Espacos Vetorais 2

Álgebra
Espaços Vetoriais
FEUP MIEEC 2013/14
Álgebra (FEUP - MIEEC) 1 / 88

Espaços Vetoriais Espaços vetoriais: Introdução
Vamos agora ver ...
Espaços Vetoriais
Espaços vetoriais: Introdução
Espaços e subespaços vetoriais
Espaço gerado e Independência Linear
Base
Mudança de Coordenadas
Espaços vetoriais e matrizes
Espaços vetoriais e sistemas de equações lineares
Ortogonalidade e Projeções

Espaços Vetoriais Espaços vetoriais: Introdução
Espaços vetoriais: Introdução I
I O conjuntos do vetores de R2 e R3 tem uma álgebra rica e permitem

interpretações geométricas importantes.
I Será que podemos operar com alguns outros objetos matemáticos

n
(vetores de R , polinómios, matrizes, sinais elétricos, ...) da mesma
forma que operamos com os vetores?
I Podemos encontrar novas propriedades e resultados que se apliquem

ao conjunto dos vetores de R2 e R3 mas também a outros objetos?

Espaços Vetoriais Espaços e subespaços vetoriais
Vamos agora ver ...
Espaços Vetoriais
Base

Espaços Vetoriais I
Denição
V é um Espaço Vectorial sobre R, se estão denidas as operações da
adição de vetores e multiplicação por um escalar (n
o real) com as seguintes
propriedades:
P1 Fecho da adição
∀u,v ∈V u + v ∈ V
i.e. a soma de qualquer par de elementos de V pertence a V.
P2 Fecho da multiplicação por números reais

∀u∈V , ∀α∈R α · u ∈ V
i.e. o produto de qualquer n
o real por qualquer elemento de V
pertence a V.
E as operações satisfazem ainda:

Espaços Vetoriais II
A1 x + y = y + x ∀x,y ∈V
A2 x + (y + z) = (x + y ) + z ∀x,y ,z∈V
A3 ∃10∈V : x + 0 = 0 + x = x ∀x∈V
A4 ∀x∈V ∃1(−x)∈V : x + (−x) = 0
(A1 − A4 , P 1 propriedades de grupo comutativo.)
M1 α(x + y ) = αx + αy ∀x,y ∈V ∀α∈R

M2 (α + β)x = αx + βx ∀x∈V ∀α,β∈R
M3 (αβ)x = α(βx) ∀x∈V ∀α,β∈R
M4 1x = x ∀x∈V

Exemplos de Espaços Vetoriais
R2 R3

I O espaço , o conjunto de vetores com 2(3) componentes, com
a adição de vetores e a multiplicação por escalares usuais.
Interpretado geometricamente como o conjunto dos vetores do plano
(no espaço tridimensional).
I O espaço Rn , o conjunto dos vetores com n componentes reais, com a

adição e a multiplicação por escalares usuais.
I O espaço Rm×n , o conjunto das matrizes reais de dimensão m×n

com a adição de matrizes e multiplicação por escalar denido.

Exemplos de Espaços Vetoriais II
I O conjunto dos polinómios reais com grau igual ou inferior a n, e as

operações usuais.
I C [a, b], o conjunto das funções R→R contínuas em [a, b] com

operações usuais.
I O conjunto dos números reais positivos com a soma denida como

multiplicação x ⊕y =x ·y e o produto escalar denido como a
exponenciação a ⊗ x = x a.
I Sinais em tempo discreto; sinais em tempo contínuo; ...

Subespaços Vetoriais
Denição
O conjunto U, não vazio, é um subespaço vetorial do espaço vetorial V
se:
P0 U⊂V
P1 x + y ∈ U ∀x,y ∈U
P2 αx ∈ U ∀α∈R ∀x∈U
Um subespaço vetorial é também um espaço vetorial, pois satisfazendo

P 0, P 1 e P2 satisfará também A1 − A4 e M1 − M4 .

Exemplos de subespaços:
I O conjunto dos vetores de Rn com a primeira componente nula é um
n
subespaço de R .
I O conjunto das matrizes reais, triangulares superiores de n×n é um

subespaço de R
n×n .
I C 1 [a, b] O conjunto das funções com a primeira derivada contínua em

[a, b] é um subespaço de C [a, b]
Exercícios:
I n
Os vetores de R com a primeira componente igual a 1 não é um subespaço
n
vetorial de R . Porquê?
I Qual o maior subespaço de Rn , e qual o menor?
I Quais os subespaços possíveis de R2 ?

I Demonstre a armação: Qualquer subespaço terá que conter o elemento neutro
do espaço a que pertence.

Combinação Linear
Denição
Sejam X1 , X2 , . . . , Xn vetores de um espaço vetorial V . Dizemos que
X ∈V é uma combinação linear dos vetores X1 , X2 , . . . , Xn se existirem
escalares α1 , α2 , . . . , αn tal que
n
X
X = α1 X1 + α2 X2 + . . . + αn Xn = αk Xk
k=1
Exemplos:
I X = 1 é uma comb. linear de 1 e 0 pois 1 = 1 1 + 2 0 mas

4 2 1 4 2 1
1 2
por exemplo não é comb. linear de ,
1 2
I 2 + 3x − 5x + 6x
2 3
é uma comb. linear de 1, x, x 2 , x 3


Espaços Vetoriais Espaço gerado e Independência Linear
Vamos agora ver ...
Espaços Vetoriais
Base

Espaço Gerado I
Denição
O conjunto de todas as combinações lineares dos vetores X1 , X2 , . . . , Xn
chama-se Espaço Gerado por {X1 , X2 , . . . , Xn } e designa-se por
L (X1 , X2 , . . . , Xn )
L (X1 , X2 , . . . , Xn ) = {X : X = α1 X1 + α2 X2 + . . . + αn Xn , ∃α1 ,α2 ,...αn ∈R }
Teorema: Se X1 , X2 , . . . , Xn ∈ U , sendo U um espaço vetorial, então

V = L (X1 , X2 , . . . , Xn ) é um subespaço vetorial de U .
Exercício: Demonstre a armação anterior.

