Baixe o app para aproveitar ainda mais
Prévia do material em texto
A´lgebra Linear Ricardo Almeida 2015 Ricardo Almeida A´lgebra Linear II Matrizes As matrizes sa˜o ferramentas ba´sicas da A´lgebra Linear, pois ale´m de fornecerem meios para a resoluc¸a˜o sistemas lineares, elas tambe´m representara˜o as transformac¸o˜es lineares entre espac¸os vetoriais, como veremos a diante. Definic¸a˜o Dados m e n ∈ N, definimos uma matriz de ordem m por n, ou simplesmente uma matriz m por n (escreve-se m × n), como uma tabela formada por elementos de R distribu´ıdos em m linhas e n colunas. Estes elementos de R sa˜o chamados entradas da matriz. As entradas de uma matriz podem ser nu´meros (reais ou complexos), func¸o˜es, ou ainda outras matrizes. Representaremos uma matriz de m linhas e n colunas por: Am×n = a11 a12 ... a1n a21 a22 ... a2n . . . . . . . . . am1 am2 ... amn = [aij ]m×n Ricardo Almeida A´lgebra Linear II Tipos Especiais de Matrizes Matriz Quadrada e´ aquela cujo nu´mero de linhas e´ igual ao nu´mero de colunas (m = n). Uma matriz de ordem m e´ dita quando for quadrada do tipo Am×m. Matriz Nula e´ aquela em que aij = 0, para todo i e j. Matriz coluna e´ aquela que possui uma u´nica coluna (n=1). Matriz Linha e´ aquela onde m=1. Matriz Diagonal e´ uma matriz quadrada onde ai ,j = 0 para i 6= j , isto e´, os elementos (entradas) que na˜o esta˜o na diagonal sa˜o nulos. Ricardo Almeida A´lgebra Linear II Tipos Especiais de Matrizes Matriz Identidade e´ uma matriz quadrada em que ai ,j = 1 para i=j e ai ,j = 0, para i 6= j . Matriz Triangular Superior e´ uma matriz quadrada em que ai ,j = 0 para i > j , isto e´, todos elementos abaixo da diagonal sa˜o nulos. Matriz Triangular Inferior e´ aquela em que m=n e ai ,j = 0, para i < j . Matriz Sime´trica e´ aquela onde m=n e ai ,j = aj ,i Ricardo Almeida A´lgebra Linear II Operac¸o˜es com Matrizes Definic¸a˜o Duas matrizes Am×n = [aij ]m×n e Br×s = [bij ]r×s sa˜o iguais, A = B, se elas teˆm o mesmo nu´mero de linhas (m=r) e colunas (n=s), e todos os seus elementos correspondentes sa˜o iguais. (aij = bij). Exemplo Ricardo Almeida A´lgebra Linear II Operac¸o˜es com Matrizes Definic¸a˜o (Soma) Se A = [aij ] e B = [bij ] sa˜o duas matrizes de mesma ordem m× n, a soma de A e B, denotada A+B, e´ a matriz C = [cij ] de ordem m× n tal que cij = aij + bij para todo 1 6 i 6 m e para todo 1 6 j 6 n. Exemplo Ricardo Almeida A´lgebra Linear II Propriedades (A + B) + C = A + (B + C ) A + B = B + A A + 0 = A A + (−A) = 0 Defini-se -A como a matriz oposta de A. Ricardo Almeida A´lgebra Linear II Operac¸o˜es com Matrizes Definic¸a˜o (Multiplicac¸a˜o por escalar) Dada a matriz A = [aij ]m×n, definimos o produto de A pelo nu´mero real a, como aA = [aaij ]m×n. Exemplo Ricardo Almeida A´lgebra Linear II Propriedades 1 (αβ)A = α(βA) 2 (α + β)A = αA + βA 3 α(A + B) = αA + αB 4 1A = A Ricardo Almeida A´lgebra Linear II Matriz transposta Dada uma matriz A = [aij ]m×n, podemos obter uma outra matriz A′ = [bij ]n×m, cujas linhas sa˜o as colunas de A, isto e´, bij = aji . Representamos a transposta A como A’ ou At . Exemplo Propriedades i) Uma matriz e´ sime´trica se, e somente se, ela e´ igual a` sua transposta, ou seja, A=A’. ii) A”=A. Isto e´, a transposta da transposta de uma matriz e´ ela mesma. iii) (A+B)’=A’+B’. Em palavras, a transposta de uma soma e´ igual a` soma das transpostas. iv) (kA)’=kA’, onde k e´ qualquer escalar. Ricardo Almeida A´lgebra Linear II Multiplicac¸a˜o de Matrizes Sejam A = [aij ]m×n e B = [bij ]n×p duas matrizes. Definimos o produto AB de A por B, denotado por AB, como a matriz C = [cij ]m×p tal que cij = n∑ k=1 aikbkj = ai1b1j + ...