Baixe o app para aproveitar ainda mais
Prévia do material em texto
Notas de Aula de Fundamentos de Matemáti a - Programa de Pós-Graduação em Engenharia Me âni a - UDESC Eduardo Lenz Cardoso 4 de Novembro de 2016 2 Conteúdo Parte I: Fundamentos de Análise Parte II: Cál ulo Numéri o Parte III: Equações Diferen iais Parte IV: Material Complementar I Fundamentos de Análise 9 1 Introdução 11 1.1 Con eitos Bási os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.1.1 A�rmações do tipo Se-Então . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.1.2 A�rmações do tipo Se-e-somente-se . . . . . . . . . . . . . . . . . . . . . 14 1.2 Operadores Lógi os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.2.1 E Lógi o (AND) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.2.2 Não Lógi o (NOT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.2.3 Ou lógi o (OR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.3 Provas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.3.1 Prova Direta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.3.2 Contra-Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2 Teoria de Conjuntos 19 2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Quanti� adores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.1 Negação de quanti� adores . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.2 União de quanti� adores . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3 Operações om Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 Números Reais 25 3.1 Algumas Propriedades dos números reais. . . . . . . . . . . . . . . . . . . . . . 27 4 Funções 29 4.1 Composição de Funções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 5 RN 37 5.1 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3 4 CONTEÚDO 5.2 Conjuntos abertos e fe hados em RN . . . . . . . . . . . . . . . . . . . . . . . . 42 6 Espaços Vetoriais 47 6.1 Transformações Lineares e Fun ionais . . . . . . . . . . . . . . . . . . . . . . . . 48 6.2 Transformação Linear de Espaços Finito Dimensionais . . . . . . . . . . . . . . 50 6.3 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 6.4 Mudança de Base Apli ada a Operadores Lineares . . . . . . . . . . . . . . . . . 59 6.5 Formas lineares, bilineares e quadráti as . . . . . . . . . . . . . . . . . . . . . . 61 7 Produto Interno 67 7.1 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 7.2 Projeção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 7.3 Ortogonalização de Gramm-S hmidt . . . . . . . . . . . . . . . . . . . . . . . . 73 7.4 Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 8 Autovalores e Autovetores 77 8.1 Autovalores e Autovetores Reais . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 8.2 Multipli idade de Autovalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 8.3 Subespaços Próprios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 8.4 Problema Generalizado de Autovalores e Autovetores . . . . . . . . . . . . . . . 87 9 Continuidade 91 10 Sequên ias 95 10.1 Sequên ias de Cau hy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 10.2 Espaço Completo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 11 Série de Fourier 101 II Cál ulo Numéri o 107 12 Con eitos Bási os de Cál ulo Numéri o 109 12.1 Representação de números naturais em diferentes bases . . . . . . . . . . . . . . 109 12.2 Representação da parte fra ionária de um número real . . . . . . . . . . . . . . 111 12.3 Representação de Números em Computadores . . . . . . . . . . . . . . . . . . . 111 12.4 Epsilon da Máquina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 12.5 Valores espe iais reservados pela norma . . . . . . . . . . . . . . . . . . . . . . . 114 12.6 Pre isão e A urá ia (Exatidão) . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 12.7 Propagação de Erros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 12.8 Di as Importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 13 Des rição Bási a de um Algoritmo 119 13.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 CONTEÚDO 5 14 Raízes de Equações 123 14.1 Método da Bise ção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 14.2 Método Regula Falsi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 14.3 Método de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 14.4 Método da Se ante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 15 Operações Bási as om Matrizes 131 15.1 Multipli ação por um es alar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 15.2 Soma de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 15.3 Transposta de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 15.4 Multipli ação de Matriz por um vetor . . . . . . . . . . . . . . . . . . . . . . . . 134 15.5 Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 15.6 Produto de duas Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 15.7 Norma p de um Vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 15.8 Traço de Uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 15.9 Complexidade de um Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 16 Triangularização de uma Matriz Quadrada 141 16.1 Método de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141 16.1.1 Pivotamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 16.2 Cál ulo de Determinante de uma matriz obtida por triangularização . . . . . . . 