Escolar Documentos
Profissional Documentos
Cultura Documentos
Linear
Prof. Barbara Lopes Amaral
Outubro de 2015
Matrizes
1.1
Definic
ao
a11 a12
a21 a22
A=
..
...
.
am1 am2
a1n
a2n
. . . ...
amn
1 2 3
A=
4 5 6
e uma matriz do tipo 2 3.
Cada um dos smbolos que aparece em uma matriz e chamado de
elemento ou entrada da matriz. Um elemento de uma matriz A que
esta na i-esima linha e na j-esima coluna e chamado de elemento ij
ou (i, j)-esimo elemento de A. Ele e escrito como aij ou A[i, j]. No
exemplo anterior, o elemento a12 e 2, o numero que aparece na primeira
linha e segunda coluna do quadro.
Dizemos que duas matrizes A e B sao iguais se elas tem o mesmo
tamanho e os elementos correspondentes sao iguais, ou seja, se A e B
sao ambas m n e aij = bij para todos os valores de i e j.
Tres tipos de matrizes recebem nomes especiais:
Matriz linha ou vetor linha: matriz do tipo 1 n, ou seja, uma
matriz que possui uma unica linha.
Exemplo 2. A matriz 1 3
3 7 2
e uma matriz linha.
Matriz coluna ou vetor coluna: matriz do tipo n 1, ou seja,
uma matriz que possui uma unica coluna.
Exemplo 3. A matriz 3 1
4
1
8
e uma matriz coluna.
Matriz quadrada: matriz do tipo n n, ou seja, uma matriz
que tem o mesmo numero de linhas e colunas.
Exemplo 4. A matriz 3 3
9 13 5
1 11 7
2 6 3
e uma matriz quadrada.
Exemplo 5. Considere as seguintes matrizes:
1 2
1 2
A=
, B = 1 3 , C = 1 2 4
3 4
0 1
1 2 4 1
0 3 1 4
E = 2 , F =
7 3 1 4
2 1 1 0
5 1 2 0
1
0 ,D =
,
3
0
5
4
.
5
1
1.2
1.2.1
Operac
oes envolvendo matrizes
Multiplicac
ao de um n
umero real por uma
matriz
A multiplicacao de um numero real por uma matriz e a operacao matricial mais simples que podemos definir. Para multiplicar um numero real
k por uma matriz A do tipo n m, basta multiplicar cada elemento
aij de A por k. Assim, a matriz resultante B sera tambem n m e
bij = k aij .
Pode-se pensar tambem na nocao de dividir uma matriz por um
numero: basta multiplica-la pelo inverso desse numero.
Exemplo 6. Dada a matriz
1 8 3
A=
,
4 2 5
ao multiplica-la pelo escalar 2 obtemos
1 8 3
2 1 2 8 2 (3)
2 16 6
2A = 2
=
=
4 2 5
2 4 2 (2) 2 5
8 4 10
1.2.2
Adic
ao e subtrac
ao entre matrizes
0 0
1 3
A = 1 0 e B = 7 5 .
2 1
1 2
Sua soma e obtida da seguinte maneira:
1 3
0 0
1+0 3+0
1 3
A + B = 1 0 + 7 5 = 1 + 7 0 + 5 = 8 5 .
1 2
2 1
1+2 2+1
3 3
Exemplo 8. Considere as matrizes
3 1 2
1 0 4
A = 1 1 2 e 2 5 0 .
3 2 2
2 1 1
Sua
3
1
3
1 2 + 2 5 0 = 1 + 2 1 5 2 + 0 = 3 4 2
1 3 1
32 2+1 21
2 1 1
2 2
1 3
0 0
A = 1 0 e B = 7 5 .
1 2
2 1
Sua subtracao e obtida da seguinte maneira:
1 3
0 0
10 30
1 3
A B = 1 0 7 5 = 1 7 0 5 = 6 5 .
1 2
2 1
12 21
1 1
1 0 4
3 1 2
A = 1 1 2 e 2 5 0 .
2 1 1
3 2 2
Sua
3
1
3
Observac
ao 1. As operacoes A B e A + (1)B resultam na mesma
matriz.
1.2.3
Multiplicac
ao de matrizes
A[i,
e a matriz 3 2
seu produto AB
3
1 0 2
2
1 3 1
1
3 1
B = 2 1
1 0
e calculado da seguinte forma
1
(1 3 + 0 2 + 2 1) (1 1 + 0 1 +
1 =
(1 3 + 3 2 + 1 1) (1 1 + 3 1 +
0
3 1
(3 1 + 1 (1) 3 0 + 1 3 3 2 +
2 1 1 0 2 = 2 1 + 1 3
20+13 22+
1 3 1
1 0
1 1 + 0 (1) 1 0 + 0 3 1 2 +
2 3 7
= 5 3 5 .
1 0 2
Note que no exemplo acima AB 6= BA, ja que a primeira e uma
matriz 2 2 enquanto a segunda e uma matriz 3 3. Isso mostra que
a multiplicacao de matrizes nao e comutativa, ou seja, a ordem dos
fatores altera o valor do produto. Em alguns casos, pode ser possvel
calcular AB, mas o produto BA pode nem estar definido.
Exemplo 12. Dadas a matriz 1 3
A= 1 0 2
e a matriz 3 2
3 1
B = 2 1
1 0
seu produto AB e calculado da seguinte forma
3
1
1 0 2 2 1 = (1 3 + 0 2 + 2 1) (1 1 + 0 1 + 2 0
1 0
1.2.4
Transposic
ao
. . . a1n
a11 a21 . . . am1
a12 a22 . . . am2
. . . a2n
T
.
A
=
.
.. . . . ..
. . . ...
..
.
.
. . . am,n
a1n a2n . . . amn
1
Exemplo 13.
1. Se A = 1 2 , entao AT =
.
2
1 2
1
3
2. Se A =
entao AT =
.
3 4
2 4
a11 a12
a21 a22
A=
..
...
.
am1 am2
Proposic
ao 1. Seja c uma constante real e A e B matrizes de tamanho
adequado. As seguintes propriedades sao validas:
1. AT
T
= A;
2. (A + B)T = AT + B T ;
3. (cA)T = cAT ;
4. (AB)T = B T AT .
Demonstracao.
T
1. AT [i, j] = AT [j, i] = A[i, j];
2.
(A + B)T [i, j] =
(A + B)[j, i]
= A[j, i] + B[j, i]
.
= AT [i, j] + B T [i, j]
= (AT + B T )[i, j];
3 0
C=
.
1 2
1. Utilizando as matrizes A e B do exerccio 2, calcule (A+B)+C e
A+(B+C) (efetue primeiro a operacao que esta entre parenteses.
Utilize um computador para realizar as contas). As duas matrizes
obtidas sao iguais? Esse resultado ilustra a propriedade associativa da soma de matrizes.
2. Calcule (AB)C e A(BC) (utilize um computador para realizar as
contas). As duas matrizes obtidas sao iguais? O resultado ilustra
a propriedade associativa do produto de matrizes.
Exerccio 5. Seja
1 0
I=
.
0 1
Utilizando as matrizes dos exerccios 2 e ??, calcule AI, IA, BI, IB,
CI, IC (utilize um computador para realizar as contas). Voce percebe
alguma propriedade interessante ao calcular esses produtos? A matriz
I e chamada matriz identidade. Veremos algumas propriedades dessa
matriz na subsecao 1.3.4.
2 10 1
2
1
9
;
2. X = 4 3 2 , Y =
4 2 8
3 4 1
0 1 3
2 1 9
3. X =
,Y =
;
4 2 2
4 2 8
2 1 9
0 1 3
4. X =
, Y = 4 2 8 .
4 2 2
1 0 1
Exerccio 7. Suponha que A e B sao matrizes 33. Verifique quais das
afirmacoes abaixo sao verdadeiras e quais sao falsas. Se uma afirmativa
for falsa, mostre um contra-exemplo.
1. Se as colunas 1 e 3 de B sao iguais, entao as colunas 1 e 3 de
AB tambem sao;
2. Se as linhas 1 e 3 de B sao iguais, entao as linhas 1 e 3 de AB
tambem sao;
3. Se as linhas 1 e 3 de A sao iguais, entao as linhas 1 e 3 de AB
tambem sao.
Exerccio 8. Seja
2
x2
A=
.
2x 1 2
Se A = AT , encontre o valor de x.
1.3
1.3.1
0 0 0
0 0 0
3 0 0
1 0
, 0 2 0 , 0 1 0 , 0 0 0
0 1
0 0 0
0 0 5
0 0 3
sao matrizes diagonais. Observe que a definicao de uma matriz diagonal
permite que o elementos que pertencem `a diagonal principal de uma
matriz diagonal sejam nulos.
Varias operacoes matriciais preservam a forma de matrizes diagonais:
O produto de um escalar por uma matriz diagonal e uma matriz
diagonal;
A soma de duas matrizes diagonais e uma matriz diagonal;
O produto de duas matrizes diagonais e uma matriz diagonal.
1.3.2
Matrizes triangulares
1 4 2
A = 0 3 4
0 0 1
e uma matriz triangular superior e a
1
B = 2
4
matriz
0 0
8 0
9 7
1.3.3
Matrizes Nulas
0 0 0
0 0
, 02,3 =
= 0 , 02,2 =
0 0 0
0 0
0
0
0m,n =
...
0
tem a forma
0 0
0 0
.
.. . . . ..
.
.
0 0
1.3.4
Matrizes Identidade
1 0 0
0 1 0
In =
... ... . . . ...
0 0 1
1.3.5
Matrizes Sim
etricas
1 7 3
7 4 5
3 5 6
e uma matriz simetrica.
1.3.6
Matrizes Anti-sim
etricas
Uma matriz e chamada anti-simetrica se A = AT . Como duas matrizes sao iguais somente se as dimensoes sao iguais, uma matriz so e
anti-simetrica se ela e quadrada.
Exerccio 11. Utilize um argumento semelhante ao utilizado na proposicao 2 para mostrar que toda matriz anti-simetrica e uma matriz
quadrada.
Exerccio 12. Utilize um argumento semelhante ao utilizado na proposicao 3 para mostrar que se A e uma matriz anti-simetrica, entao
aij = aji .
Exemplo 18. A matriz
0 2 1
2 0 4
1 4 0
e uma matriz anti-simetrica.
1.3.7
Matrizes Idempotentes
sao idempotentes.
1 0
0 1
2 2 4
e 1 3 4
1 2 3
Exerccio 15. Mostre que uma matriz 2 2 que pode ser escrita na
forma
a
b
c 1a
com a2 + bc = a, em que a, b e c sao numeros reais quaisquer, e
idempotente.
1.3.8
Matrizes Nilpotentes
0 0 0
0 0 0
0 0 0
0 a 0
0 0 a , a 6= 0
0 0 0
e nilpotente. Encontre seu ndice de nilpotencia.
3. Mostre que a matriz
0 0 0
a 0 0 , a 6= 0
a a 0
e nilpotente. Encontre seu ndice de nilpotencia.
a 0 0
0 a 0
0 0 a
e nilpotente?
1.4
Utilizando o Matlab
Vamos descrever aqui alguns comandos simples que podem ser usados
para a manipulacao de matrizes. Outros comandos serao introduzidos
ao longo do curso a medida que forem necessarios.
A=[a11 a12 ...a1n; a21 a22 ... a2n; ... ; am1 am2 amn]
cria uma matriz m n usando os elementos a11, a12, ..., amn e
a armazena numa matriz de nome A.
0 1 0 0
1 0 0 0
A=
0 0 0 1 .
0 0 1 0
Exerccio 21. Utilize o MATLAB para encontrar o menor valor natural
de k para o qual Ak = 0, em que
0 1 0 0
0 0 1 0
A=
0 0 0 1 .
0 0 0 0
Sistemas Lineares
A teoria de sistemas lineares e uma parte fundamental da algebra linear,
um tema que e usado na maior parte da matematica moderna, pura ou
aplicada. Podemos encontrar varias areas onde a utilizacao de sistemas
lineares e fundamental, entre elas a fsica, a qumica, a economia, a engenharia, a biologia, a geografia, a navegacao, a aviacao, a cartografia,
a demografia e a astronomia.
Algoritmos computacionais tambem sao importantes para quem utiliza sitemas lineares, uma vez que na grande maioria das aplicacoes os
sistemas que devem ser resolvidos sao enormes, o que inviabiliza qualquer tentativa de solucao analtica. A utilizacao de sistemas cada vez
maiores faz com que a busca por metodos mais eficientes e rapidos de
solucoes dos sistemas.
Alem da importancia intrnseca dos sistemas lineares, em algumas
situacoes possvel substituir ou aproximar um sistema de equacoes naolineares de um sistema linear, uma tecnica util em modelagem matematica ou simulacao computacional de sistemas complexos.
2.1
Equac
oes Lineares
plicadas por numeros reais, isto e, se ela pode ser escrita na forma
a1 x1 + a2 x2 + . . . + an xn = b.
Observac
ao 3. Em uma equacao linear nao podem aparecer potencias
das variaveis com expoentes diferentes de 1, ou seja, nao podem aparecer termos da forma x2i , x3i , etc. Tambem nao podem aparecer funcoes
envolvendo as variaveis, como por exemplo cos, sen, exp, log, etc.
Exemplo 19.
1. A equacao x1 + 2x2 4x3 x4 = 1 e uma equacao
linear envolvendo as variaveis x1 , x2 , x3 e x4 ;
2. A equacao x21 + 2x2 4x33 x4 = 1 nao e uma equacao linear
pois aparecem as potencias x21 e x33 ;
3. A equacao cos(x1 )+2x2 4x3 sen(x4 ) = 1 nao e uma equacao
linear pois aparecem os termos cos(x1 ) e sen(x4 );
4. A equacao x1 + 2x2 4x3 x4 = cos(1) e uma equacao linear.
Observe que a funcao cos que a aprece na equacao nao esta sendo
aplicada a nenhuma das variaveis: cos(1) e um numero real como
qualquer outro.
2.2
Sistemas de Equac
oes Lineares
3x + 2y z = 1
2x 2y + 4z = 2
x + 21 y z = 0
e um sistema de tres equacoes com tres variaveis (x, y e z). Uma solucao
para um sistema linear e uma atribuicao de numeros `as variaveis que
x = 1
y = 2
z = 2
ja que esses valores tornam validas as tres equacoes do sistema em
questao. A palavra sistemaindica que as equacoes devem ser consideradas em conjunto, e nao de forma individual, ou seja, procuramos
por valores das variaveis que satisfacam, simultaneamente, todas as
equacoes do sistema.
