Alg Lin 4-5 4-6

Álgebra Linear
Dimensão de um Espaço Vetorial; Posto
Francisco Müller
25 de junho de 2018
F. Müller Álgebra Linear 25 de junho de 2018 1 / 41

Sumário
1 Dimensão de um Espaço Vetorial
2 Posto
3 Aplicações em Cadeias de Markov

Sumário
2 Posto

Dimensão de um Espaço Vetorial
TEOREMA 9
Se um espaço vetorial V possui uma base β = {b1 , . . . , bn },
então qualquer conjunto em V contendo mais que n vetores
é necessariamente linearmente dependente.
Prova: Suponha que {u1 , . . . , up } seja um conjunto

n de vetores emo V
onde p > n. Então os vetores das coordenadas [u1 ]β , · · · , [up ]β estão
n o
em Rn . Como p > n, [u1 ]β , · · · , [up ]β são linearmente dependentes e
consequentemente {u1 , . . . , up } são linearmente dependentes.

TEOREMA 10
Se um espaço vetorial V possui uma base com n vetores,
então cada base de V precisa possuir n vetores.
Prova: Suponha que β1 seja uma base para V com exatamente n vetores.
Agora suponha β2 é outra base para V . Por definição do que é uma base,
sabemos que β1 e β2 são ambos conjuntos linearmente independentes.
Pelo Teorema 9, se β1 possui mais vetores que β2 , então β1 é um conjunto
linearmente dependente (o que não pode ser o caso).
Outra vez pelo Teorema 9, se β2 possui mais vetores que β1 , então β2 é
um conjunto linearmente dependente (o que não pode ser o caso).
assim β2 também possui exatamente n vetores.

DEFINIÇÃO
Se V é gerado por um conjunto finito, então V é chamado
de espaço de dimensão finita, e a dimensão de V ,
denotada por dim V , é o número de vetores em uma base
para V . A dimensão do espaço vetorial trivial {0} é definida
como sendo 0. Se V não é gerado por um conjunto finito,
então V é chamado de espaço de dimensão infinita.
EXEMPLO: A base canônica para P3 é 1, t, t 2 , t 3 . Assim dim

P3 = 4.
em geral, dim Pn = n + 1.
EXEMPLO: A base canônica para Rn é {e1 , . . . , en } sendo que

e1 , . . . , en são as colunas In . Então, por exemplo, dim R3 = 3.

EXEMPLO: Encontre uma base e a dimensão do subespaço
  

 a + b + 2c 

2a + 2b + 4c + d
  
W =   : a, b, c, d são reais .


 b +c +d  

3a + 3c + d
 

Solução: Como
         
a + b + 2c 1 1 2 0
 2a+2b+4c+d   2   2   4   1 
  = a +b +c  +d  ,
 b+c +d   0   1   1   1 
3a + 3c + d 3 0 3 1
W =span{v1 , v2 , v3 , v4 }
       
1 1 2 0
 2   2   4   1 
onde v1 =   , v =   , v =   , v =  .
 0  2  1  3  1  4  1 
3 0 3 1
Observe que v3 é uma combinação linear de v1 e v2 , então pelo

Teorema do Conjunto Gerador, podemos descartar v3 .
v4 não é uma combinação linear de v1 e v2 . Então {v1 , v2 , v4 } é a

base para W . Assim, dim W = 3.

EXEMPLO: Dimensões dos subspaços do R 3  
 0 
Subespaços 0-dimensionais contém apenas o subespaço trivial  0  .
0
 
Subespaços 1-dimensionais. Span{v} onde v 6= 0 está no R3 .
Estes subespaços são retas pela origem.
Subespaços 2-dimensionais. Span{u, v} onde u e v estão no R3 e não são
múltiplos uns dos outros.
Estes subespaços são planos pela origem.
subespaços 3-dimensionais. Span{u, v, w} onde u, v, w são vetores
linearmente independentes no R3 . Este subespaço é o próprio R3 pois as
colunas de A = [u v w] geram R3 pelo teorema da matriz inversı́vel.

