Você está na página 1de 19

Disciplina: Álgebra Linear I

Professor: Ítalo Natan Oliveira de Araújo

Espaços vetoriais e transformações lineares

Sumário
1. Espaços vetoriais ............................................................................. 1
2. Subespaço........................................................................................ 4
3. Combinação Linear ......................................................................... 8
4. Dependência e independência linear ................................................ 9
5. Espaços vetoriais finitamente gerados ............................................ 10
6. Base de um espaço vetorial ............................................................ 10
7. Dimensão de um espaço vetorial .................................................... 12
8. Coordenadas de vetor..................................................................... 13
9. Exercícios ....................................................................................... 14
10. Noções sobre aplicações .................................................................. 15
11. Transformações Lineares ................................................................ 15
11.1 Propriedades das transformações lineares .................................... 16
12. Núcleo e Imagem ............................................................................ 17

1. Espaços vetoriais
Vamos introduzir o conceito de espaço vetorial. Os espaços vetoriais
constituem os objetos de estudo da Álgebra Linear.

Definição 1. Um espaço vetorial real é um conjunto 𝑉 ≠ ∅ com duas operações:


+
Som a: 𝑉 × 𝑉 → 𝑉

(isso quer dizer que a soma de dois elementos de V está em V )



e M ultiplicação por escalar : ℝ × 𝑉 → 𝑉

(isso quer dizer que a multiplicação de um elemento de V por um escalar


está em V)

tais que para quaisquer 𝑢, 𝑣, 𝑤 ∈ 𝑉 𝑎, 𝑏 ∈ ℝ as propriedades abaixo sejam


satisfeitas:

Departamento de matemática 1
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

i) (𝑢 + 𝑣) + 𝑤 = 𝑢 + (𝑣 + 𝑤) (associatividade da soma)
ii) 𝑢+𝑣=𝑣+𝑢 (comutatividade da soma)
iii) Existe 0 ∈ 𝑉 tal que 𝑢 + 0 = 𝑢 (elemento neutro da soma)
iv) Existe −𝑢 ∈ 𝑉 tal que 𝑢 + (−𝑢) = 0 (existência do oposto)
v) 𝑎(𝑢 + 𝑣) = 𝑎𝑢 + 𝑎𝑣 (distributividade)
vi) (𝑎 + 𝑏)𝑣 = 𝑎𝑣 + 𝑏𝑣
vii) (𝑎𝑏)𝑣 = 𝑎(𝑏𝑣) (associatividade da multiplicação)
viii) 1𝑢 = 𝑢 (elemento neutro da multiplicação)

Exemplo 1: O espaço vetorial ℝ


Sabe-se dos fundamentos elementares da matemática, que a adição e a
multiplicação de números reais são números reais e que essas operações verificam
as propriedades i) a viii). Logo ℝ é um espaço vetorial sobre ℝ
Exemplo 2: O espaço vetorial ℝ𝑛
Em geral o conjunto 𝑉 = ℝ𝑛 = {(𝑥1 , 𝑥2 , … , 𝑥𝑛 ); 𝑥𝑖 ∈ ℝ} é um espaço vetorial
sobre ℝ, pois:
Dados quaisquer 𝑢 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) 𝑒 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) ∈ ℝ𝑛 , temos que:

𝑢 + 𝑣 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) + (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) = (𝑢1 + 𝑣1 , 𝑢2 + 𝑣2 , … , 𝑢𝑛 + 𝑣𝑛 )

Ou seja, a soma 𝑢 + 𝑣 está em ℝ𝑛


Seja 𝑎 ∈ ℝ, temos ainda que:
𝑎𝑢 = 𝑎(𝑢1 , 𝑢2 , … , 𝑢𝑛 ) = (𝑎𝑢1 , 𝑎𝑢2 , … , 𝑎𝑢𝑛 )
Ou seja, a multiplicação por um escalar 𝑎𝑢 está em ℝ𝑛
Agora basta verificar as oito propriedades:
Dado quaisquer 𝑢 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ), 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) 𝑒 𝑤 =
(𝑤1 , 𝑤2 , … , 𝑤𝑛 ) ∈ ℝ𝑛 e 𝑎, 𝑏 ∈ ℝ verificamos que:

i) (𝑢 + 𝑣) + 𝑤 = ((𝑢1 , 𝑢2 , … , 𝑢𝑛 ) + (𝑣1 , 𝑣2 , … , 𝑣𝑛 )) + (𝑤1 , 𝑤2 , … , 𝑤𝑛 ) =


(𝑢1 + 𝑣1 , 𝑢2 + 𝑣2 , … , 𝑢𝑛 + 𝑣𝑛 ) + (𝑤1 , 𝑤2 , … , 𝑤𝑛 ) = (𝑢1 + 𝑣1 + 𝑤1 , 𝑢2 +
𝑣2 + 𝑤2 , … , 𝑢𝑛 + 𝑣𝑛 + 𝑤𝑛 ) = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) + (𝑣1 + 𝑤1 , 𝑣2 + 𝑤2 , … , 𝑣𝑛 +
𝑤𝑛 ) = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) + ((𝑣1 , 𝑣2 , … , 𝑣𝑛 ) + (𝑤1 , 𝑤2 , … , 𝑤𝑛 )) = 𝑢 + (𝑣 + 𝑤)

ii) 𝑢 + 𝑣 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) + (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) = (𝑢1 + 𝑣1 , 𝑢2 + 𝑣2 , … , 𝑢𝑛 +


𝑣𝑛 ) = (𝑣1 + 𝑢1 , 𝑣2 + 𝑢2 , … , 𝑣𝑛 + 𝑢𝑛 ) = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) + (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) =
𝑣+𝑢

iii) Sendo 0 = (0,0, … ,0) temos que: 𝑢 + 0 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) + (0,0, … ,0) =


(𝑢1 + 0, 𝑢2 + 0, … , 𝑢𝑛 + 0) = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) = 𝑢

Departamento de matemática 2
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

iv) Se 𝑢 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) então −𝑢 = (−𝑢1 , − 𝑢2 , … , −𝑢𝑛 ), logo: 𝑢 +


