Baixe o app para aproveitar ainda mais
Prévia do material em texto
Introduc¸a˜o A` A´lgebra Linear Cristian Patricio Novoa Bustos Departamento de Matema´tica e F´ısica Universidade Cato´lica de Goia´s Goiaˆnia-2008 Suma´rio Prefa´cio 1 1 Vetores 3 1.1 Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 A´lgebra Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 Produto Escalar e Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2 Matrizes 12 2.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.1.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.2 Adic¸a˜o de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.3 Multiplicac¸a˜o por Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.3.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.4 Multiplicac¸a˜o de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.4.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.5 Inversa˜o de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.5.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3 Sistemas de Equac¸o˜es e Inversa˜o de Matrizes 37 3.1 Forma Reduzida de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.1.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.2 Inversa˜o de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.2.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4 Espac¸os Vetoriais 54 4.1 Espac¸os Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.1.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.2 Sub-espac¸os Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.2.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 4.3 Dependeˆncia e Independeˆncia Linear . . . . . . . . . . . . . . . . . . . . . 62 4.3.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 4.4 Base e Dimensa˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 i 4.4.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 5 Transformac¸o˜es Lineares e Coˆnicas 75 5.1 Transformac¸o˜es Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 5.1.1 Exercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 5.2 Nu´cleo e Imagem de Transformac¸o˜es Lineares . . . . . . . . . . . . . . . . 79 5.2.1 Exercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 5.3 Representac¸a˜o de Transformac¸o˜es Lineares por Matrizes . . . . . . . . . . . 86 5.3.1 Ecercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 5.4 Autovalor, Autovetor e Diagonalizac¸a˜o . . . . . . . . . . . . . . . . . . . . 89 5.4.1 Exercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.5 Reconhecimento de Coˆnicas . . . . . . . . . . . . . . . . . . . . . . . . . . 97 5.5.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 A Introduc¸a˜o a` Estruturas Alge´bricas 103 A.1 Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 A.1.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 A.2 Naturais, Inteiros e Racionais . . . . . . . . . . . . . . . . . . . . . . . . . 110 A.2.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 A.3 Reais e Complexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 A.3.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Refereˆncias Bibliogra´ficas 119 ii Prefa´cio Caros leitores, gostaria de enfatizar que este texto na˜o tem a intenc¸a˜o de substituir outros textos de A´lgebra Linear, ao contrario, visto que este trabalho vem a contribuir e complementar alguns textos ja´ existentes. Na verdade o desenvolvimento de este texto, e´ o fruto do trabalho desenvolvido junto as turmas de Engenharia da Universidade Cato´lica de Goia´s, na disciplina de A´lgebra Linear, onde foi detectada a necessidade de ter um texto na˜o muito extenso mas que desse um bom suporte para esta disciplina de quatro cre´ditos, por isto e´ que o nosso enfoque e´ meramente introduto´rio, deixando alguns conteu´dos de lado, como conceitos de espac¸os com produto interno e determinantes entre outros, tambe´m procuramos de na˜o colocar listas de exerc´ıcios muito extensas, mas na˜o sem deixar de abranger todo o coneteu´do, procurando sempre introduzir novos conceitos, com a intenc¸a˜o de desenvolver um racioc´ınio lo´gico abstrato. Uma das grandes dificultadades observadas no decorrer do tempo ministrando esta disciplina, e´ o desconhecimento de algumas estruturas alge´bricas por parte dos alunos, e como elas aparecem, como por exemplo a construc¸a˜o dos Corpos Nume´ricos, em particu- lar os Reais e Complexos. Existem muitas construc¸o˜es destas estruturas alge´bricas, mas usamos a teoria de Conjuntos e relac¸o˜es de equivaleˆncia para fazer isto. Estas ide´ias sa˜o dadas no nosso primeiro cap´ıtulo, que pode ser omitido dependendo do grau de familiari- dade que o nosso leitor pode ter com os conceitos ba´sicos de estruturas alge´bricas. Ja´ no segundo Cap´ıtulo, trabalhamos o conceito de matriz e exploramos suas pro- priedades operato´rias, com a finalidade de caracterizar a inversa˜o de matrizes. Como uma aplicac¸a˜o, vemos no cap´ıtulo treˆs, como trabalhar a inversa˜o de matrizes via operac¸o˜es elementares. Agora, no Cap´ıtulo quatro trabalhamos o conceito de Espac¸o Vetorial e enfocamos o nosso trabalho para Espac¸os Vetoriais de dimensa˜o finita, tentando mostrar alguns exemplos conhecidos pelo aluno a partir dos cursos de Calculo e claro em particular o Espac¸o Vetorial formado pelas matrizes, estudado no Cap´ıtulo dois. Em particular sa˜o explorados os conceitos de base e dimensa˜o e a relac¸a˜o entre estes conceitos. No cap´ıtulo cinco, fazendo uma analogia com func¸o˜es dos cursos de Ca´lculo e intro- ducimos o conceito de Transformac¸a˜o Linear entre Espac¸os Vetoriais. Um dos objetivos fundamentais deste Cap´ıtulo e´ dado pelo fato de que, se consideramos transformac¸o˜es Lineares entre Espac¸os Vetoriais de dimensa˜o finita, enta˜o existe uma correspoˆndencia bi- univoca com matrizes, isto e´, Matrizes e transformac¸o˜es Lineares entre espac¸os Vetoriais de dimensa˜o finita ”sa˜o a mesma coisa”. Desta forma todo o trabalho feito com matrizes 1 2 nos Cap´ıtulos dois e treˆs pode ser transportado para Transformac¸o˜es Lineares. Como, no cap´ıtulo dois estabelecemos uma partic¸a˜o no conjunto das Matrizes, via a relac¸a˜o de semelhanc¸a, esta relac¸a˜o e´ melhorada neste Cap´ıtulo via o Ca´lculo de autovalores e de diagonalizac¸a˜o de matrizes. Para fechar este Cap´ıtulo e trabalho damos uma pequena aplicac¸a˜o de Diagonalizac¸a˜o de matrizes no reconhecimento de Coˆnicas ta˜o conhecidas e estudadas no curso de Geometria Anal´ıtica. Gostaria de deixar registrado o meu agradecimento aos va´rios alunos dos nossos cursos de Engenharia que leram verso˜es preliminares deste texto e me apontaram as falhas, para desta forma contribuir com a melhoria deste. Cr´ıticas, sugesto˜es e informac¸o˜es sobre eventuais erros ou enganos, sera˜o muito bem recebidas. Cristian Patricio Novoa Bustos cristiannovoa@netscape.net Cap´ıtulo 1 Vetores Este capitulo tem por finalidade recordar alguns conceitosvistos em outras disci- plinas, como geometria analitica, calculo ect., enta˜o na˜o aprofundaremos muito os con- ceitos com enunciados e demostrac¸o˜es de propriedades de estas estruturas, e sem em reforc¸a˜r algumas propriedades mais importantes para o futuro desenvolvimento dos con- teuos deste livro. 1.1 Vetores O conceito de vetor tem sido a base para estudar f´ısica e geometria, entre outras disciplinas, no segundo grao. Em particular na discipliba de geometria analitica. este conceito esta associado sa um sistenma de coordenadas, mas para trabalhar este conceito, na verdade nc¸ao e´ necessa´rio, como veremos a seguir. Definic¸a˜o 1.1.1 Chamaremos deVetor a magnitude que e´ determinada pelo seu modulo, direc¸a˜o e sentido. Esta noc¸a˜o e´ ta˜o familiar, que basta olhar ao redor que vemos muitos exemplos de vetores, como e´ o deslocamento, a velocidade, acelerac¸a˜o ou a forc¸a aplicada em um determinado corpo, etc. Geometricamente podemos representar um vetor pelo segmento orientado OP , e o tamanho do vetor OP e´ dito o modulo do vetor, e a direc¸a˜o do segmento denota a direc¸a˜o do vetor OP . O ponto O e´ dito a origem do vetor OP ou ponto de aplicac¸a˜o, e P e´ o extremo do vetor OP . P O OP Como notac¸a˜o, representaremos um vetor com uma letra minuscula com uma seta acima. No exemplo anterior enta˜o temos OP = −→v , e o seu modulo o denotaremos por | ←−v |, tambem podemos usar a notac¸a˜o −→OP para o vetor, e para o seu modulo | −→OP |. 3 CAPI´TULO 1. VETORES 4 Exemplo 1.1.1 Representemos geometricamente as seguintes situac¸o˜es: 1. Uma forc¸a de 10 newtons na direc¸a˜o Este 30o Norte, como na figura (a) abaixo. N O )30o 10N E S Fig. (a) N O 15N 30o ⌢ E S Fig. (b) 2. Uma forc¸a de 25 newtons na direc¸a˜o Norte 30o Este, como na figura acima. Chamaremos de escalar a magnitud que e´ determinada pelo seu valor nume´rico, que e´ a quantidade com relac¸a˜o a uma unidade de medida do mesmo tipo. Como exemplos de magnitudes escalares podemos citar, comprimento, massa, tempo, temperatura, trabalho etc., e qualquer nu´mero Racional Q, Real R, ou Complexo C. De agora em diante, denotaremos por K o conjunto dos escalares. 