Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
2012
Copyright © UNIASSELVI 2012
Elaboração:
Prof. André Marcelo Santos de Souza
Prof. Roy Wilhelm Probst
512.5
S729a Souza, André Marcelo Santos de
Álgebra linear / André Marcelo Santos de Souza; Roy Wilhelm
Probst. Indaial : Uniasselvi, 2012.
195 p. : il
ISBN 978-85-7830-578-9
1. Álgebra linear.
I. Centro Universitário Leonardo da Vinci.
Apresentação
Prezado(a) acadêmico(a)!
Vale lembrar ainda que este caderno traz um curso introdutório de ál-
gebra linear e você deve se sentir curioso e instigado a procurar outros livros
para completar seu aprendizado.
III
UNI
Você já me conhece das outras disciplinas? Não? É calouro? Enfim, tanto para
você que está chegando agora à UNIASSELVI quanto para você que já é veterano, há
novidades em nosso material.
O conteúdo continua na íntegra, mas a estrutura interna foi aperfeiçoada com nova
diagramação no texto, aproveitando ao máximo o espaço da página, o que também
contribui para diminuir a extração de árvores para produção de folhas de papel, por exemplo.
Todos esses ajustes foram pensados a partir de relatos que recebemos nas pesquisas
institucionais sobre os materiais impressos, para que você, nossa maior prioridade, possa
continuar seus estudos com um material de qualidade.
IV
V
VI
Sumário
UNIDADE 1 - MATRIZES ...................................................................................................................... 1
VII
2.4 CÁLCULO DA MATRIZ INVERSA UTILIZANDO O ESCALONAMENTO . ...................... 55
LEITURA COMPLEMENTAR ............................................................................................................... 61
RESUMO DO TÓPICO 3 ....................................................................................................................... 65
AUTOATIVIDADE ................................................................................................................................. 66
VIII
3 SUBESPAÇO ASSOCIADO AO AUTOVALOR ? .......................................................................... 148
4 MÉTODO PRÁTICO PARA DETERMINAR OS AUTOVALORES ........................................... 148
5 POLINÔMIO CARACTERÍSTICO ................................................................................................... 154
6 MULTIPLICIDADE ALGÉBRICA E GEOMÉTRICA DE UM AUTOVALOR DE T ............... 155
RESUMO DO TÓPICO 1 ....................................................................................................................... 158
AUTOATIVIDADE ................................................................................................................................. 159
IX
X
UNIDADE 1
MATRIZES
OBJETIVOS DE APRENDIZAGEM
A partir desta unidade o(a) acadêmico(a) estará apto(a) a:
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No final de cada um deles, você
encontrará atividades que reforçarão o seu aprendizado.
TÓPICO 1 – MATRIZES
1
2
UNIDADE 1
TÓPICO 1
MATRIZES
1 INTRODUÇÃO
O estudo de álgebra linear, geralmente, começa com o estudo de matrizes.
Essa prática acontece devido às várias aplicações e facilidades proporcionadas ao
relacionarmos os conceitos de álgebra linear com matrizes.
2 CONCEITOS BÁSICOS
O quadro que segue mostra a quantidade diária em kg que cada animal
deve comer para cada tipo de ração (X, Y, Z).
ANIMAL
Boi Ovelha Cachorro Gato
RAÇÃO
X 20 3 1 0,3
Y 18 2 0,8 0,3
Z 15 2 1,2 0,2
3
UNIDADE 1 | MATRIZES
a11 = elemento da 1ª linha com a 1ª coluna, lê-se “a um um” não pode ser
dito “a onze”
ATENCAO
4
TÓPICO 1 | MATRIZES
Exemplo:
Veja os exemplos:
E
IMPORTANT
A ordem da matriz segue a mesma ideia das dos elementos, primeiro informa-se
o total de linhas e depois, o de colunas.
ATENCAO
5
UNIDADE 1 | MATRIZES
6
TÓPICO 1 | MATRIZES
Uma matriz será quadrada quando o número de linhas e colunas for igual.
Nesse caso teremos ordens do tipo 1x1, 2x2, 3x3, 4x4, e assim por diante. Mas como
já sabemos que o número de linhas e colunas são iguais nas matrizes quadradas,
não precisamos informar a linha e a coluna, basta falar a ordem. Por exemplo,
uma matriz 1x1 é, simplesmente, de ordem 1; uma matriz 2x2 é, simplesmente, de
ordem 2; 3x3 é de ordem 3; 4x4 é de ordem 4 e assim sucessivamente.
E
IMPORTANT
7
UNIDADE 1 | MATRIZES
Exemplos:
E
IMPORTANT
Esse tipo de matriz é muito importante para a Álgebra Linear, pois usualmente é
utilizado para representar vetores.
A matriz composta por uma única linha é denominada matriz linha. São
matrizes de ordem 1x1, 1x2, 1x3, 1x4,…, 1xn.
Exemplos:
A= [a b c] B= [0 1] C= [10 - 3 9 1]
8
TÓPICO 1 | MATRIZES
Exemplos:
UNI
9
UNIDADE 1 | MATRIZES
Exemplos:
ATENCAO
10
TÓPICO 1 | MATRIZES
Exemplos:
ATENCAO
Vejam que os termos abaixo da diagonal principal são uma “reflexão” dos termos
da parte acima da diagonal principal.
ATENCAO
11
UNIDADE 1 | MATRIZES
Exemplos:
(a)
(b)
Exemplos:
(a)
(b)
12
TÓPICO 1 | MATRIZES
(a)
(b)
13
UNIDADE 1 | MATRIZES
ATENCAO
Note que na definição A tem n colunas e B tem n linhas. Essa igualdade tem que
ocorrer para que a multiplicação possa ser calculada.
Sabemos que a matriz C terá ordem 3x4 devido à definição, pois a ordem
da matriz resultado da multiplicação de duas matrizes herda o número de linhas
da primeira e o número de colunas da segunda. Observe:
14
TÓPICO 1 | MATRIZES
Portanto:
15
UNIDADE 1 | MATRIZES
(a)
Resolução
A matriz resultado terá ordem 2x3, uma vez que o número de linhas da
primeira matriz é 2 e o número de colunas da segunda é 3.
Logo,
c 1 1 = (-2)∙(1)+(4)∙(-2)=-2-8=-10
c 1 2 = (-2)∙(2)+(4)∙(5)=-4+20=16
c 13 = (-2)∙(3)+(4)∙(0)=-6+0=-6
c 21 = (1)∙(1)+(2)∙(-2)=1-4=-3
c 2 2 = (1)∙(2)+(2)∙(5)=2+10=12
c 2 3 = (1)∙(3)+(2)∙(0)=3+0=3
Portanto,
16
TÓPICO 1 | MATRIZES
ATENCAO
(b)
Como temos uma matriz de ordem 2x3 multiplicando uma matriz 3x1, esta
multiplicação é possível e resultará numa matriz 2x1.
DICAS
c 11 =(-2)∙(-1)+1∙2+0∙1=2+2+0=4
c 21 =(-4)∙(-1)+2∙2+1∙1=4+4+1=9
17
UNIDADE 1 | MATRIZES
E
IMPORTANT
4.5 PROPRIEDADES
As propriedades a seguir são válidas para todas as matrizes quando a
operação em questão for possível.
(i) Em geral, A·B ≠ B·A, para A e B duas matrizes quaisquer, isto é, não é válida a
propriedade comutativa da multiplicação para matrizes.
ATENCAO
(vii) 0·A = 0 e A·0 = 0 , para toda matriz A(onde 0 é a matriz nula de ordem
apropriada).
