Escolar Documentos
Profissional Documentos
Cultura Documentos
Sistemas de Equa
co
es Lineares
e Matrizes
Os sistemas de equacoes lineares tem uma grande aplicacao a diferentes
areas, tais como `a Economia, `as Engenharias, `a Fsica, . . .. De facto, muitos
problemas nestas areas levam `a necessidade de resolver sistemas de equacoes
lineares com um determinado n
umero de equacoes e incognitas. Salienta-se
que existem programas como o Mathematica e o MatLab que permitem resolver eficazmente estes sistemas quando o n
umero de equacoes e incognitas
e bastante elevado. Por esta razao apresentaremos apenas exemplos de dimensao pequena.
1.1
Generalidades
Definic
ao 1.1.1 Uma equacao linear nas incognitas x1 , x2 , . . . , xn e uma
equacao do tipo
a1 x1 + a2 x2 + . . . + an xn = b,
(1.1)
habitual designar-se b segundo
onde a1 , a2 , . . . , an , b sao n
umeros reais. E
membro ou termo independente da equacao (1.1) e a1 , a2 , . . . , an coeficientes
das incognitas. Diz-se que o n-
uplo (1 , 2 , . . . , n ) e solucao de (1.1) se
a1 1 + a2 2 + . . . + an n = b.
A conjuncao de equacoes lineares do tipo (1.1) designa-se sistema de equacoes
lineares.
1
2 CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
Definic
ao 1.1.2 Um sistema constitudo por m equacoes lineares nas n
incognitas x1 , x2 , . . . , xn , pode representar-se da seguinte forma:
.
.
a x + a x + ... + a x = b .
m1 1
m2 2
mn n
m
A resolucao de um sistema de equacoes lineares consiste em determinar
todas as suas solucoes (caso existam). Deste modo, um sistema de equacoes
lineares diz-se:
1. Possvel quando tem solucao;
1.i Determinado quando a solucao e u
nica;
1.ii Indeterminado quando tem mais do que uma solucao;
Designa-se grau de indeterminacao do sistema ao n
umero de incognitas
livres, isto e, incognitas que podem tomar valores arbitrarios.
2. Impossvel quando nao tem solucao.
No caso do sistema de equacoes lineares (1.2) ser possvel, o n-
uplo
(1 , 2 , . . . , n ) e solucao do sistema se as substituicoes xi = i ; i = 1, 2, . . . , n,
transformam todas as equacoes do sistema em identidades verdadeiras.
Definic
ao 1.1.3 Dois sistemas de equacoes lineares com o mesmo n
umero
de equacoes e de incognitas dizem-se equivalentes se o conjunto solucao for
igual.
Definic
ao 1.1.4 Um sistema de equacoes lineares cujos termos independentes sao todos nulos designa-se de sistema homogeneo. Este tipo de sistema
sera sempre possvel, pois possui sempre, pelo menos, a solucao nula.
De modo a ilustrar a aplicacao do metodo de eliminacao de Gauss-Jordan
na resolucao de sistemas de equacoes lineares, introduzir-se-`a alguma terminologia, nomeadamente, tabelas de dupla entrada designadas de matrizes.
1.1. GENERALIDADES
2 3 5
1 3 6
1 4
B = 0 3 ,
2 7
,
1 3 5
C = 1 3 6
5 8 3
2 3 5
,
linha 1
1 3 6
,
linha 2
e as colunas sao
2
1
,
coluna 1
3
3 ,
coluna 2
5
6
.
coluna 3
Definic
ao 1.1.5 As matrizes consistem em tabelas de dupla entrada, em
que a localizacao de um elemento na matriz e descrita indicando a linha e a
coluna na qual o elemento se encontra. Assim, o elemento que se encontra
na linha i, coluna j da matriz A denota-se por aij . Deste modo podemos
visualizar uma matriz arbitraria m n do seguinte modo:
A=
a11
a21
..
.
a12
a22
..
.
. . . a1n
. . . a2n
.
. . . ..
4 CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
O conjunto de todas as matrizes do tipo m n sobre R representa-se
por Mmn . A ordem de uma matriz e descrita especificando o n
umero de
linhas e de colunas da matriz. Por exemplo, uma matriz com duas linhas e
tres colunas diz-se uma matriz de ordem 2 3, o primeiro n
umero indica o
n
umero de linhas e o segundo o n
umero de colunas. Quando o n
umero de
linhas e igual ao n
umero de colunas (m = n), diz-se que a matriz e quadrada e
escreve-se A Mn , caso contrario diz-se que a matriz e rectangular. No caso
`
da matriz ser quadrada, os elementos diagonais de A sao a11 , a22 , . . . , ann . A
sequencia ordenada constituda por estes elementos (a11 , a22 , . . . , ann ) chamase diagonal principal de A. A sequencia ordenada constituda pelos elementos
(a1n , a2,n1 , . . .,an1 ) designa-se diagonal secundaria.
Uma matriz composta por uma linha diz-se matriz linha e uma matriz
composta por uma coluna diz-se matriz coluna. Por exemplo,
2 1 3
1 1 0
matriz 23
,
matriz rectangular
3 1 2
3 0 1
2 1 8
matriz 33 ,
matriz quadrada
5 3 1
matriz 13
matriz linha
5
3
1
matriz 31
matriz coluna
Continuar-se-a, agora, o tema inicial desta seccao. Existem duas matrizes associadas a um sistema de equacoes lineares: a matriz dos coeficientes
constituda pelos coeficientes das variaveis do sistema e a matriz ampliada
constituda pela matriz dos coeficientes, juntamente com os termos independentes. A matriz dos coeficientes denota-se habitualmente por A e a matriz
ampliada por [A|B]. Por exemplo, a matriz dos coeficientes e a matriz ampliada associada ao sistema de equacoes lineares seguinte e:
1 1 2
1 1 2 1
2 0 2
2 0 2 1
x y + 2z = 1
1 3 5
1 3 5 3 ,
2x + 2z
=1
x 3y + 5z = 3.
matriz dos coeficientes
matriz ampliada
respectivamente.
As transformacoes designadas transformacoes elementares, aplicam-se ao
sistema inicial de modo a obter um sistema mais simples e equivalente ao
primeiro. Assim, dado um sistema de equacoes lineares, S, obtem-se um
sistema equivalente a S, quando:
1.1. GENERALIDADES
6= 0;
3. Ei Ei + Ej .
A troca da ordem das incognitas permite tambem obter sistemas equivalentes entre si.
Utilizam-se transformacoes analogas, designadas operacoes elementares,
na resolucao de sistemas de equacoes lineares recorrendo ao metodo matricial,
nomedadamente
1. Troca entre si de duas linhas da matriz;
2. Multiplicacao de uma linha da matriz por um n
umero diferente de zero;
3. Substituicao de uma linha da matriz pela sua soma com um m
ultiplo
de outra,
e podem representar-se simbolicamente da forma seguinte:
1. Li Lj ;
2. Li Li , 6= 0;
3. Li Li + Lj .
Para cada uma das tres operacoes elementares anteriores existem operacoes
analogas correspondente a`s colunas, que se podem escrever simbolicamente
do seguinte modo:
6 CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
1. Ci Cj ;
2. Ci Ci , 6= 0;
3. Ci Ci + Cj .
No metodo de eliminacao de Gauss-Jordan as transformacoes elementares
sao utilizadas para eliminar de um modo sistematico variaveis. O objectivo
final deste metodo e o de se obter um sistema cujas solucoes sao dadas de
modo imediato. Ilustrar-se-`a, no exemplo seguinte, o modo de funcionamento
deste metodo quer atraves das equacoes quer recorrendo `as matrizes. O leitor
devera observar no modo como as variaveis sao eliminadas nas equacoes e
como isto se processa em termos matriciais onde sao colocados zeros em
determinadas posicoes.
Exemplo. Resolva o sistema de equacoes
x y + 2z
2x + 2z
x 3y + 5z
lineares
=1
=1
= 3.
Soluc
ao. Pretende-se eliminar os coeficientes de x na 2a e 3a equacoes,
para tal substituem-se estas equacoes pela sua soma com o produto de 2 e
1 vezes a 1a equacao, respectivamente. No segundo passo para eliminar o
coeficiente de y na 3a equacao basta adicionar a esta equacao a 2a equacao.
Isto e,
x y +2z = 1
x y +2z = 1
2x
+2z = 1
2y
2z = 1
E2 E2 2E1
E
E
E
3
3
1
x 3y +5z = 3
2y +3z = 2
x y +2z = 1
2y 2z = 1
E3 E3 +E2
z = 1.
Para obter a solucao do sistema prossegue-se utilizando a substituicao
inversa. Assim, o conjunto solucao deste sistema e {( 21 , 12 , 1)}, ou seja, e
possvel e determinado.
No metodo matricial, `a matriz ampliada associada ao sistema, [A|B],
efectuam-se as mesmas sequencias de operacoes elementares sobre linhas que
DE GAUSS
1.2. METODO
DE ELIMINAC
AO
1 1 2 | 1
1 1 2 | 1
[A|B] = 2 0 2 | 1 L2 L2 2L1 0 2 2 | 1
L3 L3 L1
1 3 5 | 3
0 2 3 | 2
1 1 2 | 1
L3 L3 + L2 0 2 2 | 1 .
0 0
1 | 1
Au
ltima matriz representa o sistema
x y +2z = 1
2y 2z = 1
z = 1,
que pode ser resolvido por substituicao inversa dando origem ao mesmo conjunto solucao ja anteriormente obtido.
