Otimização de Sistemas

1. Revisão de Álgebra Linear

1.1 Matrizes

1.1.1. Definição

Conjunto de elementos ordenados em forma retangular.

Ex : A(mxn )

2 1 3 8
A = 1 7 4 9
0 1 5 6

1.1.2. Notação :

Ex:.

 a 11  a 1n 
Am x n  =     
a n1  a mn 

1.1.3. Matrizes Especiais

a) Matriz nula : aij  0, i, j (i  m; j  n) .

b) Matriz quadrada : m  n (ordem n).

c) Matriz diagonal : m  n , aij  0, i  j .

d) Matriz identidade (E ou I) : matriz diagonal com ai ,i  1 .

 e) Matriz simétrica : m  n , aij  a ji ,i, j .

f) Matriz transposta de A (mxn ) : A T (nxm), a Tij  a ji

g) Matriz triangular:

aij  0i  j (superior)

aij  0i  j (inferior).

h) Matriz vetor: matriz (nx1) .

1.1.4. Operações com matrizes

a) Igualdade : A ( mxn)  B ( mxn) , se aij  bij ,i, j .

b) Adição : C( mxn)  A ( mxn)  B ( mxn)  cij  aij  bij , i, j .

c) Multiplicação por uma constante :

B ( mxn )   .A ( mxn )  bij   .aij , i, j .

d) Multiplicação de matrizes :

A ( mxn) .B ( nxp )  C( mxp )

onde
n
c ik   a ij .b jk , i, k
j1

Notas : i) A.B  B.A

ii) A.E  E.A  A , onde ( A, E(nxn) )

e) Propriedades das operações com matrizes:

 1. ( A  B)  C  A  (B  C)

2.  .(A)   .(A)  ( ) A

3. ABBA

4. A ( .B)  ( .A )B   .( AB)

5. (   ) A  A  A

6.  ( A  B )   A  B

7. A(BC)  (AB)C

8. A(B  C)  AB  AC

9. (A  B)C  AC  BC

1.1.5. Determinantes

p  a 1,1 .a  2,2 ....a n,n

 1 ,  2 ,...,  n são números distintos,  i   k . Essa seqüência é uma permutação do

conjunto {1,2,..., n} . Uma "inversão" na seqüência  1 , 2 ,...,  n acontece cada vez que

 i   k , para i  k .

Ex :

 1 , 2 , 3 , 4  2,3,1,4 possui 2 inversões.

O n° de inversões de uma seqüência é designado por N ( 1 , 2 ,...,  n ) .

Determinante de uma matriz A de ordem n é a soma dos termos p obtidos por todas
as permutações possíveis da seqüência  1 ,  2 ,...,  n , multiplicados por (-1) elevado ao
número de inversões das respectivas seqüências:

A  det ( A)   (1) N(1,...,n).a1,1.a 2,2...an,n

 a 11 a 12 a 13
Ex : A  a 21 a 22 a 23 
a 21 a 32 a 33

(1) 0 a11.a22 .a33  (1) 2 a21a32 .a13  (1) 2 a31.a12 .a23  (1)1 a21.a12 .a33  (1)3 a31.a22 .a13  (1)1 a11.a32 .a23 .

1.1.5.1. Propriedades dos determinantes

a) Se aij  0i ou aij  0j  det A  0 (singular).

b) bij  .aij , j  1,2,..., n ou i  1,2,..., n  det B   . det A .

c) B é obtida pela permuta de duas linhas ou duas colunas de A  det B = - det A.

d) Se aij  .a kj , j  1,2,..., n ou aij  .aik , i  1,2,.., n  det A  0 .

e) Se bij  aij  .a kj , j  1,2,..., n ; ik ou bij  aij  .aik i  1,2,..., n; ;

j  k  det A  det B .

1.1.5.2. Co-fator, menor complementar

A ij  ( 1) i  j . M ij

1.1.5.3. Expansão do determinante em co-fatores

det A  ai1. Ai1  ai 2 . Ai 2  ...  ain . Ain  alj . Alj  aej  A2 j  ...  anj . Anj

1.1.6. Determinante de uma matriz triangular

 a 11 a 12  a 1n a 22 a 23  a 2n a 33 a 34  a 2n
0 a 22  a 2n 0 a 33  a 3n 0 a 44  a 3n
A   a 11 .  a 11 .a 22 .  a 11 .a 22 ...a nn
           
0 0  a nn 0 0  a nn 0 0  a nn

1.1.7. "Rank" de uma matriz, r :

Seja A (mxn) . Se:

a) Existe pelo menos uma submatriz S de A, de ordem r, com det S  0 ;

b) Toda submatriz T de A, de ordem rl  r , possui det T  0 ;

então r é o "rank".

