Escolar Documentos
Profissional Documentos
Cultura Documentos
PARTE 2:
ESPAÇ OS VETORIAIS EUCLIDIAN OS
E ARBITRÁRIOS.
58
INTRODUÇÃO
Provavelmente você já deve ter se deparado com dois tipos de quantidades físicas: as
escalares e as vetoriais.
A diferença entre as duas é que quando dizemos que uma grandeza é escalar, queremos dizer
que esta pode ser descrita simplesmente por um número real. Por exemplo, temperatura de
um objeto em ºC, comprimento de uma viga de 5m ou mesmo a velocidade escalar de um
veículo a 75km/h.
Por outro lado, quando dizemos que uma grandeza é vetorial, queremos dizer que esta
requer, além do valor numérico em si, uma direção e um sentido para sua descrição
completa. Note que a velocidade e a força são vetores porque precisam de um número que
fala sobre sua “intensidade”, mas também precisam de uma direção e sentido que diz “para
onde”. Por exemplo, um barco se movendo a 10 milhas náuticas por hora, numa direção de
45º no sentido do nordeste ou uma força de 10N agindo verticalmente para baixo.
Nesta parte da matéria vamos estudar não só as noções de vetores e escalares, mas também
como conseguimos utilizá-las na construção de estruturas matemáticas mais complexas e
ainda aplicar estas estruturas em diversas áreas.
59
13 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 119
14 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 119
60
Observação15: Você já pode ter se deparado com um par ordenado representando tanto um vetor de
componentes v1 e v2 , quanto um ponto de coordenadas v1 e v2 . Ambas as interpretações geométricas são
válidas, de modo que a interpretação apropriada depende do ponto de vista geométrico que queremos
enfatizar, como observado na figura acima.
P1P2 = OP2 − OP1 = (x2, y2) − (x1, y1) = (x2 − x1, y2 − y1) .
P1P2 = (x2, y2, z2) − (x1, y1, z1) = (x2 − x1, y2 − y1, z2 − z1) .
Vamos refletir agora sobre o caso mais geral, o caso n -dimensional. Observe que,
geometricamente, os números reais podem ser vistos como uma reta, a reta real ℝ = ℝ1 ,
onde o número 1 no expoente serve para indicar que a dimensão do espaço é igual a 1, ou
seja, unidimensional. Quando pensamos em pares ordenados de números reais ou de ternos
ordenados de números reais, estes podem ser vistos como elementos de um espaço
bidimensional ou tridimensional, respectivamente. Esses espaços são denotados por ℝ2 e
ℝ3, respectivamente. Note, também, que os expoentes reforçam a ideia da dimensão dos
espaços.
Definição 1: Seja n um número inteiro positivo, então uma ênupla ordenada é uma sequência de n
números reais (x1, x2, …, xn) . O conjunto de todas as ênuplas ordenadas é denominado espaço de
dimensão n e denotado por ℝn .
15 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 123
62
Podemos, em um primeiro momento, pensar que este conceito de espaço de dimensão maior
do que 3 (n > 3) não faz parte de nossa realidade. Entretanto, este pensamento é muito
rudimentar e não reflete o caráter de fenômenos estudados do mundo real. Vamos citar
alguns exemplos onde aparecem espaços de dimensão maior e, consequentemente, vetores
de dimensão maior.
- Imagens Digitalizadas: Uma maneira pela qual são criadas as imagens coloridas nas
telas dos monitores de computadores é associando a cada pixel (que é um ponto endereçável
na tela) três números que descrevem a matiz, saturação e brilho do pixel. Logo, uma
imagem completa pode ser vista como um conjunto de vetores de dimensão 5, da forma
v = (x, y, h, s, b), onde x, y descrevem as coordenadas do pixel na tela e h, s, b são a matiz
(do inglês hue), a saturação e o brilho.
Definição 2: Se v = (v1, v2, …, vn) e w = (w1, w2, …, wn) são vetores em ℝn e k é um escalar
qualquer, então
v ± w = (v1 ± w1, v2 ± w2 , …, vn ± wn)
k v = (k v1, k v2, …, k vn)
v = w ⇔ v1 = w1 , v2 = w2 , …, vn = wn .