1.2 A´lgebra Vetorial Em esta sec¸a˜o mostraremos a estrutura algebrica que possui o conjunto de vetores, definido na sec¸a˜o anterior, definindo uma operac¸a˜o interna, que chamaremos de soma, e uma operac¸a˜o externa que chamaremos de produto por escalar, tentando extender as operac¸o˜es realizadas para o conjunto dos escalares K. Definic¸a˜o 1.2.1 Sejam −→u e −→v dois vetores. Diremos que os vetores −→u e −→v sa˜o equipo- lentes se eles tem o mesmo modulo, a mesma direc¸a˜o e sentido. Geometricamente temos: P Q O −→u R −→v Se dois vetores −→u e −→v sa˜o equipolentes com a mesma origem, enta˜o diremos que os vetores −→u e −→v sa˜o iguais, que denotaremos por −→u = −→v . Definic¸a˜o 1.2.2 Seja −→u um vetor. Chamaremos de vetor oposto ao vetor −→u , que deno- taremos por −−→u , ao vetor que tem o mesmo modulo e direc¸a˜o mas sentido oposto. CAPI´TULO 1. VETORES 5 Geometricamente temos a seguinte figura: P P O −→u 0 −−→u Agora estamos em condic¸o˜es de definir formalmente uma lei de eperac¸a˜o interna entre vetores, de seguinte forma. Definic¸a˜o 1.2.3 Sejam −→u e −→v dois vetores. Chamaremos de soma dos vetores −→u e−→v , ao vetor −→w que se obtem trasladando a origem do vetor −→v ao extremo do vetor−→u e juntando a origem do vetor −→u com o extremo do vetor −→v , que denotaremos por−→w = −→u +−→v . Veja que trasladando os dois vetores −→u e −→v a um origem comum, o vetor soma se corresponde a diagonal do paralelograma com origem o origem comum (veja a figura abaixo). −→u −→v −→v −→u −→u+−→v A soma de −→u +−→v +−→w , primeiro faz a soma de dois vetores, e o vetor resultante soma com o terceiro vetor, desta forma podemos extender para qualquer soma finita de vetores−→u1 + ... +−→un. Exemplo 1.2.1 Vamos usar a soma de vetores e as suas propriedades para provar um resultado conhecido de geometria plana. Seja um triaˆgulo ABC e sejam M e N os pontos me´dios dos segementos AC e BC, respectivamente. Vamos provar que o segmento MN e´ paralelo ao segmento AB e tem comprimento igual a metade do comprimento do segmento AB. Enta˜o devemos provar que ..! |−−→MN | = 1 2 |−→AB| : CAPI´TULO 1. VETORES 6 C M N A B Agora, a partir da figura ao lado temos que −−→ MN = −−→ MC + −−→ CN Agora, como M e´ o ponto me´dio do segmento AC e N e´ o ponto me´dio do segmento BC, enta˜o −−→ MC = 1 2 −→ ACe −−→ CN = 1 2 −−→ CB Logo, −−→ MN = 1 2 −→ AC + 1 2 −−→ CB = 1 2 ( −→ AC + −−→ CB) = 1 2 −→ AB Definic¸a˜o 1.2.4 Chamaremos de diferenc¸a dos vetores −→u e −→v , que denotaremos por−→u −−→v , o vetor −→w tal que −→w +−→v = −→u . No caso em que os vetores sejam iguais −→u = −→v , o vetor diferenc¸a −→u −−→v e´ chamado de vetor nulo, que o representaremos por −→ 0 . Definic¸a˜o 1.2.5 Sejam −→u um vetor e λ um escalar. Chamaremos de produto por escalar λ do vetor −→u ao vetor −→w = λ−→u , que tem a mesma direc¸a˜o, e | λ | vezes o modulo do vetor −→u com sentido igual ou oposto ao do vetor −→u , dependendo do valor de | λ | ser negativo ou positivo, e se λ = 0 enta˜o temos que λ−→u = −→0 e´ o vetor nulo. As propriedades que enunciaremos a seguir, podem ser encontradas em qualquer curso de ca´lculo, onde estes vetores podem ser vistos como pares ordenados, ou triplas ordenadas ou em forma de n-uplas ordenadas em geral. Proposic¸a˜o 1.2.1 Sejam −→u ,−→v e −→w vetores e α, β escalares. Enta˜o sa˜o va´lidas: • −→u +−→v = −→v +−→u • −→u + (−→v +−→w ) = (−→u +−→v ) +−→w CAPI´TULO 1. VETORES 7 • α−→u = −→u α • α(β−→u ) = (αβ)−→u • (α + β)−→u = α−→u + β−→u • α(−→u +−→v ) = α−→u + α−→v Um dos objetivos deste livro e´ estudar, entender e familiarizarnos um pouco mais com os conjuntos que admitem as propriedades da proposic¸a˜o anterior, como veremos nos capitulos 4 e 5. Definic¸a˜o 1.2.6 Seja −→v um vetor. Diremos que o vetor −→v e´ unita´rio se o seu mo´dulo | −→v | e´ uma unidade escalar. Veja que se | −→v |6= 0, entc¸ao o vetor −→v |−→v | e´ um vetor unita´rio no mesmo sentido e direc¸a˜o que o vetor −→v . Um sistema muito importante e conhecido, e´ o sistema dado pelos vetores unita´rios associados aos eixos coordenados do sistema cartesiano do espac¸o, por exemplo, cujos eixos sa˜o geralmente identificados com X, Y e Z, com sentidos positivos destes eixos, e sa˜o denotados por −→ i , −→ j e −→ k respectivamente, como mostra a figura abaixo. Z −→ k −→ i −→ j Y X Fig. (a) Todo vetor −→v pode ser representado elo produto de um vetor unita´rio −→u na direc¸a˜o e sentido do vetor −→v , isto e´, −→v = −→v |−→v | |−→v |. Todo vetor do espac¸o R3 pode ser representado com a sua origem a origem do espac¸o R3. Sejam (x, y, z) as coordenadas cartesianas do ponto extremo do vetor −→v cuja origem e´ 0. Os vetores x−→i , y−→j , z−→k sa˜o conhecidas como as componentes retangulares do vetor −→v nas direc¸o˜es x, y, z respectivamente. Veja que a soma dos treˆs vetores, x −→ i + y −→ j + z −→ k e´ novamente o vetor original −→v istoe e´, v = x −→ i + y −→ j + z −→ k CAPI´TULO 1. VETORES 8 onde o mo´dulo e´ dado por: |−→v | = √ x2 + y2 + z2 Se a cada ponto (x, y, z) de uma determinada regia˜o R do espac¸o R3 associamos um escalar dado pela func¸a˜o f(x, y, z), temos definido o que se conhece como campo escalar, onde a func¸a˜o f(x, y, z) tambem e´ conhecida como func¸a˜o escalar de posic¸a˜o. Vejamos os seguintes exemplos. Exemplo 1.2.2 1. Para cada posic¸a˜o de um carro, hoje em dia usamos o famoso GPS para fazer isto, podemos associar a temperatura do motor mun determinadoinstante. Enta˜o esta func¸a˜o de associar a temperatura pode ser vista como um campo escalar. 2. A func¸a˜o f(x, y, z) = x2 + y2 + z2 determina um campo escalar. Um outro campo muito conhecido e´ o campo vetorial, onde em cada ponto (x, y, z) de uma determinada regia˜o R do espac¸o R3 associamos um vetor dado pela func¸a˜o−→ f (x, y, z) = −→v , esta func¸a˜o tambem e´ conhecida como func¸a˜o vetorial ou de posic¸a˜o vetorial. Exemplo 1.2.3 1. Para cada carro, determinamos a sua posic¸a˜o, hoje em dia usamos o famoso GPS para fazer isto, que e´ vetorial, e podemos associar a sua velocidade mun determinado instante, que tambem e´ vetorial. Enta˜o esta func¸a˜o de associar a velocidade a cada carro pode ser vista como um campo vetorial. 2. A func¸a˜o −→ f (x, y, z) = x2y −→ i + y2z2 −→ j + xz −→ k determina um campo vetorial. 1.2.1 Exerc´ıcios 1. Das grandesas a seguir, indique quais sa˜o escalar e quais sa˜o vetoriais. (a)Peso (c)Densidade (e)Energia (g)velocidade (b)Calor (d)Impetu (f)Potencia (h)distaˆncia 2. Um automovel percorre 3Km na direc¸a˜o Norte e logo 5Km na direc¸a˜o Nordeste. Represente geometricamente o deslocamento e calcule o vetor resultante. 3. Considere os seguintes deslocamentos: • −→u = 10m na direc¸a˜o Nordeste • −→v = 20m , na direc¸a˜o Este • −→w = 35m na direc¸a˜o Sur Enta˜o calcule −→u +−→v ; −→u −−→w ; −→v +−→v −−→w e fac¸a a sua representac¸a˜o geometrica. 4. Sejam −→u ,−→v vetores. Mostre que −→u +−→v = −→v +−→u . CAPI´TULO 1. VETORES 9 5. Calcule o vetor unitario com direc¸a˜o e sentido da resultante dos vetores −→u = 2−→i − 5 −→ j + 9 −→ k ;−→v = 6−→i + 2−→j − 7−→k 6. Sobre um solido atuam treˆs forc¸as −→u ,−→v e −→w que. emfunc¸a˜o das suas componentes, esta˜o dadas pelas equac¸o˜es vetoriais −→u = u1−→i +u2−→j +u3−→k ;−→v = v1−→i +v2−→j +v3−→k e −→w = w1−→i + w2−→j + w3−→k . Calcule o mo´dulo da forc¸a resultante. 7. Determine os angulos α, β e γ que o vetor −→v = x−→i + y−→j + z−→k forma com os eixos positivos do sistema de coordenadas de R3. e mostre que cos2 α + cos2 β + cos2 γ = 1 8. Considere o campo escalar dado por f(x, y, z) = 3x2z − xy + z2, calcule o valor do campo escalr f nos pontos (2,−3, 6); (−2, 4, 9); (6,−9,−3). 9. Represente Geometricamente o campo vetorial dado por −→ f (x, y, z) = x −→ i − y−→j + z −→ k . 1.3 Produto Escalar e Vetorial Na sec¸a˜o anterior mostramos como podemos obter novos vetores a partir de vetores, e como podemos gerar outros vetores a partir da multiplicac¸a˜o por escalar. Enta˜o agora mostraremos como a partir de dois vetores podemos associar um escalar, mostrando al- gumas propriedades. Definic¸a˜o 1.3.1 Seja −→u e −→v dois vetores. Chamaremos de produto escalar ou in- terno dos vetores −→u e −→v , ao seguinte escalar: −→u · −→v = { 0, se −→u ou −→v e´ o vetor nulo; |−→u | · |−→v | cos θ, Caso contra´rio. onde θ e´ o aˆngulo formado pelos dois vetores. Quando os vetores sa˜o dados em termos das suas componentes na˜o sabemos direta- mente o aˆngulo entre eles. Por isso, precisamos de uma forma de calcular o produto escalar que na˜o necessite do aˆngulo entre os vetores. Sejam −→u e −→v dois vetores na˜o nulos e θ o aˆngulo entre eles, enta˜o pela lei dos cossenos, temos a seguinte expressa˜o: |−→u −−→v |2 = |−→u |2 + |−→v |2 − 2|−→u ||−→v |cosθ Assim, −→u · −→v = |−→u ||−→v |cosθ = 1 2 (|−→u |2 + |−→v |2 − |−→u −−→v |2) CAPI´TULO 1. VETORES 10 Ja´ temos enta˜o uma fo´rmula para calcular o produto escalar que na˜o depende dire- tamente do aˆngulo entre eles. Substituindo-se as coordenadas dos vetores na identidade acima, temos uma expressa˜o mais simples para o ca´lculo do produto interno. Por ex- emplo, se−→u = (u1, u2, u3) e −→v = (v1, v2, v3) sa˜o vetores no espac¸o, enta˜o substituindose |−→u |2 = u21+u22 +u23 , |−→v |2 = v21 + v22 + v23 e |−→u −−→v |2 = (u1− v1)2+(u2− v2)2+(u3− v3)2 na igualdade anterior, os termos u2i e v 2 i sa˜o cancelados e obtemos a seguinte expressa˜o −→u · −→v = u1v1 + u2v2 + u3v3 Vejamos algumas propriedades na seguinte proposic¸a˜o. Proposic¸a˜o 1.3.1 Sejam −→u ,−→v e −→w vetores e α um escalar. Enta˜o sa˜o va´lidas: 1. −→u · −→v = −→v · −→u 2. −→u · (−→v +−→w ) = −→u · −→v +−→u · −→w 3. α(−→u · −→v ) = (α−→u ) · −→v Definic¸a˜o 1.3.2 Sejam −→u e −→v dois vetores. Chamaremos de produto vetorial, ou pro- duto externo dos vetores −→u e −→v ao vetor −→c = −→u ×−→v dado por: −→c = −→u ×−→v = det −→ i −→ j −→ k u1 u2 u3 v1 v2 v3 = ∣∣∣∣∣∣ −→ i −→ j −→ k u1 u2 u3 v1 v2 v3 ∣∣∣∣∣∣ Algumas propriedades do produto vetorial sa˜o dadas na seguinte proposic¸a˜o. Proposic¸a˜o 1.3.2 Sejam −→u ,−→v e −→w vetores e α um escalar. Enta˜o sa˜o va´lidas: 1. −→u ×−→v = −−→v ×−→u 2. −→u × (−→v +−→w ) = −→u ×−→v +−→u ×−→w 3. α(−→u ×−→v ) = (α−→u )×−→v = −→u × (α−→v ) = (−→u ×−→v )α 4. −→ i ×−→i = −→j ×−→j = −→k ×−→k = 0, −→i ×−→j = −→k , −→j ×−→k = −→i , −→k ×−→i = −→i 5. O mo´dulo do vetor −→u ×−→v representa a a´rea do paralelogramo de lados −→u e −→v . 