Escolar Documentos
Profissional Documentos
Cultura Documentos
INTRODUÇÃO
Prezado aluno,
Bons estudos!
SUMÁRIO
1 CONCEITO ........................................................................................................ 4
3.1 Propriedades.....................................................................................................13
6.1 Introdução.........................................................................................................26
7 MATRIZES ...................................................................................................... 36
10 AUTOVALORES E AUTOVETORES............................................................60
11 DIAGONALIZAÇÃO.............................................................................................67
12 REFERÊNCIAS BIBLIOGRÁFICAS..............................................................72
1 CONCEITO
Fonte:www.static.wixstatic.com
2 SISTEMA LINEAR
Antes disso, porém, vamos entender o que é uma equação linear para depois
estudarmos e entendermos sistemas lineares.
Uma equação linear é qualquer equação da forma:
onde a1, a2, a3, …, an são números reais e b é um termo independente. Caso b =
0, a equação é chamada de linear homogênea.
3 ESPAÇOS VETORIAIS
Vejamos:
2
Texto extraído de: www.matematicabasica.net.com
Podemos ver que tanto os conjuntos das funções definidas na reta a valores
reais como o das matrizes quadradas quando munidos de somas e multiplicação por
escalares adequadas apresentam propriedades algébricas comuns. Na verdade,
muitos outros conjuntos munidos de operações apropriadas apresentam propriedades
semelhantes às acima.
É por isso que ao invés de estudarmos cada um separadamente estudaremos
um conjunto arbitrário e não vazio, 𝑽 ; sobre o qual supomos estar definidas uma
nulo e por todos os polinômios de grau menor ou igual a 𝒏 com coeficientes reais.
Definimos a adição e a multiplicação por escalar da seguinte maneira:
CK(𝑰; ℝ).
5° Exemplo: O conjunto das funções com todas as derivadas contínuas
multiplicação usuais (como aquelas definidas em 𝕱(𝑰; ℝ)). Notação: C ∞ (𝑰; ℝ).
6° Exemplo: O conjunto das matrizes 𝑚 por 𝑛 com coeficientes reais:
Das oito propriedades que definem um espaço vetorial podemos concluir várias
outras. Listaremos algumas destas propriedades na seguinte
✓ Proposição 1:
Seja 𝑽 um espaço vetorial. Temos
Prova:
4 SUBESPAÇOS VETORIAIS
Vejamos um exemplo:
Exemplo 1:
Exemplo 2:
✓ Proposição 2:
(Interseção de subespaços) Sejam 𝑈 e 𝑊 subespa- cos vetoriais de 𝑉. Então
𝑈 ∩ 𝑊 é subespaço vetorial de 𝑉.
Prova:
subespaço vetorial de 𝑉 ?
✓ Proposição 3:
(Soma de subespaços) sejam 𝑈 , 𝑊 e 𝑉 como na definição acima. Então 𝑈 +
𝑊 é um subespaço vetorial de 𝑉. Além do mais, 𝑈 ∪ 𝑊 ⊂ 𝑈 + 𝑊.
Prova:
Verifiquemos que 𝑈 + 𝑊 é subespaço vetorial de 𝑉.
✓ Proposição 4:
Sejam 𝑉 um espaço vetorial e 𝑈 e 𝑊 subespaços vetoriais de 𝑉. Então 𝑈 + 𝑊
é o menor subespaço vetorial de 𝑉 V que contém 𝑈 ∪ 𝑊. Em outras palavras,
se 𝑉′ é um subespaço vetorial de 𝑉 que contém 𝑈 ∪ 𝑊 então 𝑈 ∪ 𝑊 ⊂ 𝑈 + 𝑊
⊂ 𝑉′.
Definição: Sejam 𝑈 e 𝑊 subespaços vetoriais de um espaço vetorial 𝑉 .
✓ PROPOSIÇÃO 5
(Soma direta de subespaços vetoriais) Sejam 𝑈 e 𝑊 subespaços vetoriais de
𝑥+ 𝑦+𝑧 =0
{𝑥 = 0 ≼===≫ (𝑥, 𝑦, 𝑧) = (0,0,0).
𝑦= 0
em que o termo deve ser omitido da soma. Neste caso usaremos a notação
𝑈1 ⨁ … ⨁ 𝑈n para denotar a soma de 𝑈1 a 𝑈n.
