Escolar Documentos
Profissional Documentos
Cultura Documentos
a1 x 1 + a 2 x 2 + · · · + a n x n = b
no qual os aij e bi são todos os números reais. Sistemas da forma (11) são chamados de
sistemas lineares m × n. Seguem-se exemplos de sitemas lineares:
x1 + 2x2 = 5
(a)
2x1 + 3x2 = 8
x1 − x2 + x3 = 2
(b)
2x1 + x2 − x3 = 4
x1 + x2 = 2
(c) x1 − x2 = 1
x1 = 4
1
O sistema (a) é 2 × 2, (b) é uma sistema 2 × 3 e (c) é um sistema 3 × 2.
A solução de um sistema m×n é uma n-upla ordenada de números (x1 , x2 , · · · , xn ) que
satisfaz todas as equações do sistema. Por exemplo o par ordenado (1, 2) é uma solução
do sistema (a), já que
1.(1) + 2(2) = 5
(2)
2(1) + 3(2) = 8
O terno ordenado (2, 0, 0) é uma solução para o sistema (b). Na verdade o sistema
(b) tem muitas soluções. Se α é qualquer número real, é facilmente mostrado que o terno
ordenado (2, α, α) é uma solução. Já o sistema (c), não tem solução.
Se um sistema linear não tem solução dizemos que o sistema é inconsistente. Se o
sistema tem pelo menos uma solução, dizemos que é consistente. Então, o sistema (c)
é inconssitente enquanto os sistemas (a) e (b) são ambos consistentes. O conjunto de
todas as soluções de um sistema linear é chamado de conjunto solução do sistema. Se um
sistema é inconsistente, seu conjunto solução é vazio. Um sistema consistente terá um
conjunto solução não vazio. Para resolver um sistema consistente, devemos encontrar um
conjunto solução.
1.2 Sistema 2 × 2
Examinemos geometricamente um sistema da forma
a11 x1 + a12 x2 = b1
(3)
a21 x1 + a22 x2 = b2
Cada equação pode ser representada graficamente como uma linha no plano. O par
ordenado (x1 , x2 ) será uma solução do sistema se e somente se pertencer às duas linhas.
Por exemplo, considere os três sistemas
x1 + x2 = 2
(i)
x1 − x2 = 2
x1 + x2 = 2
(ii)
x1 + x2 = 1
x1 + x2 = 2
(iii)
−x1 − x2 = −2
As duas linhas dos sistema (i) se interceptam no ponto (2, 0). Portanto, {(2, 0)} é o
conjunto solução de (i). No sistema (ii) as duas linhas são paralelas. Então o sistema
2
(ii) é inconsistente e seu conjunto solução é vazio. As duas equações no sistema (iii)
representam a mesma linha. Qualquer ponto nessa linha será uma solução do sistema.
Em geral, há três possibilidades: as linhas se interceptam em um ponto, elas são
paralelas, ou ambas as equações representam a mesma linha. O conjunto solução contém
um, zero ou um número infinito de pontos.
A situação é a mesma para sistemas m × n. Um sistema m × n pode ser consistente ou
não. Se for consistente, ele deve ter ou exatamente uma solução ou um número infinito
de soluções. Essas são as únicas possibilidades.
3x1 + 2x2 − x3 = −2
(a) x2 = 3
2x3 = 4
3x1 + 2x2 − x3 = −2
(b) 3x1 + 2x2 + x3 = 5
3x1 + 2x2 + x3 = 2
O sistema (a) é de fácil solução, pois é claro das duas últimas equações que x2 = 3 e
x3 = 2. Usando esses valores na primeira equação, obtemos x1 = −2. Então a solução do
sistema é (−2, 3, 2). O sistema (b) parece mais difícil de resolver. Na verdade o sistema
(b) tem a mesma solução que o sistema (a). Vamos verificar isso.
Definição 1.1 Dois sistemas de equações envolvendo as mesmas variáveis são ditos equiv-
alentes se tiverem o mesmo conjunto solução.
Em resumo, há três operações que podem ser usadas em um sistema para obter um
sistema equivalente:
3
I. A ordem em que duas equações quaisquer aparecem pode ser trocada.
II. Ambos os lados de uma equação podem ser multiplicados por um número real difer-
ente de zero.
III. Um múltiplo de uma equação pode ser somado a (ou subtraído de) outra.
Dado um sistema de equações, podemos usar essas operações para obter um sistema
que é de mais fácil solução.
1.4 Sistema n × n
Vamos nos restringir a sistemas n × n. Vamos mostrar que se um sistema n × n tem
exatamente uma solução, então as operações I e III podem ser usadas para obter um
“sistema estritamente triangular” equivalente.
