Prévia do material em texto
Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco 2010 Recife-PE Licenciatura em Matemática Álgebra Linear Autoria Jorge Luiz Farias Moacyr Cunha Filho Adaptação dos livros Álgebra Linear I (Aulas 1,2, 3, 5, 6 e 7), autoria Moacyr Cunha Filho e Álgebra Linear II (Aulas 4, 8, 9 e 10) de Jorge Luiz Farias. Presidência da República Federativa do Brasil Ministério da Educação Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES Este Caderno foi elaborado em parceria entre o Instituto Federal de Educação, Ciência e Tecnologiade Pernambuco - IFPE e a Universidade Aberta do Brasil - UAB Equipe de Elaboração Coordenação do Curso Maria de Fátima Neves Cabral Supervisão de Tutoria Sônia Quintela Carneiro Logística de Conteúdo Giselle Tereza Cunha de Araújo Maridiane Viana Coordenação Institucional Reitoria Pró-Reitoria de Ensino Diretoria de Educação a Distância Pró-Reitoria de Extensão Pró-Reitoria de Pesquisa e Inovação Pró-Reitoria de Administração e Planejamento Projeto - Capa Giselle Tereza Cunha de Araújo Verônica Emília Campos Freire Revisão de Conteúdo Moacyr Cunha Filho Sumário Aula 1 - Matrizes Aula 2 - Determinantes Aula 3 - Sistemas Lineares Aula 4 - Transformações Lineares Aula 5 - Espaços Vetoriais Aula 6 - Autovalores e Autovetores 7Aula 1 - Matrizes 1. Apresentação A partir deste momento, você está dando início ao estudo de um capítulo que com certeza lhe trará novos conhecimentos, mesmo que já tenha visto esses assuntos propostos. Durante o desenvolvimento do texto, nos fi xamos no objetivo de levar para uma abordagem livre de termos e palavras difíceis que pudessem comprometer a sua compreensão. Nosso desejo consiste em tornar essa leitura menos cansativa, mais útil e de qualidade. Durante esse módulo, iremos desenvolver diversas ativida- des que serão de fundamental importância para o conhecimento dessa disciplina. Para tanto, faz-se necessário que não deixe de realizar as ati- vidades previstas para a semana. A resolução dos problemas propostos, a leitura e a utilização dos materiais disponibilizados são fundamentais para uma aprendizagem profícua. Procure organizar o seu tempo de modo a não deixar pendentes as atividades previstas para cada etapa. Fazemos votos e estamos trabalhando para o sucesso de todos. 2. Objetivo(s) 2.1 Conhecer os tipos de matrizes; » 2.2 Trabalhar com igualdade entre matrizes; » 2.3 Operacionalizar com matrizes; » 2.4 Identifi car equações matriciais. » 3. Introdução Um dos primeiros registros sobre as matrizes surgiu na antiga China, sob a forma de tabelas. Essas tabelas aparecem na obra de Chui-Chang Suan-Shun (nove capí- tulos sob a arte da matemática), escrita por volta de 250 a. C. Com o auxílio dessas tabelas, os chineses resolviam sistemas de equa- ções lineares, utilizando as matrizes, como são atualmente conhecidas. Avançando quase dois mil anos, o matemático inglês Arthur Cayley foi um dos primeiros a introduzir matrizes na matemática, criando, em 1857, a álgebra das matrizes. A ÁLGEBRA LINEAR O termo matriz foi utilizado pela primeira vez pelo matemático e advogado inglês James Sylvester, que o defi niu, em 1850, como um “arranjo oblongo de termos”. Sylvester comunicou seu trabalho sobre matrizes para o seu colega advogado e matemático inglês Arthur Cayley, que, então, introduziu algumas das operações básicas de matrizes num livro intitulado Memoir on the Theory of Matrices, publicado em 1858. James Sylvester Arthur Cayley (1814 – 1897) (1821 – 1895) 8 No século XX, o matemático alemão David Hilbert apresentou um estudo aprofundado sobre as matrizes, introduzindo, em 1904, as matrizes infi ni- tas, associando-as com as equações integrais. Quanto às aplicações, as matrizes são utilizadas na computação, na mecânica, em circuitos elétricos e na eletrônica. Um exemplo interessante do uso na eletrônica é o medidor de vibrações. As informações detectadas por esse engenhoso instrumento são proces- sadas utilizando a linguagem das matrizes. 3.1 Tipos de matrizes 3.1.1 Matriz linha É toda matriz do tipo 1 x n (n∈R*). naaaaA 1131211 ...= Exemplos: [ ] 31742 xA −= [ ] 419252 xB −= 3.1.2 Matriz coluna É toda matriz do tipo mx1 (m∈R*). Exemplo: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 1 11 ma a B M ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − = 9 5 2 B 3.1.3 Matriz quadrada É toda matriz cujo número de linhas é igual ao número de colunas. Assim, chamamos matriz quadrada de ordem n toda matriz do tipo n x n. Exemplos: ANOTAÇÕES PESSOAIS 9 ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ −− − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 51421 749 532 1750 68 BA Toda matriz quadrada possui duas diagonais: A principal, composta por elementos » aij ,tais que i=j, isto é: nnaaaaa ,...,,,, 44332211 A secundária, em que os elementos » aij são tais que, i+j = n+1. Veja como são as diagonais de uma matriz quadrada do tipo 3 x 3. 3.1.4 Matriz nula É toda matriz do tipo m x n cujos elementos são todos nulos. Para indicar uma matriz nula, utiliza-se a notação: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 00 00 00 00 00 2322 xx OO 3.1.5 Matriz diagonal É toda matriz quadrada em que os elementos não pertencentes à diago- nal principal são todos nulos. Exemplos: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 300 080 006 70 05 ML ANOTAÇÕES PESSOAIS 10 3.1.6 Matriz identidade É toda matriz diagonal em que os elementos da diagonal principal são iguais a 1. Para indicar uma matriz identidade de ordem n, utilizamos a notação: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 100 010 001 10 01 32 II 3.1.7 Matriz inversa Uma matriz quadrada A é dita invertível quando existe outra matriz deno- tada A-1 tal que: A-1 • A = I A • A-1= I onde I é a matriz identidade A-1 e a matriz inversa de A. Exemplo: Dada a matriz ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 15 20 A , obter a sua inversa, se existir. Fazendo ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =− dc ba A 1 devemos ter 21 IAA =⋅ − , ou seja: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ −− ⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − 10 01 55 22 10 01 15 20 dbca dc dc ba Pela igualdade de matrizes, temos: ⎪⎩ ⎪ ⎨ ⎧ =⇒=⇒=− =⇒= ⎪ ⎪ ⎩ ⎪⎪ ⎨ ⎧ =⇒=−⇒=− =⇒= 5 11515 002 10 10 2 1505 2 112 bbdb dd aaca cc Atenção: Uma matriz invertível pode ter mais de uma inversa? A resposta é não. Vejamos por que através do teorema. Teorema: Se B e C são ambas inversas da matriz A, então B = C. Prova. Como B é uma inversa de A, temos BA = I. Multiplicando ambos os lados pela direita por C, dá (BA)C = IC = C. Mas (BA) C = B(AC) = BI= B, de modo que C = B. 11 Assim: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 0 2 1 5 1 10 1 dc ba Por outro lado, temos: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ++ −+=⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − ⋅ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ 10 01 0100 5 1 5 110 15 20 0 2 1 5 1 10 1 Portanto: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =− 0 2 1 5 1 10 1 1A . 3.1.8 Matriz transposta Dada uma matriz A de ordem m x n, a matriz transposta dela será repre- sentada por At de ordem “invertida” n x m. Essa ordem invertida signifi ca que, para transformarmos uma matriz em matriz transposta, basta trocarmos os elementos das linhas pelo das colunas e vice-versa. Exemplo: 1. Dada a matriz 23 74 62 51 x A ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ −= , a matriz transposta representada por At, será: 32765 421 x tA ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = Observamos que a ordem das matrizes A e da sua transposta At foi inver- tida, o que era linha virou coluna e o que era coluna virou linha. 2. Dada a matriz 33 437 615 892 x B ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − = , a matriz transposta representada por Bt, será: 33 468 319 752 x tB ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ −= ANOTAÇÕES PESSOAIS 12 3 - Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 23 51 A e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 34 10 B , efetuar: tBA )( +a) tBA )( ⋅b) tAB )( ⋅c) tt BA ⋅d) ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =+⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =+⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ++ −++ =+ 54 71 )( 57 41 3243 )1(501 ) tBABABAa ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅⇒ ⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅+−⋅⋅+⋅ ⋅+−⋅⋅+⋅ =⋅⇒⎥ ⎦ ⎤⎢ ⎣ ⎡ − ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅ 314 820 )( 38 1420 32)1(34203 35)1(14501 34 10 23 51 ) tBABA BABAb ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − − =⋅⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ −− =⋅⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⋅ 262 133 )( 2613 23 23 51 34 10 ) tABABABc ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − − =⋅ ⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 262 133 31 40 25 31 31 40 , 25 31 ) tt tttt BA BABAd 3.2 Matriz Genérica Uma matriz genérica do tipo n x m é representada da seguinte maneira: ANOTAÇÕES PESSOAIS 13 Essa matriz m x n possui m.n elementos. Podemos expressá-la de forma mais reduzida, por meio de uma lei de formação para seus elementos. ( ) mxnij aA = { } { }njmi ...,,3,2,1...,,3,2,1 ∈∈ e Exemplo: 1. Determinar a matriz 32)( xijaA = tal que 22 jiaij += . A matriz A procurada é do tipo 2 x 3, isto é: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 232221 131211 aaa aaa A Para obter o valor de cada elemento da matriz, basta substituir os valores de i e j na lei da formação 22 jiaij += . 