Observação 5: É obvio que
que gere 𝑽 e tal que todos elementos sejam realmente necessários para gerar 𝐕. Se
pudermos encontrar tais vetores, teremos os alicerces de nosso espaço, com estes
vetores fazendo o papel de 𝒊, 𝒋, 𝒌 na Geometria Analítica no Espaço. Denominares um
conjunto de vetores desse tipo de base, mais precisamente:
✓ Definição 1:
linearmente independente.
Fonte: www.istockphoto.com
5.1 Teorema 1
Seja {0} 6= 𝑉 um espaço vetorial sobre 𝕂. Então 𝑉 possui pelo menos uma
base.
temos que , mas isto é um absurdo, visto que este fato contradiz a
maximalidade 𝐵 . Assim [𝐵 ] = 𝑉.
O teorema abaixo apresenta duas caracterizações de base.
5.2 Teorema 2
5.3 Teorema 3
5.4 Teorema 4
elemento de 𝐵 pode ser substituído por algum elemento de 𝐶 de modo que o conjunto
completando a prova.
No teorema a seguir, utilizamos a noção de cardinalidade. Lembremos que dois
conjuntos 𝐴 e 𝐵 tem a mesma cardinalidade quando existe uma função 𝑓: 𝐴 → 𝐵
bijetora.
5.5 Teorema 5
✓ Definição 2:
Seja 𝑉 um espaço vetorial sobre 𝕂. A dimensão de 𝑉 sobre 𝕂, denotada por
sobre 𝕂.
Começamos nossa discussão sobre espaços vetoriais indagando sobre a
existência de um certo tipo de subconjunto 𝐵 de 𝑉 , que tivesse as seguintes
6 TRANSFORMAÇÕES LINEARES
6.1 Introdução
Fonte: www.ifs.edu.br
3
Texto extraído de: www.ime.unicamp.br
vetorial. Note que os valores tomados são, na verdade, vetores. No entanto, deve-se
restringir a apenas alguns tipos especiais dentre estas funções.
Pois o maior interesse é em funções que preservem as operações existentes
no espaço vetorial que atua como o seu domínio e aquelas do espaço vetorial que age
como contradomínio. Por exemplo, por preservar a adição de vetores entendemos que
ao tomar dois vetores no domínio da função o valor que esta deve ter para a soma
destes dois vetores é a soma dos valores que ela possui para cada um dos vetores.
De maneira semelhante a função deve preservar o produto por escalar. Funções com
estas propriedades são chamadas de transformações lineares. Mais precisamente,
temos.
✓ Definição 1:
Sejam 𝑈 e 𝑉 espaços vetoriais. Dizemos que uma função 𝑇 ∶ 𝑈 → 𝑉 é uma
transformação linear se forem verificadas as seguintes condições:
Se 𝑇 fosse linear deveria ter por 2, 𝑇(−𝑓 ) = −𝑇(𝑓) para toda função 𝑓 ∈
𝐶 ([0, 1]; ℝ). Para ver que isto não ocorre, basta tomar f como sendo a função
constante igual a 1. Temos neste caso que 𝑇(−1) = 1 = 𝑇(1).
✓ Proposição 1:
Seja 𝑈 um espaço vetorial com base 𝑢 1, . . . , 𝑢 n. Toda transformação linear
✓ Proposição 2:
Definição 1
Se 𝑈 é um espaço vetorial, definimos o espaço dual de 𝑈 como sendo 𝑈 ′ ≐
6.3 Teorema 1
Corolário:
Se 𝑉 é um espaço de dimensão 𝑛 então o seu dual também tem dimensão 𝑛.
Pelo corolário, se 𝑈 tem dimensão 𝑛 então o seu dual, 𝑈′ , tem a mesma dimensão.
✓ Definição 2:
Sejam 𝑈 , 𝑉 e 𝑊 espaços vetoriais. Se 𝑇 ∈ ( 𝑈, 𝑉 ) e 𝑆 ∈ ( 𝑉, 𝑊 )
✓ Definição 3:
Se 𝑇 ∈ (𝑈), definimos 𝑇1 = 𝑇 e 𝑇n = 𝑇 ∘ 𝑇n−1 para 𝑛 ≥ 2.
✓ Definição 4:
𝑇∈ (𝑈) é chamada de nilpotente se existir algum inteiro positivo 𝑛 tal que
✓ Proposição 3:
Sejam 𝑇 ∈ (𝑈, 𝑉 ) e 𝑆 ∈ (𝑉, 𝑊 ). Então 𝑆 ∘ 𝑇 ∈ (𝑈, 𝑊 ).
