectores linearmente independentes e utilizando os conhe-cimentos sobre matrizes e sistemas de equa¸c˜oes lineares

(v11, v21, ..., vn1), (v12, v22, ..., vn2), ..., (v1m, v2m, ..., vnm) s˜ao linearmente independentes

⇐⇒ (α1, α2, ..., αm) = (0, 0, ..., 0) ´e a ´unica solu¸c˜ao de Ax = 0

⇐⇒ Ax = 0 tem solu¸c˜ao ´unica (0, 0, ..., 0) ∈ Rm ⇐⇒ Ax = 0 ´e poss´ıvel e indeterminado

⇐⇒ rank A = n´umero de inc´ognitas = n´umero de vectores = m ⇐⇒ rank AT = m

Por fim, note-se que no caso de n = m a matriz A ´e quadrada e, portanto rank A = n ⇐⇒ |A| 6= 0 ⇐⇒ |AT| 6= 0.

 Para a dependˆencia linear obt´em-se, por nega¸c˜ao, o crit´erio seguinte:

Proposi¸c˜ao 12. Sejam v1, . . . , vm ∈ Rn e suponhamos que vi = (v1i, v2i, ..., vni), i = 1, ..., m.

Seja A =      v11 v12 · · · v1n v21 v22 · · · v2n .. . ... ... vm1 vm2 · · · vmn     

∈ Rn×m a matriz cujas colunas s˜ao os vectores v

1, . . . , vm.

S˜ao equivalentes as afirma¸c˜oes seguintes:

1. v1, . . . , vm s˜ao linearmente dependentes;

2. existe um m-uplo (α1, α2, ..., αm) 6= (0, 0, ..., 0) que ´e solu¸c˜ao de Ax = 0;

3. rank A < m; 4. rank AT < m;

(19)

Exemplo 8. (Ver exemplo 4.6.3)

1. Os vectores (1, 2, 3), (0, 1, 2), (3, 1, −1) s˜ao linearmente dependentes. Vamos justificar esta afirma¸c˜ao de v´arias maneiras poss´ıveis:

a) Pela defini¸c˜ao: 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 2α + β + γ = 0 3α + 2β − γ ⇔      α = −3γ −6γ + β + γ = 0 −9γ + 2β − γ = 0 ⇔      α = −3γ β = 5γ β = 5γ

Como existe mais do que uma solu¸c˜ao para α, β, γ os vectores s˜ao linearmente depen-dentes. Temos infinitas combina¸c˜oes 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 caracter´ısticas:

Podemos considerar a matriz cujas linhas s˜ao estes vectores e calcular a sua caracter´ıstica:   1 2 3 0 1 2 3 1 −1   −→ L3−3L1   1 2 3 0 1 2 0 −5 −10   −→ L3+5L2   1 2 3 0 1 2 0 0 0  

A matriz tem caracter´ıstica 2 < 3 logo os vectores s˜ao linearmente dependentes. Em alternativa, pod´ıamos ter considerado a matriz das colunas.

c) Calculando determinantes: porque temos 3 vectores de R3

Podemos considerar a matriz cujas linhas s˜ao estes vectores e calcular o seu determinante: 1 2 3 0 1 2 3 1 −1 = L3−3L1 1 2 3 0 1 2 0 −5 −10 = Laplace-col11 · (−1) 1+1 1 2 −5 −10 = 0.

A matriz tem determinante 0 logo os vectores s˜ao linearmente dependentes. Em alter-nativa, pod´ıamos ter calculado o determinante da matriz das colunas.

2. Os vectores (1, 2, 3), (0, 1, 2), (4, 1, −1) s˜ao linearmente independentes. Vamos justificar esta afirma¸c˜ao de v´arias maneiras poss´ıveis:

a) Pela defini¸c˜ao: 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 2α + β + γ = 0 3α + 2β − γ ⇔      α = −4γ −8γ + β + γ = 0 −12γ + 2β − γ = 0 ⇔      α = −3γ = 0 β = 7γ = 0 γ = 0 Como α = β = γ = 0 os vectores s˜ao linearmente independentes.

