Escolar Documentos
Profissional Documentos
Cultura Documentos
0
ESPAÇOS VETORIAIS
125 minutos
s e õ ç at o n a r e V
Aula 1 - Espaços vetoriais
Referências
Aula 1
ESPAÇOS VETORIAIS
O conhecimento dos espaços vetoriais permite um estudo mais aprofundado dos fundamentos da
Matemática, favorecendo a compreensão e aplicação desses conceitos na resolução de problemas reais que
englobam, principalmente, grandezas vetoriais.
22 minutos
INTRODUÇÃO
Olá, estudante! Neste momento, prosseguindo com o estudo de tópicos de Álgebra Linear e Vetorial, o nosso foco será
direcionado aos espaços vetoriais. Assim, você estudará a definição de espaço vetorial e de subespaço vetorial,
reconhecendo as propriedades correspondentes e alguns exemplos importantes.
O conceito de espaço vetorial permite uma generalização do conceito de vetor, visto que a partir dele podemos estudar
conjuntos de polinômios, matrizes e funções de modo análogo ao que pode ser realizado com conjuntos de vetores
bidimensionais e tridimensionais reais, cujas representações gráficas são dadas no plano e espaço cartesianos,
respectivamente.
O conhecimento dos espaços vetoriais permite um estudo mais aprofundado dos fundamentos da Matemática,
favorecendo a compreensão e aplicação desses conceitos na resolução de problemas reais que englobam, principalmente,
grandezas vetoriais.
Procure aprofundar seus conhecimentos explorando outros exemplos de espaços vetoriais a partir das referências
sugeridas nesta aula.
Bons estudos!
INTRODUÇÃO AOS ESPAÇOS VETORIAIS
Quando estudamos os vetores bidimensionais e tridimensionais, por exemplo, percebemos a presença de estruturas
semelhantes, principalmente no que se refere às propriedades verificadas mediante as operações usuais de adição e
0
multiplicação por escalar definidas em cada conjunto.
s e õ ç at o n a r e V
Ao verificar esse tipo de comportamento, o qual também se percebe em outros conjuntos, como os de polinômios, por
exemplo, foi definida uma estrutura geral capaz de generalizar muitas dessas características, denominada espaço vetorial.
Um espaço vetorial corresponde a um conjunto V de vetores, munido das operações de adição de vetores e multiplicação
de vetores por um escalar, que gozam das seguintes propriedades:
4. Para todo v pertencente a V, existe um vetor −v em V, chamado de inverso aditivo ou simétrico, tal que
v + (−v) = 0 .
x1
⎡ ⎤
x2
n
v = ∈ R
⋮
⎣ ⎦
xn
A definição de espaço vetorial traz a noção de escalar. Geralmente adotamos esse escalar como um número real, no
entanto, ele pode ser um elemento de qualquer conjunto que, munido de operações convenientes, constitua um corpo.
Um corpo é uma estrutura composta por um conjunto não vazio K, sobre o qual são definidas operações binárias + e × ,
e que atendem às seguintes propriedades:
1. As estruturas (K, +) e (K − {0}, +) , em que 0 representa o elemento neutro relativo à operação + , gozam das
propriedades a seguir: para todos a, b, c ∈ K .
0
i. Fechamento: a + b ∈ K e a × b ∈ K .
ii. Associatividade: a + (b + c) = (a + b) + c e a × (b × c) = (a × b) × c .
s e õ ç at o n a r e V
iii. Comutatividade: a + b = b + a e a × b = b × a .
iv. Existência de elemento neutro: existem 0,1 ∈ K tal que a + 0 = a e a × 1 = a , para todo a ∈ K .
Sendo verificadas essas propriedades, dizemos que (K, +, ×) é caracterizada como corpo. Como exemplos temos as
estruturas do conjunto dos números reais e do conjunto dos números complexos, munidas das operações usuais de adição
e multiplicação em cada conjunto.
Outro exemplo de espaço vetorial é o espaço Pn (R) formado por todos os polinômios com coeficientes reais de grau
menor ou igual a n ∈ N , n > 1 .
Um subconjunto S de um espaço vetorial V é denominado subespaço vetorial se, munido das mesmas operações de V,
satisfizer:
0
Além do R
2
e R
3
, podemos definir espaços vetoriais a partir de conjuntos de matrizes, de polinômios, de funções, entre
outros.
s e õ ç at o n a r e V
Analisemos o caso do espaço vetorial de polinômios, iniciando pelo conjunto P2 (R) , o qual contempla todos os
polinômios com coeficientes reais e que possuem grau menor ou igual a 2. Um elemento qualquer desse conjunto pode ser
representado na forma p(x) = a0 + a1x + a2x
2
, com a0, a1, a2 ∈ R . Sobre esse conjunto, definamos as seguintes
operações:
O conjunto P2 (R) , munido dessas duas operações, é um espaço vetorial. Com efeito, dados p(x) = a0 + a1x + a2x
2
2. Como o produto entre números reais é um número real, k1p(x) = k1a0 + k1a1x + k1a2x
2
∈ P2 (R) .
As propriedades de (i) – (v) decorrem das propriedades do conjunto de números reais, munido das operações usuais de
adição e multiplicação, aplicadas aos coeficientes dos polinômios em questão. Vejamos detalhadamente o caso da
propriedade (iii):
2 2
(k1k2)p(x) = (k1k2) (a0 + a1x + a2x ) = k1 (k2a0 + k2a1x + k2a2x ) = k1 (k2p(x))
Assim, comprovamos que P2 (R) tem a estrutura de um espaço vetorial. Podemos estender essa noção a um conjunto
Pn (R) de polinômios com coeficientes reais, cujo grau seja menor ou igual a n ∈ N , n > 1 . Nesse caso, teremos
também um espaço vetorial.
Além da definição de espaço vetorial, também temos algumas propriedades importantes, que são apresentadas no
0
teorema a seguir.
s e õ ç at o n a r e V
i. 0v = 0 .
iii. (−1)v = −v .
v = 1v = (1 + 0)v = 1v + 0v = v + 0v
Assim:
−v + v = −v + (v + 0v) = (−v + v) + 0v
O que implica:
0 = 0 + 0v = 0v
−v = −v + 0 = −v + (v + u))
Logo:
−v = (−v + v) + u = 0 + u = u
0 = 0v = (1 + (−1))v = 1v + (−1)v
Outro conjunto que pode ser estudado do ponto de vista dos espaços vetoriais é o de matrizes. Podemos analisar um
conjunto formado por matrizes m × n com entradas reais, mas vamos restringir nosso estudo ao conjunto de matrizes
2 × 2 com entradas reais, denotado por M2 (R) . Nesse caso, cada vetor desse conjunto é uma matriz na forma:
a11 a12
A = [ ] ,
a21 a22
com entradas reais. Esse conjunto compõe um espaço vetorial quando definimos sobre ele as seguintes operações:
0 0
Para essa estrutura, a matriz nula 02 = [ ] se comporta como o elemento neutro para a adição, e a cada
0 0
0
a21 a22 −a21 −a22
A partir desse espaço, podemos definir subespaços vetoriais. Vejamos o caso do subconjunto
s e õ ç at o n a r e V
a11 a12
S = {[ ] ∈ M2 (R), a22 = 0} .
a21 a22
a11 a12
Esse subconjunto contém as matrizes na forma A = [ ] ∈ M2 (R) .
a21 0
ka11 ka12
kA = [ ] ∈ S
ka21 0
EXEMPLOS IMPORTANTES
Suponha que você foi contratado para ministrar um curso de formação continuada para professores de Matemática do
Ensino Médio. Nesse curso, você deverá discutir a respeito do conceito de espaço vetorial e de relações que podem ser
estabelecidas entre diferentes espaços.
A primeira abordagem a ser realizada nesse curso de formação será um estudo direcionado aos espaços R
2
e R
3
, visto
que suas representações gráficas são empregadas na etapa de ensino em questão.
O espaço R
2
é utilizado como referência quando trabalhamos com situações que envolvem duas dimensões e, geralmente,
recorremos à representação por meio do plano cartesiano.
Nesse caso, podemos recorrer aos vetores bidimensionais e suas representações enquanto flechas, em conjunto com as
coordenadas dos pontos no plano cartesiano.
0
s e õ ç at o n a r e V
Fonte: elaborada pela autora.
Podemos, então, estabelecer uma relação entre esses espaços diante do conceito de subespaço vetorial.
No espaço R
3
percebemos a presença de planos coordenados, que são aqueles formados a partir de dois eixos
coordenados. Tomemos como referência o plano coordenado xy, formado a partir dos eixos x e y.
De fato, o vetor nulo faz parte do conjunto A, visto que sua terceira coordenada é nula. Além disso, dados v = (v1, v2,0) ,
u = (u1, u2,0) ∈ A ,e c ∈ R , é possível verificar que:
A segunda abordagem a ser feita no curso diz respeito a uma comparação entre os espaços R
3
e um espaço de
polinômios.
Retomemos o conjunto P2 (R) formado pelos polinômios, com coeficientes reais, de grau menor ou igual a 2. Um
polinômio desse conjunto pode ser representado por p(x) = a0 + a1x + a2x
2
, em que a0, a1, a2 ∈ R .
Com as operações de adição de polinômios e multiplicação de polinômio por número real, podemos construir um espaço
vetorial a partir desse conjunto.