63
Quando conhecemos alguns vetores, digamos v1, v2, v3 , podemos formar novos vetores a
partir destes utilizando as operações de soma, subtração e multiplicação por escalar. Por
exemplo, podemos formar os vetores:
u = 3v1 + 3v2 − 4v3 e w = − 3v1 + 2v2 − 7v3 .
Definição 3: Dizemos que o vetor w ∈ ℝn é uma combinação linear dos vetores v1, v2, …, vr ∈ ℝn , se o
vetor w puder ser escrito como
w = k1v1 + k2v2 + … + kr vr ,
onde k1, k2, …, kr são escalares denominados coeficientes da combinação linear.
Norma de um vetor
Exemplo 1: Dados os vetores v = (−3,2,1) e w = (1,2,5, − 3), suas normas são dadas por
Quando um vetor v possui norma igual a 1, dizemos que este vetor é um vetor unitário.
Um vetor que possui norma diferente de 1 pode ser “transformado" em unitário, ou seja,
dado um vetor não-nulo v , podemos construir um novo vetor u com mesma direção e
sentido de v, mas com norma igual a 1, multiplicando o vetor v pelo inverso de sua norma,
ou seja,
1
u= v.
∥v∥
Este processo de obtenção de um vetor unitário u a partir de um vetor não-nulo v é chamado
de normalização de v .
Em ℝ2:
i = (1,0), j = (0,1)
Em ℝ3:
i = (1,0,0), j = (0,1,0), k = (0,0,1).
Em ℝn:
e1 = (1,0,0,…,0), e2 = (0,1,0,…,0),…, en = (0,0,0,…,0,1).
Observação: Note que um vetor da forma v = (v1, v2, …, vn) pode ser escrito como
v = (v1, v2, …, vn) = v1e1 + v2e2 + … + vnen
65
A distância entre dois vetores pode ser definida como a norma do vetor diferença, ou seja, se
u = (u1, u2, …, un) e v = (v1, v2, …, vn), então a distância entre estes vetores é dada por
Exemplo 2: Dados os vetores u = (1,3, − 2,7) e v = (0,7,2,2). A distância entre eles é dada por
Vamos introduzir agora uma noção de multiplicação entre vetores, além do conceito de
ângulo entre vetores.
Definição: Se u e v são vetores não nulos em ℝ2 ou ℝ3 e se θ ∈ [0,π] for o ângulo entre u e v , então o
produto escalar (ou produto interno euclidiano) de u e v é definido por
u ⋅ v = ∥u∥∥v∥ cos θ .
1. θ é agudo se u ⋅ v > 0 ;
2. θ é obtuso se u ⋅ v < 0 ;
3. θ é reto (θ = π /2) se u ⋅ v = 0, onde, neste caso, dizemos que u e v são ortogonais
(ou perpendiculares).
Observação: É possível mostrar, usando lei dos cossenos, que se u = (u1, u2, …, un) e
v = (v1, v2, …, vn), então u ⋅ v = u1v1 + u2v2 + … + unvn .
2. u ⋅ v = v ⋅ u ;
3. u ⋅ (v ± w) = u ⋅ v ± u ⋅ w ;
4. k(u ⋅ v) = (ku) ⋅ v = u ⋅ (k v) ;
5. ∥u + v∥ ≤ ∥u∥ + ∥v∥ (desigualdade triangular para vetores);
6. d(u, v) ≤ d(u, w) + d(w, v) (desigualdade triangular para distâncias).
Observe que a noção de produto escalar que definimos acima é tal que o resultado desta
operação é um escalar. Agora vamos definir um outro tipo de multiplicação entre vetores de
forma que o resultado seja um vetor.
Definição: Se u e v são vetores não nulos em ℝ3, então o produto vetorial u × v é definido por
i j k
u × v = u1 u2 u3 = (u2v3 − u3v2, u3v1 − u1v3, u1v2 − u2v1) .
v1 v2 v3
INTRODUÇÃO
Vimos na aula passada uma breve revisão do conceito de vetores, onde enxergamos estes
como pontos no espaço bi e tridimensional, bem como como objetos que possuem direção,
sentido e norma (como setas, onde o início está na origem e o final da seta no ponto em
questão), além de algumas propriedades destes vetores. Entretanto, percebemos que
algumas propriedades poderiam ser estendidas a vetores com mais componentes, ou seja,
vetores de dimensão maior do que 2 ou 3.
