Departamento de Ciˆencias Exactas e Tecnol´ogicas
21002 - ´
Algebra Linear I
Espa¸
cos Vectoriais -
Texto de Apoio
1
oano - 1
osemestre de 2008/09
Ana Lu´ısa Correia
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.
• 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)
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)
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 n˜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)
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)
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
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 .
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.
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 =
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 + .
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
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.
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,
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:
⇐⇒ 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;
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;
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.
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.
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
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.
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!
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.
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′
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′′
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
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′
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
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.
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:
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).
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 ).