(−𝑢) = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) + (−𝑢1 , − 𝑢2 , … , −𝑢𝑛 ) = (𝑢1 − 𝑢1 , 𝑢2 −
𝑢2 , … , 𝑢𝑛 − 𝑢𝑛 ) = (0,0, … ,0)

v) 𝑎(𝑢 + 𝑣) = 𝑎((𝑢1 , 𝑢2 , … , 𝑢𝑛 ) + (𝑣1 , 𝑣2 , … , 𝑣𝑛 )) = 𝑎(𝑢1 + 𝑣1 , 𝑢2 +


𝑣2 , … , 𝑢𝑛 + 𝑣𝑛 ) = (𝑎(𝑢1 + 𝑣1 ) , 𝑎( 𝑢2 + 𝑣2 ), … , 𝑎(𝑢𝑛 + 𝑣𝑛 ) ) =
(𝑎𝑢1 + 𝑎𝑣1 , 𝑎𝑢2 + 𝑎𝑣2 , … , 𝑎𝑢𝑛 + 𝑎𝑣𝑛 ) = (𝑎𝑢1 , 𝑎𝑢2 , … , 𝑎𝑢𝑛 ) +
(𝑎𝑣1 , 𝑎𝑣2 , … , 𝑎𝑣𝑛 ) = 𝑎 (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) + 𝑎(𝑣1 , 𝑣2 , … , 𝑣𝑛 ) = 𝑎𝑢 + 𝑎𝑣

vi) (𝑎 + 𝑏)𝑣 = (𝑎 + 𝑏)(𝑣1 , 𝑣2 , … , 𝑣𝑛 ) = ((𝑎 + 𝑏)𝑣1 , (𝑎 + 𝑏)𝑣2 , … , (𝑎 +


𝑏)𝑣𝑛 ) = (𝑎𝑣1 + 𝑏𝑣1 , 𝑎𝑣2 + 𝑏𝑣2 , … , 𝑎𝑣𝑛 + 𝑏𝑣𝑛 ) = (𝑎𝑣1 , 𝑎𝑣2 , … , 𝑎𝑣𝑛 ) +
(𝑏𝑣1 , 𝑏𝑣2 , … , 𝑏𝑣𝑛 ) = 𝑎(𝑣1 , 𝑣2 , … , 𝑣𝑛 ) + 𝑏(𝑣1 , 𝑣2 , … , 𝑣𝑛 ) = 𝑎𝑣 + 𝑏𝑣

vii) (𝑎𝑏)𝑣 = (𝑎𝑏)(𝑣1 , 𝑣2 , … , 𝑣𝑛 ) = ((𝑎𝑏)𝑣1 , (𝑎𝑏)𝑣2 , … , (𝑎𝑏)𝑣𝑛 ) =


(𝑎(𝑏𝑣1 ), 𝑎(𝑏𝑣2 ), … , 𝑎(𝑏𝑣𝑛 )) = 𝑎(𝑏𝑣1 , 𝑏𝑣2 , … , 𝑏𝑣𝑛 ) =
𝑎(𝑏 (𝑣1 , 𝑣2 , … , 𝑣𝑛 )) = 𝑎(𝑏𝑣)
viii) 1𝑢 = 1(𝑢1 , 𝑢2 , … , 𝑢𝑛 ) = (1𝑢1 , 1 𝑢2 , … , 1𝑢𝑛 ) = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) = 𝑢

Está provado que ℝ𝑛 é um espaço vetorial sobre ℝ.


Considera-se o ℝ𝑛 o espaço vetorial mais importante!
Exemplo 3: 𝑉 = 𝑀(𝑚, 𝑛), o conjunto das matrizes reais 𝑚 × 𝑛 com a soma
e produto por escalar usuais.
𝑎11 𝑎12 … 𝑎1𝑛 𝑏11 𝑏12 … 𝑏1𝑛
𝑎21 𝑎22 … 𝑎2𝑛 𝑏21 𝑏22 … 𝑏2𝑛
𝐴=[ ⋮ ⋮ ⋱ ⋮ ]e 𝐵=[ ⋮ ⋮ ⋱ ⋮
]
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 𝑏𝑚1 𝑏𝑚2 … 𝑏𝑚𝑛
Verificamos que :
𝑎11 + 𝑏11 𝑎12 + 𝑏12 … 𝑎1𝑛 + 𝑏1𝑛
𝑎 + 𝑏21 𝑎22 + 𝑏22 … 𝑎2𝑛 + 𝑏2𝑛
𝐴 + 𝐵 = [ 21 ⋱ ]
⋮ ⋮ ⋮
𝑎𝑚1 + 𝑏𝑚1 𝑎𝑚2 + 𝑏𝑚2 … 𝑎𝑚𝑛 + 𝑏𝑚𝑛

Ou seja, a soma A+B está em 𝑀(𝑚, 𝑛)


Seja 𝑘 ∈ ℝ, temos que:
𝑘𝑎11 𝑘𝑎12 … 𝑘𝑎1𝑛
𝑘𝑎21 𝑘𝑎22 … 𝑘𝑎2𝑛
𝑘𝐴 = [ ⋱ ]
⋮ ⋮ ⋮
𝑘𝑎𝑚1 𝑘𝑎𝑚2 … 𝑘𝑎
𝑚𝑛

Ou seja, o produto por um escalar 𝑘𝐴 está em 𝑀(𝑚, 𝑛). De modo análogo


ao feito para o ℝ𝑛 podemos verificar as oito propriedades, logo 𝑀(𝑚, 𝑛) é um
espaço vetorial sobre ℝ.
Exemplo 4: 𝑉 = 𝑃𝑛 , o conjunto dos polinômios com coeficientes reais, de grau
menor ou igual a 𝑛 (incluindo o zero). As operações são soma de polinômios e
multiplicação destes por números reais.

Departamento de matemática 3
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Da matemática elementar percebemos que:


a) f(𝑡), g(𝑡) ∈ 𝑃𝑛 (ℝ) ⟹f(𝑡) +g(𝑡) ∈ 𝑃𝑛 (ℝ) , ou seja, a soma de polinômios
está em 𝑃𝑛 (ℝ)
b) 𝑎 ∈ ℝ, f(𝑡) ∈ 𝑃𝑛 (ℝ) ⟹ 𝑎f(𝑡) ∈ 𝑃𝑛 (ℝ), ou seja, a multiplicação de
polinômios por um escalar está em 𝑃𝑛 (ℝ).
Daí, lembrando as propriedades das operações com polinômios, concluirá
que 𝑃𝑛 (ℝ) é um espaço vetorial sobre ℝ.

Nota: Na teoria dos espações vetoriais é comum dizer que os elementos de um


espaço vetorial qualquer são chamados de vetores, o elemento neutro da adição
de vetor nulo desse espaço e os elementos de ℝ (ou ℂ) de escalares.
Às vezes, é necessário detectar, dentro de um espaço vetorial V,
subconjuntos W que sejam eles próprios espaços vetoriais “menores”. Tais
conjuntos serão chamados de subespaços de V. Isso acontece por exemplo, em
𝑉 = ℝ², o plano, onde W é uma reta deste plano, que passa pela origem.

Veja que a reta W funciona sozinha como espaço vetorial pois, ao somarmos
dois vetores de W, obtemos um outro vetor em W. Da mesma forma se
multiplicarmos um vetor de W por um número, o vetor resultante ainda estará
em W.

Dizemos que o conjunto W é fechado em relação a soma de vetores e a


multiplicação destes por escalar. Estas são as condições exigidas para que um
subconjunto W de um espaço vetorial V seja um subespaço.

