Escolar Documentos
Profissional Documentos
Cultura Documentos
Pithan 1
01 - SISTEMAS LINEARES
Exemplo 1.2:
x + 2 y − 3z = 4
(−1) × 1ª L + 2 ª L → 2 ª L
x + 3 y + z = 11 ⇒
5 x + 10 y − 15 z = 20 (−5) × 1ª L + 3ª L → 3ª L
x + 2 y − 3z = 4 y = −4 z + 7
0 x + y + 4 z = 7 ⇒ x = 11z − 10
0 x + 0 y + 0 z = 0 z = z
O sistema é consistente e tem infinitas soluções
bastando atribuir um valor para z.
Exemplo 1.3:
x + 2 y − 3z = 4 x + 2 y − 3z = 4
(−1) × 1ª L + 2ª L → 2ª L
x + 3 y + z = 11 ⇒ 0 x + y + 4 z = 7
5 x + 10 y − 15 z = 15 (−5) × 1ª L + 3ª L → 3ª L 0 x + 0 y + 0 z = −5
O sistema é inconsistente, ou seja, não tem solução.
Exemplo 1.4: Na síntese de três produtos (X, Y, Z), são consumidos dois insumos (A, B), para cada
X são utilizados 1A e 2B, para cada Y são utilizados 1A e 1B, para cada Z são utilizados 1A e 4B.
O preço em reais de venda de cada produto X, Y e Z é respectivamente R$2, 00, R$3,00 e R$5,00.
2 Álgebra Linear
Sabendo que foram gastos 1000 unidades de A e 2000 unidades de B e a venda de toda produção de
X, Y e Z totalizou R$2500,00. Qual foi a percentagem de venda de cada produto?
X Y Z
Totais
(unidades) (unidades) (unidades)
A 1x 1y 1z 1000
B 2x 1y 4z 2000
Pr eço 2x 3y 5z 2500
x + y + z = 1000
(−2 × 1ª L + 2 ª L → 2ª L
2 x + y + 4 z = 2000
2 x + 3 y + 5 z = 2500 (2 × 1ª L − 3ª L → 3ª L
x + y + z = 1000
0 + y − 2 z = 0 (−1) × 2 ª L + 3ª L → 3ª L
0 + y + 3 z = 500
x + y + z = 1000 z = 100 = 10%
0 + y − 2 z = 0 ⇒ y = 200 = 20%
0 + 0 + 5 z = 500 x = 700 = 70%
MATRIZES
M M M M Diagonal Secundária : ai j ⇔ i + j = n + 1
an1 an 2 L ann
(4) Matriz Identidade I :
1 0 0
i = j ⇔ ai j = 1
Para n = 3 ⇒ I 3 = 0 1 0
i ≠ j ⇔ ai j = 0
0 0 1
3
(5) Matriz Transposta troca - se às linhas pelas colunas :
a a a a21
e A = 11 12 então AT = 11
a21 a22 a12 a22
x + 2 y − 3z = 4 1 2 − 3 x 4
x + 3 y + z = 11 ⇔ 1 3 1 × y = 11
2 x + 5 y − 4 z = 13 2 5 − 4 z 13
1 2 − 3 4
1 3 1 11 (−1).1ª L + 2 ª L → 2ª L ⇒
(−2).1ª L + 3ª L → 3ª L
2 5 − 4 13
1 2 − 3 4
0 1 4 7 (−2).2 ª L + 1ª L → 1ª L
(−1).2 ª L + 3ª L → 3ª L
0 1 2 5
1 0 − 11 − 10
0 1 4 7 (−1 / 2).3ª L → 3ª L ⇒
0 0 − 2 − 2
1 0 − 11 − 10
0 1 4 7 (11).3ª L + 1ª L → 1ª L
(−4).3ª L + 2 ª L → 2 ª L
0 0 1 1
1 0 0 1 x = 1
0 1 0 3 ⇒ y = 3
0 0 1 1 z = 1
x + 2 y − 3z = 4
x + 3 y + z = 11
5 x + 10 y − 15 z = 20
1 2 − 3 4
1 3 (−1) × 1ª L + 2 ª L → 2 ª L
1 11
(−5) × 1ª L + 3ª L → 3ª L
5 10 − 15 20
1 2 − 3 4
0 1 4 7 (−2).2 ª L + 1ª L → 1ª L
0 0 0 0
1 0 − 11 − 10 y = −4 z + 7
0 1 4
7 ⇒ x = 11z − 10
0 0 0 0 z = z
Infinitas soluções
5
Exemplo 1.7: Retomando o Exemplo 3
x + 2 y − 3z = 4 1 2 − 3 4
1 3 1 11 (−1) × 1ª L + 2 ª L → 2 ª L
x + 3 y + z = 11 (−5) × 1ª L + 3ª L → 3ª L
5 x + 10 y − 15 z = 15 5 10 − 15 15
1 2 − 3 4
0 1 4 7
0 0 0 − 5
Não tem solução
1 1 1 1000
0 1 − 2 0 (−1).2 ª L + 1ª L → 1ª L
(−1).2 ª L + 3ª L → 3ª L
0 1 3 500
1 0 3 1000
0 1 − 2 0 (1 / 5).3ª L → 3ª L
0 0 5 500
1 0 3 1000
0 1 − 2 (−3).3ª L + 1ª L → 1ª L
0
(2).3ª L + 2 ª L → 2 ª L
0 0 1 100
Sistemas Homogêneos
Sistemas onde os termos independentes (vetor de saída B) são iguais a zero.
3 x + 2 y + z = 2
4 x + 2 y + 2 z = 8 x + y = 5
x − y + z = 4
(1.3) (1.4) 3x + 3 y = 10
2 x + 4 y + 6 z = − 12
2 x − 3 y − 4 z = 15 x + y − 2z = 5
3 x + 4 y + 5 z = − 8
(1.5) (1.6) 2 x + 3 y + 4 z = 2
x + 4 y − z = 12 3x + 4 y − z = 8
(1.7) 3x + 8 y − 2 z = 4 (1.8) 6 x + 8 y − 2 z = 3
x + y = 1
x + y + 3z = 12 2 x − y = 5
3 x + 4 y = 2
(1.9) 2 x + 2 y + 6 z = 6 (1.10)
2 x + 3 y = 13 x − 5y = 6
x − 2y = 3 3x + 2 y = 1
3 x + 2 y = 27 5 x + 2 y = 1
(1.11) (1.12)
x + 3y = − 4 2 x + 3 y − z = 6
2 x + 5 y = − 8 2 x − y + 2 z = − 8
x + 3y = − 5 3 x − y + z = − 7
(1.13) (1.14)
(1.15) Uma refinaria de petróleo processa dois tipos de petróleo: com alto teor de enxofre. Cada
tonelada de petróleo com baixo teor exige 5 minutos na unidade de mistura e 4 minutos na
refinação; cada tonelada de alto teor exige 4 minutos de mistura e 2 minutos de refinação. Se a
unidade de mistura está disponível durante 3 horas, e a refinaria durante 2horas, quantas toneladas
de cada tipo de óleo deveriam ser processadas para que as duas unidades sejam completamente
utilizadas?
(1.16) Um fabricante de plásticos produz dois tipos de plástico: o normal e o especial. Cada
tonelada de plástico normal exige 2 horas na fábrica A e 5 horas na fábrica B; cada tonelada de
7
plástico especial exige 2 horas na fábrica A e 3 horas na fábrica B. Se a fábrica A está disponível 8
horas por dia e a fábrica B está disponível 15 horas por dia,quantas toneladas de cada tipo de
plástico deveriam ser produzidas diariamente de maneira que as duas fábricas se mantenham
totalmente ocupadas?
(1.17) Um nutricionista está preparando uma refeição que consiste nos elementos A, B e C. Cada
grama do alimento A contém 2 unidades de proteína, 3 unidades de gordura e 4 unidades de
carboidrato. Cada grama do alimento B contém 3 unidades de proteína, 2 unidades de gordura e 1
unidade de carboidrato. Cada unidade do alimento do alimento C contém 3 unidades de proteína, 3
unidades de gordura e 2 unidades de carboidratos. Se a refeição deve fornecer exatamente 25
unidades de proteína, 24 unidades de gordura e 21 unidades de carboidrato, quantos gramas de cada
tipo de alimento deveriam ser usados?
(1.18) Um fabricante produz reveladores de filmes para 2 minutos, 6 minutos e 9 minutos. Cada
tonelada de revelador de 2 minutos exige 6 minutos na máquina A e 24 minutos na máquina B. Cada
tonelada de revelador de 6 minutos exige 12 minutos na máquina A e 12 minutos na máquina B.
Cada tonelada de revelador de 9 minutos exige 12 minutos na máquina A e 12 minutos na máquina
B. Se a máquina A está disponível 10 horas por dia e a máquina B está disponível 16 horas por dia,
quantas toneladas de cada tipo de revelador podem ser produzidas de maneira que as máquinas
sejam totalmente utilizadas?
(1.22) Dada a matriz A, achar uma matriz C em forma escalonada reduzida por linhas que seja
equivalente por linhas a A.
1 3 −2 5
2 1 3 2
4 7 − 1 − 8
− 3 1 − 8 1 ,
(1.23) Achar todas as soluções dos sistemas lineares
8 Álgebra Linear
x + y - z + w =3
x + y + z =5 2x - y - z + 2w =4
(a ) 2x + y + z = 2 (b )
x + y + 2z = 3. - 3y + z =-2
- 3x + 3y + z + 3w = - 5.
(1.24) Ache todos os valores de a para os quais o sistema resultante (a) não tem solução, (b) tem
solução única e (c) tem infinitas
soluções. x + y − z = 3
x − y + 3z = 4
x + y + (a² - 10)z = a.
(1.25) Ache uma equação relacionando b1 , b2 , b3 de maneira que o sistema linear com matriz
aumentada tenha solução.
1 1 − 2 b1
2 − 1 − 1 b
2
4 1 − 5 b3
5 3 1
0 4 2
0 0 4 λ = 4
(1.26) Dada a matriz A e , ache todas as soluções do sistema homogêneo
(λI 3 − A)X = 0.
(1.27) Para que valores de a o sistema linear é consistente?
x1 + x3 = a 2
2 x1 + x 2 + 3 x3 = − 3a
3 x1 + x 2 + 4 x3 = − 2
9
02 - INVERSÃO DE MATRIZES
Caso a matriz não satisfaça a relação anterior, a matriz é singular ou não inversível.
1 2 a b 1 0 a − 2c b + 2d 1 0
AA−1 = I 2 ⇒ = ⇒ = ⇒
− 2 − 1 c d 0 1 − 2a − c − 2b − d 0 1
a − 2c = 1 b + 2d = 0 c = 2 / 3 b = −2 / 3 − 1 / 3 − 2 / 3
A−1 =
− 2a − c = 0 − 2b − d = 1 a = −1 / 3 d = 1 / 3 2/3 1 / 3
A determinação da inversa pela definição é mais complexa do que pelo método prático
ilustrado no exemplo abaixo.
Exemplo 2.2: Justapor as matrizes A e identidade. Obtendo a forma escalonada reduzida da matriz
A, a matriz resultante da identidade é a inversa de A (quando existir).
1 1 1 1 1 1 1 0 0
(2).1ª L − 2 ª L → 2ª L
A = 2 1 4 ⇔ 2 1 4 0 1 0
(−2).1ª L + 3ª L → 3ª L
2 3 5 2 3 5 0 0 1
1 1 1 1 0 0
0 1 − 2 2 − 1 0 (−1).2ª L + 1ª L → 1ª L
(−1).2ª L + 3ª L → 3ª L
0 1 3 − 2 0 1
1 0 3 − 1 1 0
0 1 − 2 2 − 1 0 (1 / 5).3ª L → 3ª L
0 0 5 − 4 1 1
1 0 3 −1 1 0
0 1 − 2 2 − 1 0 (−3).3ª L + 1ª L → 1ª L
(2).3ª L + 2 ª L → 2 ª L
0 0 1 − 4 / 5 1 / 5 1 / 5
1 0 0 7 / 5 2 / 5 − 3 / 5
0 1 0 2 / 5 − 3 / 5 2 / 5
0 0 1 − 4 / 5 1 / 5 1 / 5
7/5 2 / 5 − 3 / 5
∴ A = 2 / 5 − 3 / 5 2 / 5
−1
− 4 / 5 1 / 5 1 / 5
Exemplo 2.3: Resolvendo o Exemplo 1.8 da aula anterior com o uso da matriz inversa:
10 Álgebra Linear
Exemplo 2.4: (Cadeia de Markov) Supondo uma população dividida nas classes C1, C2 e C3. A
cada geração a probabilidade de mudança j → i entre as classes sociais é aij , dada pela matriz A de
transição e o vetor X 0 de estado inicial (1ª geração). Após k gerações; pode-se calcular a
distribuição da população, multiplicando a distribuição inicial por A K (no capitulo sobre
diagonalização a determinação da potência será feita de um modo mais simples).
C1 C2 C3
1 / 2 1 / 4 0 C1 1 / 2 C1
A = 1 / 2 1 / 2 1 / 2 C2 X 0 = 1 / 4 C2 após k gerações Ak X 0 = X k
0 1 / 4 1 / 2 C3 1 / 4 C3
1 / 2 1 / 4 0 1 / 2 5 / 16
após uma geração ⇒ AX 0 = X 1 ⇒ 1 / 2 1 / 2 1 / 2 1 / 4 = 1 / 2
0 1 / 4 1 / 2 1 / 4 3 / 16
Determinar a distribuição inicial X 0 para a qual não há mudança na distribuição ao longo do tempo
(gerações).
1 1
− 2 a + 4 b = 0 ⇒a=c
1 / 2 1 / 4 0 a a
1 1 1
AX 0 = X 0 ⇒ 1 / 2 1 / 2 1 / 2 b = b ⇒ a − b + c = 0
2 2 2
0 1 / 4 1 / 2 c c
1 1
4 b − 2 c = 0 ⇒ b = 2c
1 / 4
lembrando que a + b + c = 1
X 0 = 1 / 2
fazendo c = 1 / 4 ⇒ b = 1 / 2 e a = 1 / 4 1 / 4
1 / 2 1 / 4 0 1 / 4 1 / 4
verificação : 1 / 2 1 / 2 1 / 2 1 / 2 = 1 / 2
0 1 / 4 1 / 2 1 / 4 1 / 4
Exemplo 2.5: Cadeia de Markov, uma empresa utiliza três processos, com custos diferentes de
produção em função da demanda variável. Sendo V a matriz de transição anual e o vetor X 0 da
distribuição inicial da produção. Determinar:
(a) a distribuição após um ano.
(b) a distribuição após dois anos.
(c) a distribuição que se mantém estável (invariante) ao longo dos anos.
11
P1 P2 P3
1 / 2 1 / 3 1 / 4 P1 1 / 3
V = 1 / 2 1 / 3 1 / 4 P2 X 0 = 1 / 3
0 1 / 3 1 / 2 P3 1 / 3
1 / 2 1 / 3 1 / 4 1 / 3 13 / 36
(a )VX 0 = X 1 ⇒ 1 / 2 1 / 3 1 / 4 1 / 3 = 13 / 36
0 1 / 3 1 / 2 1 / 3 5 / 18
0 1 / 3 1 / 2 5 / 18 7 / 27
1 1 1
− a+ b+ c=0
2 3 4
a 1 / 2 1 / 3 1 / 4 a a 1 a − 2 b + 1 c = 0 ⇒ 2º
3
a= c
2 3 4 2
(c )X E = b e a + b + c = 1 ⇒ 1 / 2 1 / 3 1 / 4 b = b ⇒
1 1 1º 3
c 0 1 / 3 1 / 2 c c b − c = 0⇒b = c
3 2 2
3º
a + b + c = 1⇒ 4c = 1
c = 1/ 4 a = b = 3 / 8
1 / 2 1 / 3 1 / 4 3 / 8 3 / 8
verificação : V . X E = 1 / 2 1 / 3 1 / 4 3 / 8 = 3 / 8
0 1 / 3 1 / 2 1 / 4 1 / 4
Nos Exercícios de 2.1 a 2.4, use o método do exemplo 1 (definição de matriz inversa).
2 1
(2.1) Mostre que é não singular
2 3
(2.2) Mostre que é singular
2 1
12 Álgebra Linear
4 2
1 1
(2.3) A matriz é singular ou não singular? Se for singular ache sua inversa
1 4
Nos exercícios de 2.5 a 2.10, ache, sempre que possível, as inversas das matrizes dadas:
(2.5)
(a)
1 1 1 1
1 2 3 1 2 − 1 2
1 3
− 2 6 (b) 1 1 2 (c) 1 − 1 2 1 .
0 1 2
1 3 3 2
(2.6)
1 1 2 1
1 2 3 0 − 2 0 0
1 3
(a) (b) 0 2 3 (c) 1 2 1 − 1.