Espaço Gerado II
Exemplos:
 1 0 0 
      
I O espaço R3pode ser gerado por 0 , 1 , 0 ou por
    0 0 1
 
 1 1 1   1 0 0 1 1 
      
0 , 5 , 1 ou por 0 , 1 , 0 , 0 , 5 .

1 0 3  
0 0 
1 1 1
I O espaço das matrizes triangulares superiores de dimensão 2 ×2 pode

1 0 0 1 0 0

ser gerado por , ,
0 0 0 0 0 1
I O espaço dos polinómios de grau inferior a três pode ser gerado por
2 3 ou por 1, (x − 1), (x−1)2 , (x−1)3
n o
1, x, x , x
2! 3!

Independência Linear I
Um conjunto de vetores diz-se linearmente independente se nenhum dos

vetores do conjunto puder ser expresso como combinação linear dos
restantes.
0 1 2 2 0 1
Ex:

, , não são lin. indep. pois =3 +2
1 0 3 3 1 0
1 2
Ex:

, são lin. indep.
2 1
Denição:
x1 , x2 , . . . , xn de um espaço vetorial V
Os vetores são linearmente
independentes se α1 x1 + α2 x2 + . . . + αn xn = 0 se verica apenas quando
α1 = α2 = . . . = αn = 0.
Note-se que α1 = α2 = . . . = αn = 0 é sempre uma das soluções do sistema [x1 , x2 , . . . , xn ][α1 α2 . . . αn ]T = 0.

A questão é que a solução é única quando os vetores são linearmente independentes.

Independência Linear II
Se um conjunto de vetores não é linearmente independente, os vetores

dizem-se linearmente dependentes.
Exercício: Demonstre a seguinte armação Os vetores X1 , X2 , . . . , Xn de um
espaço vetorial são linearmente dependentes se e só se um dos vetores puder ser
escrito como combinação linear dos restantes.
Por exemplo no caso de R3

I 2 vetores são linearmente independentes se não forem colineares.
I 3 vetores são linearmente independentes se não forem complanares.
I Um conjunto com mais do que 3 vetores é linearmente dependente.
Exercício: Demonstre a seguinte armação Em Rn , qualquer conjunto

com mais do que n vetores é linearmente dependente

Espaços Vetoriais Base
Vamos agora ver ...
Espaços Vetoriais
Base

Base
Denição
O conjunto de vetores {x1 , x2 , . . . , xn } forma uma base do espaço vetorial
V se vericar simultaneamente as seguintes condições:
I x1 , x2 , . . . , xn são linearmente independentes.
I x1 , x2 , . . . , xn geram V.
Exemplos:
1 0 0 1 0 0 0 0 2×2

I , , , forma uma base de R
0 0 0 0 1 0 0 1
1 0 0 
     
0 1 0

 

 
0 0 .

      
I  
,
. .
   
 
, · · · ,

.
 .  com n elementos forma uma base de

Rn a que
 .   .. 
 .
0

  

 

0 0 1
 

chamamos Base Canónica.

Dimensão I
I Se o espaço vetorial V tiver uma base com um número nito de

elementos dizemos que V tem dimensão nita.
Exemplo: Rn tem dimensão nita.
C [a, b] tem dimensão innita.
I Todas as bases de um espaço vetorial de dimensão nita têm o mesmo
número de elementos.
Denição
Ao número de elementos da base de V chamamos Dimensão de V ou
dim(V ).
Exemplo:
I dim Rm×n = m × n

I dim ({0}) = 0
I Sendo V o subespaço de Rn composto pelos vetores de Rn com a primeira componente
nula dim(V ) = n − 1

Dimensão II
Propriedades:
I Todas as bases de um espaço vetorial de dimensão nita têm o mesmo
número de elementos.
I Qualquer conjunto gerador de um espaço, tem um subconjunto que é

uma base.
I Qualquer conjunto linearmente independente pode, completado com

outros vetores, formar uma base.
Exercício: Demonstre estas propriedades.

Base como sistema de coordenadas I
Teorema:
Dados um espaço vetorial V numa qualquer base de V, existe uma e uma
só maneira de representar um qualquer vetor de V nessa base.
Consideremos R 3 . 
 1 0 0 
    
Sendo {e1 , e2 , e3 } = 0 , 1 , 0 a base canónica


0 0 1 
4
 
X = 5 pode ser expresso de uma só maneira como uma combinação

6
linear dos vetores da base
4 1 0 0
       
x = 5 = 4 0 + 5 1 + 6 0

6 0 0 1

Base como sistema de coordenadas II
Aos coecientes escalares da combinação linear (4,5 e 6) chamamos

coordenadas (ou componentes) de x na Base (ou sistema de
coordenadas) {e1 , e2 , e3 }

Base como sistema de coordenadas III

Considerando uma base diferente, por exemplo a base
 1 1 1 
     
{u1 , u2 , u3 } = 0 , −1 ,  0 


0 0 −1

4
 
O mesmo vetor
1 x = 5 terá coordenadas diferentes na nova base.
6
4 1 1 1
       
x = 5 = 15 0 + (−5) −1 + (−6)  0 

6 {e1 ,e2 ,e3 } 0 0 −1
Ou seja, as suas coordenadas na base {u1 , u2 , u3 } serão 15, -5, e 6.
4 15 4 15
       
x = 5 = −5 , x{e1 ,e2 ,e3 } = 5 , x{u1 ,u2 ,u3 } = −5
6 {e1 ,e2 ,e3 } −6 {u ,u ,u }
1 2 3
6 −6
1
Quando omitimos a base supomos tratar-se da base canónica.
Espaços Vetoriais Mudança de Coordenadas
Vamos agora ver ...
Espaços Vetoriais
Base

Mudança de base em vetores I

Seja V um espaço vetorial real de dimensão n e
E = {e1 , e2 , . . . , en } e E 0 = {e10 , e20 , . . . , en0 }
duas bases de V.
Sejam xE e xE 0 de Rn as coordenadas de um mesmo vetor nas bases E e

E 0 , respectivamente.
Como podemos relacionar as coordenadas xE e xE 0 nas diferentes bases?

