Você está na página 1de 59

Danica McKellar !

The fun little proofs that you can do with algebra - they are sort of like crowd pleasers in a way. Like, the .9 repeating equaling one. It doesn't take a lot of algebra to prove that, and it's really fun. It kind of wows people. It's like they're watching magic happen right before their eyes. !

It's like they're watching magic happen right before their eyes. ! 1 ÁLGEBRA LINEAR E GEOMETRIA

1

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

Atenção! Todo o conteúdo deste documento pode conter alguns erros de sintaxe, científicos, entre outros… Não estudes apenas a partir desta fonte. Este documento apenas serve de apoio à leitura de outros livros, tendo nele contido todo o programa da disciplina de Álgebra Linear e Geometria Analítica, tal como foi lecionada, no ano letivo de 2013/2014, na Universidade de

Aveiro. Este documento foi realizado por Rui

Lopes.

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA 2

A disciplina em álgebra linear e geometria analítica tem duas caraterísticas

únicas, que farão com que, decerto, seja uma cadeira diferente de qualquer outra da área de matemática. Primeiro, porque aqui podemos dar início à abstração. Segundo, pela simples razão de ser uma disciplina com base matemática, o que por si, terá, com a maior das probabilidades, impacto sobre o nosso futuro, a nossa vocação. Ao invés de outros temas da matemática, este não nos dará qualquer tipo de

ferramentas e técnicas para o cálculo da resolução de determinados tipos de problemas. Pelo contrário, é agora que cabe ao estudante, desenvolver a essência do conteúdo da álgebra linear, através de determinadas definições, e criação de procedimentos para determinar propriedades e provar teoremas.

A álgebra linear é utilizada no nosso dia-a-dia para resolver problemas em

outras áreas da matemática, física, biologia, química, engenharia, estatística, economia, As aplicações que a utilizam incluem transmissão de informação, o desenvolvimento de efeitos especiais em filmes e vídeo, o registo de sons, motores de busca da Web e análises económicas.

1. Matrizes e sistemas de equações lineares

Muitos dos problemas das ciências naturais e sociais relacionam-se com equações que combinam dois conjuntos de dados. Uma equação do tipo ax = b que expressa b em função da variável x e da constante a, é chamada de equação linear. A palavra “linear” é aqui utilizada dado que o gráfico de tal equação se resume numa reta. Do mesmo modo, uma equação do género,

a 1 x 1 + a 2 x 2 + + a n x n = b

!

que expressa b em função das variáveis x 1 , x 2 ,

, a n é também chamada de equação linear. Na maior parte dos casos, o b e as

constantes são conhecidas (tem valor específico), no entanto as variáveis x n permanecem desconhecidas. Mas as equações lineares podem ser, dependendo do contexto, usadas e calculadas (as suas incógnitas), em simultâneo. Para tal criamos sistemas de equações

, x n , é

ou sistemas lineares. Um sistema de m equações lineares e n incógnitas x 1 , x 2 ,

, x n e das constantes conhecidas a 1 , a 2 ,

um conjunto de m equações lineares, cada uma com n incógnitas, como expresso no exemplo a seguir:

a 11 x 1 + a 12 x 2 + a 21 x 1 + a 22 x 2 +

!

a m 1 x 1 + a m 2 x 2 +

+

+

+

a 1 n x n =

a 2 n x n = b 2

b 1

a mn x n = b m

variável, constante, equação linear

incógnita, sistemas de equações

!

Introdução às Matrizes

Em R 3 imaginemos os eixos coordenados Ox, Oy, Oz e os respetivos planos

coordenados xOy, yOz e xOz. Marquemos um ponto P(x 1 ,x 2 ,x 3 ) e o segmento de reta orientado que liga a origem O(0,0,0) ao ponto P :

!!!"

OP = ( x 1 , x 2 , x 3 )

!

3

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

3 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA Designemos tal segmento de reta orientado pelo vetor X, X

Designemos tal segmento de reta orientado pelo vetor X,

X =

!