A partir da aula de hoje, vamos rever algumas propriedades de vetores e estender estas para
dimensão n. Apesar de perder a “noção geométrica” em dimensões maiores, as propriedades
que estaremos estudando nos ajudarão a enxergar objetos de dimensão maiores “como se
fossem vetores”.
68
Na aula de hoje, vamos estender a noção de vetores para espaços mais abstratos, porém que
possuem propriedades como as propriedades dos vetores. Em outras palavras, se um
determinado conjunto de objetos satisfizer algumas propriedades semelhantes dos vetores,
podemos enxergar que estes objetos se comportam como se fossem vetores conhecidos.
A próxima definição consiste em trazer alguns axiomas sobre estes conjuntos mais
abstratos. Lembrando que um axioma é uma hipótese, ou seja, não iremos demonstrar estas
hipóteses na definição em si, mas sim iremos verificar nos exemplos posteriores se estas
hipóteses (ou axiomas) são satisfeitos ou não.
Definição16: Seja V um conjunto não vazio qualquer de objetos. Dizemos que este conjunto é um Espaço
Vetorial Real se, neste conjunto, estiverem bem definidas as operações de soma e multiplicação por
escalar. Em outras palavras, dados os objetos u, v, w ∈ V e os escalares a, b ∈ ℝ, estes devem satisfizer
os seguintes axiomas:
- Soma entre vetores: Se u, v ∈ V, então u + v ∈ V, de forma que esta soma seja:
1. Comutativa: u + v = v + u
2. Associativa: u + (v + w) = (u + v) + w
3. Elemento Neutro: Existe um vetor (chamado vetor nulo) 0 tal que u + 0 = u
4. Inverso da soma: Para cada vetor u ∈ V, existe um único vetor −u ∈ V , tal que
u + (−u) = 0
- Multiplicação por escalar: Se u ∈ V e a ∈ ℝ, então au ∈ V, de forma que:
5. 1u = u
6. (ab)u = a(bu)
7. (a + b)u = au + bu
8. a(u + v) = au + av
Quando estas propriedades são satisfeitas, dizemos que os objetos do espaço vetorial V são vetores.
16Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 172;
Linear Algebra - K. Hoffman & R. Kunze, 2nd edition, Prentice-Hall, pg. 28.
69
Observação: Dizemos que o espaço vetorial é “Real” no sentido do conjunto onde tomamos os escalares é
o conjunto dos números reais ℝ . Caso este conjunto seja ℂ , o conjunto dos números complexos, dizemos
que temos um Espaço Vetorial Complexo.
Devemos notar que na definição acima não especificamos a natureza dos vetores nem das
operações em si. Desta forma, qualquer objeto pode ser chamado de vetor e as operações de
soma e multiplicação por escalar podem ser bem diferentes daquelas usuais em ℝn . Vamos
ver alguns exemplos a seguir para entendermos como verificar se determinado conjunto com
duas operações definidas é ou não um espaço vetorial.
Exercício 1: Seja V o conjunto de objetos da forma u = (u1, u2, …, un, …) , onde u1, u2, …, un, … é
uma sequência infinita de números reais. Definimos a soma e a multiplicação por escalar por
u + v = (u1, u2, …, un, …) + (v1, v2, …, vn, …) = (u1 + v1, u2 + v2, …, un + vn, …)
au = (au1, au2, …, aun, …).
Mostre que, com essas operações, o conjunto V é um espaço vetorial.