(20)

b) Calculando caracter´ısticas:

Podemos considerar a matriz cujas linhas s˜ao estes vectores e calcular a sua caracter´ıstica:   1 2 3 0 1 2 4 1 −1   −→ L3−4L1   1 2 3 0 1 2 0 −7 −13   −→ L3+7L2   1 2 3 0 1 2 0 0 1  

A matriz tem caracter´ıstica 3 = n´umero de vectores logo os vectores s˜ao linearmente independentes. Em alternativa, pod´ıamos ter considerado a matriz das colunas.

c) Calculando determinantes: porque temos 3 vectores de R3

Podemos considerar a matriz cujas linhas s˜ao estes vectores e calcular o seu determinante: 1 2 3 0 1 2 4 1 −1 = L3−4L1 1 2 3 0 1 2 0 −7 −13 = Laplace-col1 1 · (−1) 1+1 1 2 −7 −13 = 1 6= 0.

A matriz tem determinante 6= 0 logo os vectores s˜ao linearmente independentes. Em alternativa, pod´ıamos ter calculado o determinante da matriz das colunas.

(21)

Bases e dimens˜ao

Nesta sec¸c˜ao E ´e um espa¸co vectorial finitamente gerado sobre um corpo K. Por outro lado, no conceito de base (ordenada) ´e importante a ordem porque s˜ao considerados os vectores. Assim, em vez de conjuntos de vectores consideram-se sequˆencias de vectores.

Defini¸c˜ao: Seja V um espa¸co vectorial sobre um corpo K e sejam v1, . . . , vk∈ V . Dizemos

que a sequˆencia (v1, . . . , vn) ´e uma base se:

• v1, . . . , vn geram V , isto ´e V = hv1, . . . , vni,

• v1, . . . , vn s˜ao vectores linearmente independentes (sobre K).

Convenciona-se que se V = {0V} ent˜ao ∅ ´e base de V .

Exemplo 9. (Ver exerc´ıcio 4.7.2)

Vamos determinar uma base para o seguinte subespa¸co 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 ´e, os vectores (−1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1) geram F . Temos de provar, agora, que s˜ao linearmente independentes:   −1 1 0 0 1 0 1 0 1 0 0 1   −→ L2+L1 L3+L1   −1 1 0 0 0 1 1 0 0 1 0 1   −→ L3−L2   −1 1 0 0 0 1 1 0 0 0 −1 1  

- esta matriz tem caracter´ıstica 3, logo a matriz cujas linhas s˜ao os vectores em estudo tamb´em tem caractar´ıstica 3 = n´umero de vectores. Portanto (−1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1) s˜ao linearmente independentes. Deste modo, ((−1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)) ´e uma base de F . Observa¸c˜ao 13. Dado um corpo K, a sequˆencia formada pelos vectores de kn

e1 = (1, 0, 0, ..., 0), e2 = (0, 1, 0, ..., 0), e3 = (0, 0, 1, ..., 0), ..., en = (0, 0, 0, ..., 1)

´e uma base do espa¸co vectorial Kn , pois estes vectores geram Kn (como j´a t´ınhamos

obser-vado) e s˜ao linearmente independentes (a matriz cujas linhas (ou colunas) s˜ao estes vectores ´e a matriz identidade In que tem determinante 1). Esta base, dada a sua simplicidade, diz-se

(22)

Quando temos um conjunto de geradores para um espa¸co, podemos afirmar que todo o vector escreve-se como combina¸c˜ao linear desses vectores geradores, mas essa escrita n˜ao ´e necessariamente ´unica ver exemplos 7 e 8. O conceito de base assegura a unicidade.

Proposi¸c˜ao 14. Ver Proposi¸c˜ao 4.7.4

Seja V um espa¸co vectorial sobre um corpo K e seja (v1, . . . , vn) uma sequˆencia de

vectores de V . Ent˜ao

(v1, . . . , vn) ´e uma base de V ⇐⇒

qualquer vector v ∈ V escreve-se de modo ´unico como combina¸c˜ao linear dos vectores v1, . . . , vn.

⇐⇒ existem escalares ´unicos α1, . . . , αn∈ K tais que v = α1v1+ α2v2+ · · · + αnvn

Os escalaresα1, . . . , αk dizem-se as coordenadas de v na base (v1, . . . , vn).

Observa¸c˜ao 15. Se (v1, . . . , vn) ´e uma base de V ent˜ao, cada vector v ∈ V

• escreve-se como combina¸c˜ao linear dos vectores v1, . . . , vn- porque os vectores v1, . . . , vn

geram V

• de modo ´unico - porque os vectores v1, . . . , vn s˜ao linearmente independentes.

Na proposi¸c˜ao seguinte resumem-se v´arios resultados do manual que tˆem a ver com a existˆencia 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, n´umero de vectores das bases.

Proposi¸c˜ao 16. Seja V um esp¸co vectorial finitamente gerado sobre um corpo K. 1. V tem, pelo menos, uma base - ver Corol´ario 4.7.9.

