Escolar Documentos
Profissional Documentos
Cultura Documentos
Eliakim
12 de Agosto de 2019
1 Funcionais Lineares
Seja V um K-espaço vetorial (K corpo). Quando não for mencionado, vamos estar considerando a
dimensão de V como sendo qualquer, isto é, dim V pode ser finita ou infinita.
Definição 1.1. Qualquer transformação linear f : V → K é chamada de funcional linear. Em
outras palavras, f é uma função de V em K tal que
f (λu + v) = λf (u) + f (v),
para quaisquer u, v ∈ V e λ ∈ K.
Exemplo 1.1. Sejam K um corpo e a1 , ..., an escalares em K. Defina a função f : Kn → K pondo
n
X
f (x1 , ..., xn ) := a1 x1 + · · · + an xn = aj xj .
j=1
• Cada funcional linear em Kn é dessa forma para certos escalares a1 , ..., an . É claro que esses
escalares serão exatamente determinados pelo funcional linear aplicado a cada vetor de B, isto
é, pondo aj := f (ej ), ∀j ∈ {1, ..., n} e usando a linearidade de f segue que
Xn
f (x1 , ..., xn ) = f xj ej
j=1
n
X
= xj f (ej )
j=1
| {z }
=aj
n
X
= a j xj .
j=1
Exemplo 1.2. Seja V = Mn (K) o espaço vetorial das matrizes n × n com entradas em K. Vamos
considerar a aplicação tr : V → K definida por
n
X
tr(A) = Aii ,
i=1
ou seja, a aplicação que associa a cada matriz seu traço em K. Claro que tr é um funcional linear em
V , pois, dadas A, B ∈ V e λ ∈ K, temos
n
X
tr(λA + B) = (λAii + Bii )
i=1
Xn n
X
= λ Aii + Bii = λtr(A) + tr(B).
i=1 i=1
1
A seguir, vamos apresentar um exemplo de funcional linear muito importante, o qual chamamos
de funcional de avaliação.
Exemplo 1.3. Sejam a ∈ K e V := {p : K → K | p é polinomial} o espaço vetorial das funções
polinomiais de K em K. Defina a aplicação La : V → K pondo
La (p) := p(a), ∀p ∈ V.
Verifica-se facilmente que La é funcional linear, pois dados λ ∈ K e p, q ∈ V , segue que
La (λp + q) = (λp + q)(a)
= λp(a) + q(a)
= λLa (p) + La (q).
2 O Espaço Dual
Vamos considerar V um K-espaço vetorial e o conjunto formado por todos os funcionais lineares
em V , isto é, o conjunto L(V, K) = {f : V → K | f é linear}.
Teorema 2.1. O conjunto L(V, K) é subespaço de F(V, K) (espaço vetorial das funções de V em K).
Demonstração. Sejam λ ∈ K e f, g ∈ L(V, K). Basta mostrarmos que λf + g ∈ L(V, K), ou seja,
devemos mostrar que h := λf + g é linear. De fato, dados µ ∈ K e x, y ∈ V , temos
h(µx + y) = (λf + g)(µx + y)
= (λf )(µx + y) + g(µx + y)
= λf (µx + y) + g(µx + y)
= λ(µf (x) + f (y)) + µg(x) + g(y)
= λµf (x) + λf (y) + µg(x) + g(y)
= µ(λf (x) + g(x)) + λf (y) + g(y)
= µ((λf )(x) + g(x)) + (λf )(y) + g(y)
= µ(λf + g)(x) + (λf + g)(y)
= µh(x) + h(y).
2
Segue imediatamente do Teorema e de dim V ∗ = n que B ∗ é uma base de V ∗ .
Definição 2.2. Sejam B = {v1 , ..., vn } base de V e B ∗ = {f1 , ..., fn } tal que fi (vj ) = δij . Dizemos
que B ∗ é base de V ∗ dual de B.