2. Subespaço
Definição 2. Dado um espaço vetorial V, um subconjunto 𝑊 ≠ ∅, será um
subespaço vetorial de V se:

Departamento de matemática 4
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

i) 𝑜 ∈ 𝑊; (𝑜 = vetor nulo )
ii) Para quaisquer 𝑢, 𝑣 ∈ 𝑊 tivermos 𝑢 + 𝑣 ∈ 𝑊
iii) Para quaisquer 𝑎 ∈ ℝ, 𝑢 ∈ 𝑊 tivermos 𝑎𝑢 ∈ 𝑊

Podemos fazer três observações:


a) As condições acima garantem que ao operarmos em W (soma e
multiplicação por escalar) não obteremos um vetor fora de W. Além
disso, não precisamos verificar as oito propriedades da definição 1, pois
elas já são válidas em V, que por sua vez contém W.
b) Qualquer subespaço W de V precisa necessariamente conter o vetor
nulo (por causa da condição (ii) quando 𝑎 = 0)
c) Todo espaço vetorial admite pelo menos dois subespaços (chamados
subespaços triviais), o conjunto formado somente pelo vetor nulo
(verifique i) e ii)) e o próprio espaço vetorial (todo conjunto é
subconjunto dele mesmo).
Exemplo 1: 𝑉 = ℝ³ e 𝑊 ⊂ 𝑉, um plano passando pela origem.

W
W

Observe que os únicos subespaços de ℝ³, são a origem, as retas e planos


que passam pela origem e o próprio ℝ3 .

Exemplo 2: 𝑉 = ℝ5 e 𝑊 = {(0, 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ); 𝑥𝑖 ∈ ℝ}
Isto é, W é o conjunto dos vetores de ℝ5 , cuja primeira coordenada é nula.
Verificamos as condições i) e ii).

i) 𝑢 = (0, 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ), 𝑣 = (0, 𝑦2 , 𝑦3 , 𝑦4 , 𝑦5 ) ∈ 𝑊
Então 𝑢 + 𝑣 = (0, 𝑥2 + 𝑦2 , 𝑥3 + 𝑦3 , 𝑥4 + 𝑦4 , 𝑥5 + 𝑦5 ), que ainda pertence a
W, pois, a primeira coordenada é nula.

ii) 𝑘𝑢 = (0, 𝑘𝑥2 , 𝑘𝑥3 , 𝑘𝑥4 , 𝑘𝑥5 ) ∈ 𝑊, pois a primeira coordenada é nula
para todo 𝑘 ∈ ℝ.
Portanto, W é um subespaço vetorial de ℝ5

Exemplo 3: 𝑉 = 𝑀(𝑛, 𝑛) e W é o subconjunto das matrizes triangulares


superiores. Verifiquemos se W é um subespaço de V.

Departamento de matemática 5
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

i) Dadas quaiquer matrizes triangulares superiores:


𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑏11 𝑏12 𝑏13 … 𝑏1𝑛
0 𝑎22 𝑎23 … 𝑎2𝑛 0 𝑏22 𝑏23 … 𝑏2𝑛
𝐴= 0 0 𝑎33 … 𝑎 3𝑛 e 𝐵 = 0 0 𝑏33 … 𝑏3𝑛 ∈ 𝑉
⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮

[ 0 0 0 … 𝑎 ] [ 0 0 … 𝑏 ]
𝑛𝑛 0 𝑛𝑛
Temos que:
𝑎11 + 𝑏11 𝑎12 + 𝑏12 𝑎13 + 𝑏13 … 𝑎1𝑛 + 𝑏1𝑛
0 𝑎22 + 𝑏22 𝑎23 + 𝑏23 … 𝑎2𝑛 + 𝑏2𝑛
𝐴+𝐵 = 0 0 𝑎33 + 𝑏33 … 𝑎3𝑛 + 𝑏3𝑛
⋮ ⋮ ⋮ ⋱ ⋮
[ 0 0 0 … 𝑎𝑛𝑛 + 𝑏𝑛𝑛 ]
Que continua sendo uma matriz triangular superior.

𝑘𝑎11 𝑘𝑎12 𝑘𝑎13 … 𝑘𝑎1𝑛


0 𝑘𝑎22 𝑘𝑎23 … 𝑘𝑎2𝑛
ii) 𝑘𝐴 = 0 0 𝑘𝑎33 … 𝑘𝑎3𝑛 ∈ 𝑊 para todo 𝑘 ∈ ℝ
⋮ ⋮ ⋮ ⋱ ⋮
[ 0 0 0 … 𝑘𝑎𝑛𝑛 ]
Observe que se 𝑘 = 0, ainda teremos uma matriz triangular superior, ou seja,
W contém o vetor nulo
0 0 0 … 0
0 0 0 … 0
0 0 0 … 0
⋮ ⋮ ⋮ ⋱ ⋮
[0 0 0 … 0]
Logo W é um subespaço de V.

Exemplo 4: 𝑊 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 : 𝑥 + 𝑦 = 0} é um subespaço de ℝ3 ,

i) Se 𝑢 = (𝑥1 , 𝑦1 , 𝑧1 ) 𝑒 𝑣 = (𝑥2 , 𝑦2 , 𝑧2 ) estão em W, então 𝑥1 + 𝑦1 =


𝑥2 + 𝑦2 = 0.
𝑢 + 𝑣 = (𝑥1 , 𝑦1 , 𝑧1 ) + (𝑥2 , 𝑦2 , 𝑧2 ) = (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 , 𝑧1 + 𝑧2 )
Para que 𝑢 + 𝑣 esteja em W é necessário que a soma das duas primeras
coordenadas seja igual a 0, e isso é verdade, pois:
(𝑥1 + 𝑥2 ) + (𝑦1 + 𝑦2 ) = (𝑥1 + 𝑦1 ) + (𝑥2 + 𝑦2 ) = 0 + 0 = 0

ii) Se 𝑢 = (𝑥1 , 𝑦1 , 𝑧1 ) está em W, então 𝑥1 + 𝑦1 = 0, logo, 𝑘𝑢 =


𝑘(𝑥1 , 𝑦1 , 𝑧1 ) = (𝑘𝑥1 , 𝑘𝑦1 , 𝑘𝑧1 ) ∈ W para todo 𝑘 ∈ ℝ, pois, 𝑘𝑥1 +
𝑘𝑦1 = 𝑘(𝑥1 + 𝑦1 ) = 𝑘 ∗ 0 = 0

Teorema 1. (Intersecção de subespaços)


Dados 𝑊1 𝑒 𝑊2 subespaços de um espaço vetorial V, a intersecção 𝑊1 ∩
𝑊2 ainda é um subespaço de V.