+ ainbnj para todo 1 6 i 6 m e para todo 1 6 j 6 p. Example A= 2 40 0 −1 3 B= [−1 1 1 −1 ] Calcule AB e BA. Ricardo Almeida A´lgebra Linear II Example A= [ 1 1 1 1 ] B= [ 1 1 −1 −1 ] Calcule AB. Ricardo Almeida A´lgebra Linear II Propriedades da multiplicac¸a˜o de matrizes Desde que as operac¸o˜es sejam poss´ıveis, temos: (i) A(B + C ) = AB + AC (distributividade a` esquerda da multiplicac¸a˜o em relac¸a˜o a` adic¸a˜o); (ii) (A+B)C=AC +BC (distributividade a` direita da multiplicac¸a˜o em relac¸a˜o a` adic¸a˜o); (iii) (AB)C=A(BC) (associatividade); (iv) AI = IA = A (existeˆncia de elemento identidade). (v) (AB)’=B’A’ (vii) 0.A=A.0=0 Observac¸a˜o Tendo definido a multiplicac¸a˜o de matrizes a potenciac¸a˜o e´ definida para matrizes quadradas de ordem n. A0 = In e A k = A.A....A. Ricardo Almeida A´lgebra Linear II Matriz Inversa Definic¸a˜o Dada uma matriz quadrada A de ordem n, chamamos de inversa de A a uma matriz quadrada B de ordem n tal que AB = BA = In Example Dada a matriz A= [ 2 5 1 3 ] temos que a matriz B= [ 3 −5 −1 2 ] e´ a matriz inversa de A. Uma matriz quadrada na˜o possui necessariamente uma inversa. Por exemplo, a matriz B= [ 1 1 1 1 ] na˜o possui inversa. Ricardo Almeida A´lgebra Linear II Matriz Inversa Para denotar a matriz inversa de A, escrevemos A−1. Propriedades das matrizes inversas Sejam A e B matrizes quadradas de ordem n. (i) Se A e´ invert´ıvel, enta˜o A−1 e´ tambe´m invert´ıvel e (A−1)−1 = A. (ii) Se A e B sa˜o invert´ıveis, enta˜o AB tambe´m e´ invert´ıvel e (AB)−1 = B−1A−1. Example Dada a matriz A= [−2 1 2 4 ] determine sua inversa. Ricardo Almeida A´lgebra Linear II Figura: Exerc´ıcios Ricardo Almeida A´lgebra Linear II Exerc´ıcios da Refereˆncia 1 pa´gina 12 [2,5,7,9,14] (Incluir demonstrac¸o˜es de propriedades) Ricardo Almeida A´lgebra Linear II Sistemas de Equac¸o˜es Lineares Desde a antiguidade, muitos problemas sa˜o modelados por sistemas lineares. Um sistema linear e´ um conjunto de m equac¸o˜es lineares mas varia´veis x1, x2, x3, ..., xn, da seguinte forma: Ricardo Almeida A´lgebra Linear II Resoluc¸a˜o Para resolver um sistema podemos realizar transformac¸o˜es elementa- res resultando em um sistema mais simples de resolver, onde enten- demos como transformac¸a˜o elementar as seguintes transformac¸o˜es: 1) Trocar a posic¸a˜o relativa de duas equac¸o˜es do sistema;Li ↔ Lj . 2) Trocar uma equac¸a˜o pela soma membro a membro da pro´pria equac¸a˜o com um mu´ltiplo de outra. Li → Li + cLj 3) Trocar uma equac¸a˜o dada por um de seus mu´ltiplos. Li → cLi . Ricardo Almeida A´lgebra Linear II A matriz ampliada do sistema do slide 1 e´ dada por: As matrizes surgiram por volta do ano 200 a.C. com os chineses, motivados pelo interesse em calcular soluc¸o˜es de sistemas com mais de quatro equac¸o˜es lineares. Ricardo Almeida A´lgebra Linear II Sejam A e B matrizes de ordem m× n. A matriz A e´ dita ser equiva- lente por linhas a` matriz B, se B pode ser obtida de A pela aplicac¸a˜o sucessiva de um nu´mero finito de transformac¸o˜es elementares sobre linhas. A noc¸a˜o de equivaleˆncia de matrizes por linhas corresponde a` noc¸a˜o de equivaleˆncia de sistemas lineares. Sistemas equivalentes corres- pondem a matrizes associadas equivalentes, e vice-versa. Exemplo.. Ricardo Almeida A´lgebra Linear II Forma Escalonada de uma Matriz Consideramos uma matriz m × n na forma escalonada se for nula, ou se: 1) o primeiro elemento na˜o nulo de cada linha na˜o nula e´ 1. 2) cada coluna que conte´m o primeiro elemento na˜o nulo de alguma linha tem todos os seus outros elementos iguais a zero; 3) toda linha nula ocorre abaixo de todas as linhas na˜o nulas; 4) se L1, ..., Lp sa˜o as linhas na˜o nulas, o primeiro elemento na˜o nulo da linha Li ocorre na coluna ki . Teorema Toda matriz e´ equivalente a uma matriz na forma escalonada (exemplo) Ricardo Almeida A´lgebra Linear II Obtendo Matriz inversa por matriz escalonada Sejaa matriz A, determine a matriz A−1 utilizando a forma escalonada da matriz em bloco[A|I3] 3× 6. A= 1 0 22 −1 3 4 1 8 Ricardo Almeida A´lgebra Linear II Classificac¸a˜o de sistemas