13322 8222 5122 11312 6212 3112 23 2 23 22 2 22 21 2 21 13 2 13 12 2 12 11 2 11 =⇒+⋅= =⇒+⋅= =⇒+⋅= =⇒+⋅= =⇒+⋅= =⇒+⋅= aa aa aa aa aa aa Portanto: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 1385 1163 A 3.3 Igualdade de matrizes Duas matrizes são defi nidas como iguais se têm o mesmo tamanho, e suas entradas correspondentes são iguais. Exemplo: 1. Sejam as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 925 143 A e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + − = 925 46 z yx B . Determinar x, y e z, para que A = B. ATENÇÃO: A defi nição de multiplicação de matrizes exige que o número de colunas do primeiro fator A seja igual ao número de linhas do segundo fator B para que seja possível formar o produto de A B. Se esta condição não é satisfeita, o produto não está defi nido. Uma maneira conveniente de determinar se o produto de duas matrizes está ou não defi nido é escrever o tamanho do primeiro fator e, à direita, escrever o tamanho do segundo fator. Se os números internos coincidem, então o produto está defi nido. nxmnxrrxm ABBA = 14 Se A = B, então ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − 925 46 925 143 z yx . Assim, devemos ter: 055 11 2 136 =⇒=+ =⇒−=− =⇒= zz yy xx 2 - Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 83 4yx A e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + = yx B 23 44 . Determinar x e y, para que A = B. Se A = B, então ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − yx yx 23 44 83 4 . Dessa forma, temos: 4123 82 4 82 4 =⇒= ⎩ ⎨ ⎧ =+ =− ⇒ ⎩ ⎨ ⎧ =+ =− xx yx yx yx yx Substituindo x por 4 em x-y = 4, obtemos y = 0. Portanto, x = 4 e y = 0. 3.4 Adição de matrizes Se A e B são matrizes de mesmo tamanho, então a matriz soma A + B das Matrizes A e B é a matriz obtida pela soma das estradas de B com as entradas correspondentes de A. Exemplo: 1. :, 35 22 10 20 34 51 entãoBeASe ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =+⇒ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ++ ++ −++ =+ 55 56 41 3250 2324 )1(501 BABA De modo geral, se mxnijmxnij bBeaA )()( == ,então A + B é a matriz mxnijcC )(= tal que: A ÁLGEBRA LINEAR O conceito de multiplicação matricial deve-se ao matemático alemão Gotthold Eisenstein, que introduziu a ideia, por volta de 1844, para simplifi car o processo de efetuar substituições em sistemas lineares. Gotthold Eisenstein (1823 – 1852) 15ijijij bac += , com mi ≤≤1 e nj ≤≤1 3.5 Subtração de matrizes Se A e B são matrizes de mesmo tamanho, então a matriz diferença A - B das matrizes A e B é a matriz obtida pela subtração das entradas de B e das entradas correspondentes de A. Exemplo: 1 - Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 64 20 23 45 BA e , determinar A-B. ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − − +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =−+=− − 41 25 64 20 23 45 )( 43421 B BABA 3.6 Equação matricial Toda equação, cuja incógnita é uma matriz, recebe o nome de equação matricial. Exemplos: 1. Considerando as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡− = 343 205 102 431 BeA . Determinar a matriz X tal que A + X = B. Vamos somar a matriz –A aos dois membros: ABXABAXA −=⇒−+=−++ )()( Então, temos: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡− −⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 102 431 343 205 X . Portanto: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − −− = 245 236 X ANOTAÇÕES PESSOAIS 16 2. Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 46 22 17 94 BeA , resolver o sistema: ⎩ ⎨ ⎧ =−− =+ AYX BYX2 Somando as duas igualdades membro a membro, vem: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⇒+= =−− =+ 315 96 46 22 19 74 2 XXBAX AYX BYX Considerando a segunda equação do sistema, temos: )( AXYAXYAYX −+−=⇒−−=⇒=−− Então: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − −− =⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ −− −− +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − −− = 224 1610 19 74 315 96 YY 3.7 Multiplicação de um número real por uma matriz] Considere um número real k e uma matriz A, do tipo m X n. Multiplicar o número k pela matriz A (k x A) signifi ca multiplicar todos os elementos dessa matriz pelo número k. De modo geral, temos: Se mxnijaA )(= , e Rk∈ , então Ak ⋅ é uma matriz do tipo m X n cujos elementos são dados por: Ak ⋅ , com mi ≤≤1 e nj ≤≤1 . Exemplos: 1. Considerando a matriz ⎥ ⎦ ⎤ ⎢ ⎣ ⎡− = 21 43 A e o número k = 2, determinar a matriz do tipo B, do mesmo tipo que a matriz A, tal que B = kA. Então, temos: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡− =⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅⋅ ⋅−⋅ =⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡− ⋅= 42 86 2212 42)3(2 21 43 2 BBB ANOTAÇÕES PESSOAIS 172. Com as matrizes ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 01 610 95 14 86 30 , 34 50 12 CeBA , determinar a matriz 3A + B – 2C. Temos ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =⇒ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ⋅= 912 150 36 3 34 50 12 33 AA ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − =⇒ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − ⋅= 02 1220 1810 2 01 610 95 22 CC Então: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡− =−+ ⇒ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − − + ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ + ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =−++=−+ 1014 1126 244 23 02 1220 1810 14 86 30 912 150 36 )2(323 CBA CBACBA 3. Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 3 01 28 04 BeA , determinar a matriz X tal que X + 3A – B = 0. ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ −− − =⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ −− − +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⇒ ⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅−⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⇒−=⇒=−+ 325 011 624 012 31 01 28 04 3 31 01 303 XX XABXBAX 3.8 Multiplicação de matrizes Se A é uma matriz m x r e B é uma matriz r x n, então o produto A x B é uma matriz m x n cujas entradas são determinadas como segue. Para obter a entrada na linha i e coluna j de AB, destaque a linha i de A e a coluna j de B. Multiplique as entradas correspondentes desta linha e, então, some os produtos resultantes. ANOTAÇÕES PESSOAIS 18 Exemplos: 1. Se ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 43 21 A e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 21 53 B , obter as matrizes BA ⋅ e AB ⋅ Efetuando o produto de BA ⋅ , temos: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 2313 95 21 53 43 21 Portanto, ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅ 2313 95 BA Agora efetuando o produto AB ⋅ , temos: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 107 2618 43 21 21 53 Portanto ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅ 107 2618 AB Observe que ABBA ⋅≠⋅ , logo: A propriedade comutativa não vale para a multiplicação de matizes. 2. Com as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 43 12 A e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 15421 1108 B ,tal que BXA =⋅ . Inicialmente, devemos determinar o tipo de matriz X, se ela existir. 3222 xmxnx BXA =⋅ Assim, m deve ser 2, e n deve ser 3, isto é, a matriz X é do tipo 2 x 3 e vamos indicá-la por: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = fed cba X Então, temos: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +−+−+− +++ ⇒ ⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − 15421 1108 434343 222 15421 1108 43 12 fcebda febda fed cba Dessa forma, obtemos os seguintes sistemas: ANOTAÇÕES PESSOAIS 19 3,1 1543 12 2,4 443 102 6,1 2143 82 =−=⇒ ⎩ ⎨ ⎧ =+− =+ ==⇒ ⎩ ⎨ ⎧ −=+− =+ ==⇒ ⎩ ⎨ ⎧ =+− =+ fc fc fc eb eb eb da da da Portanto: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 326 141 X 3. Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 23 51 A e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 34 10 B , efetuar: a) tBA )( + b) tBA )( ⋅ c) tAB )( ⋅ d) tt BA ⋅ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =+⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =+⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ++ −++ =+54 71 )( 57 41 3243 )1(501 ) tBABABAa ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅⇒ ⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅+−⋅⋅+⋅ ⋅+−⋅⋅+⋅ =⋅⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅ 314 820 )( 38 1420 32)1(34203 35)1(14501 34 10 23 51 ) tBABA BABAb ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − − =⋅⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ −− =⋅⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⋅ 262 133 )( 2613 23 23 51 34 10 ) tABABABc ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − − =⋅ ⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 262 133 31 40 25 31 31 40 , 25 31 ) tt tttt BA BABAd ANOTAÇÕES PESSOAIS 20 4. Matriz Genérica Uma matriz genérica do tipo n x m é representada da seguinte maneira: Essa matriz m x n possui m.n elementos. Podemos expressá-la de forma mais reduzida, por meio de uma lei de formação para seus elementos. ( ) mxnij aA = { } { }njmi ...,,3,2,1...,,3,2,1 ∈∈ e Exemplo: 1. Determinar a matriz 32)( xijaA = tal que 22 jiaij += . A matriz A procurada é do tipo 2 x 3, isto é: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 232221 131211 aaa aaa A Para obter o valor de cada elemento da matriz, basta substituir os valores de i e j na lei da formação 22 jiaij += . 13322 8222 5122 11312 6212 3112 23 2 23 22 2 22 21 2 21 13 2 13 12 2 12 11 2 11 =⇒+⋅= =⇒+⋅= =⇒+⋅= =⇒+⋅= =⇒+⋅= =⇒+⋅= aa aa aa aa aa aa Portanto: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 1385 1163 A ANOTAÇÕES PESSOAIS 21 4.1 Igualdade de matrizes Duas matrizes são defi nidas como iguais se têm o mesmo tamanho, e suas entradas correspondentes são iguais. Exemplo: 1 - Sejam as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 925 143 A e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + − = 925 46 z yx B . Determinar x, y e z, para que A = B. Se A = B, então ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − 925 46 925 143 z yx . Assim, devemos ter: 055 11 2 136 =⇒=+ =⇒−=− =⇒= zz yy xx 2. Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 83 4yx A e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + = yx B 23 44 . Determinar x e y, para que A = B. Se A = B, então ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ + =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − yx yx 23 44 83 4 . Dessa forma, temos: 4123 82 4 82 4 =⇒= ⎩ ⎨ ⎧ =+ =− ⇒ ⎩ ⎨ ⎧ =+ =− xx yx yx yx yx Substituindo x por 4 em x-y = 4, obtemos y = 0. Portanto, x = 4 e y = 0. 5. Adição de matrizes Se A e B são matrizes de mesmo tamanho, então a matriz soma A + B das Matrizes A e B é a matriz obtida pela soma das estradas de B com as entradas correspondentes de A. ANOTAÇÕES PESSOAIS 22 Exemplo: 1. :, 35 22 10 20 34 51 entãoBeASe ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =+⇒ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ++ ++ −++ =+ 55 56 41 3250 2324 )1(501 BABA De modo geral, se mxnijmxnij bBeaA )()( == ,então A + B é a matriz mxnijcC )(= tal que: ijijij bac += , com mi ≤≤1 e nj ≤≤1 6. Subtração de matrizes Se A e B são matrizes de mesmo tamanho, então a matriz diferença A - B das matrizes A e B é a matriz obtida pela subtração das estradas de B das entradas correspondentes de A. Exemplo: 1. Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 64 20 23 45 BA e , determinar A-B. ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − − +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =−+=− − 41 25 64 20 23 45 )( 43421 B BABA 7. Equação matricial Toda equação cuja incógnita é uma matriz recebe o nome de equação matricial. Exemplos: 1. Considerando as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡− = 343 205 102 431 BeA . Determinar a matriz X tal que A + X = B. ANOTAÇÕES PESSOAIS 23 Vamos somar a matriz –A aos dois membros: ABXABAXA −=⇒−+=−++ )()( Temos ,então: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡− −⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 102 431 343 205 X . Portanto: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − −− = 245 236 X 2. Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 46 22 17 94 BeA , resolver o sistema: ⎩ ⎨ ⎧ =−− =+ AYX BYX2 Somando as duas igualdades membro a membro, vem: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⇒+= =−− =+ 315 96 46 22 19 74 2 XXBAX AYX BYX Considerando a segunda equação do sistema, temos: )( AXYAXYAYX −+−=⇒−−=⇒=−− Então: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − −− =⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ −− −− +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − −− = 224 1610 19 74 315 96 YY 8. Multiplicação de um número real por uma matriz Considere um número real k e uma matriz A, do tipo m X n. Multiplicar o número k pela matriz A (k x A) signifi ca multiplicar todos os elementos dessa matriz pelo número k. De modo geral, temos: Se mxnijaA )(= , e Rk∈ , então Ak ⋅ é uma matriz do tipo m X n cujos elementos são dados por: Ak ⋅ , com mi ≤≤1 e nj ≤≤1 . Exemplos: 1. Considerando a matriz ⎥ ⎦ ⎤ ⎢ ⎣ ⎡− = 21 43 A e o número k = 2, determinar a ANOTAÇÕES PESSOAIS 24 matriz do tipo B, do mesmo tipo que a matriz A, tal que B = kA. Então temos: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡− =⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅⋅ ⋅−⋅ =⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡− ⋅= 42 86 2212 42)3(2 21 43 2 BBB 2. Dadas as matrizes ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 01 610 95 14 86 30 , 34 50 12 CeBA , determinar a matriz 3A + B – 2C. Temos ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =⇒ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ⋅= 912 150 36 3 34 50 12 33 AA ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − =⇒ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − ⋅= 02 1220 1810 2 01 610 95 22 CC Então: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡− =−+ ⇒ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − − + ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ + ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ =−++=−+ 1014 1126 244 23 02 1220 1810 14 86 30 912 150 36 )2(323 CBA CBACBA 3. Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 3 01 28 04 BeA , determinar a matriz X tal que X + 3A – B = 0. ANOTAÇÕES PESSOAIS 25 ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ −− − =⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ −− − +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⇒ ⇒⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅−⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − =⇒−=⇒=−+ 325 011 624 012 31 01 28 04 3 31 01 303 XX XABXBAX 9. Multiplicação de matrizes Se A é uma matriz m x r e B é uma matriz r x n, então o produto A x B é uma matriz m x n cujas entradas são determinadas como segue. Para obter a entrada na linha i e coluna j de AB, destaque a linha i de A e a coluna j de B. Multiplique as entradas correspondentes desta linha e desta coluna e, então, some os produtos resultantes. Exemplos: 1. Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 43 21 A e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 21 53 B , obter as matrizes BA ⋅ e AB ⋅ Efetuando o produto de BA ⋅ , temos: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 2313 95 21 53 43 21 Portanto, ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅ 2313 95 BA Agora efetuando o produto AB ⋅ , temos: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⋅⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 107 2618 43 21 21 53 Portanto ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⋅ 107 2618 AB Observe que ABBA ⋅≠⋅ , logo: A propriedade comutativa não vale para a multiplicação de matizes. 2. Dadas as matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 43 12 A e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 15421 1108 B tal que BXA =⋅ . Inicialmente, devemos determinar o tipo de matriz X, se ela existir. 3222 xmxnx BXA =⋅ ANOTAÇÕES PESSOAIS 26 Assim, m deve ser 2 ,e n deve ser 3, isto é, a matriz X é do tipo 2 x 3 e vamos indicá-la por: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = fed cba X Referências LANG, S. Álgebra Linear. Rio de Janeiro. Editora Ciência Moderna. 2003. ANTON, H. Álgebra Linear com Aplicações. Bookman. 2005. ANTON, H.; BUSBY, R. C. Álgebra Linear Contemporânea. Bookman. 2006. NOBLE, B.; DANIEL, J. W. Applied Linear Algebra. 2002. 