Escolar Documentos
Profissional Documentos
Cultura Documentos
Espaços Vectoriais
1.1 - Introdução.
Começamos por dar um exemplo para motivar o objectivo do curso.
Considere-se então o caso de uma pequena oficina de carpintaria que fabrica apenas dois
produtos, mesas e estantes, a partir de dois inputs, trabalho e madeira. Admita-se que para fabricar
uma mesa são necessárias duas unidades de trabalho e uma unidade de madeira enquanto para
fabricar uma estante são precisas uma unidade de trabalho e duas unidades de madeira. Estes
factos são resumidos na tabela abaixo:
A última coluna indica as disponibilidades em trabalho e madeira para um certo periodo (por
exemplo, um dia).
O dono da carpintaria quer saber quantas mesas e estantes consegue fabricar com as
disponibilidades de trabalho e madeira que tem.
Claro que isto é um problema bem simples que qualquer aluno do ensino secundário consegue
resolver. Assim, se chamarmos x à quantidade de mesas fabricadas e y à quantidade de estantes
produzidas (e admitindo proporcionalidade, isto é, linearidade) a quantidade de trabalho gasta a
fazer mesas será 2x enquanto que a quantidade de trabalho gasto a fazer estantes será 1y. Como só
fabricamos mesas e estantes o trabalho total gasto será 2x 1y que terá que ser igual a 4, o trabalho
disponível, obtendo-se a equação 2x 1y 4. Raciocinando de uma forma semelhante sobre o
outro factor de produção, a madeira, chegariamos à equação 1x 2y 5.
Temos portanto o seguinte sistema de equações:
2x 1y 4
1x 2y 5
Cuja solução é x 1 e y 2.
O problema é que, raramente, uma empresa fabrica só 2 produtos a partir de 2 factores de
produção! Mas se tivéssemos 15 produtos e 20 factores de produção o modelo seria essencialmente
o mesmo, só que com 15 variáveis e 20 equações.
Assim o propósito central (mas não o único!) deste curso de Álgebra Linear (muito
elementar...) será aprender a resolver sistemas de equações lineares com um número arbitrário
(mas finito!) de equações e variáveis. Para isso regressemos ao nosso pequeno exemplo para
desenvolver uma ”estratégia”.
Repare que o primeiro membro do sistema envolve as variáveis (x e y) e os números que
representam o modo (tecnologia) de fabrico das mesas e estantes enquanto o segundo membro diz
respeito às disponibilidades. Podemos resumir essa informação nos quadros seguintes:
2 1 x
O quadro da tecnologia o quadro das variáveis , e o quadro das
1 2 y
1
4
disponibilidades .
5
Claro que, se o problema tivesse mais equações e variáveis, estes quadros seriam semelhantes
só que de maiores dimensões. Repare que o primeiro membro do sistema ”mistura” (usarei o sinal
⊗ para designar essa ”mistura”) o quadro da tecnologia com o das variáveis e o seu resultado é o
quadro das disponibilidades. Simbolicamente posso escrever:
2 1 x 4
⊗
1 2 y 5
Se a ”mistura” (⊗) designasse uma multiplicação para a qual existisse uma correspondende
divisão (⊘) o resultado do sistema seria:
x 4 2 1
⊘
y 5 1 2
Claro que nada disto faz sentido por enquanto mas deixa antever a estratégia para resolver
sistemas de tamanho arbitrário.
Vamos ser levados a introduzir novos objectos matemáticos (estes quadros cheios de números)
e definir operações entre eles para dar sentido a coisas como ⊗ e ⊘ e assim resolver sistemas de
equações lineares.
Há 2 tipos de objectos que vamos ser levados a estudar:
2 1
Objectos do tipo , ”quadros cheios de números”, a que chamaremos Matrizes e
1 2
estudaremos mais tarde.
4
Objectos do tipo , ”números em fila”, a que chamaremos vectores (por analogia com as
5
coordenadas de um vector no plano) cujo estudo iniciamos a seguir.
