Você está na página 1de 7

MINISTÉRIO DA EDUCAÇÃO

SECRETARIA DE EDUCAÇÃO PROFISSIONAL E TECNOLÓGICA


INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE GOIÁS
CAMPUS ITUMBIARA
AULA 2 – Revisão de Álgebra Linear

Disciplina: Sistemas Não Lineares Professor: Willian Martins Leão

1. Espaço Vetorial
Um Espaço Vetorial consiste de um conjunto não vazio V de objetos, denominados vetores que
pertencem a um corpo (ℝ ou ℂ) de escalares que são munidos de uma operação de adição de vetores,
que associa a cada par de elementos u, v ∈ V um elemento u + v ∈ V , isto é, V é fechado com relação `a
operação de adição. Essa operação tem as seguintes propriedades:
 Comutatividade: 𝑢 + 𝑣 = 𝑣 + 𝑢; ∀𝑢, 𝑣 ∈ 𝑉.
 Associatividade: 𝑢 + (𝑣 + 𝑤) = (𝑢 + 𝑣) + 𝑤; ∀𝑢, 𝑣, 𝑤 ∈ 𝑉.
 Elemento Neutro: Existe um elemento 0𝑉 ∈ 𝑉 tal que 𝑢 + 0𝑉 = 𝑢; ∀𝑢 ∈ 𝑉.
 Elemento Simétrico: Para todo elemento 𝑢 ∈ 𝑉existe o elemento −𝑢 ∈ 𝑉 tal que 𝑢 + (−𝑢) =
0𝑉; ∀𝑢 ∈ 𝑉.
Além disso, os vetores de um espaço vetorial são munidos de uma operação de multiplicação por
escalar, que associa a cada elemento u ∈ V e cada escalar 𝛼 ∈ 𝔽 um elemento 𝛼 ⋅ 𝑢 ∈ 𝑉 , isto é, V é
fechado com relação à operação de multiplicação por escalar. Essa operação tem as seguintes
propriedades:
 Associatividade: (𝛼 ⋅ 𝛽) ⋅ 𝑢 = 𝛼 ⋅ (𝛽 ⋅ 𝑢); ∀𝑢 ∈ 𝑉 𝑒 ∀𝛼, 𝛽 ∈ 𝔽.
 Distributividade para a Adição de Elementos: 𝛼 ⋅ (𝑢 + 𝑣) = 𝛼𝑢 + 𝛼𝑣; ∀𝑢, 𝑣 ∈ 𝑉 𝑒 ∀𝛼 ∈ 𝔽.
 Distributividade para a Multiplicação por Escalar: (𝛼 + 𝛽)𝑢 = 𝛼𝑢 + 𝛽𝑢; ∀𝑢 ∈ 𝑉 𝑒 ∀𝛼, 𝛽 ∈ 𝔽.
 Elemento Identidade: 1𝔽 𝑢 = 𝑢; ∀𝑢 ∈ 𝑉.

2. Matriz Quadrada
Uma matriz é dita quadrada se tem o mesmo número de linhas e colunas, em outras palavras,
a matriz é dita quadrada se sua dimensão é 𝑛 𝑥 𝑛, sendo 𝑛 um valor natural.

3. Matriz Retangular
Uma matriz é dita retangular se tem o número de linhas difere do número de colunas, em
outras palavras, a matriz é dita retangular se sua dimensão é 𝑚 𝑥 𝑛, sendo 𝑚 e 𝑛 números
naturais diferentes.

4. Matriz Identidade (I)


É uma matriz quadrada onde os elementos da diagonal principal são iguais a unidade, ou seja:
𝑎𝑖𝑗 = 1, 𝑝𝑎𝑟𝑎 𝑖 = 𝑗
𝑎𝑖𝑗 = 0, 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑗

5. Matriz Simétrica
Uma matriz 𝐴 = {𝑎𝑖𝑗 } de dimensão 𝑛 × 𝑛 é dita simétrica se 𝑎𝑖𝑗 = 𝑎𝑗𝑖 , 𝑖, 𝑗 = 1,2, . . . , 𝑛.

6. Singularidade
Diz-se que uma matriz A de dimensão 𝑛 × 𝑛 é singular se 𝑑𝑒𝑡(𝐴) = 0. Caso contrário, diz-se
que A é não-singular. A matriz A admite inversa apenas se a sua determinante for não nula.
7. Imagem ou Range
O range de uma matriz A de dimensão 𝑚 × 𝑛 é um subespaço do ℝ𝑛 definido na forma:
𝑅(𝐴) = {𝑦 ∈ ℝ𝑚 / 𝑦 = 𝐴𝑥, 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑚 𝑥 ∈ ℝ𝑛 }
Portanto, R(A) é dado pelo conjunto de todas as possíveis combinações lineares das colunas
de A.