TEOREMA 11
Seja H um subespaço de um espaço vetorial finito V .
Qualquer conjunto linearmente independente em H pode ser
expandido, se necessário, até formar uma base de H. Mais
ainda, H é de dimensão finita e
dim H ≤ dim V .
   
 1 1 
EXEMPLO: Seja H =span  0  ,  1  . Então H é um subespaço
0 0
 
de R3 e dim H < dim R3 .

   
 1 1 
Podemos expandir o conjunto gerador  0 , 1  para
 
0 0
 
     
 1 1 0 
 0  ,  1  ,  0  para formar uma base para R3 .
0 0 1
 
TEOREMA 12 TEOREMA DA BASE
Seja V um espaço vetorial p− dimensional, p ≥ 1. Todo
conjunto linearmente independente com exatamente p
vetores em V é automaticamente uma base para V .
Qualquer conjunto de exatamente p vetores que geram V é
automaticamente uma base para V .

EXEMPLO: Mostre que t, 1 − t, 1 + t − t 2 é uma base para P2 .

Solução: Seja v1 = t, v2 = 1 − t, v3 = 1 + t − t 2 e β = 1, t, t 2 .

Vetores de coordenadas correspondentes

     
0 1 1
[v1 ]β =  1  , [v2 ]β =  −1  , [v3 ]β =  1 
0 0 −1
[v2 ]β não é múltiplo de [v1 ]β
[v3 ]β não é combinação linear de [v1 ]β e [v2 ]β

n o
=⇒ [v1 ]β , [v2 ]β , [v3 ]β é linearmente independente e assim {v1 , v2 , v3 }
também é linearmente independente.
Como dim P2 = 3, {v1 , v2 , v3 } é uma base para P2 de acordo com o
Teorema da Base.

Dimensões de Col A e Nul A
Relembre nossas técnicas para encontrar as bases para os espaços das

colunas e espaços do nulos.
1 2 3 4
EXEMPLO: Suponha A = . Encontre dim Col A e dim
2 4 7 8
Nul A.
Solução

1 2 3 4 1 2 3 4
∼
2 4 7 8 0 0 1 0

1 3
Então , é uma base para Col A e
2 7
dim Col A = 2.

Agora resolva Ax = 0 escalonando a matriz aumentada correspondente.
Obtemos:

1 2 3 4 0 1 2 0 4 0
∼ ··· ∼
2 4 7 8 0 0 0 1 0 0
x1 = −2x2 − 4x4
x3 = 0
e
     
x1 −2 −4
 x2   1   0 
 x3  = x2  0  + x4  0 
     
x4 0 1
   

 −2 −4  
1   0 

Assim 
 0
,
  0 
 é uma base para Nul A e

 
0 1
 
dim Nul A = 2.
Observe
dim Col A = número de colunas pivô de A

dim Nul A = número de variáveis livres de A .

Sumário
2 Posto

Posto
O conjunto de todas as combinações lineares dos vetores linha da matriz A
é chamado de espaço das linhas de A e é denotado por Lin A.
EXEMPLO: Seja
 
−1 2 3 6 r1 = (−1, 2, 3, 6)
A=  2 −5 −6 −12  e r2 = (2, −5, −6, −12) .
1 −3 −3 −6 r3 = (1, −3, −3, −6)
Lin A =Span{r1 , r2 , r3 } (um subespaço de R4 )
Enquanto é natural expressar vetores linha horizontalmente, eles também

podem ser expressos como vetores colunas se for mais conveniente. Dessa
forma
Col AT = Lin A .

Posto (cont.)
Quando usamos operações de linha para escalonar a matriz A para a

matriz B, estamos fazendo combinações lineares das linhas de A para
chegar em B. Podemos reverter o processo e usar operações de linha em
B para voltar a A. Por esse motivo, o espaço das linhas de A é igual ao
espaço das linhas de B.

TEOREMA 13
Se duas matrizes A e B são equivalentes por linha, então
seus espaços das linhas são iguais. Se B está na forma
escalonada, as linhas não-nulas de B formam uma base para
o espaço das linhas de A, assim como o de B.

