Sei sulla pagina 1di 105

Introdução.

Esta apostila1 tem o objetivo de servir de material de apoio à disciplina de


Álgebra Matricial, que começou a ser oferecida a partir de 2007/1 para os novos alunos
dos cursos de Licenciatura em Matemática, Licenciatura em Física, Bacharelado em
Física Médica, Engenharia da Computação, Engenharia Civil, Engenharia Elétrica,
Engenharia de Computação, Engenharia Mecânica, Engenharia Química, Engenharia
de Controle e Automação e Engenharia de Produção e Ciência da Computação. Um dos
objetivos da Álgebra Matricial é trabalhar conceitos de Álgebra Linear em espaços
vetoriais de dimensão finita. As aulas são nos laboratórios de informática da Faculdade
de Matemática, e a ferramenta computacional utilizada é o Matlab ou o Octave, que é
um programa gratuito. O Matlab é um programa utilizado tanto no meio acadêmico, por
pesquisadores, professores e alunos, quanto fora da universidade, por profissionais de
diversas áreas. Assim sendo, o uso desta apostila se justifica, visto que não há um livro
que seja totalmente adequado aos objetivos da Álgebra Matricial. A apostila está
dividida em capítulos, de modo que é possível usá-la de acordo com o cronograma de
cada turma. No final de cada capítulo, há uma lista de exercícios que devem ser
trabalhados para fixação dos conceitos. No final da apostila, há uma lista de referências
bibliográficas e alguns links, onde podem ser encontrados textos de apoio ao uso do
Matlab, e onde podem ser baixados programas livres que funcionam de modo
semelhante ao Matlab.

1 Apostila de apoio elaborada pelo Professor Luiz Eduardo Ourique, versão 2019/1.

2
SUMÁRIO

Capítulo 1. Introdução ao estudo de matrizes ...................................................................................... 4

Capítulo 2. Resolução de sistemas lineares ......................................................................................... 14

Capítulo 3. Teoria dos sistemas lineares ............................................................................................... 18

3.1 Sistemas de equações ........................................................................................................................ 19

3.2 Método de eliminação de Gauss .................................................................................................... 21

Capítulo 4. Combinação Linear ................................................................................................................. 30

Capítulo 5. Espaços vetoriais ..................................................................................................................... 40

Capítulo 6. Transformações lineares e representação matricial ............................................... 50

6.1. TRANSFORMAÇÕES LINEARES PLANAS.................................................................................. 54

Capítulo 7. Autovalores e autovetores ....................................................................................................... 64

7.1. CÁLCULO DOS AUTOVALORES E AUTOVETORES ................................................................ 66

7.2 APLICAÇÃO: VETOR DE EQUILÍBRIO ......................................................................................... 70

Capítulo 8. Diagonalização de uma matriz............................................................................................... 76

Capítulo 9. Potências de uma matriz diagonalizável........................................................................ 90

Capítulo 10. Fatoração LU ............................................................................................................................ 92

Capítulo 11. Decomposição em valores singulares ............................................................................... 99

3
CAPÍTULO 1. INTRODUÇÃO AO ESTUDO DE MATRIZES

Uma matriz é um conjunto retangular de números, geralmente denotada por uma letra
maiúscula. Uma matriz A pode ser representada pela notação A = (aij), onde aij é o
elemento ou coeficiente que está na i-ésima linha e j-ésima coluna.

2 − 3
Exemplo 1. A =   . A é uma matriz 2x2. Temos a11 = 2 , a12 = –3 , a21 = 0 e a22
0 5 
= 5.

1 0 − 4
Exemplo 2. B =   . B é uma matriz 2x3. Temos b11= 1, b12 = 0, b13 = – 4,
3 5 9 
b21= 3, b22= 5 e b23 = 9.

Para definir uma matriz no Matlab ou no Octave, devemos digitar os seus coeficientes
1 3 
e armazenar a matriz numa variável. Por exemplo, para criar a matriz M =  ,
 2 4
escrevemos no Matlab o comando abaixo, pressionamos enter, e o resultado virá a
seguir:

>> M = [ 1 3 ; 2 4]

M=

1 3

2 4

Podemos usar a vírgula para separar os elementos em cada linha. Isto é, a matriz M
pode ser obtida assim:

>> M = [ 1,3;2,4]

M=

1 3

2 4

Se quisermos ver um elemento Mij em particular da matriz M, basta digitar M(i,j) e


pressionar enter. Por exemplo:

>> M(1,2)

A resposta do programa será

ans =

4
Se quisermos alterar um elemento ou um conjunto de elementos da matriz M, podemos
fazer de várias formas. Por exemplo, se quisermos redefinir o coeficiente M12 como
igual a 10, fazemos:

>> M(1,2)=10

M=

1 10

2 4

A seguir, alguns exemplos de comando e a resposta do programa são apresentados. Para


executar cada comando, pressione enter no Matlab:

Exemplo. Para calcular o determinante de M, fazemos :

>> det(M)

ans =

–16

Obs: O desenvolvimento cálculo do determinante 2x2 é efetuado da seguinte forma:


1 10
det(M) = = 1*4 – 2*10= 4 – 20= –16.
2 4

A variável ans é uma variável global do Matlab para armazenar o resultado do último
comando executado. Para multiplicar todos os elementos de M por 4, basta escrever
4*M:

>> 4*M

ans =

4 40

8 16

Para calcular a matriz M2, fazemos no Matlab:

>> M^2

ans =

21 50

10 36

1 10 5 7 
Para multiplicar duas matrizes, digamos, M=   e N= 0 − 3 , definimos a
2 4   
matriz N e usamos o comando M*N no Matlab:

5
>> N = [ 5 7 ; 0 –3] ;

>> M*N

ans =

5 –23

10 2

1 10 5 7  1* 5 + 10 * 0 1* 7 + 10 * (−3)  5 − 23


Desenvolvimento:   *   =  =  .
2 4  0 − 3  2 * 5 + 4 * 0 2 * 7 + 4 * (−3)  10 2 

 5 − 23
Observação : em notação usual, escrevemos MN =  .
10 2 

A matriz transposta ( troca de linhas por colunas e vice-versa) de uma matriz M é obtida
pelo comando M' :

>> M'

ans =

1 2

10 4

5
O vetor b =   é chamado de vetor-coluna, pois tem 1 coluna e 2 linhas. Pode ser
9
definido usando o comando abaixo:

>> b=[ 5 ; 9]

b=

Se quisermos agora que a primeira coluna de M seja substituída pelo vetor b, fazemos:

>> M(:,1) = b

M=

5 10

9 4

Da mesma forma, se quisermos agora que a primeira linha de M seja substituída por
um valor constante, digamos igual a 8, fazemos:

>> M(1,: ) = 8

6
M=

8 8

9 4

Veja que a matriz M foi modificada em relação a definição inicial. A matriz M, com as
últimas modificações, é a que “vale”. Para definir uma matriz cujos coeficientes são
dados por uma fórmula, podemos usar o comando for. Para ver como funciona, digite
help for no Matlab.

Exemplo. Definir a matriz N3x3, cujo coeficiente é Nij = 2i + 5j.

>> for i=1:3

for j=1:3

N(i,j)=2*i+5*j;

end

end

Assim, para i =1 e j =1 , o Matlab calcula N(1,1) = 2*1 + 5*1 = 7; para i=1 e j=2, o
Matlab calcula M(1,2) = 2*1 + 5*2= 12. Para enxergar o resultado no Matlab, basta
escrever N e pressionar enter:

>> N

N=

7 12 17

9 14 19

11 16 21

Por exemplo, o elemento N11 é N11 = 2*1+5*1 = 7; já o elemento N23 é igual a N23 =
2*2+5*3 = 19. E assim por diante.

Matriz identidade. A matriz identidade nxn, denotada por Inxn, ou simplesmente In, é
1, se i = j
a matriz In = (aij), onde aij =  .No Matlab, é obtida com o comando eye(n):
0, se i ≠ j

Exemplo. Obter a matriz identidade I3.

>> eye(3)

ans =

1 0 0

0 1 0

7
0 0 1

5, se i = j
Exemplo. Obter no Matlab a matriz diagonal C4x4 = ( cij) , onde cij =  .
0, se i ≠ j

>> C = 5*eye(4)

5 0 0 0
 5 0 0
C = 0
0 0 5 0
 
0 0 0 5

Matriz Inversa. Dada uma matriz Anxn, a matriz inversa de A é a matriz Bnxn tal que
A*B=B*A = In . No Matlab, a matriz inversa é calculada com o comando inv(A) ou
A^(–1). Notação: a matriz inversa de A é denotada por A–1.

2 3
Exemplo. Calcular a matriz inversa de A =   no Matlab.
 3 4

>> A = [2,3 ; 3,4]

A=

2 3

3 4

>> B=inv(A)

B =

– 4.0000 3.0000

3.0000 –2.0000

Verificação: efetuamos as operações A*B e B*A, para verificação das igualdades


AB= I e BA = I.

>> B*A

ans =

1 0

0 1

>> A*B

ans =

1 0

0 1

8
2 3 − 4 3 
Assim, A =   e sua matriz inversa é A–1 =  .
 3 4  3 − 2

IMPORTANTE: Uma matriz A tem matriz inversa se e só se det(A) ≠ 0. Por


 2 3
exemplo, a matrix M=   não tem matriz inversa, pois det(M) = 0.
4 6

9
Exercícios.
 1 5 9 − 3 − 5 − 7 3
1. Defina no Matlab as matrizes A= − 4 8 10 ,B=  6 8 12  , o vetor y= 5
 3 7 12 5.4 3.1 9.4 7
e efetue as seguintes operações :

a) 2*A

b) A + B

c) A2

d) det(A)

e) Ay

f) det(A)*det(B)

g) det(A*B) ( compare com o resultado do item f )

h) AB

i) BA ( compare com o resultado do item h )

j) A′ ( a transposta da matriz A )

k) diag(A)

l) A.2

m) substitua a primeira coluna de A pelo vetor y

n) substitua a segunda coluna de B pela terceira coluna de A.

o) inv(A) ( calcula a matriz inversa de A )

2. Defina no matlab a matriz C, tamanho 3x3, com todos os coeficientes iguais a zero.
Dica: escreva help zeros no Matlab.

3. Defina no matlab a matriz D, tamanho 3x4, com todos os coeficientes iguais a um.
Dica: escreva help ones no Matlab.

4.Defina a matriz F4x4 cujo termo genérico é Fij = 4i2+ 3j. Calcule det(F). Caso exista,
calcule a matriz inversa de F.

10
− 3, se i = j
5. Definir no Matlab a matriz H4x4, cujo elemento é hij=  .
 0, se i ≠ j

 2, se i = j
− 1, se i = j − 1

6. Defina a matriz A5x5, cujo coeficiente é dado por A (i, j) = 
 1, se i = j + 1
0, nos demais casos.

Para tanto, use o comando for encadeado com o comando if. Para ver como funciona
este comando no Matlab, digite help if.

7. Um construtor tem contratos para construir 3 estilos de casa: moderno, mediterrâneo


e colonial. A quantidade unitária de material empregada em cada tipo de casa é dada
pela tabela ( valores fictícios ) :

Ferro Madeira Vidro Tinta Tijolo

Moderno 5 20 16 7 17

Mediterrâneo 7 18 12 9 21

Colonial 6 25 8 5 13

a) Se ele vai construir 5, 7 e 12 casas dos tipos moderno, mediterrâneo e colonial,


respectivamente, quantas unidades de cada material serão utilizadas ?

b) Suponha agora que os preços por unidade de ferro, madeira, vidro, tinta e tijolo
sejam, respectivamente, 15, 8 , 5, 1 e 10 unidades monetárias. Qual é o gasto com
material de cada tipo de casa?

c) Qual o custo total do material utilizado?

8. Uma rede de comunicação tem cinco locais com transmissores de potências distintas.
Estabelecemos que aij = 1 , na matriz abaixo, significa que a estação i pode transmitir
diretamente à estação j, aij = 0 significa que a transmissão da estação i não alcança
diretamente a estação j. Observe que a diagonal principal é nula, ou seja, uma estação
não transmite diretamente para si mesma.

11
0 1 1 1 1
1 0 1 1 0

A = 0 1 0 1 0
 
0 0 1 0 1
0 0 0 1 0

a) Qual seria o significado da matriz A2 ?

b) Seja A2 = (cij ) . Calcule o elemento c42 , desenvolvendo pela definição de


multiplicação de matrizes e interprete o resultado.

c) Seja A2 = (cij ) . Calcule o elemento c13 , desenvolvendo pela definição de


multiplicação de matrizes e interprete o resultado.

Respostas dos exercícios:

 2 10 18  − 2 0 2   8 108 167 
  
1a. 2*A = − 8 16 20 ; 1b. A+B=  2 16 22  ; 1c.A2= − 6 114 164 ;
 
 6 14 24 8.4 10.1 21.4  11 155 241

 91 
1d. det(A)= –52; 1e. A*y=  98  ; 1f. det(A)*det(B)= – 842.4;1g. det(A*B) = –842.4;
128

75.6 62.9 137.6  − 4 − 104 − 161


1h. AB =  114 115 218  ; 1i. BA =  10
  178 278 
97.8 78.2 175.8 21.2 117.6 192.4

1 − 4 3  1  1 25 81 
1j. A´ = 5 8 7  ; 1k . diag(A) =  8  ; 1l. A.2 = 16 64 100
   
9 10 12 12  9 49 144

3 5 9  − 3 9 − 7
1m. A(:,1) = y produz A= 5 8 10 ; 1n. B(:,2) = A(:,3) produz B=  6 10 12 
 

7 7 12 5.4 12 9.4 

− 0.5000 − 0.0577 0.4231 


1o. inv(A) produz A–1 =  − 1.5000 0.2885 0.8846  .
 1.0000 − 0.1538 − 0.5385

12
0 0 0  1 1 1 1
2.C=zeros(3) produz C = 0 0 0 ; 3. D=ones(3,4) produz 1 1 1 1
 
0 0 0 1 1 1 1

4. A seqüência abaixo no Matlab produz a matriz F:

for i = 1: 4

for j=1:4 7 10 13 16 
19 22 25 28
F(i,j)= 4*i^2+3*j; F= 
39 42 45 48
end  
67 70 73 76
end

Não existe matriz inversa de F, pois det(F) = 0. No Matlab, ao tentar calcular a inversa
de F com o comando inv(F), o programa apresenta um resultado, seguido de uma
mensagem ( ‘warning’ ) . Neste exemplo, o cálculo do determinante mostra que a matriz
inversa de F não existe.

− 3 0 0 0
 0 −3 0 0 
5. H = 
0 0 −3 0 
 
0 0 0 − 3

2 − 1 0 0 0
1 2 − 1 0 0 
6. A = 
0 1 2 −1 0 
 
 0 0 1 2 − 1
0 0 0 1 2 

7. a) As quantidades unitárias de Ferro, Madeira, Vidro, Tinta e Tijolo são,


respectivamente, 146 , 526, 260, 158 e 388.

492
b) Na forma vetorial, a resposta é 528 
465

c) 11736 unidades monetárias.

13
CAPÍTULO 2. RESOLUÇÃO DE SISTEMAS LINEARES

Um sistema de equações pode ser resolvido diretamente no Matlab. Para tanto, usamos
a representação matricial de um sistema na forma Ax = b, onde devemos armazenar os
coeficientes do sistema na variável A e os valores do lado direito das equações na
variável b. A matriz A é a matriz dos coeficientes do sistema e b é o vetor independente.
Feito isto, o comando A\b resolve diretamente o sistema. Como exemplo, resolvemos
o sistema abaixo:

 2 x 1 + 3x 2 = 5
Exemplo 1.  . Neste caso A = [ 2,3 ;5,8] e b = [5;9.4]
5x 1 + 8x 2 = 9.4

 11.8 
Solução: no Matlab, basta executar x=A\b . A resposta é x =  .
 − 6 .2 

Interpretação: A solução do sistema é x1 = 11.8 e x2 = – 6.2.

Verificação: 2*11.8 + 3*(–6.2) = 23.6 – 18.6 = 5

5*11.8 + 8*(–6.2) = 59 – 49.6 = 9.4

 11.8 
Notação usual: a solução é x =  .
 − 6 .2 

 x1 + 2x 3 = 25.4
Exemplo 2. 3x1 − 2x 2 + 7.2x 3 = 102.72 . Neste caso, A=[1,0,2;3,–2,7.2;8,4.2,–6] e b=
 8x + 4.2 x − 6 x = −39.5
 1 2 3

25.4 
102.72 . Executamos o comando x = A \ b ( ‘A contra-barra b’ ) :
 
− 39.5 

>> x=A\b

x=

6.2000

–7.5000

9.6000

Temos x1= 6.2 , x2= –7.5 e x3= 9.6. Verificação:

6.2 + 2*9.6 = 6.2 + 19.2 = 25.4

3*6.2 – 2*(–7.5) +7.2*9.6 = 18.6 + 15 + 69.12 = 102.72

8*6.2 +4.2*(–7.5)–6*9.6 = 49.6 – 31.5 –57.6 = – 39.5

14
A verificação mostra que esta é a solução do sistema. Em notação usual, a solução é x
 6 .2 
=  − 7 .5  .
9.6 
 

3x 1 − x 2 = 5  3 − 1 5
5x + 3x = 27 5 3  27 
 1 2   e b=  .
Exemplo 3.  . Neste caso, A =
7 x 1 − 5x 2 = 1  7 − 5 1
9 x 1 + 7 x 2 = 55    
9 7  55 

O comando x = A \ b calcula a solução: x1= 3 e x2 = 4. A verificação fica por conta


do leitor.

Matriz ampliada de um sistema. Um sistema Ax = b pode ser representado através da


notação de matriz ampliada, que consiste da matriz de coeficientes e o vetor b.

 2x1 + 3x2 = 5 2 3 M 5 
Exemplo. A matriz ampliada do sistema  é a matriz  .
5x1 +8x2 = 9.4  5 8 M 9 .4 

 x 1 + 2x 3 = 25.4
Exemplo. A matriz ampliada do sistema 3x 1 − 2x 2 + 7.2x 3 = 102.72 é a matriz
 8x + 4.2x − 6x = −39.5
 1 2 3

1 0 2 M 25.4 
3 − 2 7.2 M 102.72 .
 
8 4.2 − 6 M − 39.5 

Exercícios. Calcular a solução dos sistemas de equações lineares no Matlab:

 2 x 1 + x 2 + 7 x 3 = 16  x 1 + 2 x 2 + 3x 3 = 1
1.  x 1 + 3x 2 + 2x 3 = −5 2.  4x 1 + 5x 2 + 6x 3 = 5
5x + 3x + 4 x = 11 7 x + 8x + 9 x = 11
 1 2 3  1 2 3

 3x1 − 9x3 + 6x 4 + 9 x5 + 4x6 − x7 = −0.108


− 9x1 + 3x 2 + 8x 3 + 9x 4 − 12 x5 + 6x 6 + 3x 7 = 26.24

 x1 − 9x 2 + x3 − 3x 4 + x 5 − 5x 6 + 5x 7 = 92.808
3.  4 x1 + 8x 2 − 10 x3 + 8x 4 − x5 + 4 x 6 − 4x 7 = 53.91
− 5x1 + 5x 2 + 4x 3 + 11x 4 + 3x5 + 8x 6 + 7 x 7 = 143.55

 6x1 − 2x 2 + 9 x3 − 7x4 − 5x 5 − 3x 6 + 8x 7 = −6.048

 8x1 + 7x 2 + 2x 3 + 5x 4 + 2x5 + x6 − 3x 7 = 137.94

15
4 x 1 − x2 = 50
2 x + 4x 2 − x3 = 10  2x 1 + 3x 2 − 5x 3 = 50.8
4.  1 5. 
+ 4x 3 − x4 = 47
 2x 2
3.4x 1 − 5x 2 + 9.2x 3 = −74.14
 2x 3 + + 4 x 4 − x 5 = 39

 2x 4 + 4x 5 = 87

PROBLEMAS. Para cada problema, escreva o sistema de equações correspondente e


calcule a sua solução:

6. Uma dieta requer 7 unidades de gordura, 9 unidades de proteínas e 16 unidades de


carboidratos para a refeição principal e uma certa pessoa dispõe de três alimentos com
os quais pode montar sua dieta:

Alimento 1: cada medida contém 2 unidades de gordura, 2 unidades de proteína e 4


unidades de carboidratos.