De maneira geral, um sistema linear com m equacoes lineares e n
incognitas pode ser escrito na forma:
a11 x1
a x
21 1
..
am1 x1
+ a12 x2 + + a1n xn = b1
+ a22 x2 + + a2n xn = b2
..
..
..
.
.
.
+ am2 x2 + + amn xn = bm .
onde x1 , x2 , . . . , xn sao as incognitas, a11 , a12 , . . . , amn sao os coeficientes do sistema e b1 , b2 , . . . , bm sao termos constantes.
Muitas vezes, os coeficientes e as incognitas sao numeros reais ou
complexos, mas pode-se encontrar tambem numeros inteiros e racionais
ou elementos de uma estrutura algebrica abstrata. Nesse curso trabalharemos apenas com sistemas lineares com coeficientes e incognitas
reais.
Em geral, as incognitas representam propriedades de um determinado problema real, que devem satisfazer certas condicoes representadas
pelas equacoes do sistema. Encontrar solucoes para o sistema e fundamental para o estudo do problema real em questao. Nesse captulo
veremos algumas estrategias para encontrar essas solucoes. Veremos
mais adiante alguns exemplos de problemas reais que podem ser modelados atraves de sistemas lineares.
2.2.1
M
etodo da substituic
ao
O metodo da substituicao consiste em isolar uma incognita em qualquer uma das equacoes, obtendo uma igualdade com um polinomio que
depende apenas das outras incognitas. Entao deve-se substituir essa
mesma incognita em outra das equacoes pelo polinomio ao qual ela foi
igualada.
Exemplo 20. Vamos ilustrar esse metodo resolvendo um exemplo simples:
2x + 3y = 6
4x + 9y = 15.
x + 2y z = 1
y + z = 2
x + 3y
= 0
utilizando o mesmo metodo.
2 + 4z
z =
2+z
1 + 2z
.
3
Como nao ha mais equacoes que podem ser utilizadas, nao ha nenhuma
restricao que possa ser feita ao valor de z. Logo, a incognita z pode
assumir qualquer valor real. Assim, vemos que o sistema admite infinitas
solucoes, uma para cada valor especificado de z. Essas solucoes podem
ser agrupadas na forma
x=
2+z
2 + 4z
, y=
, z R.
3
3
1.
x + 3y = 4
2x + y = 1;
x + y z = 3
x + 3y 5z = 10
2.
x + 4y 3z = 5.
2.3
Notac
ao matricial de sistemas lineares
a x + a x ++ a x = b
21 1
22 2
2n n
2
..
..
..
..
.
.
.
.
a11 a12
a21 a22
A=
..
...
.
am1 am2
a1n
a2n
. . . ...
,
amn
x1
x2
X=
... ,
xn
(2.1)
b1
b2
B=
... .
bm
= . .
.. .. .. ..
..
. . . .
bm
am1 x1 + am2 x2 + + amn xn = bm .
1
1 0 0
A = 0 1 0 e B = 1 .
2
0 0 1
Solucao. Ao efetuar
AX = B obtemos
1
0
0
2.4
M
etodo de eliminac
ao de Gauss
2x + 3y z = 1
5x + y + 10z = 2
1.
x y + z = 3.
x + 2y z + w = 3
2x + 3y 5z + 2w = 10
2.
x + 4y 3z + 4w = 5.
x + 3y 2z = 4
3.
2x + y z = 1.
O resultado das operacoes elementares sobre a matriz aumentada
sao:
1 2
4 5
7 8
7 8 9
6 2
4 5 6 .
9 3
1 2 3
1 2 3
1 2 3
4 5 6 | 2 8 10 12 .
7 8 9
7 8 9
3. Substituir uma linha pela sua soma com um multiplo de outra
linha da matriz [A|B].
Exemplo 26. Somar `a terceira linha 1 vezes a segunda linha:
1 2 3
1 2 3
4 5 6
(1) 4 5 6 .
7 8 9
+
3 3 3
Toda operacao elementar possui uma operacao elementar inversa,
isto e, uma operacao elementar que disfaz o que a primeira fez. Se
trocamos a linha k pela linha l, a operacao elementar inversa e trocar
novamente a linha k pela linha l. Se multiplicamos uma linha por um
numero 6= 0, a operacao elementar inversa e multiplicar a mesma
linha por 1 . Se somamos um multiplo de uma linha `a outra, a operacao
elementar inversa e subtrair dessa mesma linha o mesmo multiplo da
linha que somamos.
Teorema 2. Se dois sistemas lineares AX = B e CX = D, sao tais que
a matriz aumentada [C|D] e obtida de [A|B] aplicando-se uma operacao
elementar, entao os dois sistemas possuem as mesmas solucoes.
Demonstracao.
servacoes:
z = 1
x +
x + 2y + z = 1
3x + y
= 0
utilizando operacoes elementares.
Solucao. Primeiramente, escrevemos
1 0 1 |
1 2 1 |
3 1 0 |
1
1 .
0
1 0 1 | 1
1 2 1 | 1
+
3 1 0 | 0
(1)
1 0 1 | 1
0 2 2 | 2
3 1 0 | 0
(3)
0
0
Com essas operacoes, levamos a primeira coluna ao formato desejado. Vamos agora trabalhar com a segunda coluna. O primeiro
elemento da segunda coluna e igual a zero. Vamos entao trabalhar com
o elemento a22 . Para facilitar os calculos, vamos dividir a segunda linha
por 2 para que a22 seja igual a 1.
1 0 1 | 1
1 0 1 | 1
0 2 2 | 2 | 1 0 1 1 | 1 .
2
0 1 3 | 3
0 1 3 | 3
Vamos agora zerar o elemento a32 para que a22 seja o unico elemento
nao nulo nessa coluna. Para isso, multiplicamos a linha 2 por 1 e
somamos `a linha 3.
1 0 1 | 1
0 1 1 | 1
0 1 3 | 3
+
(1)
1 0 1 | 1
0 1 1 | 1 .
0 0 2 | 2
Observe que as operacoes realizadas para simplificar a segunda co alteraram a primeira coluna. Essa propriedade e crucial para
luna NAO
o funcionamento do metodo.
Para simplificar as contas, dividimos a terceira coluna por 2.
1 0 1 | 1
1 0 1 | 1
0 1 1 | 1
0 1 1 | 1 .
0 0 2 | 2 | 12
0 0 1 | 1
Vamos agora zerar os elementos a13 e a23 para que o elemento a33
seja o unico elemento nao nulo da terceira coluna. Para isso somamos
a terceira linha `a primeira e em seguida multiplicamos a terceira linha
por 1 e somamos `a segunda.
1 0 1 | 1
+
0 1 1 | 1
+
1
0 0 1 | 1
(1)
1 0 0 | 0
0 1 0 | 0 .
0 0 1 | 1
x
+ 0y + 0z = 0
0x +
y
+ 0z = 0
0x + 0y +
z
= 1
cuja solucao unica e, obviamente, x = 0, y = 0 e z = 1.
Nem sempre e possvel levar a matriz de coeficientes do sistema
a uma forma analoga `a do exemplo anterior. A forma mais simples
que podemos obter atraves de operacoes elementares e chamada forma
escalonada reduzida da matriz.
Definic
ao 1. Dada uma matriz A, chamamos de pivo de uma linha i
de A o primeiro elemento nao nulo dessa linha.
Definic
ao 2. Dizemos que uma matriz esta na sua forma escalonada
reduzida quando ela satisfaz as seguintes condicoes:
1. Todas as linhas nao-nulas estao acima de qualquer linha composta
so de zeros;
2. O pivo de cada linha e igual a 1 e esta numa coluna `a direita do
pivo da linha acima;
3. Todos os elementos de uma coluna que contem um pivo sao zero.
Exemplo 28. Considere as matrizes
1 0 0
1 0 2
0 0
0 1 0
A=
,B=
, C = 0 1 1 , D = 0 1 0 , E =
4 5
1 1 2
0 0 1
0 0 1
A matriz A nao esta na forma escalonada reduzida porque nao satisfaz a
condicao 1. A matriz B nao esta na forma escalonada reduzida porque
nao satisfaz a condicao 2. A matriz C nao esta na forma escalonada
reduzida porque nao satisfaz a condicao 3. Ja as matrizes D e E
estao na forma escalonada reduzida, uma vez que satisfazem todas as
condicoes exigidas.
Proposic
ao 4. Dada uma matriz qualquer A, e possvel leva-la a uma
matriz C na forma escalonada reduzida aplicando operacoes elementares
sobre as linhas de A. A matriz C e unica, ou seja, nao depende da ordem
ou do tipo de operacoes elementares aplicadas `a matriz A.
Considere um sistema com matriz de coeficientes [A|B]. Para transformar esse sistema em outro mais simples que tenha o mesmo conjunto
de solucoes, aplicamos operacoes elementares `a matriz de coeficientes
[A|B] ate que a matriz A esteja na forma escalonada reduzida.
Exemplo 29. Vamos resolver o sistema linear
z = 2
x
2x 2y + z = 1
3x 2y
= 4
(2) (3)
1 0 1 | 2
1
2 2 1 | 1
0
+
3 2 0 | 4 +
0
1
0
0
1
0
0
sistema e escalonando
0 1
2 3
2 3
0 1
3
1
2
2 3
0 1 |
1 23 |
0 0 |
2
3 | 21
2
32
2
+
2
23 .
1
|
|
|
|
|
|
z
= 2
x
3z
y
+
= 32
2
0x + 0y + 0z = 1
que e um sistema sem solucao, uma vez que a terceira equacao implica
que 0 = 1, o que obviamente nao e uma igualdade verdadeira.
Observe que nesse caso nao e necessario completar todo o escalonamento para ver que o sistema nao possui solucao. Apos a primeira
etapa do escalonamento a segunda equacao equivale a 2x + 3y = 3
enquanto a terceira equacao equivale a 2x + 3y = 2 que claramente
nao podem ser satisfeitas simultaneamente.
z = 2
x
2x 2y + z = 1
3x 2y
= 3
(2) (3)
1 0 1 | 2
1
2 2 1 | 1
+
0
3 2 0 | 3 +
0
0
0
0
0
sistema e escalonando
0 1
2 3
2 3
0 1
3
1
2
2 3
0 1 |
1 23 |
0 0 |
2
3 | 21
3
32
+
3
2
23 .
0
|
|
|
|
|
|
z
= 2
x
3z
y
+
= 32
2
0x + 0y + 0z = 0
Observe que a ultima equacao se reduz a 0 = 0 e portanto pode ser
descartada. Ficamos entao com o sistema
x
z = 2
y + 3z2 = 32
que implica que x = 2z e y = 32 (1+z). Como nao ha outra equacao
que possa ser utilizada para determinar o valor de z, essa variavel pode
assumir qualquer valor real. Logo o sistema possui infinitas solucoes,
uma para cada valor real da variavel z.
Observe que a terceira equacao do sistema inicial e obtida somandose as duas primeiras. Isso quer dizer que a equacao nao fornece nenhuma
informacao adicional sobre as variaveis e portanto pode ser eliminada.
z + w = 2
x
2x y + z + 2w = 0
2x 2y + 5z + w = 3
(2) (2)
1 0 1 1 | 2
1 0 1 1 | 2
2 1 1 2 | 0
+
0 1 3 0 | 4
2 2 5 1 | 3 +
0 2 7 1 | 1
1 0 1 1 | 2
0 1 3 0 | 4
0 2 7 1 | 1
1 0 1 1 | 2
0 1 3 0 | 4
0 0 1 1 | 7
1 0 0 0 | 9
0 1 0 3 | 25 .
0 0 1 1 | 7
A matriz do lado esquerdo ja esta na forma escalonada reduzida e
portanto nao pode ser simplificada. Transformando novamente a matriz
em um sistema obtemos
= 9
x
y
3w = 25
z w = 7
o que implica que x = 9 e y = 25 + 3w e z = 7 + w. Como nao
ha outra equacao que possa ser utilizada para determinar o valor de w,
essa variavel pode assumir qualquer valor real. Logo o sistema possui
infinitas solucoes, uma para cada valor real da variavel w.
z + w = 2
x
2x y + z + 2w = 0
3x y
+ 3w = 3
Solucao. Escrevendo a matriz aumentada do sistema e
temos:
(2) (3)
1 0 1 1 | 2
1 0 1
2 1 1 2 | 0
+
0 1 3
3 1 0 3 | 3 +
0 1 3
escalonando
1 | 2
0 | 4 .
0 | 3
A matriz do lado esquerdo ainda nao esta na forma escalonada reduzida, mas nesse estagio ja podemos perceber que o sistema nao possui
solucao, uma vez que a segunda equacao implica que y + 3z = 4 e a
terceira equacao implica que y + 3z = 3, condicoes que nao podem
ser simultaneamente satisfeitas.
Exemplo 33. Vamos resolver o sistema linear
z + w = 2
x
2x y + z + 2w = 0
3x y
+ 3w = 2
Solucao. Escrevendo
temos:
1 0 1 1 | 2
2 1 1 2 | 0
3 1 0 3 | 2
1 0 1
0 1 3
0 1 3
(3)
+
+
1 | 2
0 | 4
+
0 | 4
1
0
0
1
0
0
0 1 1
1 3 0
1 3 0
0 1 1 |
1 3 0 |
0 0 0 |
| 2
| 4
| 4
2
4 .
0
em um sistema obtemos
z
+
w
= 2
y
3z +
= 4
0x + 0y + 0z + 0w = 0
x
z + w = 2
y 3z +
= 4
2x
x
x
3x
+
+
y
y
2y
3y
=
=
=
=
3
0
3
6
temos:
2 1 | 3
1 1 | 0
1 1 | 0
2 1 | 3
1 2 | 3
1 2 | 3
3 3 | 6
3 3 | 6
1 1
0 1
0 3
0 6
(2)
(1)
(3)
+
+
| 0
(3) (6)
| 1
| 3
+
| 6 +
1 0 | 1
0 1 | 1
0 0 | 0 .
0 0 | 0
=
y
=
0x + 0y =
0x + 0y =
1
1
0
0
2x
x
x
3x
Solucao.
temos:
2 1
1 1
1 2
3 3
+
+
y
y
2y
3y
=
=
=
=
3
0
2
6
1 1 | 0
2 1 | 3
0
1 2 | 2
2
6
3 3 | 6
1 1 | 0
0 3 | 3
0 3 | 2
0 6 | 6
(2)
(1)
(3)
+
+
+
.
A matriz do lado esquerdo ainda nao esta na forma escalonada reduzida, mas ja podemos perceber que o sistema nao possui solucao, uma
vez que a segunda equacao implica que 3y = 3 enquanto a terceira
implica que 3y = 2, duas condicoes que nunca podem ser satisfeitas
simultaneamente.
