Académique Documents
Professionnel Documents
Culture Documents
ÍNDICE
1. Introdução ................................................................................................................................... 1
6. Conclusão .................................................................................................................................. 15
7. Bibliografia ............................................................................................................................... 16
1. Introdução
Existe muita similaridade da álgebra vectorial com a matricial, pode-se como estudado, multiplicar
por um escalar, adicionar, e/ou operar sobre eles. Os vectores generalizados incluem entre alguns
objectos muitas matrizes e funções, o que na verdade engloba o conhecimento de espaços vectoriais
(com dimensão finita), este conhecimento amplia a visualização geométrica a uma larga classe de
importantes problemas matemáticos nos quais naturalmente não ter-se-ia soluções. O espaço vectorial
envolve um corpo arbitrário, cujos elementos são chamados escalares.
O presente trabalho envolve além da parte teórica, a parte práctica onde apresentar-se-ão alguns
exercícios sobre o tema em causa sobre: espaços lineares, transformações lineares e por último,
núcleo e imagem de uma transformação linear.
Objectivos:
Gerais:
Específicos:
Definir conceitos como: 𝑁𝑢𝑙 𝐴, 𝐶𝑜𝑙 𝐴 e transformações lineares, bem como apresentar seus
respectivos exemplos;
Abordar o conceito de dependência linear: Bases, definindo alguns conceitos básicos com
𝑆𝑝𝑎𝑛, dependência e independência linear, bases para 𝑁𝑢𝑙 𝐴 𝑒 𝐶𝑜𝑙 𝐴, e finalmente falar de
subsistema independente máximo.
2. Espaços Vectoriais
Doze andares de altura e pesando 75 toneladas, Colômbia subiu majestosamente para fora da
plataforma de lançamento em uma fria manhã de Domingo de Ramos de abril de 1981. Um
produto de dez anos de intensa pesquisa e desenvolvimento, o primeiro ônibus espacial americano
foi um triunfo do projeto de engenharia de sistemas de controlo, envolvendo muitos ramos da
engenharia-aeronáutica, química, elétrica, hidráulica e mecânica.
O Sistemas de controlo do ônibus espacial são absolutamente crítico para o vôo. Porque o
transporte é uma instável fuselagem, requer monitoramento de computador constante durante voo
atmosférico. O sistema de controlo de vôo envia um fluxo de comandos para as superfícies de
controlo aerodinâmico e 44 pequenos jatos propulsores.
A Figura 1 mostra um sistema de circuito fechado típico de feedback que controla o campo do
transporte durante o vôo. (O passo é o ângulo de elevação do nariz cónico.) Os símbolos de junção
mostram onde a partir de vários sensores são adicionados aos sinais de computador fluindo ao
longo da parte superior da figura.
-Símbolo de Juncão.
Fig.1. sistema de controlo de arremesso para o ônibus espacial. (Fonte: Adaptado de Operatios
Space Shuttle GN&C Manual, Rockwell International, © 1988.)
Um espaço vetorial é um conjunto não vazio 𝑉 de objetos, chamados vectores, em que são definidas
duas operações, chamadas adição e multiplicação por escalares (números reais), sujeito aos dez
axiomas (ou regras) listados abaixo. Os axiomas devem ser satisfeitos para todos vectores 𝒖, 𝒗 e 𝒘
em 𝑉 e para todos os escalares 𝑐 e 𝑑.
Nota: Tecnicamente, 𝑉 é um espaço vetorial real. Toda a teoria neste trabalho também vale para um
espaço vetorial complexo em que os escalares 𝑐 e 𝑑 são números complexos, mas no presente trabalho
considerar-se-á todos escalares como reais.
Usando apenas esses axiomas, pode-se mostrar que o vector zero no axioma 4 é único, e o vector 𝒖,
chamada de negativa de 𝒖, em axioma 5 é exclusivo para cada 𝒖 em 𝑉.