!

x

x

x

1

2

3

figura 1 soma de vetores

Tomemos agora também atenção ao vetor Y, de coordenadas (y 1 ,y 2 ,y 3 ),

associado a !

!!!"

OQ

. Ao segmento de reta orientado !

! Z =

y 1 x 1

y 2 x 2

y 3 x 3

!!!"

PQ

fica associado o vetor Z,

!

Sejam α e β dois escalares. Um escalar é uma constante que multiplica uma espécie, logo α, β R . Se quisermos efetuar uma transformação a nível de

comprimento de um vetor, aplicamos um escalar, multiplicando, da seguinte forma:

α X = α

!

x

x

x

1

2

3

!

=

α

α

α

x 1

x

2

x

3

Para efetuar a operação de adição, basta fazer o seguinte:

Z = X + Y =

!

⎢ ⎢

x 1

x

2

x 3

y 1

y

2

y 3

⎥ ⎥

=

x 1 + y 1

x 2 + y 2

x 3 + y 3

escalar

multiplicação por escalar

adição

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA 4

Já no caso da combinação linear se pode fazer o seguinte:

!

Z = α X + β Y =

!

α

α

α

x 1 + β y 1

x 2 + β y 2

x 3 + β y 3

Em suma, todos os vetores em R 2 e R 3 generalizam-se em vetores R n :

X =

!

x

x

!

x

1

2

n

" n

,

x n dá-se o nome de componentes do vetor X.

!

Nesta generalização, aos x 1 , x 2 ,

Assim, podemos conceitualizar o termo de matriz. Uma matriz A tem m linhas e n colunas, tem m × n elementos e diz-se matriz m × n, de ordem m × n ou de dimensão m × n e é um arranjo retangular. Esta matriz, A m ×n , tem o seguinte aspeto:

A =

!

x 11

x

x

21

31

"

x m 1

x 12

x

x

22

32

"

x m 2

x 13

x

x

23

33

"

! x 1 n

! x 2 n

! x 3 n #

"

x m 3 !

x mn

combinação linear

vetores R n

componentes do vetor matriz

!

Esta matriz é um elemento de R m × R n . Se avaliarmos melhor a matriz, podemos

reparar que ela contém uma distribuição específica de cada linha e de cada coluna.

! A =

x 11

x

21

"

x i 1

"

x m 1

x 12

x

22

"

x i 2

"

! ! x 1 j

! ! x 2 j ! x 2 n

! x 1 n

! !

! !

"

x ij

"

!

!

"

x in

"

x m 2 ! ! x mj ! x mn

x in " x m 2 ! ! x mj ! x mn j-ésima coluna ⎤

j-ésima coluna

mn j-ésima coluna ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ i-ésima linha Podemos

i-ésima linha

Podemos dizer que A é m por n. Se m = n, dizemos que A é uma matriz

matriz quadrada

quadrada de ordem n e os números x 11 , x 22 , matriz A.

,

x nn , formam a diagonal principal da

diagonal principal

5

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

Por uma questão de simplificação, a matriz A também pode ser representada

por

!

A =

x

ij

:

i

!

= 1, ,

!

m

e !

j = 1,

, n

Em baixo, seguem-se alguns exemplos de matrizes (B 2 ×2 ; C 1 ×1 ; D 2×3 ):

B =

!

1

3

2

4

C = [2 ]

!

!

D =

!

2 3

4

1

0

6

Nestas matrizes, podemos tirar a conclusão de que:

B é uma matriz 2 ×2 com b 11 = 1, b 21 = 3, b 12 = 2, b 22 = 4;

C é uma matriz 1 ×1 com c 11 = 2;

D é uma matriz 2 ×3 com d 11 = 2, d 21 = 1, d 12 = 3, d 22 = 4, d 13 = 0, d 23 = 6.

Uma matriz n ×1 é também chamada de vetor de dimensão n.