18
TÓPICO 1 | MATRIZES
E
IMPORTANT
Produto
Soja Feijão Milho
Região
Sul 5000 20 100
Sudeste 3500 75 200
Centro-oeste 2000 80 150
Norte 1500 20 0
Produção de 2007
Produto
Soja Feijão Milho
Região
Sul 7500 18 130
Sudeste 4500 22 220
Centro-oeste 1800 75 250
Norte 1750 25 100
Produção de 2008
(b) Agora observe o seguinte quadro que representa o número de peças de tecido
(X,Y,Z,W) necessárias para produzir cada tipo de roupa (A,B,C).
Malha
X Y Z W
Roupa
A 1 0 1 1
B 0 2 1 2
C 2 1 1 0
Se quisermos saber quanto custa cada tipo de roupa (A, B, C), basta
multiplicar as matrizes dos valores do primeiro quadro com os valores do segundo
quadro. Veja:
20
TÓPICO 1 | MATRIZES
Janeiro Fevereiro
Modelo A 12 6
Modelo B 24 12
Modelo C 12 9
Resolução:
Janeiro Fevereiro
Transistores
Alto falantes
Para isso, basta multiplicar a primeira matriz pela segunda (vamos deixar
os títulos e operar apenas com os valores)
21
UNIDADE 1 | MATRIZES
Janeiro Fevereiro
Transistores 828 474
Alto falantes 144 84
DICAS
22
RESUMO DO TÓPICO 1
Neste tópico, tratamos especificamente de matrizes. A seguir, resumimos
o que vimos para facilitar a fixação do estudo.
• O elemento pode ser de qualquer natureza: pode ser número, função ou até
mesmo outra matriz.
• Para multiplicar matrizes o número de colunas da primeira matriz tem que ser
igual ao número de linhas da segunda. Já a matriz resultante (produto) terá o
número de linhas da primeira matriz e o número de colunas da segunda matriz.
23
AUTOATIVIDADE
1 Construa as matrizes:
e
a)
b)
24
c)
d)
e)
f)
a) Se ele vai construir 5,7 e 12 casas dos tipos moderno, mediterrâneo e colonial,
respectivamente, quantas unidades de cada material serão empregadas?
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
preço unitário de cada tipo de casa?
c) Qual o custo total do material empregado?
25
26
UNIDADE 1
TÓPICO 2
ESCALONAMENTO E DETERMINANTE
1 INTRODUÇÃO
Podemos pensar neste tópico como uma introdução para os tópicos
seguintes, uma vez que muitos dos cálculos de álgebra linear podem ser feitos
com o auxílio de escalonamento de matrizes.
27
UNIDADE 1 | MATRIZES
2 ESCALONAMENTO
(i) O primeiro valor não nulo de cada linha será denominado pivô.
ATENCAO
Você notou que, se observarmos os elementos nulos abaixo dos pivôs (em
destaque), existe, aparentemente uma escada na matriz?
E
IMPORTANT
28
TÓPICO 2 | ESCALONAMENTO E DETERMINANTE
Como vocês verão no decorrer deste caderno, é mais fácil trabalhar com
a matriz escalonada. Então usaremos as operações sobre linhas de matrizes para
transformar uma matriz qualquer em uma escalonada.
UNI
Preste bem atenção nas operações permitidas, pois não é qualquer operação
que não altera os conjuntos relacionados às matrizes.
Nada mais é que trocar uma linha inteira por outra. Por exemplo, escrever
a 4ª linha no lugar da 2ª linha e vice-versa.
Exemplo:
29
UNIDADE 1 | MATRIZES
Exemplo:
(iii) Soma da linha i com uma linha j multiplicada por c não nulo.
Representação: Li → Li + c.Lj
30
TÓPICO 2 | ESCALONAMENTO E DETERMINANTE
Apesar de, no início do aprendizado, ser um cálculo longo, ele está longe
de ser difícil. Basta prestar atenção nos detalhes, que são poucos, e não aparecerão
dificuldades.
Considere a matriz:
O primeiro pivô será o elemento a11 que, no nosso exemplo, é 1. Temos que
nos preocupar em zerar os elementos abaixo de a11=1, ou seja, a21=3 e a31=2.
Como o pivô está na linha 1, esta linha será usada de base e, nesta primeira
etapa, a usaremos para conseguir zerar os elementos que desejarmos.
31
UNIDADE 1 | MATRIZES
Para determinar esse escalar c basta dividir o elemento que se deseja zerar
pelo oposto do pivô.
Ou seja:
ATENCAO
Note que dividimos o 3 (elemento que queremos zerar) pelo (-1), que é o oposto
de 1. Essa “troca” de sinal é o que caracteriza o oposto do pivô, e sempre terá que ocorrer
para determinar o escalar c.
Teremos então:
Determinando o c:
32
TÓPICO 2 | ESCALONAMENTO E DETERMINANTE
Continuando o processo:
Tivemos sorte: a matriz já está escalonada, mas nem sempre isso ocorrerá
tão rápido. A seguir, teremos mais exemplos com menos comentários e maior
ênfase nos cálculos necessários para determinar o escalar c.
Exemplo 1:
Nesse caso, ficaria ainda mais fácil se nós permutarmos a linha 3 com a
linha 1, antes de nos preocuparmos em transformar o pivô em valor 1. Isso porque
todos os elementos da linha 3 são pares, enquanto o mesmo não acontece com os
elementos da linha 1.
Logo,
33
UNIDADE 1 | MATRIZES
Nosso primeiro pivô então será o elemento a11=1, e teremos que zerar os
elementos a21= -5 e a31= 2.
Então:
Então:
A matriz ainda não está escalonada, pois abaixo do pivô a22 = 6, temos um
elemento diferente de zero. Temos que zerá-lo, mas antes podemos fazer nosso
pivô se transformar em 1 a fim de facilitar os cálculos.
Logo,
34
TÓPICO 2 | ESCALONAMENTO E DETERMINANTE
Então,
E
IMPORTANT
Note que a linha base nesta última etapa é a segunda. Isso ocorre porque o
pivô está nesta linha. Notem também que não utilizamos o sinal de = entre as matrizes
simplesmente porque as matrizes não são iguais, apenas conservam propriedades
importantes entre si.
Exemplo 2:
Seja a matriz:
35
UNIDADE 1 | MATRIZES
Pronto, a matriz está escalonada e seus pivôs são os elementos a11=1, a22=2
e a33=-1.
3 DETERMINANTE
O determinante é um número relacionado a matrizes quadradas. Agora
nós veremos como calcular o determinante de matrizes de ordem 1, 2 e 3. Depois,
veremos como calcular o determinante utilizando escalonamento para calcular o
determinante de matrizes.
Exemplo:
36
TÓPICO 2 | ESCALONAMENTO E DETERMINANTE
Exemplos:
Exemplo:
37
UNIDADE 1 | MATRIZES
1º) Repetir as duas primeiras colunas da matriz, após a terceira coluna. Veja:
2º) Multiplicar os termos da diagonal principal, bem como os termos das duas
outras diagonais que criamos no passo 1.
Ao final deste passo, sempre teremos três valores: no nosso exemplo, 3·4·8
= 96, 2·6·7 = 84 e 1·5·9 = 45.
3º) Multiplicar os termos da diagonal secundária, bem como os termos das duas
outras diagonais que criamos no passo 1.
Ao final desse passo sempre, teremos três valores: no nosso exemplo, 3·5·7
= 105, 1·6·8 = 48 e 2·4·9 = 72.
38
TÓPICO 2 | ESCALONAMENTO E DETERMINANTE
4º) Somar os três valores do passo 2. Somar os três valores do passo 3. Efetuar a
subtração entre esses dois resultados obtidos.
ATENCAO
Sempre teremos que fazer o total do passo 2 subtraído do total do passo 3. Não
podemos fazer ao contrário, pois a subtração não é comutativa.
a)
E
IMPORTANT
Não vá adiante sem entender muito bem esse exemplo. Se você teve dificuldade
em entender os valores apresentados, faça os 4 passos separadamente e compare os
resultados.
b)
39
UNIDADE 1 | MATRIZES
ATENCAO
(ii) Ao permutar duas linhas de uma matriz, o determinante dessa matriz apenas
muda de sinal, não alterando seu valor absoluto.