lineares Um sistema linear homogeˆneo com n inco´gnitas e´ sempre poss´ıvel, admitindo pelo menos uma soluc¸a˜o trivial. Ricardo Almeida A´lgebra Linear II Me´todo do escalonamento Consiste em se tomar a matriz ampliada de um sistema linear e aplicar uma sequeˆncia de transformac¸o˜es elementares, de modo a obtermos uma matriz equivalente escalonada. Example Encontre as soluc¸o˜es dos seguintes sistemas pelo me´todo do escalonamento das matrizes ampliadas. x + y + z = 6 2x + y − z = 1 3x − y + z = 4 x + y − 2z + 3w = 4 2x + 3y + 3z − w = 3 5x + 7y + 4z + w = 5 Ricardo Almeida A´lgebra Linear II Example Encontre as soluc¸o˜es dos seguintes sistemas pelo me´todo do escalonamento das matrizes ampliadas. x − y + z = 4 3x + 2y + z = 0 5x + 5y + z = −4 x + 2y + 3z − 5w = 0 2x + 4y + z + 2w = 0 x + 3y + 4z = 0 3x + 5y + 8z − 10w = 0 Ricardo Almeida A´lgebra Linear II Posto de uma matriz e nulidade Defini-se posto p da matriz A como o nu´mero de linhas na˜o nulas de sua forma escalonada, expresso por p(A) Corola´rio. Uma matriz quadrada de ordem n e´ invert´ıvel se, e somente se, ela tem posto n. Nulidade de uma matriz Am×n e´ o nu´mero n-p. Ricardo Almeida A´lgebra Linear II ATIVIDADE Encontre a soluc¸a˜o do seguinte sistema pelo me´todo do escalonamento das matrizes ampliadas.{ x + 2y + z + t = 1 x + 3y − z + 2t = 3 } Exerc´ıcios do Boldrini Pa´gina 49 (1,3,4,5,6,9,19) Ricardo Almeida A´lgebra Linear II Teorema do Posto Ricardo Almeida A´lgebra Linear II Determinantes A teoria dos determinantes teve origem em meados do se´culo XVII, quando eram estudados processos para resoluc¸a˜o de sistemas lineares de equac¸o˜es. Hoje em dia, embora na˜o sejam um instrumento pra´tico para resoluc¸a˜o de sistemas, sa˜o utilizados para sintetizar expresso˜es matema´ticas complexas. Consideremos as permutac¸o˜es de 1,2,3 e vejamos em cada per- mutac¸a˜o o nu´mero de inverso˜es. Ricardo Almeida A´lgebra Linear II Propriedades i) Se todos os elementos de uma linha ou coluna de uma matriz A sa˜o nulos, det A = 0. ii) det A = det A´ iii) Se multiplicarmos uma linha da matriz por uma constante, o determinante fica multiplicado por esta constantes. iv) Uma vez trocada a posic¸a˜o de duas linhas, o determinante troca o sinal. v) O determinante de uma matriz que tem duas linhas ou colunas proporcionais e´ zero. vi) det (A.B)= det A . det B vii) Se uma matriz quadrada, de ordem n, tem uma linha (ou coluna) que e´ combinac¸a˜o linear de outras linhas (ou colunas), seu determinante e´ igual a zero. Ricardo Almeida A´lgebra Linear II Teorema Teorema de Jacobi Adicionando-se a uma fila de uma matriz M, de ordem n, uma outra fila paralela, previamente multiplicada por uma constante, obteremos uma nova matriz M’, tal que det M’=det M. A importaˆncia desta propriedade, reside no fato de que podemos in- troduzir zeros numa fila de uma matriz, sem alterar seu determinante, com isso, podemos facilitar seu ca´lculo. Ricardo Almeida A´lgebra Linear II Desenvolvimento de Laplace detAn×n = n∑ i=1 (aij∆ij) onde ∆ij = (−1)i+jdetAij A submatriz Aij e´ obtida de A retirando-se a i-e´sima linha e a j-e´sima coluna. ∆ij e´ chamado de cofator ou complemento alge´brico do elemento aij . Essa forma tambe´m e´ va´lida para as colunas. Example detA= 1 0 22 −1 3 4 1 8 Ricardo Almeida A´lgebra Linear II Observac¸a˜o: O determinante de uma matriz triangular e´ o produto dos elementos da diagonal principal. Example detA= −1 2 3 −4 4 2 0 0 −1 2 −3 0 2 5 3 1 372 Observac¸o˜es Se A possui inversa enta˜o: i. detA 6= 0 ii. detA−1 = 1 detA iii. detA = detAt Ricardo Almeida A´lgebra Linear II Regra de Cramer Seja S um sistema linear com nu´mero de equac¸o˜es igual ao de inco´gnitas, A a matriz coeficientes e D = detA. Se D 6= 0, enta˜o o sistema sera poss´ıvel e tera´ soluc¸a˜o u´nica (xi , x2, x3, ..., xn), tal que xi = Di D onde Di e´ o determinante da matriz obtida de A, substituindo-se a i’e´sima coluna pela coluna dos termos independentes das equac¸o˜es de sistema. Ricardo Almeida A´lgebra Linear II Example Resolva os seguintes sistemas lineares utilizando a Regra de Cramer.