CENTRO FEDERAL DE EDUCAC

AO
TECNOL

OGICA DE MINAS GERAIS

Departamento de Ensino Superior
Departamento Academico de Engenharia Civil
Pesquisa Operacional I
Revisao de

Algebra Linear
Sumario
1 Conjuntos 2
2 Vetores 5
3 Espaco Vetorial Linear 6
4 Combinacao Linear 9
5 Dependencia Linear 10
6 Base 12
7 Matrizes 15
8 Conjuntos Convexos 57
9 Propriedades 58
10 Cone Convexo 61
11 Hiperplano 62
12 Funcao Convexa 65
Professor: Sergio Ricardo de Souza
Belo Horizonte, marco de 2011
2
1 Conjuntos
Denicao 1 Um conjunto e denido como uma agregac ao
de objetos.
Pode ser especicado listando-se seus elementos entre cha-
ves:
C = {0, 1, 2, 3, 4}
ou evidenciando-se propriedades comuns entre eles:
C = {x : P(x) seja verdadeira}
C = {x : 1 x 4}
O estado logico ou associacao de um elemento x a um
conjunto qualquer C e representado por:
x C x pertence a C
x / C x nao pertence a C
3
1.1 Operacoes entre conjuntos
Uniao:
C
1
_
C
2
= {x : x C
1
ou x C
2
}
Interseccao:
C
1

C
2
= {x : x C
1
e x C
2
}
Complemento:
C = {x : x / C}
S e um subconjunto de C se:
x S x C
S C ou C S
Exemplo 1 Conjunto de n umeros reais
Sejam a e b n umeros reais. Entao:
[a, b] = {x : a x b}
(a, b) = {x : a < x < b}
4
Denicao 2 Supremo de um conjunto.
Se C e um conjunto de n umeros reais e x < + tal
que:
x x , x C
Entao o conjunto C e limitado superiormente e x e o
menor limitante superior de C ou o supremo de C.
x = sup
x C
x (sup : supremo)
= sup { x : x C}
= + , se C nao e limitado superiormente
Denicao 3

Inmo de um conjunto
Se C e um conjunto de n umeros reais e x > tal
que:
x x , x C
Entao o conjunto C e limitado inferiormente e x e o
maior limitante inferior de C ou o nmo de C.
x = inf
x C
x (inf : nmo)
= inf { x : x C}
= , se C nao e limitado inferiormente
5
2 Vetores
Denicao 4 Arranjo ordenado de n elementos em forma
de linha ou coluna.
Exemplo 2
a) x =
_
1 2 1 3

vetor linha (n = 4)
b) x =
_
_
1
5
7
_
_
vetor coluna (n = 3)
c)
n
: conjunto de todos os vetores reais de tamanho
(ordem) n com elementos reais.
2.1 Vetores Especiais
Vetor zero ou nulo: todos os componentes sao iguais a
zero.
i-esimo vetor unitario: vetor com elementos iguais a zero,
exceto na i-esima posicao.
x =
_
0 0 1 0 0

= e
3
vetor de coordenadas.
Vetor soma: todos os elementos sao iguais a 1.
6
3 Espaco Vetorial Linear
Denicao 5 Um espaco vetorial linear (X, F) consiste de
um conjunto X de elementos (vetores) e de um campo F,
sobre os quais estao denidas as opera coes:
i) Adicao vetorial:
x, y X , (x + y) X
x = [x
1
x
2
. . . x
n
]
y = [y
1
y
2
. . . y
n
]
(x + y) = [(x
1
+ y
1
) (x
2
+ y
2
) . . . (x
n
+ y
n
)]
y
x
(x + y)
7
ii) Multiplicacao por escalar:
x X
F
_
_
_
(, x) X
x = [x
1
x
2
. . . x
n
]
= [x
1
x
2
. . . x
n
]
x
x
> 0
Exemplo 3 Espacos vetoriais lineares.
a) (, ): espaco vetorial linear real.
b) (C, )
c) (
n
, ), onde cada vetor de
n
e representado como:
x = [
1

2
. . .
n
]
para

1
,
2
, . . . ,
n

8
3.1 Subespaco Linear
Seja (X, F) um espaco vetorial linear e S um subconjunto de
X. Entao (S, F) e um subespaco linear de (X, F) se S forma
um espaco linear sobre F atraves das mesmas operac oes de-
nidas sobre (X, F).
Exemplo 4 Subespacos lineares
a) ({0}, ) subespaco de (
n
, )
b) (
n
, ) subespaco de (C
n
, C)
Propriedades
a) (Y, F) e um subespaco linear de (X, F) se
x, y Y (x + y) Y, , F
b) Se (S, F) e (T, F) sao subespacos de (X, F) entao:
b1) (S, F) (T, F) e um subespaco de (X, F).
b2) (S, F) + (T, F) e um subespaco de (X, F).
9
4 Combinacao Linear
Seja S = { x
1
, x
2
, . . . , x
n
} um subconjunto de um espaco
linear (X, F). Um vetor y e dito ser uma combinacao linear
de elementos de S se
y =
n