Alimento 2: cada medida contém 3 unidades de gordura, 1 unidade de proteína e 2


unidades de carboidratos.

Alimento 3: cada medida contém 1 unidade de gordura, 3 unidades de proteína e 5


unidades de carboidratos.

Sejam x,y e z o número de medidas que a pessoa consome dos alimentos 1,2 e 3,
respectivamente, em sua refeição principal. Encontre um sistema linear em x,y e z cuja
solução diz quantas medidas de cada alimento deve ser consumida pela pessoa para
atender à dieta.

7. Encontre três números reais cuja soma é igual a 12, tais que a soma do dobro do
primeiro com o segundo e o dobro do terceiro é 5 e tais que o terceiro número é um a
mais do que o primeiro. Encontre um sistema linear cujas equações descrevem este
problema e resolva-o.

8. Faça o balanceamento das reações:

a) N2O5 → NO2 + O2

b) HF + SiO2 → SiF4 + H2O

c) (NH4)2CO3 → NH3 + H2O + CO2

Respostas dos exercícios e problemas:

1. x1= 3 ; x2= – 4 ; x3= 2

2. A solução não existe ( sistema impossível) .

3. x1= –2.8352; x2= 13.2316; x3= 2.1099; x4=27.1104; x5=6.1382;

x6= – 44.3192;x7=13.2430.

16
4. x1=12.4299; x2= –0.2803; x3=13.7386; x4=7.3939 ; x5=18.0530.

5. Este sistema tem infinitas soluções: x1 = – 0.1287x3 + 1.5633

e x2 = 1.75x3 + 15.89 , onde x3 é um número real qualquer.

6. Somando as quantidades de gordura nos alimentos 1, 2 e 3, resulta 2x +3y + z = 7 ;


somando as quantidades de proteína nos alimentos 1,2 e 3, resulta 2x + y + 3z = 9 ;
somando as quantidades de carboidrato, resulta 4x + 2y + 5z = 16. Assim, devemos
resolver o sistema :

2x + 3y + z = 7

2x + y + 3z = 9

4x + 2y + 5z = 16

cuja solução é x = 1 ; y = 1 ; z = 2. Assim, a dieta deve conter 1 unidade do alimento 1,


1 unidade do alimento 2 e 2 unidades do alimento 3.

7. O sistema a ser resolvido é

x + y + z = 12

2x + y + 2z = 5

–x + z =1

cuja solução é x = – 4, y = 19 e z = –3.

8. a) 2N2O5 → 4NO2 + O2

b) 4HF + SiO2 → SiF4 + 2H2O

c) (NH4)2CO3 → 2NH3 + H2O + CO2

17
CAPÍTULO 3. TEORIA DOS SISTEMAS LINEARES

Quanto à existência de soluções, um sistema de equações lineares pode ser

1) possível e determinado: quando só existe uma única solução.

2) possível e indeterminado: quando existem infinitas soluções.

3) impossível : quando não existe solução.

Resumo da classificação dos sistemas lineares:

Possíveis

( tem solução)  Deter min ado(Solução Única )
 
In det er min ado(Infinitas Soluções)

Sistemas : 
Im possíveis

(não tem solução)



Classificação de sistemas com n equações e n incógnitas. De acordo com o teorema de


Cramer, a solução de um sistema de equações lineares com n equações e n incógintas
∆x i
Ax = b, onde x = [xi]i , i = 1,2,...,n, é dada pela fórmula:xi = , onde ∆ = det(A) e

∆ xi é o determinante da matriz obtida pela substituição da i-ésima coluna de A, pelos
valores do vetor-coluna b, para cada i =1,...,n. Assim, se ∆ ≠ 0, a solução do
∆x i
sistema é única, dada pela fórmula xi = , para i=1,2,...,n. Se ∆ = 0 , então o sistema

é indeterminado ou impossível. Se ∆ = 0 e ∆ xi ≠ 0, para algum i =1,2...,n, então o
sistema é impossível. Porém, se ∆ = 0 e ∆ xi= 0, para todo i =1,2...,n, então o sistema
é impossível ou indeterminado. De fato, consideremos o sistema abaixo, dado no livro
de Elon (1999):

 x1 + x 2 + x 3 = 1

2x 1 + 2x 2 + 2 x 3 = 2
 3x + 3x + 3x = 4
 1 2 3

Este sistema não tem solução, pois se x1 + x2 + x3 = 1, então 3x1+3x2+3x3 deve ser igual
a 3, e não 4. Se usarmos a regra de Cramer, vamos obter todos os determinantes iguais
a zero, não sendo conclusiva a aplicação da regra, neste caso. Por outro lado, como
veremos mais adiante na próxima seção, usando a eliminação gaussiana, mostraremos
um exemplo de um sistema 3x3, em que todos os determinantes são iguais a zero,
porém, o sistema é indeterminado. Ou seja, para diferenciar um caso do outro, no caso
de sistemas nxn, com n ≥ 3, o mais indicado é a aplicação do método de eliminação

18
gaussiana, ou escalonamento, ver a seção 3.2. Uma vez escalonada a matriz ampliada
do sistema, podemos concluir se o sistema é indeterminado ou impossível.

3.1 SISTEMAS DE EQUAÇÕES

Um sistema de equações é homogêneo se o vetor b é o vetor nulo, isto é, é um sistema


na forma Ax = 0. De acordo com o teorema de Cramer, um sistema homogêneo nxn
tem somente a solução trivial se e somente se o determinante da matriz dos coeficientes
for diferente de zero. Dito de outra forma, um sistema homogêneo com n equações e n
incógnitas tem solução diferente da trivial se e somente se a matriz dos coeficientes
tiver determinante igual a zero.

 2x 1 + 3x 2 = 5
Exemplo 1. 
 5x 1 + 8x 2 = 9.4

2 3
1º ) ∆ = = 16 – 15 =1 ≠ 0. O sistema é possível e determinado (
5 8
solução única )

5 3
2º ) ∆x1 = = 40 – 28,2 = 11,8
9 ,4 8

2 5
∆x2 = = 18,8 – 25 = – 6,2
5 9,4

∆x 1 11.8 ∆x 2 - 6.2
3º ) x1 = = = 11,8 e x2 = = = –
∆ 1 ∆ 1
6,2

A solução é x1 = 11,8 e x2 = – 6,2.

Verificação : 2*11,8 +3*(–6,2) = 23,6– 18,6=5

5*11,8 +8*(–6,2) = 59 – 49,6 = 9,4

 2x1 − 3x 2 + x 3 = 1

Exemplo 2 x1 + 2x 2 − 3x 3 = 4
 - x + x + 2x = 1
 1 2 3

2 −3 1
1º ) ∆ = 1 2 −3 = 14 Portanto, este sistema tem solução
−1 1 2
única.

Cálculo do determinante pela regra de Sarrus:

19
2 −3 1 2 −3
Obs: ∆ = 1 2 −3 1 2 = 8 – 9 + 1 – ( – 2 – 6 – 6 ) = 0 – ( – 14 ) =
−1 1 2 −1 1
14.

1 −3 1
2º ) ∆x1 = 4 2 −3 = 42
1 1 2

2 1 1
∆x2 = 1 4 −3 = 28 e ∆x3 =
−1 1 2
2 −3 1
1 2 4 = 14
−1 1 1

∆x 1 42 ∆x 2 28 ∆x 3 14
3º ) x1 = = = 3 ; x2 = = = 2; x3 = = =1
∆ 14 ∆ 14 ∆ 14

A solução é : x1 = 3; x2 = 2 ; x3 = 1. O desenvolvimento de cada determinante acima e


a verificação da solução ficam a cargo leitor

 x 1 + 2x 2 + 3x 3 = 1

Exemplo 3.  4x1 + 5x 2 + 6x 3 = 5
7x + 8x + 9x = 11
 1 2 3

1 2 3
∆ = 4 5 6 = 0. O sistema é impossível ou indeterminado.
7 8 9

1 2 3
∆x1 = 5 5 6 = –6
11 8 9

Conclusão: como ∆xi ≠ 0 para i =1 e ∆= 0 , concluímos que o


sistema é impossível, isto é, não admite solução.

 2x 1 + 3x 2 = 6
Exemplo 4. 
 4x 1 + 6x 2 = 12

20
2 3
∆= = 12 – 12 = 0 ;
4 6

6 3
∆x1 = = 36 – 36 = 0 ;
12 6

2 6
∆x2 = = 24 – 24 = 0.
4 12

Conclusão: como todos os ∆’s são nulos, o sistema é indeterminado, isto é, admite
infinitas soluções. Tal conclusão é válida para sistemas 2x2, pois as duas equações,
sendo proporcionais, representam uma única reta no plano, e o sistema admite infinitas
soluções. Neste caso, a solução é x1 = – 3x2/2 + 3. Assim, se x2 = 0, então x1= 3; se x2
= 2, então x1 = 0, se x2 = 6, então x1 = –6, e assim por diante. Como existem infinitas
escolhas para x1, existem infinitas soluções deste sistema. Podemos escrever que
algumas destas soluções são os pares: ( 3 , 0) , ( 0, 2 ) , ( –6, 6) .

Observação: para obter a solução acima, usar o comando solve no Matlab.

>> [ x1, x2 ] = solve ('2 * x1 + 3 * x 2 = 6' , '4 * x1 + 6 * x 2 = 12' )

x1 =-3/2*x2+3

x2 =x2

Interpretação: a solução expressa a incógnita x1 em função de x2, que é uma variável


livre. Assim, se x2=2, então x1=0; se x2=0, então x1=3. Como x2 pode ser escolhido
arbitrariamente, isto comprova que este sistema tem infinitas soluções.

3.2 MÉTODO DE ELIMINAÇÃO DE GAUSS

Podemos concluir que um sistema só tem uma solução, ou tem infinitas soluções ou é
impossível mediante a aplicação do método de eliminação de Gauss. O método de
Gauss ou escalonamento é o mais eficiente dos métodos usados na resolução de
sistemas de equações lineares, por exigir um menor número de operações aritméticas
na sua implementação, em comparação com outros métodos diretos, como o Método de
Cramer, e com métodos iterativos, como o método de Gauss-Seidel. Em geral, para
resolver um sistema nxn pelo método de Gauss, a quantidade de operações elementares
(multiplicações, divisões, adições e subtrações ) é proporcional a n3 , conforme vemos
em Barden ( 2003 ). Para ilustrar o método, vamos mostrar alguns exemplos. No caso
 2x1 − 3x 2 + x 3 = 1

do sistema x1 + 2x 2 − 3x 3 = 4 , dizemos que as matrizes
 - x + x + 2x = 1
 1 2 3

21
 2 − 3 1   2 − 3 1 1
1 2 − 3 e  1 2 3 4 são, respectivamente, a matriz do sistema e a

− 1 1 2  − 1 1 2 1
matriz aumentada do sistema.

x + x 2 = 2
Exemplo 1. O sistema  1 admite solução única, pois somando as duas
x 1 − x 2 = 0
x 1 + x 2 = 2
linhas, chegamos ao sistema  . Logo, x1 = 1 e x2 = 1. Já o sistema
 2x 1 = 2
x 1 + x 2 = 2  x + x2 = 2
 claramente é impossível, pois 1 ≠ 2. Já o sistema  1 admite
 x1 + x 2 = 1 2 x 1 + 2 x 2 = 4
infinitas soluções. De fato, multiplicando a primeira linha por 2 e subtraindo da segunda
x + x 2 = 2
linha, resulta :  1 . Logo, x2 = 2 – x1. Assim, se x1= 0, x2 = 2; se x1= 1, então
 0=0
x2 = 1, e assim por diante. A mesma lógica aplica-se a sistemas com m equações e n
incógnitas. Após a eliminação e o escalonamento do sistema, a análise das equações
restante permite classificar o sistema quanto a existência e ao número de soluções.

Exemplo 2. Vejamos um exemplo 3x3:

 x 1 + 2 x 2 − 5x 3 = 2

2x 1 − 3x 2 + 4 x 3 = 4
 4x + x − 6x = 8
 1 2 3

Se usarmos a regra de Cramer, para o cálculo da solução, devemos calcular os valores


dos determinantes ∆ e ∆xi, i=1,2,3, obtendo:

1 2 −5 2 2 −5
∆ = 2 − 3 4 = 0 , pois L2 = L3 – 2L1. Para i =1, resulta ∆x1 = 4 − 3 4 = 0;.
4 1 −6 8 1 −6
1 2 −5 1 2 2
analogamente, temos ∆x2 = 2 4 4 = 0 e ∆x3 = 2 − 3 4 = 0, pois temos a mesma
4 8 −6 4 1 8
combinação entre as linhas. Pela observação feita na seção anterior, a regra de Cramer
é inconclusiva, neste caso. Devemos então usar a eliminação gaussiana. A matriz
1 2 − 5 2 
aumentada do sistema é 2 − 3 4 4
4 1 − 6 8 

22
Subtraindo a segunda linha da primeira linha multiplicada por 2 e armazenando o
resultado na segunda linha; subtraindo a terceira linha da primeira linha multiplicada
por 4 e armazenando o resultado na terceira linha, resulta:

1 2 − 5 2
0 − 7 14 0 .
 
0 − 7 14 0

Subtraindo as duas últimas linhas e armazenando o resultado na terceira linha, resulta:

1 2 − 5 2
0 − 7 14 0
 
0 0 0 0

Dividindo por –7 a segunda linha, resulta :

1 2 − 5 2
0 1 − 2 0 
 
0 0 0 0

 x + 2 x 2 − 5x 3 = 2
Conclusão: o sistema resultante é  1 . Logo, a solução é x2 = 2x3 , x1=
 x 2 − 2x 3 = 0
2 + x3 . Como x3 é um número real qualquer, podemos escrever que a solução é :

 x 1  2 1 
x1= 2 + k , x2 = 2k e x3 = k., ou :  x 2  = 0 + k 2 .
   
 x 3  0 1

 x 1 + 2 x 2 − 5x 3 = 2

Portanto, o sistema 2x 1 − 3x 2 + 4 x 3 = 4 é indeterminado, isto é, admite uma
 4x + x − 6x = 8
 1 2 3

 x1  2
infinidade de soluções. Por exemplo, se k = 0, uma solução é  x 2  = 0 . Se k=1,
 
 x 3  0
 x 1   2  1  3
outra solução é  x 2  = 0 + 2 = 2 , e assim por diante.
     
 x 3  0 1 1

 x1 + x 2 + x 3 = 1

Exemplo 3. O sistema 2x1 + 2x 2 + 2x 3 = 2 , resolvido pela regra de Cramer, nos dá:
 3x + 3x + 3x = 4
 1 2 3

23
1 1 1 1 1 1
∆ = 2 2 2 = 0, pois L3 = L1 + L2. Para i = 1, resulta ∆x1 = 2 2 2 =0, pois C2 = C3
3 3 3 4 3 3
( a segunda coluna é igual a terceira ). Analogamente, os determinantes ∆x2 e ∆x3 são
nulos. Conforme observado na seção anterior, este sistema é impossível. Assim, os
exemplos 2 e 3 mostram que, se aplicarmos a regra de Cramer, e todos os determinantes
envolvidos forem nulos, a regra é inconclusiva: o sistema pode ser impossível ou
indeterminado. O exemplo 3 é claramente um sistema impossível, pela observação feita
na seção anterior.

 x 1 + 2 x 2 − 5x 3 = 2

Exemplo 4. O sistema 2x 1 − 3x 2 + 4x 3 = 4 é impossível. A notação L2–2L1 → L2
 4x + x − 6x = 0
 1 2 3

significa que a linha 2 será substituída pela diferença entre a linha dois e o dobro da
linha 1. Fazendo as operações L2 – 2L1 → L2 e L3 – 4L1 → L3, obtemos :

1 2 − 5 2  1 2 − 5 2 
0 − 7 14 0  . Agora, fazemos L – L → L , obtendo: 0 − 7 14 0  . A
  3 2 3
 
0 − 7 14 − 8 0 0 0 − 8
última equação é 0x1 + 0x2 + 0x3 = –8, que é impossível.

Observação: Neste sistema, se aplicarmos a regra de Cramer, chegaremos aos


seguintes resultados:

1 2 −5 2 2 −5
∆ = 2 −3 4 = 0, ∆x1 = 4 − 3 4 = 56, ou seja, o sistema é impossível.
4 1 −6 0 1 −6

Exemplo 5. Por fim, um exemplo de resolução de um sistema 4x4.

 x 1 − x 2 + 2 x 3 − x 4 = −8
2 x − 2x + 3x − 3x = −20
 1 2 3 4

 x 1 + x 2 + x 3 = − 2
 x1 − x 2 + 4 x 3 + 3x 4 = 4

Usando a notação de matriz ampliada, o sistema fica:

1 − 1 2 −1 M − 8 
2 − 2 3 − 3 M − 20

1 1 1 0 M −2
 
1 − 1 4 3 M 4 

Fazendo as operações elementares: L2 – 2L1 → L2 , L3– L1 → L3, L4–L1 → L4, o


sistema fica:

24
1 − 1 2 − 1 M − 8 
0 0 − 1 − 1 M − 4 
 
0 2 − 1 1 M 6 
 
0 0 2 4 M 12 

Fazemos agora a troca das linhas 2 e 3: L2 ↔ L3.

1 − 1 2 − 1 M − 8 
0 2 − 1 1 M 6 
 
0 0 − 1 − 1 M − 4 
 
0 0 2 4 M 12 

Fazemos agora a operação L4 + 2L3 → L4, resultando:

1 − 1 2 − 1 M − 8 
0 2 − 1 1 M 6 
 
0 0 − 1 − 1 M − 4 
 
0 0 0 2 M 4

 x1 − x 2 + 2x 3 − x 4 = −8
 − x3 + x4 = 6
 2x 2
O sistema resultante é : 
 − x3 − x 4 = −4
 2x 4 = 4

A solução é obtida por substituição retroativa :

4 − 4 − (−1) *x4 − 4 − (−1) * 2


Na quarta equação: x4 = = 2 . Na terceira equação : x3 = =
2 −1 −1
6−(−1)*x3 −1*x4 6 − (−1) *2 −1*2
= 2. Na segunda equação : x2= = = 3.
2 2

−8 − (−1) *x2 − 2*x3 − (−1) *x4 −8−(−1)*3−2*2−(−1)*2


Na primeira equação: x1= = = – 7.
1 1

Portanto, a solução do sistema dado é x1= –7, x2 = 3, x3 = 2 e x4 =2.

Exercícios. Resolva os sistemas abaixo, conforme solicitado em cada item:

25
 2x 1 + x 2 + 7x 3 = 16

1. Classificar e resolver o sistema  x 1 + 3x 2 + 2x 3 = −5 .
3x + 4x + 9x = 11
 1 2 3

2. Escrever na forma usual o sistema de equações dado na forma matricial Ax = b,


 i + 2j, se i = j
2
onde A4x4 = i , se i = j + 1 e b4x1 = [ 2i 1 ] i=1:4 . Resolver pela regra de
0, demais casos

Cramer.

3. Escrever na forma usual o sistema de equações dado na forma matricial Ax = b,


1/(i + j), se i = j

onde Ax = b, onde A5x5 =  4j, se i = j − 1 e b5x1 = [ 3i2 3 ] i=1:5 .
0, demais casos

4. Calcular a equação da reta que passa pelos pontos (–1,1) e (2,5), usando sistemas
lineares.

5. Seja y = ax2 + bx +c. Calcule os valores de a, b e c , sabendo que esta curva passa
pelos pontos (–2; –5,36) , ( 1,2 ; 1,68) e (3,2; 8,68), usando sistemas lineares e o cálculo
da solução pelo método de Gauss.

6. Um sistema de equações lineares Ax = b é dito homogêneo se o vetor independente


b é igual ao vetor nulo. Todo sistema homogêneo tem uma solução, a saber, a solução
trivial ( x = 0) . Calcule os valores de k de modo que o sistema homogêneo

2 x − 5 y + 2 z = 0

 x+y+z =0 tenha uma solução diferente da trivial.
 2x + kz = 0

3 4 
7. Calcule o valor de m para que a matriz A =   tenha matriz inversa. Calcule
1 m 
A–1, se m = 2.

1 3 0
8. Calcule a primeira coluna da matriz inversa de A = 2 5 − 2 .

5 − 1 4 


 x − y + 2 z − w = −1

9. Resolva o sistema  2 x + y − 2z − 2 w = −2 pelo método de eliminação de Gauss.
− x + 2 y − 4 z + w = 1

3x − 3w = −3

26
10. Resolva os seguintes sistemas homogêneos de equações lineares pelo método de
eliminação de Gauss.