Exemplo 3.1. Os espaços ℝ𝑛 , em que 𝑛 ≥ 1, são os exemplos principais de espaços vetoriais. Sendo
que a intuição geométrica desenvolvida para ℝ3 ajuda a entender e visualizar vários conceitos.
Por outro lado, cada espaço vetorial é um subespaço vectorial (de si mesmo e, possivelmente,
de outros espaços de maior dimensão). O termo subespaço é utilizado quando pelo menos
dois espaços vetoriais são em mente, com um dentro do outro, assim a expressão subespaço
de V identifica V como o espaço maior.
Exemplo 3.2. O conjunto que consiste em apenas o vector nulo em um espaço vetorial 𝑉 é
subespaço de 𝑉, chamado de subespaço zero e escrito como {0}.
Nesta seção, comparar e contrastar estes duas descrições de subespaços, o que nos permite praticar o
uso do conceito de um subespaço.
𝑥1 − 3𝑥2 − 2𝑥3 = 0
{ (1)
−5𝑥1 + 9𝑥2 + 𝑥3 = 0
1 −3 −2
𝐴=[ ] (2)
−5 9 1
Recorde-se que o conjunto de todos os 𝑥, que satisfazem a (1) é chamado de conjunto solução do
sistema (1). Muitas vezes é conveniente para relacionar este conjunto directamente para a matriz
𝐴𝒙 = 0. Chamamos o conjunto de 𝑥 que satisfazem 𝐴𝒙 = 0 o espaço nulo da matriz 𝐴.
O espaço nulo de uma matriz 𝑚 × 𝑛 𝐴, escrito com 𝑁𝑢𝑙 𝐴, é o conjunto de todas as soluções da
equação homogênea 𝐴𝒙 = 0. Na notação em forma de conjunto, teremos:
𝑁𝑢𝑙 𝐴 = {𝒙: 𝒙 ∈ ℝ𝑛 ∧ 𝐴𝒙 = 𝟎}
5
Exemplo 3.3.2. Seja 𝐴 a matriz acima em (2), e seja 𝑢 = [ 3 ]. Determinemos se 𝒖 pertence ao
−2
espaço nulo de 𝐴.
5
1 −3 2 5 −9 +4 0
𝐴𝑢 = [ ][ 3 ] = [ ]=[ ]
−5 9 1 −25 +27 −2 0
−2
Assim, 𝒖 eh 𝑁𝑢𝑙 𝐴.
O termo espaço no espaço nulo é apropriado porque o espaço nulo de uma matriz é um espaço
vectorial, como mostrado no seguinte teorema.
O espaço coluna de uma matriz 𝐴 𝑚 × 𝑛, escrito como 𝐶𝑜𝑙 𝐴, é a solução de todas combinações
lineares das colunas de 𝐴 = [𝑎1 ⋯ ⋯ 𝑎𝑛 ], assim:
𝐶𝑜𝑙 𝐴 = 𝑆𝑝𝑎𝑛{𝑎1 ⋯ ⋯ 𝑎𝑛 }
Desde que 𝑆𝑝𝑎𝑛{𝑎1 ⋯ ⋯ 𝑎𝑛 } é subespaço, o seguinte teorema surge da definição de 𝐶𝑜𝑙 𝐴 e pelo
facto de as colunas de 𝐴 pertencerem a ℝ𝑚 .
Note que um vector típico em 𝐶𝑜𝑙 𝐴 pode ser escrito como 𝐴𝒙 para algum 𝑥 porque a notação
𝐴𝒙 representa uma combinação linear das colunas de 𝐴. Isto é,
𝐶𝑜𝑙 𝐴 = {𝑏: 𝑏 = 𝐴𝒙 ∃ 𝒙 ∈ ℝ𝒏 }
A notação 𝐴𝑥 para vetores em 𝐶𝑜𝑙 𝐴 mostra também que 𝐶𝑜𝑙 𝐴 é o alcance da transformação linear
𝑥 ⟼ 𝐴𝑥.
