Escolar Documentos
Profissional Documentos
Cultura Documentos
Introducao A Algebra Linear PDF
Introducao A Algebra Linear PDF
Editora UFMG
Diretor: Wander Melo Miranda
Vice-Diretor: Roberto Alexandre do Carmo Said
Conselho Editorial
Wander Melo Miranda (presidente)
Flavio de Lemos Carsalade
Heloisa Maria Murgel Starling
Márcio Gomes Soares
Maria das Graças Santa Bárbara
Maria Helena Damasceno e Silva Megale
Paulo Sérgio Lacerda Beirão
Roberto Alexandre do Carmo Said
Belo Horizonte
Editora UFMG
2009
Inclui referências.
ISBN: 978-85-7041-796-1
CDD: 512
CDU: 512.64
Elaborada pela DITTI – Setor de Tratamento da Informação
Biblioteca Universitária da UFMG
Apresentação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Ao Aluno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Aula 1 - Conceitos Fundamentais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1 Vetores na Física e na Matemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2 Sistemas lineares e o método de Gauss-Jordan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3 Cálculo de determinantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.4 Exercícios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Aula 2 - O Espaço n. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1 Equação paramétrica do plano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Sistemas lineares em três variáveis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 O espaço n. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4 Espaços vetoriais abstratos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5 Exercícios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Aula 3 - Subespaços do n e Bases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1 Subespaços e combinações lineares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Bases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3 Dimensão. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Exercícios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Aula 4 - Aplicações Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.1 Aplicações lineares e matrizes – Parte I. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Espaço linha e espaço coluna. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3 Multiplicação de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.4 Exercícios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Aula 5 - O Teorema do Núcleo e da Imagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.1 Teorema (da dimensão) do núcleo e da imagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.2 Isomorfismo e inversas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3 Obtenção da inversa de uma matriz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.4 Exercícios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Aula 6 - Mudanças de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.1 Representação de um vetor em uma base. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.2 Aplicações lineares e matrizes – Parte II. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.3 Aplicação: diagonalização de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.4 Exercícios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Intrd_Algebra linear_2011.indd 14 30/03/2011 07:58:05
“IntAL” — 2009/10/20 — 20:02 — page 1 — #1
AULA 1
Capítulo 1
Capítulo 1
Conceitos Fundamentais
Conceitos Fundamentais
Conceitos Fundamentais
Objetivos: No final desta Aula o aluno deve saber:
Objetivos: No final
1. distinguir o usodesta Aula o na
de vetores aluno deve
Física e nasaber:
Matemática;
Objetivos
No2. final
1. resolver
distinguirsistema
o uso
desta aula, lineares
de
o aluno pelo
vetores
deverá na método
ser de Matemática;
Física de:
capaz e na Gauss-Jordan;
1. distinguir o uso de vetores na Física e na Matemática;
3. resolver
2. calcular determinantes
sistema linearespor meio
pelo do escalonamento
método de uma matriz.
de Gauss-Jordan;
2. resolver sistema lineares pelo método de Gauss-Jordan;
3. 3.calcular determinantes
calcular determinantespor meio
por do
meioescalonamento de uma matriz.
do escalonamento de uma matriz.
1.1 Vetores na Física e na Matemática
1.1 Vetores na Física
Nosso primeiro contato com
e naaconteceu
1.1vetores
Vetores Matemática
na Física
antese de
naingressarmos
Matemática no
ensino superior; provavelmente em uma aula de Física, vetores nos fo-
Nosso primeiro contato
ram apresentados com vetorescom
como “grandezas aconteceu
módulo, antes de ingressarmos
direção no
e sentido” – tais
ensino superior; provavelmente em uma aula de Física,
como força, velocidade e aceleração. Aprendemos que vetores eram repre- vetores nos fo-
ram apresentados
sentados por setas:como “grandezas
a direção sendo coma demódulo,
uma retadireção e sentido”
contendo aquela –seta,
tais
como força, velocidade e aceleração. Aprendemos que vetores
o sentido indicado pela seta e o módulo como o tamanho da seta. Sendo eram repre-
sentados por cada
mais preciso, setas:reta
a direção sendo
do espaço a deuma
define umadireção,
reta contendo aquela seta,
convencionando-se
o sentido indicado pela seta e o módulo como o tamanho
que retas paralelas definem a mesma direção. Escolhido um segmento da seta. Sendo
em
mais preciso, cada reta do espaço define uma direção, convencionando-se
uma reta, ao orientarmos esse segmento escolhemos um sentido para o ve-
que retas paralelas
tor. Finalmente, definem a mesma
o comprimento direção.éEscolhido
do segmento o móduloum dessesegmento
vetor. em
uma reta, ao orientarmos esse segmento escolhemos um sentido para o ve-
Assim,
tor. Finalmente, fica definidodo
um vetorovcomprimento ao segmento
escolhermos dois pontos
é o módulo desse novetor.
espaço: o
ponto inicial Pi e o ponto final Pf . Mas segmentos paralelos, com o mesmo
Assim, um
sentido e o mesmo fica definido
vetor vmódulo, ao escolhermos
representam o mesmodois pontos
vetor. No casono de
espaço:
termos o
ponto inicial Pi e o ponto final P . Mas segmentos paralelos, com
f ao vetor 0 não define uma direção! o mesmo
Pi = Pf , temos o vetor 0. Note que
sentido e o mesmo módulo, representam o mesmo vetor. No caso de termos
Pi = Pf , temos o vetor 0. Note que ao vetor 0 não define uma direção!
Pf
Pi
Qf
Q
Figura i1.1: 1.1
1
Intrd_Algebra linear_2011.indd 15 30/03/2011 07:58:05
“IntAL” — 2009/10/20 — 20:02 — page 2 — #2
Qf
u + v
v
Pi
u
Figura P f 1.2
1.2: = Qi
Exercício 1.1 Na figura 1.2, os vetores u e v pertencem ao “plano” do papel deste livro. Se os
vetores pertencem ao espaço, ainda assim a figura está correta?
2v
v
-3v
Figura 1.3: 1.3
16
Intrd_Algebra linear_2011.indd 16
30/03/2011 07:58:06
“IntAL” — 2009/10/20 — 20:02 — page 3 — #3
Aula 1
Qf
w Rf
Qi Pi v Pf
Figura 1.4: A construção geométrica da soma de vetores dados por suas coordenadas, a partir
da definição
−−→ −−−→
Exercício 1.4 Considere os vetores v = Pi Pf e w = Qi Q f do plano, definidos pelos pontos
Pi = (0, 0), Pf = (2, 3), Qi = (1, 5) e Q f = (7, 2). Utilizando o método descrito no parágrafo
anterior, obtenha os pontos inicial Ri e final R f do vetor v + w
.
−−→ −−−→
Exercício 1.5 Repita o exercício anterior no caso dos vetores espaciais v = Pi Pf e w
= Qi Q f , se
Pi = (0, 0, 3), Pf = (2, 3, 7), Qi = (1, 5, 2) e Q f = (7, 2, 2).
Intrd_Algebra linear_2011.indd 17 30/03/2011 07:58:06
“IntAL” — 2009/10/20 — 20:02 — page 4 — #4
v v
u
Figura 1.5: 1.5
Figura 1.5: A adição de vetores é comutativa, pois vetores são somados de acordo com a
“regra do paralelogramo”
−−→
Por outro lado, a associatividade é simples: suponhamos que u = Pi Pf ,
−−−→ −−→
v = Qi Q f e w = Ri R f . Para simplificar a notação, vamos supor que
Pf = Qi e Q f = Ri . Então,
−−→ −−−→ −−→ −−→ −−→
(u + v) + w
= ( Pi Pf + Qi Q f ) + Ri R f = Pi Q f + Ri R f
−−→
= Pi R f
−−→ −−→ −−→ −−−→ −−→
).
= Pi Pf + Qi R f = Pi Pf + ( Qi Q f + Ri R f ) = u + (v + w
Rf
Q f = Ri
Pi Pf = Q i 1.6: 1.6
Figura
18
v3
v v3
v2 y
v1 = v1
v
Figura 1.7: 1.7
2
x
Figura 1.7: Vale a igualdade v = v1 + v2 + v3
w1
v1 w1 v1
0 v1 1 x 1.8:
wFigura v 11.8 w 1 0 x
Figura 1.8: A soma de vetores em uma mesma direção é obtida ao somar suas coordenadas
v+w = ( v 1 + v 2 + v 3 ) + ( w1 + w2 + w3 )
= ( v 1 + w1 ) + ( v 2 + w2 ) + ( v 3 + w3 )
= ( x0 + x1 , 0, 0) + (0, y0 + y1 , 0) + (0, 0, z0 + z1 )
= ( x0 + x1 , y0 + y1 , z0 + z1 ).