2
1.2 - Espaços vectoriais reais : definições.
4
Comecemos então a olhar para os objectos do tipo . São pares ordenados de números
5
reais que podem ser pensados como coordenadas de um vector (ponto) no plano, por isso
designaremos o conjunto de todos eles por 2 , ou seja o produto cartesiano de por si próprio.
Agora, se definirmos a sua soma, como é usual, componente a componente, isto é
4 6 46
, e o seu produto por números reais multiplicando cada
5 7 57
4 10 4
componente por esse número, ou seja 10 , verificamos que não saimos
5 10 5
de 2 por efectuar estas operações. Dizemos então que este conjunto de objectos, 2 , é fechado
para a soma e para a multiplicação por escalares e por isso dizemos que 2 é um espaço
vectorial real.
É fácil de ver que se, em vez de ”2 números em fila”, tivessemos considerado ”n números em
fila” , isto é, objectos do tipo x 1 x 2 … x n (para já tanto faz dispor os números em linha
como em coluna), obteriamos algo de semelhante a que chamaremos o espaço vectorial real n
que vai ser o objecto central do nosso estudo nesta fase.
Claro que esta definição omite esclarecer o que é a soma de objectos de V bem como a sua
multiplicação por reais. Pode consultar a bibliografia recomendada para ver definições mais
precisas.
No âmbito deste curso elementar suporemos que estas operações, soma de objectos de V e sua
multiplicação por reais, estão ”bem definidas” pelo contexto, tal como nos casos de 2 e n . No
entanto convém chamar a atenção para os seguintes factos:
(1) A soma tem um elemento neutro, 0̄ ∈ V, a que chamamos o vector nulo. Por exemplo, o
vector nulo de n é 0 0 … 0 , ou seja n zeros ”em fila”.
(2) x 0̄ 0̄ x x para todo o x ∈ V.
(3) x −1 x −1 x x 0̄ para todo o x ∈ V.
Podemos agora estender a definição de soma de vectores para somar ”por grosso” conjuntos de
vectores:
3
A x, 0 : 1/2 ≤ x ≤ 3/2 (isto é, um segmento no eixo dos xx) e B é o conjunto singular
B 0, 1.
A+B
B
x
A
É fácil verificar (faça como exercício) que os sub-espaços de 2 são a origem e as rectas que
passam pela origem.
Em 3 os sub-espaços são a origem, as rectas que passam pela origem e os planos que passam
na origem.
Vamos agora ver alguns factos sobre os sub-espaços de um espaço vectorial V.
Teorema 1.2.5: O conjunto singular formado pelo vector nulo, 0̄ , é sub-espaço de
qualquer espaço vectorial.
Prova: Óbvio
4
Agora vejamos a multiplicação por reais: x ∈ S 1 ∩ S 2 x ∈ S 1 e x ∈ S 2 x ∈ S 1 e
x ∈ S 2 , com ∈ , pois S 1 e S 2 são sub-espaços de V. Logo x ∈ S 1 ∩ S 2
5
1.3 - Independência Linear. Bases.
Tudo o que sabemos fazer em espaços vectoriais resume-se (até agora) a somar vectores e a
multiplicar vectores por constantes. Isto ”pede” uma definição:
Por exemplo 10 1, 2 20 3, 4 70, 100 é uma combinação linear do vector 1, 2
com o vector 3, 4 de 2 .
Se agora tomarmos dois vectores de 3 , 1, 0, 0 e 0, 1, 0, e fizermos todas as combinações
lineares possíveis desses vectores obtemos 1, 0, 0 0, 1, 0 , , 0 que é o plano
XOY de 3 , e portanto um sub-espaço. Isto não é uma coincidencia. Com efeito temos o seguinte:
Observe ainda que tudo o que dissemos para o sub-espaço gerado por dois vectores continua
válido para o sub-espaço gerado por um número qualquer (finito) de vectores.