6𝑎 − 𝑏
𝑊 = ([ 𝑎 + 𝑏 ] : 𝑎, 𝑏 ∈ ℝ)
−7𝑎
6 −1 6 −1
𝑊 = (𝑎 [ 1 ] + 𝑏 [ 1 ] : 𝑎, 𝑏 ∈ ℝ) = 𝑆𝑝𝑎𝑛 ([ 1 ] , [ 1 ])
−7 0 −7 0
Em segundo lugar, usemos os vetores no conjunto gerador (Spanning set) como as colunas de A.
6 −1
Seja 𝐴 = [ 1 1 ]. Dai que 𝑊 = 𝐶𝑜𝑙 𝐴, como desejado.
−7 0
Uma transformação linear 𝑇 de um espaço vetorial 𝑉 em um espaço vetorial 𝑊 é uma regra que
atribui a cada vetor 𝒙 em 𝑉 um único vector 𝑇(𝒙) em 𝑊, tal que:
Exemplo 3.5. Seja 𝑉 o espaço vetorial de todas as funções reais 𝑓 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎𝑠 em um intervalo [𝑎, 𝑏]
Com a propriedade que eles são diferenciáveis e suas derivados são funções contínuas sobre [𝑎, 𝑏] e
seja 𝑊 o espaço vetorial 𝐶[𝑎, 𝑏] de todas as funções contínuas sobre [𝑎, 𝑏] e seja 𝐷: 𝑉 ⟶ 𝑊 a
transformação que
Torna 𝑓 em 𝑉 em sua derivada 𝑓′. No cálculo, duas regras de diferenciação simples são
Ou seja, D é uma transformação linear. Pode-se mostrar que o núcleo (kernel) de D é o conjunto de
em [𝑎, 𝑏].
𝑐1 𝑣1 𝑐2 𝑣2 ⋯ ⋯ , 𝑐𝑘 𝑣𝑘 = 0
Nota: Um conjunto de vectores que não é linearmente dependente é dito linearmente independente.
4.1. Span
Definição 4.1. (Span)
Dado um conjunto de vectores {𝑣1 𝑣2⋯⋯, 𝑣𝑘 } Num espaço vectorial 𝑉, o conjunto de todos os vectores
que são uma combinação linear de 𝑣1 𝑣2 ⋯ ⋯ , 𝑣𝑘 é chamado de Span de {𝑣1 𝑣2⋯⋯, 𝑣𝐾 }. Isto é,
𝑠𝑝𝑎𝑛{𝑣1 𝑣2⋯⋯, 𝑣𝑘 } = {𝑣 ∈ 𝑉; 𝑣 = 𝑎1 𝑣1 + 𝑎2 𝑣2 + ⋯ 𝑎𝑘 𝑣𝑘 }.
No primeiro caso, a palavra 𝑠𝑝𝑎𝑛 tem sido usada como nome, 𝑠𝑝𝑎𝑛{𝑣1 𝑣2 ⋯ ⋯ , 𝑣𝑘 } é um objecto.
No segundo caso a palavra 𝑠𝑝𝑎𝑛 é usada como uma palavra, perguntamos se {𝑣1 𝑣2 ⋯ ⋯ , 𝑣𝑘 } é o
𝑠𝑝𝑎𝑛 do espaço vectorial 𝑉.
𝑠𝑝𝑎𝑛{𝑣1, 𝑣2 } é o conjunto de todos vectores (𝑥, 𝑦, 𝑧) ∈ ℝ3 de tal forma que (𝑥, 𝑦, 𝑧) = 𝑎1 (1,2,3) +
𝑎2 (1,0,2). Temos de saber para quais valores de (𝑥, 𝑦, 𝑧) esse sistema de equações tem soluções para
𝑎1 e 𝑎2.