Observação. É muito importante destacarmos que se V é de dimensão qualquer e {vi }i∈I é uma
base de V , a famı́lia dual {fi }i∈I não será base de V ∗ . Vejamos um exemplo que nos mostre este fato.
Exemplo 2.1. Seja V = K[X] o espaço vetorial de todos os polinômios com coeficientes em K, e
considere a base B = {ej }j∈N∪{0} , onde ej = X j . Seja B ∗ = {fj }j∈N∪{0} a famı́lia dual de B. Suponha
que B ∗ seja base de V ∗ e considere a aplicação φ : V → K que associa a cada P ∈ V a soma de seus
coeficientes, ou seja, X X
P = ai X i =⇒ φ(P ) = ai .
i∈I i∈I
Claramente φ está bem definida e φ ∈ V ∗ . Como B ∗ é base de V ∗ , existe J ⊂ N ∪ {0} finito e uma
famı́lia de escalares (λj )j∈J tal que X
φ= λj fj . (1)
j∈J
Note que, sendo J finito, existe N ∈ N tal que j < N para todo j ∈ J. Então:
• Por um lado, pela definição de φ, temos
φ(X N ) = 1.
N
sendo que fj (X ) = 0 pelo fato de que j 6= N, ∀j ∈ J.
E obtemos uma contradição. Logo B ∗ não é base de V ∗ .
Teorema 2.3. Seja V um K-espaço vetorial de dimensão finita e seja B = {v1 , ..., vn } uma base
qualquer de V . Então existe uma única base dual B ∗ = {f1 , ..., fn } de V ∗ tal que fi (vj ) = δij . Além
disso:
(i) Para cada funcional linear f ∈ V ∗ , temos que
n
X
f= f (vi )fi .
i=1
Demonstração. A existência e a unicidade da base dual já foram mostradas anteriormente. Nos resta
mostrar que valem (i) e (ii).
(i) Suponha que f ∈ V ∗ se escreve como combinação linear dos funcionais lineares da base dual por
n
X
f= αk fk .
k=1
3
(ii) Suponha que v ∈ V se escreve como combinação linear dos elementos da base B como
n
X
v= βk v k .
k=1
Então, para cada i ∈ {1, ..., n}, usando a linearidade de fi segue que
n
!
X
fi (v) = fi βk vk
k=1
n
X
= βk fi (vk )
| {z }
k=1
δik
= βi · 1 = βi ,
donde obtemos que βi = fi (v), ∀i ∈ {1, ..., n}, como querı́amos mostrar.
O Teorema 2.3 nos diz que, dada uma base B = {v1 , ..., vn } de V , a base dual B ∗ = {f1 , ..., fn } é tal
que cada fi associa a qualquer vetor v ∈ V sua i-ésima coordenada em relação à base B. Combinando
(i) e (ii) do Teorema 2.3, temos:
Se f ∈ V ∗ , pondo f (vi ) = ai , ∀i ∈ {1, ..., n}, então quando
v = x 1 v1 + · · · + x n vn
Note que isso quer dizer que, se descrevermos qualquer vetor v ∈ V em termos de suas coordenadas em
relação à base B, então todo funcional linear em V terá a forma dada em (2), ou seja, f (x1 , ..., xn ) =
a1 x1 + · · · + an xn , onde ai = f (vi ).
Exemplo 2.2. Seja V o espaço vetorial real de todas as funções polinomiais de R em R com grau
menor do que ou igual a 2. Sejam t1 , t2 , t3 ∈ R distintos e considere as aplicações, para i = 1, 2, 3,
dadas por
Li : V −→ R
p 7−→ Li (p) := p(ti )
L1 , L2 e L3 são funcionais lineares linearmente independentes. Para ver isto, basta tomar
λ1 L1 + λ2 L2 + λ3 L3 = 0
4
Definição 2.3. Se V é um espaço vetorial de dimensão n, dizemos que qualquer subespaço de V com
dimensão n − 1 é um hiperespaço.