1.1.8. Matriz inversa

B  A 1  BA  AB  E

Notas : i) (AB)1  B 1A 1

ii) A1  (cofA)T / det A

1.2. Sistemas de equações lineares - tratamento matricial

1.2.1. Conversão

 a 11 x 1  a 12 x 2    a 1n x n  b1
        

 a i1 x 1  a i2 x 2    a in x n  bi
        

a n1x 1  a i2 x 2    a nn x n  bn

n
A i-ésima equação: a
k 1
ik .x k  b i
  a11   a1n   b1 
a  a   
 21  x     2n  x   b 2 
   1    n 
     
a n1  a nn  b n 

A1.x1  A2 .x2    An xn  b ou Ax  b.

1.2.2. Regra de Cramer

i
xi  ;  detA


 i


 
 i  det A1 A 2 b  A n 
 

1.2.3. Método de Eliminação de Gauss - Jordan

Consiste em diagonalizar a matriz dos coeficientes, através de operações

_ 
elementares na matriz aumentada : A A  b .

As operações elementares são:

a) permuta de linhas;

b) multiplicação de uma linha por uma constante;

c) substituição de uma linha por seu conteúdo adicionado a outra linha, multiplicada por
uma constante.

Ex : Resolva:

2 x1  2 x2  4 x3  10
x1  x2  3 x3  9
x1  3 x2  4 x3  17
A matriz aumentada é:

_
2 2 4  101/2L1
A  1 1 3  9  L 2  1/2L1
1 3 4  17 L3  1/2L1

_
1 1 2  5 
A  0 0 1  4  L3 / 2
0 2 2  12 L 2

_
1 1 4  5 x1  5
A  0 1 1  6x 2  2
0 0 1  4 x 3  4

1.3. Espaços Vetoriais

1.3.1. Conceitos e Notação

Espaço vetorial é o conjunto de todos os vetores com número de coordenadas igual

à dimensão do espaço. Ex : O espaço vetorial R m é o conjunto de todos os vetores (pontos)
e m coordenadas reais.

1.3.2. Combinação Linear

Sejam A1 , A2 ,..., An  R m e x1 ,..., xn  R . Então b  x1 .A 1  x 2 .A 2 ...  x n .A n é um

vetor do R m , chamado combinação linear dos vetores A1 , A2 ,..., An .

 a11   a1n   b1 
a  a   
 21  x     2n  x   b 2 
   1    n   
     
a m1  a mn  bm 
1.3.3. Vetores Linearmente Independentes (L.I.)

Se a equação vetorial:

A1.x1  A 2 .x2  ...  A n .xn  0

for satisfeita apenas quando x1  x2  ...  xn  0 , então os vetores A1 , A2 ,..., An são L.I.
Caso contrário, diz-se que os eles são linearmente dependentes (L.D.), isto é, algum vetor
Ai pode ser obtido a partir de uma combinação linear dos demais vetores.

Ex:

 3 0 
m  3, n  2, A1  0, A 2  0
 

0 2

3  0  0 
0.x  0.x  0  x  0e x  0
  1   2   1 2
0 2 0

Logo, A1 e A 2 são L.I..

1.3.4. Dimensão de um espaço vetorial

É o número igual à quantidade máxima obtenível de vetores L.I., pertencentes ao

espaço vetorial.

1.3.5. Base

Um conjunto de vetores e1 , e 2 ,..., e n   m constitui-se em uma base do  m se:

a) Eles forem L.I.

b) Qualquer vetor x   m puder ser obtido por uma combinação linear de e1 , e 2 ,..., e n   m ,
isto é:

x  x1.e1  x2 .e2  ...  xn .en .

 Pode-se provar que qualquer base de  m possui m vetores.

1  0  0 
Ex : e1  0, e 2  1, e 3  0 constituem-se em uma base do  3 , pois:
   

0 0 1

0 
x1.e1  x2 .e 2  x3 .e 3 = 0   x1  x2  x3  0 (L.I.).
0 

 x1  1  0  0 
Se x    x   x 2   x1.0  x 2 .1  x 3 .0, isto é, x é uma combinação linear
3      
 x 3  0 0 1

de e1 ,e 2 e e 3 .

1.3.6. Rank de uma Matriz

Através da expansão do determinante em cofatores, pode-se mostrar que o "rank" de

uma matriz (m x n) é igual ao n° máximo de colunas (ou de linhas) L.I.

1.3.7. Matriz Base

Se A (mxn ) possui m colunas L.I. então a matriz quadrada


B  A j1 A j2  A jm 
é uma base de A e a equação A.x  b possui uma solução para qualquer b   m .

 4 0 1 3 0 0 1 0 
Ex : A  2 1 0  2 0 possui uma base B = 1 0 0
 
6 0 0 5 1 0 0 1

1.3.8. Teorema

Para A (mxn ) , são equivalentes as afirmações:

 a) Existe A 1 .

b) Rank de A é n.

c) det A  0 .

1.4. Solução do sistema A.x  b, sendo A ( mxn ) , x ( nx1) , b ( mx1) e m  n .

Considere o sistema de equações lineares:

 a11x1  a12 x 2    a1n x n  b1

        

 a i1x1  a i2 x 2    a in x n  bi
        

a m1x1  a m2 x 2    a mn x n  bm

onde m  n . Considere rank (A )  m . Então, arbitrando-se os valores de (n  m) variáveis,

pode-se obter uma solução. Para cada conjunto de valores arbitrado, obtém-se uma solução
distinta.