Vejamos que cada elemento desse espaço é um polinômio formado por três coeficientes reais. Isto é,
p(x) = a0 + a1x + a2x
2
é constituído pelos coeficientes reais a0, a1, a2 ∈ R .
0
Assim, poderíamos, por exemplo, estabelecer uma ligação entre o polinômio a(x) = 1 + 2x + 3x
2
∈ P2 (R) com o vetor
a = (1,2,3) ∈ R
3
. Perceba que, apesar de estruturas diferentes, é possível estabelecer um paralelo entre o
s e õ ç at o n a r e V
comportamento dos elementos em P2 (R) e em R
3
.
VIDEO RESUMO
Neste vídeo será iniciado o estudo dos espaços vetoriais e subespaços vetoriais. Você conhecerá as propriedades que
definem cada uma dessas estruturas. Além disso, você verá alguns exemplos importantes de espaços vetoriais, como os
bidimensionais e tridimensionais reais – cujas representações gráficas são, respectivamente, o plano e o espaço cartesianos
–, espaços n-dimensionais, bem como os espaços de polinômios.
Saiba mais
Para aprofundar seus estudos acerca dos espaços vetoriais, a primeira sugestão de material complementar é o livro
intitulado Álgebra linear com aplicações, de Steven J. Leon, disponível na biblioteca virtual. Nas seções 3.1 e 3.2 estão
destacados exemplos e resultados relacionados aos conceitos de espaço vetorial e subespaço vetorial.
Outra sugestão de material complementar é o livro Álgebra linear: uma introdução moderna, de David Poole. Estude a
seção 6.1 para complementar seus estudos acerca dos espaços e subespaços vetoriais, observando os principais
exemplos destacados nesse contexto.
Aula 2
BASE E DIMENSÃO
Para qualquer espaço vetorial, independentemente da natureza de seus elementos, podemos investigar
exemplos de bases, já que ela não é única em cada espaço e, consequentemente, sua dimensão.
22 minutos
INTRODUÇÃO
Nesta aula prosseguiremos com o estudo dos espaços vetoriais por meio dos conceitos de base e dimensão de espaço
vetorial.
Quando definimos um espaço vetorial, com suas operações correspondentes, buscamos formas de representar os
elementos do conjunto correspondente. Para isso, umas das estratégias é a identificação de um conjunto de vetores que,
por meio de combinações lineares, possam descrever qualquer elemento do espaço.
Se nesse conjunto os vetores forem independentes entre si, podemos construir a chamada base do espaço vetorial. E,
0
diante desse estudo, podemos ainda reconhecer a dimensão do espaço vetorial.
Para qualquer espaço vetorial, independentemente da natureza de seus elementos, podemos investigar exemplos de bases,
s e õ ç at o n a r e V
já que ela não é única em cada espaço e, consequentemente, sua dimensão.
Prossiga em seus estudos, aprofundando-os por meio dos conceitos e sugestões de materiais complementares ao longo
dessa aula.
Bons estudos!
3 1 0
[ ] = 3[ ] + 4[ ]
4 0 1
→ 3 → 1 → 0
Isto é, o vetor v = [ ] pode ser escrito a partir dos vetores i = [ ] e j = [ ] , os quais compõem a base do espaço
4 0 1
R
2
. Assim, a partir desse exemplo, aprofundaremos nossos estudos visando a compreensão do que é base de um espaço
vetorial.
Dados os vetores v1, v2, … , vn de um espaço vetorial V, uma combinação linear desses vetores é dada na forma
A partir do conceito de combinação linear, podemos analisar as propriedades de conjuntos de vetores, classificando-os
como linearmente independentes ou dependentes.
Os vetores v1, v2, … , vn em um espaço vetorial V são classificados como linearmente independentes se a combinação
linear nula
→ 1 → 0
Por exemplo, os vetores i = [ ] e j = [ ] de R
2
são linearmente independentes, visto que:
0 1
1 0 0 c1 0 0 c1 0
c1[ ] + c2[ ] = [ ] ⇒ [ ] + [ ] = [ ] ⇒ [ ] = [ ] ,
0 1 0 0 c2 0 c2 0
O que implica em c1 = 0 e c2 = 0 .
Por outro lado, dizemos que um conjunto de vetores {v1, v2, … , vn} em um espaço vetorial V é linearmente
dependente se ao menos um desses vetores puder ser escrito como combinação linear dos demais.
−
−
−
→ 3 → 5 → 13
v1 = [ ] v2 = [ Considere os vetores
] v3 = [ ] R
2
, e do . Note que eles são linearmente dependentes, pois:
0
4 −2 0
−
−
−
→ → 3 5 13 →
.
s e õ ç at o n a r e V
v1 + 2v2 = [ ] + 2[ ] = [ ] = v3
4 −2 0
Em determinadas situações, utilizamos a sigla LI para indicar vetores linearmente independentes e LD para vetores
linearmente dependentes.
Quando estudamos um espaço vetorial V, podemos identificar um conjunto a partir do qual seja possível escrever qualquer
vetor do espaço por meio de combinações lineares, ou seja, um conjunto gerador.
→ 1 → 0
No caso do R
2
, por exemplo, os vetores i = [ ] e j = [ ] são geradores do espaço, porém podemos tomar conjuntos
0 1
com mais elementos que também sejam geradores do mesmo espaço. Quando buscamos a menor quantidade de vetores
que geram um espaço vetorial, buscamos uma base para o espaço.
Os vetores v1, v2, … , vn formam uma base para o espaço vetorial V se, e somente se,
Nesse sentido, para que um conjunto gerador seja uma base é necessário que ele seja linearmente independente, como é o
→ 1 → 0
caso do conjunto formado pelos vetores i = [ ] e j = [ ] no espaço R
2
.
0 1
Seja V um espaço vetorial cuja base é composta por n vetores, então podemos dizer que V tem dimensão n.
b. V tem dimensão finita se for gerado por uma quantidade finita de vetores; caso contrário, terá dimensão infinita.
→ 1 → 0
Assim, como uma base de R
2
é formada por dois vetores – i = [ ] e j = [ ] –, podemos concluir que esse espaço
0 1
tem dimensão 2.
Podemos relacionar as dimensões entre espaços e subespaços vetoriais, conforme apresenta o seguinte teorema.
1
→
v2 =
vetores
→
i =
⎢⎥ ⎢⎥ ⎪
Dessa forma, podemos obter informações acerca da dimensão do subespaço vetorial, desde que seja conhecida a
dimensão do espaço vetorial que o contém.
Quando buscamos a construção de uma base de um espaço vetorial, o objetivo é identificar um conjunto gerador do espaço
que seja linearmente independente. Dessa forma, teremos um conjunto gerador com a menor quantidade possível de
vetores e de modo que nenhum deles seja dependente dos demais elementos do conjunto.
seguinte teorema.
⎡ ⎤
1
→
v3 =
Que segue
⎡ ⎤
Sejam os vetores
0 R
3
1
⎡ ⎤
0
⎣ ⎦
0
,
→
j =
c1
c1 = c2 = c3 = 0
0
⎡ ⎤
⎣ ⎦
0
⎡ ⎤
0
⎣ ⎦
0
⎣ ⎦
1
1
+ c2
c1
e
⎣
→
u =
→
u =
→
k =
⎡ ⎤
⎣ ⎦
1
0
R
⎦
3
a
⎡ ⎤
⎣ ⎦
c
a
⎡ ⎤
⎣ ⎦
c
⎣ ⎦
0
. Usualmente, adotamos a base desse espaço como o conjunto formado pelos
⎡
+ c3
dim R
1 1
0
1
⎤
de
e
, a qual é denominada base canônica do
= a
1 0
⎡
1
⎤
+ c2
⎡
⎣
1
0
⎤
⎦
R
0
⎡ ⎤
0
⎣ ⎦
1
= 3
3
+ c3
pode ser escrito como:
⎣ ⎦
0
⎤
1
⎡ ⎤
⎣ ⎦
0
+ b
0
0
0
⎡
=
0
⇒
⎤
0
⎡ ⎤
⎣ ⎦
0
+ c
⎡ 1
Teorema da base: Se um espaço vetorial V possui uma base com n vetores, então qualquer base de V terá exatamente n
elementos (POOLE, 2016)
em
R
3
0
0
⎡ ⎤
0
⎣ ⎦
1
c + 0 + 0
⎤
0 + c2 + 0
0 + 0 + c3
=
→
= ai + bj + ck
0
⎡ ⎤
0
⎣ ⎦
0
⎧c1 + c2 + c3 = 0
⎨c
⎩
1 + c2 = 0
c1 = 0
R
3
⎩
. De fato, esses vetores geram o
⇒ ⎨c2 = 0
⎧c1 = 0
c3 = 0
. No entanto, essa não é a única base que esse espaço admite. Vejamos o
R
3
.
0
s e õ ç at o n a r e V
−
−
−
→ →
v1
−
−
−
→
v2
v1 =
→
v3
1
⎡ ⎤
1
→
v2 =
→
u =
1
⎡ ⎤
1
→
⎢⎢⎥ ⎜⎟⎪⎥
Agora, verifiquemos se esse conjunto de vetores gera o espaço
a
⎡ ⎤
b
⎣ ⎦
c
→
u =
1
⎡ ⎤
Portanto, os vetores
v3 =
Teorema: Se
0
R
R
3
a
⎡ ⎤
⎣ ⎦
c
b
do espaço vetorial
2
e R
3
⎡
⎣
1
⎣ ⎦
1
⎤
R
,
+ c2
→
u =
,
e
⎣
1
⎣ ⎦
0
⎤
c
⎤
.