2 6 1 2 4
(2.7) 0 3 2 1
1 1 1 1
1 3 1 2 1 2 1
1 3
(a) (b) 1 2 − 1 1 (c) 1 3 2.
2 4
1 0 1
5 9 1 6
(2.8)
1 1 1 1 2 2 1 2 3
(a ) 1 2 3 (b) 1 3 1 (c) 1 1 2.
0 1 1 1 3 2 0 1 1
(2.9)
1 2 −3 1
− 1 3 1 2 1 2 3
3 − 3 − 2
(a) (b) 2 1 2 (c) 1 1 2.
2 0 1 5
1 2 2 1 1 0
3 1 −2 5
(2.10)
1 − 1 2 3
2 1 3 4 1 2 0 2 1 − 2
(a ) 0 1 2 (b) (c ) 3 4 6
2 − 1 3 1
1 0 3 7 6 2
4 2 1 − 5 .
(2.11) Para a matriz A e distribuição inicial segundo a cadeia de Markov.
a) Ache a distribuição do mercado após 1 ano.
b) Ache a distribuição estável do mercado.
1 2 2
3 5
A= X0 = 3
2 3 1
3 5 3
13
(2.12) Considerando 2 companhias de comidas prontas, M e N. Cada ano a companhia M conserva
1/3 de clientes, enquanto 2/3 se transferem para N. Cada ano, N conserva ½ de seus clientes,
enquanto ½ se transfere para M, Suponha que a distribuição inicial do mercado é dada por:
1 / 3
X0 =
2 / 3 .
(a) Achar a distribuição de mercado após 1 ano.
(b) achar a distribuição uniforme do mercado.
(2.13) Um fabricante de moveis manufatura cadeiras, mesinhas e mesas. Cada cadeira exige 10
minutos de lixa-mento, 6 minutos de pintura e 12 minutos de enverniza-mento. Cada mesinha exige
12 minutos de lixa-mento, 8 minutos de pintura e 12 minutos de enverniza-mento. Cada mesa exige
15 minutos de lixa-mento, 12 minutos de pintura e 18 minutos de enverniza-mento. A máquina de
lixa-mento está disponível 16 horas por semana, a de pintura 11 horas por semana e a de enverniza-
mento 18 horas por semana.
(a) Quantas peças (por semana) de cada tipo de mobília devem ser fabricadas de maneira que as três
máquinas sejam plenamente utilizadas?
(b) Se as disponibilidades em horas semanais das máquinas passarem a ser: lixa-mento 20h, pintura
13h e enverniza-mento 22h?
(c) Se as disponibilidades em horas semanais das máquinas passarem a ser: lixa-mento 22h, pintura
13h20min e enverniza-mento 20h?
(2.14) Um editor publica um best-seller em três encadernações diferentes: brochura, padrão e de
luxo. Cada brochura exige 1 minuto para costura e 2 minutos para colagem. Cada encadernação
padrão exige 2 minutos para costura e 4 minutos para colagem. Cada encadernação de luxo exige 3
minutos para costura e 5 minutos para colagem.
(a) Se a máquina de costura (Mc) está disponível 6 horas por dia e a maquina de colagem (Mco)
estiver disponível 11 horas por dia, quantos livros de cada tipo deveriam ser produzidos por dia para
que as máquinas sejam totalmente utilizadas?
(b) Mudando as disponibilidades é possível utilizar a matriz inversa para resolver o problema?
(2.13) Um fabricante de moveis manufatura cadeiras(C), mesinhas (Mi) e mesas (M). Cada cadeira
exige 10 minutos de lixa-mento (L), 6 minutos de pintura (P) e 12 minutos de enverniza-mento (E).
Cada mesinha exige 12 minutos de lixa-mento, 8 minutos de pintura e 12 minutos de enverniza-
mento. Cada mesa exige 15 minutos de lixa-mento, 12 minutos de pintura e 18 minutos de
enverniza-mento A máquina de lixa-mento está disponível 16 horas por semana, a de pintura 11
horas por semana e a de enverniza-mento 18 horas por semana.
(a) Quantas peças (por semana) de cada tipo de mobília devem ser fabricadas de maneira que as três
máquinas sejam plenamente utilizadas?
(b) Se as disponibilidades em horas semanais das máquinas passarem a ser: lixa-mento 18h, pintura
13h e enverniza-mento 20h?
(c) Se as disponibilidades em horas semanais das máquinas passarem a ser: lixa-mento 20h, pintura
13h20min e enverniza-mento 22h?
14 Álgebra Linear
(2.14) Um editor publica um best-seller em três encadernações diferentes: brochura (B), padrão (P)
e de luxo (L). Cada brochura exige 1 minuto para costura e 2 minutos para colagem. Cada
encadernação padrão exige 2 minutos para costura e 4 minutos para colagem. Cada encadernação de
luxo exige 3 minutos para costura e 5 minutos para colagem
(a) Se a máquina de costura (Mc) está disponível 6 horas por dia e a maquina de colagem (Mco)
está disponível 11 horas por dia, quantos livros de cada tipo deveriam ser produzidos por dia para
que as máquinas sejam totalmente utilizadas?
15
03 - DETERMINANTES
Determinante de uma matriz quadrada A de ordem 2 e de ordem 3 é um número indicado
por A ou det A e calculado como a seguir:
-
a a12
det A2 x 2 = 11 = a11 .a 22 − a 21 .a12
a 21 a 22
- - -
Determinante de ordem 3.
a11 a12 a13 a12 a12
a11a22 a33 + a12a23a31 + a13a21a32
det A3 x 3 = a21 a22 a23 a21 a22 =
− a31a22 a13 − a32 a23a12 − a33a21a12
a31 a32 a33 a31 a32
1 2 3 1 2
− 2 1 0 − 2 1 = 1.1.1 + 2.0.3 + 3.(−2).2 − 3.1.3 − 1.0.2 − 2.(−2).1
3 2 1 3 2
= 1 − 12 − 9 + 4 = −16
Menor complementar : M i j
Escolhendo um elemento da matriz. Elimina-se a linha e coluna deste elemento e a matriz resultante
é chamada menor complementar do elemento escolhido.
Exemplo 3.3: Dada a matriz A, Achar o menor complementar dos elementos (2,3) e (4,4).
1 0 0 1
1 2 − 1 1 0 1 1 0 0
2
A= M 23 = 1 − 1 1 M 44 = 1 2 − 1
1 − 1 2 1
1 3 2 1 − 1 2
1 3 3 2
1 0 1 1 0
2+3 5
A23 = (−1) . M 23 = (−1) .1 − 1 1 1 − 1 = −1(−2 + 3 + 1 − 3) = 1
1 3 2 1 3
a 22 a 23 a 24 a 21 a 23 a 24
1+1 1+ 2
a11 .(−1) . a32 a 33 a 34 + a12 .(−1) . a31 a 33 a 34 +
a 42 a 43 a 44 a 41 a 43 a 44
a 21 a 22 a 24 a 21 a 22 a 23
1+ 3 1+ 4
a13 .(−1) . a 31 a32 a 32 + a14 .(−1) . a31 a 32 a33
a 41 a 42 a 44 a 41 a 42 a 43
Exemplo 3.5: retomando a matriz do exemplo 3.3: Desenvolvendo pela 1ª linha por ter maior nº de
zeros.
1 0 0 1
2 −1 2 1 2 −1
1 2 −1 2 1+1 1+ 4
det A = ⇒ 1.(−1) . − 1 2 1 + 0 + 0 + 1.(−1) .1 − 1 2 = −21 + 15 = −6
1 −1 2 1
3 3 2 1 3 3
1 3 3 2
1 0 0
2 −1 1 −1 1 2
A = 1 2 − 1
A11 = = 3 A12 = − = −3 A13 = = −3
−1 2 1 2 1 −1
1 − 1 2
0 0 1 0 1 0
A21 = − =0 A22 = =2 A23 = − =1
−1 2 1 2 1 −1
0 0 1 0 1 0
A31 = =0 A32 = − = 1 A33 = =2
2 −1 1 −1 1 2
17
3 − 3 − 3
co A = 0 2 1
0 1 2
3 0 0
adj A = − 3 2 1
− 3 1 2
1
A−1 = .adj A
det A
1 0 0 3 0 0 1 0 0
1
det A = 1 2 − 1 = 3 A = − 3 2 1 = − 1 2 / 3 1 / 3
−1
3
1 −1 2 − 3 1 2 − 1 1 / 3 2 / 3
Regra de Cramer: Quando o sistema tem o mesmo número de equações e de incógnitas e a matriz
A dos coeficientes for não singular ( det A ≠ 0 ) o sistema tem solução única. Substituindo a j-ésima
coluna de A pela coluna dos termos independentes obtém-se o determinante Dj e a incógnita x j é
Dj
fica determinada: x j =
det A
Exemplo 3.9: Resolver o sistema linear utilizando a regra de Cramer.
2 x − 3 y + 4 z = − 12 2 − 3 4
x − 2y + z = − 5 ⇒ A = 1 − 2 1
3 x + y + 2z = 1 3 1 2
2 −3 4
det A = 1 − 2 1 = 15
3 1 2
− 12 − 3 4 2 − 12 4 2 − 3 − 12
D1 = − 5 − 2 1 = 15 D2 = 1 − 5 1 = 30 D3 = 1 − 2 − 5 = −30
1 1 2 3 1 2 3 1 1
D1 15 D2 30 D3 − 30
x= = =1 y= = =2 z= = = −2
det A 15 det A 15 det A 15
18 Álgebra Linear
1 0 3 0
2 1 4 − 1
(3.2) Seja A = .
3 2 4 0
0 3 −1 0
Calcule todos os cofatores dos elementos da segunda linha e todos os cofatores dos elementos
da terceira coluna.
4 − 4 2 1
1 2 3 1 2 4 −2 0
0 3
(3.3) (a) − 1 5 2. (b) . (c ) 0 2 4 .
2 0 3 4
3 2 0 − 1 − 1 − 3
0 − 3 2 1
2 2 − 3 1
0 1 0 1 − 2 2 1 − 3
2 − 1
(3.4) (a) . (b) − 1 3
1 . (c) 0 1 2 .
3 − 1 4 1
2 − 2 3 − 4 2 1
2 3 0 0
3 1 2 − 1
2 0 3 1 0 3 − 3 0
3 − 7
(3.5) (a)
. (b) 3 2 1 . (c) 2 0
2 .
1 3 4 − 5
0 1 − 1 2 1 − 3
0 − 1 1 − 5
0 0 − 1 3
0 1 4 2 0 − 1 2 − 1
2 1
(3.6)
. (b) 1 1 2. (c) 3 2 1 .
2 − 2 5 2
− 1 3 4 1 4 2
3 3 0 0
19
− 2 3 0
(3.7) Verifique que a11 A12 + a21 A22 + a31 A32 = 0 para a matriz A = 4 1 − 3
2 0 1
2 1 3
(3.8) Seja A = − 1 2 0. (a) Ache adj A. (b) Calcule det A .
3 − 2 1
6 2 8
(3.9) Seja A = − 3 4 1. (a) Ache adj A. (b) Calcule A .
4 − 4 5
(c) Verificar que (adjA).A = det A.I 3
Nos exercícios de 10 a 13, calcule, caso existam, as inversas das matrizes dadas, sabendo que
1
A−1 = .adj A .
det A
4 2 2 2 0 − 1
3 2
(3.10) (a) . (b) 0 1 2. (c) 3 7 2 .
− 3 4 1 0 3 1 1 0
1 2 − 3 4 0 2
2 3
(3.11) (a) − 4 − 5 2 . (b) . (c) 0 3 4 .
− 1 1 − 7 − 1 2 0 1 − 2
2 0 1 1 2 4
5 − 1
(3.12) (a) 3 2 − 1. (b) . (c) 1 − 5 6.
2 − 1
1 0 1 3 − 1 2
0 2 1 3
4 0 0
− 3 1 2 −1 3 4
(3.13) (a) . (b) 0 − 3 0. (c) .
2 0 − 2 1 5 2
0 0 2
0 1 0 2
1 3 − 1 2
4 3 − 5 2 − 6 4 1 2 2 − 4 0 1 2
(a) − 2 − 1 3 . (b) . (c) 1 5 2 . (d ) 1 2 0.
3 5 − 1 3
4 6 − 2 3 7 − 2 1 3 4
4 − 6 5 2
1 0 − 1
λ −2 2
(a ) = 0. (b) λI 3 − A = 0, onde A = 2 0 1 .
3 λ −3
0 0 − 1
Nos exercícios de (3.20) a (3.23), resolva quando possível, usando a regra de Cramer, o sistema
linear dado.
x + y + z 2w = - 4
2x + 4y + 6z = 2 2y + z + 3w = 4
(3.20) x + 2z = 0 (3.21)
2x + 3y z = - 5. 2x + y z + 2w = 5
x y + w = 4.
2x + y + z = 6 2x + 3y + 7z = 2
(3.22) 3x + 2y 2z = - 2 (3.23) - 2x 4z = 0
x + y + 2z = 4. x + 2y + 4z = 0.
a1 a2 a3
(3.24) Se b1 b2 b3 = 5, achar os determinantes das seguintes matrizes:
c1 c2 c3
2 − 1 3
(3.29) Calcular os cofatores de A= 1 4 5.
− 3 − 1 6
3 − 1 2
(3.31) Seja A = 0 4 5 (a) Achar adj A. (b) Calcular A .
1 3 2
(c) Verificar que (adjA). A = det A.I 3
2 − 1 3
(3.32) Calcular a inversa, se existir, da seguinte matriz. A= 0 1 2.
− 1 1 2
(3.33) Achar todos os valores de λ para os quais é singular.
λ − 3 0 3
0 λ+2 0
− 5 0 λ + 5
λ 0 1
(3.34) Se A = 1 λ − 1 0 .
0 0 λ + 1
Achar todos os valores de λ para os quais o sistema homogêneo AX = 0 tem somente a solução
trivial.
(3.35) Se possível, resolva o seguinte sistema linear por meio da regra de Cramer.
22 Álgebra Linear
3x + 2y – z = -1
x–y–z=0
2x + y – 2z = 3.
1 1 2 −1
0 1 0 3
(3.36) Calcular .
−1 2 −3 4
0 5 0 −2
2 1 0 0 a 1
(3.37) Para que valor de a tem-se: 0 − 1 3 + 1 3a 0 = 14 ?
0 0 a −2 a 2
(3.38) Achar todos os valores de a para os quais a matriz é singular.
a 2 0 3
5 a 2
3 0 1
04 - VETORES
2) Vetor: Existem conceitos físicos e geométricos que além da intensidade precisam da direção (Fig.
4.1), como força, velocidade, aceleração, momento, etc. Um segmento de reta orientado no espaço,
direção, sentido e comprimento definidos.
Exemplo: para assinalar o deslocamento físico entre os pontos P e Q é necessário mencionar a
distância entre os pontos P e Q, a direção e o sentido.
r Q Representações do vetor
u
r →
P U = u = P − Q = PQ
Fig. 4.1
Chamando o conjunto dos números reais R de corpo dos números reais, o conjunto de todas
as n-uplas de números reais R n chama-se n-espaço.
Vetores no R n podem ser escritos pelas ênuplas, onde cada elemento destas ênuplas é chamado
componente do vetor, para um vetor ou um ponto em particular: u = (u1 , u2 ,L, un ) .
z r
u = ( x, y, z ) = (u x , u y , u z ) = xi + y j + z k
z x
u = y ou u = [x
→
r y z]
u
z
j Norma
r
i k y r
y u = u = x2 + y 2 + z 2
r
x r u
(versor de u ) =
x Fig. 4.2 u
r r
u = u = u = u12 + u22 + L + un2
24 Álgebra Linear
r
O vetor nulo é representado por 0 = (0,0,L 0) n componentes iguais a zero . O vetor
r
unitário (norma igual a um) denomina-se versor, por exemplo: se o versor k tem a mesma direção e
r r r r
sentido do vetor u , pode-se escrever u = u.k onde u é a norma do vetor u .
