0 Espaços e subespaços vectoriais, Dependência linear

ÍNDICE
1. Introdução ................................................................................................................................... 1

2. Espaços Vectoriais ...................................................................................................................... 2

2.1. Exemplo Introductório .............................................................................................................. 2

3. Espaços e subespaços vectoriais .................................................................................................. 3

3.3. Espaço nulo, coluna e transformações lineares ........................................................................ 5

3.3.1. Breve introdução ................................................................................................................... 5

3.3.2. Espaço nulo de uma matriz ................................................................................................... 5

3.4. Espaço coluna de uma matriz ................................................................................................... 6

3.5. Transformação Linear............................................................................................................... 7

4. Dependência linear. Base ........................................................................................................... 8

4.1. Span .......................................................................................................................................... 8

4.2. Uma descrição geométrica de span .......................................................................................... 9

4.3. Vectores linearmente dependentes (LD) e independentes (LI). ............................................... 9

4.4. Base para 𝑵𝒖𝒍 𝑨 𝐞 𝑪𝒐𝒍 𝑨 ....................................................................................................... 10

5. Parte Prática ............................................................................................................................. 11

5.1. Espaços lineares ...................................................................................................................... 11

5.2. Espaços lineares (continuação) ............................................................................................... 12

5.3. Transformações lineares ......................................................................................................... 14

6. Conclusão .................................................................................................................................. 15

7. Bibliografia ............................................................................................................................... 16

Instituto superior politécnico de songo 0

1 Espaços e subespaços vectoriais, Dependência linear

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:

 Abordar o conceito de espaços e subespaços vectoriais;

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.

Instituto superior politécnico de songo 1

2 Espaços e subespaços vectoriais, Dependência linear

2. Espaços Vectoriais

2.1. Exemplo Introdutório

Vôo espacial e Sistemas de Controlo

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.

Matematicamente, os sinais de entrada e saída para um sistema de engenharia são funções. É

importante nas aplicações que estas funções podem ser adicionados, como na Figura 1, e
multiplicado por escalares. Estas duas operações em funções têm propriedades algébricas que são
completamente análogas ao das operações de adição de vetores em ℝ𝑛 e multiplicação de um
vector por um escalar. Por este motivo, o conjunto de todas possíveis entradas (funções) é
chamado um espaço vetorial. A base matemática para engenharia de sistemas repousa em espaços
vetoriais de funções. Assim, os outros espaços vetoriais surgiram em engenharia, física, e
estatísticas.

Instituto superior politécnico de songo 2

3 Espaços e subespaços vectoriais, Dependência linear

-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.)

3. Espaços e subespaços vectoriais

Definição 3.1. (Espaço vectorial)

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.

1. A soma de 𝒖 e 𝒗, denotado por 𝒖 + 𝒗, está em 𝑉.

2. 𝒖 + 𝒗 = 𝒗 + 𝒖 (comutatividade)
3. (𝒖 + 𝒗) + 𝒘 = 𝒖 + (𝒗 + 𝒘) (Associatividade).
4. Existe um vector nulo em 𝑉 tal que 𝒖 + 𝟎 = 𝒖. (Elemento neutro em relação a adição).
5. Para cada 𝒖 em 𝑉, existe um vector – 𝒖, tal que 𝒖 + (−𝒖) = 𝟎. (anulamento da soma).
6. O produto escalar de 𝒖 por 𝑐, denotado por 𝑐𝒖, está em 𝑉.
7. 𝑐(𝒖 + 𝒗) = 𝑐𝒖 + 𝑐𝒗. (Distributividade).
8. (𝑐 + 𝑑)𝒖 = 𝑐𝒖 + 𝑑𝒖. (Associatividade em relação a multiplicação).
9. 𝑐(𝑑𝒖) = (𝑐𝑑)𝒖. (Comutatividade em relação a multiplicação).
10. 1𝒖 = 𝒖. (Elemento neutro em relação a multiplicação).

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.