Matriz diagonal - é uma matriz quadrada A = [a ij ] em que todos os elementos fora da diagonal principal são iguais a zero, isto é, a ij = 0 para i j, é chamada de matriz diagonal. Por exemplo:

! D =


23

0

0

0

34 0

2

0

0


⎥ ⎦

!

Matriz escalar - é uma matriz diagonal A = [a ij ] em que todos os termos da diagonal principal são iguais , a ij = c para i = j e a ij = 0 para i j, é chamada de matriz escalar. Por exemplo:

E =

!

2

0

0

0

2

0

0

0

2

!

Matriz elementar - é uma matriz A = [a ij ] em que um e um só elemento é diferente de zero. Matriz triangular inferior - é uma matriz quadrada A = [a ij ] em que os elementos da diagonal principal e abaixo desta são diferentes de zero, e acima da diagonal são iguais a zero. Isto é a ij = 0 para i < j. Por exemplo:

T =

!

1

4

5

!

0

2

6

0

0

3

vetor de dimensão n

matriz diagonal

matriz escalar

matriz elementar

matriz triangular inferior

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA 6

Matriz triangular superior - é uma matriz quadrada A = [a ij ] em que os elementos da diagonal principal e acima desta são diferentes de zero, e abaixo da diagonal são iguais a zero. Isto é a ij = 0 para i > j. Por exemplo:

U =

!

1

0

0

4

2

0

5

6

3

!

Matriz identidade - é uma matriz diagonal A = [a ij ] em que todos os elementos da diagonal são iguais a 1 e os restantes nulos. Ou seja, a ii = 1. Esta matriz denota-se de I n . Por exemplo:

I =

!

1

0

!

Matriz linha - é uma matriz A 1 ×m que contém apenas uma linha de elementos, quer nulos, quer não nulos. Por exemplo:

!

A n ×1 que contém apenas uma coluna de

2

0

1

L =

!

1

3

4

Matriz coluna -

é uma matriz

elementos, quer nulos, quer não nulos. Por exemplo:

! C =


⎢ ⎣

3

5

15

⎥ ⎥ ⎦

!

Matriz nula - é uma matriz O m×n que apenas contém elementos nulos e tem uma dimensão m ×n. Por exemplo:

! O 4 × 2 =

0

0

0

0

0

0

0

0

!

Duas matrizes m ×n, A = [a ij ] e B = [b ij ] são iguais quando a ij = b ij, 1 i m, 1 j n, isto é, se os elementos correspondentes forem iguais. Um outro caso é quando se diz que A T é a matriz transposta de A. Isso significa que se A é uma matriz m × n, então a sua matriz transposta será n × m.

A =

!

⎢ ⎣ 0

4 2

5

3

2

A T =

!

4

2

3

2

0

5

!

A T =

a ji

matriz triangular superior

matriz identidade

matriz linha

matriz coluna

matriz nula

igualdade de matrizes

matriz transposta

7

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

Atrás aprendemos que as matrizes podem ser somadas algebricamente, produzindo, simplesmente, a adição dos elementos correspondentes em cada matriz, para uma nova matriz. Mas tal operação tem propriedades, entre as quais, e dadas as matrizes A, B e C com ordem m ×n:

propriedades da adição

Comutatividade: A + B = B + A;

Associatividade: (A + B) + C = A + (B + C);

Admite elemento neutro: A + O = A;

Existência de simétrico aditivo: dada A m×n o simétrico aditivo é (-A) m×n tal que, A + (-A) = (-A) + A;

Transposta da soma: (A + B) T = A T + B T .

