Escolar Documentos
Profissional Documentos
Cultura Documentos
João Pessoa – PB
2016
1
João Pessoa – PB
2016
Catalogação na publicação
Universidade Federal da Paraíba
Biblioteca Setorial do CCEN
Rosilene Fernandes Machado - CRB15/220
COMISSÃO EXAMINADORA
______________________________________________________
Prof. Dr. Nacib André Gurgel e Albuquerque
______________________________________________________
Prof. Dr. Joedson Silva Santos
______________________________________________________
Prof. Dr. José Gomes de Assis
(Orientador)
3
DEDICATÓRIA
AGRADECIMENTOS
(Immanuel Kant)
6
RESUMO
Este trabalho tem como objetivo mostrar a importância da Álgebra Linear e suas aplicações,
em particular no campo da Genética, bem como expor de maneira prática a
interdisciplinaridade que permeia entre os componentes curriculares. É apresentado um breve
histórico do surgimento da Álgebra Linear, uma revisão sobre Matrizes e suas Propriedades,
Transformações Lineares, Diagonalização de Matrizes, Autovalores, Autovetores e ter uma
compreensão de Limites para assim abordarmos as aplicações dos conteúdos citados
interligados à Genética.
ABSTRACT
This work aims to show the importance of Linear Algebra and its private applications, in the
occupation area of genetics, as well as expose of practical way the interdisciplinarity that
pervades between the curriculum components. We present a brief history of the rise of linear
algebra as well as a review of matrices and their properties, Linear Transformations, Matrices
Diagonalization, Eigenvalues, Eigenvectors and have an intuitive understanding of limits for
so approach the application of the said content linked to genetics.
LISTA DE SIGLAS
SUMÁRIO
REFERÊNCIAS ..................................................................................................... 69
10
necessários em alguns conteúdos, em que esses recursos são escassos, mas dessa forma
consegue-se desenvolver a maturidade intelectual, fazendo com que o aluno tenha o hábito de
pesquisar e ter a curiosidade de buscar novos conhecimentos.
Conclui todas as disciplinas dentro de sua blocagem exceto a disciplina de Trabalho de
Conclusão de Curso - TCC, pois tive alguns contratempos, mas todas as que conclui foram
com as devidas aprovações. Sempre preferi, durante o curso, não deixar nenhuma atividade
para a reposição, pois estava ciente de que este fato poderia atrapalhar bastante o andamento
das minhas atividades universitárias e não universitárias. Dediquei-me a todas as disciplinas,
sempre buscando interagir os conhecimentos do cotidiano com os que foram adquiridos e
debatidos durante as disciplinas.
Disciplinas técnicas, que tem como objetivos a construção do conhecimento
matemático, tais como: Matemática Básica I, Matemática Básica II, Matemática Básica III,
Cálculo Diferencial e Integral, Cálculo Vetorial, Álgebra Linear, Séries e Equações
Diferenciais e Ordinárias, Cálculo das Probabilidades, Matemática Elementar, Fundamentos
da Matemática, Física, Introdução à Álgebra e Introdução à Análise Real, fazem com que os
objetos de estudo da Matemática sejam compreendidos e construídos de maneira gradativa no
decorrer do curso fazendo com que o professor tenha uma base sólida de conhecimentos que
levaram a Matemática se apresentar da forma que a conhecemos.
Disciplinas como: Filosofia, Sociologia, Fundamentos Psicológicos, Política e Gestão
Escolar e Economia da Educação, foram de grande importância na minha formação, pois estas
despertaram a reflexão sobre as bases educacionais, formação do indivíduo, da sociedade e,
por conseguinte, da humanidade, fazendo-se necessário o entendimento de fatos que ocorrem
durante cada etapa de histórica dessa formação.
As disciplinas para a formação docente, tais como: Didática, Argumentação, Tópicos
Especiais, Estágios Supervisionados foram de imensa relevância para a percepção das
realidades e das diferentes situações que ocorrem âmbito escolar e nas atividades docentes em
sala de aula e fora dela.
Também ressalto a importância das disciplinas que nos ajudam a ter o abarcamento do
processo de produção e divulgação de conhecimentos científicos, são elas: Metodologia do
Trabalho Científico, Pesquisa Aplicada à Matemática, Pesquisa no Cotidiano Escolar e as
disciplinas que tem como principal finalidade a obtenção de conhecimentos históricos da
Educação a Distância – EAD e a utilização dos meios tecnológicos para melhoraria da
qualidade do ensino-aprendizagem da Matemática, são elas: Introdução à Educação a
Distância e Introdução à Computação.
12
2.1 Introdução
A Matemática é uma ciência que sempre esteve presente em nosso cotidiano, dos
primórdios históricos da humanidade até os dias atuais. E. mesmo sem notarmos, está
presente em várias áreas de conhecimentos.
A Álgebra Linear é um ramo da Matemática que tem tomado bastante notoriedade
atualmente devido à sua aplicabilidade em diversos campos de estudos como a criptografia,
programação linear, circuitos elétricos, produção mecânica de peças, modelos econômicos
lineares, entre outros. Por ser uma disciplina versátil nas aplicações, a Álgebra Linear tem
uma grande relevância, pois contribui para os avanços tecnológicos e científicos.
O propósito deste trabalho é mostrar que a Matemática está inserida em diversos
campos de estudos dando como exemplo a Genética que é um ramo da Biologia que estuda a
hereditariedade bem como outros assuntos relacionados aos genes. As aplicações demonstram
a relevância que a Álgebra Linear tem nesses estudos. No Egito Antigo, por exemplo, os
Faraós, e os que pertenciam à linhagem genética do mesmo, recorriam a casamentos entre
irmãos para assim manterem a pureza da linhagem real. E a Teoria das Matrizes fornece um
referencial matemático para compreendermos a propagação dos traços genéticos através das
gerações.
2.2 Justificativa
Fazer uma breve revisão dos conceitos básicos de matrizes, operadores lineares e
limites e aplicá-las em uma situação particular da Biologia.
3𝑥 + 2𝑦 + 𝑧 = 39
{ 0𝑥 + 3𝑦 + 𝑧 = 24
0𝑥 + 0𝑦 + 36𝑧 = 99.
Facilmente notamos que 𝑧 = 99/36 = 2,75. O valor das incógnitas 𝑦 e 𝑥 são obtidas,
respectivamente, substituindo sucessivamente os resultados obtidos.
Martzloff percebe que esse método é, necessariamente, semelhante ao método
desenvolvido por Carl Friedrich Gauss (1777-1855), o método da Eliminação de Gauss dispõe
os coeficientes das equações em linhas:
3 2 1 39
[2 3 1 34].
3 1 1 26
Fazendo assim os mesmos procedimentos do método chinês obteremos o mesmo
resultado.
Vários matemáticos contribuíram para o desenvolvimento da Álgebra Linear, como
Gottfried W. Leibniz (1646-1716). Kline (1927, p.606) conta que Leibniz reescreveu as
equações eliminando as incógnitas e chegou a uma regra que atualmente a conhecemos como
determinante de um sistema linear, que posteriormente foi proposta de forma mais abrangente
por Gabriel Cramer (1704-1752), este fato representou um grande avanço para Álgebra
Linear. Cramer apresentou sua fórmula em 1750, a que hoje chamamos de Regra de Cramer
conforme relata Muir (1890, p.9).
Em 1772, Joseph L. Lagrange (1736-1813) explorava o problema de movimento de
três corpos celestes e em suas pesquisas encontrou identidades cujas formas sugerem técnicas
de multiplicação de matrizes, abrindo caminho para que Augustin-Louis Cauchy (1789-1857)
elaborasse o seu teorema de multiplicação de determinantes.