Uma vez resolvido o exercício anterior, falta apenas um passo para encon-
trarmos uma solução prática para os Exercícios 1.4 e 1.5.
−−→
Consideremos o vetor Pi Pf definido pelos pontos inicial Pi = ( x0 , y0 , z0 )
e final Pf = ( x1 , y1 , z1 ). Qual o ponto P que corresponde a esse vetor da
Física? Em outras palavras, qual o vetor v da Matemática correspondente
a esse vetor da Física?
−→ −−→ −→
Examinando a Figura 1.9, vemos que 0Pi + Pi Pf = 0Pf . Assim,
−−→ −→ − →
Pi Pf = 0Pf − 0Pi . Como os vetores do lado direito da última igualdade
têm seu ponto inicial na origem (correspondendo assim a vetores da Mate-
−−→
mática), acabamos de verificar que Pi Pf corresponde ao vetor
v = ( x1 − x0 , y1 − y0 , z1 − z0 ) da Matemática.
19
Intrd_Algebra linear_2011.indd 19 30/03/2011 07:58:07
“IntAL” — 2009/10/20 — 20:02 — page 6 — #6
Pi
Pf
Exercício 1.8 Verifique que todo procedimento descrito anteriormente permanece válido para ve-
tores do plano. Em outras palavras, verifique que a adição dos vetores u = ( a, b) e v = (c, d) é
dada pelo vetor u + v = ( a + c, b + d) e que λu = (λa, λb). Se u = Pi Pf for um vetor (da Física)
determinado pelos pontos Pi = ( x0 , y0 ) e Pf = ( x1 , y1 ), verifique que ao vetor u corresponde o
vetor (da Matemática) u = ( x1 − x0 , y1 − y0 ).
Exercício 1.9 Por que a figura anterior não corresponde ao sentido de vetor utilizado na Matemá-
tica?
20
Aula 1
1.2. SISTEMAS LINEARES E O MÉTODO DE GAUSS-JORDAN 7
a11 a12 a1n
··· b1
a21 a22 ··· a2n b2
A = ( A | b) = .. .. .. .. .. .
. . . . .
am1 am2 ··· amn bm
( a) transpor as linhas i e j;
(b) multiplicar a linha i por um escalar não nulo;
Com relação à operação (c),
1
(c) substituir a linha j por sua soma com um múltiplo da linha i.1 note que x = (x1, x2 ..., x0)
satisfaz
As operações ( a), (b) e (c) são as operações elementares sobre as linhas da ai1 x1 + ... + ain xn = bi
matriz A.
aj1 x1 + ... + ajn xn = bj
Consideremos então uma matriz satisfazendo as seguintes propriedades:
se, e somente se, satisfizer
- se existir o primeiro elemento não nulo da linha i (chamado pivô da ai1 x1 + ... + ain xn = bi
linha i) e se esse ocorrer na coluna j, então, se existir o pivô da linha
i + , esse ocorre numa coluna k > j, para todo ∈ {1, . . . , m − i }; (aj1 + αai1) x1 + ... +
+ (ajn + αain) xn = bj + αbi.
- o pivô de cada linha é igual a 1, se ocorrer na matriz A.
21
Dizemos então que essa matriz (ou o sistema) está na forma escalonada e
uma sucessão de operações elementares utilizadas para levar uma matriz
qualquer C até uma matriz na forma escalonada é um escalonamento da
matriz C.
22
Intrd_Algebra linear_2011.indd 22 30/03/2011 07:58:09
“IntAL” — 2009/10/20 — 20:02 — page 9 — #9
Aula 1
1.2. SISTEMAS LINEARES E O MÉTODO DE GAUSS-JORDAN 9
A última linha nos mostra que esse sistema apenas possui solução se tiver-
mos b1 + b2 = 0. Quer dizer, se tivermos b1 + b2 = 0, o sistema não tem
solução.
Se o sistema tiver solução, podemos determiná-las.2 Suponhamos, por-
tanto, que b1 + b2 = 0. Escrevemos as variáveis correspondentes aos pivôs
em termos das demais variáveis (chamadas variáveis livres):
x1 = b1
x2 = b3
x3 = (b4 − b1 − b3 ) − x4
x4 = x4
x5 = b5 + 3x6
x6 = x6
23
Intrd_Algebra linear_2011.indd 23 30/03/2011 07:58:09
“IntAL” — 2009/10/20 — 20:02 — page 10 — #10
Exercício 1.14 Dê um exemplo de um sistema com uma equação e duas incógnitas que possua as
mesmas soluções de um sistema com duas equações e duas incógnitas.
Exercício 1.15 Dê um exemplo de um sistema com duas equações e duas incógnitas que não pos-
sua solução.
Teorema 1.17 Qualquer que seja a matriz A, ela possui uma única forma
escalonada reduzida por linhas.
24
Intrd_Algebra linear_2011.indd 24 30/03/2011 07:58:10
“IntAL”
“IntAL” —
— 2009/10/20
2009/10/20 —
— 20:02
20:02 —
— page
page 11
11 —
— #11
#11
Aula 1
1.2. SISTEMAS
1.2. SISTEMAS LINEARES
LINEARES E
EOO MÉTODO
MÉTODO DE
DE GAUSS-JORDAN
GAUSS-JORDAN 11
11
A
A solução
solução trivial
trivial será
será única,
única, se
se não
não existirem
existirem variáveis
variáveis livres.
livres. Isso
Isso implica,
implica,
em
em particular, que a forma escalonada reduzida por linhas do sistema
particular, que a forma escalonada reduzida por linhas do sistema pos-
pos-
sui
sui o
o mesmo
mesmo número
número dede pivôs
pivôs ee de
de incógnitas.
incógnitas. Assim,
Assim, desprezadas
desprezadas as as pos-
pos-
síveis
síveis linhas
linhas identicamente
identicamente nulas
nulas dada forma
forma escalonada
escalonada reduzida
reduzida por
por linhas,
linhas,
o
o que
que resta
resta éé a
a matriz
matriz identidade.
identidade.
Se
Se existirem
existirem variáveis
variáveis livres
livres (ou uma variável
(ou uma variável livre),
livre), o
o sistema
sistema Ax
Ax = = 00
possuirá infinitas soluções, obtidas ao se atribuir diferentes valores a cada
possuirá infinitas soluções, obtidas ao se atribuir diferentes valores a cada
variável
variável livre.
livre. É
Éoo que
que acontece
acontece no
no próximo
próximo resultado:
resultado:
Definição
Definição 1.20
1.20 Sejam A uma
Sejam A uma matriz
matriz m
m× n. Definimos
× n. Definimos o núcleo de
o núcleo A, deno-
de A, deno-
tado ker A, 3 como sendo o conjunto de soluções do sistema Ax = 0.
3
tado ker A, como sendo o conjunto de soluções do sistema Ax = 0.
Teorema
Teorema 1.211.21 Suponha
Suponha que x00 seja
que x seja uma
uma solução
solução do
do sistema
sistema Ax = b,
Ax = b, isto
isto
é, Ax0 = b. Se x1 também for uma solução do sistema Ax = b, então
é, Ax 0 = b. Se x 1 também for uma solução do sistema Ax = b, então
x = xx00 +
x11 = + z,z, em
em que ∈ ker
que zz ∈ A. Em
ker A. Em particular,
particular, se
se Ax
Ax == 00 só
só possuir
possuir aa
solução trivial, a solução de Ax = b será
solução trivial, a solução de Ax = b será única.única.
Demonstração: Suponhamos
Demonstração: Suponhamos que ∈ ker
que zz ∈ A. Então
ker A. + zz éé solução
Então xx00 + solução do
do sis-
sis-
tema Ax b, pois A x + z ) = Ax + Az = b + 0 = b. Quer dizer,
tema Ax = b, pois A( x00 + z) = Ax00 + Az = b + 0 = b. Quer dizer, x00 +
= ( x + zz éé
solução
solução de
de Ax
Ax = b, para
= b, para todo ∈ ker
todo zz ∈ ker A.
A.
Suponhamos
Suponhamos agora agora queque Ax Ax11 == b,b, ou
ou seja,
seja, que
que xx11 seja
seja também
também solução
solução
de Ax = b. Consideremos x − x . Então
de Ax = b. Consideremos x11 − x00 . Então A( x11 − x00 ) = Ax
A ( x − x ) = − Ax
Ax11 − Ax00 =
=
= b − b = 0, que dizer, ( x11 − x00 ) ∈ ker A. Denotando z = x11 − xx00 ,, te-
= b − b = 0, que dizer, ( x − x ) ∈ ker A. Denotando z = x − te-
mos
mos x = xx0 +
x1 = + (( xx1 −
− xx0 )) =
= xx0 + z, o
+ z, o que
que completa
completa aa demonstração.
demonstração.