 2x + y + 3z = 0
 3x1 + x 2 + x 3 + x 4 = 0
a) x + 2 y =0 . b) 
 y+z =0 5x 1 − x 2 + x 3 − x 4 = 0

27
Respostas dos exercícios:

2 1 7   16 
1. A= 1 3 2 ; b = − 5 ;
 
3 4 9  11 

2 1 7 16 1 7 2 16 7 2 1 16
∆ = 1 3 2 =0; ∆ x = − 5 3 2 =0; ∆ x2= 1 − 5 2 =0; ∆ x3= 1 3 − 5 =0.
3 4 9 11 4 9 3 11 9 3 4 11

 2x 1 + x 2 + 7x 3 = 16

Conclusão:  x 1 + 3x 2 + 2x 3 = −5 a regra de Cramer é inconclusiva. Aplicando a
3x + 4x + 9x = 11
 1 2 3

19 67
eliminação gaussiana, obtemos a solução é x1=– x2 − , x2 ∈ R e x 3 =
3 3
5 26
x2 + , ou seja, este sistema é indeterminado.
3 3

3 0 0 0 1   3x 1 =1
4 6 0 0  3  4x 1 + 6x 2 =3

2. A=  ;b=   . Notação usual: 
0 9 9 0 5  9x 2 + 9x 3 =5
    
0 0 16 12 7  16 x 3 + 12 x 4 = 7

3 0 0 0 1 0 0 0 3 1 0 0
4 6 0 0 3 6 0 0 4 3 0 0
∆ = = 1944 ; ∆ x = =648 ; ∆ x2 =
0 9 9 0 5 9 9 0 0 5 9 0
0 0 16 12 7 0 16 12 0 7 16 12
= 540

3 0 1 0 3 0 0 1
4 6 3 0 4 6 0 3
∆ x3 = =540 ; ∆ x4 = = 414
0 9 5 0 0 9 9 5
0 0 7 12 0 0 16 7

∆x i
Usando a fórmula xi = , para i=1,2,3 e 4, concluímos que a solução do sistema é

x1=0.3333, x2=0.2778, x3= 0.2778, x4= 0.2130. Em forma vetorial, a solução é

0.3333
0.2778
x=  
0.2778
 
0.2130

28
 0 .5 8 0 0 0 0
 0 0.25 12 0 0  9
  
3. A =  0 0 0.1667 16 0 ;b= 24 .
   
0 0 0 0.125 20  45
 0 0 0 0 0.1 72

 8.467033536   8467033536 
− 0.529189596 − 529189596
   
A solução é x = 10^9 *  0.011024784  =  11024784  .
   
− 0.000114840  − 114840 
 0.000000720   720 

4x + 7
4. y =
3

5. y = 0,25x2 +2,4x –1,56

6. O sistema terá solução diferente da trivial se e somente se ∆ = 0, onde ∆ é o


determinante da matriz dos coeficientes do sistema. Logo, se k = 2, o sistema terá
solução diferente da trivial.

3 4
7. Se m ≠ 4/3 , a matriz A tem matriz inversa. Para m = 2, temos A =   e a matriz
1 2
 1 − 2
inversa de A é A–1=  .
− 0,5 1,5 

− 0,5
8. A primeira coluna de A é o vetor  0,5  .
–1

 0,75 

9. x=w–1; y=2z, w e z ∈ R.

2 x 3 + 8x 4
10. a) x=y=z=0 ( A única solução é a solução trivial ); b) x1= – x3/4 ; x2= –
8
, x3 e x4 ∈ R

29
CAPÍTULO 4. COMBINAÇÃO LINEAR

Neste capítulo, são estudados os conceitos de vetor, combinações lineares entre vetores,
conjuntos linearmente independentes e linearmente dependentes de vetores. É feita uma
aplicação destes conceitos na definição de conjuntos ortogonais, bases ortogonais e
ortonormais.

Definição. Consideremos o plano cartesiano que consiste de um sistema de


coordenadas dado por um par de retas ortogonais, com orientação. Fixada uma unidade
de comprimento, um ponto P do plano pode ser identificado com o par (a,b) de números
reais, as coordenadas do ponto P. Dados dois pontos P e Q do plano, podemos

considerar o segmento PQ , com ponto inicial P e ponto final Q. Seja O o ponto de
coordenadas (0,0), a origem. A partir daí, vamos associar a cada ponto (a,b) do plano o

vetor v= OP , isto é, a cada ponto (a,b) do plano um único vetor com ponto inicial na
origem e ponto final em P. Isto estabelece uma correspondência entre os pontos e os
vetores do plano. O vetor v=(2,3) é o vetor com ponto inicial em (0,0) e ponto final em
(2,3). Uma definição análoga vale para os vetores do espaço R3.

Os conjuntos R2 e R3 são exemplos de espaços vetoriais. Cada elemento destes


conjuntos é um vetor. Representamos geometricamente estes vetores por uma flecha
orientada, com ponto inicial na origem do espaço e com ponto final extremidade no
ponto correspondente às coordenadas do vetor, como nas figuras abaixo.

Exemplos:

1. v = ( 2, 3) é um vetor do R2.

2 x

Figura 1. Um vetor do R2.

2. u = ( 2, 3, 4 ) é um vetor do R3.

30
z
4

3 y

Figura 2. Um vetor do R3.

Adição de Vetores

Se u = ( x1 , y1 ) e v = ( x2 , y2 ), então u + v = ( x1 + x2, y1 + y2 ).

y
u+v

Multiplicação por escalar

Se u = ( x1 , y1 ) e a é um escalar, então au = (ax1 , ay1 ) .

31
Igualdade de Vetores

Dados u = ( x1,y1 ) e v = ( x2,y2) , a igualdade u = v ocorre se e somente se x1 = x2 e


y1 = y2. Analogamente, definimos a soma de vetores, a multiplicação por escalar e a
igualdade no R3.

Exemplos.

3. u = ( 2 , 3) e v = (4 , 1 )

u + v = ( 2 + 4, 3 + 1 ) = ( 6 , 4 ) e 5u= ( 5*2, 5*3) = ( 10 , 15)

4. u = ( 2 , 5, 0 ) e v = ( 1 , 0 , 3 )

u – v = ( 2 – 1, 5 – 0 , 0 – 3 ) = ( 1 , 5 , – 3) e

4u + 5v = 4*(2,5,0) + 5*(1,0,3) = (8,20,0)+(5,0,15)=(13,20,15).

5. u = ( 2 , 5 ) e v = ( x + 1, y + 7)

Se u = v , então : x + 1 = 2 e y + 7 = 5 , logo x = 1 e y = – 2.

Combinação Linear de Vetores

Dado um conjunto de n vetores, { u1 , u2 , ... , un } , dizemos que um vetor v é


combinação linear dos vetores dados se existem números reais a1, a2, ..,an tais que

v = a1u1 + a2u2 + ... + anun.

Exemplos.

6. Dados { ( 1, 0) , (0,1 ) } e v = (3,4) então v é combinação linear dos vetores


dados, pois (3,4) = 3(1,0) + 4(0,1). Isto é, se u1 = (1,0) e u2 = (0,1), então v =3u1+4u2.

7. Se B={u1=(1,0,0),u2 = (0,1,0),u3 = (0,0,1)} e v = (2,7,–4) , então v= 2u1+ 7u2–4u3.


Logo, v é uma combinação linear dos vetores u1, u2 e u3.

32
8. O vetor v = ( 8,–2 ) é combinação linear dos vetores u1 = (1,1 ) e u2= ( 1,–1) ?

Se for, então: ( 8, –2) = a(1,1) + b(1,–1) = (a,a)+(b, –b)= ( a + b , a – b )

Igualando as coordenadas correspondentes, resulta o sistema:

 a+b =8

a − b = −2

cuja solução é a = 3 e b = 5 . Conclusão: O vetor ( 8,–2) é combinação linear dos


vetores u1 = (1,1) e u2=(1,–1), pois (8, –2) = 3(1,1) + 5(1,–1) . Simbolicamente,
escrevemos v = 3u1 + 5u2.

9. O vetor v = ( 1, 4 , 10 ) é combinação linear dos vetores u1 = (1,2,3 ) e u2= ( 4,5,6)


e u3 =(7,8,9) ?

Se for, então : (1,4,10) = a ( 1,2,3) + b(4,5,6) + c( 7,8,9)

(1,4,10) = ( a,2a,3a) + (4b,5b,6b) + ( 7c,8c,9c)

(1,4,10) = ( a + 4b +7c, 2a + 5b + 8c, 3a + 6b +9c )

Igualando as coordenadas, resulta o sistema de equações:

 a +4b +7c = 1

 2a + 5b + 8c = 4
3a + 6b + 9c = 10

Analisando os determinantes, vemos que ∆ = 0 , e ∆x1 = – 9. Portanto, pelo teorema


de Cramer, o sistema acima não tem solução. Conclusão: o vetor v = ( 1, 4 , 10) não é
combinação linear dos vetores u1 = (1,2,3 ) e u2= ( 4,5,6) e u3=(7,8,9).

10. O vetor v = (48,57, 66) é combinação linear dos vetores u1=(1,2,3 ) e u2= ( 4,5,6)
e u3=(7,8,9) ? Se for, então :

(48 ,57 ,66) = a(1,2,3) + b(4,5,6) + c(7,8,9)

(48 ,57 ,66) = (a,2a,3a) + (4b,5b,6b) + (7c,8c,9c)

(48 ,57 ,66) =( a + 4b+7c , 2a + 5b + 8c , 3a + 6b + 9c )

 a +4b +7c = 48

Igualando as coordenadas, resulta o sistema: 2a + 5b + 8c = 57
3a + 6b + 9c = 66

Para eliminar a incógnita a da segunda equação, multiplicando a primeira equação por
2 e subtraímos da segunda equação. Ao mesmo tempo, multiplicamos a primeira

33
equação por 3 e subtraímos da terceira equação, resultando o sistema
 a +4b +7c = 48

 − 3b − 6c = −39
− 6b − 12c = −78

A segunda e a terceira equações são iguais. Logo: b = 13 – 2c. Substituindo este


resultado na primeira equação, resulta a = 48 – 4b – 7c = 48 – 4(13–2c) – 7c = c – 4.

A solução é a = c – 4, b = –2c +13, e c é um número real qualquer. Escolhendo c = 1,


resulta: a = – 3, b = 11 e c = 1. Assim, v = –3u1 + 11u2 + u3 , ou seja, o vetor v é uma
combinação linear dos vetores u1, u2 e u3.

11. O vetor v=( 10, 15 , 8 , 3) é uma combinação linear dos vetores u1=(2,5, 0, 1) e
u2=(1, 0, 2, 0 ) ?

Se for, existem números a e b tais que v = au1 + bu2. Isto é:

( 10, 15 , 8 , 3) = a(2,5, 0, 1) + b(1, 0, 2, 0 ) ;

(10, 15 , 8, 3 ) = (2a, 5a , 0 , a ) + ( b, 0 , 2b, 0)

(10, 15 , 8, 3 ) = (2a + b , 5a , 2b , a )

2a + b = 10
 5a = 15

Igualando as coordenadas correspondentes, resulta: 
 2b = 8
 a = 3

A solução é a = 3 e b = 4. Logo, a combinação linear é:

( 10, 15 , 8 , 3) = 3(2,5, 0, 1) + 4(1, 0, 2, 0 ), ou v = 3u1 + 3u2.

Vetores Linearmente Dependentes ( LD ) e Linearmente Independentes ( LI )

Um conjunto de vetores dados { u1 , u2 , ... , un } é Linearmente Dependente, ou


simplesmente LD, se existir um deles que é combinação linear dos demais. Caso isto
não ocorra, o conjunto de vetores é chamado de Linearmente Independente ( LI ). Isto
implica dizer que { u1 , u2 , ... , un } é um conjunto linearmente independente se e
somente se a combinação linear a1u1 + a2u2 + ... + anun = 0 tem como única solução
todos os coeficientes ai iguais a zero. Equivale a dizer que se a combinação linear a1u1

34
+ a2u2 + ... + anun = 0 admitir alguma solução não-trivial, então o conjunto de vetores {
u1 , u2 , ... , un } é LD.

Exemplos.

11. O conjunto { ( 1,2 ) , (2,4) } é LD, pois ( 2,4) = 2*(1,2) . Equivale a escrever

2(1,2) – 1(2,4) = (0,0). Ou seja, se u1=(1,2) , u2=(2,4) e 0=(0,0), temos a solução a1=2
e a2= –1, de modo que a1u1 + a2u2 = 0.

12. O conjunto { ( 1,0) , (0,1) } é LI, pois ( 1,0) ≠ k*(0,1) , para qualquer valor de k. A
única solução da combinação a1(1,0) + a2(0,1) = (0,0) é a solução trivial, isto é, a1=0 e
a2=0.

13. O conjunto { (0,0) , ( 3,4) } é LD, pois (0,0) = 0*(3,4). Neste caso, temos a
combinação a1(0,0) + 0(3,4) = (0,0), para qualquer a1 ≠ 0.

14. O conjunto { (1,0,0) , (0,1,0), (3,4,0) } é LD, pois (3,4,0) = 3*(1,0,0) + 4*(0,1,0).

Observação: a multiplicação 3*(1,0,0) será escrita daqui por diante como 3(1,0,0), por
simplicidade.

Critério prático: para determinar se um conjunto de n vetores {u1,u2,...,un} do Rn é


LI ou LD, usamos o determinante D = det(u1,u2,...,un). Se D ≠ 0 , então o conjunto é
LI; do contrário , é LD, isto é, um deles é combinação linear dos demais. No caso

35
particular de dois vetores, um conjunto { u1, u2 } é LD se e somente se existe uma
constante k tal que u1 = ku2. Porém, para um conjunto de m vetores do Rn, com m
diferente de n, este critério prático não funciona, e devemos usar a definição.

Exemplos.

15. { ( 1,1) , (–1,1) } é LI ou LD ?

1 −1
Solução: = 2 , logo, o conjunto {(1,1), (–1,1)} é LI. Isto significa que os dois
1 1
vetores não são colineares. Nenhum dos dois vetores é múltiplo do outro.

16. { (1,2,3),(4,5,6),(7,8,9)} é LI ou LD ?

1 4 7
Solução: 2 5 8 = 0 , logo, o conjunto { (1,2,3),(4,5,6),(7,8,9) } é LD. Neste caso,
3 6 9
isto significa que os três vetores são coplanares. Existe um vetor que é combinação
linear dos demais, por exemplo, (7,8,9) = 2(4,5,6) – (1,2,3).

17. { (1,2,3,4), (5,6,7,8), (9,10,11,12)} é LI ou LD ?

Solução: são três vetores do R4. Usamos a definição:

a(1,2,3,4) + b(5,6,7,8) + c(9,10,11,12) = (0,0,0,0)

(a,2a,3a,4a) + (5b,6b,7b,8b) + (9c,10c,11c,12c) = ( 0,0,0,0 )

( a + 5b + 9c, 2a + 6b + 10c, 3a + 7b + 11c, 4a + 8b + 12c ) = ( 0, 0, 0, 0)

Igualando as coordenadas correspondentes, resulta o sistema:

 a + 5b + 9c = 0
2a + 6b + 10c = 0


 3a + 7 b + 11c = 0
4a + 8b + 12c = 0

Multiplicando a primeira equação por 2 e subtraindo da segunda equação, a segunda


equação fica : – 4b – 8c =0. Logo, b = – 2c. Substituindo na primeira equação, resulta
a = c. Assim, uma solução possível é c = 1, b = – 2, e a = 1. Logo:

1*(1,2,3,4) + (–2)*(5,6,7,8)+1*(9,10,11,12) = (0,0,0,0).

Conclusão: o conjunto de vetores { (1,2,3,4), (5,6,7,8), (9,10,11,12)} é LD (


Linearmente Dependente ) . Uma combinação linear entre os vetores é a seguinte :

1*(1,2,3,4) + 1*(9,10,11,12) = 2*(5,6,7,8) .

36
Exercícios. Nos exercícios de 1 até 8, verifique se os conjuntos são LI ou LD. Caso o
conjunto seja LD, tente identificar uma combinação linear entre os vetores, como no
exemplo 16.

1. { ( 1, 1 ) , ( 5,5 ) }

2. { ( 2, 3 ) , (–1, 4) }

3. { ( 0,0 ) , ( 2, 5) }

4. { ( 1,1,1) , (1,1,0) , (1,0,0) }

5. { (1,1,4,6) , (5,6,8,9) , (–18, –22 , –24 , – 24)}

6. { (3,1,–1),(1,–2,1),(11,–7,–1) }

7. { ( 1,2,5, 10) , ( 0,0,0,0)}

8. {( 1,1) , (–2,–2) }

9. Determinar o valor de m para que o conjunto de vetores {(1,2), ( 3, m)} seja LI.

10. Determinar o valor de m para que o conjunto de vetores {(1,2,4),(3,4,5),(1,0,m)}


seja LI.

11. Dados os vetores u=(1,2) e v=(4,2), represente graficamente os vetores u+v e u–


v.

Respostas dos exercícios:

1. { ( 1, 1 ) , ( 5,5 ) } é LD, pois (5,5) = 5(1,1).

2. { ( 2, 3 ) , (–1, 4) } é LI, pois se fizermos a(2,3) + b(–1,4)=(0,0), resulta

(2a, 3a) +( –b,4b)=(0,0) , ou seja , ( 2a –b, 3a +4b) =(0,0). Temos o sistema

 2a − b = 0 2 −1
 , cuja solução única é a= 0 e b=0, pois ≠ 0 . Logo, o
3a + 4b = 0 3 4
conjunto { ( 2, 3 ) , (–1, 4) } é LI( Linearmente Independente ).

3. { (0,0) , (2,5) } é LD , pois (0,0) = 0(2,5).

1 1 1
4. { ( 1,1,1) , (1,1,0) , (1,0,0) } é LI, pois 1 1 0 = – 1. Analogamente ao exercício
1 0 0
2, se fizermos a combinação linear

a(1,1,1) + b(1,1,0) + c(1,0,0) = (0, 0 , 0 ), resulta

(a,a,a ) + (b,b,0) + (c,0,0) = (0 , 0, 0) , isto é :

37
(a + b + c, a + b , a) = ( 0,0,0) , ou seja , o sistema

a + b + c = 0

 a+b=0 .
 a=0

A terceira equação implica a = 0; substituindo na segunda equação, vem b = 0; da


primeira equação, já que a = 0 e b = 0, resulta c = 0. Portanto, como a única
solução deste sistema é a solução trivial, o conjunto { ( 1,1,1) , (1,1,0) , (1,0,0) } é
LI. De fato, tal conclusão segue da regra prática, uma vez que o determinante do
1 1 1
sistema de equações é 1 1 0 = – 1. Lembremos que, pela regra de Cramer, se o
1 0 0
determinante da matriz dos coeficientes é diferente de zero, o sistema tem solução
única.

5. Suponhamos uma combinação linear igual ao vetor nulo do R4:

a(1,1,4,6) + b(5,6,8,9) + c(–18,–22, –24 , –24) = ( 0,0,0,0)

( a,a,4a,6a ) + ( 5b,6b,8b,9b) + ( –18c, – 22c, – 24c, –24c) = ( 0, 0, 0, 0 )

( a + 5b–18c , a + 6b–22c, 4a+8b–24c, 6a +9b –24c) = ( 0, 0 , 0 , 0 )

Igualando as coordenadas, resulta o sistema homogêneo:

 a + 5b − 18c = 0
 a + 6b − 22c = 0


4a + 8b − 24c = 0
6a + 9b − 24c = 0

Subtraindo as duas últimas equações, resulta –2a – b = 0, ou seja, b = – 2a. Substituindo


na 1ª equação, resulta: a + 5(–2a) – 18c = 0, o que implica a = – 2c, e c ∈ R. Portanto,
escolhendo c = 1, resulta a = – 2, e b = 4. Portanto, o conjunto de vetores dados
{(1,1,4,6),(5,6,8,9),(–18, –22,–24, –24)} é linearmente dependente. De fato, a
igualdade –2 (1,1,4,6) + 4 (5,6,8,9) + 1(–18, –22 , –24 , – 24) = (0,0,0,0) significa
que podemos escrever um dos vetores como combinação linear dos demais. Por
exemplo: (–8,–22,–24, –24) = 2(1,1,4,6) – 4(5,6,8,9).