Instituto superior politécnico de songo 3

4 Espaços e subespaços vectoriais, Dependência linear

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.

Em muitos problemas, um espaço vectorial consiste de um subconjunto apropriado de vectores a

partir de algum vector espacial maior. Neste caso, apenas três dos dez axiomas para espaço vectorial
precisam de ser verificadas; o resto é automaticamente satisfeito.

Definição 3.2. (Subespaço vectorial)

Um subespaço de um espaço vetorial 𝑉 é um subconjunto 𝑯 de 𝑉 que tem três propriedades:

a. O vector nulo de 𝑉 está em 𝑯.

b. 𝑯 é fechado sob adição de vetores. Isto é, para cada 𝒖 e 𝒗 em 𝑯, a soma 𝒖 + 𝒗 C está em 𝑯.
c. 𝑯 é fechado sob multiplicação por escalares. Isto é, para cada 𝒖 em 𝑯 e cada escalar 𝑐, o
vector 𝑐𝒖 está em 𝑯.

As propriedades (𝑎), (𝑏) e (𝑐) garantem que um subespaço 𝑯 de 𝑉 é em si um espaço vectorial, de

acordo com as operações do espaço vetorial já definidos em 𝑉. Para verificar isso, notemos que as
propriedades (𝑎), (𝑏), e (𝑐) são respectivamente os axiomas 1, 4, 𝑒 6 os axiomas 2, 3, e 7 − 10 são
automaticamente verdade em 𝑯 porque se aplicam a todos os elementos de 𝑉, incluindo aqueles em
𝑯. O axioma 5 também é verdade em 𝑯, porque se 𝒖 está em 𝑯, então. 1 / u está em H por propriedade
(c), e sabemos a partir da equação (3), na página 191 que. (−1)𝒖 é o vetor −𝒖 no axioma 5. Assim,
cada subespaço é um espaço vetorial.

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}.

Instituto superior politécnico de songo 4

5 Espaços e subespaços vectoriais, Dependência linear

3.3. Espaço nulo, coluna e transformações lineares

3.3.1. Breve introdução

Em aplicações de álgebra linear, subespaços de ℝ𝑛 surgem normalmente em uma de duas maneiras:
(1) como o conjunto de todas as soluções de um sistema de equações lineares homogéneos ou (2)
como o conjunto de todas as combinações lineares de certos vetores específicos.

Nesta seção, comparar e contrastar estes duas descrições de subespaços, o que nos permite praticar o
uso do conceito de um subespaço.

3.3.2. Espaço nulo de uma matriz

Consideremos o seguinte sistema de equações homogéneas:

𝑥1 − 3𝑥2 − 2𝑥3 = 0
{ (1)
−5𝑥1 + 9𝑥2 + 𝑥3 = 0

Em forma duma matriz, este sistema escreve-se com 𝐴𝒙 = 𝟎, onde:

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.

Definição 3.3.2. (Espaço nulo duma matriz)

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.

Resolução: Para verificar se u satisfaz a equação Au=0, basta calcular

5
1 −3 2 5 −9 +4 0
𝐴𝑢 = [ ][ 3 ] = [ ]=[ ]
−5 9 1 −25 +27 −2 0
−2

Assim, 𝒖 eh 𝑁𝑢𝑙 𝐴.

Instituto superior politécnico de songo 5

6 Espaços e subespaços vectoriais, Dependência linear

O termo espaço no espaço nulo é apropriado porque o espaço nulo de uma matriz é um espaço
vectorial, como mostrado no seguinte teorema.

Teorema 3.3.2. O espaço nulo d matriz 𝐴 𝑚 × 𝑛 é um subespaço de ℝ𝑛 . De forma equivalente, o

conjunto de todas as soluções para um sistema 𝐴𝒙 = 0 de 𝑚 equações lineares homogêneas em 𝑛
incógnitas é um subespaço de ℝ𝑛 .

