Beruflich Dokumente
Kultur Dokumente
“+′′ : V × V −→ V
− adição de vectores
(~x, ~y ) 7−→ ~x + ~y
“α′′ : V −→ V
− multiplicação pelo escalar α
~x 7−→ α~x
Observações 1.
• Dizer que cada α ∈ K define uma operação unária em V é equivalente a dizer que está
definida uma multiplicação escalar:
“·′′ : K × V −→ V
− acção de K em V
(α, ~x) 7−→ α~x
• Os axiomas (A1) a (A4) dizem respeito à estrutura aditiva de V e podem ser resumidos
dizendo-se que (V, +) é um grupo aditivo comutativo.
1
• Os axiomas (M1) a (M4) dizem respeito à acção do corpo K em V .
• Se V é um espaço vectorial sobre o corpo K:
– Os elementos de V designam-se por vectores: usam-se as notações ~x, ~y , u, v, ...
– Os elementos de K designam-se por escalares: usam-se as letras α, β, a, b, k, t, ...
– O elemento zero da adição em V , diz-se o vector nulo e denota-se por ~0 ou 0V .
– Quando K = R ou K = C, V diz-se um espaço vectorial real ou complexo, respec-
tivamente.
Exemplos clássicos 1.
a) O espaço vectorial modelo é o espaço Rn munido da operação de adição e das operações
de multiplicação por escalares por:
2
Os conjuntos dos exemplos 1 - 4, com as operações mencionadas, são espaços vectoriais sobre
os corpos em causa, porque são verificados todos os axiomas (A1) - (A4) e (M1) - (M4). Por
exemplo, prove que assim é para n = 2 e m = 3 (no caso do exemplo 3).
Exemplo 2. R2 algebrizado com operações diferentes das usuais - Ver exercı́cio 4.1.4
do manual
1) Consideremos em R2 as operações definidas, para quaisquer (x1 , x2 ), (y1 , y2 ) ∈ R2 , α ∈ R:
• (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 + 1)
• α(x1 , x2 ) = (αx1 , αx2 )
Para investigar se R2 é ou não um espaço vectorial sobre R ou temos uma visão de que
falha algum dos axiomas, exibimos um contra-exemplo, e assim provamos que não é um
espaço vectorial, ou corremos cada axioma e analisamos o que se passa. Neste primeiro
caso, vamos percorrer os axiomas. Consideramos para o efeito (x1 , x2 ), (y1, y2 ), (z1 , z2 ) ∈
R2 , α, β ∈ R elementos arbitrários:
(A3) Temos
(x1 , x2 ) + (a, b) = (x1 , x2 ) ⇐⇒ (x1 + a, x2 + b + 1) = (x1 , x2 )
( (
x1 + a = x1 a=0
⇐⇒ ⇐⇒
x2 + b + 1 = x2 b = −1
3
Por exemplo, para α = β = 1 e x1 = 1, x2 = 0, temos
Basta que falhe um axioma para que, com estas operações, R2 não seja um espaço
vectorial real. Não é necessário continuar a percorrer os restantes axiomas.
Observando a maneira como a adição está definida vê-se que há vários axiomas que
falham. Por exemplo, a adição não é comutativa:
Como (1, 3) 6= (2, 2) falha o axioma (A2). Também falham (A3), (A4), (M1) - verifique!
Portanto, com estas operações, R2 não é um espaço vectorial real.
Como a operação de adição coincide com a adição usual em R2 é claro que os axiomas
(A1) - (A2) são todos satisfeitos. Ora, pela definição de multiplicação escalar
É portanto claro que algum dos axiomas (Mi) terá de falhar. Ora por exemplo, temos
4
Subespaços Vectoriais
• F ⊆V;
• F 6= ∅;
Observação 2. Qualquer espaço vectorial V tem sempre, pelo menos, dois subespaços vecto-
riais: V e {0V }. Estes subespaços dizem-se os subespaços triviais de V .
- a condição (3) diz-nos que F é fechado para adição definida em V : a soma de dois vectores
de F tem de pertencer a F .
- a condição (4) diz-nos que F é fechado para a multiplicação escalar definida em V : qualquer
múltiplo escalar de um vector de F tem de pertencer a F
5
Exemplos de aplicação 3. (Ver exercı́cio 4.3.9)
Consideremos o espaço vectorial R3 com as operações usuais.