Segundo Dieudonné (1981, p.71), apenas no século XVIII o conceito de
Transformação Linear foi difundido entre os matemáticos e teve em Gauss como principal
divulgador deste novo conceito.
Com o passar do tempo as expressões foram substituídas por arranjos retangulares,
essa tendência teve início com Gauss e foi sistematizada por Arthur Cayley (1814-1897) e
James J. Sylvester na Teoria das Matrizes.
No século XIX, foi de grandes avanços na percepção matemática sobre dimensão
infinita. Os matemáticos já sabiam interpretar geometricamente cálculos feitos em 2 ou 3
dimensões e com isso abriu-se a possibilidade de lidar com sistemas de 𝑛 variáveis, numa
geometria de n dimensões, no entanto reconhecessem que os procedimentos não teriam
relação com a realidade, conforme relata Dieudonné (1981, p.21). Segundo Bashmakova
17
(2000, p. 153) apenas por volta de 1870 foi que a nova geração de matemáticos se apropriou
do conceito de 𝑛 dimensões.
É de fácil compreensão o porquê do conceito de dimensão infinita ter um papel
fundamental no surgimento da Álgebra Linear. Em 1858, Cayley publicou seu livro A Memoir
on the Theory of Matrices. Neste estudo, ele apresentou as matrizes como arranjos com m
linhas e n colunas, compostos pelos coeficientes de uma transformação linear e que serviam
como notação abreviada dessa última. Segundo Kline (1972, p.805), Cayley simplesmente
encontrou na matriz:
𝑎 𝑏
[ ].
𝑐 𝑑
Uma maneira de expressar a equação:
𝑥 ′ = 𝑎𝑥 + 𝑏𝑦
𝑦 ′ = 𝑐𝑥 + 𝑑𝑦.
Segundo Kline (1972, p.804), o termo matriz deve-se a Sylvester. Até o final do
século XIX não existiam teorias ou regras definidas que pudessem ser uma base para o que
chamamos atualmente de Álgebra Linear. Como foi citado, existia apenas uma intuição por
parte dos matemáticos.
De acordo com Lima (2012), Álgebra Linear é o estudo dos espaços vetoriais e das
transformações lineares entre eles. Quando os espaços possuem dimensões finitas, as
transformações lineares possuem matrizes. Também possuem matrizes as formas bilineares
(são funções 𝑓: 𝑉 × 𝑉 → ℝ ) e, mais particularmente, as formas quadráticas (polinômios
homogêneos de grau dois em suas variáveis).
todos os elementos 𝑎𝑖𝑗 cujo 𝑖 = 𝑗, ou seja, 𝑎11 , 𝑎22 , 𝑎33 , . . . . , 𝑎𝑛𝑛 é a diagonal principal.
Definição 3. Dada uma matriz quadrada 𝐴𝑛 𝑥 𝑛 = [𝑎𝑖𝑗 ]𝑛 𝑥 𝑛 , é denominada diagonal secundária
Solução:
1 2 1 2 3
𝐶2 𝑥 3 = 𝐴. 𝐵 = [ ].[ ]
2 1 2 1 2
1.1 + 2.2 1.2 + 2.1 1.3 + 2.2 5 4 7
𝐶2 𝑥 3 =[ ]=[ ].
2.1 + 1.2 2.2 + 1.1 2.3 + 1.2 4 5 8
Segundo Anton e Rorres (2001), supondo que o tamanho das matrizes sejam tais que
as operações indicadas podem ser efetuadas, vale as seguintes regras da aritmética matricial:
Lei da Comutatividade para Adição.
𝐴 + 𝐵 = 𝐵 + 𝐴.
Lei da Associatividade para Adição.
𝐴 + (𝐵 + 𝐶) = (𝐴 + 𝐵) + 𝐶.
Lei da Associatividade para Multiplicação
𝐴. (𝐵. 𝐶) = (𝐴. 𝐵). 𝐶
(𝛼𝛽). 𝐶 = 𝛼. (𝛽. 𝐶)
𝛼. (𝐵. 𝐶) = (𝛼. 𝐵). 𝐶 = 𝐵. (𝛼. 𝐶).
Lei da Distributividade à Esquerda
𝐴. (𝐵 + 𝐶) = 𝐴. 𝐵 + 𝐴. 𝐶
𝐴. (𝐵 − 𝐶) = 𝐴. 𝐵 − 𝐴. 𝐶
𝛼(𝐴 + 𝐵) = 𝛼𝐴 + 𝛼𝐵
𝛼. (𝐴 − 𝐵) = 𝛼𝐴 − 𝛼𝐵.
Lei da Distributividade à Direita
(𝐴 + 𝐵). 𝐶 = 𝐴. 𝐶 + 𝐵. 𝐶
(𝐴 − 𝐵). 𝐶 = 𝐴. 𝐶 − 𝐵. 𝐶
(𝛼 + 𝛽). 𝐶 = 𝛼. 𝐶 + 𝛽. 𝐶
(𝛼 − 𝛽). 𝐶 = 𝛼. 𝐶 − 𝛽. 𝐶.
Definição 8. As matrizes que possuem o número de linhas 𝑚 = 1 são chamadas de matrizes
de ordem 1 por 𝑛, matriz linha ou vetor – linha.
𝐴1 𝑥 𝑛 = [𝑎11 𝑎12 … 𝑎1𝑛 ].
Definição 9. As matrizes que possuem o número de colunas 𝑛 = 1 são chamadas de matrizes
de ordem 𝑚 por 1, matriz coluna ou vetor – coluna.
𝑎11
𝑎21
𝐴𝑚𝑥1 [ ].
⋮
𝑎𝑚1
20
𝐼1 𝑥 1 = [1]
1 0
𝐼2 𝑥 2 [ ]
0 1
1 0 0 … 0
0 1 0 … ⋮
𝐼𝑛 𝑥 𝑛 0 0 ⋱ 0 0 .
⋮ ⋮ 0 1 0
[0 0 0 0 1 ]
Definição 16. Denomina-se matriz zero ou matriz nula, a matriz cujo todos os elementos 𝑎𝑖𝑗
são iguais a zero.
0 0 0 … 0
0 0 0 … ⋮
0𝑛 𝑥 𝑛 0 0 ⋱ 0 0 .
⋮ ⋮ 0 0 0
[0 0 0 0 0 ]
Definição 17. Uma matriz 𝐴−1 é denominada inversa de uma matriz 𝐴 quando 𝐴. 𝐴−1 = 𝐼.
1 2
Exemplo 2. Dada a matriz 𝐴2 𝑥 2 = [ ]. Determine 𝐴−1 .
2 1
Solução:
𝐴. 𝐴−1 = 𝐼
1 2 𝑎 𝑐 1 0
[ ].[ ]=[ ]
2 1 𝑏 𝑑 0 1
1. 𝑎 + 2. 𝑏 1. 𝑐 + 2. 𝑑 1 0
[ ]=[ ].
2. 𝑎 + 1. 𝑏 2. 𝑐 + 1. 𝑑 0 1
Pela Definição 4 da seção 3.2 obtemos o seguinte sistema:
1. 𝑎 + 2. 𝑏 = 1
{
2. 𝑎 + 1. 𝑏 = 0
1. 𝑐 + 2. 𝑑 = 0
{
2. 𝑐 + 1. 𝑑 = 1.
Resolvendo os sistemas temos que a inversa de A é:
−1/3 2/3
𝐴−1 = [ ].
2/3 −1/3
Para que possamos prosseguir faz-se necessário que tenhamos uma base sólida dos
conceitos de espaços e subespaços vetoriais. Aqui apresentaremos algumas definições
relevantes para compreensão das operações utilizadas.