1.2
M
etodo de elimina
c
ao de Gauss
0
0
A=
0
0
0
56
1
0
0
0
0
2
0
0
0
0
0 2 4
3 1 0
0 1 5
0 0 0
0 0 0
8 CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
esta em forma de escada de linhas. No entanto, a matriz B de ordem 4 6
0 1 2 0 0 4
0 0 1 1 0 0
B=
0 0 1 0 1 5
0 0 0 0 0 0
nao esta em forma de escada de linhas.
O metodo de eliminacao de Gauss aplica-se `a matriz ampliada de um
dado sistema de equacoes lineares com o objectivo de a colocar na forma em
escada de linhas. Assim, em cada passo do metodo identifica-se o pivot e
eliminam-se os coeficientes dos termos correspondentes que se situam abaixo
dele. Na pratica usa-se uma variante do metodo de eliminacao de Gauss que
se pode sintetizar no algoritmo seguinte:
Para i = 1, . . . , m
1. Seja t o menor elemento de {1, . . . , n}, tal que ait 6= 0 (ait e candidato
a pivot no passo corrente).
2. Seja r o menor elemento de {1, . . . , t 1} tal que akr 6= 0, k {i +
1, . . . , m}.
i. Caso nao exista este elemento ait e o pivot;
ii. Caso exista este elemento troca-se a k-esima pela i-esima equacao
e air e o pivot.
3. Seja l a coluna onde se situa o pivot. Para cada s {i + 1, . . . , m},
substitui-se a s-esima equacao pela sua soma com o produto de aaslil
pela i-esima equacao.
Apos terminar o processo de eliminacao de Gauss, a resolucao do sistema
prossegue atraves da substituicao inversa, isto e, substituindo da u
ltima para
a primeira equacao os valores entretanto determinados.
Observe-se, no entanto, que na resolucao de sistemas de equacoes lineares
nao e possvel utilizar operacoes elementares sobre colunas, com excepcao da
troca de colunas aplicada `a matriz dos coeficientes.
No caso de uma matriz nao estar na forma de escada de linhas, a eliminacao de Gauss permite obter a partir desta matriz, e efectuando um n
umero
DE GAUSS
1.2. METODO
DE ELIMINAC
AO
finito de operacoes elementares sobre linhas e/ou colunas, uma nova matriz
na forma de escada de linhas.
Exemplo.Utilize o metodo de eliminacao de Gauss para encontrar uma matriz em escada de linha a partir da matriz A.
0 0 0 0
0
0 9 6 6 3
A=
0 4 5 3 4
0 2 2 2 2
Soluc
ao.
L1 1
L3 L3 4L1
L3 L3 +3L2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
9
4
2
1
9
4
0
1
0
0
0
1
0
0
0
0 0
0
0 2 2 2 2
6 6 3
L1 L5 0 9 6 6 3
0 4 5 3 4
5 3 4
2 2 2
0 0 0 0
0
1 1 1
0 1 1 1 1
6 6 3
L2 L2 9L1 0 0 3 3 12
0 4 5 3 4
5 3 4
0 0
0
0 0 0
0
0
1 1 1
0 1 1 1 1
3 3 12
1
0
L2 L3 0 0 1
0 0 3 3 12
1
1
0
0
0
0
0 0 0
0
0
1 1 1
1 1
0
.
0 6 12
0 0
0
=4
x + 2y z + 3w
2x + 4y 2z + 7w = 10
x 2y + z 4w = 6.
10CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
Soluc
ao. Aplicando o metodo
1
2 1 3 |
2
4 2 7 |
[A|B] =
1 2 1 4 |
1 2 1
0 0 0
L1 L1 3L2
L3 L3 +L2
0 0 0
4
1 2 1 3 | 4
10 L2 L2 2L1 0 0 0
1 | 2
L3 L3 +L1
6
0 0 0 1 | 2
3 | 4
1 | 2 .
0 | 0
Au
ltima matriz representa o sistema
x + 2y z = 2
w
= 2
A primeira equacao pode-se escrever da forma x = 2y + z 2 e, portanto,
a solucao geral e x = 2y + z 2 e w = 2. Este sistema e possvel e indeterminado, por isso para se obterem solucoes particulares para este sistema
podem obter-se atribuindo a y e z diversos valores.
1.3
11
3x + 4y + 2z = k
2x + 3y z = 1
x + y + kz
= 2.
Soluc
ao: A matriz ampliada deste sistema e
3 4 2 | k
1 1
2 3
[A|B] = 2 3 1 | 1
L1 L3
1 1 k | 2
3 4
1 1
k
|
2
0 1 1 2k | 3
L3 L3 L2
0 1 2 3k | k 6
k | 2
1 | 1
2 | k
L2 L2 2L1
L3 L3 3L1
1 1
k
|
2
0 1 1 2k | 3 .
0 0 3k
| k3
Se k = 3 obtem-se
1 1 3 | 2
0 1 7 | 3 .
0 0 0 | 0
Entao, car(A) = car(A|B) = 2 < 3 =n
umero de incognitas e o grau de
indeterminacao e igual ao n
umero de incognitas menos car(A) = 3 2 = 1.
Logo, o sistema e possvel e indeterminado com grau de indeterminacao 1.
No caso de k R\{3}, car(A) = car(A|B) = 3 = n
umero de incognitas.
Como tal, o sistema e possvel e determinado.
12CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
1.4
Propriedades alg
ebricas das matrizes
Definic
ao 1.4.1 Duas matrizes C = [cij ] e D = [dij ] dizem-se iguais quando
C e D sao matrizes com a mesma ordem satisfazendo cij = dij , para cada
i = 1, . . . , m e j = 1, . . . , n.
A definicao anterior aplica-se em particular a matrizes do tipo
1
u = [1 2 3] e v = 2 .
3
Apesar de u e v representarem o mesmo ponto em R3 , nao se pode considerar
que estas matrizes sao iguais, uma vez que tem ordens diferentes.
Definic
ao 1.4.2 Sejam A, B Mmn . A soma de A e B e a matriz A +
B Mmn que se obtem adicionando as entradas homologas de A e B, i.e.,
A + B = [aij + bij ] Mmn .
Exemplo.
1 1 x
0 2 1
1 3 x + 1
2 0 1 + 3 1 1 = 5 1
2 .
3 5 y
3 4 1
6 9 y+1
Definic
ao 1.4.3 Sejam um escalar e A = [aij ] Mmn . Chama-se produto do escalar pela matriz A, e denota-se por A, `a matriz que se obtem
multiplicando todas as entradas de A por , i.e, A = [aij ].
A matriz A e a matriz que se obtem de A multiplicando cada um dos
elementos de A por 1. Assim, se A = [aij ], entao A = [aij ]. Como tal,
pode-se definir subtraccao de matrizes em termos da adicaoe da multiplicacao
escalar. Dadas duas matrizes A = [aij ] e B = [bij ] com a mesma ordem, a
diferenca entre A e B e definida como sendo a matriz A B = A + (B).
Deste modo,
A B = [aij bij ].
1.4. PROPRIEDADES ALGEBRICAS
DAS MATRIZES
13
Definic
ao 1.4.4 Seja A = [aij ] Mmn e B = [bij ] Mnp . O produto
entre A e B, AB, e a matriz do tipo m p cujo elemento (i, j) e ai1 b1j +
ai2 b2j + + ain bnj . Assim,
" n
#
X
AB =
aik bkj Mmp .
k=1
3 0 1
A = 1 1 2
2 4 3
1
0
B = 1 3 .
2 2
Entao
3 1 + 0 (1) + 1 2
3 0 + 0 3 + 1 (2)
AB = 1 1 + (1) (1) + 2 2 1 0 + (1) 3 + 2 (2)
2 1 + 4 (1) + 3 2
2 0 + 4 3 + 3 (2)
5 2
6 7 .
=
4 6
14CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
diagonal e uma matriz quadrada nos quais todos os elementos excepto a diagonal principal sao iguais a zero. A matriz identidade e uma matriz diagonal,
em que as entradas diagonais sao todas iguais a zero.
Assim,
A = ..
.. . .
..
.
. .
.
0
0 . . . ann
matriz triangular superior
0mn
0
0
..
.
0 ...
0 ...
=
.. . .
.
.
0 0 ...
matriz nula
a11 0 . . . 0
a21 a22 . . . 0
B = ..
.. . .
.. .
.
. .
.
an1 an2 . . . ann
matriz triangular inferior
0
0
..
.
a11 0 . . . 0
0 a22 . . . 0
C = ..
.. . .
.
.
. ..
.
0
0 . . . ann
matriz diagonal
0 ... 0
1 ... 0
In =
.. . . ..
. .
.
0 0 ... 1
matriz identidade
1
0
..
.
1.4. PROPRIEDADES ALGEBRICAS
DAS MATRIZES
15
C=
1 0
2 2
e
C =
1 0
1 2
.
Entao,
AB =
0 0
0 0
e
AC =
1 0
1 0
= AC 0 .
16CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
Note-se que Ai+j = Ai Aj e Aij = (Ai )j , para i, j N0 . No entanto, como
o produto de matrizes nao e comutativo, nao se verifica (AB)i = Ai B i , i N.
Com efeito, para as matrizes
1 2
1 0
A=
e B=
1 1
1 0
obtem-se
2
AB =
3 4
2 3
1 2
1 1
1 0
1 0
1 0
1 0
2
e
2
(AB) =
=
7 0
5 0
9 0
6 0
.
1.5
Matrizes sim
etricas
Definic
ao 1.5.1 Seja A = [aij ] do tipo m n. A matriz transposta de A e
a matriz AT = [aji ] Mnm .
Recorrendo a` definicao anterior, verifica-se que as colunas de AT sao as
linhas de A e as linhas sao as colunas de A.
Teorema 4 Sejam A e B matrizes de tal forma que as somas e os produtos
estejam bem definidos. Entao,
1. (AT )T = A;
2. (A + B)T = AT + B T ;
3. (A)T = AT , para R;
4. (AB)T = B T AT ;
5. (Ak )T = (AT )k .
