Baixe o app para aproveitar ainda mais
Prévia do material em texto
VARIÁVEIS COMPLEXAS Tiago Loyo Silveira Álgebra e geometria dos números complexos Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: Identificar a álgebra dos números complexos. Efetuar as operações algébricas dos números complexos. Definir a geometria dos números complexos. Introdução O advento da unidade imaginária i possibilitou não apenas a representação algébrica de um número complexo, mas também a representação de raízes negativas de uma forma geométrica. Com isso, mais aplicações para os números complexos surgiram. Foi possível, por exemplo, que polinômios de raízes não reais fossem representados no plano cartesiano. A álgebra moderna também incorporou os números complexos para representar vetores. Neste capítulo, você verá mais sobre as características algébricas e geométricas de um número complexo. Avançaremos em nossos estudos pelas operações com os números complexos e as suas representações geométricas. Álgebra dos números complexos Sejam m e n números reais, podemos escrever m e n na forma de pares orde- nados (m, 0) e (n, 0). Observe que as operações abaixo entre os números reais m e n são fechadas, ou seja, conservam o resultado no conjunto dos reais. Igualdade: (m, 0) = (n, 0) se, e somente se, m = n Cap_2_Variaveis_Complexas.indd 1 01/03/2018 16:51:33 Adição: (m, 0) + (n, 0) + (m + n, 0 + 0) = (m + n, 0) Multiplicação: (m, 0).(n, 0) = (m.n – 0.0, m.0 + 0.n) = (m.n, 0) Nas operações descritas acima, todas as coordenadas y nos pares ordenados são iguais a zero. Portanto, os números (m, 0) e (n, 0) podem ser representados no eixo das abscissas, que é a reta real, ou seja, os números (m, 0) e (n, 0) podem ser escritos simplesmente como m e n, respectivamente. No entanto, se um par ordenado possui coordenada y ≠ 0, não pode ser representado no eixo das abscissas. Portanto, na forma algébrica a + bi, onde o coeficiente a representa a parte real, b a parte imaginária e i a unidade imaginária, com b ≠ 0, esse número será um complexo. Operações com números complexos Potências da unidade imaginária A defi nição do comportamento das potências de i comtempla as potências dos complexos z = a + bi, uma vez que temos uma potência de um binômio, no que se segue. Observe: , já que todo número elevado a zero é igual a 1; , já que todo número elevado a 1 é igual a si mesmo; , já que por definição, ; ; ; ; ; ; . [...] Sendo , de um modo geral, temos: Álgebra e geometria dos números complexos2 Cap_2_Variaveis_Complexas.indd 2 01/03/2018 16:51:34 Ou seja, as potências , sendo , são obtidas por meio dos restos da divisão por 4, sendo possível apenas os resultados 1, i, -1, -i. Veja o exemplo abaixo. Qual é o resultado de ? Solução: Adição e subtração Sejam os números complexos e . A adição e sub- tração são feitas entre as partes reais e as partes imaginárias separadamente. Dessa forma, temos: Multiplicação Sejam os números complexos e . O produto entre números complexos atende a defi nição de produto entre pares ordenados. Dessa forma, temos: Outra maneira de realizar o produto é utilizando a propriedade distributiva e as propriedades de potência da unidade imaginária. Assim, temos: 3Álgebra e geometria dos números complexos Cap_2_Variaveis_Complexas.indd 3 01/03/2018 16:51:34 Acompanhe o exemplo abaixo. (4 – i).(3 + i) = (4.3 – (– 1).1) + (4.1 + (–1).3)i = (12 + 1) + (4 – 3)i = 13 + i Divisão Para defi nir a divisão dos complexos, antes precisamos defi nir o conjugado de um número complexo. Seja um número complexo. Dizemos que a − bi é o conjugado de . Representamos com . Os conjugados possuem as propriedades a seguir. O conjugado da soma é igual à soma dos conjugados: O conjugado do produto é igual ao produto dos conjugados: O produto de um número complexo pelo seu conjugado é um número real não negativo. , que é um número real positivo. O produto de um número complexo pelo seu conjugado é denominado norma de um número complexo. Portanto, dizemos que um número complexo z = a + bi foi normalizado, se ele foi escrito na forma: . Sejam dois números complexos e , sendo . Obter o quociente da divisão de por significa encontrar um número complexo , tal que . Dessa forma, escrevendo na sua forma algébrica, temos: Veja o exemplo abaixo. Álgebra e geometria dos números complexos4 Cap_2_Variaveis_Complexas.indd 4 01/03/2018 16:51:34 Da igualdade de complexos, temos que: Portanto, e . Uma outra maneira de realizar a divisão de complexos e , sem precisar do uso de sistemas, é multiplicar e pelo conjugado de . Considere o exemplo abaixo. Geometria dos números complexos Dois eixos ordenados, centrados e perpendiculares na origem (0,0) defi nem o plano cartesiano. De forma semelhante, defi niremos um plano para representar os números complexos. Para todos os fi ns, é similar ao plano cartesiano, mas o eixo x será chamado de eixo real (Re) e vai representar a coordenada real de um número complexo, e o eixo y será chamado de eixo imaginário (Im), representando a coordenada imaginária de um número complexo. O plano de representação dos números complexos é chamado de plano de Argand-Gauss. Dessa forma, cada número complexo z = a + bi representa um ponto P nesse plano. O plano de Argand-Gauss, ou plano complexo, também é muito utilizado para representar vetores bidimensionais. O ponto P é chamado de afixo do número complexo z. 5Álgebra e geometria dos números complexos Cap_2_Variaveis_Complexas.indd 5 01/03/2018 16:51:35 Figura 1. Plano de Argand-Gauss. Módulo de um número complexo A distância de um ponto P até a origem do plano é denominada módulo de um número complexo. Representamos por ou pela letra grega (rô). Sendo , o módulo de um número complexo é dado por: Figura 2. Módulo de um número complexo. Álgebra e geometria dos números complexos6 Cap_2_Variaveis_Complexas.indd 6 01/03/2018 16:51:35 O módulo do número complexo z = 5 +12i será: Figura 3. Módulo de um número complexo. Argumento de um número complexo Sendo o módulo de um número complexo a distância entre a origem e um ponto P, então, se as coordenadas de P variam de forma que seja constante, então teríamos uma circunferência centrada na origem. Dessa forma, um número complexo pode ser representado ou parametrizado de acordo com o ângulo formado entre e o eixo real. Essa abertura recebe o nome de argumento de um número complexo, indicada por arg (z), com medida no intervalo . O argumento terá sentido anti-horário com o seu sentido positivo. 7Álgebra e geometria dos números complexos Cap_2_Variaveis_Complexas.indd 7 01/03/2018 16:51:36 Figura 4. Argumento de um número complexo. Portanto, as coordenadas de um número complexo podem ser dadas em função do arco . Qual é o argumento do número complexo z = −1 + i? Solução: Temos que Dessa forma, o arco com e é o arco de 135º ou . Álgebra e geometria dos números complexos8 Cap_2_Variaveis_Complexas.indd 8 01/03/2018 16:51:36 Forma trigonométrica de um número complexo Como consequência do que vimos até aqui, os números complexos podem ser apresentados, além da sua forma algébrica, em uma forma trigonométrica. Das razões trigonométricas abaixo, temos que: Aplicando as relações obtidas vindas do plano de Argand-Gauss na forma algébrica z = a + bi, obtemos: , com A forma trigonométrica, também chamada de polar, possui aplicações diversas, além de facilitar os cálculos de potências de números complexos. Figura 5. Representação de uma circunferência de raio |z|. 9Álgebra e geometria dos números complexos Cap_2_Variaveis_Complexas.indd 9 01/03/2018 16:51:37 Potenciação de um número complexo Apesar de ser uma operação com número complexo, deixamos para descrevê- -la somente agora, pois a forma trigonométrica nos facilitará sobremaneira nesse processo. Para elevar um número complexo z ≠ 0 a um expoente , escrevemos z na sua forma trigonométrica.Elevamos o módulo ao expoente n, e os argumentos serão multiplicados por n. Dessa forma, temos: Essa fórmula é denominada 1ª Lei de De Moivre, em homenagem ao matemático francês Abraham de Moivre. Se z = 0, então, qualquer que seja n, teremos . Moivre formulou ainda, fórmulas para o produto, quociente e para raízes, todas utili- zando sua forma polar (MAPLI, 2018; FÓRMULA, 2017): https://goo.gl/BB4aXi https://goo.gl/zpq7ui Veja mais sobre o plano complexo e as suas peculiaridades (PLANO, 2016): https://goo.gl/nFThNv Assista a uma aula sobre produto de números complexos (O MATEMÁTICO, 2014): https://goo.gl/pMoN5g Álgebra e geometria dos números complexos10 Cap_2_Variaveis_Complexas.indd 10 01/03/2018 16:51:37 https://goo.gl/BB4aXi https://goo.gl/zpq7ui https://goo.gl/nFThNv https://goo.gl/pMoN5g 1. Para que (6 – 3i).(k + 6i) seja um número real, o valor de k deverá ser: a) k = 0. b) k= -12. c) k= 12. d) k = 18. e) k = -18. 2. Sendo i a unidade imaginária do conjunto dos números complexos, o valor da expressão é: a) 1024i. b) 0. c) -512i. d) 512i. e) -1024i. 3. Observe o plano de Argand-Gauss representado abaixo, onde A é afixo do número complexo z = a + bi. Qual é a diferença entre z e ? a) . b) . c) . d) . e) . 4. Sendo , unidade imaginária do conjunto dos números complexos, qual o valor da expressão ? a) 2i. b) i. c) –2i. d) –i. e) 0. 5. Qual o argumento do número complexo ? a) . b) . c) . d) . e) . 11Álgebra e geometria dos números complexos Cap_2_Variaveis_Complexas.indd 11 01/03/2018 16:51:39 FÓRMULA DE DE MOIVRE. Wikipédia, Flórida, 2017. Disponível em: <https://pt.wikipedia. org/wiki/F%C3%B3rmula_de_De_Moivre>. Acesso em: 21 fev. 2018. MAPLI. Fórmulas de De Moivre. Matika, Jundiaí, 2018. Disponível em: <http://www. matika.com.br/numeros-complexos/formulas-de-de-moivre>. Acesso em: 21 fev. 2018. O MATEMÁTICO. Grings - Aula 5 - Produto de Números Complexos. YouTube, 2014. Disponível em: <https://www.youtube.com/watch?v=ilNv7lVXpAY>. Acesso em: 21 fev. 2018. PLANO COMPLEXO. Wikipédia, Flórida, 2016. Disponível em: <https://pt.wikipedia. org/wiki/Plano_complexo>. Acesso em: 21 fev. 2018. Leituras recomendadas BARRETO FILHO, B.; SILVA, C. X. Matemática aula por aula: volume único. São Paulo: FTD, 2005. IEZZI, G. et al. Matemática: volume único. 