3 1 11
6. { (3,1,–1),(1,–2,1),(11,–7,–1) } é LI, pois 1 − 2 − 7 = 24.
−1 1 −1

7. { ( 1,2,5, 10) , ( 0,0,0,0)} é LD, pois (0,0,0,0)= 0*(1,2,5,0)

8. {( 1,1) , (–2,–2) } é LD, pois (–2,–2) = –2*(1,1).

38
1 3
9. O conjunto de vetores {(1,2), ( 3, m)} é LI se e somente se ∆= for diferente
2 m
de zero. Calculando: ∆ = m – 6, resulta que o conjunto de vetores {(1,2), (3,m)} é LI se
e somente se m ≠ 6.

10. Os vetores dados são LI se e somente se m ≠ –3.

39
CAPÍTULO 5. ESPAÇOS VETORIAIS

Neste capítulo, é dada uma noção intuitiva de espaço vetorial, sem a formalização usual.
São vistos exemplos de subespaços vetoriais do R2 e do R3, que são mais simples e
podem ser representados geometricamente. O conceito de base é introduzido, com
exemplos de representação com o uso da base canônica e de outras bases do R2 e R3.

Espaços gerados. Suponhamos que V seja um espaço vetorial e B = { v1, v2 ,...,vn } ⊂


V é um conjunto de vetores linearmente independentes, então o conjunto de todas as
combinações lineares dos vetores de B é um subespaço vetorial de V, gerado por B. Isto
é, o espaço gerado por B é o conjunto {a1v1+ a2v2 + ... + anvn / ai ∈ R}. Este conjunto é
um subespaço vetorial de V, com dimensão igual a n.

Exemplo 1. Sejam V = R2 e B = { ( 1,2 ) }.

O conjunto de todos os vetores múltiplos ou combinações lineares do vetor (1,2) é a


reta que passa pela origem com equação y = 2x. Esta reta é um subespaço vetorial do
R2, de dimensão 1.

Figura 3. A reta y = 2x é um subespaço vetorial do R2 de dimensão 1.

Exemplo 2. V = R3

B = { (1,0,0) , (0,1,0) }

40
O conjunto de todos os vetores que são combinações lineares dos vetores (1,0,0) e
(0,1,0) é um plano contido no R3, em que cada vetor tem a terceira coordenada nula.
Este plano é um subespaço vetorial do R3, de dimensão 2.

Figura 4. O plano xOy é um subespaço vetorial do R3 de dimensão 2.

Base. Um conjunto B={v1,v2,...,vn} de vetores de um espaço vetorial V é chamado de


base de V se é Linearmente Independente e se gera V. Isto é, todo vetor de V é uma
combinação linear do conjunto de vetores v1,v2,...,vn e os vetores são LI.

Exemplo 3. V = R2.

B = { (1,0), (0,1) } é a base canônica do R2

1 0
De fato: B = { (1,0), (0,1) } é LI , pois = 1 ≠ 0 e B gera o R2, pois qualquer vetor
0 1
(x,y) é combinação linear dos vetores (1,0) e (0,1): (x,y) = x(1,0) + y(0,1).

Em particular: (3, 4) = 3(1,0) + 4(0,1)

Exemplo 4. V = R2.

B = { (1,1), (–1,1) } é uma base do R2

41
1 −1
De fato, B= { (1,1), (–1,1) } é LI , pois = 2 e todo vetor (x,y) é combinação
1 1
linear dos vetores de B. Por exemplo, expressar o vetor u=(1,5) nesta base.

Solução: (1,5) = a(1,1) + b( –1,1)

(1,5) = (a–b, a + b)

a − b = 1
Resulta o sistema :  . Somando as duas linhas do sistema, resulta: 2a = 6 ,
a + b = 5
logo a = 3 . Da segunda equação, vem : b = 5 – 3 = 2.

Conclusão: (1,5) = 3(1,1) + 2(–1,1) . Logo, as coordenadas do vetor (1,5) na base


B={(1,1),(–1,1)} são 3 e 2. Resumindo: na base canônica {(1,0),(0,1)}, temos u =
(1,5). Na base B={(1,1), (–1,1)}, temos u=(3, 2) .

y u=3u1+2u2

3u1
2u2

Figura 5. Uma combinação linear no R2.

Analogia: na base 10, o número doze é escrito como 12 ( 1 dezena mais duas unidades
); na base 2, o número 12 é representado pelos símbolos 1100.

Base 10 : 12= 1*10 + 2*100

Base 2 : 11002 = 1*23 + 1*22 + 0*21 + 0*20 = 12

Exemplo 5. V = R3

B = { (1,0,0) , (0,1,0) , (0,0,1) } é a base canônica do R3

42
1 0 0
De fato, B é um conjunto LI, pois 0 1 0 = 1 e todo vetor (x,y,z) do R3 é uma
0 0 1
combinação linear dos vetores do conjunto B: (x,y,z) = x(1,0,0) + y(0,1,0) + z(0,0,1)

Em particular: (3,4,5) = 3(1,0,0) + 4(0,1,0) + 5(0,0,1)

Exemplo 6. V = R3

B = { (0,2,0), (3,0,3),(– 4,0,4)} é base do R3.

0 3 −4
De fato, B é um conjunto LI, pois 2 0 0 = – 48. Todo vetor do R3 é uma
0 3 4
combinação linear destes três vetores.

Exercício. Determinar as coordenadas do vetor v=(3,4,5) na base B do exemplo 6.

Solução : (3,4,5) = a(0,2,0) + b(3,0,3) + c(–4,0,4)

(3,4,5) = (0,2a,0) + (3b,0,3b) + (–4c,0,4c)

(3,4,5) = (3b–4c, 2a , 3b+4c)

3b − 4c = 3

Equivale ao sistema :  2a = 4
3b + 4c = 5

Logo: a = 2 , b = 4/3 e c= ¼

Isto é, na base B, as coordenadas do vetor v são (2, 4/3, 1/4) ,isto é,

4 1
(3,4,5) = 2(0,2,0) + (3,0,3) + (– 4, 0 , 4) .
3 4

Produto Escalar. O produto escalar de dois vetores (do Rn) u= (u1,u2,..,un) e


n
v=(v1,v2,...vn) é u ⋅ v = ∑u v
i =1
i i = u1v1 + u2v2 +...+ unvn.

No Matlab, o produto escalar é calculado de u e v é calculado pelo comando dot(u,v).


Uma aplicação do produto escalar é a detecção de erros em código de barras, conforme
artigo publicado na revista Revista do Professor de Matemática, número 68.

Exemplo 7. Calcular o produto escalar dos vetores u =(1,2) e v = (3,5).

Solução: u ⋅ v = 1⋅ 3 + 2 ⋅ 5 = 3 + 10 = 13.

Exemplo 8. Calcular o produto escalar dos vetores u =(1,2, –1) e v = (0,3,5).

Solução: u ⋅ v = 1⋅ 0 + 2 ⋅ 3 + (−1) ⋅ 5 = 0 + 6 – 5 = 1.

43
Vetores Ortogonais. Dois vetores u e v são ortogonais se u ⋅ v = 0.

Exemplo 9. Os vetores u = (1,1) e v = (–1,1) são ortogonais, pois u ⋅ v = 1 ⋅ (−1) + 1⋅ 1


= –1 + 1 = 0. Os vetores do exemplo 8 não são ortogonais. Geometricamente, dois
vetores do R2 ( ou do R3 ) são ortogonais se o ângulo entre eles for igual a 90o.

Exemplo 10. Os vetores u = (1, 2 , 3) e v = ( 1,1,0) não são ortogonais, pois u ⋅ v = 1*1
+ 2*1 + 3*0 = 3 . Como o produto escalar entre u e v não é igual a zero, os vetores não
são ortogonais.

Conjunto Ortogonal. Um conjunto M={v1,v2,...,vn} de um espaço vetorial V é


ortogonal se v i ⋅ v j = 0 , para cada par i , j, com i ≠ j. Por exemplo, o conjunto M={(1,–
1,0), (2,2,4), (4,4,–4) } é ortogonal. A verificação fica a cargo do leitor.

Base Ortogonal. Uma base B={v1,v2,...,vn} de um espaço vetorial V é ortogonal se


v i ⋅ v j = 0 , para cada par i , j, com i ≠ j.

Exemplo 11. As bases canônicas do R2 e do R3 são ortogonais.

Exemplo 12. A base B = { (1,1), (–1,1) } é uma base ortogonal do R2.

Normalização de um vetor. Dado um vetor u = (u1,u2,...un) do Rn, o módulo de u é


dado por | u | = u 12 + u 22 + ... + u 2n . Se | u | = 1, então u é um vetor unitário. Todo vetor
u
u com módulo não-nulo pode ser normalizado, fazendo-se v = . No Matlab, o
|u|
módulo de u é calculado através de norm(u).

Exemplo 12. u = (3,4)

Módulo de u : | u | = 32 + 4 2 = 25 = 5.

| u | = 5.

u (3,4)
Versor de u : v= = (3/5 , 4/5 ) . Observe que | v | = 1.
|u| 5

O vetor v = ( 3/5, 4/5), chamado de versor de u, é um vetor unitário que tem a mesma
direção de u.

Base Ortonormal. É uma base ortogonal formada por vetores unitários.

Exemplo 13. B = { (1,1) , (–1,1) } é uma base ortogonal, mas não é ortonormal, pois
cada vetor da base B tem módulo igual a 2 ; a base B’ = { ( 1/ 2 , 1/ 2 ) , ( – 1/ 2
, 1/ 2 ) } é uma base ortonormal do R2. No Matlab, obtemos | (1,1) | = | (–1,1) | =
1.4142. Logo, a base ortonormal é B’ = { (0.7071, 0.7071) , (–0.7071, 0.7071)} .

Exemplo 14. O conjunto {(–1,2,3), (2,–2,2)} é LI. Acrescentar um terceiro vetor a este
conjunto para que ele se transforme numa base ortogonal do R3. Obter uma base
ortonormal do R3.

44
Solução: procuramos um vetor v = (a,b,c) do R3 tal que

(a , b, c) ⋅ (−1,2,3) = 0

(a , b, c) ⋅ (2,−2,2) = 0

Equivale ao sistema : –a + 2b + 3c = 0

2a – 2b + 2c = 0

Somando as duas equações , resulta:

a + 5c = 0, logo, a = –5c.

Substituindo na primeira equação, resulta: b = – 4c. Se c = 1, então a = –5 e b = –4.O


vetor é v = (–5,– 4,1).

Verificação: (−5,−4,1) ⋅ (−1,2,3) = 5 + (–8) + 3 = 0

(−5,−4,1) ⋅ (2,−2,2) = –10 + 8 + 2 = 0

Assim, uma base ortogonal do R3 é o conjunto

B = {(-1,2,3), (2,-2,2), (–5,–4,1)}.

Para obter uma base ortonormal do R3, basta dividir cada vetor de B pelo seu módulo.
Assim, uma base ortonormal do R3 é o conjunto

B’={(-0.2673,0.5345,0.8018),(0.5774,–0.5774,0.5774),(–0.7715,–0.6172,0.1543)}

Cada vetor do conjunto B’ é unitário e os vetores são ortogonais dois a dois. Na parte
final deste capítulo, vamos mostrar duas aplicações do produto escalar.

45
APLICAÇÕES DO PRODUTO ESCALAR

Aplicação 1. Detecção de erros no código de barras.

Quando a máquina leitora não consegue “ler” o código de barras, o operador de caixa
digita os números manualmente. Ele não poderia cometer um erro e nós acabarmos
pagando por um produto diferente daquele que realmente queremos comprar? Como é
possível reconhecer se foi cometido um erro?

O código de barras utilizado em larga escala é denominado EAN-13, que utiliza


treze dígitos. Neste sistema EAN-13, um produto é identificado por uma sequencia de
treze dígitos a1a2...a12a13. Os primeiros doze dígitos identificam o país de origem, o
fabricante e o produto específico, e são determinados por um método padrão, a cargo
de uma autoridade classificadora de cada país. O décimo terceiro dígito, chamado dígito
de verificação, é justamente o dado utilizado para a detecção de erros, e será denotado
por x.

Para facilitar, vamos escrever o código de barras como um vetor u =


(a1,a2,...,a11,a12,x).

O sistema EAN-13 se utiliza de um vetor fixo, chamado de vetor de pesos:


w=(1,3,1,3,1,3,1,3,1,3,1,3,1).

Calcula-se então o produto escalar de ambos os vetores, multiplicando cada


dígito do vetor código de barras, pelo número que ocupa a mesma posição no vetor de
pesos :

u.w = a1 + 3a2 +a3 + 3a4 + a5 + 3a6 + a7 + 3a8 + a9 + 3a10 + a11 + 3a12 + x

Agora, o dígito de verificação x se escolhe de forma que a soma acima seja múltiplo de
10. O número 3 foi escolhido por ser o menor número diferente de 1 tal que mdc(3,10)
= 1.

Exemplo 1. O código de barras da caixa de giz é 7 896 640 450 83 x. Calcular x.

Solução: u = ( 7, 8, 9 , 6 , 6 , 4 , 0 , 4 , 5 , 0 , 8 , 3 , x )

Fazemos o produto escalar pelo vetor de pesos w=(1,3,1,3,1,3,1,3,1,3,1,3,1).

u.w= 7*1 + 8*3 + 9*1 + 6*3 + 6*1 + 4*3 + 0*1 + 4*3 + 5*1 + 0*3 + 8*1 + 3*3 + x=

u.w = 7 + 24 + 9 + 18 + 6 + 12 + 0 + 12 + 5 + 0 + 8 + 9 + x = 110 + x . Logo, x = 0,


para que o resultado seja um múltiplo de 10.

Exemplo 2. O código de barras de um apagador é 7 897 424 009 11 x. Calcular o dígito


x.

Solução: u = ( 7, 8, 9 , 7 , 4 , 2, 4 , 0 , 0 , 9 , 1 , 1 , x )

Fazemos o produto escalar pelo vetor de pesos w=(1,3,1,3,1,3,1,3,1,3,1,3,1).

u.w = 7*1 + 8*3 + 9*1 + 7*3 + 4*1 + 2*3 + 4*1 + 0*3 + 0*1 + 9*3 + 1*1 + 1*3 + x=

46
u.w = 7 + 24 + 9 + 21 + 4 + 6 + 4 + 0 + 0 + 27 + 1 + 3 + x = 106 + x

Logo, devemos ter x = 4, pois 110 é múltiplo de 10.

Aplicação 2. O código ISBN ( International Standard Book Number )

Os livros editados recentemente são identificados por um código, chamado ISBN, que
que tem dez dígitos, representados por a1a2...a9a10. Os primeiros nove dígitos
identificam o país de origem, a editora, e outras informações sobre o livro. O décimo
dígito, chamado de dígito de verificação é calculado usando também o produto escalar,
análogo ao do código de barras, da seguinte forma:

Suponhamos que o ISBN de um livro seja a sequencia a1a2...a9a10. Definimos o


vetor u=(a1 , a2 , ... , a9). O vetor de pesos do sistema ISBN é o vetor w =
(1,2,3,4,5,6,7,8,9). Fazemos o produto escalar do vetor u pelo vetor w. Resulta:

u.w = a1 + 2a2 + 3a3 + 4a4 + 5a5 + 6a6 + 7a7 + 8a8 + 9a9

Agora, divide-se este resultado pelo número 11. O resto da divisão é o décimo
dígito. Caso o resto seja igual a dez, o dígito é x.

Exemplo 3. O livro ANTON, H. Álgebra Linear Contemporânea tem ISBN 85 363


0615 7. Verificar se está correto.

Solução: u = (8, 5, 3, 6, 3, 0, 6, 1, 5 )

w =(1, 2, 3, 4, 5, 6, 7, 8, 9) é o vetor de pesos

u.w = 8*1 + 5*2 + 3*3 + 6*4 + 3*5 + 0*6 + 6*7 + 1*8 + 5*9 = 161.

Dividindo 161 por 11, obtemos 14 e resto 7. Portanto, o último dígito é 7, o


ISBN está correto.

Exemplo 4. O livro STEWART, Cálculo, Volume 1, tem ISBN igual a 852 110484 0.
Verificar se está correto.

Solução: u = (8, 5, 2, 1, 1, 0, 4, 8, 4 )

w =(1, 2, 3, 4, 5, 6, 7, 8, 9) é o vetor de pesos

u.w = 8*1 + 5*2 + 2*3 + 1*4 + 1*5 + 0*6 + 4*7 + 8*8 + 4*9 = 165

Como 165 é um múltiplo de 11, o último dígito é igual a 0. Portanto, o ISBN dado está
correto.

Exemplo 5. Calcular o dígito de verificação do ISBN do livro KREYSZIG, Matemática


Superior, Vol. 3, sabendo que os primeiros nove dígitos são 85 216 0355.

Solução: u = (8, 5, 2, 1, 6, 0, 3, 5, 5 )

w = (1, 2, 3, 4, 5, 6, 7, 8, 9) é o vetor de pesos

u.w = 8*1 + 5*2 + 2*3 + 1*4 + 6*5 + 0*6 + 3*7 + 5*8 + 5*9 = 164

47
Divide-se 164 por 11. O resultado é igual a 14, com resto igual a 10. Logo, o
dígito de verificação é X.

Exercícios.

1.Calcular as coordenadas do vetor v=( 3, 5) na base B={(1,2),(–2,1)}.

2. Dado o vetor vB = (2, –2, –1) na base B={(1,1,1),(1,1,0),(1,0,0)} expressar este vetor
na base canônica do R3 .

3. Verificar se o conjunto B={(1,1,3),(2,3,6),(3,4,9)} é ou não base do R3.

4. Verificar se o conjunto B = {(1,1,1,3),(0,0,1,–4),(1,0,5,9),(1,0,9,4)} é ou não base do


R4. Calcular as coordenadas do vetor (6, 2, 33, 31) na base B.

5. Verificar se o conjunto B = {(0,0,1,–4),(1,0,5,9),(1,0,9,4)} é LI ou LD.

6 . O conjunto B={(1,1,1),(–1,1,0)} é LI. Adicionar um terceiro vetor não-nulo a este


conjunto de modo que o conjunto resultante seja ortogonal.

7. Normalizar o conjunto B ={(1,2),(–2,1)}.

8. Calcular as coordenadas do vetor v=(7,–7,7) na base B={(1,1,1),(1,1,0),(1,0,0)}.

9. Calcular as coordenadas do vetor v=(2,6) na base B={(1,1),(–1,1)} . Representar


graficamente.

Respostas dos exercícios:


1. Suponhamos (3,5) = a(1,2) + b(–2,1)

(3,5) = ( a, 2a) + (–2b, b) =

(3,5) = ( a – 2b, 2a +b)

Igualando as coordenadas, resulta o sistema :

a – 2b =3

2a + b = 5

Cuja solução é a = 2.6 e b = – 0.2 . Assim, as coordenadas do vetor v= (3,5) na base


B={(1,2) , (–2,1)} são (2.6 , – 0.2). Notação vB = ( 2.6 , –0.2 )

2. v = 2(1,1,1) – 2(1,1,0) –1(1,0,0) = ( 2,2,2) – (2,2,0)–(1,0,0) = ( –1,0,2)

3. O conjunto B não é base do R3, pois é um conjunto Linearmente Dependente, já que


o determinante formado pelos vetores é igual a zero. Observe que u3 = u1 + u2.

4. Primeiro, devemos mostrar que o conjunto é Linearmente Independente. A matriz


M formada pelos vetores tem det(M) = 11. Logo, o conjunto é LI. Como a dimensão do
espaço vetorial R4 é igual a 4, este conjunto é uma base. As coordenadas do vetor v na
base B são vB = ( 2 , –1, 1 , 3) .

48
5. Se o conjunto for LD, então deve haver uma combinação linear entre os vetores, por,
exemplo : (0,0,1, – 4) = a(1,0,5,9) + b(1,0,9,4)

(0,0,1, – 4) = ( a ,0 ,5a , 9a) + (b ,0 , 9b ,4b)

(0,0,1, – 4) = ( a + b, 0, 5a +9b , 9a+4b )

Igualando as coordenadas correspondentes, resulta o sistema :

a +b = 0 5a +9b =1 9a+4b = – 4

Como este sistema não tem solução, significa que o conjunto de vetores é LI
(Linearmente Independente).