⎦
+ c3
= c
e
⎡
⎣
1
⎡ ⎤
0
⎣ ⎦
0
1
⎤
⎦
⇒
a
⎡ ⎤
⎣ ⎦
c
b
+ (b − c)
⎣ ⎦
0
R
c1
c1 = c
⎣
3
,
. Para isso, considere um vetor
0
c2
⎦
e
+
c3
c + c2 + c3
⎡ 1
⎝
⎤
c1 + c2 + 0
c1 + 0 + 0
c2 = b − c e
a − b
Quando escrevemos um vetor a partir da base do espaço vetorial, temos que essa representação é feita de forma única,
⎦
⎞⎡
⎠⎣
for a base de um espaço vetorial V, então cada vetor em V pode ser expresso na forma
de exatamente uma única maneira, isto é, com os escalares selecionados de forma única
Dessa forma, para cada base definida em um espaço vetorial, a forma como a combinação linear é escrita na representação
de um vetor será sempre única, alterando-se apenas quando há a mudança de base.
Em suma, quando desejamos estudar um espaço vetorial, após a definição do conjunto, operações e a verificação das
propriedades correspondentes, podemos reconhecer a base e a dimensão correspondentes, visando a representação dos
múltiplos vetores de acordo com essa base.
Diante disso, suponha que você foi contratado para organizar um curso de formação continuada para professores,
discutindo a respeito de espaços vetoriais que envolvam polinômios, de modo a contemplar os conceitos de base e
dimensão de espaço vetorial, bem como comparar diferentes espaços diante desses conceitos.
c3 = a − b
0
⎤
⎦
.
⎨c
⎩
⎧c1 + c2 + c3 = a
+ c2 = b
c1 = c
.
⎡
⎣
a
c
⎤
0
s e õ ç at o n a r e V
Em que
real.
a0, a1, a2 ∈ R
a0, a1, a2 ∈ R
P2 (R) .
P2 (R)
⎪
p(x) = a0 + a1x + a2x
p(x) = a0 ⋅ 1 + a1 ⋅ x + a2 ⋅ x
linearmente independente. Para isso, consideremos a combinação linear nula, com coeficientes
isto é,
ou ainda,
o que implica
2
2
c1 (1 + x) + c2 (x + x ) + c3 (1 + x ) = 0
2
c1 (1 + x) + c2 (x + x ) + c3 (1 + x ) = 0 + 0x + 0x
⎧ c1 + c3 = 0
⎨c
1 + c2 = 0
c2 + c3 = 0
c2
2
2
,
2
,
representa a base canônica para esse espaço vetorial. Porém, você optou por discutir com os
cursistas que essa não é a única base possível para esse espaço.
= 0 + 0x + 0x
,
2
2
. Considere um polinômio
e c3
Ao igualar os coeficientes de termos de mesmo grau podemos construir o sistema linear a seguir:
⎧c1 + c3 = a0
⎨c + c = a
⎩
⎣
1
0
2 1
c2 + c3 = a2
1
1
1
a0
a1
a2
⎤
⎦
p(x) = a0 + a1x + a2x
c1 (1 + x) + c2 (x + x ) + c3 (1 + x ) = a0 + a1x + a2x
2
2
= a0 + a1x + a2x
Podemos resolver esse sistema linear empregando operações elementares sobre suas equações ou sobre a matriz
ampliada correspondente. Vejamos a segunda opção, sabendo que a matriz ampliada do sistema é:
1 0
2
2
,
c1 ,
2
c2 e c3 :
no conjunto, com
0
s e õ ç at o n a r e V
⎢⎥ ⎪ ⎢ ⎥
A aplicação das operações elementares pode ser feita da seguinte forma:
⎣
1
0
0
1
a0
a1
a2
{1 + x, x + x ,1 + x }
p(x) = (−
2
a2 +
⎤
2
L2 → L2 − L1
L3 → (1/2)L3
L1 → L1 − L3
L2 → L2 + L3
⎡
⎣
1
a1 +
q(x) = 4 − 2x + 8x
2
0
P2 (R)
⎣
1
a0) (1 + x) + (
0
⎧c1 = −
⎨c2 =
c3 =
da seguinte forma:
0
0
−1
1
2
−1
a2 +
1
a2 +
a2 −
1
2
a0
a1 − a0
a2
qualquer de
2
2
a1 −
⎤
a1 +
L3 → L3 − L2
a2 +
1
1
a1 −
a1 +
2
1
q(x) = −3 ⋅ (1 + x) + 1 ⋅ (x + x ) + 7 ⋅ (1 + x )
{1 + x, x + x ,1 + x }
2 2
podemos concluir que esse conjunto é uma base para o espaço vetorial em estudo.
2
1
a0
a0
P2 (R)
a0
a1 − a0
a0
⎡
⎣
1
0
0
⎦
1
−1
a0) (x + x ) + (
2
Sendo ela composta por três elementos, teremos que qualquer base para esse espaço também apresentará três elementos,
o que pode ser evidenciado pela base canônica desse espaço vetorial, por exemplo, que consiste no conjunto
é também formada por três elementos.
Para complementar essa discussão, você pretende fazer um comparativo do espaço vetorial
P2 (R) e tal que
Como já explicitado, podemos relacionar a dimensão de um espaço vetorial com a quantidade de elementos que compõem
a base desse espaço. Nesse sentido, como
P2 (R) , podemos concluir que dim P2 (R) = 3
{1 + x, x + x ,1 + x }
.
2 2
P1 (R)
2
a2 −
1
2
a1 +
a0
a1 − a0
a2 − a1 + a0
2
⎤
P2 (R)
com o espaço
2
a0) (1 + x )
P2 (R)
{1,x, x }
R
2
3
e
no
0
s e õ ç at o n a r e V
,
→
k =
⎢⎢⎥ ⎥
Agora, para o espaço vetorial
⎣
0
1
⎤
⎦
R
e, consequentemente,
3
podemos considerar a base canônica
dim R
3
= 3 .
→→→
{i, j, k} , em que
Assim, observe que apesar de serem formados de elementos com diferentes naturezas, os espaços vetoriais
apresentam a mesma dimensão, ou seja, suas bases devem ter exatamente três elementos.
VÍDEO RESUMO
→
i =
⎡
⎣
1
Neste vídeo você estudará os conceitos de base e dimensão de um espaço vetorial. Para isso, você verá inicialmente o
conceito de combinação linear e as classificações para conjuntos de vetores, como linearmente independentes e
linearmente dependentes.
A partir desses conceitos, você analisará as definições de base de um espaço vetorial e, a partir dela, o conceito de
dimensão, analisando também a aplicação dessas noções no estudo de subespaços vetoriais.
Saiba mais
⎤
Para complementar os estudos a respeito das combinações lineares, estude a seção 4.2.2 do livro Álgebra linear, de
Neide Franco, disponível na Biblioteca Virtual.
Nesse material, entre as páginas 143 e 147 você encontrará exemplos de combinações lineares em diferentes espaços
vetoriais, o que pode favorecer a compreensão desse conceito indispensável à definição de base de um espaço
vetorial.
No estudo das bases de espaços vetoriais, estude a seção 2.3, entre as páginas 96 e 106, do livro Álgebra Linear, de
Luana Fonseca Duarte Fernandes, disponível na Plataforma Virutal. Nessa obra você encontrará, além de conceitos
teóricos, exercícios resolvidos relacionados ao estudo da base de um espaço vetorial.
Aula 3
MUDANÇA DE BASE
A proposta de estudar as matrizes de mudança de base está vinculada a possibilidade em construir
múltiplas bases ligadas a um mesmo espaço vetorial. Com isso, podemos escrever vetores segundo uma
base e, quando necessário e por meio de multiplicação matricial, identificarmos suas representações
INTRODUÇÃO
conforme uma outra base, com maior flexibilidade na investigação dos espaços vetoriais.
23 minutos
,
→
j =
0
⎡ ⎤
1
⎣ ⎦
0
P2 (R)
e
e R
0
3
s e õ ç at o n a r e V
Olá, estudante! Nesta aula discutiremos sobre matrizes de mudança de base e de rotação em um espaço vetorial,
complementando nossos estudos acerca dos espaços de vetores.
Quando construímos um espaço vetorial, especialmente os de dimensão finita, é natural procurarmos por uma base
correspondente. Nos espaços R
2
e R
3
, por exemplo, munidos usualmente de suas bases canônicas, temos a vantagem de
0
construir e representar vetores no plano e espaço cartesianos, respectivamente.
s e õ ç at o n a r e V
A proposta de estudar as matrizes de mudança de base está vinculada a possibilidade em construir múltiplas bases ligadas
a um mesmo espaço vetorial.
Com isso, podemos escrever vetores segundo uma base e, quando necessário e por meio de multiplicação matricial,
identificarmos suas representações conforme uma outra base, com maior flexibilidade na investigação dos espaços
vetoriais.
Como caso especial, podemos citar as matrizes de rotação, que permitem rotacionar vetores principalmente no plano e
espaço cartesianos.
Bons estudos!