1 1 𝑥
(2 0 𝑦) 𝑅2 ⟶ 𝑅2 − 2𝑅1 𝑅3 ⟶ 𝑅3 − 3𝑅1
3 2 𝑧
1 1 𝑥
1
(0 −2 𝑦 − 2𝑥 ) 𝑅2 ⟶ − 2 𝑅2
0 −1 𝑧 − 3𝑥
1 1 𝑥 1 1 𝑥
1
(0 1 𝑥− 𝑦
1
(0 1 𝑥 − 2 𝑦) 𝑅3 ⟶ 𝑅3 +𝑅2 2 )
1
0 −1 𝑧 − 3𝑥 0 0 𝑧 − 2𝑥 − 2 𝑦
Seja 𝑉 um espaço vectorial e 𝑥 está contido em 𝑉 não vazio. Dizemos que 𝑥 é linearmente dependente
(LD) se existem 𝑣1 𝑣2 , ⋯ , 𝑣𝑛 ∈ 𝑥 Linearmente dependentes. Caso contrario, dizemos que x é
linearmente independente.
Exemplo 2.2.
Nota: Para a base de 𝐶𝑜𝑙 (𝐴), tem de se tomar as colunas de 𝐴, não as colunas
5. Parte Prática
1) Sendo C não vazio. Precisamos mostrar que valem todos axiomas dos espaços vectoriais:
i) ((𝑓 + 𝑔) + ℎ)(𝑥) = (𝑓 + 𝑔)(𝑥) + ℎ(𝑥) = (𝑓(𝑥) + 𝑔(𝑥) + ℎ(𝑥)) ∀𝑥 ∈ 𝐶
Mas 𝑓(𝑥), 𝑔(𝑥), 𝑒 ℎ(𝑥) são escalares no corpo ℝ onde a adicao e associativa; logo
iii) Para qualquer função 𝑓 ∈ 𝐶, seja – 𝑓 definida por: (−𝑓)(𝑥) = −𝑓(𝑥). Então, (𝑓 +
(−𝑓)(𝑥) = 𝑓(𝑥) + (−𝑓)(𝑥) = 𝑓(𝑥) − 𝑓(𝑥) = 0 (𝑥) logo, 𝑓 + (−𝑓) = 0
∀𝑥 ∈ 𝐶
iv) Sejam 𝑓, 𝑔 ∈ 𝐶. Então, (𝑓 + 𝑔)(𝑥) = 𝑓(𝑥) + 𝑔(𝑥) = 𝑔(𝑥) + 𝑓(𝑥) = (𝑔 + 𝑓)(𝑥)
∀𝑥 ∈ 𝐶
Logo, 𝑓 + 𝑔 = 𝑔 + 𝑓.
Logo 1𝑓 = 𝑓 ∀𝑥 ∈ 𝐶
2) 𝑉 = {(𝑎, 𝑏); 𝑎, 𝑏 ∈ ℝ}, Tomando em conta que a soma não é comutativa, temos:
3)
𝑎 𝑏
4) H é o conjunto de todas as matrizes 2×2 com o elemento 𝑎21 nulo, [ ].
0 𝑑
1 0 2 1
i) Sejam as matrizes A e B dadas por 𝐴 = [ ], 𝐵 = [ ]. As matrizes A e B pertencem
0 0 0 1
3 1
a H, pois o elemento 𝑎21 é nulo. E 𝐴 + 𝐵 = [ ] pertence a H. logo, pode-se concluir
0 1
que H é subespaço de 𝑀2×2.
1 0 1 0 1 0
ii) Seja a matriz identidade 𝐼 = [ ], pertence a H, assim, 𝐼 2 = [ ][ ]=
0 1 0 1 0 1
1 0 2 0
[ ] = 𝐼 e 2𝐼 = [ ], pertence a H.