Observe que V é fechado para soma e multiplicação por escalar pois o resultado destas operações continua
70
produzindo matrizes 2 × 2. Alguns axiomas são simples de verificar, como a comutatividade da soma:
[0 0]
0 0
O Elemento Neutro da soma pode ser definido como 0 = . Com isso, temos que
[ 21 −u22]
−u11 −u12
O Inverso da soma (o negativo) pode ser definido como −u = −u . Com isso, temos que
Exercício 2: O Espaço Vetorial das Matrizes m × n . Defina V como o conjunto de todas as matrizes
m × n com a soma e a multiplicação por escalar definidos de forma usual. Mostre que este conjunto é um
espaço vetorial. Este espaço vetorial é denotado por Mmn . Com isso, no exemplo acima, mostramos que
M22 é um espaço vetorial.
Exercício: Seja V o conjunto de todos os pares ordenados de números reais e considere as operações de
soma e multiplicação por escalar definidas como, dados u = (u1, u2) e v = (v1, v2),
u + v = (u1 + v1 + 1,u2 + v2 + 1)
au = (au1, au2).
a) Calcule u + v e au, com u = (0,4) e v = (1, − 3) e a = 2;
b) Mostre que (0,0) ≠ 0;
c) Mostre que (−1, − 1) = 0;
d) Mostre que é válido o axioma 4 (inverso aditivo), fornecendo um par ordenado −u tal que
u + (−u) = 0, com u = (u1, u2);
e) Encontre dois axiomas de espaço vetorial que não sejam válidos.
17 Álgebra Linear com Aplicações - H. Anton, C. Rorres, 10a ed., ed. Bookman, pg. 175
72
Nesta aula vamos ver que existem espaços vetoriais que podem estar contidos em outro
espaço vetorial, a princípio, maior. Além disso, vamos ver algumas propriedades que vão nos
auxiliar a identificar tais espaços, bem como alguns exemplos.
Note que para demonstrar que W é um espaço vetorial, precisaríamos, a rigor, verificar todos
os 8 axiomas da aula passada. Porém como W é um subconjunto de V, algumas propriedades
de V são herdadas por W , ou seja, não há necessidade de se verificar alguns axiomas, como
por exemplo, que u + v = v + u vale em W, pois isto já é válido para todos os vetores de V.
0 + 0 = 0 ∈ W e a0 = 0 ∈ W.
Logo, dizemos que W é o subespaço zero ou nulo de V.
Exemplo 3:
[−3 4] [ 3 4]
2 5 −2 5
U= e V= são matrizes invertíveis (determinante não-nulo), mas U + V possui
uma coluna de zeros, ou seja, o determinante será nulo e a matriz será singular, não sendo invertível.
74
Exercício: Mostre que o conjunto de todos os polinômios de grau igual a 2 não forma um subespaço do
conjunto de todas as funções reais. Entretanto, se denotarmos por Pn o conjunto de todos os polinômios de
grau menor ou igual a n, então Pn é um subespaço do conjunto de todas as funções reais.
Definição 2: Dizemos que um vetor w ∈ V, onde V é um espaço vetorial, é uma combinação linear dos
vetores v1, v2, …, vr ∈ V , se w puder ser escrito como
w = a1v1 + a2v2 + … + ar vr
onde a1, a2, …, ar são escalares. Estes escalares são chamados de coeficientes da combinação linear.
Definição 3: Seja S = {w1, w2, …, wr} um conjunto de vetores do espaço vetorial V . O conjunto de
todas as combinações lineares possíveis de vetores de S é denotado por conjunto gerado por S e escrevemos
ger(S) ou ger{w1, w2, …, wr}.
Teorema 2: Seja S = {w1, w2, …, wr} um conjunto de vetores do espaço vetorial V. Então:
1. O conjunto gerado ger(S) é um subespaço de V;
2. O subespaço ger(S) é o menor subespaço de V que contém todos os vetores de S , ou seja,
qualquer outro subespaço que contenha os vetores de S, também conterá o subespaço ger(S).
b) Se v1, v2 são dois vetores não nulos em ℝ3, com pontos iniciais na origem, então ger{v1, v2}, formado
por todas as combinações lineares de v1 e v2 , é o plano que passa pela origem determinado por estes dois
vetores.
Solução: Observe que w será combinação linear de u e v se existirem constantes k1, k2 ∈ ℝ tais que
w = k1u + k2v, ou seja,
(9,2,7) = k1(1,2, − 1) + k2(6,4,2) = (k1 + 6k2, 2k1 + 4k2, − k1 + 2k2) ,
Onde igualando as componentes dos vetores, obtemos o sistema linear:
k1 + 6k2 = 9
2k1 + 4k2 = 2
−k1 + 2k2 = 7 .