(i) Se todos os elementos de uma linha ou de uma coluna de uma matriz forem
iguais a zeros, então o determinante dessa matriz será igual a zero.
(ii) O determinante de uma matriz com duas linhas ou colunas iguais é zero.
E
IMPORTANT
Podemos generalizar esta propriedade dizendo que se uma matriz possui linhas
(ou colunas) múltiplas uma das outras, então o determinante é zero.
40
TÓPICO 2 | ESCALONAMENTO E DETERMINANTE
Exemplo:
Veja que, nesse caso, não foi necessário fazer nenhuma correção sobre o
valor encontrado, pois não multiplicamos nenhuma linha por uma constante e
nem permutamos duas linhas.
ATENCAO
Este método pode ser utilizado para matrizes de ordem maior, mas temos que
tomar cuidado com a multiplicação de linhas por um escalar ou permutação de linhas.
41
UNIDADE 1 | MATRIZES
ATENCAO
Não vá adiante sem entender esse exemplo, pois ele é muito importante.
Refaça-o em outra folha explicitando os passos dados, se for preciso.
42
RESUMO DO TÓPICO 2
Neste tópico, vimos que:
43
AUTOATIVIDADE
a) b) c)
a) b)
a) b)
44
UNIDADE 1
TÓPICO 3
1 INTRODUÇÃO
Você iniciará agora o estudo de matriz inversa. Neste tópico aprenderá
os conceitos, propriedades e três métodos de como determinar a inversa de uma
matriz.
2 MATRIZ INVERSA
2.1 DEFINIÇÃO
Seja uma matriz quadrada A, a matriz inversa A-1 será uma matriz tal que:
A . A - 1 =A - 1 . A= 1
E
IMPORTANT
Note que esta definição indica que a multiplicação da matriz A pela sua inversa
tem que resultar na matriz identidade. Além disso, a matriz inversa tem que poder multiplicar
a esquerda e a direita a matriz A. Isso implica que, para ter inversa, a matriz A precisa ser
quadrada como informado na definição e ter determinante diferente de zero.
45
UNIDADE 1 | MATRIZES
ATENCAO
Caso você não tenha aprendido no ensino médio como calcular a matriz inversa,
não tem problema, pois daremos dois exemplos bem detalhados que, serão suficientes para
que você aprenda.
Exemplo 1:
Como , então temos que determinar uma matriz A-1 que pode
ser multiplicada de ambos os lados de A.
DICAS
Lembre-se que nem sempre é possível multiplicar matrizes. Caso não se lembre
das definições de multiplicação de matrizes, volte ao tópico que explica essa operação.
46
TÓPICO 3 | O DESAFIO SOCIAL DA UNIVERSIDADE E A QUESTÃO DA PESQUISA
Como a matriz A é uma matriz de ordem 2x2 (duas linhas e duas colunas),
a matriz inversa A-1 tem que ser da mesma ordem de A, ou seja, 2x2.
A.A-1=A-1.A=1
Note que não conhecemos a matriz inversa A-1, mas sabemos que ela tem a
mesma ordem de A, ou seja, ordem 2x2. Podemos então substituir na equação A-1
pela matriz na definição. Também substituiremos na definição a matriz
identidade I pela matriz identidade de ordem 2, .
E
IMPORTANT
47
UNIDADE 1 | MATRIZES
Isso implica:
Para essas duas matrizes serem iguais, é necessário que todos os elementos
de posições correspondentes sejam iguais, ou seja:
DICAS
48
TÓPICO 3 | O DESAFIO SOCIAL DA UNIVERSIDADE E A QUESTÃO DA PESQUISA
b+2d = 0
b=- 2d
2b +5d= 1
2∙(-2d ) + 5d= 1
-4d+5d=1
d=1
b= -2d
b=-2 ∙( 1)
b= -2
E
IMPORTANT
O outro sistema,
a+2c=1
a=1-2c
49
UNIDADE 1 | MATRIZES
2a+5c =0
2(1-2c)+5c=0
2-4c+5c =0
2+c =0
c=-2
a=1-2c
a=1-2(-2)
a=1+4
a=5
DICAS
Se você quiser ter certeza que calculou a matriz inversa A-1 corretamente,
basta efetuar a multiplicação A.A-1, no nosso exemplo, . Se essa
multiplicação resultar na identidade , você terá calculado corretamente, caso
contrário, refaça os cálculos.
50
TÓPICO 3 | O DESAFIO SOCIAL DA UNIVERSIDADE E A QUESTÃO DA PESQUISA
1 e compare as situações.
A ∙ =A -1 ∙A =I
Teremos:
Resolvendo o primeiro:
-b+2d=0
2d=0+b
2d=b
51
UNIDADE 1 | MATRIZES
-3b+d=1
-3(2d)+d=1
-6d+d =1
-5d=1
d= - 1
5
-a+2c=1
-a=1-2c
a=-1+2c
-3a+c=0
-3∙(-1+2c)+c=0
3-6c+c =0
-5c=-3
c= -3
-5
c= 3
5
52
TÓPICO 3 | O DESAFIO SOCIAL DA UNIVERSIDADE E A QUESTÃO DA PESQUISA
UNI
tais que det (A) ≠0. Então a inversa de A será dada por A - 1 =
53
UNIDADE 1 | MATRIZES
E
IMPORTANT
54
TÓPICO 3 | O DESAFIO SOCIAL DA UNIVERSIDADE E A QUESTÃO DA PESQUISA
ATENCAO
Veja como é rápido efetuar essa inversa, porém a generalização é difícil. Portanto,
é importante aprender os outros métodos.
55
UNIDADE 1 | MATRIZES
DICAS
ATENCAO
Resolução:
Veja que essa matriz estendida possui a matriz A do lado esquerdo do traço
vertical e a matriz identidade do lado direito do traço vertical.
56
TÓPICO 3 | O DESAFIO SOCIAL DA UNIVERSIDADE E A QUESTÃO DA PESQUISA
UNI
Viu como não é difícil? Basta utilizar operações sobre linhas de matrizes para
chegar à matriz inversa.
57
UNIDADE 1 | MATRIZES
Resolução
58
TÓPICO 3 | O DESAFIO SOCIAL DA UNIVERSIDADE E A QUESTÃO DA PESQUISA
Pronto! A inversa é:
Resolução:
Matriz expandida:
59
UNIDADE 1 | MATRIZES
E
IMPORTANT
60
TÓPICO 3 | O DESAFIO SOCIAL DA UNIVERSIDADE E A QUESTÃO DA PESQUISA
LEITURA COMPLEMENTAR
61
UNIDADE 1 | MATRIZES
Situação-problema 1
Fernando é um aluno que pesa 73 quilos. Ele quer perder peso por meio
de um programa de dieta e de exercícios. Após consultar a tabela 1, ele montou
o programa de exercícios na tabela 2. Quantas calorias ele vai queimar por dia se
seguir esse programa?
[...]
63
UNIDADE 1 | MATRIZES
CONSIDERAÇÕES FINAIS
REFERÊNCIAS
64
RESUMO DO TÓPICO 3
Neste tópico, aprendemos que:
65
AUTOATIVIDADE
66
UNIDADE 2
OBJETIVOS DE APRENDIZAGEM
PLANO DE ESTUDOS
Esta unidade está dividida em quatro tópicos. No final de cada um deles,
você encontrará atividades que reforçarão o seu aprendizado.
67
68
UNIDADE 2
TÓPICO 1
SISTEMAS LINEARES
1 INTRODUÇÃO
Os conceitos primitivos sobre sistemas lineares já são apresentados no
ensino fundamental. Depois disso, os conceitos vão evoluindo gradativamente no
decorrer da vida acadêmica. Infelizmente, não podemos dizer que todos os alunos
consigam entender a importância desse tema.