144 16.3 Solução de um Sistema de Equações Lineares . . . . . . . . . . . . . . . . . . . . 145 16.3.1 Inversa de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 17 De omposição LU 149 17.1 Cal ulo de Determinante por De omposição LU . . . . . . . . . . . . . . . . . . 153 17.2 Inversa de uma Matriz por De omposição LU . . . . . . . . . . . . . . . . . . . 153 18 Método de Cholesky 155 18.1 De omposição LDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 19 Condi ionamento de uma Matriz 159 19.1 Matrizes de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160 20 Métodos Iterativos para a Solução de Sistemas Lineares 163 20.1 Método de Gauss-Ja obi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 20.2 Método de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166 20.3 Método do Gradiente - Steepest Des ent . . . . . . . . . . . . . . . . . . . . . . 168 20.4 Método dos Gradientes Conjugados . . . . . . . . . . . . . . . . . . . . . . . . . 170 20.4.1 Pré-Condi ionamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 6 CONTEÚDO 21 Sistemas de Equações Lineares Complexas 177 22 Solução de Sistemas Não-Lineares 181 23 Solução de Problemas de Autovalores e Autovetores 183 23.1 Método da Potên ia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183 23.1.1 Método da Potên iaInversa . . . . . . . . . . . . . . . . . . . . . . . . . 186 23.2 Método de Ja obi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188 23.3 Método QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190 23.3.1 Utilizando a De omposição QR para Solu ionar Sistemas de Equações Lineares Mal-Condi ionados. . . . . . . . . . . . . . . . . . . . . . . . . . 195 23.4 De omposição Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197 23.5 OPCIONAL - Método de Leverrier-Faddev . . . . . . . . . . . . . . . . . . . . . 201 24 De omposição em Valor Singular 207 24.1 Relação entre SVD, Rank e Espaço Nulo de um Operador . . . . . . . . . . . . 209 24.2 Compressão de Imagens Utilizando o SVD - Low-Rank Matrix Approximation . 210 25 Problema de Mínimos Quadrados 215 25.0.1 Es alonamento das Variáveis . . . . . . . . . . . . . . . . . . . . . . . . . 217 25.1 Problema de Mínimos Quadrados De�nido por uma Equação não Linear dos Coe� ientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219 26 Derivada Numéri a 221 26.1 Diferenças Finitas Complexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223 26.2 Cál ulo do Vetor Gradiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224 27 Integração Numéri a 227 27.1 Regra dos Trapézios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227 27.2 Regra de Simpson de Segunda Ordem (Primeira Regra de Simpson) . . . . . . . 228 27.3 Regra de Simpson de Ter eira Ordem (Segunda Regra de Simpson) . . . . . . . 229 27.4 Integração por Quadratura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 27.4.1 Quadratura de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 27.4.2 Integrais duplas e triplas . . . . . . . . . . . . . . . . . . . . . . . . . . . 235 27.4.3 Relação entre os pontos de quadratura e os polin�mios de Legendre. . . . 236 28 Transformada Dis reta de Fourier - DFT 239 28.1 In�uên ia da taxa de amostragem - aliasing . . . . . . . . . . . . . . . . . . . . 246 28.2 DFT omo um Filtro Digital - Spe tral Leakage . . . . . . . . . . . . . . . . . . 249 28.2.1 Janelamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251 CONTEÚDO 7 III Equações Diferen iais 253 29 Equações diferen iais 255 29.1 Classi� ação e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255 29.2 Equações Diferen iais omo Operadores . . . . . . . . . . . . . . . . . . . . . . . 260 29.3 Equações Diferen iais Par iais Lineares . . . . . . . . . . . . . . . . . . . . . . . 260 30 Método dos Resíduos Ponderados 263 IV Material Complementar 277 31 Exemplos de implementação dos algoritmos no S ilab 279 8 CONTEÚDO Parte I Fundamentos de Análise 9 Capítulo 1 Introdução Os on eitos apresentados aqui servirão para que o leitor seja apaz de ompreender um texto da área de me âni a omputa ional, bem omo entenda a lógi a por trás das implementações omputa ionais que serão dis utidas ao longo do urso de mestrado. O texto é organizado de maneira a introduzir os on eitos fundamentais em uma sequên ia lógi a. Para isto, iremos ini iar om uma revisão de on eitos e nomen laturas bási as da matemáti a. Após, será apresentado o on eito de onjunto e todas as propriedades de interesse neste urso, uma dis ussão sobre os números reais e suas propriedades, on eitos sobre funções e uma dis ussão sobre o RN e suas propriedades. Com esta revisão de on eitos fundamentais, iremos estudar em detalhes os espaços de funções para, após, nos on entrarmos na de�nição dos problemas a serem estudados na dis iplina e na sua implementação numéri a. É importante salientar que este material é de apoio e não pretende substituir a bibli- ogra�a bási a sobre os assuntos abordados. Para tanto, sugiro fortemente que o leitor onsulte sempre que possível livros lássi os da área, omo por exemplo os livros: Optimization by Spa e Methods de David. G. Luemberger, Engineering Mathemati s de Stroud and Booth, Mathemati al Methods for Physi s and Engineering (3rd edition): A Comprehensive Guide de K.F. Riley, Advan ed Engineering Mathemati s de Kreyszig e Introdução à Análise Linear-1, 2 e 3 de Donald Kreider. Os quatro primeiros apítulos são fortemente baseados no livro Matemáti a Dis reta: uma Introdução de Edward R. S heinerman. Os demais apítulos são um apanhado de um vasto número de livros e das notas de aula. 11 12 CAPÍTULO 1. INTRODUÇ�O 1.1 Con eitos Bási os Para ini iar, vamos relembrar alguns onjuntos bási os N = {0, 1, 2, 3, ....