Exemplo 4.1: dado o vetor achar o módulo (norma), versor e comprovar que a norma de qualquer
versor é igual a um
r
u = (−1,2,3) u = (−1) 2 + 2 2 + 32 = 14 = 3,7417
r
r u
versor de u = = (−1 / 14 , 2 / 14 , 3 / 14 );
u
r
u
norma do versor = =1
u
Adição no R n
→ →
u = (u1 , u 2 ,Lun ) ∈ R n e v = (v1 , v2 ,L, vn ) ∈ R n
→ →
u + v = (u1 + v1 , u 2 + v2 ,L, un + vn ) ∈ R n
r
u r r
u −v
r r
u +v
r
v
Fig. 4.3 (a)
z
r r r r r r r
u +v u ± v = (u x ± vx )i + (u y ± v y ) j + (u z ± vz )k
r r
u −v
r
u u x ± vx
r r r
v u ± v = u y ± v y
y u z ± vz
→ → →
Propriedades: Sendo u1 , u2 , u3 vetores quaisquer de R n e α , β quaisquer escalares de R:
→ → → →
(1)u1 + u2 = u2 + u1
(2) u1 + u2 + u3 = u1 + u2 + u3
→ → → → → →
→ → →
(3)u1 + 0 = u1
(4)u1 + − u1 = 0
→ → →
(5)α u1 + u2 = α u1 + α u2
→ → → →
→ → →
(6)(α + β )u1 = α u1 + β u1
(7 )α β u1 = αβ u1 (8)1u1 = u1
→ → → →
Conseqüências das propriedades
→ → → → → → → → →
→ →
1)α 0 = 0 2)0 u = 0 3)α u = 0 ⇔ α = 0 ou u = 0 4)(− α ) u = α − u = −α u
n
Produto Interno ou Escalar no R
r r → →
Sendo os vetores u e v ∈ R n ; u = (u1 , u2 ,Lu3 ) e v = (v1 , v2 ,L, vn ) o produto interno é:
→ →
u . v = u1v1 + u2v2 + L + un vn
→ →
Desigualdade de Cauchy-Schwartz, para quaisquer vetores u e v ∈ R n tem-se:
→ → → →
u.v ≤ u v
Co-senos diretores de um vetor diferente de zero são os co-senos dos ângulos que este vetor forma
com os vetores da base.
x
z cosα =
x2 + y2 + z2
y
cos β =
γ x + y2 + z2
2
β y z
cos γ =
α x + y2 + z2
2
x
Fig. 4.4 co-senos diretores
Como o produto interno também pode ser achado utilizando a desigualdade de Cauchy-Schwartz
26 Álgebra Linear
→ → → →
u . v = u x vx + u y v y + u z vz = u v cosθ = u.v cosθ
→ → → → → → → →
onde, u = u x i + u y j + u z k v = vx i + v y j + vz k
Exemplo 4.4: Para vetores do R 3 conforme figura 5, achar o produto interno (escalar), o ângulo
→ →
entre os vetores e os co-senos diretores dos vetores dados u e v
→ → → →
u . v = u x vx + u y v y + u z vz = u v cosθ = u.v cosθ
→ → → → → → → →
onde, u = u x i + u y j + u z k v = vx i + v y j + vz k
u
r r
u .v
θ = arccos r r
θ u .v
θ = Ângulo entre os vetores r
v
Fig. 4.5
4
r r rr
u = ( 2, 3,−1) v = ( 4, 2, 1) u .v = [2 3 − 1].2 = 13
1
2
u = 2 2 + 32 + (−1) 2 = 14 v = 4 2 + 2 2 + 1 = 21
13
arccosθ = arccos = arccos 0,7582 ⇒ θ = 40,70°
294
→ 2 3 −1
para u cos α = cos β = cos γ =
14 14 14
→ 4 2 1
para v cos α = cos β = cos γ =
21 21 21
Propriedades do produto interno
Sendo vetores quaisquer de R n e α , β quaisquer escalares de R:
→ → → →
1) u1 . u2 = u2 . u1 (comutativa )
→ → → → → →
2)a u1 . u2 = a u1 . u2 = u1 . a u2
→ →
→
→ → → →
3) u1 . u 2 + u 3 = u1 . u 2 + u1 . u 3 (distributiva )
→ 2 → → → → → →
4) u1 = u1 .u1 ≥ 0; u1 .u1 = 0 ⇔ u = 0
→ → → → → →
5) se u1 ≠ u2 u1 .u2 = 0 ⇔ u1 e u2 são ortogonais
z = a + bi ρ = a2 + b2
b b
ρ θ = arctan
a
θ
R
a Fig. 4.5 elementos de C
Operações em C n
→ →
Sejam u , v ∈ C n e z ∈ C
→ →
u = (u1 , u2 ,L, un ) e v = (v1 , v2 ,L, vn )
→ →
u + v = (u1 + v1 , u2 + v2 , L , un + vn )
→
z u = ( zu1 , zu2 ,L , zun )
→ →
_ _ _
u . v = u1 v1 + u 2 v2 + L + un vn
→ →
Projeção Ortogonal de um vetor na direção de outro vetor: Dados os vetores u e w ∈ R n , a
→ →
projeção ortogonal do vetor u na direção do vetor w consiste na determinação de um escalar r que
→
→
w →
multiplica o versor de w tal que proj→ u = r . Conforme figura 6.2.
w w
→
u → → →
→
u .w
proj→ u = → → w
→ w w. w
θ w
→
proj→ u
w
Fig. 4.6
→ →
r uw cosθ u . w
cosθ = ⇒ r = u cosθ = = ⇒
u w w
→ → → →
→ →
→
w u .w w u .w →
proj→ u = r = = → → w
w w w w w
.w
→ → →
A subtração u − proj→ u é um vetor ortogonal a w , usa-se esta propriedade para determinar
w
bases ortonormais a partir de uma base dada conforme fig. 4.7. (Ver processo de ortogonalização de
Gram-Schimdt em bases no cap. 6)
28 Álgebra Linear
→ → →
u u − proj→ u
w
→
θ w
→
proj→ u Fig. 4.7
w
Produto Externo ou Vetorial: Este produto só esta definido para o espaço R 3 . O vetor resultante é
ortogonal ao plano que contém os vetores, o sentido é dado por uma rosca de passo direito (girando
r r
de u para v resulta para cima) ou pela regra da mão direita (Fig. 4.8).
→ →
→ → u× v
u× v
→
v
→
u
→
→
v
→ →
Fig. 4.8 u
v× u
→ → →
i j k
→ → → → → →
u× v = ux uy uz u × v = u v sin θ = u.v sin θ
vx vy vz
→ Fig. 4.9
u A
29
→ → →
Exemplo 4.6: Achar o vetor w resultado do produto vetorial u × v e a área do paralelogramo
determinado pelos vetores que formam o produto.
r r r
i j k
r r r r r
u = (2,3,−1) v = (4,2,1) w = u × v = 2 3 −1 =
4 2 1
r r r
5i − 6 j − 8k = (5,−6,−8)
r r 2
u = 14 v = 21 u × v = w = 5 + (−6) 2 + (−8) 2 = 5. 5
( área do paralelogramo é igual a 5. 5 )
5 5
θ = arcsin = 40,70°
294
→ → → → → →
Produto Misto dos vetores u , v e w é um número real dado por u × v . w também indicado por
→ → →
u , v , w geometricamente o produto misto é igual, em módulo, ao volume do
→ → →
paralelepípedo de arestas determinadas pelos vetores u , v e w (Fig. 4.10).
→ → → → → → → → → → → →
u = x1 i + y1 j + z1 k v = x2 i + y2 j + z2 k w = x3 i + y3 j + z3 k
x1 y1 z1
→ → →
u , v , w = x2 y2 z2
x3 y3 z3
→ →
h = u× v
Fig. 4.10
→ → →
1) u , v , w = 0 ⇔ a matriz formada pelos vetores for singular
→ → → → → → → → →
2) u , v , w = v , w, u = w, u , v cíclica
→
u
→
w
→
v
→ → → → → → → → →
3) u , u , w = u , w, u = w, u , u = 0
→ → → → → →
4) u , v , w = − v , u , w L
→ → → → → → → → → →
5) u 1 + u 2 , v , w = u 1 , v , w + u 2 , v , w
→ → → → → → → → → → → →
6) a u , v , w = u , a v , w = u , v , a w = a u , v , w
(4.2) B
Sabendo que DC=2AD, achar BD em função de A-B e C-B
A D C
(4.3) Ao ponto G chama-se baricentro (encontro das medianas no triângulo) dos pontos A1 , A2 L, An
n
1 n
com massas m1 , m2 L mn onde m = ∑ mi ≠ 0 dado por G = O + ∑ mi ( Ai − O ) . Mostrar que o
i =1 m i =1
baricentro independe do ponto O.
(4.4) Achar os versores das bissetrizes internas e externas de um triângulo.
→ → →
(4.5) Dados os vetores u = (2,−1,3) v = (4,5,1) w = (3,−1, m )
31
→ →
(a ) Calcular u e v
→ →
(b ) Calcular u . v
→ →
(c ) Determinar m de modo que u seja ortogonal w
→ →
(d ) Calcular o co - seno do ângulo entre uev
→ →
(e ) Achar os cossenos diretores de uev
→ →
( f ) Calcular u × v
→ →
(g ) Calcularo seno do ângulo entre os u e v
→ → →
(4.6) Calcular o produto misto dos vetores u = (1,1,3) v = (2,−1,5) w = (4,−3,1)
Estes vetores são coplanares?
→ →
(4.7) Dados os vetores u = (3 − 7i,2i,−1 + i ) e v = (4 − i,11 + 2i,8 − 3i )
→ → → → → → → → →
achar : (a ) u − v (b )(3 + i ) v (c ) u . v e v . u (d ) u e v
32 Álgebra Linear
→ → → → → →
(S3 )u1 + 0 = u1 (S4 )u1 − u1 = 0
(P1 )α u1 + u2 = α u1 + α u2 (P2 )(α + β )u1 = α u1 + β u1
→ → → → → → →
(P3 )α β u1 = αβ u1
→ → → →
(P4 )1u1 = u1
a1 b1 a1 + b1
→
a2 → b2 → → → →
a + b → →
u1 = u2 = sendo u1 , u2 ∈ R (S ) u1 + u2 =
n 2 2
u1 + u2 ∈ R n
M M M
an bn an + bn
A verificação das outras propriedades da soma fica a cargo do aluno.
α .a1
→
α .a →
dado α ∈ R (P ) α u1 =
2
α u1 ∈ R n
M
α .an
A verificação das outras propriedades do produto fica a cargo do aluno.
Exemplo 5.2: O conjunto dos números complexos C n , sobre o corpo C, com as operações de soma
vetorial e produto (P) de escalar por vetor é um espaço vetorial.
→ → → → → →
Z1 , Z 2 ∈ C n ; Z 3 = Z 1 + Z 2 (S ) Z 3 ∈ Z
→
(P ) α Z 1 ∈ C n
A verificação das propriedades ficam a cargo do aluno
Exemplo 5.3: O conjunto das matrizes mxn de números reais ou complexos com as operações de
soma vetorial (S) e produto (P) de escalar por vetor é um espaço vetorial, já que estas operações são
na verdade operações matriciais.
33
Exemplo 5.4: O conjunto das funções reais f(x) é um espaço vetorial:
(S ) : f (x ) + g (x ) ∈ R (P ) : αf (x ) ∈ R
Exemplo 5.5: O conjunto dos polinômios de nºs reais é um espaço vetorial:
P( x ) = an x n + an −1 x n −1 + L + a1 x + a0
→ → → →
(Va ) 0 ∈ W (W ≠ φ ) e (Vb ) v , w ∈ W ⇒ α v + β w ∈ W
a b a b
Exemplo 5.6: Verificar se o conjunto de matrizes M 2x2 dadas por (a ) e (b ) são
c 0 c 1
subespaços do espaço vetorial das matrizes 2x2.
usando as propriedad es (S ) ( P )
a1 b1 a 2 b2 a1 + a 2 b1 + b2
(a ) + = ∈M;
c1 0 c2 0 c1 + c2 0
a b1 α a1 α b1
α 1 = ∈ M É um subespaço
c1 0 α c1 0
(b ) a1 b1 + a 2 b2 = a1 + a 2 b1 + b2 ∉ M ;
c 1 c2 1 c1 + c2 2
1
a1 b1 α a1 α b1
α = ∉ M Não é um subespaço
c1 1 α c1 α
(a )AX 1 = 0 AX 2 = 0
A( X 1 + X 2 ) = AX 1 + AX 2 = 0 + 0 = 0
A(αX ) = α ( AX ) = 0 s é um subespaço de R n
(b )AX 1 = B AX 2 = B
A( X 1 + X 2 ) = AX 1 + AX 2 = B + B = 2 B ≠ B
A(αX ) = α ( AX ) = αB ≠ B s não é um subespaço R n
Espaço e Subespaço Vetorial podem ser constituídos por elementos como matrizes e polinômios
como nos exemplos anteriores, tornando mais abrangentes as aplicações da álgebra linear.
Ou um dos vetores pode ser escrito como combinação linear dos outros.
Exemplo 5.9: Dados os vetores, verificar a dependência linear, representar um deles como
combinação linear dos outros.
→ → → →
u1 = ( 1,−2, 0, 3) u2 = ( 2, 3, 0,−1) u3 = ( 2,−1, 2, 1) u4 = ( 3, 9,−4,−2 )
da combinação linear tem - se o sistema homogêneo
→ → → →
a1 u1 + a2 u 2 + a3 u3 + a4 u 4 = 0 ⇒
1 2 2 3 0
− 2 3 − 1 9 0 2.1ª L + 2 ª L → 2 ª L
=
0 0 2 − 4 0 − 3.1ª L + 4 ª L → 4 ª L
3 − 1 1 − 2 0
escalonando a matriz dos coeficientes
1 2 2 3
0 7 3 15
2ª L + 4ª L → 4ª L ⇒
0 0 2 −4
0 − 7 − 5 − 11
1 2 2
3
0 7 3 15
3ª L + 4 ª L → 4 ª L ⇒
0 0 2 − 4
0 0 −2 4
35
1 2 2 3
0 z = 2w
3 15
→ → → →
7 − w u1 − 3w u2 + 2 w u3 + w u4 = 0
y = −3w ⇒
0 0 2 − 4 → → → →
(÷ w) ⇒ − u1 − 3 u2 + 2 u3 + u4 = 0
x = −w
0 0 0 0
Pode-se escrever qualquer um dos vetores como combinação linear dos outros, bastando isola-lo na
equação acima. Verificação:
→ → → →
u1 = −3 u2 + 2 u3 + u4 = −3( 2, 3, 0,−1) + 2( 2,−1, 2, 1) + ( 3, 9,−4,−2 ) = ( 1,−2, 0, 3)
→ → → →
u4 = u1 + 3 u2 − 2 u3 = ( 1,−2, 0, 3) + 3( 2, 3, 0,−1) − 2( 2,−1, 2, 1) = ( 3, 9,−4,−2 )
→ → →
Sendo os vetores u 1 , u 2 ,L, u n n ≥ 1 (LI) linearmente independentes, pode-se escrever qualquer
→
outro vetor u , elemento do espaço vetorial gerado por estes mesmos vetores, como combinação
linear.
→ n → → → →
u = ∑ ai u i = a1 u 1 + a2 u 2 + L + an u n .
i =1
→ 1 1 → 0 0 → 0 2
Exemplo 5.10: Verificar que vetores u1 = u2 = 1 1 u3 = 0 − 1 são linearmente
1 0
→ 3 1
independentes e escrever u4 = como combinação linear.
1 − 1
→ → → x x 0 0 0 2 z
x u1 + y u2 + z u3 = 0 ⇒ + + =
x 0 y y 0 − z
x = 0
x x + 2 z 0 0
x + y = y = 0
y − z 0 0
z = 0
Exemplo 5.11: Achar m para que os vetores sejam (LD) linearmente dependentes:
36 Álgebra Linear
( 3, 5, 1) ( 2, 0, 4) ( 1, m, 3) ⇒
3 2 1
5 0 m = 0 ⇒ −10m − 10 = 0 ⇒ m = −1
1 4 3
→ → →
Exemplo 5.12: Dados os vetores e1 e2 e3 : verificar a relação de dependência linear e se possível
→ → → → →
escrever os vetores e4 e e5 como combinações lineares de e1 e2 e3 .