Para isso, relacionaremos uma matriz a cada sistema linear e veremos como
o escalonamento dessa matriz relacionada nos dá todas as “pistas” necessárias
sobre o sistema linear original.
69
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
UNI
Quando dizemos que uma equação é verdadeira, estamos nos referindo que ao
substituirmos cada x1, x2, x3,…, xn pelos seus respectivos valores obtemos os resultados b1, b2,
b3,…, bm como informado em cada equação do sistema.
Como o próprio nome diz, são os sistemas que não têm soluções, ou seja, não
há combinação possível para x1, x2, x3,…, xn de modo a satisfazer, simultaneamente,
todas as m equações do sistema.
70
TÓPICO 1 | SISTEMAS LINEARES
E
IMPORTANT
As representações R, R², R³, estão sendo cada vez mais usadas no mundo
matemático para representarem a reta, o plano e o espaço, respectivamente. Por isso, a
representação é utilizada para os chamados hiperplanos Rn quando o n é maior que 3, que
são impossíveis de visualizar, mas que a matemática estuda perfeitamente.
71
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
As retas que compõem o sistema são paralelas entre si, ou seja, não há
ponto em comum entre elas. Logo, não há solução possível.
72
TÓPICO 1 | SISTEMAS LINEARES
Exemplo:
73
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
74
TÓPICO 1 | SISTEMAS LINEARES
Logo,
ATENCAO
Agora que você já viu que é possível escrever qualquer sistema linear na
forma matricial, mostraremos o mais interessante de tudo isso. Podemos resolver
(ou verificar que não há soluções) um sistema linear utilizando as matrizes
somente com os valores dos coeficientes e das respostas, sem nos preocuparmos
com as incógnitas. Para isso escrevemos uma matriz relacionada ao sistema que
chamamos de matriz ampliada.
Podemos escrever:
75
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Na forma matricial,
ATENCAO
O tracejado pode ser representado por uma linha contínua. Ao longo deste
Caderno de Estudos, utilizaremos os dois modos. Fique atento!
76
TÓPICO 1 | SISTEMAS LINEARES
A·X = B
A-1·(A·X) = A-1·B
(A-1·A)·X = A-1·B
A·X = B
A-1AX = A-1B
I·X = A-1·B
X = A-1·B
Contudo, nem toda matriz A tem inversa e, mesmo que tenha, o cálculo da
inversa é algo inviável para matrizes grandes. É por esse motivo que utilizamos
outros métodos ao invés da inversa para solucionar um sistema, entre eles, o
método do escalonamento. Este método consiste em escalonar a matriz ampliada
relacionada ao sistema, e após estar escalonada, em resolver as equações dadas por
esta nova matriz, que serão de mais fácil resolução.
77
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Escalonando-a, teremos:
78
TÓPICO 1 | SISTEMAS LINEARES
Essa matriz tem duas equações e três incógnitas, logo a matriz A será
de ordem 2x3. Como a matriz ampliada tem uma coluna a mais (a coluna dos
resultados), teremos uma matriz 2x4 como ampliada.
Notem que na segunda linha não aparece incógnita y, mas na matriz temos
que representá-la normalmente. Assim, basta acrescentar o coeficiente 0 como
elemento correspondente. Isso não é novidade, pois já falamos disso no item 3
deste tópico.
Escalonando a matriz
79
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Notem que esta matriz já está escalonada e lendo as suas linhas, teremos
duas equações:
Portanto, existem infinitas soluções para esse sistema: para cada valor de
z que considerarmos, teremos valores x e y diferentes associados a ele, a solução
para z, você encontra diferentes soluções para o sistema, como por exemplo:
80
TÓPICO 1 | SISTEMAS LINEARES
81
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
-9z=9
z= 9
-9
z=-1
x +y +z=0
x +(1)+(-1)=0
x +1-1=0
x =0
82
TÓPICO 1 | SISTEMAS LINEARES
Resolução:
Para escalonar essa matriz, podemos utilizar todas as operações sobre linhas
de matriz. Como é sempre útil deixar o pivô valer 1, vamos permutar (trocar), a
linha 1 pela linha 2:
Usando o elemento a11 = 1 como pivô para zerar os elementos a21 = 3 e a31 =
-4, teremos:
Logo,
Permutando a linha 2 com a linha 3 para ficarmos com o pivô a22 = 1, teremos:
83
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
3ª Linha:
44z=44
z= 44
44
z=1
2ª Linha:
1y+9z=14
1y+9∙(1)=14
1y+9=14
y=14-9
y=5
1ª Linha:
x +y +2z=12
x +(5)+2∙(1)=12
x +5+2=12
x +7=12
x =12-7
x =5
S={(5,5,1)}
84
TÓPICO 1 | SISTEMAS LINEARES
E
IMPORTANT
Resolução:
85
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Permutando as linhas 2 e 3,
Agora, usaremos o elemento a 2 2 =-1 como pivô para zerar o elemento a31
abaixo dele
3ª linha:
-3z=3
z= 3
(-3)
z=-1
2ª linha:
-y-z=0
-y -(-1)=0
-y+1=0
-y =-1
y =1
1ª linha:
x -y +2z=-2
x -(1)+2∙(-1)=-2
x -1-2=-2
x =-2+1+2
x =1
S={(1,1,-1)}
86
TÓPICO 1 | SISTEMAS LINEARES
Dada uma matriz A qualquer, o posto dessa matriz será igual ao número
de linhas não nulas da matriz A escalonada.
Exemplos:
(i) Se o posto de A for menor que o posto da matriz ampliada, então o sistema é
impossível.
87
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Note que a matriz ampliada tem posto 3 (porque apresenta três linhas não
nulas), enquanto a matriz A tem posto 2 (porque apresenta apenas duas linhas não
nulas).
(ii) Se o posto de A for igual ao posto da matriz ampliada, mas menor que o número
de incógnitas, então o sistema é possível e indeterminado.
O posto desta matriz é igual a 2, pois apresenta duas linhas não nulas (que
é igual ao posto da matriz A).Contudo, o número de incógnitas é 3. Logo, o posto
da matriz é menor que o número de incógnitas, o que caracteriza um SPI.
(b) Classifique o sistema a seguirem SPD, SPI ou SI, analisando o rank (posto) das
matrizes relacionadas ao sistema.
88
TÓPICO 1 | SISTEMAS LINEARES
Usamos o elemento a11=1 como pivô para zerar os elementos a21, a31 e a41.
89
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
ATENCAO
90
TÓPICO 1 | SISTEMAS LINEARES
Resolução:
Utilizando o elemento a22= -10 como pivô para zerar o elemento a32 abaixo
dele,
Note que a matriz A tem apenas duas linhas não nulas. Logo o posto da
matriz A é igual a 2.
91
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
UNI
A matriz ampliada conta com 3 linhas não nulas, logo o posto da matriz ampliada é igual a 3.
Como o posto da matriz ampliada é maior que o posto da matriz A, o sistema é impossível
(SI), ou seja, não há solução para ele.
92
RESUMO DO TÓPICO 1
Neste tópico, vimos que:
• Se o posto da matriz ampliada for igual ao posto da matriz A, porém menor que
o número de incógnitas, o sistema é SPI.
93
AUTOATIVIDADE
94
UNIDADE 2 TÓPICO 2
1 INTRODUÇÃO
Os dois próximos tópicos desta unidade serão dedicados ao estudo dos
espaços vetoriais.
Como sempre, vale lembrar que este Caderno de Estudos tem como
principal objetivo “abrir” as portas do maravilhoso mundo da álgebra linear.
Portanto, é evidente, que o estudo é introdutório e, algumas vezes, superficial. Por
isso, caso você queira aprofundar o conhecimento na área, busque informações em
mais de um livro, pois todos complementarão o seu estudo.