6. ed. São Paulo: Atual, 2015. RIGONATTO, M. Plano de Argand-Gauss. Brasil Escola, Goiânia, 2018. Disponível em: <http://brasilescola.uol.com.br/matematica/plano-argand-gauss.htm>. Acesso em: 21 fev. 2018. Álgebra e geometria dos números complexos12 Cap_2_Variaveis_Complexas.indd 12 01/03/2018 16:51:39 https://pt.wikipedia/ http://matika.com.br/numeros-complexos/formulas-de-de-moivre https://www.youtube.com/watch?v=ilNv7lVXpAY https://pt.wikipedia/ http://brasilescola.uol.com.br/matematica/plano-argand-gauss.htm Encerra aqui o trecho do livro disponibilizado para esta Unidade de Aprendizagem. Na Biblioteca Virtual da Instituição, você encontra a obra na íntegra. Conteúdo: ÁLGEBRA LINEAR André Ricardo Rocha da Silva Introdução ao estudo das matrizes Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Definir matriz e seus elementos, classificação e relacioná-la com tabelas utilizadas no dia a dia. � Realizar as operações de adição, subtração, produto por escalar, trans- posição e multiplicação de matrizes. � Resolver problemas aplicados envolvendo operações com matrizes. Introdução As matrizes são ferramentas matemáticas muito úteis para organizar e processar informações. Por isso, elas estão frequentemente presentes em várias áreas da ciência. Neste capítulo, você aprenderá a construir e classificar uma matriz, bem como manipulá-la algebricamente por meio das operações de soma, subtração e multiplicação (entre um escalar e uma matriz e entre matrizes). A partir disso, você aplicará esse conhecimento na resolução de problemas cotidianos por meio de matrizes. Definição e classificação de matrizes Para que você desenvolva uma intuição inicial sobre matrizes, considere o seguinte exemplo hipotético: você e uma amiga são agentes autônomos e atuam em um escritório ofertando produtos financeiros a clientes que queiram investir na formação de poupança. Os produtos financeiros são: fundos de renda fixa (RF), fundos multimercado (M) e planos de previdência (P). Para o mês de janeiro, você e sua amiga elaboraram um quadro com o quantitativo (Quadro 1) que cada um ofertou desses produtos. RF M P Você 14 10 12 Amiga 20 8 16 Quadro 1. Quantidade de cada produto financeiro ofertado Os números apresentados nesse quadro podem ser representados como: O arranjo acima corresponde a uma matriz, e cada número desse arranjo é denominado de elemento da matriz. Cada linha representa o quanto de cada produto financeiro você e sua amiga ofertaram — por exemplo, na segunda linha, é visto que sua amiga ofertou 20 fundos de renda fixa, 8 fundos multi- mercado e 16 planos de previdência. Já cada coluna representa o quanto você e sua amiga ofertaram de cada tipo de produto financeiro — por exemplo, a primeira coluna mostra que você ofertou 14 fundos de renda fixa, e sua amiga ofertou 20 fundos desse mesmo tipo. Dessa forma, uma matriz é simplesmente um agrupamento retangular de números dispostos regularmente em linhas e colunas. O tamanho de uma matriz é definido pelo número de linhas e colunas que ela contém. Assim, uma matriz é dita ser do tipo m × n (leia-se m por n) quando ela tem m linhas e n colunas. No exemplo anterior, a matriz que representa o quantitativo de produtos financeiros ofertados por você e sua amiga no mês de janeiro é do tipo 2 × 3 (m = 2 e n = 3). Consequentemente, pode-se desenvolver uma classificação de diferentes tipos de matrizes baseada no tamanho delas. Introdução ao estudo das matrizes2 Matriz retangular É aquela na qual o número de linhas e colunas é diferente, isto é, m ≠ n. A matriz a seguir é retangular, pois é do tipo 2 × 3: Outro exemplo desse tipo de matriz seria o seguinte, que é uma matriz do tipo 3 × 2: Matriz quadrada É aquela que contém o mesmo número de linhas e colunas, isto é, m = n. Esse é o caso de uma matriz do tipo 2 × 2: Matriz coluna É um caso particular de matriz retangular, composta por uma única coluna. Por isso, é do tipo m × 1. O exemplo a seguir mostra uma matriz coluna do tipo 3 × 1. Uma matriz coluna pode representar as componentes de um vetor e, por isso, também é conhecida por vetor coluna. 3Introdução ao estudo das matrizes Matriz linha É outro caso particular de matriz retangular, pois é composta por uma única linha e, por isso, do tipo 1 × n. O exemplo a seguir mostra uma matriz linha do tipo 1 × 2. [3 5] Uma matriz linha também pode representar as componentes de um vetor e, por isso, é conhecida por vetor linha. Outra classificação importante de matrizes envolve os elementos da matriz. Considere a matriz A dada por: O elemento que aparece na intersecção da primeira linha, i = 1, com a segunda coluna, j = 2, é o número 0. Assim, ele pode ser representado de forma mais geral como a12 = 0. Dessa maneira, cada elemento da matriz é representado por uma “coordenada de localização” na matriz dada por aij, em que o índice i indica a linha, e o índice j indica a coluna em que se pode localizar um determinado elemento da matriz. Neste exemplo, os elementos da matriz são identificados como: a11 = 1, a12 = 0, a21 = 6 e a22 = 4. Ou seja: Para a matriz do tipo 2 × 3 dada por: Introdução ao estudo das matrizes4 os elementos da matriz são identificados como: a11 = –1, a12 = 4, a13 = 0, a21 = 1, a22 = –2 e a23 = 3. Matriz diagonal Os elementos da diagonal principal de uma matriz são aqueles em que i = j, ou seja, a11, a22, a33, etc. Uma matriz quadrada em que os elementos fora da diagonal principal são todos nulos, isto é aij = 0 para i ≠ j, é dita ser diagonal. No exemplo a seguir, a matriz B é diagonal,pois os elementos b21 e b12 são nulos. Matriz triangular Há dois tipos de matriz triangular: a superior, em que os elementos abaixo da diagonal principal são nulos, ou seja, e a inferior, em que os elementos acima da diagonal principal são nulos, ou seja, Matriz escalar É uma matriz diagonal em que todos os elementos são iguais. 5Introdução ao estudo das matrizes Matriz identidade É um caso particular da matriz escalar, pois todos seus elementos da diagonal principal são iguais à unidade, isto é, ajj = 1 para i = j. Uma notação convencional para a matriz identidade é rotulá-la por I. A matriz identidade do tipo 3 × 3 é: e a matriz identidade do tipo 2 × 2 é: Matriz transposta Dada uma matriz A: do tipo 2 × 3, a matriz transposta de A, denotada por AT, é obtida pela transposição entre a primeira linha e a primeira coluna, e entre a segunda linha e a segunda coluna, resultando em uma matriz do tipo 3 × 2: A matriz transposta de A = 1 0 6 4 é AT = 1 6 0 4 . A matriz transposta de 2 –2 1 3 0 7 –3 4 5 B = é 2 3 –3 –2 0 4 1 7 5 BT = . Introdução ao estudo das matrizes6 Matriz simétrica Uma matriz quadrada é simétrica quando AT = A, o que implica na seguinte relação entre os elementos da matriz fora da diagonal principal: aij = aji. Por exemplo, a matriz a seguir é simétrica, uma vez que a12 = a21 = 3. Em contrapartida, uma matriz quadrada é antissimétrica se AT = –A. Por exemplo, é antissimétrica, pois: Matriz nula É aquela matriz em que todos os elementos são nulos, isto é, aij = 0 para qualquer valor de i e j. Operações com matrizes Depois de conhecidos os diferentes tipos de matrizes, você aprenderá como efetuar algumas operações importantes com matrizes, tais como: adição, subtração, multiplicação por um escalar e, finalmente, multiplicação entre matrizes. Igualdade Duas matrizes são iguais quando elas têm o mesmo tamanho, e seus elementos são todos iguais. Se as matrizes quadradas A e B do tipo 2 × 2 são iguais, então aij = bij. 7Introdução ao estudo das matrizes Se a matriz quadrada B do tipo 2 × 2, dada por B = b11 b12 b21 b22 , for igual à matriz A = 1 0 6 4 , então é verdadeiro que: = b11 b12 b21 b22 1 0 6 4 implicando que b11 = 1, b12 = 0, b21 = 6 e b22 = 4. Se a matriz A = 1 2 0 1 for igual à matriz C = x y 0 1 , então: =1 2 0 1 x y 0 1 implicando que x = 1 e y = 2. Adição A operação de adição entre duas matrizes A e B de mesmo tamanho é realizada por meio da soma direta dos elementos de cada matriz, que estão localizados em uma mesma linha e uma mesma coluna, ou seja, aij + bij. Dadas duas matrizes quadradas do tipo 2 × 2, A = 1 2 3 4 e B = 2 5 3 3 , então o resultado da soma dessas duas matrizes, A + B, é: A + B = + =1 2 3 4 2 5 3 3 3 7 6 7 Observe que: � a11 + b11 = 1 + 2 = 3 � a12 + b12 = 2 + 5 = 7 � a21 + b21 = 3 + 3 = 6 � a22 + b22 = 4 + 3 = 7 Introdução ao estudo das matrizes8 A operação de adição tem duas propriedades importantes, descritas a seguir. Propriedade comutativa Dadas duas matrizes A e B, o resultado das somas A + B e B + A é igual. A + B = B + A Propriedade associativa Dadas três matrizes A, B e C, o resultado da soma (A + B) com C é igual ao da soma de A com B + C. (A + B) + C = A + (B + C) Subtração A operação de subtração entre duas matrizes A e B de mesmo tamanho é realizada por meio da subtração direta dos elementos de cada matriz, que estão localizados em uma mesma linha e uma mesma coluna, ou seja, aij – bij. Dadas duas matrizes quadradas do tipo 2 × 2, A = 4 8 3 5 e B = 2 5 3 3 , então o resultado da subtração de A por B, A – B é: A – B = – =4 8 3 5 2 5 3 3 2 3 0 2 Observe que: � a11 – b11 = 4 – 2 = 2 � a12 – b12 = 8 – 5 = 3 � a21 – b21 = 3 – 3 = 0 � a22 – b22 = 5 – 3 = 2 9Introdução ao estudo das matrizes A matriz resultante de operações de adição ou