Departamento de matemática 6
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Demonstração: Observamos que 𝑊1 ∩ 𝑊2 nunca é vazia, pois, como


𝑊1 𝑒 𝑊2 são subespaços, eles possuem o vetor nulo. Agora, iremos verificar as
duas condições:
i) Dados 𝑥, 𝑦 ∈ 𝑊1 ∩ 𝑊2 , por definição de intersecção de conjuntos,
temos que 𝑥 𝑒 𝑦 ∈ 𝑊1 e também pertencem a 𝑊2 . Mais uma vez,
como 𝑊1 𝑒 𝑊2 são subespaços, então 𝑥 + 𝑦 ∈ 𝑊1 e 𝑥 + 𝑦 ∈ 𝑊2 .
Logo 𝑥 + 𝑦 ∈ 𝑊1 ∩ 𝑊2 .

ii) Dados 𝑥 ∈ 𝑊1 ∩ 𝑊2 e 𝑘 ∈ ℝ , tem-se que 𝑘𝑥 ∈ 𝑊1 e 𝑘𝑥 ∈ 𝑊2 , pois,


como 𝑊1 𝑒 𝑊2 são subespaços, eles comprem a condição ii). Logo
𝑘𝑥 ∈ 𝑊1 ∩ 𝑊2 .
Está provado que 𝑊1 ∩ 𝑊2 também é um subespaço de V.

Exemplo 1: 𝑉 = ℝ³
𝑊1 ∩ 𝑊2 é a reta de intersecção dos planos 𝑊1 e 𝑊2 .

W
W
𝑊1
𝑊2

𝑊1 ∩ 𝑊2

Teorema 2. (Soma de subespaços)


Sejam 𝑊1 𝑒 𝑊2 subespaços de um espaço vetorial V. Então o conjunto:

𝑊1 + 𝑊2 = {𝑣 ∈ 𝑉: 𝑣 = 𝑥1 + 𝑥2 , 𝑥1 ∈ 𝑊1 𝑒 𝑥2 ∈ 𝑊2 }
É um subespaço de V.
Demonstração:
i) Sejam 𝑢 = 𝑥1 + 𝑥2 , 𝑣 = 𝑦1 + 𝑦2 ∈ (𝑊1 + 𝑊2 ), então:

𝑥1 , 𝑦1 ∈ 𝑊1 𝑒 𝑥2 , 𝑦2 ∈ 𝑊2

logo 𝑢 + 𝑣 = (𝑥1 + 𝑥2 ) + (𝑦1 + 𝑦2 ) = (𝑥1 + 𝑦1 ) + (𝑥2 + 𝑦2 ) ∈ (𝑊1 + 𝑊2 ) ,


pois, como 𝑊1 𝑒 𝑊2 são subespaços, ele cumprem a primeira condição da
definição 2, ou seja (𝑥1 + 𝑦1 ) ∈ 𝑊1 (𝑥2 + 𝑦2 ) ∈ 𝑊2 .

ii) Dados 𝑣 ∈ (𝑊1 + 𝑊2 ) e 𝑘 ∈ ℝ temos que, 𝑘𝑣 = 𝑘𝑥1 + 𝑘𝑥2 ∈


(𝑊1 + 𝑊2 ), pois, como 𝑊1 𝑒 𝑊2 são subespaços, ele cumprem a
segunda condição da definição 2, ou seja, 𝑘𝑥1 ∈ 𝑊1 e 𝑘𝑥2 ∈ 𝑊2

Departamento de matemática 7
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Exemplo 2: 𝑉 = ℝ³, 𝑊1 𝑒 𝑊2 são retas que passam pela origem. Então 𝑊 =


𝑊1 + 𝑊2 é o plano que contém as duas retas.

𝑊1 + 𝑊2

𝑊2
𝑊1

3. Combinação Linear
Uma das mais importantes características de um espaço vetorial é a
obtenção de novos vetores a partir de vetores dados.

Definição 3. Sejam V um espaço vetorial real (ou complexo), 𝑢1 , 𝑢2 , … , 𝑢𝑛 ∈ 𝑉


e 𝛼1 , 𝛼2 , … , 𝛼𝑛 números reais (ou complexos). Então, o vetor

𝑣 = 𝛼1 𝑢1 + 𝛼2 𝑢2 + ⋯ + 𝛼𝑛 𝑢𝑛

É um elemento de V ao que chamamos de combinação linear de 𝑢1 , 𝑢2 , … , 𝑢𝑛 .

Seja V um espaço vetorial sobre ℝ. Tomemos um subconjunto 𝑆 =


{𝑢1 , 𝑢2 , … , 𝑢𝑛 } ⊂ 𝑉. Indiquemos por [𝑆] o seguinte subconjunto de V construído a
partir de S:

[𝑆] = {𝛼1 𝑢1 + 𝛼2 𝑢2 + ⋯ + 𝛼𝑛 𝑢𝑛 ∶ 𝛼1 , 𝛼2 , … , 𝛼𝑛 ∈ ℝ}

É fácil ver que [𝑆] é um subespaço vetorial de V. De fato:

i) Como 𝑜 = 0𝑢1 + 0𝑢2 + ⋯ + 0𝑢𝑛 , então 𝑜 ∈ [𝑆]

ii) Se 𝑣 = 𝛼1 𝑢1 + 𝛼2 𝑢2 + ⋯ + 𝛼𝑛 𝑢𝑛 e 𝑤 = 𝛽1 𝑢1 + 𝛽2 𝑢2 + ⋯ + 𝛽𝑛 𝑢𝑛
pertencem a [𝑆], então

𝑣 + 𝑤 = (𝛼1 +𝛽1 )𝑢1 + (𝛼2 + 𝛽2 )𝑢2 + ⋯ + (𝛼𝑛 +𝛽𝑛 )𝑢𝑛

Também é um elemento de S.

Nota: Cada elemento de [𝑆] é uma combinação linear de S. Ao invés de [S]


costuma-se escrever: [𝑢1 , 𝑢2 , … , 𝑢𝑛 ]

Uma outra caracterização de subespaço gerado é a seguinte:

𝑊 = [𝑢1 , 𝑢2 , … , 𝑢𝑛 ] é o menor subespaço de V que contém o conjunto de


vetores {𝑢1 , 𝑢2 , … , 𝑢𝑛 }, ou seja, qualquer outro subespaço de 𝑊 ′ de V que contenha
{𝑢1 , 𝑢2 , … , 𝑢𝑛 } satisfará 𝑊 ′ ⊃ 𝑊

Departamento de matemática 8
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Exemplo 1: 𝑉 = ℝ³, 𝑢 ∈ 𝑉, 𝑢 ≠ 0.

Então [𝑢] = {𝑎𝑢: 𝑎 ∈ ℝ}, isto é, [𝑢] é a reta que contém o vetor 𝑢.

[𝑣]

Exemplo 2: 𝑉 = ℝ², 𝑣1 = (1,0), 𝑣2 = (0,1). Logo 𝑉 = [𝑣1 , 𝑣2 ] pois, dado


qualquer 𝑣 = (𝑥, 𝑦) ∈ 𝑉, temos (𝑥, 𝑦) = 𝑥 (1,0) + 𝑦(0,1), ou seja 𝑣 = 𝑥𝑣1 + 𝑦𝑣2 .
Isso quer dizer que qualquer 𝑣 ∈ 𝑉 pode ser escrito como uma combinação
linear de 𝑣1 𝑒 𝑣2 .