Mudança de base em vetores II
Teorema
Seja V um espaço vetorial real de dimensão n e sejam E = {e1 , e2 , . . . , en }
e E
0 = {e10 , e20 , . . . , en0 } duas bases de V .
n
Sejam xE e xE 0 de R as coordenadas de um mesmo vetor nas bases E e
E 0 , respectivamente. Então as coordenadas do vetor nas diferentes bases
relacionam-se por:
xE = PxE 0 e xE 0 = P −1 xE ,
onde P é uma matriz de Rn×n em que cada coluna i é composta pelas

0
coordenadas de ei na base E .

Mudança de base em vetores III

Exemplo:
3
Considere-se o espaço
R
1
, E 1abase
1 canónica
e
0 0 0 0
E = {e1 , e2 , e3 } = 0 , − 1 , 0 .
0 0 −1
Dado o vetor x = [4 5 6]
T , temos de imediato xE = [4 5
T.
6]
Para calcular xE 0 , construímos a matriz P e calculamos P −1

   
1 1 1 1 1 1
P = 0 −1 −0 , P −1 = 0 −1 −0 = P.
0 0 −1 0 0 −1
Donde  
15
xE = P xE 0 e xE 0 = P −1 xE = −5 .
−6
Espaços Vetoriais Espaços vetoriais e matrizes
Vamos agora ver ...
Espaços Vetoriais
Base

Espaço das colunas de uma matriz I
Denição
Seja A uma matriz m × n. Chamamos espaço das colunas de A,
designa-se por R(A), o subespaço de Rm gerado pelos n vetores que
compõem as colunas da matriz A.
1 3 5
Exemplo:

A=
2 4 6
1 3 5

Espaço das colunas de A = L , ,
2 4 6

Espaço das colunas de uma matriz II
Interpretação
Seja A ∈ Rm×n e x ∈ Rn . O produto A·x poderá ser visto como uma

combinação linear das colunas de A.
Por exemplo:

a11 a12 x1 a x a12 x2 a a
Ax = = 11 1 = x1 11 + x2 12
a21 a22 x2 a21 x1 a22 x2 a21 a22
Então o produto Ax é o conjunto de vetores b ∈ Rm (b = A · x) que pode

ser gerado pelas colunas de A, ou seja, o espaço das colunas da matriz A
pode ser interpretado como o subespaço de R
m dos vetores b∈ Rm tais
que o sistema de equações Ax = b tem pelo menos uma solução.

Característica de uma matriz I
Denição
À dimensão de R(A) chamamos característica da matriz e designamos
por r (A).
51 3
Exemplo:

Seja A =
2 4
6
1 3 5 1 3

Espaço das colunas de A = L , , =L ,
2 4 6 2 4
1 3

dim(R(A)) = dim L , = 2.
2 4

Teorema
I r (A) = r (AT ).
I r (A) é igual ao número máximo de colunas linearmente independentes
da matriz de A.
I r (A) é igual ao número máximo de linhas linearmente independentes

da matriz de A.

Núcleo de uma matriz

Denição
Chamamos Núcleo da matriz A, ou espaço nulo, ao conjunto
N (A) = {x ∈ V : Ax = 0}
( conjunto solução do sistema homogéneo Ax = 0 ).
Seja A uma matriz de Rm×n . O núcleo de A é um subespaço vectorial de

Rn .
Exercício: Demonstre a armação acima.
Denição
Chamamos nulidade de A à dimensão do núcleo de A.
n(a) = dim(N (A)).

Dimensões de Núcleo e Espaço das colunas I
Teorema
Seja A uma matriz com n colunas.
dim(N (A)) + dim(R(A)) = n.
Ou seja
n(A) + r (A) = n.

Dimensões de Núcleo e Espaço das colunas II
Teorema
Seja A a matriz com n colunas. As seguintes armações são equivalentes:
I N (A) = {0}.
I dim(N (A)) = 0.
I dim(R(A)) = n.
Se A for quadrada, então as armações anteriores são ainda equivalentes a
I det(A) 6= 0.
I R(A) = Rn .
I A é invertível.
I O sistema Ax = b é possível e determinado (com solução x = A−1 b ).

Espaços Vetoriais Espaços vetoriais e sistemas de equações lineares
Vamos agora ver ...
Espaços Vetoriais
Base

Sistemas m equações a n incógnitas

Existência de solução I
Denição
Um sistema de equações lineares diz-se possível se tem uma ou mais soluções.
Diz-se Impossível caso não haja nenhuma solução.
Consideremos o sistema Ax = b , onde A ∈ Rm×n x ∈ Rn e b ∈ Rm .

O produto A · x pode ser escrito como uma combinação linear das colunas da
matriz A igualada ao vector b.
a11 a12 a1n b1
       
 a21   a22   a2n   b2 
 .  x1 +  .  x2 + . . . +  .  xn =  . 
       