Exemplo 36. Vamos resolver o sistema linear
x + y + z
x y + z
2x
+ 2z
3x + y + 3z
=
=
=
=
1
3
4
5
temos:
1 1
1 1
2 0
3 1
|
|
|
|
1
0
0
0
1
1
2
3
3
+
4 +
5 +
1 1 | 1
2 2
1 0 | 1
2 0 | 2
+
2 0 | 2
+
1
0
0
0
1
0
0
0
1
0
0
0
1 1
2 0
2 0
2 0
1 1 |
1 0 |
0 0 |
0 0 |
0 1 |
1 0 |
0 0 |
0 0 |
| 1
| 2
|
| 2
| 2
1
+
0
0
2
1
.
0
0
x
+
z
= 2
y
= 1
0x + 0y + 0z = 0
0x + 0y + 0z = 0
Observe que as duas ultimas equacoes se reduzem a 0 = 0 e portanto
podem ser descartadas. Ja as duas primeiras implicam que x = 2 z
e y = 1. Como nao ha mais equacoes para determinar o valor de z,
segue que o sistema tem infinitas solucoes, uma para cada valor real de
z.
Observe que a terceira equacao do sistema inicial e obtida somandose a segunda equacao com primeira, enquanto a quarta equacao pode
ser obtida somando-se `a segunda 2 vezes a primeira. Isso quer dizer
que essas equacoes nao fornecem nenhuma informacao adicional sobre
as variaveis e portanto podem ser eleminadas.
Observe dos exemplos acima que um pivo sozinho em uma linha determina unicamente o valor da variavel correspondente. Uma linha de
zeros corresponde a uma equacao que nao fornece nenhuma informacao
relevante sobre o sistema e pode ser descartada. Equacoes contraditorias implicam que sistema nao tem solucao. Linhas com duas entradas nao nulas geram uma dependencia entre as respectivas variaveis.
x + y = 4
x 2y = 1
3.
2x y = 4
x + y = 2
3x + y = 5
4.
5x + 3y = 9
x + 2y z = 3
5.
x y + z = 1
x + y + 2z = 3
2x + 4y 3z = 4
6.
x + 3y 5z = 2
2x + 3y z + w = 1
5x + y + 10z + 2w = 2
7.
3x 2y + 11z + w = 3
Exerccio 25. Verdadeiro ou falso:
1. Se a terceira equacao de um sistema linear comeca com um coeficiente nulo (0x), entao nenhum multiplo da primeria equacao
sera subtrado da terceira equacao durante o processo de escalonamento;
2. Se a terceira equacao de um sistema linear possui o segundo coeficiente nulo (0y), entao nenhum multiplo da segunda equacao
sera subtrado da terceira equacao durante o processo de escalonamento;
3. Se a terceira equacao de um sistema linear possui os dois primeiros coeficientes nulos (0x e 0y), entao nenhum multiplo da
primeria equacao ou da segunda equacao sera subtrado da terceira equacao durante o processo de escalonamento.
Observac
ao 4. Quando dois sitemas AX = B1 e AX = B2 possuem
a mesma matriz de coeficientes do lado esquerdo, podemos resolve-lo
simultaneamente escalonando a matriz aumentada
[A|B1 |B2 ].
Exemplo
x
2x
2y 2z = 2
x
4y 3z = 7 ,
2x
2y + z = 4
x
resolver os sistemas
2y 2z = 2
4y 3z = 5 .
2y + z = 0
1 2 2
A = 2 4 3 ,
1 2 1
podemos construir a matriz aumentada
1 2 2 | 2 | 2
2 4 3 | 7 | 5
1 2 1 | 4 | 0
1 2 0 | 0 | 34
0 0 1 | 0 | 0 ,
0 0 0 | 1 | 13
o que implica que nenhum dos sistemas acima possui solucao.
2.5
Proposic
ao 5. Se um sistema linear possui duas solucoes distintas,
entao ele possui infinitas solucoes.
Demonstracao. Suponhamos que X1 e X2 sejam solucoes do sistema
AX = B. Entao X = X1 + (1 )X2 tambem e solucao para
qualquer valor real de , uma vez que
A (X1 + (1 )X2 ) = AX1 + (1 )AX2 = B + (1 )B = B.
Temos entao tres opcoes para o comportamento de um sistema
linear.
1. Um sistema possvel determinado e um sistema que possui
uma unica solucao. Nesse caso, a forma escalonada reduzida
de A e sempre igual `a matriz identidade (com, possivelmente,
algumas linhas nulas abaixo).
2. Um sistema possvel indeterminado e um sistema que possui infinitas solucoes. Nesse caso, a forma escalonada reduzida
sempre tem alguma linha nula que levara a uma variavel indeterminada.
3. Um sistema impossvel e um sistema que nao possui solucao.
Nesse caso, sempre aparece uma linha com zeros em todos os elementos do lado correspondente `a matriz A, enquanto o elemento
correspondente `a matriz B e diferente de zero.
x + y
x y
2x
sistema
+ z = 2
+z = 1
+ 2z = 2
ax + 2y + 3z = b1
ax + ay + 4z = b2
ax + ay + az = b3
2.6
2.6.1
Interpretac
ao geom
etrica de sistemas
lineares
Sistemas com duas inc
ognitas
x + y = 1
x y = 2 .
3x + y = 0
Solucao. Para encontrar a solucao do sistema, basta plotar as retas
determinadas pelas duas equacoes e verificar qual e a sua intersecao.
Exemplo 40.
x + y = 1
x y = 2 .
3x + y = 4
Solucao. Para encontrar a solucao do sistema, basta plotar as retas
determinadas pelas tres equacoes e verificar qual e a sua intersecao.
2x + y = 3
x 2y = 1
2.
3x y = 3
2x + y = 3
x 2y = 1
3.
3x y = 2
2x + y = 3
x + 2y = 1
4.
3x y = 4
2.6.2
Sistemas com tr
es inc
ognitas
z = 1
y z = 2 .
x + y 2z = 3
Solucao. Para encontrar a solucao do sistema, basta plotar os planos
determinadas pelas tres equacoes e verificar qual e a sua intersecao.
z = 1
y z = 2 .
x + y 2z = 4
Solucao. Para encontrar a solucao do sistema, basta plotar os planos
determinados pelas tres equacoes e verificar qual e a sua intersecao.
Da figura 2.5 vemos que os planos nao se interceptam em nenhum
ponto e portanto o sistema nao possui solucao.
Exemplo 43.
z = 1
y z = 2 .
x y z = 1
Solucao. Para encontrar a solucao do sistema, basta plotar os planos
determinados pelas tres equacoes e verificar qual e a sua intersecao.
1. Mostre que o sistema abaixo possui pelo menos uma solucao para
qualquer valor de a;
2. Encontre o valor de a para que o sistema possua infinitas solucoes.
Nesse caso, qual e a representacao geometrica do conjunto de
solucoes? Faca um esboco.
Exerccio 34. Descreva a intersecao dos tres planos x + y + z = 3,
uma reta, um ponto, ou um conjunto
x+y z = 1 e 3x+3y +z = 7. E
vazio? Como sera a intersecao se o plano x = 1 for adicionado?
Encontre uma quinta equacao que deixe o sistema sem solucao.
Exerccio 35. Encontre dois pontos sobre a reta de intersecao dos hiperplanos w = 0, z = 0 e x + y + z + w = 1 em um espaco quadridimensional.
Exerccio 36. Em que condicoes sobre os nmeros l, m e n os pontos
(0, l), (1, m) e (2, n) se localizam em uma linha reta?
Exerccio 37. Se tres planos se cruzam em dois pontos, onde mais eles
se cruzam?
2.7
Um sistema da forma
a11 x1
a x
21 1
..
am1 x1
+ a12 x2 + + a1n xn = 0
+ a22 x2 + + a2n xn = 0
..
..
..
.
.
.
+ am2 x2 + + amn xn = 0
em que
a11 a12
a21 a22
A=
..
...
.
am1 am2
a1n
a2n
. . . ...
,
amn
x1
x2
X=
... ,
xn
0
0
0=
... .
0
X=
... ,
0
chamada solucao trivial. Portanto, nao existe sistema homogeneo impossvel. Geometricamente, isso significa que o conjunto solucao de
qualquer sistema homogeneo contem a origem.
Observe tambem que para resolver um sistema linear homogeneo
basta escalonarmos a matriz A, uma vez que as operacoes elementares
nao alteram a coluna de zeros da matriz aumentada [A|0].
Sabemos que um sistema com n incognitas tera solucao unica quando
a forma escalonada da matriz A possui n pivos e nenhuma outra linha
de zeros que possa levar a uma contradicao. Para sistemas lineares homogeneos, como o lado direito da matriz aumenta [A|0] e sempre 0,
linhas que levam a contradicoes nao existem e por isso sempre que encontrarmos n pivos o sistema possuira solucao unica, ou seja, somente
a solucao trivial. Se nao for possvel encontrar n pivos, o sistema tera
infinitas solucoes.
3.
4.
5.
6.
7.
x + y = 0
x 2y = 0
2x y = 0
x + y = 0
3x + y = 0
5x + 3y = 0
x + 2y z = 0
x y + z = 0
x + y + 2z = 0
2x + 4y 3z = 0
x + 3y 5z = 0
2x + 3y z + w = 0
5x + y + 10z + 2w = 0
3x 2y + 11z + w = 0
1. X3 = X1 + X2 tambem e solucao de AX = 0;
2. X4 = X1 tambem e solucao de AX = 0 para qualquer R.
Demonstracao. Sabemos que AX1 = 0 e AX2 = 0, uma vez que X1
e X2 sao solucoes de AX = 0. Assim temos:
1. AX3 = A(X1 + X2 ) = AX1 + AX2 = 0 + 0 = 0;
2. AX4 = A(X1 ) = AX1 = 0 = 0.
2.8
Utilizando o MATLAB
o MATLAB nao possui comandos pre-definidos para operacoes elementares. No entanto, elas podem ser facilmente realizadas com os comandos abaixo:
1. O comando A([i j],:) = A([j i],:) troca as linhas i e j da
matriz A;
2. O comando A(i,:) = k*A(i,:) multiplica a linha i da matriz A
pelo escalar k;
3. O comando A(i,:) = A(i,:) +k*A(j,:) soma `a linha i de A
a linha j vezes k.
Alguns pacotes adicionais podem ser encontrados em que os comandos para realizar essas operacoes estao definidos. Veja, por exemplo, o
pacote GAAL do professor Reginaldo Santos da UFMG.
O comando rref pode ser utilizado para encontrar a forma escalonada reduzida de uma matriz no MATLAB. Veja abaixo os passos que
devem ser seguidos para chegar `a forma escalonada reduzida da matriz
aumentada de um sistema:
A=[ ]
% declarar a matriz dos coeficientes $A$;
B=[ ]
% declarar o vetor coluna dos coeficientes $b$;
M=[A B]
% definir k como a matriz aumentada do sistema;
S=rref(M) % escalonar a matriz.
Inversao de Matrizes
Sabemos que todo numero real nao nulo a possui um inverso multiplicativo a1 = a1 tal que a a1 = a1 a = 1. Quando temos uma
equacao do tipo ax = b em que a e b sao numeros reais conhecidos e x
e uma incognita que deve ser encontrada, basta dividirmos a equacao
por a para encontrar sua solucao
b
x= .
a
Esse procedimento e possvel sempre que a 6= 0.
Sabemos que para matrizes a divisao nao esta definida e portanto o
mesmo procedimento nao pode ser aplicado `a equacao matricial AX =
B para encontrar a solucao de um sistema linear. No entanto, em alguns
casos e possvel definir o que chamamos de matriz inversa da matriz A,
denotada por A1 , de modo que A1 A = AA1 = I. Assim, o sistema
AX = B pode ser resolvido multiplicando-se a equacao matricial por
A1 :
A1 (AX)
A1 A X
IX
X
=
=
=
=
A1 B
A1 B
A1 B
A1 B.
3.1
Definic
ao e propriedades
Definic
ao 3. Uma matriz quadrada A n n e dita invertvel quando
existe outra matriz A1 n n tal que
A1 A = I e A A1 = I
onde I e a matriz identidade n n.
Caso a inversa de A nao exista, dizemos que A e uma matriz singular.
Se A uma matriz invertvel, valem as seguintes propriedades:
1. A matriz inversa e unica. De fato, supondo que A1 e B sejam
duas inversas para a matriz A temos
B = IB = A1 A B = A1 (AB) = A1 I = A1 .
2. A matriz inversa de uma matriz invertvel e tambem invertvel,
sendo que a inversa da inversa
de uma matriz e igual `a propria
1 1
matriz, ou seja, A = A
.
3. A matriz transposta de uma matriz invertvel e tambem invertvel,
e a inversa da transposta e a transposta da inversa, ou seja,
(AT )1 = (A1 )T . De fato
3.2
3.2.1
Determinac
ao da inversa
Aplicac
ao da definic
ao de inversa
0 1
c d
4 3
Resolvendo essa multiplicacao de matrizes obtemos:
2a + c 2b + d
1 0
=
4a + 3c 4b + 3d
0 1
o que nos leva ao sistema de equacoes:
2a + c = 1
2b + d = 0
4a + 3c = 0
4b + 3d = 1
Observe que temos dois sistemas
2a + c = 1
2b + d = 0
e
4a + 3c = 0
4b + 3d = 1
com a mesma matriz de coeficientes do lado direito, igual `a matriz
original A. Esses sistemas podem ser resolvidos escalonando simultaneamente a matriz aumentada
2 1 | 1 | 0
A=
.
4 3 | 0 | 1
Escalonando obtemos a matriz
1 0 | 23 | 1
2
A=
.
0 1 | 2 | 1
o que implica a = 23 , b =
1
2 ,c
= 2 e d = 1. Assim, temos
3 1
2
A1 = 2
.
2 1
3.2.2
Aplicac
ao da eliminac
ao de Gauss-Jordan
definicao
1
a
3
c
a = 32
c = 21
b = 2
d=1
4 3 | 0 1
+
0 1 | 2 1
1
2 0 | 3 1 | 2
1 0 | 23 12
0 1 | 2 1
0 1 | 2 1
(1)
1
2 .
A = 2
2 1
1 2
0 1
1 1
a inversa da matriz
0
1 .