} N∗ = {1, 2, 3, 4, ....} Z = {0, 1,−1, 2,−2, ...} Z∗ = {1,−1, 2,−2, ...} Q = {m n : m,n ∈ Z, n 6= 0} Q = {m n ∣∣∣m ∈ Z e , n ∈ Z∗} onde N é o onjunto dos números naturais, Z dos números inteiros (do alemão Zhalen) e Q dos números ra ionais (de Quotient). Com estes onjuntos bási os, podemos onstruir de�nições mais avançadas, omo por exemplo: De�nição: Número par Um número par é um número natural divisível por 2. Observem que a de�nição de par depende de 3 on eitos prévios: número natural, divisível e 2. Alguns são óbvios, omo o 2 (que já é ne essário para de�nirmos o onjunto N) mas alguns que pare em óbvios para nós nem sempre são tão laros omo pare em. Vamos de�nir o on eito de divisível: De�nição: Divisível Sejam a e b inteiros. Dizemos que a é divisivel por b se existe um inteiro c tal que bc = a. Dizemos também que b divide a, ou que b é um fator de a, ou que b é um divisor de a. A notação orrespondente é b| a. Desta forma, sempre partimos de on eitos primitivos (axiomas) para obtermos on eitos derivados, por meio de inferên ias lógi as. O importante é dominar os on eitos fundamentais e, om algumas ferramentas da matemáti a, onstruir o onhe imento na nossa área de interesse. Desta forma, tendo o on eito de divisível e de inteiro, podemos es rever: De�nição: Número par (de�nição alternativa) Um número natural a é par se 2| a onde lemos que 2 é divisor de a ou que 2 divide a. Com esta idéia bási a sobre omo devemos pro eder para onstruirmos on eitos mais avan- 1.1. CONCEITOS BÁSICOS 13 çados, devemos agora de�nir algumas ferramentas muito utilizadas na bibliogra�a té ni a da nossa área. Uma forma de de�nirmos on eitos derivados é pelo estabele imento de um Teo- rema (ou os seus equivalentes). Um teorema nada mais é do que uma a�rmação de larativa sobre matemáti a, para a qual existe uma PROVA (uma a�rmação de larativa é algo omo "vai hover"ou "o Interna ional é melhor do que o grêmio"). Assim, podemos dizer que um teorema é uma a�rmação sobre algo que sabemos ser verdade e sabemos provar. Por sua vez, uma Conje tura não tem prova, omo por exemplo, "todo o inteiro par maior do que 2 é a soma de dois primos"( onje tura de Goldba h, 1742). Podemos rodar um programa de omputador por 500 anos sem que isto se veri�que falso, mas para um matemáti o isto não é uma prova (para apli ações de engenharia, pode servir, desde que se mostre que as nossas trabalharemos na faixa de valores veri� ados pelo programa). Atualmente, a a�rmação é verdadeira para a faixa [4, 4 ∗ 1018]. Existem alguns termos utilizados em textos matemáti os, omo por exemplo • Teorema: quando é importante :0) • Resultado: mesma oisa, só que é menos importante • Fato: teorema de importân ia limitada (1+1=2) • Proposição: Um teorema de importân ia limitada • Lema: Um teorema ujo objetivo é ajudar a provar um outro teorema • Corolário: Resultado om uma prova rápida, onde usamos resultados já provadosem outros teoremas • Alegação: Equivale a um lema. Como os on eitos mais importantes que devemos utilizar estarão na forma de um teorema (ou um sin�nimo), devemos entender omo eles são apresentados e quais são os on eitos bási os envolvidos nas provas que deveremos ler. Vamos avaliar dois tipos de apresentação de teoremas: se-então e se-e-somente-se. 1.1.1 A�rmações do tipo Se-Então São a�rmações que apresentam a seguinte estrutura: "Se A, então B", onde A é uma hipótese e B uma on lusão. Vamos a um exemplo: ✞✝ ☎✆Teorema: Se x e y forem pares então x+ y é par. Podemos observar que A seria a parte "Se x e y forem pares"e que B seria "então x+y é par". Desta forma, temos uma impli ação em somente um sentido, de tal forma que o simbolismo grá- � o para este tipo de estrutura é A⇒ B. No entanto, nada é dito sobre, por exemplo, a soma 14 CAPÍTULO 1. INTRODUÇ�O de dois impares também resultar em um par. Por isto, é importante sempre pensarmos na ló- gi a (booleana mesmo) destas a�rmações. Assim, podemos onstruir a seguinte tabela verdade: A B A⇒ B V V Possível V F Impossível F V Possível F F Possível que pode ser veri� ada om a seguinte a�rmação: "Se eu ganhar na Mega-Sena, todos os alunos de FM1 serão aprovados". Neste aso, a hipótese A é "ganhar na Mega-Sena"e a on lusão B seria a aprovação de todos os alunos de Fundamentos da Matemáti a. Vamos avaliar a tabela verdade: 1) A mas não B: Isto viola a a�rmação, pois se eu ganhar os alunos tem que passar. Por isto (lembrem-se que estamos falando de matemáti a, onde não tem enganação !) esta situação onsta omo impossível; 2) A e B: Situação em que A se veri� a e, portanto, B o orre; 3) B mas não A: Pode ser que eu não ganhe, mas os alunos sejam muito bons e, portanto, serão aprovados de qualquer forma; 4) Nem A nem B: Pode ser que eu não ganhe, mas os alunos reprovem por falta de ompe- tên ia, sem