✓ Proposição 4:
Sejam 𝑇 ∈ (𝑈, 𝑉 ) e 𝑆 ∈ (𝑉, 𝑊 ) e ℝ ∈ (𝑊, 𝑋 ), onde 𝑈, 𝑉, 𝑊 e 𝑋
são espaços vetoriais. Então (𝑅 ∘ 𝑆) ∘ 𝑇 = 𝑅 ∘ (𝑆 ∘ 𝑇).
✓ Proposição 5:
Se 𝑆, 𝑇 ∈ (𝑈, 𝑉 ), 𝑅 ∈ (𝑉, 𝑊 ) então 𝑅 ∘ (𝑆 + 𝑇) = 𝑅 ∘ 𝑆 + 𝑅 ∘ 𝑇 .
✓ Proposição 6:
Se 𝑇 ∈ (𝑈, 𝑉 ) e 𝐼 V ∈ (𝑉) é a identidade em 𝑉 , isto é, 𝐼 (𝑣 ) = 𝑣, 𝑣 ∈ 𝑉 , e
Definição 5:
Diremos que 𝑇 ∈ ( 𝑈, 𝑉 ) possui inversa se existir 𝑆 ∶ 𝑉 → 𝑈 tal que 𝑆 ∘
: 𝑉 → 𝑉 é a identidade em 𝑉 .
✓ Proposição 7:
Se 𝑇 ∈ (𝑈, 𝑉 ) possui uma inversa então está inversa é única.
DEFINIÇÃO 6
Uma transformação linear 𝑇: 𝑈 → 𝑉 é
✓ Proposição 8:
Uma transformação linear 𝑇 : 𝑈 → 𝑉 é injetora se e somente se 𝑇(𝑢 ) = 0:
implicar em 𝑢 = 0.
✓ Proposição 9:
A fim de que 𝑇 ∈ (𝑈, 𝑉 ) possua inversa é necessário e suficiente que 𝑇
seja bijetora.
✓ Proposição 10:
Se 𝑇 ∈ (𝑈, 𝑉 ) possui inversa 𝑇−1 : 𝑉 → 𝑈 então 𝑇−1 ∈ (𝑉, 𝑈).
7 MATRIZES
𝑚 𝑥 𝑛 → 𝑚 linhas e n colunas
Quando uma matriz apresenta o mesmo número de linhas e colunas diz que a
matriz tem ordem 𝑛 (𝑛 = número de linhas = número de colunas).
Termo Geral: Algumas matrizes possuem certa relação entre seus elementos.
Quando for possível escrever todos os elementos de uma matriz através de uma regra,
então a matriz possui um termo geral ( 𝑎 ij), onde i indica a linha e 𝑗, a coluna.
Exemplo: Sabendo que a matriz 𝐵 tem ordem 2x3 e que seu termo geral é
colunas igual a 3, então sabemos que o índice 𝑖 varia de 1 até 2 e o índice 𝑗 de 1 até
3. Logo, a matriz terá a forma:
7.1 Tipos de matrizes
✓ Matriz Coluna:
Matriz formada por apenas uma coluna.
✓ Matriz Linha:
Matriz formada por apenas uma linha.
✓ Matriz Nula – 0:
Matriz onde todos os seus elementos são zero, ou seja, seu termo geral é
sempre zero qualquer que seja 𝑖 𝑒 𝑗.
✓ Matriz Quadrada:
Matriz onde a quantidade de linhas é igual à quantidade de colunas.
✓ Matriz Diagonal:
Matriz onde os elementos da diagonal principal são não nulos e os fora da
diagonal principal são nulos.
✓ Matriz Identidade – 𝐼:
Matriz onde os elementos da diagonal principal são iguais a 1 e os fora da
diagonal principal são nulos.
✓ Matriz Transposta - 𝐴t, 𝐴′:
A matriz transposta é obtida a partir de qualquer matriz se trocando as linhas
pelas colunas.
✓ Matriz Simétrica:
Uma matriz é simétrica se ela for igual a sua transposta.
✓ Matriz Antissimétrica:
Uma matriz é antissimétrica se ela for igual a menos sua transposta.
✓ Matriz Triangular:
Superior: Uma matriz é triangular superior quando todos os elementos abaixo
da diagonal principal são nulos.