{−x − 4y = 0 3x + 2y = 5 } −x + y − z = 5 x + 2y + 4z = 4 3x + y − 2z = −3 Classificac¸a˜o do Sistema por Cramer I) Se o determinante da matriz dos coeficientes e´ diferente de 0, existe uma u´nica soluc¸a˜o. II) Se o determinante da matriz dos coeficientes e´ igual a` 0 o sistema sera´: a) imposs´ıvel, se algum Di for diferente de 0. b) indeterminado: se todo Di for igual a 0. Ricardo Almeida A´lgebra Linear II Ricardo Almeida A´lgebra Linear II Atividades Ricardo Almeida A´lgebra Linear II Exerc´ıcios do Boldrini Pa´gina 90 (3,4,8,9,13,16) Ricardo Almeida A´lgebra Linear II Espac¸os Vetoriais Seja um conjunto V, na˜o-vazio, sobre o qual esta˜o definidas as operac¸o˜es adic¸a˜o e multiplicac¸a˜o por escalar, isto e´: ∀u, v ∈ V , u + v ∈ V ∀α ∈ R, ∀u ∈ V , αu ∈ V O conjunto V com essas duas operac¸o˜es e´ chamado espac¸o vetorial real se forem verificados os seguintes axiomas: Ricardo Almeida A´lgebra Linear II Espac¸os Vetoriais A Em relac¸a˜o a` adic¸a˜o: A1 (u + v) + w = u + (v + w), ∀u, v ,w ∈ V A2 u + v = v + u,∀u, v ∈ V A3 ∃0 ∈ V ,∀u ∈ V , u + 0 = u A4 ∀u ∈ V , ∃(−u) ∈ V , u + (−u) = 0 M Em Relac¸a˜o a` multiplicac¸a˜o por escalar: M1 (αβ)u = α(βu) M2 (α + β)u = αu + βu M3 α(u + v) = αu + αv M4 1u = u para ∀u, v ∈ V e∀α, β ∈ R. Ricardo Almeida A´lgebra Linear II Espac¸os Vetoriais Example O conjunto V = R2 = {(x , y)/x , y ∈ R} e´ um espac¸o vetorial? Example Os conjuntos R3,R4,...,Rn sa˜o espac¸os vetoriais. Depois de verifi- cados os oito axiomas de espac¸o vetorial para R2, os demais ficam evidentes. Ricardo Almeida A´lgebra Linear II Espac¸os Vetoriais Example O conjunto M(m,n) das matrizes m × n. Em particular, o conjunto M(n,n) das matrizes quadradas Example O conjunto Pn = {a0 + a1x + a2x2 + ...+ anxn; ai ∈ R}. Em particular o polinoˆmio do segundo grau. Ricardo Almeida A´lgebra Linear II Propriedades dos Espac¸os Vetoriais I Existe um u´nico vetor nulo em V. II Cada vetor u ∈ V admite apenas um sime´trico (−u) ∈ V . III Para quaisquer u, v ,w ∈ V , se u + w = v + w , enta˜o u = v . IV Qualquer que seja v ∈ V , tem-se: −(−v) = v . V Quaisquer que sejam u, v ∈ V , existe um e somente um x ∈ V tal que: u + x = v . Ricardo Almeida A´lgebra Linear II Propriedades dos Espac¸os Vetoriais VI Qualquer que seja v ∈ V , tem-se: 0v = 0. Sendo o primeiro zero um nu´mero real e o segundo um vetor de V. VII Qualquer que seja λ ∈ R tem-se: λ0 = 0. VIII λv = 0 implica λ = 0 ou v = 0. IX Qualquer que seja v ∈ V , tem-se: (−1)v = −v . X Quaisquer que sejam v ∈ V e λ ∈ R, tem-se: (−λ)v = λ(−v) = −(λv) Ricardo Almeida A´lgebra Linear II Subespac¸os Vetoriais Partindo da necessidade de detectar dentro de um espac¸o vetorial V, subconjuntos W que sejam eles pro´prios espac¸os vetoriais “menores”. Tais conjuntos sera˜o chamados de subespac¸os de V. Isto acontece, por exemplo, em V = R2, o plano, onde W e´ uma reta deste plano, que passa pela origem. Figura: Ricardo Almeida A´lgebra Linear II Subespac¸os Vetoriais Definic¸a˜o Dado um espac¸o vetorial V, um subconjunto W, na˜o vazio, sera´ um subespac¸o vetorial de V se: i Para quaisquer u, v ∈W tivermos u + v ∈W ii Para quaisquer a ∈ R, u ∈W tivermos αu∈W . Observac¸a˜o Todo espac¸o vetorial V admite pelo menos dois subespac¸os: o conjunto {0}, chamado subespac¸o nulo, e o pro´prio espac¸o vetorial V. Esses dois sa˜o os subespac¸os triviais de V. Os demais subespac¸os sa˜o denominados pro´prios de V. Example Os subespac¸os triviais de V = R3 sa˜o {0, 0, 0} e o pro´prio R3. Os subespac¸os pro´prios do R3 sa˜o as retas e os planos que passam pela origem. Ricardo Almeida A´lgebra Linear II Subespac¸os Vetoriais Example Sejam V = R2, S = {(x , y) ∈ R2/y = 2x} ou S = {(x , 2x); x ∈ R} e´ um subespac¸o de V? Example Sejam V = R2, S = {(x , 4− 2x); x ∈ R} e´ um subespac¸o de V? Example W = {(x ; |x |); x ∈ R} e´ subespac¸o de R2. Ricardo Almeida A´lgebra Linear II Subespac¸os Vetoriais Corola´rio: Seja V um espac¸o vetorial, temos que W e´ um subespac¸o vetorial de V se, e somente se, u + αv ∈W , para todo α ∈ R e u, v ∈W . Example Sejam V = R4 e S = {(x , y , z , 0); x , y , z ∈ R} Example Sejam V = M(2, 2) = [ a b c d ] ; a, b, c , d ∈ R e S = [ a b 0 0 ] ; a, b ∈ R . Ricardo Almeida A´lgebra Linear II Subespac¸os Vetoriais Example Sejam V = R2 e S = (x , y), x > 0. Example Seja V=M(n,n) e W e´ o subconjunto de todas as matrizes em que a11 ≤ 0. Example V = R2 e W = (x , x2); c ∈ R. Ricardo Almeida A´lgebra Linear II Intersec¸a˜o de dois Subespac¸os Vetoriais Sejam S1 e S2 dois subespac¸os vetoriais de V. A intersec¸a˜o S de S1 e S2, que se representa por S = S1 ∩ S2, e´ o conjunto de todos os vetores v ∈ V tais que v ∈ S1 e v ∈ S2. Example Seja V=M(n,n) W1=matrizes triangulares superiores W2=matrizes triangulares inferiores W1 ∩W2=matrizes diagonais Ricardo Almeida A´lgebra Linear II Soma de dois Subespac¸os Vetoriais Sejam S1 e S2 dois subespac¸os vetoriais de V. A soma S de S1 e S2, que se representa por S = S1 + S2, e´ o conjunto de todos os vetores u + v ∈ V tais que u ∈ S1 e v ∈ S2. Example Seja V=M(n,n) W1=matrizes triangulares superiores W2=matrizes triangulares inferiores W1 + W2 = V Proposic¸a˜o A intersec¸a˜o de dois subespac¸os de um espac¸o vetorial V e´ um subespac¸o de V. A unia˜o de dois subespac¸os de um espac¸o vetorial V na˜o e´ necessariamente um subespac¸o de V. Ricardo Almeida A´lgebra Linear II Exemplos Example Seja V o espac¸o vetorial das matrizes quadra de ordem 2: V = M(2, 2) = [ a b c d ] ; a, b, c , d ∈ R Sejam S1 e S2 subespac¸os vetoriais de V: V = M(2, 2) = [ a b 0 0 ] ; a, b ∈ R V = M(2, 2) = [ a 0 c 0 ] ; a, c ∈ R Example Seja o espac¸o vetorial R3 = (a, b, c); a, b, c ∈ R e os subespac¸os vetoriais S1 = (a, b, 0); a, b ∈ R e S2 = (0, 0, c); c ∈ R. Ricardo Almeida A´lgebra Linear II Soma Direta de dois Subespac¸os Vetoriais Sejam S1 e S2 dois subespac¸os vetoriais de V. Diz-se que V e´ a soma direta de S1 e S2, e se representa por V = S1 ⊕ S2, V = S1 + S2 e S1 ∩ S2 = 0. Teorema Se V e´ a soma direta de S1 e S2, todo vetor v ∈ V se escreve, de modo u´nico, na forma v = u + w onde u ∈ S1 e w ∈ S2. Example O espac¸o vetorial R3 = (a, b, c); a, b, c ∈ R e´ a soma direta dos subespac¸os vetoriais S1 = (a, b, 0); a, b ∈ R e S2 = (0, 0, c); c ∈ R. Ricardo Almeida A´lgebra Linear II Combinac¸a˜o Linear Sejam os vetores v1, v2, ..., vn do espac¸o vetorial V e os escalares a1, a2, ..., an. Qualquer vetor v ∈ V da forma: v = a1v1 + a2v2 + ...+ anvn e´ uma combinac¸a˜o linear dos vetores v1, v2, ..., vn. Example No espac¸o vetorial P2 dos polinoˆmios de grau ≤ 2, o polinoˆmio v = 7x2 + 11x − 26 e´ uma combinac¸a˜o linear dos polinoˆmios: v1 = 5x 2 − 3x + 2 e v2 = −2x2 + 5x − 8. Assim v = 3v1 + 4v2. Ricardo Almeida A´lgebra Linear II Figura: Example Mostrar que o vetor v = (3, 4) ∈ R2 pode ser escrito de infinitas maneiras como combinac¸a˜o linear dos vetores v1 = (1, 0),v2 = (0, 1) e v3 = (2,−1). Ricardo Almeida A´lgebra Linear II Subespac¸os Gerados Seja V um espac¸o vetorial. Consideremos um subconjunto A = {v1, v2, ..., vn} ⊂ V ,A 6= ∅. O subconjunto S de todos os vetores de V que sa˜o combinac¸o˜es lineares dos vetores de A e´ um subespac¸o vetorial de V. Simbolicamente, o subespac¸o S e´: S = {v ∈ V /v = a1v1 + ...