6. Se −→u ×−→v = 0 onde nenhum dos vetores e´ nulo, enta˜o os dois vetores tem a mesma direc¸a˜o. CAPI´TULO 1. VETORES 11 1.3.1 Exerc´ıcios 1. Ache o aˆngulo formado pelos vetores −→u = 2−→i + 3−→j −−→k e −→v = 6−→i + 3−→j + 2−→k . 2. Ache o valor de α de forma que os vetores −→u = 2−→i +α−→j +−→k e −→v = 4−→i −2−→j −−→k sejam ortogonais. 3. Mostre que os seguinte vetores −→u = 3−→i − 2−→j + −→k ; −→v = −→i − 3−→j + 5−→k e −→w = 2−→i +−→j − 4−→k formam um triaˆngulo. 4. Mostre a proposic¸a˜o 1.3.2. 5. Sejam −→u = 2−→i − 3−→j −−→k e −→v = 1−→i + 3−→j + 6−→k calcule a −→u ×−→v b −→v ×−→u c (−→u +−→v )× (−→u −−→v ) 6. Calcule a a´rea do triaˆngulo de ve´rtices P (1, 3, 2), Q(2,−1, 1), R(1, 2, 3). 7. Calcule o momento de uma forc¸a −→ F com relac¸a˜o a um ponto P . Cap´ıtulo 2 Matrizes 2.1 Matrizes A partir de agora, e no decorrer do texto, usaremos a letra K, para denotar o corpo dos escalares, que pode ser Q (Racionais), R (Reais) ou C (Complexos). Neste cap´ıtulo, introduziremos o conceito de Matriz, que e´ um dos conceitos matema´ticos mais usados por parte da a´rea de economia e administrac¸a˜o entre outros como um recurso na agrupac¸a˜o de um grande nu´mero de informac¸o˜es, e claro, e´ uma das ferramentas ba´sicas na pesquisa operacional. Definic¸a˜o 2.1.1 Chamaremos de Matriz1 de ordem n×m a` ordenac¸a˜o de n veces m escalares em n linhas e m colunas, que denotaremos da seguinte forma: A = a11 a12 · · · a1m a21 a22 · · · a2m · · · · · · · · · · · · an1 an2 · · · anm = (aij)n,m onde aij denota o escalar na linha i e coluna j para i = 1, . . . , n , j = 1, . . . , m Se todas as entradas da matriz A = (aij)n,m sa˜o nulas, a matriz A e´ dita de matriz nula ou matriz zero, que denotaremos por 0n,m. Se o numero de linhas e´ igual ao numero de colunas da matriz A = (aij)n,m, ou n = m, enta˜o diremos que a matriz A e´ uma matriz quadrada e a denotaremos por A = (aij)n. Chamaremos de diagonal principal da matriz quadrada A = (aij)n, os escalares da forma aii onde i = 1, . . . , n. Diremos que a matriz quadrada A = (aij)n e´ diagonal, se todos os elementos acima e abaixo da diagonal principal sa˜o zero. Chamaremos de matriz identidade, que denotaremos por In, a matriz diagonal de ordem n onde todos os elementos da diagonal principal sa˜o iguais a 1, enta˜o In pode ser vista da seguinte forma: In = (cij) = { 1 se i = j 0 se i 6= j 1O matema´tico Ingles Arthur Cayley(1821-1895), foi o primeiro a introduzir o conceito de matriz e mostrar as suas propriedades alge´bricas, e ele publicou mais de 300 artigos de investigac¸a˜o 12 CAPI´TULO 2. MATRIZES 13 Denotaremos por Mn,m o conjunto de todas as matrizes de n linhas e m colunas, simbolicamente temos: Mn,m(K) =Mn,m = {A = (ai,j)n,m/ai,j ∈ K, ∀i= 1, · · · , n; j = 1, · · · , m} Exemplo 2.1.1 Vejamos agora alguns exemplos da definic¸a˜o anterior. 1. Um dos exemplos mais simples de ordenac¸a˜o matricial, e´ observar a ordenac¸a˜o das cadeiras na sala de aula, ou das poltronas num cinema, sempre sa˜o dados em linhas e colunas. 2. Os escalares de forma geral podem ser vistos como matrizes de ordem 1× 1. 3. Uma linha de uma matriz A = (aij)n,m, digamos A i = (ai1 · · ·aij · · ·aim) pode ser considerada como uma matriz de ordem 1×m, de maneira ana´loga podemos definir a matriz coluna dada por uma coluna da matriz A = (aij)n como sendo Aj = a1j ... anj . 4. Consideremos o seguinte diagrama: 1 3 2 4 A forma matricial deste diagrama e´ dado por : A = 0 1 0 1 1 0 1 1 0 1 0 0 1 1 0 0 = (aij)n,m Onde aij = 1 se o ponto i esta´ ligado ao ponto j, e aij = 0, se o ponto i na˜o esta´ ligado ao ponto j. Esta matriz e´ conhecida como matriz de incideˆncia. 5. Considere o plano projetivo de Fano, de ordem dois e construa a sua matriz de incideˆncia. Definic¸a˜o 2.1.2 Diremos que duas matrizes da mesma ordem A = (aij)m,n e B = (bij)m,n sa˜o iguais se aij = bij ∀i, j CAPI´TULO 2. MATRIZES 14 2.1.1 Exerc´ıcios 1. Escreva a matriz A = (aij)2,3 tal que aij = ij + 2i− j. 2. (a) Escreva a matriz A = (aij)4,4, tal que : A = { aij = −1 se i > j aij = 1 se i ≤ j (b) Escreva a matriz A = (aij)3,3 tal que aij = −aji 3. Ache os poss´ıveis valores de x e de y, tais que : (a) ( 2 2 0 x2 − 2 ) = ( y x 0 0 ) (b) ( x y x2 y2 ) = ( 1 0 0 1 ) 4. Seja A = (aij)n e definamos tr(A) = ∑n i=1 aii que e´ conhecida como trac¸o da matriz A, enta˜o mostre que tr(tr(A)) = tr(A). 5. Suponha que existe uma relac¸a˜o de dominaˆncia entre quatro terminais, dada pelo seguinte diagrama: 1 3 2 4 onde cada seta indica a dominaˆncia do ponto i sobre o ponto j. Passe para linguagem matricial este diagrama (supondo que nenhum ponto domine ele mesmo). 2.2 Adic¸a˜o de Matrizes Recordemos que tanto a adic¸a˜o como a subtrac¸a˜o entre os nu´meros e´ uma func¸a˜o, ou tambe´m conhecida como operac¸a˜o binaria ou interna, onde sa˜o relacionados dois elementos do mesmo conjunto, e apo´s esta relac¸a˜o ou mistura entre eles, obtemos um novo elemento do mesmo conjunto. Sera´ que o relacionamento entre animais da mesma especie satisfaz esta condic¸a˜o?. Sera´ que com as matrizes isto e´ va´lido?, enta˜o vejamos a seguinte definic¸a˜o. CAPI´TULO 2. MATRIZES 15 Definic¸a˜o 2.2.1 Sejam A,B ∈Mn,m. Enta˜o a operac¸a˜o bina´ria ou interna + :Mn,m ×Mn,m −→Mn,m dada por : A+B = (aij)n,m + (bij)n,m = (aij + bij)n,m sera´ chamada de soma de matrizes. Veja que se as matrizes forem de 1×1, a definic¸a˜o anterior nos da a` definic¸a˜o usual de soma de escalares, ou se forem matrizes de 1 × n a definic¸a˜o anterior nos da a` definic¸a˜o usual de soma de n-uplas ou soma vetorial componente a componente. Vejamos agora alguns exemplos. Exemplo 2.2.1 Consideremos os seguintes exemplos dos conceitos anteriores. 1. Considere as seguintes matrizes: A = ( 2 −6 5 −6 ) , B = ( −3 π 2 √ 3 ) e C = ( −1 √8 −5 −2 2π 9 ) Observe que A+B esta´ bem definida, mas A + C na˜o pois a matriz A tem ordem 2× 2 e a matriz C tem ordem 2× 3, isto e´, A,B na˜o tem a mesma ordem. 2. A matriz nula 0n,m tem a propriedade de que se A ∈Mn,m enta˜o e´ fa´cil verificar, a partir da definic¸a˜o que, A+ 0n,m = 0n,m + A = A 3. Uma certa empresa de Computac¸a˜o produz um software X. Agora, para produzir este software foram necessa´rios seis te´cnicos, treˆs (um digitador, um programador e um analista de sistemas) de uma localidade A e os outros treˆs (digitador, programador e analista) de uma localidade B. As despesas feitas pela empresa na manutenc¸a˜o e transporte dos te´cnicos pode ser vista matricialmente por : A = Manut. T rans. 100 150 Dig. 800 400 Prog. 900 850 Anal. B = Manut. T rans. 80 50 Dig. 600 400 Prog. 1000 650 Anal. A matriz que representa a despesa total com alimentac¸a˜o e transporte de cada um dos te´cnicos vindo de ambas localidades e´ dada por : A+B = Manut. T rans. 180 200 Dig. 1400 800 Prog. 1900 1500 Anal. CAPI´TULO 2. MATRIZES 16 Exemplo 2.2.2 Uma Universidade, pretende utilizar o periodo de recezo das ferias para fazer a instalac¸a˜o de ar condicionado central nos blocos D,EeF do centreo de Cieˆncias exatas. Enta˜o faz uma licitac¸a˜o para a realizac¸a˜o desta obra, e pede que seja discriminado o custo por bloco, pois pode pegar a obra por bloco, e seleciona treˆs propostas, que deno- taremos por Emp.1, Emp.2 e Emp.3, como discriminada abaixo(os valores sa˜o relativos a R$1.000, 00 reais) : Bl D Bl E Bl F Emp.1 53 96 37 Emp.2 47 87 41 Emp.3 60 92 36 Enta˜o, a Universidade esta´ interessada na proposta de menor custo, e cada empressa so´ pode pegar um bloco para fazer. Como calcular a melhor proposta. Na verdade temos 3! = 3 × 2 × 1 possibilidades. Enta˜o a´s propostas podem ser vistas de maneira matricial como segue : 53 96 3747 87 41 60 92 36 Enta˜o estas seis propostas sa˜o dadas por : (a) 53︸︷︷︸ 96 37 47 87︸︷︷︸ 41 60 92 36︸︷︷︸ (b) 53︸︷︷︸ 96 37 47 87 41︸︷︷︸ 60 92︸︷︷︸ 36 (c) 53 96︸︷︷︸ 37 47︸︷︷︸ 87 41 60 92 36︸︷︷︸ (d) 53 96 37︸︷︷︸ 47︸︷︷︸ 87 41 60 92︸︷︷︸ 36 (e) 53 96︸︷︷︸ 37 47 87 41︸︷︷︸ 60︸︷︷︸ 92 36 (f) 53 96 37︸︷︷︸ 47 87︸︷︷︸ 41 60︸︷︷︸ 92 36 Onde a proposta (a) = 53 + 87 + 36 = 176 a proposta (b) = 53 + 92 + 41 = 186 a proposta (c) = 47 + 96 + 36 = 179 a proposta (d) = 47 + 92 + 37 = 176 a proposta (e) = 60+96+41 = 197 e finalmente a proposta (f) = 60+87 = 37 = 184. Mostrando que a proposta (a) e (d) sa˜o as melhores. Claramente o me´todo anterior e´ muito ”primitivo”ja em programac¸a˜o Linear poderam estudar