Definição 1. Segundo Boldrini (1980), um espaço vetorial real é um conjunto 𝑉, não vazio,
onde estão definidas duas operações:
+
Soma: 𝑉 × 𝑉 → 𝑉;
.
Multiplicação por escalar: ℝ × 𝑉 → 𝑉.
Definição 2. Dados os vetores 𝑢, 𝑣 ∈ 𝑉, a soma de 𝑢 e 𝑣 corresponde a um vetor 𝑢 + 𝑣 ∈
𝑉, a essa operação chamamos adição.
Definição 3. Dado um escalar 𝛼 ∈ ℝ e um vetor 𝑣 ∈ 𝑉 , o produto entre 𝛼 e 𝑣 faz
corresponder um vetor 𝛼 . 𝑣 ∈ 𝑉, a essa operação denominamos multiplicação por escalar.
Essas operações devem obedecer algumas condições que são denominadas axiomas de
um espaço vetorial para todo 𝛼, 𝛽 ∈ ℝ e todo 𝑣, 𝑢 e 𝑤 ∈ 𝑉.
Em relação à adição:
Comutatividade:
𝑨𝟏 ) 𝑢 + 𝑣 = 𝑣 + 𝑢.
Associatividade:
𝑨𝟐 ) (𝑢 + 𝑣) + 𝑤 = 𝑢 + (𝑣 + 𝑤).
Existe apenas 0 ∈ 𝑉, chamado vetor nulo tal que:
𝑨𝟑 ) 0 + 𝑣 = 𝑣 + 0 = 𝑣.
𝑨𝟕 ) 𝛼. (𝑣 + 𝑢) = 𝛼. 𝑣 + 𝛼. 𝑢.
Para todo 𝑢 ∈ 𝑉, existe um escalar 1 ∈ ℝ, tal que:
𝑨𝟖 ) 1. 𝑢 = 𝑢. 1 = 𝑢.
Seja 𝑉 um espaço vetorial sobre ℝ. Temos algumas propriedades que decorrem dos
axiomas que definem o espaço vetorial.
𝑷𝟏 – O vetor nulo de um espaço vetorial 𝑉 é único. Há um único vetor 0 que satisfaz
𝐴3 , pois se 01 satisfaz a mesma propriedade, então:
01 = 0 + 01 = 01 + 0 = 0.
𝑷𝟐 – Para cada vetor 𝑢 de um espaço vetorial 𝑉 existe um único vetor (− 𝑢) de 𝑢.
Seja 𝑢1 , tal que 𝑢1 + 𝑢 = 0
−𝑢 = −𝑢 + 0 = −𝑢 + (𝑢 + 𝑢1 ) = (−𝑢 + 𝑢) + 𝑢1 = 0 + 𝑢1 = 𝑢1 .
𝑷𝟑 – Para todo 𝑢 ∈ 𝑉, 0. 𝑢 = 0.
0. 𝑢 = 𝑢. (0 + 0) = 0. 𝑢 + 0. 𝑢
−0. 𝑢 + 0. 𝑢 = −0. 𝑢 + 0. 𝑢 + 0. 𝑢
0 = 0 + 0. 𝑢
0 = 0. 𝑢.
𝑷𝟒 – Para todo 𝛼 ∈ ℝ, 𝛼. 0 = 0.
𝛼. 0 = 𝛼. (0 + 0) = 𝛼. 0 + 𝛼. 0
−𝛼. 0 + 𝛼. 0 = −𝛼. 0 + 𝛼. 0 + 𝛼. 0
0 = 𝛼. 0.
𝑷𝟓 – Se 𝑢, 𝑣 e 𝑤 ∈ 𝑉 e 𝑢 + 𝑣 = 𝑢 + 𝑤, então 𝑣 = 𝑤.
𝑷𝟔 – Se 𝑢, 𝑤 ∈ 𝑉, então existe um único vetor 𝑣 tal que 𝑢 + 𝑣 = 𝑤.
𝑷𝟕 – Para todo 𝑢 ∈ 𝑉, ocorre: −(−𝑢) = 𝑢.
𝑷𝟖 – Para todo 𝛼 ∈ ℝ e todo 𝑢 ∈ 𝑉, (−𝛼)𝑢 = 𝛼(−𝑢) = −(𝛼. 𝑢).
𝑷𝟗 – Qualquer que seja 𝑣 ∈ 𝑉, tem-se: (−1). 𝑣 = −𝑣.
𝑷𝟏𝟎 – 𝛼 . 𝑣 = 0 implica 𝛼 = 0 ou 𝑣 = 0.
Os conjuntos ℝ3 , ℝ4 , ℝ5 , … , ℝ𝑛 , são espaços vetoriais com relação a adição e
multiplicação por escalar usuais. Verificados os oito axiomas no ℝ2 , os mesmos ficam
provados nos conjuntos citados acima.
O conjunto ℝ é formado pelos vetores que são os números reais onde estão bem
definidas as operações usuais de soma e multiplicação por escalar, portanto também é um
espaço vetorial.
25
𝑏. 𝑤 = −(𝑎1 . 𝑣1 + 𝑎2 . 𝑣2 + ⋯ −𝑎𝑛 . 𝑣𝑛 )
−𝑎1 𝑎2 𝑎𝑛
𝑤= . 𝑣1 − . 𝑣2 − ⋯ − . 𝑣𝑛 .
𝑏 𝑏 𝑏
Definição 9. Um conjunto 𝑆 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } é chamado base de um espaço vetorial 𝑉, se:
𝑆 é LI;
𝑆 gera 𝑉, ou seja, [𝑆] = 𝑉.
28
Definição 10. Seja 𝑉 um espaço vetorial finitamente gerado. Denotamos 𝑑𝑖𝑚 𝑉 a dimensão
do espaço vetorial 𝑉 que representa o número de vetores de qualquer uma de suas bases.
Se 𝑉 possui uma base com 𝑛 vetores, então 𝑑𝑖𝑚 𝑉 = 𝑛;
Se 𝑉 = {0}, então 𝑑𝑖𝑚 𝑉 = 0;
Se 𝑉 possui uma base com infinitos vetores, então 𝑑𝑖𝑚 𝑉 = ∞.
Observação 2. Qualquer conjunto LI de um espaço vetorial 𝑉 de dimensão finita pode ser
completado para se formar uma base para 𝑉.
Prova:
Sejam 𝑑𝑖𝑚 𝑉 = 𝑚 e 𝑣1 , 𝑣2 , … , 𝑣𝑛 ∈ 𝑉 vetores LI. Se 𝑣1 , 𝑣2 , … , 𝑣𝑛 geram 𝑉 , ou seja
[𝑣1 , 𝑣2 , … , 𝑣𝑛 ] = 𝑉, então os vetores 𝑣1 , 𝑣2 , … , 𝑣𝑛 formam uma base para 𝑉, pela Definição 10
da seção 3.3, 𝑚 = 𝑛, e não há mais o que demonstrar.
Se existe um 𝑣𝑛+1 ∉ {𝑣1 , 𝑣2 , … , 𝑣𝑛 } , tal que 𝑣𝑛+1 não é combinação linear de
𝑣1 , 𝑣2 , … , 𝑣𝑛 , logo os vetores são LI. Se [𝑣1 , 𝑣2 , … 𝑣𝑛 , 𝑣𝑛+1 ] = 𝑉, então encontramos uma base
que gera 𝑉.