Definic
ao 1.5.2 Seja A uma matriz quadrada, tal que AT = A, entao A
diz-se simetrica. No caso de AT = A a matriz A diz-se anti-simetrica. Se
A e uma matriz quadrada que satisfaz a condicao AAT = In , entao diz-se
que A e ortogonal.
1.5. MATRIZES SIMETRICAS
17
1 0
AT = 2 3 .
1 4
A matriz
3 2 5
B= 2 1 7
5 7 9
0
2 5
C = 2 0 7
5 7 0
e anti-simetrica, ou seja, C = C T .
Introduz-se, de seguida, um n
umero que se associa a toda a matriz quadrada designado de traco da matriz .
Definic
ao 1.5.3 Seja A Mn . O traco de A, denotado de Tr (A), e a soma
dos elementos da diagonal principal de A, isto e,
Tr (A) = a11 + a22 + . . . + ann
Exemplo: Determine o traco da matriz
4 1 2
A = 2 5 6 .
7 3
0
18CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
Solucao. Obtem-se Tr (A) = 4 + (5) + 0 = 1.
O traco de matriz desempenha um papel muito importante na teoria das
matrizes por causa das suas propriedades muito simples. Este conceito e
utilizado em areas tais como a mecanica estatstica, na relatividade geral
na mecanica quantica, uma vez que tem um significado fsico. No teorema
seguinte apresentam-se alguns resultados sobre o traco.
Teorema 5 Sejam A, C matrizes e c um escalar. Suponhamos que as matrizes tem ordem que permitem as operacoes seguintes:
(a) Tr (A + B) = Tr (A) + Tr (B)
(b) Tr (AB) = Tr (BA)
(c) Tr (cA) = cTr (A)
(d) Tr (AT ) = Tr (A)
Demonstrac
ao. Prova-se apenas a alnea (a), as demonstracao das restantes alneas sao deixadas a cargo do leitor. Como os elementos da diagonal
principal de A + B sao (a11 + b11 ), (a22 + b22 ), . . . , (a22 + b22 ), obtem-se
Tr (A + B) = (a11 + b11 ) + (a22 + b22 ) + . . . + (ann + bnn )
= (a11 + a22 + . . . + ann ) + (b11 + b22 + . . . + bnn )
= Tr (A) + Tr (B).
Para finalizar esta secao, abordar-se-a o tema sobre matrizes com entradas
complexas. Um n
umero complexo
e um n
umero da forma z = a + b i. onde
a, b sao n
umeros reais e i = 1. a designa-se parte real e b designa-se parte
imaginaria de z. O conjunto constitudo pelos n
umeros complexos denota-se
por C
Descrevem-se de seguida, a regras da aritmetica para n
umeros complexos.
Sejam z1 = a + b i e z2 = c + d i n
umeros complexos. Entao
1. z1 = z2 se e so se a = c e b = d;
2. z1 + z2 = (a + c) + (b + d) i
1.5. MATRIZES SIMETRICAS
19
3. z1 z2 = (a c) + (b d) i
4.
z1 z2 = (a + b i)(c + d i) = a(c + d i) + b i(c + d i)
= ac + ad i + bc i + bdi2
= ac + bdi2 + (ad + bc) i = (ac bd) + (ad + bc) i
O conjugado de um n
umero complexo z = a + b i define-se e denota-se por
z = a b i.
Exemplo. Considere os n
umeros complexos z1 = 2 + 3 i e z2 = 1 2 i.
Calcule z1 + z2 , z1 z2 e z1 .
Solucao. Usando as definicoes anteriores, obtem-se
z1 + z2 = (2 + 3 i) + (1 2 i) = (2 + 1) + (3 2) i = 3 + i
z1 z2 = (2 + 3 i)(1 2 i) = 2(1 2 i) + 3 i(1 2 i) = 2 4 i + 3 i 6 i2 = 8 i
z1 = 2 3 i
As operacoes matriciais em matrizes com entradas complexas sao exactamente iguais ao caso de matrizes com entradas reais,
Exemplo. Sejam
2 + i 3 2i
3
2i
A=
eB=
.
4
5i
1 + i 2 + 3i
Calcule A + B, 2A e AB.
Solucao. Obtem-se
2 + i 3 2i
3
2i
A+B =
+
4
5i
1 + i 2 + 3i
2 + i + 3 3 2i + 2i
5+ i
3
=
=
4 + 1 + i 5i + 2 + 3i
5+ i 2+8
2A = 2
2 + i 3 2i
4
5i
=
4 + 2i 6 4i
8
10 i
20CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
AB =
2 + i 3 2i
4
5i
3
2i
1 + i 2 + 3i
4
i
escreve-se e define-se por A = A . Por exemplo, se A =
,
6
7i
entao
T
2 3i 1 + 4i
2 3i 6
A=
e A =A =
.
6
7 i
1 + 4 i 7 i
C=
2
3 + 4i
3 4i
6
e
C =C =
2
3 4i
3 + 4 i 7 i
= C.
1.6
21
22CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
2. Uma vez que (A1 )m e inversa de Am se e so se Am (A1 )m = (A1 )m Am =
In e que A e invertvel e o produto de matrizes e associativo, tem-se
Am (A1 )m = (A . . . AAA) (A1 A1 A1 . . . A1 )
|
{z
}|
{z
}
m vezes
m vezes
= (A . . . AA)(AA1 ) (A1 A1 . . . A1 )
{z
}
|
| {z }
m1 vezes
m1 vezes
= (A . . . AA) In (A1 A1 . . . A1 )
| {z } |
{z
}
m1 vezes
m1 vezes
= (A . . . AA) (A1 A1 . . . A1 )
{z
}
| {z } |
m1 vezes
m1 vezes
=
= In .
3. Dado que (A1 )T e inversa de AT se e so se (A1 )T AT = (AT A1 )T = In
e que A e invertvel e o produto de matrizes e associativo, tem-se
(A1 )T AT = (A A1 )T = In
e
(AT A1 )T = (A1 A)T = In .
As demonstracoes de 4. e 5. sao analogas `as anteriores e deixam-se a
cargo do leitor. A demonstracao de 6. e imediata.
Definic
ao 1.6.2 Uma matriz A e ortogonal se e so se a sua inversa coincidir
com a sua transposta, i.e., A1 = AT .
Seja A Mn uma matriz invertvel. A matriz inversa de A pode ser
determinada usando o algoritmo de Gauss-Jordan, que consiste nos seguintes
passos:
1. Aplicar a` matriz [A|In ], de ordem n 2n, o metodo de eliminacao de
Gauss descendente.
2. Quando a matriz estiver na forma de escada, se o n
umero de linhas
nao nulas for menor que n, entao a matriz A nao e invertvel. Caso
contrario,
23
1 1 4
A = 2 5 4 .
1 4 2
Soluc
ao. Comeca-se por aplicar
dente `a matriz
[A|I] = 2
1
1 1 4 | 1 0 0
1 1 4 | 1 0 0
[A|I] = 2 5 4 | 0 1 0 L2 L2 2L1 0 3 4 | 2 1 0
L3 L3 L1
1 4 2 | 0 0 1
0 3 6 | 1 0 1
1 1 4 | 1
0 0
0 3 4 | 2 1 0 .
L3 L3 L2
0 0 2 | 1 1 1
Como se pode observar a matriz A e invertvel, dado que o n
umero de linhas
nao nulas da matriz em escada a` esquerda e 3. Inicia-se, agora, a eliminacao
de Gauss ascendente. Usa-se o elemento 2 que se encontra na posicao (3, 3)
para anular os restantes elementos da terceira coluna (adiciona-se `a segunda
e primeira linhas a terceira multiplicada por 2 e 2, respectivamente). Na
24CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
nova
13 :
1
0
0
1 0 | 3 2 2
1 0 0 | 13
3 38
3
0 3 0 | 4 3 2 .
3 0 | 4 3 2
L1 L1 13 L2
0 2 | 1 1 1
0 0 2 | 1 1 1
3 83
1 0 0 | 13
3
[I|A1 ] = 0 1 0 | 34 1 23 .
0 0 1 | 21 12 21
Conclu-se que A e invertvel e a sua inversa e
13
8
3
3
3
A1 = 43 1 23 .
12 21 12
Considere o seguinte sistema de equacoes lineares
a x + a x + ... + a x = b .
m1 1
m2 2
mn n
m
possvel escrever este sistema usando notacao matricial.
E
a11 x1 + a12 x2 + . . . + a1n xn
b1
a21 x1 + a22 x2 + . . . + a2n xn b2
= ..
..
.
.
am1 x1 + am2 x2 + . . . + amn xn .
bm
De facto,
A matriz da esquerda pode ser escrita como o produto da matriz dos coeficientes A e a matriz coluna das variaveis. Seja AB a matriz coluna dos termos
independentes, isto e,
A
X
B
a11 a12 . . . a1n
x1
b1
a21 a22 . . . a2n x2 = b2
..
..
..
.. ..
.
. ...
.
.
.
am1 am2 . . . amn
xn
bm
25
=1
x + y + 4z
2x + 5y + 4z = 1
x + 4y 2z = 0.
Este sistema pode representar-se matricialmente como AX = B, onde
1 1 4
x
1
A = 2 5 4 , X = y e B = 1 .
1 4 2
z
0
Pelo exerccio anterior tem-se
3 83
1 23 .
A1 =
1
12
2
13
4
3 38
1
3
3
4
2
1
1 = 13 . Assim, o conjunto
Logo, X = A B = 3 1 3
12 12 12
0
0
solucao do sistema e {( 34 , 13 , 0)}.