qualquer relação om o resultado da Mega-Sena. Observem que a situação IMPOSSÍVEL basta para mostrar que um teorema é falso (veremos isto mais para frente quando estudarmos os tipos de prova). É interessante também veri� ar que a situação não A mas B, omo no aso da soma de dois ímpares resultar em um par, é possível e o teorema não a�rma que isto não possa o orrer. Este tipo de a�rmação pode ser es rita de formas alternativas, omo por exemplo: "A impli a em B" "Sempre que A, temos B" "A é su� iente para B" "A é ondição su� iente para B" 1.1.2 A�rmações do tipo Se-e-somente-se São a�rmações que apresentam a seguinte estrutura: "Se A então B e se B então A". Vamos a um exemplo ✞✝ ☎✆Teorema: Um inteiro x é par se e somente se x+ 1 é impar. que poderia ser lido omo "Se um inteiro x é par, então x+1 é impar, e se x+1 é impar, então x é par (observem omo � a redundante..). Neste teorema, temos então que A seria "x é par"e B seria "x+1 é impar". Para indi ar este aminho em duas vias, utilizamos a notação A⇔ B, 1.2. OPERADORES LÓGICOS 15 om a seguinte tabela verdade: A B A⇔ B V V Possível V F Impossível F V Impossível F F Possível E um exemplo bem onhe ido é a frase "Um ponto x de uma função ontínua é um máximo lo al se e somente se a primeira derivada neste ponto for nula e a segunda derivada for negativa". Observem que nesta frase temos as seguintes partes: A é "Um ponto x de uma função ontínua é um máximo lo al"e a parte B é "primeira derivada neste ponto for nula e a segunda derivada for negativa". Assim, do ál ulo I, sabemos que estas ondições só o orrem juntas e, portanto, hamamos B de " ondição ne essária e su� iente"para A. Outras formas utilizadas são: "A sse B" "A i� B" "A é equivalente a B". 1.2 Operadores Lógi os 1.2.1 E Lógi o (AND) Observem que no exemplo da seção anterior utilizamos duas ondições para montar o B: "pri- meira derivada neste ponto for nula e a segunda derivada for negativa". O e que está unindo as ondições "primeira derivada neste ponto for nula" om "segunda derivada for negativa"é um operador lógi o (E, AND ou ∧) e tem a seguinte tabela verdade A B AeB V V V V F F F V F F F F um exemplo: "Todo o inteiro ujo algarismo das unidades é zero é divisível por 2 e por 5". 1.2.2 Não Lógi o (NOT) Simplesmente inverte o signi� ado lógi o do operador. Por exemplo "todo número par não é impar"pode ser visto omo A ⇒ not(B) ou, SE par ENT�O N�O impar. A tabela verdade é simplesmente: 16 CAPÍTULO 1. INTRODUÇ�O A na˜oA V F F V e o simbolo alternativo é ¬ 1.2.3 Ou lógi o (OR) É um operador que admite a possibilidade de ao menos uma a�rmação ser verdadeira, ou em outras palavras, se um elemento for satisfeito então a ondição onjunta é satisfeita. Um exem- plo seria "se a primeira derivada for nula em um ponto x, então este ponto é de mínimo ou de máximo ou uma in�exão". Observem que nesta a�rmação temos: A vale "se a primeira derivada for nula em um ponto x"e B vale "este ponto é de mínimo ou de máximo ou uma in�exão". Assim, B será válido se ao menos uma ondição for satisfeita (não pre isamos que todas sejam satisfeitas ao mesmo tempo). A tabela verdade para este operador é: A B AouB V V V V F V F V V F F F e o símbolo alternativo é ∨. 1.3 Provas Uma prova é uma argumentação que mostra, de maneira irrefutável, que uma a�rmação é ver- dadeira. Para entendermos uma prova, pre isamos ompreender a linguagem utilizada para es rever um texto matemáti o e as impli ações da lógi a dis utida nas seções anteriores. Exis- tem várias maneiras de provar ou de refutar uma a�rmação. 1.3.1 Prova Direta A prova direta é uma forma de mostrar que uma a�rmação é verdadeira ou falsa através de uma ombinação de axiomas e teoremas (nas suas mais variadas formas) já onhe idos. Vamos analizar a prova direta de duas proposições do tipo Se-Então (A⇒ B). : Proposição 1. A soma de dois inteiros pares é par. Prova: Sejam x e y inteiros pares: omo x é par, sabemos que 2|x. De forma análoga, 2| y. Portanto, existem inteiros a e b que satisfazem x = 2a e y = 2b, tal que x+y = 2a+2b = 2(a+b). Assim, existe um inteiro c tal que x+ y = 2c e, portanto, c = a+ b, tal que 2|c. - 1.3. PROVAS 17 Proposição 2. Sejam a, b e c inteiros. Se a| b e b| c, então a| c. Prova: Como a| b, existe um inteiro x tal que b = ax. Da mesma forma, existe um inteiro y tal que c = by. Portanto, existe um inteiro z tal que c = az, pois c = (ax)y = axy = az. Para provarmos uma a�rmação do tipo Se-e-Somente-Se, temos que realizar o ra io ínio nos dois sentidos, na forma A ⇒ B A ⇐ B Proposição 3. Seja x um inteiro. Então x é par se e somente se x+ 1 é impar Prova: ⇒ supondo que x é par, temos que 2|x. Logo, existe um inteiro a tal que x = 2a e, somando 1 em ambos os lados obtemos x+ 1 = 2a+ 1, que satisfaz a ondição de um número ímpar. ⇐supondo que x+ 1 é ímpar, pela de�nição temos que existe um inteiro b tal que x + 1 = 2b+ 1. Subtraindo 1 de ambos os lados, obtemos x = 2b, que é a ondição para x ser par (por de�nição). 