 ..   ..   ..   .. 
am 1 am 2 amn bm
O sistema é possível sse existirem reais x1 , x2 , . . . , xn que satisfaçam a igualdade.


Existência de solução II
O que é o mesmo que dizer
Teorema
O sistema Ax = b é possível se e só se o vector b pertencer ao espaço gerado
pelas colunas de A.
O resultado seguinte permite determinar a existência da solução através do

cálculo da característica.
Teorema
.
Considere o sistema Ax = b . Seja (A..b) a matriz ampliada do sistema. O sistema
.
é possível se e só se r (A) = r (A..b).


Existência de solução III
Demonstração
Vimos já que (Ax = b possível ⇔ b ∈ R(A)).

Sejar (A) = k , ou seja A tem k colunas linearmente independentes a que
chamaremos a1 , a2 , . . . , ak . Estas k colunas geram R(A).
Se b ∈ R(A) então b pode ser escrito como combinação linear de a1 , a2 , . . . , ak .

Logo {a1 , a2 , . . . , ak , b} é linearmente dependente. Donde
r (Ab) = k .
Se b∈
/ R(A) então b não pode ser escrito como combinação linear de
a1 , a2 , . . . , ak . Logo {a1 , a2 , . . . , ak , b} é linearmente independente.
Donde r (Ab) = k + 1.


Existência de solução IV
Consideremos o sistema Ax = b de m equações a n incógnitas. Obviamente o

número de linhas ou colunas linearmente independentes não pode exceder o
número total de linhas ou colunas. Ou seja
r (A) ≤ n r (A) ≤ m
. .
Donde se conclui que r (A) = m ⇒ r (A..b) =m pois A e (A..b) tem o mesmo
número de linhas. Podemos então concluir
Seja A ∈ Rm×n . Se r (A) = m então Ax = b é possível.


Unicidade de Solução I
Denição
Seja Ax = b um sistema de equações possível.
O sistema diz-se Determinado se tiver uma e uma só solução.
O sistema diz-se Indeterminado se existir mais do que uma solução.
Teorema
Consideremos o sistema possível Ax = b . Os elementos do conjunto
solução do sistema S = {x ∈ Rn : Ax = b} podem ser obtidos como a
soma de uma solução particular (x tal que Ax = b ) com um elemento do
conjunto solução do sistema homogéneo, N = núcleo de A =
{z ∈ Rn : Az = 0}.
voltar


Unicidade de Solução II
Demonstração
Seja x uma solução particular do sistema i.e. Ax = b .
x é solução do sistema ⇔ Ax = b ⇔ Ax − Ax = b − b
⇔ A(x − x) = 0 ⇔ (x − x) ∈ N(A)
Se z = x − x, x = x + z .
Logo, qualquer solução do sistema é dada somando uma solução particular
a um elemento do núcleo.
Do Teorema anterior concluímos imediatamente o importante resultado
O sistema Ax = b não tem mais que uma solução se e só se N(A) = {0}


Unicidade de Solução III
Se N(A) = {0} então Ax = 0 ⇒ x = 0.

Escrevendo Ax como combinação linear das colunas de A, vericamos que
As colunas de A são linearmente independentes, ou seja, r (A) = n.
Donde concluímos o seguinte resultado que nos permite avaliar a unicidade

da solução através da característica da matriz.


Unicidade de Solução IV
Teorema
Considere o sistema possível Ax = b de m equações a n incógnitas.
I O sistema é determinado sse r (A) = n

I O sistema é indeterminado sse r (A) < n
Corolário
Se o sistema tiver mais incógnitas do que equações (n > m) o sistema não
poderá ser determinado.
Exercício:
a) Usando o facto que dim(N(A)) + dim(R(A)) = n demonstre o teorema acima.
b) Demonstre o corolário sabendo que se A ∈ Rm×n

r (A) ≤ min{m, n}

Sistemas m equações a n incógnitas I
Sumário

Sistemas m equações a n incógnitas II
Sistema Ax = b , m equações a n incógnitas.
POSSÍVEL
sse b ∈ R(A)
.
ou seja r (A) = r (A..b)
Sendo possível, é DETERMINADO
sse N(A) = {0}
ou seja r (A) = n
Sendo INDETERMINADO, qualquer solução x pode ser escrita como

x =x +z onde x é uma solução particular e z pertence ao núcleo.

Sistemas n equações a n incógnitas I
Consideremos o sistema Ax = b de n equações a n incógnitas. Neste caso,

a matriz dos coecientes (A) é uma matriz quadrada de ordem n × n.
Se r (A) = n
Então R(A) = Rn e N(A) = {0}

⇓ ⇓
Ax = b tem solução Não existe mais
n
para todo o b∈R que uma solução
⇓ ⇓
Sistema possível
e determinado
Existe solução e é única
−1
dada por x = A b

Sistemas n equações a n incógnitas II
Teorema
Seja A uma matriz quadrada de dimensão n. As seguintes armações são
equivalentes:
i) r (A) = n
ii) O sistema Ax = b tem uma única solução ∀b∈Rn
iii) A matriz A é invertível.