13
3
43
12
26CAPITULO 1. SISTEMAS DE EQUAC
OES
LINEARES E MATRIZES
7236(&5(7
%\(YHUXVDW
Captulo 2
Determinantes e
Valores/Vectores Pr
oprios
Como se constatou no Captulo 1, nem sempre uma matriz quadrada e
invertvel. Recorde-se que
A Mn e invertvel se e so se car(A) = n.
(2.1)
2.1
Determinantes - Defini
c
oes e Propriedades
a
a
a11 a12
11
12
a22 a11 a21 a12 ,
=
A=
0 a22 aa21
a12
0
a21 a22 L2 L2 aa21 L1
11
11
a11
27
28CAPITULO 2. DETERMINANTES E VALORES/VECTORES PROPRIOS
o que, juntamente com (2.1), permite concluir que A e invertvel se e so se
a22 a11 a21 a12 6= 0.
Se a11 = 0, entao
0 a12
a21 a22
A=
a21 a22 L2 L1
0 a12
e A e invertvel quando a21 6= 0 e a12 6= 0, isto e quando a21 a12 6= 0. Deste
modo, construiu-se, a partir das entradas da matriz, o n
umero a22 a11 a21 a12 ,
que indica se a matriz A e ou nao invertvel.
Em termos praticos, o determinante de uma matriz de ordem 2, A = [aij ] ,
pode calcular-se utilizando uma regra, habitualmente designada Regra dos
Produtos Cruzados, que consiste em subtrair o produto dos elementos da
diagonal secundaria ao produto dos elementos da diagonal principal, isto e,
Definic
ao 2.1.1 O determinante de uma matriz 2 2 denota-se por |A| ou
det (A) e e dado por
a11 a12
a21 a22 = a22 a11 a21 a12
Exemplo. Considere-se a matriz
1 2
A=
M2 ,
3 4
entao det (A) = 1 4 3 2 = 2.
No caso de A M3 mostra-se, de
a11
A = a21
a31
a12 a13
a22 a23
a32 a33
e invertvel se e so se
a11 a22 a33 + a21 a32 a13 + a31 a12 a23 a31 a22 a13 a11 a32 a23 a21 a12 a33 6= 0.
Tal como no caso 2 2, o determinante de uma matriz de ordem 3 pode
obter-se usando uma regra pratica designada Regra de Sarrus. A utilizacao
desta regra pode resumir-se do seguinte modo:
2.1. DETERMINANTES - DEFINIC
OES
E PROPRIEDADES
29
Exemplo. Seja
1 2 3
A = 4 5 6 M3 ,
1 1 1
entao det (A) = 1 5 (1) + 4 1 3 + 1 2 6 1 5 3 1 1
6 4 2 (1) = 6.
Apresentam-se de seguida algumas propriedades imediatas associadas ao
determinante de uma matriz 2 2:
1. Seja A = [aij ] M2 , entao
det
= det
a11 a12
a21 a22
+ det
a011 a012
a21 a22
.
30CAPITULO 2. DETERMINANTES E VALORES/VECTORES PROPRIOS
2. Seja A = [aij ] M2 e R, entao
a11 a12
a11 a12
det
= det
.
a21
a22
a21 a22
Esta propriedade ainda e valida no caso de estar multiplicado pela
segunda linha.
3. Seja A = [aij ] M2 , entao
a11 a12
a21 a22
det
= det
.
a21 a22
a11 a12
4. det (I2 ) = 1.
As propriedades anteriores continuam a ser validas para o caso de matrizes
de ordem 3 e as demonstracoes deixam-se a cargo do leitor.
Definic
ao 2.1.3 O determinante de uma matriz A Mn como sendo a
funcao
det : Mn
R
A
, det (A),
que a cada matriz quadrada A de ordem n faz corresponder um n
umero real,
det (A), de tal modo que as seguintes condicoes sejam satisfeitas:
P1. det (L1 , . . . , Li + L0i , . . . , Ln ) = det (L1 , . . . , Li , . . . , Ln )+det (L1 , . . . , L0i , . . . , Ln ) ;
P2. det (L1 , . . . , Li , . . . , Ln ) = det (L1 , . . . , Li , . . . , Ln ) ;
P3. det (L1 , . . . , Li , . . . , Lj , . . . , Ln ) = det (L1 , . . . , Lj , . . . , Li , . . . , Ln ) ;
P4. det (In ) = 1,
onde Li representa a iesima linha da matriz A.
Da Propriedade 1 conclui-se que, em geral, dadas A, B Mn ,
det (A + B) 6= det (A) + det (B).
2.1. DETERMINANTES - DEFINIC
OES
E PROPRIEDADES
31
1 0
0 1
e det (A + B) = 1.
Como det (A) = det (B) = 0, vem que det (A) + det (B) 6= det (A + B).
Teorema 9 O determinante de uma matriz com, pelo menos, duas linhas
iguais e nulo.
O teorema anterior prova-se facilmente recorrendo `a Propriedade 3. De
facto, P3. permite concluir que trocando duas linhas iguais o sinal do determinante altera-se, mas, por outro lado, a matriz mantem-se igual e, como
tal, o seu determinante tambem se mantem. Assim, det (A) = det (A) e,
por isso, o determinante e nulo.
O proximo teorema generaliza o Teorema 9.
Teorema 10 Seja A Mn . Entao, tem-se:
(a) Se existirem na matriz A Mn duas linhas m
ultiplas uma da outra,
entao det (A) = 0. Em particular, det (A) = 0 se A tiver uma linha
nula.
(b) Se a j-esima linha de A Mn se escrever da forma Lj = nk=1,k6=j k Lk ,
sendo k escalares, entao det (A) = 0.
Demonstrac
ao: Considere-se que Lk , k = 1, . . . , n, representam as linhas
de A e seja Lj = Li , com escalar. Aplicando a Propriedade 2 e o Teorema
9, vem
det (L1 , . . . , Li , . . . , Li , . . . , Ln ) = det (L1 , . . . , Li , . . . , Li , . . . , Ln )
= 0 = 0.
O caso particular de uma linha nula resulta de se considerar Lj = 0Li . Deste
modo, provou-se a alnea (a).
32CAPITULO 2. DETERMINANTES E VALORES/VECTORES PROPRIOS
Considere-se agora Lj = nk=1,k6=j k Lk . Entao, aplicando a Propriedade
1 e a alnea (a), obtem-se:
!
n
n
X
X
det L1 , . . . , Lk , . . . ,
k L k , . . . , L n
=
det (L1 , . . . , Lk , . . . , k Lk , . . . , Ln )
k=1,k6=j
k=1,k6=j
n
X
0 = 0,
k=1,k6=j
A demonstracao do teorema seguinte e trivial, uma vez que as propriedades decorrem imediatamente da definicao de funcao determinante.
Teorema 11 Seja A Mn . Entao, tem-se:
(a) O determinante nao se altera se a uma linha de A for adicionado um
m
ultiplo de outra linha de A.
(b) Multiplicando os elementos de n linhas de uma matriz A, pelos escalares
nao nulos 1 , . . . , n , obtem-se uma matriz B, satisfazendo
det (B) = 1 n det (A).
(c) O determinante de uma matriz e igual ao determinante da sua transposta, isto e, det (A) = det (AT ).
(d) O determinante de uma matriz triangular A e o produto dos elementos
da diagonal principal.
(e) Se B Mn , entao det (AB) = det (A)det (B).
Como consequencia do Teorema 11 (c), as propriedades apresentadas em
termos de linhas de uma matriz, tambem, sao validas em termos de colunas.
Exemplo.
1. Seja A Mn . Mostre que det (2A) = 2n det (A).
2.1. DETERMINANTES - DEFINIC
OES
E PROPRIEDADES
33
34CAPITULO 2. DETERMINANTES E VALORES/VECTORES PROPRIOS
Exemplo.
1
2
1 1
0 1
1 2
1 2 1
0 1 0
0 1 2
0 0 0
1 1
=
2 1
L2 L2 +L1
0
1 L L +L
4
4
1
2 1
1
1
0
1
=
1 L3 L3 L2 0
0
1
1
0
0
0
2
1
0
0
2 1 1
1 1 0
=
1 1 2 C3 C4
0 1 0
1 1
0 1
= (1 1 2 1) = 2.
2 2
0 1
1
.
det (A)
2.1. DETERMINANTES - DEFINIC
OES
E PROPRIEDADES
35
Definic
ao 2.1.4 Seja Aij a submatriz de A = [aij ] Mn obtida por supressao da linha i e da coluna j. Chama-se menor e complemento algebrico
(co-factor) de ndices i e j de A a det(Aij ) e (1)i+j det(Aij ), respectivamente.
Exemplo.Considere-se
1 2 3
A = 4 5 6 M3 .
7 8 9
1 2
O menor de ndices 2 e 3 de A e det (A23 ) =
7 8
2+3
ndices 2 e 3 de A e (1) det (A23 ) = 6.
= 6 e o co-factor de
Comece-se, agora, por analisar a formula que permite calcular o determinante no caso de A = [aij ] M3 . Pela regra de Sarrus, obtem-se
det (A) = a11 a22 a33 +a13 a21 a32 +a31 a12 a23 (a13 a22 a31 +a11 a23 a32 +a12 a21 a33 ).