1.3.2 Contra-Exemplo Mais fá il do que onstruir é destruir. Assim, podemos refutar uma a�rmação se mostrarmos que ela falha em uma determinada situação. Para a lógi a matemáti a, basta um aso inválido para refutar a validade da a�rmação omo um todo (ao ontrário de mostrar que fun iona em uma situação espe í� a, que não é su� iente). Vamos a um exemplo: Proposição 4. Sejam a e b inteiros. Se a| b e b| a, então a = b. Prova por ontra-exemplo: Se es olhermos a = −6 e b = 6, temos que −6| 6 e 6| − 6 mas obviamente −6 6= 6. Assim, a a�rmação é in orreta. Refutação Direta: Se a| b então existe um inteiro x tal que b = ax. Da mesma forma, existe um inteiro y tal quea = by. Assim, substituindo a segunda expressão na primeira, obtemos b = (by)x e onsiderando que b é diferente de zero, podemos dividir ambos os lados por b, tal que xy = 1. Este resultados pode ser obtido om x = −1 e y = −1, no entanto, nesta situação teremos b = −1a e a = −1b, tal que b = −a ou a = −b. Observem que a refutação direta é mais geral do que simplesmente indi ar um ponto falho na teoria, mas devemos enfatizar que ambas são sufu ientes para refutar a a�rmação omple- tamente. 18 CAPÍTULO 1. INTRODUÇ�O Como literatura omplementar, sugiro o material http://www.i .uni amp.br/ anamaria/ ursos/MC348/2010-2/livro-apost-03.pdf Capítulo 2 Teoria de Conjuntos 2.1 Introdução Um onjunto é uma oleção de objetos distintos e bem de�nidos. O on eito de onjuntos (sets) foi introduzido por Georg Cantor, que utilizou a seguinte de�nição "Um onjunto é um ajuntamento em um onjunto de objetos de�nidos e distintos de nossa per epção e do nosso pensamento - que são hamados de elementos do onjunto". No entanto, esta de�niçãoo are e de uma formalidade matemáti a e pode ser onsiderada um axioma. O mais importante do axioma é que um onjunto tem elementos e que dois onjuntos são iguais se e somente se ontém os mesmos objetos. Assumindo que o on eito de onjunto é primitivo, assim omo o de objeto e o on eito de "perten er", indi amos que um elemento x perten e (faz parte de) um onjuto A om a notação x ∈ A e um onjunto pode ser de�nido extensivamente A = {2, 4, 6, 8, 10} ou ompreensivamente A = {x ∈ N, x > 1 e x ≤ 1000} onde a primeira parte da de�nição é hamada de domínio, x ∈ N, e a segunda parte é hamada de ondição (observem o uso do operador lógi o e). Sendo dois onjuntos A e B, dizemos que A está ontido em B (A ⊆ B) se e somente se todo elemento de A for elemento de B: A ⊆ B sse ∀x ∈ U x ∈ A⇒ x ∈ B onde se lê: A está ontido em B se e somente se, para todo x (perten ente ao universo), x perten e a A impli a em x perten er a B. O on eito de universo é um artifí io para onsiderarmos todos os possíveis elementos existentes (no es opo do problema). Observem que esta de�nição é de onhe imento geral, mas novamente utilizamos uma série 19 20 CAPÍTULO 2. TEORIA DE CONJUNTOS de símbolos e on eitos que devem ser bem de�nidos. Em espe ial, vamos de�nir os quanti�- adores. 2.2 Quanti� adores Na de�nição de ⊆ utilizamos o on eito de para todo,∀, que é um quanti� ador universal. Esta de�nição impli a em onsiderarmos todos os possíveis valores, na forma ∀x ∈ A, a�rmação sobre x om as seguintes variações: • "todo inteiro é par ou ímpar" • "todos os inteiros são pares ou ímpares" • " ada inteiro ou é par ou é ímpar" • "seja x um inteiro qualquer. Então x é par ou é ímpar" Para provarmos uma a�rmação om "para todo", temos que mostrar que a a�rmação é sempre válida, para qualquer o orrên ia de x. Um outro quanti� ador é o existe, ∃, que impli a na existên ia de ao menos uma o orrên ia do elemento, na forma ∃x ∈ A, a�rmação sobre x Este é um quanti� ador existen ial e pode ser es rito nas seguintes variações: • "Existe um número natural que é primo e é par" • "Existe um x, membro de N, tal que x é primo e par" É interessante notar que para provarmos uma a�rmação om Existe, basta mostrar que uma o orrên ia da a�rmação é verdadeira (neste aso, o número 2 é par e primo e, portanto, a a�rmação é válida). 2.2.1 Negação de quanti� adores Vamos onsiderar a seguinte a�rmação: "Não existe inteiro que seja simultaneamente par e ímpar". Podemos representar esta a�rmação das seguintes formas 1) ¬(∃x ∈ Z, x é par e é ímpar) 2) ∀x ∈ Z,¬(x é par e é ímpar) 2.3. OPERAÇÕES COM CONJUNTOS 21 onde na primeira versão lemos não ( existe x inteiro que é par e é impar) e na segunda lemos para todo x inteiro não existe x par e ímpar. As duas a�rmações são equivalentes. Mais um exemplo: "Nem todos os inteiros são primos": 1)¬(∀x ∈ Z, x é primo) 2) ∃x ∈ Z,¬(x é primo) que signi� am: não (todo x inteiro é primo) e existe x inteiro não primo. 2.2.2 União de quanti� adores É possível agrupar quanti� adores para �ns de breviedade de notação. Vamos a alguns exem- plos: "Para todo o x, existe um y tal que x+y=0"...∀x, ∃y, x+ y = 0 "Existe um y, tal que para todo o x, temos x+y=0"...∃y, ∀x, x+ y = 0 No entanto, devemos ter muito uidado om a sequên ia dos quanti� adores. Vamos provar a primeira a�rmação: Proposição 5. ∀x, ∃y, x+ y = 0 Prova: Seja um x arbitrário e seja y = −x.Então x+ y = x− x = 0. No entanto, uma pequena alteração pode mudar totalmente o sentido da a�rmação, omo por exemplo Proposição 6. ∃y, ∀x, x+ y = 0 Contra-Exemplo: dado um y = 2 podemos es olher x = 10, que viola a ondição e, portanto, invalida a a�rmação. 