→ → →
e1 = (t 2 + t + 2) e2 = 2t 2 − 3t ( ) e3 = (t + 3)
→ →
(
e4 = − 2t 2 + t + 1 ) (
e5 = at 2 + bt + c )
(a, b, c ∈ R ) vetores colunas de A
1 2 0
A = 1 − 3 1 ⇒ det A = −11 ( LI)
2 0 3
→ → → → →
Escrevendo e4 como combinação linear e4 = x e1 + y e2 + z e3 ⇒
x + 2 y = −2
2
( 2
)
x(t + t + 2) + y 2t − 3t + z (t + 3) = −2t + t + 1 ⇒ x − 3 y + z = 1
2
2 x + 3 z = 1
na forma de equação matricial
1 2 0 x − 2 1 2 0 − 2
1 − 3 1 y = 1 ⇒ 1 − 3 1 1 − 1.1ª L + 2 ª L → 2 ª L ⇒
− 2.1ª L + 3ª L → 3ª L
2 0 3 z 1 2 0 3 1
1 2 0 − 2 1 2 0 −2
0 − 5 1 3 (− 1 / 5).2 ª L → 2 ª L ⇒ 0 1 − 1 / 5 − 3 / 5 − 2.2 ª L + +1ª L → 1ª L
4.2 ª L + 3ª L → 3ª L
0 − 4 3 5 0 − 4 3 5
1 0 2 / 5 − 4 / 5 1 0 2 / 5 − 4 / 5
0 1 − 1 / 5 − 3 / 5 (5 / 11).3ª L → 3ª L ⇒ 0 1 − 1 / 5 − 3 / 5 (− 2 / 5).3ª L + 1ª L → 1ª L
(1 / 5).3ª L + 2ª L → 2ª L
0 0 11 / 5 13 / 5 0 0 1 13 / 11
1 0 0 − 14 / 11
0 1 0 − 4 / 11 ⇒ e→ = − 14 e→ − 4 e→ + 13 e→
4
11
1
11
2
11
3
0 0 1 13 / 11
→
Escrevendo e5 como combinação linear
→ → → →
e5 = x e1 + y e2 + z e3 ⇒
1 2 0 x a 1 2 0 a
1 − 3 1 y = b ⇒ 1 − 3 1 b
2 0 3 z c 2 0 3 c
37
Escalonando
9 6 2
1 0 0 11 a + 11 b − 11 c
1 3 1
0 1 0 a− b+ c ⇒
11 11 11
0 0 1 − 6 a − 4 b + 5 c
11 11 11
→
9 6 2 → 1 3 1 → 6 4 5 →
e5 = a + b − c e1 + a − b + c e2 + − a − b + c e3
11 11 11 11 11 11 11 11 11
Como a, b e c são escalares quaisquer, o espaço vetorial P 2 formado apenas por polinômios
→ → → →
como e5 é gerado pelos vetores e1 e2 e3 . O número de vetores é igual à dimensão (3) de P 2
então os vetores formam uma base para o espaço vetorial.
(5.3) Achar vetores que gerem o espaço solução dos sistemas homogêneos (AX=0).
1 0 1 0 1 1 2 − 1
(a )A = 1 2 3 1 (b )A = 2 3 6 − 2
2 1 3 1 − 2 1 2 2
(5.4) Verificar, nos itens (a), (b) e (c), a relação de dependência entre o vetor linha [ f (t ) g (t ) h(t )] e
os vetores de suas derivadas primeira e segunda conforme matriz abaixo.
f (t ) g (t ) h(t )
f ' (t ) g ' (t ) h' (t )
f ' ' (t ) g ' ' (t ) h' ' (t )
(a )t , cos t , sin t [0,2π ] (b )cos t ,1, sin 2 (t / 2) [0,2π ]
(c )1, et + e −t , et − e− t [− 1,1]
{ 2 2
}
(5.5) O conjunto de vetores t + 2 t + 2 , 2 t + 3t + 1, − t − 3 é linearmente dependente ou
independente? Se for linearmente dependente, escreva um de seus vetores como uma combinação
linear dos outros dois.
(5.6) O vetor (4, 2, 1) é uma combinação linear dos vetores (1, 2, 1), (-1, 1, 2) e (-3, -3, 0)?
(5.8) Seja
38 Álgebra Linear
λ2 0 1
A = − 1 λ − 2 Para que valor(s) de λ o sistema homogêneo AX = 0 tem somente a solução
− 1 0 − 1
trivial?
(5.9) Para que valor(s) de λ o conjunto de vetores {(λ2 − 5, 1, 1), (2, − 2, 3), (2, 3, − 3)} é linearmente
dependente?
(5.10) Quais dos subconjuntos do espaço vetorial de todas as matrizes M 2x3 são subespaços.
Justificar as respostas.
a b c
M =
d e f
a b c a b c
(a ) , onde b = a + c (b ) , onde c > 0
d 0 0 d 0 0
a b c a = −2c a b c a + c = 0
(c ) , onde (d ) , onde
d e f f = 2e + d d e f b + d + f = 0
39
06 - BASES E DIMENSÃO
→ → →
Espaço Vetorial V é de dimensão n se existem n vetores E= e 1 , e 2 ,L, e n linearmente
independentes que geram ou descrevem completamente o espaço V, ou seja, cada um dos demais
→ → →
vetores de V pode ser escrito como combinação linear de e 1 , e 2 ,L, e n .
Os vetores de E são chamados de uma base do espaço vetorial V.
→ → →
Exemplo 6.1: Bases em R 3 (dimensão 3) são formadas por uma terna e 1 , e 2 , e 3 de vetores
→
→
linearmente independentes. Neste caso qualquer outro vetor v de R 3 ∇ v ∈ R 3 pode ser escrito
como uma combinação linear dos vetores que formam a base, isto é, existe um único terno de
→ 3 →
escalares (a1 , a2 , a3 ) tais que: v = ∑ ai e i
i =1
→
Os escalares a1 , a2 , a3 chamam-se coordenadas (ou componentes) de v em relação à base
→ → →
e1, e 2 , e 3 .
→ → →
Base Natural ou Canônica de R 3 e1 = (1,0,0 ) e2 = (0,1,0 ) e3 = (0,0,1)
Exemplo 6.2: Achar a dimensão e uma base para o espaço S solução do sistema homogêneo.
x + 2 y + 2 z − w + 3r = 0 1 2 2 − 1 3 1 2 0 − 5 7
x + 2 y + 3 z + w + r = 0 ⇒ 1 2 3 1 1 ⇒ 0 0 1 2 − 2
3 x + 6 y + 8 z + w + 5r = 0 3 6 8 1 5 0 0 0 0 0
( y, w, r ) podem assumir quaisquer valores
x = −2 y + 5w − 7 r
(1,0,0) (0,1,0 ) (0,0,1)
z = −2 w + 2r dim ensão 3
→ → →
e1 = (− 2,1,0,0,0 ) e2 = (5,0,−2,1,0 ) e3 = (− 7,0,2,0,1)
→
0 0 1
j
→
i Fig. 6.1 base canônica do R
3
→ →
Para que dois vetores u e v ∈ R n sejam ortogonais é necessário e suficiente que do teorema
de Pitágoras ou pelo produto interno:
→ → 2 → 2 → 2 → →
u+ v = u + v ou u . v = 0
40 Álgebra Linear
Exemplo 6.3: Verificar que os vetores formam uma base ortonormal para o subespaço U de R 5 .
→ → →
(
e1 = − 2 / 5 ,1 / 5 , 0, 0, 0 ) e2 = ( 0, 0, 0, 1, 0 ) e3 = ( 0, 0, 0, 0, 1)
→ → →
e1 = e2 = e3 = 1 são versores
− 2 / 5 1 / 5 0 0 0
0 0 0 1 0 escalonando
0 0 0 0 1
1 − 1 / 2 0 0 0
0 0 0 1 0 são LI ∴ formam uma base
0 0 0 0 1
→ →
Projeção Ortogonal de um vetor na direção de outro vetor: Dados os vetores u e w ∈ R n , a
→ →
projeção ortogonal do vetor u na direção do vetor w consiste na determinação de um escalar r que
→
→
w →
multiplica o versor de w tal que proj→ u = r . Conforme figura 6.2.
w w
→
u → → →
→
u .w
proj → u = → → w
→ w w. w
θ w
→
proj→ u
w
Fig. 6.2
→ →
r uw cosθ u . w
cosθ = ⇒ r = u cosθ = = ⇒
u w w
→ → → →
→ →
→
w u .w w u .w →
proj→ u = r = = → → w
w w w w w
.w
→ → →
A subtração u − proj→ u é um vetor ortogonal a w , usa-se esta propriedade para determinar
w
bases ortonormais a partir de uma base dada (fig. 6.3).
→ → →
u u − proj→ u
w
→
θ w
→
proj→ u Fig. 6.3
w
→
→ fi
Normalizando a base F obtém-se a base E: ei = →
fi
→ → →
Exemplo 6.4: Verificar se os vetores g 1 = ( 1, 0, 0); g 2 = ( 1, 1, 1); g 3 = (− 1, 0,−2 ) formam uma
base (são LI). Caso afirmativo, calcular a base ortonormal e verificar a propriedade da transposta.
1 1 −1
det G = 0 1 0 = −2 são LI
0 1 −2
1 1 0
→ → → →
1
→
f 1 = g 1; f 2 = g 2 − proj→ g 2 = 1 − 0 = 1
f1 1
1 0 1
− 1 1 0 0
→ → →
−1 − 2
→
f 3 = g 3 − proj→ g 3 − proj→ g 3 = 0 − 0 − 1 = 1
f1 f2 1 2
− 2 0 1 − 1
1 0 0 1 0 0
F = 0 1 1 normalizando ⇒ E = 0 1 / 2 1 / 2
0 1 − 1 0 1 / 2 − 1 / 2
det E = −1
1 0 0 1 0 0 1 0 0
T
EE = I 3 ⇒ 0 1 / 2 1 / 2 0 1 / 2 1 / 2 = 0 1 0
0 1 / 2 − 1 / 2 0 1 / 2 − 1 / 2 0 0 1
→ → → → → →
Mudança de Base: Considerando duas bases no R 3 , E = ( e 1 , e 2 , e 3 ) e F = ( f 1 , f 2 , f 3 ), ,
escrevendo os vetores da base F como combinações lineares dos vetores na base E.
→ → → → → → → → → → → →
f 1 = a11 e 1 + a21 e 2 + a31 e 3 f 2 = a12 e 1 + a22 e 2 + a32 e 3 f 3 = a13 e 1 + a23 e 2 + a33 e 3
→ → →
Seja v nas bases E e F: v = ( x1 , x2 , x3 )E e v = y1 , y2 , y 3 ( ) F
.Ou como soma:
→ → → → → → → →
Na base E : v = x1 e1 + x2 e2 + x3 e3 Na base F : v = y 1 f 1 + y 2 f 2 + y 3 f 3 =
→
→ → →
→ → →
→ → →
E → F : v = y1 a11 e 1 + a21 e 2 + a31 e 3 + y2 a12 e 1 + a22 e 2 + a32 e 3 + y 3 a13 e 1 + a23 e 2 + a33 e 3 =
→ → → → → →
(a ) ( ) (
y + a12 y2 + a13 y 3 e 1 + a21 y1 + a22 y2 + a23 y 3 e 2 + a31 y1 + a32 y2 + a33 y 3 e 3 = x1 e1 + x2 e2 + x3 e3
11 1 )
x1 a11 a12 a13 y1
x = a a23 y2
⇔ 2 21 a22
x3 a31 a32 a33 y3
42 Álgebra Linear
Chama-se a matriz “A” de matriz de mudança de base E para F, mas na verdade a conversão
é feita da base nova F para a base antiga E.
→ → →
f1 f2 f3
a11 a12 a13
A = a21 a22 a23
a31 a32 a33 E → F
→ → → → → →
Exemplo 6.5: Sejam as bases E = ( e 1 , e 2 , e 3 ) e F = ( f 1 , f 2 , f 3 ) e os vetores
→ → → → → → → → → → → →
f 1 = e1− e 2 − e 3 f 2 = e1+ 2 e 2 + e 3 f 3 = 2 e1+ e 2 + 4 e 3
a) Escrever a matriz de mudança de base AE → F . Verificar que os vetores formam uma base
→ → → →
b) Dado o vetor u = − f 1 − 2 f 2 + f 3 na base F (Nova). Achar as coordenadas na base E (antiga).
c) Achar a matriz de mudança da base nova para a antiga B F → E = A −1E → F
→ → → →
d) Dado o vetor v = 3 e 1 − 5 e 2 + 4 e 3 na base E. Achar as coordenadas na base F (nova).
1 1 2
a ) A = − 1 2 1 det A = 12 são LI
− 1 1 4 E →F
1 1 2 − 1 − 1
b) u E = − 1 2 1 − 2 = − 2
→
− 1 1 4 1 3
7 / 12 − 1 / 6 − 1 / 4
c) BF → E = A E → F = 1 / 4 1 / 2 − 1 / 4
−1
1 / 12 − 1 / 6 1 / 4 F → E
7 / 12 − 1 / 6 − 1 / 4 3 y1 19 / 12
d ) vF = 1 / 4 1 / 2 − 1 / 4 − 5 = y2 = − 11 / 4
→
1 / 12 − 1 / 6 1 / 4 4 y3 25 / 12
Transformação
ransformação de coordenadas cartesianas
→ → → → → →
Sejam S = O, e 1 , e 2 , e 3 e S ' = O' , f 1 , f 2 , f 3
dois sistemas de coordenadas cartesianas no espaço.
Sejam P = ( x, y, z )S e P = ( x' , y ' , z ')S '
as coordenadas de um ponto P em relação a S e S’ respectivamente.
Sejam O' = (a, b, c )S e O = (a ' , b' , c')S '
as coordenadas de O’ e O em relação a S e S’ respectivamente.
O'= (a, b, c )S
→ → →
O − O ' = a e 1+ b e 2 + c e 3
3 13 e 1 + a23 e 2 + a33 e 3
→ → →
P − O = x e1+ y e 2 + z e 3
→ → →
O '−O = a e 1 + b e 2 + c e 3
→ → →
P − O' = (x − a ) e 1 + ( y − b ) e 2 + ( z − c ) e 3
→ → →
P − O' = x' f 1 + y ' f 2 + z ' f 3
x' x − a x' a x
A y ' = y − b ⇒ A y ' + b = y ou
z ' S ' z − c S z ' S ' c S z S
x a ' x'
A y + b' = y '
T ( A−1 = AT )
z S c' S ' z ' S '
44 Álgebra Linear
(6.2) Dados cinco vetores do R 4 , achar uma base para o subespaço gerado por estes vetores.
→ → → → →
u1 = (1,2,1,2); u2 = (2,1,2,1); u3 = (3,2,3,2)u4 = (3,3,3,3)u5 = (5,3,5,3)
(6.5) Ache uma base para o subespaço de R 4 que consiste em todos os vetores da forma (a + b, b +
c, a – b – 2c, b + c). Qual a dimensão deste subespaço?
x1 + 2 x2 − x3 + x4 + 2 x5 = 0
x1 + x2 + 2 x3 − 3x4 + x5 = 0
(6.7) (b) Achar um sistema homogêneo cujo conjunto das soluções seja gerado por:
{(1,-2,0,3,-1),(2,-3,2,5,-3)(1,-2,1,2,-2)}
(6.8) Seja S = {(1, 2, -1, 2), (0, -1, 3, -6), (2, 3, 1, -2), (3, 2, 1, -4), (1, -1, 0, -2)}.
Ache uma base para V = [S ].
x1 + 3x2 + 3x3 − x4 + 2 x5 = 0
x1 + 2 x2 + 2 x3 − 2 x4 + 2 x5 = 0
x1 + x2 + x3 − 3x4 + 2 x5 = 0
(6.13) O conjunto de vetores {(1, -1, 1), (1, -3, 1), (1, -2, 2)} forma uma base para o R 3 ?
(6.14) Use o processo de Gram-Schmidt para achar uma base ortonormal para o subespaço de R 4
com base
{(1, 0, − 1, 0 ), (1, − 1, 0, 0 ), (3, 1, 0, 0 )}.
(6.15) Responda certo ou errado a cada uma das perguntas
(a) Se as colunas de uma matriz n x n formarem uma base para R n , o mesmo acontece com suas
linhas.
(b) Se A é uma matriz 8 x 8 tal que o sistema homogêneo AX = 0 tem somente a solução
trivial, então posto A < 8.
(f) Todo conjunto de vetores que gera R 3 contem pelo menos três vetores.
→ → →
(6.17) Seja S (O, i , j , k ) um sistema ortogonal de coordenadas. Dados:
→ → → → → → → → → →
e1 = i + j − k e2 = 2 i + k e3 = i + 3 j
→ → → → → → → → →
f1 é ortogonal a e2 , e3 f 2 é ortogonal a e1 , e3 f3 é ortogonal a e1 , e2
(b) Achar as equações matriciais de mudança de base.
46 Álgebra Linear
07 - TRANSFORMAÇÕES LINEARES
Função é a relação entre conjuntos numéricos que seguem certas regras, na figura 7.1 estão
ilustradas não funções e funções com seus respectivos nomes.