2. Qualquer conjunto de vectores linearmente independentes de V pode ser estendido a uma base de V - ver Corol´ario 4.7.10.

3. Qualquer conjunto gerador de V cont´em uma base de V - ver Corol´ario 4.7.13. 4. Todas as bases de V tˆem igual n´umero de vectores - ver Corol´ario 4.7.15.

Observa¸c˜oes 17. Seja V um espa¸co vectorial finitamente gerado sobre um corpo K. 1. Note-se que para obtermos uma base...

• ... a partir de um conjunto linearmente independente, n˜ao podemos acrescentar quaisquer vectores, e podemos fazˆe-lo de v´arias maneiras - ver exemplo 10 abaixo. • ... a partir de um conjunto gerador, ´e preciso cuidado nos vectores a excluir, e

podemos fazˆe-lo de v´arias maneiras - ver exemplo 10 abaixo.

2. Se V tem uma base com n elementos ent˜ao qualquer base de V tem n elementos -consequˆencia de 4. da proposi¸c˜ao 16.

(23)

Observa¸c˜oes 18. Seja V um espa¸co vectorial sobre um corpo K com dim V = n. Ent˜ao: 1. Qualquer conjunto gerador de V tem ≥ n vectores - por 3. e 4. da proposi¸c˜ao 16. 2. Qualquer conjunto linearmente independente de V tem ≤ n vectores - por 2. e 4. da

proposi¸c˜ao 16.

3. Se V = {0V} ent˜ao dim V = 0 - porque o conjunto ∅ ´e base de V .

Exemplo 10. (Ver exerc´ıcio 4.7.12)

a) Consideremos o conjunto de vectores {(1, 4, 2), (0, 2, 1)} de R3. Este conjunto ´e

lin-earmente independente, pois a matriz 

1 4 2 0 2 1 

tem caracter´ıstica 2. Podemos assim estender este conjunto a uma base de R3. O processo mais simples a seguir ´e

consid-erar os vectores da base can´onica de R3 e fazer substitui¸c˜oes convenientes. Ora a base

can´onica de R3 ´e

((1, 0, 0), (0, 1, 0), (0, 0, 1)).

Logo dim R3 = 3. Assim como j´a temos 2 vectores linearmente independentes s´o falta

um para completar este conjunto a uma base de R3. Se escolhemos (1, 0, 0) n˜ao vamos

obter uma base, pois

1 4 2 0 2 1 1 0 0 = 0. Agora tentemos o segundo vector. Como

1 4 2 0 2 1 0 1 0 = −1 6= 0,

ent˜ao ((1, 4, 2), (0, 2, 1), (0, 1, 0)) ´e uma base de R3 que estende o conjunto dado. Mas h´a

outras possibilidades. Por exemplo

((1, 4, 2), (0, 2, 1), (0, 0, 1)) , ((1, 4, 2), (0, 2, 1), (0, 1, 1)) s˜ao outras bases poss´ıveis.

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, ent˜ao temos de excluir um destes

vectores. Vamos experimentar excluir o quarto vector. Ora 1 1 1 1 1 0 0 0 1 = 0,

logo n˜ao podemos excluir este vector. Tentemos retirar o terceiro 1 1 1 1 1 0 1 0 1 = −1 6= 0.

Portanto ((1, 1, 1), (1, 1, 0), (1, 0, 1)) ´e uma base de R3 que cont´em o conjunto gerador

dado. Outras bases poss´ıveis s˜ao:

((1, 1, 0), (0, 0, 1), (1, 0, 1)) , ((1, 1, 1), (0, 0, 1), (1, 0, 1)) - verifique!

(24)

Proposi¸c˜ao 19. (Ver Proposi¸c˜ao 4.7.18.) Seja V um esp¸co vectorial sobre um corpo K com dim V = n. Ent˜ao:

1. Qualquer conjunto linearmente independente de vectores de V ´e um subconjunto de uma base de V .

2. Qualquer conjunto com n vectores linearmente independentes de V ´e uma base de V . 3. Qualquer conjunto gerador de V com n vectores de V ´e uma base de V .

Exemplo 11. Em R3 consideremos os vectores v

1 = (1, 1, 1), v2 = (α, −1, −α), v3 = (1, α, 1).