→→ → 1
Por exemplo, no espaço vetorial R
2
podemos construir a base canônica {i, j} , formada pelos vetores i = [ ] e
0
→ 0 1 0
j = [ ] , mas podemos também construir outras bases, como é o caso do conjunto formado por [ ] e [ ] , os quais
1 2 1
Quando escrevemos um vetor em função de uma base podemos identificar o vetor de coordenadas, conforme a seguinte
definição.
Considere V um espaço vetorial e B = {v1, v2,...,vn} uma base ordenada de V. Se v é qualquer elemento desse espaço,
então ele pode ser escrito na forma:
c
⎡ 1⎤
c2
Em que c1, c2,...,cn são escalares. O vetor c = pode ser chamado de vetor de coordenadas de v em relação à
⋮
⎣ ⎦
cn
1
Veja o caso do vetor [ ] ∈ R
2
. Ao escrevê-lo na base canônica temos:
−4
0
1 1 0
[ ] = 1[ ] + (−4)[ ] .
−4 0 1
s e õ ç at o n a r e V
1 0
E ao escrevê-lo na base formada pelos vetores [ ] e [ ] :
2 1
1 1 0
[ ] = 1[ ] + (−6)[ ] .
−4 2 1
Assim, perceba que ambas as bases podem ser utilizadas, mas o vetor de coordenadas correspondente a uma diferente.
Porém, podemos empregar um recurso que nos permite modificar as bases e os vetores de coordenadas: o uso da matriz
de mudança de base.
Considere B = {u1, u2,...,un} e C = {v1, v2,...,vn} bases de um espaço vetorial V. A matriz n × n , cujas colunas são
os vetores de coordenadas [u1]
C
, [u2]
C
,...,[un]
C
dos vetores de B em relação à base C, e é denotada por PB→C eé
denominada matriz de mudança de base de B para C. Ou seja,
PB→C = [[u1]
C
[u2]
C
... [un]
C
] .
De posse da matriz de mudança de base, podemos construir os vetores de coordenadas referentes a uma base a partir da
outra, conforme nos propõe o seguinte teorema.
Teorema: Sejam B = {u1, u2,...,un} e C = {v1, v2,...,vn} bases de um espaço vetorial V e PB→C a matriz de
mudança de base de B para C (POOLE, 2016). Dessa forma: PB→C [v]
B
= [v]
C
, para todo v em V; Existe uma única
matriz PB→C tal que PB→C [v]
B
= [v]
C
, para todo v em V;.
Um outro estudo que pode ser desenvolvido com base na matriz de mudança de base é a construção da matriz de rotação,
−
− →→ → →
R
2
relacionada ao espaço vetorial
B = {i, j} B1 = {u1 , u2 } . Nesse caso, considere a base canônica e uma base .
Suponha que, inicialmente, um vetor v seja escrito a partir da base canônica. Se desejamos rotacionar esse vetor sob um
ângulo θ , no sentido anti-horário, escrevendo-o conforme uma base B1 , como o sistema ilustrado na Figura 1, podemos
empregar a matriz de rotação dada por:
cos(θ) −sen(θ)
PB→B
1
= [ ] ,
sen(θ) cos(θ)
s e õ ç at o n a r e V
CONSTRUINDO A MATRIZ DE MUDANÇA DE BASE
A matriz de mudança de base relativa às bases B e C de um espaço vetorial V é uma matriz capaz de transformar o vetor de
coordenadas de uma base para outra por meio de uma multiplicação de matrizes. Vejamos como construir essa matriz para
um espaço vetorial.
1 0 1 0
Consideremos o espaço vetorial R
2
com a base canônica B = {[ ], [ ]} e com a base C = {[ ], [ ]} . Vamos
0 1 2 1
construir a matriz mudança de base de B para C nesse espaço. Para isso, vamos representar cada vetor da base canônica B
como combinação linear dos elementos da base C.
1 1 0 0 1 0
[ ] = 1[ ] + (−2)[ ] e [ ] = 0[ ] + 1[ ] .
0 2 1 1 2 1
1 0
Assim, podemos representar os vetores como [u1]
C
= [ ] e [u2]
C
= [ ] . Logo, a matriz de mudança de base
−2 1
correspondente é:
1 0
PB→C = [ ] .
−2 1
1
Vejamos agora a aplicação dessa matriz. Considerando o vetor [ ] ∈ R
2
, escrito em função da base canônica, e
−4
B
1 0 1 1 ⋅ 1 + 0 ⋅ (−4) 1 + 0 1
PB→C [v]
B
= [ ][ ] = [ ] = [ ] = [ ] .
−2 1 −4 (−2) ⋅ 1 + 1 ⋅ (−4) −2 − 4 −6
1 1
Assim, o vetor [ ] representado em função da base C é dado por [ ] .
−4 −6
B C
Quando desejamos modificar uma base qualquer para a base canônica, o procedimento de determinação da matriz de
mudança de base é mais simples.
Se temos B a base canônica e C uma base qualquer, a matriz PC→B tem suas colunas dadas pelos vetores de C escritos em
função da base canônica.
1 0 1 0
Por exemplo, em R
2
, para modificar a base C = {[ ], [ ]} para a base canônica B = {[ ], [ ]} , a matriz de
2 1 0 1
mudança de base é:
⎪⎪⎢⎥ ⎪⎢⎥ ⎢⎥
ou seja, corresponde aos vetores da base C em coluna.
⎧ 1
matriz
⎡ ⎤ ⎡
C = ⎨ 1 ,
⎩
⎣ ⎦ ⎣
1
1
0
−1
PB→C
⎤ ⎡
.
1
⎦ ⎣
, 0
−1
⎤
⎬
⎦
⎫
3
1
[PC→B|I ] → [I |PB→C ]
B = ⎨
⎩
PC→B =
⎧
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
0 , 1
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
0
⎣
0
1
1
−1
0
0
. Considere as bases
−1
⎦
,
PC→B =
⎡
⎣
1
1
−1
0 −1
⎦
Isto é, a matriz cujas colunas são os vetores de C escritos a partir da base canônica B.
1
0
⎤
PC→B
⎬
⎭
⎤
B = ⎨
.
⎩
e
⎧
E qual estratégia podemos adotar para determinar, nesse caso, a matriz de mudança de base de B para C? Podemos
1
0
0
empregar o método já apresentado, mas vamos construir outra possibilidade considerando o conceito de matriz inversa.
Sabemos que a matriz de mudança de base é sempre única e invertível. Além disso,
(PC→B)
−1
= PB→C
(PB→C )
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
1
,
−1
0 ⎬
⎭
= PC→B
, canônica, e
ou
Lembre-se que as operações elementares que podemos empregar são apenas as seguintes: trocar duas linhas da
matriz de posição.
Multiplicar os elementos de uma linha da matriz por uma constante não nula.
Adicionar a uma linha os elementos correspondentes de outra linha previamente multiplicados por uma constante não
nula.
1 0 0 ⎫
C = ⎨
⎩
⎧ 1
⎡ ⎤ ⎡
[PC→B|I ]
1
⎣ ⎦ ⎣
1
−1
0
,
⎤ ⎡
1
:
1
PC→B
⎦ ⎣
,
−1
0
, ou seja, na
⎦
⎫
⎭
⎬ do R
3
0
s e õ ç at o n a r e V
e
⎢⎥
⎡
⎣
1
1
Dessa forma,
ou seja,
−1
0
1
−1 0
1
L1 → L1 + L2
L3 → L3 − 2L1
em um espaço vetorial.
0
0
0
1
⎤
⎣
0 0
[PC→B|I ] =
L2 → L2 − L1
L3 → L3 − L1
0
0
1
⎣
0
−1
−2 −1
3
0
L1 → L1 + L3
L2 → L2 + 2L3
[I |PB→C ] =
PB→C =
0
⎣
1
0
1
0
−2
⎣
1
0
⎦
⎡
1
1
−1
1
L3 → (1/3)L3
−1/3
0
1/3
1/3
0
0
−1
0
⎣
0
1
−1 −1
−2 −1
0 −1/3
Para o primeiro momento, as discussões terão como ponto de partida o seguinte problema:
−1 0
1/3
0 −1/3
1 1/3
1/3
1/3
1/3
2/3
1/3
1/3
2/3
1/3
1/3
1/3
−2/3
0
1/3
2/3
1/3
⎡
⎤
⎦
0
0
⎤
Acompanhe a aplicação da eliminação de Gauss visando a conversão da primeira parte da matriz anterior na identidade,
com a aplicação das operações elementares sobre toda a matriz.
L2 → L3
1/3
1/3
−2/3
−2/3
Portanto, podemos empregar essas diferentes possibilidades quando devemos construir as matrizes de mudanças de bases
Caro estudante, suponha que você foi contratado para organizar um curso de aprofundamento no estudo de Álgebra Linear
.
1/3
1/3
e Vetorial para profissionais da área da Computação. Nesse curso, o módulo pelo qual você ficou responsável é o do estudo
Ao selecionar as temáticas para esse módulo, você optou por organizar dois momentos: no primeiro será tratado do estudo
das matrizes de mudança de bases considerando o espaço vetorial de polinômios
matriz de rotação no espaço .
⎤
P2 (R)
−1
−2
PB→C
⎡
.