Note que as submatrizes não podem ter qualquer dimensão, pois isso implicaria
em uma desordem. Se A tem dimensão 𝑚𝑥𝑛, então o número de linhas de B
mais o número de linhas de D deve ser igual a m e o número de colunas de B
mais o número de colunas de C deve ser igual a n. Além disso, o número de
linhas de B deve ser igual ao número de linhas de C, assim como as linhas de
D e E, o mesmo para as colunas de B, C, D e E. Um exemplo para as matrizes
B, C, D e E poderia ser:
B3×3 , C3×2 , D2×3 e E2×2 , resultando em A5×5 .
✓ Soma: Para que seja possível somar duas ou mais matrizes, é necessário que
todas as matrizes envolvidas tenham a mesma ordem, ordem esta que também
será compartilhada com a matriz resultante.
cij= aij+ bij Onde aij e bij são os termos das matrizes A e B.
Exemplo:
Propriedades da soma:
Considerando as matrizes A, B C e 0:
A + B = B + A (Comutativa) A + ( B + C) = ( A + B ) + C (Associativa)
A + 0 = A (Elemento nulo)
𝑘1 ( 𝐴 + 𝐵 ) = 𝑘1 𝐴 + 𝑘1 𝐵
( 𝑘1 + 𝑘2 ) 𝐴 = 𝑘1 𝐴 + 𝑘2 𝐴
𝑘1 ( 𝑘2 𝐴 ) = ( 𝑘1 𝑘2 ) 𝐴
se 𝑞 = 𝑚.
de 𝐵 .
Exemplo:
Conhecendo as matrizes 𝐻 e 𝐺 , é possível a multiplicação 𝐻 .𝐺 ? E 𝐺 :𝐻 ?
𝐻 2x2 e 𝐺 3x2, a multiplicação não pode ser feita, já que 𝐻 tem 2 colunas e 𝐺 tem
3 linhas. Para analisar a multiplicação 𝐺. 𝐻 procederemos da mesma forma, o
Propriedades gerais
Considerando as matrizes 𝐴, 𝐵, 𝐶 , a matriz nula 0, o escalar 𝐾 , a matriz
𝐴𝐼= 𝐼𝐴=𝐴
𝐴 ( 𝐵 + 𝐶 ) = 𝐴𝐵 + 𝐴𝐶
( 𝐴 + 𝐵 ) . 𝐶 = 𝐴𝐶 + 𝐴𝐵
𝐴 ( 𝐴𝐶 ) = ( 𝐴𝐵 ) 𝐶
𝐴0=0𝐴=0
𝐴 é simétrica se 𝐴 = 𝐴t
( 𝐴 + 𝐵 )t = 𝐴 t + 𝐵 t
( 𝐴 t )t = 𝐴
( 𝐾 𝐴)t = 𝐾 𝐴t
( 𝐴 𝐵 )t = 𝐵 t 𝐴4
Sejam 𝛼 = {𝑣 1, 𝑣 2, . . ., 𝑣 n} e 𝛽 = {𝑤 1, 𝑤 2, . . ., 𝑤 m} bases de 𝑉 e 𝑊 ,
4
Texto extraído de: www.sedis.ufrn.br
Exemplo: Sejam 𝛼 = {(1, 1),(0, 2)} e 𝛽 = {(1, 0, 1),(0, 1, 0),(1, 2, 0)}, bases de
5
Texto extraído de: www.moodle.profmat-sbm.org.br
9 ESPAÇOS COM PRODUTO INTERNO
par de vetores 𝑢 e 𝑣 em 𝑉 associa um número real, denotado por (𝑢, 𝑣, ) que satisfaz
as seguintes condições:
Para quaisquer vetores 𝑢, 𝑣 , e 𝑤 de 𝑉 e qualquer número real 𝑘 ,
Demonstração:
Provaremos apenas (𝑖𝑖) e deixaremos os demais itens como exercício. De fato,
pelas condições PI 3 e PI 4 da definição de produto interno temos que
9.2 Operadores em Espaços com Produto Interno
(1)
(2)
Juntando (1) e (2) obtemos que ∅(𝑢) = (𝑢, 𝑣) = ∅𝑣(𝑢), para todo 𝑢 ∈ 𝑉 .
Unicidade: Suponhamos que 𝑣′ tenha a propriedade (𝑢, 𝑣′) = (𝑢, 𝑣), para todo
𝑇* em 𝑉 tal que
Proposição:
Para toda base ortonormal α de 𝑉 e para todo operador linear 𝑇 em 𝑉 , temos
que
), então
𝑇−1.
Diremos que um operador 𝑇 em 𝑉 preserva norma, preserva distância, ou
T(v) = v
(II) T(v) = Av
(III) (A – I) v = 0
det(A – I) = 0
Fonte:www.canaldoensino.com.br
➢ u é autovetor de T
pois R / T(u) = u.