29 Aula 2 - Determinantes 1 Objetivo(s) 2.1 Identifi car os Determinantes de 1ª, 2ª e 3ª ordens; » 2.2 Aplicar as propriedades dos Determinantes; » 2.3 Operacionalizar a regra prática de Sarrus. » 2 Apresentação Durante a leitura deste segundo capítulo, você terá a oportunidade de verifi car como se aplicam os conhecimentos que aprendeu no capítulo anterior. Na realidade são inúmeras as aplicações que se podem utilizar nas diversas áreas do conhecimento. Muitas vezes, o estudo das aplicações de matrizes é tratado como algo que representa difi culdade, no entanto logo verá que este estudo não é tão difícil, desde que você tenha obtido bons resultados no que se refere à compreensão do conteúdo anterior. Sugerimos que siga o seu ritmo de estudo, pois a sua curiosidade será logo despertada, terá imenso prazer em estudar o assunto. Quando sentir difi culdades em entender bem alguma coisa na primeira leitura, não desa- nime, leia lentamente,um pouco de cada vez, meditando, tornando a ler, até perceber que o assunto está sendo compreendido. Afi nal: “Jamais diga que não pode, que não é capaz. Aquele que acredita em sua capa- cidade e deseja ,de verdade, colocando em seu sonho, sua alma e o seu coração. Conseguirá”. Reiteramos o que já foi falado anteriormente. Para que você obtenha sucesso na sua aprendizagem, faz-se necessário o domínio do que foi mostrado no capítulo anterior para, em seguida, dar início ao novo conteúdo. A ÁLGEBRA LINEAR O termo determinante foi introduzido pelo matemático alemão Carl Friedrich Gauss, em 1801, que o utilizou para encontrar as propriedades de certos tipos de funções. Carl Friedrich Gauss (1777-1855) NOTA: O termo matriz deriva da palavra, em latim, “ventre”, por serem as matrizes consideradas um recipiente de determinantes. 30 ANOTAÇÕES PESSOAIS 3. Introdução A qualquer matriz quadrada, podemos associar um número real denomi- nado determinante da matriz, que é um número único para cada matriz. Portanto, existe uma função que faz corresponder a cada matriz quadrada um único número real, a função determinante. Defi nição: Dada a matriz quadrada [ ]ijaM = , com { } { }njeni ,...,3,2,1,...,3,2,1 ∈∈ a) Indicamos o produto dos n elementos da diagonal principal: P = a11 · a22 · a33 · ... · ann Nesse produto: b) Fixamos os primeiros índices e permutamos os segundos índices, obtendo n! permutações e, consequentemente, n! produtos; c) Multiplicamos cada um dos n! por (-1)α ; α → é o número de inversões da permutação formada pelos segun- dos índices com relação à permutação 1, 2, 3, ..., n formada pelos primeiros índices e tomada como fundamental. d) Adicionamos algebricamente os n! produtos obtidos em (b) cujos sinais foram a eles atribuídos em (c). A soma assim obtida é defi nida como o determinante associado à matriz M. NOTAÇÃO: Dada a matriz quadrada ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = nnnn n n aAaa MAMM aAaa aAaa M 21 22221 11211 31 O determinante da matriz M é dado por: nnnn n n aAaa MAMM aAaa aAaa MDet 21 22221 11211 )( = 3.1 Determinante de uma matriz de 1ª ordem (n = 1) Seja a matriz 11aM = . Por defi nição, 1111)( aaMDet == Exemplos: 1) [ ]5=M 2) [ ]7−=M 3.2 Determinante de uma matriz de 2ª ordem (n = 2) Seja a matriz ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 2221 1211 aa aa M Apliquemos os itens (a), (b), (c) e (d) da defi nição: a) P = a11 · a22 b) a11 · a22 1 e 2 → primeiros índices fi xos a12 · a21 ⎭ ⎬ ⎫ 12 21 e e → segundos índices permutados c) α = 0 → (-1)0 · a11 · a22, pois 1 2 têm zero inversões em relação a 1 2 α = 1 → (-1)1 · a11 · a21, pois 2 1 têm uma inversão em relação a 1 2 d) 2112 1 2211 0 )1()1()det( aaaaM ⋅⋅−+⋅⋅−= → soma dos produtos 21122211)det( aaaaM ⋅−⋅= ANOTAÇÕES PESSOAIS 32 Regra Prática 3.3 Propriedades dos determinantes Em todas as situações abaixo, devemos considerar matrizes quadradas de ordem n>2. 2.4.1 Se In é a matriz identidade, então: det(In) = 1; 2.4.2 Se N é uma matriz nula, então: det(N) = 0; 2.4.3 Se uma linha (ou coluna) da matriz A for nula, então: det(A) = 0; 2.4.4 A matriz “A”, bem como a sua transposta At, possuem o mesmo determinante de “A”, isto é: det(At) = det(A); 2.4.5 Se B é a matriz obtida pela multiplicação de uma linha (ou coluna) da matriz A por um escalar k, então: det(B) = k det(A); 2.4.6 Se B=kA, onde k é um escalar, então: det(B) = kn det(A); 2.4.7 Se B é a matriz obtida pela troca de duas linhas (ou colunas) de A, então: det(B) = - det(A); 2.4.8 Se A tem duas linhas (ou colunas) iguais, então: det(A) = 0; 2.4.9 Se a diferença entre os elementos de duas linhas (ou colunas) de uma matriz A é uma mesma constante, então: det(A) = 0; 2.4.10 Se uma linha (ou coluna) de A for múltipla de uma outra linha (ou coluna) de A, então: det(A) = 0; 2.4.11 Ao fi xar todas as linhas (ou colunas) de uma matriz exceto uma delas, o determinante de “A” será uma função linear da linha (ou coluna) não fi xada da matriz; NOTA: SARRUS foi professor na universidade francesa de Strasbourg. A regra de SARRUS foi provavelmente escrita no ano de 1833. Pierre Frederic Sarrus (1798 – 1861) 33 2.4.12 Ao multiplicar (ou dividir) uma linha (ou coluna) de uma matriz por um número real k, o determinante da matriz será multiplicado (ou divi- dido) por k. 3.4 Determinante de uma matriz de 3ª ordem (n = 3) Seja a matriz ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ 333231 232221 131211 aaa aaa aaa Vamos aplicar a defi nição: a) P = a11 · a22 · a33 b) a11 · a22 · a33 → primeiros índices fi xos c) α = 0 → (-1)0 · a11 · a22 · a33, pois 1 2 3 têm zero inversões em relação a 1 2 3 α = 1 → (-1)1 · a11 · a23 · a32, pois 1 3 2 têm uma inversão em relação a 1 2 3 α = 1 → (-1)1 · a12 · a21 · a33, pois 2 1 3 têm uma inversão em relação a 1 2 3 α = 2 → (-1)2 · a12 · a23 · a31, pois 2 3 1 têm duas inversões em relação a 1 2 3 α = 2 → (-1)2 · a13 · a21 · a32, pois 3 1 2 têm duas inversões em relação a 1 2 3 α = 3 → (-1)3 · a13 · a22 · a31, pois 3 2 1 têm três inversões em relação a 1 2 3 ANOTAÇÕES PESSOAIS 34 d) . )1()1()1( )1()1()1()det( 312213 3 322113 2 312312 2 332112 1 322311 1 332211 0 produtosdossoma aaaaaaaaa aaaaaaaaaM → ⋅⋅⋅−+⋅⋅⋅−+⋅⋅⋅− +⋅⋅⋅−+⋅⋅⋅−+⋅⋅⋅−= 312213322113 312312332112322311332211)det( aaaaaa aaaaaaaaaaaaM ⋅⋅−⋅⋅ +⋅⋅+⋅⋅−⋅⋅−⋅⋅= Note que, em cada um dos n! produtos, existe um único elemento de cada linha e de cada coluna. Regra prática (regra de Sarrus) 1) Repetir as duas primeiras linhas abaixo da terceira. 2) Conservar o sinal do produto dos elementos da diagonal principal e dos produtos das duas “paralelas” a ela. 3) Trocar o sinal do produto dos elementos da diagonal secundária e dos produtos das duas “paralelas” a ela. Esquema: 3.5Expansão em Co-fatores; Regra de Cramer Se A é uma matriz quadrada, então o determinante menor da entrada aij, ou simplesmente o menor aij, é denotado por Mij e defi nido como o deter- minante da submatriz que sobra quando suprimimos a i-ésima linha e a j-ésima coluna de A. O número (-1)i+j Mij é denotado por Cij e é chamado o cofator de aij. A regra de Cramer é um teorema em álgebra linear, que dá a solução de um sistema de equações lineares em termos de determinantes. Gabriel Cramer (1704 – 1752) 35 Exemplo: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − = 841 652 413 A O menor de a11 é: 1684 65 841 652 413 11 =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − =M O cofator de a11 é 16)1( 1111 11 11 ==−= + MMC De maneira semelhante, o menor de a32 é:2662 43 841 652 413 32 =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − =M O cofator de a32 é 26)1( 3232 23 32 −=−=⋅−= + MMC 2. Seja a matriz ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 987 654 321 A 12)7391(1 97 31 )1( 2222 −=⋅−⋅⋅=⋅−= +A No caso acima, o elemento escolhido foi o a22, ou seja, o número 5. Referências LANG, S. Álgebra Linear. Rio de Janeiro. Editora Ciência Moderna. 2003. ANTON, H. Álgebra Linear com Aplicações. Bookman. 2005. ANTON, H.; BUSBY, R. C. Álgebra Linear Contemporânea. Bookman. 2006. NOBLE, B.; DANIEL, J. W. Applied Linear Algebra. 2002. ATENÇÃO: Adjunta de uma matriz 3x3 Seja: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − = 042 361 123 A Os cofatores de A são: 161012 1624 16612 333231 232221 131211 =−== === −=== CCC CCC CCC De modo que a matriz dos cofatores é: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − 161012 1624 16612 E a adjunta de A é: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − −= 161616 1026 12412 )(Aadj De tal forma que a inversa de uma matriz usando a adjunta é: )( )det( 11 Aadj A A =− 39 Aula 3 - Sistemas de equações lineares 1 Objetivo(s) 2.1 Introduzir os Sistemas de Equações Lineares; » 2.2 Resolver os Sistemas Lineares; » 2.3 Apresentar os Métodos de Eliminação. » 2. Introdução O estudo de álgebra linear normalmente começa com a análise dos siste- mas de equações lineares. Tais sistemas aparecem frequentemente em matemática aplicada, economia e engenharia ao modelarcertos fenôme- nos. Por exemplo, em programação linear, geralmente é discutido como maximizar o lucro quando existem certas restrições relacionadas à difi - culdade, disponibilidade de tempo, ou outras condições. Estas restrições podem ser colocadas na forma de um sistema de equações lineares. 