Podemos ainda nos referir a qualquer hiperspaço como hiperplano ou subespaço de codi-
mensão 1. Claramente, o núcleo de qualquer funcional linear não-nulo é um hiperespaço. Vale a
recı́proca? isto é, todo hiperespaço é o núcleo de algum funcional linear? Veremos a resposta dessa
pergunta mais adiante.
Definição 2.4. Seja V um espaço vetorial sobre o corpo K e S ⊆ V um subconjunto qualquer.
Definimos o aniquilador de S, denotado por S 0 , como sendo o conjunto de todos os funcionais
lineares f ∈ V ∗ tais que f (v) = 0, para todo v ∈ S. Simbolicamente
S 0 = {f ∈ V ∗ | f (v) = 0, ∀v ∈ S}.
fi (vj ) = 0
e portanto
k
X
fi (v) = fi λj vj
j=1
k
X
= λj fi (vj ) = 0,
j=1
| {z }
=0
e assim fi (v) = 0, ∀i ∈ {k + 1, ..., n} e ∀v ∈ W , o que nos dá fi ∈ W 0 . Como a B ∗ é base, segue que
que W 0 é gerado por {fk+1 , ..., fn }. Dado qualquer operador
{fk+1 , ..., fn } é l.i., e só nos resta mostrarP
∗ n
f ∈ V , segue pelo Teorema 2.3 que f = i=1 f (vi )fi , logo se f ∈ W 0 , temos f (vi ) = 0, ∀i ∈ {1, ..., k},
0
e portanto qualquer funcional em W se escreve
n
X
f= f (vi )fi ,
i=k+1
ou seja, f ∈ vec{fk+1 , ..., fn }. Por fim, temos que {fk+1 , ..., fn } é uma base de W 0 , o que prova que
dim W 0 = n − k.
5
Corolário 2.1. Se V é um espaço vetorial sobre K tal que dim V = n e W ⊆ V é um subespaço de
V tal que dim W = k, então W é a interseção de n − k hiperespaços de V .
Demonstração. Ainda nas notações do Teorema 2.4, considere a base B de V que completa a base
{v1 , ..., vk } de W e B ∗ a base de V ∗ dual de B. Pelo que vimos no Teorema anterir, temos que
logo W é a interseção de n − k hiperespaços de V (já vimos que o núcleo de qualquer funcional linear
é um hiperespaço), e temos o desejado.
Agora podemos responder a pergunta que haviamos deixado anteriormente: Se W ⊆ V é um
hiperespaço, então W é o núcleo de algum funcional linear? Claramente, se dim W = n − 1 segue
imediatamente pelo Corolário 2.1 que W é a interseção de n − (n − 1) = 1 hiperespaços, ou seja, W é
exatamente o hiperespaço ker(fn ) (nas notações usadas nas demonstrações anteriores).
Corolário 2.2. Se W1 e W2 são subespaços de um espaço vetorial de dimensão finita, então W1 = W2
se, e somente se W10 = W20 .
e isto não pode ocorrer, já que f se anula em todo vetor de W2 . Se supormos W1 * W2 , teremos o
mesmo tipo de contradição. Portanto, deve ocorrer W1 = W2 .
Vamos fazer uma breve analise observando um sistema de equações lineares homogêneo do ponto
de vista de funcionais lineares. Considere
A11 x1 + · · · + A1n xn = 0
.. .. ,
. .
Am1 x1 + · · · + Amn xn = 0
tal qual queremos determinar a solução. Para cada i ∈ {1, ..., m}, considere o funcional linear fi ∈ Kn ∗
definido por
fi (x1 , ..., xn ) = Ai1 x1 + · · · + Ain xn ,
logo estamos procurando o subespaço de Kn de todos os vetores v tais que
ou seja, procuramos o subespaço aniquilado por f1 , ..., fm . Através de operações elementares na matriz
dos coeficientes, podemos determinar a solução do sistema. Note ainda que, para cada i ∈ {1, ..., m},
a n-upla (Ai1 , ..., Ain ) nos fornece as coordenadas do funcional linear fi com respeito a base dual da
base canônica de Kn . Logo o espaço linha da matriz dos coeficientes pode ser visto como o espaço dos
funcionais lineres gerado por f1 , ..., fm . Portanto, sendo W o subespaço solução do sistema, temos
que
W 0 = vec{f1 , ..., fm },
ou seja, W é o subespaço de Kn aniquilado pelo subespaço de Kn ∗ gerado por f1 , ..., fm .