subtração terá sempre o mesmo tamanho das matrizes que foram usadas nessas operações. Multiplicação de uma matriz por um escalar Um escalar é simplesmente um número puro (que também pode ser visto como uma matriz 1 × 1). Então, a multiplicação de uma matriz A por um escalar c qualquer implica que cada elemento da matriz será multiplicado pelo escalar, c isto é, caij. Por exemplo, se c = 2, então: Observe que, nesse processo de multiplicação, a matriz resultante tem o mesmo tamanho da matriz original A. A operação de multiplicação de uma matriz por um escalar apresenta algumas propriedades, que são descritas a seguir. � Dadas duas matrizes A e B e um escalar c, o resultado da multiplicação do escalar pela soma das matrizes, c(A + B), é igual à soma das matrizes já multiplicadas individualmente pelo escalar, cA + cB. c(A + B) = cA + cB � Dada uma matriz A e dois escalares c e d, o resultado da soma dos escalares multiplicado pela matriz, (c + d)A, é igual à soma da matriz multiplicada individualmente por cada um dos escalares, cA + dA. (c + d)A = cA + dA � Dada uma matriz A e dois escalares c e d, o resultado da multiplicação de um escalar pela matriz já multiplicada pelo outro escalar, c(dA), é igual ao produto dos escalares multiplicado pela matriz, (cd)A. c(dA) = (cd)A Introdução ao estudo das matrizes10 Multiplicação entre matrizes A multiplicação entre matrizes exigirá de você um pouco mais de atenção. A única condição necessária para que se possa multiplicar duas matrizes, A e B, é que o número de colunas da matriz A seja igual ao número de linhas da matriz B. Assim, se a matriz A é do tipo m × n, e a matriz B é do tipo p × q, então o produto AB entre as matrizes somente ocorre se n = p. Além disso, o resultado final dessa multiplicação entre as matrizes A e B será uma nova matriz do tipo m × q, ou seja, com o mesmo número de linhas da matriz A, mas com o mesmo número de colunas da matriz B. Em particular, para o caso de duas matrizes quadradas de mesmo tamanho, a matriz resultante do produto entre elas será do mesmo tamanho que elas. A existência dessa relação entre o número de colunas de uma matriz com o número de linhas da outra decorre da necessidade de se envolver um mesmo número de elementos para multiplicação entre as matrizes. Considere o seguinte exemplo: uma matriz A do tipo 2 × 3, dada por: e uma matriz B do tipo 3 × 1, dada por: Como o número de colunas de A, que é 3, é igual ao número de linhas de B, que também é 3, essa multiplicação é possível. Observe também que a multiplicação de uma matriz do tipo 2 × 3 (A) por uma matriz do tipo 3 × 1 (B) resulta em uma matriz do tipo 2 × 1 (AB). Operacionalmente, a multiplicação ocorre da seguinte maneira: multiplica- -se a primeira linha da matriz A pela coluna da matriz B, elemento por elemento na ordem que estão dispostos — primeiro elemento da primeira linha de A, 1, com o primeiro elemento da coluna de B, 2, segundo elemento da primeira linha de A, 1, com o segundo elemento da coluna de B, 3, e assim por diante — somando-se os produtos individuais desses elementos, 1 ∙ 2 + 1 ∙ 3 + 2 ∙ 1 = 7, cujo resultado será o primeiro elemento da matriz coluna resultante do pro- duto entre A e B. Repete-se o mesmo procedimento para a segunda linha da matriz A, multiplicando-a com a primeira coluna da matriz B, cujo resultado, 2 ∙ 2 + 3 ∙ 3 + 3 ∙ 1 = 13, corresponderá ao segundo elemento da matriz coluna resultante do produto entre A e B. Veja: 11Introdução ao estudo das matrizes Agora, considere uma nova matriz A do tipo 1 × 2, dada por: [1 3] e uma nova matriz B do tipo 2 × 2, dada por: Nesse caso, o resultado da multiplicação da matriz A pela matriz B será uma matriz do tipo 1 × 2. Agora, para você calcular o produto AB, deve multiplicar a linha da matriz A pela primeira coluna da matriz B, 1 ∙ 2 + 3 ∙ 2 = 8, cujo resultado fornece o primeiro elemento da matriz linha resultante do produto entre A e B. O segundo elemento dessa matriz é obtido pela multiplicação da linha da matriz A com a segunda coluna da matriz B, 1 ∙ 3 + 3 ∙ 1 = 6. Veja: O último tipode multiplicação de matrizes relevante é a multiplicação entre duas matrizes quadradas. Considere duas matrizes do tipo 2 × 2, dadas por: A matriz resultante do produto AB também será uma matriz quadrada do tipo 2 × 2 e é operacionalmente obtida como: Logo: Introdução ao estudo das matrizes12 1. A multiplicação de uma matriz quadrada A pela matriz identidade I de mesmo tamanho é igual à própria matriz A. Se A = 3 2 –1 5 , então o produto AI fica sendo: AI = = 3 2 –1 5 3 2 –1 5 1 0 0 1 2. Considere duas matrizes quadradas do tipo 3 × 3, A = e B = . 2 1 3 1 0 1 4 2 3 –1 3 0 0 5 1 –2 2 2Então, o resultado produto entre elas, AB, é: AB = 2 · (–1) + 1 · 0 + 3 · (–2) 2 · 3 + 1 · 5 + 3 · 2 2 · 0 + 1 · 1 + 3 · 2 1 · (–1) + 0 · 0 + 1 · (–2) 1 · 3 + 0 · 5 + 1 · 2 1 · 0 + 0 · 1 + 1 · 2 4 · (–1) + 2 · 0 + 3 · (–2) 4 · 3 + 2 · 5 + 3 · 2 4 · 0 + 2 · 1 + 3 · 2 AB = –8 17 7 –3 5 2 –10 28 8 3. Se uma matriz A = 3 2 –1 5 multiplica uma matriz B = 2 0 1 0 que contém uma coluna (ou uma linha) inteira com elementos nulos, então o resultado será igual a uma matriz que também contém uma coluna (ou uma linha) inteira com elementos nulos: AB = = 3 2 –1 5 8 0 3 0 2 0 1 0 A operação de multiplicação entre matrizes apresenta algumas proprieda- des importantes. Considere três matrizes A, B e C, cujos tamanhos permitem realizar as operações de soma e multiplicação para cada situação de interesse. Propriedade associativa O resultado da multiplicação da matriz A pelo produto das matrizes B e C é igual ao produto das matrizes A e B multiplicado pela matriz C: A(BC) = (AB)C 13Introdução ao estudo das matrizes Propriedade distributiva À direita: o resultado da multiplicação da soma das matrizes A e B pela matriz C é igual à soma dos produtos das matrizes A com C e B com C: (A + B)C = AC + BC À esquerda: o resultado da multiplicação da matriz A pela soma das matrizes B e C é igual à soma dos produtos das matrizes A com B e A com C: A(B + C) = AB + AC Contudo, vale a pena observar que, em geral, o produto entre duas matrizes não é comutativo, isto é, AB ≠ BA (note que o produto entre dois escalares é sempre comutativo, ou seja, 2 ∙ 3 = 3 ∙ 2 = 6). Para que você entenda isso, considere duas matrizes quadradas do tipo 2 × 2: e O produto AB é dado por: O produto BA é dado por: Logo, quando você compara elemento por elemento em cada uma das matrizes resultantes de AB e BA (por exemplo, (AB)11 = a11 ∙ b11 + a12 ∙ b21 ≠ a11 ∙ b11 + a21 ∙ b12 = (BA)11), você percebe que eles são todos diferentes. No entanto, a partir desse tratamento geral para o produto de duas matri- zes, é possível extrair algumas condições particulares que possibilitam gerar AB = BA. Uma primeira condição surge quando uma das matrizes é a matriz identidade. Por exemplo, se B = I, então o produto entre A e I será comutativo: Introdução ao estudo das matrizes14 (Faça b11 = b22 = 1 e b12 = b21 = 0 nos resultados acima de AB e BA.) A segunda condição particular é aquela em que as duas matrizes são diagonais, ou seja, . Nesse caso, o produto entre as duas matrizes é comutativo, pois: (Faça a12 = a21 = 0 e b12 = b21 = 0 nos resultados acima de AB e BA.) Equação matricial Uma equação matricial é uma relação de igualdade entre duas ou mais matrizes, assim como ocorre com os escalares — por exemplo, 2x – 4 = 0. Algumas equações matriciais típicas são: A + B = C; A – 2B = 3C; AX = B; A² = X; e assim por diante. 1. Dadas as matrizes A = 3 2 –1 5 , B = x y z t e C = 0 –1 1 2 , é possível encontrar os valores dos elementos da matriz B que satisfaçam a equação matricial 2A + B = C. Veja: =+ 0 –1 1 2 x y z t 2A + B = C � 2 3 2 –1 5 =+ 0 –1 1 2 x y z t 6 4 –2 10 = 0 –1 1 2 6 + x –2 + z 4 + y 10 + t Agora, como os elementos da matriz do lado esquerdo devem ser iguais aos da matriz do lado direito, você tem simplesmente quatro equações escalares para as variáveis x, y, z e t: 6 + x = 0, então x = –6; 4 + y = –1, então y = –5; –2 + z = 1, então z = 3; e 10 + t = 2, então t = –8. 15Introdução ao estudo das matrizes 2. Dadas as matrizes A = a11 a12 a21 a22 , X = x y e B = b1 b2 , a equação matricial AX = B resulta em um sistema de duas equações lineares para as variáveis x e y. Veja: AX = B → a11 a12 a21 a22 x y = b1 b2 a11x + a12y a21x + a22y = b1 b2 Ou seja: a11x + a12y a21x + a22y = b1 b2{ Um exemplo típico desse tipo de sistema é o seguinte: 3x – y = 2 x + 4y = 1{ onde, nesse caso, você pode identificar a matriz A como sendo 3 –1 1 4 , e a matriz B como sendo 2 1 . Aplicações com matrizes Reconsidere o exemplo discutido no início deste capítulo, em que você e sua amiga são agentes autônomos. A matriz que representa o quantitativo de produtos financeiros ofertados por você e sua amiga no mês de janeiro é: Para o mês de fevereiro, o quantitativo de produtos financeiros ofertados por você e sua amiga é: Introdução ao estudo das matrizes16 Portanto, a quantidade de diferentes produtos financeiros que vocês ofer- taram nesses dois meses é: Logo, você ofertou 24 fundos de renda fixa e fundos multimercado, en- quanto sua amiga ofertou 30 fundos de renda fixa e 22 fundos multimercados. Agora, considere que vocês recebem uma comissão para cada produto financeiro ofertado. Para fundos de renda fixa, a comissão é de R$ 100,00 por produto ofertado. Já para os fundos multimercados e os planos de previdência, as comissões são, respectivamente, de R$ 120,00 e R$ 150,00 por produto ofertado. Para saber o valor total que cada um de vocês receberá de comissão ao final desses dois meses, basta primeiro criar uma matriz do tipo 3 × 1, em que cada elemento será o valor da comissão para cada produto. Assim: Depois, você pode multiplicar o resultado da soma das matrizes A e B, ou seja, A + B, com a matriz C: Portanto, nesses dois meses, você receberá um total de R$ 9.330,00 de comissão, e sua amiga receberá um total R$ 9.840,00. 