1 0 1 0 0
Voltando
Voltando aoao Exemplo
Exemplo 1.11,
1.11, podemos
podemos agora agora interpretar
interpretar aa equação
equação (1.1).
(1.1). O
O
primeiro termo do lado direito (o termo dependente de
primeiro termo do lado direito (o termo dependente de b) é uma solução b) é uma solução
particular
particular de
de Ax
Ax == bb (no
(no casocaso bb11 + = 0).
+ bb22 = 0). Os
Os termos
termos seguintes
seguintes (corres-
(corres-
pondentes 3 A notação ker vem do
pondentes às variáveis livres x44 e x66 ) nos fornecem todas as
às variáveis livres x e x ) nos fornecem todas as soluções
soluções do
do inglês: kernel quer dizer
sistema
sistema homogêneo
homogêneo associado.
associado. Observe
Observe que que isso
isso éé imediato,
imediato, pois
pois corres-
corres- núcleo.
ponde
ponde àà escolha
escolha bb1 = = 0.
= bb6 =
= ·· ·· ·· = 0.
1 6
25
Intrd_Algebra linear_2011.indd 25 30/03/2011 07:58:10
“IntAL” — 2009/10/20 — 20:02 — page 12 — #12
1.3Cálculo
1.3 Cálculo de Determinantes
de Determinantes
Exercício 1.24 Mostre que o determinante de uma matriz triangular superior é o produto de suas
entradas na diagonal principal. Defina matriz triangular inferior e mostre o resultado análogo.
Exercício 1.25 Justifique: se uma matriz quadrada estiver na forma escalonada, então ela é trian-
gular superior.
Então,
1 1 1 1 1 1 1 1
0 1 1 1 0 1 1 1
det A = (2) det
0
= −(2) det .
0 1 1 0 0 1 1
0 0 −1 −2 0 0 0 1
det A = −2.
26
Intrd_Algebra linear_2011.indd 26 30/03/2011 07:58:10
“IntAL” — 2009/10/20 — 20:02 — page 13 — #13
Aula 1
1.3. CÁLCULO DE DETERMINANTES 13
o que implica que det A = −2, pois a última matriz é triangular superior.
27
Intrd_Algebra linear_2011.indd 27 30/03/2011 07:58:11
“IntAL” — 2009/10/20 — 20:02 — page 14 — #14
em que a11 , . . . , a
mm são as entradas diagonais da matriz A , enquanto
d11 , . . . , d(n−m)(n−m) são as entradas diagonais de D .
Mas det A = (−1) j det A e det D = (−1)k det D , como vimos anterior-
mente. Substituindo na igualdade anterior, obtemos
28
Intrd_Algebra linear_2011.indd 28 30/03/2011 07:58:11
“IntAL” — 2009/10/20 — 20:02 — page 15 — #15
Aula 1
1.4. EXERCÍCIOS 15
1.4 Exercícios
1.4 Exercícios
1. Considere a matriz
1 −2 1
A= 2 −5 1 .
3 −7 2
Considere o sistema Ax = b, sendo b igual a
b1 1 2 1
(a) b2 ; (b) −2 ; (c) −1 ; (d) 1 .
b3 −1 2 1
Determine uma solução particular do sistema não homogêneo, bem como todas as soluções
do sistema homogêneo associado. Escreva sua resposta como no Exemplo 1.11.
29
Intrd_Algebra linear_2011.indd 29 30/03/2011 07:58:11
Intrd_Algebra linear_2011.indd 30 30/03/2011 07:58:12
AULA 2
Capítulo 2
n
O Espaço Rn O Espaço
Objetivos:
No final desta Aula o aluno deve saber:
Objetivos
No1. final desta
obter aula, o aluno deverá
a representação ser capazdode:plano;
paramétrica
1. obter a representação paramétrica do plano;
2. 2.reconhecer
reconhecer a importância
a importância de “sistemas
de "sistemas de coordenadas”
de coordenadas" em casos
em casos simples;
simples;
3. efetuar operações básicas no . n
x − 2y − 3z = 5.
Vamos proceder como no Exemplo 1.11. Para isso, levamos a forma ma-
tricial do sistema (com uma equação!) à forma escalonada reduzida por
linhas e escrevemos as soluções do mesmo:
x 5 2 3
y = 0 +λ 1 +µ 0 . (2.1)
z 0 0 1
17
Intrd_Algebra linear_2011.indd 31 30/03/2011 07:58:12
“IntAL” — 2009/10/17 — 8:36 — page 18 — #18
u
Figura 2.1: 2.1
0
Figura 2.1: Os vetores u e v definem um sistema de coordenadas no plano por eles determi-
nado
Você deve se convencer que o exemplo anterior pode ser repetidos para
qualquer plano ax + by + cz = d.
32
Intrd_Algebra linear_2011.indd 32 30/03/2011 07:58:12
“IntAL” — 2009/10/17 — 8:36 — page 19 — #19
Aula 2
2.2. SISTEMAS LINEARES EM 3 VARIÁVEIS 19
Figura 2.2: O ponto P translada o plano determinado pelos vetores u e v; note a mudança de
notação: aqui, u e v
x + 2y + z = 3
x + y + 3z = 1 (2.2)
Intrd_Algebra linear_2011.indd 33 30/03/2011 07:58:13
“IntAL” — 2009/10/17 — 8:36 — page 20 — #20
estamos verificando se esses dois planos1 são paralelos ou, caso contrário,
determinando a reta formada pela interseção de ambos.
Expressando o sistema anterior em forma matricial, obtemos
x
a11 a12 a13 b1
y = .
a21 a22 a23 b2
z
Ax = b,
Intrd_Algebra linear_2011.indd 34 30/03/2011 07:58:14
“IntAL” — 2009/10/17 — 8:36 — page 21 — #21
“IntAL” — 2009/10/17 — 8:36 — page 21 — #21
n
2.3
2.3 O Espaço R
O Espaço
n
2.3 O Espaço
Rn
Definimos o conjunto Rn por
Definimos o conjunto Rn por
Rnn = { x = ( x1 , x2 , . . . , xn ) : xi ∈ R} .
R = { x = ( x1 , x2 , . . . , xn ) : xi ∈ R} .
(i ) x + y ∈ Rnn (fechamento);
(i ) x + y ∈ R (fechamento);
(ii ) ( x + y) + z = x + (y + z) (associatividade);
(ii ) ( x + y) + z = x + (y + z) (associatividade);
(iii ) x + y = y + x (comutatividade);
(iii ) x + y = y + x (comutatividade);
(iv) existe 0 ∈ Rnn tal que x + 0 = x (elemento neutro);
(iv) existe 0 ∈ R tal que x + 0 = x (elemento neutro);
(v) existe (− x ) ∈ Rnn tal que x + (− x ) = 0 (inverso aditivo);
(v) existe (− x ) ∈ R tal que x + (− x ) = 0 (inverso aditivo);
(vi ) λx ∈ Rnn (fechamento);
(vi ) λx ∈ R (fechamento);
(vii ) µ(λx ) = (µλ) x (associatividade);
(vii ) µ(λx ) = (µλ) x (associatividade);
(viii ) λ( x + y) = λx + λy (distributividade);
(viii ) λ( x + y) = λx + λy (distributividade);
(ix ) (λ + µ) x = λx + µx (distributividade);
(ix ) (λ + µ) x = λx + µx (distributividade);
( x ) 1x = x (regra da unidade).
( x ) 1x = x (regra da unidade).
35
Intrd_Algebra linear_2011.indd 35 30/03/2011 07:58:15
“IntAL” — 2009/10/17 — 8:36 — page 22 — #22
x+y = ( x1 + y1 , x2 + y2 , . . . , x n + y n )
= (y1 + x1 , y2 + x2 , . . . , yn + yn ) = y + x.
λ( x + y) = λ ( x1 + y1 , . . . , x n + y n )
= λ ( x1 + y1 ), . . . , λ ( x n + y n )
= (λx1 + λy1 , . . . , λxn + λyn )
= (λx1 , . . . + λxn ) + (λy1 , . . . , λyn )
= λx + λy.
Exercício 2.7 Considere a igualdade 0x = 0 para todo x ∈ Rn . Interprete e prove essa igualdade.
Sinteticamente, dizemos que Rn possui uma soma (de vetores) e uma mul-
tiplicação por escalar. Utilizaremos corriqueiramente a identificação
x1
x2
( x 1 , . . . , x n ) ∈ Rn ↔ . ,
.
.
xn
36
Intrd_Algebra linear_2011.indd 36 30/03/2011 07:58:15
“IntAL” — 2009/10/17 — 8:36 — page 23 — #23
“IntAL” — 2009/10/17 — 8:36 — page 23 — #23
Aula 2
2.4. ESPAÇOS VETORIAIS ABSTRATOS 23
2.4. ESPAÇOS VETORIAIS ABSTRATOS 23
Exercício 2.10 Como feito nos Exemplos 2.1 e 2.4, indique o sistema de coordenadas estabelecido
Exercício
ao se obter2.10 Como do
a solução feito nos Exemplos
Exemplo 2.9. 2.1 e 2.4, indique o sistema de coordenadas estabelecido
ao se obter a solução do Exemplo 2.9.