Caso contrário, existe um 𝑣𝑛+2 ∉ {𝑣1 , 𝑣2 , … , 𝑣𝑛 , 𝑣𝑛+1 }, tal que 𝑣𝑛+2 não é combinação
linear de 𝑣1 , 𝑣2 , … , 𝑣𝑛 , 𝑣𝑛+1 , logo os vetores são LI. Se [𝑣1 , 𝑣2 , … , 𝑣𝑛 , 𝑣𝑛+1 , 𝑣𝑛+2 ] = 𝑉, então
está provado. Se não, prosseguimos de modo análogo. Como 𝑑𝑖𝑚 𝑉 = 𝑚, não podemos ter
mais de 𝑚 vetores, pela Definição 10 da seção 3.3, após finitos passos teremos obtido uma
base para 𝑉.
As transformações lineares são uma das mais importantes áreas de conhecimento que
compõem a Matemática. Elas têm um papel importante e são aplicadas em diversas áreas
profissionais, como, por exemplo, na computação gráfica, onde o uso das transformações
lineares servem para criar imagens tridimensionais.
As transformações lineares também são utilizadas na Economia, as empresas as
utilizam para confrontar qual o produto gerará mais lucro, ou seja, são ferramentas que
auxiliam na escolha de qual produto terá menor custo de fabricação, fazendo com que a
empresa possa oferecer o melhor preço para seus produtos. São aplicadas também na
Engenharia Elétrica, para a compreensão dos circuitos elétricos, entre outras aplicações.
Definição 1. Segundo Boldrini (1980), definimos a aplicação 𝑇: 𝑉 → 𝑊 uma transformação
linear de 𝑉 em 𝑊, se:
𝑇 (𝑢 + 𝑣) = 𝑇 (𝑢) + 𝑇 (𝑣)
𝑇 (𝛼. 𝑢) = 𝛼. 𝑇 (𝑢)
29
para todo 𝑢 e 𝑣 ∈ V e 𝛼 ∈ ℝ.
Exemplo 1. Seja 𝑇 ∶ ℝ2 → ℝ3 , 𝑇 (𝑥, 𝑦) = (2. 𝑥, −𝑦, 𝑥 − 𝑦) é linear.
De fato:
Seja 𝑢 = (𝑥1 , 𝑦1 ) e 𝑣 = (𝑥2 , 𝑦2 ), então:
𝑢 + 𝑣 = (𝑥1 + 𝑥2 , 𝑦1 + 𝑦2 )
𝑇 (𝑢 + 𝑣) = (2. (𝑥1 + 𝑥2 ), −(𝑦1 + 𝑦2 ), (𝑥1 + 𝑥2 ) − (𝑦1 + 𝑦2 ))
𝑇 (𝑢 + 𝑣) = (2. 𝑥1 + 2. 𝑥2 , −𝑦1 − 𝑦2 , 𝑥1 + 𝑥2 − 𝑦1 − 𝑦2 )
𝑇(𝑢 + 𝑣) = (2. 𝑥1 + 2. 𝑥2 , −𝑦1 − 𝑦2 , 𝑥1 − 𝑦1 + 𝑥2 − 𝑦2 )
𝑇(𝑢 + 𝑣) = (2. 𝑥1 , −𝑦1 , 𝑥1 − 𝑦1 ) + (2. 𝑥2 , −𝑦2 , 𝑥2 − 𝑦2 ) = 𝑇(𝑢) + 𝑇(𝑣)
𝛼. 𝑢 = 𝛼. (𝑥1 , 𝑦1 ) = (𝛼. 𝑥1 , 𝛼. 𝑦1 )
𝑇(𝛼. 𝑢) = (2. (𝛼. 𝑥1 ), −𝛼. 𝑦1 , (𝛼. 𝑥1 − 𝛼. 𝑦1 ))
𝑇(𝛼. 𝑢) = (2. 𝛼. 𝑥1 , −𝛼. 𝑦1 , 𝛼. 𝑥1 − 𝛼. 𝑦1 )
𝑇(𝛼. 𝑢) = (𝛼. (2. 𝑥1 ), 𝛼. (−𝑦1 ), 𝛼. (𝑥1 − 𝑦1 ))
𝑇(𝛼. 𝑢) = 𝛼. (2. 𝑥1 , −𝑦1 , 𝑥1 − 𝑦1 ) = 𝛼. 𝑇(𝑢).
[1,2]𝛼 = [1].
2
Definição 5. Sejam 𝛼 = {𝑢1 , 𝑢2 , … , 𝑢𝑛 } e 𝛽 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } duas bases de 𝑉. Dado um vetor
𝑤 ∈ 𝑉, podemos escrevê-lo como combinação linear das duas bases:
𝑤 = 𝑥1 . 𝑢1 + 𝑥2 . 𝑢2 + ⋯ + 𝑥𝑛 . 𝑢𝑛
𝑤 = 𝑦1 . 𝑣1 + 𝑦2 . 𝑣2 + ⋯ + 𝑦𝑛 . 𝑣𝑛 .
𝑥1 𝑦
𝑥2 𝑦2
Logo [𝑤]𝛼 = [ ⋮ ] e [𝑤]𝛽 = [ ⋮ ].
𝑥𝑛 𝑦𝑛
Como 𝛼 = {𝑢1 , 𝑢2 , … , 𝑢𝑛 } é uma base de 𝑉 , podemos escrever 𝛽 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 }
como combinação linear de 𝛼 = {𝑢1 , 𝑢2 , … , 𝑢𝑛 }. Temos:
𝑣1 = 𝑎11 . 𝑢1 + 𝑎21 . 𝑢2 + ⋯ + 𝑎𝑛1 . 𝑢𝑛
𝑣2 = 𝑎12 . 𝑢1 + 𝑎22 . 𝑢2 + ⋯ + 𝑎𝑛2 . 𝑢𝑛
⋮
𝑣𝑛 = 𝑎1𝑛 . 𝑢1 + 𝑎2𝑛 . 𝑢2 + ⋯ + 𝑎𝑛𝑛 . 𝑢𝑛 .
Logo:
𝑤 = 𝑦1 . (𝑎11 . 𝑢1 + 𝑎21 . 𝑢2 + ⋯ + 𝑎𝑛1 . 𝑢𝑛 ) + 𝑦2 . (𝑎12 . 𝑢1 + 𝑎22 . 𝑢2 + ⋯ + 𝑎𝑛2 . 𝑢𝑛 ) +
⋯ + 𝑦𝑛 . (𝑎1𝑛 . 𝑢1 + 𝑎2𝑛 . 𝑢2 + ⋯ + 𝑎𝑛𝑛 . 𝑢𝑛 )
𝑤 = 𝑦1 . 𝑎11 . 𝑢1 + 𝑦1 . 𝑎21 . 𝑢2 + ⋯ + 𝑦1 . 𝑎𝑛1 . 𝑢𝑛 + 𝑦2 . 𝑎12 . 𝑢1 + 𝑦2 . 𝑎22 . 𝑢2 + ⋯ + 𝑦2 . 𝑎𝑛2 . 𝑢𝑛
+ ⋯ + 𝑦𝑛 . 𝑎1𝑛 . 𝑢1 + 𝑦𝑛 . 𝑎2𝑛 . 𝑢2 + ⋯ + 𝑦𝑛 . 𝑎𝑛𝑛 . 𝑢𝑛
35
[𝐼]𝑎𝛽 = [0 1 ].
1 −1
Logo:
[𝑣]𝛽 = [𝐼]𝛼𝛽 . [𝑣]𝛼
[𝑣]𝛼 = [2]
1
[𝑣]𝛽 = [0 1 ] . [2]
1 −1 1
[𝑣]𝛽 = [1].