6. Suponhamos que o terceiro vetor seja o vetor ( a, b, c ) . Para que o conjunto seja
ortogonal, o produto escalar deve ser igual a zero, entre cada par de vetores diferentes.
Assim: (1,1,1)(a,b,c) = 0 e (–1,1,0)(a,b,c) = 0. Desenvolvendo o produto escalar,
resulta: a + b + c = 0 e –a + b = 0 . O sistema acima tem a solução b = a , c = – 2a,
onde a ∈ R. Escolhendo a = 1, resulta b = 1 e c = –2. Assim, o conjunto resultante é B’
= {(1,1,1),(–1,1,0),(1,1,–2)}.

7. Basta dividir cada vetor pelo seu módulo. O conjunto fica B’={ (0.4472, 0.8944)
, (–0.8944, 0.4472)}.

8. Devemos supor (7 , –7 , 7 ) = a(1,1,1) + b(1,1,0) + c(1,0,0), e resolver o sistema


correspondente.

Montando e resolvendo o sistema, resulta a = 7, b = – 14, c =14. Assim, as coordenadas


de v na base B são vB=(7, –14, 14.).

9. Analogamente ao exercício 8, chegamos a vB= ( 4,2) .

vB

4u1

2u2

49
CAPÍTULO 6. TRANSFORMAÇÕES LINEARES E
REPRESENTAÇÃO MATRICIAL

Sejam V e W espaços vetoriais; T: V → W é uma transformação linear se T satisfaz


as duas seguintes propriedades:

i) T ( u + v ) = T(u) + T(v) , para quaisquer u e v ∈ V

ii) T(au) = aT(u) , para qualquer a ∈ R e u ∈ V.

Exemplo de uma transformação linear T : R → R , onde T(x) = 2x .

Neste exemplo, estamos considerando o conjunto dos números reais como um


espaço vetorial. A transformação é definida por T(x)=2x. Assim, T(x+y)=
2(x+y) = 2x + 2y = T(x) + T(y) e T(ax)=2(ax)=a(2x)=aT(x). Logo, T é uma
transformação linear.

Exemplo de uma transformação não-linear. T: R → R, onde T(x) = 2x + 3.

Para mostrar que esta transformação não é linear, basta mostrar um par de
vetores de R para os quais T(x+y) ≠ T(x)+T(y).Por exemplo, x = 2 e y = 4;
T(2 + 4) = T(6) = 15 e T(2)+T(4) = 7+11= 18.

Assim, T(2+4) ≠ T(2) + T(4). Logo, esta transformação não é linear.

Propriedade de uma transformação linear. Se T: V → W é uma transformação


linear do espaço vetorial V no espaço vetorial W, então T(0) = 0. Assim, no exemplo
2, como T(0) = 3, T não é uma transformação linear, de acordo com a definição acima.

Representação matricial de uma transformação linear

Uma transformação linear T: Rn → Rm pode ser representada na base canônica por


uma matriz Amxn. Neste texto, sempre serão consideradas as bases canônicas do Rn.

Notação: A ou [T].

Assim, se A é a matriz que representa a transformação linear T, o cálculo de T no vetor


v equivale a multiplicação matricial de A por v, ou seja, : T(v)=Av.

Exemplo 1. T: R2 → R3 definida por T(x,y)=(x+y, x–y, 2x); calculando a imagem


dos vetores da base canônica, obtemos T(1,0)=(1,1,2) e T(0,1)=(1,–1,0), logo a matriz
1 1 
de T é a matriz A = 1 − 1 . Nesta notação, a transformação T(v) é interpretada
2 0  3 x 2
x
como a multiplicação de A pelo vetor v=   :
 y

50
 x + y 1 1 
    x 
 x − y  = 1 − 1  . Assim, a matriz que representa esta transformação é A=
2 0  
 2x  y
 
1 1  1 1 
1 − 1 ou [T]= 1 − 1
   
2 0  3 x 2 2 0  3 x 2

Exemplo 2. T : R2 → R2 definida por T(x,y)=(x+3y,4x+2y); calculando a imagem dos


vetores da base canônica, obtemos T(1,0)=(1,4) e T(0,1)=(3,2) ,logo a matriz de T é A=
1 3 
 4 2 . Nesta notação, a transformação é interpretada como a multiplicação de A
  2x 2
x  x + 3y  1 3 x 
por v =   , isto é,   =   
 y  4x + 2y  4 2 y 

 1 3   1  1 + 3   4
Por exemplo, T(1,1) = ( 1+3, 4+2) = (4,6) ou    =   =  
 4 2   1  4 + 2  6

Exemplo 3 .T: R3 → R3 definida por T(x,y,z)= ( x+y+z , x+y+2z, x–y) .

1 1 1
Na base canônica do R , a matriz de T é A = 1 1 2 . Nesta notação, a
3

1 − 1 0
x
transformação é interpretada como a multiplicação de A por v =  y  .
z 
 

Exemplo 4. A transformação linear T: R3 → R3 tem representação matricial igual a


1 0 4
− 1 2 − 3 . Calcule T(1,4,7).
 
 0 2 4 

 1 0 4  1   29 
   
Solução : w = T(1,4,7); w = − 1 2 − 3  4  =  − 14 
 0 2 4   7   36 

51
 29 
 
Logo, T(1,4,7) = (29, –14, 36) ou como vetor-coluna, w =  − 14 
 36 
 

Exemplo 5. Seja T: R2 → R2 uma transformação linear tal que T(1,0)=(2,5) e


T(0,1)=(– 4,1). Calcular T(x,y).

Solução : na base canônica, (x,y) = x(1,0) + y(0,1)

T(x,y)=T(x(1,0) + y(0,1))=xT(1,0)+yT(0,1)=x(2,5)+y(–4,1)

T(x,y)=( 2x – 4y, 5x+y)

 2 − 4
A matriz de T é a matriz A =   . Observe que as colunas da matriz A são as
5 1 
imagens dos vetores da base canônica. Esta propriedade vale em geral.

Exemplo 6. Dada a transformação T do exemplo 2, calcular a lei da transformação


linear L: R2 → R2 , dada por L(x,y)= T10(x,y).

1 3 
Solução: A matriz de T é A =  .
 4 2

4185853 4184829
Calculando A10, resulta A10=   . Logo, a lei da transformação é
5579772 5580796 

L(x,y)=(4185853x+4184829y, 5579772x+5580796y) .

52
Exemplo 7. A transformação T que efetua uma rotação do plano por um ângulo θ ( em
cos(θ ) − sin(θ )
radianos2 ) é representada pela matriz T=   . Por exemplo, a
 sin(θ ) cos(θ ) 
cos(pi/4) − sin(pi/4)
rotação do plano de um ângulo de 45º é dada pela matriz   . Se
 sin(pi/4) cos(pi/4) 
cos(π / 4) − 0  2 / 2
u=(1,0), então a imagem de u é o vetor v=T*u ==  =  .,
 sin(π / 4) + 0   2 / 2
representados graficamente na figura abaixo.
y

u x


2 π radianos equivale a 1800 . Portanto, x graus equivale a y = radianos.
180

53
6.1. TRANSFORMAÇÕES LINEARES PLANAS

É apresentado um estudo das principais transformações lineares planas, e sua


representação matricial na base canônica. A imagem de algumas figuras geométricas é
obtida, e os cálculos são realizados no Matlab.

1 0 
1. Reflexão em relação ao eixo x T(x,y) = (x,–y ). A matriz é T=  .
0 − 1

Para visualizar a reflexão no plano, fazemos no Matlab o polígono com vértices nos
pontos (0,1), (2,1), (2,2), (1,2) , (1,4), (0,4) e (0,1). Cada vértice corresponde a um vetor
do plano. Para tanto, são criados dois vetores: o vetor x contando as abscissas e o vetor
y contendo a ordenada de cada ponto. Os pontos (0,0) e (4,0) são também esboçados na
figura para deslocar a origem do sistema. Para aplicar a transformação T no polígono,
definimos a matriz T, criamos a matriz M=[x;y], calculamos o produto N=T*M, que
equivale a calcular a transformação em cada vetor. Após, é selecionada a primeira linha
de N, que define x1, e a segunda linha de N, que define y1. As posições correspondentes
de x1 e y1 são os vértices do polígono resultante da transformação linear.

>> x=[0,2,2,1,1,0,0];

>> y=[1,1,2,2,4,4,1];

>>x2=[0,4];y2=[0,0];

>> plot(x,y,x2,y2)

>> T=[1 0 ; 0 -1];

>> M=[x;y];

>>N=T*M

>>x1=N(1,:);y1=N(2,:);

>> plot(x,y,x1,y1,x2,y2)

54
Para visualizar somente o polígono transformado, executar o comando >>plot(x1,y1).

2. Expansão ( ou contração ) uniforme T(x,y) = (ax, ay).

2 0
Por exemplo, com a = 2, T(x,y) = (2x, 2y). A matriz é T =  .
0 2 

Neste exemplo, vamos calcular a imagem do quadrado unitario por esta transformação
linear, com a seguinte sequencia de comandos no Matlab:

>> x=[0,1,1,0,0];

>> y=[0,0,1,1,0];

>> T=[2 0; 0 2];

>> M=[x;y]

55
>>N=T*M

>>x1=N(1,:);y1=N(2,:);

>> x2=[0,2];y2=[0,0];

>> plot(x,y,x1,y1,x2,y2)

− 1 0 
3. Reflexão na origem T(x,y) = ( –x, –y ). A matriz é T=  .
 0 − 1

A sequencia de comandos para visualizar o efeito num quadrado unitario é :

>>x=[0,1,1,0,0];x2=x+2;

>> y=[0,0,1,1,0];y2=y+2;

>> T=[–1 0; 0 –1];

>> M=[x2;y2];

>>N=T*M;

>> x1=N(1,:);y1=N(2,:);

>> fill(x2,y2,’b’,x1,y1,’r’)

56
4. Rotação de um ângulo θ ( no sentido antihorario )

T(x,y) = (xcosθ – ysenθ, xsenθ ysenθ)

cos(θ ) − sin (θ )
A matriz de T é T=   . Um caso particular é a rotação de π/4
 sin (θ ) cos(θ ) 
rad, no sentido antihorario. Um quadrado, de cor azul, com vértices nos pontos
(0,0),(1,0),(1,1),(0,1) e (0,0) é transformado no quadrado de cor vermelha.

>>x=[0,1,1,0,0];

>> y=[0,0,1,1,0];

>> T=[cos(pi/4) –sin(pi/4); sin(pi/4) cos(pi/4)];

>> M=[x;y];

>>N=T*M;

>> x1=N(1,:);y1=N(2,:);

>> fill(x,y,’ b’,x1,y1,’r’)

57
A rotação de um segmento que une dois pontos é mostrada no seguinte exemplo. Seja
o segmento que une os pontos (1,1) e (4,4), que sofre uma rotação de 90o. Temos:

>>x=[1,4];y=[1,4];

>> M=[x;y];

>> T=[cos(pi/2) –sin(pi/2); sin(pi/2) cos(pi/2)];

>>N=T*M;

>>x2=N(1,:);y2=N(2,:);

>> plot(x,y,x2,y2)

58
5. Cisalhamento horizontal de fator α: T(x,y) = ( x+αy , y)

1 2
Por exemplo, com α=2, T(x,y) = ( x + 2y , y ). A matriz é T=   . Será
0 1 
mostrado o efeito do cisalhamento horizontal, semelhante ao traçado de uma
letra, em formato itálico:

>>x=[1,1,3,3,–3,–3,–1,–1,1];

>> y=[0,4,4,6,6,4,4,0,0];

>> M=[x;y];

>> T=[1 2;0 1];

>> N=T*M;

>> x1=N(1,:);y1=N(2,:);

>> fill( x,y,’b’,x1,y1,’r’)

6. Composição: Rotação antihoraria de π/4 seguida de uma dilatação de fator 2.


Temos:

cos(pi/4 ) − sin (pi/4 )


T1=   matriz da rotação de π/4
 sin (pi/4 ) cos(pi/4 ) 

2 0
T2=   matriz da dilatação de fator 2
0 2 

2 0 cos(pi/4 ) − sin (pi/4 ) 2cos(pi/4 ) − 2sin (pi/4 )


T= T2T1 =   =  2sin (pi/4 ) 2cos(pi/4 ) 
0 2  sin (pi/4 ) cos(pi/4 )   

59
Na figura da esquerda, o quadrado unitário, com vértice nos pontos
(0,0),(1,0),(1,1)(0,1) e (0,0). A direita, o quadrado resultante, após uma rotação de
45o e uma dilatação de fator 2.

Exercícios. Transformações Lineares


1. Seja T: R2 → R2 a transformação linear T(x,y)= (2x+2y,–x+5y). Calcule T(0,0),
T(1,1) , T(T(2,4)). Deduza uma regra prática para calcular T(T(x,y)).

2. Seja T: R2 → R2 a transformação linear T(x,y)= (2x+2y,–x+5y). Calcule os vetores


v=(x,y) tais que T(x,y)=(0,0).

3. Sejam T1: R2 → R2 , T1(x,y)= (2x+2y,–x+5y) e T2: R2 → R2 , T2(x,y)= (x+y,x–2y).


Calcule T1(T2(3,4)) ; calcule T2(T2(3,4)); calcule T2(T2(T2(T2(3,4)))). Qual a maneira
mais rápida de efetuar este cálculo ?

4. Seja T: R2 → R2 dada por T(x,y) = (x+2y, y) . Calcule T(0,0),T(1,0), T(1,1) e T(0,1).

5. A transformação que efetua uma rotação de um ângulo θ ( no Matlab, deve ser dado
cos(θ) − sin(θ)
em radianos3 ) no R2 é representada pela matriz A =   . Calcule a
 sin(θ) cos(θ) 
imagem do vetor u=(3/5, 4/5) por uma rotação de 600 do plano. Representa
geometricamente. Compara o módulo de u com o módulo de T(u).


3 π radianos equivale a 1800 . Portanto, x graus equivale a y = radianos.
180
cos(θ) − sin(θ) 0
6. A matriz A =  sin(θ) cos(θ) 0 é uma transformação linear do R3 no R3 que
 0 0 1
representa uma rotação em torno do eixo z por um ângulo θ.

a) Se u = ( 2, 0, 4) , qual a imagem de u por uma rotação de 900 em torno do eixo z ?


Calcule no Matlab e represente graficamente no R3. Calcule o módulo de T(u) e
compare com o módulo de u.

b) Se u = ( 1, 0 , 1) , qual a imagem de u por uma rotação de 450 em torno do eixo z ?


Calcule no Matlab e represente graficamente no R3. Calcule o módulo de T(u) e
compare com o módulo de u.

 3/ 7 2 / 7 6 / 7 
7. Seja T: R → R dada pela matriz A= − 6 / 7 3 / 7 2 / 7  . Calcule w=T(1,2,3)
3 3

 2 / 7 6 / 7 − 3 / 7
e compare | (1,2,3) | e | T(1,2,3) |. O que observa?

8. Seja T: R3 → R3 , uma transformação linear tal que T(1,0,0)=(2,3,4), T(0,1,0)=(1,–


1,2) e T(0,0,1)=(–1,2,0). Calcule a matriz de T e T(3,4,5).

Exercícios sobre transformações planas. Nos exercícios 1 até 3 abaixo, determinar a


matriz da transformação plana que satisfaz as propriedades dadas em cada item. Fazer
o gráfico da imagem do quadrado unitário para cada Transformação Linear:

1. T(1,0) = (–2,0) e T(0,1) = ( 0,–1).

2. T(1,0) = (1,1) e T(0,1) = (0,1)

3. T(1,0) = (–2 2 ; 2 ) e T(0,1) = ( – 2 ; –2 2 )

Nos exercícios 4 até 6, a transformação linear é descrita através de suas propriedades.


Determine a matriz da transformação.

4. T é uma contração de fator 1/2 seguido de um cisalhamento de horizontal de


fator 3.

5. T é uma dilatação de fator 3, seguido de uma rotação de π/2 radianos, seguida


de um cisalhamento horizontal de fator 1.

6. T é uma transformação em que o vetor (1,0) é um autovetor com autovalor


λ=3 e o vetor (0,1) é um autovetor com autovalor λ=1.

Nos exercícios 7 até 10, aplique a transformação no polígono dado e represente a


imagem graficamente.

7. Polígono com vértices nos pontos (1,0), (1,4), (3,4), (3,5), (–3,5) , (–3,4),
(–1,4), (–1,0) e (1,0). Obtenha a imagem deste polígono pela aplicação de um
cisalhamento horizontal de fator α=1.

61
8. Polígono com vértices nos pontos (0,0),(2,0),(2,1),(1,1),(1,3),(0,3),(0,0).
Obtenha a imagem deste polígono pela aplicação de uma rotação antihoraria
de 60o.

9. Polígono com vértices nos pontos (0,0),(2,0),(2,1),(1,1),(1,3),(0,3),(0,0).


Obtenha a imagem deste polígono pela aplicação de uma rotação antihoraria
de 60o, seguida de um contração de fator 1/2.

10. Polígono com vértices nos pontos (0,0),(2,0),(2,1),(1,1),(1,3),(0,3),(0,0).


Obtenha a imagem deste polígono pela aplicação de uma rotação antihoraria
de 60o, seguida de um contração de fator 1/2, seguida de um cisalhamento
vertical de fator α=3.

Respostas dos exercícios ( Transformações Lineares ):

1.T(0,0) = (0,0) ; T(1,1)=(4,4) ; T(T(2,4))=(60,78)

2. O único vetor cuja imagem é o vetor nulo é o vetor nulo.

3. T1(T2(3,4))=( 4, –32) ; T2(T2(3,4)) =(2, 17); T24(3,4)=(–13,83) Se A é a matriz de


T, basta fazer A4 multiplicado por u=(3,4).

4. T(0,0)=(0,0) , T(1,0) = (1,0) , T(1,1)=(3,1) e T(0,1)=(2,1).

cos(π / 3) − sin(π / 3)


5. A matriz de T é a matriz  ;
 sin(π / 3) cos(π / 3) 

u = ( 0.6 , 0.8). T(u)=(–0.3928 , 0.9196); |u|=1 e | T(u) | = 1.

(–0.39 , 0.9)
(0.6 , 0.8)

6. a) u = (2,0,4) ; v=T(u)= (0,2,4) , | u | = | v | = 4.4721

b) u = (1,0,1) ; v = T(u) = (0.7071 , 0.7071, 1). | u | = | v | = 1.4142.

62
z
z
(1,0,1)
(0,2,4)
(2,0,4) (0.7, 0.7, 1)

y
y

x
x

Solução do item a. Solução do item b.

 3/ 7 2 / 7 6 / 7 
7. . Seja T: R → R dada pela matriz A= − 6 / 7 3 / 7 2 / 7  . Calcule
3 3

 2 / 7 6 / 7 − 3 / 7
w=T(1,2,3) = ( 3.5714 , 0.8571 ; 0.7143 ) . Vemos que | u | = 3.74 e | T(u) | = 3.74.

2 1 − 1
8. A matriz de T é a matriz [T]= 3 − 1 2  e T(3,4,5)=( 5 , 15 , 20).
4 2 0 

63
CAPÍTULO 7. AUTOVALORES E AUTOVETORES

Definição de autovalor e autovetor. Seja T: Rn → Rn uma transformação linear. Se


existe um vetor não-nulo v tal que T(v)=λv, para algum escalar λ, então λ é dito um
autovalor da transformação linear e cada vetor não-nulo v tal que T(v)= λv é dito um
autovetor da transformação linear, associado a λ. Como a cada Transformação Linear
T: Rn → Rn corresponde uma matriz Anxn que a representa, os valores de λ e v da
definição acima são chamados também de autovalor (valor próprio) e autovetor (vetor
próprio ) da matriz A, respectivamente.

Exemplo 1. Verificar que o vetor v=(1,1) é um autovetor da transformação T: R2 →


R2 dada por T(x,y)=(2x+2y,–x+5y), associado ao autovalor λ=4.

 2 2  1
Solução: a matriz de T é A =   . Multiplicando por v =   , obtemos:
− 1 5  1
 2 2  1  2 + 2   4   1
− 1 5   =   =   = 4   .
   1  − 1 + 5   4   1

Resumindo: T(v) = 4v, onde v=(1,1), ou equivalentemente, Av = 4v.

y y
T(v)=4v

x
x

Figura 6. O vetor v=(1,1) . Figura 7. O vetor T(v) = 4v.

Exemplo 2. Verificar que o vetor v=(4,2) é um autovetor da transformação T:R2 → R2


dada por T(x,y)=(2x+2y,–x+5y), associado ao autovalor λ=3.