me´todos mais eficientes. Proposic¸a˜o 2.2.1 Sejam A,B e C ∈Mn,m, enta˜o e´ valido que : i) Associatividade (A +B) + C = A+ (B + C) ii) Neutro ∃0n,m ∈Mn,m tal que A+ 0n,m = 0n,m + A = A iii) Inverso ∀A ∈Mn,m existe a matriz −A ∈Mn,m tal que A+ (−A) = 0n,m iv) Comutatividade A +B = B + A CAPI´TULO 2. MATRIZES 17 2.3 Multiplicac¸a˜o por Escalar Anteriormente definimos uma relac¸a˜o bina´ria, como sendo uma func¸a˜o que relacionava dois elementos do mesmo conjunto, e obtendo como resultado um novo elemento do mesmo conjunto, como faz a adic¸a˜o de matrizes. Agora estamos interessados em relacionar o corpo K com o conjunto das matrizes de ordem n×m por exemplo, e obter desta relac¸a˜o uma nova matriz de ordem n×m. Como fazer isto e´ o que mostra a seguinte definic¸a˜o. Definic¸a˜o 2.3.1 Chamaremos de produto por escalar, a´ operac¸a˜o externa · : K×Mn,m−→Mn,m dada da seguinte forma: Sejam α ∈ K e A ∈Mn,m enta˜o α · A = (αaij)n,m Veja que a operac¸a˜o externa produto por escalar nada mais e´ multiplicar cada uma das entradas da matriz A ∈Mn,m pelo escalar α ∈ K. Vejamos agora alguns exemplos. Exemplo 2.3.1 Sejam ( 2 3 −5√ 5 −2 6 ) , α1 = 2, e α2 = π. Enta˜o calculemos α1 ·A− α2 · A Exemplo 2.3.2 Seja A ∈Mn e λ ∈ K, enta˜o calculemos λ · In −A. Proposic¸a˜o 2.3.1 Sejam A,B ∈Mn,m e α, α1, α2 ∈ K, enta˜o sa˜o va´lidas: 1. (α1 + α2) ·A = α1 · A+ α2 · A 2. α · (A+B) = α · A+ α · B 3. α1(α2 · A) = (α1α2) ·A 4. 1 · A = A, −1 · A = −A, 0 ·A = 0n,m De agora em diante consideraremos α ·A = αA. Exemplo 2.3.3 Seja X ∈ M3. Enta˜o procuremos o valor da matriz X tal que satisfaz a seguinte igualdade: −4(X + 2 3 −5√5 −2 6 0 √ 3 1 ) = 5X + 1 0 45 0 3 1 1 0 CAPI´TULO 2. MATRIZES 18 2.3.1 Exerc´ıcios 1. Uma Universidade esta´ querendo pintar quatro dos seus carros, com as cores e os simbolosda universidade, enta˜o a Universidade faz uma licitac¸a˜o para executar este servic¸o, onde cada empressa so´ pode pintar um carro. Dentro das propostas ela seleciona quatro delas, cujos valores sa˜o dados segundo tabela abaixo. carro A carro B carro C carro D Of.1 3 6 7 5 Of.2 7 7 4 3 Of.3 6 2 6 5 Of.4 5 3 4 7 Enta˜o, encontre a melhor proposta para a Universidade. 2. Sejam A = 1 −3 4√7 0 −7 6 √−3 18 , B = 10 13 90 √7 −3 1 4 √ 11 , C = ( 2 0 9 2 √ 3 8 ) , D = ( 1 −3 4√ 7 0 −7 ) , e E = 1 40 −7√ 5 18 Enta˜o veja se e´ poss´ıvel calcular e, se foˆr possivel, enta˜o calcule: (a) 2A+B (b) E − 2C (c) −4A + 5B − 3C +D (d) D + I2 −E 3. Sejam α ∈ K e r ∈ R e A ∈Mn,m enta˜o mostre que: (a) α(rA) = (αr)A (b) (α + r)A = αA+ rA 4. Mostre que se r ∈ R, e A,B ∈Mn,m enta˜o, r(A+B) = rA+ rB. 5. Determine o valor da matriz X da seguinte igualdade: 0 9 8√2 10 6 5 √ 6 9 + 3X = 0 3 1910 7 −13 11 6 √ 11 CAPI´TULO 2. MATRIZES 19 6. Sejam A = 1 −3 4√7 0 −7 6 √−3 18 , B = 10 13 90 √7 −3 1 4 √ 11 , C = 2 0 92 √3 8 2 −4 7 . Justifique cada um dos seus passos para achar o valor da matriz X, das seguintes igualdades: (a) √ 2(2X +B) = 3 5 X + C − 2A (b) −3A + 5X = πC − 2 7 B (c) √ 7(3X + 2A) +−2(A−√5C) = 2 3 B 7. Mostre as propriedades da soma de matrizes e do produto por escalar. 8. Sejam A1, ..., Ar ∈Mn e sejam λ1, ..., λr ∈ K. Usando a definic¸a˜o de trac¸o de uma matriz mostre que : tr(λ1A1 + · · ·+ λrAr) = λ1tr(A1) + · · ·+ λrtr(Ar). 2.4 Multiplicac¸a˜o de Matrizes Ate´ agora temos definido a soma de matrizes e a multiplicac¸a˜o por escalar, agora nos resta trabalhar numa definic¸a˜o de multiplicac¸a˜o de matrizes. Comec¸aremos primeiro, considerando uma situac¸a˜o particular com matrizes de ordem 1 × n e de ordem n × 1, como sera´ dado na seguinte definic¸a˜o. Definic¸a˜o 2.4.1 O produto da matriz X = ( x1 x2 · · · xn ) pela matriz Y = y1 y2 ... yn e´ a matriz de ordem 1× 1 dada por : X · Y = ( x1 x2 · · · xn ) · y1 y2 ... yn = (x1y1 + x2y2 + · · ·+ xnyn) Ilustremos esta definic¸a˜o com o seguinte exemplo. Exemplo 2.4.1 Sejam X = ( 3 2 −6 ) e Y = 49 7 , a partir da definic¸a˜o segue que X · Y = ( 3 2 −6 ) 49 7 = (3 · 4 + 2 · 9 +−6 · 7) = (−12)1,1. Veja que, a partir da definic¸a˜o anterior o nu´mero de colunas da matriz X deve ser igual ao nu´mero de linhas da matriz Y , se isso acontece, diremos que as matrizes X e Y sa˜o compat´ıveis para a multiplicac¸a˜o. CAPI´TULO 2. MATRIZES 20 Definic¸a˜o 2.4.2 Sejam A ∈ Mn,p e B ∈ Mp,m. O produto das matrizes A e B, que denotaremos por C = AB, e´ a matriz cujo elemento gene´rico cij, e´ o produto da i-e´sima linha Ai da matriz A pela j-e´sima coluna Bj da matriz B, isto e´, cij = A iBj = ai1b1j + · · ·+ aipbpj onde 1 ≤ i ≤ n e 1 ≤ j ≤ m. Vejamos como esta definic¸a˜o funciona no seguinte exemplo. Exemplo 2.4.2 Sejam A = ( 1 5 3 2 ) e B = ( 2 6 7 8 5 −3 ) , enta˜o AB = ( 1 · 2 + 5 · 8 1 · 6 + 5 · 5 1 · 7 + 5 · −3 3 · 2 + 2 · 8 3 · 6 + 2 · 5 3 · 7 + 2 · −3 ) = ( 2 + 40 6 + 25 7− 15 6 + 16 18 + 10 21− 6 ) = ( 42 31 −8 22 28 15 ) Veja que o exemplo anterior mostra que o produto de matrizes pode na˜o ser comuta- tivo, visto que existe o produto AB, mas na˜o existe o produto BA. Exemplo 2.4.3 A notac¸a˜o matricial foi introduzida pelo matema´tico Ingleˆs Artur Cayley em 1958. Ele usou-a para abreviar a notac¸a˜o para expressar um sistema de equac¸o˜es lineares. Isto e´, o sistema a11x1+ a12x2+ · · · +a1mxm = b1 a21x1+ a22x2+ · · · +a2mxm = b2 ... ... ... ... ... an1x1+ an2x2+ · · · +anmxm = bn pode ser representado matricialmente pela seguinte equac¸a˜o : AX = B onde A = a11 a12 · · · a1n ... ... ... an1 an2 · · · anm e a matriz X = x1 x2 ... xm e B = b1 b2 ... bn onde o anterior se verifica facilmente usando as definic¸o˜es de produto de matrizes. Este prob- lema consiste em determinar um conjunto S de n-uplas x = x1 x2 ... xn cujas coordenadas satifazem simultaneamente a cada uma das equac¸o˜es do sistema dado por AX = B. O CAPI´TULO 2. MATRIZES 21 conjunto S e´ chamado de conjunto soluc¸a˜o do sistema de equac¸o˜es lineares. O sistema de equac¸o˜es lineares anterior e´ dito Homogeˆneo se a matriz coluna B = b1 b2 ... bm = 0 = 0 0 ... 0 foˆr nula. Uma matriz que sera´ estudada no final deste cap´ıtulo e´ a matriz aumentada, que denotaremos por (A : B), associada ao sistema de equac¸o˜es lineares anterior, observe que (A : B) ∈Mn,m+1. Vejamos auma pequena aplicac¸a˜o do exemplo anterior, no seguinte exemplo: Exemplo 2.4.4 Sabemos que dados dois pontos no plano R2, so pode passar uma u´nica reta, que a partir de geometria analitica e´ dada pela equac¸a˜o ax+ by + c = 0 Onde a, b, c ∈ R. Enta˜o, encontremos a equac¸a˜o da reta que passa pelos pontos (1, 2), (2, 3). Enta˜o veja que os pontos anteriores devem satisfazer a equac¸a˜o ax+ by + c = 0, ou seja que temos a seguinte situc¸a˜o : { a1+ b2+ = −c a2+ b3+ = −c Veja que na˜o e´ dific´ıl, usando alguns conhecimentos de segundo grao, mostrar que a = −3c e b = c, ou seja que a quac¸a˜o da reta procurada e´ dada por −3cx+ cy = c ou y = 3x+ 1 onde c 6= 0. Se A ∈Mn pode-se verificar facilmente que AIn = InA = A. Exemplo 2.4.5 Consideremos as seguintes matrizes : A = ( 1 3 4 7 ) ; B = ( 1 0 −1 1 ) ; C = ( 0 0 1 0 ) ; D = ( 0 0 2 0 ) ; E = ( 4 0 2 1 ) ; F = ( 4 0 6 7 ) ; I = ( 1 0 0 1 ) ; J = ( −1 0 0 1 ) ; K = ( 1 0 0 −1 ) ; e L = ( −1 0 0 −1 ) . CAPI´TULO 2. MATRIZES 22 1. AB = ( −2 3 −3 7 ) 6= ( 1 3 3 4 ) = BA, o que mostra que o produto de matrizes na˜o e´ comutativo. 2. CD = ( 0 0 0 0 ) , onde tanto a matriz C como a matriz D sa˜o diferente da matriz nula. 3. Veja que DE = ( 0 0 8 0 ) = DF , mas a matriz E 6= F , isto mostra que na˜o existe uma lei de cancelamento entre matrizes. 4. Temos que I2 = I, J2 = I, K2 = I, L2 = I, isto mostra que a matriz I tem pelo menos quatro ra´ızes quadradas, sendo que com escalares so´ poderia ter no ma´ximo duas ra´ızes. Por outro lado, a seguinte proposic¸a˜o mostra as propriedades va´lidas com o produto de matrizes. Proposic¸a˜o 2.4.1 Sejam A,B,C ∈Mn. Enta˜o sa˜o va´lidas : i) Associatividade : A(BC) = (AB)C. ii) Neutro : Existe In ∈Mn tal que InA = AIn = A. iii) Lei Distributiva Esquerda : A(B + C) = AB + AC. iv) Lei Distributiva Direita : (A +B)C = AC +BC. Se considerarmos matrizes quadradas, digamos de n × n, podemos ter o conceito de poteˆncia de uma matriz, ou seja que se A ∈ Mn segue que A0 = In;A1 = A;AA = A2, · · · , An+1 = AAn. Fazendo uso de induc¸a˜o finita, como visto no cap´ıtulo 1, pode- mos mostrar que An+m = AnAm. A partir do anterior, podemos trabalhar expresso˜es polinoˆmiais como p(x) = anx n + an−1x n−1 + · · · + a0 ∈ K[x], isto e´, podemos calcular p(A) = anA n + an−1A n−1 + · · ·+ a0In ∈Mn, vejamos isto no seguinte exemplo. Exemplo 2.4.6 Seja A = ( 1 4 3 8 ) ∈M2 e consideremos o polinoˆmio p(x) = x3+x−2, enta˜o p(A) = A3 + A− 2I2 = ( 1 4 3 8 )3 + ( 1 4 3 8 ) − 2 ( 1 0 0 1 ) = ( 121 340 255 716 ) + ( 1 4 3 8 ) + ( −2 0 0 −2 ) = ( 121 + 1− 2 340 + 4 + 0 255 + 3 + 0 716 + 8− 2 ) = ( 120 344 258 722 ) CAPI´TULO 2. MATRIZES 23 Exemplo 2.4.7 Consideremos oseguinte sistema de comunicac¸a˜o (esses centros de co- municac¸a˜o podem representar pessoas, nac¸o˜es, computadores etc.) dado pelo seguinte diagrama. 