1
1 2 0 | 1 0 0
0 1 1 | 0 1 0
+
1 1 1 | 0 0 1
1 2 0 | 1 0 0
0 1 1 | 0 1 0
1
0 0 2 | 1 3 1 | 2
1 2 0| 1 0 0
+
1
1
1
2
0 1 0 | 2 2 2
1
3
1
0 0 1 |
escalonando
1 2 0 | 1 0
0 1 1 | 0 1
0 3 1 | 1 0
1 2 0 | 1
0 1 1 | 0
0 0 1 | 12
1 0 0| 0 1
0 1 0 | 1
2
0 0 1 | 1
0
0
1
0 0
1 0
3
1
2 2
1
12
3
1
2
0 1 1
A1 = 21 12 12 .
12 32 12
1 2 0
0 1 1 .
1 1 1
Solucao. Escrevendo
1 2 0 | 1 0
0 1 1 | 0 1
1 1 1 | 0 0
a matriz aumentada e
0
1 2
0
0 1
1
0 1
+
1 2
0 1
0 0
escalonando
0
1
1
0
1
0
|
|
|
|
|
|
1
0
1
1
0
1
0 0
1
1 0
0 1
+
0 0
1 0 .
1 1
1 0 0
1. A = 1 1 0 ; Faca essa letra sem o auxlio do computador!
0 0 1
2 1 0
2. A = 1 2 1 ;
0 1 12
0
3. A = 0
1
1
1
4
4. A =
1
3
1
2
0 1
1 1 ;
1 1
0 0 0
1 0 0
.
1
1
0
3
1 1
2 2 1
=
=
=
=
A1 B
A1 B
A1 B
A1 B.
1 0 0
1
4. A = 1 1 0 ; B = 1 ;
0 0 1
1
2 1 0
1
5. A = 1 2 1 ; B = 1 ;
0 1 12
1
0 0 1
1
6. A = 0 1 1 ; B = 1 ;
1 1 1
1
1 0 0 0
1
1
1
1 0 0
4
.
;
B
=
7. A =
1
1 1 1 0
3 3
1 1 1
1
1
1 0 0
4. A = 1 1 0 ; Faca essa letra sem o auxlio do computador!
0 0 1
2 1 0
5. A = 1 2 1 ;
0 1 12
0 0 1
6. A = 0 1 1 ;
1 1 1
1 0 0 0
1 1 0 0
4
7. A =
1 1 1 0 .
3 3
1 1 1
2 2 2 1
Observac
ao 5. Nao e necessario escalonar as matrizes novamente. Observe que essas matrizes ja apareceram em exerccios anteriores.
3.3
Utilizando o MATLAB
A=[
% declarar a matriz
I]
rref(M)
O MATLAB tambem possui um comando que calcula a inversa diretamente: o comando inv(A). Para calcular a inversa, basta usar os
comando abaixo:
A=[
% declarar a matriz
Determinantes
A=
...
An
e que a linha Ak possa ser escrita em termos de outras duas
matrizes linha X e Y na forma
Ak = X + Y.
Entao
A1
A1
A1
A
A2
A2
A2
A
..
..
..
.
.
Ak1 Ak1
Ak1
Ak
f (A) = det
=
= det
+ det
Ak X + Y
X
Y
Ak+1
Ak
Ak+1 Ak+1
.
.
..
..
..
An
An
An
A
2. f (In ) = 1, onde In e a matriz identidade n n.
Esta funcao f denomina-se de determinante e e representado por
|A| ou por det(A).
4.1
C
alculo do determinante
Calcular o determinante de matrizes grandes e um processo extremamente trabalhoso. Para encontrar uma maneira de fazer esse calculo
procederemos recursivamente: calcularemos o determinante de matrizes 1 1, em seguida calcularemos o determinante de matrizes 2 2.
Utilizando esses determinates calcularemos o determinante de matrizes
3 3 e assim sucessivamente. Para calcular o determinante de matrizes
n n utilizaremos o determinante de matrizes (n 1) (n 1).
4.1.1
Matrizes 1 1
Se A = a11 entao
det(A) = a11 .
Exemplo 48. Se A = 3 , entao det(A) = 3.
4.1.2
Matrizes 2 2
4.1.3
Cofatores
1 1 0
A = 1 3 1 ,
2 2 1
a matriz menor A11 e obtida de A eleiminando-se a primeira linha e a
primeira coluna:
1 1 0
3
1
1 3 1 A11 =
.
2 1
2 2 1
1 1 0
1
1
1 3 1 A12 =
.
2 1
2 2 1
A matriz menor A31 e obtida de A eleiminando-se a terceira linha e a
primeira coluna:
1 1 0
1
0
1 3 1 A31 =
.
3 1
2 2 1
A matriz menor A33 e obtida de A eleiminando-se a terceira linha e a
terceira coluna:
1 1 0
1
1
1 3 1 A33 =
.
1 3
2 2 1
Definic
ao 5. Dada uma matriz A, o cofator associado ao elemento Aij
e
i+j
Cij = (1) det Aij .
Exemplo 51. Dada a matriz
1 1 0
A = 1 3 1 ,
2 2 1
temos que
C11 = (1)
1+1
det A11
C12 = (1)
1+2
det A12
C31 = (1)
3+1
det A31
C33 = (1)
3+3
det A33
3 1
= 5;
(1) det
2 1
1
1
= 3;
(1)1+2 det
2 1
1
0
(1)3+1 det
= 1;
3 1
1 1
3+3
(1) det
= 3.
1 3
1+1
4.1.4
C
alculo do determinante atrav
es de cofatores
n
X
aij Cij .
j=1
n
X
aij Cij .
i=1
4.2
Induc
ao
Inducao e um metodo de demonstracao usado para demonstrar a validade de um numero infinito de proposicoes. A forma mais simples e
mais comum de inducao prova que uma certa afirmacao vale para todos
os numeros naturais n e consiste de dois passos:
1. A base: mostrar que a afirmacao vale para n = 1;
2. O passo indutivo: mostrar que, se a afirmacao vale para n = k,
entao a afirmacao vale para n = k + 1.
Se ambos os passos anteriores forem validos, entao a afirmacao sera
valida para qualquer numero natural n. Para entender por que esses dois
passos sao suficientes, e util pensar no efeito domino. Suponha que voce
tem uma longa fila de dominos em pe e que voce pode assegurar que:
1. O primeiro domino caira;
2. Sempre que um domino cair, seu proximo vizinho tambem caira.
Entao voce pode concluir que todos os dominos cairao, ja que o primeiro
derrubara o segundo, o segundo derrubara o terceiro e assim sucessivamente.
Exemplo 52. Prove que para qualquer n natural vale
1 + 2 + 3 + ... + n =
n(n + 1)
.
2
(k 1)((k 1) + 1)
2
e verdadeira.
Assumindo a equacao acima devemos provar que a afirmacao e valida
para n = k. Nesse caso, basta somar k a ambos os lados.
(k 1)((k 1) + 1)
+k
2
(k 1)((k 1) + 1) 2k
=
+
2
2
k(k 1) + 2k
=
2
k(k + 1)
=
2
1 + 2 + . . . + (k 1) + k =
k(k + 1)
.
2
4.2.1
Generalizac
ao: comecando com b > 1
4.3
Propriedades do determinante
Proposic
ao 6. Se A e uma matriz quadrada triangular inferior, entao
det(A) e o produto dos elementos da diagonal principal.
Demonstracao. Para provar essa propriedade, vamos utilizar um processo de inducao em que n e o tamanho da matriz. Primeiro provamos
a propriedade para n = 2.
a11 0
det
= a11 a22 0 a21 = a11 a22 .
a21 a22
a11
0
0
...
0
a21
a22
0
...
0
= a11 a22 . . .a(k1)(k
det
.
.
.
.
.
..
..
..
..
..
a(k1)1 a(k1)2 a(k1)3 . . . a(k1)(k1)
Devemos agora provar a propriedade para n = k. Dada uma matriz
ktimesk triangular inferior qualquer
a11 0 0 . . . 0
a21 a22 0 . . . 0
.
..
..
..
..
..
.
.
.
.
ak1 ak2 ak3 . . . akk
calculamos seu determinante fazendo a expansao em cofatores da primeira linha, que so possui o elemento a11 possivlemente nao nulo. Assim
a11 0 0 . . . 0
a22 0
a21 a22 0 . . . 0
a32 a33
1+1
.
det
=
a
C
=
a
(1)
det
..
..
..
..
..
11 11
11
...
..
.
.
.
.
.
ak2 ak3 a
ak1 ak2 ak3 . . . akk
= a11 (a22 a33 . . . akk ) = a11
a b
A=
a b
e det(A) = ab ba = 0.
Suponhamos agora o resultado valido para matrizes de tamanho
(n 1) (n 1). Devemos provar que o resultado e valido para
matrizes n n.
Seja A uma matriz n n qualquer. Expandindo o determinante
utilizando a primeira linha temos
det(A) =
X
j
a1j C1j =
a1j (1)
1+j
det A1j .
A1j posmatrizes
portanto
4.3.1
Operac
oes elementares
A1
A2
A=
...
An
e que a linha Ak possa ser escrita em termos de outras duas matrizes
linha X e Y na forma
Ak = X + Y.
Entao
A1
A1
A1
A1
A2
A2
A2
A2
..
..
..
..
.
.
.
.
Ak1 Ak1
Ak1
Ak1
det(A) = det
=
= det
+ det
Ak X + Y
X
Y
Ak+1 Ak+1
Ak+1
Ak+1
.
.
.
..
..
..
..
.
An
An
An
An
Entao
A1
A1
A2
A2
..
..
.
.
Ak1
Ak1
M =
e N =
.
X
Y
Ak+1
Ak+1
.
.
..
..
An
An
det(A) =
X
j
a1j C1j =
X
j
a1j (1)
1+j
det A1j .
Como
A1
2
A
A2
..
.
..
k1
Ak1
+ Y
A=
X + Y
Ak+1
Ak+1
..
.
.
..
An
An
A2
A2
A2
..
...
...
.
A
A
k1
k1
k1
Ak+1
Ak+1
Ak+1
.
.
.
..
..
..
An
An
An
Substituindo na expresao para det(A) temos
X
X
1+j
1+j
det(A) =
a1j (1) det A1j =
a1j (1)
det M1j +
j
1+j
a1j (1)
det M1j +
= det (M ) + det (N ) .
Resta provar a afirmacao para k = 1. Isso pode ser feito de maneira
analoga a anterior expandindo o determinante utilizando qualquer linha
diferente da primeira.
O teorema acima permite verificar o que acontece com o determinante apos aplicarmos `a matriz uma operacao elementar.
Corolrio 2. Se a matriz B e obtida da matriz A multiplicando-se uma
linha de A por , ou seja,
A1
A2
..
.
Ak1
B=
Ak
Ak+1
.
..
An
entao det(B) = det(A).
Demonstracao. Basta utilizar o teorema anterior com = 0.
Exerccio 62. Utilizando o corolario 2, mostre que se B = A, em que
A e uma matriz n n, entao
det(B) = n det(A).
Corolrio 3. Se a matriz B e obtida a partir da matriz A trocando duas
linhas entre si, entao
det(B) = det(A).
Ak e Al entre si:
A1
A1
.
...
..
A
A
l
k
..
A = . , B = ... .
Ak
Al
.
.
..
..
An
An
Seja
A1
..
A + A
l
k
.
..
C=
.
Ak + Al
..
.
An
Aplicando o teorema 8 e o teorema 7 temos
A1
A1
..
..
.
.
A
k
l
.
.
..
..
0 = det(C) = det
+ det
=
Ak + Al
Ak + Al
..
..
.
.
An
An
A1
A1
A1
A1
.
.
.
..
..
..
...
A
A
A
A
k
k
l
l
..
..
..
det . +det . +det . +det ... = 0+det(A)+det(B)+0.
Ak
Al
Ak
Al
.
.
.
.
..
..
..
..
An
An
An
An
Temos entao que
0 = det(A) + det(B) det(B) = det(A).
A1
A1
..
...
A
A
k
k
..
.
..
A = . , B =
.
Al
Al + Ak
.
..
..
.
An
An
Pelo teorema 8
A1
A1
.
...
..
A
A
k
k
..
det(B) = det . + det ... = det(A) + 0 = det(A).
Ak
Al
.
.
..
..
An
An
1 1 0
A = 1 1 3
2 1 1
utilizando escalonamento. Para isso, vamos aplicar operacoes elementares ate que a matriz se torne triangular superior.
1 2
1 1 0
1 1 3
+
2 1 1 +
1 1 0
12
0 2 3
0 1 1
+
1 1 0
0 2 3 .
0 0 21
0 1 1
A = 3 6 6
1 2 1
utilizando escalonamento. Para isso, vamos aplicar operacoes elementares ate que a matriz se torne triangular superior.
0 1 1
1
3 6 6
3
1 2 1
1
0
0
0
0
2
6
1
2
0
1
2
1
0
3
1
6
+
1
1
3
1
1
1 .
3
0 1 1
A = 3 6 6
3 7 7
utilizando escalonamento. Para isso, vamos aplicar operacoes elementares ate que a matriz se torne triangular superior.
0 1 1 | 31
3 6 6
3 7 7
0
1
3
1
0
3
1
0
0
1
0
0
1
2
7
2
1
7
2
1
1
2
1
0
1
2
7
1
1
7
1
1
1
1
1
0
+
1
4.3.2
Propriedades adicionais
A prova desse teorema requer alguns resultados que nao serao abordados nesse texto.
Exerccio 65. Utilizando o teorema 10, mostre que se A e uma matriz
invertvel entao
1
det A1 =
.
det(A)
Exerccio 66. Se det(A) = 3 encontre
1. det(A2 );
2. det(A4 );
3. det A1 ;
4. det AT .
possvel calcular det(2A)?
E
Exerccio 67. Suponha que B seja uma matriz invertvel. Prove que
para qualquer matriz A vale
det B 1 AB = det(A).
4.4
Relac
ao entre determinantes, inversas
e sistemas lineares
A1
AX = 0
AX = B
N
ao existe
Possui soluc
ao n
ao trivial
=I
6= 0
Existe
Possui soluc
ao u
nica.
Observac
ao 8. Esse resultado mostra uma maneira de provar que uma
matriz nao e nilpotente: se seu determinante e diferente de zero, essa
4.5
Utilizando o MATLAB
5.1
tam para ela. Se criarmos uma pagina da web i e incluirmos um link para
a pagina web j, isto significa que nos consideramos j importante e relevante para o nosso tema. Se ha um monte de paginas que apontam para
j, isto significa que e a crenca comum de que a pagina j e importante.
Se, por outro lado, j tem apenas um backlink, mas isso vem de uma autoridade local k, (como www.google.com, www.cnn.com, www.ufop.br)
Que dizer que k transfere sua autoridade para j; Por outras palavras,
uma pagina importante k afirma que j e importante. Independentemente de considerarmos popularidade ou autoridade, podemos atribuir
uma classificacao a cada pagina web, com base no numero e na importancia das paginas que apontam para ela.