Por outro lado, vamos observar o sistema do ponto de vista dual. Suponha que são dados m vetores
em Kn
vi = (Ai1 , ..., Ain ), ∀i ∈ {1, ..., m}
e queremos determinar o aniquilador do subespaço W gerado por estes vetores. Seja f um funcional
linear de Kn , logo f tem a forma
f (x1 , ..., xn ) = c1 x1 + · · · + cn xn
6
e da condição de que f deve estar em W 0 , segue que f (vi ) = 0, para cada i ∈ {1, ..., m}, logo
e notamos que (3) é um sistema homogêneo m × n nas incóngnitas c1 , ..., cn . Ou seja, para determinar
o aniquilador de W , basta resolver este sistema.
Exemplo 2.3. Considere os funcionais lineares de R4 dados por
cujo sistema homogêneo associado tem a mesma solução que o sistema associado a A. A matriz R
nos fornece os funcionais lineares
g1 (x1 , x2 , x3 , x4 ) = x1 + 2x3
g2 (x1 , x2 , x3 , x4 ) = x2
g3 (x1 , x2 , x3 , x4 ) = x4 .
∗
que geram o mesmo subespaço de R4 e também aniquilam o mesmo subespaço de R4 que f1 , f2 , f3 .
Logo obtemos de
x1 + 2x3 = 0
x2 = 0
x4 = 0
W = {(x1 , x2 , x3 , x4 ) ∈ R4 | x1 = −2x3 , x2 = x4 = 0 e x3 ∈ R}
= {(−2x3 , 0, x3 , 0) | x3 ∈ R}
= vec{(−2, 0, 1, 0)}.
v1 = (2, −2, 3, 4, 1), v2 = (−1, 1, 2, 5, 2), v3 = (0, 0, −1, −2, 3), v4 = (1, −1, 2, 3, 0).
∗
Vamos determinar o subespaço W 0 de R5 . Seja A a matriz cujas linhas são formadas pelos vetores
que geram W , isto é,
2 −2 3 4 1
−1 1 2 5 2
A= .
0 0 −1 −2 3
1 −1 2 3 0
∗
Seja f ∈ R5 , então f é da forma
f (x1 , x2 , x3 , x4 , x5 ) = c1 x1 + c2 x2 + c3 x3 + c4 x4 + c5 x5
7
e f ∈ W 0 se, e somente se,
5
X
f (vi ) = 0, ∀i ∈ {1, 2, 3, 4} ⇐⇒ Aij cj = 0, ∀i ∈ {1, 2, 3, 4},
j=1
Através de operações elementares nas linhas de A obtemos a matriz linha equivalente a A dada por
1 −1 0 −1 0
0 0 1 2 0
R= 0 0
,
0 0 1
0 0 0 0 0
3 O Espaço Bidual
Iniciamos esta seção com a seguinte pergunta: Toda base de V ∗ é dual de alguma base de V ? Para
responder esta questão, vamos estudar o conceito de bidualidade, ou seja, vamos considerar V ∗∗ dual
de V ∗ (consequentemente, bidual de V ).
Se v ∈ V é um vetor qualquer, então v induz um funcional linear Lv ∈ V ∗∗ definido da seguinte
maneira
Lv : V∗ −→ K
f 7−→ Lv (f ) := f (v),
isto é, para cada f ∈ V ∗ , temos Lv (f ) = f (v). Vejamos que, de fato, Lv é um funcional linear. Sejam
f, g ∈ V ∗ = Dom(Lv ) e λ ∈ K, então
Lv (f + λg) = (f + λg)(v)
= f (v) + (λg)(v)
= f (v) + λg(v)
= Lv (f ) + λLv (g)
Se V tem dimensão finita e v 6= 0, então Lv 6= 0, pois existe f ∈ V ∗ tal que f (v) 6= 0, isto é, L(f ) 6= 0.
