Você está na página 1de 40

Aula 2

UFBA

23/07/2021
Uma matriz quadrada A é invertı́vel se, e somente se, det(A) �= 0.
Uma matriz quadrada A é invertı́vel se, e somente se, det(A) �= 0.

Determinante de uma matriz quadrada

 
a11 a12 a13
Se A =  a21 a22 a23 ,
a31 a32 a33

� � � � � �
� a a � � � � �
det(A) = a11 �� 22 23 � − a12 � a21 a23 � + a13 � a21 a22 �
a32 a33 � � a31 a33 � � a31 a32 �
Seja A = [aij ] uma matriz quadrada.
O menor da entrada aij é denotado por Mij e definido como o
determinante da submatriz obtida de A eliminado a linha i e a
coluna j.
O número Cij = (−1)i+j Mij é chamado cofator da entrada aij .
Seja A = [aij ] uma matriz quadrada.
O menor da entrada aij é denotado por Mij e definido como o
determinante da submatriz obtida de A eliminado a linha i e a
coluna j.
O número Cij = (−1)i+j Mij é chamado cofator da entrada aij .

Se A = [aij ]n×n , o determinante de A, denotado por det(A) ou |A|, é


definido como

det(A) = a11 C11 + a12 C12 + · · · + a1n C1n .


Seja A = [aij ] uma matriz quadrada.
O menor da entrada aij é denotado por Mij e definido como o
determinante da submatriz obtida de A eliminado a linha i e a
coluna j.
O número Cij = (−1)i+j Mij é chamado cofator da entrada aij .

Se A = [aij ]n×n , o determinante de A, denotado por det(A) ou |A|, é


definido como

det(A) = a11 C11 + a12 C12 + · · · + a1n C1n .

det(A) = ai1 Ci1 + ai2 Ci2 + · · · + ain Cin


= a1j C1j + a1j C1j + · · · + a1j C1j
 
1 0 0 0
 3 1 0 0 
Exemplos: Calcule o determinante de A = 
 1
.
2 −2 0 
2 0 −1 3
Se A ∈ Mn (R) é uma matriz triangular inferior, triangular superior
ou diagonal, então o determinante de A é o produto das entradas da
diagonal principal.
Propriedades do determinante: Seja A ∈ Mn (R)
Se A tem uma linha ou coluna de zeros, então det(A) = 0

Se A tem duas linhas proporcionais, então det(A) = 0

det(AT ) = det(A)

det(cA) = c n det(A)

det(AB) = det(A) · det(B)


1
Se A é invertı́vel, então det(A−1 ) =
det(A)
Se A = [aij ]n×n e Cij é o cofator da entrada aij , então a matriz
 
C11 C12 · · · C1n
 C21 C22 · · · C2n 
 
C (A) =  . .. .. .. 
 .. . . . 
Cn1 Cn2 · · · Cnn

é chamada de matriz de cofatores de A. Além disso, a transposta dessa


matriz é chamada de adjunta de A e denotada por adj(A) = C (A)T .
Para o cálculo do determinante de uma matriz n × n pela expansão
de cofatores são necessários da ordem de n! produtos.
Se n = 20 é necessário 20! ≈ 1018 produtos
• Um computador realiza 108 produtos por segundo
• Tempo total: 1010 segundos
• Um ano tem 3, 2 · 107 segundos
• Precisamos de aproximadamente 103 anos
Sistemas de equações lineares

Uma equação linear nas variáveis x1 , x2 , . . . , xn é uma equação da forma

a 1 x1 + a 2 x2 + · · · + a n xn = b

onde a1 , a2 , . . . , an , b são constantes e pelo menos um ai é não nulo.


Sistemas de equações lineares

Uma equação linear nas variáveis x1 , x2 , . . . , xn é uma equação da forma

a 1 x1 + a 2 x2 + · · · + a n xn = b

onde a1 , a2 , . . . , an , b são constantes e pelo menos um ai é não nulo.