0 1 0 2
Para este exercício usemos o critério de independência linear para determinar se esta sequência é
linearmente dependente ou não. A igualdade 𝛼1 (0,1,0,1) + 𝛼2 (1,0,1,0) + 𝛼3 (2,3,2,3) = (0,0,0,0)
𝛼2 + 2𝛼3 =0
𝛼 + 3𝛼3 =0
Implica, { 1 e esta sequencia só será linearmente dependente se , e só se, o sistema
𝛼2 + 2𝛼3 =0
𝛼1 + 3𝛼3 =0
homogéneo anterior, 𝐴𝑥 = 0, tem apenas a solução (0,0,0), ou equivalentemente se o tal sistema é
3) i) Em ℝ3 , os vectores ⃗⃗⃗⃗
𝑣1 = (1,1,0,0), ⃗⃗⃗⃗
𝑣2 = (1,0,1,0), ⃗⃗⃗⃗
𝑣3 = (0,10,1,1) 𝑒 ⃗⃗⃗
𝑣4 = (0,1,0,1), são
linearmente dependentes, pois eles formam uma matriz não de forma escalonada.
Em ℝ3 , os vectores ⃗⃗⃗⃗
𝑣1 = (1,1,2) , ⃗⃗⃗⃗
𝑣2 = (1,2,1) 𝑒 ⃗⃗⃗⃗
𝑣3 = (3,1,1), São linearmente independentes
pois não estão no mesmo plano pela origem.
𝛼1 + 𝛼2 + 2𝛼3 = 0
0=0
{ para que esta sequencia seja linearmente dependente, é necessário que o sistema
𝛼2 + 𝛼3 = 0
2𝛼1 + 𝑎𝛼3 = 0
homogéneo anterior, 𝐴𝑥 = 0, tenha pelo menos uma solução não nula. Assim, a matriz do sistema
1 1 2 1 1 2
0 −2 𝑎 − 4
será 𝐴 = [0 0 0], efectuando os cálculos possíveis, obtemos [ 𝑎 ]para que a matriz
0 1 1 0 0 2−1
2 0 𝑎 0 0 0
𝑎
do sistema seja indeterminado e 𝑐𝑎𝑟(𝐴) < 𝑛, basta que 2 − 1 = 0 Implica que 𝑎 = 2.
6) 𝑆 = {1 + 𝑡, 1 − 𝑡 2 }.
a) 𝑡 + 𝑡 2 = 𝛼(1 + 𝑡) + 𝛽(1 − 𝑡 2 )
𝑡 + 𝑡 2 = (𝛼 + 𝛼𝑡) + (𝛽 − 𝛽𝑡 2 )
𝑡 + 𝑡 2 = (𝛼 + 𝛽 + 𝛼𝑡 − 𝛽𝑡 2 )
𝛼+𝛽 =𝑡 −𝑡𝛼 − 𝑡𝛽 = −𝑡 2 𝛼 + 𝛽 = −1
{ 2 2 = { ⇔{ Assim as possíveis soluções para as
𝛼𝑡 − 𝛽𝑡 = 𝑡 −𝛼 − 𝛽 = 1 −𝛼 − 𝛽 = 1
𝛼 = −2 𝛼=0 ⋯⋯
constantes 𝛼 𝑒 𝛽 são:{ ou { ou {⋯ ⋯
𝛽=1 𝛽 = −1
= 𝜆𝑇(𝑎, 𝑏, 𝑐) = 𝜆𝑇(𝑣)
6. Conclusão
Após a abordagem dos tópicos acima, conclui-se assim dos espaços vectoriais de dimensão finita,
que o espaço vectorial é fechado sobre as operações de adição e multiplicação por um escalar e que
a adição de 2 vectores em ℝ𝑛 é um vector em ℝ𝑛 e que a multiplicação de um vector por um escalar,
é sempre um vector em ℝ𝑛 , e que o espaço vectorial ℝ𝑛 também possui propriedades algébricas e
que o conhecimento e aplicação dos conceitos envolvidos nesse tópico são de grande importância
para a resolução de certos problemas da engenharia.
7. Bibliografia
POOLE, David. Linear algebra, a modern introduction, 4th edition, Cengage learning,
U.S.A, Pp. 427-472.
WILLIAMS, Gareth. Linear algebra with application, 8th edition, Jones & Bartlett
Learning. Burlington, Pp. 215-217.
LAY, David C. Linear algebra and its application, 4th edition, Pp. 189-262.