Agrupando as parcelas que contem a11 , as que contem a12 e as que contem
a13 pode escrever-se a expressao anterior na forma
det (A) = a11 (a22 a33 a23 a32 ) a12 (a21 a33 a23 a31 ) + a13 (a21 a32 a22 a31 )
ou seja,
a
a
det (A) = a11 22 23
a32 a33
a12 a21 a23
a31 a33
+ a13 a21 a22
a31 a32
Provou-se, assim, que para o caso 33 o determinante de A se obtem multiplicando os elementos da primeira linha de A pelos respectivos complementos
algebricos. Mostra-se, facilmente, que se em vez da primeira linha tivesse
sido utilizada qualquer uma das outras linhas/colunas de A o resultado seria analogo. Esta formula pode ser generalizada para matrizes de ordem n
obtendo-se o seguinte resultado, conhecido como Teorema de Laplace:
36CAPITULO 2. DETERMINANTES E VALORES/VECTORES PROPRIOS
Teorema 14 Seja A = [aij ] Mn . Entao, o determinante de A e igual `
a
soma dos produtos dos elementos de uma linha/coluna arbitraria de A pelos
respectivos complementos algebricos, isto e, fixando uma linha,
n
X
det(A) =
aij (1)i+j det(Aij ), i = 1, . . . , n;
j=1
n
X
i=1
e efectuando o
1
1
0
= 2.
2.2. ALGUMAS APLICAC
OES
DOS DETERMINANTES
2.2
37
Algumas aplica
co
es dos determinantes
Nesta seccao, apresenta-se algumas aplicacoes da teoria dos determinantes, nomeadamente ao calculo da matriz inversa de uma matriz e `a resolucao
de sistemas de equacoes lineares.
Seja A = [aij ] Mn uma matriz invertvel. A matriz inversa de A pode
ser obtida utilizando a teoria dos determinantes. Para tal:
1. Constroi-se a matriz dos complementos algebricos ou a matriz dos cofactores de A,
Cof(A) = (1)i+j det (Aij ) Mn ,
que se obtem substituindo cada componente aij da matriz A pelo seu
complemento algebrico;
2. Transpoe-se a matriz dos complementos algebricos, obtendo-se a matriz
adjunta de A, Adj (A), isto e, Adj (A) = (Cof (A))T ;
3. A matriz inversa de A obtem-se multiplicando a matriz adjunta de A
por det1(A) , isto e,
1
Adj (A).
(2.2)
A1 =
det (A)
Exemplo.
1. Determine a inversa da matriz
1 1 0
A = 1 0 1 M3 .
2
1 1
2. Seja A Mn invertvel. Mostre que A.Adj (A) = Adj (A).A = det (A).In .
38CAPITULO 2. DETERMINANTES E VALORES/VECTORES PROPRIOS
Soluc
ao: 1. Como det (A) = 4 6= 0, A e invertvel e a matriz adjunta de
A e dada por
T
(1)2 det (A11 ) (1)3 det (A12 ) (1)4 det (A13 )
Adj(A) = (Cof(A))T = (1)3 det (A21 ) (1)4 det (A22 ) (1)5 det (A23 )
(1)4 det (A31 ) (1)5 det (A32 ) (1)6 det (A33 )
T
2 0 1
3 1 1
4 1 0
(1)
(1)
(1)
2 1
1 1
2 1
3 1 0
4 1 0
5 1 1
=
(1)
(1)
(1)
1 1
2 1
2 1
1 0
0
1
5 1
6 1
(1)
(1)
(1)4
1 1
1 0
0 1
1 3 1
1 1 1
1 3 = 3
1 1 .
= 1
1 1 1
1 3 1
Assim,
A1 =
1
4
1
Adj(A) = 34
det (A)
1
4
14
14
3
4
1
4
1
4
1
4
2.2. ALGUMAS APLICAC
OES
DOS DETERMINANTES
39
|A0i |
, i = 1, . . . , n;
|A|
b1
b2
1
=
[C1i C2i . . . Cni ] ..
|A|
.
bn
1
=
(b1 C1i + b2 C2i + . . . + bn Cni ).
|A|
xi =
40CAPITULO 2. DETERMINANTES E VALORES/VECTORES PROPRIOS
Exemplo. Considere-se
1 1
A= 1 2
1 2
1
x
2
1 , X = y e B = 1 .
3
z
3
Uma vez que det (A) = 2 6= 0, o sistema e de Cramer, sendo por isso possvel
e determinado, isto e, tendo apenas uma solucao. Assim, usando a regra de
Cramer, obtem-se
1 2 1
1 1 2
2 1 1
1 1 1
1 2 1
1 2 1
1 3 3
1 2 3
3 2 3
= 2, y =
= 1 e z =
= 1.
x=
det (A)
det (A)
det (A)
Logo, o conjunto solucao do sistema e {(2, 1, 1)}.
Note-se que, como o calculo de determinantes de matrizes de grandes
dimensoes e moroso, nao se aconselha a utilizacao da Regra de Cramer para
resolver sistemas de Cramer com um grande n
umero de incognitas.
Definic
ao 2.2.1 Considere-se a matriz A Mn . Um vector proprio de A e
um vector X Rn \{0}, tal que
AX = X, para algum escalar .
O escalar designa-se valor proprio de A e o vector X diz-se vector proprio
associado ao valor proprio .
Note-se que, embora seja possvel que um valor proprio seja nulo, o vector nulo nunca podera ser vector proprio. Na verdade, A ter um valor
proprio nulo significa que A nao e invertvel. Para mostrar a veracidade
desta afirmacao basta notar que se 0 e valor proprio de A, entao o sistema
AX = 0 tem mais do que uma solucao (nao e um sistema de Cramer). Logo,
det (A) = 0 e, como tal, A nao e invertvel. Deste modo, os valores proprios
de A Mn sao todos os escalares que sao solucao da equacao
det (A I) = 0.
2.2. ALGUMAS APLICAC
OES
DOS DETERMINANTES
41
0 2
0 0
x
y
=
0
0
(y = 0 x R),
vem que
VA (1) = (x, y) R2 \{(0, 0)} : y = 0 = {(x, 0) : x R\{0}} .
Observe-se que a cada valor proprio esta associado mais do que um vector
proprio, mas a cada vector proprio esta associado um e um so valor proprio.
42CAPITULO 2. DETERMINANTES E VALORES/VECTORES PROPRIOS
Teorema 16 Seja A Mn . Entao:
1. Se X e um vector proprio de A associado ao valor proprio , entao
X, 6= 0, tambem e vector proprio de A associado a .
2. As matrizes A e AT tem os mesmos valores proprios.
3. Se A e triangular, entao os seus valores proprios sao os elementos da
diagonal principal de A.
Demonstrac
ao: 1. Supondo que X e um vector proprio de A associado a
, vem que
A(X) = (AX) = (X) = (X), X 6= 0.
Logo, X tambem e vector proprio de A associado ao valor proprio .
2. Aplicando o Teorema 11 (c), obtem-se
det (A I) = 0 det ((A I)T ) = 0,
que ainda se pode escrever como
det (AT I) = 0.
Assim, as matrizes A e AT tem os mesmos valores proprios.
Captulo 3
Espa
cos e Subespa
cos
Vectoriais
Denote-se por R3 o espaco tridimensional. Neste espaco e possvel construir uma correspondencia entre pontos e vectores, desde que se considere
um determinado ponto, O, como sendo a origem. Com efeito, a qualquer
3.1
Definic
ao e propriedades
Toda a funcao f : A A A, onde A e um conjunto, nao vazio, designase operacao binaria em A. Alguns exemplos de operacoes binarias sao: a
adicao usual de dois n
umeros reais, visto que e uma operacao que transforma
o par de n
umero reais (a, b) no n
umero real a + b, a multiplicacao usual de
dois n
umeros naturais, porque transforma o par de n
umeros naturais (a, b)
no n
umero natural ab, . . ..
Definic
ao 3.1.1 Seja K um conjunto no qual estejam definidas duas operacoes:
uma operacao binaria, designada por adicao e uma operacao multiplicacao
43
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
44
escalar, representadas pela simbologia usual. Diz-se que K, com essas operac
oes,
constitui um corpo se se verificam as condicoes seguintes:
(a) Propriedades da adicao:
(i) K e fechado para a adicao 1 ;
(ii) Propriedade Comutativa: + = + , , K;
(iii) Propriedade Associativa: ( + ) + = + ( + ), , , K;
(iv) Existencia de Elemento neutro: 0K K, tal que 0K + = ,
K;
(v) Existencia de oposto: K, K, tal que + () = 0K ;
(b) Propriedades da multiplicacao:
(i) K e fechado para a multiplicacao escalar 2 ;
(ii) Propriedade Comutativa: = , , K;
(iii) Propriedade Associativa: ( ) = ( ), , , K;
(iv) Existencia de Elemento neutro: 1K K, tal que 1K = ,
K;
(v) Existencia de oposto: K\{0K }, 1/ K, tal que (1/) =
1K ;
(vi) Propriedade distributiva da multiplicacao sobre a adicao
( + ) = +
Entre os exemplos mais habituais de corpos contam-se o conjunto dos
n
umeros reais, R, com as operacoes habituais; o conjunto dos n
umeros racionais, Q, com as operacoes habituais; o conjunto dos n
umeros complexos, C,
com as operacoes habituais 3 .
1
E PROPRIEDADES
3.1. DEFINIC
AO
45
Definic
ao 3.1.2 Seja K o corpo dos n
umeros reais ou dos n
umeros complexos. Um espaco vectorial e um conjunto V, nao vazio, satisfazendo certas propriedades (descritas abaixo), e onde estao definidas duas operacoes: adicao
e multiplicacao escalar, representadas pela simbologia usual e definidas do
modo seguinte:
+ : V V
V
(3.1)
(u, v) , u + v
e
: KV
V
.
(3.2)
(, v) , v
Diz-se que V e fechado para a adicao e fechado para a multiplicacao escalar
se satisfizer (3.1) e (3.2), respectivamente. Assim, (V, +, ) e um espaco
vectorial sobre o corpo K se forem validas as seguintes propriedades:
(a) Propriedades da adicao:
(i) V e fechado para a adicao;
(ii) Propriedade comutativa: u + v = v + u, u, v V ;
(iii) Propriedade associativa: (u + v) + w = u + (v + w), u, v, w V ;
(iv) Existencia de elemento neutro, 0V V , tal que u + 0V = u,
uV.