Exemplo 3:
1 0 0 1
𝑣1 = [ ], 𝑣2 = [ ]
0 0 0 0
1 0 0 1
Então [𝑣1 , 𝑣2 ] = {𝑎𝑣1 + 𝑏𝑣2 : 𝑎, 𝑏 ∈ ℝ } = {𝑎 [ ]+ 𝑏[ ] : 𝑎, 𝑏 ∈ ℝ } =
0 0 0 0

{[𝑎 𝑏]
: 𝑎, 𝑏 ∈ ℝ }
0 0
4. Dependência e independência linear
Em álgebra linear, é fundamental sabermos se um vetor é uma combinação
linear de outros. Ou seja, dados os vetores 𝑣1 , 𝑣2 , … , 𝑣𝑛 queremos saber se não
existem vetores “supérfluos”, isto é, se algum desses vetores não é uma
combinação linear dos outros. Para chegarmos em uma conclusão, precisamos
começar definindo dependência e independência linear.

Definição 4. Sejam 𝑉 um espaço vetorial e 𝑣1 , 𝑣2 , … , 𝑣𝑛 ∈ 𝑉 . Dizemos que


o conjunto {𝑣1 , 𝑣2 , … 𝑣𝑛 } é linearmente independente (LI), ou que os vetores
𝑣1 , 𝑣2 , … , 𝑣𝑛 são LI, se

𝑎1 𝑣1 + 𝑎2 𝑣2 + ⋯ + 𝑎𝑛 𝑣𝑛 = 0 ⟹ 𝑎1 = 𝑎2 = ⋯ = 𝑎𝑛 = 0

No caso em que exista algum 𝑎𝑖 ≠ 0 dizemos que {𝑣1 , 𝑣2 , … 𝑣𝑛 } é


linearmente dependente (LD), ou que os vetores 𝑣1 , 𝑣2 , … , 𝑣𝑛 são LD.

Exemplo 1: 𝑉 = ℝ², 𝑣1 = (1,0) e 𝑣2 = (0,1). 𝑣1 𝑒 𝑣2 são LI pois

𝑎1 𝑣1 + 𝑎2 𝑣2 = 0

𝑎1 (1,0) + 𝑎2 (0,1) = 0

Departamento de matemática 9
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

(𝑎1 , 0) + (0, 𝑎2 ) = (0,0)

(𝑎1 , 𝑎2 ) = (0,0)

𝑎1 = 0 𝑒 𝑎2 = 0

Exemplo 2: O conjunto 𝐿 = {(1, 1, 0, 0); (0,2,1,0); (0,0,0,3)} ⊂ ℝ4 é LI pois:

𝑥(1, 1, 0, 0) + 𝑦(0,2,1,0) + 𝑧(0,0,0,3) = (0, 0, 0, 0) =


(𝑥, 𝑥 + 2𝑦, 𝑦, 3𝑧) = (0, 0, 0, 0) ⟹
𝑥=0
𝑥 + 2𝑦 = 0
{ ⟹𝑥=𝑦=𝑧=0
𝑦=0
3𝑧 = 0
Exemplo 3: 𝑉 = ℝ² e o conjunto 𝐿 = {(1, −1), (1,0), (1,1)} é LD, pois:
1 1
(1, −1) − 1(1,0) + (1,1) = (0,0)
2 2
Exemplo 4: O conjunto 𝐿 = {(1, 1, 0, 0); (0,1,0,0); (2,1,0,0)} ⊂ ℝ4 é LD pois:

𝑥(1, 1, 0, 0) + 𝑦(0,1,0,0) + 𝑧(2,1,0,0) = (0, 0, 0, 0) =


( 𝑥 + 2𝑦, 𝑥 + 𝑦 + 𝑧, 0,0) = (0, 0, 0, 0) ⟹
𝑥 + 2𝑧 = 0 𝑥 + 2𝑧 = 0
{ ⟹{
𝑥+𝑦+𝑧 =0 𝑦−𝑧=0
Sendo indeterminado o sistema obtido, então há outras soluções, além da
trivial, para a igualdade condicional de que partimos.

Nota: Convencionaremos que o conjunto vazio (∅ ⊂ 𝑉) é LI. Como para


um subconjunto 𝐿 ⊂ 𝑉 deve valer uma, e uma só, das duas definições anteriores e
a segunda desta pressupõe elementos em L, fica justificada essa convenção.

5. Espaços vetoriais finitamente gerados


Definição 5. Dizemos que um espaço vetorial V é finitamente gerado se existe
𝑆 ⊂ 𝑉, S finito, de maneira que 𝑉 = [𝑆]

Nessa disciplina só estudaremos os espaços vetoriais que possam ser gerados


por um número finito dos seus vetores.

Exemplo 1: 𝑉 = ℝ3 , é gerado por um número finito de vetores


{(1,0,0), (0,1,0), (0,0,1)}, logo é um espaço finitamente gerado.

6. Base de um espaço vetorial

Departamento de matemática 10
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Agora, estamos interessados em encontrar, dentro de um espaço vetorial


V, um conjunto finito de vetores, tais que quaisquer outro vetor de V, seja uma
combinação linear deles. Em outras palavras, queremos determinar um conjunto
de vetores que gere V de tal modo que todos os elementos sejam realmente
necessários para gerar V. Esse conjunto chamaremos de base de V.

Definição 6. Um conjunto {𝑣1 , 𝑣2 , … , 𝑣𝑛 } de vetores de V será uma base de V


se:

i) {𝑣1 , 𝑣2 , … , 𝑣𝑛 } é LI

ii) [𝑣1 , 𝑣2 , … , 𝑣𝑛 ] = 𝑉

Exemplo 1: 𝑉 = ℝ², 𝑣1 = (1,0) e 𝑣2 = (0,1)

O conjunto {𝑣1 , 𝑣2 } é base de V, conhecida como base canônica de ℝ².

i) {𝑣1 , 𝑣2 } é LI (Exemplo 1 da seção 4)

ii) [ 𝑣1 , 𝑣2 ] = 𝑉 (Exemplo 2 da seção 3)

O conjunto {(1,1), (0,1)} também é uma base de ℝ². De fato:

i) Se (0,0) = 𝑎(1,1) + 𝑏(0,1) = (𝑎, 𝑎 + 𝑏), então 𝑎 = 𝑏 = 0. Isto é,


{(1,1), (0,1)} é LI.

ii) [(1,1), (0,1)] = ℝ², pois dado 𝑣 = (𝑥, 𝑦) ∈ 𝑉 = ℝ², temos

(𝑥, 𝑦) = 𝑥 (1,1) + (𝑦 − 𝑥 )(0,1)

Ou seja, todo vetor (x,y) de ℝ² é uma combinação linear dos vetores


(1,1) 𝑒 (0,1)

Exemplo 2: {(0,1), (0,2)} não é uma base de ℝ², pois é um conjunto LD.

Se (0,0) = 𝑎(0,1) + 𝑏(0,2), temos 𝑎 = −2𝑏 e 𝑎 e 𝑏 não são necessariamente zero.