3. Equação linear Uma equação linear é uma equação composta exclusivamente de adi- ções e subtrações de termos que são constantes ou o produto de uma constante pela primeira potência de uma variável. a1 x1 + a2 x2 + ... +an xn = b a » 1, a2, ..., an são números reais chamados coefi cientes x » 1, x2, ..., x2 são as incógnitas b é o termo independente » 3.1 Sistemas de equação linear Um sistema de equações lineares (ou sistema linear) é uma coleção de equações lineares envolvendo o mesmo conjunto de variáveis. Detalhe do atravessamento superior da treliça da ponte Hercílio Luz, Florianópolis, SC. A treliça, um dos principais tipos de estrutura da Engenharia usada especialmente nos projetos de pontes e edifícios, consiste de barras retas, articuladas nas juntas e interligadas nas extremidades. Para saber que material será utilizado na fabricação de suas barras, é necessário calcular as forças às quais cada barra será submetida. O cálculo dessas forças é feito através de sistemas de equações lineares. 40 Exemplo: Numa lanchonete, os pastéis e refrigerantes têm o mesmo preço. Nesse lugar, paguei R$ 5,80 por 5 pastéis e 3 copos de refrigerante, e meu amigo pagou R$ 3,60 por 3 pastéis e 2 copos de refrigerante. Qual o preço do pastel e do refrigerante? Para equacionar essa situação, vamos chamar de: X o preço de cada pastel. Y o preço de cada refrigerante. )(60,323 )(80,535 IIyx Iyx =+ =+ Então, Temos, assim, um sistema de duas equações lineares com duas incóg- nitas. Para achar a solução desse sistema, utilizaremos o método da adição. Multiplicando a equação (I) por 3 e a (II) por -5, temos: 60,0 00,181015 40,17915 = −=−− =+ y yx yx Substituindo y por 0,60 na equação (I), temos: 80,060,560,03580,535 =→=⋅+→=+ xxyx Logo, o pastel custa R$ 0,80 e o refrigerante R$ 0,60 O par ordenado (0,80; 0,60) é solução do sistema. O conjunto de todas as soluções de um sistema é chamado de conjunto solução S ou con- junto verdade V. No exemplo, S = {(0,80; 0,60)} Interseções de retas em R2 dão origem a sistemas lineares a duas incóg- nitas. Por exemplo, considere o sistema linear 222 111 cybxa cybxa =+ =+ ANOTAÇÕES PESSOAIS 41 Os gráfi cos dessas equações são retas no plano xy, portanto cada solu- ção (x , y) desse sistema corresponde a um ponto da interseção dessas retas. Assim: 1. As retas podem ser paralelas e distintas, caso em que não existe inter- seção e, consequentemente, não existe solução. 2. As retas podem intersectar exatamente num ponto, caso em que o sistema tem exatamente uma solução. 3. As retas podem ser coincidentes, caso em que há uma infi nidade de pontos de interseção (todos os pontos da reta comum) e, consequente- mente, existe uma infi nidade de soluções. ANOTAÇÕES PESSOAIS 42 3.2 Resolução de sistemas de equações Para um melhor entendimento das técnicas que podem ser utilizadas na resolução de sistemas lineares, serão sintetizadas, a seguir, as “opera- ções” que podem ser feitas com as equações de um sistema, sem que seu conjunto solução seja alterado. Como será visto posteriormente, é possível determinar o conjunto solução de qualquer sistema linear (resol- ver o sistema), usando apenas três “operações elementares”. Se um sistema linear é obtido a partir de outro, através de uma dessas operações: Trocar a posição de duas equações; 1. Trocar uma equação por um múltiplo (não nulo) de si mesma; 2. Trocar uma equação pela soma de si mesma com um múltiplo de 3. outra equação. Então ele possui as mesmas soluções que o sistema original. 3.2.1 Método da eliminação de variáveis Um método bastante simples para a resolução de um sistema linear é eliminar as variáveis, uma após a outra. Este método consiste dos seguintes passos: 1. Na primeira equação, isole uma das variáveis em função das outras; 2. Substitua a expressão acima em cada uma das outras equações; Isso produz um outro sistema de equações, com uma equação a menos e uma variável a menos; 3. Repita o passo anterior até que reste apenas uma equação linear; 4. Resolva esta equação e use a resposta obtida para determinar as demais variáveis nas outras equações. Exemplo: Se o sistema linear for: ⎪ ⎩ ⎪ ⎨ ⎧ =++ =++ =−+ 8342 7653 523 zyx zyx zyx Pode-se resolver a primeira equação em x, obtendo x = 5 + 2z − 3y e usando essa expressão na segunda e terceira equações, segue: ANOTAÇÕES PESSOAIS 43 ⎩ ⎨ ⎧ −=+− =+− 272 8124 zy zy Agora, se a primeira das duas equações for resolvida em y, obtém-se y = 2 + 3z, que substituindo na última equação fornece: ⎪ ⎩ ⎪ ⎨ ⎧ = += −+= 2 32 325 z zy yzx Colocando z = 2 na segunda equação, tem-se y = 8 e usando esses valores na primeira equação segue que x = − 15. Portanto, o conjunto solução deste sistema consiste de um único ponto {( − 15, 8, 2)}. 3.2.2 Método de eliminação de Gauss O método precedente (eliminação simples ou redução de Gauss) é satis- fatório para cálculos manuais em sistemas pequenos. Entretanto, vários obstáculos devem ser eliminados para empregar esse método em progra- mas computacionais. Em grandes sistemas de equações, situações para as quais devemos estar preparados, as multiplicações podem resultar em números de grandes magnitudes que podem acarretar erros. Exemplo: Uma lanchonete tem duas promoções em seu cardápio. A primeira oferece um sanduíche e três copos de sucos por R$ 10,00, e a segunda promoção oferece três sanduíches e um copo de suco por R$ 14,00. Determine o preço individual do sanduíche e do copo de suco. 3 sucos + 1 sanduíche = 10 1 suco + 3 sanduíches = 14 Logo: x = suco e y = sanduíche 2ªasomamose 3 1porequação1ªamosMultiplica 1431 1013 1431 1013 143yx 10y3x ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⇒ ⎩ ⎨ ⎧ =+ =+ − ANOTAÇÕES PESSOAIS 44 ⎟⎠ ⎞ ⎜ ⎝ ⎛⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − 1ªasomamose 3 1porequação2ªamosMultiplica410 10/31/31 3)(porequação1ªaDividimos 410 1013 3 8porequação2ªaDividimos32/38/30 1013 ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 410 201 Respostas: X = 2 e y = 4 Portanto o suco custa R$ 2,00; e o sanduíche, R$ 4,00. Referências LANG, S. Álgebra Linear. Rio de Janeiro. Editora Ciência Moderna. 2003. ANTON, H. Álgebra Linear com Aplicações. Bookman. 2005. ANTON, H.; BUSBY, R. C. Álgebra Linear Contemporânea. Bookman. 2006. NOBLE, B.; DANIEL, J. W. Applied Linear Algebra. 2002. 47 Aula 4 - Espaços Vetoriais 1 Objetivo(s) Introduzir Espaço Vetorial e Subespaço Vetorial; » Apresentar Combinação Linear; » Distinguir Vetores Linearmente Independentes e Linearmente » Dependentes; Introduzir Base e Dimensão de um Espaço Vetorial; » Introduzir Espaço de Produto Interno e Espaço Nomado. » 2 Apresentação Relembramos o que já foi falado anteriormente. Para que você obtenha sucesso na sua aprendizagem, faz-se necessário o domínio do que foi mostrado no capítulo anterior para, em seguida, dar início ao novo conte- údo. Agora, faremos um comentário sobre o que veremos nesta unidade para que você possa se familiarizar com a leitura que irá fazer. Iniciamos o capítulo no item introdução no qual mostramos a importância do estudo nas aplicações dos espaços vetoriais. Afi nal: “Embora uma nova lin- guagem pareça um enigma antes de ser conquistada, é um poder, em seguida.” » 3. Espaço vetorial ou linear Seja V um conjunto não vazio de objetos sobre os quais estão defi nidas operações de adição vetorial e multiplicação por escalar. Por adição vetorial queremos dizer uma regra que associa a cada par de objetos x e y de V um único objeto x + y que consideramos como uma soma de x com y, e, por multiplicação por escalar, queremos dizer uma regra que associa a cada escalar α e a cada objeto xde V um único objeto αx que consideramos como a multiplicação de x pelo escalar α. O conjunto V munido dessas operações será denominado um espaço vetorial e os objetos de V serão denominados vetores se valerem as seguintes pro- priedades para quaisquer x, y e z de V e quaisquer escalares α e β. ATENÇÃO: Os elementos de um espaço vetorial são denominados vetores; e os números reais, de escalares. Vetor Nulo. Chamamos vetor nulo o elemento neutro de um espaço vetorial. Em R2,o vetor nulo é (0, 0); em R3,o vetor nulo é (0, 0, 0), etc. 48 V é 1) fechado na adição, ou seja, se x e y estão em V ,então x + y está em V. 2) x + y = y + x 3) (x + y) + z = x + (y + z) V contém um objeto 4) 0 (que denominamos vetor nulo ou vetor zero) que se comporta como um zero aditivo no seguinte sentido: x + 0 = x para cada x em V Para cada objeto5) x em V, existe um objeto –x em V (que denomina- mos de negativo de x) tal que x + (-x) = 0 V é 6) fechado na multiplicação por escalar, ou seja, se x está em V e α é um escalar, então αx está em V α7) (x + y) = αx + αy (8) α + β)x = αx + βx α9) (βx) = (αβ)x 110) x = x As 10 propriedades nessa defi nição são denominadas os axiomas de espaço vetorial, e um conjunto V com duas operações que satisfazem estes 10 axiomas são denominados espaço vetorial. α, β ∈ K. K é chamado campo escalar associado ao espaço vetorial V. Dependendo da aplicação, os escalares podem ser números reais ou complexos. Os espaços vetoriais nos quais os escalares são números complexos, K = C (conjunto dos números complexos), são chamados de espaços vetoriais complexos; aqueles nos quais os escalares são números reais, K = R (conjunto dos números reais), são chamados espa- ços vetoriais reais. Obs.: 1) Todo elemento de V será chamado vetor; 2) Quando os escalares forem números complexos, V será um espaço vetorial complexo; 3) V poderá ser constituído de polinômios matrizes, etc.; mesmo assim, seus elementos serão chamados de vetores, pois eles satisfazem os axiomas de defi nições de espaço vetorial; 4) Todo vetor poderá ser representado por uma matriz linha ou matriz coluna. ANOTAÇÕES PESSOAIS 49 Exemplos: 1) R2 com as operações: (x, y) + (z, t) = (x + z, y + t) k ∙ (x, y) = (kx, ky) É um espaço vetorial, pois os axiomas acima são verifi cados. Cabe lembrar que o elemento neutro da adição 0V é o par ordenado (0, 0). 