Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO GRANDE - FURG INSTITUTO DE MATEMA´TICA, ESTATI´STICA E FI´SICA - IMEF FABI´OLA AIUB SPEROTTO DAIANE SILVA DE FREITAS NOTAS DE AULA DE A´LGEBRA LINEAR 1◦ Edic¸a˜o Rio Grande 2017 Universidade Federal do Rio Grande - FURG NOTAS DE AULA DE A´LGEBRA LINEAR Instituto de Matema´tica, Estat´ıstica e F´ısica - IMEF Fab´ıola Aiub Sperotto Daiane Silva de Freitas site: www.lemas.furg.br/index.php/material-didatico i Suma´rio 1 Matrizes e Sistemas Lineares 1 1.1 Motivac¸a˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3 Tipos de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . 2 1.4 Operac¸o˜es com Matrizes . . . . . . . . . . . . . . . . . . . . . 4 1.4.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 9 1.5 Matrizes Invers´ıveis . . . . . . . . . . . . . . . . . . . . . . . . 10 1.6 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.6.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 13 1.7 Lista de exerc´ıcios 1 . . . . . . . . . . . . . . . . . . . . . . . 14 1.8 Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.8.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 24 1.8.2 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 29 1.8.3 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 30 1.8.4 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 31 1.9 Lista de exerc´ıcios 2 . . . . . . . . . . . . . . . . . . . . . . . 33 2 Espac¸os Vetoriais 37 2.1 Introduc¸a˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.2 Espac¸os Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . 39 2.2.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 43 2.3 Subespac¸o Vetorial . . . . . . . . . . . . . . . . . . . . . . . . 43 2.3.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 45 2.4 Combinac¸a˜o Linear . . . . . . . . . . . . . . . . . . . . . . . . 46 2.4.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 48 2.5 Subespac¸os Gerados . . . . . . . . . . . . . . . . . . . . . . . 49 2.5.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 50 2.6 Dependeˆncia e Independeˆncia Linear . . . . . . . . . . . . . . 51 2.6.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 52 2.7 Base e Dimensa˜o . . . . . . . . . . . . . . . . . . . . . . . . . 53 2.7.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 56 2.8 Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . 57 2.8.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 60 ii 2.8.2 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 60 2.8.3 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 62 2.8.4 Processo de ortogonalizac¸a˜o de Gram-Schmidt: . . . . 62 2.9 Lista de exerc´ıcios 3 . . . . . . . . . . . . . . . . . . . . . . . 64 2.10 Lista de exerc´ıcios 3 . . . . . . . . . . . . . . . . . . . . . . . 65 3 Transformac¸o˜es Lineares 68 3.1 Introduc¸a˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 3.1.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 70 3.1.2 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 74 3.2 Nu´cleo de um Transformac¸a˜o Linear . . . . . . . . . . . . . . 74 3.3 Imagem de uma Transformac¸a˜o Linear . . . . . . . . . . . . . 76 3.3.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 77 3.4 Matriz de uma Transformac¸a˜o Linear . . . . . . . . . . . . . . 78 3.4.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 79 3.5 Operac¸o˜es com Transformac¸o˜es Lineares . . . . . . . . . . . . 80 3.5.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 80 3.6 Transformac¸o˜es Lineares Planas . . . . . . . . . . . . . . . . . 81 3.7 Transformac¸o˜es Lineares no Espac¸o . . . . . . . . . . . . . . . 88 3.7.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 90 3.8 Lista de exerc´ıcios 4 . . . . . . . . . . . . . . . . . . . . . . . 91 4 Autovalores e Autovetores 94 4.1 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . 94 4.1.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 98 4.2 Diagonalizac¸a˜o de Operadores . . . . . . . . . . . . . . . . . . 101 4.2.1 Agora tente resolver! . . . . . . . . . . . . . . . . . . . 105 4.3 Lista de Exerc´ıcios 5 . . . . . . . . . . . . . . . . . . . . . . . 105 iii Cap´ıtulo 1 Matrizes e Sistemas Lineares 1.1 Motivac¸a˜o A A´lgebra Linear tem inu´meras aplicac¸o˜es, como: • (Modelos Econoˆmicos de Leontief) – Suponha um sistema econoˆmico simplificado, por exemplo, uma mina de carva˜o, uma ferrovia e uma usina de energia necessitam cada uma de uma parte da produc¸a˜o das outras para sua manutenc¸a˜o e para suprir outros consumidores de seu produto. Os modelos de produc¸a˜o de Leontief podem ser usados para determinar o n´ıvel de produc¸a˜o necessa´rio a`s treˆs indu´strias para manter o sistema econoˆmico. • (Computac¸a˜o Gra´fica) – Um exemplo de aplicac¸a˜o na computac¸a˜o gra´fica esta´ na criac¸a˜o de um novo modelo de carro, que antes de ser produzido, os engenheiros projetam e constroem um carro matema´tico – um modelo de arame que existe apenas na memo´ria do computador e em terminais gra´ficos. O carro em modelo de arame e´ armazenado na forma de muitas matrizes para cada componente principal. • (Criptografia) - Hoje em dia, o principal impulso para o desenvol- vimento de co´digos seguros e´ dado pelas comunicac¸o˜es confidenciais entre computadores e em telecomunicac¸o˜es. • (Construc¸a˜o de Curvas e Superf´ıcies) – O uso dos determinantes nos permite resolver o problema analiticamente, assim e´ poss´ıvel construir retas, c´ırculos e sec¸o˜es coˆnicas em geral por pontos especificados no plano. 1 1.2. MATRIZES 1.2 Matrizes Definic¸a˜o 1. Se A e´ uma matriz de ordem m por n, isto e´ m linhas e n colunas, enta˜o cada elemento nume´rico da matriz denotado por aij, e´ o elemento da i-e´sima linha e da j-e´sima coluna. Enta˜o, considere por exemplo, uma matriz de 3 linhas e 3 colunas, por- tanto, a ordem da matriz e´ 3× 3 (leˆ-se 3 por 3) e representamos por A = a11 a12 a13a21 a22 a23 a31 a32 a33 . Onde par de nu´meros m e n e´ chamado tamanho ou tipo da matriz. Uma matriz que consiste de mn elementos dispostos em m linhas e n colunas, pode ser representada por A = [aij ]m×n: A = a11 a12 . . . a1n a21 a22 . . . a2n ... ... ... ... an1 an2 . . . amn . 1.3 Tipos de Matrizes Vamos recordar os principais tipos de matrizes. Matriz Nula: E´ aquela em que todos seus elementos sa˜o nulos. Isto e´, aij = 0, ∀ i, ∀ j. Matriz Linha ou Vetor Linha: Esta matriz possui apenas uma linha, m = 1. Portanto, A = [aij ]1×n Matriz Coluna: Matriz com apenas uma coluna, A = [aij ]m×1. Matriz Quadrada: E´ uma matriz que possui o mesmo nu´mero de linhas e colunas. Uma matriz quadrada n× n e´ dita de ordem n. Observac¸a˜o: Conceito de Diagonal Principal e Diagonal Secunda´ria: Se A = [aij ] e´ uma matriz quadrada de ordem n, os elementos aij , em que i = j, constituem os elementos da diagonal principal. Assim, a diagonal principal e´ formada pelos elementos a11, a22, a33, · · · ann. 2 IMEF - FURG 1.3. TIPOS DE MATRIZES Os elementos aij , em que i+j = n+1, constituem a diagonal secunda´ria. Enta˜o, a1n, a2n−1, a3n−2, · · · , an1, sa˜o os elementos da diagonal secunda´ria. Exemplo 1. A = 2 10 54 1 −8 7 5 3 E´ uma matriz quadrada de ordem 3, os elementos da diagonal principal sa˜o 2, 1, 3 e os elementos da diagonal secunda´ria sa˜o 5, 1, 7. Matriz diagonal: Chamamos de matriz diagonal D = [dij ] uma matriz quadrada onde todos os elementos que na˜o pertencema diagonal principal sa˜o nulos. Portanto, dij = 0, para i 6= j. Exemplo 2. [ 15 0 0 −3 ] Matriz Escalar: Quando a matriz diagonal tem os elementos aij iguais para i = j, chamamos de matriz escalar. Exemplo 3. A = 4 0 00 4 0 0 0 4 Matriz Identidade: E´ uma matriz escalar onde os elementos da diagonal principal sa˜o iguais a 1. (aij = 1, para i = j). Notac¸a˜o: In, ou simplesmente I. Exemplo 4. I2 = [ 1 0 0 1 ] , I3 = 1 0 00 1 0 0 0 1 Matriz Triangular Superior: Uma matriz A = [ aij ] quadrada e´ triangu- lar superior se todos os elementos abaixo da diagonal principal sa˜o nulos, isto e´, aij = 0, para i > j. Exemplo 5. 3 4 10 2 −4 0 0 3 Matriz Triangular Inferior: Uma matriz A = [ aij ] quadrada e´ triangular inferior se todos os elementos acima da diagonal principal sa˜o nulos, isto e´, aij = 0, para i < j. Exemplo 6. 1 0 06 5 0 4 7 8 3 IMEF - FURG 1.4. OPERAC¸O˜ES COM MATRIZES Matriz Transposta: A matriz transposta da matriz A, denotada por AT ou At, e´ a matriz obtida escrevendo as colunas de A, na ordem, como linhas. Exemplo 7. Dada a matriz A = [ a11 a12 a13 a21 a22 a23 ] , a matriz transposta e´ At = a11 a21a12 a22 a13 a23 Propriedades da Matriz Transposta: Considere as matrizes A e B de mesma ordem e λ um escalar. i. (A+B)t = At +Bt ii. (λA)t = λAt iii. (At)t = A iv. (AB)t = BtAt Observac¸a˜o: o nu´mero de linhas de A e´ igual ao nu´mero de colunas de At. O nu´mero de colunas de A e´ igual ao nu´mero de linhas de At. Matriz Sime´trica: Uma matriz A e´ sime´trica se At = A, isto e´, se seus ele- mentos sime´tricos - elementos espelhados pela diagonal principal - sa˜o iguais, isto e´, aij = aji. Exemplo 8. A = [ 2 5 5 1 ] , At = [ 2 5 5 1 ] a matriz A e´ sime´trica. B = 3 −1 5−1 2 −4 5 4 0 , Bt = 3 −1 5−1 2 4 5 −4 0 a matriz B na˜o e´ sime´trica. Matriz Anti-Sime´trica: Uma matriz A e´ anti-sime´trica se At = −A, ou de modo equivalente, se cada aij = −aji. Os elementos da diagonal principal sa˜o nulos, ja´ que aii = −aii implica aii = 0. Exemplo 9. M = 0 5 −2−5 0 3 2 −3 0 , M t = 0 −5 25 0 −3 −2 3 0 a matriz M e´ anti-sime´trica. 