8
Teorema 3.1. Seja V um espaço vetorial sobre K de dimensão finita. Defina para cada v ∈ V
Lv (f ) = f (v), ∀f ∈ V ∗ .
Φ(v) = Lv ⇐⇒ Φ(v)(f ) = Lv (f ), ∀f ∈ V ∗ .
ou seja, Φ é uma transformação linear entre espaços de mesma dimensão, logo se mostrarmos
que Φ é injetiva teremos o desejado. Se v ∈ ker(Φ), segue que
Φ(v) = 0 ⇐⇒ Φ(v)(f ) = Lv (f ) = 0, ∀f ∈ V ∗
⇐⇒ f (v) = 0, ∀f ∈ V ∗
mas já observamos anteriormente que se v 6= 0, existe f ∈ V ∗ tal que f (v) 6= 0, logo para que
ocorra f (v) = 0 para todo f ∈ V ∗ , devemos ter v = 0, donde segue que
ker(Φ) = {0V },
Li (f ) = f (vi ), ∀f ∈ V ∗ ,
9
isto é, tal que Li = Lvi . Segue então que B ∗ := {v1 , ..., vn } é a base de V cuja base dual é B ∗ . Para
ver que B é base, basta concluir que B é l.i., já que tal conjunto possui n vetores. Sejam λ1 , ..., λn ∈ K
tais que
X n
λj vj = 0,
j=1
o que mostra a independência linear de B ∗ . Por fim, para concluir que B ∗ é dual de B, basta notar
que
fi (vj ) = Lj (fi ) = δji .
Pensando no Teorema 3.1, podemos identificar v com Lv e dizemos que o dual de V ∗ é V . Neste
caso, V e V ∗ podem ser vistos como dual um do outro.
Note ainda que se E for qualquer subconjunto de V ∗ , segue que E 0 será agora subespaço de V ∗∗ e
se optarmos por fazer a identificação usando o Teorema 3.1, então E 0 pode ser visto como subespaço
de E. Mais especificamente, E 0 será o conjunto de todos os v ∈ V tais que f (v) = 0, para todo f ∈ E.
Teorema 3.2. Se S é qualquer subconjunto de um espaço vetorial V de dimensão finita, então (S 0 )0
é o subespaço gerado por S, isto é, (S 0 )0 = vec(S).
10
Teorema 4.1. Seja V um espaço vetorial de dimensão qualquer sobre K. Se ∈ V ∗ é um funcional
linear não nulo, então ker(f ) é um hiperespaço de V . Reciprocamente, todo hiperespaço em V é núcleo
de algum (não único) funcional linear não nulo em V .
Demonstração. Suponha que f ∈ V ∗ é um funcional linear não nulo em V , então existe v ∈ V tal que
f (v) 6= 0, isto é, v ∈ V \ ker(f ). Devemos mostrar que todo vetor de V pertence a ker(f ) + Kv, ou
seja, todo vetor de V se escreve como
k + λv, k ∈ ker(f ) e λ ∈ K.
f (w)
Seja w ∈ V e defina λ := f (v) , o que faz sentido, já que f (v) 6= 0. Note agora que o vetor k := w − λv
pertence a ker(f ), pois
f (k) = f (w − λv)
= f (w) − λf (v)
f (w)
= f (w) − f (v)
f (v)
= f (w) − f (w) = 0,
logo
w = u + λv, u ∈ N e λ ∈ K.
w = u0 + λ0 v,
segue que
u0 + λ0 v = u + λv ⇐⇒ (λ0 − λ)v = u − u0 .