1 3 2 4 onde a seta indica que o terminal i se comunica com o terminal j. A forma matricial deste diagrama e´ dado pela matriz. A = 0 1 1 1 1 0 1 1 0 0 0 0 1 1 1 0 onde aij = 1 se existe comunicac¸a˜o entre o terminal i e o terminal j e aij = 0, caso contrario. Estamos considerando que os terminais na˜o se comunicam com se pro´prios. Enta˜o temos: B = AA = A2 = 2 1 2 1 1 2 2 1 0 0 0 0 1 1 2 2 = (aij)n,m Aqui b11 = a11a11+a12a21 +a13a31 +a14a41 = 2, veja que esses produtos a1jaj1 e´ um, se, e somente se a1j e aj1 sa˜o um, isto diz que o terminal 1 esta´ comunicado com o terminal j e o terminal j esta´ comunicado com o terminal 1, logo como b11 = 2, diz que temos duas chances de isto acontecer, o terminal 1 via outro terminal se comunicar com o terminal 1 novamente. Assim A+A2 diz sobre o nu´mero total de chances de comunicac¸a˜o que esta˜o abertas entre va´rios terminais usando nenhum terminal ou um terminal intermedia´rio. Uma das grandes ferramentas na a´rea de transportes hoje em dia, e´ dada pela teoria de grafos, que claramente na˜o o nosso objeto de estudo, mas daremos a definic¸a˜o de grafo dirigido para ilustrar uma outra aplicac¸a˜o destes conceitos matriciais vistos ate´ aqui. Definic¸a˜o 2.4.3 Chamaremos de Grafo Dirigido a´ quadrupla G = (G0, G1, o, t), onde G0 e´ o conjunto de ve´rtices, e G1 e´ o conjunto de Flechas, e para qualquer flecha α ∈ G1 temos a func¸a˜o o : G1−→G0 talque o(α) e´ o ve´rtice origem da flecha α, e a func¸a˜o t : G1−→G0 e´ o ve´rtice final ou te´rmino da flecha α. Ilustremos a definic¸a˜o anterior no seguinte exemplo. CAPI´TULO 2. MATRIZES 24 Exemplo 2.4.8 Consideremos uma familia, com a Ma˜e, Pae uma filha e dois filhos. Cada um dos membros desta familia tem influeˆncia sobre os outros membros da familia da seguinte forma : A Ma˜e, tem influencia sob a sua filha e sobre o filho mais velho; e o Pae tem influencia sobre os dois filhos; e a filha pode influenciar sobre o Pae; e o filho mais velho pode influenciar sobre o irma˜o mais novo, e finalmente o filho mais novo pode influenciar a Ma˜e. Enta˜o, usando grafos podemos modelar esta familia da seguinte forma : G0 = {Ma˜e,Pae,Filha,Filho mais velho,Filho mais novo} = {M,P, F, Fv, Fn} e G1 = {Influencia na familia} = {α1, α2, α3, α4, α5, α6, α7} Fv α2 M α5 α1 Fn α4 F α7 P α6 α3 •1 α2 •2 α5 α1 •3α4 •4 α7 •5 α6 α3 (a) (b) Em um grafo dirigido com n ve´rtices, podemos associar uma matriz M = (nij) ∈Mn, chamada dematriz de incideˆncia do grafo dirigido. As entradas da matriz de incideˆncia sa˜o dados da seguinte forma : nij = { 1 se Pi−→Pj 0 outra para i, j = 1, 2, ..., n. Agora, a matriz de incideˆncia associado ao exemplo 2.4.8 e´ dado pela seguinte matriz : M = 1 2 3 4 5 1 0 1 0 0 1 2 0 0 1 0 0 3 1 0 0 0 1 4 0 1 0 0 0 5 0 0 0 1 0 Exemplo 2.4.9 Consideremos a seguinte situac¸a˜o de migrac¸a˜o entre a regia˜o Nordeste do Brasil e a regia˜o de Rio- Sa˜o Paulo da seguinte forma. Cada Ano, 50% da Populac¸a˜o do Nordeste migra para a regia˜o de Rio-Sa˜o Paulo, na˜o entanto 25% da Populac¸a˜o de Rio-Sa˜o Paulo migra para a regia˜o Nordeste. ND0.5 0.5 RSp 0.75 0.25 Se esta migrac¸a˜o tende a continuar, nos parametros anteriores, sera´ que acabara a populac¸a˜o no Nordeste, ou a futuro esto se estabilizara?. CAPI´TULO 2. MATRIZES 25 Enta˜o, vamos supor que sejam nk e sk as proporc¸o˜es das populac¸o˜es no Nordeste e no Rio-Sa˜o Paulo respectivamente num determinado ano k, e enta˜o temos que nk + sk = 1. Logo, estas diretrizes determinam que no ano seguinte, isti e´, no ano k+1 as proporc¸o˜es de populac¸o˜es sera´ dado por nk+1 = nk0.5 + sk0.25 sk+1 = nk0.5 + sk0.75 Se pTk = (nk, sk) e p T k+1 = (nk+1, sk+1) representam as populac¸o˜es no final do ano k e no ano k + 1 respectivamente, enta˜o temos a matriz T = ( 0.5 0.5 0.25 0.75 ) Sendo a matriz de transic¸a˜o, de onde temos que pTk+1 = p T k T . Logo, temos a seguinte sequeˆncia pT1 = p T 0 T ; p T 2 = p T 1 T = p T 0 T 2; pT3 = p T 2 T = p T 0 T 3; . . . ; pTk = p T 0 T k Calculando as poteˆncias da matriz T temos T 2 = ( 0.375 0.625 0.312 0.687 ) · · · T 7 = ( 0.333 0.667 0.333 0.667 ) Na˜o e´ dificil de ver que esta sequeˆncia tende a matriz T∞ = lim k−→∞T k = ( 1 3 2 3 1 3 2 3 ) Portanto, a migrac¸a˜o a futuro estara´ estabilizada, onde 1 3 da populac¸a˜o ficara no Nordeste, e 2 3 da populac¸a˜o ficara˜o no Rio-Sa˜o Paulo. Vejamos agora uma aplicac¸a˜o entre matrizes que sera´ de muita utilidade na parte final deste texto. Definic¸a˜o 2.4.4 Seja A = (aij) ∈ Mn,m. A transposta da matriz A, que indicaremos por At, e´ a matriz obtida da matriz A trocando as linhas por colunas, isto e´, At = (aji) ∈Mm,n Veja que transposta pode ser vista como uma transformac¸a˜o ()t : Mn,m−→Mm,n. Ilus- tremos esta definic¸a˜o com o seguinte exemplo. Exemplo 2.4.10 Seja A = 24 2 6 812 3 10 1 11 0 1 7 enta˜o At = 24 12 11 2 3 0 6 10 1 8 1 7 CAPI´TULO 2. MATRIZES 26 Na seguinte proposic¸a˜o, damos as propriedades satisfeitas pela transposta de matrizes. Proposic¸a˜o 2.4.2 Sejam A ∈Mn,p , B ∈Mp,m e c ∈ K. Enta˜o sa˜o va´lidas : i) (At)t = A. ii) (A+B)t = At +Bt. iii) (cA)t = cAt. iv) (AB)t = BtAt. Definic¸a˜o 2.4.5 Seja A ∈Mn. Enta˜o diremos que a matriz A e´ sime´trica se At = A, e diremos que a matriz A e´ anti-sime´trica se At = −A. Um dos fatos importantes sobre simetria e anti-simetria de matrizes e´ dada na seguinte proposic¸a˜o. Proposic¸a˜o 2.4.3 Seja A ∈ Mn. Enta˜o a matriz A se decompo˜e como a soma de uma matriz sime´trica, que denotaremos por As, mais uma matriz anti-sime´trica, que denotaremos por Aa, isto e´, A = As + Aa Dem. Seja A uma matriz como no enunciado, enta˜o consideremos as seguintes matrizes As = A+ At 2 e Aa = A−At 2 Claramente As + Aa = A, enta˜o so´ resta mostrar que a matriz As e´ sime´trica e que a matriz Aa e´ anti-sime´trica. Mas pelas propriedades da transposta temos: (As) t = ( A+ At 2 )t = At + (At)t 2 = A+ At 2 = As portanto As e´ sime´trica. De forma ana´loga temos que (Aa) t = −Aa logo e´ anti-sime´trica, como quer´ıamos. � CAPI´TULO 2. MATRIZES 27 2.4.1 Exerc´ıcios 1. Ache a equac¸a˜o da reta que passa pelos pontos (−2, 1); (3, 8). 2. Construa a matriz de incideˆncia dos seguintes grafos orientados. •1 α2 •2 α5 α1 •3 α5 •4 α6 α3 •1 α2 α8 α1 •2 α5 •3α4 •4 α7 α9 •5 α6 α3 (a) (b) 3. Ache o grafo orientado, associado as seguintes matrizes : 0 1 0 0 1 0 0 0 1 0 1 0 1 0 0 1 0 1 0 1 0 0 1 1 1 1 1 1 0 0 1 1 1 1 0 0 0 1 0 0 1 1 0 1 0 1 0 0 0 1 0 1 1 1 0 1 1 1 1 0 0 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 0 1 0 1 1 0 1 0 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 1 0 0 1 1 1 0 1 1 0 (a) (b) (c) 4. Expresse o seguinte sistema linear, como uma equac¸a˜o matricial da forma AX = B, identificando cada uma das matrizes, A;X e B. 3x1 +6x2 −x3 = 6 −4x1 +2x2 = 9 3x2 +5x3 = 5 5. Mostre que − 1 − 1 − 10 1 0 0 0 1 2 = 0 1 0− 1 − 1 − 1 0 0 1 3 = 0 1 00 0 1 − 1 − 1 − 1 4 = I3 6. Sejam A,B ∈M2, tais que AB = BA. Enta˜o mostre que (A+B)2 = A2 + 2AB +B2 Se as matrizes A,B ∈ Mn sa˜o quaisquer, a igualdade e´ sempre verdadeira?. Mostre um contra exemplo se na˜o foˆr verdadeiro. CAPI´TULO 2. MATRIZES 28 7. Seja A ∈ Mn e p(x) = anxn + an−1xn−1 + ·· · + a0 ∈ K[x], enta˜o mostre que Ap(A) = p(A)A. 8. Consideremos a seguinte situac¸a˜o de migrac¸a˜o entre Rio e Sa˜o Paulo da seguinte forma. Cada ano, 30% da Populac¸a˜o do Rio migra para a regia˜o de Sa˜o Paulo, na˜o entanto 20% da Populac¸a˜o de Sa˜o Paulo migra para o Rio. Sera´ que esta migrac¸a˜o se estabiliza? 9. Uma matriz A de ordem n e´ dita idempotente se A2 = A. a) Verifique se a matriz 2 − 2 − 4− 1 3 4 1 − 2 3 e´ idempotente ou na˜o. b) Mostre que se AB = A e BA = B, enta˜o A e B sa˜o idempotentes. c) Se a matriz A e´ idempotente, mostre que a matriz B = I − A e´ idempotente e AB = BA = 0. 10. Sejam A,B ∈M2, mostre que: a) tr(A± B) = tr(A)± tr(B). b) tr(αA) = αtr(A), onde α ∈ K. c) tr(AB −BA) = 0. onde tr(A) denota o trac¸o da matriz A, ou seja a soma da diagonal principal da matriz A. 11. Mostre as propriedades da transposta. 12. Mostre que se A ∈Mn enta˜o a matriz AAt e´ uma matriz sime´trica. 13. Diga se e´ verdadeiro ou falso, e justifique a sua resposta : a) Se as matrizes A e B sa˜o sime´tricas, enta˜o A+B e A− B sa˜o sime´tricas. b) Se as matrizes A e B sa˜o anti-sime´tricas enta˜o A+B e A−B sa˜o anti-sime´tricas. 