1.4 Operac¸o˜es com Matrizes Igualdade entre Matrizes: Dadas duas matrizes A = [aij ]m×n e B = [bij ]m×n, sa˜o iguais se, e somente, se aij = bij . 4 IMEF - FURG 1.4. OPERAC¸O˜ES COM MATRIZES Adic¸a˜o de Matrizes A soma de duas matrizes de mesmo tamanho A = [aij ]m×n e B = [bij ]m×n, denotada por A+B, e´ uma matriz C = [cij ]m×n obtida somando-se os elementos correspondentes de A e B. Portanto, cij = aij + bij ,∀i,j. Cuid ado! So´ faz sentido realizar as operac¸o˜es de adic¸a˜o e subtrac¸a˜o entre matrizes de mesma ordem. Exemplo 10. Se A = [ 3 4 7 8 ] e B = [ 2 6 8 9 ] , enta˜o A+B = [ 5 10 15 17 ] Propriedades da Adic¸a˜o: Dadas as matrizes A, B e C de tamanhosm×n, temos: i. A+ (B + C) = (A+B) + C (Associatividade da adic¸a˜o); ii. A + 0 = 0 + A = A (Elemento neutro, onde 0 denota a matriz nula m× n); iii. −A+A = A−A = 0 (Elemento oposto); iv. A+B = B +A (Comutatividade da adic¸a˜o). Demonstrac¸a˜o: Vamos verificar a propriedade [iv.], deixando as demais a cargo do leitor. iv. A+B = B +A A = [aij ], B = [bij ] A+B = [aij ] + [bij ] = [aij + bij ] = [bij + aij ] = B +A Observac¸a˜o: Definimos a operac¸a˜o de subtrac¸a˜o de maneira usual, sendo dadas as matrizes A e B, temos A−B = A+ (−B). Multiplicac¸a˜o de uma Matriz por um Escalar O produto de uma matriz A por um escalar λ e´ uma matriz B = [bij ] tal que: bij = λaij , onde a matriz B e´ um mu´ltiplo escalar da matriz A. Exemplo 11. (−2) · [ 2 −1 5 4 0 −3 ] = [−4 2 −10 −8 0 6 ] Propriedades: Dados λ e β escalares e as matrizes Am×n e Bm×n, temos: 5 IMEF - FURG 1.4. OPERAC¸O˜ES COM MATRIZES i. (λβ)A = λ(βA) ii. (λ+ β)A = λA+ βA iii. λ(A+B) = λA+ λB iv. 1 ·A = A v. 0 ·A = 0, isto e´, se multiplicarmos o nu´mero zero por qualquer matriz A, teremos a matriz nula. Multiplicac¸a˜o de Matrizes Vamos considerar a seguinte situac¸a˜o, para motivar a definic¸a˜o de mul- tiplicac¸a˜o de matrizes: Exemplo 12. Duas amigas precisam comprar algumas frutas para fazer uma salada de frutas e levar para uma festa. Cada uma pretende comprar quantidades diferentes. Anny quer comprar 5 mac¸a˜s, 6 peˆras e 8 laranjas. Milli quer levar 3 mac¸a˜s, 4 peras e 9 laranjas. Anny mora pro´ximo a um supermercado e uma banca de frutas. No supermercado cada mac¸a˜ custa R$0,15; cada peˆra custa R$0,20 e cada laranja R$0,10. E na banca cada mac¸a˜ custa R$0,18; cada peˆra R$0,25 e cada laranja R$0,15. Problema: Quanto Anny e Milli va˜o gastar? Observe que se Anny comprar no supermercado: 5(0,15) + 6(0,20) + 8(0,10) = R$2,75 portanto, gastara´ R$2,75. Mas este mesmo ca´lculo pode ser feito com a multiplicac¸a˜o de matrizes: M1 = [ 5 6 8 3 4 9 ] ,M2 = 0,15 0,180,20 0,25 0,10 0,15 O produto M1M2 nos mostra quanto cada uma ira´ gastar.[ 5 6 8 3 4 9 ] · 0,15 0,180,20 0,25 0,10 0,15 = [ 2,75 3,60 2,15 2,89 ] Pelos ca´lculos observamos que elas devem fazer suas compras no super- mercado. Assim, Anny ira´ gastar R$2,75 e Milli R$2,15. 6 IMEF - FURG 1.4. OPERAC¸O˜ES COM MATRIZES De modo geral, dada duas matrizes A = [aij ]m×k e B = [bij ]k×n o produto da matriz A pela matriz B, definida por C = A · B, como uma matriz de ordem m× n, isto e´, C = [cij ]m×n e´ tal que cij = k∑ p=1 aipbpj = ai1b1j + ai2b2j + . . .+ aikbkj . Cuid ado! So´ faz sentido definirmos o produto AB de duas matrizes quando o nu´mero de colunas de A for igual ao nu´mero de linhas de B. Portanto, Am×k.Bk×n = Cm×n Exemplo 13. A = [ 1 −2 3 0 2 4 ] , B = 2 0 1−1 3 2 1 −4 1 Soluc¸a˜o: A ·B = [ 1 −2 3 0 2 4 ] · 2 0 1−1 3 2 1 −4 1 = [ 7 −18 0 2 −10 8 ] Observe que: (1) · (2) + (−2) · (−1) + (3) · (1) = 7 (1) · (0) + (−2) · (3) + 3 · (−4) = −18 Depois de realizar as operac¸o˜es da primeira linha da matriz A com as co- lunas da matriz B, repetimos o processo para a segunda linha, e assim sucessivamente ate´ percorrermos todas as linhas da primeira matriz. Propriedades da Multiplicac¸a˜o: Dadas quaisquer matrizes A, B,C con- venientes, sa˜o va´lidas as seguintes propriedades: i. (A ·B) · C = A · (B · C) (Assiociatividade); ii. (A±B)C = A ·C ±B ·C (Distributiva a` direita da multiplicac¸a˜o em relac¸a˜o a` adic¸a˜o); iii. A(B ± C) = A · B ± A · C (Distributiva a` esquerda da multiplicac¸a˜o em relac¸a˜o a` adic¸a˜o;) 7 IMEF - FURG 1.4. OPERAC¸O˜ES COM MATRIZES iv. Im ·A = A · In = A (Existeˆncia do elemento identidade). v. (λ ·A) ·B = A · (λ ·B) = λ · (A ·B) (λ ∈ R). Observac¸o˜es: 1. A multiplicac¸a˜o matricial na˜o e´, em geral, comutativa (A ·B 6= B ·A). 2. Se o produto de duas matrizes for a matriz zero, na˜o podemos concluir que A = 0 ou B = 0. 3. Indicamos a poteˆncia de uma matriz A do seguinte modo: A2 = A ·A; A3 = A2 ·A; A(n+1) = An ·A (onde A e´ uma matriz quadrada); Exemplo 14. Se A = [ 1 1 0 1 ] , encontre uma fo´rmula para An. Soluc¸a˜o: A2 = A ·A = [ 1 1 0 1 ] [ 1 1 0 1 ] = [ 1 2 0 1 ] A3 = A2 ·A = [ 1 2 0 1 ] [ 1 1 0 1 ] = [ 1 3 0 1 ] Portanto, An = A ·A · · ·A = [ 1 n 0 1 ] 4. A matriz identidade e´ o elemento neutro multiplicativo nas operac¸o˜es de multiplicac¸o˜es de matrizes. 5. A ordem em que aparecem as matrizes e´ importante: • @A ·B e @B ·A; • ∃A ·B e @B ·A; • @A ·B e ∃B ·A; • ∃A ·B e ∃B ·A. Exemplo 15. • @A ·B e @B ·A: Se A2×2 e B3×3. • ∃A ·B e @B ·A: Se A2×2 e B2×3. 8 IMEF - FURG 1.4. OPERAC¸O˜ES COM MATRIZES 1.4.1 Agora tente resolver!1. Escrever a matriz A = [aij ] nos seguintes casos: (a) A matriz A e´ do tipo 2 × 3, com aij = 4, para i 6= j e aij = 2 para i = j. (b) A matriz A e´ de ordem 3 com aij = i 3 − j. 2. Determinar os valores de x e y para que as seguintes matrizes sejam iguais: A = [ 4x 2 8 y − 4 ] , B = [ 8 2 8 3 ] 3. Dadas as matrizes: A = [ 6 5 −9 7 ] , B = [ 5 8 10 7 ] , C = 10 −3 45 7 4 −9 1 4 , D = [ 5 1 −2 3 6 7 ] Calcule se poss´ıvel: (a) AB −BA (b) 4A+D (c) Determinar o dobro de C (d) Multiplicar a matriz D por 1 2 . 4. Dada as matrizes: A = 4 0 31/2 2 1 −4 8 −9 , B = 1 −3 22 5 −3 4 2 0 , C =1 50 2 4 3 . Calcule: (a) (AB)t (b) (4C)t 5. Sendo A = 4 10 10 5 −9 3 7 2 , B = 0 −5 27 1 7 3 2 1 , C = 2 1 4−3 2 −2 9 1 −2 Classificar como sime´trica ou anti-sime´trica a matriz resultante: (a) A+At (b) AAt (c) B −Bt (d) C − Ct 9 IMEF - FURG 1.5. MATRIZES INVERSI´VEIS 1.5 Matrizes Invers´ıveis Uma matriz A quadrada de ordem n e´ invers´ıvel se existe uma matriz B tal que A · B = B · A = I, onde I e´ a matriz identidade. A matriz B e´ a inversa de A e representamos por A−1 : A · A−1 = A−1 · A = I. Portanto, B = A−1. Exemplo 16. Dada a matriz A = [ 2 5 1 3 ] , sua inversa e´ A−1 = [ 3 −5 −1 2 ] pois: A·A−1 = [ 2 5 1 3 ] [ 3 −5 −1 2 ] = [ 1 0 0 1 ] A−1A = [ 3 −5 −1 2 ] [ 2 5 1 3 ] = [ 1 0 0 1 ] Observac¸a˜o: Uma matriz quadrada A cujo determinante e´ nulo e´ cha- mada de matriz singular. A matriz singular na˜o tem inversa. Se a matriz quadrada A possui determinante diferente de zero e´ chamada de matriz na˜o- singular. A matriz na˜o-singular possui inversa. Propriedades: Se as A e B sa˜o matrizes quadradas de ordem n e in- vers´ıveis: i. Se a matriz A possui inversa, esta e´ u´nica (det A 6= 0); ii. Se A e´ uma matriz na˜o-singular, enta˜o A−1 e´ invert´ıvel e (A−1)−1 = A; iii. A e B sa˜o invert´ıveis, enta˜o A ·B e´ invert´ıvel e (A ·B)−1 = B−1 ·A−1; iv. Se A e´ uma matriz invert´ıvel, enta˜o (At)−1 = (A−1)t. Exemplo 17. Determine a inversa da matriz [ 5 3 4 2 ] Soluc¸a˜o: Primeiro calculamos o determinante da matriz A: detA = 10− 12 = −2, enta˜o A−1 = 1 −2 [ 2 −3 −4 5 ] A−1 = [−1 32 2 −52 ] . Verifique se A ·A−1 = A−1 ·A = I. 1.6 Determinantes Os determinantes sa˜o usados em diversas situac¸o˜es da matema´tica. No ca´lculo do produto vetorial, no ca´lculo de a´reas, volumes, equac¸o˜es da reta, 10 IMEF - FURG 1.6. DETERMINANTES planos, etc. Portanto, e´ de extrema importaˆncia o seu estudo. Se A e´ uma matriz quadrada de ordem n, o determinante da matriz A, indicamos por det(A), e´ um nu´mero real que obtemos operando com os elementos de A. Antes apresentar a definic¸a˜o formal para matrizes de ordem n, vamos recordar como obter um determinante para cada um dos casos: • Se a matriz possui apenas um elemento, n = 1: A = [a11], o determi- nante e´ o pro´prio escalar: det(A) = a11. • Se a matriz e´ ordem n = 2, temos: detA = det [ a11 a12 a21 a22 ] = a11a22 − a12a21. • No caso em que n = 3: A = a11 a12 a13a21 a22 a23 a31 a32 a33 , o determinante pode ser calculado usando o seguinte dispositivo:a11 a12 a13a21 a22 a23 a31 a32 a33 a11 a12a21 a22 a31 a32 = a11a22a33 + a12a23a31 + a13a22a31 − a13a22a31 − a11a23a32 − a12a21a33 Exemplo 18. A = 2 1 0−1 3 −2 2 5 1 A = 2 1 0−1 3 −2 2 5 1 2 1−1 3 2 5 ⇒ detA = 23 Observac¸a˜o: Este dispositivo so´ e´ va´lido para ca´lculo de determinan- tes de ordem 3. • Para definir o determinante de matrizes quadradas maiores, do tipo n × n, precisamos definir o que e´ cofator de uma matriz. Dada uma matriz A = [aij ]n×n, eliminando-se a i-e´sima linha e a j-e´sima coluna de A, obtemos uma submatriz de ordem (n−1)×(n−1). O determinante desta nova matriz e´ denominado menor da matriz A, denotado por 4ij = (−1)i+jdet(A(n−1)×(n−1)) ou seja, o cofator e´ igual a mais ou menos o determinante do menor da matriz A, o sinal de positivo ou negativo depende do expoente i+ j. 11 IMEF - FURG 1.6. DETERMINANTES Como exemplo, considere o determinante de uma matriz de ordem 3 que e´ igual a soma dos produtos dos elementos da primeira linha pelos seu cofatores, enta˜o detA = a11 411 +a12 412 +a13413 detA = a11det(A11)− a12det(A12) + a13det(A13) detA = a11 [ a22 a23 a32 a33 ] − a12 [ a21 a23 a31 a33 ] + a13 [ a21 a22 a31 a32 ] que e´ uma combinac¸a˜o linear de treˆs determinantes de ordem dois, cujos coeficientes com sinais alternados pertencem a primeira linha da matriz dada. Definic¸a˜o Seja A = [aij ]n×n uma matriz de ordem n por n. O deter- minante de A e´ definido por, det(An×n) = ai1411+ . . .