2) R2 com as operações abaixo não é um espaço vetorial. (x, y) + (z, t) = (x + z, 0) k ∙ (x, y) = (kx, ky) Não possui elemento neutro, pois: Seja 0V (e1, e2) tal que (x, y) + (e1, e2) = (x, y). Mas, (x, y) + (e1, e2) = (x + e1, 0). Assim, (x, y) = (x + e1, 0). Portanto, para todo y ∈R, y = 0. Logo, não existe elemento neutro. 3.1 Subespaços vetoriais Sejam V um espaço vetorial e S um subconjunto não vazio de V. O sub- conjunto S é um subespaço vetorial de V se S é um espaço vetorial em relação à adição e à multiplicação por escalar defi nidas em V. Teorema: Um subconjunto S, não vazio, de um espaço vetorial V é um subespaço vetorial de V se estiverem satisfeitas as condições: I) Para quaisquer u, v ∈ S, tem-se: u + v ∈ S. II) Para quaisquer α ∈ R, u ∈ S, tem-se: αu ∈ S. Obs.: Todo espaço vetorial V admite pelo menos dois subespaços: o conjunto {0}, chamado subespaço zero ou subespaço nulo, e o próprio espaço vetorial. Esses dois são os subespaços triviais de V. Os demais subespaços são denominados subespaços próprios de V. ATENÇÃO: Se V é um espaço vetorial arbitrário, então V é subespaço de V, ou seja, todo espaço vetorial é subespaço dele mesmo. ATENÇÃO: O conjunto unitário constituído pelo vetor nulo é um subespaço vetorial, denominado espaço nulo de V. 50 Por exemplo, os subespaços triviais de V = R3 são {(0, 0, 0)} e o próprio R3. Os subespaços próprios do R3 são as retas e os planos que passam pela origem. Para V = R2, os subespaços triviais são: {(0, 0)} e R2, enquanto os subes- paços próprios são as retas que passam pela origem. Exemplo: V = R5 e H = {(0, x2, x3, x4, x5); xi∈R}. Isto é, H é o conjunto dos vetores de R5, cuja primeira coordenada é nula. Verifi car se H é subespaço de R5. 1ª condição: u = ( 0, x2, x3, x4, x5), v = ( 0, y2, y3, y4, y5)∈H. Então u + v = (0, x2 + y2, x3 + y3, x4 + y4, x5 + y5) que ainda pertence a H, pois tem a primeira coordenada nula. 2ª condição: ku = (0, kx2, kx3, kx4, kx5)∈H, pois a primeira coordenada é nula para todo k∈R. Assim, H é um subespaço de R5. 3.2 Combinação linear O objetivo principal do uso de combinação linear é a obtenção de novos vetores a partir da combinação das duas operações anteriores com vetores dados. A combinação linear de vetores x1, x2, x3, ..., xn pertencentes a um espaço vetorial X é uma soma da forma: α1x1 + α2x2 + α3x3 + ...+ αrxr (1) A dependência ou independência linear de um conjunto de vetores V = {x1 x2 ... xr} (r > 1) pertencentes a V é estabelecida a partir da equa- ção: α1x1 + α2x2 + α3x3 + ... + αrxr = 0 (2) onde α1, α2, ..., αr são escalares. Evidentemente a equação é satisfeita para α1 = α2 ... αr = 0. Se este for o único conjunto de r escalares que satisfi zer a equação, o conjunto V ANOTAÇÕES PESSOAIS 51 diz-se linearmente independente. Se a equação (2) for satisfeita para um conjunto qualquer de r escalares, não todos nulos, o conjunto V é linear- mente dependente. 3.3 Vetores Linearmente Independentes e Linearmente Dependen- tes Um conjunto de vetores {v1, v2, ..., vn} ⊆ V é linearmente independente (LI) quando k1 v1 + k2 v2 + ... + kn vn = 0V se ,e somente se, k1= k2 = ... = kn = 0. Se existir pelo menos um ki ≠ 0, com i = 1,... , n, então o conjunto é line- armente dependente (LD). Exemplos: 1) {(1,3), (4,2)} é LI, pois: k1∙(1,3) + k2∙(4,2) = (0,0) (k1 + 4k2, 3k1 + 2k2) = (0,0) ⎩ ⎨ ⎧ =+ =+ 02k3k 04kk Assim, 21 21 Matriz ampliada ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 041 023 e matriz escalonada ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 010 041 . O sistema é possível e determinado com k1= k2 = 0. Assim, o conjunto é LI. Um dos vetores não é múltiplo escalar do outro. Foi visto que o espaço gerado por {(1, 3), (4, 2)} é R2, ou seja, [(1, 3), (4, 2)] = R2. 2) {(1, 3), (2, 6)} é LD, pois: k1∙(1, 3) + k2∙(2, 6) = (0, 0) (k1 + 2k2, 3k1 + 6k2) = (0, 0) ⎩ ⎨ ⎧ =+ =+ 06k3k 02kk Assim, 21 21 ANOTAÇÕES PESSOAIS 52 Matriz ampliada ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 063 021 e matriz escalonada ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 000 021 O sistema é possível e indeterminado, com k1= -2k2. Então, o conjunto é LD, pois (2, 6) = 2 ∙ (1, 3). Os vetores (1,3) e (2,6) pertencem a uma mesma reta. O espaço gerado pelo conjunto {(1, 3), (2, 6)} é {(x, y) ∈R2 | y = 3x}, isto é, [(1, 3), (2, 6)] = {(x, y) ∈R2 | y = 3x}. 3.4 Base e Dimensão de um Espaço Vetorial Seja um conjunto fi nito B⊆V. Diz-se que B é uma base do espaço veto- rial V quando B é um conjunto linearmente independente e gera V, isto é, [B] =V. O número de elementos (cardinalidade) de uma base B do espaço veto- rial V é denominado dimensão do espaço vetorial V. Se a dimensão de V é igual a n, diz-se que V é um espaço vetorial fi nito n-dimensional. Em particular, a dimensão do espaço nulo {0V} é zero. Não há base para o espaço nulo. Notação: dimV Exemplos: 1) Os conjuntos {(1,0), (0,1)} e {(1,3), (4,2)} são bases do R2. O conjunto {(1,2), (3,5), (2,1)} não é base do R2, pois apesar de gerar R2, não é LI. O conjunto {(1,2)} é LI, mas não gera o R2 , portanto também não é uma base do R2. Toda base de R2 tem dois vetores de R2 que geram R2 e que são LI. Logo, dimR2 = 2 . 2) {(-1, 0, 1),(2, 3, 0),(1, 2, 3)} é uma base do R3. O conjunto {(-1, 0, 1), (2, 3, 0)} é LI, mas não gera o R3. Logo, não é base do R3. ANOTAÇÕES PESSOAIS 53 O conjunto {(-1, 0, 1), (2, 3, 0), (1, 2, 3), (0, 2, 4)} gera o R3, mas não é LI. Também não é uma base do R3. Toda base de R3 é formada por três vetores LI de R3. Logo, dimR3 = 3 . 3.5 Espaço Normado Um espaço vetorial normado é um espaço vetorial V no qual sedefi ne uma função de valor real que associa a cada elemento x ∈ V um número real indicado por ||x|| chamado norma de x satisfazendo as seguintes propriedades: a) || x || ≥ 0 (positividade) b) ||αx || = |α| || x || (homogeneidade) c) || x + y || ≤ || x || + || y || (desigualdade triangular) d) || x || = 0 se e somente se x = 0 Uma norma em V sempre defi ne uma métrica em V dada por: d (x, y) = || x - y || chamada métrica induzida pela norma. Um espaço vetorial normado completo (na métrica induzida pela norma) é chamado espaço de Banach. 3.6 Espaço de Produto Interno Um espaço vetorial V no qual seja defi nido um produto interno (ou pro- duto escalar) de vetores é chamado espaço de produto interno. Alguns autores o denominam pré-espaço de Hilbert. O produto interno, represen- tado por ‹x, y›, é uma relação que a cada par ordenado (x, y) de vetores associa um escalar; é, portanto, uma relação V x V sobre K. O produto interno satisfaz as seguintes condições: a) ‹x + y, z› = ‹x, z› + ‹y, z› (distributividade) b) ‹αx, y› = α ‹x, y› (homogeneidade) c) ‹x, y› = ‹y, x› (simetria) d) ‹x, x› = 0 se e somente se x = 0 (positividade) ANOTAÇÕES PESSOAIS 54 Um espaço vetorial com um produto interno é denominado um espaço com produto interno real, e as quatro propriedades nessa defi nição são os axiomas de produto interno. Como consequência destas propriedades, torna-se válida a desigualdade de Schwarz: | ‹x, y› | ≤ ‹x , x› ‹y , y› ou | ‹x, y› | = || x || || y || Uma particularidade importante é a continuidade do produto interno, expressa por: Se: xn → x, ym → y então <xn , ym> → <x, y> Um espaço de produto interno completo é chamado espaço de Hilbert. Conclui-se que um espaço de produto interno é um espaço normado. Pode-se afi rmar, por extensão, que um espaço de Hilbert é um espaço de Banach. Referências LANG, S. Álgebra Linear. Rio de Janeiro. Editora Ciência Moderna. 2003. ANTON, H. Álgebra Linear com Aplicações. Bookman. 2005. ANTON, H.; BUSBY, R. C. Álgebra Linear Contemporânea. Bookman. 2006. NOBLE, B.; DANIEL, J. W. Applied Linear Algebra. 2002. 1. Objetivos 1. Conhecer transformações lineares; 2. Trabalhar com isomorfi smo; 3. Fazer operações com transformações lineares; 4. Identifi car dilatação ou contração na direção do vetor. 2. Introdução Nesta aula, estudaremos um tipo especial de função (ou aplicação), cujo domínio e contradomínio são espaços vetoriais reais. Assim, tanto a variável independente como a variável dependente são vetores, razão pela qual essas funções são chamadas vetoriais. Estamos particularmente interessados nas funções vetoriais lineares, que serão denominadas transformações lineares. Para dizer que T é uma transformação do espaço vetorial V no espaço veto- rial W, escreve-se Sendo T uma função, cada vetor v V tem um só vetor w W, que será indicado por w = T(v). Vamos exemplifi car, considerando V = e w = . Uma transformação associa vetores v = (x,y) R2 com vetores w = (x,y,z) . Se a lei que defi ne a transformação T ,for: T (x,y) = (3x, -2y, x - y) O Diagrama apresenta três vetores particulares v e suas correspondentes imagens w. UABÁlgebra Linear II 11 Aula 5 - Transformações Lineares Deve fi car bem claro que, para calcular, por exemplo, T(2,1), tem-se: x = 2 e y = 1, e daí: T(2,1) = (3 x 2, -2 x 1, 2 - 1) = (6, -2, 1). 