• P ⊂ R3
• (0, 0, 0) 6∈ P - pois 0 + 0 + 0 = 0 6= 1
• S ⊂ R3
• (0, 0, 0) ∈ S - pois 0 + 0 + 0 = 0
• Sejam u = (x, y, z), v = (x′ , y ′ , z ′ ) ∈ S quaisquer. Então, por definição de S:
u = (x, y, z) ∈ S =⇒ x + y + z = 0
=⇒ (x + x′ ) + (y + y ′) + (z + z ′ ) = 0
v = (x′ , y ′, z ′ ) ∈ S =⇒ x′ + y ′ + z ′ = 0
=⇒ u + v = (x + x′ , y + y ′ , z + z ′ ) ∈ S
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
6
Reunião, intersecção e soma de subespaços
7
c) Temos
w ∈ F + G ⇐⇒ w = u + v para alguns u ∈ F, v ∈ G
⇐⇒ w = (x, x) + (x′ , 2x′ ) para alguns x, x′ ∈ R
⇐⇒ w = (x + x′ , x + 2x′ ) para alguns x, x′ ∈ R
Assim, F + G = {(x + x′ , x + 2x′ ) : x, x′ ∈ R}. Mas, não há restrições sobre as variações
de x, x′ . Assim,
(x + x′ , x + 2x′ ) = (x
|+
′
{zx}, |x +
′ ′ ′ ′
{zx} +x ) = (z, z + x ) c/ z, x percorrendo todos os reais.
z z
Logo F + G = {(z, z + x′ ) : z, x′ ∈ R} = R2 .
Alternativa: Temos F +G ⊆ R2 . Resta provar a inclusão recı́proca. Ora, dado (x, y) ∈ R2
qualquer
( (
′
x = a + a a = 2x − y
(x, y) = (a + a′ , a + 2a′ ) ⇐⇒ ′
⇐⇒ .
y = a + 2a a′ = y − x
Logo
(x, y) = (2x − y, 2x − y) + (y − x, 2(y − x)) ∈ F + G.
| {z } | {z }
∈F ∈G
8
Subespaço gerado
α1 v1 + α2 v2 + · · · + αk vk ,
onde α1 , . . . , αk ∈ K.
v = α1 v1 + α2 v2 + · · · + αk vk .
Observações 6. Sejam v1 , . . . , vk ∈ V .
{α1 v1 + α2 v2 + · · · + αk vk : α1 , . . . , αk ∈ K}
9
Observações 7. Sejam v1 , . . . , vk ∈ V .
3. Temos
hv1 , . . . , vk i = {α1 v1 + α2 v2 + · · · + αk vk : α1 , . . . , αk ∈ K}
é o menor subespaço de V que contém os vectores v1 , . . . , vk - ver proposição 4.5.11.
Exemplos 5.
K n = {(x1 , . . . , xn ) : xi ∈ K}
= {x1 (1, 0, . . . , 0) + x2 (0, 1, . . . , 0) + · · · + xn (0, 0, . . . , 1) : xi ∈ K}
= h(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)i.
Assim
x1 5x3
ker A = {x ∈ R3×1 : Ax = 0} = x2 ∈ R3×1 : x1 = 5x3 = x2 : x2 , x3 ∈ R
x3 x3
* +
0 5 0 5
= x2 1 + x3 0 : x2 , x3 ∈ R = 1 , 0 .
0 1 0 1
1
No manual é também usada a notação [v1 , . . . , vk ], mas é preciso ter algum cuidado pois pode confundir-se,
nalguns casos, com a notação de matriz.
10
Mas, também temos
*0 −15+
ker A = 4 , 0
0 −3
0 5 0 −15
Facamos u = 1, v = 0, u′ = 4, v ′ = 0 . De facto,
0 1 0 −3
*0 −15+ 0
−15
4 , 0 = α 4 + β 0 : α, β ∈ R
0 −3 0 −3
0 5 é conj. de comb. li-
= (4α) 1 + (−3β) 0 : α, β ∈ R − neares dos vectores
0 1 u, v
* +
0 5
⊆ 1 , 0 .
0 1
11
Portanto vi ∈ hu1 , . . . , ut i, para todo i = 1, ..., k.
(⇐) Suponhamos, por hipótese, que vi ∈ hu1 , . . . , uti, para todo i = 1, ..., k. Então, pelo
critério 2 de subespaço (que se generaliza a uma soma finita) podemos afirmar que
Portanto
Efectivamente, tem-se
* *
0 0 0 −15 + 5 −15 0 −15 +
1 = 1 4 ∈ 4 , 0 , 0 = − 1 0 ∈ 4 , 0 .