Outra operação possível de ser efetuada com matrizes é a multiplicação. Para iniciarmos tal operação, comecemos com um exemplo pequeno: multiplicação de uma

matriz linha por uma matriz coluna. Dada a matriz linha A 1 ×n e a matriz coluna B n ×1 ,

o produto de A por B é a matriz C, de ordem 1×1. ! ⎡
o
produto de A por B é a matriz C, de ordem 1×1.
!
b 1
b 2
!
C = AB =
= a 1 × b 1 + a 2 × b 2 +
+ a n × b n
⎡ ⎣ a 1 a 2
a n
⎦ ⎢
!
b n
!
Agora podemos ver numa perspetiva genérica. Dadas as matrizes A m×n e B n ×p ,
a
matriz C m ×p tem elementos:
!
b
a a 12
! a 1 n
! b 1 p
11
b 12
11
a a
b
! a 2 n
! b 2 p
21
22
21
b 22
C = AB =
=
"
"
#
"
"
"
#
"
a
! a mn
b
m 1
a m 2
! b np
n 1
b n 2
!
+
+
+
! !
a 11 b 11 + a 12 b 21
+ a 1 n b n 1
a 11 b 12 + a 12 b 22
a 1 n b n 2
+
+
+
+
! !
a 21 b 12 + a 22 b 22
a 2 n b n 2
a 21 b 12
+ a 22 b 22
a 2 n b n 2
=
"
"
"
+ a mn b np ! !
"
a m 1 b 1 p + a m 2 b 2 p +
+ a mn b np
a m 1 b 1 p + a m 2 b 2 p +
⎥ m × p
!
Com maior poder de síntese, um somatório ajuda-nos a compreender melhor o
cálculo:
!
n
!
c ij =
∑ a ik b kj
k =1
!

Nota! a) As matrizes, para serem multiplicadas o nº de colunas da 1ª matriz tem de ser igual ao nº de linhas da 2ª.

multiplicação

somatório

nota

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA 8

Tal como a adição, a multiplicação de matrizes também

1

propriedades . Dadas as matrizes !

A, A m × n , B, B n × p , C p × q

:

tem

Associatividade: !

ABC = ( AB )C = A ( BC ) ( AC ) B

;

Distributividade: !

( A + A ) B = AB + AB

AI n = A

e

!

A ( B + B ) = AB + A B I m A = A

e

!

;

Admite elemento neutro: !

!

α AB = (α A ) B = α ( AB ) = A (α B )

( AB ) T = B T A T

;

as suas

A multiplicação por um escalar também tem as suas propriedades. Dadas as

matrizes !

A, B m × n

e os escalares !

α , β !

:

Associatividade: !

(αβ ) A = α ( β A ) = β (α A )

Distributividade: !

(α A ) T = α A T

(α + β ) A = α A + β A

e

!

;

α ( A + B ) = α A + α B

;

Trabalhar com matrizes quadradas também pode envolver potências. Para as efetuar apenas se tem que calcular o produto da potência:

A p = AA p 1

!

!

Por convenção, também se tem que:

! A 0 = I n

!

As suas propriedades são:

!

( A p ) q = A p × q

;

A p × A q =

!

A p + q

;

Nota! !

( AB ) p = ( AB )( AB ) AB ) A p B p

(

Sistema de m equações e n incógnitas

Consideremos o seguinte sistema de equações (duas equações) com 2 incógnitas, x 1 , x 2 .

!

2 x 1 + 3 x 2 = 7

⎩ ⎪ x 1 + x 2 = 4

propriedades da multiplicação

propriedades da multiplicação por escalar

potências

propriedades das potências

sistema de equações

9

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

Agora, vamos aprender que os dados de qualquer sistema de m equações com n incógnitas podem ser, facilmente, organizados em matrizes. Assim, obtemos um conjunto de matrizes, às quais, dá-se o nome de forma matricial de um sistema de equações lineares, AX=B.

AX = B

!

2

1

3

1

⎥ ×


x 1

x 2 =

7

4

!

Nesta forma matricial, o A é a matriz dos coeficientes (m ×n), o X é a matriz ou vetor das incógnitas (n ×1) e o B é a matriz ou vetor dos termos independentes (m×1). Em geral, tem-se que:

para:

A =

#

!


a 11 x 1 + ! + a 1 n x n =

b 1

a m 1 x 1 + ! + a mn x n = b m

a 11

"

a m 1

! a 1 n #

! a mn

"

!