j=1

j
x
i
=
1
x
1
+
2
x
2
+ . . . +
n
x
n
onde

j
F , j = 1, . . . , n
Denicao 6 Subespaco Gerado
[S]: conjunto de todas as combinacoes lineares de ele-
mentos de S, denominado subespa co gerado.
Propriedade 1 [S] e um subespa co linear de (X, F).
10
5 Dependencia Linear
Um vetor x e linearmente dependente em relacao a um con-
junto de vetores S se puder ser expresso como uma com-
binacao linear de elementos de S, ou seja, se x [S].
Teorema 1 Independencia Linear
Um conjunto de vetores x
1
, x
2
, . . . , x
n
e linearmente in-
dependente se e somente se a expresao

1
x
1
+
2
x
2
+ . . . +
n
x
n
= 0
for verdadeira unicamente para

1
=
2
= . . . =
n
= 0
Propriedade 2
Uma colecao de vetores e linearmente dependente se exis-
tirem escalares
1
,
2
,
n
, nem todos nulos, tais que

1
x
1
+
2
x
2
+ . . . +
n
x
n
= 0
11
Exemplo 5 Independencia Linear
x
1
=
_
1
2
_
x
2
=
_
1
1
_
x
3
=
_
1
1
_
Portanto:

1
x
1
+
2
x
2
= 0
1
=
2
= 0
De outro modo:

1
x
1
+
2
x
2
+
3
x
3
= 0
_
_
_

1
= 2

2
= 1

3
= 3
12
6 Base
Um conjunto nito S de vetores linearmente independentes
forma uma base para (X, F) se S gera (X, F) e, se qualquer e-
lemento de S for retirado, entao a colecao de vetores restantes
nao gera (X, F).
Exemplo 6 Os vetores
x
1
=
_
_
1
1
0
_
_
x
2
=
_
_
0
1
0
_
_
x
3
=
_
_
0
1
1
_
_
formam uma base para
3
, pois x
3
pode ser escrito
na forma
x =
1
x
1
+
2
x
2
+
3
x
3
e

1
x
1
+
2
x
2
+
3
x
3
= 0
_
_
_

1
= 0

2
= 0

3
= 0
Propriedade 3 A representa cao de um vetor numa de-
terminada base e unica.
Propriedade 4 Quaisquer bases de um espa co vetorial
de dimensao nita tem o mesmo n umero de elementos.
13
6.1 Alteracao de base
Considere que o conjunto de vetores
{x
1
, x
2
, . . . , x
j
, . . . , x
n
}
seja uma base para o espaco vetorial (X, F).
Deseja-se substituir x
j
por y.
Primeiramente, observe que, se y X, entao:
y =
1
x
1
+
2
x
2
+ . . . +
j
x
j
+ . . . +
n
x
n
=
n

i=1

i
x
i
Considere, agora, que
j
= 0.
Logo, para que ocorra a substituicao desejada, devem existir
escalares e
i
(i = j) tais que:

1
x
1
+
2
x
2
+ . . . + y + . . . +
n
x
n
= 0
ou seja
n

i=j

i
x
i
+ y = 0
pois o conjunto de vetores
{x
1
, x
2
, . . . , x
ji
, y, x
j+1
, . . . , x
n
}
deve formar uma nova base para o espaco (X, F).
14
Substituindo o valor de y:
n

i=j

i
x
i
+
n

i=1

i
x
i
= 0
ou seja:
n

i=1
i=j
(
i
+
i
) x
i
+
j
x
j
= 0
Mas, como x
1
, x
2
, . . . , x
j
, . . . , , x
n
sao LI, entao:

j
= 0

i
+
i
= 0 , i = j
Alem disso, por hipotese,
j
= 0 = 0.
Conseq uentemente:

i
= 0 para i = j
Portanto:

i=j

i
x
i
+ y = 0
_
_
_
= 0

i
= 0 , i = j
= x
1
, x
2
, . . . , x
ji
, y, x
j+1
, . . . , x
n
sao LI
= uma nova base foi determinada
15
7 Matrizes
Denicao 7 Arranjo ordenado de m n elementos a
ij
(i = 1, 2, . . . , m; j = 1, 2, . . . , n) escrito na forma:
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_

_
O conjunto de todas as matrizes reais mn com elementos
reais e representado por
mn
.
Propriedades
a) (
mn
, ) e um espaco vetorial linear.
b) Uma matriz pode ser interpretada como um operador li-
near A que mapeia elementos x
n
no espaco y
m
:
y = Ax
sendo
x
n
, y
m
A
mn
16
7.1 Matrizes especiais
Matriz retangular deitada (m < n)
n
A =
_
. . . . . . . . .