4 3
0 0 0 −3 1 −3 0 −3
12
Dependência e independência linear
α1 v1 + α2 v2 + · · · + αk vk = 0V .
α1 v1 + α2 v2 + · · · + αk vk = 0 =⇒ α1 = α2 = · · · = αk = 0V .
Observações 10.
1. Os conceitos de dependência e independência linear são a negação um do outro. Efec-
tivamente, se α = (α1 , . . . , αk ) ∈ K k e P (x) designar a propriedade “combinação linear
nula dos vectores dos vectores v1 , . . . , vk ”, então o conceito de dependência linear para
v1 , . . . , vk pode ser escrito na forma
∃ (α1 , . . . , αk ) 6= (0, 0, ..., 0) P (α) ou mais simples ∃ α 6= 0 P (α).
Assim
v1 , . . . , vk não são linearmente dependentes ⇔ ¬(∃α 6= 0 P (α))
⇔ ∀α 6= 0 ¬P (α)
⇔ [P (α) ⇒ (α1 , . . . , αk ) = (0, 0, ..., 0)]
⇔ v1 , . . . , vk são linearmente independentes
13
Exemplos 7.
(1, 1, 1, 1), (1, 0, −1, 2), (0, 2, 1, −1) são linearmente independentes
⇐⇒ (α1 , α2 , α3 ) = (0, 0, 0) é a única solução de Ax = 0
⇐⇒ Ax = 0 tem solução única (0, 0, 0)
⇐⇒ Ax = 0 é possı́vel e determinado
⇐⇒ rank A = 3 = número de incógnitas = número de vectores
(1, 1, 1, 1), (1, 0, −1, 2), (0, 2, 1, −1) são linearmente dependentes
⇐⇒ existe um triplo (α1 , α2 , α3 ) 6= (0, 0, 0) que é solução de Ax = 0
⇐⇒ Ax = 0 não tem solução única
⇐⇒ Ax = 0 é possı́vel e indeterminado
⇐⇒ rank A < 3 = número de incógnitas = número de vectores
Portanto, como rank A = 3 = número de incógnitas, os vectores (1, 1, 1, 1), (1, 0, −1, 2),
(0, 2, 1, −1) são linearmente independentes.
14
α1 + α2 = 0 1 1 0 0
−α + α + 2α = 0 −1 1 α1
1 2 3 2 0
⇐⇒ ⇐⇒ α =
−α 1 + α3 = 0 −1 0 1 2 0
α3
α1 + 2α2 + α3 = 0 1 2 1 0
| {z }
A
Temos
1 1 0 1 1 0 1 1 0
−1 1 2 0 2 2 0 2 2
−→ −→ .
−1 0 1 L2 +L1 0 1 1 L3 −1/2L2 0 0 0
1 2 1 LL3 +L
−L
1
0 1 1 L4 −1/2L3 0 0 0
4 1
Portanto, como rank A = 2 < número de incógnitas, os vectores (1, −1, −1, 1), (1, 1, 0, 2),
(0, 2, 1, 1) são linearmente dependentes.
Alternativa: Repare-se que as colunas da matriz A são os vectores dados. Equivalente-
mente, poderı́amos ter considerado a matriz cujas linhas são os vectores dados e estudar
a sua caracterı́stica, uma vez que rank A = rank AT . Efectivamente
1 −1 −1 1 1 −1 −1 1 1 −1 −1 1
1 1 0 2 −→ 0 2 1 1 −→ 0 2 1 1 .
L2 −L1 L3 −L2
0 2 1 1 0 2 1 1 0 0 0 0
Assim, rank AT = 2 < número de vectores e, portanto, os vectores são linearmente
dependentes.
Alternativa: Repare-se ainda que olhando para os vectores dados, verificamos facilmente
que o segundo vector é soma do primeiro com o terceiro: (1, 1, 0, 2) = (1, −1, −1, 1) +
(0, 2, 1, 1). Assim temos a seguinte combinação linear nula destes vectores sem que todos
os escalares sejam iguais a zero:
1(1, −1, −1, 1) + −1(1, 1, 0, 2) + 1(0, 2, 1, 1) = (0, 0, 0, 0).
Portanto os vectores são linearmente dependentes.
n
11. Sejam v1 , . . . ,vm ∈ R e suponhamos que vi = (v1i , v2i , ..., vni ), i = 1, ..., m.
Proposição
v11 v12 · · · v1n
v21 v22 · · · v2n
n×m
Seja A = .. .. .. ∈ R a matriz cujas colunas são os vectores v1 , . . . , vm .