Resolvendo este sistema via eliminação Gaussiana (Exercício!), obtemos que k1 = − 3 e k2 = 2, ou seja,
w = − 3u + 2v.
De forma análoga, para que o vetor w′ seja combinação linear de u e v , devem existir constantes
k1, k2 ∈ ℝ tais que w′ = k1u + k2v, porém o sistema linear gerado é inconsistente (não possui solução)
(Exercício!).
Solução: Devemos determinar se um vetor arbitrário b = (b1, b2, b3) em ℝ3 pode ser escrito como
combinação linear de v1, v2, v3 , ou seja,
b = k1v1 + k2v2 + k3v3.
Observando as componentes, obtemos
(b1, b2, b3) = k1(1,1,2) + k2(1,0,1) + k3(2,1,3)
= (k1 + k2 + 2k3, k1 + k3, 2k1 + k2 + 3k3),
Ou seja,
k1 + k2 + 2k3 = b1
k1 + k3 = b2
2k1 + k2 + 3k3 = b3.
Logo, o problema se reduz a determinar se esse sistema é consistente para quaisquer valores de b1, b2, b3.
1 1 2
[2 1 3]
Isto pode ser feito verificando se a matriz de coeficientes A = 1 0 1 possui determinante não nulo.
dem.: A demonstração é simples. Seja W o espaço de soluções do sistema linear. A ideia é usar a
propriedade distributiva matricial para verificar que W é fechado para a soma e para a multiplicação por
escalar.
Definição 4: Dados os vetores v1, v2, … , vr de um espaço vetorial V, então se a equação vetorial
k1v1 + k2v2 + … + kr vr = 0
possuir como única solução a solução trivial k1 = k2 = … = kr = 0 , então dizemos que os vetores são
Linearmente Independentes (LI). Caso contrário, dizemos que os vetores são Linearmente
Dependentes (LD).
Observação: Note que a definição acima está relacionada ao teorema 3 acima. Se a matriz A é formada
pelos vetores v1, v2, … , vr como colunas de A , então a equação acima é equivalente ao sistema linear
homogêneo Ak = 0 , onde k = (k1, k2, …, kr ) . Com isso, dizemos que o conjunto de vetores
77
v1, v2, … , vr é linearmente independente se o sistema linear homogêneo equivalente admitir somente a
solução trivial. Caso contrário, dizemos que o conjunto de vetores é linearmente dependente.
b) Três vetores em ℝ3 são LI se, e só se, os vetores não ficam em um mesmo plano quando colocados
seus pontos iniciais na origem. Caso contrário, pelo menos um deles seria combinação linear dos outros
dois.
A U L A 11 : C O O R D E N A D A S , B A S E E D I M E N S Ã O
Nesta aula vamos aprofundar a intuição de dimensão de espaços. Em geral, enxergamos que
uma reta possui dimensão 1, um plano possui dimensão 2 e o espaço ℝ3 possui dimensão 3.
Para isso, vamos estudar sistema de coordenadas em espaços vetoriais para então definir
base e dimensão de um espaço vetorial, bem como a mudança de base no mesmo espaço
vetorial.
Sistema de Coordenadas
Definição 1: Sejam V um espaço vetorial qualquer e S = {v1, v2, …, vn} um conjunto finito de vetores
em V. Dizemos que S é uma base de V se valerem as duas condições a seguir:
a) S é linearmente independente;
b) S gera V.
Note que a definição acima garante na parte a) que os vetores não são interligados e da parte
b) que o número de vetores de S é suficiente para fornecer coordenadas para todos os
vetores de V.
c1 + 2c2 + 3c3 = b1
2c1 + 9c2 + 3c3 = b2 .
c1 + 4c3 = b3
Logo, basta mostrar que o primeiro sistema linear acima (homogêneo) possui somente a solução trivial e
que o segundo sistema linear é consistente com quaisquer valores de b1, b2, b3.