Repare agora que dado um conjunto de vectores por vezes, como no caso do conjunto
1, 0, 0, 1, 1, 1, há vectores que se podem exprimir como combinação linear de outros
1, 1 1, 0 0, 1.
Noutros casos, como no seguinte conjunto de vectores (agora em 3 )
1, 0, 0, 0, 1, 0, 0, 0, 1, isso é impossivel. Digamos que no primeiro caso há ”excesso de
informação”.
Vamos distinguir estas duas situações com a seguinte definição de importancia capital em
Álgebra Linear:
Note que no primeiro exemplo atrás o conjunto 1, 0, 0, 1, 1, 1 é linearmente dependente
pois 1 1, 1 −1 1, 0 −1 0, 1 0, 0. No segundo exemplo o conjunto
1, 0, 0, 0, 1, 0, 0, 0, 1 é linearmente independente.
Por vezes, por abuso de linguagem, atribuimos a qualificação de linearmente dependente (ou
independente) aos vectores do conjunto e não ao conjunto ele próprio. Isto é diremos, por abuso
de linguagem, que os vectores 1, 0, 0, 1, 1, 1 são linearmente dependentes em vez de dizer que
o conjunto 1, 0, 0, 1, 1, 1 é linearmente dependente. Não vem grande mal ao mundo deste
abuso de linguagem, desde que se saiba do que se está a falar!
Repare que o vector nulo 0̄ não pode, evidentemente, pertencer a nenhum conjunto de vectores
6
linearmente independente. Passamos agora a ver dois factos menos óbvios mas importantes sobre a
dependência e independência linear de conjuntos de vectores:
A noção de independência linear vai permitir escrever todos os vectores de um espaço vectorial
como combinações lineares de um número ”pequeno” de vectores do mesmo espaço.
Tomemos o caso de 2 e os vectores 1, 0 e 0, 1. Qualquer vector de 2 , , , pode-se
escrever como combinação linear dos anteriores , 1, 0 0, 1.
Se tivessemos tomado os vectores 1, 0 , 0, 1 e 1, 1 isto também aconteceria mas, ao
contrário do exemplo anterior, haveria muitas maneiras de escrever , como combinação linear
dos 3 vectores, por exemplo , 1, 0 0, 1 01, 1 e
, 01, 0 − 0, 1 1, 1.
Ora nós queremos eliminar o segundo caso e manter o primeiro em que a combinação linear é
única. Para isso vamos dar uma definição:
De acordo com a definição o conjunto B 1, 0, 0, 1 é uma base de 2 enquanto o
conjunto D 1, 0, 0, 1, 1, 1 não o é. Com efeito, embora SpanB SpanD 2 , B é
independente mas D é dependente. A condição (2) vai garantir que
Teorema 1.3.7: Qualquer vector de um espaço vectorial escreve-se de uma maneira única
como combinação linear dos vectores de uma base B.
Prova: Seja B x 1 , x 2 , . . . , x n uma base de um espaço vectorial V e suponha, por absurdo,
que existe um vector w ∈ V que se escreve de duas maneiras distintas como combinação linear dos
vectores de B, por exemplo w 1 x 1 2 x 2 . . . n x n e w 1 x 1 2 x 2 . . . n x n . Subtraindo
membro a membro as duas igualdades anteriores obteriamos
0̄ 1 − 1 x 1 2 − 2 x 2 . . . n − n x n .
Ora, como as duas maneiras de escrever w como combinação linear dos vectores de B são
supostas ser distintas pelo menos um dos números 1 − 1 , 2 − 2 , . . . , n − n é diferente de
0, o que contraria a independência linear de B.
7
vector numa certa base são os coeficientes que é necessário utilizar para o escrever como
uma combinação linear única dos vectores dessa base.