. . .
vm1 vm2 · · · vmn
São equivalentes as afirmações seguintes:
1. v1 , . . . , vm são linearmente independentes;
2. Ax = 0 tem solução única (0, 0, ..., 0) ∈ Rm ;
3. rank A = m;
4. rank AT = m;
5. |A| = |AT | =
6 0, no caso de n = m.
15
Demonstração. No caso geral procedemos como foi feito no caso particular do exemplo
anterior. Temos
α1 v1 + α2 v2 + · · · + αm vm = (0, 0, ..., 0)
⇐⇒ α1 (v11 , v21 , ..., vn1 ) + α2 (v12 , v22 , ..., vn2 ) + · · · + αm (v1m , v2m , ..., vnm ) = (0, 0, ..., 0)
α1 v11 + α2 v12 + · · · αm v1m = 0
α v + α v + · · · α v = 0
1 21 2 22 m 2m
⇐⇒
· · ·
α1 vn1 + α2 vn2 + · · · αm vnm = 0
0
v11 v12 · · · v1n α1 0 α1 0
v21 v22 · · · v2n α2 α2 0
.. .. = 0 ⇐⇒ A .. = ..
⇐⇒ .. ..
. . . . . . .
..
vm1 vm2 · · · vmn αm αm 0
0
Deste modo, usando a definição de vectores linearmente independentes e utilizando os conhe-
cimentos sobre matrizes e sistemas de equações lineares
(v11 , v21 , ..., vn1 ), (v12 , v22 , ..., vn2 ), ..., (v1m , v2m , ..., vnm ) são linearmente independentes
⇐⇒ (α1 , α2 , ..., αm ) = (0, 0, ..., 0) é a única solução de Ax = 0
⇐⇒ Ax = 0 tem solução única (0, 0, ..., 0) ∈ Rm
⇐⇒ Ax = 0 é possı́vel e indeterminado
⇐⇒ rank A = número de incógnitas = número de vectores = m
⇐⇒ rank AT = m
Por fim, note-se que no caso de n = m a matriz A é quadrada e, portanto
6 0 ⇐⇒ |AT | =
rank A = n ⇐⇒ |A| = 6 0.
16
Exemplo 8. (Ver exemplo 4.6.3)
1. Os vectores (1, 2, 3), (0, 1, 2), (3, 1, −1) são linearmente dependentes. Vamos justificar
esta afirmação de várias maneiras possı́veis:
a) Pela definição:
Como existe mais do que uma solução para α, β, γ os vectores são linearmente depen-
dentes. Temos infinitas combinações lineares nulas destes vectores. Por exemplo
b) Calculando caracterı́sticas:
Podemos considerar a matriz cujas linhas são estes vectores e calcular a sua caracterı́stica:
1 2 3 1 2 3 1 2 3
0 1 2 −→ 0 1 2 −→ 0 1 2
L3 −3L1 L +5L
3 1 −1 0 −5 −10 3 2 0 0 0
2. Os vectores (1, 2, 3), (0, 1, 2), (4, 1, −1) são linearmente independentes. Vamos justificar
esta afirmação de várias maneiras possı́veis:
a) Pela definição:
17
b) Calculando caracterı́sticas:
Podemos considerar a matriz cujas linhas são estes vectores e calcular a sua caracterı́stica:
1 2 3 1 2 3 1 2 3
0 1 2 −→ 0 1 2 −→ 0 1 2
L3 −4L1 L +7L
4 1 −1 0 −7 −13 3 2 0 0 1
18
Bases e dimensão
Nesta secção E é um espaço vectorial finitamente gerado sobre um corpo K. Por outro lado,
no conceito de base (ordenada) é importante a ordem porque são considerados os vectores.
Assim, em vez de conjuntos de vectores consideram-se sequências de vectores.
19
Quando temos um conjunto de geradores para um espaço, podemos afirmar que todo o
vector escreve-se como combinação linear desses vectores geradores, mas essa escrita não é
necessariamente única ver exemplos 7 e 8. O conceito de base assegura a unicidade.