+ain4in = n∑ j=1 aij(−1)i+jdetAij = n∑ j=1 aij∆ij . (1.1) Ao nu´mero 4ij (que e´ o determinante afetado pelo sinal (−1)i+j da submatriz Aij), e´ o cofator ou complemento alge´brico do elemento aij . Esta expressa˜o e´ chamada de desenvolvimento em cofatores do determinante de A, em termos da primeira linha. Observac¸a˜o: Dada uma matriz A de ordem n × n, seu determinante pode ser calculado fazendo-se o desenvolvimento em cofatores em qualquer linha ou qualquer coluna. Este desenvolvimento e´ u´til para matrizes de ordem superior a 3. Vamos repetir o mesmo racioc´ınio para calcular um determinante de quarta ordem, da seguinte matriz: 0 2 1 0 0 1 9 8 5 6 7 2 3 1 4 6 Aplicando o me´todo temos: 0·(−1)1+1· 1 9 86 7 2 1 4 6 +2·(−1)1+2· 0 9 85 7 2 3 4 6 +1·(−1)1+3· 0 1 85 6 2 3 1 6 +0·(−1)1+4· 0 1 95 6 7 3 1 4 = = 0 + 2 · (−1) · [−224] + 1 · (1) · [−128] + 0 = 12 IMEF - FURG 1.6. DETERMINANTES = 448− 128 = 320. Observac¸a˜o: Os sinais + ou − sa˜o determinados pela distribuic¸a˜o:+ - +- + - + - + considerando determinantes de ordem treˆs. Esse processo pode ser generalizado para matrizes de ordem superior a treˆs. Propriedades dos Determinantes i. O determinante de uma matriz quadrada A na˜o se altera se trocam as linhas pelas colunas, (det(At) = det(A)). ii. Se a matriz A possui uma linha (ou coluna) constitu´ıda de elementos todos nulos, o determinante e´ nulo. iii. Se a matriz A tem duas linhas (ou duas colunas) iguais, o determinante e´ nulo. iv. Se a matriz A e´ triangular (superior ou inferior), enta˜o det(A) = a11a22a33 . . . ann, isto e´, e´ igual ao produto dos elementos da diago- nal principal. v. Se multiplicarmos uma linha da matriz por uma constante, o determi- nante fica multiplicado por esta constante. vi. det(A ·B) = det(A) · det(B) Observac¸a˜o: Uma matriz e´ invers´ıvel se, e somente se, det(A) 6= 0. 1.6.1 Agora tente resolver! 1. Resolver a equac¸a˜o desenvolvendo o determinante do primeiro membro da esquerda pela terceira coluna e observando a alternaˆncia de sinais:4 6 x5 2 −x 7 4 2x = −128 2. Resolver a equac¸a˜o: x+ 3 x+ 1 x+ 44 5 3 9 10 7 = −7 13 IMEF - FURG 1.7. LISTA DE EXERCI´CIOS 1 3. Calcule o determinante da matriz: 3 0 63 0 2 4 −7 8 , usando as duas for- mas vistas em aula. 4. Calcule o determinante da matriz A: 3 6 4 0 3 2 0 1 0 2 −1 2 2 0 2 0 5. Supondo as matrizes A, B, C, D quadradas, de mesma ordem e in- vers´ıveis, resolver as equac¸o˜es matriciais nas quais X e´ a varia´vel: (a) ABX = C (b) ADX = ABC 6. Dada a matrizM = 2 4 32 1 4 4 3 6 , determine os determinantes: det(M12), det(M31). 7. Seja A = [ 3 1 4 2 ] . Responda: (a) Escreva 5A. E´ verdade que det5A = 5detA? (b) Multiplique apenas a primeira linha da matriz A por 5 e verifique a propriedade v dos determinantes. 1.7 Lista de exerc´ıcios 1 1. Sendo asmatrizes A = [aij ] e B = [bij ], quadradas de ordem 3 com aij = i 2 − j e bij = −i2 + 2j, qual e´ o valor de A−B? 2. Calcule x, y, z e t para que 2 · [ x 4 y −z t ] = [ x 9 6 3 ] + [ 2 x+ y z 2 + z ] . 3. Considere as seguintes matrizes: A = [ 3 6 4 4 ] , B = [−7 3 3 −1 ] e C = [ 9 −8 8 5 ] Calcule: 3A + B; 3A − 2C, C2, B3 e verifiquem se A e B comutam (isto e´, AB = BA?). 4. Calcule AB onde, A = [−4 −1 −4 0 −3 6 ] , B = 3 3 7 22 9 −4 4 5 3 3 0 . 14 IMEF - FURG 1.7. LISTA DE EXERCI´CIOS 1 5. Determine a transposta de cada matriz: A = [ 2 6 −3 12 −6 7 ] , B = 1 2 32 3 7 1 6 4 e C = 2 −710 2 4 5 6. Se uma matriz A e´ 2× 3 e o produto AB e´ uma matriz 2× 4 qual e´ o tipo da matriz B? 7. Quantas linhas C precisa ter para que CB seja uma matriz 3× 2? 8. Sejam A = [ 3 −2 5 3 ] , f(x) = x2 + 2x+ 6. Calcule: (a) A2 (b) A3 (c) f(A) 9. Dada a matriz A abaixo, de ordem 2 e sendo I a matriz identidade de ordem 2, para cada n natural existem α, β tais que An = αA + βI. Assim, sendo A = [ 2 1 0 6 ] : (a) Encontre α, β tais que A2 = αA+ βI. (b) Multiplicando A−1 pela expressa˜o da letra (a) obte´m-se A = αI+βA−1. Encontre a matriz A−1 usando as informac¸o˜es obtidas no item anterior. 10. Calcule x,y,z para que a matriz A seja sime´trica: (a) A = 3 5 xy −8 4 6 z 2 (b) A = −2 4 2xy z 3 x 8 1 11. A empresa ForFia produz treˆs modelos de ve´ıculos o X10, X100, X1000. Em cada modelo podem ser instalados ate´ dois tipos de airbags, AB1 e AB2. A tabela a seguir mostra a quantidade de unidades de airbags instalados em cada modelo, X10 X100 X1000 AB1 2 2 0 AB2 4 4 2 No u´ltimo meˆs de julho foram produzidos 600 ve´ıculos do modelo X10, 750 do modelo X100 e 420 do modelo X1000. Quantos ve´ıculos com os dois modelos de airbags foram montados no referido meˆs. 15 IMEF - FURG 1.7. LISTA DE EXERCI´CIOS 1 12. Uma malharia confecciona treˆs (3) tipos de camisetas, A, B e C onde sa˜o usadas estampas do tipo P1 e G1. O nu´mero ma´ximo de estampas por modelo e´ P1 G1 Camiseta A 2 3 Camiseta B 1 4 Camiseta C 2 2 O nu´mero de camisetas fabricadas de cada modelo no meˆs de maio foram 60 do modelo A, 40 do modelo B e 50 do modelo C. Ja´ no meˆs de junho foram 100 do modelo A, 40 do modelo B e 50 do modelo C. Quantas camisetas de cada estampa foram confeccionadas nos referidos meses? 13. Uma indu´stria que produz equipamentos eletroˆnicos de dois (2) mode- los diferentes Y1 e Y2. Na montagem de cada equipamento sa˜o utili- zados transistores, capacitores e resistores. Na tabela abaixo esta˜o as quantidades de cada item para cada modelo Y1 Y2 Transistores 5 4 Capacitores 8 6 Resistores 10 8 Foram solicitados para os meses de agosto 10 modelos do Y1 e 14 modelos do Y2. E, no meˆs de setembro foram solicitados 8 modelos do tipo Y1 e 6 do tipo Y2. Determine o total de transistores, capacitores e resistores que sera˜o utilizados para atender a`s encomendas em cada meˆs. 14. Uma construtora tem contratos para construir 3 modelos de casas: Convencional, Moderna e Pequena. A quantidade de material empre- gado em cada tipo de casa consta na tabela abaixo: concreto ferro vidro papel de parede tijolo Convencional 10 14 12 6 17 Moderna 8 12 16 5 10 Pequena 7 4 10 3 12 (a) Se a empresa pretende construir 6, 5, 10 casas dos tipos Conven- cional, Moderna e Pequena, respectivamente, qual a quantidade de cada material sera˜o necessa´rios? (b) Suponha que os prec¸os por unidade de concreto, ferro, vidro, papel de parede e tijolo sejam, respectivamente 6, 9, 4, 1, 5. Qual o prec¸o unita´rio de cada casa? 16 IMEF - FURG 1.7. LISTA DE EXERCI´CIOS 1 15. A tabela abaixo representa as quantidades de vitaminas A, E e K respectivamente obtidas em cada unidade de alimentos X1 e X2: A E K Alimento X1 4 1 0 Alimento X2 1 4 2 Ingerindo 2 unidades do alimento X1 e 3 unidades do alimento X2 quanto iremos consumir de cada tipo de vitamina? Interprete sua resposta. 16. Uma certa construtora fez um loteamento para construc¸a˜o de casas. A empresa esta´ oferecendo casas de classe A e classe B. As casas de classe A necessitam de 10 portas, 12 janelas, 4 louc¸as para banheiro. As casas de classe B necessitam de 7 portas, 5 janelas e 2 louc¸as para banheiro. Em uma primeira etapa a construtora devera´ construir 50 casas de classe A e 70 classe B, Numa segunda etapa 30 casas classe A e 40 classe B. Quanto de cada material sera´ necessa´rio em cada etapa? 17 IMEF - FURG 1.8. SISTEMAS LINEARES 1.8 Sistemas Lineares Um problema fundamental que normalmente e´ encontrado na descric¸a˜o matema´tica de fenoˆmenos f´ısicos e´ o da soluc¸a˜o simultaˆnea de um conjunto de equac¸o˜es. Tais fenoˆmenos sa˜o descritos por um conjunto de m equac¸o˜es em que se deseja determinar a soluc¸a˜o de n varia´veis de interesse, chamadas inco´gnitas. A matema´tica antiga, desenvolvida no ocidente (principalmente na Eu- ropa) poucas sa˜o as aparic¸o˜es de sistemas de equac¸o˜es lineares. Ja´ no Oriente o assunto mereceu atenc¸a˜o maior. Com seu gosto especial por diagramas, os chineses representavam os sis- temas lineares por meio de seus coeficientes escritos com barras de bambu sobre os quadrados de um tabuleiro. Assim acabaram descobrindo o me´todo de resoluc¸a˜o por eliminac¸a˜o que consiste em anular coeficientes por meio de operac¸o˜es elementares. Exemplos desse procedimento encontram-se nos nove cap´ıtulos sobre a arte da matema´tica, um texto datado do se´culo 111 a.C. Mas apenas no Japa˜o do se´culo XVII, chegou-se a noc¸a˜o de determinan- tes atrave´s do estudo de sistemas lineares. No ocidente o uso de determinan- tes, ligados a sistemas lineares, surgiu anos depois, num trabalho de Leibniz (o mesmo que desenvolveu, paralelamente a` Newton, o ca´lculo diferencial). A conhecida regra de Cramer para resolver sistemas de n equac¸o˜es e n inco´gnitas, por meio de determinantes, e´ na verdade uma descoberta do escoceˆs Colin Maclaurin (1698-1746), publicada em 1748. Mas o nome do su´ıc¸o Gabriel Cramer (1704-1752) na˜o aparece nessa publicac¸a˜o. Cramer tambe´m chegou a` regra (independentemente), mas depois, na sua Introduc¸a˜o a` Ana´lise das curvas planas. Antes de definirmos um sistema linear, vamos relembrar o que sa˜o equac¸o˜es lineares. Equac¸a˜o Linear: Uma equac¸a˜o linear e´ uma equac¸a˜o de primeiro grau, onde x1, x2, x3, . . . xn sa˜o as varia´veis e que pode ser escrita como a1x1 + a2x2 + . . .