m
Matriz retangular de pe (m > n)
n
A =
_

_
. . .
. . .
. . .
. . .
_

_
m
Matriz quadrada (m = n)
n
A =
_
. . . . . .
. . . . . .
_
m
17
Matriz triangular
A e uma matriz triangular inferior se e quadrada e
a
ij
= 0, i > j.
_

_
a
11
0 0 . . . 0
a
12
a
22
0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
a
1n
a
2n
a
3n
. . . a
nn
_

_
A e uma matriz triangular superior se e quadrara e
a
ij
= 0, i < j.
_

_
a
11
a
12
. . . a
1n
0 a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
0 0 . . . a
nn
_

_
Matriz diagonal
A e diagonal se e quadrada e a
ij
= 0, i = j.
Matriz simetrica
A e uma matriz simetrica se a
ij
= a
ji
, i, j.
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
1n
a
2n
. . . a
nn
_

_
18
Matriz identidade: matriz diagonal, tendo a
ij
= 1, i
Matriz nula: a
ij
= 0, i, j
Matriz coluna
A =
_
_
a
1
.
.
.
a
n
_
_

n1
Matriz linha
A =
_
a
1
. . . a
n

1n
19
7.2 Operacoes com matrizes
Adicao:
A+ B = {a
ij
+ b
ij
} , i, j
A
mn
, B
mn
Multiplicacao por escalar:
A = {a
ij
} , i, j
A
mn
,
Multiplicacao de matrizes:
C = AB = {c
ij
} =
_
n

k=1
a
ik
b
kj
_
A
mn
, B
np
, C
mp
20
Propriedades:
a) AB = BA, em geral;
b) IA = A;
c) A(B + C) = AB + AC;
d) (B + C)A = BA+ CA;
Transposta:
A

= {a
ij
}

= {a
ji
} , A
mn
Propriedades:
a) (AB)

= B

;
b) Se A = A

A e simetrica;
c) A = A

A e anti-simetrica;
d) (A+ B)

= A

+ B

Potencia:
A
k
= AA A. . . A
. .
k vezes
A
mn
21
Determinante:
Seja A
nn
. Entao:
| A | = det(A)
=
n

i=1
a
ij
C
ij
, para qualquer j
=
n

j=1
a
ij
C
ij
, para qualquer i
C
ij
= (1)
i+j
M
ij
cofator do elemento a
ij
M
ij
= determinante da matriz formada
retirando-se a i-esima linha e a j-
esima coluna.
Exemplo 7
A =
_
_
1 0 1
2 1 3
3 2 1
_
_
det(A) = a
31
C
31
+ a
32
C
32
+ a
33
C
33
= 3 det
_
0 1
1 3
_
2 det
_
1 1
2 3
_
+ 1 det
_
1 0
2 1
_
= 14
22
Adjunta:
A
mn
Adjunta de A = Adj(A) =
_
c

ij
_
c
ij
: cofator do elemento a
ij
, i, j
Propriedades:
a) A Adj(A) = det(A) I
b) Adj(A) A = det(A) I
Submatriz:
Matriz resultante da remocao de linhas e/ou colunas com-
pletas de uma dada matriz A
mn
.
Particao de uma matriz:
Divisao de uma matriz em submatrizes.
Exemplo 8
A =
_
_
2 3 2 4
0 1 1 0
2 1 0 0
_
_
=
_
A
11
A
12
A
21
A
22
_
23
Exemplo 9 Casos Especiais:
A =
_
A
4
A
12
0 A
22
_
Bloco Triangular
A =
_
A
11
0
0 A
22
_
Bloco Diagonal
Exemplo 10 Sejam A e B matrizes de mesma di-
mensoes:
A =
_
A
11
A
12
A
21
A
22
_
, B =
_
B
11
B
12
B
21
B
22
_
Adicao de submatrizes:
Se cada par (A
ij
, B
ij
) tem a mesma dimens ao;
A B =
_
_
A
11
B
11
A
12
B
12
A
21
B
21
A
22
B
22
_
_
24
Multiplicacao de submatrizes:
Se
A =
_
A
11
A
12

e
B =
_
B
11
B
21
_
e os produtos A
11
B
12
e A
12
B
21
sao possveis, ent ao:
AB =
_
A
11
A
12

_
B
11
B
21
_
= A
11
B
11
+ A
12
B
21
25
Espaco Imagem de uma matriz
Seja uma matriz A
mn
. Entao, o conjunto
(A) = {y
m
: y = Ax, x
n
}
e o espaco imagem da matriz A.
Propriedades:
a) (A) e um subespaco do
m
b) y = Ax = x
1
a
1
+ x
2
a
2
+ . . . + x
n
a
n
c) (A): conjunto de todas as possveis combinac oes li-
neares das colunas de A.
Posto de uma matriz A:
O posto de uma matriz A
mn
, representado por
(A), e o n umero maximo de colunas LI de A, ou ainda,
a dimensao do espaco imagem de A.
Propriedades:
a) (A) = (A