Uma consequência disto é que, em bases diferentes o mesmo vector pode ter coordenadas
diferentes. A figura abaixo representa 2 e duas bases desse espaço vectorial, a base vermelha
a 1 , a 2 e a base verde b 1 , b 2 . O vector azul, w, escreve-se como combinação linear única dos
vectores da base vermelha como w 2a 1 2a 2 logo as suas coordenada na base vermelha são
2, 2. Na base verde w escreve-se w −2b 1 − 2b 2 portanto as suas coordenadas nessa base são
−2, −2.
a2
w
b2 a1
b1
Isto implica que, quando damos as coordenadas de um vector, deveriamos especificar sempre a
que base se referem. Existem no entanto, em 2 , 3 , . . . , n umas bases particulares que usaremos
mais frequentemente, as bases canónicas. A base canónica de 2 é 1, 0, 0, 1, a de 3 é
1, 0, 0, 0, 1, 0, 0, 0, 1 e a base canónida de n é 1, 0, . . . , 0, 0, 1, 0, . . . , 0, . . . , 0, 0, . . . , 1.
Fica convencionado que, quando dermos as coordenadas de um vector de um destes espaços
vectoriais sem mencionar a base é porque nos estamos a referir à base canónica respectiva.
Repare agora que na figura acima as duas bases de 2 desenhadas, a base vemelha e a base
verde, têm algo em comum: são ambas constituidas por 2 vectores. Por mais que se esforce não vai
conseguir arranjar uma base de 2 com uma cardinalidade diferente. Isto não é uma coincidencia
particular. Com efeito temos o seguinte resultado:
8
combinação linear dos vectores da base a 1 , a 2 , . . . , a n , b 1 a 1 2 a 2 . . . n a n . Feita a
substituição obteriamos a igualdade
1 1 a 1 2 2 a 2 . . . n−1 n−1 a n−1 n a n 0̄ . Note que, como n ≠ 0, a
igualdade anterior implicaria a dependência linear de a 1 , a 2 , . . . , a n−1 , a n o que é absurdo por se
tratar de uma base. Fica portanto estabelecido que o conjunto a 1 , a 2 , . . . , a n−1 , b é linearmente
independente.
Repare agora que, como b 1 a 1 2 a 2 . . . n a n com n ≠ 0, tem-se
Spana 1 , a 2 , . . . , a n−1 , b Spana 1 , a 2 , . . . , a n−1 , a n ficando então provado que o conjunto
a 1 , a 2 , . . . , a n−1 , b é uma base.
Estabelecido este facto estamos agora em condições de atacar a prova do teorema propriamente
dito. Imagine-se então que existiam em V duas bases de cardinalidades não necessáriamente iguais
a 1 , a 2 , . . . , a p e b 1 , b 2 , . . . , b q e, sem perda de generalidade, admita que q ≤ p. Agora repare que
b 1 pode ser utilizado para substituir um dos a i pois terá uma componente não nula segundo algum
deles, caso contrário b 1 0̄ o que é absudo pois b 1 faz parte de uma base que tem que ser um
conjunto independente. Admita, sem perda de generalidade, que b 1 substitui a 1 .
Temos então que o conjunto b 1 , a 2 , . . . , a p é uma base. Agora note que, nesta base, b 2 tem
uma componente não nula segundo algum dos a i (e que portanto pode substitui-lo) pois doutro
modo b 2 k 1 b 1 o que é absurdo pois b 1 e b 2 pertencem à mesma base que é um conjunto
independente. Admita que b 2 substitui a 2 . Então b 1 , b 2 , a 3 , . . . , a p é ainda uma base de V.
Agora note que, nesta base, b 3 tem uma componente não nula segundo um dos a i (e que
portanto pode substitui-lo) pois doutro modo b 3 k 1 b 1 k 2 b 2 o que é absurdo pois b 1 , b 2 e b 3
pertencem à mesma base que é um conjunto independente. Admita, de novo sem perda de
generalidade, que b 3 substitui a 3 . Então b 1 , b 2 , b 3 , a 4 , . . . , a p é ainda uma base de V.