Vamos determinar α ∈ R de modo que (v1, v2, v3) ´e uma base de R3. Usando a Proposi¸c˜ao

19 ´e suficiente determinar α ∈ R de modo que {v1, v2, v3} seja um conjunto linearmente

independente. Portanto:

(v1, v2, v3) base de R3 ⇐⇒

Prop. 19{v1, v2, v3} linear. ind. de R 3 ⇐⇒ 1 1 1 α −1 −α 1 α 1 6= 0 ⇐⇒ α(α − 1) 6= 0 ⇐⇒ α 6∈ {0, 1}

Do resultado anterior podemos provar facilmente que a dimens˜ao de um subespa¸co n˜ao pode exceder a do espa¸co. Ver afirma¸c˜ao (v) no final da p´agina 232.

Corol´ario 20. Seja V um espa¸co vectorial sobre um corpo K de dimens˜ao finita. Seja U um subespa¸co de V . Tem-se:

1. dim U ≤ dim V .

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

Demonstra¸c˜ao. 1. Suponhamos que dim U = m. Seja (u1, . . . , um) uma base de U.

Ent˜ao {u1, . . . , um} ´e um conjunto linearmente independente de V . Logo pela Proposi¸c˜ao

19-1 temos que {u1, . . . , um} ´e 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. Ent˜ao

{u1, . . . , un} ´e um conjunto linearmente independente de V . Como este conjunto tem

n = dim V vectores ent˜ao (u1, . . . , un) ´e uma base de V (pela Proposi¸c˜ao 19-2). Logo

V = hu1, . . . , umi = U.

A outra implica¸c˜ao ´e imediata. 

Exemplo 12. Em R3 consideremos o subespa¸co

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)} ´e um conjunto linearmente inde-pendente. Ent˜ao ((1, 1, 1), (2, −1, −2), (1, 2, 1)) ´e uma base de F . Logo dim F = 3 = dim R3.

(25)

Matrizes e espac¸os vectoriais

J´a observ´amos, v´arias vezes, que as matrizes s˜ao muito ´uteis no estudo dos espa¸cos Kn,

pois podemos colocar os vectores, que s˜ao n-uplos formados por elementos de K, em linhas ou colunas e estudar a caracter´ıstica ou calcular determinantes (quando a matriz ´e quadrada) - ver Proposi¸c˜oes 11 e 12. Por outro lado, com a introdu¸c˜ao dos conceitos de dependˆencia, independˆencia linear e de base, v´arios conceitos sobre matrizes poder˜ao agora ficar mais claros.

Seja A = [aij] ∈ Kn×m uma matriz (com n linhas e m colunas):

A =      a11 a12 . . . a1m a21 a22 . . . a2m .. . ... ... an1 an2 . . . anm      = [aij]n×m.

Caracter´ıstica de uma matriz:

Uma matriz em forma de escada ´e uma matriz cujas linhas satisfazem as duas condi¸c˜oes seguintes:

• se A′

tem uma linha nula, todas as linhas abaixo dessa linha tamb´em s˜ao nulas; • se a′

ij ´e o pivot da linha i (isto ´e o elemento n˜ao nulo mais `a esquerda nessa linha) ent˜ao

o pivot da linha abaixo estar´a numa coluna mais `a direita da coluna j. Exemplo 13.   1 2 3 0 4 5 0 0 9   ,   3 0 0   ,       0 2 0 −1 0 0 2 3 −2 0 0 0 4 1 1 −2 2 −1 0 0 0 0 −1 0 1 7 3 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0      

s˜ao matrizes em forma de escada. Os pivots s˜ao · .

Efectuando transforma¸c˜oes elementares sobre as linhas de A podemos transform´a-la numa matriz A′

= [a′

ij] em forma de escada:

A −→

transf. nas linhasA ′

− matriz em forma de escada

- a demonstra¸c˜ao desta afirma¸c˜ao faz-se por indu¸c˜ao no n´umero de linhas n. O processo que transforma uma matriz A numa matriz A′

em forma de escada designa-se por condensac¸˜ao da matriz A. As matrizes A e A′

dizem-se equivalentes (por linhas) e a matriz A pode ser equivalente (por linhas) a v´arias matrizes em forma de escada.