14. Expresse a matriz 3 1 8− 4 − 9 2 6 − 5 1 como soma de uma matriz sime´trica e outra anti-sime´trica. CAPI´TULO 2. MATRIZES 29 2.5 Inversa˜o de Matrizes Temos visto, nas sec¸o˜es anteriores, que podemos somar e multiplicar matrizes no conjunto Mn, onde as matrizes com a soma, tem estrutura de grupo abeliano, e com o produto e´ so´ um grupoide com unidade I. Enta˜o e´ natural se perguntar: Dada uma matriz A ∈ Mn quando e´ poss´ıvel achar uma outra matriz B ∈ Mn tal que o produto AB = I seja a matriz identidade?. Este conceito e´ dado na seguinte definic¸a˜o. Definic¸a˜o 2.5.1 Seja A ∈ Mn. Diremos que a matriz A e´ invert´ıvel pela esquerda (direita) se existe uma matriz C ∈Mn (B ∈Mn) tal que AC = In (BA = In). A definic¸a˜o anterior diz, que uma matriz quadrada A de ordem n pode ter inversa so´ pela direita ou so´ inversa pela esquerda, mas se tiver inversa pelos dois lados temos a seguinte proposic¸a˜o. Proposic¸a˜o 2.5.1 Seja A ∈ Mn. Se A tem inversa pela direita B e pela esquerda C, enta˜o temos que B = C. Dem. A partir da definic¸a˜o de inversa temos que BA = In e CA = In. Enta˜o, B = BIn = B(AC) = (BA)C = InC = C � Desta forma, se a matriz A tem inversa pela direita e pela esquerda, enta˜o a partir da proposic¸a˜o anterior a matriz A tem uma u´nica inversa, que denotaremos por A−1, e neste caso diremos que a matriz A e´ invert´ıvel (ou na˜o singular), e A−1A = AA−1 = In, caso contra´rio diremos que a matriz A na˜o e´ invert´ıvel (ou singular). Exemplo 2.5.1 Sejam A = ( 3 −5 −4 7 ) e B = ( 7 5 4 3 ) , enta˜o AB = ( 3 −5 −4 7 ) · ( 7 5 4 3 ) = ( 1 0 0 1 ) = BA. Portanto A−1 = ( 7 5 4 3 ) . Veja que, nem toda matriz admite inversa, como veremos no seguinte exemplo. Exemplo 2.5.2 Seja A = ( 3 6 4 8 ) , enta˜o achar a inversa da matriz A significa achar uma matriz X = ( x y z w ) , tal que AX = ( 3 6 4 8 ) · ( x y z w ) = ( 1 0 0 1 ) , de onde pode-se obter o seguinte sistema de equac¸o˜es. 3x +6z = 1 3y +6w = 0 4x +8z = 0 4y +8w = 1 O ca´lculo anterior mostra que o sistema e´ inconsistente, logo na˜o e´ poss´ıvel achar x, y, z nem w, tal que AX = I2. Portanto a matriz A na˜o e´ invert´ıvel. CAPI´TULO 2. MATRIZES 30 Proposic¸a˜o 2.5.2 Sejam A,B ∈Mn invers´ıveis. Enta˜o e´ va´lido que : i) (A−1)−1 = A ii) (AB)−1 = B−1A−1 Dem. A primeira afirmac¸a˜o decorre diretamente da definic¸a˜o. Enta˜o vejamos a segunda, na qual basta verificar que: (AB)(B−1A−1) = A(BB−1)A−1 = AInA −1 = AA−1 = In e de maneira ana´loga verifica-se (B−1A−1)(AB) = In. � Corola´rio 1 Sejam A1, A2, . . . , An ∈Mn, matrizes invers´ıveis, enta˜o (A1A2 · · ·An)−1 = A−1n · · ·A−12 A−11 Assim como t´ınhamos definido poteˆncias na multiplicac¸a˜o de matrizes, temos que se A e´ uma matriz quadrada de ordem n e invertivel, enta˜o por induc¸a˜o segue que A−n = (A−1)n, onde n ∈ N. Proposic¸a˜o 2.5.3 Sejam A,B ∈ Mn. Se AB = 0, enta˜o a matriz A = 0 ou a matriz B = 0 ou ambas A e B na˜o sa˜o invers´ıveis. Dem. Claramente se a matriz A ou a matriz B e´ zero, o anterior e´ claro, logo so´ resta assumir que as matrizes A e B sa˜o diferentes da matriz nula. Enta˜o vamos supor que a matriz A ou a matriz B e´ invert´ıvel, e obtenhamos uma contradic¸a˜o. Consideremos a matriz A invert´ıvel, logo como AB = 0⇒ A−1(AB) = A−10⇒ InB = 0 Ou seja que a matriz B e´ nula, o que e´ uma contradic¸a˜o pois ela e´ inversivel. De forma ana´loga segue que B na˜o pode ser invert´ıvel, portanto as matrizes A e B na˜o sa˜o invers´ıveis. � Exemplo 2.5.3 Sejam A = ( 0 0 3 0 ) e B = ( 0 5 0 0 ) , segue que AB = BA =( 0 0 0 0 ) , onde tanto a matriz A como a matriz B sa˜o diferentes da matriz nula, logo pela proposic¸a˜o anterior podemos concluir que, as matrizes A e B na˜o sa˜o invers´ıveis. Proposic¸a˜o 2.5.4 Seja A ∈Mn. Se a matriz A tem inversa pela esquerda (ou direita), enta˜o a matriz A e´ invert´ıvel. A demonstrac¸a˜o desta proposic¸a˜o sera´ deixada para depois, mas esta proposic¸a˜o diz que para uma matriz A quadrada de ordem n ser invert´ıvel, basta ter somente inversa ou pela direita ou pela esquerda. Recordemos que um sistema de equac¸o˜es da forma: CAPI´TULO 2. MATRIZES 31 a11x1+ a12x2+ · · · +a1nxn = b1 a21x1+ a22x2+ · · · +a2nxn = b2 ... ... ... ... ... an1x1+ an2x2+ · · · +annxn = bn Pode ser representado matricialmente pela seguinte equac¸a˜o matricial AX = B onde A = a11 a12 · · · a1n ... ... ... an1 an2 · · · ann e a matriz X = x1 x2 ... xn e B = b1 b2 ... bn Se consideramos a matriz anterior A invert´ıvel, a equac¸a˜o matricial AX = B tem uma u´nica soluc¸a˜o, a saber dada por: X = A−1B Que e´ soluc¸a˜o, isto e´ claro, pois e´ so´ substituir na equac¸a˜o matricial X = A−1B em AX = B, enta˜o mostremos agora, que esta soluc¸a˜o e´ u´nica. Para isto, vamos supor que na˜o, isto e´, que existe uma outra soluc¸a˜o Y tal que AY = B, enta˜o segue que : X = A−1B = A−1(AY ) = (A−1A)Y = Y Portanto a soluc¸a˜o X = A−1B e´ u´nica. Vejamos uma aplicac¸a˜o desta proposic¸a˜o, no seguinte exemplo pra´tico. Exemplo 2.5.4 Uma empresa de componentes eletroˆnicos, usa dois tipos de maquinas P e Q para produzir dois tipos de componentes eletroˆnicos A e B. As maquinas P e Q podem operar 80 e 60 horas por semana, respectivamente. A maquina P requer duas horas para produzir o componente eletroˆnico A e quatro horas para produzir o componente eletroˆnico B. A maquina Q requer treˆs horas para produzir o componente eletroˆnico A, e duas horas para produzir o componente eletroˆnico B. Estamos interessados em determinar o nu´mero de unidades de cada componente eletroˆnico produzidos pelas maquinas P e Q, semanais. Soluc¸a˜o. Seja x o nu´mero de unidades do componente eletroˆnico A e y o nu´mero de componentes eletroˆnicos B produzidos por semana. Logo, a maquina P gasta 2x horas para produzir o componente A e 4y horas para produzir o componente B. Se a maquina trabalha o tempo todo, temos 2x+ 4y = 80 De forma ana´loga a anterior, com a maquina Q temos que 3x+ 2y = 60 CAPI´TULO 2. MATRIZES 32 Enta˜o matricialmente a situac¸a˜o anterior e´ dada por( 2 4 3 2 )( x y ) = ( 80 60 ) Vejamos se a matriz C = ( 2 4 3 2 ) admite inversa, isto e´, se existe uma matriz ( a b c d ) tal que ( 2 4 3 2 )( a b c d ) = ( 1 0 0 1 ) enta˜o temos que C−1 = ( −1/4 1/2 3/8 −1/4 ) , portanto X = ( −1/4 1/2 3/8 −1/4 )( 80 60 ) = ( 10 15 ) Destaforma, podem ser produzidos dez componentes eletroˆnicos do tipo A semanais e quinze do tipo B. Podemos trabalhar outros exemplos de aplicac¸o˜es de matrizes, como e´ dado pelo en- cobrimento de mensagens. A historia da humanidade mostra a Julio Ce´sar o grande imperador Romano, como sendo um dos precursores na a´rea de Criptografia, que e´ a cieˆncia das comunicac¸o˜es secretas, que vem a resolver o seguinte problema: Transmitir a um destinata´rio de maneira segura uma mensagem ou in- formac¸a˜o de forma que somente o destinta´rio possa entender o conteu´do, a pesar de que outras pessoas possam ter acesso a mensagem. Quando transformamos uma mensagem ou informac¸a˜o, de tal forma que possa ser entendida somente pelo destinata´rio, diremos que a mensagem ou a informac¸a˜o esta cod- ificada, e que o destinata´rio conhece a decodificac¸a˜o. Vejamos um exemplo dado pela historia da humanidade de como o anterior funciona. O Grande Imperador Romano Julio Ce´sar, usava um deslocamento das letras do alfabeto, de tal forma que a letra A escrevia-se como D, e os espac¸os entre as palavras colocava-se a letra A. O anterior parece muito facil, basta conhecer o idioma ou saber ler e escrever bem para codificar e decodifivcar estas mensagens, mas recordemos que saber ler e escrever nos tempos de Julio Ce´sar era coisa de muito, mas muito poucos, o que tornava o sistema anterior complexo para a e´poca. Vejamos o seguinte exemplo: A frase ”Historias Curiosas Na Matema´tica”, escreve-se da seguinte forma: KLVWRULDVAFXULRVDVAQDAPDWHPDWLFD Que ta˜o dif´ıcil ser´ıa para o exercito inimigo decifrar esta mensagem?. Na˜o sabemos da habilidade dos inimigos de Julio Ce´sar, mas este tipo de codificac¸a˜o na˜o e´ dif´ıcil descobrir. Basta estudar a frequeˆncia em que as letras aparecem, que varia de idioma para idioma, e a quantidade de mensagem que voceˆ tem vai ajudar muito para voceˆ descobrir a decodificac¸a˜o. O anterior da uma ideia para decodificar o co´digo de transposic¸a˜o de Julio Ce´sar. CAPI´TULO 2. MATRIZES 33 Agora, a historia mais recente mostra uma sofisticac¸a˜o na forma de codificar e de- codificar mensagens. Durante a primeira Guerra Mundial, os Britaˆnicos interceptaram uma mensagem codificada do ministro de relac¸o˜es Exteriores de Alemanha, Arthur Zim- mermann, dirigido ao embaixador no Me´xico, Heinrich von Eckardt. Depois de muito trabalho, os analistas Britaˆnicos conseguiram quebrar a mensagem, e descobriram um plano por parte do Governo Alema˜o de estimular o Me´xico para participar na guerra como aliado do Governo Alema˜o. Em contrapartida, o Me´xico recuperaria as terras per- didas para os Estados Unidos em 1847. Foi enviado um aviso ao Presidente dos Estados Unidos, Woodrow Wilson, que o ajudou a decidir pela entrada na guerra imediatamente junto com os aliados. O que prob- abelmente, acelerou o final da primeira Guerra Mundial. O sistema de codificac¸a˜o alema˜o estava baseado na teoria de matrizes estudada neste texto. Por exemplo, consideremos as seguintes matrizes: A0 = ( 2 3 3 5 ) B0 = ( 5 −3 −3 2 ) que sa˜o tais que: A0 × B0 = ( 2 3 3 5 ) × ( 5 −3 −3 2 ) = ( 1 0 0 1 ) Vejamos, agora como poder´ıamos usar as operac¸o˜es com matrizes para esconder in- formac¸o˜es, de uma maneira mais eficiente que a implementada por Julio Ce´sar. Comencemos por assinar a cada letra do alfabeto um numero, da seguinte forma: A B C D E F G H I J K L M 1 2 3 4 5 6 7 8 9 10 11 12 13 N O P Q R S T U V W X Y Z 14 15 16 17 18 19 20 21 22 23 24 25 26 Codifiquemos a seguinte mensagem: O Nu´mero e´ a origem de todas as coisas (PLATON) Comec¸aremos dividindo a mensagem em pares de letras, pois a matriz que estamos considerando e´ de tamanho 2× 2, como segue: ON UM ER OE AO RI GE MD ET OD AS AS CO IS AS PL AT ON Com a divisa˜o anterior, transformaremos os pares de letras, em colunas da seguinte forma: ( 15 14 ) ( 21 13 ) ( 5 18 ) ( 1 15 ) ( 18 9 ) ( 7 5 ) ( 13 4 ) ( 5 20 ) ( 15 4 ) ( 1 19 ) ( 1 19 ) ( 3 15 ) ( 9 19 ) ( 1 19 ) ( 16 12 ) ( 1 20 ) ( 15 14 ) CAPI´TULO 2. MATRIZES 34 Agora usaremos a matriz A0 = ( 2 3 3 5 ) para ocultar a nossa mensagem. Faremos isto, multiplicando cada uma das nossas colunas pela matriz A0 anterior. Enta˜o temos o seguinte conjunto