Da teoria das funções f : A → B é a função que relaciona cada elemento do conjunto A
(domínio), um único elemento do conjunto B (contradomínio). Ao subconjunto de B formado por
b ∈ B , tal que, f (a ) = b chama-se imagem.
f Ñ é função
a1
b1
a2 a1 b1
b2
a3 a2 b2
b3
a4 a3 b3
M
a4 M
bn
bn
Ñ é função
Injetora
a1 a1
b1 b1
a2 a2
b2 b2
a3 a3
b3 b3
a4 a4
b4 b4
b5 b5
Sobrejetora
Bijetora
a1 b1 a1
b1
a2 b2 a2
b2
a3 b3 a3
b3
a4 b4 a4
b4
a5 a5
b5
→ →
(P ) : T α u1 = αT u1
→ →
onde : u1 , u2 ∈ U e α é escalar
(S ) : T u + u = T u + T u
→ → → →
1 2
1
2
47
Ou seja, a transformação é dita linear se preservar as duas operações básicas dos espaços vetoriais,
como conseqüência tem-se:
→ →
Sendo α = 0 ⇒ T 0 u1 = T (0 ) = 0T u1 = 0
(a transformação do zero sempre leva a zero)
Unindo as duas operações (S) e (P)
→ → →
→ → →
T α1 u1 + α 2 u2 + L + α n un = α1T u1 + α 2T u2 + L + α nT un
→ →
→ →
d α1 u1 (t ) + α 2 u2 (t ) d u1 (t ) d u2 (t )
=α +α
1 2
dt dt dt
β → →
β→ β→
∫α 1 1
α u (t ) + α u
2 2 (t )
dt = α 1∫ 1
α
u (t )dt + α 2 ∫ u 2 (t )dt = α 3
α
→ →
onde : α ,α1 ,α 2 ,α 3 , β ∈ R u1 , u2 ∈ U
→
u1 T : R 3 → R 2 T ( x, y , z ) = ( x, y,0 ) = ( x, y )
y
→
T u1
x Fig. 7.2. Projeção ortogonal no plano
Matriz de uma Transformação Linear é a matriz que multiplica os vetores de U obtendo como
resultado os vetores de V que são imagem da transformação.
Esta matriz depende das bases envolvidas na transformação e representa-se por [T ] ou A :
→ → →
→ → →
T :U → V T u = [T ]u = v ou T u = A. u = v
Exemplo 7.3: Achar a matriz da transformação rotação de vetor no plano, na base natural.
48 Álgebra Linear
Supondo que o vetor rotaciona no sentido anti-horário de um ângulo θ, conforme
representado na figura 7.3. As novas coordenadas x’ e y’ em função das coordenadas antigas x e y,
são dadas na dedução
y' x = u cos α
y = u sin α
y x' = u cos(α + θ ) = u cos α cosθ − u sin α sin θ
θ y ' = u sin (α + θ ) = u sin α cosθ + u sin θ cos α
x' = x cosθ − y sin θ
α y ' = y cosθ + x sin θ
x' x
Fig. 7.3
T :U → V T ( x, y ) = (x' , y ') = ( x cosθ − y sin θ , y cosθ + x sin θ )
Outro modo de determinar a matriz da transformação linear na base natural, além do método
direto, é transformar esta mesma base natural de U, colocando os vetores transformados como
colunas da matriz A.
0 1
T (x, y ) = ( x + 1, y + 1) T =
0 1
Não é transformação linear, pois a transformação do zero é diferente de zero.
Exemplo 7.5: Criptografar o texto “Vou estudar” usando a matriz A da transformação linear T,
fazendo correspondência entre as letras do alfabeto e seus ordinais.
A B C D E F G H I J K L M N O P Q R
Z S T U V W X Y
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
1 1 0
Vou estudar = [22;15;21;5;19;20;21;4;1;18] A = 2 1 1
3 2 2
separar a mensagem em vetores, completar se necessário, multiplicar pela matriz
22 37 5 24 21 25 18 42
A15 = 80 ; A19 = 49; A 4 = 47 ; A24 = 84
21 138 20 93 1 73 24 150
mensagem transmitida : (37,80,138,24,49,93,25,47,73,42,84,150)
49
Exemplo 7.6: Decodificar a mensagem do exemplo 4.
→ →
→ →
0 ∈V ker T : u ∈ U tal que T u = 0
A Imagem de T (Im T) é o conjunto imagem da transformação T como definida para as funções, ou
seja, A imagem é formada pelos elementos de V que resultam da transformação.
→
→ →
Im T : v ∈ V tal que T u = v
Exemplo 7.7: Determinar a matriz A, bases para o núcleo e imagem e as respectivas dimensões para
a transformação do exemplo 2.
T : R 3 → R 2 T ( x, y, z ) = ( x, y,0 ) = ( x, y )
x
→ x transformação
T u = A. u = T y =
→
⇒
z y da base canônica
1 0 0
1 0 0
T 0 = T 1 = T 0 =
0 0 0 1 1 0
Representação Matricial :
vetores transformados (imagem ) são colunas da matriz A
x x
1 0 0 x
T y = y =
z 0 1 0 z y
1 0
base p/ Im T = dim(Im T ) = 2
0 1
→ →
ker T é a solução de um sistema linear homogêneo A. u = 0
x x
1 0 0 0 x = 0
T y = y = ⇒
z 0 1 0 z 0 y = 0
0 0
ker T 0 base possível p/ ker T = 0 dim(ker T ) = 1
z 1
pois para qualquer z a imagem vai ser (0,0, z)
50 Álgebra Linear
A dimensão de U é igual à dimensão do núcleo de T + dimensão da imagem de T
x + 1 x x + y
x x x2 + x
(a )T = y (b )T y = y (c )T = 2
y x + y z x − z y y − y
x x + y x
x x
(d )T y = 0 (e )T = [x. y ] ( f )T y =
z 2 x − z y z 0
1 2 0 1
T = e T = .
1 − 3 1 2
3 a
(a )Achar T (b )AcharT
− 2 b
a 1 2 a1
T 1 = .
a2 2 4 a2
1
(a) O vetor pertence a ker T?
2
2
(b) O vetor pertence a ker T?
−1
3
(c) O vetor pertence a Im T?
6
2
(d) O vetor pertence a Im T?
3
(e) Ache ker T.
→ → →
→ → →
u1 , u2 ,L, un base de U ; T u1 , T u2 ,LT un base de V que gera o espaço V
A transformação linear é injetiva se o núcleo desta transformação for somente o vetor nulo, a
transformação neste caso também é chamada de não singular.
→
kerT = 0
Exemplo 8.1: Achar uma base para o núcleo e uma base para a imagem da transformação linear
T : R 4 → R 3 T ( x, y , z , t ) = ( x + y , z + t , x + z )
1 0 0 − 1
escalonando A 0 1 0 1
0 0 1 1
3 dos vetores são LI ⇒ dim(Im T ) = 3
uma base p/ imagem de T pode ser
1 1 0 1 0 0
0 0 1 como é sobrejetiva ⇒ 0 1 0
a base pode ser
1 0 1 0 0 1
x
1 0 0 − 1 x − t x = t
0 1 0 1 y = y + t = →
z 0 ⇒ y = −t
0 0 1 1 z + t z = −t
t
t 1
− t uma base possível - 1
ker T =
− t de ker T é - 1
t 1
a 1 2 a
Exemplo 8.2: Achar bases para ker T e Im T: T : R2 → R2 T =
b 2 4 b
1 2
escalonando A 0 0 os vetores são LD
1
dim(Im T ) = 1 base possível Im T
2
1 2 a 0
0 0 b = 0 ⇒ a + 2b = 0 ⇒ a = −2b ⇒
− 2b − 2
ker T = dim(ker T ) = 1 base ker T
b 1
x x
1 0 − 1 3 − 1
T : U → V y y
1 0 0 2 − 1
T : R → R T z =
5 4
z
→ 2 0 − 1 5 − 1
→ w w
T u = A u 0 0 −1 1 0
t
t
1 0 0 2 0
0 0 1 − 1 0
escalonando A
0 0 0 0 1
0 0 0 0 0
− 2 w
x + 2 w x = −2 w y
z − w → z = w
=0⇒
ker T = w
t t = 0
0
y ∀ w
0
0 − 2
1 0
base possível ker T 0 1 Ñ injetora
0 1
0 0
54 Álgebra Linear
(a ) t 2 + 2 (b ) 2t − 1 (c ) t 2 − t + 3 (d ) − t + 1
Os vetores na base natural são escritos como combinação linear dos vetores que formam a nova
base (conforme capítulo 5)
( )
(a )t 2 + 2 = x t 2 + 1 + y(t − 1) + z (t ) ⇒
(de acordo com o que foi visto em mudança de base)
1 0 0 1 0 0
onde B = 0 1 1 B = 1 0 − 1
→ → → →
−1 −1
uC = B. u B ⇒ u B = B . uC
1 − 1 0 − 1 − 1 1
1 1 0 0 x x 1 0 0 1 1
0 = 0 1 1 y ⇒ y = 1 0 − 1 0 = − 1
2 C 1 − 1 0 z B z B − 1 1 1 2 1
0 1 0 0 0 0
(b )B 2 = 1 0 − 1 2 = 1
−1
− 1 C − 1 1 1 − 1 1 B
1 1 0 0 1 1
(c )B − 1 = 1 0 − 1 − 1 = − 2
−1
3 C − 1 1 1 3 1 B
0 1 0 0 0 0
(d )B − 1 = 1 0 − 1 − 1 = − 1
−1
1 C − 1 1 1 1 0 B
1 0 L 0
0 1 L
[TC→C ] = T
M M O M
0
0 L 1
→ → → →
→ → → →
−1
v C = B v B ⇔ v B = B v C v C = [TC →C ] u C ; v B = B −1 [TC →C ] u C
→ →
v B = [TC →B ]uC
[TC→B ] = B −1T
[TC →C ] = Matriz da transformação linear que transforma o vetor na base C de U
para outro na base C de V
onde
[T ] = Matriz da transformação linear que transforma o vetor na base C de U
C→B
para outro na base B de V
(a) Achar as matrizes mudança de base M C → B = B e M B→C = B −1 . Verificar que uma matriz é a
própria base B é a outra a matriz inversa de B.
56 Álgebra Linear
b = (1,1,1) = 1 c + 1 c + 1 c
1 1 2 3
1 1 1
→
= 1 1 0
→ → →
b2 = (1,1,0 ) = 1 c1 + 1 c2 + 0 c3 M C→B =B
→ → → → 1 0 0 C →B
b3 = (1,0,0) = 1 c1 + 0 c2 + 0 c3
→ → → →
z C x − y B
0 0 1 x z
u B = B uC = 0 1 − 1 y = y − z
→ →
−1
1 − 1 0 z C x − y B
0 0 1 0 2 1 1 1 1 3 3 3
P [TC → C ]P = [TB → B ] = 0 1 − 1 1 − 4 0 1 1 0 = − 6 − 6 − 2
−1
1 − 1 0 3 0 0 1 0 0 6 5 − 1
ou transformando simultaneamente
02 1 2 6 10
[TB →C ] = T ([B]) = [TC →C ]B = =
3 − 1 3 5 0 1
→
[TB →C ] = Matriz de T que transforma o vetor u B na base B de U
→ → →
no vetor v na base C de V v = [TB →C ]u B
De acordo com o que foi visto em mudança de base, a base B é a matriz de mudança da base
natural para a própria base B, ou seja:
→ → →
−1
→
→ → →
−1
→
u C = B u B ⇔ u B = B u ou v = B2 vB ⇔ vB = B2 v
58 Álgebra Linear
− 5 2 6 10 − 30 − 48
[TB → B ] = B −1[TB →C ] = =
3 1 0 1 18 29
ou [TB → B ] = B −1[TC → C ]B
→
[TB → B ] = Matriz de T que transforma o vetor u B na base B de U
→ → →
no vetor vB na base B de V vB = [TB → B ]u B
y x + y
transformando a base canônica de U
1 − 1 1 − 1
1 0
T = 2 T = 1 ⇒ [TC →C ] = 2 1
0 1 1 1 1 1
→
[TC →C ] = Matriz de T (transformação linear ) que transforma o vetor u
→ → →
na base C de U , no vetor v na base C de V v = [TC →C ] u
59
De acordo com o que foi visto em mudança de base, a base B1 é a matriz de mudança da
base natural para a própria base B1, ou seja:
→ → →
−1
→
u = B1 u B ⇔ u B = B1 u
A base B2 é a matriz de mudança da base natural para a própria base B2, ou seja:
→ → →
−1
→
v = B2 v B ⇔ v B = B2 v
1 0 1 2 / 3 1 / 3 − 1 / 3
(c ) [TC → B 2 ] = B2 [TC →C ]; B2 = 1 1 − 1 B2 = − 1 / 3 1 / 3 2 / 3
−1 −1
0 1 1 1 / 3 − 1 / 3 1 / 3
1 − 2 / 3
[TC → B 2 ] = 1 4 / 3
0 − 1 / 3
5 / 3 − 2 / 3
(d )[TB1→ B 2 ] = B2 −1
[TB1→C ] = B2 [TC →C ]B1 = − 1/ 3 4 / 3
−1
1 / 3 − 1 / 3
→ 1 →
−1
→ 1 0 1 1
(e ) u= u B1 = B1 u = =
2 1 1 2 3
− 1 − 1
(a )[TC →C ]u = 4 (b )[TB1→C ]uB1 = 4
→ →
3 3
− 1/ 3 − 1/ 3
(c )[TC → B 2 ]u = 11 / 3 (d )[TB1→ B 2 ]uB1 = 11 / 3
→ →
x 4 2 2 x
T y = 2 3 − 1 y .
z − 1 1 − 2 z
1 2
(8.4) Seja B = , Uma base para R 2 . Achar os valores das coordenadas dos seguintes
− 1 3
vetores, relativamente a B.
− 3 3 12 2
(a ) . (b) (c) (d )
− 7 7 13 3
→ → 2 − 3 → 1 → 1
base B = u 1, u 2 é A= onde u 1 = e u 2 = ,
− 1 4 2 − 1
.
→ →
(a) Calcular T u 1 e T u 2
B B
→ →
(b) Calcular T (u 1 ) e T (u 2 ).
− 2
(c) Calcular T .
3
1 0 1
B1 = − 1, 2, 0 do R 3 . Ache as coordenadas em relação à B1 dos seguintes vetores
2 1 0
1 3 2 1
(a ) 4. (b) − 4. (c) − 5. (d ) − 2.
2 3 5 4
61
1 − 1 1
(8.7) B2 1, 0 , 1 . Ache as coordenadas em relação à B2 dos seguintes vetores
3 1 0
2 − 2 − 1 0
(a ) 2. (b) 0 . (c) 0 . (d ) 1 .
3 − 1 1 − 5
(8.8) Seja a base B1 = {t + 2, t − 1} de P1 . Ache os vetores das coordenadas dos seguintes vetores
relativamente à B1 . (a ) 3t + 3 (b ) − 2t − 1 (c ) t + 2 (d ) 2t − 5
2 2
(8.9) Seja T : R → R definida por
x x + 2 y − 1 2
T = . Seja C a base canônica de R 2 e B = , outra base para o R 2 .
y 2 x − y 2 0
Achar a matriz de T relativamente a
(a) C (b) C e B (c) B e C (d) B
1
(e) Calcular T usando a definição de T e também usando as matrizes obtidas em (a), (b),
2
(c) e (d).
x x + 2 y + z
(8.10) Seja T : R → R definida por T y = 2 x − y
3 3 Seja C a base canônica de R3 e
z 2 y + z
1 0 0
B = 0, 1, 0 outra base de R3 . Achar a matriz de T relativamente a
1 1 1
(a) C (b) C e B (c) B e C (d) B
1
(e) Calcule T 1 usando as representações obtidas em (a), (b), (c) e (d).
− 2
x
x + y
(8.11) Seja T : R → R definida por T y =
3 2
.
z y − z
Sejam C1 e C2 bases canônicas de R3 e R 2 respectivamente.
09 - DIAGONALIZAÇÃO
Aplicação:
Vários processos na engenharia são descritos por matrizes quadradas e por suas potências.
Sendo a matriz “A n x n” conhecida e necessita-se de Ak , se a matriz for diagonal a potência fica
resumida a efetuar a potência dos números sobre a diagonal.
λ1 0 L 0 λ1k 0 L 0
0 λ L 0 k
0 λ L 0
A= 2 A =
k 2
M O M M O M
0 L 0 λn 0 L 0 λkn
Se a matriz A não for diagonal, mas existe a matriz P não singular tal que:
λ1 0 L 0
0 λ L 0
A = PDP −1 sendo D = 1
⇒ Ak = PD k P −1
M M O M
0 0 L λ1
Autovalores e Autovetores
Dada a matriz A n x n. O escalar λ é um autovalor de A se existir um vetor não nulo X n ,
denominado autovetor em R n tal que:
→ →
A. u = λ . u (equação − 1)
Reescrevendo a equação acima:
→ → → → →
A. u = λ. u ⇒ λ. u − A. u ⇒ (λ.I n − A). u = 0
O termo (λ .I n − A) é um operador linear (matriz de transformação quadrada) que esta se
procurando o núcleo desta transformação linear.