X =

#

AX = B

x

!

x

1

n

B =

#

tem-se que:

b

!

b

1

2

!

Em suma, podemos aglomerar estas matrizes numa só, a qual se dá o nome de matriz ampliada, aumentada ou completa m×(n+1) do sistema, e tem o seguinte aspeto:

M = [ A | B ] =

!

a 1 1

"

a m 1

!

Matriz escalonada por linhas

Consideremos a seguinte matriz A:

A =

!

0

0

0

"

0

! a 1

! 0

! 0

!

! 0

"

# !

0

0 !

!

0 !

#

! a 2

0

"

0

"

#

#

0

"

0

! a 1 n

#

! a mn

"

b

"

1

b

m

#

#

a 3

"

0

! #

! #

! #

#

! 0

"

, a 1 , a 2 , a 3 ,

0

!

A matriz A é uma matriz escalonada por linhas dado que, se avaliarmos a primeira entrada não nula, de cada linha, como pivot, abaixo de cada pivot só ocorrem zeros; dadas duas linhas não nulas consecutivas, o pivot da linha i+1 está à direita do pivot da linha i; as linhas nulas, caso existam, ocorrem só na parte inferior da matriz.

forma matricial de um sistema de equações lineares

matriz dos coeficientes, matriz das incógnitas e matriz dos termos independentes

matriz ampliada

matriz escalonada por linhas

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

10

Por sua vez, uma matriz B é uma matriz escalonada por linhas reduzida se e só se a matriz estiver na forma de matriz escalonada por linhas, os pivots forem todos iguais a 1 e se acima de cada pivot só ocorrerem zeros. Por exemplo:

! B =

0

0

0

"

0

1

! 0

0

"

! 0

!

!

!

#

0

0

"

0

! 0

1

! 0

!

! 0

!

"

#

#

0

"

0

0 !

0 !

!

#

0 !

1

"

#

#

#

"

0

!

Operações elementares nas linhas de uma matriz

Muitas vezes, uma simplificação de uma matriz numa matriz escalonada por linhas ou por linhas reduzida, pode-nos ser extremamente útil. Um exemplo, é na resolução de sistemas de equações lineares, com as quais podemos reproduzir formas matriciais de um sistema de m equações lineares com n incógnitas, transformando-as em escalonadas por linhas. Existem, três operações elementares que podem e devem ser utilizadas. Entre elas estão:

Troca de posição relativa de duas linhas i e j ( !

!

2

0

0

3

0

0

4

0

3

!

L 2 L 3

!

2

0

0

3

0

0

L i L j

4

3

0

):

‣ Multiplicação de uma linha por um escalar (! L ' i := α L
‣ Multiplicação de uma linha por um escalar (!
L ' i := α L i , α ≠ 0
):
2
3
0
1
!
1
3 2 0
!
0
0
1
L ' 1 :=
0
0
1
2 L 1
0
0
0
0
0
0

!

Substituição de uma linha pela que dela se obtém adicionando-lhe outra

linha, multiplicada por um escalar (!

L ' i := L i + β L j

):

!

!

1

1

0

2

1

0

3

2

0

!

L ' 2 := L 2 L 1

1

2

3

0 1 1

0

0

0

!