EXEMPLO: As matrizes
   
−1 2 3 6 −1 2 3 6
A =  2 −5 −6 −12  e B =  0 −1 0 0 
1 −3 −3 −6 0 0 0 0
são equivalentes por linha. Encontre uma base para o espaço das linhas,
espaço das colunas e espaço nulo de A. determine também a dimensão de
cada espaço.
Base para Lin A :
{(−1, 2, 3, 6), (0, −1, 0, 0)}

dim Lin A  :2   
 −1 2 
Base para Col A :  2  ,  −5 
1 −3
 
dim Col A :2

Para encontrar Nul A, resolva Ax = 0 primeiro:
   
−1 2 3 6 0 −1 2 3 6 0
 2 −5 −6 −12 0  ∼  0 −1 0 0 0 
1 −3 −3 −6 0 0 0 0 0 0
 
1 0 −3 −6 0
∼ 0 1 0
 0 0 
0 0 0 0 0
       
x1 3x3 + 6x4 3 6
 x2   0   0   0 
 x3  = 
    = x3   + x4  
x3   1   0 
x4 x4 0 1
   

 3 6 
   
 , 0 
0

Base para Nul A :  1   0 

 
0 1
 
e dim Nul A = 2

Observe o seguinte:
dim Col A = # de pivôs de A = # de linhas não-nulas em B
= dim Lin A.
dim Nul A = # de variáveis livres = # de colunas não

contendo pivô de A.

Posto
DEFINIÇÃO
O posto de A é a dimensão do espaço de colunas de A.
posto A = dim Col A =# de colunas pivô de A = dim Lin A .
posto A + |dim {z
Nul A} = n
|{z}
| {z }
 l   l   l 
 # de colunas   # de colunas   # de 
pivô não-pivô colunas
de A de A de A
     

TEOREMA 14 TEOREMA DO POSTO
As dimensões do espaço coluna e do espaço das linhas de
uma matriz A m × n são iguais. Essa dimensão comum, o
posto de A, também é igual ao número de posições pivô em
A e satisfaz a equação
posto A + dim Nul A = n.
Como Lin A = Col AT ,
posto A = posto AT .

EXEMPLO: Suponha que uma matriz 5 × 8 A tenha posto 5. Encontre
dim Nul A, dim Lin A e posto AT . Seria Col A = R5 ?
Solução:
posto A + |dim {z
Nul A} = |{z}n
| {z }
l ↓ l
5 ? 8
5 + dim Nul A = 8 ⇒ dim Nul A = 3
dim Lin A = posto A = 5
⇒ posto AT = posto A = 5
Como o posto A = # de pivôs em A = 5, existe um pivô em cada linha.

Então as colunas de A geram R5 . Assim Col A = R5 .

EXEMPLO: Para uma matriz 9 × 12 A, encontre o menor valor possı́vel
de dim Nul A.
Solução:
posto A + dim Nul A = 12
dim Nul A = 12 − posto A

| {z }
maior valor possı́vel=9
menor valor possı́vel de dim Nul A = 3

Visualizando Lin A e Nul A

1 0 −1
EXEMPLO: Seja A = . Pode ser facilmente verificado
2 0 −2
que:    
 0 1 
Base para Nul A =  1  ,  0  e assim Nul A é um plano em R3 .
0 1
 
 
 1 
Base para Lin A =  0  e assim Lin A é uma linha em R3 .
−1
 

1
Base para Col A = e assim Col A é uma linha em R2 .
2

T −2
Base para Nul A = e assim Nul AT é uma linha em R2 .
1

Subespaços Nul A e Lin A

Subespaços Nul AT e Col A

O Teorema do Posto provê uma poderosa ferramenta para determinar
informações sobre um sistema de equações.
EXEMPLO: Um cientista resolve um sistema homogêneo de 50 equações
em 54 variáveis e encontra que 4 dos valores desconhecidos são variáveis
livres. Pode o cientista ter certeza de que qualquer sistema não
homogêneo associado (com os mesmo coeficientes) possui solução?
Solution: Lembre que
posto A = dim Col A = # de colunas pivô de A
dim Nul A = # de variáveis livres
Neste caso Ax = 0 sendo que A é 50 × 54.
Pelo teorema do posto,
posto A + 4 = 54
ou
posto A = 50.
Então qualquer sistema não homogêneo Ax = b possui solução pois existe