Exemplo 3: 𝑉 = ℝ³, {(1,0,0), (0,1,0), (0,0,1)} é uma base de ℝ³. Esta é base
canônica de ℝ³. Podemos mostrar que

i) {(1,0,0), (0,1,0), (0,0,1)} é LI, pois, (0,0,0) = 𝑎(1,0,0) + 𝑏(0,1,0) +


𝑐 (0,0,1) = (𝑎, 𝑏, 𝑐), logo a única solução é 𝑎 = 0, 𝑏 = 0 e 𝑐 = 0.

ii) [(1,0,0), (0,1,0), (0,0,1)] = ℝ3 , pois qualquer vetor do ℝ3 pode ser


escrito como (𝑥, 𝑦, 𝑧) = 𝑥(1,0,0) + 𝑦(0,1,0) + 𝑧(0,0,1), logo
[(1,0,0), (0,1,0), (0,0,1)] gera o ℝ3

Departamento de matemática 11
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Exemplo 4: {(1,0, 0), (0,1,0)} não é base de ℝ3 . Pois, apesar de ser LI, não
gera todo ℝ3 .

Exemplo 5: 𝑉 = 𝑀(2,2)
1 0 0 1 0 0 0 0
{[ ],[ ],[ ],[ ]} é uma base de V, pois:
0 0 0 0 1 0 0 1
0 0 1 0 0 1 0 0 0 0
] = [𝑎 𝑏]
i) [ ] = 𝑎[ ]+𝑏 [ ]+𝑐[ ]+𝑑[ , onde
0 0 0 0 0 0 1 0 0 1 𝑐 𝑑
𝑎 = 0, 𝑏 = 0 , 𝑐 = 0 e 𝑑 = 0
𝑟 𝑠 1 0 0 1 0 0 0 0
ii) [ ] = 𝑟[ ]+𝑠 [ ]+𝑡[ ]+𝑢[ ]
𝑡 𝑢 0 0 0 0 1 0 0 1
Nota: Existem espaços que não tem base finita. Isto acontece principalmente,
quando trabalhamos com espaço de funções. Nestes casos, precisamos de conjunto
infinito de vetores para gerar o espaço. Isso não quer dizer que estamos
trabalhando com combinação lineares infinitas, mas sim, que cada vetor do espaço
é uma combinação linear finita daquela “base infinita”. Como já foi dito, nessa
disciplina iremos considerar apenas os espaços vetoriais de base finita.

A seguir, iremos apresentar alguns teoremas acerca das bases de um espaço,


iremos omitir as demonstrações.

Proposição 1: Todo espaço vetorial finitamente gerado admite uma base.

Teorema 3: Sejam 𝑣1 , 𝑣2 , . . , 𝑣𝑛 vetores não nulos que geram um espaço


vetorial V. Então, dentre estes vetores podemos extrair uma base de V.

Teorema 4: Seja um espaço vetorial V gerado por um conjunto finito de


vetores 𝑣1 , 𝑣2 , … , 𝑣𝑛 . Então, qualquer conjunto com mais de 𝑛 vetores é
necessariamente LD (e portanto, qualquer conjunto LI tem no máximo 𝑛 vetores).

7. Dimensão de um espaço vetorial


Antes de definir dimensão iremos enunciar o teorema da invariância, este
servirá de suporte para a definição.

Teorema 5 (invariância):Qualquer base de um espaço vetorial tem sempre


o mesmo numero de elementos.

Definição 7. Seja V um espaço vetorial finitamente gerado. Denomina-se


dimensão de V (notação: dim 𝑉) o número de uma qualquer de suas bases. Diz-se
também, nesse caso, que V é um espaço de dimensão finita.

Exemplo 1: 𝑉 = ℝ², {(1,0), (0,1)} e {(1,1), (0,1)} são bases de V. Então


dim 𝑉 = 2

Departamento de matemática 12
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Exemplo 2: dim ℝ3 = 3

Exemplo 3: 𝑉 = 𝑀(2,2), vimos no exemplo 5 da seção 6, que uma base de V


tem 4 elementos, então dim 𝑉 = 4

Proposição 2: Todo subespaço vetorial de um espaço vetorial finitamente


gerado é também finitamente gerado.

Proposição 3: Seja W um subespaço vetorial de V. Se dim 𝑊 = dim 𝑉, então


𝑊=𝑉

Teorema 6: Qualquer conjunto LI de um espaço vetorial V de dimensão finita


pode ser completado de modo a formar uma base de V

Corolário 1: Se dim 𝑉 = 𝑛, qualquer conjunto de 𝑛 vetores LI formará uma


base de V.

Teorema 7: Dada uma base 𝛽 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } de V, cada vetor de V é escrito


de maneira única como combinação linear de 𝑣1 , 𝑣2 , … , 𝑣𝑛 .

8. Coordenadas de vetor
Definição 8. Sejam 𝛽 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } base de V e 𝑣 ∈ 𝑉 onde 𝑣 = 𝑎𝑣1 +
𝑎𝑣2 + ⋯ + 𝑎𝑣𝑛 . Chamamos estes números 𝑎1 , 𝑎2 , … , 𝑎𝑛 de coordenadas de 𝑣 em
relação a base 𝛽 e denotamos por
𝑎1
𝑎2
𝑣𝛽 = [ ⋮ ]
𝑎𝑛

Exemplo 1: 𝑉 = ℝ², 𝛽 = {(1,0), (0,1)} e 𝑣 = (4,3) = 4(1,0) + 3(0,1)

4
Portanto [(4,3)]𝛽 = [ ]
3
Se 𝛽 ′ = {(1,1), (0,1)}, então 𝑣 = (4,3) = 𝑥(1,1) + 𝑦(0,1), resultando em 𝑥 =
4
4 e 𝑦 = −1. Então [(4,3)]𝛽 = [ ]
−1
Nota: É importante notar que a ordem dos elementos de uma base também
influi na matriz das coordenadas de um vetor em relação a esta base. Por exemplo,
se tivermos

𝛽1 = {(1,0), (0,1)} e 𝛽2 = {(0,1), (1,0)},

Então

[(4,3)]𝛽1 = [4] mas [(4,3)]𝛽2 = [3]


3 4

Departamento de matemática 13
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Em virtude disto, doravante, ao considerarmos uma base 𝛽 =


{𝑣1 , 𝑣2 , … , 𝑣𝑛 }, estaremos sempre subentendendo que a base esteja ordenada.

9. Exercícios
1. Verifique se os conjuntos abaixo são espaços vetoriais reais, com as
operações usuais. No caso afirmativo, exiba uma base e dê a dimensão.

a) Matrizes diagonais 𝑛 × 𝑛

{[𝑎 𝑎 + 𝑏]
b) : 𝑎, 𝑏 ∈ ℝ}
𝑎 𝑏
c) V = {(𝑎, 𝑎, … , 𝑎) ∈ ℝ𝑛 : 𝑎 ∈ ℝ}

d) {(1, 𝑎, 𝑏): 𝑎, 𝑏 ∈ ℝ}

2. a) Seja V o espaço vetorial ℝ𝑛 . Qual é o vetor nulo de V e o que é


−(𝑥1 , 𝑥2 , … , 𝑥𝑛 )?

b) Seja 𝑊 = (2,2), descreva o vetor nulo e o vetor oposto.