)
b) (A) min(n, m)
c) (A) = dim{((A))}
26
Espaco Nulo de uma matriz A
O espaco nulo de uma matriz A
mn
e o conjunto
denido como:
N(A) = {x
n
: Ax = 0}
N(A) e um subespaco do
n
Nulidade de uma matriz A:
Dimensao do espaco nulo de uma matriz A, representada
por (A).
Propriedades:
a) (A) = 0 =N(A) = {0};
b) (A) = =Ax = 0 possui solucoes LI;
c) (A) + (A) = n.
27
Exemplo 11
Ax = x
1
_
_
0
1
2
_
_
a
1
+ x
2
_
_
1
1
0
_
_
a
2
+ x
3
_
_
1
2
2
_
_
a
3
+
+ x
4
_
_
0
2
4
_
_
a
4
+ x
5
_
_
1
0
2
_
_
a
5
Note que:
a
3
= a
1
+ a
2
; a
4
= 2a
1
; a
5
= a
4
a
3
= a
1
a
2
.
Portanto:
Ax = x
1
a
1
+ x
2
a
2
+ x
3
(a
1
+ a
2
) + x
4
(2a
1
) + x
5
(a
1
a
2
)
= (x
1
+ x
3
+ 2x
4
+ x
5
)a
1
+ (x
2
+ x
3
x
5
)a
2
Como a
1
e a
2
sao LI:
Ax = 0
_
_
_
x
1
+ x
3
+ 2x
4
+ x
5
= 0
x
2
+ x
3
x
5
= 0
28
- N umero de incognitas: 5
- N umero de equacoes: 2 = (A)
- N umero de graus de liberdade: 3 = (A)
(x
3
, x
4
, x
5
)

= (1 0 0)

_
1
0
1
0
0
_

_
(x
3
, x
4
, x
5
)

= (0 1 0)

_
2
0
0
1
0
_

_
(x
3
, x
4
, x
5
)

= (0 0 1)

_
1
1
0
0
1
_

_
29
7.3 Operacoes elementares sobre matrizes
a) Troca de 2 linhas (ou colunas) de A:
Duas linhas i
1
e i
2
(i
1
< i
2
) podem ser trocadas pre-
multiplicando-se A pela matriz:
E
1
=
_

_
1
.
.
.
1
0 . . . . . . . . . . . . 1
.
.
. 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 1
.
.
.
.
.
.
.
.
.
.
.
.
1 . . . . . . . . . . . . 0
1
.
.
.
1
_

_
(i
1
)
(i
2
)
b) Multiplicar uma linha (ou coluna) de A por uma cons-
tante k:
E
2
=
_

_
1
.
.
.
1
k
1
.
.
.
1
_

_
(i)
30
c) Soma de uma linha (ou coluna) i
2
multiplicada por uma
constante k com outra linha (ou coluna) i
1
:
E
3
=
_

_
1
.
.
.
1 . . . . . . . . . k
.
.
.
.
.
.
1
.
.
.
.
.
.
.
.
.
1
.
.
.
1
_

_
(i
1
)
(i
2
)
ou
E
3
=
_

_
1
.
.
.
1
.
.
.
.
.
.
.
.
. 1
.
.
.
.
.
.
k . . . . . . . . . 1
.
.
.
1
_

_
(i
2
)
(i
1
)
31
Processo de Eliminacao de Gauss Aplicacao suces-
siva de operacoes elementares para reduzir uma matriz A

mn
a uma matriz mais simples contendo, em particular,
mais zeros que a matriz original.
Exemplo 12
A =
_
_
0 1 2 1
2 0 0 6
4 2 4 10
_
_
- Multiplicacao da segunda linha por
1
2
:
A
1
= E
2
1
A =
_
_
0 1 2 1
1 0 0 3
4 2 4 10
_
_
- Multiplicacao da segunda linha por 4 e adicionar o
resultado `a terceira linha:
A
2
= E
3
2
A
1
=
_
_
0 1 2 1
1 0 0 3
0 2 4 2
_
_
32
- Troca das duas primeiras linhas:
A
3
= E
1
3
A
2
=
_
_
1 0 0 3
0 1 2 1
0 2 4 2
_
_
- Multiplicacao da segunda linha por 2 e adicionar o
resultado `a terceira linha:
A
4
= E
3
4
A
3
=
_
_
1 0 0 3
0 1 2 1
0 0 0 0
_
_
- Multiplicar a primeira coluna por 3 e adicionar o re-
sultado `a quarta coluna:
A
5
= A
4
E
3
5
=
_
_
1 0 0 0
0 1 2 1
0 0 0 0
_
_
33
- Multiplicar a segunda coluna por 2 e adicionar o
resultado `a terceira coluna:
A
6
= A
5
E
3
6
=
_
_
1 0 0 0
0 1 0 1
0 0 0 0
_
_
- Somar as colunas 2 e 4 e manter o resultado na ultima:
A
7
= A
6
E
3
7
=
_
_
1 0 0 0
0 1 0 0
0 0 0 0
_
_
34
Propriedades:
a) Seja A
mn
uma matriz nao-nula. Entao, existe uma
seq uencia nita de matrizes elementares E
1
, E
2
, . . . , E
l+n
tal que:
E
l
E
l1
. . . E, A E
l+1
E
l+2
. . . E
l+n
esta reduzida a uma das formas:
_
I
m
0