Interpretação da solução de sistemas de equações lineares

Comecemos por analisar o sistema homogéneo
Teorema
Consideremos Ax = 0, onde A ∈ Rm×n , x ∈ Rn e b ∈ Rm . A solução deste
sistema, o núcleo de A é um subespaço vectorial de Rn .
P0 N(A) ⊂ Rn
m
x ∈ N(A) ⇒ x ∈ Rn
P1 x, y ∈ N(A)
⇒ x + y ∈ N(A)
Ax = 0
⇒ Ax + Ay = 0 ⇒ A(x + y ) = 0
Ay = 0
⇒ x + y ∈ N(A)
P2 α ∈ R ∧ x ∈ N(A) ⇒ αx ∈ N(A)
Ax = 0 ⇒ αAx = α0 ⇒ A(αx) = 0 ⇒ αx ∈ N(A)

Interpretação Geométrica I
n=2
Seja N o conjunto solução do sistema Ax = 0 ode x ∈ R2 . Então N, um
2
subespaço vectorial de R poderá ser um dos seguintes:
Se dim(N) = 0 , N = {0} a origem do plano R2 (neste caso o sistema é

determinado, tem duas equações (linhas) linearmente
independentes)
Se dim(N) = 1 , N é uma recta do plano que passa na origem (o sistema é

simplesmente indeterminado, tem uma equação (linha) linearmente
independente)
Se dim(N) = 2 , N é o plano R2 (o sistema é duplamente indeterminado. Não

tem nenhuma equação linearmente independente. As equações
terão que ser do tipo 0x1 + 0x2 = 0, ou seja não trazem nenhuma
restrição ao conjunto solução).
Exercício: Analise as soluções possíveis se x ∈ R3 .

Interpretação Geométrica II
Analisemos agora o conjunto solução do sistema Ax = b onde A ∈ Rm×n ,

x ∈ Rn e b ∈ Rm .
Seja S o conjunto de soluções do sistema Ax = b e N o conjunto
solução do sistema homogéneo Ax = 0.
Pelo teorema do seguinte slide ver , podemos armar que sendo x0
uma solução particular do sistema S = x0 + N
(i.e. todos os elementos do conjunto S podem ser obtidos somando x0 a
elementos do conjunto N .)
Donde se concluí que sendo N um subespaço vectorial de Rn , S é uma
translação desse subespaço.

Interpretação Geométrica III
Denição
À translação de um subespaço vectorial chamamos variedade linear ou
subespaço am.
A dimensão da variedade linear é igual à dimensão do subespaço que é a
sua translação.
Exemplo:

Interpretação Geométrica IV
n=3
Seja S o conjunto solução do sistema ax = b onde x ∈ R3 , S é uma
variedade linear pertencente a R3
Se dim(N) = 0 , S é uma translação da origem de R3 , ou seja, S é um
ponto de R3 (o sistema é determinado)
Se dim(N) = 1 , S é uma recta de R3 (o sistema é indeterminado, há duas

equações (linhas) linearmente independentes)
Se dim(N) = 2 , S é um plano de R3 (há uma equação linearmente

independente)
Se dim(N) = 3 , S é o espaço R3 (não há equações linearmente

independentes)
Exercício: Analise o caso de x ∈ R2 .

Interpretação Geométrica V
 x +y =1 x = 1
 
 
Exemplo 1: 2y + 1 = 1.5 ⇔ y = 0.75
x + z = 0.25 z=0

 

Ou seja o sistema determinado (três equações linearmente independentes) dene

o ponto (1, 0.75, 0).
x =0
(
Exemplo 2: dene uma recta.
x −y =0

Interpretação Geométrica VI
z=1
(
Exemplo 3: dene o plano horizontal de altura 1.
x, y ∈ R


Ortogonalidade e Projeções Produto interno e norma
Vamos agora ver ...
Espaços Vetoriais
Produto interno e norma
Ângulos e Ortogonalidade
Bases ortogonais e ortonormadas
Projeções
Procedimento de Gram-Schmidt
Projeções e aproximações de mínimos quadrados

Produto interno
Denição
Seja V um espaço vetorial real. Chama-se produto interno em V a uma
função h∆, ∆i que a cada par de elementos (x, y ) de V faz corresponder
um número real hx, y i e que satisfaz os seguintes axiomas
1. hx, y i = hy , xi ∀x, y ∈ V (comutatividade)
2. hαx + βy , zi = αhx, zi + βhy , zi ∀x, y , z ∈ V ∀α, β ∈ R

o
(linearidade no 1 argumento)
2
3. hx, xi ≥ 0∀x ∈ V e hx, xi = 0 se e só se x =0 (não negatividade)
2 o
Em espaços vetoriais reais, a linearidade no 1 argumento e a comutatividade
o
implicam a linearidade no 2 argumento.
Exemplos de produto interno
1. Sejam x = [x1 x2 ]T e y = [y1 y2 ]T vetores de R2 .

hx, y i = x T y = x1 y1 + x2 y2 (produto escalar) é um produto interno.
2. Sejam x = [x1 x2 ]T e y = [y1 y2 ]T vetores de R2 .

hx, y i = 2x1 y1 + x1 y2 + x2 y1 + x2 y2 é um produto interno.
3. Sejam f e g funções contínuas de [a, b] em R.

Rb
hf , g i = a f (x)g (x)dx é um produto interno.
4. Sejam V e I sinais elétricos periódicos de período fundamental T.
Z T
1
V T (t)I (t)dt
hV , I i =
T 0
é um produto interno. (Sendo V e I os sinais de tensão e corrente,
respectivamente, P = hV , I i é a potência activa.)
Exercício: Verique que os exemplos satisfazem os axiomas de produto

interno.

Espaço Euclideano
Estamos nas condições de denir um conceito frequentemente utilizado:

espaço euclidiano.
Denição
Um espaço vetorial de dimensão nita com um produto interno denido
chama-se espaço euclidiano.