+ anvn; a1, ..., an ∈ R} Observac¸o˜es O subespac¸o S diz-se gerado pelos vetores v1, v2, ..., vn, ou gerado pelo conjunto A, e representa-se por: S = [v1, v2, ..., vn] ou S = G (A). Os vetores v1, v2, ..., vn sa˜o chamados geradores do subespac¸o S, enquanto A e´ o conjunto gerados de S. Ricardo Almeida A´lgebra Linear II Example Os vetores v1 = (1, 0) e V2 = (0, 1) geram o espac¸o vetorial R 2, pois qualquer (x , y) ∈ R2 e´ combinac¸a˜o linear de i e j. V = [v1, v2] Example V1 = [ 1 0 0 0 ] V2 = [ 0 1 0 0 ] Determine [v1, v2]. Observac¸a˜o Assim, sendo S um subespac¸o gerado por um conjunto A, ao acrescentarmos vetores de S a esse conjunto A, os novos conjuntos continuara˜o gerando o mesmo subespac¸o S. Esse fato faz entender que um determinado subespac¸o S pode ser gerado por uma infinidade de vetores, pore´m existe um nu´mero m´ınimo de vetores para gera´-lo. Ricardo Almeida A´lgebra Linear II Example Seja V = R3. Determinar o subespac¸o gerado pelo vetor v1 = (1, 2, 3). Example Seja V = R3. Determinar o subespac¸o gerado pelo conjunto A = {v1, v2}, sendo v1 = (1,−2,−1) e v2 = (2, 1, 1). Example Mostrar que o conjunto A = {(3, 1), (5, 2)} gera o R2. Ricardo Almeida A´lgebra Linear II Dependeˆncia e Independeˆncia Linear O fato de que o R3 pode ser gerado por treˆs vetores, ou tambe´m por quatro ou por cinco. Sendo que treˆs vetores sa˜o o nu´mero m´ınimo necessa´rio para gerar esse espac¸o. Para a determinac¸a˜o do menor conjunto gerador de um espac¸o vetorial, precisamos ter a noc¸a˜o de dependeˆncia e independeˆncia linear. Definic¸a˜o Sejam V um espac¸o vetorial e A = {v1, ..., vn} ⊂ V . Consideremos a equac¸a˜o a1v1 + ... + anvn = 0. Sabemos que essa equac¸a˜o admite pelo menos uma soluc¸a˜o: quando todos ai sa˜o iguais a zero. A chamada soluc¸a˜o trivial. O conjunto A diz-se linearmente independente(LI) caso a equac¸a˜o admita apenas a soluc¸a˜o trivial. Se existirem soluc¸o˜es ai 6= 0, diz-se que o conjunto A e´ linearmente dependente(LD). Ricardo Almeida A´lgebra Linear II Outra definic¸a˜o Uma fam´ılia finita de vetores v1, ..., vn e´ linearmente dependente se e somente se existir uma combinac¸a˜o linear a1v1 + ...+ anvn = 0 com os coeficientes a1 na˜o todos nulos. Teorema v1, ..., vn e´ LD se, e somente se um destes vetores for uma combinac¸a˜o linear dos outros. O que e´ equivalente a: Um conjunto de vetores e´ LI se,e somente se, nenhum deles for uma combinac¸a˜o linear dos outros. Ricardo Almeida A´lgebra Linear II Example No espac¸o vetorial V = R3, os vetores v1 = (2,−1, 3),v2 = (−1, 0,−2) e v3 = (2,−3, 1) forma um conjunto LD. Example No espac¸o vetorial V = R4, os vetores v1 = (2, 2, 3, 4),v2 = (0, 5,−3, 1) e v3 = (0, 0, 4,−2) sa˜o LI. Example No espac¸o vetorial R3 o conjunto {e1, e2, e3} e´ LI. Ricardo Almeida A´lgebra Linear II Example No espac¸o vetorial M(2, 2), o conjunto A = [−1 2 −3 1 ] , [ 2 −3 3 0 ] , [ 3 −4 3 1 ] e´ LD. Observac¸o˜es Um conjunto A = {v1, ..., vn} e´ LI se, e somente se, nenhum desses vetores for combinac¸a˜o linear dos outros. Para o casos particular de dois vetores temos: Dois vetores sa˜o LD se, e somente se, um vetor e´ mu´ltiplo escalar do outro. Ricardo Almeida A´lgebra Linear II Representac¸a˜o Geome´trica Figura: Ricardo Almeida A´lgebra Linear II Figura: Ricardo Almeida A´lgebra Linear II BASE E DIMENSA˜O Um conjunto B = {v1, ..., vn} ⊂ V e´ uma base do espac¸o vetorial V se: 1 B e´ LI;2 B gera V. Example B = {(1, 1), (−1, 0)} e´ base do R2. Example (1, 0, 0), (0, 1, 0), (0, 0, 1) e´ base canoˆnica do R3. Ricardo Almeida A´lgebra Linear II Example B = {(1, 2), (2, 4)} na˜o e´ base do R2. Example B = {(1, 0), (0, 1), (3, 4)} na˜o e´ base do R2. Example B = {(1, 2, 1), (−1,−3, 0)} na˜o e´ base do R3. Ricardo Almeida A´lgebra Linear II Dimensa˜o do Espac¸o Uma base de V e´ o menor nu´mero de vetores linearmente independentes que gera o subespac¸o V. O nu´mero de vetores de uma base de V chama-se de dimensa˜o de V. Definic¸a˜o Seja V um espac¸o vetorial. Se V possui uma base com n vetores, enta˜o V tem dimensa˜o n e anota-se dimV = n. Se V na˜o possui base, dimV = 0. Example 1 dimR2 = 2. 2 dimRn = n. 3 dimM(2, 2) = 4. 