Exercício 2.11 Encontre as soluções do sistema
Exercício 2.11 Encontre as soluções do sistema
x1 + 2x2 + 3x3 + x4 = 8
xx1 + 2x2 + 3x
0x33 + xx4 = 87
1 + 3x2 + + 4 =
x1 + 3x
x 1 + 0x22 ++ 0x
2x33 +
+ xx4
4
=
= 73
x1 + 0x2 + 2x3 + x4 = 3
Interprete geometricamente as soluções desse sistema.
Interprete geometricamente as soluções desse sistema.
2.4
2.4 Espaços
Espaços Vetoriais
Vetoriais Abstratos
Abstratos
2.4 ESpaços Vetoriais Abstratos
Na seção anterior definimos Rnn e mostramos que ele satisfaz as proprie-
Na seção
dades anterior
descritas nodefinimos R Com
Teorema 2.5. e mostramos quepropriedades,
base nessas ele satisfaz aspodemos
proprie-
dades descritas no Teorema 2.5. Com base
definir abstratamente um espaço vetorial. nessas propriedades, podemos
definir abstratamente um espaço vetorial. Também podemos admitir
2
37
Intrd_Algebra linear_2011.indd 37 30/03/2011 07:58:16
“IntAL” — 2009/10/17 — 8:36 — page 24 — #24
(i ) x + y ∈ X (fechamento);
(ii ) ( x + y) + z = x + (y + z) (associatividade);
(iii ) x + y = y + x (comutatividade);
(iv) existe 0 ∈ X tal que x + 0 = x (elemento neutro);
(v) existe (− x ) ∈ X tal que x + (− x ) = 0 (inverso aditivo);
(vi ) λx ∈ X (fechamento);
(vii ) µ(λx ) = (µλ) x (associatividade);
(viii ) λ( x + y) = λx + λy (distributividade);
(ix ) (λ + µ) x = λx + µx (distributividade);
( x ) 1x = x (regra da unidade).
Neste texto não daremos muita ênfase a espaços vetoriais abstratos. Mas
alguns exemplos são importantes:
38
Intrd_Algebra linear_2011.indd 38 30/03/2011 07:58:16
“IntAL” — 2009/10/17 — 8:36 — page 25 — #25
Observação 2.18 Comparando as seções 2.3 e 2.4 com a seção 1.1, não po-
demos ignorar uma diferença: na seção 1.1 foi utilizado o conceito de norma
de um vetor, conceito esse que não foi definido no espaço Rn ou em espaços
vetoriais abstratos. Também não foi definido o produto escalar de dois veto-
res. Isso aconteceu por uma razão muito simples: este curso trata apenas
das propriedades algébricas de espaços vetoriais; propriedades topológicas,
isto é, propriedades relacionadas com os conceitos de distância e ortogonali-
dade serão tratadas no curso de Álgebra Linear II.
39
Intrd_Algebra linear_2011.indd 39 30/03/2011 07:58:17
“IntAL” — 2009/10/17 — 8:36 — page 26 — #26
26 CAPÍTULO 2. O ESPAÇO R N
2.5 Exercícios
2.5 Exercícios
1. Em cada caso, encontre a equação paramétrica do plano
40
AULA 3
Capítulo 3
n
Subespaços
n
do e Bases
Subespaços do R e Bases
27
Observação 3.5 No Exercício 3.4, você pode achar estranha a exigência dos
vetores u, v não serem colineares. Ora, caso contrário, teríamos u = µv, por
exemplo. Mas então
Exercício 3.6 A afirmação “R2 não é um subespaço do R3 ” é verdadeira. Discuta essa afirmação.
Exercício 3.7 Seja S um subconjunto do Rn . Mostre que S é um subespaço se, e somente se, λx +
y ∈ S para quaisquer x, y ∈ S e λ ∈ R.
Exercício 3.8 Seja X um subespaço do Rn . Mostre que X satisfaz todas as propriedades da Defini-
ção 2.12 sendo, portanto, um espaço vetorial.
ker A = { x ∈ Rn : Ax = 0}
é um subespaço do Rn .
42
Aula 3
3.1. SUBESPAÇOS E COMBINAÇÕES LINEARES 29
No Exemplo 3.3, uma base seria constituída por um único vetor: o vetor
v. Qualquer ponto da reta pode ser descrito utilizando apenas uma coor-
denada, de modo a obter-se o múltiplo adequado do vetor v. No Exercício
3.4, se fosse u = µv, então o vetor u seria supérfluo: todos os elementos do
conjunto seriam múltiplos do vetor v e estaríamos na situação do Exemplo
3.3. Se u e v não forem colineares, uma base é constituída pelos vetores u
e v. Qualquer ponto do plano é descrito por duas coordenadas (os valores
de α e β) e, para se obter todos os pontos do plano, não podemos usar um
número menor de coordenadas.
Existem várias questões que precisam ser tratadas para chegarmos ao con-
ceito de base. É claro, precisamos dizer o que significa um conjunto ter
todas as informações relevantes (para o problema considerado) e não ter
informações supérfluas. Definidos esses conceitos, várias questões práti-
cas passam a ser pertinentes: como obter um conjunto que possui todas as
informações relevantes sobre o problema considerado? Como verificar se
esse conjunto possui informações supérfluas? Como retirar do conjunto as
informações supérfluas? Essas perguntas serão tratadas nesta Aula.
Começamos generalizando a construção feita no Exemplo 3.3 e no Exercí-
cio 3.4, agora utilizando qualquer número de vetores no Rn :
x = α1 v1 + . . . + α k v k e y = β 1 v1 + . . . + β k v k .
Consequentemente,
x + y = ( α1 + β 1 ) v1 + . . . + ( α k + β k ) v k
e
λx = (λα1 )v1 + . . . + (λαk )vk
são elementos de < v1 , . . . , vk >, provando o afirmado.
43
Exercício 3.13 Sejam v1 = (1, 0, 0), v2 = (0, 1, 0) e v3 = (1, 1, 0). Descreva o subespaço < v1 , v2 , v3 >.
α1 v1 + . . . + αk vk = v. (3.1)
Quer dizer, v ∈ < v1 , . . . , vk > é o mesmo que v ser combinação linear dos
vetores v1 , . . . , vk .
v 1Figura
, ,3.1:v k 3.1
Figura 3.1: Se representarmos o subespaço < v1 , . . . , vk > ⊂ Rn como um plano, então v ∈ <
v1 , . . . , vk >, enquanto w ∈ < v1 , . . . , vk >
44
Intrd_Algebra linear_2011.indd 44 30/03/2011 07:58:20
ou seja, se
(α + 2β + γ, 2α + β + γ + δ, α + β + γ + , α + β + γ + δ) = (5, 2, 3, −1).
Como o sistema tem solução, vemos que o vetor v = (5, 2, 3, −1) pertence
ao espaço < v1 , v2 , v3 , v4 , v5 >.
45
Intrd_Algebra linear_2011.indd 45 30/03/2011 07:58:21
“IntAL” — 2009/10/19 — 21:44 — page 32 — #32
−e1 − e2 + v = 0,
46
Intrd_Algebra linear_2011.indd 46 30/03/2011 07:58:21
“IntAL” — 2009/10/19 — 21:44 — page 33 — #33
Aula 3
3.1. SUBESPAÇOS E COMBINAÇÕES LINEARES 33
e2
v
0 e1
Figura 3.2: 3.2
Figura 3.2: O vetor v é combinação linear dos vetores e1 e e2 , pois pertence ao plano gerado
por estes vetores
α1 v1 + . . . + αk vk = 0.
α1 v1 = − α2 v2 − . . . − α k v k , (3.5)
ou seja,
v1 = β 2 v2 + . . . + β k v k ,
em que β i = αi /α1 para i = 2, . . . , k. Assim, v1 é combinação linear dos
vetores {v2 , . . . , vk }.
47
Intrd_Algebra linear_2011.indd 47 30/03/2011 07:58:22
“IntAL” — 2009/10/19 — 21:44 — page 34 — #34
1v1 − α2 v2 − . . . − αk vk = 0,
Exercício 3.24 Verifique se o conjunto {(1, 1, 2, 1), (1, 1, 1, 1), (2, 1, 1, 1), (2, 1, 2, 1)} é linearmente
dependente ou linearmente independente. Se for linearmente dependente, escreva um dos vetores
como combinação linear dos vetores restantes.
Exercício 3.25 Suponha que o vetor v pertença ao espaço < v1 , . . . , vk >. Mostre que o conjunto
{v, v1 , . . . , vk } é linearmente dependente.