(v) Existencia de oposto: u V , u V , tal que u + (u) = 0V ;
(b) Propriedades da multiplicacao:
(i) V e fechado para a multiplicacao escalar;
(ii) (u + v) = u + v, K e u, v V ;
(iii) ( + ) u = u + u; , K e u V ;
(iv) ( ) u = ( u), , K e u V ;
(v) 1K u = u, u V , onde 1K e o elemento neutro para a multiplicacao em K.
Os elementos de K sao designados escalares e os elementos de V vectores. Se K = R ou K = C, entao V diz-se um espaco vectorial real ou um
espaco vectorial complexo, respectivamente. Quando as operacoes adicao
46
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
e multiplicacao escalar estiverem subentendidas, para simplificar a linguagem, dir-se-a seja V um espaco vectorial sobre K em vez de seja V um
espaco vectorial definido por (V, +, ).
Doravante, representa-se por 0V e 0 o elemento neutro para a adicao no
espaco vectorial V e o elemento neutro para a adicao em K, respectivamente.
As demonstracoes dos proximos exemplos deixam-se a cargo do leitor.
Exemplo. 1. Seja n N. Mostra-se que (Kn , +, ) e um espaco vectorial
sobre K, onde Kn representa o conjunto dos n-
uplos com elementos em K,
i.e.,
Kn = {(x1 , x2 , . . . , xn ) : x1 , x2 , . . . , xn K}.
As operacoes usuais sao definidas por
(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )
e
(x1 , x2 , . . . , xn ) = (x1 , x2 . . . , xn ).
2. Seja n N. Mostra-se que (Rn [x], +, ) e um espaco vectorial sobre
K, onde Rn [x] representa o conjunto dos polinomios, na variavel x, com
coeficientes em K e que tem grau menor ou igual a n, i.e.,
Rn [x] = {an xn + . . . + a1 x + a0 : a0 , a1 , . . . , an K}.
Neste caso, as operacoes usuais sao definidas por:
(an xn +. . .+a1 x+a0 )+(bn xn +. . .+b1 x+b0 ) = (an +bn )xn +. . .+(a1 +b1 )x+(a0 +b0 )
e
(an xn + . . . + a1 x + a0 ) = (an )xn + . . . + (a1 )x + (a0 ).
3. Mostra-se que (R[x], +, ) e um espaco vectorial sobre K, onde R[x]
representa o conjunto dos polinomios de qualquer grau, na variavel x, com coeficientes em K. As operacoes usuais neste conjunto sao identicas `as definidas
no conjunto Rn [x].
4. Sejam m, n N. Prova-se que (Mmn (K), +, ) e um espaco vectorial
sobre K, onde Mmn (K) representa o conjunto constitudo pelas matrizes
com m linhas e n colunas e coeficientes definidos em K.
E PROPRIEDADES
3.1. DEFINIC
AO
47
A=
a
b
=
a
b
,
respectivamente.
4.2 Se m = 1 e n = 2, o conjunto M12 (K) e definido do seguinte
modo:
a b : a, b K ,
M12 (K) =
sendo a adicao e a multiplicacao escalar definidas da seguinte forma:
A+B = a b + c d = a+c b+d
e
A=
a b
a b
respectivamente.
Teorema 17 Seja V um espaco vectorial sobre um corpo K. Entao,
(a) 0 u = 0V , u V ;
(b) 0V = 0V , K;
(c) Se u = 0V , entao = 0 ou u = 0V ;
48
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
(d) ( ) u = u u, , K e u V ;
Demonstrac
ao. A ttulo exemplificativo, prova-se a alnea (a). Note-se que
0 u + 0 u + ((0 u)) = 0 u + ((0 u)),
onde (0 u) e o oposto de 0 u relativamente a` operacao adicao de vectores.
Visto que 0 u + ((0 u)) = 0V , obtem-se 0 u + 0V = 0V , donde resulta o
pretendido.
Seja V um espaco vectorial sobre um corpo K. Doravante, para simplificar
a notacao, escrever-se-a u, em vez de u, para K e u V .
Definic
ao 3.1.3 Seja V um espaco vectorial sobre um corpo K. Diz-se que
V 0 V e um subespaco vectorial de V se e so se verifica as seguintes
condicoes:
S1 . V 0 6= ;
S2 . u + v V 0 , u, v V 0 ;
S3 . u V 0 , K e u V 0 .
Da definicao anterior, conclui-se facilmente que V 0 V e um subespaco
vectorial de V se e so se verifica as seguintes condicoes:
S4 . V 0 6= ;
S5 . u + v V 0 , , K e u, v V 0 .
De facto, se V 0 satisfaz S2 e S3 , entao tambem satisfaz S5 . Considere-se,
entao, u, v V 0 . Sabendo que V 0 e fechado para o produto escalar (S2 ), vem
que u, v V 0 , para , K. Por outro lado, uma vez que V 0 e fechado
para a adicao (S1 ), tem-se que u + v V 0 , como se queria demonstrar.
curioso referir que se V e um espaco vectorial sobre um corpo K e V 0 um
E
subconjunto de V que e ainda espaco vectorial, considerando as operacoes de
adicao e multiplicacao escalar que definem V como espaco vectorial, entao V 0
e um subespaco vectorial de V . (Demonstracao deixada a cargo do leitor). Os
E PROPRIEDADES
3.1. DEFINIC
AO
49
a b
c d
e B=
a0 b 0
c0 d 0
50
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
Por vezes torna-se facil verificar que um dado conjunto, nao vazio, nao e
um subespaco vectorial. Na verdade, se V 0 e um subespaco vectorial de um
espaco vectorial V sobre um corpo K, entao 0V V 0 . Efectivamente, seja
u V 0 . Pela definicao de subespaco vectorial (S2 e S3 ), tem-se
0V = u u V 0 ,
u V 0.
Deste modo, se 0V
/ V 0 , entao V 0 nao e um subespaco vectorial de V . Notese, no entanto, que o recproco nao e verdadeiro, isto e, 0V V 0 nao e
garantia de que V 0 seja um subespaco vectorial de V .
Exemplo. 1. Seja A = {(x, y, z) R3 : x + y + z = 1}. Note-se que
(0, 0, 0)
/ A. Deste modo, pode-se concluir que A nao e um subespaco
vectorial de R3 . De facto, (1, 0, 0) e (0, 1, 0) sao dois elementos de A, mas
(1, 0, 0) + (0, 1, 0) = (1, 1, 0)
/ A,
uma vez que 1 + 1 + 0 = 2 6= 1.
2. Seja B = {(x, y) R2 : x 0 y 0}. Note-se que, apesar
de (0, 0) B, B nao e um subespaco vectorial real de R2 . Por exemplo,
considere-se u = (1, 2) B e = 2 R. Entao u
/ B, dado que
u = 2(1, 2) = (2, 4) e 2 0 e 4 0.
Relembram-se, agora, os conceitos de interseccao e reuniao de conjuntos e
introduz-se o conceito de soma de conjuntos, visto que serao usados ao longo
deste captulo.
3.2. DEPENDENCIA/
INDEPENDENCIA
LINEAR
51
Definic
ao 3.1.4 Seja V um espaco vectorial sobre um corpo K e sejam F e
G dois subespacos vectoriais de V , entao
F G = {u V : u F u G}
F G = {u V : u F u G}
F + G = {u V : a F, b G : u = a + b}.
Alem disso, deixa-se a cargo do leitor a demonstracao do resultado seguinte:
Teorema 18 Seja V um espaco vectorial sobre um corpo K e sejam F e G
dois subespacos vectoriais de V , entao
1. F G e um subespaco vectorial de V , designado subespaco interseccao.
2. F + G e um subespaco vectorial de V , designado subespaco soma.
3. F G e um subespaco vectorial se e so se F G ou G F .
Exemplo.Considere-se
F = {(x, y, z) R3 : x = 0} e G = {(x, y, z) R3 : z = 0}.
Prova-se que F e G sao subespacos vectoriais de R3 . No entanto, F G nao
e um subespaco vectorial de R3 . Efectivamente, F * G e G * F , porque,
por exemplo, (0, 1, 2) F , mas (0, 1, 2)
/ G e (1, 2, 0) G, no entanto
(1, 2, 0)
/ F.
O conjunto
F G = {(x, y, z) R3 : x = 0 z = 0},
nao e subespaco vectorial de R3 , porque, por exemplo (0, 1, 2), (1, 2, 0)
F G, contudo, (0, 1, 2) + (1, 2, 0) = (1, 3, 2)
/ F G.
3.2
Depend
encia/ independ
encia linear
Definic
ao 3.2.1 Seja V um espaco vectorial sobre um corpo K e considerese os elementos u1 , u2 , . . . , un V . Um elemento v V diz-se uma combinacao linear de u1 , u2 . . . , un se existirem escalares 1 , 2 , . . . , n K, tal
que
v = 1 u1 + 2 u2 + . . . + n un .
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
52
Definic
ao 3.2.2 Os elementos u1 , u2 , . . . , un V dizem-se linearmente independentes se a u
nica combinacao linear nula de u1 , u2 . . . , un e a trivialmente nula, ou seja,
1 u1 + 2 u2 + . . . + n un = 0V 1 = 2 = = n = 0.
Caso contrario, u1 , u2 . . . , un dizem-se linearmente dependentes, isto e, se
existem escalares i , i = 1, 2, . . . , n, nao todos nulos, tais que
1 u1 + 2 u2 + . . . + n un = 0V .