+ anxn = b e a1, a2,. . ., an e b sa˜o nu´meros reais, e xi sa˜o as varia´veis (inco´gnitas). Exemplo 19. 4x1 − 5x2 + 2 = x1 e´ uma equac¸a˜o linear. 4x1 − 5x2 = x1x2 na˜o e´ uma equac¸a˜o linear. 18 IMEF - FURG 1.8. SISTEMAS LINEARES A soluc¸a˜o de uma equac¸a˜o linear e´ uma sequeˆncia de nu´meros reais que satisfazem a equac¸a˜o, por exemplo, a equac¸a˜o: 4x1 − 5x2 + 2 = x1 ⇒ 3x1 − 5x2 = −2. Para x1 = 1 e x2 = 1 a equac¸a˜o possui soluc¸a˜o. Sistema de Equac¸o˜es Lineares: Um sistema de equac¸o˜es e´ uma lista de equac¸o˜es com as mesmas inco´gnitas. Assim, a11x1 + a12x2 + . . .+ a1nxn = b1 a21x1 + a22x2 + . . .+ a2nxn = b2 ................................................... am1x1 + am2x2 + . . .+ amnxn = bm (1.2) E´ um sistema de m equac¸o˜es lineares L1, L2,. . ., Lm nas n inco´gnitas x1, x2, . . ., xn, onde aij e bi sa˜o constantes. O sistema (1.2) e´ chamado de sistema homogeˆneo se todos seus termos constantes sa˜o nulos, isto e´, se b1 = 0, b2 = 0, . . ., bm = 0. Caso contra´rio, o sistema e´ na˜o-homogeˆneo. Soluc¸a˜o de um Sistema Linear: Uma soluc¸a˜o do sistema (1.2) e´ uma lista de valores para as inco´gnitas que e´ a soluc¸a˜o do sistema. O conjunto de todas as soluc¸o˜es do sistema e´ chamadode conjunto soluc¸a˜o ou soluc¸a˜o geral do sistema. Exemplo 20. Encontre uma soluc¸a˜o para o sistema: { 2x+ 3y = 18 3x+ 4y = 25 Comec¸amos isolando a varia´vel x da primeira equac¸a˜o: 2x+ 3y = 18→ 2x = 18− 3y → x = 18− 3y 2 Agora substitu´ımos x na segunda equac¸a˜o e achamos o valor de y: 3x+ 4y = 25→ 3(18− 3y 2 ) + 4y = 25→ 54 2 − 9y 2 + 4y = 25→ 27− y 2 = 25→ y 2 = 2→ y = 4 Agora substitu´ımos o valor de y encontrado para achar o valor de x: x = 18− 3y 2 → x = 18− 3(4) 2 → x = 18− 12 2 → x = 6 2 = 3 Logo a soluc¸a˜o do sistema e´ y = 4 e x = 3. 19 IMEF - FURG 1.8. SISTEMAS LINEARES Um sistema de equac¸o˜es lineares e´ chamado compat´ıvel se admite soluc¸a˜o, isto e´, se existe uma sequeˆncia de nu´meros s1, . . . , sn, com a proprie- dade de que cada equac¸a˜o do sistema seja satisfeita quando x1 = s1, . . . ,xn = sn sejam substitu´ıdas. Caso contra´rio o sistema e´ incompat´ıvel. Enta˜o, de acordo com o nu´mero de soluc¸o˜es, um sistema linear e´ classi- ficado como: • Sistema imposs´ıvel : Quando o sistema na˜o admite soluc¸a˜o (SI). • Sistema Poss´ıvel Determinado: Quando o sistema admite uma u´nica soluc¸a˜o (SPD). • Sistema Poss´ıvel Indeterminado: Quando o sistema admite infinitas soluc¸o˜es (SPI). Vamos analisar os gra´ficos das soluc¸o˜es pelos seguintes exemplos: Exemplo 21. { x− y = −2∗ −x+ y = 4∗ Por substituic¸a˜o: Isolamos x na primeira equac¸a˜o: x = −2 + y Apo´s, substituindo na segunda equac¸a˜o: −(−2 + y) + y = 4 2− y + y = 4 2 = 4 Observe que ha´ uma inconsisteˆncia, na˜o existem pontos que satisfac¸am am- bas equac¸o˜es. Sistema Imposs´ıvel: Na˜o possui soluc¸a˜o. 20 IMEF - FURG 1.8. SISTEMAS LINEARES Exemplo 22. { 2x− 3y = −1∗ −x+ 3y = 1∗ x = −1 + 3y substituindo: 2(−1 + 3y)− 3y = −1 −2 + 6y − 3y = −1 3y = 1 y = 1 3 Para x: x = −1 + 3(1 3 ) x = 0 Portanto, o par (0, 1 3 ), satisfaz as equac¸o˜es do sistema linear. Dizemos enta˜o, que o sistema linear e´ poss´ıvel determinado, possui apenas uma u´nica soluc¸a˜o. Sistema Poss´ıvel Determinado: O sistema possui exatamente uma soluc¸a˜o. Exemplo 23. { 2x− 4y = −2 −2x+ 4y = 2 2x = −2 + 4y x = −1 + 2y substituindo: −2(−1 + 2y) + 4y = 2 2− 4y + 4y = 2 2 = 2 O sistema e´ chamado de sistema poss´ıvel indeterminado, pois possui infinitos pontos que satisfazem ambas equac¸o˜es. 21 IMEF - FURG 1.8. SISTEMAS LINEARES Sistema Poss´ıvel Indeterminado: O Sistema possui infinitas soluc¸o˜es. Observac¸a˜o: Suponha treˆs planos pi1, pi2 e pi3, definidos por treˆs equac¸o˜es lineares. Neste caso, podemos obter oito posic¸o˜es relativas entre os planos: quatro com soluc¸o˜es incompat´ıveis e quatro com soluc¸o˜es poss´ıveis. • Podemos ter uma intersec¸a˜o vazia (SI); • A intersec¸a˜o pode ser uma reta (SPI); • A intersec¸a˜o pode ser um ponto (SPD). Exemplo 24. Os gra´ficos a seguir ilustram algumas situac¸o˜es. x y Sistema Poss´ıvel e Determinado 22 IMEF - FURG 1.8. SISTEMAS LINEARES x y Sistema Indeterminado x y Sistema Poss´ıvel Indeterminado Notac¸a˜o Matricial Podemos escrever o sistema (1.2) da seguinte forma matricial: Ax = b A = a11 a12 . . . a1n a21 a22 . . . a2n . . . . . . . . . . . . am1 am2 . . . amn E´ a matriz dos coeficientes, de ordem m× n. x = x1 x2 ... xn 23 IMEF - FURG 1.8. SISTEMAS LINEARES E´ a matriz das varia´veis (inco´gnitas), de ordem n× 1. b = b1 b2 ... bn E´ a matriz dos termos independentes. Matriz Ampliada: A matriz ampliada do sistema (1.2), e´ dada por: A = a11 a12 . . . a1n b1 a21 a22 . . . a2n b2 . . . . . . . . . . . . . . . am1 am2 . . . amn bm (1.3) Exemplo 25. Escreva o seguinte sistema na forma matricial: S = 2x2 − 4x3 = 4 2x1 − 4x2 + x3 = 2 4x1 − 3x2 + 5x3 = 2 A matriz ampliada do sistema S do exemplo anterior fica: A = 0 2 −4 42 −4 1 2 4 −3 5 2 Portanto, quando nos referimos a linha (0,2,−4,4), estamos nos referindo a primeira equac¸a˜o do sistema S. 1.8.1 Agora tente resolver! 1. Encontre um sistema de equac¸o˜es lineares correspondente a` matriz: (a) 1 0 1 0 6 0 1 0 0 −10 0 0 1 0 9 0 1 0 1 2 (b) 1 2 1 02 1 0 0 1 4 1 0 24 IMEF - FURG 1.8. SISTEMAS LINEARES Operac¸o˜es Elementares: Seja S um sistema de equac¸o˜es lineares com m equac¸o˜es e n inco´gnitas, cuja matriz ampliada e´ dada pela matriz (1.3). As seguintes operac¸o˜es sa˜o chamadas de operac¸o˜es elementares sobre as linhas (equac¸o˜es) de uma matriz (sistema): • Trocar de posic¸a˜o duas das equac¸o˜es. Indicamos que as equac¸o˜es Li e Lj trocaram suas posic¸o˜es (simbolicamente Li ↔ Lj). • Substituir uma equac¸a˜o por um mu´ltiplo escalar de si mesma. In- dicamos que a equac¸a˜o Li foi substitu´ıda por kLi (Simbolicamente Li ↔ kLi). • Substituir uma equac¸a˜o por um mu´ltiplo de outra equac¸a˜o somada a si mesma. Indicamos que a equac¸a˜o Lj foi substitu´ıda pela soma de kLi e Lj (Simbolicamente Lj ↔ Lj + kLi). Observac¸a˜o: Se um dado sistema linear S1 foi obtido de um sistema linear S atrave´s de operac¸o˜es elementares, dizemos que S1 e´ equivalente a` S. Matriz Escalonada: Uma matriz A esta´ na forma escalonada (ou escada), se o nu´mero de zeros que precede o primeiro elemento na˜o nulo de uma linha aumenta a cada linha, ate´ que sobre apenas linhas nulas, se houverem. Se existirem linhas nulas elas devem aparecer na parte inferior da matriz. Uma matriz ampliada quando aplicada a` ela as operac¸o˜es elementares, torna-se uma matriz escalonada reduzida por linhas. Estas operac¸o˜es simplificam muito as etapas necessa´rias para determinar a soluc¸a˜o do sistema associado. Exemplo 26. Exemplos de matrizes na forma escada.2 4 50 3 6 0 0 2 , 4 5 80 0 1 0 0 0 , 9 5 6 30 0 3 6 0 0 0 1 Exemplo 27. Exemplo de matriz que na˜o esta´ na forma escada.0 4 31 0 −6 0 0 0 Observac¸a˜o: Todo sistema linear (matriz) e´ equivalente a um sistema (matriz) escalonado. Eliminac¸a˜o de Gauss: E´ um me´todo u´til na resoluc¸a˜o de sistemas linea- res que consiste basicamente em: 25 IMEF - FURG 1.8. SISTEMAS LINEARES • Parte 1: Eliminac¸a˜o direta: Uma reduc¸a˜o passo a passo do sistema leva ou a uma equac¸a˜o degenerada sem soluc¸a˜o (SI) ou a um sistema equivalente mais simples na forma triangular superior. • Parte 2: Eliminac¸a˜o retroativa: Substituic¸o˜es retroativas determinam a soluc¸a˜o de um novo sistema. Vamos resolver o seguinte exemplo: Exemplo 28. S = x+ 2y − 4z = −4 2x+ 5y − 9z = −10 3x− 2y + 3z = 11 Soluc¸a˜o: Escrever o sistema em forma de matriz ampliada: 1 2 −4 −42 5 −9 −10 3 −2 3 11 Vamos usar o elemento a11 como elemento pivoˆ para eliminar os elementos a21, a31. As seguintes operac¸o˜es elementares sa˜o: • L2 ↔ L2 − 2L1, obtemos: 1 2 −4 −40 1 −1 −2 3 −2 3 11 • aplicando na matriz anterior L3 ↔ L3−3L1, obtemos: 1 2 −4 −40 1 −1 −2 0 −8 15 23 • L3 ↔ L3 + 8L2, obtemos: 1 2 −4 −40 1 −1 −2 0 0 7 7 Ao final desta u´ltima operac¸a˜o transformamos o sistema S em um sistema equivalente mais simples, que esta na forma triangular e, portanto, a pri- meira parte esta completa. Vamos reescrever o sistema original pelo sistema: S = x+ 2y − 4z = −4 y − z = −2 7z = 7 Que e´ um sistema equivalente ao sistema S. Por substituic¸a˜o retroativa, temos: z = 1, y = −1, x = 2. Este sistema e´ classificado como: Sistema Poss´ıvel Determinado. Me´todo de Gauss-Jordan: Exige que a matriz dos coeficientes das varia´veis transforme-se na matriz identidade. Usando o exemplo anterior, efetuando mais 4 operac¸o˜es: 26 IMEF - FURG 1.8. SISTEMAS LINEARES • L3 ↔ 17L3,obtemos: 1 2 −4 −40 1 −1 −2 0 0 1 1 • L1 ↔ L1 − 2L2, obtemos: 1 0 −2 00 1 −1 −2 0 0 1 1 • L1 ↔ L1 + 2L3, obtemos: 1 0 0 20 1 −1 −2 0 0 1 1 • L2 ↔ L3 + L2, obtemos: 1 0 0 20 1 0 −1 0 0 1 1 Portanto, pelo me´todo de Gauss-Jordan temos: 1 0 0 20 1 0 −1 0 0 1 1 O sistema inicial se transformou no sistema equivalente: 1x+ 0y + 0z = 2 0x+ 1y + 0z = −1 =⇒ {x = 2,y = −1,z = 1} 0x+ 0y + 1z = 1 Para fixar e entender bem como funciona o algoritmo do escalonamento (eli- minac¸a˜o de Gauss), vamos resolver passo a passo o seguinte sistema: x+ 2y = 4 −x+ 3y + 3z = −2 y + z = 0 Soluc¸o˜es de um Sistema de Equac¸o˜es Lineares: Vamos estudar todas as situac¸o˜es que podem ocorrer na resoluc¸a˜o de um sistema linear. 