Se tivessemos λ0 − λ 6= 0, isto implicaria em
1
v= (u − u0 ) ∈ N,
λ0 − λ | {z }
∈N
∃! λ1 ∈ K, t.q. x − λ1 v ∈ N
∃! λ2 ∈ K, t.q. y − λ2 v ∈ N,
sendo λ1 = g(x) e λ2 = g(y), logo
de modo que
g(x + αy) = λ1 + αλ2 = g(x) + αg(y).
• o núcleo de g é N : De fato
w ∈ ker(g) ⇐⇒ g(w) = 0
⇐⇒ w − g(w)v ∈ N
⇐⇒ w ∈ N.
11
Lema 4.1. Sejam f e g funcionais lineares em V . Então, g é multiplo escalar de f se, e somente se,
o núcleo de f está contido no núcleo de g, i.é., f (v) = 0 implica em g(v) = 0.
Demonstração. A implicação (⇒) é evidente, pois se existe λ ∈ K t.q. g = λf , dado v ∈ ker(f ) segue
que g(v) = (λf )(v) = λf (v) = λ · 0 = 0, o que implica v ∈ ker(g). Reciprocamente, suponha que
ker(f ) ⊆ ker(g), ou seja, que f (v) = 0 implica g(v) = 0. Se f ≡ 0, então g ≡ 0 e para qualquer escalar
λ ∈ K temos g = λf . Suponha f 6= 0, escolha v ∈ V tal que f (v) 6= 0 e defina
g(v)
λ := .
f (v)
Note que o funcional linear h := g − λf se anula em ker(f ), já que ker(f ) ⊆ ker(g). Além disso, temos
h(v) = (g − λf )(v)
= g(v) − (λf )(v)
= g(v) − λf (v)
g(v)
= g(v) − f (v)
f (v)
= g(v) − g(v) = 0
Logo h se anula em ker(f ) e em Kv, ou seja, h se anula em ker(f ) + Kv, mas pelo Teorema anterior
ker(f ) + Kv é todo o espaço V , e portanto h é identicamente nulo e segue que
h = g − λf = 0 ⇐⇒ g = λf.
O Lema acima nos auxiliará na demonstração do último resultado desta seção que é o próximo
Teorema.
Teorema 4.2. Sejam V um K espaço vetorial de dimensão qualquer e g, f1 , ..., fr funcionais lineares
em V . Então
r
X r
\
existem λ1 , ..., λr ∈ K tais que g = λj fj ⇐⇒ ker(fi ) ⊆ ker(g).
i=1 i=1
e segue que x ∈ ker(g), isto é, ker(f1 ) ∩ · · · ∩ ker(fr ) ⊆ ker(g). Reciprocamente, suponha que
T r
i=1 ker(fi ) ⊆ ker(g). Vamos provar que g é combinação linear de f1 , ..., fr . Procedemos por indução
em r ∈ N. O caso para r = 1 é o que foi provado no Lema anterior. Suponha que o resultado seja
valido para r = k − 1, isto é, temos que ker(f1 ), ..., ker(fk−1 ) ⊆ ker(g) implica em ∃(λi )k−1 i=1 ⊂ K t.q.
g = λ1 f1 + · · · + λk−1 fk−1 . Sejam f1 , ..., fk tais que ker(f1 ) ∩ · · · ∩ ker(fk ) ⊆ ker(g). Vamos de-
notar por g 0 , f10 , ..., fk−1
0
as restrições de g, f1 , ..., fk−1 ao subespaço ker(fk ), respectivamente. Então
g , f1 , ..., fk−1 são funcionais lineares em ker(fk ), ou ainda, g 0 , f10 , ..., fk−1
0 0 0 0
∈ (ker(fk ))∗ . Se v ∈ ker(fk )
0
e fi (v) = 0, para todo i ∈ {1, ..., k − 1}, então v ∈ ker(f1 ) ∩ · · · ∩ ker(fk ) e, consequentemente,
v ∈ ker(g), por hipótese, logo g 0 (v) = 0 (pois g 0 = g|ker(fk ) ). Note que isso nos dá
k−1
\
ker(fi0 ) ⊆ ker(g 0 ),
i=1
e é aqui que podemos aplicar a hipótese de indução (h.i.). Segue pela h.i. que existem α1 , ..., αk−1 ∈ K
tais que
k−1
X
g0 = αi fi0 .