3.4. Espaço coluna de uma matriz

Um outro subespaço importante associado com a matriz é o seu espaço de coluna. Ao contrário do
espaço nulo, o espaço da coluna é definida explicitamente via combinações lineares.

Definição 3.4. (Espaço coluna de uma matriz)

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 .

Teorema 3.4. A coluna do espaço da matriz 𝐴 𝑚 × 𝑛 é um subespaço de 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.

Exemplo 1.2.3. Encontre a matriz 𝐴 sendo que 𝑊 = 𝐶𝑜𝑙 𝐴.

6𝑎 − 𝑏
𝑊 = ([ 𝑎 + 𝑏 ] : 𝑎, 𝑏 ∈ ℝ)
−7𝑎

Resolução: primeiro escrevamos 𝑊 como um conjunto de combinações lineares.

Instituto superior politécnico de songo 6

7 Espaços e subespaços vectoriais, Dependência linear

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

Nota: O espaço coluna de uma matriz 𝐴 𝑚 × 𝑛 é todo elemento de ℝ𝑚 , se e só se a equação

𝐴𝑥 = 𝑏 tem uma solução para cada 𝑏 pertencente a ℝ𝑚 .

3.5. Transformação Linear

Subespaços de espaços vetoriais não ℝ𝑛 são frequentemente descritos em termos de uma
transformação linear , em vez de uma matriz.

Definição 3.5. (Transformação linear)

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:

(i) 𝑇(𝒖 + 𝒗) = 𝑇(𝒖) + 𝑇(𝒗) Para qualquer 𝑢, 𝑣 pertencentes a 𝑉, e

(ii) 𝑇(𝑐𝒖) = 𝑐𝑇(𝒖) Para todo 𝑢, 𝑣 pertencente a 𝑉 e todo escalar 𝑐.

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

𝑫(𝒇 + 𝒈) = 𝑫(𝒇) + 𝑫(𝒈) 𝒆 𝑫(𝒄𝒇) = 𝒄𝑫(𝒇)

Ou seja, D é uma transformação linear. Pode-se mostrar que o núcleo (kernel) de D é o conjunto de

Funções constantes em [𝑎, 𝑏] e o intervalo de 𝐷 é o conjunto W de todas as funções contínuos

em [𝑎, 𝑏].

Instituto superior politécnico de songo 7

8 Espaços e subespaços vectoriais, Dependência linear

4. Dependência linear. Base

Definição 4. (Dependência linear)

O conjunto de vectores {𝑣1 𝑣2 ⋯ ⋯ , 𝑣𝑘 } num espaço vectorial 𝑉 é linearmente dependente se existem

escalares 𝑐1 𝑐2 ⋯ ⋯ , 𝑐𝑘 em que pelo menos um não é nulo, de tal forma que

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 }.

 Sendo dado um conjunto de vectores 𝑆 = {𝑣1, 𝑣2 ⋯ ⋯ , 𝑣𝑘 } num espaco vectorial 𝑉, 𝑆 ehhh

dito 𝑠𝑝𝑎𝑛 𝑉 se 𝑠𝑝𝑎𝑛(𝑆) = 𝑉.

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.

Exemplo 2.1.1. Encontre o 𝑠𝑝𝑎𝑛{𝑣1, 𝑣2 }, Onde 𝑣1 = (1,2,3) e 𝑣2 = (1,2,3).

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

Instituto superior politécnico de songo 8

9 Espaços e subespaços vectoriais, Dependência linear

Assim as soluções quando 4𝑥 + 𝑦 − 2𝑧 = 0. Então 𝑠𝑝𝑎𝑛{𝑣1 , 𝑣2 } é o plano 4𝑥 + 𝑦 − 2𝑧 = 0.