17Introdução ao estudo das matrizes Como exemplo adicional de multiplicação de matrizes, considere uma matriz A do tipo 2 × 2 dada por: A = a11 a12 a21 a22 e a matriz identidade I, também do tipo 2 × 2: 1 0 0 1 I = Então, o resultado do produto AI será: AI = a11 a12 a21 a22 a11 a12 a21 a22 1 0 0 1 = Ou seja, AI = A. Esse resultado é válido para qualquer tipo de matriz quadrada A, do tipo m × m, desde que a matriz identidade também tenha o mesmo tamanho. Verifique também que IA = A. ANTON, H.; BUSBY, R. C. Álgebra linear contemporânea. Porto Alegre: Bookman, 2006. ANTON, H.; RORRES, C. Álgebra linear com aplicações. 8. ed. Porto Alegre: Bookman, 2003. CRISPINO, M. L. 320 questões resolvidas de álgebra linear. Rio de Janeiro: Ciência Mo- derna, 2012. Introdução ao estudo das matrizes18 ÁLGEBRA LINEAR André Ricardo Rocha da Silva Inversão de matrizes Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Calcular a inversa de uma matriz utilizando operações elementares com suas linhas. � Utilizar o produto de matrizes para escrever um sistema de equações lineares em forma de uma única equação matricial. � Resolver um sistema linear com o uso da matriz inversa. Introdução Os sistemas de equações lineares são conjuntos de equações lineares que envolvem várias incógnitas simultaneamente e que podem ser represen- tados por uma equação matricial. Essa representação matricial permite obterá obtenção da solução de um sistema linear de equações por meio do cálculo da matriz inversa dos coeficientes do sistema. Neste capítulo, você aprenderá a calcular a matriz inversa e a escrever um sistema de equações lineares como uma equação matricial e, a partir daí, a resolver esse sistema de equações lineares usando o método da matriz inversa. Inversa de uma matriz Uma operação simples na álgebra de escalares é a divisão de um número por ele mesmo, cujo resultado é igual à unidade. Assim, se N é um númeroqualquer e , então: Por exemplo, para N = 3: Aqui, o número N–1 representa o inverso do número N, de modo que qualquer número multiplicado por seu inverso será igual à unidade. Esse conceito também pode ser estendido para as matrizes com a devida adaptação. Com efeito, se A for uma matriz quadrada, e B for outra matriz quadrada de mesmo tamanho, então, a verificação de uma relação do tipo: AB = BA = I onde I é a matriz identidade, implica necessariamente que B é a matriz inversa de A. Desse modo, você pode fazer a seguinte identificação: B = A–1. Logo: AA–1 = A–1A = I No entanto, vale a pena fazer a seguinte ressalva: diferentemente dos escalares, não existe a relação para matrizes, ou seja, não é possível dividir algo (um escalar ou mesmo uma matriz) por uma matriz. Para exemplificar como o conceito de matriz inversa pode ser visto, con- sidere a matriz A dada por: cuja matriz inversa é a B: pois: Inversão de matrizes2 Para o caso de uma matriz quadrada do tipo 2 × 2, é possível desenvolver uma solução geral para se determinar sua inversa. Sejam a, b, c e d os ele- mentos de uma matriz A: e sejam x, y, z e t os elementos da matriz inversa de A: que são, em princípio, desconhecidos. A fim de se determinar os elementos dessa matriz inversa, a partir do conhecimento dos elementos de A, é necessário que a seguinte relação seja verificada: A relação anterior conduz a um conjunto de quatro equações a quatro variáveis, x, y, z e t, pois os elementos a, b, c e d são supostamente conhecidos a partir de uma dada matriz A. Logo: ax + cy = 1 bx + dy = 0 az + ct = 0 bz + dt = 1 A partir das duas primeiras equações, determina-se x e y (por exemplo, basta isolar a variável x na primeira equação, e substituir na segunda, , obtendo-se a variável y, que, depois, pode ser substituída na primeira equação, a fim de se obter x). Desse modo: A partir das duas últimas equações, determinam-se z e t (por exemplo, basta isolar a variável z na terceira equação, z = (–ct)/a, e substituir na quarta, (–bct/a) + dt = 1, obtendo-se a variável t, que, depois, pode ser substituída na terceira equação, a fim de se obter z). Desse modo: 3Inversão de matrizes Como o fator é comum a todos os elementos da matriz inversa, você pode fatorá-lo na montagem da matriz inversa, de maneira que: No exemplo inicial proposto, os elementos da matriz A eram a = 3, b = 5, c = 1 e d = 2, e, portanto, pelo resultado anterior, a matriz inversa ficaria: que é exatamente a matriz B, inicialmente considerada como sendo a matriz inversa de A. Uma consequência direta desse resultado para uma matriz do tipo 2 × 2 é que a matriz inversa existe somente se o denominador (ad – bc) for diferente de 0. Observe que a quantidade (ad – bc) nada mais é que o determinante da matriz A. Caso contrário, se (ad – bc) = 0, a matriz inversa não existe, pois todos os elementos da matriz inversa estariam divididos por 0. Nesse sentido, diz-se que a matriz é invertível. Se uma matriz A admite a existência de uma matriz inversa A–1, então, A–1 é única, não havendo outra matriz inversa para A. Existem algumas propriedades envolvendo as matrizes inversas que valem a pena ser conhecidas. Propriedade 1 Se uma matriz A contém uma inversa A–1, então, a inversa da matriz inversa é a própria matriz A: (A–1)–1 = A Inversão de matrizes4 No exemplo apresentado, você viu que: Então, calculando a inversa dessa matriz A–1: que é exatamente a matriz A. Propriedade 2 Considere duas matrizes A e B, ambas invertíveis, então, a inversa do produto entre elas, AB, será igual ao produto das inversas de B e A, B–1A–1: (AB)–1 = B–1A–1 Por exemplo, para as matrizes: as respectivas matrizes inversas são: Já o produto entre as matrizes A e B é: Então, a matriz inversa desse produto é: 5Inversão de matrizes Mas o produto da matriz inversa de B, B–1, com a matriz inversa de A, A–1, também resulta em: Logo, nesse exemplo, verifica-se a validade da expressão (AB)–1 = B–1A–1. Propriedade 3 Se A é uma matriz quadrada, então, o produto de n vezes ela mesma, , será igual a An. Além disso, se a matriz inversa de A existe, então, a matriz An também contém uma inversa, que é dada por: (An)–1 = (A–1)n Por exemplo, para n = 2 e a matriz: cuja inversa é: você tem que o quadrado de A é: e a inversa dessa matriz é dada por: No entanto, o quadrado da matriz A–1 é: que é exatamente igual a (A2)–1. Logo, verifica-se explicitamente que (A2)–1 = (A–1)2. Inversão de matrizes6 Matriz ortogonal Uma matriz A é dita ortogonal se sua matriz transposta é igual à sua matriz inversa: AT = A–1 Assim como A–1A = AA–1 = I, para uma matriz ortogonal, vale também: ATA = AAT = I Um bom exemplo de matriz ortogonal surge na física, envolvendo a rotação de corpos rígidos ou sistemas de referência no plano. Nesse caso, a matriz de rotação é dada por: A matriz transposta de R (obtida trocando a primeira linha pela primeira coluna, e a segunda linha pela segunda coluna) é: Então, efetuando o produto entre R e RT, você tem: em que se empregou a identidade trigonométrica sen2θ + cos2θ = 1. Similarmente: Embora o resultado obtido para encontrar a matriz inversa de uma matriz do tipo 2 × 2: 7Inversão de matrizes seja muito útil e relativamente fácil de ser construído, desenvolver o mesmo procedimento que conduziu a esse resultado para obter a matriz inversa de matrizes de tamanhos maiores pode ser algo extremamente trabalhoso. Outro método que você pode utilizar para encontrar a matriz inversa de matrizes de qualquer tamanho envolve apenas operações elementares sobre linhas. A ideia básica é perfilar, lado a lado, uma matriz A que se quer determinar a inversa, e a matriz identidade I, ambas de mesmo tamanho, da seguinte maneira: [A|I] Se você multiplicar essa relação por A–1 pela esquerda, você tem: Observe atentamente que essa operação fez com que, no lado esquerdo, aparecesse a matriz identidade, mas, principalmente, do lado direito, surge a matriz inversa de A. Portanto, se você executar operações elementares entre linhas, tal como multiplicar uma linha por uma constante ou somar uma linha com outra linha, de modo a transformar a matriz A do lado esquerdo em uma matriz identidade, então, a matriz resultante que aparece no lado direito após esse processo é essencialmente a matriz inversa de A: [I|A–1] Como um primeiro exemplo sobre esse método, considere novamente a matriz A dada no exemplo inicial deste capítulo: Fazendo o perfilamento entre A e I, você tem: Agora, você deve efetuar algumas operações elementares sobre essa "matriz 2 × 4", a fim de transformar o bloco 2 × 2 do lado esquerdo em uma matriz identidade. Inversão de matrizes8 Para isso, multiplique toda a segunda linha por –3: –3 ∙ [1 2|0 1] = [–3 –6|0 –3] E a nova segunda linha fica: Então, some os elementos da primeira linha com os da segunda, um a um, mantendo a mesma ordem: [3 5|1 0] + [–3 –6|0 –3] = [0 –1|1 –3] Esses resultados vão compor a nova segunda linha: Multiplique a segunda linha por –1: –1 ∙ [0 –1|1 –3] = [0 1|–1 3] E a nova segunda linha fica: Note que a segunda linha do lado esquerdo já tem a aparência da segunda linha de uma matriz identidade. Agora, multiplique a segunda linha por –5 e, depois, some com a primeira linha: –5 ∙ [0 1|–1 3] + [3 5|1 0] = [3 0|6 –15] E a nova primeira linha fica: Por fim, divida toda a primeira linha por: 9Inversão de matrizes E a nova primeira linha fica: Observe que, do lado esquerdo, apareceu a matriz identidade. Portanto, do lado direito dessa relação, você tem exatamente a matriz inversa de A: Esse resultado para a matriz inversa de certamente já era esperado, pois ele já foi