Norma
Denição
Seja V um espaço vetorial. Chama-se Norma em V a uma função que a
cada elemento x de V faz corresponder um número real kxk e que satisfaz
os seguintes axiomas
1. kxk ≥ 0 ∀x ∈ V e kxk = 0 ⇔ x = 0
2. kαxk = |α| · kxk ∀α ∈ R, ∀x ∈ V
3. kx + y k ≤ kxk + ky k ∀x, y ∈ V

Exemplos de normas em Rn
Seja x = (x1 , x2 , . . . , xn ) ∈ Rn .
n
!1
q 2
kxk2 = x12 + x22 + · · · + xn2 = x2

X
→ Norma euclidiana i
i=1
n
X
→ norma 1 kxk1 = |xi |
i=1
→ norma ∞ kxk∞ = max |xi |

1≤i≤n
n
!1
X p
→ norma p kxkp = |xi |p , (com p ≥ 1)

i=1
→ ...

Normas em R2

Normas induzida pelo produto interno
Teorema
Seja Vum espaço vetorial onde está denido um produto interno. A
kxk = hx, xi é uma norma. Chama-se a esta norma a norma
p
função
induzida pelo produto interno.
Exemplos: Seja , · · · , xn ) um
x = (x1 , x2q vetor de Rn . A norma euclidiana
Pn 2
p
kxk = kxk2 = hx, xi = i=1 xi
é uma norma induzida pelo produto interno.
Seja f uma função deq[a, b] em R. A sua norma L2 dada por
2
p Rb
kf kL2 = hf , f i = a f (x)dx
é uma norma induzida pelo produto interno.

Desigualdade de Cauchy-Schwarz
Teorema
Seja V um espaço euclidiano
|hu, v i| ≤ kukkv k ∀u, v ∈ V
Exemplos:
Sejam u = (3, 4) e v = (1, 0). hu, v i = 3, kuk2 kv k2 = 5 × 1 = 5.
Sejam V e I sinais elétricos periódicos de período fundamental T,
representando sinais de tensão e corrente, respectivamente.
Sabendo que P = hV , I i é a potência activa e que S = kV kkI k é a
potência aparente, pela desigualdade de Cauchy-Schwarz P ≤ S.
Exercício: Verique que a desigualdade de Cauchy-Schwarz se verica
como igualdade se os vetores u e v forem linearmente dependentes.

Ortogonalidade e Projeções Ângulos e Ortogonalidade
Vamos agora ver ...
Espaços Vetoriais
Projeções

Ângulo entre vetores
Da desigualdade de Cauchy-Schwarz obtemos
|hu, v i| hu, v i
≤1 ⇔ −1 ≤ ≤ 1.
kukkv k kukkv k
Denição
Sejam u e v vetores não nulos de um espaço euclidiano V. Denimos
ângulo entre u e v como o valor θ (0 ≤ θ ≤ π) que satisfaz
hu, v i
cos θ = .
kukkv k

Ortogonalidade I
Denição
Dois vetores u e v são ortogonais se e só se hu, v i = 0.
De facto, se u e v forem vetores não nulos e 0 ≤ θ ≤ π

hu,v i
θ = π/2 ⇔ cos θ = 0 ⇔ kukkv k = 0 ⇔ hu, v i = 0.
Se u ou v forem nulos, então são ortogonais.
Denição
Um conjunto de vetores {v1 , v2 , · · · , vn } diz-se ortogonal se quaisquer dois
vetores distintos do conjunto forem ortogonais, i.e. hvi , vj i = 0, ∀i 6= j .
Exercício:
Verique que a base canónica de Rn é um conjunto ortogonal.
Verique que qualquer conjunto de vetores não nulos ortogonal é
linearmente independente.

Ortogonalidade II
Denição
Dois espaços vetoriais U e V dizem-se ortogonais se qualquer elemento de
U for ortogonal a todos os elementos de V.
Exercício: Mostre que para uma matriz A, o espaço N (A) é ortogonal a

R(AT ).

Ortogonalidade e Projeções Bases ortogonais e ortonormadas
Vamos agora ver ...
Espaços Vetoriais
Projeções

Ortogonalidade e Projeções Bases ortogonais e ortonormadas
Bases ortogonais e ortonormadas I

Seja V de um espaço euclidiano com a norma induzida pelo produto
interno.
Dado um vetor u de V, um versor de u é um vetor de norma 1 com a

u
mesma direcção e sentido de u, ou seja o vetor
kuk .
Um conjunto ortogonal em que todos os seus elementos têm norma igual a

1, chama-se conjunto ortonormado.
Uma base formada por um conjunto ortogonal ou ortonormado é dita uma

base ortogonal ou base ortonormada, respectivamente. De facto, um
conjunto ortogonal, como é linearmente independente, é sempre uma base
do espaço por ele gerado.
A base canónica de Rn é um exemplo de uma base ortonormada.

Ortogonalidade e Projeções Projeções
Vamos agora ver ...
Espaços Vetoriais
Projeções

Projecções numa linha I
Seja v um versor de uma linha. Um vetor x pode ser decomposto na soma

de dois com direções ortogonais e paralelas à linha.
x = x⊥ + xk
em que x k = hx, v iv
A projeção de x na direcção de v é dada por
Pv (x) = x k = hx, v iv .
Em Rn
Pv (x) = v hv , xi = v v T x,
donde podemos denir a matriz da projeção P = v v T e então
Pv (x) = Px.

Projecções numa linha II
Se kv k =
6 1 então
x k = hx, v /kv kiv /kv k. Denimos a projeção de x na direção de v é
dada por
v v hx, v i
Pv (x) = x k = hx, i = v.
kv k kv k hv , v i
Em Rn
hx, v i 1
Pv (x) = v = T v v T x,
hv , v i v v
donde podemos denir a matriz da projeção P = 1 v vT e então
vT v
Pv (x) = Px.