,
_
I
n
0
_
,
_
I
3
0
0 0
_
, I
n
b) Para qualquer matriz A
mn
, existe uma matriz n ao-
singular P
mn
e uma matriz nao-singular Q
mn
tal que a matriz PAQ esta em uma das formas acima.
c) O rank de uma matriz A e k se e somente se esta matriz
puder ser reduzida a:
_
I
k
Q
0 0
_
atraves de uma seq uencia nita de operacoes elementares.
35
7.4 Inversa de uma matriz
Denicao
Seja A
nn
. Se existe B
nn
tal que AB = BA = I,
entao B e denominada matriz inversa de A.
A A
1
= A
1
A = I
Se A possui inversa, e denominada matriz nao-singular; caso
contrario, matriz singular.
Propriedades
a) (A
1
)
1
= A
b) (AB)
1
= B
1
A
1
c) (A
1
)

= (A

)
1
d) Condicao de existencia: A
nn
possui inversa se e
somente se as linhas (ou colunas) sao LI.
Calculo da inversa:
a) Eliminacao de Gauss-Jordan;
b) Decomposicao LU;
c) Cofator, adjunta, determinante.
36
a) Eliminacao de Gauss-Jordan
Seq uencia de operac oes elementares sobre as linhas da
matriz aumentada [A I], de modo a reduzi-la `a matriz
[I A
1
].
Exemplo 13
A =
_
_
1 2 6
1 3 8
2 4 16
_
_
a1) Montando a matriz aumentada [ A
.
.
. I ]:
_
_
1 2 6
.
.
. 1 0 0
1 3 8
.
.
. 0 1 0
2 4 16
.
.
. 0 0 1
_
_
a2) Pivoteando sobre o elemento indicado:
_
_
1 2 6
.
.
. 1 0 0
0 1 2
.
.
. 1 1 0
0 0 4
.
.
. 2 0 1
_
_
Equivale `a pre-multiplicar a matriz aumen-
tada por:
P(1, 1) =
_
_
1 0 0
1 1 0
2 0 1
_
_
37
a3) Pivoteando novamente:
_
_
1 0 2
.
.
. 3 2 0
0 1 2
.
.
. 1 1 0
0 0 4
.
.
. 2 0 1
_
_
Equivale `a pre-mulitiplicar a matriz aumen-
tada por:
P(2, 2) =
_
_
1 2 0
0 1 0
0 0 1
_
_
a4) Finalmente:
_
_
1 0 0
.
.
. 4 2 1/2
0 1 0
.
.
. 0 1 1/2
0 0 1
.
.
. 1/2 0 1/4
_
_
Equivale `a pre-multiplicar a matriz aumen-
tada por:
P(3, 3) =
_
_
1 0 1/2
0 1 1/2
0 0 1/4
_
_
Portanto:
P(3, 3)P(2, 2)P(1, 1) [ A
.
.
. I ] =
_
I
.
.
. A
1

38
b) Decomposicao LU
A = LU
L = matriz triangular inferior;
U = matriz triangular superior.
Solucao de sistemas lineares.
c) Cofator, adjunta, determinante
A
1
=
1
det A
Adj(A)
39
Signicado Geometrico da Inversa
A partir do exemplo apresentado:
_
_
4 2 1/2
0 1 1/2
1/2 0 1/4
_
_
. .
A
1
_
_
1 2 6
1 3 8
2 4 16
_
_
. .
A
=
_
_
1 0 0
0 1 0
0 0 1
_
_
. .
I
_
_
v
1
v
2
v
3
_
_
_
a
1
a
2
a
3

=
_
e
1
e
2
e
3

_
_
_
v
i
a
j
= 1, para i = j normais
v
i
a
j
= 0, para i = j ortogonais
= Os vetores sao ortonormais e ordenados.
40
7.5 Sistemas de Equacoes Lineares
Considere o sistema de equacoes lineares:
Ax = b
onde
A
mn
x
n
variavel
b
m
O problema central em PL e soluciona-lo

_
Sistema de mequacoes lineares a n variaveis (ou inc ognitas)
41
Determinar a solucao deste sistema corresponde a:
a) Determinar se ha inconsistencia entre suas equac oes:
Um sistema e dito inconsistente se existir um
vetor y
m
tal que:
yA = 0 , yb = 0 , y = 0
Exemplo 14 Seja o sistema:
_
_
1 2 1
2 3 1
1 3 2
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
5
7
7
_
_
Para
y =
_
3 1 1