3. Mostre que os seguintes subconjuntos de ℝ4 são subespaços

a) 𝑊 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 ∶ 𝑥 + 𝑦 = 0 𝑒 𝑧 − 𝑡 = 0}

b) 𝑈 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 : 2𝑥 + 𝑦 − 𝑡 = 0 𝑒 𝑧 = 0}

4. Quais dos seguintes conjuntos W abaixo são subespaços do ℝ3 ?

a) 𝑊 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 : 𝑥 = 0}

b) 𝑊 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 : 𝑥 ∈ ℤ}

c) 𝑊 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 : 𝑦 é 𝑖𝑟𝑟𝑎𝑐𝑖𝑜𝑛𝑎𝑙 }

d) 𝑊 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 : 𝑥 − 3𝑧 = 0}

e) 𝑊 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 : 𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧 = 0, 𝑐𝑜𝑚 𝑎, 𝑏, 𝑐 ∈ ℝ}

5. Mostrar que o conjunto 𝑊 = {(𝑥, 𝑦) ∈ ℝ2 : 𝑦 = 0} é um subespaço vetorial


do ℝ2

6. Mostrar que é subespaço de 𝑀2 (ℝ) o seguinte subconjunto:


𝑥 𝑦
𝑊 = {[ ] ∈ 𝑀2 (ℝ): y = −x}
𝑧 𝑡
7. Achar um conjunto de geradores dos seguintes subespaços de ℝ4 :

a) 𝑈 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 : 𝑥 − 𝑦 − 𝑧 + 𝑡 = 0}

Departamento de matemática 14
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

b) 𝑉 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 : 𝑥 − 𝑦 = 𝑧 + 𝑡 = 0}

10. Noções sobre aplicações


Nas seções anteriores estudamos alguns aspectos intrínsecos dos espaços
vetoriais finitamente gerados; base e dimensão, principalmente. Nas próximas
seções nosso enfoque será outro: trataremos de examinar correspondências entre
espaços vetoriais. As transformações lineares será o ponto mais importante desse
estudo. Mas antes façamos algumas considerações preliminares.

Definição 9. Dado dois conjuntos 𝑈 e 𝑉, ambos não vazios, uma aplicação de


𝑈 em 𝑉 é uma “lei pela qual a cada elemento de U está associado um único
elemento do 𝑉. Se 𝐹 indica essa lei e 𝑢 indica um elemento genérico de 𝑈, então
o elemento associado a 𝑢 é representado por 𝐹(𝑢) (lê-se “F de 𝑢) e se denomina
imagem de 𝑢 por 𝐹.

Duas aplicações 𝐹: 𝑈 → 𝑉 e 𝐺: 𝑈 → 𝑉 são iguais se, e somente se, 𝐹(𝑢) =


𝐺 (𝑢), ∀𝑢 ∈ 𝑈.

Definição 10. Dado 𝑊 ⊂ 𝑈 denomina-se imagem de 𝑊 por 𝐹 o seguinte


subconjunto de 𝑉: 𝐹(𝑊 ) = {𝐹 (𝑢): 𝑢 ∈ 𝑊 }. Se 𝑊 = 𝑈, então 𝐹(𝑈) recebe o nome
de imagem de 𝐹 e a notação será 𝐼𝑚(𝐹).

Portanto 𝐼𝑚(𝐹 ) = {𝐹(𝑢): 𝑢 ∈ 𝑈}

Exemplo 1: Seja 𝑆: ℝ² → ℝ² a aplicação dada por


𝑆(𝑥, 𝑦) = (𝑥, −𝑦), ∀(𝑥, 𝑦) no ℝ². S pode ser visualizada
na figura ao lado e leva cada ponto do ℝ² no seu
simétrico em relação ao eixo 𝑥. Em particular a imagem
da reta 𝑦 = 𝑥 é a reta 𝑥 + 𝑦 = 0 (e vice-versa).

11. Transformações Lineares


Definição 11. Sejam 𝑈 e 𝑉 espaços vetoriais sobre ℝ. Uma aplicação
𝐹: 𝑈 → 𝑉 é chamada transformação linear de 𝑈 em 𝑉 se, e somente se:

i) 𝐹 (𝑢1 + 𝑢2 ) = 𝐹 (𝑢1 ) + 𝐹(𝑢2 ), ∀𝑢1 , 𝑢2 ∈ 𝑈

ii) 𝐹 (𝛼𝑢) = 𝛼𝐹 (𝑢), ∀𝛼 ∈ ℝ e ∀𝑢 ∈ 𝑈.

No caso em que 𝑈 = 𝑉, uma transformação linear 𝐹: 𝑈 → 𝑈 é chamada


também de operador linear.

Exemplo 1: Seja 𝑂: 𝑈 → 𝑉 a aplicação assim definida: 𝑂(𝑢) = 𝑜 (vetor nulo


de V), ∀𝑢 ∈ 𝑈. Verifiquemos que 𝑂 é linear.

Departamento de matemática 15
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

i) 𝑂(𝑢1 + 𝑢2 ) = 𝑜 + 𝑜 = 𝑂(𝑢1 ) + 𝑂(𝑢2 )

ii) 𝑂(𝛼𝑢) = 𝑜 = 𝛼𝑜 = 𝛼𝑂(𝑢)

Exemplo 2: Seja 𝐼: 𝑈 → 𝑈 definida assim: 𝐼 (𝑢) = 𝑢, ∀𝑢 ∈ 𝑈. É mais um


exemplo de uma transformação linear pois:

i) 𝐼 (𝑢1 + 𝑢2 ) = 𝑢1 + 𝑢2 = 𝐼 (𝑢1 ) + 𝐼(𝑢2 )

ii) 𝐼 (𝛼𝑢) = 𝛼𝑢 = 𝑎𝐼(𝑢)

I é o operado idêntico de U

Exemplo 3: 𝑆𝑒𝑗𝑎 𝐹: ℝ³ → ℝ² uma aplicação definida por 𝑓 (𝑥, 𝑦, 𝑧) =


(𝑥, 2𝑥 − 𝑧), ∀(𝑥, 𝑦, 𝑧) ∈ ℝ³, verifiquemos se F é linear:

Sejam 𝑢1 = (𝑥1 , 𝑦1 , 𝑧1 ) 𝑒 𝑢2 = (𝑥2 , 𝑦2 , 𝑧2 ) em ℝ3 .

i) 𝐹 (𝑢1 + 𝑢2 ) = 𝐹 (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 , 𝑧1 + 𝑧2 ) = (𝑥1 + 𝑥2 , 2(𝑥1 + 𝑥2 ) −


(𝑧1 + 𝑧2 )) = (𝑥1 , 2𝑥1 − 𝑧1 ) + (𝑥2 , 2𝑥2 + 2𝑧2 ) = 𝐹 (𝑢1 ) + 𝐹(𝑢2 ).

ii) 𝐹 (𝛼𝑢) = 𝐹((𝛼𝑥, 𝛼𝑦, 𝛼𝑧)) = (𝛼𝑥, 2𝛼𝑥 − 𝑎𝑧) = 𝛼(𝑥, 2𝑥 − 𝑧) = 𝛼𝐹(𝑢)

11.1 Propriedades das transformações lineares

Sejam 𝑈 e 𝑉 espaços vetoriais sobre ℝ e consideremos uma transformação


linear 𝐹: 𝑈 → 𝑉. Valem as seguintes propriedades para F.