4 dimM(m, n) = m × n. 5 dimPn = n + 1. 6 dim0 = 0. Ricardo Almeida A´lgebra Linear II Observac¸o˜es • Se S e´ um subespac¸o de V, enta˜o dimS ≤ n.No caso de dimS = n, tem-se S = V . • Seja V um espac¸o vetorial de dimensa˜o n. Enta˜o, qualquer subconjunto de V com mais de n vetores e´ LD. • Se dimV = n, qualquer subconjunto de V com n vetores LI e´ uma base de V. Example O conjunto B = (2, 1), (−1, 3) e´ uma base do R2. Ricardo Almeida A´lgebra Linear II Teorema Seja V um espac¸o vetorial de dimensa˜o n. Qualquer conjunto de vetores LI em V e´ parte de uma base, isto e´, pode ser completado ate´ formar uma base de V. Example Sejam os vetores v1 = (1,−1, 1, 2) e v2 = (−1, 1,−1, 0). Completar de modo a formar uma base do R4. Teorema Seja B = {v1, v2, ..., vn} uma base de um espac¸o vetorial V. Enta˜o, todo vetor v ∈ V se exprime de maneira u´nica como combinac¸a˜o linear dos vetores de B. Example Considerando a base B = {(2, 1), (−1, 3)} do R2. Exprima os vetores (3, 2)e(0,−2) como cominac¸a˜o linear dos vetores de B. Ricardo Almeida A´lgebra Linear II Componentes de um Vetor Seja B = {v1, v2, ..., vn} uma base de V. Tomemos v ∈ V sendo v = a1v1 + a2v2 + ...+ anvn. Os nu´meros a1, a2, ..., anvn sa˜o chamados componentes ou coordenadas de v em relac¸a˜o a base B e se representa por: [v ]B = (a1, a2, ..., an) ou com a notac¸a˜o matricial: [v ]B = a1 a2 . . . an Esse n-upla e´ chamada vetor-coordenada de v em relac¸a˜o a` base B, e o vetor coluna e´ chamado matriz coordenada de v em relac¸a˜o a` base B. Ricardo Almeida A´lgebra Linear II Example No R2, consideremos as bases A = {(1, 0), (0, 1)}, B = {(2, 0), (1, 3)} e C = {(1,−3), (2, 4)}. Dado o vetor v = (8, 6) determine [v ]B , [v ]A e [v ]C Figura: Ricardo Almeida A´lgebra Linear II O nu´mero de varia´veis livres e´ a dimensa˜o do espac¸o. Varia´veis livres = Total de varia´veis - nu´mero de equac¸o˜es Example Determinar a dimensa˜o e uma base do espac¸o vetorial S = {(x , y , z) ∈ R3/2x + y + z = 0}. Example Sejam os vetores v1 = (1, 2, 3), v2 = (0, 1, 2)ev3 = (0, 0, 1). a Mostrar que o conjunto B = {v1, v2, v3} e´ uma base do R3. b Determinar o vetor-coordenada (vB) e a matriz-coordenada de v = (5, 4, 2) em relac¸a˜o a B. c Determinar o vetor v ∈ R3 cujo vetor coordenada em relac¸a˜o a B e´ vB = (2,−3, 4). Ricardo Almeida A´lgebra Linear II Mudanc¸a de Base Sejam A e B bases de um espac¸o vetorial V. Pretende-se relacionar as coordenadas de um vetor v em relac¸a˜o a` base A com as coordenadas do mesmo vetor v em relac¸a˜o a` base B. Considerando o caso em que dimV = 2. Sejam as bases A = {v1, v2} e B = {w1,w2}. Dado um vetor v ∈ V , com vA = (x1, y1) e vB = (x2, y2). Por sua vez, os vetores da base A podem ser escritos em relac¸a˜o a` base B, isto e´: v1 = a11w1 + a21w2 v2 = a12w1 + a22w2 ou na forma matricial:[ x2 y2 ] = [ a11 a12 a21 a22 ] [ x1 y1 ] ou simplesmente, utilizamos a equac¸a˜o: [v ]B = [I ] A B [v ]A Ricardo Almeida A´lgebra Linear II Example Sejam as bases A = {v1, v2} e B = {w1,w2} do R2, onde v1 = (2,−1), v2 = (−1, 1),w1 = (1, 0),w2 = (2, 1). a) Determinar a matriz mudanc¸a de base de A para B. b) Utilizar a matriz [I ]AB para calcular [v ]B , sabendo que [v ]A = [ 4 3 ] Ricardo Almeida A´lgebra Linear II A inversa da Matriz de Mudanc¸a de Base. ([I ]AB) −1=[I ]BA Example Sejam A = (2,−1), (3, 4) e B = (1, 0), (0, 1) bases de R2. Determine: a) [I ]BA b) [I ]AB Ricardo Almeida A´lgebra Linear II Matriz-Rotac¸a˜o A matriz-rotac¸a˜o pode ser encarada como matriz-mudanc¸a de base de P para C, isto e´: [I ]PC = [ cosθ −senθ senθ cosθ ] [I ]PC [v ]P = [v ]C Example Considerando vP = (4, 2), sendo P uma base para θ = 90. Determine esse vetor na base canoˆnica. Ricardo Almeida A´lgebra Linear II No caso da base de C para P, temos que: [I ]CP = [ cosθ senθ −senθ cosθ ] [I ]CP [v ]C = [v ]P Example Sendo uma base P relativa a rotac¸a˜o em 45º do