= 0
tem-se que:
yA = 0
yb = 0
_
= Inconsistencia
42
Teorema 2 Seja A
mn
e a equa cao Ax = b.
i) Dados A e b, existe x tal que Ax = b se e
somente se b (A), ou seja, se:
(A) = ([A
.
.
. b])
ii) Dado A, para cada b
m
existe x
n
tal
que Ax = b se e somente se (A) =
m
, isto
e, se:
(A) = m
43
b) Determinar se ha equacoes redundantes e elimin a-las.
Uma equacao e dita redundante em um sistema li-
near se e uma combinacao linear de outras equac oes
do sistema.
Se existir y
m
, y = 0, tal que:
yA = 0 , yb = 0
entao, para y
i
= 0, a i-esima equacao e redundante;
Equacao redundante nao inclui nova informac ao;
portanto, pode ser eliminada;
Dois sistemas:
Ax = b e Ax = b
sao equivalentes se e somente se possuem a mesma
solucao;
Ao se retirar uma linha redundante em um sistema
de equacoes, esta-se obtendo um sistema equiva-
lente ao original.
44
Exemplo 15 Seja o sistema E
1
:
E
1
:
_
_
1 2 1
2 3 1
1 3 2
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
5
7
8
_
_
Para
y =
_
3 1 1

tem-se que
yA = 0
yb = 0
_
Redundancia
Eliminando a primeira equa cao, encontra-se:
E
2
:
_
2 3 1
1 3 2
_
_
_
x
1
x
2
x
3
_
_
=
_
7
8
_
45
Considere, porem, os sistemas:
E
3
:
_
1 0 1
0 1 1
_
_
_
x
1
x
2
x
3
_
_
=
_
1
3
_
E
4
:
_
1 1 0
0 1 1
_
_
_
x
1
x
2
x
3
_
_
=
_
2
3
_
E
5
:
_
0 1 1
1 1 0
_
_
_
x
1
x
2
x
3
_
_
=
_
3
2
_
Ha alguma relacao entre eles e E
2
?
46
Observe que:
i) Realize as opera coes:
l
1
l
1
l
2
l
2
l
2
l
1
+ l
2
produzindo:
E
2.1
:
_
1 0 1
0 3 3
_
_
_
x
1
x
2
x
3
_
_
=
_
1
9
_
ii) Em seguida, pivotear sobre o elemento a
22
:
E
2.2
:
_
1 0 1
0 1 1
_
_
_
x
1
x
2
x
3
_
_
=
_
1
3
_
iii) Equivale a pre-multiplicar o sistema E
2
pela
matriz:
P =
_
1 1
1/2 2/3
_
Por m, note que:
Em E
3
x
3
variavel livre;
Em E
4
x
2
variavel livre;
Em E
5
x
2
variavel livre.
47
Resolver Ax = b equivale, portanto, a:
a) Determinar inconsistencia;
b) Detectar redundancia e elimina-la;
c) Determinar solucoes para o sistema.
48
Tres casos sao, entao, possveis:
a) Ax = b , A
mn
, b
m
, m > n
=
_

_
Ou contem redundancia;
Ou e inconsistente;
Ou as duas coisas.
b) Ax = b, A
mn
, b
m
, m < n
= Na ausencia de inconsistencias e elimina-
das as redundancias, existe uma inni-
dade de solucoes.
c) Ax = b, A
mn
, b
m
, m = n
=
_
_
_
Ou e inconsistente;
Ou e redundante retorna ao caso anterior.
49
Exemplo 16 Considere o sistema E
3
anterior, onde
m = 2 e n = 3. A variavel x
3
e uma variavel livre.
O conjunto de todas as solucoes e dado por:
C
3
=
_
x =
_
x
1
x
2
x
3

: x
1
= 1 + x
3
, x
2
= 3 x
3
_
Ja em E
4
, x
2
e a variavel livre. O conjunto de
todas as solucoes e:
C
4
=
_
x =
_
x
1
x
2
x
3

: x
1
= 2 x
2
, x
3
= 3 x
2
_
Para E
5
, x
2
tambem e a variavel livre e portanto:
C
5
=
_
x =
_
x
1
x
2
x
3

: x
1
= 2 x
1
, x
3
= 3 x
2
_
Mas E
1
, E
2
, E
3
, E
4
, E
5
sao equivalentes, pois
sao solucoes do mesmo sistema E
1
original.
50
Considere, entao, E
3
.
Seja:
I = {1, 2}
o conjunto de ndices associados `as variaveis n ao-
livres.
Seja:
J = {3}
o conjunto de ndices associados `as variaveis livres.
Assim:
A =
_
A
I
.
.
. A
J

x =
_
x
I
x
J
_
I J = {1, 2, 3}
ou seja:
A
I
x
I
+ A
J
x
J
= b
= x
I
= A
1
I
_
b A
J
x
J

x
I
= Vetor de variaveis dependentes
x
J
= Vetor de variaveis independentes ou livres
51
Note que:
a) Existem C
m
n
maneiras de escolher o conjunto I;
b) Para cada conjunto I, existem (nm) variaveis inde-
pendentes que podem, cada uma, serem arbitradas em
qualquer valor (de a +). Existem, portanto,
n m graus de liberdade;
c) A
I
deve ser inversvel , ou seja, seus vetores-coluna
devem formar uma base.
A
I
: matriz-base;
I : conjunto de variaveis basicas.
d) Assim, E
3
, E
4
e E
5
sao solucoes de E
1
com relac ao aos
conjuntos-base I
3
= {1, 2}, I
4
= {1, 3} e I
5
= {3, 1},
respectivamente.
52
Generalizando:
Solucionar Ax = b corresponde a:
a) Vericar consistencia;
Se ([A b]) > (A) Inconsistencia.
b) Vericar redundancia;
Se ([A b]) = (A) = k < m Redundancia.