um pivô em cada linha.
Teorema da Matriz Inversı́vel (continuação)
Seja A uma matriz quadrada n × n. Então as seguintes
afirmações são equivalentes:
m. As colunas de A formam uma base
para Rn
n. Col A = Rn
o. dim Col A = n
p. posto A = n
q. Nul A = {0}
r. dim Nul A = 0

Sumário
2 Posto

Aplicações em Cadeias de Markov
Rent-a-Lemon possui três locais dos quais se pode alugar um carro
durante um dia: Aeroporto, centro e vale
Migra:
Alugado de
Aeroporto Centro Vale
.95 .02 .05 Aeroporto
Devolvido em
.03 .90 .05 Centro
.02 .08 .90 Vale
Aeroporto
Centro Vale

 
.95 .02 .05
M =  .03 .90 .05 
.02 .08 .90
(matriz de migração)


.5 (fração incial de carros no aeroporto)
x0 =  .3  (fração incial de carros no centro)
.2 (fração incial de carros no vale)
(vetor de distribuição inicial, que é um vetor de probabilidades)

Interpretação de Mx0
  
.95 .02 .05 .5
Mx0 =  .03 .90 .05   .3  =
.02 .08 .90 .2
     
.95 .02 .05
.5  .03  + .3  .90  + .2  .05 
.02 .08 .90
↑ ↑ ↑
Redistribuição Redistribuição Redistribuição
de carros do de carros do de carros do
aeroporto centro vale

Distribuição após
 um dia=    
.95 .02 .05 .5 0.491
x1 = Mx0 =  .03 .90 .05   .3  =  0.295 
.02 .08 .90 .2 0.214
xk+1 = Mxk for k = 0, 1, 2, . . .

(Cadeia de Markov)

Distribuição após
 dois dias=    
.95 .02 .05 0.491 0.483
x2 = Mx1 =  .03 .90 .05  0.295 = 0.290 
.02 .08 .90 0.214 0.226
    
.95 .02 .05 0.483 0.475
x3 = Mx2 = .03 .90 .05
  0.290 = 0.287 
.02 .08 .90 0.226 0.236
    
.95 .02 .05 0.475 0.468
x4 = Mx3 =  .03 .90 .05  0.287 = 0.284 
.02 .08 .90 0.236 0.244

..
.  
0.417
x49 = Mx48 =  0.278 
0.305
 
0.417
x50 = Mx49 =  0.278  (distribuição a longo prazo)
0.305
..
.  
0.417
x =  0.278  é dito um vetor de regime estacionário pois x = Mx
0.305

Encontrando o Vetor de Regime Estacionário
Mx = x
Mx =I x
Mx−I x = 0
(M−I ) x = 0
Resolva (M−I ) x = 0 para encontrar o vetor de regime estacionário.

Observe que a solução x precisa ser um vetor de probabilidades.

Exemplo:
Suponha que 3% da população dos EUA viva no estado de Washington.

Suponha que a migração da população para dentro e fora do estado se
mantenha constante por muitos anos de acordo com as probabilidades
abaixo. Qual percentual da população irá eventualmente viver em
Washington?
De :
WA Resto dos EUA Para:
.9 .01 WA
.1 .99 Resto dos EUA.