Exercício 3.27 Suponha que o conjunto {v1 , . . . , vk } ⊂ Rn seja linearmente dependente. Mostre
que {v1 , . . . , vk , v} ⊂ Rn é linearmente dependente, qualquer que seja o vetor v ∈ Rn .
α1 v1 + . . . + αk vk + βv = 0. (3.6)
48
Intrd_Algebra linear_2011.indd 48 30/03/2011 07:58:23
“IntAL” — 2009/10/19 — 21:44 — page 35 — #35
Y = {tv : t ∈ R}
Exercício 3.35 Se u e v não forem colineares, mostre que {u, v} é uma base do subespaço Z do
Exercício 3.4.
Exercício 3.36 Mostre que o conjunto {(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)} é uma base do
espaço R4 .
α1 v1 + α2 v2 + . . . + α k v k = v = β 1 v1 + β 2 v2 + . . . + β k v k .
50
Intrd_Algebra linear_2011.indd 50 30/03/2011 07:58:25
“IntAL” — 2009/10/19 — 21:44 — page 37 — #37
Aula 3
3.3. DIMENSÃO 37
Z = {αu + βv : α, β ∈ R}.
λ1 u1 + λ2 u2 + λ3 u3 = 0. (3.7)
u1 = α11 v1 + α21 v2
u2 = α12 v1 + α22 v2
u3 = α13 v1 + α23 v2
para determinados escalares αij , com i ∈ {1, 2} e j ∈ {1, 2, 3}. Note bem: se
conhecêssemos as coordenadas dos vetores envolvidos, poderíamos
51
Intrd_Algebra linear_2011.indd 51 30/03/2011 07:58:26
“IntAL” — 2009/10/19 — 21:44 — page 38 — #38
ou seja,
(λ1 α11 + λ2 α12 + λ3 α13 )v1 + (λ1 α21 + λ2 α22 + λ3 α23 )v2 = 0.
isto é,
λ1 0
α11 α12 α13 λ2 = 0 .
α21 α22 α23
λ3 0
Exercício 3.41 Se
B = { v1 , . . . , v k } e C = { u1 , . . . , u k , u k +1 },
demonstre o Teorema 3.39. Deduza daí então o caso C = {u1 , . . . , uk , uk+1 , . . . , uk+r }, em que r ≥ 1.
52
Intrd_Algebra linear_2011.indd 52 30/03/2011 07:58:27
“IntAL” — 2009/10/19 — 21:44 — page 39 — #39
Aula 3
3.3. DIMENSÃO 39
< u1 , . . . , u j > ⊂ S.
< u1 , . . . , u j , . . . , u j + k > = S
Note que o subespaço {0} ⊂ Rn não possui base. De fato, se B fosse uma
base do subespaço {0}, então 0 seria um elemento de B . De acordo com o
Exemplo 3.26, esse conjunto seria linearmente dependente!
Por outro lado, a demonstração do Corolário 3.44 garante que a existência
de uma infinidade de bases para qualquer subespaço S do Rn .
53
Intrd_Algebra linear_2011.indd 53 30/03/2011 07:58:27
“IntAL” — 2009/10/19 — 21:44 — page 40 — #40
De acordo com o Teorema 3.43, podemos obter uma base a partir de qual-
quer conjunto linearmente independente. Mas também podemos obter uma
base a partir de qualquer conjunto que gera um subespaço:
B = {v1 , . . . , vk } ⊂ Y.
(i ) o conjunto B gera Y;
(ii ) o conjunto B é linearmente independente.
54
Intrd_Algebra linear_2011.indd 54 30/03/2011 07:58:28
“IntAL” — 2009/10/19 — 21:44 — page 41 — #41
3.4 Exercícios
3.4 Exercícios
1. Determine os valores de a, b e c para que o vetor v = ( a, b, c) seja combinação linear dos
vetores u1 = (1, 1, 1), u2 = (1, 2, 3) e u3 = (2, −1, 1).
2. Sem utilizar determinantes, verifique se os vetores (−1, 2, 3), (−2, −3, 1) e (3, 2, 1) são linear-
mente dependentes ou linearmente independentes.
3. Seja
1 3
A= .
4 −3
Determine x = 0 tal que Ax = 3x.
im A = {b ∈ Rm : ∃ x ∈ Rn com Ax = b}
é um subespaço do Rm .
55
Intrd_Algebra linear_2011.indd 55 30/03/2011 07:58:29
AULA 4
Capítulo 4
Aplicações Lineares
Aplicações Lineares
43
Exemplo
Exemplo4.4 4.4Na Naseção
seção2.22.2
vimosvimos queque a identificação
a identificação
Exemplo 4.4deNapontos
deseção
pontos
(no 2.2caso,
vimos
(no caso,que a identificação de pon
doRR3 3) )com
do commatrizes
matrizes coluna
coluna nosnos permitiu
permitiudo 3 ) comgeometricamente
Rinterpretar
interpretar matrizes
geometricamente
colunaum nos permitiu
um interpretar geometr
sistema
sistemalinear linearem em 3 incógnitas.
3 incógnitas. Mas Masessaessa
mesma
sistema
mesma identificação,
linear
identificação,
em 3 incógnitas.
no caso no ge-
caso
Masge-essa mesma identificação
ral
raldo doRRn ,n nos , nospermite
permite mais:
mais:elaelanosnospermite
permite
ral do n , nos permite
Rinterpretar
interpretar uma uma
matriz mais:
matriz
m ×elamnos× permite interpretar um
nn com
comuma umaaplicação
aplicação linear
linear n
A : AR: R→ →n R m
n com m
.RDe. umafato,
De fato,
dado
aplicação
dado
o ponto x =A :xR=
linear
o ponto n → Rm . De fato, dado
n n
((xx11, ,. . . ,. x, nx)n )∈∈RR, escrevendo
, escrevendo esseesse
ponto
ponto
(como
x1 , .como
. .uma
, xn )uma n
∈ Rmatriz
matriz ,coluna
escrevendo
coluna
temostemos
esse ponto como uma matriz
que
que que
a11a11 a12a12 . . .. . .a1n a1n x1 x1 a11 a12 . . . a1n x1
a21a21 a22a22 . . .. . .a2n a2n x2 x2
a21 a22 . . . a2n x2
.. .. .. .. . . . . .. .. .. .. .. .. . .. .
.. ..
.
. . . . . . . . . . . .
am1 am2am2. . .. . .amnamn
am1 xn xn am1 am2 . . . amn xn
a11ax111 x+1 a+12ax12
2+ x2. +
..+ . . .a1n
+xan1n xn a11 x1 + a12 x2 + . . . + a1n xn
a21ax211 x+1 a+22ax22 . . . . . .
2 2x
+ + + a + xa x
2n n2n n ma21 xm1 + a22 x2 + . . . + a2n xn
== .. .. =Ax=∈R ∈. R .
Ax .. = Ax ∈ Rm
. . .
am1 x1 x+1 a+m2axm2
am1 2+x2. +
..+
. . .amn
+ xamn
n xn am1 x1 + am2 x2 + . . . + amn xn
Assim,
Assim,aamatriz
matrizA A
== ( aij( a) ijassocia
) associa
a cada
a cada
ponto x ∈aR
ponto
Assim, n∈, um
Rn ,ponto
xmatriz Aum
=ponto Rm .∈ Ramcada
aij )∈associa
(Ax Ax . ponto x ∈ Rn , um po
Para
Paramostrar
mostrarque
queessa
essafunção função é linear
é linear
(e,Para
portanto,
(e, portanto,
mostrar
umaque
uma
aplicação
essa
aplicação
função
linear)linear)
é linear (e, portanto, uma apl
basta
bastarelembrar
relembrarpropriedades
propriedades básicas
básicas
de matrizes:
basta
de matrizes:
relembrar propriedades básicas de matrizes:
x (+x λy
A(A =)Ax
+ )λy =+ AxλAy.
+ λAy. A( x
+ λy)= Ax + λAy.
Quais
Quais sãosão oo domínio
domínio ee oo contra
contradomínio
domínio
Quaisdada
são
aplicação
aplicação
o domínio
linear
linear
edefinida
o definida
contra
pordomínio
por
A? Calcule
A? da
Calcule
aplicação
Ax, seAx, se
linear definida por A? Cal
xx==((1,1,1,1,1,
1,11)). x = (1, 1, 1, 1).
Exemplo
Exemplo4.6 Sejaf : fR: R
4.6Seja →→R definida
R definidapor por x2=. A
f ( x )f (=x )4.6
Exemplo x2função
Seja Rf →
. Af :função
é uma uma por f ( x ) = x2 . A fun
Rf édefinida
aplicação
aplicaçãolinear?
linear?(Lembre-se: R=
(Lembre-se: 1
R R= R 1
é uméaplicação
um
espaçoespaçovetorial!) (Lembre-se: R = R1 é um espaço vetorial!)
vetorial!)
linear?