Definição 1.2 Um sistema é dito estar na forma triangular estrita se na k-ésima equação
os coeficientes das primeiras k−1 variáveis são todos nulos e o coeficiente de xk é diferente
de zero (k = 1, 2, · · · , n).
Quaisquer sistema n × n estritamente triangular pode ser resolvido da mesma forma que
o último exemplo. Primeiro, a n-ésima equação é resolvida para obter o valor de xn . Esse
valor é substituído na (n-1)ésima equação para obter xn−1 . Os valores de xn e xn−1 são
usados na (n-2)ésima equação para obter xn−2 e assim por diante. Vamos nos referir a esse
método de resolução de um sistema estritamente triangular como substituição reversa.
x1 + 2x2 + x3 = 3
3x1 − x2 − 3x3 = −1 (5)
2x1 + 3x2 + x3 = 4
4
O sistema de equações do exemplo 2, pode ser associado ao sistema um arranjo 3 × 3
de números cujos os elementos são os valores dos xi :
1 2 1
3 −1 −3 (6)
2 3 1
Esse arranjo é chamado de matriz dos coeficientes do sistema. O termo matriz significa
simplesmente um arranjo retangular de números. Uma matriz contendo m linhas e n
colunas é dita m × n. Uma matriz é dita quadrada se tem o mesmo número de linhas e
colunas - isto é , se m = n. Se adicionarmos à matriz de coeficientes uma coluna cujos
elementos são os números no segundo membro do sistema, obtemos a nova matriz
1 2 1 3
3 −1 −3 −1 (7)
2 3 1 4
Essa nova matriz é denominada matriz aumentada. Em geral, quando uma matriz B
m × r é adicionada a uma matriz m × n dessa forma , a matriz aumentada é denotada
(A|B).
A cada sistema de equações podemos associar uma matriz aumentada da forma
a11 · · · a1n b1
. ..
..
.
(8)
am1 · · · amn bm
III. Substituir uma linha por sua soma a um múltiplo de outra linha.
5
Exemplo 1.3 Resolver o sistema
(ii) Se a linha k não consiste inteiramente de zeros, o número de zeros iniciais na linha
k + 1 é maior que o número de zeros iniciais da linha k.
(iii) Se há linhas cujos elementos são todos nulos, elas estão abaixo das linhas contendo
elementos não nulos.
Exemplo
As
1.5 seguintes
matrizes
estão na formalinha degrau.
1 4 2 1 2 3 1 3 1 0
0 1 3 , 0 0 1 , 0 0 1 3
0 0 1 0 0 0 0 0 0 0
Exemplo
As seguintes matrizes não estão na forma linha degrau.
1.6
2 4 6 ! !
0 0 0 0 1
0 3 5 , ,
0 1 0 1 0
0 0 4
A primeira matriz não satisfaz à condição (i). A segunda matriz falha em satisfazer a
condição (iii) e a terceira matriz falha em satisfazer a condição (ii).
6
Definição 1.4 O processo de usar as operações sobre linhas I, II e III para transformar
um sistema linear em um cuja matriz aumentada está na forma linha degrau é chamado
de eliminação gaussiana.
Sistemas Sobredeterminados
Um sistema linear é dito sobredeterminado se há mais equações que incógnitas. Sis-
temas sobredeterminados são geralmente (mas não sempre) inconsistentes.
x1 + x2 = 1
(a) x1 − x2 = 3
−x1 + 2x2 = −2
x1 + 2x2 + x3 = 1
2x1 − x2 + x3 = 2
(b)
4x1 + 3x2 + 3x3 = 4
2x1 − x2 + 3x3 = 5
Sistemas Subdeterminados
Um sistema de m equações lineares a n incógnitas é dito subdeterminado se tiver menos
equações que incógnitas (m < n). Embora seja possível que um sistema subdeterminado
ser inconsistente, eles são em geral consistentes com um número infinito de soluções. Não
é possível a um sistema subdeterminado ter uma única solução. A razão para isto é que
qualquer forma linha degrau da matriz de coeficientes envolverá r ≤ m linhas não nulas.
Então, haverá r variáveis principais e n − r variáveis livres, onde n − r ≥ n − m > 0.
Se o sistema for consistente, podemos atribuir valores arbitrários às variáveis livres e
resolver para as variáveis principais. Então um sistema subdeterminado consistente terá
um número infinito de soluções.
x1 + 2x2 + x3 = 1
(a)
2x1 + 4x2 + 2x3 = 3
x1 + x2 + x3 + x4 + x5 = 2
(b) x1 + x2 + x3 + 2x4 + 2x5 = 3
x1 + x2 + x3 + 2x4 + 2x5 = 2
7
(ii) O primeiro elemento não nulo em cada linha é o único elemento não nulo em sua
coluna.