Solução

.9 .01 % pessoas em WA
M= x=
.1 .99 % resto dos EUA

.9 .01 1 0 −0.1 0.01
M −I = − =
.1 .99 0 1 0.1 −0.01
Resolva (M−I ) x = 0

−0.1 0.01 0 1 −0.1 0
∼
0.1 −0.01 0 0 0 0

x1 0.1x2 0.1
x= = = x2
x2 x2 1

1
Uma solução: x =
10
A solução desejada possui valores que somam um:

1/11 0.091
x= ≈
10/11 0.909

Alg Lin 4-5 4-6

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Alg Lin 4-5 4-6

Enviado por

Direitos autorais:

Formatos disponíveis

Álgebra Linear

Dimensão de um Espaço Vetorial; Posto

F. Müller Álgebra Linear 25 de junho de 2018 1 / 41

1 Dimensão de um Espaço Vetorial

3 Aplicações em Cadeias de Markov

F. Müller Álgebra Linear 25 de junho de 2018 2 / 41

1 Dimensão de um Espaço Vetorial

3 Aplicações em Cadeias de Markov

F. Müller Álgebra Linear 25 de junho de 2018 3 / 41

Prova: Suponha que {u1 , . . . , up } seja um conjunto

F. Müller Álgebra Linear 25 de junho de 2018 4 / 41

F. Müller Álgebra Linear 25 de junho de 2018 5 / 41

EXEMPLO: A base canônica para Rn é {e1 , . . . , en } sendo que

F. Müller Álgebra Linear 25 de junho de 2018 6 / 41

F. Müller Álgebra Linear 25 de junho de 2018 7 / 41

Observe que v3 é uma combinação linear de v1 e v2 , então pelo

v4 não é uma combinação linear de v1 e v2 . Então {v1 , v2 , v4 } é a

F. Müller Álgebra Linear 25 de junho de 2018 8 / 41

F. Müller Álgebra Linear 25 de junho de 2018 9 / 41

de R3 e dim H < dim R3 .

F. Müller Álgebra Linear 25 de junho de 2018 11 / 41

Vetores de coordenadas correspondentes

[v2 ]β não é múltiplo de [v1 ]β

[v3 ]β não é combinação linear de [v1 ]β e [v2 ]β

F. Müller Álgebra Linear 25 de junho de 2018 12 / 41

Relembre nossas técnicas para encontrar as bases para os espaços das

F. Müller Álgebra Linear 25 de junho de 2018 13 / 41

dim Col A = número de colunas pivô de A

F. Müller Álgebra Linear 25 de junho de 2018 15 / 41

1 Dimensão de um Espaço Vetorial

3 Aplicações em Cadeias de Markov

F. Müller Álgebra Linear 25 de junho de 2018 16 / 41

Enquanto é natural expressar vetores linha horizontalmente, eles também

F. Müller Álgebra Linear 25 de junho de 2018 17 / 41

Quando usamos operações de linha para escalonar a matriz A para a

F. Müller Álgebra Linear 25 de junho de 2018 18 / 41

F. Müller Álgebra Linear 25 de junho de 2018 19 / 41

Base para Lin A :

{(−1, 2, 3, 6), (0, −1, 0, 0)}

F. Müller Álgebra Linear 25 de junho de 2018 20 / 41

F. Müller Álgebra Linear 25 de junho de 2018 21 / 41

dim Nul A = # de variáveis livres = # de colunas não

F. Müller Álgebra Linear 25 de junho de 2018 22 / 41

posto A = dim Col A =# de colunas pivô de A = dim Lin A .

F. Müller Álgebra Linear 25 de junho de 2018 23 / 41

posto A + dim Nul A = n.

Como Lin A = Col AT ,

F. Müller Álgebra Linear 25 de junho de 2018 24 / 41

dim Lin A = posto A = 5

Como o posto A = # de pivôs em A = 5, existe um pivô em cada linha.

F. Müller Álgebra Linear 25 de junho de 2018 25 / 41

posto A + dim Nul A = 12

dim Nul A = 12 − posto A

F. Müller Álgebra Linear 25 de junho de 2018 26 / 41

F. Müller Álgebra Linear 25 de junho de 2018 27 / 41

F. Müller Álgebra Linear 25 de junho de 2018 28 / 41

F. Müller Álgebra Linear 25 de junho de 2018 29 / 41

Então qualquer sistema não homogêneo Ax = b possui solução pois existe

F. Müller Álgebra Linear 25 de junho de 2018 31 / 41

1 Dimensão de um Espaço Vetorial

3 Aplicações em Cadeias de Markov

F. Müller Álgebra Linear 25 de junho de 2018 32 / 41