Uma
Umavezvezque
quef (fx(+
x+ y)y=
)= ( x (+x y+)2y=
)2 x=
2+x22xy
Uma + y2+
+ 2xy
vez =y2f (f=
que x( )x + )=+f (2xy,
f+( xfy)()y+ )2 = x2 + 2xy + y2 = f ( x ) +
yx)++y2xy,
vemos
vemosque
quef fnão
não é linear.
é linear. vemos que f não é linear.
Exemplo 4.7Consideremos
Exemplo4.7 ConsideremosT : TR:n R
→n R
→mExemplo
R m definida
definida por Consideremos T : Rn → Rm definida por
4.7 por
em
emque
queososescalares
escalaresaija, iji ,∈i {∈1,{. 1,
. . ., m e }jem
. .}, m e j{que
∈ 1, .os
∈ .{. 1,, n. .escalares
}. são
, n}arbitrários.
são aarbitrários.
ij , i ∈ Um
{1, . .Um
. , m} e j ∈ {1, . . . , n} são ar
caso
casoparticular
particularseria T :TR: 3R→
seria 3 →
R2 R 2 dada
dada por por particular seria T : R3 → R2 dada por
caso
Afirmamos
Afirmamosque,
que,
nonocaso
caso
geral,
geral,
T éTuma
é uma
aplicação
Afirmamos
aplicação
linear.
linear.
que,
De fato,
no
Decaso
basta
fato,geral,
basta
notarTnotar
é uma aplicação linear. De fat
que,
que,em
emcada
cadauma
uma das
das
coordenadas
coordenadas de T,
deque,
temos
T, temos
em cada uma das coordenadas de T, temos
Intrd_Algebra linear_2011.indd 58 30/03/2011 07:58:33
44 “IntAL” — 2009/10/19 — 21:51 — page 45 — #45
Aula 4
LICAÇÕES LINEARES 4.1. APLICAÇÕES LINEARES E MATRIZES – PARTE I 45
Intrd_Algebra linear_2011.indd 59 30/03/2011 07:58:36
“IntAL” — 2009/10/19 — 21:51 — page 46 — #46
60
Intrd_Algebra linear_2011.indd 60 30/03/2011 07:58:37
“IntAL” — 2009/10/19 — 21:51 — page 47 — #47
Aula 4
4.1. APLICAÇÕES LINEARES E MATRIZES – PARTE I 47
Tv = α1 w1 + . . . + αn wn .
Sv = S ( α1 v1 + . . . + α n v n )
= α1 Sv1 + . . . + αn Svn = α1 w1 + . . . + αn wn = Tv,
mostrando o afirmado.
Exercício 4.14 Sejam B = {v1 = (1, 1, 0), v2 = (1, 2, 0), v3 = (1, 1, 1)}. Ache a aplicação linear
T : R3 → R4 tal que Tv1 = (1, 0, 0, 0), Tv2 = (0, 0, 0, 1) e Tv3 = (1, 1, 1, 1).
α1 v1 + . . . + αn vn = 0. (4.4)
61
Intrd_Algebra linear_2011.indd 61 30/03/2011 07:58:38
“IntAL” — 2009/10/19 — 21:51 — page 48 — #48
4.2Espaço
4.2 Espaço Linha
Linha e Espaço
e Espaço ColunaColuna
im T = {y ∈ Rm : y = Tx }.
ker T = { x ∈ Rn : Tx = 0}.
Intrd_Algebra linear_2011.indd 62 30/03/2011 07:58:39
“IntAL” — 2009/10/19 — 21:51 — page 49 — #49
Aula 4
4.2. ESPAÇO LINHA E ESPAÇO COLUNA 49
( x1 , . . . , x n ) ←→ ( x1 x2 . . . x n ),
Mas, qual o significado dos subespaços < C > e < L >? Começamos
interpretando o espaço coluna de uma matriz.
63
Intrd_Algebra linear_2011.indd 63 30/03/2011 07:58:40
“IntAL” — 2009/10/19 — 21:51 — page 50 — #50
Intrd_Algebra linear_2011.indd 64 30/03/2011 07:58:41
“IntAL” — 2009/10/19 — 21:51 — page 51 — #51
Aula 4
4.2. ESPAÇO LINHA E ESPAÇO COLUNA 51
Ou seja,
1 3 1 4
2 = −5 1 + 4 1 + 3 1 .
1 2 2 1
Veja que esses mesmos escalares escrevem a última coluna da matriz R
como combinação linear das colunas correspondentes aos pivôs:
−5 1 0 0
4 = −5 0 + 4 1 + 3 0 .
3 0 0 1
65
Intrd_Algebra linear_2011.indd 65 30/03/2011 07:58:42
“IntAL” — 2009/10/19 — 21:51 — page 52 — #52
Vamos agora relacionar as dimensões dos subespaços < C > e < L >
de uma matriz A. Mostraremos que esses espaços têm a mesma dimen-
são; isso é um fato notável, pois eles são subespaços de espaços vetoriais
diferentes!
Teorema 4.24 Dada uma matriz m × n, seu espaço linha tem a mesma dimensão
de seu espaço coluna.
66
Intrd_Algebra linear_2011.indd 66 30/03/2011 07:58:44
“IntAL” — 2009/10/19 — 21:51 — page 53 — #53
Aula 4
4.3. MULTIPLICAÇÃO DE MATRIZES 53
posto T = posto A.
dim(im A) = dim(im At ).
Sem dúvida, uma das definições mais estranhas da Matemática parece ser
a da multiplicação de matrizes: dadas as matrizes B = (bik ), p × m, e A =
( akj ), m × n, e então o produto BA é a matriz d = (dij ), definida por
a1j
m a2j
dij = ∑ bik akj = (bi1 bi2 . . . bim )
.. ,
k =1 .
amj
provando o afirmado.
Tx = Ax ∀ x ∈ Rn e Sy = By ∀ y ∈ Rm . (4.9)
(S ◦ T ) x = S( Tx ) = B( Ax ) = ( BA) x,
67
Intrd_Algebra linear_2011.indd 67 30/03/2011 07:58:45
“IntAL” — 2009/10/19 — 21:51 — page 54 — #54
vemos que a composta S ◦ T é representada pela matriz BA. Esse fato jus-
tifica uma notação frequentemente usada: ao invés de denotarmos S ◦ T,
escrevemos simplesmente ST.
Mas, como obter a definição da multiplicação de matrizes BA a partir da
composição ST de aplicações lineares? É o que passaremos a mostrar.
Partimos da linearidade da aplicação S:
Denotando
b1j
b2j
Se j = .. ,
.
bmj
concluímos que
b11 x1 + . . . + b1m xm
b21 x1 + . . . + b2m xm
Sx = .. , (4.11)
.
b p1 x1 + . . . + a pm xm
expressão resultante de (4.10) e da definição da adição de vetores no Rm .
Suponhamos que T : Rn → Rm e S : Rm → R p sejam representadas (com
relação às bases canônicas dos espaços envolvidos) pelas matrizes A e B,
respectivamente. Quer dizer,
A = Te1 Te2 . . . Ten = c1 c2 . . . cn
e
b11 b12 ... b1m
b21 b22 ... b2m
B = (Se1 Se2 . . . Sem ) = .. .. .. .. ,
. . . .
b p1 b p2 ... b pm
em que a matriz A está sendo denotada por suas colunas.
A aplicação linear ST : Rn → R p é representada, com relação às bases canô-
nicas do Rn e R p , por uma matriz D (denotada por suas colunas) definida
por
D = (ST )e1 (ST )e2 . . . (ST )en .
68
Intrd_Algebra linear_2011.indd 68 30/03/2011 07:58:47
“IntAL” — 2009/10/19 — 21:51 — page 55 — #55
Aula 4
4.4. EXERCÍCIOS 55
4.4 Exercícios
4.4 Exercícios
1. Considere as aplicações do R2
Π1 : R2 → R2 Π2 : R2 → R2
(a) (b)
Π1 ( x1 , x2 ) = ( x1 , 0) Π1 ( x1 , x2 ) = (0, x2 )
R1 : R2 → R2 R2 : R2 → R2
(c) (d) .
R1 ( x1 , x2 ) = ( x1 , − x2 ) R2 ( x1 , x2 ) = (− x1 , x2 )
Mostre que cada uma dessas aplicações é linear e encontre sua representação matricial (com
relação à base canônica do R2 ). Interprete-as geometricamente.
3. Escreva a equação
1 1 2 3
2 = x1 2 + x2 5 + x3 2
3 3 8 3
na forma de um sistema não homogêneo Ax = b. Resolva-o, se esse sistema possuir solução.