Proposição 14. Ver Proposição 4.7.4
Seja V um espaço vectorial sobre um corpo K e seja (v1 , . . . , vn ) uma sequência de
vectores de V . Então
qualquer vector v ∈ V escreve-se de modo único
(v1 , . . . , vn ) é uma base de V ⇐⇒
como combinação linear dos vectores v1 , . . . , vn .
existem escalares únicos α1 , . . . , αn ∈ K tais que
⇐⇒
v = α1 v1 + α2 v2 + · · · + αn vn
Os escalares α1 , . . . , αk dizem-se as coordenadas de v na base (v1 , . . . , vn ).
Na proposição seguinte resumem-se vários resultados do manual que têm a ver com a
existência de base, possibilidade de completar um conjunto gerador a uma base, possibilidade
de excluir vectores de um conjunto gerador de modo a obter uma base, número de vectores
das bases.
Definição: Seja V um espaço vectorial sobre um corpo K que admite uma base com n
vectores. Então diz-se que V tem dimensão n e escreve-se
dim V = n.
20
Observações 18. Seja V um espaço vectorial sobre um corpo K com dim V = n. Então:
1. Qualquer conjunto gerador de V tem ≥ n vectores - por 3. e 4. da proposição 16.
2. Qualquer conjunto linearmente independente de V tem ≤ n vectores - por 2. e 4. da
proposição 16.
3. Se V = {0V } então dim V = 0 - porque o conjunto ∅ é base de V .
então ((1, 4, 2), (0, 2, 1), (0, 1, 0)) é uma base de R3 que estende o conjunto dado. Mas há
outras possibilidades. Por exemplo
((1, 4, 2), (0, 2, 1), (0, 0, 1)) , ((1, 4, 2), (0, 2, 1), (0, 1, 1))
são outras bases possı́veis.
b) Consideremos o conjunto gerador {(1, 1, 1), (1, 1, 0), (0, 0, 1), (1, 0, 1)} de R3 - verifique!
Sabemos que uma base de R3 tem sempre 3 vectores, então temos de excluir um destes
vectores. Vamos experimentar excluir o quarto vector. Ora
1 1 1
1 1 0 = 0,
0 0 1
logo não podemos excluir este vector. Tentemos retirar o terceiro
1 1 1
1 1 0 = −1 6= 0.
1 0 1
Portanto ((1, 1, 1), (1, 1, 0), (1, 0, 1)) é uma base de R3 que contém o conjunto gerador
dado. Outras bases possı́veis são:
((1, 1, 0), (0, 0, 1), (1, 0, 1)) , ((1, 1, 1), (0, 0, 1), (1, 0, 1))
- verifique!
21
Proposição 19. (Ver Proposição 4.7.18.) Seja V um espço vectorial sobre um corpo K com
dim V = n. Então:
1. Qualquer conjunto linearmente independente de vectores de V é um subconjunto de uma
base de V .
Exemplo 11. Em R3 consideremos os vectores v1 = (1, 1, 1), v2 = (α, −1, −α), v3 = (1, α, 1).
Vamos determinar α ∈ R de modo que (v1 , v2 , v3 ) é uma base de R3 . Usando a Proposição
19 é suficiente determinar α ∈ R de modo que {v1 , v2 , v3 } seja um conjunto linearmente
independente. Portanto:
V = hu1 , . . . , um i = U.
Sabemos pelo exemplo 11 que {(1, 1, 1), (2, −1, −2), (1, 2, 1)} é um conjunto linearmente inde-
pendente. Então ((1, 1, 1), (2, −1, −2), (1, 2, 1)) é uma base de F . Logo dim F = 3 = dim R3 .
Portanto F é um subespaço de R3 com igual dimensão. Pelo Corolário 20, F = R3 .
Alternativa: Podı́amos ter argumentado, equivalentemente, que ((1, 1, 1), (2, −1, −2), (1, 2, 1))
é uma base de R3 (provado no exemplo 11), logo R3 = h(1, 1, 1), (2, −1, −2), (1, 2, 1)i = F .
22
Matrizes e espaços vectoriais
Já observámos, várias vezes, que as matrizes são muito úteis no estudo dos espaços K n ,
pois podemos colocar os vectores, que são n-uplos formados por elementos de K, em linhas
ou colunas e estudar a caracterı́stica ou calcular determinantes (quando a matriz é quadrada)
- ver Proposições 11 e 12. Por outro lado, com a introdução dos conceitos de dependência,
independência linear e de base, vários conceitos sobre matrizes poderão agora ficar mais claros.
Seja A = [aij ] ∈ K n×m uma matriz (com n linhas e m colunas):
a11 a12 . . . a1m
a21 a22 . . . a2m
A = .. .. .. = [aij ]n×m .