1
−1
1/3
−1
1/3
0
0
1
−2 −1
−1 −1
1
1
−2/3
⎦
0
e no segundo, a aplicação da
e PC→B
0
para as bases B,
⎤
0
s e õ ç at o n a r e V
Lembrando que a base canônica do espaço
Portanto,
a =
1
2
[1 + x]
sistema, obtemos ,
PB→C
b = −
1 =
c =
[x]
B
⎢⎥ ⎪
⎣
P2 (R)
PC→B
=
1
PB→C =
⎤
(1 + x) + (−
PB→C
[x + x ]
PC→B =
. Sendo assim,
[1]
1/2
−1/2
⎣
B
⎦
=
2
1 = a (1 + x) + b (x + x ) + c (1 + x )
e
⎧a + c = 1
⎨a + b = 0
⎩
b + c = 0
Aplicando o mesmo procedimento com os outros dois elementos da base canônica teremos:
⎡
1/2
⎤
1/2
−1/2
1/2
1
2
B
⎣
1
0
=
1
B = {1,x, x }
formas: construir as duas matrizes de mudança de base separadamente, ou obter uma matriz a partir da outra por meio da
eliminação de Gauss.
) (x + x ) +
e
1/2
−1/2
1/2
[x ]
2
1/2
1/2
−1/2
0
B
⎤
⎦
⎤
Resolvendo esse sistema por operações elementares sobre as equações, ou pelo escalonamento da matriz ampliada do
1
=
⎤
⎦
e
−1/2
.
1/2
1/2
1
−1/2
2
[1 + x ]
1/2
1/2
, podemos resolver esse problema de duas
(1 + x )
⎦
⎦
.
2
C
B
2
=
.
1
⎡ ⎤
⎣ ⎦
1
0 .
0
s e õ ç at o n a r e V
Logo,
⎢⎥
⎡
⎣
1
0
1
1
0 0
1 0
L3 → (1/2)L3
PB→C ⋅ [3 + 2x − x ]
isto é,
1
0
0
2
⎤
B
L2 → L2 − L1
=
0
0
1
−1 −1
1
1
1/2
q(x) = 3 + 2x − x
⎣
1/2
−1/2
1/2
3 + 2x − x
[PC→B|I ] =
1 0 1 1 0 0
⎡
−1/2
PB→C =
−1/2
2
1/2
1
[3 + 2x − x ]
1/2 −1/2
1/2
1/2
1
−1 −1
1/2
−1/2
1/2
∈ P2 (R)
P2 (R)
⎡
⎤⎡
⎦⎣
1
Para o segundo momento, você optou por abordar o uso das matrizes de rotação no plano
a estrutura geral:
PB→B
1
= [
cos(θ)
sen(θ)
2
−1
⎦
0
L1 → L1 − L3
L2 → L2 + L3
2
0
1/2
1/2
−1/2
= 3 (1 + x) + (−1) (x + x ) + 0 (1 + x )
1 1
0 0
1 0
[PC→B|I ]
=
−1
⎦
⎤
−sen(θ)
cos(θ)
0
−1/2
1/2
1/2
:
L3 → L3
Veja que em ambos os casos a matriz obtida é a mesma, porque a matriz de mudança de base é única, para cada ordem e
par de bases.
(−
2
0
.
⎤
⋅ 3 + (−
P2 (R)
]
⎡
2
1
⎦
.
) ⋅ 3 +
,
.
.
− L2
0
⎣
1
0
0 −1/2
⎡
1
2
⋅ 3 +
1
2
⋅ 2 + (−
2
1
2
⎡
1
1/2
1/2
⋅ 2 +
) ⋅ 2 +
R
,
2
0
2
−1/2
1
−1 −1
1/2
1/2
) ⋅ (−1)
2
⋅ (−1)
⋅ (−1)
1
−1/2
1/2
1/2
⎦
0
−1
=
⎡
, apresentando inicialmente
⎤
−1
0
1
⎤
0
⎤
⎦
C
,
0
s e õ ç at o n a r e V
que representa uma rotação sob um ângulo θ no sentido anti-horário. Com isso, a proposta é apresentar o exemplo da
2
rotação do vetor v = [ ] ∈ R
2
segundo um ângulo de π
6
rad , ou 30° , no sentido anti-horário. Nesse caso, a matriz de
1
rotação será:
0
PB→B
1
= [ ] = [ ] ,
sen(π/6) cos(π/6) 1/2 √ 3/2
s e õ ç at o n a r e V
e assim,
√3 1
√ 3/2 −1/2 ⎡ ⋅ 2 + (− ) ⋅ 1⎤ √ 3 − 1/2
2
,
2 2
u = [ ][ ] = = [ ]
1/2 √ 3/2 1 ⎣ 1 √3 ⎦ 1 + √ 3/2
⋅ 2 + ⋅ 1
2 2
2
Figura 2 | Rotação do vetor v = [ ] ∈ R
2
em π
6
rad
1
Ao final, será proposta uma discussão sobre a aplicação desse tipo de recurso na edição de imagens por meio da aplicação
de rotações em softwares específicos.
VIDEO RESUMO
Neste vídeo você estudará a construção da matriz de mudança de base de um espaço vetorial, observando como ela deve
ser estruturada e quais suas características, observando também quais estratégias podem ser empregadas em sua
obtenção, sendo conhecidas previamente duas bases de um mesmo espaço vetorial.
Também estudará a matriz de rotação associada a um espaço vetorial, com destaque ao espaço R e a matriz de rotação 2
genérica correspondente.
Saiba mais
Para aprofundar os estudos a respeito da matriz de mudança de base de um espaço vetorial, a sugestão de material
complementar é a seção 4.6, intitulada “Mudança de bases”, do livro Álgebra Linear com Aplicações, de Howard Anton
e Chris Rorres, disponível na Biblioteca Virtual. Nesse livro, entre as páginas 217 e 222, você poderá conferir outros
0
exemplos resolvidos de determinação e emprego das matrizes de mudança de base.
s e õ ç at o n a r e V
Outro material que aborda as matrizes de mudança de base é a seção 3.5, intitulada “Mudança de Bases”, localizada
entre as páginas 144 e 153, do livro Álgebra Linear com Aplicações, do autor Steven J. Leon, disponível na Biblioteca
Virtual. Além de outros exemplos de construção e aplicação das matrizes de mudanças de bases, esse autor apresenta
exemplos práticos, como o emprego dessas matrizes em um problema de migração populacional.
Aula 4
INTRODUÇÃO
Olá, estudante! Nesta aula nos aprofundaremos no estudo de alguns espaços vetoriais especiais, denominados de espaço
linha, espaço coluna e espaço nulo. Esses espaços vetoriais estão vinculados a matrizes e podem ser interpretados
enquanto subespaços vetoriais associados aos espaços R
n
.
Quando estudamos uma matriz, podemos identificar suas linhas e colunas, podemos associá-las à resolução de sistemas
lineares, bem como determinar matrizes equivalentes, na forma escalonada, obtidas por meio de aplicação de operações
elementares sobre suas linhas.
De posse desses conhecimentos prévios, estudaremos a estrutura de cada um dos espaços indicados, buscando
compreender também as definições de posto e de nulidade de uma matriz.
Dessa forma, a proposta dessa aula é estabelecer uma conexão entre os conceitos de matriz, sistema linear e espaço
vetorial, empregando os conhecimentos prévios citados anteriormente e buscando uma intepretação aprofundada com
base nas propriedades dos espaços vetoriais.
Bons estudos!
e pertencentes a
R
R
n
A partir da definição de espaço vetorial, podemos estudar espaços de polinômios, de matrizes, de vetores no
outros. Vejamos espaços vetoriais especiais que podem ser construídos nesse contexto.
Para isso, retomemos a estrutura de uma matriz. Nesse caso, seja uma matriz A de tamanho
forma genérica como:
⎣
a21
am1
⎡
⎦
am1
v1 =
a11
a21
,
⋮
u2 = [ a21
um = [ am1
a11
⎤
a12
a22
am2
v2 =
A =
⋮
⎣
am2
u1 = [2
u2 = [0
u3 = [5
2
⎡ ⎤
0
⎣ ⎦
5
a12
a22
,
⎦
5
a12
a22
0
⋮
am2
v2 =
⋯
−1
−1]
⋯
1]
0]
⎣
a1n
a2n
amn
…,
2 1
⎤
.
⋮
−1
.
0
⎤
vn =
⎦
.
Podemos construir vetores por meio de análises das linhas e das colunas dessa matriz. Os vetores formados pelas linhas da
matriz A:
u1 = [ a11
a2n ]
amn ]
.
,
⎣
amn
a1n
a2n
⎦
⎤
m × n
R
2
, entre
, representada de
0
s e õ ç at o n a r e V
ser denotado por
m × n
lin (A)
em que:
⎡
⎣
am1
R
a11
a21
⋮
n
gerado pelos vetores linha de A é denominado espaço linha de A, e pode
. Por outro lado, o subespaço de
coluna de A e pode ser representado por
v1 =
.
m × n
a12
a22
am2
⋮
A =
⎣
u1 = [2
u2 = [0
u3 = [5
2
⎡ ⎤
0
⎣ ⎦
5
x1
x2
xn
R
⎦
2
5
m
v2 =
amn
∈ R
gerado pelos vetores coluna de A é denominado espaço
−1
1]
−1]
0]
u1
⎦⎣
xn
n
⎤
⎦
,
.