de novas colunas:( 72 115 ) ( 81 128 ) ( 64 105 ) ( 47 78 ) ( 63 99 ) ( 29 46 ) ( 38 59 ) ( 70 115 ) ( 42 65 ) ( 59 98 ) ( 59 98 ) ( 51 84 ) ( 75 122 ) ( 59 98 ) ( 68 108 ) ( 62 103 ) ( 57 115 ) Para decodificar a mensagem anterior, procedemos da seguinte forma: Ele, o desti- nata´rio, deve conhecer a matriz B0 = ( 5 −3 −3 2 ) que e´ a matriz inversa da matriz A0. Onde ele multiplica as novas colunas pela matriz B0 e podera´ ler a mensagem de forma correta. Veja que a mensagem anterior e´ muito dif´ıcil de decodificar, se na˜o se conhecem as matrizes A0 e a matriz B0, mas na˜o e´ imposs´ıvel. Uma outra dificuldade passa pelo fato de encontrar gente qualificada na a´rea de A´lgebra para poder entender e poder desenvolver um sistema de decodificac¸a˜o, que poder´ıa ser comparada a dificuldade de Julio Ce´sar, para encontrar gente qualificada com o idioma. A mensagem dirigida ao embaixador da Alemanha no Me´xico decodificado pelo servic¸o de inteligencia Britaˆnico, estava codificado via uma matriz de 6× 6. De quantas formas podemos escolher a nossa matriz invers´ıvel A0? A resposta a pergunta anterior e´ dada pelo seguinte Teorema. Proposic¸a˜o 2.5.5 Uma matriz ( a b c d ) admite inversa com entradas inteiras, se e somente se, ad− bc e´ 1 ou −1 Dem. Sejam A = ( a b c d ) e B = ( e f g h ) duas matrizes com entradas inteiras, tais que AB = I, enta˜o det(A) = ad − bc = p e det(B) = eh − gf = q tambe´m sa˜o inteiros. Portanto, det(AB) = det(A)det(B) = pq = 1 = det(I) e como p, q sa˜o inteiros temos que p, q sa˜o diviosres de 1, se e somente se, p = q = 1 ou p = q = −1. � Os exemplos anteriores deixam pelo menos duas perguntas: • Quando uma matriz tem inversa?ou Como decidir se uma determinada matriz admite inversa? • Como calcular esta inversa?, se ela existir. Um dos objetivos no pro´ximo cap´ıtulo, e´ tentar responder estas duas perguntas. CAPI´TULO 2. MATRIZES 35 2.5.1 Exerc´ıcios 1. Verifique se as seguintes afirmac¸o˜es sa˜o verdadeiras ou falsas, e justifique a sua resposta. a) Se A na˜o e´ uma matriz quadrada, enta˜o na˜o existe A−1. b) Se A,B ∈Mn sa˜o matrizes invers´ıveis, enta˜o A+B tambe´m e´ invert´ıvel. c) Se A,B ∈Mn sa˜o matrizes singulares, enta˜o A+B e´ singular. 2. Sejam A,B,C ∈ Mn matrizes invers´ıveis. Enta˜o ache o valor da matriz X nas seguintes igualdades. a) A(X + C) = BC b) B(X + AC) = X + C 3. Seja A ∈ Mn tal que, Am = In para algum inteiro m. Mostre que a matriz A e´ invert´ıvel. Qual e´ a inversa da matriz A?. 4. Seja A ∈Mn. Diremos que a matriz A e´ nilpotente, se existe um inteiro k > 0, tal que Ak = 0 e Ak−1 6= 0. Mostre que, se a matriz A e´ nilpotente, enta˜o a matriz A na˜o e´ invert´ıvel. 5. Sejam A = ( 2 5 1 3 ) e B = ( 3 2 ) . Ache a matriz X que satisfaz a seguinte equac¸a˜o : AX = B 6. Use a matriz A do exerc´ıcio anterior para calcular A−2 e A−3. 7. Calcule a inversa da matriz A ∈Mn diagonal: A = { aij 6= 0 se i = j aij = 0 se i 6= j 8. Seja A = ( a b c d ) . Mostre que A e´ invert´ıvel se ∆ = ad− bc 6= 0 e calcule A−1. 9. Seja A ∈Mn. a) Se A3 = 0 enta˜o mostre que I − A e´ uma matriz invert´ıvel. b) Em geral, se An = 0 para algum n ∈ N, enta˜o mostre que a matriz I − A e´ invert´ıvel. c) Suponha que A3 −A− I = 0. Enta˜o mostre que a matriz A e´ invert´ıvel. 10. Seja A = ( cosθ −senθ senθ cosθ) . Mostre que A2 = ( cos2θ −sen2θ sen2θ cos2θ ) . Use induc¸ao para determinar An, onde n ∈ N. CAPI´TULO 2. MATRIZES 36 11. Use sistema de Julio Ce´sar para decodificar a seguinte mensagem: HVWXGDUAPHAIDCAEHP 12. Decodifique a seguinte mensagem:( 23 14 ) ( 89 52 ) ( 67 43 ) ( 103 52 ) ( 11 6 ) ( 39 20 ) ( 45 21 ) ( 16 9 ) ( 39 20 ) ( 51 30 ) ( 43 24 ) ( 56 37 ) Cap´ıtulo 3 Sistemas de Equac¸o˜es e Inversa˜o de Matrizes 3.1 Forma Reduzida de Matrizes Vimos, no final do cap´ıtulo anterior, a importaˆncia da existeˆncia de matriz inversa na resoluc¸a˜o de sistema de equac¸o˜es lineares, como ilustra o seguinte exemplo:{ 2x +4y = 80 3x +2y = 60 fazendo uso da notac¸a˜o matricial segue que:( 2 4 3 2 )( x y ) = ( 80 60 ) enta˜o, calculando a inversa da matriz ( 2 4 3 2 )−1 = ( −1/4 1/2 3/8 −1/4 ) , a soluc¸a˜o do sistema linear anterior e´ dada por : X = ( x y ) = ( −1/4 1/2 3/8 −1/4 )( 80 60 ) = ( 10 15 ) Veja que a soluc¸a˜o que encontramos no problema acima, temos feito uso do ca´lculo da inversa da matriz ( 2 4 3 2 ) . Esta e´ a u´nica forma de calcular o conjunto soluc¸a˜o de sistemas de equac¸o˜es lineares?, e se tivermos uma outra maneira de calcular o conjunto de soluc¸o˜es do sistema linear, como modificando o sistema original. Sera´ que o conjunto de soluc¸o˜es do sistema de equac¸o˜es lineares e´ o mesmo?. Sera´ que e´ possivel transformasr este sistema de equac¸o˜es lineares num outro muito mais simples?, e como poderia ser feito isto?. Sera´ que o conjunto de soluc¸o˜es do sistema inicial e o do sistema transformado coincidem?. A partir do exemplo 37 CAPI´TULO 3. SISTEMAS DE EQUAC¸O˜ES E INVERSA˜O DE MATRIZES 38 anterior podemos mostrar o seguinte proscesso de resolver o mesmo sistema de equac¸o˜es lineares, para tentar responder alumas das perguntas feitas anteriormente:{ L1 : 2x +4y = 80 L2 : 3x +2y = 60 Se multiplicarmos L1 por 1 2 temos o seguinte novo sistema de equac¸o˜es :{ L1 : x +2y = 40 L2 : 3x +2y = 60 A seguir, podemos multiplicar a primeira equac¸a˜o do sistema L1 por −3 e somar com a segunda equac¸a˜o L2, desta forma obtemos o seguinte sistema:{ L1 : x +2y = 40 L2 : 0x −4y = −60 Agora, se multiplicarmos a segunda equac¸a˜o L2 por −1 4 temos o seguinte sistema de equac¸o˜es: { L1 : x +2y = 40 L2 : 0x +y = 15 Finalmente, se multiplicamos a segunda equac¸a˜o L2 por −2 e somamos com L1 temos:{ L1 : x +0y = 10 L2 : 0x +y = 15 Observe que, o conjunto soluc¸a˜o do sistema de equac¸o˜es acima e´ o mesmo encontrado fazendo uso do ca´lculo de inversa. O me´todo descrito no exemplo e´ conhecido como o me´todo de Gauss1 para resolver sistemas de equac¸o˜es. Veja que se mudarmos de ordem as equac¸o˜es anteriores ou, se multiplicamos a igualdade por uma constante na˜o nula as soluc¸o˜es do sistema continuam sendo as mesmas, enta˜o consideremos a seguinte definic¸a˜o. Definic¸a˜o 3.1.1 Chamaremos de operac¸o˜es elementares num sistema de equac¸o˜es lin- eares, as seguintes : a) Trocar a ordem das equac¸o˜es do sistema . b) Multipilicar uma equac¸a˜o do sistema por uma escalar na˜o nulo. c) Somar a uma equac¸a˜o do sistema o mu´ltiplo escalar de outra equac¸a˜o do sistema. Veja que as operac¸o˜es descritas na definic¸a˜o anterior, diz que as novas equac¸o˜es resul- tantes, depois de aplicar estas operac¸o˜es elementares, sa˜o somas e multiplos escalares das equac¸o˜es originais, ou sa˜o uma ”combinac¸a˜o linear”das equac¸o˜es anteriores. Esta noc¸a˜o de combinac¸a˜o linear, sera´ mostrada com mais claridade e detalhe no cap´ıtulo 4. Mas temos, a seguinte definic¸a˜o: 1Carl Friederich Gauss(1777-1855), e´ considerado por muitos matema´ticos , como o maior Matema´tico que ja´ existiu, e por muitos denominado o ”Principe da Matematica” CAPI´TULO 3. SISTEMAS DE EQUAC¸O˜ES E INVERSA˜O DE MATRIZES 39 Definic¸a˜o 3.1.2 Diremos que dois sistemas de equac¸o˜es lineares A e B sa˜o equiva- lentes quando cada equac¸a˜o do sistema de equac¸o˜es lineares B pode-se obter como uma combinac¸a˜o linear das equac¸o˜es do sistema de equac¸o˜es lineares A, ou vice-versa. Enta˜o temos a seguinte proposic¸a˜o. Proposic¸a˜o 3.1.1 Sistemas equivalentes de equac¸o˜es lineares, tem o mesmo conjunto de soluc¸o˜es. Fazendo uso da notac¸a˜o matricial, introduzida no cap´ıtulo anterior, no exemplo acima, temos a seguinte sequeˆncia de novas matrizes associada a cada um dos novos sistemas de equac¸o˜es lineares obtidos no comenc¸o deste cap´ıtulo.{ L1 : 2x +4y = 80 L2 : 3x +2y = 60 ( 2 4 : 80 3 2 : 60 ) { L1 : x +2y = 40 L2 : 3x +2y = 60 ( 1 2 : 40 3 2 : 60 ) { L1 : x +2y = 40 L2 : 0x −4y = −60 ( 1 2 : 40 0 −4 : −60 ) { L1 : x +2y = 40 L2 : 0x +y = 15 ( 1 2 : 40 0 1 : 15 ) { L1 : x +0y = 10 L2 : 0x +y = 15 ( 1 0 : 10 0 1 : 15 ) A partir do anterior temos a seguinte definic¸a˜o. Definic¸a˜o 3.1.3 Seja A ∈ Mn,m. As seguintes operac¸o˜es efetuadas na matriz A, sa˜o chamadas de operac¸o˜es elementares de linhas : ǫ1) Transposic¸a˜o de duas linhas da matriz A. ǫ2) Multiplicac¸a˜o de uma linha da matriz A por um escalar na˜o nulo. ǫ3) Subtituic¸a˜o da r-e´sima linha da matriz A pela linha r-e´sima linha da matriz A mais c vezes a linha s da matriz A, onde 0 6= c ∈ K e r 6= s. Veja que estas operac¸o˜es elementares nas linhas podem ser vistas como aplicac¸o˜es ǫi : Mn,m−→Mn,m, onde i = 1, 2, 3 na definic¸a˜o anterior. Neste sentido, para cada operac¸a˜o elementar ǫi existe uma operac¸a˜o elementar do mesmo tipo ǫi ′ tal que ǫi(ǫi ′(A)) = A = ǫi ′(ǫi(A)) para todo i = 1, 2, 3. No decorrer deste texto, sempre trabalharemos com operac¸o˜es elementares nas linhas, com isto queremos destacar que e´ possivel fazer um trabalho sim- ilhar considerando operac¸o˜es elementares somente nas colunas. CAPI´TULO 3. SISTEMAS DE EQUAC¸O˜ES E INVERSA˜O DE MATRIZES 40 Definic¸a˜o 3.1.4 Sejam A,B ∈ Mn,m. Diremos que a matriz A e´ equivalente a matriz B, se existe um nu´mero finito de operac¸o˜es elementares α1, α2, · · · , αn tal que α1α2 · · ·αn(A) = B Que denotaremos por A ∼ B. Agora vamos