1 1 →
A= ; determinando o núcleo da transformação linear (λ . I − A ). u =0⇔
4
2
− 2
1 0 1 1 x λ − 1 − 1 x
λ. − . = . =0
0
1 − 2 4 y 2 λ − 4 y
λ −1 −1
f (λ ) = = (λ − 1)(λ − 4 ) + 2 ⇔
2 λ−4
f (λ ) = λ2 − 5λ + 6
Igualando o polinômio a zero têm-se a equação característica cujas raízes são os autovalores
63
λ2 − 5λ + 6 = 0 ⇒ λ1 = 2 λ2 = 3 autovalores
Matrizes Semelhantes
A matriz M é dita semelhante à matriz A se existir a matriz P não singular tal que
M = P −1 AP ou A = PMP −1
Matriz Diagonalizável
A matriz A n x n é diagonalizável se for semelhante a uma matriz D diagonal, ou seja, se e
somente se tiver n autovetores linearmente independentes, os elementos da diagonal de D são os
autovalores de A e a matriz P tem suas colunas formadas pelos n autovetores de A, sendo
A = PDP −1 ⇔ D = P −1 AP
2 0 1 1 2 − 1
D= P= P −1 = comprovaçã o A = PDP
−1
0 3 1 2 − 1 1
1 1 2 0 2 − 1 1 1
⇒ = =A
1 2 0 3 − 1 1 − 2 4
1 1 210 0 2 − 1 210 310 2 − 1 − 57001 58025
A10 = PD10 P −1 = = =
1 2 0 310 − 1 1 210 2.310 − 1 1 − 116050 117074
64 Álgebra Linear
Exemplo 9.2: Supondo que uma população é dividida nas classes C1, C2 e C3. A cada geração a
probabilidade de mudança j → i entre as classes sociais é aij , dada pela matriz A de transição e o
vetor B de estado inicial (1ª geração). Após k gerações; pode-se calcular a distribuição da
população, multiplicando a distribuição inicial por A K . A determinação da potência fica muito
facilitada por Ak = PD k P −1 (como afirmado no começo do capítulo).
C1 C2 C3
1 / 2 1 / 4 0 C1 1 / 2 C1
A = 1 / 2 1 / 2 1 / 2 C2 ; B = 1 / 4 C2
0 1 / 4 1 / 2 C3 1 / 4 C3
λ − 1 / 2 − 1 / 4 0
− 1 / 2 λ − 1 / 2 − 1 / 2 f (λ ) = λ3 − 3 λ2 + 1 λ
2 2
0 − 1 / 4 λ − 1 / 2
1 / 2 − 1/ 4 0 x 0 1
2 x = y →
λ1 = 1 ⇒ − 1 / 2 1 / 2 − 1 / 2 y = 0 u 1 = 2
y = 2z
0 − 1 / 4 1 / 2 z 0 1
0 − 1/ 4 0 x 0 − 1
− x = z
− 1 / 2 y = 0 u 2 = 0
→
λ2 = 1 / 2 ⇒ − 1 / 2 0
0 y = 0
− 1/ 4 0 z 0 1
− 1/ 2 − 1/ 4 0 x 0 1
2 x = − y →
λ3 = 0 ⇒ − 1 / 2 − 1 / 2 − 1 / 2 y = 0 u 3 = − 2
y = −2 z
0 − 1 / 4 − 1 / 2 z 0 1
1 0 0 1 − 1 1 1/ 4 1 / 4 1 / 4
D = 0 1 / 2 0 P = 2 0 − 2 P = − 1 / 2 −1 0 1 / 2
0 0 0 1 1 1 1 / 4 − 1 / 4 1 / 4
0 0 1 λ 0 −1
A = 0 1 2; f (λ ) = 0 λ − 1 − 2 = λ (λ − 1)
2
0 0 1 0 0 λ −1
⇒ λ1 = 0; λ2 = λ3 = 1
0 0 − 1 x 0 1
− z = 0 →
λ1 = 0 0 − 1 − 2. y = 0 u 1 = 0
y = −2 z
0 0 − 1 z 0 0
1 0 − 1 x 0 0
x = z
u 2 = u 3 = α 1
→ →
λ2 = λ3 = 1 ⇒ 0 0 − 2. y = 0 ⇒
− 2z = 0
0 0 0 z 0 0
→ →
→ Como u 2 e u 3 são LD a matriz A não é diagonalizável.
0 0 0 λ 0 0
A = 0 1 0;
2
f (λ ) = 0 λ − 1 0 = λ (λ − 1) ⇒ λ1 = 0; λ2 = λ3 = 1
1 0 1 −1 0 λ −1
0 0 0 x 0 − 1
− y = 0 →
λ1 = 0 ⇒ 0
− 1 0 . y = 0 u 1 = α 0
x = − z
− 1 0 − 1 z 0 1
1 0 0 x 0 0
x = 0
λ2 = λ3 = 1; 0 u 2 = u 3 = y
→ →
0 0. y = 0 ⇒
− x = 0
− 1 0 0 z 0 z
0 0
por exemplo u 2 = 1 u 3 = 0
→ →
0 1
→ →
como u 2 e u 3 são linearmente independentes a matriz A é diagonalizável.
0 0 0 − 1 0 0
D = 0 1 0 P = 0 1 0
0 0 1 1 0 1
0 − 2 1 x 0 1 0 1 / 2 x x = − 1 z
λ1 = 1; − 1 1 − 1. y = 0 escalonando 0 1 − 1 / 2. y 2 ⇒
1
− 4 4 − 4 z 0 0 0 0 z y = z
2
− 1 / 2 z − 1 / 2 - 1
u 1 = 1 / 2 z = α . 1 / 2 p / α = 2 uma solução é u 1 = 1
→ →
z 1 2
1 − 2 1 x 0 1 0 1 / 2 x = − 1 z
λ2 = 2 ⇒ − 1 2 − 1. y = 0 escalonando 0 1 − 1 / 4 2
1
− 4 4 − 3 z 0 0 0 0 y = z
4
− 1 / 2 z − 1 / 2 - 2
⇒ u 2 = 1 / 4 z = α . 1 / 4 fazendo α = 4 uma solução é u 2 = 1
→ →
z 1 4
2 − 2 1 x 0 1 0 1 / 4 x = − 1 z
λ3 = 3 ⇒ − 1 3 − 1 . y = 0 escalonando 0 1 − 1 / 4 4
1
− 4 4 − 2 z 0 0 0 0 y = z
4
66 Álgebra Linear
− 1 / 4 z − 1 / 4 - 1
⇒ u 3 = 1 / 4 z = α . 1 / 4
fazendo α = 4 uma solução é 1
→
z 1 4
1 0 0 − 1 − 2 − 1 0 2 − 1 / 2
D = 0 2 0 P = 1
1 1 P = − 1 − 1
−1
0
0 0 3 2 4 4 1 0 1 / 2
comprovação
1 2 − 1 − 1 − 2 − 1 1 0 0 0 2 − 1 / 2
A = PDP −1 1 0 1 = 1 1 1 0 2 0 − 1 − 1 0
4 − 4 5 2 4 4 0 0 3 1 0 1 / 2
2 0 9
Exemplo 9.6: Seja D = . Calcule D .
0 − 2
29 0 512 0
D9 = 9
=
0 (− 2 ) 0 − 512
3 − 5
Exemplo 9.7: Seja A = . Calcular A9
1 − 3
Sol : A9 = PD 9 P −1
3 − 5 λ − 3 5 2 − 5 5 x → 1
.
1 − 3 − 1 λ + 3 = λ − 4 ⇒ λ1 = − 2 ⇒ − 1 1 y x = y ⇒ u1 =
1
− 1 5 x → 5
λ2 = 2 ⇒ x = 5 y ⇒ u1 =
− 1 5 y 1
− 2 0 1 5 −1
D=
0 2 P=
1 1 como D e A são semelhantes D = P AP
− 1 / 4 5 / 4 9 768 − 1280 − 512 0
P −1 = A = D9 =
1 / 4 − 1 / 4 256 − 768 0 512
1 5 − 512 0 − 1 / 4 5 / 4 768 − 1280
PD 9 P −1 = =
1 1 0 512 1 / 4 − 1 / 4 256 − 768
Exemplo 9.8: Considere um organismo vivo que pode viver no máximo dois anos e cuja matriz é
A. Ache uma distribuição estável de idades.
0 0 8
A = 1 / 4 0 0
0 1 / 2 0
Sol: Da cadeia de Markov sabe-se que a distribuição numa faixa etária é igual a matriz multiplicada
→ → → →
pela distribuição anterior u n +1 = A u n e como A un = λ un a distribuição não vai mudar se
→ →
λ = 1 ou seja un +1 = 1.un
λ 0 − 8
− 1 / 4 λ 0 ⇒ λ3 − 1 = (λ − 1) λ2 + λ + 1 = 0
( )
0 − 1 / 2 λ
67
2 − 2 3 2 2 3
1 − 1
(9.7) (9.8) 0 3 − 2 (9.9) 1 2 1
2 4 0 − 1 2 2 − 2 1
1 2 3 4
2 0 0 0 − 1 3 2
(9.10) 3 − 1 0 (9.11)
0 0 3 3
0 4 3
0 0 0 2
Nos Exercícios de (9.12) a (9.16), verifique quais das matrizes são diagonalizáveis.
1 1 − 2
1 4 1 0
(9.12) (9.13) (9.14) 4 0 4
1 − 2 − 2 1 1 − 1 4
1 2 3 3 1 0
(9.15) 0 − 1 2 (9.16)0 3 1
0 0 2 0 0 3
68 Álgebra Linear
Nos Exercícios de (9.17) a (9.21), ache, para cada matriz A, se possível, uma matriz não singular P
tal que P −1 AP seja diagonal.
4 2 3 1 1 2 1 2 3
(9.17) 2 1 2 (9.18) 0 1
0 (9.19) 0 1 0
− 1 − 2 0 0 1 3 2 1 2
3 − 2 1
0 − 1
(9.20) (9.21)0 2 0
2 3 0 0 0
Nos Exercícios (9.22) e (9.23), ache bases para os auto-espaços associados com cada autovalor.
2 2 3 4
2 3 0 0 2 3 2
(9.22) 0 1 0 (9.23)
0 0 1 1
0 0 2
0 0 0 1
(9.24) Se possível, ache uma matriz não-singular P e uma matriz diagonal D tais que A seja
semelhante a D.
1 0 0
A = 5 2 0
4 3 2
69
4 − 3 4 − 3 λ−4 3
A= ⇔ AT = ⇒ = λ2 + 3λ − 37 = 0
− 3 − 7 − 3 − 7 3 λ + 7
− 3 ± 157
∆ = 9 + 148 = 157 ⇒ λ =
2
Aplicação: O problema de identificação de uma cônica (polinômios de 2º grau onde pode aparecer
o produto x.y), com uma mudança de variáveis conveniente a curva é expressa em função apenas de
x e y facilitando a identificação desta curva.
λ − 3 − 1
− 1 λ − 3 ⇒ f (λ ) = λ − 6λ + 8 ⇒ λ1 = 2 λ2 = 4
2
− 1 − 1 x 0 → − 1
λ1 = 2 = x = − y u1 =
− 1 − 1 y 0 1
1 − 1 x 0 → 1
λ2 = 4 = x = y u 2 =
− 1 1 y 0 1
Como a matriz P é uma base ortonormal a sua inversa é igual à transposta P −1 = P T donde se
pode escrever
D = P −1 AP ⇒ D = PT AP ⇒ PD = PPT AP ⇒ PDPT = PPT APPT ⇒ A = PDP T
T T
→ → → →
Substituindo A por PDP T na (equação-2): u A u ⇒ u PDPT u
70 Álgebra Linear
T
lembrando que ( A.B ) = BT . AT
T T
T → → T
→ → → z
P u = u P fazendo a mudança de variáveis P u = v sendo : v =
w
T
→ → 2 0 z z 2 w2
v D v = 4 ⇒ [z w]. 2 2
.
= 4 ⇒ 2 z + 4 w = 4 ⇒ + =1
0 4 w 2 1
equação de uma elipse.
2 1 1 λ − 2 − 1 −1
A = 1 2 1 ;
3
− 1 λ − 2 − 1 = (λ − 2 ) − 1 − 1 − 3(λ − 2) = 0
1 1 2 −1 −1 λ − 2
λ − 6λ + 9λ − 4 = 0 por verificação λ1 = 1 dividindo por (λ - 1) ⇒
3 2
λ2 − 5λ + 4 = 0 ⇒ λ2 = 1 λ3 = 4
− 1 − 1 − 1 x
λ1 = λ2 = 1 ⇒ − 1 − 1 − 1 y = 0 ⇒ {x + y + z = 0
− 1 − 1 − 1 z
− 1 − 1
fazendo z = 0 → fazendo y = 0 →
⇒ u1 = 1 ⇒ u2 = 0
x = − y 0 x = −z
1
2
1 0 1 2
2 − 1 − 1 1 0 − 1 1
x = z →
λ3 = 4 ⇒ − 1 2 − 1 escalonando 0 1 − 1 u 3 = 1
y=z
− 1 − 1 2 0 0 0 1
1 0 0 − 1 − 1 1
D = 0 1 0 P1 = 1 − 1 1
1
− 2 1 1 x 1
→
x = ( y + z ) → 1
ker[− 2 I 3 − A] ⇒ 1 − 2 1 y = 0 2 ⇒ u 1 = 1
1 1 − 2 z y = 1 (x + z ) 1
2
1 1 1 x − 1 − 1
ker[1I 3 − A] ⇒ 1 1 1 y = 0 x = − y − z ⇒ u 2 = 0 ; u 3 = 1
→ → →
1 1 1 z 1 0
− 2 0 0 1 − 1 − 1
D = 0 1 0 P1 = 1 0 1
0 0 1 1 1 0
→ → → → → →
u1 . u 2 = 0 u1 . u 3 = 0 u 2 . u 3 ≠ 0
Como dois dos vetores não são ortogonais entre si
aplica - se o método de Gram - Schimidt
→ → → → → − 1 − 1 − 1 / 2
e1 = u1 → →
u3 e2 1
→ → ⇒ e 3 = u 3 − → → e 2 = 1 − 0 = 1
e 2 = u 2 e2 e2 2
0 1 − 1 / 2
1 / 3 − 1 / 2 − 1/ 6
P = 1 / 3 0 2/ 6 PPT = I 3 é uma base ortonormal
1 / 3 1 / 2 − 1 / 6
2 / 3 − 2 / 3 1 / 3
P = 2 / 3 1 / 3 − 2 / 3
1 / 3 2 / 3 2 / 3
→ → → → → →
(10.5) Verifique para a matriz A que A u . A v = u . v para ∀ u e v ∈ R 2 , (obs: o ponto representa
o produto escalar ou interno de vetores)
(10.6) Seja L: R 2 → R 2 a transformação linear que efetua uma rotação de 45º no sentido anti-
horário; seja A a matriz de L relativamente à base natural do R 2 . Mostre que A é ortonormal.
Nos Exercícios de (10.7) a (10.11), diagonalize cada matriz simétrica A dada e ache uma
matriz ortonormal P tal que P −1 AP seja diagonal.
0 0 1 0 0 0
2 2
(10.7) ; (10.8) 0 0 0 (10.9) 0 2 2
2 2 1 0 0 0 2 2
0 0 0 0
0 − 1 2 2
0 0 0
(10.10) (10.11) 2 − 1 2
0 0 0 1
2 2 − 1
0 0 1 0
Nos exercícios de (10.12) a (10.19), diagonalize cada matriz dada por meio de matriz
ortogonal.
2 2 0 0
2 2 0 0 1 1 0 1 0 0
2 1
(10.12)
1 2 (10.13)0 0 2 2 (10.14)1 1 0 (10.15)0 3 − 2
0 0 1 0 − 2 3
0 0 2 2
0 0 0 1
1 0 0 0 2 1 1 − 3 0 − 1
0 0 0
(10.16)0 1 1 (10.17 ) (10.18)1 2 1 (10.19) 0 − 2 0 .
0 0 0 0
0 1 1 1 1 2 − 1 0 − 3
1 0 0 0
dy
Processo : y = y (t ) onde y é uma função do tempo e (taxa de variação de y ) é conhecida
dt
dy dy t0 = 0 ⇒ y = y0
− ay = 0 {a ∈ ℜ} ⇔ = adt condições de contorno
dt y t > t0 ⇒ y > 0
y t
dy y
integrando : ∫ = ∫ adt = [ln y ]y0 = at + C ⇔ ln y − ln y0 = at + C
y0
y o
para t = t0 = 0 ⇔ ln y0 − ln y0 = a0 + C ⇔ C = 0
y
ln = at ⇔ y = y 0 e at
y0
A : x' = a1 x + a2 y x' a a2 x → →
⇒ = 1 u'= Au
B : y ' = b1 x + b2 y y ' b1 b2 y
→ x a a2
onde : u = A= 1
y b1 b2
→ →
como A = PDP −1 ⇒ u ' = PDP −1 u multiplicando por P −1
→ → → →
P −1 u ' = DP −1 u fazendo a mudança de variável v = P −1 u
→ z
onde : v =
w
→ → z ' λ 0 z z ' = λ1 z
v'= D v ⇔ = 1 ⇔
w' 0 λ2 w w' = λ2 w
as equações não mais dependem uma da outra
z = z0e λ1t → →
como : λ2t
e u = Pv
w = w0e
→ e λ1t 0 −1 →
u = P λ2t
P u0
0 e
75
Mesmo que o Operador Linear T não possa ser colocado na forma canônica diagonal é
possível escrevê-lo numa forma mais simples, como nas formas canônicas triangular e de Jordan.