1
Portanto, 𝑣 = (2,1) = 1. (1,1) + 1. (1,0)
Definição 7. Sejam 𝑇: 𝑉 → 𝑊, uma transformação linear, e, dim 𝑉 = 𝑛 e dim 𝑊 = 𝑚, tais
que 𝛼 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } e 𝛽 = {𝑤1 , 𝑤2 , … , 𝑤𝑚 } são bases de 𝑉 e 𝑊, respectivamente.
Seja 𝑢 ∈ 𝑉, então 𝑢 pode ser escrito como combinação linear da base 𝛼 de 𝑉.
𝑢 = 𝑥1 . 𝑣1 + 𝑥2 . 𝑣2 + ⋯ + 𝑥𝑛 . 𝑣𝑛 .
Logo:
𝑇(𝑢) = 𝑇(𝑥1 . 𝑣1 + 𝑥2 . 𝑣2 + ⋯ + 𝑥𝑛 . 𝑣𝑛 ) = 𝑇(𝑥1 . 𝑣1 ) + 𝑇(𝑥2 . 𝑣2 ) + ⋯ + 𝑇(𝑥𝑛 . 𝑣𝑛 ) =
= 𝑥1 . 𝑇(𝑣1 ) + 𝑥2 . 𝑇(𝑣2 ) + ⋯ + 𝑥𝑛 . 𝑇(𝑣𝑛 ).
Sendo {𝑇(𝑣1 ), 𝑇(𝑣2 ), … , 𝑇(𝑣𝑛 )} vetores de 𝑊, podem ser escritos como combinações
lineares da base 𝛽.
𝑇(𝑣1 ) = 𝑎11 . 𝑤1 + 𝑎21 . 𝑤2 + ⋯ + 𝑎𝑚1 . 𝑤𝑚
𝑇(𝑣2 ) = 𝑎12 . 𝑤1 + 𝑎22 . 𝑤2 + ⋯ + 𝑎𝑚2 . 𝑤𝑚
⋮
𝑇(𝑣𝑛 ) = 𝑎1𝑛 . 𝑤1 + 𝑎2𝑛 . 𝑤2 + ⋯ + 𝑎𝑚𝑛 . 𝑤𝑚 .
Substituindo, temos:
𝑇(𝑢) = 𝑥1 . (𝑎11 . 𝑤1 + 𝑎21 . 𝑤2 + ⋯ + 𝑎𝑚1 . 𝑤𝑚 ) + 𝑥2 . (𝑎12 . 𝑤1 + 𝑎22 . 𝑤2 + ⋯ + 𝑎𝑚2 . 𝑤𝑚 )
+ ⋯ + 𝑥𝑛 . (𝑎1𝑛 . 𝑤1 + 𝑎2𝑛 . 𝑤2 + ⋯ + 𝑎𝑚𝑛 . 𝑤𝑚 ) =
= (𝑥1 . 𝑎11 . 𝑤1 + 𝑥1 . 𝑎21 . 𝑤2 + ⋯ + 𝑥1 . 𝑎𝑚1 . 𝑤𝑚 ) +
+(𝑥2 . 𝑎12 . 𝑤1 + 𝑥2 . 𝑎22 . 𝑤2 + ⋯ + 𝑥2 . 𝑎𝑚2 . 𝑤𝑚 ) +
+ ⋯ + (𝑥𝑛 . 𝑎1𝑛 . 𝑤1 + 𝑥𝑛 . 𝑎2𝑛 . 𝑤2 + ⋯ + 𝑥𝑛 . 𝑎𝑚𝑛 . 𝑤𝑚 =
= (𝑥1 . 𝑎11 + 𝑥2 . 𝑎12 + ⋯ + 𝑥𝑛 . 𝑎1𝑛 ). 𝑤1 +
37
𝑎21 = 3
𝑎12 = −1
𝑎22 = 1
𝑎13 = 1
𝑎23 = −2.
Logo:
[𝑇(𝑢)]𝛽 = [𝑇]𝛼𝛽 . [𝑢]𝛼
𝑎 𝑎12 𝑎13
[𝑇(𝑢)]𝛽 = [𝑎11 𝑎22 𝑎23 ] . [𝑢]𝛼
21
[𝑇(𝑢)]𝛽 = [2 −1 1 ] . [𝑢]𝛼
3 1 −2
[𝑇]𝛼𝛽 = [2 −1 1 ].
3 1 −2
𝐷 = 𝑃−1 . 𝑀. 𝑃.
46
5 5 𝑥
[ ].[ ] = 0
2 2 𝑦
5. 𝑥 + 5. 𝑦 = 0
{
2. 𝑥 + 2. 𝑦 = 0.
Logo os autovetores associado ao autovalor 𝜆 = −1, são os vetores da forma (𝑥, −𝑥)
ou 𝑥. (1, −1 ). Cujo autoespaço associado ao autovalor 𝜆 = −1 é representado por 𝑆−1 =
{(𝑥, −𝑥) ∈ ℝ2 ; 𝑥 ∈ ℝ} ou por [(1, −1)].
Pela Definição 2 da seção 3.6 e pela Observação 1 da seção 3.6 temos uma base
formada por autovetores de 𝑇, onde as colunas da matriz 𝑃 é formada pelos autovetores.
1 1
𝑃 = [2 ].
−1
5
Onde 𝑃 é a matriz que diagonaliza 𝑀, isto é:
5 5
1 1
7 ] . [ 4 5 ] . [2 6 0
𝑃−1 . 𝑀. 𝑃 = [7 ]=[ ] = 𝐷.
2 5 2 1 −1 0 −1
− 5
7 7
Alguns problemas matemáticos necessitam que calculemos potências elevadas de
matrizes, finalizaremos este capítulo mostrando que estes cálculos podem ser facilitados em
matrizes diagonalizáveis.
Seja uma matriz 𝐴𝑚𝑥𝑚 diagonalizável e 𝑃 uma matriz invertível, temos que:
(𝑃−1 . 𝐴. 𝑃). (𝑃−1 . 𝐴. 𝑃) = 𝑃−1 . 𝐴. 𝑃. 𝑃 −1 . 𝐴. 𝑃 = 𝑃−1 . 𝐴. 𝐼. 𝐴. 𝑃 = 𝑃 −1 . 𝐴2 . 𝑃 = 𝐷2 .
Podemos generalizar, para qualquer inteiro positivo 𝑛,
𝑃 −1 . 𝐴𝑛 . 𝑃 = 𝐷𝑛
𝑃. 𝑃−1 . 𝐴𝑛 . 𝑃. 𝑃−1 = 𝑃. 𝐷𝑛 . 𝑃 −1
𝐼. 𝐴𝑛 . 𝐼 = 𝑃. 𝐷𝑛 . 𝑃−1
𝐴𝑛 = 𝑃. 𝐷𝑛 . 𝑃 −1 .
Esta equação representa a n-ésima potência de 𝐴 em função da n-ésima potência da
matriz diagonal 𝐷.
O cálculo de 𝐷 𝑛 é simples, por ser uma matriz diagonal temos que:
𝑛
𝑑11 0 ⋯ 0 𝑑11 0 ⋯ 0
0 𝑑22 ⋯ 0 𝑛
0 𝑑22 ⋯ 0
𝐷=[ ] ; 𝐷𝑛 = [ ].
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
0 0 ⋯ 𝑑𝑚𝑚 𝑛
0 0 ⋯ 𝑑𝑚𝑚
4 5
Exemplo 2. Utilizaremos o Exemplo 1 da seção 3.6, com 𝑀 = [ ], para calcular
2 1
𝑀3 .