Para este objetivo, comecamos imaginando a rede web como um
grafo direcionado, com vertices representando paginas web e arestas
representando links entre elas.
Em nosso modelo, cada pagina deve transferir sua importancia uniformemente para as paginas relacionadas a ela. A pagina 1 tem 3 arestas
de sada, por isso vai passar 31 da sua importancia para cada uma das
outras 3 paginas. A pagina 3 tem apenas uma aresta de sada, por
isso vai passar toda sua importancia para a pagina 1. Em geral, se
um vertice tem k arestas de sada, ele vai passar k1 de sua importancia
para cada um dos vertices que ele referencia. Vamos visualizar melhor
o processo atribuindo pesos a cada aresta.
Denote por x1 , x2 , x3 e x4 a importancia das quatro paginas. Analisando a situacao em cada vertice temos o sistema:
x1 = 1 x3 + 21 x4
x2 = 13 x1
x3 = 31 x1 + 21 x1 + 12 x4
x4 = 13 x1 + 21 x2
cuja solucao e x2 = 23 x4 , x3 = 32 x4 , x1 = 2x4 . Como o valor exato de
cada xi nao interessa, o que importa e qual deles e maior, podemos fazer
x4 = 1 obtendo x4 = 1, x2 = 32 , x3 = 32 , x1 = 2. Assim conclumos que
em uma pesquisa as paginas apareceriam ordenadas da seguinte forma:
1. Pagina 1;
2. Pagina 3;
3. Pagina 4;
4. Pagina 2.
5.2
Circuitos El
etricos
2. A Lei de Corrente de Kirchhoff: A soma algebrica das correntes fluindo para dentro de qualquer ponto de um circuito eletrico
e igual `a soma algebrica das correntes fluindo para fora do ponto.
3. A Lei de Voltagem de Kirchhoff: Em torno de qualquer circuito fechado (tambem chamado de malha), a soma algebrica das
diferencas de potencial e zero.
Utilizando os tres princpios acima, podemos encontrar o valor da
corrente que passa em cada parte do circuito utilizando sistemas
lineares.
i1 i2 i3
7i1
+ 3i3
11i2 3i3
sistema linear:
= 0
= 30
= 50.
cuja solucao e
570
590
20
, i2 =
, i3 =
.
131
131
131
Observe que i3 e negativo, o que significa que esta corrente flui no
sentido oposto ao indicado na figura.
i1 =
5.3
Balanceamento de Reac
oes Qumicas
w = 0
8x
9x
z
= 0
2y z 2w = 0.
Note que temos 3 equacoes e 4 variaveis, o que implica que o sistema e
possvel e indeterminado, ou seja, admite infinitas solucoes. Resolvendo
o sistema obtemos:
1
25
9
x = w, y = w, z = w, w R.
8
16
8
Para a solucao mais simples os coeficientes estequiometricos devem ser
os menores inteiros que satisfazem todas as equacoes portanto, temos
que
x = 2, y = 25, z = 18ew = 16
e a solucao da equacao e, consequentemente, a equacao balanceada e:
2C8 H18 + 25O2 16CO2 + 18H2 O.
5.4
Tr
ansito
Durante o dia e facil observar que ha varios fluxos de veculos em determinados pontos da cidade.
Vejamos um exemplo. Suponha que uma determinada cidade tem
dois conjuntos de ruas de mao unica que se cruzam como mostra a
figura abaixo:
Provas anteriores
7 de abril de 2011
1. (1 pt) Seja A uma matriz 4 4 tal que det(A) = 2. Seja B a
matriz obtida de A seguindo a seguinte sequencia de operacoes
elementares:
Somar `
a linha 1 duas vezes a linha 2;
Multiplicar a linha 3 por -2;
Trocar a linha 1 com a linha 2;
Multiplicar a matriz inteira por -1.
Responda:
a) Qual e o valor de det(B)?
1 0 0 0
3 2 0 0
x + y + 2z = 3
2x + 2y + 4z = 2a
4x + 4y + 8z = 4b
a) determine os valores de a e b para que o sistema possua alguma
solucao.
b) possvel que o sistema possua solucao unica?
3. (1pt) a) Mostre que a matriz abaixo e invertvel independente do
valor do escalar a
1
0 2
1
1 0 .
5a + 10 0 5a
b) Calcule a inversa para a = 2.
c) Resolva o sistema AX = 0 para a = 2.
9 de dezembro de 2010
1. (1 pt)
a) Mostre que a matriz abaixo e invertvel independente do valor
do escalar a
1
0 2
1
1 0 .
2a + 4 0 4a
b) Calcule a inversa para
1
2. (1 pt) Seja A = 0
1
real.
a = 2.
0
1
1
0 , em que e uma constante
0 1
3
c) Resolva o sistema AT X = 2 para = 1.
1
3. (1,2 pt) Seja A uma matriz 3 3 tal que detA = 2. Seja B a
matriz obtida de A seguindo a seguinte sequencia de operacoes
elementares:
Somar `
a linha 1 duas vezes a linha 2;
Multiplicar a linha 3 por -2;
Trocar a linha 1 com a linha 2.
Responda:
a) Qual e o valor de det(B)?
1 0 0 0
3 2 0 0
x + 3y + 4z = 3
2x + 6y + 8z = a
4x + 12y + 24z = b
Calcule os valores de a e b para que o sistema acima possua
alguma solucao. possvel que o sistema tenha solucao unica?
2. (1 pt) Seja
x2 2 x
A = 3 1 1 .
0 1 0
A=
1 2
2 4
1 0 1
, B = 1 0 1 , C =
0 1 0
2 4
0
0
0
0
3
7
0
0
0
40
5
8
8
6 1
0 5
0
0
x+y+z
=
3
2x + 3y + 2z
=
5
2
x + y + (a 8)z = a + 6
x2 x 2
A = 3 1 1 .
0 1 0
A=
1 2
2 4
1 0 1
, B = 1 0 1 , C =
0 1 0
2 4
0
0
0
0
3
7
0
0
0
40
5
8
8
6 1
0 5
0
0
1
0 1
1 0 .
A= 1
5a + 4 0 5a
1 0 1
1
0 ,
A= 0
1 0 1
em que e uma constante real.
a) Encontre os valores de para os quais o sistema acima possui
solucao unica.
b) Faca = 0 e encontre os valores de a e b para os quais o
sistema AX = B possui infinitas solucoes, sendo
1
B = a .
b
3. (1,2 pt) Seja A uma matriz 4 4 tal que detA = 1. Seja B a
matriz obtida de A seguindo a seguinte sequencia de operacoes
elementares:
Somar `
a linha 1 duas vezes a linha 2;
Multiplicar a linha 3 por -1;
Trocar a linha 4 com a linha 2.
Trocar a linha 1 com a linha 3.
Responda:
a) Qual e o valor de detB?
1 0 0
15 3 0
b) Seja C =
2 1 6
0 3 1
0
0
. Calcule det(BC) e det(B 1 C 1
0
1
09 de setembro de 2010
1. (1 pt) Dado o sistema abaixo, em que a e um numero real
x+y+z
=
3
2x + 3y + 2z
=
5
2
x + y + (a 8)z = a + 6
determine os valores de a para que o sistema
a) possua solucao unica;
b) possua infinitas solucoes;
c) nao possua solucao.
2. (1 pt) Seja
x2 x 2
A = 3 1 1 .
0 1 0
Determine os valores de x para os quais a matriz A e invertvel.
Calcule a inversa para x = 1.
3. (1pt)
Sejam as matrizes
1 0 1
1 2
A=
, B = 1 1 1 , C =
2 1
2 1 0
2 4
0
0
0
0
3
7
0
0
0
40
5
8
8
6 1
0 2
0
0
1
0 1
1 0 .
A= 1
5a + 4 0 5a
a) Mostre que a matriz acima e invertvel para qualquer valor de
a.
b) Calcule a inversa para a = 0.
2. (1,2) Seja
1 0 1
1
0 ,
A= 0
1 0 1
em que e uma constante real.
a) Encontre os valores de para os quais o sistema acima possui
solucao unica.
B = a .
b
3. (1,2 pt) Seja A uma matriz 4 4 tal que detA = 1. Seja B a
matriz obtida de A seguindo a seguinte sequencia de operacoes
elementares:
Somar `
a linha 1 duas vezes a linha 2;
Multiplicar a linha 3 por -1;
Trocar a linha 4 com a linha 2.
Trocar a linha 1 com a linha 3.
Responda:
a) qual e o valor de detB?
1 0 0
15 3 0
b)Seja C =
2 1 6
0 3 1
0
0
. Calcule det(BC) e det(B 1 C 1 B
0
1
Espacos Vetoriais
Em varios conjuntos podemos definir uma operacao envolvendo os elementos do proprio conjunto, que chamaremos genericamente de soma,
e uma operacao envolvendo elementos do conjunto e numeros reais,
que chamaremos de multiplicacao por escalar. Quando essas operacoes
satisfazem um conjunto de propriedades importantes para sua utilidade
na descricao de problemas reais, dizemos que esse conjunto e um espaco
vetorial sobre R.
A nocao de espaco vetorial e extremamente geral e pode ser aplicada
a situacoes totalmente diferentes, em que a unica coisa em comum e a
existencia das operacoes mencionadas. A generalidade com que espacos
vetoriais sao definidos nos leva a uma teoria bastante abstrata, mas e
justamente essa abstracao que possibilita o tratamento simultaneo de
objetos de natureza tao distinta.
Apesar da generalidade com que pretendemos tratar o assunto, devemos sempre nos lembrar dos espacos vetoriais R2 e R3 onde toda a
a teoria pode ser traduzida de maneira geometrica, fazendo com que
todos os resultados enunciados possam ser compreendidos de maneira
intuitiva. Vamos sempre trabalhar com as duas abordagens: a abordagem algebrica e abstrata, que pode ser aplicada igualmente a todos
os espacos vetoriais, e a abordagem geometrica que possibilita a vizualizacao dos conceitos da algebra linear nos espacos R2 e R3 .
6.1
Definic
ao e Propriedades
Definic
ao 6. Um espaco vetorial V sobre R e um conjunto de vetores
~v munido de uma soma vetorial
+ : V V V
(~u, ~v ) 7 ~u + ~v
e de um produto por escalar
: R V V
(, ~u) 7 ~u
tais que para todos ~u, ~v , w
~ V e , R temos
1. (Associatividade) ~u + (~v + w)
~ = (~u + ~v ) + w;
~
2. (Comutatividade) ~u + ~v = ~v + ~u;
3. (Existencia de zero) Existe um vetor 0 V tal que ~u + 0 = ~u;
4. (Existencia de inverso aditivo) Dado ~u V existe vetor ~u V
tal que ~u + (~u) = 0;
5. (Associatividade) (~u) = ()~u;
6. (Distributividade) (~u + ~v ) = ~u + ~v ;
7. (Distributividade) ( + )~u = ~u + ~u;
8. 1~u = ~u.
Exemplo 58 (Rn e um espaco vetorial sobre R). Rn e o conjunto das
n-uplas ordenadas (x1 , . . . , xn ), xi R. Podemos definir a soma e
produto por escalar, respectivamente, por
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
(x1 , . . . , xn ) = (x1 , . . . , xn ).
Sera util posteriormente identificar vetores em Rn e matrizes coluna
n 1:
x1
(x1 , . . . , xn ) ... .
xn
Exemplo 59 (O conjunto dos polinomios e um espaco vetorial sobre
R). Seja
P = {an xn + an1 xn1 + . . . + a1 x + a0 ; ai R}
o conjunto de todos os polinomios com coeficientes em R. Esse conjunto e um espaco vetorial com a soma
(an xn + an1 xn1 + . . . + a1 x + a0 ) + (bn xn + bn1 xn1 + . . . + b1 x +
= (an + bn )xn + (an1 + bn1 )xn1 + . . . + (a1 + b1 )x + (a0 +
e o produto por escalar
an xn + an1 xn1 + . . . + a1 x + a0 = (an )xn +(an1 )xn1 +. . .+(
Exemplo 60 (O conjunto das matrizes m n e um espaco vetorial
sobre R). Seja Mmn o conjunto de todas as matrizes m n. Esse
conjunto e um espaco vetorial com a soma de matrizes e produto de
matriz por escalar usuais.
Exemplo 61 (O conjunto de solucoes de um sistema homogeneo e um
espaco vetorial sobre R). De acordo com o teorema 4, se X1 e X2 sao
solucoes do sistema AX = 0, valem as seguintes propriedades:
1. X3 = X1 + X2 tambem e solucao de AX = 0;
2. X4 = X1 tambem e solucao de AX = 0 para qualquer R.
Esse espaco vetorial e chamado espaco nulo da matriz A.
Exemplo 63. Mostre que os exemplos acima sao de fato espacos vetoriais com as operacoes indicadas.
Exerccio 73. Seja I um conjunto qualquer. Mostre que o conjunto
das funcoes f : I R e um espaco vetorial sobre R.
Exemplo 64. Suponhamos que no conjunto R2 seja definida a soma
(x1 , y1 ) (x2 , y2 ) = (x1 + x2 + 1, y1 + y2 + 1).
Com a soma definida acima e com o produto por escalar usual, R2 nao
e um espaco vetorial sobre R. De fato, a propriedade 6
(~u + ~v ) = ~u + ~v
nao e satisfeita por essa soma. Veja, por exemplo, que
3 [(1, 1) (2, 2)] = 3 (4, 4) = (12, 12)
enquanto
3 (1, 1) 3 (2, 2) = (3, 3) + (6, 6) = (10, 10.)
Exemplo 65. O conjunto dos numeros nao-negativos R+ nao e um
espaco vetorial com a soma usual e o produto por numeros reais usual.
De fato, ao multiplicar qualquer elemento nao nulo de R+ por qualquer
numero real negativo obtemos um numero negativo, que portanto esta
fora de R+ .
6.2
A soma de dois vetores tambem pode ser representada geometricamente. Dados dois vetores ~u e ~v , sua soma e igual ao vetor obtido da
A multiplicacao de um vetor por um escalar tambem pode ser representada geometricamente. Dado um vetor ~v R2 e R, o vetor ~v
e encontrado da seguinte forma: se = 0 entao ~v = 0; caso contrario,
~v tem comprimento || vezes o comprimento de ~v e mesma direcao
de ~v (dizemos que eles sao paralelos); ~v tem o mesmo sentido de ~v
se > 0 e sentido oposto se < 0. A figura abaixo ilustra os vetores
~v = (3, 4), 2~v , ~v2 , ~v , 2~v , ~v2 .