,
−1
x2
,
⋮
u2
linha de A. De forma análoga, o espaço coluna de A contempla todos os vetores que são combinações lineares de
0
2
Também com base no conceito de matriz, em conjunto com os sistemas de equações lineares, podemos definir o espaço
nulo vinculado a uma matriz.
gerado pelos vetores linha:
=
,
u3
a1n
a2n
⎤ ⎡x1 ⎤ ⎡
⎣
0
0
corresponde a um elemento do espaço
⎦
0
s e õ ç at o n a r e V
Podemos construir um conjunto de vetores que são soluções desse sistema homogêneo, os quais chamaremos de vetores
solução. Com isso, podemos definir espaço nulo de uma matriz.
Espaço nulo
Seja A uma matriz . Considere o sistema de equações homogêneo . O subespaço vetorial de gerado
0
n
m × n Ax = 0 R
s e õ ç at o n a r e V
Outra forma de analisarmos esse espaço é entender que o espaço nulo de A é composto por todos os vetores que são
soluções de Ax = 0 , isto é, todos os vetores x ∈ R
n
que satisfazem Ax = 0 .
1 −2
B = [ ] .
−2 4
1 −2 x 0
[ ][ ] = [ ] ,
−2 4 y 0
x − 2y = 0
{ .
−2x + 4y = 0
A segunda equação é múltipla da primeira, pois basta efetuar uma multiplicação por . Assim, o sistema pode ser resumido
na equação x − 2y = 0 , ou, x = 2y . Dessa forma, qualquer solução desse sistema homogêneo é dada por um vetor
do 2
R na forma:
2y 2
[ ] = y[ ] .
y 1
2
Logo, os vetores múltiplos de [ ] ∈ R
2
são soluções do sistema linear, então, o espaço nulo da matriz B é gerado por ele.
1
Sabemos que as linhas de uma matriz A geram o espaço linha de A, no entanto, para ser base, além de conjunto gerador, os
vetores devem ser linearmente independentes. Algo semelhante acontece quando analisamos as colunas de B e o espaço
coluna. Nesse contexto, avaliemos o seguinte resultado.
As linhas não nulas de B formam uma base para lin (A) , ou seja, para o espaço linha de A.
As colunas de A correspondentes às colunas de pivô de B formam uma base para col (A) , ou espaço coluna de A.
Lembre-se de que o pivô de uma matriz escalonada é o primeiro elemento não nulo de cada linha.
⎢⎥
Vejamos a aplicação desse teorema. Para isso, seja a matriz A dada por:
⎣
2
1
5
3
3
4
1
1
⎤
L3 → L3 − L1
u1 = [1 2
⎣
B =
0
v1 =
A =
B =
−1
⎡
1
⎡ ⎤
⎣ ⎦
1
⎡
2
1
0
2
0]
1
1
2
Multiplicar os elementos de uma linha da matriz por uma constante não nula.
1 2 −1 0 1 2
0
5
5
−1
−1
−1
Assim, são as duas primeiras colunas de A que definem os vetores coluna da base de
coluna de A é formada por:
e v2 =
3
u2 = [0
0
0
2
⎡ ⎤
⎣ ⎦
3
0
5
⎤
Para escalonar a matriz devemos aplicar operações elementares sobre suas linhas, as quais correspondem a:Trocar
Adicionar a uma linha os elementos correspondentes de outra linha previamente multiplicados por uma constante não
nula.
⎦
L3 → L3 − L2
⎡
Logo, pelo teorema anterior, podemos afirmar que o espaço linha de A tem como base os vetores linha não nulos de B, isto
é:
⎦
.
1
.
5 1] .
Por outro lado, vejamos que os pivôs da matriz A estão presentes na primeira e segunda colunas da matriz, como destacado
abaixo:
1 2 −1
Para esse exemplo, a base do espaço linha é formada por dois vetores, assim como o espaço coluna, que também contém
dois elementos. Esse fato é reforçado pelo seguinte resultado.
Teorema: Para qualquer matriz A, a dimensão do espaço-linha é igual à dimensão do espaço coluna.
Assim, independentemente da matriz, as bases do espaço linha e do espaço coluna sempre possuem a mesma quantidade
de elementos. Essa quantidade é associada com a dimensão do espaço.
1
col (A)
2
0
−1
0
0
0
⎤
0
s e õ ç at o n a r e V
. Portanto, a base do espaço
coluna) de A, sendo denotado por
Retomemos a matriz:
⎢⎢⎪⎥⎥
No contexto dos espaços linha e coluna, denominamos posto da matriz A a dimensão do espaço linha (ou do espaço
posto (A)
⎣
1
1
2
3
.
Além do posto, podemos definir também a nulidade de matriz, agora em função do espaço nulo. Chamando-a de nulidade
nul (A) , a dimensão do espaço nulo de A.
A =
−1
4
0
1
⎡
0
1
{
x1 + 2x2 − x3 = 0
x2 + 5x3 + x4 = 0
{
⇒
x2 = −5x3 − x4
⎣
x
⎡ 1⎤
x2
x3
x4
⎦
{
⎩
2
x1 + 2x2 − x3 = 0
x2 + 5x3 + x4 = 0
, obtemos:
{
x1 = −2x2 + x3
x2 = −5x3 − x4
x1 = 10x3 + 2x4 + x3
⎧ x1 = 11t + 2u
⎨
x2 = −5t − u
x3 = t
x4 = u
= t
⎡
⎣
−5
11
0
−1
⎦
3
Ax = 0
+ u
Como os vetores do lado direito formam uma base do espaço solução, podemos concluir que
⎣
0
−1
⎤
−1
,
5
1
.
⎦
0
0
0
0
⎤
⎦
.
x1 = −2 (−5x3 − x4) + x3
x2 = −5x3 − x4
x1 = 11x3 + 2x4
x2 = −5x3 − x4
.
nul (A) = 2 .
0
s e õ ç at o n a r e V
matriz.
⎢⎥
Suponha que você foi contratado para integrar uma equipe formada por profissionais de diferentes áreas como
engenheiros e cientistas da computação, para desenvolver projetos na área de tecnologia.
Devido aos projetos a serem desenvolvidos, os quais envolvem programação com matrizes. O gerente da equipe
encarregou-o de organizar uma formação complementar para seus colegas envolvendo os conceitos de posto e nulidade de
Para isso, você pretende retomar conceitos envolvendo espaço linha, espaço coluna e espaço nulo, bem como o estudo de
sistemas lineares e de escalonamento, por meio de exemplos.
Inicialmente, você pretende retomar os conceitos de espaço linha e de espaço coluna, relacionando-os às linhas e colunas
de uma matriz, a partir do exemplo:
⎣
2
0 1
0
1
2
2
0
v1 =
−1
−1
2
⎤
⎦
1
⎡ ⎤
0
⎣ ⎦
2
, v2 =
L3 → L3 − 2L1
u1 = [1
u2 = [0
B =
u3 = [2
u1 = [1
⎤
0
,
⎡
v3 =
−4
⎣
1
0
2
−4
2
5
1
3
⎡ ⎤
⎣ ⎦
2
3
3
2
−8
4
4
0
v4 =
−1
−1
−1]
−1]
2]
−1
−1
−1
−1
0
⎤
⎦
4
⎡ ⎤
⎣ ⎦
0
,
2
.
É importante ressaltar que esses vetores formam conjuntos geradores e não bases, pois para serem bases eles precisariam
ser linearmente independentes. No entanto, podemos empregar um procedimento de escalonamento na matriz com o
intuito de obter as bases para esses espaços.
Vejamos agora a aplicação de operações elementares sobre as linhas da matriz A de forma a obtermos a matriz equivalente,
mas na forma escalonada.
1 2 3 4
e v5 =
L3 → L3 + 4L2
Note que essa matriz possui duas linhas não nulas, assim, os vetores que constituem uma base do espaço linha de A são:
−1] ,
⎡
⎣
−1
−1
⎤
⎣
⎦
0
.
0
3
0
4
0
−1
−1
0
⎤
⎦
0
s e õ ç at o n a r e V
⎢⎥
Podemos destacar nessa matriz B os pivôs:
⎣
2
0 1
0
1
⎣
1
0
u2 = [0
B =
v1 =
0
−1
−1
0
⎡
⎣
1
2
2
0
3
2
⎡
⎣
1
0
1
0
⎤
⎦
1
−1
−1
−1
−1
e
0
1
v2 =
⎦
⎡
⎣
2
x1
x2
x3
x4
x5
x1
x2
x3
x4
x5
2
0
⎤
⎦
−1]
−1
−1
⎣
2
=
⎤
⎦
.
Como esses pivôs são parte da primeira e segunda colunas de B, então são os vetores da primeira e segunda colunas de A
que constituem a base para o espaço coluna de A. Logo, a base do espaço é formada por:
Perceba que tanto a base do espaço linha quanto a do espaço coluna possuem a mesma quantidade de elementos, isto é, o
espaço linha e o espaço coluna tem mesma dimensão, a qual chamamos de posto. Nesse caso,
Para o estudo da nulidade, precisamos analisar as características do espaço nulo de A, ou seja, do espaço de soluções do
0
⎡ ⎤
⎣ ⎦
0
0
Para resolver o sistema, podemos construir a matriz aumentada do sistema e determinar sua forma escalonada. Perceba
que a diferença entre a matriz A e a matriz aumentada do sistema consiste em que essa última contempla uma coluna
adicional de zeros.