48
Temos que:
5 5
1 1
6 0
𝑃 = [2 ] ; 𝑃 −1 = [7 7 ] ; 𝐷 = [ ].
−1 2 5 0 −1
5 −
7 7
Logo:
𝑀3 = 𝑃. 𝐷3 . 𝑃−1
5 5
1 1 3
𝑀 3 = [2 ] . [6 0 ] . [7 7 ] = [154 155
].
−1 0 −13 2 5 62 61
5 −
7 7
arbitrariamente, obtemos 𝛿 > 0 tal que |𝑓(𝑥) − 𝐿| < 𝜀 sempre que 𝑥 ∈ 𝑋 e 0 < |𝑥 − 𝑎| < 𝛿.
Expressamos simbolicamente da seguinte forma:
lim 𝑓(𝑥) = 𝐿. ≡. ∀𝜀 > 0 ∃𝛿 > 0; 𝑥 ∈ 𝑋, 0 < |𝑥 − 𝑎| < 𝛿 ⇒ |𝑓(𝑥) − 𝐿| < 𝜀.
𝑥→𝑎
significa dizer que podemos ter 𝑓(𝑥) arbitrariamente próximo de 𝐿 quanto se queira, desde
que se tome 𝑥 ∈ 𝑋 suficientemente próximo, mas não igual, a 𝑎. Portanto, não nos interessa o
comportamento de 𝑓(𝑥) quando 𝑥 = 𝑎, mas sim quando 𝑥 assume valores próximos a 𝑎. Esse
é o significado da restrição 0 < |𝑥 − 𝑎|.
Observação 1. Sejam 𝑓, 𝑔: 𝑋 → ℝ, 𝑎 ∈ 𝑋′ com lim 𝑓(𝑥) = 𝐿 e lim 𝑔(𝑥) = 𝑀, então:
𝑥→𝑎 𝑥→𝑎
lim 𝑓(𝑥) 𝐿
𝑓(𝑥) 𝑥→𝑎
lim = = , 𝑀 ≠ 0.
𝑥→𝑎 𝑔(𝑥) lim 𝑔(𝑥) 𝑀
𝑥→𝑎
49
Observação 4. Dado 𝑎 ∈ 𝑋+′ ∩ 𝑋−′ , existe lim 𝑓(𝑥) se, somente, se lim 𝑓(𝑥) = lim 𝑓(𝑥) =
𝑥→𝑎 𝑥→𝑎+ 𝑥→𝑎−
𝐿.
Exemplo 1. O lim 2. 𝑥 + 3 = 7. Neste exemplo basta substituirmos diretamente 𝑥 = 2
𝑥→2
|𝑥|.𝑠𝑒𝑛 𝑥 |𝑥|
Exemplo 3. O lim = 0 . Pela Observação 1 de 3.6, −1 < < 1 é limitada e o
𝑥→0 𝑥 𝑥
|𝑥|.𝑠𝑒𝑛 𝑥
lim 𝑠𝑒𝑛 𝑥 = 0, logo lim = 0.
𝑥→0 𝑥→0 𝑥
1
Exemplo 4. O lim 2𝑥 = 1.
𝑥→∞
𝑥 2 −10𝑥+25 (𝑥−5).(𝑥−5)
Exemplo 5. O lim = lim = lim 𝑥 − 5 = 0
𝑥→5 𝑥−5 𝑥→5 𝑥−5 𝑥→5
𝑓(𝑥)
Observação 5. Alguns limites do tipo lim , com lim 𝑓(𝑥) = 0 e lim 𝑔(𝑥) = 0 ou então
𝑥→𝑎 𝑔(𝑥) 𝑥→𝑎 𝑥→𝑎
0 ±∞
lim 𝑓(𝑥) = ±∞ e lim 𝑔(𝑥) = ±∞, resultam em indeterminações do tipo 0 ou ±∞. Para estes
𝑥→𝑎 𝑥→𝑎
Esses são alguns exemplos práticos para se ter uma noção de limites dentro do
contexto que será utilizado nas aplicações da álgebra linear.
50
Suponha que um agricultor tenha uma grande população de plantas em que esta
consiste de alguma distribuição de todos os três possíveis genótipos AA, Aa e aa. O agricultor
deseja implementar um programa de criação no qual cada planta da população é fertilizada
por uma planta do genótipo AA. Queremos encontrar aqui uma expressão para a distribuição
para os três genótipos na população depois de um número qualquer de gerações, ou seja, para
𝑛 = 0,1,2, …, temos que:
𝑎𝑛 → representa a fração das plantas de genótipo AA na n-ésima geração.
51
𝑐𝑛
1
1 0
2
𝑀= 1 Eq. (2)
0 1
2
[0 0 0]
𝑎𝑛−1
𝑥 (𝑛−1)
= [𝑏𝑛−1 ]
𝑐𝑛−1
Observemos que a matriz 𝑀 tem as mesmas colunas da Tabela 1 da seção 4.1.
Encontramos então a equação:
𝑥 (𝑛) = 𝑀. 𝑥 (𝑛−1) Eq. (3)
para todo 𝑛 = 0,1,2, …
Como 𝑥 (𝑛−1) = 𝑀. 𝑥 (𝑛−2) , temos:
𝑥 (𝑛) = 𝑀. 𝑀. 𝑥 (𝑛−2) = 𝑀2 . 𝑥 (𝑛−2) Eq. (4)
Fazendo sucessivamente esse procedimento chegamos na seguinte equação:
𝑥 (𝑛) = 𝑀𝑛 . 𝑥 (0) Eq. (5)
Onde 𝑥 (0) é a distribuição inicial.
Se encontrarmos uma expressão explicita para 𝑀𝑛 , poderemos usar a equação 𝑥 (𝑛) =
𝑀𝑛 . 𝑥 (0) . Para encontramos uma expressão explícita diagonalizamos 𝑀, ou seja, procuramos
uma matriz diagonal 𝐷 e uma matriz invertível 𝑃 tais que:
𝑀 = 𝑃. 𝐷. 𝑃 −1 .
Então temos que:
𝑀𝑛 = 𝑃. 𝐷𝑛 . 𝑃−1 Eq. (6)
para todo 𝑛 = 0,1,2, …
53
𝜆1𝑛 0 ⋯ 0
0 𝜆𝑛2 ⋯ 0
Onde 𝐷𝑛 = [ ].
⋮ ⋮ ⋱ ⋮
0 0 ⋯ 𝜆𝑛𝑚
Determinaremos os autovalores e autovetores da matriz 𝑀.
1
1 0
2
𝑀= 1
0 1
2
[0 0 0]
(𝑀 − 𝜆. 𝐼). 𝑣 = 0.
Logo:
1
1 0 1 0 0 𝑥
2
1 − 𝜆. [0 1 0] . [𝑦] = 0
0 1 0 0 1 𝑧
2
([0 0 0] )
1
1 0 𝑥
2 𝜆 0 0
1 𝑦
− [0 𝜆 0] . [ ] = 0
0 1 0 0 𝜆 𝑧
2
[
(0 0]
0 )
1
1−𝜆 0 𝑥
2
1 . [𝑦] = 0.
0 −𝜆 1 𝑧
2
[ 0 0 0−𝜆 ]
Portanto, o 𝑑𝑒𝑡(𝑀 − 𝜆. 𝐼) = 0,
1
1−𝜆 0
2
𝑑𝑒𝑡 1 =
0 −𝜆 1
2
[ 0 0 −𝜆]
1 1
(1 − 𝜆). ( − 𝜆) . (−𝜆) + . 1.0 + 0.0.0 +
2 2
1 1
− [0. ( − 𝜆) . 0 + . 0. (−𝜆) + (1 − 𝜆). 1.0] = 0
2 2
1
(1 − 𝜆). ( − 𝜆) . (−𝜆) = 0
2
1 3
( − . 𝜆 + 𝜆2 ) . ( −𝜆) = 0
2 2
3 1
−𝜆3 + . 𝜆2 − . 𝜆 = 0.