Considerando o corpo complexo, sempre é possível achar as raízes do polinômio característico, já
considerando o corpo real, nem sempre é verdade.
A Forma canônica de Jordan é composta pelos autovalores na diagonal principal e nos
elementos da diagonal acima ou abaixo é composta por uns positivos ou negativos, associados aos
autovalores de ordem superior a um e que possuem autovetores linearmente dependentes, como
representado a seguir:
λ1 1 0 0
0 λ 1 0
M = 1
0 0 O 0
0 0 0 λn
3 0 0 0
3 1 0 0 2 0 0 0 0 0
0 3 1 0 1 1
0 0 2 1
0 0 3 0 1 1
0 0 0 2
Método de Jordan
Exemplo 11.1: Dada a matriz do operador Linear T. Achar uma matriz J de Jordan, semelhante à
matriz dada, escrita na forma J = P −1[T ]P
2 − 1 0 1 λ − 2 1 0 −1
0 3 − 1
0 0 λ −3 1 0
[T ] = [λI 4 − [T ]] =
0 1 1 0 0 −1 λ −1 0
0 − 1 0 3 0 1 0 λ − 3
λ −2 1 0 −1
0 λ −3 −1 0
⇒ ker[λI 4 − [T ]] ⇒ =
0 −1 λ −1 0
0 1 0 λ −3
(λ − 2)3 (λ − 3)Pol. Característico
1 1 0 − 1
0 0 − 1 0
[3I 4 − [T ]] = ker[3I 4 − [T ]]
0 − 1 2 0
0 1 0 0
1
y = 0 0
→
z = 0 ⇒ u 3 = base para [3I 4 − [T ]]
x = w 0
1
76 Álgebra Linear
2 − 1 0 2 − 1
0 1 0 0 1
0 1 − 1
0 1 − 1
[2 I 4 − [T ]]B =
0 1 − 1
0 1 − 1
− 1 0 1 1 1 0 0 − 2 1 1
− 1 0 0 0 1 0 1 1 − 1 − 1
− e ⇒P= ⇒P = −1
OU
− 1 − 1 0 0 1 − 1 0 1 0 0
− 1 1 1 0 1 1 0 1 −1 0
1 0 1 1 − 1 0 0 − 2 1 1
1 1 0 0 − 1 1 1 0 0 − 1
− e ⇒ P = ⇒ P −1 =
1 2 0 0 − 1 2 0 − 2 1 0
1 0 1 0 − 1 0 0 − 1 1 0
3 0 0 0
0 2 0 0
D = P −1TP =
0 0 2 1
0 0 0 2
77
Exemplo: 11.2 Achar uma matriz J de Jordan, semelhante à matriz dada, escrita na forma
J = P −1[T ]P
5 1 0 λ − 5 − 1 0
[T ] = − 4 1 0 ⇒ [λI 3 − [T ]] = 4 λ − 1 0 = det[λI3 − [T ]] =
− 2 − 1 3 2 1 λ − 3
λ3 − 9λ2 + 27λ − 27 = (λ − 3)3
− 2 − 1 0 y 0 1
x = − →
→
[3I 3 − [T ]] = 4 2 0 ker[3I 3 − [T ]] ⇒ 2 ⇒ u1 = 0 u2 = − 2
2 1 0 z∀ 1 0
0 0 0 x∀ 1 0 0
[3I 3 − [T ]] = 0 0 0 = ker[3I3 − [T ]] ⇒ y∀ ⇒ E = base[3I 3 − [T ]] = 0 1 0
2 2 2
0 0 3
0 0 1 λ 0 −1
A = 0 1 2; f (λ ) = 0 λ − 1 − 2 = λ (λ − 1)
2
0 0 1 0 0 λ −1
⇒ λ1 = 0; λ2 = λ3 = 1
0 0 − 1 x 0 1
− z = 0 →
λ1 = 0 0 − 1 − 2. y = 0 u 1 = 0
y = −2 z
0 0 − 1 z 0 0
1 0 − 1 x 0 0
x = z
u 2 = u 3 = α 1
→ →
λ2 = λ3 = 1 ⇒ 0 0 − 2. y = 0 ⇒
− 2z = 0
0 0 0 z 0 0
→ →
Como u 2 e u 3 são LD a matriz A não é diagonalizável.
78 Álgebra Linear
1 0 − 1 1 0 − 1 1 0 − 1
x=z
[1I 3 − A] = 0 0 − 2 0 0 − 2 = 0 0 0 ker[1I3 − A]2
2
⇒
y∀
0 0 0 0 0 0 0 0 0
0 1 0 0
2
B = base[1I 3 − A] = 1 0 [1I 3 − A]B = 0 − 2
0 1 0 0
1 0 1 1 0 − 1
P = 0 2 0 ⇒ P = 0 1 / 2 0
−1
0 0 1 0 0 1
0 0 0
D = P AP = 0 1 1
−1
0 0 1
(11.1) Achar a matriz P e a matriz J de Jordan, semelhante à matriz [T], escrita na forma
J = P −1[T ]P
2 5 0 0 0
0 2 0 0 0
[T ] = 0 0 − 1 0 − 1
0 0 0 −1 0
0 0 0 0 − 1
(11.2) Achar a matriz P e a matriz J de Jordan, semelhante à matriz [T], escrita na forma
J = P −1[T ]P
0 1 0
[T ] = 0 0 1
1 − 3 3
(11.3) Achar a matriz P e a matriz J de Jordan, semelhante à matriz [T], escrita na forma
J = P −1[T ]P
2 1 4
[T ] = 0 2 0
0 3 1
(11.4) Achar a matriz P e a matriz J de Jordan, semelhante à matriz [T], escrita na forma
J = P −1[T ]P
0 1 0
[T ] = 0 0 1
8 − 12 6
79
12 - FORMAS QUADRÁTICAS
f ( x, y, z ) = ax 2 + by 2 + cz 2 + a1 xy + b1 xz + c1 yz + a2 x + b2 y + c2 z + d
Procura-se uma representação que só tenha os termos quadráticos. Para isso é necessário
transformar a função por meio de troca de variáveis.
O primeiro passo é escrever a função na forma matricial:
a a1 / 2 b1 / 2 x x
f (x, y, z ) = [x y z ]a1 / 2 b c1 / 2 y + [a2 b2 c2 ] y + d
b1 / 2 c1 / 2 c z z
f (x, y, z ) = X t AX + BX + d
Exemplo 12.1: Considerando a forma quadrática com termos x.y dada por:
f ( x, y ) = 5 x 2 − 4 xy + 8 y 2 − 36
f ( x, y ) = X T AX + BX + d
f ( x, y ) = 5 x 2 − 2 xy − 2 xy + 8 y 2 − 36
x(5 x − 2 y ) + y (− 2 x + 8 y ) =
5 − 2 x x
[x y ] X = ⇒ X T AX
− 2 8 y y
λ −5 2
[λI 2 − A] = det[λI 2 − A] = 0 ⇒
2 λ − 8
λ2 − 13λ + 36 = 0 ⇒ λ = 4 ou λ = 9
80 Álgebra Linear
− 1 2 2
[4 I 2 − A] = ker[4 I 2 − A] ⇒ x = 2 y ⇒
2 − 4 1
4 2 − 1
[9 I 2 − A] = ker [9 I 2 − A] ⇒ x = − y / 2 ⇒ 2
2 1
4 0 2 − 1
D= P0 = normalizando
0 9 1 2
2 / 5 − 1 / 5 T
2 / 5 1/ 5
P= P =
1 / 5 2 / 5 − 1 / 5 2 / 5
X ' = PT X ⇔ X = PX '
x' 1 2x + y x 1 2 x'− y ' ⇒
X ' = y ' = X = y =
5 − x + 2 y 5 x'+2 y '
f (x' , y ') = X 'T DX '+ d ⇒
4 0 x '
f (x' , y ') = [x' y '] + 36 ⇒
0 9 y '
f (x' , y ') = 4 x'2 +9 y '2 −36
Exemplo 12.2: Considerando a forma quadrática com termos x.y representada abaixo. Achar a
forma quadrática que não envolve multiplicação das variáveis.
20 80
f ( x, y ) = 5 x 2 − 4 xy + 8 y 2 + x− y+4
5 5
5 − 2 x 20 x
f ( x, y ) = [x y ] + [1 − 4] + 4
− 2 8 y 5 y
A matriz A é a mesma do exemplo anterior. Fazendo a mudança de variáveis.
f ( x' , y ') = X 'T DX '+ BPX '+ d
4 0 x' 20 2 − 1 x'
f ( x' , y ') = [x'y '] + [1 − 4] 1
0 9 y ' 5 5 1 2 y '
f ( x' , y ') = 4 x'2 +9 y '2 −8 x'−36 y '+4
Completando os quadrados
( ) ( )
f ( x' , y ') = 4 x'2 −2 x' + 9 y '2 −4 y ' + 4
f ( x' , y ') = 4(x' −2 x'+1 − 1) + 9( y ' −4 y '+4 − 4) + 4
2 2
2 2
f ( x' , y ') = 4( x'−1) + 9( y '−2) − 36
Fazendo uma nova mudança de variáveis
f ( x' ' , y ' ') = x' ' = x'−1 y ' ' = y '−2
f ( x' ' , y ' ') = 4 x' '2 +9 y ' '2 −36
Exemplo 12.3: Achar a forma quadrática que não envolve multiplicação das variáveis. Diagonalizar
a matriz A escalonando a matriz aumentada de A.
f ( x, y , z ) = x 2 + 4 xy + 5 y 2 − 6 xz + 8 z 2 − 8 yz
1 2 − 3 x
f ( x , y , z ) = [x y
z ] 2 5 − 4 y
− 3 − 4 8 z
81
1 2 − 3 1 0 0
2 − 2.1ª L + 2 ª L → 2 ª L
5 − 4 0 1 0
3.1ª L + 3ª L → 3ª L
− 3 − 4 8 0 0 1
1 2 − 3 1 0 0
0 1 2 − 2 1 0 − 2.1ª C + 2 ª C → 2ª C
3.1ª C + 3ª C → 3ª C
0 2 − 1 3 0 1
1 0 0 1 0 0
0 1 2 − 2 1 0 − 2.2 ª L + 3ª L → 3ª L
0 2 − 1 3 0 1
1 0 0 1 0 0
0 1 2 − 2 1 0 − 2.2 ª C + 3ª C → 3ª C
0 0 − 5 7 − 2 1
1 0 0 1 0 0
0 1 0 − 2 1 0 = D P t
0 0
0 0 − 5 7 − 2 1
Quando este método é utilizado os vetores de P não são ortogonais. Para efeito de
verificação os vetores foram normalizados e o produto vetorial P t AP e P0t AP0 mostram que a
matriz D tem os elementos da diagonal que correspondem aos vetores estão divididos pelo quadrado
da norma.
1 − 2 7 1 − 2 / 5 7 / 3 6
P0 = 0 1 − 2 ⇒ P = 0 1 / 5 − 2 / 3 6
0 1 / 3 6
0 0 1 0
1 0 0
t
P = − 2 / 5 1/ 5 0
7 / 3 6 − 2 / 3 6 1 / 3 6
1 0 0
t
P AP = 0 1 / 5 0
0 0 − 5 / 54
1 0 0
0
t
P AP0 = 0 1 0
0 0 − 5
1 0 0 x'
f ( x' , y ' , z ') = [x' y ' z ']0 1 0 y '
0 0 − 5 z '
Resolvendo através dos autovalores e autovetores
82 Álgebra Linear
λ − 1 - 2 3
[λI 3 − A] = − 2 λ - 5 4
3 4 λ - 8
det[λI 3 − A] = λ3 − 14λ2 + 24λ + 5
0.9496 - 0.0236 - 0.3125
P = - 0.1569 0.8273 - 0.5394
0.2713 0.5612 0.7819
- 0.1875 0 0
D= 0 2.2295 0
0 0 11.9580
(12.1) Achar a forma quadrática que não envolve multiplicação das variáveis.
f ( x, y ) = 9 x 2 − 4 xy + 6 y 2 − 30
(12.2) Achar à forma quadrática que não envolve multiplicação das variáveis e diagonalizar a
matriz A escalonado a matriz aumentada de A.
f ( x, y ) = 5 x 2 − 4 xy + 8 y 2 + 10
(12.3) Considerando a forma quadrática com termos x.y representada abaixo. Achar a forma
quadrática que não envolve multiplicação das variáveis.
f ( x , y , z ) = 3 x 2 + 4 xy − y 2 + 8 xz − 6 yz + z 2
f ( x, y ) = 2 x 2 − 12 xy + 5 y 2
(12.5) Achar a forma quadrática que não envolve multiplicação das variáveis:
f ( x, y ) = x 2 + 10 x − 6 xy + 2 y − 7 y 2 + 9
83
13 - APLICAÇÕES
Uma das representações (existem infinitas) desta função no espaço de estados (domínio do
tempo) é feita pelo sistema:
.
x = Ax + Bu
y = Cx + Du
x = vetor de estado
.
x = derivada 1ª do vetor de estado em relação ao tempo
A = matriz de sistema
onde : B = matriz de entrada
y = vetor resposta
C = matriz de saída
D = matriz de ação avante
Exemplo 13.1: dadas as funções de transferência nos itens (a) e (b). Encontrar uma das possíveis
representações no espaço de estados.
(a ) Y (s ) = 3 24
U (s ) s + 9 s + 26 s + 24
2
.
x. 1 0 1 0 x1 0
x 2 = 0 0 1 x2 + 0 u
.
x 3 − 24 − 26 − 9 x3 24
x1
y = [1 0 0] x2
x3
9 26 24 1
1 0 0 0
0 1 0 0
0 0 24
84 Álgebra Linear
(b ) Y (s ) = 24 3 s +2 7 s + 2
2
U (s ) s + 9s + 26 s + 24
.
x. 1 0 1 0 x1 0
x 2 = 0 0 1 x2 + 0 u
.
x 3 − 24 − 26 − 9 x3 24
x1
y = [2 7 1] x2
x3
As formas canônicas dos espaços de estados facilitam destacar certas características dos mesmos.
A seguir estão ilustradas algumas destas formas, entre elas as formas canônicas (1) controlável, (2)
observável, (3) diagonal e (4) de Jordan.
. 0 1 0 L 0 x1 0
x. 1
x2 0 0 1 L 0 x2 0
= M M M O M M + 0 u
. M
x n −1 0 0 0 L 1 xn −1 0
.
− an − an −1 − an − 2 L − a1 xn 1
(1) x n
x1
x
2
y = [0 0 L 0 1] M + b0u
xn −1
xn
A forma observável é obtida pela transposição da matriz A, dos vetores e troca dos vetores B
e C a partir da forma canônica controlável.
. 0 0 L 0 − a x b − a b
x. 1 n 1 n
x b − a b
n 0
x2 1 0 L 0 − a n −1 2 n −1 n −1 0
= M M O M M M +
M u
. M
x n −1 0 0 L 0 − a2 xn −1 b2 − a2b0
.
0 0 L 1 − a1 xn b1 − a1b0
(2) x n
x1
x
2
y = [0 0 L 0 1] M + b0u
xn −1
xn
85
Colocando a função de transferência na forma de funções parciais, sendo todas as raízes do
denominador distintas:
Y (s ) b0 s n + b1s n −1 + L + bn −1s + bn
= =
U (s ) (s + λ1 )(s + λ2 )L(s + λn )
c1 c2 cn
b0 + + +L+
(s + λ1 ) (s + λ2 ) (s + λn )
A representação no espaço de estados é a forma canônica diagonal
. − λ 0 L 0 0 x1 1
x. 1 1
x 2 0 − λ2 L 0 0 x2 1
= M M O M M M + M u
. M
x n −1 0 0 L − λn −1 0 xn −1 1
.
0 0 L 0 − λn xn 1
(3) x n
x1
x
2
y = [c1 c2 L cn −1 cn ] M + b0u
xn −1
xn
Y (s ) b0 s n + b1s n −1 + L + bn −1s + bn
= =
U (s ) (s + λ1 )3 (s + λ4 )(s + λ5 )L(s + λn )
c1 c2 c3 c4 cn
b0 + 3
+ 2
+ + +L+
(s + λ1 ) (s + λ1 ) ( s + λ1 ) ( s + λ4 ) (s + λn )
. − λ 1 0 0 L 0 x1 0
x. 1 1
x 2 0 − λ1 1 0 L 0 x2 0
. 0 0 − λ 0 L 0 x 1
x3 = 1 3
+ u
.
x 0 0 0 − λ4 L 0 x4 1
4
M M M M M O M M M
0
.