. . .
an1 an2 . . . anm
Uma matriz em forma de escada é uma matriz cujas linhas satisfazem as duas condições
seguintes:
• se A′ tem uma linha nula, todas as linhas abaixo dessa linha também são nulas;
• se a′ij é o pivot da linha i (isto é o elemento não nulo mais à esquerda nessa linha) então
o pivot da linha abaixo estará numa coluna mais à direita da coluna j.
Exemplo 13.
0 2 0 −1 0 0 2 3 −2
1 2 3 3 0
0 0 4 1 1 −2 2 −1
0 4 5 , 0 , 0
0 0 0 −1 0 1 7 3
0 0 9 0 0 0 0 0 0 0 0 0 5
0 0 0 0 0 0 0 0 0
são matrizes em forma de escada. Os pivots são · .
Efectuando transformações elementares sobre as linhas de A podemos transformá-la numa
matriz A′ = [a′ij ] em forma de escada:
A −→ A′ − matriz em forma de escada
transf. nas linhas
- a demonstração desta afirmação faz-se por indução no número de linhas n. O processo que
transforma uma matriz A numa matriz A′ em forma de escada designa-se por condensação
da matriz A. As matrizes A e A′ dizem-se equivalentes (por linhas) e a matriz A pode ser
equivalente (por linhas) a várias matrizes em forma de escada.
0 0 0 −1 4
Exemplo 14. Seja A = 2 1 0 3 4 . Então
1 2 0 1 −2
1 2 0 1 −2 1 2 0 1 −2
A −→ 2 1 0 3 4 −→ 0 −3 0 1 8 = A′
L1 ↔L3 L2 −2L1
0 0 0 −1 4 0 0 0 −1 4
23
2 1 0 3 4 2 1 0 3 4 2 1 0 3 4
A −→ 0 0 0 −1 4 −→ 0 0 0 −1 4 −→ 0 3/2 0 −1/2 −4 = A′′
L1 ↔L2 L3 −1/2L1 L ↔L
1 2 0 1 −2 0 3/2 0 −1/2 −4 2 3 0 0 0 −1 4
As matrizes A′ e A′′ são exemplos de matrizes em forma de escada equivalentes por linhas à
matriz A. Mas há muitas mais, por exemplo, basta multiplicar cada linha, de A′ ou A′′ , por
um escalar que continuamos a obter matrizes em escada e equivalentes por linhas a A.
Proposição 21. Se A′ e A′′ são duas matrizes em forma de escada e equivalentes por linhas
a A então A′ e A′′ têm os pivots nas mesmas colunas e o mesmo número de linhas não nulas.
A −→ A′ , A −→ A′′ .
transf. nas linhas transf. nas linhas
Ora fazendo as transformações inversas em A′ às que fizémos de A para A′ vamos obter
obviamente A. Assim podemos efectuar transformações nas linhas de A′ de modo a obter A′′ :
A′ −→ A −→ A′′
transf. nas linhas transf. nas linhas
A′′ −→ A −→ A′ .
transf. nas linhas transf. nas linhas
Suponhamos, com vista a um absurdo, que a coluna k de A′ não tem pivot e que a coluna k
de A′′ tem um pivot. Ora se Ck′ = 0 então qualquer transformação que se faça nas linhas de A′
mantém a coluna k zero (pois multiplicam-se e/ou somam-se zeros), donde Ck′′ = 0 - contradiz
haver um pivot na coluna k de A′′ . Logo Ck′ 6= 0 e, portanto, podemos considerar nessa coluna
a entrada não nula ∗ que está na linha mais abaixo possı́vel (designemos essa linha por ℓ) e
à esquerda dessa entrada haverá um pivot ∗ :
∗
..
.
0 · · · 0 ∗ ··· ∗ · · · · · · linha ℓ
A′ =
0
..
.
0
col. j col. k
Como A′ está em forma de escada então nas linhas acima de ℓ existirão eventualmente outros
pivots em colunas mais à direita da coluna j (por definição de matriz em forma de escada).
Assim qualquer transformação que se faça nas linhas de A′ vamos sempre obter alguma entrada
não nula mais à esquerda da coluna k. Portanto em A′′ não poderá haver um pivot na coluna
k. Portanto provámos que se uma coluna k de A′ não tem pivot, a coluna k de A′′ também
não tem pivot. Por um raciocı́nio idêntico provávamos a mesma afirmação trocando A′ com
A′′ . Deste modo, A′ e A′′ têm os pivots nas mesmas colunas e, portanto, têm igual número
de pivots e consequentemente igual número de linhas não-nulas (pois estas são as que têm
pivots).