Projeções em subespaços denidos por base ortogonal I

Seja V um subespaço gerado pela base ortogonal {v1 , v2 }.
0
A projecção de um vetor x em V0 é igual a
PV 0 (x) = Pv1 (x) + Pv1 (x).
Em geral
Denição
Seja V x um vetor de V e V 0
um espaço vetorial, um seu subespaço
gerado pela base ortogonal B = {v1 , v2 , . . . , vn }.
A projeção de x em V é igual a
0
n n
hvi ,xi
X X
PV 0 (x) = Pvi (x) = αi v i , em que αi = hvi ,vi i
i=1 i=1

Projeções em subespaços denidos por base ortogonal II
Em Rn é também possível encontrar a matriz associada à projecção.
Teorema
Seja A uma matriz de Rm×n em que cada coluna é um versor de cada
elemento de B h i
v v
A = kv11 k kv22 k · · · kvvnn k .
Então
AAT x = PV 0 (x).
A matriz AAT é a chamada matriz da projeção.

Exercícios:
Demonstre o teorema.
Mostre que a matriz da projecção é simétrica e igual ao seu quadrado.

Projeções em subespaços denidos por base ortogonal III

Teorema
(x − PV 0 (x)) ⊥ V 0
e se a base não for ortogonal...

Ortogonalidade e Projeções Procedimento de Gram-Schmidt
Vamos agora ver ...
Espaços Vetoriais
Projeções

Procedimento de Gram-Schmidt I
Objectivo: Obtenção de uma base ortogonal
Procedimento de Gram-Schmidt Dada uma base {v1 , v2 , . . . , vn },
podemos obter uma base ortogonal {w1 , w2 , . . . , wn }, do mesmo espaço,
da seguinte forma
w1 = v1
w2 = v2 − Pw1 (v2 )
w3 = v3 − Pw1 ,w2 (v3 )
···
wn = vn − Pw1 ,w2 ,...,wn−1 (vn ).
Se {v1 , v2 , . . . , vn } não forem linearmente independentes (não são base),

podemos seguir o mesmo procedimento, mas descartando os wi que são
iguais a zero (correspondem a vi linearmente dependentes dos anteriores).

Procedimento de Gram-Schmidt II
Interpretação: Em cada passo i = 1, . . . , n, o espaço gerado por
{v1 , v2 , . . . , vi } e o espaço gerado por {w1 , w2 , . . . , wi } são iguais.
Cada vetor vi da base inicial pode ser decomposto em duas componentes
k
vi = vi⊥ + vi ,
uma paralela ao espaço gerado pela base já construída

k
vi = Pw1 ,w2 ,...,wi−1 (vi ) e outra ortogonal vi⊥ = vi − Pw1 ,w2 ,...,wi−1 (vi ) a esse
espaço que é aquela que nos interessa.
Exercício: Encontre uma base ortogonal para o espaço gerado por

{v1 , v2 , v3 } em que v1 = [1 0 − 1]T , v2 = [2 0 − 2]T e
v3 = [1 1 T
0] .
Ortogonalidade e Projeções Projeções e aproximações de mínimos quadrados
Vamos agora ver ...
Espaços Vetoriais
Projeções

Teorema
PV 0 (u) é o ponto de V0 mais próximo de u, i.e.
ku − PV 0 (u)k ≤ ku − v k ∀v ∈ V 0 .

Exemplo: Mínimos quadrados numa variável (regressão linear) I

Para obter experimentalmente o valor de uma resistência, mediu-se os
seguintes pares de valores para a intensidades de corrente e tensão:
I(a) U(v)
16 30
34 60
51 90
Obviamente, o sistema 
 16R
= 30
34R = 60
51R = 90

é impossível. Assim, pretende-se obter o valor de R que minimiza o

quadrado dos erros, ou seja R que minimiza
3
(Ij R − Uj )2 = kIR − Uk2
X
j=1
Exemplo: Mínimos quadrados numa variável (regressão linear) II
A solução, chamada aproximação de mínimos quadrados, é obtida

quando Ū é a projecção de U no espaço gerado por I, ou seja o Ū mais
próximo de U na forma αI .
hI , Ui
Ū = RI = I
hI , I i
ou seja
hI , Ui 7110
R= = = 1.7717Ω
hI , I i 4013

Mínimos quadrados de várias variáveis I

Dado um sistema Ax = b com m equações e n incógnitas, em que m > n,
o sistema poderá ser impossível (frequente em problemas de mínimos
quadrados), ou seja b 6∈ R(A).
Nesse caso, podemos procurar o vetor b̄ = PR(A) (b) que é vetor de R(A)
mais próximo de b.
O vetor x̄ que resolve Ax̄ = b̄ é a aproximação de mínimos quadrados
no sentido em que
kAx̄ − bk ≤ kAx − bk ∀x ∈ V 0 .
ou seja, que minimiza em x
kAx − bk2 .
Mas é necessário saber calcular a projecção em R(A) quando as colunas de

A não são ortogonais

Mínimos quadrados de várias variáveis II
Problema: Seja {v1 , v2 , . . . , vn } uma base, não necessariamente ortogonal

de V 0, e u um vetor que não pertence aV 0.
0
Pretende-se encontrar a projecção de u em V , ū = PV 0 (u) como
combinação linear dos vetores v1 , v2 , . . . , vn . Ou seja, pretende-se
determinar α1 , α2 , . . . , αn tal que
ū = α1 v1 + α2 v2 + . . . + αn vn .
Sabemos que
I ū é o ponto de V 0 mais próximo de u . Ou seja os valores de

α1 , α2 , . . . , αn minimizam
ku − (α1 v1 + α2 v2 + . . . + αn vn )k2
I ū − u é ortogonal a V 0 , e logo é ortogonal a v1 , v2 , . . . , vn . Ou seja, os
valores de α1 , α2 , . . . , αn satisfazem o sistema de equações normais
hvi , u − (α1 v1 + α2 v2 + . . . + αn vn )i = 0, ∀i = 1, . . . , n

Mínimos quadrados de várias variáveis III

Estas conclusões permitem deduzir
Teorema
Seja Ax = b um sistema de m equações a n incógnitas, em que m > n.
A aproximação de mínimos quadrados x̄ é a que resolve o sistema de
equações normais
AT Ax̄ = AT b.
Se as colunas de A forem linearmente independentes (i.e. r (A) = n), então
AT A é invertível e
x̄ = (AT A)−1 AT b,
e a projecção de b em R(A) é igual a
PR(A) (b) = Ax̄ = A(AT A)−1 AT b.