6.3
Subespacos Vetoriais
Definic
ao 7. Um subespaco vetorial S do espaco vetorial V e um subconjunto de V que e, ele mesmo, um espaco vetorial com as operacoes
de soma e multiplicacao por escalar definidas em V . Para isso, precisamos que as seguintes propriedades sejam satisfeitas:
1. ~x + ~y S para todo par ~x e ~y S;
2. ~x S para todo C e todo ~x S.
Quando S e um subespaco vetorial de V , podemos eliminar todos os
elementos de V fora de S e continuaremos com um espaco vetorial com
as mesmas operacoes. Essa e uma restricao muito forte: pouqussimos
subconjuntos de V possuem essa propriedade.
Exemplo 67. Considere em R2 o conjunto de vetores cujas extremidades pertencem `a reta S ilustrada abaixo.
0 0
.
3. A =
0 0
Exerccio 79.TSe S1 e S2 sao subespacos de um espaco vetorial V ,
mostre que
S S1 S2 tambem e um subespaco de V . O mesmo acontece
com S1 S2 ?
Exerccio 80. Mostre que se um subespaco de M22 contem as matrizes
1 0
0 0
A=
, B=
0 0
0 1
entao esse subespaco tambem deve conter a matriz identidade.
6.4
Combinac
oes Lineares
Um espaco vetorial e um conjunto onde os elementos podem ser combinados livremente atraves da soma e da multiplicacao por escalar.
Definic
ao 8. Dizemos que ~v e uma combinacao linear de u~1 , . . . , u~k se
existem constantes a1 , . . . , ak tais que
~v = a1 u~1 + . . . + ak u~k .
Com essa definicao, podemos dizer que um espaco vetorial e um
conjunto no qual podemos fazer combinacoes lineares.
Exemplo 79. O vetor (7, 2, 9) R3 e uma combinacao linear dos
vetores (2, 1, 3) e (1, 0, 1) porque
(7, 2, 9) = 2(2, 1, 3) + 3(1, 0, 1).
Exemplo 80. No espaco vetorial P, todo polinomio de grau 2 e combinacao linear dos polinomios {1, x, x2 }, uma vez que qualquer polinomio de grau 2 pode ser escrito na forma
p(x) = a2 x2 + a1 x1 + a0 = a2 x2 + a1 x1 + a0 1.
De maneira geral, fixado n N, qualquer polinomio de grau n e uma
combinacao linear dos polinomios {1, x, x2 , . . . , xn }.
(6.1)
4
1
1
a1 + a2
1 1
2 = a1 0 + a2 1 = a2 = 0 1 a1 .
a2
0
0
0
0
0 0
4
1 1
a
1
0 1
= 2 .
a2
0
0 0
Esse sistema possui solucao unica a1 = 2 e a2 = 2. Logo ~v e combinacao
de u~1 e u~2 . De fato,
(4, 2, 0) = 2(1, 0, 0) + 2(1, 1, 0).
Exemplo 85. Considere os vetores u~1 = (1, 0, 0) e u~2 = (1, 1, 0). O
vetor ~v = (1, 2, 1) nao e combinacao linear de u~1 e u~2 . Para provar esse fato, suponhamos inicialmente que ~v possa ser escrito como
combinacao de u~1 e u~2 . Isso quer dizer que existem a1 , a2 R tais que
~v = a1 u~1 + a2 u~2
(1, 2, 1) = a1 (1, 0, 0) + a2 (1, 1, 0)
Utilizando a identificacao entre vetores de Rn e matrizes coluna, podemos escrever
1
1
1
a1 + a2
1 1
2 = a1 0 + a2 1 = a2 = 0 1 a1 .
a2
1
0
0
0
0 0
Para encontrar as constantes a1 e a2 devemos entao resolver o sistema
de tres equacoes e duas incognitas
1
1 1
a
1
0 1
= 2 .
a2
0 0
1
Esse sistema nao possui solucao, uma vez que a ultima equacao equivale
a 0 = 1.
De fato, qualquer combinacao linear desses vetores e da forma
a1 (1, 0, 0) + a2 (1, 1, 0) = (a1 + a2 , a2 , 0)
que nunca pode ser igual ao vetor (1, 2, 1).
2
1 0
a1
A= 0 1 , X=
e B = 3 .
a2
2 0
4
Esse sistema possui solucao unica a1 = 2 e a2 = 3. De fato,
(2, 3, 4) = 2(1, 0, 2) + 3(0, 1, 0).
1 0
2
a1
e B = 3 .
A= 0 1 , X=
a2
0 0
4
Esse sistema nao possui solucao e portanto o vetor (2, 3, 0) nao e combinacao linear de (1, 0, 2) e (0, 1, 0). De fato, qualquer combinacao
linear desses vetores e da forma
a1 (1, 0, 0) + a2 (0, 1, 0) = (a1 , a2 , 0)
que nunca pode ser igual ao vetor (2, 3, 4).
Exerccio 81. Verifique se o vetor ~v e combinacao linear dos vetores
u~1 , . . . , u~n dados abaixo. Em caso afirmativo, encontre a combinacao
linear desses vetores que gera ~v .
1. ~v = (1, 1); u~1 = (1, 0);
2. ~v = (2, 2); u~1 = (1, 1);
3. ~v = (2, 3); u~1 = (1, 0), u~2 = (0, 1);
4. ~v = (2, 3); u~1 = (1, 0), u~2 = (1, 1);
5. ~v = (1, 1, 1); u~1 = (1, 0, 0), u~2 = (0, 1, 0);
6. ~v = (2, 2, 2); u~1 = (1, 0, 1), u~2 = (0, 1, 0);
7. ~v = (2, 2, 2); u~1 = (1, 0, 1), u~2 = (0, 1, 0), u~3 = (1, 1, 1);
8. ~v = (2, 3, 1); u~1 = (1, 0, 0), u~2 = (0, 1, 0), u~3 = (0, 0, 1);
9. ~v = (2, 3, 1); u~1 = (1, 1, 0), u~2 = (0, 1, 0), u~3 = (0, 1, 1);
10. ~v = (2, 3, 1, 1); u~1 = (1, 0, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0)
11. ~v = (2, 3, 1, 1); u~1 = (1, 0, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0)
(0, 0, 0, 1);
12. ~v = (2, 3, 1, 1); u~1 = (1, 1, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0)
(0, 0, 1, 1);
13. ~v = (2, 3, 1, 1); u~1 = (1, 1, 0, 0), u~2 = (0, 1, 0, 0), u~3 = (0, 0, 1, 0)
(0, 0, 1, 1), u~5 = (1, 1, 1, 1).
Observac
ao 10. Cada item do exerccio anterior leva a um sistema
linear. Resolva os sistemas com o auxlio de um computador.
Queremos encontrar condicoes que informem se dentre um conjunto
de vetores, algum deles pode ser escrito como combinacao linear dos
outros. Para isso definimos a nocao de dependencia linear.
Definic
ao 9. Dizemos que um conjunto de vetores {u~1 , . . . , u~k } V
e linearmente independente (LI) se a equacao
a1 u~1 + + ak u~k = 0
so admite a solucao trivial a1 = . . . = ak = 0, ou seja, se a unica
combinacao linear dos vetores que gera o vetor nulo e aquela em que
todas as constantes sao nulas.
Caso contrario, dizemos que os vetores sao linearmente dependentes
(LD). Um conjunto de vetores e LD se existe uma combinacao linear
deles que gera o vetor nulo em que pelo menos uma das constantes e
nao-nula.
Exemplo 88. Um conjunto de vetores que contem o vetor nulo e sempre
LD. De fato, tomando o conjunto {u~1 , . . . , u~k , 0} podemos escrever a
combinacao linear
0 u~1 + + 0 u~k + 1 0 = 0.
Temos entao uma combinacao linear dos vetores que gera o vetor nulo
em que a ultima constante utilizada e diferente de zero. Isso implica
que esses vetores sao LD.
Exemplo 89. Um conjunto formado por um unico vetor nao nulo ~u
e sempre LI. Nesse caso, as unicas combinacoes lineares possveis sao
multiplos de ~u e para que um desses multiplos seja o vetor nulo temos
que
~u = 0
1 1
A = 1 0 .
0 0
O sistema AX = 0 possui solucao apenas a solucao trivial, como pode
ser facilmente verificado.
Se k = n, A e uma matriz quadrada e o sistema AX = 0 possui
solucao unica se, e somente se, det(A) 6= 0.
Corolrio 8. Um conjunto de n vetores em Rn e LI se, e somente se, a
matriz A construda utilizando esses vetores como colunas tem determinante diferente de zero.
Exemplo 92.
u~1 =
1. Os vetores
1, 0, 1 , u~2 =
1, 0, 1 , u~3 =
0, 1, 0
sao LI . Para vermos isso devemos mostrar que a unica possibilidade para escrevermos o vetor nulo como combinacao linear de
u~1 , u~2 e u~3 e com todas as constantes iguais a zero. Para mostrar
que isso de fato acontece, devemos resolver o sistema AX = 0,
em que A e a matriz formada colocando u~1 , u~2 e u~3 como colunas:
1 1 0
A = 0 0 1 .
1 1 0
Como o determinante de A e diferente de zero, o sistema AX =
0 possui apenas a solucao trivial e isso quer dizer que a unica
combinacao linear de u~1 , u~2 e u~3 que resulta o vetor nulo e aquela
em que as constantes sao todas nulas o que implica que esses
vetores sao LI.
2. Do mesmo modo mostramos que os vetores
1, 0, 0 , 0, 1, 0 , 0, 0, 1
sao LI.
3. Mais geralmente os vetores
1, 0, . . . 0 , 0, 1, . . . 0 , . . . , 0, 0, . . . 1
sao LI.
4. Os vetores
u~1 =
1, 0, 1 , u~2 =
1, 0, 1 , u~3 =
1, 0, 0
sao LD . Para vermos isso devemos mostrar que podemos escrever o vetor nulo como combinacao linear de u~1 , u~2 e u~3 com as
constantes nao todas nulas. Para mostrar que isso de fato acontece, devemos resolver o sistema AX = 0, em que A e a matriz
formada colocando u~1 , u~2 e u~3 como colunas:
1 1 1
A = 0 0 0 .
1 1 0
1 1 1
A = 3 0 2
1 0 1
que tem determinante igual a 5.
Exemplo 95. Os vetores (1, 3, 1) (1, 1, 1) e (1, 2, 1) sao LD. De fato,
a matriz obtida usando esses vetores como colunas e
1 1 1
A = 3 1 2
1 1 1
que tem determinante igual a 0.
Tres ou mais vetores em R2 , assim como quatro ou mais vetores em
R3 , assim como mais de n vetores em Rn sao sempre LD. Isso acontece
porque o problema de identificar se esses vetores sao ou nao LI leva a
um sistema homogeneo com mais incognitas que equacoes, que sempre
possui solucao nao trivial.
Teorema 13. O numero maximo de vetores LI em Rn e igual a n.
a2
ak
v~2 v~k = 0.
a1
a1
6.4.1
Subespacos gerados
Definic
ao 10. Dado um espaco vetorial V e um conjunto de vetores
u~1 , . . . , u~k , o subespaco gerado por esses vetores e o conjunto de todas
6.4.2
Base e Dimens
ao
linear dos elementos desse conjunto. e possvel mostrar que todo espaco
vetorial possui um conjunto LI com essa propriedade.
Definic
ao 11. Uma base para um espaco vetorial V e um conjunto LI
B = {u~1 , . . . , u~k }
tal que todo vetor de V e combinacao linear de u~1 , . . . , u~k , ou seja
hu~1 , . . . , u~k i = V.
Observac
ao 12. Uma base para um espaco vetorial V nunca e unica.
De fato, para qualquer espaco vetorial V existem infinitas bases, como
veremos adiante.
Exemplo 102. Os vetores u~1 = (1, 0) e u~2 = (0, 1) formam uma base
para R2 . De fato, esses vetores sao LI e qualquer vetor de R2 pode ser
escrito como combinacao linear de u~1 e u~2 . Isso pode ser facilmente
provado: um vetor qualquer de R2 e da forma
~v = (a1 , a2 ) = (a1 , 0) + (0, a2 ) = a1 (1, 0) + a2 (0, 1) = a1 u~1 + a2 u~2 .
(6.3)
(6.4)
(6.5)
(6.6)
b1 (x11 u~1 + x12 u~2 + . . . + x1k u~k ) + b2 (x21 u~1 + x22 u~2 + . . . + x2k u~k ) + .
bm (xm1 u~1 + xm2 u~2 + . . . + xmk u~
Colocando em evidencia os vetores u~i na equacao acima chegamos `a
(b1 x11 + b2 x21 + . . . + bm xm1 ) u~1 + (b1 x12 + b2 x22 + . . . + bm xm2 ) u~2 +
+ . . . + (b1 x1k + b2 x2k + . . . + bm xmk ) u~k =
A equacao acima fornece uma combinacao linear dos vetores u~1 , . . . , u~k
que resulta no vetor nulo. Como esses vetores sao LI, isso so pode
acontecer se todas as constantes forem zero, o que implica que
b1 x11 + b2 x21 + . . . + bm xm1
b1 x12 + b2 x22 + . . . + bm xm2
...
b1 x1k + b2 x2k + . . . + bm xmk
=
=
=
=
0
0
...
0.
(6.7)
que gera o vetor nulo em que pelo menos uma das constantes e nao
nula. Afirmamos que b 6= 0. Se b fosse igual a 0, poderamos eliminar
o vetor ~v da equacao acima e teramos
a1 u~1 + a2 u~2 + . . . + an u~n = 0
em que pelo menos uma das constantes e nao nula. Como {u~1 , . . . , u~n }
e uma base, e em particular LI, e portanto isso nao pode acontecer.
Logo conclumos que b 6= 0.
Podemos entao isolar ~v na equacao (6.7), o que nos leva a
~v =
a1
a2
an
u~1 u~2 . . . u~n .
b
b
b
Isso mostra que, independente de quem seja o vetor ~v , ele pode ser
escrito como combinacao linear de {u~1 , . . . , u~n }. Logo esse conjunto e
uma base para V .
Assim, para verificar se um conjunto de vetores e ou nao uma base
para um espaco vetorial V , basta verificarmos se ele possui o numero
correto de vetores e se esses vetores sao LI. O teorema acima garante que
nessas condicoes, o conjunto gera V e portanto e uma base. Podemos
resumir esse resultado da seguinte forma:
Uma base para um espaco vetorial de dimensao n e um conjunto LI
com exatamente n vetores.