sistema x0y, quais as coordenadas do vetor v = (4, 2) nessa base. Ricardo Almeida A´lgebra Linear II Exerc´ıcios do Boldrini pa´g 129 (2,6,7,9,11,13,15,19,25,26,29,31) Ricardo Almeida A´lgebra Linear II TRANSFORMAC¸O˜ES LINEARES As aplicac¸o˜es cujos dom´ınios e contradom´ınios sa˜o espac¸os vetoriais e, ale´m disso, que preservam as operac¸o˜es de adic¸a˜o de vetores e multi- plicac¸a˜o de um vetor por um escalar sa˜o denominadas Transformac¸o˜es Lineares. Sejam V e W espac¸os vetoriais, representamos a transformac¸a˜o do espac¸o vetorial V no espac¸o vetorial W , escreve-se: T : V →W . Onde T estabelece uma func¸a˜o onde cada vetor de V possui um vetor imagem em W . Ricardo Almeida A´lgebra Linear II TRANSFORMAC¸O˜ES LINEARES Example T : <2 → <3 definida por T (x , y) = (2x , y , x + y) Ricardo Almeida A´lgebra Linear II TRANSFORMAC¸O˜ES LINEARES Definic¸a˜o Sejam V e W espac¸os vetoriais. Uma aplicac¸a˜o T : V →W e´ chamada Transformac¸a˜o Linear se satisfaz as seguintes condic¸o˜es: i T (v + w) = T (v) + T (w) ii T (αv) = αT (v) Para quaisquer v e w em V , e qualquer α em <. Ricardo Almeida A´lgebra Linear II TRANSFORMAC¸O˜ES LINEARES Uma consequeˆncia da definic¸a˜o e´ que a Transformac¸a˜o Linear T : V →W transforma o vetor nulo de V no vetor nulo de W , ou seja, T (0) = 0. Example T : <3 → <2 definida por T (x , y , z) = (x + y + z , 2y + 1) Example T : < → < definida por T (x) = (x2) Example A projec¸a˜o ortogonal do <2 sobre < e´ uma Transformac¸a˜o Linear? Ricardo Almeida A´lgebra Linear II TRANSFORMAC¸O˜ES LINEARES Uma transformac¸a˜o linear podera´ ser determinada se conhecermos as imagens dos vetores de uma base de seu dom´ınio, ou seja, con- siderando uma base β = {v1, v2, ..., vn} de V , temos que qualquer vetor v de V podera´ ser escrito como v = α1v1 + α2v2 + ...+ αnvn. Seja T : V →W uma transformac¸a˜o linear, enta˜o: T (v) = α1T (v1) + α2T (v2) + ...+ αnT (vn) Se T (v1),T (v2), ...,T (vn) sa˜o conhecido enta˜o podemos obter a imagem de T (v). Ricardo Almeida A´lgebra Linear II TRANSFORMAC¸O˜ES LINEARES Example Qual a transformac¸a˜o linear T : <2 → <3 tal que T (1, 0) = (2,−1, 0) e T (0, 1) = (0, 0, 1)? Example Seja T : <3 → <2, uma transformac¸a˜o linear, determine T (5, 3,−2) sabendo que: T (0, 1, 0) = (1,−2); T (1, 0, 1) = (3, 1); T (1, 1, 0) = (0, 2). Ricardo Almeida A´lgebra Linear II NU´CLEO DE UMA TRANSFORMAC¸A˜O LINEAR Chama-se nu´cleo de uma transformac¸a˜o linear T : V → W ao conjunto de todos os vetores de V que sa˜o transformados no vetor nulo de W . Denomina-se esse conjunto como ker(T ). Assim: ker(T ) = {v ∈ V ;T (v) = 0} Ricardo Almeida A´lgebra Linear II NU´CLEO DE UMA TRANSFORMAC¸A˜O LINEAR Example Determinar o nu´cleo da seguinte transformac¸a˜o linear T : <2 → <2 tal que T (x , y) = (x + y , 2x + y). Example Determinar o nu´cleo da seguinte transformac¸a˜olinear T : <3 → <2 tal que T (x , y , z) = (x − y + 4z , 3x + y + 8z). Ricardo Almeida A´lgebra Linear II IMAGEM DE UMA TRANSFORMAC¸A˜O LINEAR Chama-se imagem de uma transformac¸a˜o linear T : V → W ao conjunto dos vetores w em W que sa˜o imagens de pelo menos um vetor v em V . Indica-se a imagem por Im(T) ou tambe´m T(v). Assim: Im(T ) = {w ∈W ;T (v) = w} para algum v ∈ V . Ricardo Almeida A´lgebra Linear II IMAGEM DE UMA TRANSFORMAC¸A˜O LINEAR Example Determinar a imagem da seguinte transformac¸a˜o linear T : <3 → <3 tal que T (x , y , z) = (x , 2y , 0). Ricardo Almeida A´lgebra Linear II REFEREˆNCIAS BOLDRINI, J.L. A´lgebra Linear. 3 ed. Sa˜o Paulo: Harbra, 1980. HEFEZ, A; FERNANDEZ, C. S. Introduc¸a˜o a` A´lgebra Linear. Colec¸a˜o PROFMAT. Rio de Janeiro: SBM, 2014. STEINBRUCH, Alfredo; WINTERLE, Paulo. Geometria Anal´ıtica. 2.ed. Sa˜o Paulo: McGraw-Hill, 1987. STEINBRUCH, Alfredo; WINTERLE, Paulo. A´lgebra Linear. 2.ed. Sa˜o Paulo: McGraw-Hill, 1987. Ricardo Almeida A´lgebra Linear II
Compartilhar