 2 2  4  2 2
Solução: a matriz de T é A =   . Multiplicando por v=   , obtemos:  
− 1 5  2 − 1 5
 4   8 + 4  12   4
  =   =   = 3   .
 2   − 4 + 10   6   2

64
Resumindo: T(v) = 3v, onde v=(4,2), ou equivalentemente, Av=3v.

Exemplo 3. A rotação de 45o no plano xy não tem nenhum autovetor.

y y

T(v)

v
v

x x

65
7.1. CÁLCULO DOS AUTOVALORES E AUTOVETORES

Para o cálculo dos autovalores e autovetores de uma transformação linear T: Rn → Rn


representada pela matriz A, devemos resolver a equação Av= λv, ou seja, Av = λIv,
onde I é a matriz identidade nxn. A última igualdade equivale a equação vetorial (A–
λI)v = 0. Isto é, devemos procurar soluções não-triviais do sistema homogêneo de
equações e n incógnitas (A– λI ) v = 0 .

Para que tal ocorra, a matriz A – λI deve ser singular ( det(A– λI )=0 ), isto é, os
autovalores da matriz A são as raízes da equação det(A- λΙ) =0, chamada de equação
característica de A. Os autovetores associados ao autovalor λ formam o espaço-
solução ou auto-espaço de A associado a λ.

Resumindo: para calcular os autovalores de uma Transformação Linear T: Rn → Rn


representada pela matriz A, calculamos as raízes da equação característica det(A- λI)=
0 , que é uma equação de grau n. Depois, para cada autovalor calculado, o autovetor é
determinado pela solução não-trivial do sistema (A– λI )v = 0 .

Exemplo 4. Calcular os autovalores da transformação linear T: R2 → R2 dada por


T(x,y)=( 2x+2y,– x+5y ). Determinar os autoespaços associados.

1 0  2 2
Solução: neste caso n = 2, logo I =   ; A=   . A equação característica é
0 1  − 1 5
2−λ 2
det(A–λI) = 0, ou seja, = 0. Resulta: (2– λ)(5–λ)+2=0, ou seja,
−1 5 − λ

λ2–7λ + 12 = 0, donde, os autovalores são λ = 3 ou λ = 4.

No Matlab: para obter o polinômio característico da transformação, basta definir a


matriz T e usar o comando poly(T). Os autovalores são obtidos pelo comando
roots(poly(T)).

 2 2
Resultados do Matlab para o exemplo acima: T =  
− 1 5

poly(T) = 1 – 7 12

roots(poly(T)) = 4 3

Traduzindo: o polinômio característico de T é p(λ) = λ2 – 7λ + 12 e a equação


característica de T é λ2 – 7λ + 12 = 0 ; os autovalores de T são λ = 4 e λ = 3. Para
obter os autovetores, devemos calcular para cada autovalor diferente. Para λ = 4 , o
autovetor v = (x,y) ≠ (0,0) deve satisfazer T(x,y) = 4(x,y), ou seja (2x+2y,–x+5y) = (
4x, 4y ) . Igualando as coordenadas correspondentes, resulta:

2x + 2y = 4x
–x + 5y = 4y

A solução deste sistema é 2x = 2y , isto é, x = y. Assim, todo vetor em que a primeira


coordenada é igual a segunda é um autovetor associado a λ = 4 . Por exemplo, se v =
( 2 , 2 ) , então T(v) = T(2,2) = ( 2*2+ 2*2, – 2+ 5*2) =(8,8) = 4(2,2). Portanto, o
autovetor associado ao autovalor λ = 4 é o autovetor v = x(1,1) , x ≠ 0, ou
simplesmente, v = ( 1 , 1). Se tomarmos o conjunto de todos os múltiplos do vetor (1,1)
, teremos a reta y = x, que passa pela origem do R2 e é um subespaço vetorial do R2,
chamado de autoespaço associado ao autovetor v = (1,1) . Um autovetor normalizado
é v=( 1 , 1 ) .
2 2

Para λ = 3 , o autovetor v = (x,y) ≠ (0,0) deve satisfazer T(x,y) = 3(x,y) , ou seja,


(2x+2y,–x+5y) = ( 3x, 3y ) . Igualando as coordenadas correspondentes, resulta :

2x + 2y = 3x

–x + 5y = 3y

A solução deste sistema é x = 2y. Logo, v = x (2,1) , x ≠ 0 , é o autovetor associado


ao autovalor λ = 3. Por exemplo, se v = ( 4,2 ) , então T(v) = T(4,2) = (2*4 + 2*2, –4 +
5*2) = ( 12, 6 ) = 3( 4,2) , isto é, T(v)=3v. O autoespaço associado é a reta que passa
pela origem e tem a direção do vetor v = ( 4,2) .

CÁLCULO NO MATLAB

No Matlab, os autovalores e autovetores de uma matriz T são obtidos com o comando


[ P, D ] = eig( T ) . Os autovetores são dados na forma normalizada. No exemplo acima,
se T = [ 2 2; –1 5] , o comando [P,D] = eig(T) resulta :

P=

–0.8944 –0.7071

–0.4472 –0.7071

D=

3 0

0 4

Interpretação: temos o autovalor λ = 3 associado ao autovetor v1 = (– 0.8944 , – 0.4472


) e o autovalor λ = 4 associado ao autovetor v2 = (– 0.7071 , – 0.7071 ).

Esta é a forma normalizada, usada pelo Matlab, onde os autovetores são unitários.

Tradução. A forma mais usual é escrever:

autovalor λ = 3 associado ao autovetor v1 = (2 , 1 )

autovalor λ = 4 associado ao autovetor v2 = (1 , 1 )

67
Exemplo 5. Diagonalização

 2 2
No exemplo 4, vimos que   tem autovalor λ = 3 associado ao autovetor v1=(–
− 1 5
0.8944,–0.4472) e autovalor λ=4 associado ao autovetor v2=(–0.7071,–0.7071).
Defina a matriz P cujas colunas são os autovetores: e calcule P–1*T*P. O resultado
é chamado de diagonalização da transformação. Significa que se tomarmos como base
do R2 o conjunto B={v1,v2} a transformação é representada pela matriz diagonal D=
3 0 
0 4 . No Matlab, a matriz P é obtida diretamente com o comando [P,D]=eig(A).
 

Exercícios.
1. Calcule TEORICAMENTE e no Matlab os autovalores e autovetores da
transformação linear T : R2 → R2 dada por T(x,y) = ( –14x + 12y, –20x + 17y) .
Calcule o polinômio característico de T, os autovetores na forma normalizada,
associados a cada autovalor. Depois, escreva identificando a proporção entre as
coordenadas, como na tradução ( exemplo acima ).

2. Calcular TEORICAMENTE e no Matlab os autovalores da transformação linear T :


R2 → R2 dada por T(x,y) = ( x + 3y, 4x + 2y) . Calcule o polinômio característico
de T, os autovetores na forma normalizada, associados a cada autovalor.

3. Considere a transformação linear T: R2 → R2, dada por T(x,y) =(x,x+2y) . Escreva


o polinômio característico de T. Calcule os autovalores e autovetores de T.
Diagonalize T, como no exemplo 5.

− 1 0 0 2 0
0 1 0 1 0
4. Verifica se v =   é autovetor da matriz A=  . Em caso
1 0 1 −2 0
   
0 0 0 0 1
afirmativo, identifica o autovalor λ correspondente.

5. Calcule no Matlab o polinômio característico, os autovalores e autovetores da matriz


 4 0 1
M= − 2 1 0 , também TEORICAMENTE. Escreva os autovetores na forma
− 2 0 1
normalizada, e na forma usual, associados a cada autovalor.

68
6. Calcule o polinômio característico, os autovalores e autovetores da transformação
1 0 0 0 0
2 4 0 − 1 0

linear representada pela matriz 1 3 5 0 0 .
 
0 4 5 7 9
0 0 2 5 9 

Respostas dos exercícios:


1. O polinômio característico de T é p(λ) = λ2 – 3λ + 2. Os autovalores são λ1 = 1
associado ao autovetor v1 = ( –0.6247 , –0.7809) , e λ2 = 2, associado ao autovetor v2=
( –0.6 , – 0.8 ) . Na forma usual, temos :

λ1 = 1 associado ao autovetor v1 = ( 1 , 1.25) e

λ1 = 2 associado ao autovetor v2 = ( 3 , 4 ).

2. Equação característica : λ2 – 3λ – 10 =0, resultante de det( A – λI)=0. Temos:


autovalores λ1 = – 2 e λ2 = 5 , associados aos autovetores v1 = ( –1, 1 ) e v2=(3,4) ,
respectivamente. Os autovetores na forma normalizada podem ser obtidos no Matlab.

1 0
 . O polinômio característico de T é p(λ) = λ – 3λ + 2.
2
3. A matriz de T é T = 
1 2 
Os autovalores são λ1 = 1 associado ao autovetor v1 = ( 0 , 1 ) , e λ2 = 2, associado ao
autovetor v2= ( 0.7071 , – 0.7071 ) . Na forma usual, temos :

λ1 = 2 associado ao autovetor v1 = ( 0 , 1) e

λ1 = 1 associado ao autovetor v2 = ( 1 , –1 ).

4. O vetor v é uma autovetor da matriz A, pois Av = – 2v. Neste caso, o autovalor


associado é λ = 2.

5. O polinômio característico de M é p(λ) = λ3 – 6λ2 +11λ +6. Os autovalores são λ1=1,


associado ao autovetor v1=(0,1,0), λ2 = 3 associado ao autovetor v2=(0.5774,– 0.5774,–
0.5774) e λ3 = 2, associado ao autovetor v3=(–0.3333, 0.6667, 0.6667 ) . Na forma
usual, temos: autovalor λ1 = 1, associado ao autovetor v1=(0,1,0) ,

autovalor λ2 = 3, associado ao autovetor v2=(1,–1,–1) e

autovalor λ3 = 2, associado ao autovetor v3 =(–1, 2 , 2 ).

6. O polinômio característico de A é p(λ) = λ5 –26λ4 + 211λ3 – 709λ2 + 982λ – 459.


Autovalores e autovetores associados abaixo.

Autovalor Autovetor

λ1 = 14.5219 v1= (0 , –0.07, –0.02 , 0.74 , 0.66)

69
λ2 = 1.6248 v2= (0 , –0.32, 0.29 , –0.77 , 0.44)

λ3 = 4.0498 v3= (0 , 0.28, –0.88 , –0.01 , 0.37)

λ4 = 4.8035 v4= (0 , –0.05, 0.87 , 0.04 , –0.47)

λ5 = 1 v5= (0.40 , –0.008, –0.09 , 0.78 , –0.46)

7.2 APLICAÇÃO: VETOR DE EQUILÍBRIO

Em alguns casos, a aplicação sucessiva de uma transformação linear gera uma


seqüência de vetores que converge a um vetor fixo, chamado de vetor de equilíbrio. Isto
pode ocorrer em algumas aplicações ( por exemplo, em Cadeias de Markov ) , onde se
procura o estado de equilíbrio de uma distribuição de fatias de mercado, veja em Ben
Noble. Para ilustrar esta aplicação, calculamos as iteradas de uma transformação linear
num dado vetor u0, e analisamos o limite lim T n (u 0 ) . Estudando os autovalores e
n →∞

autovetores da transformação ( ou da matriz que a representa ) , podemos justificar o


que acontece em cada caso.

Exemplo 1. Um bairro de uma cidade tem duas padarias, A e B. Num determinado


momento, dos clientes da padaria A, 20 % permanecem como clientes de A, enquanto
80% passam a ser clientes de B. Dos clientes de B, 40 % permanecem como clientes de
B, enquanto os demais passam a ser clientes de A. Supondo que estes percentuais são
fixos no tempo, e que inicialmente cada padaria tem metade da clientela, determinar a
distribuição do mercado no futuro.

 0 .2 0 .6 
Solução. A matriz que representa o “comportamento” dos clientes é: T =   .
0.8 0.4
De fato, a11=0.2, pois 20% dos clientes de A são fiéis a padaria A, enquanto os demais
80% migram para B, o que justifica a21=0.8. O vetor que representa a distribuição inicial
 0 .5 
é u0 =   . Assim, a solução deste problema consiste em verificar se existe ou não
 0 .5 
um vetor de equilíbrio nas iteradas da transformação T.

 0 .5 
Dado o vetor u0 =   , calculamos as iteradas da transformação representada pela
 0 .5 
 0 .2 0 .6 
matriz T =   , aplicando sucessivamente esta transformação.
0.8 0.4

Solução : calculando as cinco primeiras iteradas, obtemos:

 0 .2 0 .6   0 .5   0 .4 
u1 = T*u0 =   *   =  
0.8 0.4  0.5   0 .6 

70
 0 .2 0 .6   0 .4   0.44 
u2 = T*u1 =  *   =  
0.8 0.4  0 .6   0.56 

 0 .2 0 .4   0.44   0.424 
u3 = T*u2 =  *   =  
0.8 0.6  0.56   0.576 

 0 .2 0 .4   0.424   0.4304 
u4 = T*u3 =  *   ==  
0.8 0.6  0.576   0.5696 

 0 .2 0 .4   0.4304   0.4278 
u5 = T*u4 =  *   =  
0.8 0.6  0.5696   0.5722 

Tais resultados podem ser obtidos diretamente no Matlab com o seguinte laço, usando
o for ( os resultados vão ser omitidos aqui no texto ):

>> u0=[0.5;0.5] ;

>> T=[0.2,0.6;0.8,0.4] ;

>> for i=1:5

T^i*u0

end

 0.4286 
Resumindo, vemos que o as iteradas tendem ao vetor de equilíbrio   . Para
 0.5714 
justificar tal resultado, calculamos os autovalores e autovetores da transformação T no
Matlab:

>>T=[0.2,0.6;0.8,0.4];

>>[m,n]=eig(T)

m=

–0.7071 –0.6000

0.7071 –0.8000

n=

–0.4000 0

0 1.0000

Temos : autovalor λ = – 0.2 associado ao autovetor v1=(–0.7071, 0.7071), e o


autovalor λ2 = 1 , associado ao autovetor v2 = ( –0.6 , –0.8)

71
Tomando a base B ={ (–0.7071, 0.7071) , (–0.6,–0.8) } como base do R2, o vetor inicial
u0= ( 0.5 ; 0.5 ) pode ser escrito como a seguinte combinação linear dos vetores de B:
(0.5 ; 0.5 ) = – 0.1010(–0.7071, 0.7071) – 0.7143(–0.6 , –0.8).

Assim, aplicando sucessivamente a transformação linear T no vetor u0, o autovetor v1


é multiplicado sucessivamente pelo autovalor λ1= – 0.4, tendendo ao vetor nulo; por
outro lado, o autovetor v2= (–0.6 , –0.8) é multiplicado sucessivamente pelo autovalor
λ2=1 . Devido a combinação linear do vetor inicial u0= –0.1010v1 – 0.7143v2, a
tendência, após um número bastante grande, é a seqüência das iteradas convergir para
o vetor de equilíbrio –0.7143v2 = ( 0.4286 ;0.5714), como verificado no Matlab.

Exemplo2. Três leiterias X,Y e Z disputam o mercado numa certa cidade. Suponhamos
que inicialmente, 20% do mercado é cliente de X, 30% é cliente de Y e 50% cliente de
Z. Num dado momento, dos clientes de X, 80% são fiéis a X, enquanto 10 % tendem a
migrar para Y e os demais 10 % para Z. Dos clientes de Y, 70% são fiéis a Y, enquanto
20% tendem a migrar para X, e os demais para Z. Dos clientes de Z, 60% são fiéis a Z,
enquanto 10% tendem a migrar para X, e os demais para Y. Determinar a distribuição
de equilíbrio, caso exista e explicar o porquê.

 0.2  0.8 0.2 0.1


 
Solução. Temos u0 =  0.3  e T=  0.1 0.7 0.3 . As iteradas obtidas pela aplicação
 0.5   0.1 0.1 0.6
 
sucessiva resultam:

 0.27   0.327   0.45 


     
u1 = Tu0 =  0.38  , u2 = Tu1 =  0.398  , ..., u16 =  0.35  .
 0.35   0.275   0.20 
     

Vemos que u17=u16, isto é, após um período suficientemente longo, o mercado estabiliza
com uma distribuição de 45%, 35% e 20% de clientes de X, Y e Z, respectivamente. Os
autovalores de T são :λ1 = 1, associado ao autovetor v1=(0.7448; 0.5793; 0.3310),
λ2=0.6, associado ao autovetor v2=(–1,1,0) e o autovalor λ3=0.5, associado ao autovetor
v3=(1; –2;1). Considerando a base do R3 igual a B={v1,v2,v3}, vemos que u0= –
0,6042v1+0,7778v2+0,7348v3. Pela aplicação sucessiva de T, a sequencia converge
para o vetor v= –0,6042v1 = ( 0,45 ; 0,35 ; 0,20 ) . Ou seja, o mercado terá um equilíbrio
em que 45 % são clientes de X, 35% são clientes de Y e 20 % são clientes de Z.

Exercícios. Calcular as iteradas da transformação dada no vetor inicial dado. Justificar


o resultado obtido, analisando os autovetores e autovalores de T.

 − 0 .4 2   2
1. T =   , u0 =  
 0 0 . 6  3

0.8 0.1  0 .5 
2. T =   , u0 =  
 0 .2 0 .9   0 .5 

72
0.5 0.4 0.6 0
 
3. T = 0.2 0.2 0.3 , u0 = 1
0.3 0.4 0.1 0
 

 3 0 0 1
 
4. T = - 2 7 0 , u0 =  1 
 4 8 1  3
 

Respostas dos exercícios:


 − 0 .4 2   2
1. T =  , u0 =  
 0 0.6 3

λ1 = – 0,4 v1 = ( 1 , 0 )

λ2 = 0,6 v2 = ( 2 , 1 )

Escrevendo o vetor dado u0 = (2, 3 ) como combinação dos autovetores:

( 2, 3) = a( 1, 0 ) + b( 2,1 ) = ( a,0) + (2b, b) = ( a + 2b, b)

a + 2b = 2

b=3

Logo , a = 2 – 2b = 2 – 2*3 = 2–6 = – 4

( 2, 3) = (– 4)*( 1,0 ) + 3*(2,1 )

T(2,3) = (–4)*T(1,0) + 3*T(2,1)= –4*(–0,4)*(1,0)+3*0,6*(2,1) = ( 5,2 ; 1,8)

Aplicando a transformação sucessivas vezes, resultam as iteradas:

u0 u1 u2 u3 u4 u5 u6 u7 u8

2 5,2 1,52 1,5520 0,6752 0,5075 0,2636 0,1745 0,0982

3 1,8 1,08 0,6480 0,3888 0,2332 0,1400 0,0840 0,0504

Neste exemplo, as iteradas de T no vetor u0=(2,3) correspondem às combinações de


multiplicações sucessivas dos autovetores pelos seus autovalores.Como | –0,4 | = 0,4 <
1 e | 0,6| = 0,6 < 1, a multiplicação sucessiva faz com que as iteradas tendam a zero.
0
Escrevemos : lim T n (u 0 ) =   .
n →+∞
0

73
0.8 0.1  0 .5 
2. T =   , u0 =  
 0 .2 0 .9   0 .5 

λ1 = 0,7 v1 = (–1 , 1 )

λ2 = 1 v2 = ( 1 , 2 )

Escrevendo o vetor dado u0 = (0,5 ; 0,5 ) como combinação dos autovetores:

( 0,5 ; 0,5) = a(–1, 1 ) + b( 1,2 ) = (–a,a) + (b, 2b) = (–a + b, a + 2b)

Resulta o sistema : –a + b = 0,5

a + 2b = 0,5

1 1 1 1
A solução é : a = – e b = . Então : ( 0,5 ; 0,5) = – *( –1, 1 ) + * ( 1,2 )
6 3 6 3

Aplicando a transformação sucessivas vezes, resultam as iteradas:

u0 u1 u2 u3 u4 u5 u10 u15 u20

0,5 0,45 0,415 0,3905 0,3734 0,3613 0,3529 0,3366 0,3339

0,5 0,55 0,585 0,6095 0,6267 0,6387 0,6471 0,6634 0,6661

Aplicar as iteradas de T no vetor u0 = ( 0,5 ; 0,5 ) é a mesma coisa que multiplicar


sucessivas vezes o autovetor v1 = (–1 , 1 ) por 0,7 e o autovetor v2 = ( 1 , 2 ) por 1.
Logo, a contribuição do autovetor v1 = (–1,1 ) tende a desaparecer, pois |0,7| < 1,
1
resultando no limite apenas a parcela que equivale a * ( 1,2 ) . No Matlab, obtemos
3
( 0.3333;0.6667) , o que é a mesma coisa. Se escolhermos como vetor inicial um
autovetor da transformação, duas coisas podem acontecer: se o vetor inicial for múltiplo
de v1 , então as iteradas tendem ao vetor nulo, pois λ1= 0,7. Se o vetor inicial for
múltiplo de v2, as iteradas serão iguais ao próprio vetor, pois λ2 =1 e tendem ao próprio
vetor. Qualquer outra escolha do vetor inicial com coordenadas positivas cuja soma seja
igual 1, produzirá uma seqüência de vetores que tenderá ao vetor (0.3333;0.6667),
chamado de vetor de equilíbrio. Esta propriedade pode ser verificada
experimentalmente no Matlab.