2 2
54
3 1
𝜆3 − . 𝜆2 + . 𝜆 = 0.
2 2
Portanto, as raízes do polinômio característico são os valores próprios do operador 𝑇
são:
𝜆1 = 0
𝜆2 = 1
1
𝜆3 = .
2
A substituição de 𝜆 pelos seus valores na equação (𝑀 − 𝜆. 𝐼). 𝑣 = 0 nos permite a
determinação dos vetores próprios associados.
𝑥
Como 𝑣 = [𝑦], o sistema toma a seguinte forma:
𝑧
1
1−𝜆 0 𝑥
2
1 . [𝑦] = 0.
0 −𝜆 1 𝑧
2
[ 0 0 −𝜆]
Para 𝜆 = 0, temos:
1
1−0 0 𝑥
2
1 . [𝑦] = 0
0 −0 1 𝑧
2
[ 0 0 −0]
1
1 0 𝑥
2
1 𝑦
.[ ] = 0
0 1 𝑧
2
[0 0 0]
1
1. 𝑥 + . 𝑦 + 0. 𝑧 = 0
2
1
0. 𝑥 + . 𝑦 + 1. 𝑧 = 0
2
{0. 𝑥 + 0. 𝑦 + 0. 𝑧 = 0.
Resolvendo o sistema, temos que 𝑦 = −2. 𝑥 e 𝑧 = 𝑥.
Então os autovetores associados ao autovalor 𝜆 = 0 são todos os vetores da forma
(𝑥, −2. 𝑥, 𝑥) ou 𝑥. (1, −2,1) , com 𝑥 ≠ 0 . O autoespaço associado ao autovalor 𝜆 = 0 é
representado por 𝑆0 = {(𝑥, −2. 𝑥, 𝑥) ∈ ℝ3 ; 𝑥 ∈ ℝ} ou por [(1, −2,1)].
55
Para 𝜆 = 1, temos:
1
1−1 0 𝑥
2
1 𝑦
.[ ] = 0
0 −1 1 𝑧
2
[ 0 0 −1]
1
0 0 𝑥
2
1 . [𝑦] = 0
0 − 1 𝑧
2
[0 0 −1]
1
0. 𝑥 + . 𝑦 + 0. 𝑧 = 0
2
1
0. 𝑥 − . 𝑦 + 1. 𝑧 = 0
2
{ 0. 𝑥 + 0. 𝑦 − 1. 𝑧 = 0
Resolvendo o sistema, temos 𝑧 = 0 e 𝑦 = 0 , logo os autovetores associados ao
autovalor 𝜆 = 1 são todos os vetores da forma (𝑥, 0,0) ou 𝑥. (1,0,0) , com 𝑥 ≠ 0 . O
autoespaço associado ao autovalor 𝜆 = 1 é representado por 𝑆1 = {(𝑥, 0,0) ∈ ℝ3 ; 𝑥 ∈ ℝ} ou
por [(1,0,0)].
1
Para 𝜆 = 2, temos:
1 1
1− 0
2 2 𝑥
1 1
0 − 𝑦
1 .[ ] = 0
2 2 𝑧
1
[ 0 0 − ]
2
1 1
0 𝑥
2 2
0 0 1 . [ 𝑦 ]=0
1 𝑧
[0 0 − 2]
1 1
. 𝑥 + . 𝑦 + 0. 𝑧 = 0
2 2
0. 𝑥 + 0. 𝑦 + 1. 𝑧 = 0
1
{ 0. 𝑥 + 0. 𝑦 − .𝑧 = 0
2
Resolvendo o sistema, temos 𝑦 = −𝑥 e 𝑧 = 0 , logo os autovetores associados ao
1
autovalor 𝜆 = 2 são todos os vetores da forma (𝑥, −𝑥, 0) ou 𝑥. (1, −1,0) , com 𝑥 ≠ 0 . O
1
autoespaço associado ao autovalor 𝜆 = 2 é representado por 𝑆1 = {(𝑥, −𝑥, 0) ∈ ℝ3 ; 𝑥 ∈ ℝ} ou
2
𝑐𝑛 → 0
1
(𝑛)
𝑥 → [0 ]
0
Isso significa que no limite todas as plantas da população serão de genótipo AA.
Vamos supor que cada planta dessa população é fertilizada por uma de mesmo
genótipo. Temos que:
𝑎𝑛 → representa a fração das plantas de genótipo AA na n-ésima geração.
𝑏𝑛 → representa a fração das plantas de genótipo Aa na n-ésima geração.
𝑐𝑛 → representa a fração das plantas de genótipo aa na n-ésima geração.
Pela Tabela 1 da seção 4.1 podemos obter a distribuição de genótipos em cada geração
em função das gerações precedentes, expressas pelas equações abaixo:
1
𝑎𝑛 = 𝑎𝑛−1 + . 𝑏𝑛−1
4
1
𝑏𝑛 = . 𝑏𝑛−1
2
1
𝑐𝑛 = . 𝑏𝑛−1 +𝑐𝑛−1
4
para todo 𝑛 = 1,2, …
A primeira equação nos dá a seguinte informação, que todos os descendentes de
genótipo AA serão do tipo AA neste programa de criação e que um quarto dos descendentes de
genótipo Aa será do tipo AA.
Na segunda equação, que a metade dos descendentes de genótipo Aa será do tipo Aa.
E na terceira equação, que um quarto dos descendentes do genótipo Aa serão do tipo
aa e que todos os descendentes de genótipo aa serão do tipo aa.
Usando a mesma notação da aplicação anterior, temos que as equações acima podem
ser escritas na forma matricial.
𝑎𝑛
𝑥 (𝑛)
= [𝑏𝑛 ]
𝑐𝑛
1
0 1
4
1
𝑀= 0 0
2
1
[0 4 1]
58
𝑎𝑛−1
𝑥 (𝑛−1)
= [𝑏𝑛−1 ]
𝑐𝑛−1
Observemos que a matriz 𝑀 tem as mesmas colunas da Tabela 1 da seção 4.1.
Encontramos então a equação:
𝑥 (𝑛) = 𝑀. 𝑥 (𝑛−1)
para todo 𝑛 = 0,1,2, …
Como 𝑥 (𝑛−1) = 𝑀. 𝑥 (𝑛−2) , temos:
𝑥 (𝑛) = 𝑀. 𝑀. 𝑥 (𝑛−2) = 𝑀2 . 𝑥 (𝑛−2)
Fazendo sucessivamente esse procedimento chegamos na seguinte equação:
𝑥 (𝑛) = 𝑀𝑛 . 𝑥 (0)
Onde 𝑥 (0) é a distribuição inicial.
1
Diagonalizando 𝑀 encontramos os seguintes autovalores 𝜆1 = 1 , 𝜆2 = 1 e 𝜆3 = 2 .
vetores são da forma (𝑥, −2𝑥, 𝑥) ou 𝑥. (1, −2,1). Para formarmos uma base de autovetores
escolheremos dois autovetores LI, 𝑣1 e 𝑣2 , do autoespaço associado ao autovalor 𝜆1 e um
único autovetor 𝑣3 associado ao autovalor 𝜆3 . Temos:
1 0 1
𝑣1 = [0] , 𝑣2 = [0] , 𝑣3 = [−2]
0 1 1
1
1 0
1 0 0 2
1 0 1 1
0 1 0 −1
𝑃 = [0 0 −2] , 𝐷 = [ 1] , 𝑃 = 0 1.