Exemplo 14. Seja A =   0 0 0 −1 4 2 1 0 3 4 1 2 0 1 −2  . Ent˜ao A −→ L1↔L3   1 2 0 1 −2 2 1 0 3 4 0 0 0 −1 4   −→ L2−2L1   1 2 0 1 −2 0 −3 0 1 8 0 0 0 −1 4  = A′

(26)

A −→ L1↔L2   2 1 0 3 4 0 0 0 −1 4 1 2 0 1 −2   −→ L3−1/2L1   2 1 0 3 4 0 0 0 −1 4 0 3/2 0 −1/2 −4   −→ L2↔L3   2 1 0 3 4 0 3/2 0 −1/2 −4 0 0 0 −1 4  = A′′ As matrizes A′ e A′′

s˜ao exemplos de matrizes em forma de escada equivalentes por linhas `a matriz A. Mas h´a 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. Proposi¸c˜ao 21. Se A′

e A′′

s˜ao duas matrizes em forma de escada e equivalentes por linhas a A ent˜ao A′

e A′′

tˆem os pivots nas mesmas colunas e o mesmo n´umero de linhas n˜ao nulas. Demonstra¸c˜ao. Seja s′

o n´umero de linhas n˜ao-nulas de A′

e s′′

o n´umero de linhas n˜ao-nulas de A′′

. Como A′

e A′′

est˜ao em forma de escada ent˜ao s′

=n´umero de pivots de A′ e s′′ = n´umero de pivots de A′′ . Temos que A −→

transf. nas linhas A ′

, A −→

transf. nas linhasA ′′

. Ora fazendo as transforma¸c˜oes inversas em A′

`as que fiz´emos de A para A′

vamos obter obviamente A. Assim podemos efectuar transforma¸c˜oes nas linhas de A′

de modo a obter A′′

:

A′ −→

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

e, por um racioc´ınio idˆentico, podemos obter A′

a partir de A′′

: A′′

−→

transf. nas linhasAtransf. nas linhas−→ A ′

. Suponhamos, com vista a um absurdo, que a coluna k de A′

n˜ao tem pivot e que a coluna k de A′′

tem um pivot. Ora se C′

k= 0 ent˜ao qualquer transforma¸c˜ao que se fa¸ca nas linhas de A ′

mant´em a coluna k zero (pois multiplicam-se e/ou somam-se zeros), donde C′′

k = 0 - contradiz

haver um pivot na coluna k de A′′

. Logo C′

k6= 0 e, portanto, podemos considerar nessa coluna

a entrada n˜ao nula ∗ que est´a na linha mais abaixo poss´ıvel (designemos essa linha por ℓ) e `a esquerda dessa entrada haver´a um pivot ∗ :

A′ =          ∗ .. . 0 · · · 0 ∗ · · · ∗ · · · · 0 .. . 0          linhaℓ col.j col.k Como A′

est´a em forma de escada ent˜ao nas linhas acima de ℓ existir˜ao eventualmente outros pivots em colunas mais `a direita da coluna j (por defini¸c˜ao de matriz em forma de escada). Assim qualquer transforma¸c˜ao que se fa¸ca nas linhas de A′

vamos sempre obter alguma entrada n˜ao nula mais `a esquerda da coluna k. Portanto em A′′

n˜ao poder´a haver um pivot na coluna k. Portanto prov´amos que se uma coluna k de A′

n˜ao tem pivot, a coluna k de A′′

tamb´em n˜ao tem pivot. Por um racioc´ınio idˆentico prov´avamos a mesma afirma¸c˜ao trocando A′

com A′′

. Deste modo, A′

e A′′

(27)

O n´umero de linhas n˜ao-nulas (ou pivots) de qualquer matriz A′

em forma de escada que seja equivalente por linhas a A, diz-se a caracter´ıstica de A, e denota-se por rank A, isto ´e

rank A = n´umero de linhas n˜ao-nulas de qualquer matriz em forma de escada equivalente por linhas a A

- rank ´e a palavra inglesa para caractar´ıstica e rank A ´e a nota¸c˜ao mais usada para este conceito, embora por vezes tamb´em apare¸ca nalguns livros c(A).

Observa¸c˜ao 22.

1. Matrizes equivalentes por linhas tˆem igual caracter´ıstica: se A −→

transf. nas linhas B ent˜ao

como B −→

transf. nas linhasB ′

(f. escada) ent˜ao tamb´em A ´e equivalente por linhas a B′

:

A −→

transf. nas linhasB transf. nas linhas−→ B ′

(f. escada) . Logo rank A = n´umero de pivots de B′

= rank B

2. rank A ≤ min{n, m}: pois a caracter´ıstica n˜ao pode exceder o n´umero de linhas e/ou de colunas, logo rank A ≤ n, rank A ≤ m.

3. • As linhas n˜ao-nulas de uma matriz em forma de escada s˜ao vectores linearmente independentes de Km.

• As colunas que contˆem os pivots duma matriz em forma de escada s˜ao vectores linearmente independentes de Kn.