i=1
12
Agora, defina
k−1
X
h := g − αi fi .
i=1
Claramente h é um funcional linear em V , e para todo v ∈ ker(fk ) segue que h(v) = 0. Então, pelo
Lema anterior, temos que h é múltiplo escalar de fk , então h = λfk , λ ∈ K, e temos
k−1
X k−1
X
g− αi fi = λfk ⇐⇒ g=− αi fi + λfk ,
i=1 i=1
e portanto T > (g1 + λg2 ) = T > (g1 ) + λT > (g2 ), o que nos dá T > ∈ L(W ∗ , V ∗ ).
O que acabamos de fazer logo acima, pode ser sumarizado no seguinte Teorema.
Teorema 5.1. Sejam V e W espaços vetoriais sobre K. Para cada transformação linear T ∈ L(V, W ),
existe uma única transformação linear T > ∈ L(W ∗ , V ∗ ) tal que
13
(i) rank(T ) = rank(T > ).
(ii) A imagem de T > é o aniquilador do núcleo de T , isto é,
Demonstração. Primeiramente, vamos mostrar que ker(T > ) = (Im(T ))0 . Seja g ∈ W ∗ , de modo que
g ∈ ker(T > ), logo T > (g) = 0V ∗ . Por definição, para todo v ∈ V , temos que
n := dim V e m := dim W.
mas pelo que provamos na primeira parte deste Teorema, ker(T > ) = (Im(T ))0 , logo
(ii) Seja f ∈ Im(T > ), então f = T > (g) = g ◦ T , com g ∈ W ∗ . Dado v ∈ ker(T ), segue que
e isto nos diz que f ∈ (ker(T ))0 , ou seja, Im(T > ) ⊂ (ker(T ))0 e temos que Im(T > ) é um
subespaço de (ker(T ))0 . Por fim, note que
dim(ker(T ))0 = n − dim ker(T ) = rank(T ) = rank(T > ) = dim Im(T > ),
donde segue que Im(T > ) e (ker(T ))0 são o mesmo espaço vetorial.
Teorema 5.3. Sejam V e W espaços vetoriais sobre K, B uma base de V com base dual B ∗ e C
uma base de W com base dual C ∗ . Se T : V → W é uma transformação linear tal que A := [T ]B
C e
∗
B := [T > ]CB∗ , então Bij = Aji , i.é., B = A> .
14
e
n
X
T > (gj ) = Bkj fk , ∀j ∈ {1, ..., m}. (8)
k=1
Por outro lado, para todo (i, j) ∈ {1, ..., n} × {1, ..., m}, segue da definição de transposta que
= Aji . (9)
Agora, aplicando (8), para todo j ∈ {1, ..., m}, em vi , i ∈ {1, ..., n}, obtemos
n
!
X
>
T (gj )(vi ) = Bkj fk (vi )
k=1
n
X
= Bkj fk (vi )
| {z }
k=1
δki
= Bij . (10)
isto é,
T (x1 , ..., xn ) = (y1 , ..., ym ),
onde
n
X
yi = Aij xj , ∀i ∈ {1, ..., m}.
j=1
As colunas de A> são iguais as linhas de A. Pelo mesmo argumento do parágrafo anterior, o posto-
coluna de A> é igual ao posto de T > . Mas pelo Teorema 5.2, rank(T > ) = rank(T ), logo o posto-coluna
de A> é igual ao posto coluna de A, mas como o posto-coluna de A> é igual ao posto-linha de A,
segue que o posto-coluna de A é igual ao posto-linha de A.
6 Referências
1. K. Hoffman and R. Kunze - Linear Algebra (2nd edition) - Prentice Hall (1971).
15