1. Sistema Imposs´ıvel (SI): Suponha que a u´ltima equac¸a˜o do sistema escalonado seja 0x1+0x2+ · · ·+0xn = bm, com m 6= 0, e´ uma equac¸a˜o degenerada. 27 IMEF - FURG 1.8. SISTEMAS LINEARES Exemplo 29. { x+ 12y = 0 0x+ 0y = −1 → Equac¸a˜o linear imposs´ıvel ou incompat´ıvel: E´ aquela em que todos os coeficientes valem zero e o termo independente e´ diferente de zero. Na˜o existe nenhum valor de x e y capaz de satisfazer a segunda equac¸a˜o. Portanto, (SI). 2. Sistema poss´ıvel determinado quando o nu´mero de equac¸o˜es e´ igual ao nu´mero de inco´gnitas m = n, o sistema e´ poss´ıvel determi- nado (SPD). Exemplo 30. { 2x+ y = 5 x− 3y = 6 → [ 2 1 5 1 −3 6 ] → obtemos [ 1 0 3 0 1 −1 ] ∴ { x = 3 y = −1 Este sistema possui uma u´nica soluc¸a˜o, (SPD). O conjunto soluc¸a˜o (x,y) = (3,− 1). 3. Sistema poss´ıvel indeterminado quando o nu´mero de equac¸o˜es e´ menor que o nu´mero de varia´veis m < n o sistema e´ poss´ıvel indeter- minado (SPI). Exemplo 31. { 2x+ y = 5 6x+ 3y = 15 → [ 2 1 5 1 3 15 ] → obtemos [ 1 12 5 2 0 0 0 ] ∴ { x+ 12y = 5 2 0x+ 0y = 0 Equac¸a˜o nula: E´ aquela em que todos os coeficientes e o termo inde- pendente valem zero. Todo par ordenado e´ soluc¸a˜o da equac¸a˜o. Possui infinitas soluc¸o˜es da forma: (52 − 12y, y), y ∈ R. O conjunto soluc¸a˜o: S = {(5/2− 1/2y,y) ∈ R2/y ∈ R}. Observac¸a˜o: Suponha que um sistema S (com m equac¸o˜es e n varia´veis originalmente) tenha sido escalonado e, retiradas as equac¸o˜es (linhas) do tipo 0 = 0, restam p equac¸o˜es (p ≤ m) com n varia´veis. O valor n–p e´ chamado de grau de liberdade (ou nu´mero de varia´veis livres) do sistema, isto significa dizer que a soluc¸a˜o do sistema e´ apresentada com n–p varia´veis. No u´ltimo exemplo o nu´mero de varia´veis livres e´ um. A varia´vel livre e´ y. 28 IMEF - FURG 1.8. SISTEMAS LINEARES Resumo: Na˜o tem soluc¸a˜o =⇒ Sistema imposs´ıvel (SI) Tem soluc¸a˜o poss´ıvel =⇒ Soluc¸a˜o u´nica =⇒ Sistema poss´ıvel determinado (SPD) ⇓ Infinitas soluc¸o˜es =⇒ Sistema poss´ıvel Indeterminado (SPI) Princ´ıpios 1. Se um sistema escalonado tem uma equac¸a˜o nula, ela pode ser retirada do sistema, sem alterar sua soluc¸a˜o. 2. Se um sistema escalonado tem uma equac¸a˜o imposs´ıvel, o sistema e´ imposs´ıvel, caso contra´rio, o sistema e´ poss´ıvel. 3. Eliminadas as equac¸o˜es nulas de um sistema escalonado poss´ıvel ele e´ determinado, se o nu´mero de equac¸o˜es restantes e´ igual ao nu´mero de inco´gnitas, e, indeterminado, se o nu´mero de equac¸o˜es restantes e´ menor que o nu´mero de inco´gnitas. 1.8.2 Agora tente resolver! 1. Encontre o u´nico polinoˆmio de grau 2 que passa pelos pontos (2,4), (−4,4) e (1,− 1). 2. Determine os coeficientes a, b, c da equac¸a˜o da circunfereˆncia x2+y2+ ax+by+c = 0, que passa pelos pontos P1(3,1), P2(6,−2) e P3(3,−5). 3. Determine os coeficientes a, b, c da equac¸a˜o da circunfereˆncia x2+y2+ ax + by + c = 0, que passa pelos pontos P1(−1, − 1), P2(3, − 5) e P3(7,− 1). 4. Discuta o seguinte sistema: x+ 4y + 3z = 10 2x+ 7y − 2z = 10 x+ 5y + αz = β 5. Uma empresa de transportes tem treˆs tipos de caminho˜es VW , MC e SC, que carrega cargas em carrocerias de treˆs tipos I, II e III. As capacidades dos caminho˜es sa˜o: Tipos de caminho˜es I II III VW 4 3 2 MC 5 2 3 SC 2 2 3 29 IMEF - FURG 1.8. SISTEMAS LINEARES Quais sa˜o os nu´meros de caminho˜es x1, x2 e x3 de cada categoria VW , MC e SC, se a companhia deve transportar 42 carrocerias do tipo I, 27 do tipo II e 33 do tipo III? 6. Em um teste da ca´lculo, os alunos ganharam 4 pontos por cada questa˜o correta e perderam 2 por cada questa˜o errada. Ao fim de 60 questo˜es um aluno conseguiu somar 180 pontos. Quantas questo˜es corretas o aluno acertou? Matrizes Invers´ıveis usando operac¸o˜es elementares O mesmo procedimento usado para o escalonamento de matrizes com operac¸o˜es elementares que transforma uma matriz na forma escada pode transformar uma matriz A na sua inversa A−1. Uma matriz A de ordem n e´ invers´ıvel se, e somente se, A e´ equivalente a matriz identidade (A In). Neste caso, as mesmas sucesso˜es de operac¸o˜es elementares que transformam A em In, transformam In em A−1. Exemplo 32. Encontre a matriz inversa de A = [ 2 5 1 3 ] . Soluc¸a˜o: ( 2 5 1 0 1 3 0 1 ) → ( 1 52 1 2 0 1 3 0 1 ) → ( 1 52 1 2 0 0 .− 12 12 −1 ) →( 1 52 1 2 0 0 1 −1 2 ) → ( 1 0 3 −5 0 1 −1 2 ) Portanto, A−1 = [ 3 −5 −1 2 ] Se a matriz A e´ invert´ıvel, enta˜o sua inversa e´ u´nica. Teorema 1. Se A e´ uma matriz invers´ıvel, n×n, enta˜o para cada b no Rn, a equac¸a˜o Ax = b tem uma u´nica soluc¸a˜o, x = A−1b. 1.8.3 Agora tente resolver! 1. Determine a inversa de cada matriz: (a) A = 2 2 14 1 2 3 1 1 (b) A = −1 0 10 −2 3 3 0 1 30 IMEF - FURG 1.8. SISTEMAS LINEARES Sistema de m equac¸o˜es e n varia´veis E´ semelhante ao me´todo de Gauss, com a diferenc¸a de que a matriz dos coeficientes na˜o pode ser transformada na matriz identidade porque e´ uma matriz na forma retangular. 2x1 + 4x2 = 16 5x1 − 2x2 = 4 10x1 − 4x2 = 3 A matriz ampliada que representa o sistema e´ dada por: 2 4 165 −2 4 10 −4 3 Aplicando as operac¸o˜es elementares, • L1 ↔ 1 2 L1; • L2 ↔ L2 − 5L1; • L3 ↔ L3 − 10L1; • L3 ↔ L3 − 2L2. A matriz final na forma escalonada reduzida por linhas: 1 2 80 −12 −36 0 0 −5 Observe que esse sistema e´ um Sistema Imposs´ıvel. 1.8.4 Agora tente resolver! 1. Resolva os seguintes sistemas: (a) 2x+ 4y = 16 5x− 2y = 4 3x+ y = 9 4x− 5y = −7 (b) { 2x− 8y + 24z + 18w = 84 4x− 14y + 52z + 42w = 190 Sistema de Equac¸o˜es Lineares Homogeˆneo Sistema do tipo Ax = 0. Este tipo de sistema sempre tem o vetor nulo como soluc¸a˜o, chamado de 31 IMEF - FURG 1.8. SISTEMAS LINEARES soluc¸a˜o trivial ou nula. Sendo r o nu´mero de equac¸o˜es na forma reduzida e n representa a quantidade de inco´gnitas, o sistema reduzido tem n − r varia´veis livres. A questa˜o das soluc¸o˜es na˜o nulas se reduz a dois casos: i. r = n O sistema possui apenas a soluc¸a˜o nula. ii. r < n O sistema possui uma soluc¸a˜o na˜o nula; Exemplo 33. Caso i, em que r = n x+ y − z = 0 2x+ 4y − z = 0 3x+ 2y + 2z = 0 Soluc¸a˜o: 1 1 −1 02 4 −1 0 3 2 2 0 Aplicando as seguintes operac¸o˜es, • L2 ↔ L2 − 2L1; • L3 ↔ L3 − 3L1; • L3 ↔ L3 + 1 2 L2. Matriz final: 1 1 −1 00 2 1 0 0 0 11 2 0 . Portanto, x = y = z = 0. Exemplo 34. Caso ii, em que r < n x+ y − z = 0 2x− 3y + z = 0 x− 4y + 2z = 0 Soluc¸a˜o: 1 1 −1 02 −3 1 0 1 −4 2 0 Aplicando as seguintes operac¸o˜es, • L2 ↔ L2 − 2L1; 32 IMEF - FURG 1.9. LISTA DE EXERCI´CIOS 2 • L3 ↔ L3 − L1; • L3 ↔ L3 − L2. Matriz final: 1 1 −1 00 −5 3 0 0 0 0 0 . Portanto, x = 2 5 z, y = 3 5 z. 1.9 Lista de exerc´ıcios 2 1. A matriz completa associada a um sistema linear foi transformadapara a forma a seguir. Determine se o sistema e´ poss´ıvel. 2 4 3 −40 4 5 2 0 0 −2 0 2. Considere a seguinte matriz como sendo a matriz completa de um sis- tema linear. Enuncie em palavras, a pro´xima operac¸a˜o elementar que deve ser realizada no processo de resoluc¸a˜o do sistema. 1 3 0 3 −6 0 −1 6 −5 2 0 0 3 8 −1 0 0 1 2 −1 3. Classificar e resolver os sistemas: (a) 2y + 10z = −4 2x+ 8y + 6z = −2 4x+ 14y + 2z = −1 (b) x+ 3y + 4z = 8 2x− y + 12z = 4 3x− 12y + 12z = 5 (c) 2x− 3y + 4z = 8 2x+ 8y + 13z = 23 1 2x+ y + 2z = 10 (d) 2x+ 4y + 6z = 12 x− z = 0 5 2x+ 2y + 11 2 z = 12 33 IMEF - FURG 1.9. LISTA DE EXERCI´CIOS 2 (e) 2x− 12y = 5 2y − 8z + 2w = 0 −2x+ 12y + 2z + 10w = 3 −2y + 10z + 8w = 0 (f) −x+ 2z = 5 y + 3z = 2 2x+ 4y + 7z = −5 4. Seja A = 0 1 10 1 2 1 1 2 . Calcule A−1. 5. Determine os coeficientes a, b, c da equac¸a˜o da circunfereˆncia x2+y2+ ax+ by + c = 0, resolvendo o seguinte sistema: 2a− b+ c = −5 −3a+ c = −9 a+ 4b+ c = −17 6. Determine a inversa da matriz A = 0 1 21 0 3 2 −3 4 , caso ela exista. 7. Aplicac¸a˜o: Criptografia: Vamos transformar uma mensagem da se- guinte forma: Quebrando a mensagem em 3 pedac¸os. O destinata´rio e o remetente possuem uma matriz C. O destinata´rio recebe uma matriz D, tal que MC = D, onde M e´ a mensagem a ser decodifi- cada. Cada nu´mero da matriz M corresponde a uma letra do alfabeto 1 = a,2 = b,3 = c, . . . ,23 = z, considerando o alfabeto com 23 letras, excluindo k,w,y. O nu´mero zero representa exclamac¸a˜o. A mensagem e´ lida encontrando M fazendo a correspondeˆncia nu´mero/letra da ma- triz conforme segue m11m12m13m21m22m23m31m32m33. Considere: C = 1 1 00 −1 0 0 2 1 , D = 2 −10 118 38 17 19 14 0 8. Encontre a matriz inversa das seguintes matrizes: (a) A = 2 −6 44 16 −6 −1 2 1 (b) A = 2 12 21 −4 −1 −1 −2 −2 9. Resolva os seguintes sistemas lineares homogeˆneos: 34 IMEF - FURG 1.9. LISTA DE EXERCI´CIOS 2 (a) x+ 2y − z = 0 x+ y − z = 0 2x− 2y − z = 0 (b) x+ 2y + 3z = 0 x+ y + z = 0 x+ y + 2z = 0 x+ 3y + 3z = 0 (c) x− 2y + 4z = 0 2x+ 5y − 3z = 0 3x− y + 2z = 0 (d) 2x+ 2y = 0 3x+ 5y = 0 4x+ 3y + 3z = 0 10. Encontre a equac¸a˜o da reta intersec¸a˜o dos planos x + 2y − z = 3 e 2x+ 3y + z = 1. Usando operac¸o˜es elementares. 11. Considere a reac¸a˜o qu´ımica na˜o balanceada Ca+H3PO4 → Ca3P2O8+ H2, essa equac¸a˜o pode ser balanceada fazendo: xCa + yH3PO4 → zCa3P2O8 + wH2. Resolva o sistema e determine o menor nu´mero inteiro de a´tomos de Ca´lcio, Hidrogeˆnio, Fo´sforo e Oxigeˆnio, com o qual ocorre o balanceamento. 