8. Base
Se 𝐸 é um espaço vetorial sobre um corpo 𝐾, chama-se base de 𝐸 a um conjunto de vetores
de 𝐸 linearmente independentes que geram 𝐸.

9. Posto
A dimensão de R(A) é denominada posto da matriz A e é representado por ρ(A). O posto é o
número de colunas linearmente independentes de A.
Como 𝜌(𝐴) = 𝜌(𝐴𝑇 ), o posto pode ser também considerado como sendo o número de
linhas linearmente independentes de A. Se 𝑛 ≥ 𝑚 e 𝜌(𝐴) = 𝑚, então 𝑅 (𝐴) ≡ ℝ𝑚 , donde se
conclui que
dim{R(A)} = ρ(A) = ρ(AT ) ≤ min(m, n).
Em Matlab e Octave é realizada através da função rank. Exemplo:
A=[1 2; 3 4];
p = rank(A);
Uma matriz A de dimensão 𝑚 × 𝑛 é invertível apenas se seu posto for completo, ou seja, se
𝜌 (𝐴 ) = 𝑛 = 𝑚

10. Núcleo
O núcleo de uma matriz A de dimensão 𝑚 × 𝑛 é um subespaço do ℝ𝑛 definido na forma:
𝒩 (𝐴) = {𝑥 ∈ ℝ𝑛 / 𝐴𝑥 = 0}
Em Matlab e Octave é realizada através da função null. Exemplo:
A = [1 8 15 67; 7 14 16 3];
N=null(A);

11. Nulidade
A dimensão de 𝒩 (𝐴) é denominada nulidade da matriz A e é representada por 𝜈(𝐴). A
nulidade e posto estão relacionados por:
𝜌 (𝐴 ) + 𝜈 (𝐴 ) = 𝑛
Em Matlab e octave podemos calcular como:
nullity=size(null(A),2)

12. Autovalores e Autovetores


Seja uma matriz A de dimensão 𝑛 × 𝑛. Diz-se que um escalar 𝜆 ∈ ℂ (conjunto dos números
complexos) é um autovalor (ou valor próprio) de A se existe um vetor não-nulo 𝑥 ∈ ℂ𝑛 , chamado
de autovetor associado a λ, tal que 𝐴𝑥 = 𝜆𝑥, podem ser reescrito como (𝜆𝐼 − 𝐴)𝑥 = 0.
Se 𝑥 ∈ ℂ𝑛 , 𝑥 ≠ 0 tal que (𝜆𝐼 − 𝐴)𝑥 = 0 se e somente se det(𝜆𝐼 − 𝐴) = 0, sendo chamado
de polinômio característico Δ(𝜆) ≡ det(𝜆𝐼 − 𝐴) = 0, sendo o grau desse polinômio igual ao
número de autovalores dessa matriz.
Em Matlab e Octave é realizada através da função eig, por exemplo:
A=[1 2; 3 4];
Lambda = eig(A)
13. Matriz Inversa
Uma matriz quadrada A é dita invertível quando existe outra matriz denotada {𝐴−1 tal que
𝐴 ⋅ 𝐴−1 = 𝐼 e 𝐴−1 ⋅ 𝐴 = 𝐼 onde 𝐼 é a matriz identidade. Em Matlab e Octave é realizada através
da função inv. Exemplo:
A=[1 2; 3 4];
A1 = inv(A);

14. Produto interno


O produto interno é uma função <⋅,⋅>: ℝ𝑛 × ℝ𝑛 → ℝ que associa a cada par de vetores
𝑥, 𝑦 ∈ ℝ𝑛 um escalar dado por:
〈𝑥, 𝑦〉 = 𝑥 𝑇 𝑦 = 𝑥1 𝑦1 + 𝑥2 𝑦2 + ⋅⋅⋅ + 𝑥𝑛 𝑦𝑛 , onde 𝑥 = [𝑥1 𝑥2 ⋅⋅⋅ 𝑥𝑛 ]𝑇 e 𝑦 = [𝑦1 𝑦2 ⋅⋅⋅ 𝑦𝑛 ]𝑇 .