P1. 𝐹(𝑜) = 𝑜 (F transforma o vetor nulo de U no vetor nulo de V).

Prova: Como 𝑜 é o elemento neutro da adição em V:

𝐹 (𝑜) + 𝑜 = 𝐹(𝑜)

O fato de F ser linear e o fato de 𝑜 ser o vetor nulo de 𝑈 dão:

𝐹 (𝑜 ) = 𝐹 (𝑜 + 𝑜 ) = 𝐹 (𝑜 ) + 𝐹 (𝑜 ).

Comparando os resultados obtidos tiramos:

𝐹 ( 𝑜 ) + 𝑜 = 𝐹 (𝑜 ) + 𝐹 (𝑜 ).

Somando −𝐹(𝑜) a ambos os membros desta última igualdade chegaremos a


que

𝑜 = 𝐹(𝑜)

P2. 𝐹(−𝑢) = −𝐹 (𝑢), ∀𝑢 ∈ 𝑈.

Prova: −𝐹 (𝑢) + (−𝐹(𝑢)) = 𝑜 = 𝐹 (𝑜) = 𝐹(𝑢 + (−𝑢)) = 𝐹 (𝑢) + 𝐹(−𝑢).

Departamento de matemática 16
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Logo 𝐹 (𝑢) + 𝐹(−𝑢) = 𝐹 (𝑢) + 𝐹(−𝑢). Somando −𝐹(𝑢) a ambos os membros


desta última igualdade obteremos

𝐹 (−𝑢) = −𝐹(𝑢)

P3. 𝐹(𝑢1 − 𝑢2 ) = 𝐹 (𝑢1 ) − 𝐹(𝑢2 ), ∀𝑢1 , 𝑢2 ∈ 𝑈

Prova: 𝐹 (𝑢1 − 𝑢2 ) = 𝐹(𝑢1 + (−𝑢2 )) = 𝐹 (𝑢1 ) + 𝐹 (−1𝑢2 ) = 𝐹(𝑢1 ) − 1𝐹 (𝑢2 ) =


𝐹(𝑢1 ) − 𝐹(𝑢2 )

P4. Se 𝑊 é um subespaço de U, então a imagem de 𝑊 por F é um subespaço


de V.

Prova: Lembremos que 𝐹(𝑊) = {𝐹 (𝑤): 𝑤 ∈ 𝑊} é a imagem de W por F.

i) Como 𝐹 (𝑜) = 𝑜, então 𝑜 ∈ 𝐹(𝑊).

ii) Dados quaisquer 𝑤1 , 𝑤2 ∈ 𝑊, temos que 𝐹(𝑤1 ) + 𝐹 (𝑤2 ) = 𝐹(𝑤1 +


𝑤2 ) ∈ 𝐹 (𝑊)

iii) 𝛼𝐹(𝑤) = 𝐹 (𝛼𝑤) ∈ 𝐹(𝑊 ), ∀𝛼 ∈ ℝ

12. Núcleo e Imagem


Definição 12. Sejam 𝑈 e V espaços vetoriais sobre ℝ e 𝐹: 𝑈 → 𝑉 uma
transformação linear. Indica-se por 𝐾𝑒𝑟 (𝐹) e denomina-se núcleo de F o
seguinte subconjunto de U:

𝐾𝑒𝑟 (𝐹 ) = {𝑢 ∈ 𝑈: 𝐹(𝑢) = 𝑜}

Exemplo 1: Seja 𝐹: ℝ² → ℝ³ a transformação linear dada por:

𝐹 (𝑥, 𝑦) = (0, 𝑥 + 𝑦, 0)

Achemos o núcleo de F. Temos:

(𝑥, 𝑦) ∈ 𝐾𝑒𝑟(𝐹 ) ⟺ (0, 𝑥 + 𝑦, 0) = (0,0,0) ⟺ 𝑥 = −𝑦

Logo 𝐾𝑒𝑟(𝐹 ) = {(𝑥, −𝑥 ): 𝑥 ∈ ℝ}

Proposição 4: Seja 𝐹: 𝑈 → 𝑉 uma transformação linear. Então 𝐾𝑒𝑟(𝐹) é um


subespaço vetorial de U:

Demonstração:

i) Como 𝐹 (𝑜) = 𝑜, então 𝑜 ∈ 𝐾𝑒𝑟(𝐹).

ii) Sejam 𝑢1 , 𝑢2 ∈ 𝐾𝑒𝑟(𝐹). Então 𝐹(𝑢1 ) = 𝐹(𝑢2 ) = 0.

Departamento de matemática 17
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Daí 𝐹(𝑢1 + 𝑢2 ) = 𝐹(𝑢1 + 𝑢2 ) = 𝑜 + 𝑜 + 𝑜. Portanto 𝑢1 + 𝑢2 ∈ 𝐾𝑒𝑟(𝐹).

iii) Se 𝑢 ∈ 𝐾𝑒𝑟(𝐹), então 𝐹 (𝑢) = 𝑜, logo para qualquer 𝛼 ∈ ℝ, temos:

𝐹 (𝑎𝑢) = 𝑎𝐹(𝑢) = 𝛼𝑜 = 𝑜

Logo 𝛼𝑢 ∈ 𝐾𝑒𝑟(𝐹)

A imagem de uma transformação linear 𝐹: 𝑈 ⟶ 𝑉 foi definida


anteriormente: 𝐼𝑚(𝐹 ) = {𝐹 (𝑢): 𝑢 ∈ 𝑈}, já vimos que é um subespaço vetorial de
V (P4).

O teorema a seguir, que relaciona as dimensões de 𝐾𝑒𝑟(𝐹) e 𝐼𝑚(𝐹) nos


casos em que dim 𝑈 é finita, é bastante importante.

Teorema 8 (núcleo e da imagem): Sejam 𝑈 e 𝑉 espaços vetoriais de


dimensão finita sobre ℝ . Dada uma transformação linear 𝐹: 𝑈 → 𝑉, então

dim 𝑈 = dim 𝐾𝑒𝑟(𝐹 ) + dim 𝐼𝑚(𝐹)

Departamento de matemática 18
UFRR- Centro de Ciências e Tecnologias — Prof. Ítalo Natan Oliveira de Araújo

Departamento de matemática 19

Você também pode gostar