Exemplo 104. Verifique se os vetores abaixo formam uma base para o
espaco vetorial ao qual pertencem.
1. (1, 1);
2. (1, 2), (1, 0);
3. (1, 2), (1, 0), (0, 1);
4. (1, 0, 0) , (0, 1, 1) ;
6.4.3
Subespacos
Sabemos que um supespaco vetorial S V e tambem um espaco vetorial com as operacoes se soma e multiplicacao por constante utilizadas
em V . Dessa forma, todas os resultados anteriores se aplicam tambem
para subespacos. Vamos enuncia-los novamente para esse caso particular e em seguida analisar alguns exemplos.
Definic
ao 13. Uma base para um subespaco vetorial S V e um
conjunto LI
B = {u~1 , . . . , u~k }
tal que todo vetor de S e combinacao linear de u~1 , . . . , u~k , ou seja,
hu~1 , . . . , u~k i = S.
Exemplo 105. Os vetores u~1 = (1, 0, 0) e u~2 = (0, 1, 0) formam uma
base para o plano xy em R3 . De fato, esses vetores sao LI e qualquer
vetor do plano xy pode ser escrito como combinacao linear de u~1 e u~2 .
Isso pode ser facilmente provado: um vetor qualquer nesse plano e da
forma
1 0 1
A = 0 1 1 .
1 1 2
Temos que det(A) = 0 o que significa que os vetores sao LD. Assim,
ha um vetor desnecessario dentro do conjunto. Para descobrir qual
dos vetores pode ser eleminado, temos que descobrir qual deles pode
ser escrito como combinacao linear dos outros. Isso pode ser feito
resolvendo o sistema AX = 0. A matriz de incognitas
1
X = 2
3
fornece as constantes que devem ser utilizadas na combinacao linear
para gerar o vetor nulo. Esse sistema possui infinitas solucoes dadas
por 1 = 3 , 2 = 3 , 3 R. Escolhendo 3 = 1 chegamos `a
combinacao linear
u~1 u~2 + u~3 = 0.
Na equacao anterior, podemos isolar qualquer um dos tres vetores e
escreve-lo como combinacao linear dos outros. Por exemplo, temos
u~3 = u~1 + u~2 .
Observac
ao 15. O subespaco S do exemplo 108 e o mesmo subespaco
do exemplo 106, escrito de maneira diferente. Observe que a diferenca
entre as parametrizacoes dadas e a constante , que pode ser eliminada
uma vez que o vetor (1, 1, 2) e combinacao linear de (1, 1, 0) e (0, 1, 1).
Exemplo 109. Vamos encontrar uma base para o plano dado pela
equacao x y + z = 0 em R3 . Para isso, escrevemos o plano atraves de
x+yz = 0
x 2y z = 0
2x y 2z = 0.
1 1 1
A = 1 2 1 .
2 1 2
1 0 1
0 1 0 .
0 0 0
(1, 0, 1),
o que prova que o vetor u~1 = (1, 0, 1) gera S. Como um conjunto com
apenas um vetor nao nulo e LI, {u~1 } e uma base para S.
Observac
ao 16. Observe que esse subespaco e a reta passando pela
origem com vetor diretor (1, 0, 1), ilustrada na figura abaixo.
Observac
ao 17. O subespaco S e o que chamamos de espaco nulo da
matriz A.
Exemplo 112. Vamos encontrar uma base para o conjunto de solucoes
do sistema
2x1 + 2x2 x3 + x4 = 0
x1 x2 + 2x3 + x4 = 0
x1 + x2 2x3 x4 = 0.
Inicialmente, devemos caracterizar o conjunto de solucoes. Para isso,
devemos resolver o sistema linear. A matriz de coeficientes e
2 2 1 1
A = 1 1 2 1 .
1 1 2 1
Escalonando essa matriz obtemos
1 1 0 1
0 0 1 1 .
0 0 0 0
Logo as solucoes do sistema linear sao dadas por x1 = x2 x4 , x3 =
x4 , x2 , x4 R. Assim, fazendo x2 = e x4 = , o conjunto de
1 1 0 1 5
1 0 0 2 2
A=
0 0 1 4 1 .
0 0 0 0 0
Esse e o subespaco de R5 formado pelas solucoes do sistema AX = 0.
Inicialmente, devemos caracterizar o conjunto de solucoes. Para isso,
devemos resolver o sistema linear. Escalonando a matriz A obtemos
1 0 0 2 2
0 1 0 1 3
0 0 1 4 1 .
0 0 0 0 0
Logo as solucoes do sistema linear sao dadas por x1 = 2x4 2x5 , x2 =
x4 3x5 , x3 = x5 4x4 , x4 , x5 R. Assim, fazendo x4 = e x5 = ,
o conjunto de solucoes do sistema pode ser escrito na forma
S = {(2 2, 3, 4, , ); , R} .
1 1 0 1 5
1 0 0 2 2
A=
2 1 0 3 7 .
0 0 0 0 0
Esse e o subespaco de R5 formado pelas solucoes do sistema AX = 0.
Inicialmente, devemos caracterizar o conjunto de solucoes. Para isso,
devemos resolver o sistema linear. Escalonando a matriz A obtemos
1 0 0 2 2
0 1 0 1 3
0 0 0 0 0 .
0 0 0 0 0
Logo as solucoes do sistema linear sao dadas por x1 = 2x4 2x5 , x2 =
x4 3x5 , x3 , x4 , x5 R. Assim, fazendo x3 = , x4 = e x5 = , o
conjunto de solucoes do sistema pode ser escrito na forma
S = {(2 2, 3, , , ); , , R} .
Vamos agora encontrar um conjunto de geradores para esse subespaco.
Isso pode ser feito separando nos vetores de S a parte que depende
apenas de e a parte que depende apenas de :
2x + 3y z + w = 0
5x + y + 10z + 2w = 0 ;
1.
3x 2y + 11z + w = 0
x + 2y z = 0
;
xy+z = 0
x + 2y z w = 0
.
x + y + z + 2w = 0
2.
3.
Resultados adicionais
Veremos agora alguns resultados que podem ser uteis em varias situacoes.
Teorema 19. Um conjunto {u~1 , . . . , u~k } em um espaco vetorial V e
uma base se, e somente se, todo vetor de V pode ser escrito de maneira
unica como combinacao linear de u~1 , . . . , u~k .
Demonstracao. Primeiramente, suponhamos que todo vetor de V pode
ser escrito como combinacao linear dos vetores {u~1 , . . . , u~k }. Vamos
mostrar que esse conjunto e uma base.
Ja sabemos que esse conjunto gera V , entao resta mostrar que e
LI. Se esse conjunto fosse LD, seria possvel escrever o vetor nulo como
combinacao linear deles sem que todas as constantes sejam nulas, o que
nao pode acontecer uma vez que todo vetor e escrito como combinacao
linear de {u~1 , . . . , u~k } de maneira unica. Logo a unica forma de escrever
o vetor nulo como combinacao linear de {u~1 , . . . , u~k } e utilizando todas
as constantes iguais a zero e os vetores sao LI.
Suponhamos agora que {u~1 , . . . , u~k } e uma base de V . Vamos
mostrar que todo vetor e escrito de maneira unica como combinacao
linear desses vetores. Suponhamos que
~v = 1 u~1 + . . . + k u~k
~v = 1 u~1 + . . . + k u~k
sejam duas formas de escrever o mesmo vetor ~v como combinacao linear
de {u~1 , . . . , u~k }. Subtraindo as duas equacoes temos
0 = (1 1 ) u~1 + . . . + (k k ) .
Como {u~1 , . . . , u~k } e uma base, em particular e LI e portanto a unica
forma de escrever o vetor nulo como combinacao linear deles com todas
as constantes iguais a zero. Isso implica que i = i e as duas formas
de escrever ~v sao iguais.
6.5
Produto Interno
n
X
x i yi
i=1
Z
f (x)g(x)dx
[0,1]
mi i
~v ~v .
Definic
ao 15. Dizemos que dois vetores ~u e ~v sao ortogonais se ~u
~v = 0. Dizemos que um conjunto E = {v~1 , . . . , v~k } e ortogonal se
seus elementos sao dois a dois ortogonais. Dizemos que um conjunto
E = {v~1 , . . . , v~k } e ortonormal se e ortogonal e v~i v~i = 1 para todo i.
Exerccio 94. Mostre que se u e v sao ortogonais, entao
ku + vk2 = kuk2 + kvk2 .
Exerccio 95. Mostre que as funcoes f (x) = cos
sao ortogonais com o produto interno
Z
f~ ~g =
f (x)g(x)dx
x
2
e g(x) = sen
x
2
[0,1]
~v v~i
.
||~
vi ||2
Demonstracao.
1. Suponhamos que
V = 1 v~1 + 2 v~2 + . . . + k v~k = 0.
(6.8)
=
=
=
=
0 v~i
0
0
0.
Como k~
vi k 6= 0, a equacao acima implica que i = 0. Logo a
equacao (6.9) so pode ser verdadeira se todas as constantes i
sao nulas e portanto o conjunto {v~1 , . . . , v~k } e LI.
2. Suponhamos que
1 v~1 + 2 v~2 + . . . + k v~k = 0.
(6.9)
~v ~
vi
k~
vi k2 ,
=
=
=
=
~v v~i
~v v~i
~v v~i
~v v~i .
Definic
ao 16. Dizemos que uma base B = {v~1 , . . . , v~k } para o espaco
vetorial V e uma base ortogonal se seus elementos sao dois a dois
ortogonais. Dizemos uma base B = {v~1 , . . . , v~k } e uma base ortonormal
se e ortogonal e v~i v~i = 1 para todo i.
~v v~i
= ~v v~i .
||~
v ||2
Exerccio 96. Verifique se os conjuntos de vetores abaixo sao ortogonais. Verifique quais deles sao ortonormais. Verifique quais deles
constituem bases de R3 .
1. {(1, 2, 1), (1, 0, 1)} ;
o
n
1 1
1
1
1
2.
, 3 , 3 , 2 , 0, 2
;
3
3. {(1, 2, 2), (1, 2, 1), (0, 0, 1)} ;
o
n
1
1
1
1
1
2
1
1
, ,
, ,0
4.
, 6 , 6 , 6
;
3
3
3
2
2
Exerccio 97. Considere os conjuntos acima que sao bases de R3 . Escreva o vetor (1, 1, 1) como combinacao linear dos elementos dessas
bases.
Exerccio 98. Sejam ~v = (1, 1, 2) e ~u = (a, 1, 2). Para quais
valores da constante a os vetores ~v e ~u sao ortogonais?
1
1
1
6.5.1
Projec
ao e o M
etodo Ortogonaliza
c
ao de
Gram-Schmidt
Definic
ao 17. A projecao de um vetor ~v sobre um vetor nao nulo ~u e
o vetor
~v ~u
proj~u~v =
~u.
k~uk2
Observe que proj~u~v e um multiplo de ~u.
Demonstracao. De fato,
~v ~u
w
~ ~u = (~v proj~u~v ) ~u = ~v ~u proj~u~v ~u = ~v ~u
k~uk2
~u ~u = 0.
v~1
.
kv1 k
wk
.
kwk k
Dessa forma podemos exibir todos os vetores u~1 , . . . , u~n ; por construcao
eles geram o mesmo espaco que v~1 , . . . , v~n . Sao tambem ortonormais,
sendo assim a base ortonormal procurada do espaco V .
Observac
ao 19. No processo que mostramos acima, a cada passo normalizamos o vetor para ja chegar a um vetor de norma um. Podemos
primeiramente ignorar a normalizacao e encontrar um conjunto de vetores ortogonais entre si e no final dividir cada um deles pela sua norma.
Exemplo 120. Considere a base de R2
3
2
S = v~1 =
, v~2 =
.
1
2
Agora , aplicamos Gram-Schmidt para obter um conjunto ortonormal de vetores:
3
w~1 = v~1 =
1
v~2 v~1
8 3
2
2/5
w~2 = v~2 proju~1 (v~2 ) = v~2
v~1
=
.
2
6/5
kv~1 k2
10 1
Verificamos que os vetores w~1 e w~2 sao, de fato, ortogonais:
6 6
3
2/5
w~1 w~2 =
,
= + = 0.
1
6/5
5 5
Vamos agora normaliza-los dividindo pela norma de cada um dos
vetores:
1
3
u~1 =
10 1
1
u~2 = q
40
25
6.5.2
1
1
2/5
.
=
6/5
10 3
Subespacos Ortogonais
Definic
ao 18. Dizemos que dois subespacos S1 e S2 sao ortogonais se
sempre que v~1 S1 e v~2 S2 , v~1 v~2 = 0.
Exemplo 121. A figura abaixo mostra duas retas passando pela origem
em R2 , perpendiculares entre si. Essas retas sao subespacos ortogonais.
Observe que qualquer vetor pertencente `a reta a e ortogonal `a qualquer vetor pertencente `a reta b.
Mudanca de Base
Vimos nos captlos anteriores que uma base para um espaco vectorial
V de dimensao k e um conjunto de k vetores LI {u~1 , . . . , u~k } com a
propriedade de que cada vetor no espaco pode ser expresso unicamente
como uma combinacao linear dos vetores de u~1 , . . . , u~k . Uma vez que
e muitas vezes desejavel trabalhar com mais dee uma base para um
espaco vetorial , e de importancia fundamental que sejamos capazes
de transformar representacoes de vetores em relacao a uma base para
as suas representacoes equivalentes com relacao a outra base. Essa
transformacao e chamada uma mudanca de coordenadas ou mudanca
de base.
Definic
ao 19. Seja B = {u~1 , . . . , u~k } uma base para um espaco vetorial V . Dado ~v V , as constantes 1 , . . . , k R tais que
~v = 1 u~1 + . . . + k u~k
a notacao
1
2
~v =
... .
k B
(7.1)
~v =
... .
ak
A figura acima mostra os vetores u~1 = (1, 2) e u~2 = (1, 1) (em preto),
os vetores 4u~1 = (4, 8) e 7u~2 = (7, 7) (em vermelho), e o vetor ~v
(em azul). Observe que o vetor em azul e a soma dos vetores em
vermelho.
1
p(x) = 1 .
5 B
2
Exerccio 104. Considere a base B1 = 1, x, x2 , x3 de P3 . Encontre
as coordenadas de um polinomio qualquer p(x) P3 em relacao base
B1 .
Exerccio 105.
1. Mostre que B2 = 1, x + 1, x2 x + 1, x3 x2
e base de P3 .
2. Encontre as coordenadas de p(x) = x3 2x2 + 4x + 3 em relacao
base B2
A definicao anterior tambem vale para subespacos de um espaco
vetorial V .