As seguintes matrizes
estão
na forma
linha degrau
reduzida.
! 1 0 0 3 0 1 2 0 1 2 0 1
1 0
, 0 1 0 2 , 0 0 0 1 , 0 0 1 3
0 1
0 0 1 1 0 0 0 0 0 0 0 0
O processo de utilização de operações elementares sobre linhas para transformar uma
matriz na forma linha degrau reduzida é chamado de redução de redução de Gauss-
Jordan.
−x1 + x2 − x3 + 3x4 = 0
3x1 + x2 − x3 − x4 = 0
2x1 − x2 − 2x3 − x4 = 0
Sistemas Homogêneos
Um sistema de equações lineares é dito homogêneo se as constantes no segundo membro
são todas zero. Os sistemas homogêneos são sempre consistentes. Achar uma solução é
trivial; é só fazer todas as variáveis iguais a zero. Então, se um sistema homogêneo m × n
tem uma única solução, ela deve ser a solução trivial (0, 0 · · · , 0). O sistema homogêneo
no Exemplo 6 consistia em m = 3 equações em n = 4 incógnitas. No caso de n > m
haverá sempre variáveis livres e, em consequência, soluções não triviais adicionais. Este
resultado foi essencialmente provado em nossa discussão sobre sistemas subdeterminados,
mas por causa de sua importância, nós o enunciaremos como um teorema.
Teorema 1.1 Um sistema homogêneo m × n de equações lineares tem uma solução não
trivial se n > m.
Definição 1.6 Duas matrizes m × n A e B são ditas iguais se aij = bij para todo
i e j.
8
Definição 1.7 A é uma matriz e α um escalar, então αA é a matriz m × n cujo
elemento (i, j) é αaij .
Por exemplo, se
!
4 8 2
6 8 10
1
então A e 3A, será?
2
Propriedade
• (αβ)A = α(βA)
3. Adição de Matrizes
Duas matrizes com a mesma dimensão podem ser somadas adicionando-se seus
elementos correspondentes.
Por exemplo, se
! !
3 2 1 2 2 2
+ =???
4 5 6 1 2 3
Propriedades
• A+B =B+A
• (A + B) + C = A + (B + C)
9
m × n, x é um vetor de incógnitas em IRn e b está em IRm Considere-se agora um
sistema linear m × n
Ax = b
5. Multiplicação de Matriz
Mais geralmente, é possível multiplicar uma matriz A por uma matriz B se o número
de colunas de A é igual ao número de linha de B.
n
X
cij = aik bkj
k=1
3 −2 !
−2 1 3
Exemplo 1.10 Se A = 2 4 e B = então AB =???
4 1 6
1 −3
Propriedades
• (AB)C = A(BC)
• A(B + C) = AB + AC
• (A + B)C = AC + BC
10
• (α + β)A = αA + βA
• α(A + B) = αA + αB
Propriedades
(i) (AT )T = A
(ii) (αA)T = αAT
(iii) (A + B)T = AT + B T
(iv) (AB)T = B T AT
7. Matriz Identidade
Assim como o número 1 age como uma identidade na multiplicação de números
reais, há uma matriz especial I que age como uma identidade para a multiplicação
de matrizes; isto é
IA = AI = A (13)
para qualquer matriz n × n A. É fácil verificar que, se nós definimos I como uma
matriz n × n com 1 na diagonal principal e 0 no restante, então I satisfaz a equação
(13) para qualquer matriz n × n . Mais formalmente temos a seguinte definição:
11
3 4 1
Exemplo 1.13 Consideremos a matriz A = 2 6 3 e verifiquemos se AI =
0 1 8
IA = A.
Definição 1.13 Uma matriz A n × n é dita não singular ou inversível se existe uma
matriz B tal que AB = BA = I. A matriz é dita o inverso multiplicativo
! !
1 2
2 4 − 10
As matrizes A = eB = 3
5
1
são inversas uma da outra já que
3 1 10
− 5
AB = I = BA. Verifique.
Definição 1.14 Uma matriz n × n é dita singular se não tem um inverso multiplicativo
12
Capítulo 2
Determinantes
na qual
2 5 4
Exemplo 2.1 Se A = 3 1 2 então det(A) =???