Como os dois sistemas possuem a mesma matriz de coeficientes
1 2 3
A= 2 9 3 ,
1 0 4
Então basta verificar que det(A) ≠ 0 . De fato, det(A) = − 1 (Exercício), o que mostra que v1, v2, v3
formam uma base para ℝ3.
[0 0] [0 0] [1 0] [0 1]
1 0 0 1 0 0 0 0
M1 = , M2 = , M3 = , M4 =
Definição 2: Se S = {v1, v2, …, vn} é uma base do espaço vetorial V e se conseguimos escrever um vetor
qualquer v ∈ V como
v = c1v1 + c2v2 + … + cnvn ,
então os escalares c1, c2, …, cn são chamados de coordenadas de v em relação à base S.
O vetor (c1, c2, …, cn) ∈ ℝn é chamado de vetor de coordenadas de v em relação a S e é denotado por
(v)S = (c1, c2, …, cn).
Podemos também escrever o vetor de coordenadas como uma matriz coluna, chamada de matriz de
81
Dimensão
Teorema 1: Sejam V um espaço vetorial de dimensão finita e {v1, v2, …, vn} uma base qualquer de V.
a) Um conjunto com mais de n vetores é linearmente dependente (LD);
b) Um conjunto com menos de n vetores não gera V.
Como consequência do teorema acima, vemos que todas as bases de um mesmo espaço
vetorial possuem o mesmo tamanho.
Este número exato de vetores que consegue formar uma base possui um nome especial.
82
Definição 3: O número de vetores em uma base do espaço vetorial V é chamado de dimensão do espaço V
e denotada por dim(V ).
A U L A 12 : M U DA N Ç A D E B A S E . E S PA Ç O S V E T O R I A I S
ESPECIAIS.
Nesta aula, vamos estudar como realizar o processo de mudança de base em um espaço
vetorial de dimensão finita, além de estudar alguns espaços importantes de uma dada
matriz.
Mudança de Base
Uma base para um problema pode não ser conveniente para outro problema, de forma que
seria interessante se conseguíssemos realizar uma mudança de base no mesmo espaço
vetorial. Como a ideia de base de um espaço vetorial é uma espécie de generalização do
conceito de coordenadas, então mudança de base está relacionada à mudança do eixo
coordenado no caso ℝ2 e ℝ3.
Seja V um espaço vetorial de dimensão finita e S = {v1, v2, …, vn} uma base para V. Sabemos
que o vetor de coordenadas de v ∈ V em relação a S é dado por (v)S = (c1, c2, …, cn) ∈ ℝn .
Nesta aula também vamos expressar estes vetores de coordenadas em formato matricial
c1
c2
[v]S = .
⋮
cn
Considere as bases B = {u1, u2} e B′ = {u′1, u′2}. Precisamos dos vetores de coordenadas dos
vetores da base nova B′ em relação à base antiga B.
Suponha que tenhamos
85
[u′1]B = [ ] e [u′2]B = [ ],
a c
b d
ou seja,
u′1 = au1 + bu2
u′2 = cu1 + du2 .
[k2]
k1
Considere agora v ∈ V um vetor qualquer e suponha que [v]B′ = seja o vetor de
[k1b + k2d]
k1a + k2c
[v]B = .
[k2]
k1
Como [v]B′ = , então podemos escrever a relação acima como
A equação acima nos mostra que o vetor de coordenadas da base antiga, [v]B , pode ser
obtido pela multiplicação à esquerda do vetor de coordenadas na base nova, [v]B′ , pela
matriz
P=[
b d]
a c
.
Note que as colunas da matriz P são dadas pelas coordenadas do vetores da base nova B′ em
relação à base antiga B. Logo, obtemos a seguinte solução para o problema acima:
onde as colunas da matriz P são dadas pelos vetores de coordenadas da base nova em relação à base antiga,
ou seja,
[u′1]B, [u′2]B, …, [u′n]B .
[5]
−3
c) Determine [v]B , sabendo que [v]B′ = .
Solução:
a) A matriz de transição de B′ para B é dada por PB′→B = [ [u′1]B | [u′2]B ].