Particionar Ax = b de modo que

_
A
1
A
2
_
x =
_
b
1
b
2
_
A
1

kn
, A
2

(mk)n
b
1

k
, b
2

mk
([A
1
b
1
]) = (A) = k
= eliminar A
2
x = b
2
53
c) Solucionar
c1) Se ([A b]) = (A) = k < n
Innitas solucoes
Ax = b [A
I
: A
J
]
_
x
I
x
J
_
= b
A
I

kk
A
J

k(nk)
A
I
= matriz base A
J
= matriz nao-basica
x
I
= variaveis basicas x
J
= variaveis nao-b asicas
A
I
x
I
+ A
J
x
J
= b
x
I
= A
1
I
b A
1
I
A
J
x
J
c2) Se ([A b]) = (A) = k = n
= Solucao unica A
J
= 0
x = x
I
= A
1
I
b
=A
I
deve ser inversvel;
54
Solucionar, portanto, corresponde a reduzir
Ax = b
`a forma:
_
I
k
0
0 0
_
x =
_
b
1
b
2
_
atraves de operacoes elementares, ou a pivotear sobre o
tableau:
_
A
I
.
.
. A
J
.
.
. I
.
.
. b

_
_
I
.
.
. A
1
I
A
J
.
.
. A
1
I
.
.
. A
1
I
b

55
Exemplo 17 Solucione o seguinte sistema:
_
_
0 2 4 10 2 2
2 4 2 8 1 2
20 26 2 40 1 6
_
_
_

_
x
1
x
2
x
3
x
4
x
5
x
6
_

_
=
_
_
8
4
34
_
_
Considerando
I = {6, 1, 3}
J = {2, 4, 5}
determine tambem (A
I
)
1
.
a) M = [A
I
A
J
I b]
M =
_
_
2 0 4
.
.
. 2 10 2
.
.
. 1 0 0
.
.
. 8
2 2 2
.
.
. 4 8 1
.
.
. 0 1 0
.
.
. 4
6 20 2
.
.
. 26 40 1
.
.
. 0 0 1
.
.
. 34
_
_
Pivoteando sobre o elemento indicado:
M
1
=
_
_
1 0 2
.
.
. 1 5 1
.
.
. 1/2 0 0
.
.
. 4
0 2 6
.
.
. 2 2 3
.
.
. 1 1 0
.
.
. 4
0 20 10
.
.
. 20 10 5
.
.
. 3 0 1
.
.
. 10
_
_
56
Equivale a pre-multiplicar M por
P
1
=
_
_
1/2 0 0
1 1 0
3 0 1
_
_
M
1
= P
1
M
b) Pivotear sobre o elemento indicado:
M
2
=
_
_
1 0 2
.
.
. 1 5 1
.
.
. 1/2 0 0
.
.
. 4
0 1 3
.
.
. 1 1 3/2
.
.
. 1/2 1/2 0
.
.
. 2
0 0 50
.
.
. 0 30 25
.
.
. 7 10 1
.
.
. 50
_
_
P
2
=
_
_
1 0 0
0 1/2 0
0 10 1
_
_
M
2
= P
2
M
1
= P
2
P
1
M
c) Novamente:
M
3
=
_
_
1 0 0
.
.
. 1 19/5 0
.
.
. 11/50 2/5 1/25
.
.
. 2
0 1 0
.
.
. 1 4/5 0
.
.
. 2/25 1/10 3/50
.
.
. 1
0 0 1
.
.
. 0 3/5 1/2
.
.
. 7/50 1/5 1/50
.
.
. 1
_
_
P
3
=
_
_
1 0 2/50
0 1 3/50
0 0 1/50
_
_
M
3
= P
3
M
2
= P
3
P
2
P
1
M
d) Portanto:
M
3
=
_
I
I
.
.
.