0 0 0 L − λ xn 1
x5 n
x1
x
2
y = [c1 c2 L cn −1 cn ] M + b0u
xn −1
xn
Y (s ) s+3
= 2
U (s ) s + 3s + 2
3 2 1
! "
. 0 1 x1 0
x. 1 =
1 0 0
+ u
x 2 − 2 − 3 x2 1
1 3
(a) utilizando MATLAB:
x
y = [3 1] 1
x2
. 0 − 2 x1 3
x. 1 = + u
x 2 1 − 3 x2 1
(b)
x
y = [0 1] 1
x2
. − 1 0 x1 1
x. 1 = + u
x 2 0 − 2 x2 1
(c)
x
y = [2 − 1] 1
x2
Mudanças de variáveis de estado muitas vezes são necessárias para simplificar a manipulação dos
dados.
$%
Sistema na variável x, mudar para a variável z.
#
& '%
Fazendo a mudança x=Pz
0 1 0 0
. z1 = 2 x1
x = 0 0
1 x + 0u
z 2 = 3 x1 + 2 x 2
− 2 − 5 − 7 1 z = x + 4 x + 5x
y = [1 0 3 1 2 3
0]
2 0 0
z = 3 2 0 x = P −1 x
1 4 5
2 0 0 0 1 0 0,5 0 0 − 1,5 1 0
−1
P AP = 3 2 0 0 0
1 − 0,75 0,5 0 = − 1,25 0,7 0,4
1 4 5 − 2 − 5 − 7 0,5 − 0,4 0,2 − 2,5 0,4 − 6,2
2 0 0 0 0
P B = 3 2 0 0 = 0
−1
0,5 0 0
CP = [1 0 0]− 0,75 0,5 0 = [0,5 0 0]
0,5 − 0,4 0,2
− 1,5 1 0 0
.
z = − 1,25 0,7 0,4 z + 0
− 2,5 0,4 − 6,2 5
y = [0,5 0 0]z
Se a matriz A tiver a forma abaixo e os autovalores forem todos distintos, a matriz P pode
ser escrita como uma matriz de Vandermond, sendo os elementos de P os autovalores de A. A
matriz transformada fica na forma canônica diagonal
0 1 0 L 0
0 0 1 L 0
A= M M M O M
0 0 0 L 1
− an − an−1 − an−2 L − a1
1 1 1 L 1
λ λ2 λ3 L λn
1
P= M M M O M
n− 2 n −2 n −2 n −2
λ1 λ2 λ
3 L λn
λ1n−1 λn −1
2
n −1
λ
3 L λnn−1
λ1 0 L 0 0
0 λ L 0 0
2
P AP = M M
−1
O M M
0 0 L λn −1 0
0 0 L 0 λn
Havendo autovalores repetidos a matriz P assume a forma abaixo e a matriz transformada fica na
forma canônica de Jordan
1 0 0 1 L 1
λ 1 0 λ4 L λn
12
λ 2λ1 1 λ4 2 L λn 2
P = 13
λ1 3λ1 2λ1 λ43 L λn 3
M M M M O M
n−1
λ1 (n − 1)λ1 (n − 2)λ1 λ4 L λn n−1
n−1
88 Álgebra Linear
λ1 1 0 0 L 0
0 λ 1 0 L 0
1
0 0 λ1 0 L 0
P −1 AP =
0 0 0 λ4 L 0
M M M M O M
0 0 0 0 L λn
λ − 1 0
[λI 3 − A] = 0 λ − 1 det[λI 3 − A] = λ3 + 6λ + 11λ + 6
6 11 λ + 6
λ1 = −1 λ2 = −2 λ3 = −3
1 1 1 3 5 / 2 1 / 2
P = − 1 − 2 − 3
P = − 3 − 4 − 1
−1
1 4 9 1 3 / 2 1 / 2
3
P B = − 6
−1
3
CP = [1 1 1]
− 1 0 0 3
.
z = 0 − 2 0 z + − 6u
0 0 − 3 3
y = [1 1 1]z
λ −1 0
[λI 3 − A] = 0 λ − 1 det[λI 3 − A] = λ3 − 7λ2 + 16λ − 12
− 12 16 λ − 7
89
λ2 = λ1 = 2 λ3 = 3
1 0 1 − 3 4 − 1
P = 2 1 3 P = − 6 5 − 1
−1
4 4 9 4 − 4 1
− 6
P B = − 6
−1
6
CP = [1 0 1]
2 1 0 − 1
.
z = 0 2 0 z + 6− 1u
fazendo P −1 AP =
0 0 3 1
y = [1 0 1]z
A transformação inversa, do sistema espaço de estados para função de transferência, está ilustrada
no exemplo a seguir
Exemplo 13.6:
Y (s ) −1
= C (sI − A) B + D
U (s )
0 1 0 10
.
x = 0 0
1 x + 0 u
− 1 − 2 − 3 0
y = [1 0 0]x
s − 1 0
(sI − A) = 0 s − 1
1 2 s + 3
s 2 + 3s + 2 s+3 1
−1 s ( s + 3) s
adj (sI − A) −s − (2 s + 1) s 2
(sI − A)−1 = =
det (sI − A) s 3 3s 2 + 2 s + 1
Y (s ) s 2 + 3s + 2
= 10 3
U (s ) s + 3s 2 + 2 s + 1
Steibruch, Alfredo ; Winterle, Paulo. – Álgebra Linear, Pearson Makron Books, 1987 2ª Ed.
Nise, Normam S. – Engenharia de Sistemas de Controle, Livros Técnicos e Científicos Editora S.A.
LTC 3ª Edição 2002
1 0 11 / 5 0
0 1 − 7 / 5 0
(1.22)
0 0 0 1
0 0 0 0
7 2 2 1
(1.23) (a )x = −3; y = 10; z = −2 (b )x = + z; y = + z; z∀; w = 0
3 3 3 3
(1.24) (a )a = −3; (b )a ≠ ±3; (c )a = 3 (1.25) b3 − 2b1 − b2 = 0
(1.26) z = 0; x = −3 y (1.27) a = 1 ou a = 2
02 - Inversão de Matrizes
4 − 1
(2.3) (2.4)sin gular
− 3 1
1 −1 0 −1
1 −1 0 0
1 / 2 − 1 / 4 − 1/ 2 0 0
(2.5)(a ) (b )3 / 2 1 / 2 − 3 / 2
(c )
1 / 6 1 / 12 − 1 / 3 7 / 6 1/ 3 2/3
− 1 0 1
2 / 3 − 5 / 6 − 2 / 3 − 1 / 3
1 0 − 1 3 / 2 − 1 1/ 2
(2.7 )(a ) 1 − 1 2 (b )sin gular (c ) 1 / 2 0 − 1 / 2
− 1 1 − 1 − 3 / 2 1 1 / 2
1 0 − 1 3 2 − 4
(2.8)(a ) 1 − 1 2 (b)− 1 0 1 (c )sin gular
− 1 1 − 1 0 − 1 1
93
1 −1 0 − 1 3 / 2 1/ 2
(2.9)(a )sin gular (b) 1 − 2 1
(c ) 1 − 3 / 2 1 / 2
− 3 / 2 5 / 2 − 1 / 2 0 1 / 2 − 1 / 2
3 / 5 − 3 / 5 − 1/ 5
(2.10)(a ) 2 / 5 3 / 5 − 4 / 5 (b )sin gular (c )sin gular
− 1 / 5 1 / 5 2 / 5
16 / 45 a = 3/8 4 / 9 a = 3 / 7
(2.11)(a) (b ) 2.12(a) (b)
29 / 45 b = 5 / 8 5 / 9 b = 4 / 7
− 1 0 2 / 3 − 5 / 3
2 1 / 6 1 / 12 − 1 / 12
15 / 14 5 / 28 − 9 / 28 − 23 / 14
1 / 4 0 0 8 / 7 − 1/ 7 − 1/ 7
0 1 / 2 0 −1/ 3 0 − 9 / 7
(3.13)(a ) (c )
1 3 / 2 3 / 7 1 / 14 1 / 14 −6/7
0 0 1 / 2
− 4 / 7 1 / 14 1 / 14 8/7
(3.14)(d )det D = 13 (3.15)(d ) det D = −2 (3.17)(a )1; 4 (b )0 ;−5; 3
94 Álgebra Linear
06 – Bases
6.1
1 0 0 1 0 0 2 1 0 0 2
A = − 3 1 0 det A = 1 − 3 1 0 − 5 ⇒ 0 1 0 1 ⇒
1 − 1 1 1 − 1 1 6 0 0 1 5
( )
2t 2 − 5t + 6 = 2 t 2 − 3t + 1 + 1(t − 1) + 5.1
− 1 0
→
0 → − 1
(6.2)base possível : v1 = v2 =
1 0
0 1
07 – Transformações Lineares
1 a+b
(7.1) b e d; (7.2) Re sp : (a ) (b ) ;
− 19 − 5a + 2b
(7.5) Re sp : (a )V (b )F (c )V (d )F (e )(0,α ) ( f )(α ,0 )α∀R
1 2 1 1 0 0
(8.10)Sol : (a )[TC →C ] = 2 − 1 0 (b )vC = B vB ⇒ vB = B vC B = 0 1 0
→ → → →
−1 −1
1 6 0 0
(9.4) f (λ ) = λ 3
λ = 0 0 (9.5) f (λ ) = (λ − 1)(λ − 3)(λ + 2) 3 5 0
0 8 2 1
− 1 1 − 1 − 1 / 2
(9.6) f (λ ) = λ (λ − 2) (9.7) f (λ ) = λ2 − 5λ + 6 = (λ − 2)(λ − 3)
1 1 1 1
1 − 1 − 7 / 2
(9.8) f (λ ) = (λ − 2)(λ2 − 5λ + 4) = (λ − 2)(λ − 1)(λ − 4) 0 1 − 2
0 0 1
4 − 1 − 1
(9.9) λ − 5λ + 2λ + 8 = (λ − 4)(λ − 2)(λ + 1) 5 / 2 − 3 / 2 0
3 2
1 1 1
1 0 0
(9.10) f (λ ) = (λ − 2)(λ + 1)(λ − 3) 1 − 1 0
− 4 1 1
0 − 1 3 − 29 / 3
0 1 1 − 7 / 3
(9.11) f (λ ) = (λ − 1)(λ + 1)(λ − 3)(λ − 2)
0 0 4 / 3 −3
1 0 0 1
− 1 0 − 1 0 0 0
− 1 4 − 3 0
(9.12) P = D = 0 2 (9.13)Não (9.14) P = 3 2 0 D = 0 2 0
1 1 1 1 1 0 0 3
13 / 2 1 1 2 0 0
(9.15) P = 1 − 1 0 D = 0 − 1 0
(9.16)Não (9.17)Não
3 / 2 0 0 0 0 1
0 1 1 1 0 0 1 − 3 / 2 1 4 0 0
(9.18) P = − 2 0 0 D = 0 1 0
(9.19) P = 0 0 − 6 D = 0 − 1 0
1 0 1 0 0 3 1 1 4 0 0 1
97
1 2 1 0 0 0
1 − 1 2 0
(9.20) P = D= (9.21) P = 0 1 0 D = 0 2 0
− 2 1 0 1 − 3 0 0 0 0 3
3 1
− 3 0 1 − 3 0
(9.22) λ = 1 1 λ = 2 0 0
(9.23) λ = 1 λ = 2 (9.24)Não
1 0
0 1 0
0 0
1 0 0 1 0 0
(10.1) Sim
−1
(10.2.a )A = A = 0 cosθ
T
− sin θ T
(b) B = 0 1 / 2 − 1 / 2
0 sin θ cos θ 0 − 1 / 2 − 1 / 2
(10.3) (a ) A = ±1 ⇔ cos 2 θ + sin 2 θ = 1 (b ) B = −1
− 2 0 0 0 2 / 5 1 / 5
(10.4) D = 0
− 1 0 P = 1 0 0
0 0 4 0 1 / 5 − 2 / 5
4 0 1 / 2 − 1 / 2
(10.7) D = P=
0 0 1 / 2 1 / 2
− 1 0 0 − 1 / 2 1 / 2 0
(10.8) D = 0 1 0 P = 0 0 1
0 0 0 1 / 2 1 / 2 0
4 0 0 0 1 0
(10.9) D = 0 0 0
P = 1/ 2 0 − 1 / 2
0 0 0 1/ 2 0 1 / 2
0 0 0 0 1 0 0 0
0 0 0 0 0 1 0 0
(10.10) D = P=
0 0 1 0 0 0 1 / 2 − 1 / 2
0 0 0 − 1 0 0 1 / 2 1 / 2
− 3 0 0 − 1 / 2 − 1 / 6 1 / 3
1 0 − 1 1
(10.11) D = 0 − 3 0 P = 0 2 / 6 1 / 3 (10.12) D = P=
0 3 1 1
0 0 3
1/ 2 − 1/ 6 1/ 3
0 0 0 0 1 0 0 1
0 0 0 0
1 − 1 0 0 1
(10.13) D = P=
0 0 4 0 2 0 − 1 1 0
0 0 0 4 0 1 1 0
1 0 0 0 1 / 2 − 1 / 2
(10.14) D = 0 2 0 P = 0 1 / 2 1 / 2
0 0 0 1 0 0
98 Álgebra Linear
5 0 0 0 1 0
(10.15) D = 0
1 0 P = − 1 / 2 0 1 / 2
0 0 1 1 / 2 0 1 / 2
1 0 0 1 0 0
(10.16) D = 0
0 0 P = 0 − 1 / 2 1 / 2
0 0 2 0 1 / 2 1 / 2
0 0 0 0 0 0 1/ 2 −1/ 2
0
0 0 0 0 1 0 0
(10.17) D = P=
0 0 1 0 1 0 0 0
0 0 0 − 1 0 0 1 / 2 1 / 2
4 0 0 1 / 3 − 1 / 2 − 6 / 6
(10.18) D = 0 1 0 P = 1 / 3 0 6 /3
1 / 3 1 / 2 − 6 / 6
0 0 1
− 4 0 0 1 / 2 0 1/ 2
(10.19) D = 0 −2 0 P = 0 1 0
0 0 − 2 1 / 2 0 − 1 / 2
(10.20) Sim det A = −1
− 9 0 0 1 / 5 0 − 2 / 3
(10.21) D = 0
− 9 0 P = 2 / 5 − 2/ 5 1/ 3
0 0 9 0 1/ 5 2 / 3
11 - Formas Canônicas
5 0 0 0 0 1/5 0 0 0 0 2 1 0 0 0
0 1 0 0 0 0 1 0 0 0 0 2 0 0 0
(11.1) P = 0 0 0 - 1 0 P −1 = 0 0 0 - 1 0 J = 0 0 - 1 0 0
0 0 - 1 0 0 0 0 -1 0 0 0 0 0 -1 1
0 0 0 0 1 0 0 0 0 1 0 0 0 0 - 1
1 0 0 1 0 0 1 1 0
(11.2) P = 1 1 0
−1 0
J = 0 1 1
P = - 1 1
1 2 1 1 - 2 1 0 0 1
- 4 13 0 0 −3 1 1 0 0
(11.3) P = 0 0 1
−1 − 12 / 13 4 / 13 J = 0 2 1
P = 1 / 13
1 0 3 0 1 0 0 0 2
1 0 0 1 0 0 2 1 0
(11.4) P = 2 1 0
P = − 2 1 0 J = 0 2 1
−1
4 4 1 4 − 4 1 0 0 2
99
12 - Formas Quadráticas
2 2
(12.1) f ( x' , y ' ) = 5 x ' +10 y ' −30
1 2 5 0
f ( x' , y ') = 5 x' +180 y ' +10
2 2
(12.2) P = D=
0 5 0 180
0.4551 - 0.4400 0.7742 - 5.2033 0 0
P = - 0.6505 - 0.7579 - 0.0484 D = 0 2.0671 0
(12.3)
- 0.6080 0.4816 0.6312 0 0 6.1362
f ( x' , y ' , z ') = -5.2033x'2 +2.0671y '2 +6.1362 z '2
- 0.7882 - 0.6154 - 2.6847 0
P= D=
(12.4) - 0.6154 0.7882 0 9.6847
f ( x' , y ') = -2.6847 x'2 +9.6847 y '2
13 - Aplicações
2 1 0 0
. − 3 0 − 12 .
z = z + u z = 0 2 1 z + 0 u
(13.1) 0 − 2 − 13 (13.2)
0 0 2 2
y = [− 13 / 3 3]z
y = [1 0 0]z
1 0 0 0 1 1 1 1 1 1 1 1
0 − 1 0 0 1 − 1 i − i
1 1 − 1 1 − 1
(13.3) D = P= −1
P =
0 0 i 0 1 1 − 1 − 1 4 1 − i − 1 i
0 0 0 − i 1 −1 − i i 1 i − 1 − i
s+3 1
(13.4) 3 =
s + 6s 2 + 11s + 6 (s + 3)(s + 2)
−3
(13.5) 2
s + 2s + 3