Note que
u′1 = u1 + u2
u′2 = 2u1 + u2 ,
[1] [1] [1 1 ]
1 2 1 2
Ou seja, [u′1]B = , [u′2]B = . Logo, PB′→B = .
b) Neste caso, a matriz de transição de B para B′ é dada por PB→B′ = [ [u1]B′ | [u2]B′ ].
Note que
u1 = − u′1 + u′2
u2 = 2u′1 − u2 ,
c) Observe que preciso passar da base B′ para B. Com isso, vamos utilizar a matriz de transição do item
[1 1] [ 5 ] [2]
1 2 −3 7
a). Logo, [v]B = PB′→B [v]B′ = = .
87
Observação 1: A matriz de transição PB→B′ muda as coordenadas de B para B′ e a matriz PB′→B, muda
as coordenadas de B′ para B. Logo, é razoável que a matriz dada pelo produto (PB→B′)(PB′→B) seja uma
matriz de transição de B para B, ou seja,
(PB→B′)(PB′→B) = I.
Com isso, vemos que as matrizes PB→B′, PB′→B são inversas uma da outra.
Passo 1: Montar a matriz [B′ | B], formada pelos vetores de cada base;
Passo 2: Usar operações elementares para reduzir a matriz acima à forma escalonada
reduzida, resultando em [I | PB→B′];
Passo 3: Extraímos a matriz PB→B′ do lado direito da matriz resultante do passo anterior.
Vamos estudar agora alguns espaços vetoriais importantes associados com matrizes e como
estes espaços nos auxiliam na resolução de um sistema linear.
[3 −1 4]
2 1 0
Exemplo 2: Considere A = .
A definição abaixo vai caracterizar três espaços vetoriais associados a uma matriz.
Problema 2: Qual relação existe entre a resolução de um sistema linear da forma Ax = b e os espaços
vetoriais citados acima?
Teorema 1: Um sistema Ax = b de equações lineares é consistente se, e somente se, b está no espaço
coluna de A.
Mostre que b está no espaço coluna de A expressando b como uma combinação linear dos vetores coluna de
A.
Solução:
Note que b pode ser escrito como combinação linear dos vetores coluna de A se este estiver no espaço coluna
de A. Pelo teorema acima, isso vai ocorrer se, e somente se, o sistema linear for consistente, ou seja, se tiver
solução.
Resolvendo o sistema por eliminação gaussiana, obtemos (Exercício)
x1 = 2, x2 = − 1, x3 = 3.
−1 3 2 1
[ 2 ] [1] [−2] [−3]
Logo, 2 1 − 2 + 3 −3 = −9 .
Com relação às bases destes espaços vetoriais, vamos verificar como determinar estas.
O primeiro passo quando estudamos um sistema linear foi montar a matriz aumentada e
proceder o escalonamento via eliminação gaussiana ou eliminação de Gauss-Jordan, através
de operações elementares. Com isso, observamos que este processo de eliminação não
90
Teorema 2: As operações elementares não alteram o espaço nulo de uma matriz e também não alteram o
espaço linha de uma matriz.
Teorema 3: Se uma matriz está em forma escalonada, então os vetores linha com os pivôs formam uma
base do espaço linha desta matriz.
Além disso, os vetores coluna com os pivôs formam uma base do espaço coluna da matriz.
Como aplicação dos teoremas acima, podemos fazer o seguinte procedimento para
determinar a base dos espaços linha e coluna de uma dada matriz A.
Observação: Note que os espaços linha e coluna da matriz A possuem a mesma dimensão. Este número é
chamado de Posto da matriz A, pos(A). A dimensão do espaço nulo de A é a nulidade de A, nul(A).
92
AU L A 13 : T R A N S F O R M AÇ Ã O M AT R I C I A L . D E F I N I Ç Ã O E
EXEMPLOS
Nesta aula, vamos estudar funções da forma w = F(x) , onde x , variável independente, é um
vetor em ℝn e w , variável dependente, é um vetor em ℝm , mas iremos nos concentrar em
funções F do tipo linear.
Revisão de Função
O domínio e o contradomínio de funções reais são conjuntos de números reais, onde estas
funções são comuns de serem vistas na disciplina de Cálculo 1.