12. Considere a reac¸a˜o qu´ımica na˜o balanceada C3H8+O2 → CO2+H2O, essa equac¸a˜o pode ser balanceada fazendo: xC3H8 + yO2 → zCO2 + wH2O. Resolva o sistema correspondente. 13. (Exerc´ıcio de aplicac¸a˜o sugerido pelos alunos da turma de Engenha- ria Qu´ımica e Alimentos - FURG 2012) A partir da reac¸a˜o de com- busta˜o do etanol a` (d = 0,80g/ml), obtemos o vetor −→v1 (sendo −→v1 o nu´mero de mols de cada substaˆncia da reac¸a˜o, respectivamente). Com a combusta˜o total para a formac¸a˜o de 1 litro de etanol, obte- mos o valor de x relativo ao vetor −→v2 = (x,y,z). Sabendo-se que o vetor −→v2 e´ uma combinac¸a˜o linear de −→v1 , ou seja, −→v2 = α−→v1 , quan- tos mols de dio´xido de carbono sa˜o liberados na formac¸a˜o de 1 li- tro de etanol? Dados: H = 1g/mol, C = 12g/mol,O = 16g/mol, xC2H6O + yO2 → zCO2 + wH2O 14. Dona Lize e´ secreta´ria de uma empresa e recebeu uma lista de compras de material de escrito´rio, entre os itens da lista esta˜o canetas. Ela fez duas compras de canetas, uma do tipo C1 e outra do tipo C2. Na primeira compra ela gastou 36 reais, comprando 4 canetas de cada tipo. Na segunda compra ela comprou 2 do tipo C1 e 1 do tipo C2 e gastou 16 reais. Qual o prec¸o unita´rio de cada caneta? 35 IMEF - FURG 1.9. LISTA DE EXERCI´CIOS 2 15. Uma pessoa esta´ organizando uma festa e encomenda 140 caixas de suco, 98 empadinhas e 160 brigadeiros. Servira´ a cada homem 2 caixas de suco, 2 empadinhas e 2 brigadeiros. A cada mulher 5 caixas de suco, 2 empadinhas e 3 brigadeiros e para as crianc¸as 2 caixas de suco, 2 empadinhas e 4 brigadeiros. Qual o nu´mero de pessoas convidadas sabendo que na˜o sobrou nem faltou nada? 140 caixas de suco 98 empadinhas 160 brigadeiros H 2 2 2 M 5 2 3 C 2 2 4 16. Suponha que voceˆ fara´ um lanche, constando de leite desnatado, pudim e calzone de frango e que disponha de R$ 1,80. Segundo os nutrici- onistas um lanche deve conter 1350 calorias e 66g de prote´ınas para cada 100g dos alimentos citados: 100 gramas Calorias (cal) Prote´ınas (g) Prec¸o (R$) Leite desnatado 25 2 0,10 Pudim 300 12 0,30 Calzone de frango 100 14 0,40 Quais quantidades de cada alimento satisfazem exatamente as condic¸o˜es acima? 36 IMEF - FURG Cap´ıtulo 2 Espac¸os Vetoriais 2.1 Introduc¸a˜o Vamos estender o conceito de vetor, usando as propriedades alge´bricas mais importantes dos vetores em Rn como axiomas. Primeiramente, vamos recordar alguns to´picos de Geometria Anal´ıtica: Os vetores formam um conjunto que satisfaz as mesmas propriedades de adic¸a˜o e multiplicac¸a˜o sobre um corpo K como veremos a seguir. Considere as seguintes operac¸o˜es com vetores: • Adic¸a˜o: geometricamente o vetor resultante da adic¸a˜o entre dois veto- res pode ser obtido pela lei do paralelogramo. Essa operac¸a˜o e´ dotada de algumas propriedades como a comutativa, associativa, a existeˆncia do elemento neutro e do elemento oposto para cada vetor. • Multiplicac¸a˜o por escalar: o produto α−→u e´ obtido multiplicando o comprimento do vetor pelo nu´mero real α, mantendo o mesmo sentido se α > 0 ou de sentindo oposto se α < 0. Esta operac¸a˜o tambe´m satisfaz algumas propriedades como a associativa e distributiva. A definic¸a˜o de um espac¸o vetorial envolve um corpo arbitra´rio cujos ele- mentos no contexto da A´lgebra Linear sa˜o chamados de escalares. Quanto a visualizac¸a˜o dos espac¸os: • O conjunto dos nu´meros reais pode ser visto geometricamente como uma reta, a reta real, R. 37 2.1. INTRODUC¸A˜O • O conjunto de todos os pares ordenados de nu´meros reais, corres- pondentes a pontos no espac¸o bidimensional e o de todos os ternos ordenados de nu´meros reais, correspondentes a pontos no espac¸o tri- dimensional sa˜o denotados por R2 e R3 respectivamente. • E´ poss´ıvel estender a ideia para o espac¸o de dimensa˜o n (espac¸o n- dimensional) Rn, constitu´ıdo por n-uplas ordenadas, que e´ o produto cartesiano de n co´pias da reta real R. A diferenc¸a entre esse casos e´ que para n ≥ 4 na˜o se dispo˜e de uma representac¸a˜o geome´trica. Neste caso, perdemos a visa˜o geome´trica de vetores, pois sa´ımos do espac¸o tridimensional e passamos para um espac¸o n-dimensional. Na˜o exis- tindo representac¸a˜o geome´trica para os pontos de Rn, tratamos alge- bricamente, sem o recurso de visualizac¸a˜o geome´trica. Mas, e´ poss´ıvel trabalhar com estes espac¸os da mesma maneira que em R3. Exemplo 35. Vetor com n-uplas de nu´meros reais: V = Rn = (x1,x2,x3, · · · ,xn) Exemplo 36. Vejamos alguns exemplos. • Ao realizarmos uma se´rie de experimentos e tomarmos n medic¸o˜es nume´ricas a cada realizac¸a˜o do experimento, temos um vetor com n elementos −→v = (x1,x2,x3, · · · ,xn); • Se uma empresa possui n postos de distribuic¸a˜o de cargas, em cada instante de tempo a distribuic¸a˜o dos caminho˜es nos terminais pode ser descrita pelas n-uplas, −→v = (x1,x2,x3, · · · ,xn); • Podemos associar as imagens coloridas nas telas com cada pixel e treˆs nu´meros que descrevem o matiz, a saturac¸a˜o e o brilho, assim a imagem pode ser vista como um vetor com 5-uplas −→v = (x,y,h,s,b).• Na F´ısica, um vetor de R4: os quaternos (x,y,z,t), onde os treˆs pri- meiros termos representam as coordenadas, a posic¸a˜o no espac¸o e a u´ltima representa o instante t em que o ponto ocupa tal posic¸a˜o. Quanto as propriedades: As operac¸o˜es va´lidas no espac¸o n-dimensional (Rn), sa˜o as mesmas dos espac¸os bidimensional e tridimensional (R2 e R3). A ideia e´ estender o conceito de vetor usando as propriedades alge´bricas mais importantes dos vetores como axiomas, que quando satisfeitos por um conjunto de objetos, nos permitira˜o pensar nesses objetos como vetores. Vale ressaltar que essas operac¸o˜es (adic¸a˜o e multiplicac¸a˜o) satisfazem determinadas propriedades, que sa˜o as mesmas operac¸o˜es dos conjuntos de matrizes, pois eles apresen- tam a mesma coincideˆncia estrutural. 38 IMEF - FURG 2.2. ESPAC¸OS VETORIAIS 2.2 Espac¸os Vetoriais Seja um conjunto V na˜o-vazio, de objetos, chamados vetores no qual esta˜o definidas duas operac¸o˜es: u+ v (onde u,v e u+ v ∈ V ) Se u e v sa˜o objetos em V , enta˜o u+ v e´ um objeto em V . αu (onde α ∈ R e u, αu ∈ V ) A cada escalar α e a cada objeto u em V , αu e´ denominado mu´ltiplo escalar de u por α em V . Sera´ chamado de espac¸o vetorial se sa˜o satisfeitas: A. Em relac¸a˜o a` adic¸a˜o: Esta´ definida uma adic¸a˜o em V que associa a cada par de elementos u e v um u´nico elemento em V , indicado por u + v e chamado de soma de u com v, que satisfaz as seguintes propriedades, ∀u, v, w ∈ V : A1. (u+ v) + w = u+ (v + w), ∀u,v e w ∈ V (Associatividade da adic¸a˜o) A2. u+ v = v + u (Comutatividade da adic¸a˜o) A3. Existeˆncia do elemento neutro 0 ∈ V , tal que u+ 0 = 0 + u = u A4. Para cada u ∈ V,∃(−u) ∈ V / u+ (−u) = 0, elemento oposto. M. Em relac¸a˜o a` multiplicac¸a˜o: Esta´ definida uma multiplicac¸a˜o por escalar em V que associa cada escalar α ∈ R e cada elemento v ∈ V um u´nico vetor αv ∈ V , que satisfaz as seguintes propriedades, ∀α, β ∈ R e ∀u, v ∈ V : M1. 1.u = u (elemento neutro da multiplicac¸a˜o por escalar) M2. (αβ)u = α(βu), αβ ∈ R M3. (α+ β)u = αu+ βu, αβ ∈ V M4. α(u+ v) = αu+ αv Observac¸a˜o: os elementos u,v ∈ V sa˜o chamados vetores. A justifi- cativa esta´ no fato de as operac¸o˜es de adic¸a˜o e multiplicac¸a˜o por escalar realizada com esses elementos (conjuntos) de natureza ta˜o distinta se com- portam de forma ideˆntica como se estive´ssemos trabalhando com os pro´prios vetores do R2 e R3. Esta definic¸a˜o de Espac¸o Vetorial na˜o especifica nem a natureza dos ve- tores, nem das operac¸o˜es. Qualquer tipo de objeto pode ser um vetor, e as operac¸o˜es de adic¸a˜o e multiplicac¸a˜o por escalar podem na˜o ter relac¸a˜o 39 IMEF - FURG 2.2. ESPAC¸OS VETORIAIS alguma com as operac¸o˜es usuais. A exigeˆncia e´ que os axiomas sejam satis- feitos. Para verificar as propriedades do espac¸o vetorial, vamos considerar treˆs vetores gene´ricos: u = (x1, y1), v = (x2, y2), w = (x3, y3) A1. (u+ v) + w = u+ (v + w) (u+ v) + w = ((x1, y1) + (x2, y2)) + (x3, y3) (u+ v) + w = (x1 + x2, y1 + y2) + (x3, y3) (u+ v) + w = ((x1 + x2) + x3, (y1 + y2) + y3) (u+ v) + w = (x1 + (x2 + x3), y1 + (y2 + y3)) (u+ v) + w = (x1, y1) + ((x2, y2) + (x3, y3)) (u+ v) + w = u+ (v + w) A2. u+ v = v + u u+ v = (x1, y1) + (x2, y2) u+ v = (x1 + x2, y1 + y2) u+ v = (x2, y2) + (x1, y1) u+ v = v + u A3. u+ 0 = 0 + u = u u+ 0 = (x1, y1) + (0,0) u+ 0 = (x1 + 0, y1 + 0) u+ 0 = (x1, y1) A4. u+ (−u) = 0 u+ (−u) = (x1, y1) + (−x1, y1) u+ (−u) = (x1 − x1, y1 − y1) u+ (−u) = (0,0) M1. 1.u = u.1 = u 1.u = 1.