4.2. Uma descrição geométrica de span

Seja 𝑣 um vector não nulo em ℝ3 . Então 𝑆𝑝𝑎𝑛{𝑣} é o conjunto de todos múltiplos escalares de 𝑣,
que é o conjunto de pontos na linha em ℝ3 através de 𝑣 e 0. (ver figura 2). Se 𝑢 e 𝑣 são vectores não
nulos em ℝ3 que contem 𝑢, 𝑣 𝑒 0. Em particular, 𝑆𝑝𝑎𝑛{𝑢, 𝑣} contem a linha em ℝ3 através de 𝑢 𝑒 𝑣
e a linha atraves de 𝑣 e 0. (ver figura 3).

Figura. (uma descrição geométrica de Span, 𝑆𝑝𝑎𝑛{𝑣} 𝑒 𝑆𝑝𝑎𝑛{𝑢, 𝑣} −

David C. Lay em: Linear Algebra and its application, page 31)

4.3. Vectores linearmente dependentes (LD) e independentes (LI).

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.

Definição (Dependência linear).

Os vectores 𝛼1 𝑣1 + 𝛼2 𝑣2 + 𝛼𝑛 𝑣𝑛 = 0 Para algum 𝛼𝑖 ≠ 0, 𝑖 = 1, 2, ⋯ , 𝑛. Caso contrário diz-se

linearmente independente.

Exemplo 2.2.

a) Seja 𝑥 = {𝑣 = (𝑥, 𝑦); 𝑥, 𝑦 ∈ ℝ2 }. e 𝑣1 = (1, 2), 𝑣2 = (0, 1) 𝑒 𝑣3 = (−1,1). Verifique se os

vectores são LD ou LI.

Instituto superior politécnico de songo 9

10 Espaços e subespaços vectoriais, Dependência linear

Com efeito, 𝛼1 𝑣1 + 𝛼2 𝑣2 + 𝛼3 𝑣3 = 0 ⟺ 𝛼1 − 𝛼3 , 2𝛼1 + 𝛼2 + 𝛼3 = (0,0) Igualando os

𝛼1 − 𝛼3 = 0 𝛼1 = 𝛼3
termos, { ⇔ {𝛼 = −2𝛼 − 𝛼 = −3𝛼 Tomando 𝛼3 = 𝑎 ⟹ 𝛼1 = 𝑎 ∧
2𝛼1 + 𝛼2 + 𝛼3 = 0 2 1 3 1

𝛼2 = −3𝑎 . Logo, 𝛼 = (𝛼1 , 𝛼2 , 𝛼3 ) = (𝑎, −3𝑎, 𝑎) ∀𝑎 𝜖 ℝ Assim, {𝑣1 , 𝑣2 , 𝑣3 } São LD.

b) Seja 𝑥 = {𝑝𝑛 = 𝑡 𝑛 ; 𝑛 ∈ ℕ ∪ {0}} Contido no espaço ℙ dos polinómios em 𝑡. Então 𝑥 é LI.

4.4. Base para 𝑵𝒖𝒍 𝑨 𝐞 𝑪𝒐𝒍 𝑨

Para encontrar a base para 𝑁𝑢𝑙 𝐴:

 Encontrar a forma paramétrica das soluções para 𝐴𝑥 = 0;

 Expressar as soluções 𝑥 como uma combinação linear de vectores com variáveis livres como
coeficientes;
 Esses vectores formam a base para 𝑁𝑢𝑙 𝐴.

:Tem de se lembrar que as colunas de 𝐴 são independentes.

⟺ 𝐴𝑥 = 0 Tem apenas uma solução trivial (nomeadamente, 𝑥 = 0).

⇔ 𝐴 Não tem variáveis livres.

A base para 𝐶𝑜𝑙 𝐴 é dada pela coluna de pivots de 𝐴.

Nota: Para a base de 𝐶𝑜𝑙 (𝐴), tem de se tomar as colunas de 𝐴, não as colunas

de uma forma escalonada.