Definic
ao 20. Seja B = {u~1 , . . . , u~k } uma base para um subespaco S
de um espaco vetorial V . Dado ~v S, as constantes 1 , . . . , k R
tais que
~v = 1 u~1 + . . . + k u~k
sao chamadas coordenadas do vetor ~v em relacao base B.
Observe que, independente de quem seja o espaco vetorial V e de
como seus elementos sao inicialmente representados, o numero de coordenadas de um vetor ~v S em relacao a qualquer uma das bases de
S e sempre igual dimensao do subespaco S.
Exemplo 130 (Um subespaco de dimensao 2 em R3 .). Considere o
subespaco
S = (a, b, a + b) R3 ; a, b R
Encontre as coordenadas do vetor (2, 3, 5) em relacao
{(1, 0, 1), (0, 1, 1)} .
base B =
1
0
1
0
2
1
1
= 3 .
2
1
5
Exerccio 106.
~v v~i
.
||~
vi ||2
~v v~i
= ~v v~i .
||~
vi ||2
~v =
1
32
2
1
~v = ...
k
(7.2)
(7.3)
(7.4)
(7.5)
(7.6)
(7.7)
M11 M12
M21 M22
M =
..
...
.
Mk1 Mk2
. . . M1k
. . . M2k
.
. . . ..
. . . Mkk
M11
1
M
... = .21
..
k B
2
Mk1
a base B2 , ou seja
M12 . . . M1k
1
M22 . . . M2k
... .
..
..
. ... .
k B
1
Mk2 . . . Mkk
i=1
k
X
!
Mik v~i
i=1
=
,
2 1
1 C
7 B
exatamente como mostrado no exemplo 127.
Exerccio 107. Utilize as matrizes encontradas no exemplo 134 para
calcular as coordenadas dos vetores abaixo em relacao base B formada
pelos vetores u~1 = (1, 2) e u~2 = (1, 1).
4
1.
;
7 B
1
2.
;
1 B
1
3.
.
1
23
3
u~1 =
, u~2 =
.
2
1
3 C
3 .
M = 32
1
1
3
23
2
3
1
3
=
.
1 C
13
23 13
B
1 , 1
2
2
e u~2 =
1 , 1
2
2
Exerccio 118. Seja B = {u~1 , u~2 } uma base de R2 tal que a mudanca
de coordenadas da base canonica para B seja dada por:
1
3
1 =
1 2
2
2
3
1
2 .
2 = 1 +
2
2
1. Encontre as coordenadas dos vetores da base B na base canonica.
A base B e uma base ortonormal?
2. Encontre a matriz de mudanca de coordenadas da base B para a
base canonica.
Exerccio 119. Seja B = {u~1 , u~2 , u~3 } uma base de R3 tal que a mudanca de coordenadas da base canonica para B seja dada por:
1
1
1 = 1 2
2
2
1
1
3
2 = 1 + 2 3
5
5 5
3
3
2
3 = 1 + 2 3 .
10
10
10
1. Encontre as coordenadas dos vetores da base B na base canonica.
A base B e uma base ortonormal?
2. Encontre a matriz de mudanca de coordenadas da base B para a
base canonica.
Provas antigas
I. 9 de dezembro de 2010
1. (1 pt) Dados os conjuntos de vetores em R3
x1 x2 = 0
x3 + x6 = 0
x4 = 0
x5 = 0
x7 = 0
que possui 7 incognitas x1 , x2 , x3 , x4 , x5 , x6 , x7 .
a) Seja W o conjunto de solucoes desse sistema. W e subespaco
de qual Rn ?
b) Encontre uma base para W e sua dimensao.
c) Mostre que V1 = (1, 1, 2, 0, 0, 2, 0), V2 = (2, 2, 1, 0, 0, 1, 0)
pertencem a W .
d) Mostre que {V1 , V2 } formam uma base de W .
III. 19 de outubro de 2010
1. (1 pt) Dados os conjuntos de vetores em R3
2. (1 pt)
a) Mostre que
{(x, y, z) R3 |X 3z = 5}
NO e um subespaco de R3 .
b) Mostre que o vetor nulo e combinacao linear de qualquer conjunto de vetores V1 , . . . , Vn .
3. (1,5 pt) Seja o subconjunto
W = {(x, y, z, w) R4 |x z = 0}
a) Mostre que W e um subespaco de R4 .
b) Encontre uma base para W e sua dimensao.
2. (1 pt)
a) Mostre que
{(x, y, z) R3 |X 3z = 5}
NO e um subespaco de R3 .
b) Mostre que o vetor nulo e combinacao linear de qualquer conjunto de vetores V1 , . . . , Vn .
3. (1,5 pt) Seja o subconjunto
W = {(x, y, z, w) R4 |x z = 0}
a) Mostre que W e um subespaco de R4 .
b) Encontre uma base para W e sua dimensao.
x1 x2 + x3 + x4 = 0
x1 + x2 x3 x4 = 0
3x1 + x2 x3 x4 = 0
que possui 4 incognitas x1 , x2 , x3 , x4 .
b) Encontre uma base para W e sua dimensao.
c) Mostre que V1 = (0, 1, 1, 2), V2 = (0, 2, 2, 0) pertencem a
W.
d) Mostre que {V1 , V2 } formam uma base para W .
3. a) Para quais valores de a R o conjunto B = {(a, 1, 0), (1, a, 1)}
e uma base de R3 ?
b) a R o conjunto B = {(a, 1), (1, a)} e uma base de R3 ?
c) Faca a = 2 no conjunto da letra b e encontre uma base ortonormal para R2 a partir dessa utilizando o processo de ortogonalizacao de Gram-Schmidt.
4. ( 0,9 pt) Dados os vetores
Transformacoes Lineares
Uma transformacao linear e um tipo particular de funcao entre dois
espacos vetoriais que preserva as estruturas de espaco vetorial de cada
um deles, isto e, e uma funcao que preserva as operacoes de adicao
9.1
Definic
ao
Definic
ao 21. Sejam U e V espacos vetoriais. Uma aplicacao T : U
V e dita uma transformacao linear se dados u~1 , u~2 U e R temos
T (u~1 ) = T (u~1 )
T (u~1 + u~2 ) = T (u~1 ) + T (u~2 )
T (u~1 ) =
=
=
=
T (x1 + x2 , y1 + y2 )
(x1 + x2 ) + (y1 + y2 )
(x1 + y1 ) + (x2 + y2 )
T (u~1 ) + T (u~2 ).
T (x1 , y1 ))
x1 + y1
(x1 + y1 )
T (x1 , y1 ) = T (u~1 ).
(p1 (x)) =
R
x
(x, y) 7 ye .
2.
T2 : R2 R
(x, y) 7 x y
3.
T3 : R2 R
(x, y) 7 ax + by
em que a e b sao numeros reais quaisquer.
4.
T4 : R3 R2
(x, y, z) 7 (xy, yz)
5.
T5 : Rn R
T3 (v) 7 kvk
6.
T6 : R3 R2
(x, y, z) 7 (x, y)
7.
T7 : R3 R2
(x, y) 7 (ax + by, cx + dy)
em que a, b, c e d sao numero reais quaisquer.
9.2
Propriedades
Teorema 28. Se T e uma transformacao linear entre dois espacos vetoriais U e V , entao T (0) = 0.
Demonstracao. De fato, dado ~u U qualquer, temos
T (0) = T (0 ~u) = 0 T (~u) = 0.
9.3
1
2
~u =
... .
m B
1
m
X
!
i u~i
m
X
i T (~
ui )
i=1
i=1
n
m X
X
i Tji v~j
i=1 j=1
" m
n
X
X
j=1
#
Tji i v~j
i=1
Tji i ,
i=1
T11 T12
1
T21 T22
[T (~u)]B2 = ... =
..
...
.
n B
2
Tn1 Tn2
. . . T1m
1
. . . T2m
...
..
... .
m B
1
. . . Tnm
(9.1)
2
[T ]B
B1
T11 T12
T21 T22
=
..
...
.
Tn1 Tn2
. . . T1m
. . . T2m
.
. . . ..
. . . Tnm
2
A multiplicacao pela matriz [T ]B
B1 equivale a tomar um vetor de
U escrito em relacao `a base B1 , aplicar a transformacao T e retornar
o resultado T (~u) escrito em relacao `a base B2 .
=
1 3
y C
x 3y C
corresponde justamente `a transformacao linear T .
Exemplo 147. Considere a base B = {(1, 1), (0, 1)} e a transformacao
linear
T : R2 R2
(x, y) 7 (2x + y, x 3y)
Encontre a matriz [T ]CB que representa essa transformacao linear em
relacao `a base B no domnio e no contradomnio.
Solucao. Queremos encontrar a matriz [T ]B
B . Para isso devemos encontrar a imagem dos elementos da base B e escreve-los em termos de
suas coordenadas em relacao `a base B.
T (1, 1) = (3, 2) = 3(1, 1) 5(0, 1)
T (0, 1) = (1, 3) = (1, 1) 4(0, 1).
Temos entao
3
T (1, 1) =
,
5 B
1
T (0, 1) =
4
.
B
1 2
[T ]CC = 3 0 .
1 5
Observe que a multiplicacao
1 2
x + 2y
3 0 x = 3x
y C
1 5
x + 5y C
corresponde justamente `a transformacao linear T .
Exemplo 149. Considere a base B = {(1, 1), (1, 1)} de R2 e a transformacao linear
T : R2 R3
(x, y) 7 (x + 2y, 3x, x + 5y).
3 1
[T ]CB = 3 1 .
4 6
A multiplicacao por essa matriz leva um vetor ~u U escrito em suas
coordenadas na base B ao vetor T (~u) escrito em suas coordenadas na
base canonica.
Exerccio 123. Seja T : R2 R2 uma transformacao linear tal que
T (1, 1) = (2, 4) e T (0, 1) = (1, 1).
1. Encontre [T ]CB em que B e a base formada pelos vetores (1, 1) e
(0, 1).
2. Encontre [T ]CC .
Exerccio 124. Seja T : R3 R2 uma transformacao linear tal que
T (1, 1, 1) = (1, 0), T (1, 0, 1) = (1, 1) e T (0, 0, 1) = (0, 0).
1. Encontre [T ]CB em que B e a base formada pelos vetores (1, 1, 1)
(1, 0, 1) e (0, 0, 1).
2. Encontre [T ]CC .
B2
C
C
2
[T ]B
B1 = [I]C [T ]C [I]B1 .
0 1
=
.
1 0
=
.
1 0
1 3
2 1
Observe que a representacao matricial encontrada acima esta de acordo
com o que esperamos, uma vez que
T2 T1 (x, y) = T2 (2x + y, x 3y) = (x + 3y, 2x + y).
(x, y) =
3x y x 2y
+ ,
7
7 7
7
.
3.
T3 : R3 R3
(x, y, z) 7 (x, 2x + y, 2x 4y + z)
4.
T4 : R3 R3
(x, y, z) 7 (x + y + z, x + 2y + z, a + 2z)
5.
T5 : R3 R3
(x, y, z) 7 (x + y + z, x + z, x + z)
6.
T6 : R2 R2
(x, y) 7 (x y, 0)
7.
T7 : R2 R2
(x, y) 7 (ax + by, cx + dy)
em que a, b, c e d sao numero reais quaisquer.
9.4
N
ucleo e Imagem
Definic
ao 22. O nucleo de uma transformacao linear T : U V e o
conjunto de todos os vetores de U que sao levados ao vetor nulo de V :
N (T ) = {~u U | T (~u) = 0} .
Teorema 35. O nucleo de uma transformacao linear T : U V e um
subespaco vetorial de U .
Demonstracao. De fato, dados u~1 , u~2 N (T ) e R temos
T (u~1 + u~2 ) = T (u~1 ) + T (u~2 ) = 0 + 0 = 0,
T (u~1 ) = T (u~1 ) = 0 = 0.
Isso implica que tanto u~1 + u~2 quanto u~1 pertencem a N (T ) e portanto
N (T ) e um subespaco de U .
Observac
ao 21. Se lembramos que, fixadas bases no domnio e na
imagem, a acao de T e sempre dada pela multiplicacao por uma matriz
M , N (T ) corresponde ao conjunto de solucoes do sistema M X = 0,
que ja sabemos ser um subespaco de U .
Exemplo 154. Encontre o nucleo da transformacao linear
3
T : R3 R
3z
(x, y, z) 7 2x z, 2z + y, x + y +
2
= 0
2x z
2z + y
= 0
3z
x+y+
= 0
=
=
=
=
=
T (u~1 ) = T (u~2 )
T (u~1 ) T (u~2 ) = 0
T (u~1 u~2 ) = 0
u~1 u~2 N (T )
u~1 u~2 = 0
u~1 = u~2 .
9.4.1
Definic
ao 26. Dizemos que uma funcao f : X Y e bijetiva se ela
for simultaneamente injetiva e sobrejetiva.
Uma transformac
ao linear sera injetiva quando dim N (T ) = 0;
Uma transformac
ao linear sera sobrejetiva quando dim I(T ) =
dim V ;
Uma transformac
ao linear sera bijetiva quando dim N (T ) = 0 e
dim I(T ) = dim V . Pelo teorema do nucleo e da imagem, isso
implica que dim U = dim V.
Definic
ao 27. Se T : U V e uma transformacao linear bijetiva, T
e chamada de isomorfismo entre U e V .
Exemplo 157. Verifique se a transformacao linear
3
T : R3 R
3z
(x, y, z) 7 2x z, 2z + y, x + y +
2
5.
T5 : R3 R3
(x, y, z) 7 (x + y + z, x + z, x + z)
6.
T6 : R2 R2
(x, y) 7 (x y, 0)
7.
T7 : R2 R2
(x, y) 7 (ax + by, cx + dy)
em que a, b, c e d sao numero reais quaisquer.
Exemplo 160. A transformacao linear
T : P2 R3
a2 x2 + a1 x + a0 7 (a2 , a1 , a0 )
e um isomorfismo.
De fato, se T (p(x)) = (0, 0, 0) entao a2 = a1 = a0 = 0, e portanto
o nucleo de T e N (T ) = {0}. Isso implica que T e injetiva. Pelo
teorema do nucleo e da imagem temos
dim P2 = dim N (T ) + dim I(T )
3 = 0 + dim I(T )
e portanto dim I(T ) = 3, o que implica que T e sobrejetiva. Logo T e
bijetiva, e portanto e um isomorfismo de P2 em R3 .
Exemplo 161. Utilize um raciocnio semelhante ao utilizado no exemplo acima para mostrar que P3 e R4 sao isomorfos. Em seguida, faca o
mesmo para Pn e Rn+1