Exemplo. 1. Os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0) de R3 sao linearmente
independentes. Note-se que
1 (1, 1, 1) + 2 (1, 1, 0) + 3 (1, 0, 0) = (0, 0, 0)
se e so se
(1 + 2 + 3 , 1 + 2 , 1 ) = (0, 0, 0).
Obtem-se, assim, o seguinte sistema
1 + 2 + 3 = 0
1 + 2
= 0
1
= 0
cuja solucao e 1 = 2 = 3 = 0. Deste modo, conclui-se que os vectores sao
linearmente independentes.
2. Os vectores (1, 1, 1), (1, 0, 2), (0, 1, 1) de R3 sao linearmente dependentes, uma vez que
1 (1, 1, 1) + 2 (1, 0, 2) + 3 (0, 1, 1) = (0, 0, 0)
se e so se
(1 + 2 , 1 3 , 1 + 22 + 3 ) = (0, 0, 0),
3.2. DEPENDENCIA/
INDEPENDENCIA
LINEAR
53
= 0
1 + 2
1
3 = 0 .
1 + 22 + 3 = 0
A matriz ampliada deste sistema e
1 1 0 | 0
1 1
0 | 0
[A|B] = 1 0 1 | 0 L2 L2 L1 0 1 1 | 0
L3 L3 L1
1 2 1 | 0
0 1
1 | 0
1 1
0 | 0
L3 L3 + L2 0 1 1 | 0 .
0 0
0 | 0
Como car(A) = car(A|B) = 2 < 3 = n
umero de incognitas, o sistema e
possvel e indeterminado. Deste modo, conclui-se que os vectores sao linearmente dependentes, dado que o vector nulo nao e o u
nico vector que se pode
escrever como uma combinacao linear de (1, 1, 1), (1, 0, 2), (0, 1, 1).
Teorema 19 Sejam u1 , . . . , un , n 2, elementos de um espaco vectorial V
sobre um corpo K. Entao os n elementos sao linearmente dependentes se
e so se for possvel escrever um dos elementos como combinacao linear dos
restantes.
Demonstrac
ao. () Se u1 , . . . , un sao linearmente dependentes, existem
escalares i , i = 1, . . . , n, nao todos nulos, tais que
1 u1 + . . . + i ui + . . . + n un = 0V .
Sem perda de generalidade, suponha-se que i 6= 0. Assim,
i ui = 1 u1 . . . i1 ui1 i+1 ui+1 . . . n un
i1
i+1
n
1
ui1
ui+1 . . .
un
ui = u1 . . .
i
i
i
i
e, como tal, ui escreve-se como combinacao linear dos restantes elementos.
() Suponha-se, sem perda de generalidade, que o elemento ui se escreve
como combinacao linear dos restantes, entao, existem escalares, nao todos
nulos 1 , . . . , i1 , i+1 , . . . , n , tais que
ui = 1 u1 . . . i1 ui1 i+1 ui+1 . . . n un ,
54
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
isto e,
1 u1 + . . . + i1 ui1 + ui + i+1 ui+1 . . . + n un = 0V ,
e, por conseguinte, os elementos u1 , . . . , un sao linearmente dependentes.
Exemplo. () Considerem-se os vectores (1, 1, 1), (1, 0, 2), (0, 1, 1) de R3 .
Como (0, 1, 1) se escreve como combinacao linear de (1, 1, 1) e (1, 0, 2), dado
que
(0, 1, 1) = (1, 0, 2) (1, 1, 1),
conclui-se, pelo Teorema 19, que os tres vectores sao linearmente dependentes
(como tambem se pode comprovar pelo exemplo anterior).
() Considerem-se, agora, os vectores (1, 1, 1), (1, 1, 1) e (0, 0, 1).
Apesar dos vectores serem linearmente dependentes (demonstracao a cargo
do leitor), o vector (0, 0, 1) nao se pode escrever como combinacao linear de
(1, 1, 1) e de (1, 1, 1). Na verdade, se
(0, 0, 1) = 1 (1, 1, 1) + 2 (1, 1, 1),
entao o sistema
1 , 2 R,
1 2 = 0
1 2 = 0
1 2 = 1
3.2. DEPENDENCIA/
INDEPENDENCIA
LINEAR
55
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
56
i1
1
i+1
n
1
u1 . . .
ui1 +
ui
ui+1 . . .
un
n+1
n+1
n+1
n+1
n+1
o que e um absurdo, pois esta-se a supor que v nao se escreve como combinacao linear de u1 , . . . , un . Por conseguinte, v tera de ser combinacao linear
de u1 , . . . , un .
Exemplo.Considerem-se os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0) de R3 , que se
sabe serem linearmente independentes e o vector (1, 3, 4) de R3 . Verificase, facilmente, que o vector (1, 3, 4) e combinacao linear dos tres vectores
restantes. De facto, existem escalares 1 , 2 , 3 R, nao todos nulos, tais
que
(1, 3, 4) = 1 (1, 1, 1) + 2 (1, 1, 0) + 3 (1, 0, 0).
Da igualdade anterior, obtem-se o seguinte sistema
1 + 2 + 3 = 1
1 + 2
= 3 .
1
= 4
A solucao deste sistema e 1 = 4, 2 = 1 e 3 = 2. Deste modo,
(1, 3, 4) = 4(1, 1, 1) 1(1, 1, 0) 2(1, 0, 0),
isto e, (1, 3, 4) e combinacao linear de (1, 1, 1), (1, 1, 0) e (1, 0, 0).
Teorema 22 Sejam u1 , . . . , un , n 2, elementos de um espaco vectorial V
sobre um corpo K. Sejam u1 , . . . , up elementos linearmente dependentes de
V . Entao, os elementos que pertencam a qualquer subconjunto finito de V
que contenha u1 , . . . , up tambem sao linearmente dependentes.
Demonstrac
ao. Sem perda de generalidade, considere-se o conjunto constitudo por u1 , . . . , up , up+1 , . . . , un . Como por hipotese u1 , . . . , up sao linearmente dependentes, existem escalares nao todos nulos i , i = 1, . . . , p, tais
que
1 u1 + . . . + p up = 0V .
3.2. DEPENDENCIA/
INDEPENDENCIA
LINEAR
57
58
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
1 + 2 = 0
1 + 2 = 0 ,
1
= 0
cuja solucao e 1 = 2 = 0.
i = 1, . . . , n
Demonstrac
ao. () Suponha-se que u1 , . . . , un sao linearmente independentes e que existe uma combinacao linear de u1 , . . . , un que nao tem coeficientes u
nicos. Seja u V , tal que existem escalares i 6= i , i = 1, . . . , n,
tais que
1 u1 + . . . + n un = u
e
1 u1 . . . + n un = u.
Das igualdades anteriores, vem
1 u1 + . . . + n un = 1 u1 + . . . + n un ,
o que e equivalente,
(1 1 )u1 + . . . + (n n )un = 0V .
Uma vez que u1 , . . . , un sao linearmente independentes, conclui-se que i =
i , i = 1, . . . , n, o que e um absurdo, pois partiu-se do pressuposto que estes
coeficientes nao eram u
nicos.
3.2. DEPENDENCIA/
INDEPENDENCIA
LINEAR
59
60
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
1 1
A = 1 1 .
1 0
Do sistema Au = 0, obtem-se
1 1 | 0
1 1 | 0
[A|B] = 1 1 | 0 L2 L2 L1 0 0 | 0 .
L3 L3 L1
1 0 | 0
0 1 | 0
Como car(A) = car(A|B) = 2 = n
umero de incognitas, o sistema e possvel
e determinado. Logo, os vectores sao linearmente independentes.
2. Considere-se, agora, os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0), (1, 3, 4) de
3
R . Entao, como o n
umero de vectores e 4,o Teorema 26 permite concluir
que os vectores anteriores sao linearmente dependentes.
Com base nos Teoremas 25 e 26, prova-se que (ver [4]) para matrizes
m n em escada de linhas se tem:
Teorema 27 Sejam u1 , . . . , un , n 2, elementos de um espaco vectorial V
sobre um corpo K. Entao
(a) As colunas que contem pivots sao linearmente independentes em Rn .
(b) As linhas nao nulas sao linearmente independentes em Rn .
(c) O n
umero de linhas independentes e o n
umero de colunas independentes
sao ambos iguais `a caracterstica da matriz.
Exemplo. Considere-se os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0), (1, 3, 4) de R3 .
Colocando os vectores anteriores por coluna numa matriz A e efectuando
a eliminacao de Gauss, verifica-se que (1, 1, 1), (1, 1, 0), (1, 0, 0) sao vectores
linearmente independentes. Na verdade,
1 1 1 1
A = 1 1 0 3 .
1 0 0 4
61
Entao,
A=
1 1 1 1
1 1
1 1
1 1
1 1
1 1 0 3 L2 L2 L1 0 0 1 2 L2 L3 0 1 1 3 .
L3 L3 L1
1 0 0 4
0 1 1 3
0 0 1 2
3.3
1 + 2 = x
0 = y ,
21
= z
cuja solucao e 1 = z/2, 2 = x z/2, quando y = 0. Provou-se, assim, que
so existem escalares 1 , 2 R, tais que (x, y, z) = 1 (1, 0, 2) + 2 (1, 0, 0),
se y = 0.
62
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
(3.3)
Por outro lado, por hipotese, ui escreve-se como combinacao linear dos restantes elementos. Logo, existem escalares 1 , . . . , i1 , i+1 , . . . , n , tais que
ui = 1 u1 + . . . + i1 ui1 + i+1 ui+1 + . . . + n un .
(3.4)
1 + 2 + 3 + 4 = x
1 + 2 + 34
= y .