15. Vetores Ortogonais e Vetores Ortonormais


Dois vetores 𝑥, 𝑦 ∈ ℝ𝑛 , são ortogonais entre si, 𝑥 ⊥ 𝑦, se o seu produto interno se anula:
𝑥 ⊥ 𝑦 ⇒ 〈𝑥, 𝑦〉 = 0.
Além disso, se 𝑥, 𝑥 = 𝑦, 𝑦 = 1, então os vetores 𝑥, 𝑦 ∈ ℝ𝑛 são ortonormais entre si. Um
〈 〉 〈 〉
vetor x é ortogonal a um conjunto 𝑆(𝑥 ⊥ 𝑆)𝑠𝑒 〈𝑥, 𝑠〉 = 0, ∀𝑠 ∈ 𝑆.

16. Matriz Ortogonal


Uma matriz quadrada A de dimensão 𝑛 𝑥 𝑛 é dita ortogonal se sua matriz inversa é igual a
sua matriz transposta, ou seja, se 𝐴−1 = 𝐴𝑇 . Uma das características dessa matriz é que sua
determinante é igual a ±1. Os autovalores dessa matriz possuem dimensão igual a 1, ou seja,
seja 𝜆 um autovalor da matriz ortogonal A, então |𝜆| = 1, podendo esse ser um número
complexo.

17. Valores Singulares


Seja A uma matriz 𝑚 × 𝑛 de posto r, então existem números reais 𝜎1 ≥ 𝜎2 ≥ ⋯ ≥ 𝜎𝑟 ≥ 0
uma base ortonormal 𝑣1 , … , 𝑣𝑛 de ℝ𝑛 e uma base ortonormal de 𝑢1 , … , 𝑢𝑛 de ℝ𝑚 tais que,

𝐴𝑣𝑖 = 𝜎1 𝑢𝑖 para 𝑖 = 1, … , 𝑟 𝐴𝑣𝑖 = 0 𝑖 = 𝑟 + 1, … , 𝑛

𝐴𝑇 𝑢𝑖 = 𝜎1 𝑣𝑖 para 𝑖 = 1, … , 𝑟 𝐴𝑇 𝑢𝑖 = 0 𝑖 = 𝑟 + 1, … , 𝑛

Os números 𝜎12 , … , 𝜎𝑛2 são os autovalores não nulos de 𝐴𝑇 𝐴 e 𝐴𝐴𝑇 e os números 𝜎1 , … , 𝜎𝑛


são chamados valores singulares de A.
Os vetores 𝑣1 , … , 𝑣𝑛 são chamados de autovetores de 𝐴𝑇 𝐴 ou vetores singulares à direita de
A.
Os vetores 𝑢1 , … , 𝑢𝑚 são chamados de autovetores de 𝐴𝐴𝑇 ou vetores singulares à esquerda
de A.
A matriz 𝐴𝑇 tem os mesmos valores singulares que A, e os vetores singulares à direita (a
esquerda) de 𝐴𝑇 são os vetores singulares à esquerda (à direita) de A.

Dada uma matriz A do tipo 𝑚 × 𝑛, com 𝑚 ≥ 𝑛, podemos fatorar a matriz em um produto de


três matrizes como 𝐴 = 𝑈𝛴𝑉 𝑇 , em que 𝑈 ∈ ℝ𝑚×𝑟 e 𝑉 ∈ ℝ𝑛×𝑟 são matrizes cujas colunas são
ortonormais e onde Σ é a matriz diagonal contem dimensão igual a matriz A (𝑚 × 𝑛) e bloco
diagonal principal com os valores singulares.
A representação de uma matriz em 𝐴 = 𝑈𝛴𝑉 𝑇 é chamada de decomposição de valores
singulares (SVD). Em Matlab e Octave é realizada através da função svd.
A matriz 𝑉 é composta por vetores ortonormais
Exemplo:
A = [1 0 1; -1 -2 0; 0 1 -1];
s = svd(A)
[U,S,V]=svd(A)

18. Matriz Pseudo-inversa


Dada uma matriz A de dimensão 𝑚 × 𝑛, sempre existe uma matriz B satisfazendo as seguintes
igualdades:
𝐴𝐵𝐴 = 𝐴
𝐵𝐴𝐵 = 𝐵
(𝐴𝐵)𝑇 = 𝐴𝐵
(𝐵𝐴)𝑇 = 𝐵𝐴
A essa matriz B, geralmente denominada 𝐴+ é única e é conhecida como a inversa de
Moore-Penrose ou a pseudo-inversa da matriz A. A matriz 𝐴+ pode ser diretamente determinada
através da decomposição de A em valores singulares.
Se a matriz A é de posto completo, ou seja, se 𝜌(𝐴) = 𝑚𝑖𝑛(𝑚, 𝑛) a pseudo-inversa é dada
na forma:
𝑠𝑒 𝑚 < 𝑛, 𝜌(𝐴) = 𝑚 𝑒 𝐴+ = 𝐴𝑇 (𝐴𝐴𝑇 )−1