Instituto superior politécnico de songo 10

11 Espaços e subespaços vectoriais, Dependência linear

5. Parte Prática

5.1. Espaços lineares

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

(𝑓 + (𝑔 + ℎ)(𝑥) = 𝑓(𝑥) + (𝑔 + 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

(𝑓(𝑥) + 𝑔(𝑥)) + ℎ(𝑥) = 𝑓(𝑥) + (𝑔(𝑥) + ℎ(𝑥)). Consequentemente, ((𝑓 + 𝑔) + ℎ = 𝑓 + (𝑔 + ℎ).

ii) Seja 0 a função zero: 0(𝑥) = 0, ∀𝑥 ∈ 𝐶. Então para qualquer função 𝑓 ∈ 𝐶,

(𝑓 + 0)(𝑥) = 𝑓(𝑥) + 0(𝑥) = 𝑓(𝑥) + 0 = 𝑓(𝑥) assim, 𝑓 + 0 = 𝑓, e 0 é o vector zero em C.

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.

v) Sejam 𝑓, 𝑔 ∈ ℝ. Então, (ℝ(𝑓 + 𝑔)(𝑥)) = ℝ((𝑓 + 𝑔)(𝑥)) = ℝ(𝑓((𝑥) + 𝑔(𝑥)) =

ℝ𝑓(𝑥) + ℝ𝑔)(𝑥) = (ℝ𝑓)(𝑥) + ℝ𝑔)(𝑥) = (ℝ𝑓 + ℝ𝑔)(𝑥) ∀𝑥 ∈ 𝐶

Logo, ℝ(𝑓 + 𝑔) = ℝ𝑓 + ℝ𝑔.

vi) Seja 𝑓 ∈ 𝐶 e a, b ∈ ℝ . Então ((𝑎 + 𝑏)𝑓)(𝑥) = (𝑎 + 𝑏)𝑓(𝑥) = 𝑎𝑓(𝑥) + 𝑏𝑓(𝑥) =

(𝑎𝑓)(𝑥) + (𝑏𝑓)(𝑥) = (𝑎𝑓 + 𝑏𝑓)(𝑥) ∀𝑥 ∈ 𝐶

Portanto, (𝑎 + 𝑏)𝑓 = 𝑎𝑓 + 𝑏𝑓.

vii) Sejam 𝑓 ∈ 𝐶 e 𝑎, 𝑏 ∈ ℝ. Então, ((𝑎𝑏)𝑓)(𝑥) = (𝑎𝑏)𝑓(𝑥) = 𝑎(𝑏𝑓(𝑥)) = 𝑎((𝑏𝑓)(𝑥) =

(𝑎(𝑏𝑓))(𝑥) Portanto, (𝑎𝑏)𝑓 = 𝑎(𝑏𝑓) ∀𝑥 ∈ 𝐶
viii) Seja 𝑓 ∈ 𝐶. Então, para a unidade 1 ∈ ℝ, (1𝑓)(𝑥) = (1𝑓(𝑥)) = 𝑓(𝑥).

Logo 1𝑓 = 𝑓 ∀𝑥 ∈ 𝐶

Instituto superior politécnico de songo 11

12 Espaços e subespaços vectoriais, Dependência linear

∴ Como todos axiomas são satisfeitos, 𝐶[𝑎, 𝑏] é um espaço vectorial sobre ℝ.

2) 𝑉 = {(𝑎, 𝑏); 𝑎, 𝑏 ∈ ℝ}, Tomando em conta que a soma não é comutativa, temos:

⃗ (𝑎, 𝑏); 𝑣 (𝑐, 𝑑) em ℝ, 𝑢

𝑢 ⃗ − 𝑣 = (𝑎, 𝑏) − (𝑐, 𝑑) = (𝑎 − 𝑐; 𝑏 − 𝑑) do outro lado, 𝑣 − 𝑢
⃗ = (𝑐, 𝑑) −
(𝑎, 𝑏) = (𝑐 − 𝑎; 𝑑 − 𝑏) Nota-se logo que 𝑢
⃗ −𝑣 ≠𝑣−𝑢
⃗ . Portanto 𝑉 não é um espaço vectorial sobre
ℝ.