Prosseguindo este estilo de raciocinio teríamos que b 1 , b 2 , . . . , b q , a q1 , . . . , a p seria uma base
de V o que é absurdo, no caso q p, pois o sub-conjunto b 1 , b 2 , . . . , b q também o é.
O único modo de evitar esta contradição é já não ter nenhum a i depois da entrada de b q , ou
seja ter q p.
9
1.4 - Medição de ângulos e distâncias em n : o
produto interno.
Já conhece, do ensino secundário, uma operação entre vectores de 2 chamada produto
escalar, ou ”dot product” ou ainda produto interno (neste curso usaremos esta última designação)
de dois vectores. Deixe-me recordar-lhe essa operação:
Dados dois vectores de 2 expressos na base canónica (no ensino secundário os vectores eram
sempre considerados espressos na base canónica!), x x 1 , x 2 e y y 1 , y 2 , o produto interno de
x por y, designado por x. y ou x′y ou x|y ou ainda por x, y (neste curso usaremos esta última
notação) é x, y x 1 y 1 x 2 y 2 . Isto é, o produto interno de dois vectores de 2 é um número que
se obtém multiplicando as coordenadas homólogas e somando esses valores. Por exemplo o
produto interno de 1, 2 por 3, 4 é dado por 1, 2, 3, 4 1 3 2 4 11.
Sabe ainda que o produto interno está relacionado com o comprimento do vector x que
designaremos por ||x||. Com efeito, uma simples aplicação do teorema de Pitágoras diz-nos que
||x|| x 21 x 22 x, x .
Por outro lado aprendeu, ainda no ensino secundário, que o coseno do ângulo formado pelos
vectores x e y se pode escrever, em termos do seu produto interno, como
cos x, y /||x||||y||.
Estes factos vão permitir-nos transportar para n as noções de ângulo e comprimento.
Primeiro vamos estender para n a definição de produto interno.
10
mutuamente ortogonais é linearmente independente, ou seja a ortogonalidade implica a
independência linear (a reciproca é falsa!).
Prova: Seja x 1 , x 2 , . . . , x k um conjunto de vectores mutuamente ortogonais, isto é
x i , x j 0 para i ≠ j, com i, j 1, . . . , k.
Suponha que temos a igualdade 1 x 1 2 x 2 . . . k x k 0̄ .
Vamos mostrar que isto só pode ocorrer se 1 2 . . . . k 0.
Tome a igualdade 1 x 1 2 x 2 . . . k x k 0̄ e faça o produto interno de ambos os membros
pelo vector x 1 .
Obteriamos 1 x 1 , x 1 2 x 2 , x 1 . . . k x k , x 1 0̄ , x 1 ou seja 1 ||x 1 || 2 0.
Como x 1 não é o vector nulo isto só pode ocorrer se 1 0.
De forma semelhante se mostraria que 2 3 . . . . k 0.
11
1.5 - Bases ortonormadas de n .
As bases ortonormadas de n vão desempenhar um papel especial neste curso. Para começar a
perceber porquê pense numa base arbitrária de n , B b 1 , b 2 , . . . , b n . Agora considere um
vector x ∈ n . Ele escreve-se de uma maneira única como combinação linear dos vectores de B,
x x 1 b 1 x 2 b 2 . . . x n b n e portanto as suas coordenadas na base B são x 1 , x 2 , . . . , x n . Repare
agora que se multiplicar o vector x por uma constante real obtem
x x 1 b 1 x 2 b 2 . . . x n b n , de coordenadas x 1 , x 2 , . . . , x n na base B.
Ou seja, as coordenadas do vector x obtêm-se sempre multiplicando as coordenadas de x pelo
número qualquer que seja a base considerada.
