Aula_T_7.pdf

# Conceitos fundamentais de espaços vetoriais Este tópico explora as noções de geradores, dependência e independência linear em espaços vetoriais, definindo quando um conjunto de vetores pode gerar um espaço e as condições para que sejam linearmente independentes ou dependentes [2](#page=2) [3](#page=3). ### 1.1 Geradores de um espaço vetorial Sejam $V$ um espaço vetorial e $v_1, v_2, \ldots, v_n$ vetores pertencentes a $V$ [2](#page=2). * Dizemos que o conjunto $\{v_1, v_2, \ldots, v_n\}$ **gera** $V$, ou que os vetores $v_1, v_2, \ldots, v_n$ são **geradores** de $V$, se para qualquer vetor $v \in V$, existem escalares $\alpha_1, \alpha_2, \ldots, \alpha_n$ tais que a seguinte equação é satisfeita: $v = \alpha_1v_1 + \alpha_2v_2 + \ldots + \alpha_nv_n$ [2](#page=2). Isso significa que o vetor $v$ pode ser expresso como uma combinação linear dos vetores geradores. A condição para que um conjunto seja gerador é que o sistema de equações resultante para determinar os escalares $\alpha_i$ seja sempre possível [2](#page=2). ### 1.2 Dependência e independência linear Consideremos novamente o conjunto de vetores $\{v_1, v_2, \ldots, v_n\} \subset V$ [2](#page=2) [3](#page=3). #### 1.2.1 Independência linear * Dizemos que o conjunto $\{v_1, v_2, \ldots, v_n\}$ é **linearmente independente (LI)**, ou que os vetores $v_1, v_2, \ldots, v_n$ são **LI**, se a única solução para a equação: $\alpha_1v_1 + \alpha_2v_2 + \ldots + \alpha_nv_n = 0$ é quando todos os escalares são nulos: $\alpha_1 = \alpha_2 = \ldots = \alpha_n = 0$ [2](#page=2). Neste caso, o sistema de equações resultante para encontrar os escalares é **possível e determinado** [2](#page=2). > **Tip:** Vetores linearmente independentes não podem ser expressos como uma combinação linear uns dos outros. Se um conjunto de vetores é LI, nenhum deles é redundante na "construção" de outros vetores no espaço. #### 1.2.2 Dependência linear * Se, na equação $\alpha_1v_1 + \alpha_2v_2 + \ldots + \alpha_nv_n = 0$, existir pelo menos um escalar $\alpha_i \neq 0$, dizemos que o conjunto $\{v_1, v_2, \ldots, v_n\}$ é **linearmente dependente (LD)**, ou que os vetores $v_1, v_2, \ldots, v_n$ são **LD** [2](#page=2). Nesta situação, o sistema de equações é **possível e indeterminado**, o que significa que existem infinitas soluções onde nem todos os escalares são nulos [2](#page=2). > **Tip:** Quando um conjunto de vetores é LD, pelo menos um dos vetores pode ser escrito como uma combinação linear dos outros. Isso indica que há redundância no conjunto de vetores. > **Example:** Em $\mathbb{R}^2$, os vetores $v_1 = (1, 0)$ e $v_2 = (2, 0)$ são linearmente dependentes. Podemos escrever $2v_1 - v_2 = 2(1, 0) - (2, 0) = (2, 0) - (2, 0) = (0, 0)$. Aqui, $\alpha_1 = 2$ e $\alpha_2 = -1$, ambos diferentes de zero, demonstrando a dependência linear. O vetor $v_2$ é um múltiplo de $v_1$ ($v_2 = 2v_1$). --- # Base e dimensão de um espaço vetorial Uma base para um espaço vetorial é um conjunto de vetores que, juntos, definem todas as propriedades essenciais do espaço, permitindo representar qualquer vetor de forma única [4](#page=4). ### 2.1 Definição de base de um espaço vetorial Um conjunto de vetores $\{v_1, v_2, \dots, v_n\}$ de um espaço vetorial $V$ é considerado uma base de $V$ se satisfizer duas condições fundamentais: 1. **Independência linear (LI):** O conjunto de vetores deve ser linearmente independente. Isso significa que a única combinação linear desses vetores que resulta no vetor nulo é aquela em que todos os escalares são zero. Matematicamente, para $\alpha_1v_1 + \alpha_2v_2 + \dots + \alpha_nv_n = \mathbf{0}$, devemos ter $\alpha_1 = \alpha_2 = \dots = \alpha_n = 0$ [4](#page=4). 