4. Encontre bases para o espaço linha e para o espaço coluna da matriz A, dada por
1 2 1 1
1 2 1 1 2 1 2 1 1 −2 1
(a) 2 1 2 1 ; (b) 0 1 1 0
(c) 2 1 −2 .
0 1 1 0 0 −1 1
1 0 0 0
7. Seja A = (c1 c2 . . . cn ) uma matriz quadrada, dada por suas colunas. Mostre que {c1 , . . . , cn }
é linearmente dependente se, e somente se, det A = 0.
8. Sejam A, B matrizes n × n. Mostre que AB = 0 se, e somente se, o espaço coluna de B estiver
contido no núcleo de A.
69
Intrd_Algebra linear_2011.indd 69 30/03/2011 07:58:48
B = { x1 , . . . , x j , w j +1 , . . . , w n }
w = α j +1 w j +1 + . . . + α n w n ,
57
Ou seja,
Ou seja,
β 1 x1 + . . . + β j x j − α j+1 w j − . . . − αn wn = 0.
β 1 x1 + . . . + β j x j − α j+1 w j − . . . − αn wn = 0.
Como B é uma base do Rnn , concluímos que β 1 = . . . = β j = −α j+1 =
Como B é uma base do R , concluímos que β 1 = . . . = β j = −α j+1 =
= . . . = −αn = 0. Isso mostra que os vetores Tw j+1 , . . . , Twn são linear-
= . . . = −αn = 0. Isso mostra que os vetores Tw j+1 , . . . , Twn são linear-
mente independentes.
mente independentes.
Seja agora y ∈ im T. Então existe x ∈ Rnn tal que Tx = y. Como B é base de
Seja agora y ∈ im T. Então existe x ∈ R tal que Tx = y. Como B é base de
Rnn , x = α1 x1 + . . . + α j x j + α j+1 w j+1 + . . . + αn wn e, portanto,
R , x = α1 x1 + . . . + α j x j + α j+1 w j+1 + . . . + αn wn e, portanto,
y = Tx = α1 Tx1 + . . . + α j Tx j + α j+1 Tw j+1 + . . . + αn Twn
y = Tx = α1 Tx1 + . . . + α j Tx j + α j+1 Tw j+1 + . . . + αn Twn
= α j+1 Tw j+1 + . . . + αn Twn ,
= α j+1 Tw j+1 + . . . + αn Twn ,
pois Txi = 0, i ∈ {1, . . . , j}. Isso mostra que { Tw j+1 , . . . , Twn } gera im T e
pois Tx = 0, i ∈ {1, . . . , j}. Isso mostra que { Tw j+1 , . . . , Twn } gera im T e
conclui ia prova.
conclui a prova.
Exercício 5.6 Seja T : R22 → R22 definida por T ( x, y) = (2x + y, 3x + 2y). Mostre que T é injetora.
Exercício 5.6 Seja T : R → R definida por T ( x, y) = (2x + y, 1 . 3x + 2y ). Mostre que T é injetora.
Conclua que T é um isomorfismo. Obtenha a expressão de T −
Conclua que T é um isomorfismo. Obtenha a expressão de T −1 .
72
Intrd_Algebra linear_2011.indd 72 30/03/2011 07:58:51
“IntAL” — 2009/10/19 — 21:59 — page 59 — #59
Aula 5
5.2. ISOMORFISMOS E INVERSAS 59
Observe que o Corolário 5.7 nada mais é do que uma paráfrase do Teorema
1.19. De fato, a aplicação T pode ser representada por uma matriz A, m × n.
Pelo Teorema 1.19, Ax = 0 possui infinitas soluções. Ou seja, dim ker A ≥ 1
ou, o que é o mesmo, dim ker T ≥ 1.
Resulta imediatamente dos Lemas 5.3 e 5.5 que
dim(ker A) = dim(ker At ).
dim(ker A) = n − r e dim(ker At ) = n − r.
73
Intrd_Algebra linear_2011.indd 73 30/03/2011 07:58:53
“IntAL” — 2009/10/19 — 21:59 — page 60 — #60
provando a linearidade de T −1 .
Exercício 5.15 Na demonstração do Teorema do Núcleo e da Imagem 5.1, mostre que T estabelece
um isomorfismo entre < wk+1 , . . . , wn > e im T.
74
Intrd_Algebra linear_2011.indd 74 30/03/2011 07:58:54
“IntAL” — 2009/10/19 — 21:59 — page 61 — #61
Aula 5
5.3. OBTENÇÃO DA INVERSA DE UMA MATRIZ 61
5.3 Obtenção da
5.3 Inversa
Obtençãode
dauma Matriz
Inversa de uma Matriz
AB = BA = I,
É fácil ver que uma matriz invertível A possui uma única inversa,
que denotaremos por A−1 . De fato, suponhamos que AB = BA = I e
AC = CA = I. Queremos mostrar que B = C. Temos
B = B( AC ) = ( BA)C = IC = C,
provando o afirmado.
Proposição 5.17 Seja A uma matriz quadrada. Suponhamos que exista uma
matriz quadrada B tal que BA = I. Então
AB = I,
Proposição 5.19 Seja e uma operação elementar sobre (as linhas de) a ma-
triz A, m × n e E a matriz elementar igual a e(I), sendo I a matriz identidade
m × m. Então e( A) = EA.
75
Intrd_Algebra linear_2011.indd 75 30/03/2011 07:58:55
“IntAL” — 2009/10/19 — 21:59 — page 62 — #62
Exercício 5.20 Justifique a afirmação anterior. Isto é, mostre que a forma escalonada reduzida por
linhas de uma matriz n × n invertível é a matriz identidade n × n.
Intrd_Algebra linear_2011.indd 76 30/03/2011 07:58:57
“IntAL” — 2009/10/19 — 21:59 — page 63 — #63
Aula 5
5.3. OBTENÇÃO DA INVERSA DE UMA MATRIZ 63
7 2
1 0 0 0 5 5 − 35 0
0
1 0 0 2
5 − 35 2
5 0
0 0 1 0 − 45 1
5
1
5 0
0 0 0 1 0 0 0 1
77
Intrd_Algebra linear_2011.indd 77 30/03/2011 07:58:58
“IntAL” — 2009/10/19 — 21:59 — page 64 — #64
4. Seja T : Rn → Rm uma aplicação linear. Mostre que T é injetora se, e somente se, a imagem de
todo conjunto linearmente independente (no Rn ) for um conjunto linearmente independente
(no Rm ).
possui inversa.
78
Intrd_Algebra linear_2011.indd 78 30/03/2011 07:58:58
AULA
Capítulo 6 6
Mudanças de Base
Mudanças de Base
x2
2 x
v1
v2
65
Intrd_Algebra linear_2011.indd 79 30/03/2011 07:58:59
“IntAL” — 2009/10/17 — 10:02 — page 66 — #66
Assim,
5
2
[ x ]B = .
− 12
Intrd_Algebra linear_2011.indd 80 30/03/2011 07:59:02
“IntAL” — 2009/10/17 — 10:02 — page 67 — #67
Aula 6
6.2. APLICAÇÕES LINEARES E MATRIZES – PARTE II 67
Demonstração: Se x = λ1 v1 + . . . + λn vn e y = γ1 v1 + . . . + γn vn , então,
mostrando a linearidade de B.
Se Bx = 0, então x = 0v1 + . . . + 0vn = 0, mostrando que ker B = {0}. O
resultado decorre então do Teorema 5.10.
B : Rn → (Rn , E )
definida por
λ1
λ2
Bx = ..
.
λn
é um isomorfismo.
Da mesma forma, ao se escolher uma base C = {w1 , . . . , wm } no espaço
Rm , obtém-se um isomorfismo C entre Rm e Rm . (Note que as imagens
das aplicações B e C chegam, respectivamente, no Rn e Rm , esses espaços
considerados com suas bases canônicas.)
Seja T : Rn → Rm uma aplicação linear. Vamos considerar uma base B no
espaço Rn e uma base C no espaço Rm . Nosso objetivo é mostrar como
associar uma matriz à aplicação T, levando em conta as bases escolhidas B
e C.
81
Intrd_Algebra linear_2011.indd 81 30/03/2011 07:59:04
“IntAL” — 2009/10/17 — 10:02 — page 68 — #68
A = C ◦ T ◦ B −1
Intrd_Algebra linear_2011.indd 82 30/03/2011 07:59:06
“IntAL” — 2009/10/17 — 10:02 — page 69 — #69
Aula 6
6.2. APLICAÇÕES LINEARES E MATRIZES – PARTE II 69
I
Rn −→ Rn
B ↓ ↓ B̄ .