➢ v não é autovetor de
T pois não R / T(v)
= v.
Exemplo 1: Considere o
operador linear definido no exemplo anterior:
T: R2 → R2
4 5 1 0 4 − 5
A − I = − =
0 1 2
2 1 1 −
det (A – I) = 0 (4 – ) (1 – ) – 10 = 0 2 – 5 – 6 = 0
1 = – 1 e 2 = 6.
✓ Autovetores de A ou de T:
Para cada autovalor encontrado, resolvemos o sistema linear (A – I)v = 0:
x
1 = − 1; v=
y
4 − ( − 1) 5 x 0
( A − 1I ) v = 0 y = 0
2 1 − ( − 1)
5 x + 5 y = 0
2 x + 2 y = 0
x = -y
x
2 = 6; v=
y
4 − 6 5 x 0
( A − I ) = 0 y = 0
2 1 − 6
− 2 x + 5 y = 0
2x − 5 y = 0
5
x= y.
2
x 3 − 1 1 x
T y = − 1 5 1 . y = Av
z 1 − 1 3 z
3- -1 1
det[A - I] = - 1 5- 1 = − 3 + 112 − 36 + 36 = 0
1 -1 3-
Cálculo numérico:
= 2 0 = 0 logo 1 = 2
( – 2) (2 - 9 + 18) = 0 2 = 6 e 3 = 3
Os autovalores são 1 = 2, 2 = 6 e 3 = 3
Para achar os autovetores basta substituir cada um dos autovalores na
equação (A– I) v = 0:
Para 1 = 2:
1 − 1 1 x 0
−1 3 −1 . y = 0
Escalonando:
1 − 1 1 z 0
1 − 1 1 1 0 1
0 2 0 0 1 0 ou seja, y = 0 e z = − x
0 0 0 0 0 0
Para 2 = 3:
0 − 1 1 x 0
−1 2 −1 . y = 0
1 − 1 0 z 0
0 −1 1 0 0 0
1 −2 1 1 0 − 1 ou seja, z = x e z = y, x = y = z
0 1 − 1 0 1 − 1
Para 3 = 6:
− 3 −1 1 x 0
−1 −1 −1 . y = 0
1 − 1 − 3 z 0
0 −4 − 8 0 0 0
0 −2 −4 0 1 2 ou seja, z = x e − 2z = y
1 −1 − 3 1 0 − 1
Observações:
✓ Se é um autovalor de A, o conjunto S de todos os vetores v V, inclusive v
nulo, associados a , é um subespaço vetorial (próprio) de V.
✓ A matriz dos autovetores é chamada MATRIZ MODAL.
3 − 1
Exemplo 3:
A=
1 3
3− −1
=0 ( 3 − )2 + 1 = 0 2 − 2 3 + 4 = 0
1 3−
2 3 2i
= = 3i
2
11 DIAGONALIZAÇÃO
Fonte: www.i2.wp.com
Na realidade, o fato de se conseguir formar uma base com autovetores de uma
matriz está intimamente relacionado com se obter uma matriz diagonal semelhante a
𝑨 . De fato, vamos justificar que, sempre que for possível formar uma base do
espaço ℝn apenas com autovetores de uma matriz quadrada 𝑨, então é possível fazer
uma mudança de base de modo que a obter uma matriz diagonal, com os autovalores
na diagonal principal. Este procedimento é chamado de diagonalização da matriz 𝑨,
por motivos óbvios. O método, que é surpreendentemente simples (mas, na prática,
trabalhoso), consiste em montar uma matriz 𝑷 com os autovetores de 𝑨 e efetuar
multiplicações de matrizes:
Montamos a matriz
Por escalonamento, podemos calcular a matriz inversa
e temos
1𝐴𝑃 = 𝐷. No entanto, uma descrição mais completa pode ser necessária nas
principais aplicações, de modo que ainda seria preciso uma quantidade grande
de cálculos para determinar a matriz 𝑃 − 1.
Fonte: www.educacaoadventista.org.br
Nem todas as matrizes são diagonalizáveis, como acima. Já vimos que isto é
possível quando uma base de autovetores existe. No exemplo
𝑛 × 𝑛. Então:
Na notação introduzida não seção anterior, isto é, o mesmo que dizer que, se
𝐴 for diagonalizável, então as multiplicidades algébrica e geométrica são iguais.
Bibliografia Básica
Bibliografia Complementar