5 4 6
Teorema 2.1 Se uma matriz n × n, A, com n ≥ 2, então det(A) pode ser expresso como
13
uma expansão em cofatores usando qualquer linha ou coluna de A; isto é
para i = 1, · · · , n e j = 1, · · · , n.
(i) Se A tem uma linha ou uma coluna consistindo inteiramente em zeros, então det(A) =
0.
(ii) Se A tem duas linhas idênticas ou duas colunas idênticas, então det(A) = 0
14
Capítulo 3
Espaço Vetorial
0v + v = v, ∀v ∈ V ;
v + (−v) = 0v , ∀v ∈ V.
15
(M1) (α · β) · v = α · (β · v), ∀α, β ∈ K (propriedade associativa);
Além disso vamos impor que as operações dadas em (A) e (M) se distribuam, isto
é, que satisfaçam a seguinte propriedade.
(D1) α · (u + v) = α · u + α · v , ∀α ∈ K e ∀v, u ∈ V
(D2) v · (α + β) = v · α + v · β, ∀α, β ∈ K e ∀v ∈ V
Exemplo 3.1 Mostre que o conjunto dos vetores V = IR2 = {v = (x1 , x2 ); xi ∈ IR} é um
espaço vetorial sobre o corpo K = IR com as operações usuais.
α · u = α(x1 , x2 ) = (αx1 , x2 ).
Dessa mesma forma podemos provar que os conjuntos abaixo também são espaços
vetoriais
• V = IRn
x + y = (x1 + y1 , · · · , xn + yn )
αx = (αx1 , · · · , αxn ).
• V = Pn (IR)
16
Se p(x) = a0 + a1 x · · · + an xn e q(x) = b0 + b1 x · · · + bn xn são elementos de Pn (IR)
então
p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn .
• V = Mn×n (IR)
O conjunto das matrizes n por n com coeficientes reais: Mn×n (IR) munido de op-
erações onde podemos somar duas matrizes quadradas de ordem n, A = (aij )n×n e
B = (bij )n×n , colocando A + B = (aij + bij )n×n , que é um elemento de Mn . Com a
relação a multiplicação de A = (aij )n×n por um escalar α ∈ IR, é natural definirmos
αA = (αaij )n×n , o qual também pertence a Mn .
2. ∀ v ∈ V ⇒ 0 · v = 0n .
Dem. Temos 0 · v = (0 + 0) · v = 0 · v + 0 · v.
Somando −0 · v a ambos os membros, segue que
−0 · v + 0 · v = −0 · v + 0 · v + 0 · v
0n = 0 · v.
17
4. Para todo α ∈ IR e todo u de V , (−α)u = α(−u) = −(αu).
Dem. Note que
α · u + (−α) · u = [α + (−α)] u = 0 · u = 0n
α · u + (−α · u) = 0n
Então,
α · u + (−α) · u = α · u + (−α · u)
u − v = u + (−v).
(α − β)u = αu − βu.
Dem.
α(u − v) = αu − αv.
Dem. Exercício
7. Dados β, α1 , α2 , · · · , αn ∈ IR e u1 , u2 , · · · , un em V , então:
n
! n
X X
β αj uj = (βαj ) uj .
j=1 j=1
18
Dem. Provaremos por indução sobre n.
Para n = 1, temos β (α1 · u1 ) = (β · α1 ) · u1 (verdadeiro por M1 ).
Suponhamos que vale para n = k, então, temos
Observação 1 Todo espaço vetorial V admite pelo menos dois subespaços: S = {0},
chamado subespaço nulo, e o próprio espaço vetorial V . Esses dois são chamados subes-
paços triviais de V . Os demais são denominados subespaços próprios de V .
Exemplo 3.3 Os subespaços triviais de V = IR3 são S = {(0, 0, 0)} e o próprio IR3 . Os
subespaços próprios são as retas e os planos que passam pela origem.
W1 + W2 = {v ∈ V / v = w1 + w2 , w1 ∈ W1 e w2 ∈ W2 } é subespaço de V.
W1 ∩ W2 = {v ∈ V / v ∈ W1 e v ∈ W2 } é subespaço de V.
3.4 Bases
Discutiremos nesta seção um dos conceitos mais importantes envolvendo a estrutura
de espaço vetorial, qual seja, o de base. Começaremos com alguns conceitos fundamentais.
19
Lista de exercícios
1. Verifique se em cada um dos itens o conjunto V com as operações indicadas é um
espaço vetorial sobre IR.
2. Mostrar que V é espaço vetorial de acordo com as operações definidas no texto para
os conjuntos abaixo.
(a) V = IRn
(b) V = Pn (IR)
vetorial do IR2 .
20