obtido de outra maneira no início desta seção. No entanto, exatamente por já ser um resultado conhecido, você pode desenvolver a aplicação desse método de obtenção da matriz inversa com mais segurança. A partir deste ponto, você já tem condições de empregar o método de inversãode matrizes para matrizes maiores que uma do tipo 2 × 2. Essa é a grande vantagem desse método. Então, para um segundo exemplo de uso do método, considere a seguinte matriz quadrada do tipo 3 × 3: Para você encontrar C–1, é necessário perfilar a matriz C com a matriz identidade de mesmo tamanho: Multiplique a primeira linha por –1 e some com a última linha: –1 ∙ [1 2 3|1 0 0] + [1 0 8|0 0 1] = [0 –2 5|–1 0 1] E a nova terceira linha fica: Inversão de matrizes10 Agora, multiplique a primeira linha por –2 e some com a segunda linha: –2 ∙ [1 2 3|1 0 0] + [2 5 3|0 1 0] = [0 1 –3|–2 1 0] E a nova segunda linha fica: Multiplique a segunda linha por 2 e some com a terceira linha: 2 ∙ [0 1 –3|–2 1 0] + [0 –2 5|–1 0 1] = [0 0 –1|–5 2 1] E a nova terceira linha fica: Multiplique a última linha por –1: –1 ∙ [0 0 –1|–5 2 1] = [0 0 1|5 –2 –1] E a nova terceira linha fica: Aqui, você já conseguiu obter a última linha de uma matriz identidade do tipo 3 × 3 do lado esquerdo. Agora, o próximo passo é transformar a segunda linha do lado esquerdo na segunda linha de uma matriz identidade. Então, multiplique a terceira linha por 3 e some com a segunda linha: 3 ∙ [0 0 1|5 –2 –1] + [0 1 –3|–2 1 0] = [0 1 0|13 –5 –3] 11Inversão de matrizes E a nova segunda linha fica: que, no lado esquerdo, já corresponde à segunda linha da matriz identidade do tipo 3 × 3. Agora, resta transformar apenas a primeira linha. Para isso, multiplique a última linha por –3 e some com a primeira linha: –3 ∙ [0 0 1|5 –2 –1] + [1 2 3|1 0 0] = [1 2 0|–14 6 3] E a nova primeira linha fica: Por fim, multiplique a segunda linha por –2 e some com a primeira linha: –2 ∙ [0 1 0|13 –5 –3] + [1 2 0|–14 6 3] = [1 0 0|–40 16 9] E a nova primeira linha fica: Observe que, finalmente, a matriz que aparece do lado esquerdo é a matriz identidade do tipo 3 × 3. Portanto, a matriz inversa de C é dada por: Em princípio, você pode obter a matriz inversa, desde que ela exista de uma dada matriz quadrada de qualquer tamanho, por meio desse método. Inversão de matrizes12 Sistemas lineares com uma equação matricial Todo sistema de equações lineares contém naturalmente uma estrutura matri- cial. Para que você perceba isso, considere um sistema do tipo 2 × 2 qualquer: A estrutura do lado esquerdo dessas duas equações lineares é tipicamente igual àquela que envolveria o produto entre duas matrizes: uma matriz qua- drada do tipo 2 × 2 para os coeficientes aij, em que i, j = 1, 2; e outra matriz coluna do tipo 2 × 1 para as variáveis xj, em que j = 1, 2. Dessa forma, você pode escrever: Similarmente, as constantes bi, em que i = 1, 2, que aparecem do lado direito das equações lineares anteriores, também podem ser postas em um formato matricial — mais especificamente, como uma matriz coluna do tipo 2 × 1: Com efeito, o sistema de equações lineares pode ser substituído por uma representação em forma de equação matricial do tipo: AX = B em que a matriz A: é denominada de matriz dos coeficientes, a matriz X: é a matriz das variáveis, e a matriz B: é a matriz das constantes. 13Inversão de matrizes Uma vez estabelecida a relação entre sistemas de equações lineares e ma- triciais, você pode encontrar a solução de tais sistemas por meio das matrizes. Veja como isso é possível: se a matriz dos coeficientes A é quadrada e admite a existência de uma inversa, A–1, então, você pode determinar a matriz das variáveis por multiplicar a equação matricial do sistema por A–1 pela esquerda: em que I é a matriz identidade. Portanto, a solução do sistema será dada pela matriz das variáveis X , calculada por meio da relação: X = A–1B Assim, torna-se necessário saber calcular a matriz inversa associada à matriz dos coeficientes, a fim de se obter a solução do sistema. Um sistema de equações lineares contém uma única solução quando a matriz dos coeficientes do sistema for invertível. Sistemas lineares com matriz inversa Para que você coloque em prática os resultados da seção anterior e, portanto, consiga resolver um sistema de equações lineares por meio da matriz inversa dos coeficientes, considere o seguinte sistema do tipo 2 × 2: Nesse caso, é fácil reconhecer a matriz dos coeficientes: Inversão de matrizes14 enquanto que a matriz das variáveis é: e a matriz das constantes é: A fim de se determinar X por meio da equação matricial X = A–1B, é necessário calcular a matriz inversa de A. Então, perfilando a matriz A e a matriz identidade do tipo 2 × 2, você obtém: Primeiro, multiplique a primeira linha por 3 e some com a segunda linha: 3 ∙ [–1 1|1 0] + [3 2|0 1] = [0 5|3 1] E a nova segunda linha fica: Divida a segunda linha por 5: E a nova segunda linha fica: Agora, multiplique a segunda linha por –1 e some com a primeira linha: –1 ∙ [0 1|3/5 1/5] + [–1 1|1 0] = [–1 0|2/5 –1/5] E a nova primeira linha fica: 15Inversão de matrizes Multiplique a primeira linha por –1: –1 ∙ [–1 0|2/5 –1/5] = [1 0|–2/5 1/5] E a nova primeira linha fica: Observe que você já tem, do lado esquerdo, uma matriz identidade do tipo 2 × 2. Logo, a matriz inversa de A é dada por: Por fim, para você determinar a matriz X, basta calcular o produto matricial A–1B: Logo, a solução desse sistema é dada por: em que x = –1 e y = 5. ANTON, H.; BUSBY, R. C. Álgebra linear contemporânea. Porto Alegre: Bookman, 2006. 612 p. ANTON, H.; RORRES, C. Álgebra linear com aplicações. 8. ed. Porto Alegre: Bookman, 2012. 786 p. Leitura recomendada CRISPINO, M. L. 320 questões resolvidas de álgebra linear. Rio de Janeiro: Ciência Moderna, 2012. 352 p. Inversão de matrizes16 ÁLGEBRA LINEAR Silvano Antonio Alves Pereira Junior Geometria vetorial e transformações lineares Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Definir transformações matriciais. � Identificar a transformações lineares como casos particulares de trans- formações matriciais. � Relacionar as transformações lineares com inversão de matrizes. Introdução Neste capítulo, exploraremos um pouco mais o assunto sobre matrizes. Você verá algumas aplicações práticas de matrizes, como no estudo da geometria das transformações lineares. Nesta etapa, estaremos seguindo uma linha semelhante à apresentada em Nicholson (2006). Seguiremos estabelecendo as relações entre transformações lineares e matrizes. Finalmente, você será apresentado à conexão entre transformações lineares e inversão de matrizes. Transformações matriciais Para caminhar na direção do primeiro objetivo, trabalharemos com o plano (R2) euclidiano. E para tal fim, não realizaremos distinção entre um ponto e o vetor associado ao transporte da origem até esse ponto, conforme Figura 1, a seguir. Figura 1. O ponto do plano e o vetor associado a ele. 6 4 2 –6 –4 –2 0 2 4 6 v (x,y) Como pode ser visto na figura, não há distinção entre o ponto P(x,y) e o vetor a ele associado . Nesse contexto, uma transformação matricial pode ser definida como o resultado do produto de uma matriz 2x2 pelos vetores do plano. Isto é, uma transformação matricial relaciona um vetor do plano à sua imagem pelo produto com uma determinada matriz. Dessa forma, serão válidas todas as propriedades do produto de matrizes. Para entender como matrizes se relacionam com transformações geomé- tricas do plano euclidiano, apresentaremos alguns exemplos. Considere a matriz R = 1 0 0 –1 . Seja v → = x y um vetor qualquer do plano euclidiano, qual é a imagem do vetor v→ pela transformação R? Tem-se: Rv→ = = = 1 0 0 –1 x y 1 × x + 0 × y 0 × x – 1 × y x –y Em palavras, a transformação R reflete o vetor v→ = x y em torno do eixo coordenado x, conforme Figura 2. Geometria vetorial e transformações lineares2 v u –2 –2–1 –1 1 2 30 2 1 (x,y) (x,–y) Figura 2. Reflexão de vetor em torno do eixo x. Uma observação interessante sobre essa transformação é que ela é sua própria inversa. Isto é, ao aplicarmos a reflexão R duas vezes seguidas, voltamos ao vetor original. Tem-se: RR = 1 0 0 –1 1 0 0 1 1 0 0 –1 = Esse é um primeiro exemplo de como algumas matrizes se relacionam com transformações geométricas. Ali, uma transformação geométrica foi induzida por uma matriz. No próximo exemplo, partiremos de uma transformação geométrica e veremos a matriz que induz a mesma transformação. Considere a transformação geométrica que rotaciona vetores em torno da origem (Figura 3) e que leva, por exemplo, o vetor v → = 1 0 no vetor u → = –1 0 . Essa transformação pode ser induzida pela seguinte matriz: 3Geometria vetorial e transformações lineares –7 –6 –5 –4 –3 –2 –1 1 2 3 4 4 3 2 1 –1 –2 –3 –4 5 6 7 (–x,–y) (x,y) v u α = C30º 0 Figura 3. Transformação geométrica rotacionando vetores 180º em torno da origem o x. De maneira geral, algumas transformações geométricas no plano R2 podem ser induzidas, ou representadas, por transformações matriciais. Se T é uma transformação geométrica do plano, então, caso exista uma matriz A que induza tal transformação, ela deve satisfazer: para todo v→ no plano R2. A igualdade acima deve ser válida para v→ no plano R2. Perceba, por exemplo, que a rotação de 180º apresentada no exemplo anterior é igual à transformação de reflexão em torno do eixo y para os vetores v→ = 1 0 e u→ = –1 0 , mas não para os demais do plano. Com efeito, a matriz que induz a transformação de reflexão em torno do eixo y apresenta a seguinte forma: Ref = –1 0 0 1 Geometria vetorial e transformações lineares4 Ainda sobre matrizes de rotação no plano, é importante destacar que elas apresentam uma forma geral. Dada uma transformação geométrica no plano de rotação em torno da origem por um ângulo de θº, a matriz que induz essa transformação é dada por: Vamos determinar a matriz que induz a rotação de 45º em torno da origem no plano euclidiano. Pela forma geral apresentada anteriormente, tem-se: Rθ = cos 45º –sen 45º sen 45º cos 45º Lembrando-se de que cos 45º = sin 45º = √2 2 , obtemos: √2 2 √2 2 √2 2 √2 2 – Rθ = A seguir, você verá um importante resultado apresentado em Nicholson (2006), que nos permite determinar as matrizes que induzem reflexões e projeções para uma reta que passa pela origem do plano R2. Teorema: considere a reta y = mx que passa pela origem e tem inclinação m. Então, a projeção Pm sobre a reta e a reflexão Qm em torno da reta são ambas as transformações matriciais no plano euclidiano. Mais precisamente: Você poderá encontrar a demonstração desse teorema em Nicholson (2006). Veja, a seguir, um exemplo de como podemos utilizar esse resultado. 