24
O número de linhas não-nulas (ou pivots) de qualquer matriz A′ em forma de escada que
seja equivalente por linhas a A, diz-se a caracterı́stica de A, e denota-se por rank A, isto é
número de linhas não-nulas de qualquer matriz
rank A =
em forma de escada equivalente por linhas a A
- rank é a palavra inglesa para caractarı́stica e rank A é a notação mais usada para este
conceito, embora por vezes também apareça nalguns livros c(A).
Observação 22.
1. Matrizes equivalentes por linhas têm igual caracterı́stica: se A −→ B então
transf. nas linhas
como B −→ B ′ (f. escada) então também A é equivalente por linhas a B ′ :
transf. nas linhas
A −→ B −→ B ′ (f. escada) .
transf. nas linhas transf. nas linhas
25
Espaço coluna de uma matriz:
Assim
R(A) = hC1 , C2 , . . . , Cm i = Ax : x ∈ K m×1 .
Dada uma matriz A particular podemos considerar o espaço gerado pelas suas colunas
R(A) e determinar directamente uma base e assim calcular a dimensão de R(A). No entanto,
o resultado seguinte permite-nos, sem calcular uma base, saber qual a dimensão de R(A).
26
Demonstração. 1. Temos, pela Observação 22, que as colunas que contêm pivots são lin-
earmente independentes. Logo
número de pivots de A′ ≤ número máximo de colunas lin. indep. de A′ = dim R(A′ ).
Por outro lado, se Ck′ é uma coluna de A′ que pertence a uma base de R(A′ ) então Ck′ tem
um pivot ou se não tem um pivot (como não pode ser uma coluna nula porque faz parte de
uma base) existe um pivot mais à esquerda da última entrada não nula na linha mais abaixo
possı́vel (ver a matriz da demonstração da Proposição 21). Portanto,
dim R(A′ ) = número de vectores de qualquer base ≤ número de pivots de A′ .
Da dupla desigualdade segue-se a igualdade.
2. Suponhamos que A −→ A′ . Sejam Ck1 , Ck2 , . . . , Ckt t colunas de R(A). Con-
transf. nas linhas
sideremos a submatriz de A formada só por estas colunas e designêmo-la por Ak1 ,k2 ,...,kt . Então
efectuando exactamente as mesmas transformações que efectuámos de A para A′ vamos obter
uma submatriz de A′ (com t colunas) que será equivalente por linhas a Ak1 ,k2 ,...,kt :
Ak1 ,k2 ,...,kt −→ A′k1 ,k2 ,...,kt .
iguais transf. nas linhas
Como temos
α1 0
α2 0
α1 Ck1 + α2 Ck2 + . . . + αt Ckt = 0 ⇐⇒ Ak1 ,k2 ,...,kt .. = .. .
. .
αt 0
então,
{Ck1 , Ck2 , . . . , Ckt } é linearmente ind. ⇐⇒ Ak1 ,k2 ,...,kt X = 0 é determinado
⇐⇒ A′k1 ,k2 ,...,kt X = 0 é determinado
⇐⇒ {Ck′ 1 , Ck′ 2 , . . . , Ck′ t } é linearmente ind.
Daqui segue-se que dim R(A) = dim R(A′ ).
3. Seja A′ uma matriz em forma de escada equivalente por linhas a A. Temos por 1 e 2
que
dim R(A) = dim R(A′ ) = número de pivots de A′ = rank A.
def.
Observação 24. De igual modo podemos considerar matrizes equivalentes por colunas a A
efectuando somente transformações elementares sobre as colunas de A e também podemos
considerar os espaço gerado pelas linhas de A, que usualmente se denota por L(A). Tem-se,
trivialmente, que:
1. dim L(A) = dim R(AT ), onde AT é a matriz transposta de A.
2. dim L(A′ ) = número de linhas não-nulas de A′ , se A está em forma de escada.
3. A −→ A′ ⇐⇒ AT −→ A′T .
transf. nas colunas transf. nas linhas
4. dim L(A) = dim R(AT ) = dim R(A′T ) = dim L(A′ ) = rank A , para qualquer A′ em forma
de escada e equivalente a A
27
1 2 1
Exemplo 15. Se A = , então dim R(A) = 2 = rank A (verifique!). Por outro
−3 0 1
lado,
x1
1 2 1
R(A) = Ax : x ∈ R3×1 = x2 : x1 , x2 , x3 ∈ R
−3 0 1
x3
x1 + 2x2 + x3 1 2 1 2 1
= : x1 , x2 , x3 ∈ R = , , = ,
−3x1 + x3 −3 0 1 0 1
pois
(1, −3) = 2(2, 0) − 3(1, 1).