Exemplos:
ax + by = c

ax + by + cz = d

x + 3y 2 = 2

x +y =2
Uma sistema de equações lineares é um conjunto finito de equações
lineares de variáveis x1 , x2 , . . . , xn .


a11 x1 + a12 x2 + · · · + a1n xn = b1


a21 x1 + a22 x2 + · · · + a2n xn = b2
 ..

 .


am1 x1 + am2 x2 + · · · + amn xn = bm
Uma sistema de equações lineares é um conjunto finito de equações
lineares de variáveis x1 , x2 , . . . , xn .


a11 x1 + a12 x2 + · · · + a1n xn = b1


a21 x1 + a22 x2 + · · · + a2n xn = b2
 ..

 .


am1 x1 + am2 x2 + · · · + amn xn = bm

Usando o produto de matrizes


     
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n   x2   b2 
     
 .. .. .. .. · .. = .. 
 . . . .   .   . 
am1 am2 · · · amn xn bm
Uma solução de um sistema de equações lineares nas variáveis
x1 , x2 , . . . , xn é uma sequência de números s1 , s2 , . . . , sn tais que
x1 = s1 , x2 = s2 , . . . , xn = sn torna verdadeiras as equações do
sistema

Se bi = 0 para todo i, o sistema linear é dito homogêneo

Um sistema linear é consistente se tiver pelo menos uma solução e


inconsistente se não tiver solução
Exemplo: Regressão

Motor Cilindros Consumo de combustı́vel Emissão de CO2


1 2.0 4 8.5 175
2 2.4 4 9.6 191
3 3.5 6 10.3 207
4 3.7 6 12 237
5 2.5 5 11.6 ?

Podemos usar os dados para estimar qual será a emissão de CO2 do


carro na linha 5?
Se os dados apresentam uma relação linear, usamos regressão linear
Se os dados apresentam uma relação linear, usamos regressão linear

Regressão linear simples:


ŷ = α + βx
Se os dados apresentam uma relação linear, usamos regressão linear

Regressão linear simples:


ŷ = α + βx
ŷi é a predição de emissão de xi
yi é o real valor de emissão de xi
Se os dados apresentam uma relação linear, usamos regressão linear

Regressão linear simples:


ŷ = α + βx
ŷi é a predição de emissão de xi
yi é o real valor de emissão de xi
n
1�
erro = (yi − ŷi )2
n
i=1
Se os dados apresentam uma relação linear, usamos regressão linear

Regressão linear simples:


ŷ = α + βx
ŷi é a predição de emissão de xi
yi é o real valor de emissão de xi
n
1�
erro = (yi − ŷi )2
n
i=1

� Objetivo: minimizar o erro.


Todo sistema homogêneo é consistente

Um sistema linear homogêneo com mais incógnitas que equações


possui infinitas soluções

A matriz aumentada do sistema linear é dada por


 
a11 a12 · · · a1n b1
 a21 a22 · · · a2n b2 
 
 .. .. .. .. .. 
 . . . . . 
am1 am2 · · · amn bm
Resolução de sistemas lineares
Exemplo: Resolva o sistema linear


x + y + 2z = 9
2x + 4y − 3z = 1


3x + 6y − 5z = 0
Considere um sistema de n incógnitas e n equações:


a11 x1 + a12 x2 + · · · + a1n xn = b1

..
 .

a x + a x + · · · + a x = b
n1 1 n2 2 nn n n
Decomposição LU
Considere o sistema linear Ax = b com A uma matriz quadrada de
ordem n tal que
A = LU
onde L é uma matriz triangular inferior e U uma matriz triangular su-
perior.
Exemplo: Sabendo que
     
2 6 2 2 0 0 1 3 1
A =  −3 −8 0  =  −3 1 0  ·  0 1 3 
4 9 2 4 −3 7 0 0 1

resolva o sistema Ax = [2 2 3]T usando a decomposição LU.


Leitura recomendada:
Livro Howard Anton, Chris Rorres - Álgebra linear com aplicações (2012)

Capı́tulo 1.2 - Eliminação gaussiana

Capı́tulo 9.1 - Decomposição LU