2 VETORES
Estudaremos primeiramente os vetores no plano, ou seja, no R² (duas
dimensões) e, depois, generalizaremos para um espaço de n-dimensões, que
representamos por Rn.
2.1 VETORES NO R2
Uma maneira de representar um ponto no plano é criar um sistema de
coordenadas (plano cartesiano) com dois eixos orientados e ortogonais entre si
(eixo das abscissas e ordenadas). Um ponto P qualquer no plano será representado
pelo par ordenado (a,b) representando suas coordenadas referente aos eixos
horizontal (eixo x) e vertical (eixo y), respectivamente.
95
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Veja que o vetor OQ é paralelo ao vetor PQ, logo tem a mesma direção.
Ambos também têm o mesmo sentido e o mesmo tamanho e, portanto são
equivalentes.
UNI
Por direção, entenda a reta suporte do vetor dado, por sentido entenda para onde
o vetor “aponta”.
96
TÓPICO 2 | ESPAÇO VETORIAL – PARTE 1
UNI
97
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
E
IMPORTANT
(1) Adição: sejam dois vetores v = (a,b) e u = (c,d). O vetor resultante da soma de v
com u é dado por: v + u = (a + c,b + d).
Exemplos:
Resolução:
Resolução:
Exemplos:
98
TÓPICO 2 | ESPAÇO VETORIAL – PARTE 1
Então tudo o que vale para R² e para R³ em relação a vetores, vale para Rn,
onde n é um número natural qualquer. Assim, um vetor v e R será representado
n
(i) (u + v) + w = u + (v + w)
(ii) u + v = v + u
(iv) Para cada v ∈ Rn não nulo, existe um vetor –v ϵ Rn, tal que v + (-v) = 0.
(viii) 1·u = u
UNI
Estas propriedades são usadas para determinar um espaço vetorial, veja a seguir.
3 ESPAÇOS VETORIAIS
Existem conjuntos que não são compostos propriamente por vetores,
mas cujos elementos se comportam do mesmo jeito, ou admitem as mesmas
propriedades. Esses conjuntos, com suas operações, são definidos como espaços
vetoriais.
(i) (u + v) + w = u + (v + w)
(ii) u + v = v + u
(iv) Para cada v ∈ Rn não nulo, existe um vetor –v ϵ Rn, tal que v + (-v) = 0.
(viii) 1·u = u
UNI
Para confirmar que os dois exemplos anteriores são espaços vetoriais, temos
que considerar dois vetores generalizados pertencentes a esses espaços e confirmar
todas as oito propriedades.
100
TÓPICO 2 | ESPAÇO VETORIAL – PARTE 1
Exemplo 1:
(i) (U + V) + W = U + (V + W)
Verificando:
(ii) U + V = V + U
101
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Você já deve imaginar quem é esta matriz, mas vamos supor que não
que valha
Ou seja,
Ainda
102
TÓPICO 2 | ESPAÇO VETORIAL – PARTE 1
(iv) Dado V∈ M2x2 não nulo, existe – V ∈ M2x2, tal que V + (-V) = 0.
V + (-V) = 0.
Ou seja,
Assim,
103
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Como v1, v2, v3, v4 u1, u2, u3 e u4 são números reais, o sistema é satisfeito
sempre que u1 = -v1, u2 = -v2, u3 = -v3, u4 = -v4. Portanto, encontramos a matriz que
que
V + (-V) = 0.
104
TÓPICO 2 | ESPAÇO VETORIAL – PARTE 1
(viii) 1·u = u
UNI
105
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
4 SUBESPAÇOS VETORIAIS
Muitas vezes, dentro de espaços vetoriais, existem subconjuntos que se
comportam, eles mesmos, como um espaço vetorial. Identificar tais subconjuntos
é importante em alguns casos.
DICAS
a·u + v =
a· (x1,x2,0,x4,x5) + (y1,y2,0,y4,y5) =
(a·x1,a·x2,a·0,a·x4,a·x5) + (y1,y2,0,y4,y5) =
(a·x1 + y1 ,a·x2 + y2,a·0 + 0,a·x4 +y4,a·x5 +y5) = (a·x1 + y1 ,a·x2 + y2,0,a·x4 +y4,a·x5 +y5)
Como a,xi,yi∈R, com i = 1, 2,…,5, a.xi + yi∈ R para todo com i = 1, 2,…,5 . Logo,
(a·x1 + y1, a·x2 + y2 ,0 , a·x4 +y4, a·x5 +y5)∈ W. Segue que W é subespaço vetorial.
106
TÓPICO 2 | ESPAÇO VETORIAL – PARTE 1
De fato, considere
107
RESUMO DO TÓPICO 2
Neste tópico, vimos que:
• Dados três vetores u,v,w e dois escalares a,b as seguintes propriedade são válidas:
(i) (u + v) + w = u + (v + w)
(ii) u + v = v + u
(iii) Existe um vetor nulo 0 tal que u + 0 = u.
(iv) Existe um vetor –v, tal que v + (-v) = 0.
(v) a·(u + v) = a·u + a·v
(vi) (a + b)·v = a·v + b·v
(vii) (a·b)·v = a·(b·v)
(viii) 1·u = u
108
AUTOATIVIDADE
109
110
UNIDADE 2
TÓPICO 3
1 INTRODUÇÃO
Continuaremos a aprendizagem de espaço vetorial. A partir de agora,
veremos que um vetor pertencente a um espaço vetorial pode ser escrito como
uma combinação de outros vetores desse espaço, o que chamamos de combinação
linear. Estudaremos a dependência ou independência linear entre vetores, e que
esse conceito é importante para determinarmos uma base para o nosso espaço.
Essa base será um conjunto de vetores do espaço que conseguirá “gerar” qualquer
outro vetor desse espaço. Em outras palavras, qualquer vetor do espaço poderá ser
escrito por uma combinação linear dos vetores da base.
2 COMBINAÇÃO LINEAR
A combinação linear é uma característica importante entre os vetores de
um espaço vetorial. Ela mostra que, a partir de um determinado grupo de vetores
do espaço, podemos criar novos vetores. Veja a definição:
Definição: Seja V um espaço vetorial real, v1, v2, v3, ..., vn ∈ V e a1, a2, a3, ...,
an ∈ R. O vetor v = a1v1 + a2v2 + ... + anvn de V denominado combinação linear de v1,
v2, v3, ..., vn.
UNI
111
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
ATENCAO
UNI
Dizer que v1, v2, v3, ..., vn são LD, é o mesmo que afirmar que um desses vetores
é combinação linear dos demais.
112
TÓPICO 3 | ESPAÇO VETORIAL – PARTE 2
113
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
infinitas soluções do tipo {(a1, a2, a3)} = {(-a3, -a3, a3)}, os vetores desse exemplo são
Para ser base, v1 e v2 têm que gerar R², ou seja, qualquer vetor pertencente
ao conjunto R² tem que ser combinação linear de v1 e v2, e ainda, v1 e v2 tem que
ser LI.
Falta mostrar que são LI, faça isso como exercício de maneira análoga à
mostrada no item anterior.
Para ser base, qualquer vetor de R³ tem que ser escrito como combinação
linear dos vetores v1 e v2. Seja um vetor qualquer v = (x,y,z) pertencente a R³ e
vamos verificar se conseguimos escrevê-lo como combinação linear de v1 e v2.
115
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
UNI
116
TÓPICO 3 | ESPAÇO VETORIAL – PARTE 2
o que indica que o sistema é impossível, ou seja, v não pode ser escrito
como combinação linear de v1 e v2. Logo, v não pertence a W.
117
RESUMO DO TÓPICO 3
Neste tópico, vimos que:
• Dados alguns vetores, podemos escrever outros como combinação linear destes.