.
Desse modo, podemos utilizar os procedimentos já utilizados para o escalonamento, visto que a coluna adicional de zeros
não sofrerá alterações, independentemente das operações elementares utilizadas.
1 2 3
⎦
3
=
0
⎡ ⎤
⎣ ⎦
0
4
0
−1
−1
Como os pivôs da matriz B de coeficientes estão localizados na primeira e segunda colunas, então vamos representar as
duas primeiras variáveis em função das demais, recorrendo à notação de sistemas no formato de equações:
0
0
⎤
⎦
.
posto (A) = 2 .
0
s e õ ç at o n a r e V
{
{
x2 = −x3 − 2x4 + x5
⎪⎢⎥
x1 + 2x2 + 3x3 + 4x4 − x5 = 0
x2 + x3 + 2x4 − x5 = 0
⎣
x1
x2
x3
x4
x5
⎤
⎦
⎧x1 = −r − t
⎨x
= r
⎣
1
0
⎦
⇒
+ s
VIDEO RESUMO
Saiba mais
⎣
{
x2 = −r − 2s + t
−1
= r
x4 = s
x5 = t
−1
⎤ ⎡
0
0
x1 = −2x2 − 3x3 − 4x4 + x5
x2 = −x3 − 2x4 + x5
−2
⎤
⎦
+ t
Como os vetores do lado direito formam uma base do espaço solução, podemos concluir que
R
n
.
⇒
⎣
−1
⎤
{
1
x1 = −x3 − x5
x2 = −x3 − 2x4 + x5
⎦
.
.
nul (A) = 3
Nesta aula são abordados os espaços vetoriais chamados de espaço linha, espaço coluna e espaço nulo. Esses espaços são
vinculados a matrizes e definidos enquanto subespaços especiais de
Assim, você estudará as definições de cada um desses espaços e como obter conjuntos geradores e bases associadas a eles,
bem como compreenderá o que é o posto e a nulidade de uma matriz por meio do estudo desses espaços vetoriais, bem
como algumas propriedades importantes relacionadas a eles.
Para contribuir com os estudos a respeito do espaço linha, do espaço coluna e do espaço nulo correspondentes a uma
matriz, a primeira sugestão é o estudo da seção 3.6, intitulada “Espaço Linha e Espaço Coluna”, do livro Álgebra Linear
com Aplicações, de autoria de Steven J. Leon. Você pode acessar esse livro na Biblioteca Virtual.
Nesse material, entre as páginas 154 e 159, você encontrará outros exemplos relacionados a esses espaços, bem como
as demonstrações de alguns dos resultados estudados nesta aula.
.
. Portanto,
0
s e õ ç at o n a r e V
Outra sugestão é o estudo da seção 4.8, intitulada “Posto, nulidade e os espaços matriciais fundamentais”, do livro
Álgebra Linear com Aplicações, dos autores Howard Anton e Chris Rorres. Esse livro pode ser acessado na Biblioteca
Virtual. Essa seção do livro discutirá com mais especificidade a respeito dos conceitos de posto e nulidade de uma
matriz, contribuindo para a compreensão desses conceitos por meio da apresentação de outros exemplos e
discussões sobre o tema.
0
Aula 5
s e õ ç at o n a r e V
REVISÃO DA UNIDADE
31 minutos
ESPAÇO VETORIAL
O conceito de espaço vetorial engloba diversas estruturas que apresentam um mesmo padrão, apesar de envolverem
elementos de diferentes naturezas.
Um espaço vetorial V é formado por um conjunto de vetores, munido de uma operação de adição de vetores e de uma
multiplicação de vetor por escalar, as quais gozam das seguintes propriedades: dados quaisquer v1, v2, v3 ∈ V e
c1, c2 ∈ K , com K um corpo, é valido que:
Fechamento da adição: v1 + v2 ∈ V .
Comutatividade da adição: v1 + v2 = v2 + v1 .
Nessa definição, entenda vetor como uma denominação genérica, que pode envolver tanto vetores multidimensionais
quanto polinômios e matrizes.
A partir dos espaços vetoriais, podemos construir os subespaços destes. Nesse caso, consideramos um subconjunto do
conjunto que define o espaço, junto às restrições das operações sobre ele, o que permite a construção do subespaço
vetorial.
espaço com as seguintes características:
conjunto.
elementos do conjunto.
⎢⎥
Após a definição do espaço vetorial, podemos construir a base associada. Para isso, buscamos um conjunto de vetores do
o conjunto gera o espaço, isto é, é possível representar qualquer vetor do espaço por meio de combinações lineares do
o conjunto é linearmente independente, ou seja, a combinação linear nula dos elementos do conjunto implica nos
coeficientes todos nulos ou, ainda, nenhum vetor do conjunto pode ser escrito como combinação linear dos demais
Com a definição da base, podemos relacionar a quantidade de vetores que constitui a base do espaço vetorial com sua
dimensão. É importante ressaltar que a base de um espaço vetorial não é única, isto é, podemos construir diferentes tipos
para um mesmo espaço, porém, todas devem ter a mesma quantidade de elementos.
Por exemplo, uma base para o espaço vetorial P2 (R) é formada pelos polinômios 1, x e x2, assim, esse espaço tem
dimensão 3. Além dessa, podemos construir outras bases para esse mesmo, mas todas devem conter exatamente três
elementos.
Considere agora um espaço vetorial V e duas bases para esse espaço, B e C. Podemos representar qualquer vetor de V em
⎣
cn
Esse vetor pode ser escrito em função da base C, segundo um outro vetor de coordenadas
c1
⎦
⎤
[v]
C
mudanças entre as duas bases e entre as representações, podemos empregar as matrizes de mudança de base
PC→B , dependendo do tipo de conversão a ser realizada.
=
Além desses conceitos, podemos estudar tipos especiais de espaços vetoriais. Dada uma matriz A, de tamanho
espaço gerado pelos vetores linha da matriz é chamado de espaço linha, o espaço gerado pelos vetores coluna é
denominado espaço coluna, enquanto o espaço gerado pelas soluções do sistema homogêneo
espaço nulo.
Com base nesses conceitos, podemos construir e explorar diferentes espaços vetoriais e suas propriedades.
REVISÃO DA UNIDADE
⎡
Ax = 0
d1
dn
⎤
Neste vídeo, você estudará os principais conceitos relacionados aos espaços vetoriais, com suas propriedades e principais
exemplos.
É importante compreender que a definição de espaço vetorial contribui para a generalização de estruturas presentes
quando lidamos com diferentes tipos de conjuntos, sejam eles compostos por vetores multidimensionais, matrizes,
polinômios, entre outros.
Assim, além da definição, você estudará o que é a base e a dimensão de um espaço vetorial, tipos especiais de matrizes e a
matriz de mudança de base.
. Para efetuar
PB→C
m × n
é chamado de
e
,o
0
s e õ ç at o n a r e V
ESTUDO DE CASO
Diante dos conteúdos estudados, você pôde perceber que o conceito de espaço vetorial é bastante abrangente, e
contemplar estruturas diversas como os espaços multidimensionais, os espaços de polinômios, entre outros.
0
Diante de um espaço vetorial, podemos identificar base, dimensão, subespaços, matrizes de mudança de bases, além da
s e õ ç at o n a r e V
representação de elementos por meio de combinações lineares.
Um dos espaços vetoriais que podemos estudar é o de matrizes. Para isso, é importante definir o tamanho das matrizes
que serão estudadas para especificar de qual espaço estamos falando.
Por exemplo, M2 (R) representa o conjunto das matrizes de ordem 2 com entradas reais, e M2×3 (R) o conjunto das
matrizes de tamanho 2 × 3 com entradas reais. Essa definição é importante porque a adição de matrizes pode ser
aplicada somente quando as matrizes envolvidas têm mesmo tamanho.
Dessa forma, para o estudo de um espaço vetorial de matrizes, devemos definir o conjunto que será utilizado, bem como as
operações, além de verificar a validade dos axiomas presentes na definição de espaço vetorial.
Para contextualizar o assunto estudado, imagine que você esteja ministrando um curso de capacitação direcionado aos
funcionários recém contratados de uma empresa de tecnologia, cuja especialidade é o trabalho com design de estruturas
tridimensionais e aplicação em realidade aumentada, os quais precisarão lidar com matrizes e espaços vetoriais.
Durante um dos módulos desse curso, os funcionários apresentaram uma dúvida a respeito do espaço vetorial de matrizes,
principalmente a respeito de como podem ser construídas as combinações lineares nesse espaço e como reconhecer uma
base para esse tipo de espaço vetorial, visto que seus elementos são matrizes e não vetores de R
n
, n natural, com os quais
eles estão habituados a trabalhar.
Nesse sentido, você pretende sanar as dúvidas dos cursistas, elaborando um módulo direcionado ao estudo do espaço
vetorial composto por matrizes, dando destaque ao espaço M2 (R) , composto pelas matrizes quadradas de ordem 2 com
entradas reais.
Os conceitos que você deve abordar nesse módulo são: a definição de espaço vetorial, os conceitos de base e dimensão de
um espaço vetorial, e a representação de elementos do espaço por meio de combinações lineares.
Assim, como você pode organizar esse curso para abordar os conceitos apresentados, tendo como ponto de partida o
espaço vetorial M2 (R) ?