(x1, y1) 1.u = (x1, y1).1 1.u = (x1, y1) 1.u = u.1 = u M2. (αβ)u = α(βu) (αβ)u = ((αβ)x1, (αβ)y1) (αβ)u = (α(βx1), α(βy1) (αβ)u = α(βx1, βy1) (αβ)u = α(β(x1, y1) 40 IMEF - FURG 2.2. ESPAC¸OS VETORIAIS (αβ)u = α(βu) M3. (α+ β)u = αu+ βu (α+ β)u = (α+ β)(x1, y1) (α+ β)u = α(x1, y1) + β(x1, y1) (α+ β)u = αu+ βu M4. α(u+ v) = αu+ αu α(u+ v) = α((x1, y1) + (x2, y2)) α(u+ v) = α(x1 + x2, y1 + y2) α(u+ v) = (αx1 + αx2, αy1 + αy2) α(u+ v) = (αx1, αy1) + αx2, αy2) α(u+ v) = α(x1, y1) + α(x2, y2) α(u+ v) = αu+ αv Consequeˆncias imediatas da definic¸a˜o: • Existe um u´nico vetor nulo em V (elemento neutro da adic¸a˜o); • Cada vetor em V admite apenas um sime´trico: u ∈ V , enta˜o (−u) ∈ V . Exemplo 37. Conjuntos que sa˜o espac¸os vetoriais. • V = R2 e´ um espac¸o vetorial real. R2 = {(x,y);x,y ∈ R} e´ o conjunto dos pontos no plano. Um par ordenado pode ser um ponto ou um vetor no plano. Com relac¸a˜o as operac¸o˜es usuais: dados −→u = (x1,y1) e −→v = (x2,y2) , enta˜o (x1,y1) + (x2,y2) = (x1 + x2,y1 + y2) λ(x1,y1) = (λx1,λy1) 41 IMEF - FURG 2.2. ESPAC¸OS VETORIAIS • V = R3 e´ um espac¸o vetorial real. R3 = {(x,y,z);x,y,z ∈ R} e´ o conjunto dos pontos do espac¸o. • V = Mm×n(R) o conjunto das matrizes de ordem m×n, com elementos em R e´ um espac¸o vetorial com as operac¸o˜es de adic¸a˜o de matrizes e multiplicac¸a˜o de uma matriz por um escalar. • V = M2×2(R) Adic¸a˜o: [ a b c d ] + [ e f g h ] = [ a+ e b+ f c+ g d+ h ] . Multiplicac¸a˜o por um escalar: α · [ a b c d ] = [ αa αb αc αd ] . • V = Pn(R) o conjunto dos polinoˆmios de grau menor ou igual a n. Pn = {a0 + a1x+ · · ·+ anxn; ai ∈ R}. • Tambe´m sa˜o considerados Espac¸os Vetoriais toda reta (no plano ou no espac¸o) que passa pela origem. E, todo plano que passa pela origem do R3. Observac¸a˜o: Os s´ımbolos ⊕ e � sa˜o utilizados para indicar que a adic¸a˜o e a multiplicac¸a˜o por escalar na˜o sa˜o as usuais. Exemplo 38. Mostrar que o seguinte conjunto R2 = {(a,b)/a,b ∈ R} na˜o e´ um espac¸o vetorial com relac¸a˜o as seguintes operac¸o˜es: (a,b) + (c,d) = (a+ c,b+ d) e k � (a,b) = (k2a,k2b). Soluc¸a˜o: Vamos verificar os axiomas do espac¸o vetorial. Mas, observe que a operac¸a˜o de adic¸a˜o e´ a usual, portanto os axiomas da adic¸a˜o sa˜o satisfeitos. Vamos analisar os axiomas da multiplicac¸a˜o: M2 (αβ)u = α(βu) (αβ)(a,b) = ((αβ)2a, (αβ)2b) (αβ)(a,b) = (α2(β2a), α2(β2b) (αβ)(a,b) = α2(β2a, β2b) (αβ)(a,b) = α2(β2(a, b) (αβ)(a,b) = α2(β2(a,b)) M3 (α+ β)u = αu+ βu (α+ β)(a,b) = (α+ β)2(a, b) (α+ β)(a,b) 6= α(a, b) + β(a, b). Portanto falha o axioma M3, na˜o e´ espac¸o vetorial. 42 IMEF - FURG 2.3. SUBESPAC¸O VETORIAL 2.2.1 Agora tente resolver! 1. Verifique se os conjuntos abaixo sa˜o espac¸os vetoriais: a. V e´ o conjunto de todas as matrizes 2× 2 , [ c d a b ] onde c = d. b. V e´ o conjunto de todas as matrizes de ordem 3× 1. c. O conjunto de todas as triplas ordenadas (x,y,z) de nu´meros reais com as operac¸o˜es (x1,y1,z1) + (x2,y2,z2) = (x2,y1 + y2,z2) e a · (x1,y1,z1) = (ax1,ay1,az1) = (αx1, αy1, αz1). d. O conjunto de todas as triplas ordenadas de nu´meros reais da forma (x,0,0) com as operac¸o˜es (x,0,0) + (x′,0,0) = (x+ x′,0,0) e α · (x,0,0) = (αx,0,0). e. R2 = {(a,b)/a,b ∈ R}, com a operac¸a˜o usual de adic¸a˜o, mas com a multiplicac¸a˜o por um escalar definida como β(x,y) = (x, βy). Sa˜o espac¸os vetoriais: a,b,d. 2. Seja V o segundo quadrante do plano xy, isto e´, seja V = {(x,y) : x ≤ 0,y ≥ 0}, responda: se u e v esta˜o em V, sera´ que u+ v esta´ em V ? 3. Verifique se o conjunto dos nu´meros reais positivos com as seguintes operac¸o˜es: x + y = xy e αx = xα e´ um espac¸o vetorial. (Resposta: e´ um espac¸o vetorial.) 2.3 Subespac¸o Vetorial Dado um espac¸o vetorial V , um subconjunto S, na˜o vazio, sera´ um su- bespac¸o vetorial de V se: a. Para quaisquer u,v ∈ S, tivermos u+ v ∈ S b. Para quaisquer α ∈ R, u ∈ S, tivermos αu ∈ S c. O vetor nulo 0 ∈ S. Se um subconjunto S for parte de um espac¸o vetorial V conhecido, certos axiomas na˜o precisam ser verificados pois eles sa˜o herdados do conjunto V . Exemplo 39. Se S = {(x,y) ∈ R2; y = kx} = {(x,kx) ∈ R2}. Uma reta que passa na origem e´ um subespac¸o vetorial. Considere S = {(x,y) ∈ R2; y = 3x}. Seja −→u= (x1,3x1) e −→u = (x2,3x2) ∈ S, enta˜o (x1,3x1) + (x2,3x2) = (x1 + x2,3x1 + 3x2) = (x1 + x2,3(x1 + x2)) ∈ S λ(x1,3x1) = (λx1,λ3x1) ∈ S 43 IMEF - FURG 2.3. SUBESPAC¸O VETORIAL Observe que se considerarmos dois vetores da reta, o vetor soma ainda e´ da reta e se multiplicarmos o vetor por um escalar, o vetor resultante ainda estara´ na reta. Proposic¸a˜o 1. Se S e´ um subespac¸o vetorial V , enta˜o S tambe´m e´ um espac¸o vetorial sobre R. Exemplo 40. Quando a reta na˜o passa na origem, por exemplo, S = {(x,6− 3x);x ∈ R}, enta˜o o conjunto na˜o e´ um subespac¸o vetorial. Por queˆ? Observac¸o˜es: • As condic¸o˜es do subespac¸o garantem que ao operar vetores em S na˜o ob- teremos vetores fora de S. 44 IMEF - FURG 2.3. SUBESPAC¸O VETORIAL • Sendo va´lidas as condic¸o˜es citadas em S, os oito axiomas de espac¸o veto- rial tambe´m se verificam. • Todo espac¸o vetorial V admite, pelo menos, dois subespac¸os, o pro´prio espac¸o vetorial S = V . E S = {0} o subespac¸o zero. Estes subespac¸os sa˜o chamados de subespac¸os triviais de V . 2.3.1 Agora tente resolver! 1. Seja S = {(x,y,z) ∈ R3;x + y = 0}, verificar se S e´ um subespac¸o vetorial. 2. Seja S = M2×3R = {[ 0 a b 0 a d ] ; a,b,d ∈ R } , o conjunto das matrizes de ordem 2× 3, onde a primeira coluna todos os elementos sa˜o nulos. S e´ um subespac¸o vetorial? 3. Verifique quais dos seguintes conjuntos sa˜o subespac¸os vetoriais de R3. (a) Todos os vetores da forma (x,0,0). (b) Todos os vetores da forma (x,1,1). (c) Todos os vetores da forma (a,b,c), onde b = a+ c. 4. Dados os conjuntos a seguir, verificar quais sa˜o subespac¸os em relac¸a˜o a`s operac¸o˜es de adic¸a˜o e multiplicac¸a˜o por um escalar: a. S = {(x,y,z) ∈ R3;x = 6y e z = 0} b. S = {(x,y,z) ∈ R3;x = z2} c. S = {(x,y,z) ∈ R3; y = x+ 2 e z = 0} d. S = {(x,x,x) ∈ R3;x ∈ R} e. S = {[ a b b c ] ; a,b,c ∈ R } , conjunto das matrizes sime´tricas. f. W = b−b 2b ; b ∈ R 5. Determine se o conjunto dado e´ um subespac¸o de Pn para um valor apropriado de n: a. Todos os polinoˆmios da forma p(t) = at2 com a ∈ R. b Todos os polinoˆmios de grau no ma´ximo 3, com coeficientes in- teiros. 6. Verdadeiro ou Falso: 45 IMEF - FURG 2.4. COMBINAC¸A˜O LINEAR a O conjunto das soluc¸o˜es de um sistema linear consistente Ax = b de m equac¸o˜es n inco´gnitas e´ um subespac¸o Rn .... b O conjunto de matrizes de ordem n× n triangulares superiores e´ um subespac¸o do espac¸o vetorial de todas as matrizes de ordem n× n.... Resposta: Sa˜o subespac¸os os exerc´ıcios de nu´mero 1, 2, 3: a e c, 4: a,d,e,f e 5: a. Intersec¸a˜o de subespac¸os vetoriais: Como espac¸os vetoriais sa˜o conjun- tos, a intersec¸a˜o de dois subespac¸os vetoriais do mesmo espac¸o vetorial V e´ tambe´m um subespac¸o vetorial de V . Sejam U e W dois subespac¸os vetoriais de V . A intersec¸a˜o de U e W , e´ representada por U ∩W , onde U ∩W = {v ∈ V ; v ∈ U e v ∈ W}, e´ um subespac¸o vetorial. O conjunto intersec¸a˜o na˜o e´ vazio pois cada um desses subespac¸os conte´m o vetor nulo, enta˜o a intersec¸a˜o tambe´m possui o vetor nulo. A unia˜o de dois subespac¸os na˜o e´ necessariamente um subespac¸o de V . Soma de subespac¸os vetoriais: Considere U e W dois subespac¸os veto- riais de V . A soma de U e W , representada por U + W , e´ o conjunto de todos os vetores u+w de V , definido como U+W = {u+w;u ∈ U e w ∈W}. Soma direta de subespac¸os vetoriais: Sejam U e W dois subespac¸os ve- toriais de V . A soma direta V = U ⊕W , se V = U +W e U ∩W = {0}. 2.4 Combinac¸a˜o Linear Considere dois ou mais vetores de um espac¸o vetorial, esses vetores po- dem ser “combinados” usando-se as duas operac¸o˜es de um espac¸o vetorial: 46 IMEF - FURG 2.4. COMBINAC¸A˜O LINEAR adic¸a˜o e multiplicac¸a˜o por um escalar. Definic¸a˜o: Seja V um espac¸o vetorial real, v1, v2,..., vn ∈ V e α1, α2,..., αn ∈ R. O vetor v = n∑ i=1 αivi = α1v1 + α2v2...+ αnvn E´ uma combinac¸a˜o linear de v1, v2,..., vn ∈ V . Exemplo 41. Todo vetor de R2 e´ uma combinac¸a˜o linear dos vetores −→i = (1,0) e −→ j = (0,1). Exemplo 42. Todo vetor de R3 e´ uma combinac¸a˜o linear dos vetores −→i = (1,0,0), −→ j = (0,1,0) e −→ k = (0,0,1). Exemplo 43. Escrever v = (4,2,9) como combinac¸a˜o linear dos vetores v1 = (2,1,3), v2 = (1,0,3), v3 = (1,0,0). Soluc¸a˜o: Procuramos escalares a,b,c tais que: v = av1 + bv2 + cv3 , sendo assim: (4,2,9) = a(2,1,3) + b(1,0,3) + c(1,0,0) (4,2,9) = (2a,a,3a) + (b,0,3b) + (c,0,0) (4,2,9) = (2a+ b+ c, a, 3a+ 3b) 2a+ b+ c = 4 a = 2→ a = 2, b = 1, c = −1 3a+ 3b = 9 v = 2v1 + v2 − v3 Exemplo 44. O vetor v = (1, 1, 2) na˜o e´ uma combinac¸a˜o linear dos vetores (1, 0, 1) e (2, 1, 1). Soluc¸a˜o: Ter´ıamos que encontrar valores para os escalares a e b tais que: v = av1 + bv2, enta˜o: (1,1,2) = a(1,0,1) + b(2,1,1) (1,1,2) = (a,0,a) + (2b,b,b) (1,1,2) = (a+ 2b,b,a+ b) 47 IMEF - FURG 2.4. COMBINAC¸A˜O LINEAR De acordo com a condic¸a˜o de igualdade entre vetores: a+ 2b = 1 b = 1 a+ b = 2 Na˜o existe soluc¸a˜o que satisfac¸a o sistema, portanto o vetor v na˜o pode ser escrito como combinac¸a˜o linear dos vetores dados. Exemplo 45. Modelos de cores nas telas dos monitores. As cores nas telas costumam ter por base o chamado modelo RGB. As cores sa˜o criadas juntando porcentagens de treˆs cores prima´rias, vermelho, verde e azul. Podemos identificar as cores prima´rias como vetores e criar outras a partir de uma combinac¸a˜o linear entre elas. Exemplo 46. Seja a matriz A = [ 2 3 1 4 ] e´ uma combinac¸a˜o linear das matrizes [ 1 0 0 0 ] , [ 0 1 0 0 ] , [ 0 0 1 0 ] , [ 0 0 0 1 ] . Pois, [ 2 3 1 4 ] = 2 [ 1 0 0 0 ] + 3 [ 0 1 0 0 ] + 1 [ 0 0 1 0 ] + 4 [ 0 0 0 1 ] 2.4.1 Agora tente resolver! 1. O vetor b = 11−5 9 , e´ uma combinac¸a˜o linear dos vetores u = 10 1 , v = −23 −2 e w = −67 5 ? 