Agora pense noutro vector y ∈ n . Ele também se escreve de uma maneira única como
combinação linear dos vectores de B, y y 1 b 1 y 2 b 2 . . . y n b n e portanto as suas coordenadas na
base B são y 1 , y 2 , . . . , y n . Se agora fizer a soma do vector x com o vector y obterá
x y x 1 b 1 x 2 b 2 . . . x n b n y 1 b 1 y 2 b 2 . . . y n b n ou seja
x y x 1 y 1 b 1 x 2 y 2 b 2 . . . x n y n b n . Isto significa que as coordenadas do vector
x y na base B são x 1 y 1 , x 2 y 2 , . . . , x n y n .
Por outras palavras, as coordenadas do vector x y são sempre a soma das coordenadas
homólogas de x e y qualquer que seja a base em que estes vectores estão representados.
Portanto as duas operações que definem um espaço vectorial, soma de vectores e multiplicação
de vectores por números reais, podem ser sempre efectuadas ”como é costume”, isto é coordenada
a coordenada, independentemente da base a que o espaço vectorial está referido.
Mas nós acabamos de introduzir uma nova operação sobre vectores, o produto interno. Se
calcularmos o produto interno de x por y obtemos
x, y x 1 b 1 x 2 b 2 . . . x n b n , y 1 b 1 y 2 b 2 . . . y n b n ou seja,
in jn
x, y ∑ i1 ∑ j1 x i y j b i , b j que envolve os produtos internos dos vectores da base uns
pelos outros b i , b j . Se a base B for ortonormada estes produtos internos valem 0 se i ≠ j (pois
os vectores de B são mutuamente ortogonais) e valem 1 se i j (porque os vectores de B são
normados).
in
Isto é, se a base B for ortonormada, x, y ∑ i1 x i y i x 1 y 1 x 2 y 2 , . . . , x n y n . Numa base
B ortonormada o produto interno calcula-se tal como foi definido para a base canónica, ou seja
somando os produtos das coordenadas homólogas.
Esta é uma das razões da importância de trabalharmos em bases ortonormadas. Isto levanta o
problema de construir uma base ortonormada a partir de uma base arbitrária. Claro que o problema
”difícil” é construir vectores mutuamente perpendiculares porque para os tornar normados basta
dividir cada vector pelo seu comprimento.
O algoritmo que descrevemos em seguida produz uma base de vectores mutuamente
perpendiculares a partir de uma base arbitraria.
12
ortogonais. Resta então mostrar que u n é ortogonal a todos os outros u i para i 1, . . . , n − 1.
Calcule então u n , u i para i 1, . . . , n − 1. Obteria:
n 1 n i n ,u n−1
u n , u i v n , u i − v||u 1,u|| 2 u 1 , u i −. . . − v||u i,u|| 2 u i , u i −. . . − v||u n−1 || 2
u n−1 , u i
n i
Então a hipótese de indução garante que u n , u i v n , u i − v||u i,u|| 2 u i , u i 0.
13
1.6 - Alguma geometria em n .
Passamos agora, que já sabemos medir ângulos e distâncias em n , a fazer um pouco de
geometria a n dimensões. Começamos com uma definição:
v
x0
Plano P
14
normal ao plano. Este vector é, evidentemente conhecido a menos de uma constante
multiplicativa, pois a equação 40x 1 50x 2 60x 3 150 representa o mesmo plano e os
coeficientes das variáveis x 1 , x 2 , x 3 são 10 vezes maiores!
É também fácil, dada uma equação cartesiana 4x 1 5x 2 6x 3 15, obter um ponto do plano.
Uma maneira prática de o obter é fazer tdas as varáveis menos uma iguais a zero e calcular a que
falta. Neste exemplo se fizermos x 1 x 3 0 obtemos o ponto do plano 0, 3, 0.
Fica então claro que é facil passar da equação normal para a equação cartesiana de um plano de
n e vice-versa.
Vamos agora dar uma definição mais formal de um plano em n que será útil no estudo dos
sistemas de equações lineares.
x2
x 1 +x 2 =1
Span{v}
v
{x 0 }+(Span{v}) *
x0
0 x1
(Span{v}) *
15
y
v
a x0
d
Plano P
16