3. Defi nição Sejam V e W espaços vetoriais. Uma aplicação T:V W é chamada trans- formação linear de V em W se: I) T(u+v) = T(u) + T(v) II) T( u) = T(u) Para todo u, v V e V R. Observação Uma transformação linear de V em V (é o caso de V = W) é chamada opera- dor linear sobre V. Exemplo: 1) , T(x,y) = (3x, -2y, x - y) é linear. De fato: I) Sejam u = (x1,y1) e v = (x2,y2) vetores genéricos de . Então: T(u+v) = T(x1 + x2, y1 + y2) T(u+v) = (3(x1 + x2), -2(y1 + y2), (x1 + x2) - (y1 + y2)) T(u+v) = (3x1 + 3x2, -2y1 -2y2, x1 + x2 - y1 - y2) T(u+v) = (3x1, -2y1, x1 - y1) + (3x2, -2y2, x2 - y2) Licenciatura em MatemáticaUAB 12 T(u+v) = T(u) + T(v) II) Para todo R e Para qualquer u = (x1, y1) , tem-se: T( u) = T( x1, y1) T( u) = (3 x1, -2 y1, x1 – y1) T( u) = (3x1, -2y1, x1 - y1) T( u) = T(u) 4. Propriedade Se T: V W for uma transformação linear, então: T(a1v1 = a2v2) = a1 T(v1) + a2 T(v2) Para todo v1, V2 V e para todo a1, a2 R. De forma análoga, tem-se: T(a1v1 = a2v2 + ... + anvn) = a1 T(v1) + a2 T(v2) + ... + an T(vn) Para todo vi, V e para todo ai, R, i = 1, 2, ..., n, isto é, a imagem de uma combinação linear de vetores é uma combinação linear das imagens desses vetores, com os mesmos coefi cientes. Suponhamos agora que {v1, v2, ..., vn} seja uma base do domínio V e que se saiba quais são as imagens T(v1), T(v2), ..., T(vn) dos vetores desta base: Sempre é possível obter a imagem T(v) de qualquer v V, pois sendo v uma combinação linear dos vetores da base, isto é: V = a1v1 + a2v2 + ... + anvn E, pela relação acima vem: T(v) = a1T(v1) + a2T(v2) + ... + anT(vn) UABÁlgebra Linear II 13 Assim, uma transformação linear T:V W fi ca completamente defi nida quando se conhecem as imagens dos vetores de uma base de V. 5. Núcleo de uma Transformação Linear Defi nição Chama-se núcleo de uma transformação linear T:V W o conjunto de todos os vetores v V que são transformados em 0 W. Indica-se esse con- junto por N(T) ou ker (T): N(T) = {v V/T(v) = 0} (Figura extraída do livro Álgebra Linear ,de Alfredo Steinbruch e Paulo Winterle). Observamos que N(T) C V e N(T) ≠ Ø, pois 0 N(T), tendo em vista que T(0) = 0. Exemplos 1) O núcleo da transformação linear T: R2, T(x,y) = (x + y, 2x - y) É o conjunto: N(T) = {(x,y) R2/T(x,y) = (0,0)} Licenciatura em MatemáticaUAB 14 O que implica: (x + y, 2x - y) = (0,0) ou: x + y = 0 2x – y = 0 Sistema cuja solução é: x = 0 e y = 0 logo: N(T) = {(0,0)} 2) Seja T: R3 R2 a transformação linear dada por: T(x, y, z) = (x – y + 4z, 3x + y + 8z) Nesse caso, temos: N(T) = {(x,y,z) R3/T (x,y, z) = (0,0)} Isto é um vetor (x, y, z) N(T) se, e somente se, (x – y + 4, 3x + y + 8z) = (0,0) ou: x – y + az = 0 3x + y + 8z = 0 Sistema homogêneo de solução x = -3z e y = z. Logo: N(T) = {(-3z, z, z)/z R} UABÁlgebra Linear II 15 ou: N(T) = {z (-3, 1, 1)/z R} Ou, ainda: N(T) = [(-3,1,1)] 6. Imagem Defi nição Chama-se imagem de uma transformação linear T:V W o conjunto dos vetores w € W que são imagens de pelo menos um vetor v € V. Indica-se esse conjunto por Im(T) ou T(V): Im(T) = {w W/T(v) = w para algum v V} A fi gura esclarece a defi nição. Observemos que Im(T) C W e Im(T) ≠ Ø, pois 0 = T(0) Im(T). Se Im(T) = W, T diz-se sobrejetora, isto é, para todo w W existe pelo menos um v V tal que T(v) = w. (Figura extraída do livro Álgebra Linear ,de Alfredo Steinbruch e Paulo Winterle) T Licenciatura em MatemáticaUAB 16 7. Isomorfi smo Chama-se isomorfi smo do espaço vetorial V no espaço vetorial W uma transformação linear T:V W, que é bijetora. Nesse caso, os espaços veto- riais V e W são ditos isomorfos. Ressaltamos que todo espaço vetorial V de dimensão n é isomorfo a Rn. Assim, dois espaços vetoriais de dimensão fi nita são isomorfos de tiverem a mesma dimensão. Veremos ,mais adiante, que a todo isomorfi smo T:V W corresponde um isomorfi smo inverso T-1:W V, que também é linear. Exemplos: 1) O operador linear T:R2 R2, T(x,y) = (2x + y, 3x + 2y) É um isomorfi smo no R2. Como dim V = dim W = 2, basta mostrar que T é injetor. De fato, N(T) = {(0,0)}, o que implica T ser injetora. 2) A transformação linear T:P2 R 3, T(at2 + bt +c) = (a,a + b,b - c) É também um isomorfi smo (verifi car!). 3) O espaço vetorial R2 é isomorfo ao subespaço W = {(x, y, z) � R3 /z = 0} do R3 (W representa o plano xy de R3). De fato, a aplicação linear T:R2 W, tal que T(x,y) = (x, y, 0) é bijetora: a cada vetor (x, y) de R2correspondente um só vetor (x, y, 0) de W e, recipro- camente. Logo, R2 e W são isomorfos. 8. Operações com Transformações Lineares 8.1. Adição Sejam T1:V W e T2:V W transformações lineares. Chama-se soma das transformações lineares T1 e T2 a transformação linear. T1 + T2:V W UABÁlgebra Linear II 17 v I (T1 + T2) (v) = T1 (v) + T2 (v), para todo v V Se A e B são bases de V e W, respectivamente, demonstra-se que: [T1 + T2] = [T1] + [T2] 8.2 Multiplicação por Escalar Sejam T:V W uma transformação linear e R. Chama-se produto de T pelo escalar a transformação linear. T:V W v I ( T) (v) = T(v), para todo v V Se A e B são bases de V e W, respectivamente, demonstra-se que: [ T] = [T] 8.3 Composição Sejam T1:V W e T2:W U Transformações lineares. Chama-se aplicação composta de T1 com T2, e se representa por T2 o T1, a transformação linear: T2 o T1: V U V I (T2 o T1) (v) = T2(T1(v)), para todo v V (Figura extraída do livro Álgebra Linear ,de Alfredo Steinbruch e Paulo Winterle) Licenciatura em MatemáticaUAB 18 Se A, B e C são bases de V, W e U, respectivamente, demonstra-se que: [T2 o T1] = [T2] x [T1] 9. Exercício: Sejam T1 : R 2 R3 e T2 : R 2 R3 transformações lineares defi nidas por: T1(x,y) = (x + 2y, 2x – y, x) e T2 (x,y) = (-x, y, x + y). Determinar: a) T1 + T2 b) 3T1 – 2T2 c) a matriz canônica de 3T1 – 2T2 e mostrar que: [3T1 – 2T2] = 3 [T1] – 2[T2] Solução: a) (T1 + T2) (x, y) = T1 (x, y) + T2 (x, y) (T1 + T2) (x, y) = (x + 2y, 2x – y, x) + (-x, y, x + y) (T1 + T2) (x, y) = (2y, 2x, 2x+2y) b) (3T1 – 2T2) (x, y) =(3T1)(x, y) – (2T2) (x, y) (3T1 – 2T2) (x, y) = 3T1 (x, y) – (2T2 (x, y) (3T1 – 2T2) (x, y) = 3(x + 2y, 2x-y,x) – 2(-x, y, x + y) (3T1 – 2T2) (x, y) = (5x + 6y, 6x - 5y, x - 2y) c) [3T1 – 2T2]= = 3[T1] – 2 [T2] 9.1 Exercício: Sejam S e T operadores lineares no R2 defi nidos por S (x,y) = (2x, y) e T(x,y) = (x,x - y). Determinar: a) S o T b) T o S c) S o S d) T o T UABÁlgebra Linear II 19 10. Dilatações e Contrações a) Dilatação ou contração na direção do vetor T:R2 R2 (x, y) I (x, y), R ou: (Figura extraída do livro Álgebra Linear ,de Alfredo Steinbruch e Paulo Winterle) Observamos que: se | | > 1, T dilata o vetor; se | | < 1, T contrai o vetor se = 1, T é a identidade I; se < 0, T troca o sentido do vetor. A transformação T:R2 R2, T(x, y) = (x, y) é um exemplo de contração. b) Dilatação ou contração na direção do eixo dos x T:R2 R2 (x,y) I ( x,y), > 0 ou: (Figura extraída do livro Álgebra Linear de Alfredo Steinbruch e Paulo Winterle) Licenciatura em MatemáticaUAB 20 Observemos que: se > 1, T ,dilata o vetor; se 0 < < 1, T contrai o vetor. 11. Exercícios: 1) Suponhamos que A ≠ 1 seja uma matriz quadrada, para a qual A3 = I. De- termine se A é semelhante a uma matriz diagonal, quando A é uma matriz sobre (i) o corpo real R, (ii) o corpo complexo C. Como A3 = I, A é um zero do polinômio f(t) = t3 – 1 = (t - 1) (t2 + t + 1). O polinômio mínimo m(t) de A não pode ser t – 1, pois A ≠ 1. Portanto, M(t) = t2 + t + 1 ou m(t) = t3 – 1 Como nenhum desses polinômios é um produto de polinômio lineares sobre R, A não é diagonalizável sobre R. Por outro lado, cada um dos polinômios é um produto de polinômios lineares distintos sobre C. Portanto, A é diago- nalizável sobre C. 2) Determine todas as possíveis formas canônicas de Jordan, para uma ma- triz de ordem 5, cujo polinômio mínimo é m(t) = (t - 2)2. J deve ter um bloco de Jordan de ordem 2 e os outros devem ser de ordem 2 ou 1. Então, só existem duas possibilidades: Note que todos os elementos diagonais devem ser 2, pois o único autovalor é 2. 3) Suponhamos que W seja um subespaço de um espaço vetorial V.Mostre que ,se u + W = u’ + W e v + W = v’ + W, então, UABÁlgebra Linear II 21 (I) (u + v) + W = (u’ + v’) + W e (II) ku + W = ku’ + W, para qualquer k K. 4) Seja V um espaço vetorial e W um subespaço de V. Mostre que a transfor- mação natural n: V V/W, defi nida por n(v) = v + W, é linear. 