L ' i := L i elemento na L i a anular

pivot

× L pivot

matriz escalonada por linhas reduzida

operações elementares

troca de linhas

multiplicação de linha por escalar

substituição de uma linha

anular um elemento de uma linha usando um pivot acima dele

11

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

Matrizes equivalentes por linhas

Dadas duas matrizes A e C, elas são equivalentes por linhas A~C se C resulta de A por aplicação de um número finito de operações elementares nas linhas de A. Apresentando o teorema, este diz que “Toda a matriz m ×n é equivalente por linhas a uma matriz escalonada por linhas (reduzida)”. Exemplificando e considerando a matriz R, temos que:

matrizes equivalentes porlinhas teorema

! Trocar a linha 1 pela linha 3, para colocar devidamente o pivot como 1º
!
Trocar a linha 1 pela linha 3, para colocar devidamente o pivot como 1º
elemento da coluna;
!
0
2
3
−4 1
2
2 −5
2
4
0
0
2
3
4
0
0
2
3
4
!
R =
L 1 ↔ L 3
!
2
2 −5
2
4
0
2
3
−4 1
⎣ 0 −6
2
9
7
2
0 −6
9
7
!
Operar com as linhas para obter zeros abaixo do pivot, subtraindo a linha 1
à linha 4.
!
2
2 −5
2
4
2
2
−5
2
4
0
0
2
3
4
0
0
2
3
4
!
!
L ' 4 := L 4 − L 1
0
2
3
−4 1
0
2
3
−4 1
2
0 −6
9
7
0 −2 −1
7
3
!
Considerar a submatriz que se obtém eliminando a 1ª linha e aplicar os
passos anteriores até esgotar as linhas.
!
2
2
−5
2
4
0
0
2
3
4
!
0
2
3
−4 1
0 −2 −1
7
3
!
!
No fim, obtém-se uma matriz escalonada por linhas equivalente a R.
!
2
2 −5
2
4
0
2
3
−4 1
R ~
!
0
0
2
3
4
0
0
0
0
0
!
!
!
!
!

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

12

Se multiplicarmos, agora, as linhas não nulas pelos inversos dos pivots, iremos obter pivots iguais a 1:

! ! 1 ⎡ ⎤ L ' 1 := L 1 1 1 − 5
!
!
1
L
' 1 :=
L 1
1
1 − 5 2
1
2
2
4
2
2 −5
2
!
0
2
3
−4 1
1
0
1
−2
3 2
1 2
!
!
L
' 2 :=
L 2
0
0
2
3
4
2
0
0
1
2
0
0
0
0
0
3 2
!
1
L
' 3 :=
L 3
0
0
0
0
0
2
!
Operando com as linhas, podemos obter zeros acima dos pivots:
!
19 4
1
1
1
2
1
1
0
7
− 5 2
!
L ' 2 := L 2 − 3
L
3
0
1
−2
2
0
1 0 − 17 4
3 2
1 2
− 5 2
!
~
!
5
0
0
1
2
0
0
1
2
L ' 1 := L 1 +
3 2
3 2
2 L 3
0
0
0
0
0
0
0
0
0
0
19 2
1
0
0
9
0
1 0 − 17 4
− 5 2
!
L ! ' 1 := L 1 − L 2
0
0
1
2
3 2
0
0
0
0
0
!
No fim destas operações, obtivemos uma matriz escalonada por linhas
reduzida equivalente a R.
Um outro teorema diz que “Se as matrizes ampliadas de dois sistemas lineares
são [A|B] e [C|D], tais que [A|B] ~ [C|D], então os dois sistemas têm o mesmo conjunto
de soluções .
2
!
Método de eliminação de Gauss
O método de eliminação de Gauss é usado para a resolução de sistemas. Este
método traduz-se da seguinte forma:
!
‣ Dado um sistema AX=B, formar a matriz ampliada [A|B];
‣ Transformar [A|B] numa matriz escalonada por linhas [C|D];
Escrever CX=D, ignorando as linhas nulas e resolvendo por substituição
ascendente.
!
!

teorema

método de eliminação de Gauss

13

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

Método de eliminação de Gauss-Jordan

O método de eliminação de Gauss-Jordan é também usado para a resolução de sistemas. Este método difere do método de Gauss, porque transforma a matriz ampliada numa matriz escalonada por linhas reduzida. Assim:

método de eliminação de Gauss-Jordan

Dado um sistema AX=B, formar a matriz ampliada [A|B];

Transformar [A|B] numa matriz escalonada por linhas reduzida [E|F];

Escrever EX=F, ignorando as linhas nulas e resolver.