Nesta parte da disciplina, vamos voltar nossa atenção à funções cujos domínio e
contradomínio são espaços vetoriais.
Transformações Matriciais
Definição 1: Se V e W são espaços vetoriais e se f é uma função com domínio V e contradomínio W, então
dizemos que f é uma transformação de V em W, ou uma aplicação de V em W, que denotamos por
f : V → W.
No caso especial em que V = W, dizemos que uma transformação f é um operador de V.
93
No caso particular em que f1, f2, …, fm forem funções lineares, então podemos escrever as m
equações acima na forma
w1 = a11x1 + a12 x2 + …a1n xn
w2 = a21x1 + a22 x2 + …a2n xn
,
⋮
wm = am1x1 + am2 x2 + …amn xn
onde, como já vimos, podemos escrever as equações acima em um formato matricial
w1 a11 a12 … a1n x1
w2 a21 a22 … a2n x2
=
⋮ ⋮ ⋮ ⋮ ⋮
wm am1 am2 … amn xn
ou ainda, como
w = Ax.
A equação acima pode ser vista como uma transformação que associa o vetor coluna
x1 w1
x2 w2
x= ao vetor coluna w = , através de uma multiplicação matricial à esquerda de
⋮ ⋮
xn wm
x pela matriz A . Vamos chamar esta transformação de transformação matricial (ou ainda
operador matricial, se m = n ) e denotar por TA : ℝn → ℝm . Com isso, a equação acima
pode ser expressa como
w = TA(x).
94
Pelo teorema acima, vemos que, dada uma combinação linear em ℝn , a imagem desta
combinação por TA ainda será uma combinação linear em ℝm, ou seja, temos que
TA(k1v1 + k2v2 + … + knvn) = k1TA(v1) + k2TA(v2) + … + knTA(vn).
95
Observação: Dadas duas transformações TA e TB tais que TA(x) = TB(x) , para um vetor qualquer
x ∈ ℝn, então A = B.
Suponha que e1, e2, …, en sejam os vetores canônicos de ℝn. Observe que pela definição,
TA(e1) = Ae1, TA(e2) = Ae2, …, TA(en) = Aen .
Logo,
A = [TA(e1) | TA(e2) | … | TA(en) ].
[ sin θ cos θ ]
cos θ −sin θ
Rθ =
AU L A 14 : T R A N S F O R M AÇ Ã O M AT R I C I A L .
PROPRIEDADES.
Nesta aula, vamos estudar algumas propriedades das transformações matriciais que
definimos na aula passada.
Observação:
1. Não é verdade, em geral, que TB ∘ TA = TA ∘ TB ;
2. A matriz canônica da composta é dada pelo produto das matrizes canônicas na ordem apropriada,
por exemplo, [T2 ∘ T1] = [T2] [T1] ou [T3 ∘ T2 ∘ T1] = [T3] [T2] [T1].
Fica como exercício verificar que as matrizes acima satisfazem a propriedade [T2 ∘ T1] = [T2] [T1] (a
ideia é utilizar algumas identidades trigonométricas).
[1 0] [0 1] [0 0]
0 1 0 0 0 1
[T1 ∘ T2] = [T1][T2] = =
[0 1] [1 0] [1 0]
0 0 0 1 0 0
[T2 ∘ T1] = [T2][T1] = =
Exercício 2: Verifique através de figuras que uma rotação de ℝ2 é injetora, mas uma projeção não o é.
Porém, pelo teorema acima, observamos que det(T ) = 0 , ou seja, [T ] não é invertível, ou seja, T não é
injetora.
Note que
TA(TA−1(x)) = A A −1x = Ix = x
TA−1(TA(x)) = A −1 Ax = Ix = x,
ou seja, TA ∘ TA−1 = TA−1 ∘ TA = I.
[3 4]
2 1
[T ] = .
Essa matriz é invertível pois det([T ]) = 5 ≠ 0 . Além disso, a matriz canônica de T −1 é dada pela
inversa de [T ], ou seja,
[−3/5 2/5 ]
4/5 −1/5
[T −1] = [T ]−1 = .
Logo,