2.3 Operações om Conjuntos Com as de�nições das seções anteriores, podemos fo ar om mais profundidade no on eito de onjunto e suas operações. União de Conjuntos: Sejam dois onjuntos A e B. A união de A e B é o onjunto de todos os elementos que estão em A ou em B, tal que A ∪ B = {x : x ∈ A ∨ x ∈ B} 22 CAPÍTULO 2. TEORIA DE CONJUNTOS Interseção de Conjuntos: Sejam dois onjuntos A e B. A interseção de A e B é o onjunto de todos os elementos que estão em A e em B, tal que A ∩ B = {x : x ∈ Ax∧ ∈ B} Com as seguintes propriedades ( omutativas, asso iativas e distributivas): 1. A ∪B = B ∪A 2. A ∩B = B ∩A 3. A ∪ (B ∪ C) = (A ∪ B) ∪ C 4. A ∩ (B ∩ C) = (A ∩ B) ∩ C 5. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) e, em relação ao onjunto vazio, observamos que 1. A ∪ ∅ = A 2. A ∩ ∅ = ∅. Para provarmos estas propriedades, podemos utilizar os on eitos de união e interseção, omo por exemplo: Prove que A ∪ (B ∪ C) = (A ∪ B) ∪ C: Da de�nição de união entre onjuntos, temos que B ∪ C pode ser es rita omo B ∪ C = {x : x ∈ B ∨ x ∈ C} tal que o lado esquerdo da a�rmação que estamos tentando provar pode ser es rito omo A ∪ (B ∪ C) = {x : (x ∈ A) ∨ (x ∈ B ∨ x ∈ C)}. Usando a propriedade asso iativa do operador ou podemos es rever {x : (x ∈ A) ∨ (x ∈ B) ∨ (x ∈ C)} 2.3. OPERAÇÕES COM CONJUNTOS 23 que equivale a {x : (x ∈ A ∪ B) ∨ (x ∈ C)} ou (A ∪ B) ∪ C. Observem que om este tipo de onstrução podemos provar várias propriedades de onjuntos. Diferença de Conjuntos: A diferença entre dois onjuntos é denotada por A − B e signi� a que queremos todos os elementos que perten em a A mas não perten em a B, tal que A−B = {x : x ∈ A ∧ x /∈ B}. Diferença Simétri a de Conjuntos: A diferença simétri a entre dois onjuntos é denotada por A∆B e signi� a que queremos todos os elementos que estão em A e não em B E em B mas não em A, tal que A∆B = (A−B) ∪ (B − A). Produto Cartesiano de Conjuntos: Sejam dois onjuntos A e B. O produto artesiano de A e B, denotado por A×B é o onjunto de todos os pares ordenados (listas de dois elementos) formados tomando-se um elemento de A juntamente om um elemento de B de todas as maneiras possíveis, tal que A× B = {(a, b) : a ∈ A, b ∈ B} 24 CAPÍTULO 2. TEORIA DE CONJUNTOS Como exemplo, vamos onsiderar A = {1, 2} e B = {3, 4}. Assim, pela de�nição a ima, temos que A× B = {(1, 3), (1, 4), (2, 3), (2, 4)} B × A = {(3, 1), (3, 2), (4, 1), (4, 2)} e, om isto, veri� amos que o produto artesiano entre dois onjuntos não é uma operação omutativa (A×B 6= B ×A). Cardinalidade de um Conjunto ( ardinality) A ardinalidade de um onjunto nada mais é do que o número de membros distintos que ele ontém. Assim, um onjunto A = {1, 1, 2, 3, 4} tem ardinalidade |A| = 4, pois ontamos somente os elementos distintos. Note que as seguintes relaçõesentre ardinalidade e as operações de�nidas a ima podem ser obtidas: A ardinalidade do produto artesiano é igual ao produto das ardinalidades Sejam dois onjuntos A e B. Então, |A× B| = |A| |B| e, voltando ao exemplo anterior, temos que |A| = 2 e |B| = 2, tal que |A×B| = 4, pois o onjunto {(1, 3), (1, 4), (2, 3), (2, 4)} tem quatro elementos (pares). Capítulo 3 Números Reais Os números reais, R, são utilizados para representar quantidades ontínuas e são a expansão do onjunto dos números ra ionais, pela onsideração dos númemeros irra ionais (frações que não podem ser obtidas pela divisão de dois inteiros). Assim, temos que N ⊆ Z ⊆ Q ⊆ R... O onjunto dos números reais é obtido por meio de alguns axiomas, onhe idos omo axiomas de orpo. Assim, R é um onjunto não vazio onde podemos de�nir duas operações fe hadas: • Adição: + : R× R→ R ou (x, y)→ x+ y; • Multipli ação: ∗ : R× R→ R ou (x, y)→ x ∗ y; om os axiomas asso iados a soma: • Asso iatividade: (x+ y) + z = x+ y + z x, y, z ∈ R; • Comutatividade: x+ y = y + x x, y ∈ R; • Elemento Neutro: x+ 0 = x x, 0 ∈ R; • Simétri o: x+ (−x) = 0 x, 0 ∈ R; e om os axiomas asso iados a multipli ação: • Asso iatividade: (x ∗ y) ∗ z = x ∗ y ∗ z x, y, z ∈ R; • Comutatividade: x ∗ y = y ∗ x x, y ∈ R; • Elemento Neutro: x ∗ 1 = x 1, 0 ∈ R; • Inverso Multipli ativo: x ∗ x−1 = 1 x, 1 ∈ R x 6= 0; além do axioma da distributividade, que estabele e que x ∗ (y+ z) = x ∗ y+ x ∗ z x, y, z ∈ R. Por �m, mas não menos importante, temos um onjunto de axiomas referentes ao on eito de Conjunto Ordenado (ou Corpo Ordenado), que dá origem ao on eito de inequações. Para 25 26 CAPÍTULO 3. NÚMEROS REAIS este �m, de�nimos um sub onjunto P ⊆ R, que ontém os elementos positivos de R, atendendo aos seguintes axiomas: • A soma e o produto de números positivos são positivos; • Para x ∈ P temos três alternativas: x = 0, x ∈ P , −(x) ∈ P ; ou seja, R = 0∪P ∪ (−P ), onde o onjunto −P é onhe ido omo onjunto dos números (reais) negativos. Uma vez que ordenamos os números reais, podemos observar que • x > 0 se x ∈ P ; • x < 0 se x ∈ −P ; • x ≥ 0 se x ∈ P ∪ 0; • x ≤ 0 se x ∈ −P ∪ 0; e • x > y ⇒ x− y > 0; • x < y ⇒ x− y < 0; • x ≥ y ⇒ x− y ≥ 0; • x ≤ y ⇒ x− y ≤ 0; dando origem ao on eito de desigualdade, que é fundamental para de�nirmos intervalos de números reais. Um intervalo nada mais é do que um sub onjunto de R, de�nido entre dois valores (�nitos ou in�nitos). Desta forma, temos as seguintes possibilidades: • (a, b) = {x ∈ R : x > a ∧ x < b}; • [a, b] = {x ∈ R : x ≥ a ∧ x ≤ b}; • (a, b] = {x ∈ R : x > a ∧ x ≤ b}; • [a, b) = {x ∈ R : x ≥ a ∧ x < b}; para intervalos �nitos e • (a,+∞) = {x ∈ R : x > a}; • [a,+∞) = {x ∈ R : x ≥ a}; • (−∞, a) = {x ∈ R : x < a}; • (−∞, a] = {x ∈ R : x ≤ a}; para intervalos in�nitos. 3.1. ALGUMAS PROPRIEDADES DOS NÚMEROS REAIS. 