Classificação de sistemas

Os sistemas são classificados dependendo do número das suas soluções. Um sistema linear representado matricialmente por AX=B, tal que [A|B] ~ [C|D], com a matriz [C|D] escalonada por linhas classifica-se em:

Impossível, se não possui qualquer solução;

sistema impossível

Possível e indeterminado se possui uma infinidade de soluções (sendo o grau de indeterminação do sistema igual ao número de incógnitas livres, por sua vez, igual ao número de colunas de C sem pivot);

sistema possível e indeterminado

Possível e determinado se possui uma única solução (todas as colunas de C têm pivot).

sistema possível e determinado

Mas tal classificação de sistemas pode ser ainda mais preciso se introduzirmos

o conceito de caraterística de uma matriz. A caraterística da matriz A, representada por car(A), é o número de pivots de uma matriz C escalonada equivalente por linhas

caraterística de uma matriz

a A. Por conseguinte, o sistema linear AX=B com A m×nm×n e B m.1 é:
a
A. Por conseguinte, o sistema linear AX=B com A m×nm×n e B m.1 é:
!
‣ Impossível, se car(A) < car([A|B]);
‣ Possível e indeterminado se car(A) = car([A|B]) < n;
‣ Possível e determinado se car(A) = car([A|B]) = n.
!
Espaço das colunas de uma matriz
Dada uma matriz A m ×n , o espaço das colunas, C(A), é o conjunto de todas as
espaço das colunas
combinações lineares possíveis das colunas C 1 , C 2 ,
,
C n de A. Assim:
!
!
C
( A ) = {α 1 C 1 + α 2 C 2 +
+ α n C n , α 1 ,
,
α n ∈ ! }
!
Tomemos com exemplo a matriz T de dimensões 3 ×3:
!
1
−1
1 −1 −1
−1
!
A =
1
1
1
!
C 1 =
1
!
C 2 =
1
!
C 3 =
1
1
1
1
1
1
1
!
!
!

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

14

Neste exemplo, xC 1 +yC 2 +zC 3 é a combinação linear das três colunas da matriz A com uma matriz coluna de três linhas de incógnitas (x, y, z) à qual chamamos de B.

! xC 1 + yC 2 + zC 3 = A

x

y

z

= B =

1

1

1

!

Podemos dizer, então, que C(A) = {AX, X R}. Tudo isto nos permite

compreender, também, o seguinte teorema, de que “Num sistema AX = B, A m ×n só é possível, se e só se B C(A).”.

Espaço das linhas de uma matriz

Dada uma matriz A m ×n , o espaço das linhas, L(A), é o conjunto de todas as

combinações lineares possíveis das transpostas das linhas L 1 , L 2 ,

, L n de A. Assim:

! L ( A ) = {α 1 L T + α 2 L T +

1

2

Por exemplo:

!

T

+ α m L , α 1 ,

m

,

α m ! }

!

α

T

1

1 L

!

A =

1 1 1

1

1

1

1

1

1

!

L T =

1

1

1

1

+ α 2 L T + α 3 L T =

2

3

!

L T =

2

⎢ ⎣ −1

1

1

!

1

1

1

L 1 =

1 1 1

L 2 =

L 3 =

1

1

1

1

1

1

1

1

1

1

1

1


⎥ ⎦

!

L T =

3

1

1

1

α

α

α

1

2

3

= A T

α

α

α

1

2

3

!

Podemos dizer, então, que L(A) = {A T X, X R m }. Tudo isto nos permite

fazer a seguinte proposição, de que “Se A~C, então L(A)= L(C). Como L(A)=C × × L(A T ), temos que B = L(A) A T X = B é um sistema possível”.