2. **Geração:** O conjunto de vetores deve gerar o espaço vetorial $V$. Isso implica que qualquer vetor $v$ em $V$ pode ser expresso como uma combinação linear dos vetores da base. Ou seja, existem escalares $\alpha_1, \alpha_2, \dots, \alpha_n$ tais que $v = \alpha_1v_1 + \alpha_2v_2 + \dots + \alpha_nv_n$ [4](#page=4). ### 2.2 Exemplos de bases * Em $V = \mathbb{R}^2$, o conjunto $\{e_1, e_2\}$, onde $e_1 = (1, 0)$ e $e_2 = (0, 1)$, forma a base canônica de $\mathbb{R}^2$ [5](#page=5). * O conjunto $\{(1, 1), (0, 1)\}$ também é uma base para $V = \mathbb{R}^2$ [5](#page=5). * O conjunto $\{(0, 1), (0, 2)\}$ **não** é uma base para $\mathbb{R}^2$ porque os vetores são linearmente dependentes [5](#page=5). * Em $V = \mathbb{R}^3$, o conjunto $\{(1, 0, 0), (0, 1, 0), (0, 0, 1)\}$ é a base canônica de $\mathbb{R}^3$ [5](#page=5). * O conjunto $\{(1, 0, 0), (0, 1, 0)\}$ **não** é uma base para $\mathbb{R}^3$, pois não gera todos os vetores do espaço (faltaria a terceira dimensão) [5](#page=5). ### 2.3 Dimensão de um espaço vetorial Uma propriedade fundamental das bases é que qualquer base de um dado espaço vetorial $V$ contém sempre o mesmo número de elementos. Este número é denominado a **dimensão de $V$** e é denotado por $\text{dim } V$ [6](#page=6). * Exemplo 1: Para $V = \mathbb{R}^2$, a dimensão é $2$ ($\text{dim } \mathbb{R}^2 = 2$), pois tanto $\{(1, 0), (0, 1)\}$ quanto $\{(1, 1), (0, 1)\}$ são bases com dois elementos [6](#page=6). * Exemplo 2: Para $V = \mathbb{R}^3$, a dimensão é $3$ ($\text{dim } \mathbb{R}^3 = 3$) [6](#page=6). * Exemplo 3: Para o espaço vetorial das matrizes $2 \times 2$, $V = M_{2 \times 2}$, a dimensão é $4$ ($\text{dim } M_{2 \times 2} = 4$). Uma base para $M_{2 \times 2}$ é [6](#page=6): $$ \left\{ \begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix}, \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}, \begin{pmatrix} 0 & 0 \\ 1 & 0 \end{pmatrix}, \begin{pmatrix} 0 & 0 \\ 0 & 1 \end{pmatrix} \right\} $$ ### 2.4 Propriedades relacionadas a bases e dimensão * Qualquer conjunto de vetores linearmente independentes em um espaço vetorial $V$ de dimensão finita pode ser estendido para formar uma base de $V$ [7](#page=7). * Se $\text{dim } V = n$, então qualquer conjunto com $n$ vetores linearmente independentes em $V$ formará automaticamente uma base de $V$ [7](#page=7). ### 2.5 Coordenadas de um vetor em relação a uma base Dada uma base $\beta = \{v_1, v_2, \dots, v_n\}$ de um espaço vetorial $V$, cada vetor $v \in V$ pode ser escrito de maneira **única** como uma combinação linear dos vetores da base. Se um vetor $v$ é expresso como $v = \alpha_1v_1 + \alpha_2v_2 + \dots + \alpha_nv_n$, então os escalares $\alpha_i$ são chamados de **coordenadas de $v$ em relação à base $\beta$** [7](#page=7). Essas coordenadas são usualmente representadas em forma de matriz coluna e denotadas por $[v]_\beta$: $$ [v]_\beta = \begin{pmatrix} \alpha_1 \\ \alpha_2 \\ \vdots \\ \alpha_n \end{pmatrix} $$ #### 2.5.1 Exemplos de coordenadas * Exemplo 1: Para $V = \mathbb{R}^2$ com a base canônica $\beta = \{(1, 0), (0, 1)\}$ [8](#page=8): O vetor $(4, 3)$ pode ser escrito como $4 \cdot (1, 0) + 3 \cdot (0, 1)$. Portanto, as coordenadas de $(4, 3)$ em relação à base $\beta$ são: $$ [(4, 3)]_\beta = \begin{pmatrix} 4 \\ 3 \end{pmatrix} $$ Note que os coeficientes são organizados em uma matriz coluna [8](#page=8). * Exemplo 2: Para $V = \mathbb{R}^2$ com a base $\beta = \{(1, 1), (0, 1)\}$ [9](#page=9): Para expressar o vetor $(4, 3)$ como combinação linear: $(4, 3) = x \cdot (1, 1) + y \cdot (0, 1)$. Resolvendo este sistema, obtemos $x=4$ e $y=-1$. Assim, as coordenadas de $(4, 3)$ em relação a esta base são: $$ [(4, 3)]_\beta = \begin{pmatrix} 4 \\ -1 \end{pmatrix} $$ * Exemplo 3: A ordem dos vetores em uma base afeta a representação matricial das coordenadas de um vetor [10](#page=10). Consideremos $V = \mathbb{R}^2$ e duas bases: $\beta_1 = \{(1, 0), (0, 1)\}$ e $\beta_2 = \{(1, 1), (0, 1)\}$. Para o vetor $(4, 3)$: * Em relação a $\beta_1$: $(4, 3) = 4 \cdot (1, 0) + 3 \cdot (0, 1)$. Logo, $[(4, 3)]_{\beta_1} = \begin{pmatrix} 4 \\ 3 \end{pmatrix}$ [10](#page=10). * Em relação a $\beta_2$: $(4, 3) = 4 \cdot (1, 1) - 1 \cdot (0, 1)$. Logo, $[(4, 3)]_{\beta_2} = \begin{pmatrix} 4 \\ -1 \end{pmatrix}$ [10](#page=10). > **Tip:** A unicidade da representação de um vetor através de uma base é uma consequência direta da independência linear dos vetores da base. Se houvesse mais de uma combinação linear, os vetores seriam linearmente dependentes. > **Tip:** A dimensão de um espaço vetorial é um invariante, ou seja, não depende da base escolhida. Isso simplifica muito a comparação e o estudo de diferentes espaços vetoriais. --- # Mudança de base em espaços vetoriais A mudança de base em espaços vetoriais explora como as coordenadas de um vetor se transformam quando se utiliza um novo conjunto de vetores linearmente independentes (uma nova base) para representar o mesmo vetor. Essa transformação é mediada pela matriz de mudança de base, que estabelece a relação entre as coordenadas de um vetor em diferentes bases [12](#page=12). ### 3.1 O conceito de matriz de mudança de base A matriz de mudança de base é fundamental para expressar as coordenadas de um vetor em relação a uma nova base. Se temos um espaço vetorial $V$ e duas bases para $V$, digamos $\mathcal{U} = \{u_1, u_2, \ldots, u_n\}$ e $\mathcal{V} = \{v_1, v_2, \ldots, v_n\}$, a matriz de mudança de base de $\mathcal{U}$ para $\mathcal{V}$ permite converter as coordenadas de um vetor expressas na base $\mathcal{U}$ para suas coordenadas na base $\mathcal{V}$ [13](#page=13). Seja $M$ a matriz de mudança de base de $\mathcal{U}$ para $\mathcal{V}$. As colunas de $M$ são as coordenadas dos vetores da base $\mathcal{U}$ expressas na base $\mathcal{V}$. Matematicamente, se [13](#page=13): $u_1 = m_{11}v_1 + m_{21}v_2 + \dots + m_{n1}v_n$ $u_2 = m_{12}v_1 + m_{22}v_2 + \dots + m_{n2}v_n$ $\vdots$ $u_n = m_{1n}v_1 + m_{2n}v_2 + \dots + m_{nn}v_n$ Então a matriz $M$ é dada por: $$ M = \begin{bmatrix} m_{11} & m_{12} & \cdots & m_{1n} \\ m_{21} & m_{22} & \cdots & m_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ m_{n1} & m_{n2} & \cdots & m_{nn} \end{bmatrix} $$ ### 3.2 Relação entre as coordenadas de um vetor e a matriz de mudança de base A matriz de mudança de base conecta diretamente as representações de um mesmo vetor em diferentes bases. Seja $x$ um vetor em $V$, e sejam $\alpha$ as coordenadas de $x$ na base $\mathcal{U}$ e $\beta$ as coordenadas de $x$ na base $\mathcal{V}$. A relação entre essas coordenadas e a matriz de mudança de base $M$ (de $\mathcal{U}$ para $\mathcal{V}$) é dada por [14](#page=14): $\alpha = M \beta$ [14](#page=14). Ou, em forma matricial: $$ \begin{bmatrix} \alpha_1 \\ \alpha_2 \\ \vdots \\ \alpha_n \end{bmatrix} = \begin{bmatrix} m_{11} & m_{12} & \cdots & m_{1n} \\ m_{21} & m_{22} & \cdots & m_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ m_{n1} & m_{n2} & \cdots & m_{nn} \end{bmatrix} \begin{bmatrix} \beta_1 \\ \beta_2 \\ \vdots \\ \beta_n \end{bmatrix} $$ Esta equação significa que para obter as coordenadas de um vetor na base $\mathcal{U}$ ($\alpha$), multiplicamos a matriz de mudança de base de $\mathcal{U}$ para $\mathcal{V}$ ($M$) pelas coordenadas do mesmo vetor na base $\mathcal{V}$ ($\beta$) [14](#page=14). #### 3.2.1 Mudança de base de $\mathcal{V}$ para $\mathcal{U}$ A relação inversa, ou seja, a conversão das coordenadas da base $\mathcal{V}$ para a base $\mathcal{U}$, é obtida utilizando a matriz inversa de $M$. Se $\alpha = M \beta$, podemos multiplicar ambos os lados pela inversa de $M$, denotada por $M^{-1}$: $M^{-1} \alpha = M^{-1} M \beta$ [15](#page=15). Como $M^{-1} M = I$ (a matriz identidade), obtemos: $M^{-1} \alpha = \beta$ [15](#page=15). Portanto, $\beta = M^{-1} \alpha$. A matriz $M^{-1}$ é a matriz de mudança de base de $\mathcal{V}$ para $\mathcal{U}$ [15](#page=15). > **Tip:** A matriz de mudança de base de uma base para outra é sempre invertível, pois as bases são compostas por vetores linearmente independentes. Isso garante que a transformação entre as representações de um vetor em diferentes bases seja sempre única e reversível [16](#page=16). ### 3.3 Matriz de mudança de base e a transposta da inversa Existe uma relação entre a matriz de mudança de base de $\mathcal{U}$ para $\mathcal{V}$ e a matriz de mudança de base de $\mathcal{V}$ para $\mathcal{U}$ envolvendo a transposta. Se $M$ é a matriz de mudança de base de $\mathcal{U}$ para $\mathcal{V}$, então a matriz de mudança de base de $\mathcal{V}$ para $\mathcal{U}$ é $(M^T)^{-1}$. Assim, se $\alpha$ são as coordenadas em $\mathcal{U}$ e $\beta$ são as coordenadas em $\mathcal{V}$ [15](#page=15): $\alpha = M \beta$ [15](#page=15). E consequentemente: $\beta = (M^T)^{-1} \alpha$ [15](#page=15). > **Tip:** Lembrar que $(M^{-1})^T = (M^T)^{-1}$ é crucial para entender a relação entre as diferentes formas de expressar a mudança de base entre duas bases quaisquer [15](#page=15). --- ## Erros comuns a evitar - Revise todos os tópicos cuidadosamente antes dos exames - Preste atenção às fórmulas e definições chave - Pratique com os exemplos fornecidos em cada seção - Não memorize sem entender os conceitos subjacentes

| Termo | Definição | |------|------------| | Espaço Vetorial | Uma coleção de objetos matemáticos (vetores) que podem ser somados e multiplicados por escalares, seguindo certas regras e axiomas que garantem a consistência das operações. | | Geradores | Um conjunto de vetores em um espaço vetorial tal que qualquer outro vetor nesse espaço pode ser expresso como uma combinação linear desses vetores. | | Independência Linear (LI) | Um conjunto de vetores é linearmente independente se a única maneira de obter o vetor nulo como uma combinação linear desses vetores é se todos os escalares forem zero. | | Dependência Linear (LD) | Um conjunto de vetores é linearmente dependente se existe uma combinação linear desses vetores igual ao vetor nulo, onde pelo menos um dos escalares não é zero. | | Base de um Espaço Vetorial | Um conjunto de vetores que é linearmente independente e que gera todo o espaço vetorial. Uma base fornece um sistema de coordenadas único para cada vetor. | | Dimensão de um Espaço Vetorial | O número de vetores em qualquer base desse espaço vetorial. É uma propriedade intrínseca do espaço, indicando sua "extensão" ou número de direções independentes. | | Coordenadas de um Vetor em Relação a uma Base | Os escalares únicos que, quando usados como coeficientes em uma combinação linear dos vetores de uma base específica, resultam em um determinado vetor. | | Matriz de Mudança de Base | Uma matriz que transforma as coordenadas de um vetor de uma base para outra base no mesmo espaço vetorial. Ela codifica a relação entre as duas bases. | | Combinação Linear | A expressão de um vetor como a soma ponderada de outros vetores, onde os pesos são escalares. Por exemplo, $v = \alpha_1v_1 + \alpha_2v_2 + ... + \alpha_nv_n$. |