• Definição: Dados v1, v2, v3,..., vn ∈ V e a1, a2, a3,..., an ∈ R, dizemos que os vetores v1,
v2, v3, ..., vn são Linearmente Independentes (LI), quando a única solução possível
para a equação: a1v1 + a2v2 + ... + anvn = 0 é a1 = a2 = a3 = ... = an = 0. Se a equação a1v1
+ a2v2 + ... + anvn = 0 admitir como solução algum ai ≠ 0 então os vetores v1, v2, v3,...,
vn são Linearmente Dependentes (LD).
118
AUTOATIVIDADE
base canônica o conjunto formado pelos vetores (1,0,0), (0,1,0) e (0,0,1) que,
4 Mostre que os polinômios 1 – t³, (1-t)², 1-t e 1 geram o espaço dos polinômios
de grau menor ou igual a 3. (DICA: 1 – t³ = -1t³+0t²+0t+1, que pode ser
representado pelo vetor (-1,0,0,1). Use esta representação para resolver o
exercício.)
119
120
UNIDADE 2
TÓPICO 4
TRANSFORMAÇÕES LINEARES
1 INTRODUÇÃO
Este é um tópico que vai dar outra visão da álgebra linear. Você verá que
uma matriz poderá ser encarada como uma transformação linear entre dois espaços
vetoriais V e W, que “associa” um vetor v qualquer de V a outro vetor w de W.
Esta definição já nos faz notar que, para uma função T: V → W ser uma
transformação linear, ela tem que levar o vetor nulo de V no vetor nulo de W, isto
UNI
Embora a afirmação anterior ajude a detectar funções que não são transformações
121
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Essa função transforma vetores com duas dimensões em vetores com três.
Por exemplo, F(2,3) = (2.2,0,2+3) = (4,0,5).
(i)
122
TÓPICO 4 | TRANSFORMAÇÕES LINEARES
(ii)
Observe:
123
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Ou ainda,
ATENCAO
124
TÓPICO 4 | TRANSFORMAÇÕES LINEARES
ATENCAO
Exemplo:
125
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
N(T) = { v∈ V | T(v) = 0 }.
126
TÓPICO 4 | TRANSFORMAÇÕES LINEARES
E
IMPORTANT
ATENCAO
UNI
Dada uma matriz A = [aij]mxn qualquer, a transposta de A, simbolizada por AT, será
A = [aij]nxm. Ou seja, para determinar a transposta de uma matriz A basta escrever as linhas
T
como colunas.
(1) Seja T:R 3 → R 3 dada por T(x,y,z) = (x,x + y,0). Determine uma base para
a imagem, uma base para o núcleo e informe suas respectivas dimensões.
Resolução:
Pronto, as linhas não nulas da matriz associada escalonada darão uma base
para a imagem de T, portanto Im(T) = [(1,1,0),(0,1,0)]. Como a base da imagem
necessita de dois vetores LI, dizemos que a dimensão da imagem de T é igual a 2.
Ou seja, dim(T)=2 e com isso temos que Im(T) = R².
ATENCAO
128
TÓPICO 4 | TRANSFORMAÇÕES LINEARES
z=z significa que z pode ser qualquer número real, ou seja, o sistema é SPI
com a solução S={(0,0,z)} e a base do N(T) = [(0,0,1)].
z=z significa que z pode ser qualquer número real, ou seja, o sistema é SPI
com a solução S={(0,0,z)} e a base do N(T) = [(0,0,1)].
Resolução:
129
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Logo dim N(T) = 2. Assim, como N(T) ⊂ R² e dim N(T) = 2 = dim R², segue que
N(T) = R².
UNI
130
TÓPICO 4 | TRANSFORMAÇÕES LINEARES
Resolução:
Note que essa matriz é de ordem 3x2. Logo, a transformação linear pode
ser T:R 2 → R 3 , ou seja, T(x,3y) → (x ,y,z ) .
E, dim Im(T) = 2 . Assim, como N(T) ⊂ R² e dim Im(T) = 2 = dim R², segue que
Im(T) = R².
131
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
Logo a única solução para esse sistema é o vetor nulo. Com isso, temos que
N(T) = {(0,0,0)}, cuja dimensão é 0.
Note que o vetor nulo aparece entre chaves. Isso ocorre porque ele é o único
elemento do núcleo de T, logo não forma uma base. Prestar atenção na notação
é importante, porque facilita a leitura, a interpretação e, consequentemente, o
aprendizado.
ATENCAO
LEITURA COMPLEMENTAR
Abel e Galois
Abel nasceu em Findo na Noruega, onde seu pai era pastor religioso, em
1824. Quando estudante na atual cidade de Oslo, pensou ter encontrado a solução
algébrica geral das equações quânticas, mas logo se corrigiu num famoso artigo de
1824. Nesse artigo, Abel demonstrou a impossibilidade de estabelecer a solução da
equação quântica geral por meio de radicais, sepultando assim um problema que
havia desconcertado os matemáticos desde Bombelli até Viète. Como consequência
desse trabalho, Abel obteve uma bolsa que lhe permitiu viajar para a Alemanha,
Itália e a França. Durante esse período, escreveu artigos em áreas diversas da
matemática como a da convergência de séries infinitas, a das integrais abelianas e a
das funções elípticas.
133
UNIDADE 2 | SISTEMAS LINEARES, ESPAÇOS VETORIAIS E TRANSFORMAÇÕES LINEARES
A vida de Évariste Galois foi ainda mais curta e mais trágica do que a de
Abel. Nascido perto de Paris em 1811, filho do prefeito de uma pequena cidade, o
talento matemático extraordinário de Galois começou a se mostrar pouco depois
de completar quinze anos de idade. Por duas vezes tentou ingressar na Escola
Politécnica mais em ambas foi reprovado devido ao seu despreparo para cumprir
as exigências formais dos examinadores que, por sua vez, falharam ao não perceber
seu gênio. Outro golpe se seguiu: seu pai, sentindo-se perseguido pelos clérigos,
suicidou-se. Sem esmorecer, Galois por fim entrou na Escola Normal, em 1829,
onde deveria se habilitar para o ensino. Mas, movido por simpatias democráticas,
envolveu-se nas agitações da Revolução de 1830, o que lhe valeu, além da expulsão
da escola, vários meses de prisão. Pouco depois de sua libertação, em 1832, com vinte
e dois anos incompletos, uma manobra envolvendo um caso amoroso arrastou-o
um duelo a pistola em que foi morto.
O estudo dos grupos começou essencialmente com Galois; foi ele o pioneiro
no uso (1830) da palavra “grupo” em seu sentido técnico. As pesquisas em teoria
134
TÓPICO 4 | TRANSFORMAÇÕES LINEARES
dos grupos foram então levadas adiante por Augustin-Louis Cauchy (1789-1857)
e outros que se sucederam para o caso particular dos grupos de substituições.
Com o subsequente notável trabalho de Arthur Cayley (1821-1895), Ludwig Sylow
(1832-1918), Sophus Lie, Georg Frobenius (1848-1917), Felix Klein, Henri Poincaré
(1854-1912), Otto Holder (1859-1937) e outros o estudo dos grupos assumiu sua
forma abstrata independente e se desenvolveu rapidamente. A noção de grupo veio
a alcançar um grande papel codificador em geometria e em álgebra serviu como
uma estrutura atômica de coesão, fator de grande importância para a ascensão da
álgebra abstrata no século XX. A teoria dos grupos ainda é, nesta segunda metade
do século XX, um campo de pesquisas muito produtivo em matemática.
135
RESUMO DO TÓPICO 4
Neste tópico, nós estudamos que:
• Toda transformação T:R n → R m pode ser representada por uma matriz de ordem
m x n.
136
AUTOATIVIDADE
2 Cada matriz a seguir representa uma transformação linear. Escreva uma base
para a imagem e uma base para o núcleo de cada uma delas, informando as
respectivas dimensões.
a)
b)
c)
d)
137
138
UNIDADE 3
OBJETIVOS DE APRENDIZAGEM
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No final de cada um deles, você
encontrará atividades que reforçarão o seu aprendizado.
