Escolar Documentos
Profissional Documentos
Cultura Documentos
Espaços Vetoriais
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 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 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.
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
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).
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
Exemplos de subespaços:
I O conjunto dos vetores de Rn com a primeira componente nula é um
n
subespaço de R .
I n
Os vetores de R com a primeira componente igual a 1 não é um subespaço
n
vetorial de R . Porquê?
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
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
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 )
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 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
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.
Independência Linear II
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
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 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
Dimensão I
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.
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
1 1 1
4
O mesmo vetor
1 x = 5 terá coordenadas diferentes na nova base.
6
4 1 1 1
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.
Álgebra (FEUP - MIEEC) 23 / 88
Espaços Vetoriais Mudança de Coordenadas
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
duas bases de V.
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 ,
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]
Donde
15
xE = P xE 0 e xE 0 = P −1 xE = −5 .
−6
Álgebra (FEUP - MIEEC) 27 / 88
Espaços Vetoriais Espaços vetoriais e matrizes
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
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
Interpretação
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.
Denição
Chamamos nulidade de A à dimensão do núcleo de A.
n(a) = dim(N (A)).
Teorema
Seja A uma matriz com n colunas.
Ou seja
n(A) + r (A) = n.
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.
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
Denição
Um sistema de equações lineares diz-se possível se tem uma ou mais soluções.
Diz-se Impossível caso não haja nenhuma solução.
Teorema
O sistema Ax = b é possível se e só se o vector b pertencer ao espaço gerado
pelas colunas de A.
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).
Demonstração
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
Teorema
Considere o sistema possível Ax = b de m equações a n incógnitas.
Corolário
Se o sistema tiver mais incógnitas do que equações (n > m) o sistema não
poderá ser determinado.
Exercício:
Sumário
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
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.
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:
Interpretação Geométrica II
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)
Interpretação Geométrica V
x +y =1 x = 1
Exemplo 1: 2y + 1 = 1.5 ⇔ y = 0.75
x + z = 0.25 z=0
Interpretação Geométrica VI
z=1
(
Exemplo 3: dene o plano horizontal de altura 1.
x, y ∈ R
Ortogonalidade e Projeções
Espaços Vetoriais
Ortogonalidade e Projeções
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
2 o
Em espaços vetoriais reais, a linearidade no 1 argumento e a comutatividade
o
implicam a linearidade no 2 argumento.
Álgebra (FEUP - MIEEC) 58 / 88
Ortogonalidade e Projeções Produto interno e norma
Espaço Euclideano
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
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
n
X
→ norma 1 kxk1 = |xi |
i=1
n
!1
X p
→ ...
Normas em R2
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.
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
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.
Espaços Vetoriais
Ortogonalidade e Projeções
Produto interno e norma
Ângulos e Ortogonalidade
Bases ortogonais e ortonormadas
Projeções
Procedimento de Gram-Schmidt
Projeções e aproximações de mínimos quadrados
|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.
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.
Espaços Vetoriais
Ortogonalidade e Projeções
Produto interno e norma
Ângulos e Ortogonalidade
Bases ortogonais e ortonormadas
Projeções
Procedimento de Gram-Schmidt
Projeções e aproximações de mínimos quadrados
Espaços Vetoriais
Ortogonalidade e Projeções
Produto interno e norma
Ângulos e Ortogonalidade
Bases ortogonais e ortonormadas
Projeções
Procedimento de Gram-Schmidt
Projeções e aproximações de mínimos quadrados
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.
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.
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
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).
(x − PV 0 (x)) ⊥ V 0
Espaços Vetoriais
Ortogonalidade e Projeções
Produto interno e norma
Ângulos e Ortogonalidade
Bases ortogonais e ortonormadas
Projeções
Procedimento de Gram-Schmidt
Projeções e aproximações de mínimos quadrados
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 ).
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 ,
Espaços Vetoriais
Ortogonalidade e Projeções
Produto interno e norma
Ângulos e Ortogonalidade
Bases ortogonais e ortonormadas
Projeções
Procedimento de Gram-Schmidt
Projeções e aproximações de mínimos quadrados
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 .
I(a) U(v)
16 30
34 60
51 90
Obviamente, o sistema
16R
= 30
34R = 60
51R = 90
3
(Ij R − Uj )2 = kIR − Uk2
X
j=1
Álgebra (FEUP - MIEEC) 83 / 88
Ortogonalidade e Projeções Projeções e aproximações de mínimos quadrados
hI , Ui
Ū = RI = I
hI , I i
ou seja
hI , Ui 7110
R= = = 1.7717Ω
hI , I i 4013
kAx̄ − bk ≤ kAx − bk ∀x ∈ V 0 .
kAx − bk2 .
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