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 combina¸c˜ao linear nula das linhas n˜ao-nulas obriga a que os escalares sejam todos zero:

α1L1+ α2L2+ · · · + αsLs = 0 ⇐⇒            α1a′1k1 = 0 α1∗ +α2a′2k2 = 0 .. . α1∗ +α2∗ + · · · + αsa′sks = 0 ⇐⇒            α1 = 0 α2 = 0 .. . αs = 0

e, portanto, as linhas n˜ao-nulas s˜ao linearmente independentes. Do mesmo modo:

β1Ck1+β2Ck2+· · ·+βsCks = 0 ⇐⇒            β1a′1k1 = 0 β1∗ +β2a′2k2 = 0 ... β1∗ +β2∗ + · · · + βsa′sks = 0 ⇐⇒            β1 = 0 β2 = 0 ... βs = 0

(28)

Espa¸co coluna de uma matriz:

Designemos por C1, C2, . . . , Cm todas as colunas da matriz A. Ent˜ao

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

O conjunto de todas as somas da forma α1C1+ α2C2+ · · · + αmCm para α1, α2, . . . , αm ∈ K

´e um subconjunto de Kn×1 e ´e designado pelo espa¸co-coluna da matriz A. Este conjunto designa-se, muitas vezes, por R(A). Assim,

R(A) = {α1C1+ α2C2+ · · · + αmCm: α1, α2, . . . , αm ∈ K} = hC1, C2, . . . , Cmi

- ´e o subespa¸co gerado pelas colunas da matriz A. Identificando uma matriz-coluna de tipo n × 1 com um vector de Kn ent˜ao R(A) ´e um subespa¸co vectorial de Kn.

Por outro lado, temos:

α1C1+ α2C2 + · · · + αmCm = α1      a11 a21 ... an1      + α2      a12 a22 ... an2      + · · · + αm      a1m a2m ... anm      =      α1a11 α1a21 ... α1an1      +      α2a12 α2a22 ... α2an2      + · · · +      αma1m αma2m ... αmanm      =      a11α1+ a12α2+ · · · + a1mαm a21α1+ a22α2+ · · · + a2mαm ... an1α1+ an2α2+ · · · + anmαm      =      a11 a12 . . . a1m a21 a22 . . . a2m ... ... ... an1 an2 . . . anm           α1 α2 ... αm      = A      α1 α2 ... αm      = Ax com x =      α1 α2 ... αm      ∈ Km×1 Assim R(A) = hC1, C2, . . . , Cmi =  Ax : x ∈ Km×1 .

Dada uma matriz A particular podemos considerar o espa¸co gerado pelas suas colunas R(A) e determinar directamente uma base e assim calcular a dimens˜ao de R(A). No entanto, o resultado seguinte permite-nos, sem calcular uma base, saber qual a dimens˜ao de R(A). Proposi¸c˜ao 23. Seja A′

´

e uma matriz em forma de escada ent˜ao: 1. dim R(A′

) = n´umero de pivots de A′

. 2. dim R(A) = dim R(A′

) , se A′

(29)

Demonstra¸c˜ao. 1. Temos, pela Observa¸c˜ao 22, que as colunas que contˆem pivots s˜ao lin-earmente independentes. Logo

n´umero de pivots de A′ ≤ n´umero m´aximo de colunas lin. indep. de A′

= dim R(A′). Por outro lado, se C′

k ´e uma coluna de A ′

que pertence a uma base de R(A′

) ent˜ao C′ k tem

um pivot ou se n˜ao tem um pivot (como n˜ao pode ser uma coluna nula porque faz parte de uma base) existe um pivot mais `a esquerda da ´ultima entrada n˜ao nula na linha mais abaixo poss´ıvel (ver a matriz da demonstra¸c˜ao da Proposi¸c˜ao 21). Portanto,

dim R(A′

) = n´umero de vectores de qualquer base ≤ n´umero de pivots de A′

. Da dupla desigualdade segue-se a igualdade.

2. Suponhamos que A −→

transf. nas linhas A ′

. Sejam Ck1, Ck2, . . . , Ckt t colunas de R(A). Con-sideremos a submatriz de A formada s´o por estas colunas e designˆemo-la por Ak1,k2,...,kt. Ent˜ao efectuando exactamente as mesmas transforma¸c˜oes que efectu´amos de A para A′

vamos obter uma submatriz de A′

(com t colunas) que ser´a equivalente por linhas a Ak1,k2,...,kt: Ak1,k2,...,kt −→

iguais transf. nas linhasA ′ k1,k2,...,kt. Como temos α1Ck1 + α2Ck2 + . . . + αtCkt = 0 ⇐⇒ Ak1,k2,...,kt      α1 α2 .. . αt      =      0 0 .. . 0      . ent˜ao,

{Ck1, Ck2, . . . , Ckt} ´e linearmente ind. ⇐⇒ Ak1,k2,...,ktX = 0 ´e determinado ⇐⇒ A′ k1,k2,...,ktX = 0 ´e determinado ⇐⇒ {C′ k1, C ′ k2, . . . , C ′

kt} ´e 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′) = n´umero de pivots de A′ =

def.rank A.