𝑠𝑒 𝑚 > 𝑛, 𝜌(𝐴) = 𝑛 𝑒 𝐴+ = (𝐴𝑇 𝐴)−1 𝐴𝑇

𝑠𝑒 𝑚 = 𝑛, 𝜌(𝐴) = 𝑚 = 𝑛 𝑒 𝐴+ = 𝐴−1

Logo, se uma matriz é invertível (matriz quadrada e de posto completo), a pseudo-inversa é


igual à sua inversa. Em Matlab e Octave é realizada através da função pinv. Exemplo:
A=[2 3 4 5;9 8 7 4]
b =[3 3]';
x1=pinv(A)*b
x2=A\b

19. Matriz Forma Diagonal


Uma matriz diagonal é definida como uma matriz onde todos os elementos cujo 𝑖 ≠ 𝑗 são
nulos, e os elementos 𝑖 = 𝑗 podem ser quaisquer valores. Toda matriz quadrada de dimensão 𝑛
que possuir 𝑛 autovalores distintos é diagonalizável.
Seja a matriz D a forma diagonal da matriz A, temos:
𝜆1 0 ⋯ 0 0
0 𝜆2 ⋱ 0
𝐷= ⋮ ⋱ ⋱ ⋮ ⋮
0 ⋱ 𝜆𝑛−1 0
[0 0 ⋯ 0 𝜆𝑛 ]
Seja a matriz P que diagonaliza a através da seguinte equação 𝐷 = 𝑃−1 𝐴𝑃, sendo 𝑃 =
[𝑣1 … . 𝑣𝑛 ] uma matriz de vetores 𝑣𝑖 , temos 𝐴𝑃 = 𝑃𝐷 o que implica que
𝐴𝑣𝑖 = 𝜆𝑖 𝑣𝑖
Logo a matriz P é formada pelos autovetores de A. Em Matlab e Octave é também realizada
através da função eig. Por exemplo.
A=[1 2; 3 4];
[P, D]= eig(A)

20. Matriz de Jordan


A multiplicidade algébrica do autovalor 𝜆𝑖 é o número de vezes que ele é raiz do polinômio
característico Δ(𝜆).
A multiplicidade geométrica de 𝜆𝑖 é dada pela dimensão do 𝒩(𝜆𝑖 ⋅ 𝐼𝑛 − 𝐴) que pode ser
determinado em Matlab e Octave pela seguinte comando
lambda = eig(A);
size(null(lambda(1)*eye(size(A,2))-A),2)
Se a multiplicidade algébrica de cada autovalor de uma matriz for igual a sua respectiva
multiplicidade geométrica então a matriz é diagonalizável.

21. Matrizes Definidas


Uma matriz A é dita definida positiva e é representada por 𝐴 > 0, se as seguintes condições
necessárias e suficientes forem satisfeitas:
 Para quaisquer valores 𝑥 ∈ ℝ𝑛 e 𝑥 ≠ 0 tem-se que 𝑥 𝑇 𝐴𝑥 > 0.
 Todos seus autovalores são positivos.
 Todas as matrizes líderes possuem determinantes positivas (Teorema de Sylvester).
Agora, se uma matriz A é dita definida negativa essa é indicada por 𝐴 < 0 e as seguintes
condições devem ser satisfeitas:
 Para quaisquer valores 𝑥 ∈ ℝ𝑛 e 𝑥 ≠ 0 tem-se que 𝑥 𝑇 𝐴𝑥 < 0.
 Todos seus autovalores são negativos.
 Todas as matrizes líderes possuem determinantes com sinais alternados (Teorema de
Sylvester) ou se a matriz – 𝐴 é definida positiva.