27 3.1 Algumas Propriedades dos números reais. Vamos apresentar algumas de�nições importantes ao trabalharmos om números reais: Cota superior e ota inferior: Seja um onjunto S ∈ R. Dizemos que u ∈ R é ota superior de S se ∀s ∈ S, s ≤ u. Analoga- mente, dizemos que v ∈ R é ota inferior de S se ∀s ∈ S, v ≤ s. assim, de uso da de�nição a ima, podemos também de�nir Conjunto Limitado por baixo e Conjunto Limitado por Cima: Se um onjunto S tem ota inferior, dizemos que ele é limitado por baixo ou limitado inferior- mente. Analogamente, se o onjunto tem ota superior, dizemos que ele é limitado por ima ou limitado superiormente. Como exemplo, podemos itar o onjunto dos números naturais, que tem uma ota inferior, 0, mas não tem ota superior. Avaliando as de�nições a ima, podemos veri� ar que um onjunto limitado por ima, por exemplo, pode ter diversas otas superiores. Para veri� armos esta a�rmação, vamos onsiderar o onjunto A = [0, 1]. Qualquer número real maior ou igual a 1 será uma ota superior para o onjunto e qualquer número menor ou igual a 0 será ota inferior, pois a de�nição espe i� a que as otas devem perten er a R. Com isto em mente, podemos de�nir os on eitos de Supremo e de In�mo: Supremo de um onjunto / In�mo de um onjunto: Se um onjunto S é limitado por ima, hamamos de supremo de S ou sup(S) a menor de suas otas superiores. Analogamente, se S é limitado por baixo, hamamos de in�mo ou inf(S) a maior de suas otas inferiores. omo exemplos, podemos itar os seguintes onjuntos: 1) A = {x ∈ R : 0 ≤ x ≤ 1} Neste aso, temos que o onjunto está de�nido entre 0 e 1, in lusive. Assim, A ontém in�nitas otas superiores, pois qualquer número real na faixa [1,∞) satisfaz a de�nição 3.1. No entanto, 1 é a menor das otas superiores e, portanto, é o supremo do onjunto. O mesmo vale para o extremo esquerdo do intervalo. Assim: inf(A) = 0 e sup(A) = 1. 2) B = {x ∈ R : 0 ≤ x < 1} O que muda no segundo exemplo é o fato de o limite superior do intervalo agora ser de�nido por um intervalo aberto. Neste aso, as otas superiores estarão na faixa (1,∞) e o supremo será o menor valor deste intervalo. Assim, sup(B) = 1, mas om uma diferença que é muito importante na práti a da me âni a omputa ional: sup(A) ∈ A sup(B) /∈ B 28 CAPÍTULO 3. NÚMEROS REAIS ou seja, no segundo aso o supremo não está ontido no onjunto. Valor Absoluto de um número real: Seja um número a ∈ R. O valor absoluto (ou em módulo) de a é dado por |a| = { +a se a > 0 −a se a < 0 assim, se a = −1, temos que |a| = −(−1) = 1. Com esta de�nição, podemos estabele er as seguintes relações: 1. |−a| = |a| , ∀a ∈ R 2. |ab| = |a| |b| , ∀a, b ∈ R 3. |a| ≤ k ⇔ a ∈ [−k, k], ∀a, k ∈ R 4. − |a| ≤ a ≤ |a| , ∀a ∈ R. Teorema 1. Desigualdade Triangular Sejam a, b ∈ R, |a + b| ≤ |a|+ |b| e este teorema é tão utilizado, que vamos apresentar a prova para que �que bem lara a impli a- ção desta desigualdade: Sabendo que − |a| ≤ a ≤ |a| e que − |b| ≤ b ≤ |b| , podemos somar estas duas de�nições, obtendo − |a|−|b| ≤ a+b ≤ |a|+|b| . Da de�nição de que |a| ≤ k ⇔ a ∈ [−k, k], veri� amos que k, nesta expressão, assume a forma de |a| + |b|, e, portanto, a a�rmação pode ser es rita omo |a + b| ≤ |a|+ |b|. Como exemplo, vamos utilizar a = 1 e b = −2. Neste aso |1− 2| = |−1| = 1 e |1|+ |−2| = 1 + 2 = 3. Como 1 < 3, veri� amos que a desigualdade triangular faz sentido. Capítulo 4 Funções De forma bem simplória, podemos defnir uma função omo sendo uma entidade que transforma uma quantidade em outra. De maneira mais formal, temos a seguinte de�nição: Função: Uma relação f é hamada de função desde que (a, b) ∈ f e (a, c) ∈ f impliquem em b = c. Nesta de�nição utilizamos o on eito de relação. Uma relação nada mais é do que um onjunto de pares ordenados, na forma R = {(1, 2), (3, 4), (5, 6)} onde podemos ver os pares omo sendo (entrada, saida) da função. Assim, o que a de�nição de função está dizendo, é que se apli armos as entradas da função e observarmos as saídas, não poderemos ver um resultado diferente para uma mesma entrada. Assim, a relação R = {(1, 2), (1, 4), (2, 7)} não é uma função, pois para uma mesma entrada, 1, tivemos duas respostas diferentes 2 e 4. Assim, de forma alternativa, poderíamos es rever Função (de�nição alternativa): Uma relação f é hamada de função desde que f(a) = b e f(a) = c impliquem em b = c. assim, por exemplo, podemos de�nir uma função omo f = {(x, y) : x, y ∈ Z, y = x2} que, em termos de pares ordenados teria a forma f = {(1, 1), (2, 4), (3, 9), (4, 16), ...}. 