139
140
UNIDADE 3
TÓPICO 1
AUTOVALORES E AUTOVETORES
1 INTRODUÇÃO
Vimos no Tópico 3 da Unidade 2 que a transformação linear faz um
determinado vetor v, pertencente a um espaço vetorial V, se transformar num
vetor w pertencente a um espaço vetorial W.
Essa ideia, a partir de agora, tem que nos acompanhar quando falamos de
transformação linear.
141
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Como um vetor é definido pela direção, pelo sentido e pelo módulo, podemos
dizer que T(v) é diferente de v em todos os “quesitos” apresenta tamanho (módulo)
e direção diferentes. Contudo dá para perceber.
UNI
Direção é a reta suporte do vetor, sentido é o lado que o vetor aponta e módulo
é o seu tamanho. Veja a seguir:
142
TÓPICO 1 | AUTOVALORES E AUTOVETORES
Nos três casos a direção (representada pela reta r) não foi alterada pelo
operador T em questão. No primeiro caso, o vetor permaneceu fixo também em
relação ao sentido e ao módulo. Já no segundo caso, apenas o sentido foi alterado,
enquanto no terceiro, foram alterados o sentido e o módulo.
143
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
2 DEFINIÇÃO
Sejam V um espaço vetorial e T:V→V um operador linear. Se existirem v ∈
V não nulo e λ ∈ R tais que T(v) = λv, então dizemos que λ é um autovalor de T e v
é um autovetor de T associado a λ.
ATENCAO
E
IMPORTANT
(1) Dado T:R 2 →R 2 tal que T(x,y)→ (x ,2x ) , determine se existem autovetores
de T. Caso existam, determine os autovalores associados.
Resolução:
145
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Com isso temos que para λ=1, todos os vetores do tipo são autovetores
associados a ele, para todo x real.
ATENCAO
146
TÓPICO 1 | AUTOVALORES E AUTOVETORES
E
IMPORTANT
Note que todo vetor pertencente ao eixo y será transformado no ponto (0,0)
(vetor nulo). Contudo, esse vetor ainda está sob a reta suporte do vetor v. Logo v pode ser
chamado de autovetor.
147
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
V1={(x,2x)/x∈ R}=[(1,2)]
V0={(0,y)/y∈ R}=[(0,1)]
Vimos que para determinar os autovetores que não têm suas direções
alteradas pelo operador linear T (nosso primeiro objetivo), caímos num sistema
linear, onde determinamos os autovalores e que, a partir destes, encontramos os
autovetores.
Note que
148
TÓPICO 1 | AUTOVALORES E AUTOVETORES
Como [T] representa um operador linear, [T] é uma matriz quadrada, assim
como [T] – λ·I Portanto, podemos calcular seu determinante.
UNI
Exemplos:
Resolução:
encontrar λ real para o qual T(v) = λ ·v para algum vetor v. Isso significa que:
149
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Substituindo,
Ou seja,
Para λ =1
150
TÓPICO 1 | AUTOVALORES E AUTOVETORES
Como as equações obtidas não deram restrições à variável y, isso indica que
y pode assumir qualquer valor real. (Note que são os mesmos resultados obtidos
na resolução anterior desse exemplo).
Para λ =1
(2) Seja um operador linear T definido pela matriz a seguir. Determine, caso
existam, os autovetores associados ao operador T e, no caso afirmativo, encontre
os autovalores associados.
151
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Para λ =2:
Para λ =1
152
TÓPICO 1 | AUTOVALORES E AUTOVETORES
Para λ =5
Resolução:
153
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Logo, T não possui autovalores reais, o que indica que não há autovetores
de T.
Nesse caso, não existe vetor v ≠ 0 que permanece na mesma direção depois
de ser operado por T.
5 POLINÔMIO CARACTERÍSTICO
No item anterior, vimos que a existência e a determinação dos autovalores
associados a um operador linear T, está fortemente ligada ao determinante da
matriz quadrada (T- λl).
Mais do que isso, sabemos que o determinante de ( T-λ l ) tem que ser 0
para termos autovalores associados ao operador linear T, e que λ será a raiz de um
polinômio originado da igualdade det(T-λl)=0 .
154
TÓPICO 1 | AUTOVALORES E AUTOVETORES
Resolução:
155
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Resolução:
156
TÓPICO 1 | AUTOVALORES E AUTOVETORES
de λ=-1 é 1.
UNI
157
RESUMO DO TÓPICO 1
Neste tópico, vimos que:
• Um operador linear T:V →V pode ser representado por uma matriz quadrada
[T].
158
AUTOATIVIDADE
159
160
UNIDADE 3
TÓPICO 2
PRODUTO INTERNO
1 INTRODUÇÃO
Antes de qualquer coisa é importante que fique claro que produto interno
não é uma função. Trata-se de um tipo de função que deve preservar certas
propriedades que veremos posteriormente.
O produto interno se faz necessário por facilitar e tornar mais coerente, num
espaço vetorial qualquer, noções como comprimento e distância. “Os axiomas de
espaço vetorial não são suficientes para abordar certas noções geométricas como
ângulo, perpendicularismo, comprimento, distância etc. Isto se torna possível com
a introdução de um produto interno.” (LIMA, 2001, p. 122).
2 DEFINIÇÃO
Dado um espaço vetorial real V, um produto interno sobre V será uma função
que associa a cada par de vetores v1 e v2 um número real, simbolizado por
, que satisfaz as propriedades:
(iii)
(iv)
161
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
UNI
Esse produto interno não é classificado como usual e reverenciado, por mera
casualidade. É que, escolhendo um tipo especial de base, todo e qualquer produto interno
se resume a uma expressão como a da forma usual.
Como α v 1 =( α x 1 , α y 1 ), então:
163
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Como v1+v2=(x1+x2,y1+y2),
Rearranjando os termos,
164
TÓPICO 2 | PRODUTO INTERNO
5 ORTOGONALIDADE DE VETORES
Quando consideramos dois vetores quaisquer no mesmo espaço, podemos
pensar em posição relativa de um em função do outro. De fato, se eles possuem
direção e sentido, existe um ângulo entre eles. No R² ou no R³, dizemos que dois
vetores são ortogonais quando há um ângulo de 90º entre eles. Por outro lado,
quando a dimensão do espaço considerado é maior que 3, fica inviável o uso dessa
definição. Para generalizarmos esta definição sobre ortogonalidade de vetores,
utilizaremos o conceito de produto interno.
(iv) Se v1 ┴ v e v2 ┴ v, então v1 + v2 ┴ v
165
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
(1º) A = {(3,0,1),(0-2,0)}
(2º) B = {(-1,1),(1,1)}
Como (-1,1) e (1,1) são vetores de R², eles formam uma base ortogonal para R².
6 NORMA DE UM VETOR
Sabemos que todo vetor possui comprimento, direção e sentido. Mas
como determinar este comprimento? Pois a norma de um vetor está justamente
relacionada ao seu comprimento em relação a um produto interno.
Definição de Norma:
Dado um espaço vetorial V com produto interno definimos a norma
de um vetor v ∈ V em relação a este produto interno como sendo .
166
TÓPICO 2 | PRODUTO INTERNO
Novamente temos uma boa notícia para você: sempre podemos normalizar
Voltando um pouco, você está lembrado que falamos que as bases formadas
por vetores ortogonais são melhores que as bases sem essa propriedade?
(i) , e só teremos se v = 0.
(ii)
167
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
UNI
teremos o que implica que cos Ө = 0, o que vale também para a igualdade da nossa
Resolução:
168
TÓPICO 2 | PRODUTO INTERNO
Portanto,
UNI
A função arccos informa o ângulo que tem como cosseno o valor dado. No
exemplo acima ou ainda .