12. Resumo Nessa aula, nós estudamos um tipo especial de função (ou aplicação), em que o domínio e o contradomínio são espaços vetoriais reais. Logo, tanto a variável independente como a dependente são vetores, por isso essas fun- ções são chamadas vetoriais. Constatamos que, se uma transformação representar uma reta que não pas- sa pela origem, então ela não é linear. Vimos que, chama-se imagem de uma transformação linear T: V W ao conjunto dos vetores w e W que são imagens de pelo menos um vetor v V. Uma transformação linear T: V W é injetora se, e somente se, N (T) = {0}. Chamamos de isomorfi smo do espaço vetorial V, no espaço vetorial W, a uma transformação linear T: V W, que é bijetora. 13. Referências ANTON, H.; Álgebra Linear com Aplicações. Bookman. 2005 LANG, S.; Álgebra Linear. Rio de Janeiro. Editora Ciência Moderna. 2003. LIPSCHUTZ, S.; Álgebra Linear. Editora McGRAW Hill do Brail. LTDA. 1976 NOBRE, B.; DANIEL, J.W. Applied Linear Álgebra. 2002 STEINBRUCH, A.; WINTERLE P. Álgebra Linear. Makron do Brasil. Editora LTDA.1987 Licenciatura em MatemáticaUAB 22 57 Aula 6 - Autovalores e Autovetores 1 Objetivo(s) 2.1 Introduzir o conceito de Autovalores e Autovetores;» 2.2 Apresentar as propriedades dos Autovalores e Autovetores;» 2.3 Introduzir Autoespaço associado ao Autovalor;» 2.4 Defi nir Polinômio Característico» 2. Introdução Seja V um espaço vetorial de dimensão n sobre um corpo K, A uma matriz quadrada de ordem n e T:V→V uma transformação linear, defi - nida para cada v∈V por: T(v) = A∙v Será que existe algum vetor v∈V, cuja imagem T(v) pela transformação T tenha a mesma direção que o vetor v? Ou seja, será que existe um escalar µ∈K tal que: T(v) = µ·v O vetor nulo tem essa propriedade para qualquer escalar, mas obser- vamos que o vetor nulo não pode ser utilizado em uma base do espaço vetorial V, objetivo fundamental no contexto do estudo de autovalores e autovetores. Estamos procurando vetores v∈V e escalares µ∈K para os quais T(v) = A∙v = µ·v Subjacente ao processo de descoberta desses escalares e vetores está a solução de muitos problemas aplicados da Matemática, Física, Engenharias Civil e Elétrica, etc. 3. Autovalores e Autovetores Seja A uma matriz quadrada de ordem n sobre um corpo K. Se existe um escalar µ∈K e um vetor v≠ 0 tal que: ATENÇÃO: Sinônimos para autovalor: valor próprio e valor característico. 58 A∙v = µ·v Este escalar µ é denominado um autovalor de A e v é um autovetor associado a este escalar µ. Exemplo 1: Seja uma matriz A e um vetor v∈R3 tal que: A = 300 020 001 e v = z y x Observamos que: A∙v = 3z 2y 1x z y x 300 020 001 =⋅ Procuramos escalares µ tal que A∙v = µ·v, isto é: z y x 3z 2y 1x ì= Devemos resolver o sistema com as três equações: (1–µ) x = 0, (2–µ) y = 0, (3–µ) z = 0 com a condição que vt = (x, y, z)≠ (0, 0, 0). Usamos a notação vt = (x, y, z) para indicar a transposta do vetor coluna com os elementos x, y e z. Temos três possibilidades para os autovalores. Se x1. ≠ 0, então µ = 1. Com tais valores nas outras equações ,segue que y = 0 e z = 0. Um vetor com estas propriedades é u = (1, 0, 0)t. Se y2. ≠ 0 obtemos µ = 2, o que implica que x = 0 e z = 0. Um vetor com estas propriedades é v = (0, 1, 0)t. Se z3. ≠ 0, então µ = 3, garantindo que x = 0 e y = 0. Um vetor com estas propriedades é w = (0, 0, 1)t. Neste caso específi co, concluímos que, para cada autovalor, existe um único autovetor associado. Exemplo 2: Seja uma matriz A e um vetor v∈R3 tal que: ANOTAÇÕES PESSOAIS 59 A = 200 020 001 e v = z y x Como: A∙v = 2z 2y 1x z y x 200 020 001 =⋅ Devemos obter escalares μ tal que A∙v = μ·v, isto é: 2z 2y 1x = μ· z y x Basta resolver o sistema de equações (1–μ)∙x = 0, (2–μ)∙y = 0, (2–μ)∙z = 0 exigindo que vt = (x, y, z)≠ (0, 0, 0). Existem duas possibilidades para os autovalores. 1. Se x≠ 0, então μ = 1, y = 0 e z = 0. Um vetor com estas proprieda- des éu = (1, 0, 0)t. 2. Se y≠ 0, então μ = 2 e x = 0, mas existem infi nitos valores para z, inclusive z = 0. Um vetor com estas propriedades é v = (0, 1, 0)t. 3. Se z≠ 0, então μ = 2 e x = 0, mas existem infi nitos valores para y, inclusive y = 0. Um vetor com estas propriedades é w = (0, 0, 1)t. Neste caso, observamos que, para o autovalor μ = 1, existe apenas um autovetor, mas, para o autovalor μ = 2, existem dois autovetores. 3.1 Propriedades dos autovalores e autovetores A soma dos autovalores de uma matriz é igual ao seu traço, que é a » soma dos elementos de sua diagonal principal; Autovetores correspondentes a diferentes autovalores são linear- » mente independentes; Uma matriz é singular se e somente se tiver um autovalor nulo; » Se » X for um autovetor de A, correspondente ao autovalor λ, e se A for inversível, então X é um autovetor de A-1, correspondente ao autovalor 1/ λ; ANOTAÇÕES PESSOAIS 60 Se » X for um autovetor de A, então kX também o será, para qualquer k≠ 0, e ambos X e kX correspondem ao mesmo autovalor λ; Uma matriz e sua transposta possuem os mesmos autovalores; » Os autovalores de uma matriz triangular superior ou inferior são os » valores de sua diagonal principal; O produto de todos os autovalores de uma matriz, considerando sua » multiplicidade, é igual ao determinante dessa matriz; Se » X for um autovetor de A correspondente ao autovalor λ, então X é um autovetor de (A-cI), correspondente ao autovalor λ-c, para qualquer escalar c. 4. Autoespaço associado ao autovalor Se μ é um autovalor de uma matriz A, defi nimos o autoespaço associado a μ como o conjunto de todos os vetores obtidos pela combinação linear dos autovetores associados a μ. Denotamos este conjunto por: S(μ) = {v∈V: A∙v = μ·v} Proposição: O conjunto S(μ) é um subespaço vetorial de V gerado pelos autovetores associados a μ. Demonstração: O vetor nulo não é um autovetor, mas 0∈S(μ) pois A∙0 = μ0. Se v∈S(μ) e w∈S(μ), então A∙v = μ·v e A∙w = μ·w, logo A(v+w) = A∙v+A∙w = μ·v + μ·w = μ(v+w) concluímos que v+w∈S∙(μ). Analogamente, se k∈K e v∈S(μ), então: A(kv) = μ(kv) concluímos que kv∈S(μ). 5. Polinômio característico Ao invés de trabalhar diretamente com a resolução de sistemas, existe um processo mais simples para obter os autovalores de A. Se A é uma matriz n x n sobre K e I é a matriz identidade de mesma ANOTAÇÕES PESSOAIS 61 ordem que A, defi nimos o polinômio característico de A como: f(µ) = det(µ–A) Exemplo: Seja a matriz defi nida por: A = 94 21 Assim: f(µ) = det 94 22 −− −− ì ì = µ2–10µ+1 Algumas vezes, vemos, na literatura, o polinômio característico da matriz A defi nido na forma trocada f(µ) = det(A–µ) Lema: Seja M uma matriz quadrada de ordem n. Um sistema M∙v = 0 tem solução não trivial se, e somente se, det(M) = 0. Teorema: Os autovalores de uma matriz quadrada A de ordem n são os zeros do polinômio característico de A, isto é, escalares µ para os quais f(µ) = 0. Demonstração: Os autovalores da matriz A podem ser obtidos a partir da existência de escalares µ e vetores não nulos v = (x, y, z)t para os quais: A.v = µv. Este sistema pode ser reescrito como A∙v = µI∙v, ou seja: (µ–A)v = 0 Este sistema terá uma solução não trivial se, e somente se, o determi- nante da matriz µ–A for nulo (consequência da Regra de Cramer), isto é: det(A–µ) = 0 Observamos que det(A–µ) é uma função polinomial da variável µ, daí a razão de indicarmos esta expressão por: f(µ) = det(A–µ) A partir deste Teorema, podemos obter os autovetores se resolvermos o sistema: (µ–A)v = 0. Exemplo: Seja a matriz dada por: A = 211 121 110 − − ANOTAÇÕES PESSOAIS 62 O polinômio característico associado à matriz A é: f(µ) = µ³–4µ²+5µ–2 Como a soma dos coefi cientes deste polinômio é igual a zero, µ = 1 é um zero de f = f(µ) e f(1) = 0. Dividindo esta função polinomial por (µ–1), obtemos a forma decom- posta: f(µ) = (µ–1)∙(µ²–3µ+2). Com a fórmula quadrática, obtemos: f(µ) = (µ–1)∙(µ–1)∙(µ–2), signifi cando que os autovalores de A, são: µ = 1, µ = 1 e µ = 2 Em geral, o sistema (µ–A)v = 0 fi ca na forma (µ–A)∙ 0 0 0 z y x 211 121 11 z y x =⋅ −− −− −− = ì ì ì Para µ = 1, o sistema toma a forma: 0 0 0 z y x 111 111 111 =⋅ −− −− −− e este sistema se reduz a apenas uma equação: x–y–z = 0. Como temos duas variáveis livres, podemos escrever x = y+z, para obter x em função de y e de z. Se y = 1 e z = 0, então x = 1 e u = (1, 1, 0)t é um autovetor. Se y = 0 e z = 1, então x = 1 e v = (1, 0, 1)t é outro autovetor. Para µ = 2, o sistema toma a forma: 0 0 0 z y x 011 101 112 =⋅ − − −− e este sistema se reduz a apenas uma relação x = y = z. Tomando x = y = z = 1, obtemos o terceiro autovetor da matriz A: w = (1, 1, 1)t. ANOTAÇÕES PESSOAIS 63 Referências LANG, S. Álgebra Linear. Rio de Janeiro. Editora Ciência Moderna. 2003. ANTON, H. Álgebra Linear com Aplicações. Bookman. 2005. ANTON, H.; BUSBY, R. C. Álgebra Linear Contemporânea. Bookman. 2006. NOBLE, B.; DANIEL, J. W. Applied Linear Algebra. 2002. algebra_linear_1 algebra_linear_2 algebra_linear_3 algebra_linear_4 algebra_linear_5 algebra_linear_4 algebra_linear_Aula01 algebra_linear_Aula02 algebra_linear_Aula03 algebra_linear_Aula04 algebra_linear_Aula05 algebra_linear_Aula06 algebra_linear_Aula07 algebra_linear_Aula08 algebra_linear_Aula09 algebra_linear_Aula10