1 2 1
Exemplo 16. Se A = , então
−3 0 1
x1
1 2 1 0 x1 + 2x2 + x3 0
Ax = 0 ⇔ x2 = ⇔ = .
−3 0 1 0 −3x1 + x3 0
x3
Ora ( (
x1 + 2x2 + x3 = 0 x2 = 2x1
⇔
−3x1 + x3 = 0 x3 = 3x1
e, portanto,
x1
ker A = {x ∈ R3×1 : Ax = 0} = 2x1 : x1 ∈ R
3x1
* +
1 1
= 2 x1 : x1 ∈ R = 2 = h(1, 2, 3)i.
3 3
Neste caso,
dim ker A = 1 = 3 − rank A.
28
Mudança de base:
v = α1 v1 + α2 v2 + · · · + αn vn .
Por outro lado, dada outra base, B′ = (u1 , . . . , un ) de V existem também escalares únicos
β1 , . . . , βn ∈ K tais que
v = β1 u1 + β2 u2 + · · · + βn un .
Uma pergunta natural a fazer-se é: que relação existe entre estes escalares? Novamente as
matrizes vão ter um papel importante ne resposta a esta questão.
Exemplo 17. Consideremos em R3 duas bases
B = (v1 , v2 , v3 ) , B′ = (u1 , u2 , u3 ),
onde
u1 = −v1 + v2 + v3 , u2 = v1 − v2 , u3 = v1 − v3 .
Consideremos o vector v = v1 + 2v2 + 3v3 . Na base B as suas coordenadas são (1, 2, 3) por
esta ordem. Vamos, agora, determinar as coordenadas de v na base B′ :
v1 + 2v2 + 3v3 = β1 u1 + β2 u2 + β3 u3
= β1 (−v1 + v2 + v3 ) + β2 (v1 − v2 ) + β3 (v1 − v3 )
= (−β1 + β2 + β3 )v1 + (β1 − β2 )v2 + (β1 − β3 )v3 .
Sabemos que cada vector escreve-se de modo único como combinação linear dos vectores de
uma base logo, por unicidade, terá de ser
−β1 + β2 + β3 = 1
−1 1 1 β1 1 β1 1
β1 − β2 = 2 ⇐⇒ 1 −1 0 β2 = 2 = S β2 = 2 .
matricialmente
β1 − β3 = 3 1 0 −1 β3 3 β3 3
Repare-se que as colunas da matriz S são as coordenadas dos vectores da base B′ em relação
à base B:
u1 = (−1)v1 + (−1)v2 + 1v3
−1 1 1
u2 = 1v1 + (−1)v2 + 0v3 e S = 1 −1 0 .
u3 = 1v1 + 0v2 + (−1)v3 1 0 −1
29
No caso geral procede-se de igual modo. Dadas duas bases para um espaço vectorial, e
conhecendo uma relação entre os seus vectores, podemos “passar de uma base para outra”
através da matriz cujas colunas são formadas pelas coordenadas dos vectores duma das base
em relação à outra base:
Proposição 26. (Ver Proposição 4.8.2) Sejam B = (v1 , . . . , vn ) e B′ = (u1 , . . . , un ) duas bases
de um espaço V sobre um corpo K e seja v ∈ V . Se (α1 , . . . , αn ) é a sequência das coordenadas
de v na base B, isto é, v = α1 v1 + α2 v2 + · · · + αn vn ≡ (α1 , . . . , αn ) então a sequência das
coordenada de v na base B′ é (β1 , . . . , βn ) com
β1 α1
β2 α2
matriz cujas colunas são as coordenadas
.. = S −1 .. e S =
. . dos vectores de B′ escritos na base B
βn αn
30
informam que:
2 0 1 1
firme!) e, assim
Portanto conhecida uma das bases e conhecida uma das matrizes mudança de base conhecemos
a outra base. Por exemplo, se B′ é a base canónica de R4 então:
B = ((1, −2, −1, 2), (0, −1, −1, 0), (1, −1, 0, 1), (0, −2, −1, 1)).
v1 v2 v3 v4
31