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

∴ Logo, H é um subespaço de 𝑀2×2 .

5.2. Espaços lineares (continuação)

1) Em ℝ2 , em 𝑆 = {(1,1), (2,2)}
𝛼 + 2𝛽 = −5
a) (−5, −5) = 𝛼(1,1) + 𝛽(2,2) assim, (−5, −5) = (𝛼 + 2𝛽, 𝛼 + 2𝛽) Logo, {
𝛼 + 2𝛽 = −5
Resolvendo este sistema, obtemos facilmente que, 𝛼 𝑒 𝛽, podem ser −3 𝑒 − 1; −7 𝑒 1….
Logo a sequência é uma combinação linear.
𝛼 + 2𝛽 = 1
b) (1,0) = 𝛼(1,1) + 𝛽(2,2) ⇔ (1,0) = (𝛼 + 2𝛽, 𝛼 + 2𝛽) ⟹ { , este sistema é
𝛼 + 2𝛽 = 0
impossível, logo a sequencia não é uma combinação linear.
2) Em ℝ4 , ⃗⃗⃗⃗
𝑣1 = (0,1,0,1), ⃗⃗⃗⃗
𝑣2 = (1,0,1,0) 𝑒 ⃗⃗⃗⃗
𝑣3 = (2,3,2,3).

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

Instituto superior politécnico de songo 12

13 Espaços e subespaços vectoriais, Dependência linear

possível e determinado. Utilizando o conhecimento de métodos de resolução de sistemas de equações,

0 1 2
1 0 3
tem-se 𝐴 = [ ] um calculo simples deste sistema mostra-nos que a característica da matriz é
0 1 2
1 0 3
menor que o numero de incógnitas, assim, a sequencia é linearmente dependente.

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.

4) Em ℝ3 , {(2,46,6), (23,2, −23), (1,23,1), (1,10,1)}. Esta sequência é linearmente dependente

pois cada vector é um múltiplo escalar dum outro vector.
5) Em ℝ4 , ⃗⃗⃗⃗
𝑣1 = (1,0,0,2), ⃗⃗⃗⃗
𝑣2 = (1,0,1,0), 𝑒 ⃗⃗⃗⃗
𝑣3 = (2,0,1, 𝑎). Consideremos a igualdade
𝛼1 (1,0,0,2) + 𝛼2 (1,0,1,0) + 𝛼3 (2,0,1, 𝑎) = (0,0,0,0). Implica

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

Instituto superior politécnico de songo 13

14 Espaços e subespaços vectoriais, Dependência linear

∴ Assim, 𝑡 + 𝑡 2 é combinação linear dos vectores de 𝑆.

b) Para 𝑡 = {1 + 𝑡, 1 − 𝑡 2 }, Temos analogamente ao exercício anterior que, 𝛼 = −𝛽 o que

1 1
implica, 𝛽 = − 1+𝑡 e 𝛼 = − 1+𝑡.

∴ Assim, 𝑡 não é combinação linear de 𝑆.

5.3. Transformações lineares

1) Seja 𝑇: ℝ3 → ℝ2 Seja 𝑥 = (𝑎, 𝑏, 𝑐) ∈ ℝ3 e 𝜆 ∈ ℝ, tem-se

𝑇𝜆(𝑥) = 𝑇[𝜆(𝑎, 𝑏, 𝑐)] = 𝑇(𝜆𝑎, 𝜆𝑏, 𝜆𝑐)

= (𝜆𝑎, 𝜆𝑎 + 𝜆𝑏) = 𝜆(𝑎, 𝑎 + 𝑏)

= 𝜆𝑇(𝑎, 𝑏, 𝑐) = 𝜆𝑇(𝑣)

Instituto superior politécnico de songo 14

15 Espaços e subespaços vectoriais, Dependência linear

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.

Instituto superior politécnico de songo 15

16 Espaços e subespaços vectoriais, Dependência linear

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.

Instituto superior politécnico de songo 16