 Observa¸c˜ao 24. De igual modo podemos considerar matrizes equivalentes por colunas a A efectuando somente transforma¸c˜oes elementares sobre as colunas de A e tamb´em podemos considerar os espa¸co 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 ´e a matriz transposta de A.

2. dim L(A′

) = n´umero de linhas n˜ao-nulas de A′

, se A est´a em forma de escada.

3. A −→

transf. nas colunasA ′

⇐⇒ AT −→

transf. nas linhas A ′T.

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

(30)

Exemplo 15. Se A = 

1 2 1

−3 0 1 

, ent˜ao dim R(A) = 2 = rank A (verifique!). Por outro lado, R(A) =Ax : x ∈ R3×1 =     1 2 1 −3 0 1   x1 x2 x3  : x1, x2, x3 ∈ R    =  x1+ 2x2+ x3 −3x1+ x3  : x1, x2, x3 ∈ R  =  1 −3  ,  2 0  ,  1 1  =  2 0  ,  1 1  pois (1, −3) = 2(2, 0) − 3(1, 1). Espa¸co nulo ou n´ucleo de uma matriz:

O conjunto de todos os vectores x ∈ Km×1 que satisfazem Ax = 0 diz-se o espa¸co nulo

ou n´ucleo da matriz A. Este conjunto ´e denotado por ker A e, portanto, ker A = {x ∈ Km×1: Ax = 0} .

Dada uma matriz A particular podemos considerar o n´ucleo da matriz ker A e determinar directamente uma base e assim calcular a dimens˜ao de ker A. No entanto, o resultado seguinte permite-nos, sem calcular uma base, saber qual a dimens˜ao de ker A.

Proposi¸c˜ao 25. Identificando uma matriz-coluna de tipom × 1 com um vector de Km ent˜ao

ker A ´e um subespa¸co vectorial de Km e tem-se:

dim ker A = m − rank A = m − dim R(A) . Demonstra¸c˜ao. Seja A′

em forma de escada e equivamente a A. Ent˜ao Ax = 0 se e s´o se A′

x = 0, donde ker A = ker A′

. Como A′

est´a em forma de escada, A′

x = 0 tem m − rank A′

vari´aveis 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).

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

(31)

Mudan¸ca de base:

Seja V um espa¸co vectorial sobre um corpo K de dimens˜ao finita n. Se B = (v1, . . . , vn) ´e

uma base de V ent˜ao qualquer vector de v ∈ V escreve-se de modo ´unico como combina¸c˜ao linear dos vectores de B, isto ´e existem escalares ´unicos α1, . . . , αi tais que

v = α1v1+ α2v2+ · · · + αnvn.

Por outro lado, dada outra base, B′

= (u1, . . . , un) de V existem tamb´em escalares ´unicos

β1, . . . , βn∈ K tais que

v = β1u1 + β2u2+ · · · + βnun.

Uma pergunta natural a fazer-se ´e: que rela¸c˜ao existe entre estes escalares? Novamente as matrizes v˜ao ter um papel importante ne resposta a esta quest˜ao.

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 s˜ao (1, 2, 3) por

esta ordem. Vamos, agora, determinar as coordenadas de v na base B′

: v1+ 2v2+ 3v3 = β1u1+ β2u2+ β3u3

= 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 ´unico como combina¸c˜ao linear dos vectores de uma base logo, por unicidade, ter´a de ser

     −β1 + β2+ β3 = 1 β1 − β2 = 2 β1 − β3 = 3 ⇐⇒ matricialmente   −1 1 1 1 −1 0 1 0 −1     β1 β2 β3  =   1 2 3  = S   β1 β2 β3  =   1 2 3  .

Repare-se que as colunas da matriz S s˜ao as coordenadas dos vectores da base B′

em rela¸c˜ao `a base B:     u1= (−1)v1+ (−1)v2+1v3 u2=1v1+ (−1)v2+0v3 u3=1v1+0v2 + (−1)v3 e S =   −1 1 1 1 −1 0 1 0 −1  .