169
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
8 BASE ORTONORMAL
Dado um espaço vetorial V munido de um produto interno , chamamos
a base β = {v1,v2v3,...,vn} de V de ortonormal quando todos os seus vetores forem
unitários e ortogonais entre si, isto é,
170
TÓPICO 2 | PRODUTO INTERNO
Exemplos:
(1º passo)
(2º passo)
LEITURA COMPLEMENTAR
171
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Exemplo: duas pessoas A e B fazem a seguinte aposta: elas vão jogar duas
moedas simultaneamente e, se o resultado for duas caras, A ganha dez reais, se for
duas coroas, A ganha sete reais, e se for uma cara e uma coroa, B ganha nove reais.
Queremos saber se essa aposta é justa, isto é, se A não tem mais probabilidade de
ganhar do que B, ou vice-versa.
O valor esperado por B é positivo, indicando que ele tem vantagem na aposta,
enquanto que o valor esperado por A é negativo, indicando que ele tem maior
probabilidade de perder a aposta. Esta só seria justa se não houvesse vantagem
para nenhum dos apostadores, isto é, se o valor esperado para ambos fosse nulo,
ou seja, o vetor probabilidade fosse ortogonal ao vetor aposta.
172
TÓPICO 2 | PRODUTO INTERNO
FONTE: BOLDRINI et al. Álgebra Linear. 3. ed. São Paulo: Harper & Row do Brasil, 1980. p. 236-
237.
173
RESUMO DO TÓPICO 2
• Podemos definir diferentes produtos internos, mas existe um usual para Rn,
definido como , onde v1 = (x1,x2,...,xn) e v2 =
(y1,y2,...,yn)., com n=1,2,…
174
(i) , e só teremos se v = 0.
(ii)
(iii) - Desigualdade de Schwarz
(iv) - Desigualdade triangular
175
AUTOATIVIDADE
a)
b)
c)
d)
e)
f)
c)
a) [(-1,3),(-1,2)]
b) [(0,9),(1,1)]
c) [(1,1),(-2,3)]
176
UNIDADE 3
TÓPICO 3
MUDANÇA DE BASE
1 INTRODUÇÃO
Durante o estudo deste material, você se deparou com o termo base de
um espaço vetorial, inclusive aprendeu a encontrá-lo para o núcleo ou imagem
de uma transformação linear. Na verdade, um mesmo espaço vetorial possui
infinitas bases diferentes entre si. Por exemplo, o espaço gerado pela base {(1,0),
(0,1)} é o mesmo que o gerado por {(1,1), (0,1)}, por {(2,3), (-1,0)}, {(0,3), (-1/2,1)}
etc. (verifique!). Entretanto, existem bases que são melhores que outras (as bases
ortonormais vistas no tópico anterior, por exemplo).
2 BASE
Apesar de acharmos que base de um espaço vetorial é um assunto muito
abstrato e por esse motivo parecer de difícil entendimento, a base de um conjunto
está mais presente no uso da matemática do que achamos.
ATENCAO
veja que já apareceu a palavra base durante a definição dos nossos números.
Aliás, todos sabem que nossos números são constituídos de 10 símbolos (algarismos).
177
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
3457=
3000+400+50+7=
3∙1000+4∙100+5∙10+7∙1=
3∙103+4∙102+5∙101+7∙100
ATENCAO
Você notou que todos os números são somas de potências de base 10? É por
esse motivo que os números do sistema indo-arábico são chamados de sistema decimal.
Muito embora não percebamos, até ali tem a presença de uma base. Ela
é quase imperceptível por se tratar da chamada base canônica, que é uma base
ortogonal cujos vetores têm norma unitária.
178
TÓPICO 3 | MUDANÇA DE BASE
v=(3,2)
179
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
E
IMPORTANT
Perceba que qualquer vetor pertencente ao R² pode ser escrito conforme feito
no exemplo anterior. Portanto, todos os vetores no plano são combinações lineares dos
vetores (1,0) e (0,1), o que mostra que, mesmo não aparecendo explicitamente, a base está
lá. Além disso, podemos generalizar esse exemplo para qualquer Rn: todos esses conjuntos
têm base canônica com n vetores.
3 BASE
Existem aplicações matemáticas que são facilitadas por uma simples
mudança de base. Muito embora, como já mencionamos, as bases geralmente
usadas são as mais fáceis de trabalhar sobre os elementos de um conjunto, algumas
vezes têm elementos que são mais facilmente representados se houver mudança
de base.
Para exemplificar o que estamos tentando falar para você, podemos pensar
no estudo da geometria analítica. Mais precisamente no estudo de parábolas que,
desde a oitava série, já temos certo contato.
Todos nós, ao nos depararmos com as parábolas num plano cartesiano XY,
as víamos com concavidade voltada para baixo ou para cima. Alguns privilegiados
tiveram contatos com as parábolas que têm concavidade voltada para a esquerda
ou para direita, mas certamente poucos viram parábolas com concavidade voltada
para alguma diagonal, como a representada no gráfico a seguir.
180
TÓPICO 3 | MUDANÇA DE BASE
E
IMPORTANT
181
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Como vimos, todos os subespaços têm uma base “por trás”, então
basicamente vamos estudar como escrever um elemento do conjunto, que está
representado em relação à base velha, na base nova.
Essa mudança da base velha, que denotaremos por α, para a base nova,
que denotaremos por β, será determinada por uma matriz, que identificamos pela
simbologia , cuja leitura é matriz de mudança de base da base α para a base β.
ATENCAO
Como são bases de R2, v pode ser escrito como combinação linear dos
vetores da base α, ou também como combinação linear dos vetores da base β. Ou
seja,
v=x1 u1+x2 u2
ou
v=y1 w1+y2 w2
182
TÓPICO 3 | MUDANÇA DE BASE
Repare que são duas maneiras distintas de escrever o mesmo vetor v, isso
é possível porque temos duas bases do espaço vetorial.
ATENCAO
Notem que o símbolo [v]α significa que o vetor v está escrito em relação à base
α. A mesma ideia para o símbolo [v]β.
183
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
E lembrando que,
Teremos a igualdade,
Sejam duas bases α={u1, u2, ..., un} e β={w1, w2, ..., wn} de um espaço vetorial V e
seja um vetor v ∈ V, e. Então teremos duas maneiras para representar v:
184
TÓPICO 3 | MUDANÇA DE BASE
185
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Na forma matricial,
Ou seja,
Onde,
ATENCAO
A seguir, daremos alguns exemplos numéricos para que você complete seu
entendimento sobre mudança de base.
Exemplo 1:
Resolução:
Temos que,
186
TÓPICO 3 | MUDANÇA DE BASE
Exemplo 2:
Resolução:
187
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
Ou seja,
E
IMPORTANT
188
TÓPICO 3 | MUDANÇA DE BASE
Exemplo:
Resolução:
189
UNIDADE 3 | PRODUTO INTERNO, AUTOVETORES E AUTOVALORES, MUDANÇA DE BASE
190
Usando as relações trigonométricas de um triângulo retângulo,
, onde,
CA: Cateto Adjacente
CO: Cateto Oposto
HIP: Hipotenusa
Ou seja,
Sendo que,
191
Ou ainda,
Resolução:
Sendo,
Logo,
Portanto,
Ou ainda,
192
RESUMO DO TÓPICO 3
Neste tópico, você viu que:
• Para determinar a matriz , temos que fazer uma relação entre os vetores da
base α e os vetores da base β.
193
AUTOATIVIDADE
2 Se , determine:
a) sabendo que
b) sabendo que
194
REFERÊNCIAS
BOLDRINI, José Luiz; et al. Álgebra linear. 3. ed. São Paulo: Harper & Row do
Brasil, 1980.
LIMA, Elon Lages. Álgebra linear. 5. ed. Rio de Janeiro: Associação Instituto
nacional de Matemática Pura e Aplicada, 2001.
195