Além disso, para tratar sobre a noção de subespaço, você deverá incluir o estudo do seguinte subconjunto de M2 (R) :
a b
S = {[ ] ∈ M2 (R)}
0 −a
De que forma você pode organizar o módulo do curso de capacitação para contemplar todos esses conceitos?
Reflita
Os conceitos estudados no contexto dos espaços vetoriais são genéricos e podem ser adaptados em relação a
diferentes conjuntos. No entanto, são necessárias validações dos conceitos tendo em vista o rigor característico
presente na Matemática.
0
Com efeito, quando buscamos comprovar que determinada estrutura é um espaço vetorial, devemos definir o
conjunto e as operações correspondentes e, a partir disso, recorrendo a representações genéricas, demonstrar a
s e õ ç at o n a r e V
validade de cada axioma presentes na definição de espaço vetorial. Uma situação análoga se aplica aos demais
conceitos.
Dessa forma, não podemos apenas mostrar, por exemplo, que a comutatividade da adição de vetores é verdadeira
para dois elementos, devemos mostrar que ela é verdadeira para dois elementos quaisquer do conjunto em discussão.
Se queremos mostrar que a comutatividade da adição é verificada no espaço P2 (R) , devemos considerar dois
elementos quaisquer desse espaço, como a0 + a1x + a2x
2
e 2
b0 + b1x + b2x , e construir uma demonstração que
justifique a validade dessa propriedade, como:
2 2 2
(a0 + a1x + a2x ) + (b0 + b1x + b2x ) = (a0 + b0) + (a1 + b1)x + (a2 + b2)x
2 2 2
= (b0 + a0) + (b1 + a1)x + (b2 + a2)x = (b0 + b1x + b2x ) + (a0 + a1x + a2x )
Observe que nessa demonstração, após o primeiro símbolo de igualdade, consideramos a definição da operação de
adição de polinômios; após o segundo símbolo de igualdade, recorremos à propriedade da comutatividade da adição
no conjunto de números reais, porque estamos trabalhando apenas com os coeficientes; e após o último símbolo de
igualdade, retornamos à definição de adição de polinômios.
Portanto, na demonstração de propriedades devemos sempre buscar uma representação genérica, recorrendo apenas
às propriedades já validadas ou às propriedades dos corpos que são considerados em cada contexto, principalmente o
de números reais.
Para iniciar o curso de formação, é importante retomar a definição de espaço vetorial, destacando quais as condições
necessárias para sua validação. Para isso, será utilizado como referência o conjunto:
a b
M2 (R) = {[ ]; a, b, c, d ∈ R} ,
c d
Para a exploração do conceito de espaço vetorial e a comprovação de que M2 (R) é um espaço vetorial, é preciso
trabalhar com a validação de cada um dos axiomas da definição de espaço vetorial.
a11 a12 b11 b12 c11 c12
Nesse sentido, sejam as matrizes A = [ ] , B = [ ] e C = [ ] pertencentes a M2 (R) ,
a21 a22 b21 b22 c21 c22
k1, k2 ∈ R então:
É válido o fechamento para a adição de matrizes e a multiplicação de matriz por escalar, visto que a adição e a
multiplicação de números reais geram também números reais:
0
a11 a12 b11 b12 a11 + b11 a12 + b12
A + B = [ ] + [ ] = [ ] ∈ M2 (R) ,
s e õ ç at o n a r e V
a21 a22 b21 b22 a21 + b21 a22 + b22
0 0
A matriz nula 0 2 = [ ] é o elemento neutro para a adição.
0 0
a11 a12 b11 b12 a11 + b11 a12 + b12 b11 + a11 b12 + a12
A + B = [ ] + [ ] = [ ] = [ ]
a21 a22 b21 b22 a21 + b21 a22 + b22 b21 + a21 b22 + a22
a11 a12 b11 b12 c11 c12 a11 + b11 a12 + b12 c11 c12
(A + B) + C = ([ ] + [ ]) + [ ] = [ ] + [ ]
a21 a22 b21 b22 c21 c22 a21 + b21 a22 + b22 c21 c22
(a11 + b11) + c11 (a12 + b12) + c12 a11 + (b11 + c11) a12 + (b12 + c12)
= [ ] = [ ]
(a21 + b21) + c21 (a22 + b22) + c22 a21 + (b21 + c21) a22 + (b22 + c22)
a11 a12 b11 + c11 b12 + c12 a11 a12 b11 b12 c11 c12
= [ ] + [ ] = [ ] + ([ ] + [ ]) = A + (B + C)
a21 a22 b21 + c21 b22 + c22 a21 a22 b21 b22 c21 c22
k2a11 k2a12
= k1[ ] = k1 (k2A)
k2a21 k2a22
A distributividade é válida:
a11 a12 b11 b12 a11 + b11 a12 + b12 k1 (a11 + b11) k1 (a12 + b12)
k1 (A + B) = k1([ ] + [ ]) = k1[ ] = [ ]
a21 a22 b21 b22 a21 + b21 a22 + b22 k1 (a21 + b21) k1 (a22 + b22)
a11 a12 (k1 + k2)a11 (k1 + k2)a12 k1a11 k1a12 k2a11 k2a12
(k1 + k2)A = (k1 + k2)[ ] = [ ] = [ ] + [ ]
a21 a22 (k1 + k2)a21 (k1 + k2)a22 k1a21 k1a22 k2a21 k2a22
Para
M2 (R)
[
−1
seguintes condições:
A matriz nula
Dados
02 = [
Sejam as matrizes
P + Q = [
P = [
a
0
a
−a
0
P = [
]
a
0
0
−a
]
] + [
kP = k[
0
a
c
0
1
2
b
d
B = {[
] = a[
M2 (R)
] = (−1)[
1
d
S = {[
−c
−a
a
] = [
b
0
0
0
0
D = [
M2 (R)
], [
] + b[
−a
] e Q = [
0
c
a + c
] = [
0
0
0
] + 1[
[D]
−c
d
ka
0
0
−a
]
=
b
1
⎢⎥
, com a adição de matrizes e a multiplicação de matriz por escalar, é um espaço vetorial.
], [
a = 0
0
] + c[
−1
⎤
de S, então:
]
2
0
0
] + 3[
Assim, ainda que os elementos do espaço sejam matrizes, podemos representar uma matriz em função da base do espaço
] ∈ M2 (R)}
(−a) + (−c)
k (−a)
M2 (R)
kb
] = [
ka
0
⎦
b + d
] = [
0
.
], [
a + c
0
0
b = 0
] + d[
.
0
0
0
tem dimensão igual a 4, porque tem base composta por quatro elementos.
−1
como combinação linear de B:
1 0
−ka
]}
] + 2[
kb
0
0
.
M2 (R)
] ∈ S
1
]
.
.
b + d
− (a + c)
] ∈ S .
M2 (R)
0
s e õ ç at o n a r e V
Como uma matriz qualquer de S pode ser escrita como:
a b 1 0 0 1
[ ] = a[ ] + b[ ] ,
0 −a 0 −1 0 0
1 0 0 1
e que as matrizes [ ] e [ ] são independentes uma da outra, podemos concluir que uma base de S é dada
0
0 −1 0 0
por:
s e õ ç at o n a r e V
1 0 0 1
{[ ], [ ]} ,
0 −1 0 0
Dessa forma, é possível abordar os principais conceitos envolvendo espaços vetoriais, tendo como referência o espaço
M2 (R) , suas propriedades e subespaços.
RESUMO VISUAL
REFERÊNCIAS
3 minutos
Aula 1
ANTON, H.; RORRES, C.. Álgebra linear com aplicações. 10. ed. Porto Alegre: Bookman, 2012.
LEON, Steven J. Álgebra linear com aplicações. Rio de Janeiro: LTC, 2018.
Aula 2
0
ANTON, H.; RORRES, C. Álgebra linear com aplicações. 10. ed. Porto Alegre: Bookman, 2012.
s e õ ç at o n a r e V
FERNANDES, L. F. D. Álgebra linear. 2. ed. Curitiba: InterSaberes, 2017.
POOLE, D. Álgebra linear: uma introdução moderna. 2. ed. São Paulo: Cengage Learning, 2016.
Aula 3
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. 10 ed. Porto Alegre: Bookman, 2012.
FERNANDES, Luana Fonseca Duarte. Álgebra linear. 2 ed. Curitiba: InterSaberes, 2017.
FRANCO, Neide. Álgebra linear. São Paulo: Pearson Education do Brasil, 2016.
LEON, Steven J. Álgebra linear com aplicações. Rio de Janeiro: LTC, 2018.
POOLE, David. Álgebra linear: uma introdução moderna. 2 ed. São Paulo: Cengage Learning, 2016.
Aula 4
ANTON, H.; RORRES, C. Álgebra linear com aplicações. 10 ed. Porto Alegre: Bookman, 2012.
POOLE, D. Álgebra linear: uma introdução moderna. 2. ed. São Paulo: Cengage Learning, 2016.
0
FRANCO, N. Álgebra linear. São Paulo: Pearson Education do Brasil, 2016.
s e õ ç at o n a r e V
NICHOLSON, W. K. Álgebra linear. 2. ed. Porto Alegre: AMGH, 2014.
POOLE, D. Álgebra linear: uma introdução moderna. 2 ed. São Paulo: Cengage Learning, 2016.