48 IMEF - FURG 2.5. SUBESPAC¸OS GERADOS 2. V = M2(R) e considere: v = [ 1 0 1 1 ] , u = [−1 2 0 1 ] , w = [ 0 −1 2 1 ] Escrever o vetor y = [ 1 8 0 5 ] como combinac¸a˜o de v,u,w. 3. Expressar o polinoˆmio v = t2 + 4t−3 sobre R como combinac¸a˜o linear dos polinoˆmios p1 = t 2 − 2t+ 5; p2 = 2t2 − 3t; p3 = t+ 3. 4. Expressar o polinoˆmio v = t2+6t−10 sobre R como combinac¸a˜o linear dos polinoˆmios p1 = t 2 − 2t+ 5; p2 = 2t2 − 3t; p3 = t+ 3. 5. Escreva o vetor nulo O ∈ R2 como combinac¸a˜o linear dos vetores u = (2,1) e v = (2,3). 6. Verifique se o vetor u e´ uma combinac¸a˜o linear dos vetores do conjunto V : u = (2,− 2,16 ,16) e V = {(1,− 1,0,0),(2,0,1,1),(0,3,1,1)}. 7. Verdadeiro ou falso: As combinac¸o˜es lineares a1v1+a2v2 e b1v1+b2v2, so´ podem ser iguais se a1 = b1 e a2 = b2. 2.5 Subespac¸os Gerados Vimos em Geometria Anal´ıtica, que os vetores −→ i = (1,0,0), −→ j = (0,1,0) ∈ R3 geram o plano xOy. Isto significa, por exemplo, que todo vetor v = (x,y,0) desse plano e´ combinac¸a˜o linear de −→ i e −→ j . Sejam A = {v1,v2,. . . ,vn} vetores de um espac¸o vetorial V . Denotaremos por W = [v1,v2,. . . ,vn] ou W = G(A) o conjunto de todas as combinac¸o˜es lineares de v1,v2,. . . ,vn em V . Este conjunto e´ um subespac¸o de V e e´ chamado de subespac¸o gerado. Proposic¸a˜o 2. W = [v1,v2,. . . ,vn], onde v1,v2,. . . ,vn sa˜o vetores de um espac¸o vetorial V . Enta˜o as seguintes afirmac¸o˜es sa˜o satisfeitas: i. W e´ um subespac¸o de V . ii. W e´ o menor subespac¸o de V contendo v1,v2,. . . ,vn, ou seja, qualquer subespac¸o de V que conte´m v1,v2,. . . ,vn tambe´m conte´m W . Demonstrac¸a˜o: Se u1 = a1v1 +a2v2 + ...+anvn e u2 = b1v1 + b2v2 + ...+ bnvn ∈ V . Temos: a. u1 + u2 = (a1 + b1)v1 + (a2 + b2)v2 + ...+(an + bn)vn e´ tambe´m uma combinac¸a˜o linear de v1 e v2. Em outras palavras, u1 + u2 ∈W . 49 IMEF - FURG 2.5. SUBESPAC¸OS GERADOS b. Seja u1 ∈ W e β ∈ R. Enta˜o u1 = β(a1v1 + a2v2 + ... + anvn) = (βa1v1) + (βa2v2) + ...+ (βanvn) e´ tambe´m uma combinac¸a˜o linear de v1 e v2 , ou seja, βu1 ∈W . Observe que o conjunto W 6= ∅, pois, 0 = 0v1 + ...+ 0vn. Logo 0 ∈W . O subespac¸o W = {v ∈ V/v = a1v1 + a2v2 + ... + anvn; a1...an ∈ R} diz-se gerado pelos vetores v1, v2,. . . ,vn ou gerado pelo conjunto A. Os vetores sa˜o chamados geradores do subespac¸o W . Todo conjunto A ⊂ V gera um subespac¸o vetorial de V , podendo ocorrer G(A) = V . Nesse caso, A e´ um conjunto gerador de V . Exemplo 47. Os vetores −→ i = (1,0), −→ j = (0,1) geram o espac¸o vetorial de R2 pois qualquer (x,y) ∈ R2 e´ uma combinac¸a˜o linear dos vetores i e j. Enta˜o [i,j] = R2. Exemplo 48. R3 = [(1,0,0),(0,1,0),(0,0,1)]. Qualquer vetor do espac¸o pode ser escrito como uma combinac¸a˜o linear desses treˆs vetores. Observac¸a˜o: Considere o seguinte caso: {v1,v2,. . . ,vn} de um espac¸o vetorial V , se w ∈ V e´ tal que w = a1v1 + a2v2 + ...+ anvn. Enta˜o, [v1,. . . ,vn,w] = [v1,. . . ,vn] Pois todo o vetor v que e´ uma combinac¸a˜o linear de v1,. . . ,vn,w e´ tambe´m uma combinac¸a˜o linear de v1,. . . ,vn. 2.5.1 Agora tente resolver! 1. Determinar os subespac¸os gerados do R3 gerados pelos seguintes con- juntos: a. A = {(6,− 4,1)} b. A = {(1,0,1),(0,1,1),(−1,1,0)} c. A = {(4,1,3)} 2. Determinar o subespac¸o gerado G(A) para A = {(2, − 2),(−4,4)}. O que representa geometricamente esse subespac¸o? 3. Considere o seguinte conjunto A = {(−1,3,−1),(1,−2,4)}. Determine o subespac¸o G(A) e o valor de k para que o vetor u = (5,k,11) pertenc¸a a G(A). 4. Mostre que os vetores (2,1) e (1,1) geram o R2. 50 IMEF - FURG 2.6. DEPENDEˆNCIA E INDEPENDEˆNCIA LINEAR 2.6 Dependeˆncia e Independeˆncia Linear Seja V um espac¸o vetorial e v1,v2, . . . ,vn ∈ V . Dizemos que o con- junto {v1,v2, . . . ,vn} e´ Linearmente Independente (LI), ou que os vetores v1,v2, . . . ,vn sa˜o LI, se a equac¸a˜o a1v1 + a2v2 + · · ·+ anvn = 0. Sabemos que essa equac¸a˜o admite pelo menos uma soluc¸a˜o: a1 = 0, a2 = 0, . . . , an = 0, chamada soluc¸a˜o trivial. O conjunto de vetores acima diz-se LI ou os vetores v1, v2, . . . , vn sa˜o LI caso a equac¸a˜o acima admita apenas a soluc¸a˜o trivial ⇒ a1 = a2 = . . . = an = 0. No caso em que exista algum ai 6= 0 dizemos que {v1,v2, . . . ,vn} e´ Line- armente Dependente (LD) ou que os vetores v1,v2, . . . ,vn sa˜o LD. Os termos LI e LD pretendem indicar se os vetores de um dado conjunto esta˜o inter-relacionados de alguma forma. Teorema 2. O conjunto {v1,v2, . . . ,vn} e´ LD se, e somente se, um destes vetores for uma combinac¸a˜o linear dos outros. Observac¸o˜es: 1. Qualquer conjunto de vetores que contenha um subconjunto LD e´ LD. 2. Qualquer conjunto de vetores contendo o vetor nulo e´ LD. 3. Todo subconjunto de um conjunto LI e´ LI. 4. Um conjunto de dois vetores e´ LD se, e somente se, um deles e´ um mu´ltiplo escalar do outro. 5. Um conjunto de exatamente um vetor e´ Linearmente Independente se, e somente se, esse vetor na˜o e´ o vetor nulo. Exemplo 49. Os vetores i = (1,0) e j = (0,1) sa˜o linearmente independen- tes. Exemplo 50. De forma ana´loga os vetores i = (1,0,0),j = (0,1,0) e k = (0,0,1) tambe´m sa˜o linearmente independentes. Na˜o e´ poss´ıvel expressar o vetor j como combinac¸a˜o linear de i e k. De forma ana´loga para as demais combinac¸o˜es. Exemplo 51. As func¸o˜es f1(x) = x, f2(x) = sen(x) sa˜o linearmente inde- pendentes no espac¸o de func¸o˜es F (−∞,∞), pois um na˜o e´ mu´ltiplo escalar do outro. 51 IMEF - FURG 2.6. DEPENDEˆNCIA E INDEPENDEˆNCIA LINEAR Exemplo 52. As func¸o˜es f1(x) = sen(2x), f2(x) = sen(x)cos(x) sa˜o linear- mente dependentes, pois pela identidade trigonome´trica sen(2x) = 2sen(x)cos(x) verificamos a dependeˆncia linear das func¸o˜es. Exemplo 53. O conjunto {[ 1 0 0 0 ] , [ 0 1 0 0 ] , [ 0 0 1 0 ] , [ 0 0 0 1 ]} e´ linearmente independente. Exemplo 54. Verifique se o seguinte conjunto e´ Linearmente Independente: {(1,2),(−1,− 3)} em R2. Soluc¸a˜o: Sa˜o LI pois, V = a1(1,2) + a2(−1,3) = (0,0) = (a1, 2a1) + (−a2,−3a2) = 0 = (a1 − a2, 2a1 − 3a2) = 0⇒ a1 − a2 = 0 2a1 − 3a2 = 0 ⇒ a1 = a2 ⇒ a1 = 0, a2 = 0 2.6.1 Agora tente resolver! 1. Classificar os seguintes conjuntos em LI ou LD: a. {(2,− 1,0),(−1,3,0),(3,5,0)} ∈ R3 b. {(1,2,− 1),(2,4,− 2),(1,3,0)} ∈ R3 c. 2 + x− x2,−4− x+ 4x2, x+ 2x2 ∈ P2 d. 1 + x, x+ x2, 1 + x2 ∈ P2 e. {(2,1,0,0),(1,0,2,1),(−1,2,0,− 1)} ∈ R4 f. {(1,1),(−1,1),(0,1)} ∈ R2 g. {(1,2),(−1,− 3)} ∈ R2 h. {1− t, 1 + t,t2} ∈ P2 i. {1, (t− 1), (t− 1)2} ∈ P2 2. Sendo V o espac¸o vetorial das matrizes 2 × 3, verificar se {A,B,C} e´ LI ou LD: A = [−1 2 1 3 −2 4 ] , B = [ 0 −1 2 −2 1 0 ] , C = [−1 0 5 −1 0 3 ] 3. Determinar o valor de k para que seja LI o conjunto: {(−1,0,2),(1,1,1),(k,− 2,0)}. 52 IMEF - FURG 2.7. BASE E DIMENSA˜O 2.7 Base e Dimensa˜o Queremos determinar um conjunto de vetores geradores de V tal que todos os elementos sejam realmente necessa´rios para gerar V . Se pudermos encontrar tais vetores, teremos os alicerces de nosso espac¸o, com estes veto- res fazendo o mesmo papel de −→ i , −→ j , −→ k na geometria espacial. Definic¸a˜o: Um conjunto {v1, v2,. . . ,vn} de vetores de V sera´ uma base de V se: a) {v1, v2,. . . ,vn} e´ Linearmente Independente (garante que na˜o ha´ inter- relac¸a˜o entre os vetores da base); b) [v1, v2,. . . ,vn] = V,B gera V (garante que ha´ vetores da base em nu´mero suficiente para fornecer coordenadas para todos os vetores em V ). Se {v1, v2,. . . ,vn} e´ uma base para V , enta˜o qualquer vetor de V e´ escrito de maneira u´nica como uma combinac¸a˜o linear dos vetores v1, v2,. . . ,vn. Base padra˜o do Rn (Base Canoˆnica): E´ uma base que tem como coeficientes da combinac¸a˜o linear os valores dos componentes do vetor: R2 ⇒ Base canoˆnica e1 = (1,0), e2 = (0,1) R3 ⇒ Base canoˆnica e1 = (1,0,0), e2 = (0,1,0), e3 = (0,0,1) ... Rn ⇒ Base canoˆnica e1 = (1,0,...,0), e2 = (0,1,...,0), e3 = (0,0,...,1) Base canoˆnica das matrizes de ordem 2: { [ 1 0 0 0 ] , [ 0 1 0 0 ] , [ 0 0 1 0 ] , [ 0 0 0 1 ] }. Exemplo 55. Verifique se B = {(2,3),(4,6)} e´ uma base do V = R2. Soluc¸a˜o: a) B e´ Linearmente Independente? a1(2,3) + a2(4,6) = (0,0) { 2a1 + 4a2 = 0⇒ 2a1 = −4a2 ⇒ a1 = −2a2 3a1 + 6a2 = 0 3(−2a2) + 6a2 = 0 −6a2 + 6a2 = 0 53 IMEF - FURG 2.7. BASE E DIMENSA˜O Portanto, B e´ linearmente dependente e na˜o e´ base de V = R2. Teorema: Seja V espac¸o vetorial sobre R e {v1,v2,. . . ,vn} uma base para V . Enta˜o qualquer conjunto no espac¸o V com mais de n vetores e´ necessariamente LD. Exemplo 56. 1. Treˆs ou mais vetores no plano R2 sa˜o sempre L.D. 2. Quatro ou mais vetores no espac¸o R3 sa˜o sempre LD. 3. Cinco ou mais matrizes de ordem 2× 2 ( em M2(R)) sa˜o sempre LD. Observac¸a˜o: O teorema anterior e´ equivalente a “Um espac¸o vetorial ge- rado por n vetores tem no ma´ximo n vetores LI.” e tem como consequeˆncia que “Qualquer base de um espac¸o vetorial V tem sempre o mesmo nu´mero de vetores”. Exemplo 57. Verifique se o conjunto B = {(1,2,3),(0,1,2),(0,0,1)} de R3 forma uma base. Soluc¸a˜o: Verificar se o conjunto e´ Linearmente Independente: a = 0 2a+ b = 0 3a+ 2b+ c = 0 Resolvendo o sistema encontramos que a = b = c = 0, portanto e´ LI. Sera´ que o conjunto gera R3? a = x 2a+ b = y 3a+ 2b+ c = z Assim, (x,y,z) = x(1,2,3) + (y − 2x)(0,1,2) + (x − 2y + z)(0,0,1), enta˜o [(1,2,3),(0,1,2),(0,0,1)] = R3. Dimensa˜o: A dimensa˜o do espac¸o vetorial V e´ o nu´mero de vetores da base de V . Assim, sendo
Compartilhar