responder a uma das perguntas feitas anteriormente, a saber, dados dois sistemas de equac¸o˜es lineares equivalentes, eles tem o mesmo conjunto soluc¸a˜o?, por meio da seguinte proposic¸a˜o. Proposic¸a˜o 3.1.2 Sejam [A : Y ], [B : Z] duas matrizes aumentadas correspondentes a sistemas de equac¸o˜es lineares de n equac¸o˜es e m indeterminadas. Se [A : Y ] ∼ [B : Z], enta˜o os sistemas de equac¸o˜es AX = Y e BX = Z teˆm o mesmo conjunto soluc¸a˜o. Dem. Sejam [A : Y ], [B : Z] matrizes aumentadas tais que [A : Y ] ∼ [B : Z], enta˜o existe uma sucessa˜o finita de operac¸o˜es elementares tal que leva a matriz [A : Y ] na matriz [B : Z], isto e´, [A : Y ] = [A0 : Y0] →֒ [A1 : Y1] →֒ · · · →֒ [Ak : Yk] = [B : Z] Observe que se conseguirmos provar a proposic¸a˜o para um dos passos, isto e´, que o sistema AjX = Yj e o sistema Aj+1X = Yj+1, sa˜o equivalentes, enta˜o tera˜o o mesmo conjunto de soluc¸o˜es, a proposic¸a˜o segue. Sem perda de generalidade, vamos supor que realizamos uma operac¸a˜o elementar na matriz [A : Y ] e obtemos a matriz [B : Z], enta˜o temos que as equac¸o˜es do sitema de equac¸o˜es lineares BX = Z sa˜o uma combinac¸a˜o das equac¸o˜es do sistema de equac¸o˜es lineares de AX = Y , e vice versa, pois recordemos que existem as operac¸o˜es elentares inversas. Portanto, os sistemas sa˜o equivalentes, e portanto tem o mesmo conjunto de soluc¸o˜es como quer´ıamos. � Consideremos o seguinte exemplo. Exemplo 3.1.1 Sejam o sistema de equac¸o˜es lineares e a matriz aumentada considerada anteriormente, { L1 : 2x +4y = 80 L2 : 3x +2y = 60 ( 2 4 : 80 3 2 : 60 ) onde temos mostradoa seguinte sequeˆncia de passos, usando operac¸o˜es elementares na matriz aumentada, como segue:( 2 4 : 80 3 2 : 60 ) →֒ 1 2 L1 ( 1 2 : 40 3 2 : 60 ) →֒ −3L1+L2 ( 1 2 : 40 0 −4 : −60 ) →֒ −1 4 L2( 1 2 : 40 0 1 : 15 ) →֒ −2L2+L1 ( 1 0 : 10 0 1 : 15 ) CAPI´TULO 3. SISTEMAS DE EQUAC¸O˜ES E INVERSA˜O DE MATRIZES 41 Como temos visto anteriormente, o conjunto soluc¸a˜o dos sistemas de equac¸o˜es associ- ados e´ o mesmo, veja que a partir 3.1.2 o conjunto soluc¸a˜o associado a ( 2 4 : 80 3 2 : 60 ) e( 1 2 : 40 3 2 : 60 ) e´ o mesmo, e de maneira ana´loga o conjunto soluc¸a˜o de ( 1 2 : 40 3 2 : 60 ) e o de ( 1 2 : 40 0 −4 : −60 ) tambe´m e´ o mesmo. Portanto, podemos concluir que o con- junto soluc¸a˜o associado a ( 2 4 : 80 3 2 : 60 ) e ( 1 0 : 10 0 1 : 15 ) e´ o mesmo, como queriamos mostrar. Definic¸a˜o 3.1.5 Seja R ∈ Mn,m. Diremos que a matriz R e´ escalonada reduzida por linhas se: a) O primeiro elemento na˜o nulo em cada linha na˜o nula da matriz R e´ 1 (de esquerda para direita). b) Cada coluna da matriz R que tem o primeiro elemento na˜o nulo de alguma linha tem todos os outros elementos da coluna nulos. c) Todas as linhas nulas da matriz R (se existirem) esta˜o abaixo das linhas na˜o nulas da matriz R. d) Se as linhas 1, ..., r sa˜o as linhas na˜o nulas da matriz R, e o primeiro elemento na˜o nulo da linha i ocorre na ji-e´sima coluna (i = 1, ..., r), enta˜o o primeiro elemento na˜o nulo da linha i+ 1 ocorre na coluna ji+1, onde ji+1 > ji. Na maioria dos textos de A´lgebra Linear, os item a, b da definic¸a˜o anterior correspon- dem ao conceito de matriz reduzida. A importaˆncia do conceito anterior esta´ dado na seguinte proposic¸a˜o. Proposic¸a˜o 3.1.3 Seja A ∈ Mn,m. Enta˜o a matriz A e´ equivalente a uma matriz escalonada reduzida por linha. Dem. Seja A ∈ Mn,m. Se a matriz A tiver alguma linha nula, enta˜o fazendo uso das transposic¸o˜es de linhas podemos colocar estas linhas na parte inferior da matriz A, ob- tendo assim uma nova matriz que denotaremos por A1, enta˜o podemos assumir que a matriz A e´ equivalente a matriz A1. Sem perda de generalidade, podemos supor que a primeira linha de A1 na˜o e´ nula. Se o primeiro elemento na˜o nulo desta linha na˜o nula estiver na coluna j, digamos a1j e na˜o foˆr 1, enta˜o podemos aplicar a segunda operac¸a˜o elementar multiplicando a primeira linha por 1/a1j . Agora podemos ter que o primeiro novo termo na˜o nulo da nova matriz e´ 1, enta˜o fazendo uso da terceira operac¸a˜o elemen- tar podemos anular todos o termos abaixo deste 1, que como a matriz e´ finita, temos um nu´nero finito de operac¸o˜es elementares a serem feitas. De maneira ana´loga ao anterior procedemos com a segunda linha, mas desta vez anulamos tambe´m os elementos na˜o nulos CAPI´TULO 3. SISTEMAS DE EQUAC¸O˜ES E INVERSA˜O DE MATRIZES 42 acima deste termo igual a 1, continuando com este processo ate´ a r-e´sima linha na˜o nula. Claramente, so´ falta agora colocar a matriz para que a condic¸a˜o d seja satisfeita, mas para isso basta usar transposic¸o˜es de linhas, para colocar as linhas na˜o nulas em ordem crescente. Finalmente temos que a matriz A e´ equivalente a uma matriz R escalonada reduzida, como quer´ıamos. � Como consequeˆncia da proposic¸a˜o anterior, temos a seguinte aplicac¸a˜o. Proposic¸a˜o 3.1.4 Seja A ∈ Mn,m tal que n < m, enta˜o o sistema homogeneˆo AX = 0 admite uma soluc¸a˜o na˜o trivial. Dem. Como toda matriz A e´ equivalente a uma matriz R escalonada reduzida, pela proposic¸a˜o anterior segue que os sistemas homogeneˆos AX = 0 e RX = 0 admitem o mesmo conjunto de soluc¸o˜es. Logo estudemos o sistema RX = 0. Seja r o nu´mero de linhas na˜o nulas da matriz R, logo segue que r ≤ n < m, portanto teremos no sistema homogeneˆo mais indeterminadas que equac¸o˜es, logo admite soluc¸o˜es na˜o triviais, ou seja que o sistema homogeneˆo AX = 0 admite soluc¸o˜es na˜o triviais. � Veja que esta proposic¸a˜o diz que um sistema homogeˆneo da forma AX = 0, onde A ∈ Mn,m, so´ tem soluc¸a˜o trivial se o nu´mero de linhas da matriz A e´ menor ou igual ao nu´mero de colunas desta matriz. Esta observac¸a˜o e´ muito importante para a seguinte proposic¸a˜o. Proposic¸a˜o 3.1.5 Seja A ∈Mn, e se o sistema de equac¸o˜es lineares homogeˆneo AX = 0 admite so´ a soluc¸a˜o trivial, enta˜o a matriz A e´ equivalente a matriz identidade In. Dem. Seja R a matriz escalonada reduzida associada a matriz A, e r o nu´mero de linhas na˜o nulas da matriz R. Como o sistema AX = 0 so´ admite a soluc¸a˜o trivial, enta˜o o sistema RX = 0 tambem tem so´ a soluc¸a˜o trivial. Enta˜o, pela proposic¸a˜o 3.1.4 temos que r ≥ n, mas por outro lado r ≤ n que e´ o nu´mero de linhas na˜o nulas da matriz R, portanto r = n. Logo, a partir da definic¸a˜o de R temos que R = In, como quer´ıamos. � Exemplo 3.1.2 Consideremos o seguinte sistema homogeˆneo: x +y +z = 0 2y +z = 0 y +z = 0 admite somente a soluc¸a˜o trivial, enta˜o e´ equivalente ao sistema homogeˆneo: x = 0 y = 0 z = 0 onde a matriz R neste caso e´ a matriz identidade I3. CAPI´TULO 3. SISTEMAS DE EQUAC¸O˜ES E INVERSA˜O DE MATRIZES 43 Consideremos agora o caso na˜o homogeˆneo. Seja [A : Y ] a matriz aumentada associada ao sistema na˜o homogeˆneo AX = Y , e seja [R : Z] a matriz escalonada reduzida associada a [A : Y ], e claro!!, associada ao sistema na˜o homogeˆneo RX = Z. Como ambos sistemas teˆm o mesmo conjunto de soluc¸o˜es, basta estudar o sistema RX = Z. Seja r o nu´mero de linhas na˜o nulas da matriz R, enta˜o segue que existem (n− r) indeterminadas em func¸a˜o das r outras indeterminadas x1, ..., xr e escalares z1, ..., zr. Logo, as (n − r) equac¸o˜es restantes sa˜o da forma : 0 = zr+1 ... ... 0 = zn Portanto, para um sistema na˜o homogeˆneo ter soluc¸a˜o, ou ser consistente, temos que zi = 0 para todo i > r, caso contra´rio, diremos que o sistema de equac¸o˜es lineares e´ inconsistente. Para exemplificar o anterior vejamos o seguinte exemplo. Exemplo 3.1.3 Consideremos o seguinte sistema de equac¸o˜es lineares na˜o homogeˆneo: 2x +y +z = 7 y +z = 4 x = 1 Logo, a matriz aumentada e reduzida escalonada associada e´ dada por : 2 1 1 70 1 1 4 1 0 0 1 →֒ L1∼L3 1 0 0 10 1 1 4 2 1 1 7 →֒ −2L1+L3 1 0 0 10 1 1 4 0 1 1 5 →֒ −L2+L3 1 0 0 10 1 1 4 0 0 0 1 onde a u´ltima matriz 1 0 0 10 1 1 4 0 0 0 1 e´ escalonada reduzida, associada a matriz A, do sistema AX = B, dado acima. Pela u´ltima linha desta matriz, que representa a equac¸a˜o 0x+ 0y + 0z = 1, vemos que o sistema na˜o homogeˆneo AX = Y e´ inconsistente. Em geral temos o seguinte, dado um sistema na˜o homogeˆneo da forma AX = B onde A ∈ Mn e X,B ∈ Mn,1, temos calaramente um sistema homogeˆneo associado, a saber, AX = 0. Sera´ que existe relac¸a˜o entre os conjuntos de soluc¸o˜es dos dois sistemas anteriores? (Homogeˆneo e na˜o Homogeˆneo). Vamos supor que o sistema na˜o homogeˆneo admite uma soluc¸a˜o, digamos v ∈ Mn,1 tal que Av = B. Se considerarmos agora uma soluc¸a˜o u ∈ Mn,1 qualquer do sistema homogeˆneo AX = 0, e´ simples verificar que u+ v tambem e´ uma soluc¸a˜o do sistema na˜o homogeˆneo AX = B. Enta˜o temos o seguinte resultado. CAPI´TULO 3. SISTEMAS DE EQUAC¸O˜ES E INVERSA˜O DE MATRIZES 44 Proposic¸a˜o 3.1.6 Seja v ∈Mn,1 uma soluc¸a˜o do sistema na˜o homogeˆneo AX = B onde A ∈Mn e X,B ∈Mn,1. Enta˜o toda soluc¸a˜o do sistema na˜o homogeˆneo e´ da forma v+u onde u ∈M1,n percorre as soluc¸o˜es do sistema homogeˆneo AX = 0 associado a AX = B. Dem. So´ resta mostrar que toda soluc¸a˜o do sistema na˜o homogeˆneo AX = B e´ da forma v+u onde v e´ a soluc¸a˜o particular fixa do sistema na˜o homogeˆnea, e u percorre as soluc¸o˜es do sistema homogeˆneo AX = 0. Seja z ∈M1,n uma soluc¸a˜o
Compartilhar