5Geometria vetorial e transformações lineares Considere a reta de equação y = 2x. Vamos determinar a reflexão do vetor v→ = 1 –3 em torno dessa reta. Primeiramente, utilizaremos o teorema anteriormente apresentado para encontra a matriz Q que induz tal transformação. Como o coeficiente angular da reta é m = 2, temos: Q = ×1 1 + 22 1 – 22 2 × 2 2 × 2 22–1 Q = ×1 5 –3 4 4 3 Q = –3 5 4 5 4 5 3 5 Agora, vamos calcular o resultado da ação da matriz Q sobre o vetor v→ = 1 –3 . Obtemos: Q = = = –3 5 4 5 4 5 3 5 –3 5 4 5 4 5 3 5 1 –3 –3 –1 × 1 + × 1 + × (–3) × (–3) Veja, na Figura 4, a representação dessa transformação. 4 2 –2 0–2 2 4 6 –4 –4–6 y = 2x E Qv v A D Figura 4. Reflexão do vetor v → = 1 –3 em torno da reta y = 2x. Cabe destacar que nem toda matriz de ordem 2x2 representa uma transformação geométrica do plano. Geometria vetorial e transformações lineares6 Transformações lineares Na seção anterior, você aprendeu sobre algumas transformações geométricas do plano euclidiano e como elas podem ser representadas por matrizes que induzem tais transformações — que eram casos particulares de um conceito mais abrangente que ocupa um papel central no estudo da álgebra linear: as transformações lineares. Inicialmente, vamos apresentar a definição de transformação linear, que pode ser encontrada em Nicholson (2006) e Anton e Busby (2006). Definição: seja T: R2 → R2 uma aplicação que a cada vetor v→ do plano associa um vetor T v→ também em R2 Diremos que T é uma transformação linear se ela satisfizer as seguintes condições. 1. para todo α ∈ R e todo v→ ∈ R2. 2. para todo v→, u→ ∈ R2. Observe o caso das transformações matriciais estudadas na seção anterior. Se T: R2 → R2 for uma transformação matricial, existe uma matriz A, tal que: para todo v→ no plano R2. Então, podemos verificar que T é, de fato, uma transformação linear. Com efeito, dados α ∈ R e v→, u→ ∈ R2, temos: Segue das propriedades do produto de matrizes que: Temos, ainda, que: Novamente, segue das propriedades do produto de matrizes que: 7Geometria vetorial e transformações lineares Portanto, toda transformação matricial no plano euclidiano é também uma transformação linear. De fato, a relação entre transformações lineares e matrizes é ainda mais forte. Temos o seguinte resultado. Fato: toda transformação linear em R2 tem um representação matricial. Veja, a seguir, como encontrar a representação matricial de uma transfor- mação linear em R2. Considere a seguinte transformação em R2, T(x,y) = (2x, –y). Primeiramente, vamos verificar se T é, de fato, uma transformação linear. Dados α ∈ R e v→, u→ ∈ R2, com v→ = xy e u→ = r s , tem-se: T(αv→) = T(αx, αy) = 2(αx, –αy) = α(2x, –y) Temos, ainda: T(v→ + u→) = T(x + r, y + s) = (2(x + r), –(y + s)) = (2x + 2r, –y –s) = (2x, –y) + (2r, –s) Portanto: T(v→ + u→) = T(v→) + T(u→) Assim, concluímos que T é uma transformação linear. Agora, vamos determinar a forma matricial dessa transformação. Para tal tarefa, precisaremos utilizar o fato de que a forma matricial de uma transformação linear T em R2 é dada por: MT = [T(e1)|E(e2)] Isto é, MT é uma matriz cujas colunas é a imagem dos vetores canônicos de R 2, e1 = 1 0 e e2 = 0 1 , pela transformação T. Neste exemplo, temos: T(e1) = (2 × 1, –0) = (2, 0) e T(e2) = (2 × 0, –1) = (0, –1) Dessa maneira: MT = 2 0 0 –1 Geometria vetorial e transformações lineares8 Existem algumas transformações lineares que merecem destaque. A trans- formação identidade, por exemplo, é aquela que associa a cada vetor v→ em R2 a ele mesmo. Isto é: I2×2(v →) = v→ para todo v→ ∈ R2 Outra transformação linear que apresenta um papel distinto é a transforma- ção nula, isto é, aquela que associa todos os vetores do plano ao vetor nulo 0 → . Verifiquemos que I2×2 é, de fato, linear. Dados α ∈ R e v →, u→ ∈ R2 com e , tem-se: Temos, ainda: I2×2(v → + u→) = I2×2(x + r, y + s) = ((x + r) + (y + s)) = (x + r, y + s) = I2×2(x,y) + I2×2(r,s) Portanto: Concluindo que I2×2 é, de fato, uma transformação linear. Conta semelhante pode ser realizada para a transformação nula. Veja mais um exemplo que relaciona transformações lineares com suas representações matriciais. Seja T uma transformação linear, tal que T(2, 1) = (4, 1) e que T(1, 1) = (2, 1). Qual é a forma matricial da transformação T? Observe que, neste caso, não temos em mãos a expressão da transformação linear para que possamos calcular T(e1) e T(e2). Entretanto, podemos proceder da seguinte maneira: v→ = e2 1 u→ = 1 1 9Geometria vetorial e transformações lineares Segue das propriedades aritméticas das matrizes e dos vetores que podemos escrever: e1 = v → – u→ e e2 = 2u → – v→ Usando a linearidade de T, obtemos: T(e1) = T(v → – u→) = T(v→) – T(u→) = (4,1) – (2,1) = (2,0) De forma análoga: T(e2) = T(2u → – v→) = T(2u→) – T(v→) = 2T(u→) – T(v→) = 2(2,1) – (4,1) = (4,2) – (4,1) = (0,1) Finalmente, utilizamos o fato apresentado no exemplo anterior para concluirmos que: MT = 2 0 0 1 Ainda sobre a forma matricial de transformações lineares, existe uma relaçãode muita importância entre a composição de transformações lineares e suas formas matriciais. Sejam T e S duas transformações lineares no plano euclidiano com suas respectivas formas matriciais dadas por MT e MS. A composição TºS das transformações lineares tem, como representação matricial, a matriz dada por MTMS. Lembramos aqui que TºS, a composição das transformações, é dada por: Isto é, primeiramente, aplicamos S e, em seguida, T ao resultado S(v→). Veja um exemplo de como podemos utilizar essa informação. Geometria vetorial e transformações lineares10 Considere as seguintes transformações lineares. T é a transformação de reflexão em trono do eixo y, e S é a transformação que realiza uma rotação de 30º em torno da origem. Qual é a representação matricial da composição TºS? O plano é utilizar o resultado apresentado anteriormente, que relaciona composição e representação matricial de transformações lineares. Portanto, começamos determi- nando a representação matricial de cada uma das operações. Para a transformação T, vimos, na seção anterior, que a representação matricial para a reflexão em torno do eixo y é dada por: MT = –1 0 0 1 Para o caso da transformação S, vimos que a forma matricial de uma transformação geométrica de rotação de θº em torno da origem é dada por: Rθ° = cos θº –sen θº sen θº cos θº Nesse caso, temos 30º. Obtemos, portanto: R30 = = cos 30º –sen 30º sen 30º cos 30º √3 2 1 2 1 2 √3 2 – Finalmente, para obtermos a representação matricial de TºS, calcularemos o produto MTMS. Temos: √3 2 1 2 1 2 √3 2 – √3 2 1 2 1 2 √3 2 – MTMS = = –1 0 0 1 Perceba que, se quiséssemos obter apenas a imagem de um único vetor pela composição, poderíamos tê-lo feito da forma direta. 11Geometria vetorial e transformações lineares É comum o erro de inverter a ordem do produto das matrizes. Fique atento ao realizar esses cálculos e lembre-se de que o produto das matrizes segue a mesma ordem da composição das transformações. Transformações lineares e inversão de matrizes Nesta seção, veremos como utilizar a relação entre transformações lineares e suas representações matriciais para obter informações de grande utilidade no processo de inversão de matrizes. Aqui, faremos uma abordagem do assunto semelhante à encontrada em Nicholson (2006). Assim como para matrizes, existe, também, um conceito de inversa para transformações lineares. Se T é uma transformação linear no plano euclidiano, diremos que T–1 é uma transformação inversa para T, se for válida a seguinte igualdade: TºT–1 = T–1ºT = I2×2 Em palavras, T–1 é uma transformação inversa para T, se a composição desses, seja pela esquerda ou pela direita, resulta no operado identidade. Na primeira seção, vimos a transformação geométrica que realizava a refle- xão em torno do eixo x, além de que sua representação matricial era dada por: Vimos, ainda, que MR era sua própria inversa. Essa matriz MR induz a transformação que pode ser representada por R(x,y) = (x,–y). Dada a experiência com a forma matricial, seria natural imaginar que R é um bom candidato para ser sua própria transformação inversa. Agora, vamos calcular RºR. Temos: RºR = R(R(x,y)) = R(x,–y) = (x,–(–y)) = (x,y) = I2×2(x,y) Portanto, R–1 = R. Geometria vetorial e transformações lineares12 Esse resultado não aconteceu por acaso. Temos o seguinte teorema, que também pode ser encontrado em Nicholson (2015). Teorema: seja T:R2 → R2 uma transformação linear no plano euclidiano com representação dada por MT, são equivalentes as seguintes afirmações. 1. T é invertível (isto é, MT é invertível). 