(Rn , E ) −→ (Rn , E )
PBB̄
83
Intrd_Algebra linear_2011.indd 83 30/03/2011 07:59:08
Exemplo 6.10 Voltemos ao Exemplo 6.8. Vamos obter a matriz PEB , matriz
mudança da base E para a base B . Ela é calculada pelo mesmo método:
escrevemos a imagem dos vetores e1 , e2 pela aplicação identidade na base
B . Temos
(1, 0) = 0(1, 1) − 1(−1, 0) = 0v1 − v2
e
(0, 1) = 1(1, 1) + 1(−1, 0) = 1v1 + 1v2 .
A matriz PEB é, então,
0 1
PEB = .
−1 1
Exercício 6.11 Continuando o Exemplo 6.8, calcule a matriz PBE . Verifique que ( PEB )−1 = PBE .
TC
(Rn , B) →
B
(Rm , C),
TBC
(Rn , B) −→ (Rm , C)
¯
PBB̄ ↓ ↓ QCC .
n m
(R , B̄) −→ (R , C) ¯
¯
TB̄C
84
Intrd_Algebra linear_2011.indd 84 30/03/2011 07:59:10
“IntAL” — 2009/10/17 — 10:02 — page 71 — #71
Aula 6
6.2. APLICAÇÕES LINEARES E MATRIZES – PARTE II 71
ou seja,
4 −2
TE = .
2 1
TE
(R2 , E ) (R2 , E )
−→
PEB ↓ ↓ PEB .
2 2
(R , B) −→ (R , B)
TB
ou seja,
−1
4 −2 0 1 3 −2 0 1
=
2 1 −1 1 1 2 −1 1 .
85
Intrd_Algebra linear_2011.indd 85 30/03/2011 07:59:12
“IntAL” — 2009/10/17 — 10:02 — page 72 — #72
6.3
6.3Aplicação: Diagonalização
Aplicação: de uma
Diagonalização deMatriz
uma Matriz
Definição 6.14 Seja A uma matriz quadrada. O polinômio característico
da matriz A é o polinômio
Assim,
z−1 1
p(z) = det = (z − 1)(z − 4) + 2 = z2 − 5z + 6.
−2 z−4
T : Rn → Rn
Intrd_Algebra linear_2011.indd 86 30/03/2011 07:59:14
“IntAL” — 2009/10/17 — 10:02 — page 73 — #73
Aula 6
6.3. APLICAÇÃO: DIAGONALIZAÇÃO DE UMA MATRIZ 73
Tomamos α = 1 e o vetor
−2
v1 = ,
1
Intrd_Algebra linear_2011.indd 87 30/03/2011 07:59:16
“IntAL” — 2009/10/17 — 10:02 — page 74 — #74
Exemplo 6.20 Nem todas as matrizes (ou aplicações lineares) possuem uma
base formada por autovalores. De fato, consideremos a matriz
0 1
A= .
0 0
Mostre que existe uma base B = {v1 , v2 , v3 } do R3 formada por autovetores da matriz A. Encontre
a representação de A na base B e a matriz PBE .
88
Intrd_Algebra linear_2011.indd 88 30/03/2011 07:59:18
“IntAL” — 2009/10/17 — 10:02 — page 75 — #75
Aula 6
6.4. EXERCÍCIOS 75
6.4 Exercícios
6.4 Exercícios
1. Considere a aplicação linear T : R3 → R3 definida por meio da matriz
3 −1 −2
A= 0 0 −2 .
0 0 −1
T ( x1 , x2 , x3 ) = ( x1 + x2 + 2x3 , x2 + 2x3 , x3 ).
89
Intrd_Algebra linear_2011.indd 89 30/03/2011 07:59:19
Intrd_Algebra linear_2011.indd 90 30/03/2011 07:59:20
“IntAL” — 2009/10/17 — 10:09 — page 77 — #77
AULA 7
CapítuloO7Teorema de Cayley-Hamilton
O Teorema de
Cayley-Hamilton
Objetivos
No final desta aula, o aluno deverá ser capaz de:
1. calcular polinômios de matrizes e de aplicações lineares;
2. calcular o polinômio característico de uma aplicação linear;
3. aplicar oNo
Objetivos: final do
Teorema Capítulo o aluno
de Cayley-Hamilton emdeve saber:
situações simples.
Então
2 5 4 3 13 14
A = , e A = ,
4 5 14 13
de modo que
49 46
3A3 + 1A2 + 5I = .
46 49
q ( z ) = a k z k + a k −1 z k −1 + a1 z + a0 z0
q( T ) := ak T k + ak−1 T k−1 + · · · + a1 T + a0 I.
77
Intrd_Algebra linear_2011.indd 91 30/03/2011 07:59:21
“IntAL” — 2009/10/17 — 10:09 — page 78 — #78
7.2 Subespaços
7.2 Subespaços Invariantes
Invariantes
T ( x1 , x2 , x3 ) = ( x1 − x2 , x1 + x2 , 3x3 )
B = { w1 , . . . , w m , x m + 1 , . . . , x n }
seja uma base do Rn . Vamos representar T nessa base, que dizer, vamos
obter TB = TBB . Temos que
Intrd_Algebra linear_2011.indd 92 30/03/2011 07:59:26
“IntAL” — 2009/10/17 — 10:09 — page 79 — #79
Aula 7
7.3. O TEOREMA DE CAYLEY-HAMILTON 79
7.3 O teorema
7.3 de Cayley-Hamilton
O teorema de Cayley-Hamilton
Teorema 7.6 (Cayley-Hamilton)
Se p ∈ R[z] for o polinômio característico de T : Rn → Rn , então p( T ) = 0.
93
Intrd_Algebra linear_2011.indd 93 30/03/2011 07:59:32
“IntAL” — 2009/10/17 — 10:09 — page 80 — #80
O polinômio característico de TB é
zI − A B
p(z) = det = det(zI − A) det(zI − D) = q1 (z)q2 (z),
0 zI − D
94
Intrd_Algebra linear_2011.indd 94 30/03/2011 07:59:34
“IntAL” — 2009/10/17 — 10:09 — page 81 — #81
Aula 7
7.4. APLICAÇÕES 81
O polinômio característico de A é
95
Intrd_Algebra linear_2011.indd 95 30/03/2011 07:59:36
“IntAL” — 2009/10/17 — 10:09 — page 82 — #82
7.5 Exercícios
7.5 Exercícios
1. Considere a matriz
2 1 1
A= 1 2 1 .
1 1 2
(a) Mostre que, se m(z) = (z − 1)(z − 4), então m( A) = 0. (O polinômio m não é o polinômio
característico de A.)
(b) procedendo como no Exemplo 7.7, calcule A1000 . Para isso, efetue a divisão euclidiana de
z1000 por m(z) e obtenha o resto r (z) = c−3 1 z + 4− c
3 , em que c = 4
1000 . Conclua que
c +2 c −1 c −1
3 3 3
A1000 = c −1
3
c +2
3
c −1
3
.
c −1 c −1 c +2
3 3 3
96
Intrd_Algebra linear_2011.indd 96 30/03/2011 07:59:37
Referências
Intrd_Algebra linear_2011.indd 97 30/03/2011 07:59:38
“IntAL” — 2009/10/13 — 21:58 — page 8
Índice Remissivo
Gauss-Jordan, 7
método de Gauss-Jordan, 7
matriz
aumentada de um sistema, 7
escalonamento de uma, 8
forma escalonada, 8
reduzida por linhas, 8
núcleo
de uma matriz, 11
operações elementares
sobre as linhas de uma matriz, 7
pivô, 7
regra
da unidade, 21, 24
sistema linear, 7
escalonamento, 8
forma escalonada, 8
reduzida por linhas, 8
homogêneo, 7
matriz aumentada de um, 7
não homogêneo, 7
85
Intrd_Algebra linear_2011.indd 98
30/03/2011 07:59:38
Índice remissivo
base
canônica do n, 35
de um subespaço, 35
cálculo de determinantes
de matrizes em bloco, 13
por meio do escalonamento, 12
combinação linear, 30
conjunto
gerador, 31
ordenado, 35
dimensão
de um subespaço, 39
espaço
vetorial
n, 21
complexo, 23
real, 23
Gauss-Jordan, 7
método de Gauss-Jordan, 7
matriz
aumentada de um sistema, 7
escalonamento de uma, 8
forma escalonada, 8
reduzida por linhas, 8
núcleo
de uma matriz, 11
operações elementares
sobre as linhas de uma matriz, 7
pivô, 7
regra
da unidade, 21, 24
sistema linear, 7
escalonamento, 8
forma escalonada, 8
reduzida por linhas, 8
homogêneo, 7
matriz aumentada de um, 7
não homogêneo, 7
homogêneo associado, 7
operações elementares, 7
pivô, 7
variável livre, 9
subespaço, 27
gerado por um conjunto de vetores, 29
teorema
de unicidade da forma escalonada reduzida por linhas, 10
variável livre, 9
vetor, 23
multiplicação por escalar, 22
vetores
linearmente dependentes, 32
linearmente independentes, 32
soma de, 22