Sistema homogéneo, nulidade e espaço nulo

A um sistema linear da forma AX=0 chamamos de sistema homogéneo, dado que nestes sistemas, pelo menos uma solução é trivial, ou seja, igual a zero. A solução destes sistemas é sempre possível. Se, numa matriz A m×n , m < n, então AX = 0 admite uma solução não trivial. Num sistema homogéneo, consoante a caraterização de um sistema, podemos saber se este é possível e determinado ou possível indeterminado. Para tal,

teorema

espaço das linhas

proposição

sistema homogéneo solução trivial

15

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

consideremos que um sistema é possível e determinado quando a car(A) = n, e que
consideremos que um sistema é possível e determinado quando a car(A) = n, e que um
sistema é possível e indeterminado quando car(A) < n. Quando AX = 0 admite
soluções não triviais, isto significa que o sistema será possível e indeterminado.
Outro aspeto a analisar numa matriz é a sua nulidade. A nulidade de A,
nulidade
nul(A), é o número de linhas sem pivot numa matriz escalonada por linhas. Temos
assim, que:
!
nul ( A ) = n − car ( A )
!
Ainda mais, podemos considerar também, o conjunto de todas as soluções do
sistema homogéneo associado a A m×n como espaço nulo de A, representado por N(A):
espaço nulo
!
#
N
( A ) = { X
∈ ! n : AX = 0}
!
Inversa de uma matriz
Uma matriz A n ×n diz-se invertível se existe uma matriz B n ×n tal que:
invertível
!
!
AB = BA = I n
!
À única matriz B que satisfaz esta relação chamamos de inversa de A e
inversa de A
denota-se por A -1 . Caso B não exista então A diz-se singular ou não invertível. Agora,
singular (não invertível)
podemos compreender dois teoremas diretamente relacionados com a inversa de uma
matriz. O primeiro teorema diz que se A n×n é invertível, então ao sua inversa é única.
Por acrescento, um outro teorema diz que se A,B n ×n e BA=I n , então também AB=I n .
A inversa tem as suas propriedades. Como tal:
teorema
teorema
propriedades da inversa
!
‣ A inversa da inversa A é a matriz A: !
;
‣ A multiplicação por ordem inversa: !
( A −1 ) −1 = A
( AB ) −1 = B −1 A −1
;
‣ A transposta da inversa é a inversa da transposta: !
( A T ) −1 = ( A −1 ) T
.
!
Um método para obter a inversa é o seguinte:
!
Construir matriz ampliada [A|I n ];
‣ Efetuar operações elementares nas linhas da matriz até que se corrija a
matriz ampliada para [I n |A -1 ];
!
É
nos permitido efetuar operações elementares nas linhas da matriz até que se
corrija a matriz ampliada, para a desejada, dado os teoremas que se seguem:
teorema
!

Uma matriz A n×n é invertível se e só se for equivalente por linhas à matriz identidade, I n ;

Dada A n ×n , então as afirmações seguintes são equivalentes:

A é invertível;

A~I n ;

car(A)=n;

nul(A)=0;

AX=B tem uma única solução X=B -1 A, para cada B n ×1 ;

AX=0 possui apenas a solução trivial;

ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

16

C(A)= R n ;

L(A)= R n ;

‣ 0 ∈ ! N(A)= {0}, ! . ! 2. Determinantes Dado que o estudo
‣ 0 ∈ !
N(A)= {0}, !
.
!
2. Determinantes
Dado que o
estudo das noções básicas de matrizes já foi feito, agora já
podemos avançar para uma nova abordagem: os determinantes. Basicamente, um
determinante é uma função ao que a cada matriz quadrada A n×n faz corresponder um
valor real. Vamos denotá-la por det(A) e fazer a seguinte correspondência:
!
!
det( A ) = f (C 1 , C 2 ,
,
C n )
colunas de A
!
O determinante é, assim, a única função que satisfaz as seguintes condições:
!
det( I n ) = 1
‣ !
;
!
f (
,
C i ,
C j ,
)
= − f (
,
C j ,
,
C i ,
)
‣ ,
;