Mínimos quadrados de várias variáveis IV

Exercícios:
1. Demonstre a 1a armação do teorema a partir das conclusões
anteriores.
2. Mostre que N (A) = N (AT A) e utilize esse facto para demonstrar a

2a armação do teorema.
3. Mostre que se as colunas de A forem ortonormais, então AT A é a

T
matriz identidade e a matriz de projecção é AA . Se adicionalmente
A for quadrada, então A é ortogonal e a matriz de projecção é a
identidade.
4. Encontre os valores de a, b e c de tal modo que a função

y= ax 2 + bx + c seja a que melhor aproxima, segundo o critério de
mínimos quadrados, a tabela:
x -0.17 0.21 1 1.74

y 2 0 -1.4 0.8

Espacos Vetorais 2

Enviado por

Dados do documento

Descrição 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

Espacos Vetorais 2

Enviado por

Direitos autorais:

Formatos disponíveis

Álgebra

FEUP MIEEC 2013/14

Álgebra (FEUP - MIEEC) 1 / 88

Vamos agora ver ...

Álgebra (FEUP - MIEEC) 2 / 88

Espaços vetoriais: Introdução I

I O conjuntos do vetores de R2 e R3 tem uma álgebra rica e permitem

I Será que podemos operar com alguns outros objetos matemáticos

I Podemos encontrar novas propriedades e resultados que se apliquem

Álgebra (FEUP - MIEEC) 3 / 88

Vamos agora ver ...

Álgebra (FEUP - MIEEC) 4 / 88

P2 Fecho da multiplicação por números reais

E as operações satisfazem ainda:

Álgebra (FEUP - MIEEC) 5 / 88

(A1 − A4 , P 1 propriedades de grupo comutativo.)

M1 α(x + y ) = αx + αy ∀x,y ∈V ∀α∈R

Álgebra (FEUP - MIEEC) 6 / 88

Exemplos de Espaços Vetoriais

I O espaço Rn , o conjunto dos vetores com n componentes reais, com a

I O espaço Rm×n , o conjunto das matrizes reais de dimensão m×n

Álgebra (FEUP - MIEEC) 7 / 88

Exemplos de Espaços Vetoriais II

I O conjunto dos polinómios reais com grau igual ou inferior a n, e as

I C [a, b], o conjunto das funções R→R contínuas em [a, b] com

I O conjunto dos números reais positivos com a soma denida como

Álgebra (FEUP - MIEEC) 8 / 88

Um subespaço vetorial é também um espaço vetorial, pois satisfazendo

Álgebra (FEUP - MIEEC) 9 / 88

I O conjunto das matrizes reais, triangulares superiores de n×n é um

I C 1 [a, b] O conjunto das funções com a primeira derivada contínua em

I Qual o maior subespaço de Rn , e qual o menor?

I Quais os subespaços possíveis de R2 ?

Álgebra (FEUP - MIEEC) 10 / 88

Álgebra (FEUP - MIEEC) 11 / 88

Vamos agora ver ...

Álgebra (FEUP - MIEEC) 12 / 88

L (X1 , X2 , . . . , Xn ) = {X : X = α1 X1 + α2 X2 + . . . + αn Xn , ∃α1 ,α2 ,...αn ∈R }

Teorema: Se X1 , X2 , . . . , Xn ∈ U , sendo U um espaço vetorial, então

Exercício: Demonstre a armação anterior.

Álgebra (FEUP - MIEEC) 13 / 88

I O espaço das matrizes triangulares superiores de dimensão 2 ×2 pode

Álgebra (FEUP - MIEEC) 14 / 88

Um conjunto de vetores diz-se linearmente independente se nenhum dos

Note-se que α1 = α2 = . . . = αn = 0 é sempre uma das soluções do sistema [x1 , x2 , . . . , xn ][α1 α2 . . . αn ]T = 0.

Álgebra (FEUP - MIEEC) 15 / 88

Se um conjunto de vetores não é linearmente independente, os vetores

Por exemplo no caso de R3

I 3 vetores são linearmente independentes se não forem complanares.

I Um conjunto com mais do que 3 vetores é linearmente dependente.

Exercício: Demonstre a seguinte armação Em Rn , qualquer conjunto

Álgebra (FEUP - MIEEC) 16 / 88

Vamos agora ver ...

Álgebra (FEUP - MIEEC) 17 / 88

I x1 , x2 , . . . , xn são linearmente independentes.

chamamos Base Canónica.

I Se o espaço vetorial V tiver uma base com um número nito de

Álgebra (FEUP - MIEEC) 19 / 88

I Qualquer conjunto gerador de um espaço, tem um subconjunto que é

I Qualquer conjunto linearmente independente pode, completado com

Exercício: Demonstre estas propriedades.

Álgebra (FEUP - MIEEC) 20 / 88

Base como sistema de coordenadas I

I O conjunto dos números reais positivos com a soma denida como

Exercício: Demonstre a armação anterior.

Exercício: Demonstre a seguinte armação Em Rn , qualquer conjunto

I Se o espaço vetorial V tiver uma base com um número nito de

Aos coecientes escalares da combinação linear (4,5 e 6) chamamos