3. As iteradas desta transformação tendem ao vetor de equilíbrio v=(0.5042, 0.2269,


0.2689), uma vez que seus autovalores são 1 , 0.0414 e –0.2414, associados aos
autovetores.

74
4. A aplicação sucessiva desta transformação não converge a um vetor de equilíbrio,
pois os autovalores de T são 1, 7 e 3. O autovetor associado ao autovalor λ1=1 é o
autovetor v1= (0,0,1) . Assim, escolhendo um vetor inicial que não seja múltiplo de v1,
a aplicação das iteradas de T deve divergir.

75
CAPÍTULO 8. DIAGONALIZAÇÃO DE UMA MATRIZ

Vimos que toda transformação linear T:Rn → Rn tem uma matriz canônica que a
representa. Portanto, podemos associar a cada matriz nxn uma transformação linear do
Rn no Rn. Por exemplo, a matriz

cos(π / 4) − sin(π / 4) 0
T1=  sin(π / 4) cos(π / 4) 0
 0 0 1

é uma rotação por um ângulo de /4 em torno do eixo z num sistema de coordenadas


xyz. Já a matriz

0.8 0.1
T2 =  
 0 .2 0 .9 

pode ser interpretada como uma matriz de probabilidade que pode ser usada para
descrever o comportamento de uma população de indivíduos divididos em duas classes(
por exemplo, fumantes e não-fumantes). No caso da matriz T2, vimos que seus
autovalores e autovetores são respectivamente: autovalor λ1= 0.7, associado com o
autovetor v1 = (–1, 1) e autovalor λ2 = 1, associado com o autovetor v2 = ( 1 , 2 ). Isto
significa que T2(v1) = 0.7*v1 e T2(v2)=1*v2. Dizemos que a matriz T2 tem uma base de
autovetores, pois os autovetores v1=(–1,1) e v2=(1,2) são linearmente independentes,
logo o conjunto {(–1,1) , (1,2)} é uma base do R2. Relacionado com esta propriedade,
está o conceito importante de diagonalização de uma matriz. Antes de vermos como
diagonalizar uma matriz, vamos ver dois exemplos de cálculo de autovalores e suas
multiplicidades algébrica e geométrica.

Exemplo 1. Encontrar a multiplicidade algébrica e geométrica dos autovalores de

 2 0 0
A =  1 3 0
− 3 5 3

Solução: No Matlab, definimos a matriz A e executamos o comando poly(A):

>> A = [ 2 0 0 ; 1 3 0 ; – 3 5 3];

>> poly(A)

ans =

1 –8 21 –18

76
Portanto, p(λ) = λ3 – 8λ2 + 21λ – 18. As raízes deste polinômio são os autovalores da
matriz A, obtidas pelo comando abaixo:

>> roots(poly(A))

ans =

3.0000 + 0.0000i

3.0000 - 0.0000i

2.0000

Interpretação. Os autovalores da matriz A são λ = 2 , com multiplicidade algébrica 1 e

λ = 3 , com multiplicidade algébrica 2.Os autovetores correspondentes podem ser


calculados no Matlab :

>> [m, n] = eig(A)

m=

0 0 0.1231

0 0.0000 -0.1231

1.0000 -1.0000 0.9847

n=

3 0 0

0 3 0

0 0 2

Interpretação :

Temos o autovalor λ = 2 associado ao autovetor v = [ 0.1231; –0.1231; 0.9847 ] e o


autovalor λ = 3 associado ao autovetor v = [ 0; 0 ; 1 ]. Veja que os vetores [ 0 ; 0 ; 1 ]
e [ 0 ; 0 ; – 1] são linearmente dependentes, logo, basta considerar apenas um deles.
Portanto, o autovalor λ = 2 tem multiplicidade geométrica 1 e o autovalor λ = 3
tem multiplicidade geométrica 1. Isto é, a cada autovalor corresponde um sub-espaço
vetorial do R3 de dimensão 1 ( uma reta pela origem ), associado ao autovalor, gerado
pelos múltiplos do autovetor.

Exemplo 2. Calcular a multiplicidade algébrica e geométrica dos autovalores de

0 0 − 2 
A = 1 2 1 
1 0 3 

Solução: No Matlab, fazemos:

77
>> A=[ 0 0 -2;1 2 1;1 0 3]

A=

0 0 -2

1 2 1

1 0 3

>> poly(A)

ans =

1 -5 8 -4

Interpretação: o polinômio característico de A é p(λ) = λ3 – 5λ2 + 8λ – 4. Os


autovalores de A são as raízes deste polinômio:

>> roots(poly(A))

ans =

2.0000

2.0000

1.0000

Interpretação: os autovalores de A são λ = 1 , com multiplicidade algébrica 1 e λ = 2 ,


com multiplicidade algébrica 2. Para obter os autovetores, fazemos no Matlab:

>> [m,n]=eig(A)

m=

0 -0.8165 0.7071

1.0000 0.4082 0

0 0.4082 –0.7071

n=

2 0 0

0 1 0

0 0 2

Interpretação : Um dos autovalores é λ = 1 , associado com o autovetor [ – 0.8165 ;


0.4082 ; 0.4082]; o outro autovalor é λ = 2 , associado aos autovetores [0;1;0] e
[0.7071;0 ;–0.7071 ] .Como estes vetores são linearmente independentes, temos λ = 1 ,
com multiplicidade geométrica 1 e λ = 2 , com multiplicidade geométrica 2.

78
Isto é, o sub-espaço associado ao autovalor λ = 1 é uma reta pela origem do R3, que tem
dimensão 1; o sub-espaço associado ao autovalor λ = 2 é um plano pela origem do R3,
que tem dimensão 2.

A importância dos autovalores e autovetores se baseia no seguinte fato: é possível


diagonalizar uma matriz a partir de seus autovetores, como mostra o seguinte método:

Diagonalização de uma matriz Anxn com n autovetores linearmente independentes

Passo 1. Calcule os n autovetores linearmente independentes da matriz A, digamos


v1,v2,...,vn.

Passo 2. Forme a matriz P = [v1,v2,...,vn] . Isto significa que cada coluna de P é um


autovetor da matriz A.

Passo 3. Calcule a matriz D= P–1AP . A matriz D é diagonal, sendo que a diagonal de


D é formada pelos autovalores λi .

0 0 − 2 
Exemplo 3. Diagonalização da matriz A = 1 2 1 
1 0 3 

Solução: Os autovalores e autovetores de A são:

λ = 1 , associado com o autovetor v1= [ – 0.8165 ; 0.4082 ; 0.4082]

λ = 2 , associado aos autovetores v2=[0;1;0] e v3=[0.7071;0 ;–0.7071] (LI)

− 0.8165 0 0.7071 
Logo:P=[v1,v2,v3]=  0.4082 1 0  é uma matriz que diagonaliza a matriz A.

 0.4082 0 − 0.7071

No Matlab :

>>[P,D]=eig(A)

P=

0 –0.8165 0.7071

1.0000 0.4082 0

0 0.4082 –0.7071

D=

2 0 0

0 1 0

0 0 2

79
Observação: as colunas de P estão trocadas em relação ao resultado acima, pois os
autovalores estão em correspondência. Para efeito da diagonalização, não há problema
nisto.

>>P=[0 1 0;–0.8165 0.4082 0.4082; 0.7071 0 –0.7071];

O comando inv(P) nos dá a matriz inversa de P , ou seja , P–1:

>> inv(P)

ans =

1.0000 1.0000 1.0000

-2.4495 0 -2.4495

-1.4142 0 -2.8284

A matriz diagonal é obtida fazendo inv(P)*A*P:

>> inv(P)*A*P

ans =

2.0000 0 0

0 1.0000 0

0 -0.0000 2.0000

Observe que o resultado é a matriz D, isto é, P–1AP = D.

Exemplo 4 . Uma matriz não diagonalizável.

 2 0 0
A matriz  1 3 0 tem autovalores λ = 2 e λ2 = 3 e os autovetores associados
− 3 5 3
são v1= [ 1; – 1; 8 ] e v2 = [ 0; 0 ; 1 ] . Estes autovetores são linearmente independentes,
pois estão associados a autovalores diferentes. Porém, é impossível determinar um
terceiro autovetor LI. Portanto, esta matriz não é diagonalizável.

Matrizes semelhantes. Se A e C são matrizes quadradas de mesma ordem, dizemos


que A e C são matrizes semelhantes se existe uma matriz invertível P tal que a igualdade
C=P–1AP é válida.

Teorema.

a) Matrizes semelhantes tem o mesmo determinante.

b) Matrizes semelhantes tem o mesmo polinômio característico e, portanto, tem os


mesmos autovalores com as mesmas multiplicidades algébricas.

80
Teorema. Uma matriz Anxn com n autovalores distintos é diagonalizável.

Exercícios. Encontre o polinômio característico de cada matriz, calcule seus


autovalores e autovetores correspondentes, a matriz que diagonaliza a matriz dada e
efetue a diagonalização:

 − 14 12
1. A =  
− 20 17 

1 0 
2. A =  
6 − 1

1 0 0
3. A = 0 1 1
0 1 1

2 0 − 2
4. A = 0 3 0 
0 0 3 

− 2 0 0 0
 0 −2 0 0
5. A= 
0 0 3 0
 
0 0 1 3

− 2 0 0 0
 0 −2 5 − 5
6. A= 
0 0 3 0
 
0 0 0 3

Respostas dos exercícios ( solução no Matlab ) :


 − 14 12
1. A =  
− 20 17 

>> clear A

>> clear P;clear D;

>> A=[ –14 12; –20 17] ;

>> [P,D]=eig(A)

P=

–0.6247 –0.6000

81
–0.7809 –0.8000

D=

1.0000 0

0 2.0000

>> inv(P)

ans =

–25.6125 19.2094

25.0000 –20.0000

>> inv(P)*A*P

ans =

1.0000 0.0000

–0.0000 2.0000

− 0.6247 − 0.6000
A matriz P =   é uma matriz que diagonaliza a matriz A. As
− 0.7809 − 0.8000
colunas de P são os autovetores da matriz A. A matriz P–1*A*P é uma matriz diagonal,
cujos elementos são os autovalores da matriz A: P–1*A*P = D.

− 25.6125 19.2094   − 14 12 − 0.6247 − 0.6000 1 0


 25.0000 − 20.0000 − 20 17  − 0.7809 − 0.8000 = 0 2
     

P–1 A P = D

Equivale a dizer que : A = P*D*P–1 .No Matlab:

>>D=inv(P)*A*P

D=

1.0000 0.0000

–0.0000 2.0000

>>P*D*inv(P)

ans =

-14.0000 12.0000

82
-20.0000 17.0000

Observe que a multiplicação PDP–1 resulta igual a A, isto é, PDP–1 = A.

1 0 
2. A =  
6 − 1

>> clear A;clear P;clear D;

>> A=[1 0;6 -1]

A=

1 0

6 –1

>> [P,D]=eig(A)

P=

0 0.3162

1.0000 0.9487

D=

–1 0

0 1

Lembre que : na diagonal da matriz D aparecem os autovalores de A.

>> P1=inv(P) % um nome para a inversa de m

P1 =

–3.0000 1.0000

3.1623 0

>> clear D;

>> P1*A*P % verificação da diagonalização

ans =

–1.0000 -0.0000

0 1.0000

83
1 0 
Conclusão : a matriz A =   é diagonalizável e uma matriz que diagonaliza A
6 − 1
0 0.3162 − 3.0000 1.0000 
é P =  . A inversa de P é P–1=  .
1 0.9487   3.1623 0.0000

− 3.0000 1.0000  1 0  0 0.3162 − 1 0


Verificação :   6 − 1 1 0.9487  =  0 1
 3.1623 0.0000      

Equivale a dizer que: A = P*D*P–1 .

0 0.3162 − 1 0 − 3.0000 1.0000  1 0 


1 0.9487   0 1   3.1623 0.0000 = 6 − 1
     

P D P–1 = A

1 0 0
3. A = 0 1 1
0 1 1

>> clear A;clear P;clear D;clear P1;A=[1 0 0;0 1 1;0 1 1];

>> [P,D]=eig(A)

P=

0 1.0000 0

–0.7071 0 0.7071

0.7071 0 0.7071

D=

0 0 0

0 1 0

0 0 2

>> P1=inv(P) % a matriz inversa de P

P1 =

0 –0.7071 0.7071

1.0000 0 0

0 0.7071 0.7071

84
>> P1*A*P

ans =

0 0 0

0 1 0

0 0 2

1 0 0
Conclusão: a matriz A = 0 1 1 é diagonalizável e uma matriz que diagonaliza A
0 1 1
 0 1 0 
é a matriz P= − 0.7071 0 0.7071 . A inversa de P é a matriz P–1=

 0.7071 0 0.7071
0 − 0.7071 0.7071 0 0 0 
1 0 0  =P1. Na forma diagonal,a matriz fica D= 0 1 0 , pois os


0 0.7071 0.7071 0 0 2
autovalores de A são λ1 = 0 , λ2 = 1 e λ3 = 2. Então:

P–1 * A * P = D

0 − 0.7071 0.7071 1 0 0  0 1 0  0 0 0 
1 0 0  0 1 1 − 0.7071 0 0.7071 = 0 1 0
     
0 0.7071 0.7071 0 1 1  0.7071 0 0.7071 0 0 2

Equivale a dizer que : A = P*D*P–1 .

1 0 0  0 1 0  0 0 0 0 − 0.7071 0.7071
0 1 1 = − 0.7071 0 0.7071 0 1 0 1 0 0 
    
0 1 1  0.7071 0 0.7071 0 0 2 0 0.7071 0.7071

2 0 − 2
4. A = 0 3 0 
0 0 3 

>> clear A;clear P;clear D;clear P1; A=[2 0 -2;0 3 0;0 0 3];

>> [P,D]=eig(A)

P=

1.0000 0 -0.8944

85
0 1.0000 0

0 0 0.4472

D=

2 0 0

0 3 0

0 0 3

>> P1=inv(m) % a matriz inversa de m

P1 =

1.0000 0 2.0000

0 1.0000 0

0 0 2.2361

2 0 − 2
Conclusão: a matriz A = 0 3 0  é diagonalizável e uma matriz que
0 0 3 
1 0 − 0.8944
diagonaliza A é a matriz P= 0 1 0  . A inversa de P é a
 matriz P1=
0 0 0.4472 
1 0 2.0000 2 0 0
0 1 0  = P–1 . Na forma diagonal, a matriz fica D= 0 3 0 , pois os

0 0 2.2361 0 0 3
autovalores de A são λ1 = 2 , λ2 = 3 e λ3 = 3. Então : P–1* A*P =D

1 0 2.0000 2 0 − 2 1 0 − 0.8944  2 0 0
0 1 0  * 0 3 0  * 0 1 0 =  0 3 0
   
0 0 2.2361 0 0 3  0 0 0.4472  0 0 3

Equivale a dizer que : A = P*D*P–1 .

2 0 − 2 1 0 − 0.8944 2 0 0 1 0 2.0000
 0 3 0  = 0 1 0  *  0 3 0  * 0 1 0 
      
0 0 3  0 0 0.4472  0 0 3 0 0 2.2361

− 2 0 0 0
 0 −2 0 0
5. A= 
0 0 3 0
 
0 0 1 3

86
>> clear A; clear P;clear D;clear P1;A=[–2 0 0 0;0 -2 0 0 ;0 0 3 0 ; 0 0 1 3];

>> [P,D]=eig(A)

P=

1.0000 0 0 0

0 1.0000 0 0

0 0 0 0.0000

0 0 1.0000 -1.0000

D=

-2 0 0 0

0 -2 0 0

0 0 3 0

0 0 0 3

Temos dois autovetores v1 = [ 1;0 ; 0; 0] e v2 =[0 ; 1; 0;0 ] que são Linearmente


Independentes (LI) associados ao autovalor λ1 = – 2, portanto , este autovalor tem
multiplicidade algébrica igual a 2 e multiplicidade geométrica igual a 2; os autovetores
[ 0 ; 0; 0 ; 1 ] e [ 0; 0 ; 0 ; – 1] são Linearmente Dependentes (LD) , logo, devemos
considerar apenas um, isto é, o autovalor λ2 = 3 tem multiplicidade algébrica igual a 2,
mas multiplicidade geométrica igual a 1. Assim, a matriz A não é diagonalizável.

− 2 0 0 0
 0 −2 5 − 5
6. A= 
0 0 3 0
 
0 0 0 3

>> clear A;clear P;clear D;clear P1;

>> A=[-2 0 0 0;0 -2 5 -5 ;0 0 3 0 ; 0 0 0 3];

>> [P,D]=eig(A)

P=

1.0000 0 0 0

0 1.0000 0.7071 -0.7071

87
0 0 0.7071 0

0 0 0 0.7071

D=

-2 0 0 0

0 -2 0 0

0 0 3 0

0 0 0 3

Conclusão : a matriz A é diagonalizável, pois cada um dos autovalores tem dois


autovetores LI associados. Assim, uma matriz que diagonaliza a matriz A é a matriz P
1 0 0 0 
0 1 0.7071 − 0.7071
=  .
0 0 0.7071 0 
 
0 0 0 0.7071 

Resumindo:

Multiplicidade algébrica: número de vezes que um autovalor aparece como raiz de p(λ)
= 0.

Multiplicidade geométrica: número de autovetores Linearmente Independentes


associados a um autovalor.

Exemplo.

0 0 − 2 
A = 1 2 1 
1 0 3 

O polinômio característico de A é p(λ) = λ3 – 5λ2 + 8λ – 4 . As raízes de p(λ) = 0


são 1 ( uma vez ) e 2 ( duas vezes ). Os autovalores de A são :

λ = 1 , com multiplicidade algébrica 1

λ = 2 , com multiplicidade algébrica 2

Para obter os autovetores, fazemos no Matlab:

>> clear A; clear P;clear D; A=[0 0 -2;1 2 1; 1 0 3]

>> [P,D]=eig(A)

P=

0 -0.8165 0.7071

88
1.0000 0.4082 0

0 0.4082 -0.7071

D=

2 0 0

0 1 0

0 0 2

Interpretação:

λ = 1 , associado com o autovetor [ – 2 ;1 ; 1]

λ = 2 , associado aos autovetores [0 ; 1 ; 0 ] e [ 0.7071;0 ;–0.7071 ] .Como estes vetores


são linearmente independentes, temos:

λ = 1 , com multiplicidade geométrica 1

λ = 2 , com multiplicidade geométrica 2

Relações entre multiplicidade algébrica e geométrica

Teorema Se A é uma matriz quadrada, então:

a) A multiplicidade geométrica de um autovalor de A é no máximo igual a


multiplicidade algébrica.

b) A é diagonalizável se, e somente se, a multiplicidade geométrica de cada autovalor


de A é igual à multiplicidade algébrica.

Portanto, este teorema justifica porque a matriz do exemplo 5 acima não é


diagonalizável.