22. Matrizes Semi-definidas


Uma matriz é chamada semi-definida positiva e é representada por 𝐴 ≥ 0 se as seguintes
condições necessárias e suficientes forem satisfeitas:
 Para quaisquer valores 𝑥 ∈ ℝ𝑛 e 𝑥 ≠ 0 tem-se que 𝑥 𝑇 𝐴𝑥 ≥ 0.
 Todos seus autovalores são não negativos.
Uma matriz é chamada semi-definida negativa e é representada por 𝐴 ≤ 0 se as
seguintes condições necessárias e suficientes forem satisfeitas:
 Para quaisquer valores 𝑥 ∈ ℝ𝑛 e 𝑥 ≠ 0 tem-se que 𝑥 𝑇 𝐴𝑥 ≤ 0.
 Todos seus autovalores são não positivos.

23. Norma
Seja V um espaço vetorial sobre o corpo 𝔽. Uma norma, ou comprimento, em V é uma aplicação
‖ ⋅ ‖ que para cada elemento 𝑢 ∈ 𝑉 associa um número real ‖ 𝑢 ‖, que possui as seguintes propriedades:
 Positividade: ‖ 𝑢 ‖ > 0, para 𝑢 ≠ 0𝔽 , com: ‖ 𝑢 ‖ = 0 ⟺ 𝑢 = 0𝔽 .
 Homogeneidade: ‖ 𝜆𝑢 ‖ =| λ |‖ 𝑢 ‖ para todo 𝑢 ∈ 𝑉, 𝜆 ∈ 𝔽.
 Desigualdade Triangular: ‖ 𝑢 + 𝑣 ‖ ≤ ‖ 𝑢 ‖ + ‖ 𝑣‖ para todos 𝑢, 𝑣 ∈ 𝑉.
Um espaço vetorial V munido de uma norma ‖ ⋅ ‖ é denominado espaço normado, que
denotamos por ( 𝑉, ‖ ⋅ ‖).
24. Normas Canônicas
Todas as normas a seguir podem ser simuladas pela função norm no Matlab ou Octave.
a. Norma Euclidiana
‖𝒙‖ = ‖𝒙‖𝟐 = √< 𝒙, 𝒙 >= 𝒙𝑻 𝒙
v=[1 4 6];
L2 = norm(v,2) ou L2 = norm(v)
b. Norma Unitária ou Norma da Soma
𝑛

‖𝑥 ‖1 = ∑|𝑥𝑖 |
𝑖=1
v=[1 4 6];
L2 = norm(v,1)

c. Norma Infinita ou Norma do Máximo


‖𝑥 ‖∞ = 𝑚𝑎𝑥{|𝑥𝑖 | ; 1 ≤ 𝑖 ≤ 𝑛}
v=[1 4 6];
L2 = norm(v,’inf’)

25. Norma Matricial Induzida


a. Euclidiana
‖𝑨‖𝟐 = 𝐦𝐚𝐱 ‖𝑨𝒙‖𝟐
‖𝒙‖𝟐 =𝟏
‖𝑨‖𝟐 = √𝝀𝒎𝒂𝒙 (𝑨𝑻 𝑨)
‖𝑨‖𝟐 = 𝝈𝒎𝒂𝒙

A=[1 5 6; 6 4 3; 6 7 8];
norm(A,2)

b. Unitária
‖𝑨‖𝟏 = 𝐦𝐚𝐱 ‖𝑨𝒙‖𝟏
‖𝒙‖𝟏 =𝟏
𝒎

‖𝑨‖𝟏 = 𝐦𝐚𝐱 ∑|𝒂𝒊𝒋 |


𝟏≤𝒋≤𝒏
𝒊=𝟏
A=[1 5 6; 6 4 3; 6 7 8];
norm(A,1)

c. Infinita
‖𝑨‖∞ = 𝐦𝐚𝐱 ‖𝑨𝒙‖∞
‖𝒙‖∞ =𝟏
𝒎𝒏

‖𝑨‖∞ = 𝐦𝐚𝐱 ∑|𝒂𝒊𝒋 |


𝟏≤𝒊≤𝒎
𝒋=𝟏

26. Normas equivalentes


Dado que as matrizes formam um espaço de dimensão finita real ou complexo, todas as normas
são equivalentes, ou seja, se ‖⋅‖1 𝑒 ‖⋅‖2 são normas em 𝑀 𝑚×𝑛 então existem constantes 𝐶1 e 𝐶2
tais que:
𝑚×𝑛
𝐶1 ⋅ ‖𝐴‖1 ≤ ‖𝐴‖2 ≤ 𝐶2 ⋅ ‖𝐴‖1 , ∀𝐴 ∈ 𝑀
Definir Jacobiano e Gradiente

Derivada de vetores e matrizes, por exemplo da função quadrática

Equação de Ricatti