0 1 1 0 0 2
2 1
[0 −
2
0]
Logo:
𝑥 (𝑛) = 𝑀𝑛 . 𝑥 (0) = 𝑃. 𝐷𝑛 . 𝑃−1 . 𝑥 (0)
1
𝑛 1 0
1 0 0 2 𝑎0
1 0 1 0 1𝑛 0 1
𝑥 (𝑛) = [0 0 −2] . [ 1 𝑛] . 0 1 . [ 𝑏0 ]
0 1 1 0 0 ( ) 2 𝑐0
2 1
[0 −
2
0]
59
1
1 0 0 1
0
2 𝑎0
1 0 1 0 1 0 1
𝑥 (𝑛) = [0 0 −2] . [ 𝑏
1 𝑛] . 0 2 1 . [ 0]
0 1 1 0 0 ( ) 𝑐0
2 1
[0 − 2 0]
1 1 𝑛+1
1 −( ) 0
2 2 𝑎0
1 𝑛
0 . [ 𝑏0 ].
(𝑛)
𝑥 = 0 ( )
2 𝑐0
1 1 𝑛+1
[0 2
−( )
2
1]
Portanto:
1 1 𝑛+1
𝑎𝑛 = 𝑎0 + [ − ( ) ] . 𝑏0
2 2
1 𝑛
𝑏𝑛 = ( ) . 𝑏0
2
1 1 𝑛+1
𝑐𝑛 = 𝑐0 + [ − ( ) ] . 𝑏0
2 2
para todo 𝑛 = 1,2, …
Estas são as fórmulas explicitas para a fração dos três genótipos na n-ésima geração de
plantas em função das frações dos genótipos iniciais.
1 𝑛 1 𝑛+1
Quando 𝑛 tende ao infinito as frações (2) e (2) tendem a zero, portanto as
1
𝑎𝑛 → 𝑎0 + . 𝑏0
2
𝑏𝑛 → 0
1
𝑐𝑛 → 𝑐0 + . 𝑏0
2
1
𝑎0 + . 𝑏0
2
𝑥 (𝑛) → 0 .
1
[ 𝑐0 + 2 . 𝑏0 ]
Isso significa que no limite todas as plantas da população serão de genótipo AA e aa.
60
1
1
𝑀=[ 2]
1
0
2
𝑎𝑛−1
𝑥 (𝑛−1) = [𝑏 ].
𝑛−1
1 1 𝑛+1
1 −( ) 𝑎0
𝑥 (𝑛) = 2 2 . [𝑏 ].
𝑛
1 0
[0 ( )
2 ]
Logo:
1 𝑛
𝑎𝑛 = 𝑎0 + 𝑏0 − ( ) . 𝑏0
2
1 𝑛
𝑏𝑛 = ( ) . 𝑏0
2
para todo 𝑛 = 1,2, …
Como 𝑎0 + 𝑏0 = 1
1 𝑛
𝑎𝑛 = 1 − ( ) . 𝑏0
2
1 𝑛
𝑏𝑛 = ( ) . 𝑏0 .
2
Estas são as fórmulas explicitas para a fração dos dois genótipos na n-ésima geração
de plantas em função das frações dos genótipos iniciais.
1 𝑛
Quando 𝑛 tende ao infinito as frações (2) tende a zero, portanto as equações ficam da
seguinte forma:
𝑎𝑛 → 1
𝑏𝑛 → 0
Ou seja, no limite, a população de animais será do tipo AA, não sendo portadores da
doença. É importante observar que a fração que representa os portadores da doença cai pela
metade a cada geração de descendentes.
um dos dois genes de sua mãe com igual probabilidade, já a descendente fêmea recebe o
único gene de seu pai e um dos dois genes de sua mãe com igual probabilidade. A tabela
abaixo nos mostra a probabilidade dos descendentes neste tipo de hereditariedade.
Tabela 2. Probabilidades dos Possíveis Genótipos Descendentes
Genótipos dos Pais (Pai, Mãe)
(A, AA) (A, Aa) (A, aa) (a, AA) (a, Aa) (a, aa)
(A) 1 ½ 0 1 ½ 0
Macho
Descendentes
(a) 0 ½ 1 0 ½ 1
(AA) 1 ½ 0 0 0 0
Fêmea
(Aa) 0 ½ 1 1 ½ 0
(aa) 0 0 0 0 ½ 1
(A, AA) (A, Aa) (A, aa) (a, AA) (a, Aa) (a, aa)
(A, AA) 1 ¼ 0 0 0 0
Pares de Irmãos na n-ésima
(A, Aa) 0 ¼ 0 1 ¼ 0
(A, aa) 0 0 0 0 ¼ 0
Geração
(a, AA) 0 ¼ 0 0 0 0
(a, Aa) 0 ¼ 1 0 ¼ 0
(a, aa) 0 0 0 0 ¼ 1
1
1 0 0 0 0
4
1 1
𝑎𝑛 0 0 1 0 𝑎
4 4 𝑛−1
𝑏𝑛 1 𝑏 𝑛−1
𝑐𝑛 0 0 0 0 0 𝑐
= 4 . 𝑑
𝑛−1
.
𝑑𝑛 1 𝑛−1
𝑒𝑛 0 0 0 0 0 𝑒
4 𝑛−1
[ 𝑓𝑛 ] 1 1 [ 𝑓𝑛−1 ]
0 1 0 0
4 4
1
[0 0 0 0
4
1]
2 1 2 1
1 0
3 3 3 3
1 2 1 2
0 1
3 3 3 3
1 1 1 1
0 − − 0
𝑃−1 = 8 4 4 8 .
1 1 1 1
0 − − 0
24 12 12 24
1 1 1 1
0 . (5 + √5) . √5 . √5 . (5 + √5) 0
20 5 5 20
1 1 1 1
[0 20 . (5 − √5) − . √5 − . √5
5 5 20
. (5 − √5) 0]
Um exemplo prático seria, se os pais iniciais forem do tipo (a, Aa), ou seja, a
distribuição inicial seria 𝑒0 = 1 , 𝑎0 = 𝑏0 = 𝑐0 = 𝑑0 = 𝑓0 = 0 . Então quando n tende ao
infinito:
1
3
0
0
𝑥 (𝑛) →
0
0
2
[3]
1
Assim, no limite há probabilidade de dos pares de irmãos serem do genótipo (A, AA)
3
2
e 3 de serem do genótipo (a, aa).
68
REFERÊNCIAS
KLINE, Morris. Mathematical thought from ancient to modern times. New York: Oxford
University Press, 1972.
LIMA, Elon Lages. Álgebra linear. 8 ed. Rio de Janeiro: IMPA, 2012.
LIMA, Elon Lages. Análise Real Volume 1, funções de uma variável. 8 ed. Rio de Janeiro:
IMPA, 2006.
SANTOS, Robinson Nelson dos. Uma breve história do desenvolvimento da teoria dos
determinantes e das matrizes. Dissertação (Curso de Licenciatura em Matemática) –
Universidade de São Paulo, São Paulo, 2007.
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. 8.ed. Porto Alegre:
Bookman, 2001.
WINTERLE, Paulo, STEINBRUCH, Alfredo. Álgebra linear. São Paulo: 2ª ed. McGraw-
Hill, 1987.
BOLDRINI, José Luíz, COSTA, Sueli Irene Rodrigues, FIGUEIREDO, Vera Lúcia,
WETZLER, Henry G. Álgebra Linear. São Paulo: 3ª ed. Harper & Row do Brasil, 1980.