2. Existe uma transformação linear S, tal que TºS = SºT = I2×2. Além disso, a matriz de S é dada por MT –1. Aqui, é fundamental destacar a relação entre a transformação e sua forma matricial. T é invertível se, e somente se, MT também for. Essas relações nos permitem estabelecer um procedimento alternativo para encontrar a inversa de algumas matrizes. Veja o exemplo a seguir. Considere a matriz MT = cos (60º) –sen (60º) sen (60º) cos (60º) , que representa uma rotação de 60º, no sentido anti-horário, em torno da origem. Calculando os valores de seno e cosseno, MT pode ser escrita como: MT = 1 2 √3 2 √3 2 1 2 – Nessa situação, conhecemos bem a transformação geométrica envolvida. Sabemos, por exemplo, que a transformação inversa seria uma rotação de –60º no sentido horário. Essa transformação teria sua forma matricial dada por: MT –1 = cos (–60º) –sen (–60º) sen (–60º) cos (–60º) 13Geometria vetorial e transformações lineares Novamente, calculando os valores de seno e cosseno, obtemos: MT –1 = 1 2 √3 2 √3 2 1 2– Essa MT –1 é nossa candidata à matriz inversa. Vejamos se, de fato, ela é inversa de MT. Para tal, basta calcular os produtos MTMT –1 e MT –1MT. Temos: MTMT –1 = = 1 2 √3 2 √3 2 1 2– 1 2 √3 2 √3 2 1 2 – 1 0 0 1 De forma semelhante, também obtemos: MT –1MT = = 1 2 √3 2 √3 2 1 2 – 1 2 –√3 2 √3 2 1 2 1 0 0 1 Assim, MT –1 é, de fato, a inversa da matriz apresentada inicialmente. O procedimento utilizado no exemplo anterior pode ser sumarizado da seguinte maneira. 1. Observar a transformação geométrica induzida pela matriz, caso ela exista. 2. Procurar pela transformação inversa. 3. Encontrar a matriz dessa transformação. Assim como matrizes, transformações lineares também apresentam a noção de núcleo, que também se relaciona com o fato de uma transformação linear e, por consequência, a matriz que a induz ser ou não invertível. Vamos denotar que o núcleo por Null(T), de uma transformação linear T, é o conjunto de todos os vetores do v→ plano euclidiano, tais que T(v→) = 0. Geometria vetorial e transformações lineares14 Segue da definição de uma transformação linear que: � o vetor nulo 0 → sempre pertence ao núcleo de uma transformação linear, isto é, ; � se v→ ∈ Null(T), então todo múltiplo de v→ também pertencerá. Essas observações, somadas aos resultados previamente apresentados, nos permitem apresentar o seguinte resultado. Teorema: seja T:R2 → R2 uma transformação linear cuja forma matricial é MT, são equivalentes as seguintes informações. � det(MT) ≠ 0. � Null(T) = {0 → }. � T é invertível. � MT é invertível. Veja, a seguir, um exemplo de aplicação desse resultado. Considere A uma transformação de rotação de 90º no sentido anti-horário. Qual é o núcleo dessa transformação? Como visto nas seções anteriores, a forma matricial dessa transformação é dada por: R90 = cos 90º –sen 90º sen 45º cos 90º Calculando os valores de seno e cosseno, obtemos: R90 = 0 –1 1 0 Não é difícil perceber que o determinante dessa matriz é igual 1 e, portanto, diferente de zero. Como consequência do resultado anterior, temos: Null(T ) = {0 → } 15Geometria vetorial e transformações lineares Como um último resultado, apresentamos um teorema que permite identifi- car rotações e reflexões em torno de retas que passam pela origem a partir dos determinantes de suas matrizes. Esse resultado também pode ser encontrado em Nicholson (2015). Teorema: seja T:R2 → R2 uma transformação linear no plano euclidiano com forma matricial dada por MT, temos que: 4. T é uma rotação se, e somente se, det(MT) = 1; 5. T é reflexão se, e somente se, det(MT) = –1. ANTON, H.; BUSBY, R. C. Álgebra linear contemporânea. Porto Alegre: Bookman, 2006. NICHOLSON, W. K. Álgebra linear. 2. ed. Porto Alegre: McGraw-Hill, 2006. Leitura recomendada LIPSCHUTZ, S.; LIPSON, M. L. Álgebra linear. 4. ed. Porto Alegre: Bookman, 2011. (Coleção Schaum). Geometria vetorial e transformações lineares16 ÁLGEBRA LINEAR Silvano Antonio Alves Pereira Junior O espaço vetorial ℝn: dependência e independência linear Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Definir dependência e independência linear. � Relacionar dependência e independência linear com os conceitosde gerador e matriz inversa. � Reconhecer a interpretação geométrica de dois vetores linearmente dependentes. Introdução Neste capítulo, exploraremos um pouco mais os conjuntos de vetores em ℝn. Você verá as definições de conjuntos linearmente independentes e dependentes, conforme Nicholson (2006). Seguiremos estabelecendo conexão entre a geometria e as combinações lineares, bem como re- lacionando as ideias de dependência, independência linear e gerador com matrizes. Dependência e independência linear Começamos com o resgate do conceito de combinação linear. Dado um con- junto de vetores em ℝn diremos que o vetor w→ é uma combinação linear desses, se existirem a1, a2, ..., ak em ℝ, tais que: Veja, a seguir, um exemplo de combinação linear. No plano euclidiano ℝ2 temos alguns exemplos interessantes. Os vetores e→1 = e e → 2 = 1 0 0 1 , geram o espaço ℝ2. Em particular, dado um vetor v→ = ab , podemos escrevê-lo como uma combinação linear de e→1 e e → 2. Com efeito, temos: v→ = = + = a + b = ae1 + be2 a b 0 b 1 0 0 1 a 0 Mais precisamente, qualquer vetor do plano pode ser escrito como uma combinação linear de e→1 e e → 2. Consideremos, agora, um conjunto de vetores { }em ℝn, que diremos que é linearmente independente, se os únicos valores de a1, a2, ..., ak em ℝ, que tornam a combinação verdadeira, são a1, a2, ..., ak = 0. Em outras palavras, um conjunto de vetores é linearmente independente se, e somente se, a única combinação deles, que resulta no vetor nulo, for a que apresenta todos os coeficientes iguais a zero. No exemplo anterior, os vetores e→1 = e e → 2 = 1 0 0 1 , formavam um conjunto de vetores linearmente independentes. De fato, se ae1 + be2 = 0 → , teríamos: a + 0 = 0 0 + b = 0 Portanto, a única combinação desses vetores, que resulta no vetor nulo, é a que tem todos os coeficientes nulos. O espaço vetorial ℝn: dependência e independência linear2 Como era de se esperar, nem todo conjunto de vetores é linearmente independente. Considere o conjunto {e1, e2, w} formado pelos vetores do exemplo anterior e w = 2 3 . Utilizando o resultado desse exemplo, podemos escrever: w = 2e1 + 3e2 Segue daí, pelas propriedades algébricas dos vetores, que também podemos escrever: w – 2e1 + 3e2 = 0 → Ou seja, existem coeficientes, não todos nulos, que formam uma combinação do vetor igual ao nulo. O conjunto apresentado na segunda parte do exemplo anterior nos fornece um primeiro exemplo de um conjunto linearmente dependente. Diremos que um conjunto { }em ℝ é linearmente dependente se existirem coeficientes a1, a2, ..., ak em ℝ, tais que: Isto é, existe uma combinação não nula que resulta no vetor nulo. Uma interpretação importante de um conjunto linearmente dependente é que qualquer um dos vetores desse conjunto pode ser escrito como combinação linear dos demais. Veja o exemplo a seguir. Ainda no espírito do exemplo anterior, vamos considerar o espaço ℝ3. De forma semelhante ao que ocorre com ℝ2, qualquer vetor v→ = a b c em espaço ℝ3 pode ser escrito como uma combinação linear dos vetores e1 = , e2 = e e3 = 1 0 0 0 1 0 0 0 1 . Com efeito, temos: 3O espaço vetorial ℝn: dependência e independência linear v→ = = a + b + c = ae1 + be2 + ce3 a b c 1 0 0 0 1 0 0 0 1 Ainda como em ℝ2, o conjunto {e1, e2, e3} é linearmente independente. Considere, agora, o conjunto formado por {e1, e2, e3, w}, onde w → = 5 3 15 . Tal conjunto é linearmente dependente de vetores. Com efeito, temos do apresentado anteriormente que: w→ = = 5e1 + 3e2 + 15e3 5 3 15 Segue que: w – 5e1 + 3e2 + 15e3 = 0 Como dito, podemos escrever qualquer um dos vetores de um conjunto linearmente dependente como combinação dos demais, como: e3 = w – e1 + e2 1 15 1 3 1 5 Um importante teorema sobre esse assunto é apresentado em Nicholson (2006). Teorema: se { }em ℝn é um conjunto linearmente independente, então, todo vetor em ger{ } tem uma escrita única como combinação linear dos vetores v→i. Em palavras, se um conjunto de geradores é linearmente independente, cada vetor do espaço gerado é escrito de maneira única, a menos da ordenação, como combinação linear dos vetores geradores. Veja o seguinte exemplo sobre conjuntos geradores linearmente independentes. O espaço vetorial ℝn: dependência e independência linear4 Considere a matriz identidade In×n. Vamos mostrar que as colunas dessa matriz formam um conjunto gerador de ℝn linearmente independente. Temos: In×n = 1 ⋯ 0 ⋮ ⋱ ⋮ 0 ⋯ 1 e os vetores: e1 = , e2 = , ..., en = 1 0 ⋮ 0 0 1 ⋮ 0 0 0 ⋮ 1 Verificamos, primeiramente, que esse conjunto gera o espaço ℝn. Seguindo a mesma ideia apresentada nos exemplos anteriores, temos que, dado um vetor: w = є Rn w1 w2 ⋮ wn podemos escrever: w = = w1 + w2 + ⋯ + wn = w1e1 + w2e1 + ⋯ + wnen w1 w2 ⋮ wn 1 0 ⋮ 0 0 1 ⋮ 0 0 0 ⋮ 1 concluindo que ger{e1, e2, ⋯, en} = ℝn. Agora, a parte sobre a independência linear: digamos que exista uma combinação linear dos vetores e1, e2, ⋯, en, tal que: a1e1 + a2e2 + ⋯ + anen = 0 → Teríamos, então: a1 + 0 + ⋯ + 0 =0 0 + a2 + ⋯ + 0 = 0 ⋮ 0 + 0 + ⋯ + an =0 a1 = 0 a2 = 0 ⋮ an = 0 Portanto, a única combinação desses vetores, que resulta no vetor nulo, é a com todos os coeficientes nulos. 