89
CAPÍTULO 9. POTÊNCIAS DE UMA MATRIZ
DIAGONALIZÁVEL

Existem muitas aplicações que exigem o cálculo de potências elevadas de matrizes


quadradas. Para minimizar o tempo de processamento e diminuir o consumo de energia,
bem como diminuir os erros de arredondamento, existem algumas técnicas que podem
reduzir a quantidade de operações necessárias nestas aplicações. Consideremos A uma
matriz nxn diagonalizável e P a matriz que diagonaliza a matriz A. Então:
D =P–1AP (1)

onde D é uma matriz diagonal, cujos elementos são os autovalores de A. A matriz D é


denotada por D = diag(λ1, λ2,...,λn). A equação (1) equivale a:

A = PDP–1 (2)

Suponhamos que precisemos calcular A2 .Pela equação (2) :

A2 = (PDP–1)( PDP–1) = PD(P–1 P)DP–1 = PDIDP–1 = PD2P–1

A2=PD2P–1 (3)

Logo para calcular Ak, onde k é um inteiro positivo, devemos fazer:

Ak=PDkP–1 (4)

Esta equação, que é válida para uma matriz A diagonalizável, expressa a k-ésima
potência de A em termos das k-ésimas potências de D, portanto, sendo mais fácil de
calcular, pois sendo D uma matriz diagonal, então Dk= diag( λ 1k , λ k2 ,..., λ kn ). Por
1 0 0 14 0 0
 
exemplo, se D= 0 2 0 , então D4 =  0 2 4
0 .
0 0 2 0 0 2 4 

Exemplo 1. Usar a fórmula (4) para calcular a potência A13 da matriz diagonalizável

0 0 − 2 
A = 1 2 1  .
1 0 3 

− 2 − 1 0
Solução: como vimos, uma matriz que diagonaliza a matriz A é P =  1 0 1 . A
 1 1 0
− 1 0 − 1 1 0 0
inversa de P é P =  1 0 2  e D = P AP= 0 2 0 . Assim:
–1   –1

 1 1 1  0 0 2

90
− 2 − 1 0 1
13
0 0  − 1 0 − 1 − 8190 0 − 16382
  
A =PD P =  1 0 1 0  9191 8192 8191 
13 13 –1
213 0 1 0 2 =
    
 1 1 0  0 0 213   1 1 1   8191 0 16383 

Para calcular A2 = A*A, por definição, é necessário efetuar 3 multiplicações e 2 adições


no cálculo de cada elemento do produto, isto é, 5 operações. Assim, para calcular 9
elementos, são necessárias 45 operações aritméticas. Logo, para calcular A13 =
A*A*...*A, são necessárias 12*45= 540 operações. Pela fórmula (4), foram necessárias
3 operações de potenciação com expoente 13, que equivalem a 36 operações de
multiplicação, além da multiplicação da matriz diagonal por P–1, e deste resultado por
P. No total, foram necessárias 36 + 90 = 126 operações aritméticas, ou seja, uma
redução de 77% do esforço computacional. Além disto, a multiplicação por uma matriz
113 0 0
 13 
diagonal é mais simples, pois muitos de seus elementos são zeros:  0 2 0
0 0 213 

− 1 0 − 1  − 1 0 − 1
 1 0 2  = 213 0 214  . Além disto, é possível realizar os cálculos ‘no braço’.
   
 1 1 1  213 213 213 

91
CAPÍTULO 10. FATORAÇÃO LU

Vimos que, de acordo com o Teorema de Cramer, um sistema Ax= b, n x n, possui


∆x
solução única se ∆=det(A) ≠ 0. Neste caso, a solução é dada por xi = i , onde ∆ =

det(A) e ∆xi é o determinante da matriz obtida pela substituição da i-ésima coluna de
A, pelos valores do vetor-coluna b, para cada i =1,...,n. Porém, esta forma de calcular a
solução é muito dispendiosa, pois exige o cálculo de (n+1) determinantes de ordem n.
Uma técnica utilizada no cálculo da solução é baseada na decomposição ou fatoração
LU da matriz A. Isto é, consiste em escrever A = LU, onde L é triangular inferior (
matriz tal que Lij = 0, se i < j ) e U é triangular superior ( matriz Uij = 0, se i > j ) .
Objetivo: resolver o sistema Ax = b, usando a fatoração A=LU.

Passo 1. Reescrever Ax = b como LUx = b.

Passo 2. Definir uma nova incógnita y por Ux = y; o sistema Ax=b fica igual a Ly=b.

Passo 3. Resolver o sistema Ly = b, na incógnita y.

Passo 4. Resolver o sistema Ux = y.

Este procedimento de resolução é conhecido como método da decomposição LU.

Exemplo 1. Verificar a igualdade A =LU para a matriz A abaixo:

2 6 2  2 0 0 1 3 1
− 3 − 8 0 = − 3 1 0 0 1 3
    
 4 9 2  4 − 3 7 0 0 1

A = L U

2 6 2  x 1   2 
e usar este resultado para resolver o sistema − 3 − 8 0  x 2  = 2

 4 9 2  x 3  3

A x = b

2 0 0 1 3 1
Solução : definimos L = − 3 1 0 e U = 0 1 3 . Multiplicando estas
 
 4 − 3 7 0 0 1
matrizes, obtemos :

92
2 0 0 1 3 1  2 ⋅1 + 0 ⋅ 0 + 0 ⋅ 0 2 ⋅ 3 + 0 ⋅1 + 0 ⋅ 0 2 ⋅1 + 0 ⋅ 3 + 0 ⋅1 
LU= − 3 0 1 3 =  − 3 ⋅1 + 1⋅ 0 + 0 ⋅ 0 − 3 ⋅ 1 + 1 ⋅ 3 + 0 ⋅ 1 
 1 0     − 3 ⋅ 3 + 1⋅1 + 0 ⋅ 0
 4 − 3 7  0 0 1 4 ⋅ 1 + (−3) ⋅ 0 + 7 ⋅ 0 4 ⋅ 3 + (−3) ⋅ 1 + 7 ⋅ 0 4 ⋅ 1 + ( −3) ⋅ 3 + 7 ⋅ 1

2 6 2
= − 3 − 8 0 = A

 4 9 2

2 6 2  2 0 0 1 3 1
Isto é, A = LU, ou − 3 − 8 0 = − 3 1 0 0 1 3
  
 4 9 2  4 − 3 7 0 0 1

A = L U

2 0 0 1 3 1  x 1  2
Temos, então: − 3 1 0 0 1 3  x  = 2
    2  
 4 − 3 7 0 0 1  x 3  3

L U x = b

1 3 1  x 1   y1 
Definimos o sistema do passo 2: 0 1 3  x  =  y 
   2  2
0 0 1  x 3   y 3 

U x = y

onde

2 0 0  y1  2
− 3 1 0  y  = 2
   2  
 4 − 3 7  y 3  3

L y = b

ou equivalentemente : 2y1 = 2

–3y1 + y2 = 2

4y1 – 3y2 + 7y3 = 3

cuja solução é y1 = 1 ; y2 = 5 ; y3 = 2.

93
1 3 1  x 1  1 
Resolvemos agora U x = y , isto é: 0 1 3  x 2  = 5
   
0 0 1  x 3  2

ou : x1 + 3x2 + x3 = 1

x2 + 3x3 = 5

x3 = 2

Resolvendo este sistema por retrossubstituição, obtemos:

x3 = 2 , x2 = – 1, x1 = 2 .

2 6 2  x 1   2 
Conclusão: a solução do sistema − 3 − 8 0  x 2  = 2 é x3 = 2, x2 = – 1, x1 = 2.

 4 9 2  x 3  3
Em notação usual, o sistema dado é

2x1 + 6x2 + 2x3 = 2

–3x1 – 8x2 =2

4x1 + 9x2 + 2x3 = 3

Verificação: A solução é x1 = 2 , x2 = – 1, x3 = 2 , pois

2*2 + 6*(–1)+2*2= 4–6+4=2

–3*2 – 8*(–1) = –6 + 8 = 2

4*2 + 9*(–1)+2*2 = 8 – 9 + 4 = 3

2
Em notação matricial, a solução é x = − 1 .
 2 

2 8  x 1  − 2 2 8
Exemplo 2. Resolução do sistema − 1 − 1 x  = − 2 . Temos A= − 1 − 1
  2    
− 2  2 x + 8 x 2 = −2
e b=  . Note que este sistema equivale a  1 .
− 2  − x 1 − x 2 = −2

2 8
Solução no Matlab: definimos a matriz A =   no Matlab e depois fazemos:
− 1 − 1

94
>> [L,U]=lu(A)

L=

1.0000 0

–0.5000 1.0000

U=

2 8

0 3

2 8  1 0   2 8
Então : A=  = − 0.5 1 0 3
− 1 − 1   

A = L U

Resolvemos o sistema Ly = b

 1 0  y1  − 2
 − 0 .5 1   y  = − 2
   2  

 y1  − 2
No Matlab, usando o comando y = L\b, resulta y =   =   .
 y 2   − 3

Resolvemos no Matlab o sistema Ux = y:

 2 8  x 1   − 2 
0 3  x  =  − 3
   2  

No Matlab, a solução é obtida pelo comando x = U\y:

x   3 
x=  1 =  
 x 2  −1

2 8  x1  − 2  x 1   3 
Conclusão: a solução do sistema   x  = − 2 é  x  = −1 .
− 1 − 1  2    2  

 2 8   3   2 ⋅ 3 + 8 ⋅ (−1)  − 2
Verificação : − 1 − 1 −1 = (−1) ⋅ 3 + (−1) ⋅ (−1) = − 2
       

O comando lu tem duas opções no Matlab. A opção [l,u]=lu(A) apresenta uma matriz
L que sofre permutações e não tem, em geral, o formato triangular inferior. A opção
[l,u,p]=lu(A) apresenta a matriz L como matriz triangular inferior, a matriz U como
triangular superior e a matriz de permutação P tal que A = P–1LU, ou seja, PA = LU.

95
Deste modo, se usarmos a opção [l,u,p] do comando, para resolver o sistema Ax=b,
devemos multiplicar o vetor b por P. Em alguns casos, a matriz P é a matriz identidade,
o que não altera o vetor b. Para resolver o sistema Ax = b, usando o comando
[L,U,P]=lu(A), devemos seguir os seguintes passos:

1) Definir a matriz A e o vetor b;

2) Usar o comando [L,U,P]=lu(A) ;

3) Definir o vetor b1=P*b ;

4) Calcular y = L\b1 .

5) Calcular x = U\y.

A solução do sistema Ax = b é o vetor x, obtido no passo 5.

96
Exercícios. Resolver os sistemas abaixo, usando a fatoração LU da matriz dos
coeficientes do sistema. Apresentar as matrizes L,U,P, os vetores y e x. Na solução
apresentada abaixo, foi usada a opção [l,u,p] do comando lu.

 3x 1 − 6x 2 = 0
1. 
− 2 x 1 + 5 x 2 = 1

 x 1 − 3x 2 =1

2.  x 2 + 3x 3 = 5
2x − 10x + 2x = −7
 1 2 3

 − x1 + x3 =5
 2 x + 3x − 2 x + 6 x = − 1

3.  1
2 3 4

 − x 2 + 2x 3 =3
 x 3 + 5x 4 = 7

Respostas dos exercícios:


 3 − 6  1 0  3 − 6  0 
1. Fatoração LU  − 2 5  =  − 2 / 3 1  0 1  ; b=  
     1 

A = L U

0  2
y = L\b =   ; x = U\y =   é a solução do sistema. De fato:
1  1 

3*2 – 6*1 = 0

–2*2 + 5*1 = 1

1 − 3 0  1 0 0 2 − 10 2 
2. Fatoração LU 0 1 3 = 0.5 1 0 0
  2 − 1 ;

2 − 10 2  0 0.5 1 0 0 3.5

A = L U

0 0 1  1  − 7 
P = 1 0 0 ; b=  5  ; b1 = P*b=  1 
0 1 0 − 7  5 

97
 −7  8.9286 
y = L\b1 =  4.5  ; x = U\y = 2.6429 . Verificação: a cargo do leitor.
 
2.75 0.7857

3. Fatoração LU

− 1 0 1 0  1 0 0 0 2 3 − 2 6
2 3 −2  
6   − 0 .5 1 0 0  0 1 .5 0 3
 =  ;
 0 −1 2 0  0 − 0.6667 1 0 0 0 2 2
     
0 0 1 5  0 0 0 .5 1 0 0 0 4

A = L U

0 1 0 0
1 0 0 0
P=  ( Esta matriz permuta as linhas 1 e 2 , mantendo as linhas 3 e 4)
0 0 1 0
 
0 0 0 1

5 − 1  − 1 − 3
− 1 5  4. 5 1
b=   ; b1 = P*b =   ; y = L\b1 =   ; x = U\y =   . Verificação: a
3 3 6 2
       
7 7 4 1
cargo do leitor.

98
CAPÍTULO 11. DECOMPOSIÇÃO EM VALORES
SINGULARES

Se A é uma matriz quadrada nxn de posto k ( isto é, tem k linhas linearmente


independentes ), então A tem uma decomposição em valores singulares A = USVT, na
qual:

a) V= [ v1 ,v2 ,...,vn] diagonaliza a matriz ATA.

b) As entradas não-nulas de S são σ1= λ 1 , σ2= λ 2 ,..., σν= λ n , onde λ1,λ2,...λn


são os autovalores de ATA associados aos vetores-coluna de V.

c) Os vetores-coluna de V são ordenados de tal modo que σ1 ≥ σ2 ≥ ... ≥ σn > 0. Os


valores σ1 , σ2 ,... , σn são os valores singulares de A.

1
d) ui = Av i , i=1,2,...,k
σi

e) [ u1,u2,..., uk ] é uma base ortonormal do espaço gerado pelas colunas de A.

f) [ u1,u2,..., uk, uk+1,...,un ] é uma extensão de a uma base ortonormal de Rn.

OBSERVAÇÃO: No caso especial em que det(A) é diferente de zero, então o número


de linhas LI de A é igual a n. Assim, não há zeros na diagonal de S. Neste caso, k = n e
não é necessária a extensão mencionada no item f.

 3 2
Exemplo 2. Encontre a decomposição em valores singulares da matriz A =  
0 3
.

 3 0
Solução: o primeiro passo é encontrar os autovalores da matriz ATA=  
2 3
 3 2  3 2 3
 = .
0 3  2 3 7 

No Matlab:

>> A=[ sqrt(3) 2; 0 sqrt(3)];

>> A′ %calcula a matriz transposta de A

99
ans =

1.7321 0

2 1.7321

>> aux=A′*A % calcula o produto ATA

>>aux =

3.0000 3.4641

3.4641 7.0000

>> poly(aux) % calcula o polinômio característico de ATA

ans =

1 –10 9

O polinômio característico de ATA é p(λ) = λ2 – 10λ + 9. Calculamos os autovalores e


autovetores de ATA no Matlab :

>> [m,n]=eig(aux)

m=

– 0.8660 0.5000

0.5000 0.8660

n= 1 0

0 9

Os autovalores de ATA são λ1= 1 e λ2 = 9, com autovetores dados pelas colunas da


matriz m:

− 0.8660 0.5000
v1 =   e v2 =  
 0.5000  0.8660

>> v1=m(:,2); v2=m(:,1);

Os valores singulares de A são σ1= λ1 = 1 = 1 e σ2= λ 2 = 9 = 3. No Matlab:

>>sigma=sqrt(diag(n))

sigma =

100
3

Os vetores u1 e u2 podem ser calculados pelas fórmulas abaixo:

1 1 3 2  − 0.8660 − 0.5000
u1 = Av1 =   = ,
σ1 10 3   0.5000   0.8660 

1 1  3 2 0.5000 0.8660
u2 = Av 2 =   0.8660 = 0.5000
σ2 30 3    

No Matlab:

>> u1=1/sigma(1)*A*v1; u2=1/sigma(2)*A*v2;

>> U=[u1,u2]

U=

– 0.5000 0.8660

0.8660 0.5000

>> V=[v1,v2]

V=

–0.8660 0.5000

0.5000 0.8660

e portanto:

− 0.5000 0.8660 − 0.8660 0.5000


U = [ u1, u2] =   e V =[v1,v2]=  
 0.8660 0.5000  0.5000 0.8660

σ1 0 
A matriz S é uma matriz diagonal dada pelos valores singulares: S=  .
 0 σ2 

No Matlab, como a matriz A é 2x2, fazemos um for com 2 voltas:

>> for i=1:2

S(i,i)=sigma(i);

end

>>S

S =

1 0

101
0 3

Conclusão: a decomposição em valores singulares de A é

 3 2 − 0.5000 0.8660 1 0 − 0.8660 0.5000


  =   0 3  0.5000 0.8660
0 3  0.8660 0.5000   

A = U S VT

Observação: neste exemplo VT = V, mas isto não ocorre de modo geral.

Exercícios.
 4 2 2
1. Efetuar a decomposição em autovalores A = PDP –1
para a matriz A = 2 4 2
2 2 4
.

2. Use o resultado obtido no item A para calcular a potência A4.

2 0 − 2
3. Seja M = 0 3 0  . Use a diagonalização de M para calcular M6.
0 0 3 

1 2 
4. Efetuar a decomposição em valores singulares da matriz  .
 2 − 2

4 6
5. Efetuar a decomposição em valores singulares da matriz A=   . Verifique no
0 4 
Matlab a igualdade A= USVT.

1 2 0 
6. Efetuar a decomposição em valores singulares da matriz A= 2 1 0 . Verifique
0 0 3
no Matlab a igualdade A= USVT.

Respostas dos exercícios:


 4 2 2
1. A diagonalização de A= 2 4 2 é
2 2 4

102
0.4082 0.4082 − 0.8165  4 2 2  0.4082 0.7071 0.5774  2 0 0
 0.7071 − 0.7071   2 4 2  = 0 2 0
 0     0.4082 − 0.7071 0.5774  
0.5774 0.5774 0.5774   2 2 4 − 0.8165 0 0.5774 0 0 8

P–1 A P = D

2 0 0
Isto é, P–1AP = D, onde D = 0 2 0 .
0 0 8

 0.4082 0.7071 0.5774 2 4 0 0 0.4082 0.4082 − 0.8165


2.A4=PD4P–1=  0.4082 − 0.7071 0.5774  0 24 0
  0.7071 − 0.7071 0 
   
− 0.8165 0 0.5774  0 0 8 4  0.5774 0.5774 0.5774 

1376 1360 1360


A4= 1360 1376 1360
1360 1360 1376

2 0 − 2
3. M= 0 3 0  . A diagonalização de M é
0 0 3 

2 0 − 2 1 0 − 0.8944 2 0 0 1 0 2.0000
 0 3 0  = 0 1 0   0 3 0  0 1 0  =PDP–1. Logo,
     
0 0 3  0 0 0.4472  0 0 3 0 0 2.2361

M = P D P–1

1 0 − 0.8944 2 6 0 0 1 0 2.0000 64 0 − 1330


 
M6 = PD6P–1= 0 1 0 
 0 36 0 0 1
 0  =  0 729 0 
0 0 0.4472  0 0 36  0 0 2.2361  0 0 729 

103
1 2 
4. A decomposição em valores singulares da matriz   é
 2 − 2

1 2  − 0.4472 0.8944  3 0 − 0.4472 − 0.8944 T


2 − 2 = − 0.8944 − 0.4472 0 2 − 0.8944 0.4472  = U S V .
      

4 6
5. A decomposição em valores singulares da matriz A=   é
0 4 

4 6 0.8944 − 0.4472 8 0  0.4472 0.8944 T


0 4 = 0.4472 0.8944  0 2 − 0.8944 0.4472 = U S V
      

1 2 0 
6. A decomposição em valores singulares da matriz A= 2 1 0 é
0 0 3

1 2 0 0 − 0.7071 − 0.7071 3 0 0  0 0 1
2 1 0 = 0 − 0.7071 0.7071  0 3 0 − 0.7071 − 0.7071 0
      
0 0 3 1 0 0  0 0 1  0.7071 − 0.7071 0

A = U S VT

104
Referências:

1. Noble, Ben. Álgebra Linear Aplicada. Rio de Janeiro, Prentice Hall do Brasil, 1986.

2. Boldrini, Jose Luis. Álgebra linear. São Paulo, Harbra, 1986.

3. Claudio, Dalcidio Moraes. Cálculo numérico computacional. São Paulo: Atlas, 2000.

4. Lima, Elon et al. A matemática do ensino médio. Rio de Janeiro, SBM, 1999.

5. Barroso, Leônidas et. al. Cálculo numérico. São Paulo: Harbra, c. 1987.

6. Anton, Howard. Álgebra linear: com aplicações. Porto Alegre, Bookman, 2001.

7. Burden, Richard. Análise Numérica. São Paulo, Thomson Learning, 2003.

Nos links abaixo, você encontra programas que “simulam” o Matlab e são programas
livres :
http://freemat.sourceforge.net/download.html

http://www.scilab.org/

Links para manuais do Matlab:

http://www.mat.ufmg.br/~regi/topicos/intmatl.html

http://www.del.ufms.br/tutoriais/matlab/apresentacao.htm

105