A
J
.
.
. (A
I
)
1 .
.
.

b

57
8 Conjuntos Convexos
Denicao 8 Um conjunto C e chamado convexo se, para
quaisquer dois pontos x
1
e x
2
C, o segmento de linha
unindo-os tambem pertence ao conjunto.
x
1
x
2
Figura 1: Conjunto Convexo
x
1
x
2
Figura 2: Conjunto Nao-Convexo
Portanto, se C e convexo, x
1
C, x
2
C e [0, 1]:
x = x
1
+ (1 ) x
2
x C
58
De forma geral, um conjunto convexo e denido como:
C =
_
x : x =
N

i=1

i
x
i
,
N

i=1

i
= 1,
i
0
_
9 Propriedades
a) Se C e um conjunto convexo e um n umero real, ent ao:
C = {x : x = y , y C}
e convexo.
b) Se C e D sao conjuntos convexos, entao:
S = C + D = {x : x = y + z , y C , z D}
e convexo.
c) A interseccao de conjuntos convexos e um conjunto con-
vexo.
S = C D = {x : x C e x D}
e convexo.
59
9.1 Ponto Extremo
Denicao 9 Um ponto x em um conjunto convexo X e
chamado um ponto extremo de X se nao puder ser repre-
sentado como uma combinacao convexa estrita de pontos
distintos de X.
x
1
x
2
x
3 x
4
x
5
x
6
x
1
, . . . , x
5
: pontos extremos
x
6
: nao e um ponto extremo
x
1
x
2
x
1
, x
2
: nao sao pontos extremos
60
Qualquer ponto x X pode ser representado como uma
combinacao convexa entre os pontos extremos (ou vertices)
do conjunto X.
x
1
x
2
x
3
x
4
x
5
x
6
x
x =
6

i=1

i
x
i
onde
6

i=1

i
= 1

i
0 , i = 1, . . . , 6
61
10 Cone Convexo
Denicao 10 Um conjunto C e um cone se:
x C x C
Caso o conjunto C seja convexo Cone convexo.
o
C
Conjunto C nao-convexo Cone Nao-Convexo
o
C
Conjunto C convexo Cone Convexo
62
11 Hiperplano
Um hiperplano e um conjunto da forma
H = { x : p

x = }
para p = 0 e um escalar.
p: vetor normal ou vetor gradiente ao hiperplano.
Generaliza o conceito de linha no
2
e de plano no
3
.
Divide o espaco em duas regioes, chamadas de semi-
espacos:
H
+
= { x :

x }
H

= { x :

x }
p
H

H
+
H
Semi-espacos sao conjuntos convexos.
63
11.1 Poliedro Convexo
Interseccao de um n umero nito de semi-espacos.
Politopo: conjunto poliedral limitado.
Exemplo 18 Poliedro Convexo
a) O conjunto
C = {x : Ax b}
e um poliedro convexo, pois cada semi-espa co pode ser
escrito na forma:
A
i
x b
i
, i = 1, . . . , m
Da mesma forma:
C = {x : Ax b , x 0}
dene um poliedro convexo.
64
b) Mostre, no plano x
1
x
2
, o conjunto das soluc oes do
sistema de inequacoes:
_
_
2 1
1 1
1 0
_
_
_
x
1
x
2
_

_
_
4
3
2
_
_
(a)
(b)
(c)
x 0
x
2
(a)
(c)
(b)
x
1
O conjunto das solucoes factveis do problema linear:
min z = c

x
suj. a Ax b
x 0
e um poliedro convexo.
65
12 Funcao Convexa
Uma funcao f() denida em um conjunto convexo C e con-
vexa se, para [0, 1], x
1
C e x
2
C
f (x
1
+ (1 )x
2
) f(x
1
) + (1 )f(x
2
)
f(x
1
)
f(x
2
)
x
1
x
2
f
epgrafo
f(x)
x
Funcao convexa
f(x
1
)
f(x
2
)
x
1
x
2
f
f(x)
x
Hipografo
Funcao concava
66
x
1
x
2
x
3
f
f(x)
x
Nem convexa, nem concava
_
_
_
x
1
, x
2
: otimos locais
x
3
: otimo global
Uma funcao e convexa se seu epgrafo e convexo.
Uma funcao f e concava se e somente se (f) e convexa.
67
O problema matem atico determine o mnimo de uma
funcao convexa em um conjunto convexo e denominado
problema convexo.
Em um problema convexo, um otimo local e um otimo
global.
x
1
x
2
x

S
Conjunto
Convexo
_
_
_

_
S conjunto convexo
f(x
1
, x
2
) convexa
x

otimo global
68
x
1
x
2
x

S
Conjunto
Convexo
_
_
_

_
f(x
1
, x
2
) : nao convexa e nem concava
x

: otimo focal
x

: otimo global
69
Um programa linear e um programa convexo.
x
1
x
2
S
Conjunto das
solucoes factveis
Poliedro convexo
Curvas de nvel
de z = c

x
Seja X um conjunto convexo e S X um segmento de
linha. O conjunto S sera chamado uma arestase, para
todo ponto s S tal que
s = x
1
+ (1 )x
2
, (0, 1)
entao x
1
S e x
2
S, onde x
1
X e x
2
X.
Dois vertices (ou pontos extremos) de um conjunto con-
vexo poliedral sao denominados adjacentesse existir uma
arestaque os une.