Como a matriz S ´e invert´ıvel (pela Proposi¸c˜ao 11), temos

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

Assim, temos as seguintes identifica¸c˜oes:

(32)

No caso geral procede-se de igual modo. Dadas duas bases para um espa¸co vectorial, e conhecendo uma rela¸c˜ao entre os seus vectores, podemos “passar de uma base para outra” atrav´es da matriz cujas colunas s˜ao formadas pelas coordenadas dos vectores duma das base em rela¸c˜ao `a outra base:

Proposi¸c˜ao 26. (Ver Proposi¸c˜ao 4.8.2) Sejam B = (v1, . . . , vn) e B′ = (u1, . . . , un) duas bases

de um espa¸coV sobre um corpo K e seja v ∈ V . Se (α1, . . . , αn) ´e a sequˆencia das coordenadas

de v na base B, isto ´e, v = α1v1 + α2v2 + · · · + αnvn ≡ (α1, . . . , αn) ent˜ao a sequˆencia das

coordenada de v na base B′ ´e (β1, . . . , βn) com      β1 β2 .. . βn      = S−1      α1 α2 .. . αn     

e S = matriz cujas colunas s˜ao as coordenadas dos vectores de B′

escritos na base B

Defini¸c˜ao: Se B e B′

s˜ao duas bases de um espa¸co V sobre um corpo K ent˜ao S = matriz cujas colunas s˜ao as coordenadas

dos vectores de B′

escritos na base B

diz-se a matriz mudan¸ca de base ou matriz de passagem da base B para a base B′

(porque vamos escrever uma “nova” base B′

`a custa de uma velha B). Observa¸c˜ao 27. Nas condi¸c˜oes acima

1. Se S ´e a matriz mudan¸ca de base de B para a base B′

ent˜ao S−1 ´e a matriz mudan¸ca de

base de B′

para a base B.

2. ´E comum usar-se a nota¸c˜ao MB,B′(id) - matriz da aplica¸c˜ao linear identidade id : V → V , em que estamos a considerar no espa¸co de partida os vectores escritos na base B e no espa¸co de chegada os vectores escritos na base B′

. Como se trata da aplica¸c˜ao identidade, id(v) = v, para todo v ∈ V . Portanto apenas escrevemos o mesmo vector em rela¸c˜ao a outra base de V . Esta nota¸c˜ao ser´a fundamentada no tema 4.

3. De acordo com a nota¸c˜ao em 2, tem-se

S = MB′,B(id) , S

−1 = M

B,B′(id). Deste modo, a proposi¸c˜ao 26 pode ser reescrita na forma

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

Exemplo 18. Consideremos em R4 duas bases B = (v

1, v2, v3, v4) e B′ = (u1, u2, u3, u4).

(33)

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

Determinando a inversa desta matriz obtemos S−1

= MB′,B(id) =     1 0 1 0 −2 −1 −1 −2 −1 −1 0 −1 2 0 1 1     (con-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 mudan¸ca de base conhecemos a outra base. Por exemplo, se B′

´e a base can´onica de R4 ent˜ao:

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

Referências

Documentos relacionados

Determinação do ponto ótimo para extração de palmito de pupunheira Bactris gasipaes Kunth com base na altura, diâmetro e número de folhas verdes, na Amazônia Central.. Manuscrito

The means of chronological age, general motor age and motor quotient of the areas evaluated by the MDS were compared between groups using the Mann-Whitney test, while the

Com base nesses resultados podemos inferir que apesar das alterações descritas na literatura (principalmente anatômicas e fisiológicas gerando mudanças nas

Algumas sementes e castanhas vão ficar só nessa etapa de hidratação pois já passaram por um processo térmico no caso de algumas castanhas e nozes, outras sementes descascadas

Métodos: Por meio de um estudo seccional, foram pesquisados os dados clínicos e laboratoriais (alanina aminotransferase [ALT], aspartato aminotransferase [AST], fosfatase

Este trabalho tem como objetivo estudar os efeitos da desnutrição intra-uterina sobre o intestino delgado de ratos, ao nascimento e após o período de lactação, em filhotes de

A mesma pretende fazer um levantamento das principais atividades exercidas pelas mulheres triunfenses no período enfocado, destacando os espaços onde era possível se

ENGENHARIA CIVIL Bacharelado Cidade Universitária Integral JOAO GABRIEL GOMES MENEZES 191000388832 2 NÃO APTO. ENGENHARIA CIVIL Bacharelado Cidade Universitária Integral JOAO