1 + 44
= z
63
1 1 1 1 | x
1 1
1 1 |
x
[A|B] = 1 1 0 3 | y L2 L2 L1 0 0 1 2 | y x
L3 L3 L1
1 0 0 4 | z
0 1 1 3 | z x
1 1
1 1 |
x
L3 L2 0 1 1 3 | z x .
0 0 1 2 | y x
Entao, car(A) = car(A|B) = 3 < 4 = n
umero de incognitas, logo o sistema e
possvel e indeterminado. Por isso, existem escalares 1 , 2 , 3 , 4 R que
satisfazem
(x, y, z) = 1 (1, 1, 1) + 2 (1, 1, 0) + 3 (1, 0, 0) + 4 (1, 3, 4).
Logo, R3 = h(1, 1, 1), (1, 1, 0), (1, 0, 0), (1, 3, 4)i.
Sabe-se que o vector (1, 3, 4) e combinacao linear de (1, 1, 1), (1, 1, 0), (1, 0, 0).
Entao, prova-se de seguida que estes vectores ainda formam um conjunto
de geradores de R3 . Seja (x, y, z) R3 , mostra-se que existem escalares
1 , 2 , 3 R, tais que
(x, y, z) = 1 (1, 1, 1) + 2 (1, 1, 0) + 3 (1, 0, 0).
De modo analogo ao anterior, obtem-se o
1 + 2 + 3
1 + 2
seguinte sistema
= x
= y ,
= z
64
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
Exemplo.Considere-se a sequencia ((1, 1, 1), (1, 1, 0), (1, 0, 0)) que se sabe ser
uma base de R3 . Seja (1, 2, 3) R3 . Entao, as coordenadas de (1, 3, 4), relativamente `a base ((1, 1, 1), (1, 1, 0), (1, 0, 0)) sao 4,1 e 2. Efectivamente,
provou-se anteriormente que
(1, 3, 4) = 4(1, 1, 1) 1(1, 1, 0) 2(1, 0, 0).
65
66
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
Para finalizar, apresentam-se alguns resultados sobre sistemas de geradores de um espaco vectorial. Considere-se V um espaco vectorial de dimensao
finita, n, sobre um corpo K e (u1 , . . . , un ) uma base de V . Entao, sao validas
os teoremas seguintes:
Teorema 31 Quaisquer m elementos de V com m > n sao linearmente
dependentes.
Exemplo.1. Sejam (2, 1), (1, 0) e (0, 1) vectores de R2 . Pelo Teorema 31,
conclui-se que os vectores sao linearmente dependentes, dado que a dimensao
de R2 e 2 < 3 =n
umero de vectores.
2. Os polinomios 2 + 3x + 3x2 4x3 , 2x3 , 2, 3x2 + 3x e 2x + 1 de
R3 [x] sao linearmente dependentes. De facto, a dimensao de R3 [x] = 4 < 5 =
n
umero de polinomios.
Teorema 32 Qualquer subconjunto de V constitudo por n elementos linearmente independentes gera V .
Exemplo.1. Aplicando o teorema anterior, conclui-se facilmente que R3 6=
h(1, 1, 0), (0, 1, 1)i, porque apesar dos vectores (1, 1, 0) e (0, 1, 1) serem linearmente independentes, o n
umero de vectores e 2 < 3 = dim(R3 ). Analogamente, apesar dos polinomios 1 + x, x2 , x3 de R3 [x] serem linearmente
independentes, R3 [x] 6= h1 + x, x2 , x3 i, porque 3 < 4 = dim(R3 [x]).
2. Dado que os vectores u1 = (1, 1, 0), u2 = (0, 1, 1), u3 = (1, 1, 1) sao
linearmente independentes e sao 3 = dim(R3 ), conclui-se pelo Teorema 326
que R3 = h(1, 1, 0), (0, 1, 1), (1, 1, 1)i.
Teorema 33 Qualquer conjunto de geradores de V e linearmente independente se e so se tem n elementos;
67
68
CAPITULO 3. ESPAC
OS E SUBESPAC
OS VECTORIAIS
Teorema 37 Qualquer conjunto com m < n elementos linearmente independentes de V pode ser ampliado de modo a formar uma base de V .
Exemplo. Mostra-se facilmente que os polinomios 1 + x, x2 de R2 [x] sao
linearmente independentes. Por outro lado, a sequencia de polinomios (1 +
x, x2 , 2) de R2 [x], e ainda linearmente independente e, por isso, aplicando
o Teorema 32, constitui um sistema de geradores linearmente independente.
Deste modo, ampliou-se o sistema independente (1 + x, x2 ) de modo a formar
uma base de R2 [x].
Captulo 4
Aplica
c
oes Lineares
No Captulo 3, apresentaram-se alguns exemplos que deram a ideia de que
existem espacos vectoriais que sao iguais, na medida em que possuem as
mesmas propriedades, embora os seus elementos apresentem formas distintas.
o caso dos espacos vectoriais M21 e M12 , constitudos pelos vectores
E
coluna e pelos vectores linha com 2 componentes, respectivamente. Neste
captulo tornar-se-a esta ideia mais precisa, introduzindo, para isso, algumas
nocoes.
4.1
Definic
ao e propriedades
Sejam U e V espacos vectoriais sobre um corpo K. Uma aplicacao (transformacao) linear de U em V e uma aplicacao f : U V que satisfaz as
seguintes propriedades:
f (u + v) = f (u) + f (v)
f (u) = f (u),
CAPITULO 4. APLICAC
OES
LINEARES
70
R3 e , R. Entao,
f (u + v) =
=
=
=
=
=
f ((x, y, z) + (x0 , y 0 , z 0 ))
f (x + x0 , y + y 0 , z + z 0 )
(y + y 0 + z + z 0 , x + x0 )
(y + z, x) + (y 0 + z 0 , x0 )
f (x, y, z) + f (x0 , y 0 , z 0 )
f (u) + f (v).
i=1
i=2
= 1 f (x1 ) + f
i=2
2 x2 +
n
X
i=3
!
i xi
E PROPRIEDADES
4.1. DEFINIC
AO
= 1 f (x1 ) + 2 f (x2 ) + f
71
n
X
!
i xi
i=3
=
= 1 f (x1 ) + 2 f (x2 ) + . . . + n f (xn )
n
X
=
i f (xi ) .
i=1
72
CAPITULO 4. APLICAC
OES
LINEARES
3. h g : U W por (h g)(u) = (h(g(u)), u U .
(4.2)
E PROPRIEDADES
4.1. DEFINIC
AO
73
Assim, a imagem de cada vector u U fica determinada desde que se conhecam as imagens dos vectores da base B, isto e, f (u1 ), f (u2 ), . . . , f (un ).
Exemplo.Pretende-se caracterizar a aplicacao f : R2 R3 , tal que f (1, 2) =
(3, 1, 5) e f (0, 1) = (2, 1, 1).
Dado que dim R2 = 2, quaisquer dois elementos de R2 linearmente independentes constituem uma sua base. Como
1 2
car
= 2,
0 1
os vectores (1, 2) e (0, 1) sao linearmente independentes e, assim sendo, B1 =
((1, 2), (0, 1)) e base de R2 . Deste modo, para todo o (x, y) R2 , existem
escalares u
nicos 1 , 2 R, tais que
(x, y) = 1 (1, 2) + 2 (0, 1).
Da igualdade anterior obtem-se
1
=x
21 + 2 = y,
cuja solucao e (x, y 2x). Logo,
(x, y) = x(1, 2) + (y 2x)(0, 1).
(4.3)
CAPITULO 4. APLICAC
OES
LINEARES
74
(4.4)
(4.5)
E PROPRIEDADES
4.1. DEFINIC
AO
75
1. Calcular f (uj );
2. Determinar o vector das coordenadas de f (uj ) na base B2 ,
(a1j , a2j , . . . , amj ) ;
(4.6)
(4.7)
76
CAPITULO 4. APLICAC
OES
LINEARES
Note-se que os coeficientes dos vectores vi , i = 1, . . . , m, sao as coordenadas de uma matriz produto, nomeadamente o produto da matriz
M(f ; B1 , B2 ) pelo vector coluna constitudo pelas coordenadas de u na base
B1 . Este produto matricial origina um vector coluna cujas componentes sao
as coordenadas de f (u) na base B2 . Assim, o calculo da imagem de um vector por uma aplicacao linear corresponde a multiplicar a matriz da aplicacao
linear por um vector de coordenadas. Entao, f (u), em (4.7), pode escrever-se
sucintamente em termos matriciais como
(f (u))B2 = M(f ; B1 , B2 )uB1 ,
(4.8)
1 2 3
5 0 1
1
11
3 =
.
3
2
E PROPRIEDADES
4.1. DEFINIC
AO
77
CAPITULO 4. APLICAC
OES
LINEARES
78
1 3
0 1
= 2,
por isso, estes dois vectores sao linearmente independentes e, assim sendo, a
caracterstica de f e igual a 2.
Observe-se que, efectivamente, dim N ucf + dim Imf = dim R3 , visto
que 1 + 2 = 3.
Tal como se referiu, no incio deste captulo, alguns espacos vectoriais aparentam ser iguais. Neste momento e possvel clarificar esta ideia, comecase, por isso, por recordar algumas nocoes.
Dados dois conjuntos A e B e uma aplicacao f : A B, diz-se que
- a aplicacao f e injectiva se e so se quaisquer dois elementos distintos
de A nao tem a mesma imagem, isto e,
u1 6= u2 = f (u1 ) 6= f (u2 ),
u1 , u2 A.
v B.
E PROPRIEDADES
4.1. DEFINIC
AO
79
vV
CAPITULO 4. APLICAC
OES
LINEARES
80
1
2
+
3
4
=
2
2
.
3
4
=
27
36
.
u1 u2
u1 u2
u1
u2
=
u1
u2
.
Bibliografia
81