5O espaço vetorial ℝn: dependência e independência linear Gerador e matriz inversa O último exemplo da seção anterior nos fornece uma bela ideia de como conjuntos geradores estão relacionados com conjuntos linearmente indepen- dentes. Agora, você verá de perto essa relação e como matrizes inversas e determinantes podem ser utilizadas para auxiliar na identificação de conjuntos linearmente independentes de vetores. O método do exemplo anterior pode ser sumarizado da seguinte maneira (NICHOLSON, 2006). Teste para independência linear: para verificar que um conjunto de vetores { }em ℝn é linearmente independente, proceda do seguinte modo. 1. Escreva uma combinação linear dos vetores e iguale ao vetor nulo: 2. Mostre que a única maneira de isso ocorrer é trivialmente, ou seja, com todos os coeficientes iguais a zero. É claro que, se existir alguma solução não trivial, o conjunto de vetores é linearmente dependente. Veja mais um exemplo em que podemos utilizar essa ideia. Considere a matriz: A = 1 2 0 0 2 1 0 0 0 0 –1 2 0 0 3 6 Vamos verificar que as colunas dela não formam um conjunto linearmente inde- pendente de vetores. Temos os seguintes vetores: O espaço vetorial ℝn: dependência e independência linear6 v1 = + v2 = , v3 = , v4 = 1 2 0 0 2 1 0 0 0 0 2 6 0 0 –1 3 Escrevemos a combinação linear a1v1 + a2v2 + a3v3 + a4v4 = 0 → , que dá origem ao seguinte sistema linear: a1 + 2a2 = 0 2a1 + a2 = 0 –a3 + 2a4 = 0 3a3 + 6a4 = 0 Resolvendo esse sistema por substituição, por exemplo, obtemos a1 = a2 = a3 = a4 = 0. O conjunto dos vetores coluna da matriz, portanto, é um conjunto linearmente dependente. Ainda sobre o exemplo anterior, é importante observar que o sistema linear associado ao problema poderia ser escrito em forma matricial, como: Observe, primeiramente, que o sistema é homogêneo. Portanto, se a matriz principal for invertível, ele admite como solução apenas o vetor nulo. Com efeito, a matriz principal do sistema tem determinante igual 36 e, portanto, é invertível. Segue que a única solução possível para esse sistema é a trivial. Resumindo o fato exposto, temos o seguinte teorema (NICHOLSON, 2015). Seja A uma matriz n × n, então as seguintes afirmações são equivalentes. 1. A é invertível. 2. As colunas de A são linearmente independentes em ℝn. 3. As colunas de A geram o espaço ℝn. 4. As linhas de A são linearmente independentes em ℝn. 5. As linhas de A geram o espaço ℝn. 7O espaço vetorial ℝn: dependência e independência linear Esse método de verificar se a matriz é invertível para concluirsobre a independência de um conjunto de vetores pode ser muito útil. Veja o exemplo a seguir. Vamos utilizar o resultado anterior para verificar que os vetores a seguir formam um conjunto de vetores linearmente independentes e mais ger{v1 + v2 + v3 + v4 } = ℝ4. v1 = + v2 = , v3 = , v4 = 1 0 0 0 2 1 0 0 0 3 4 5 3 2 3 0 Começamos montando uma matriz A, cujas colunas são esses vetores. Temos: A = 1 2 3 0 0 1 2 3 0 0 3 4 0 0 0 5 Pelo teorema anterior, basta verificar se a matriz A é invertível ou não, para podermos obter as informações desejadas. Observe que a matriz A é diagonal superior, e seu determinante é igual ao produto dos elementos em sua diagonal. Segue que: det(A) = 1 × 1 × 3 × 5 = 15 ≠ 0 Concluímos, portanto, que A é invertível. Segue do teorema que os vetores formam um conjunto linearmente independente de geradores do espaço ℝ4. Consideremos os vetores v1 = , v2 = cos(θ) sen(θ) –sen(θ) cos(θ) . Vamos verificar que, para qualquer valor de θ, esses vetores formam um conjunto de geradores linearmente independentes para o plano euclidiano. Com efeito, construímos a matriz: A = cos(θ) –sen(θ) sen(θ) cos(θ) O espaço vetorial ℝn: dependência e independência linear8 O determinante dela é dado por: det(A) = cos(θ) cos(θ) – sen(θ)(–sen(θ)) det(A) = cos2(θ) + sen2(θ) = 1 onde essa última igualdade é uma identidade trigonométrica fundamental. Veja, na Figura 1, alguns vetores dessa forma. 2.221.81.61.41.210.80.60.40.20–0.2–0.4–0.6–0.8–1–1.2–1.4–1.6–1.8–2 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 –0.2 –0.4 –0.6 –0.8 –1 90º 45º Figura 1. Representação de vetores com coordenadas determinadas por valores de seno e cosseno. A matriz do exemplo anterior é de rotação. Ainda é possível ver a relação entre dependência e independência linear e geometria. Para encerrar este tópico, veja, ainda, um teorema apresentado em Ni- cholson (2015). Um conjunto de vetores { } em ℝn é linearmente dependente se, e somente se, pelo menos um dos vetores pode ser escrito como combinação linear dos demais. 9O espaço vetorial ℝn: dependência e independência linear Combinações lineares e geometria Na seção anterior, você estudou sobre a relação entre matrizes invertíveis, sistemas lineares e independência linear de conjuntos de vetores. Agora, você terá maior contato com a geometria dos espaços ℝn e algumas de suas relações com conjuntos geradores, dependência e independência linear. Em continuação ao tópico anterior, um corolário imediato daquele teorema pode ser enunciado como em Nicholson (2015). Corolário: sejam u→ e v→ vetores não nulos em ℝ3 ou ℝ2, então: 1. {u→, v→} é linearmente dependente se, e somente se, os vetores são paralelos; 2. {u→, v→} é linearmente independente se, e somente se, os vetores não são paralelos. Esse simples resultado pode nos ajudar a estabelecer alguns testes muito úteis para a compreensão de algumas propriedades geométricas. No plano euclidiano, por exemplo, é muito importante conhecer quando dois vetores são paralelos. Veja o exemplo a seguir. Considere os vetores v1 = , v2 = –1 2 10 –20 Eles são paralelos? Podemos verificar, por inspeção direta, se existe α ∈ ℝ, tal que v1 = αv2 . Por outro lado, pelos resultados estudados até este ponto, sabemos que tais vetores são paralelos se, e somente se, forem linearmente dependentes. E eles assim serão se o determinante da matriz a seguir for igual a zero: A = –1 10 2 –20 Temos: det(A) = –1 × (–20) – (2 × 10) = 20 – 20 = 0 Logo, os vetores são, de fato, paralelos. Observe que, em ℝ3 não podemos utilizar determinante para verificar a condição de paralelismo. O espaço vetorial ℝn: dependência e independência linear10 Uma consequência importante desse corolário é a possibilidade de deter- minar se duas retas em ℝ2 são paralelas ou não, com o simples cálculo de um determinante. Em ℝ3, temos algumas possibilidades quanto à geometria de espaços gerados. Conjuntos com um único vetor não nulo dão origem a retas em ℝ3. Conjunto com dois vetores linearmente independentes geram, como su- bespaços, planos em ℝ3. Por fim, conjuntos com três vetores linearmente independentes geram o próprio espaço ℝ3. Unindo essa informação com a ideia de que, em transformações matriciais, as colunas geram o espaço imagem, podemos determinar a geometria do espaço imagem por meio da dependência ou independência linear dos vetores coluna da matriz da transformação. Veja o exemplo a seguir. Considere a matriz: A = 4 1 5 –7 5 –2 9 –3 6 Qual a geometria do espaço imagem dessa transformação: reta, plano ou todo o espaço? Um primeiro teste que podemos fazer é o cálculo do determinante da matriz. Se o determinante for diferente de zero, as colunas serão linearmente independentes e, portanto, gerariam o espaço. Obtemos que o determinante da matriz é igual a zero. Logo, as colunas não são linearmente independentes, e existem números a, b, c ∈ ℝ, não todos nulos, que sejam solução do sistema: 4a + b + 5c =0 –7a + 5b – 2c = 0 9a – 3b + 6c =0 Resolvendo esse sistema linear, pelo método de eliminação gaussiana, por exemplo, obtemos a solução a = 1, b = 1, c = –1 Temos, portanto: 1 + 1 – 1 = 4 –7 9 1 5 –3 5 –2 6 0 0 0 11O espaço vetorial ℝn: dependência e independência linear Segue dessa última igualdade que: 1 + 1 = 4 –7 9 1 5 –3 5 –2 6 A terceira coluna é a soma das duas primeiras que, por sua vez, não são paralelas. De fato, não existe λ ∈ ℝ, tal que: 4 –7 9 1 5 –3 = λ Dessa maneira, o espaço imagem dessa transformação é um plano em ℝ3. Observe, ainda, que o sistema poderia ter sido resolvido com a simples constatação de que a última coluna é a soma das duas primeiras, apenas seguindo o caminho contrário. Veja outro exemplo sobre a geometria do espaço imagem de transformações matriciais. Considere a seguinte matriz: H = 5 7 9 0 2 4 0 –6 –8 Vamos determinar a geometria do espaço imagem dessa transformação. Podemos procurar por alguma combinação linear mais evidente, como no exemplo anterior. Observe que a primeira coluna parece o resultado da diferença entre o dobro da segunda coluna e a terceira. De fato, a conta é válida para os dois primeiros elementos, mas falha no terceiro. 5 = 2 × 7 – 9 0 = 2 × 2 – 4 0 ≠ 2 × (–6) – (–8) O espaço vetorial ℝn: dependência e independência linear12 Seguimos, então, calculando o determinante dessa matriz, obtendo: det(H) = 40 Uma vez que o determinante é diferente de zero, sabemos que a matriz H é invertível, e suas colunas formam um conjunto linearmente independente. Assim, o espaço imagem da transformação matricial é o próprio ℝ3. As relações de dependência e independência linear fornecem poderosas informações sobre conjuntos de vetores. Futuramente, você aprenderá sobre o importante papel que conjuntos geradores linearmente independentes exercem em álgebra linear. É importante estar atento ao fato de que, em muitas das contas envolvendo trans- formações matriciais, podemos utilizar os vetores linha ao invés dos vetores coluna. NICHOLSON, W. K. Álgebra linear. 2. ed. São Paulo: McGraw-Hill, 2006. Leitura recomendada ANTON, H.; BUSBY, R. C. Álgebra linear contemporânea. Porto Alegre: Bookman, 2007. LIPSCHUTZ, S.; LIPSON, M. Álgebra linear. 4. ed. Porto Alegre: Bookman, 2011. (Coleção Schaum). Referência 13O espaço vetorial ℝn: dependência e independência linear ÁLGEBRA LINEAR Marcelo Maximiliano Danesi Espaços vetoriais: dependência e independência linear Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Definir os conceitos de dependência e independência linear para espaços vetoriais gerais. � Demonstrar a independência linear. � Avaliar se um conjunto dado é independente a partir de suas propriedades. Introdução Neste capítulo, você vai definirá o conceito de independência linear entre vetores dentro da definição generalizada dos espaços vetoriais.
Compartilhar