1.4.1. Solução básica

Sejam A (mxn) e B = A j1  , A j2 
,  , A jm uma base de A. Para qualquer

b   m , uma solução x tal que

 x j1 
x 
A j1 A j2  A jm 
 j2   b e x  0 para i  j ,..., j .
   i 1 m

 
 x jm 

é chamada de solução básica do sistema. As variáveis x jq , q  1,, m são chamadas de

básicas e as demais, não-básicas.

Ex : O sistema:
 4x1  0x 2  x3  x4  0x 5  10
2x1  x2  0x 3  2x 4  0x 5  6
2x1  0x 2  0x 3  2x 4  x5  14

possui uma solução básica dada por :

0  1  0    10 
1 .x   0 .x   0 .x   6 
  2   3   5  
0   0   1   14 

e x1  x4  0 . Segue que x2  6 , x3  10 e x5  14 . O conjunto das variáveis básicas, para

esta solução, é {x2 , x3 , x5 } , cujos índices formam o conjunto Base {2,3,5}.

Uma outra solução básica pode ser obtida, através de operações (transformações)
elementares na matriz aumentada do sistema, para se obter o conjunto Base {2,3,1} :

4 0 1 1 0  - 10 L1  2L 3
_

A  2 1 0  2 0  6 L 2  L 3
2 0 0 2 1  141/2L 3

0 0 1  3  2   38
P/ x 4  x 5  0,
A  0 1 0  4  1   8
_

x 1  7, x 2  8, x 3  38
 1 0 0 1 1/2  7

O número máximo de soluções básicas possíveis é:

5!
C 53   10
3!2!

1.4.2. Solução compatível básica

Considere que são impostas restrições às variáveis do sistema anterior, do tipo:

xi  0, i  1,...,5. As soluções básicas encontradas não são compatíveis com a restrição
acima. Soluções básicas que atendem às restrições de desigualdade são chamadas de
soluções compatíveis básicas.

De uma maneira geral, tem-se:

 n

a
j 1
ij .x j  b i , i = 1,..., m

x j  0, j = 1,..., n (m < n)

1.5. Sistemas de Inequações Lineares

 j1
a ij .x j  b i , i = 1,..., m

ou A.x  b

Esse sistema pode ser transformado em um sistema de equações lineares, através da

introdução de novas variáveis:
n

a
j 1
ij . x j  x n  i  b i , i = 1,..., m

x n+i  0

Para A.x  b , tem-se

n

 a .x
j l
ij j  xn 1  bi , i  1,..., m

x n i  0

As variáveis xn  i, i  1,..., m, são chamadas variáveis de folga.

1.6. Sistemas de Equações Lineares com variáveis não negativas

 a11 x1  a12 x2    a1n xn  b1

a x xi  0, i = 1,..., n, i  k
 21 1  a 22 x2    a 2n xn  b2

        
xk qq
a m1 x1  a m2 x2    a mn xn  bm

A introdução de m variáveis de folga transforma o sistema de inequações em um

sistema de equações, conforme mostrado anteriormente. A fim de trabalhar com variáveis
não negativas, substitui-se xk por x’k – x”k, sendo x' k  0 e x' ' k  0 .
1.7. Convexidade

1.7.1. Definição

Diz-se que b   m é uma combinação convexa dos vetores A1 , A 2 ,..., A n   m se:

b  1.A1  ...   n A n

n
com : 
i 1
i  1 e  i  0 para i = 1,..., n

1.7.2. Interpretação geométrica

Ex1: Se A 3 é uma combinação convexa de A1 e A 2 , então:

A 3   .A1  (1   ).A 2
A 3   .A1  A 2   .A 2
( A 3  A 2 )   ( A1  A 2 ).

Isto é : os vetores ( A 3  A 2 ) e ( A1  A 2 ) têm a

mesma direção, já que   .

Ex2 :

A 4   .A1  (1   ).A 3
A 5  (1  k ).A 2  k .A 4
 (1  k ).A 2  k . .A1  k (1   ).A 3
 (k . ).A1  (1  k ).A 2  [k (1   )].A 3
 0  k  1
0  1  k  1
Se 0    1 e 0  k  1  
0  1    1
0  k (1   )  1

Como k  (1  k )  k (1   )  1  A 5 é uma combinação convexa de A1 , A 2 e A 3 .

1.7.3. Conjunto Convexo

1.7.3.1. Definição

Seja C   m e A1 , A 2  C , quaisquer.

Seja b  1A1   2 A 2 uma combinação convexa de A1 e A 2 , com  1   2  1 ,

0   1 , 2  1 .

Se b C  C é chamado de conjunto convexo.

Ex:

1.7.3.2. Ponto extremo

O vetor A3 é ponto extremo se para A 3  1A1   2 A 2 , com  1 e  2 definidos

anteriormente, implicar em A 3  A1 ou A 3  A 2 .