29 30 CAPÍTULO 4. FUNÇÕES ✬ ✫ ✩ ✪ Funções Multivaloradas (Polídromas): Algumas "funções" omo por exemplo raiz quadrada ou funçõestrigonométri as inversas apre- sentam mais de um valor para o mesmo argumento de entrada. Neste aso, mesmo sendo muito omuns, não podemos utilizar a nomen latura de função. O orreto seria hamar de relação, onforme vimos anteriormente. Contribuição de Barbara Haens h S hneider. É importante entender o on eito de função e omo ela se rela iona om a teoria de onjun- tos que revisamos anteriormente. Para isto, vamos estudar as seguintes de�nições: Domínio de uma função: Seja uma função f . O onjunto de todos os primeiros elementos possíveis dos pares ordenados de f é hamado de domínio de f ou domf . Em notação matemáti a: domf = {a : ∃b, (a, b) ∈ f} ou, de forma mais direta: domf = {a : f(a) definido} assim, na de�nição f = {(x, y) : x, y ∈ Z, y = x2} o domínio é Z. Imagem e ontradomínio de uma função: Seja uma função f . O onjunto de todos os possíveis segundos elementos dos pares ordenados de f é hamada de imagem de f ou im f . Em notação matemáti a: im f = {b : ∃a, (a, b) ∈ f} ou, de forma mais direta: im f = {b : b = f(a) para alguma ∈ domf}, ou mais diretamente ainda, a imagem é a própria saída da função. O ontradomínio da função, por sua vez, é um onjunto mais amplo, que ontém a imagem. Por exemplo, a imagem de f = {(x, y) : x, y ∈ Z, y = x2} são os quadrados perfeitos e o ontradomínio é Z. f : A→ B Seja f uma função e sejam A e B onjuntos. Dizemos que f é uma função de A para B se domf = A e se im f ⊆ B, onde B é o ontradomínio. Alternativamente, dizemos que f é uma apli ação de A em B. Assim, a função seno é uma função que mapeia o onjunto dos reais no onjunto dos reais, pois f = {(x, y) : x, y ∈ R, y = sen(x)}, e, portanto, temos que domf = R e im f = [−1, 1] ⊆ R . 31 a1 a2 f(a1) f(a2) f é um-a-um a1 a2 f(a1) f não é um-a-um Figura 4.1: Função um-a-um Funções inversas: Seja uma função f : A → B= {(a1, b1), (a2, b2), ....}. A inversa da função, denotada por f−1 é obtida pela inversão dos termos de ada um dos pares que formam a relação, tal que f−1 = {(b1, a1), (b2, a2), ...} É importante salientar que a inversa da função f : A → B não é ne essaria- mente uma função f−1 : B → A. Para entendermos isto, vamos onsiderar os onjuntos A = {1, 2, 3, 6, 8} e B = {2, 4, 5, 4, 7} e a função f : A→ B= {(1, 4), (2, 5), (3, 4), (6, 2), (8, 5)}. Neste aso, a inversa de f será dada por f−1 = {(4, 1), (5, 2), (4, 3), (2, 6), (5, 8)} que não é uma função pois temos os pares (4, 1) e (4, 3), bem omo (5, 2) e (5, 8). Ainda, temos que domf−1 = {4, 5, 2} 6= B. No entanto, esta ondição não é geral e podemos ter situações em que a inversa é uma função e, ainda, mapear os onjuntos na forma esperada. Função um-a-um (injetiva): Uma função f é hamada de um-a-um se (x, b), (y, b) ∈ f ⇔ x = y. Em outras palavras, f(x) = f(y) se e somente se x = y. Assim, temos que uma função um-a-um é aquela que mapeia ada valor distinto de A em um valor distindo de B. Um exemplo bastante simples de uma função um-a-um é um polin�mio linear om forma ax+ b. Se a função for injetiva, temos que satisfazer a ondição ax+ b = ay + b e, se a 6= 0, podemos subtrair b dos dois lados e depois dividir por a. Neste aso, provamos que x = y. Um exemplo de uma função que não é injetiva é a função f = {(x, y) : x, y ∈ R, y = x2}. Neste aso, teriamos que veri� ar se igualdade a2 = b2 32 CAPÍTULO 4. FUNÇÕES f é sobre f não é sobre Figura 4.2: Função sobre impli a em a = b, o que obviamente não o orre para ∀a, b ∈ R (podemos pensar no aso óbvio onde a = −1 e b = 1). Uma observação interessante, é que se a função fosse de�nida no onjunto dos números naturais, então o resultado seria diferente. Porque ? Com esta de�nição, podemos então a�rmar que: Seja f uma função. A relação inversa f−1 é uma função se e somente se f for injetiva. Neste aso, temos que domf = im f−1e im f = domf−1. A seguinte de�nição também é muito importante para entendermos vários resultados futuros: Sobre: Uma função f : A → B é dita sobre B desde que, para todo b ∈ B, exista um a ∈ A tal que f(a) = b, ou seja, im f = B. Em linguagem matemáti a: ∀b ∈ B, ∃a ∈ A, f(a) = b Portanto, para que a função seja sobre, todo elemento de B deve ter um orres- pondente em A, ou de forma mais direta, temos que a essar todos os elementos de B. Assim, dado f : A → B, para que f−1seja uma função é ne essário que f seja injetiva (um-a-um). Com isto, se f ainda for sobre B, então podemos a�rmar que f−1 : B → A. Neste aso: Bijeção: Seja f : A→ B. f é hamada de uma bijeção se é ao mesmo tempo injetiva e sobre. Exemplo: Sejam A o onjunto dos números inteiros pares e B o onjunto dos inteiros ím- pares. Vamos mostrar que f(x) = x + 1 é uma bijeção. Primeiro, vamos mostrar que f é um-a-um. Para isto, basta mostrarmos que x+ 1 = y + 1 4.1. COMPOSIÇ�O DE FUNÇÕES 33 e, des ontando 1 dos dois lados, mostramos que x = y. Para veri� armos se é sobre, temos que sele ionar um elemento de B, que pode ser es rito na forma genéri a omo y = 2k + 1. Por de�nição, um elemento de A pode ser es rito na forma x = 2k, tal que a função a ser estudada pode ser es rita na forma f(x) = x+ 1 = 2k + 1 que mostra que f é sobre e, portanto f é uma bijeção. Observem que se os onjuntos A e B forem �nitos, podemos estabele er as seguintes rela- ções: Prin ípio da Casa do Pombo: Sejam A e B onjuntos �nitos e seja f : A→ B. • Se |A| > |B|, então f não é um-a-um. • Se |A| < |B|, então f não é sobre. Isto é fá il de entender, pois se |A| > |B| então os primeiros b elementos de A serão levados para diferentes elementos de b. Após isto, não há elementos em B aos quais podemos apli ar os elementos restantes de A. Da mesma forma, se |A| < |B|, então sabemos que não existem elementos su� ientes em A para obrir todos os elementos em B. Tarefa: Domínio Contradomínio f um a um ? sobre ? Bijeção ? Z Z x→ x3 R R x→ x3 Z N x→ |x| Z Z x→ x2 ! Justi�que ada uma das a�rmações ! 4.1 Composição de Funções Sejam duas funções f : A → B e g : B → C. É possível de�nirmos uma função que mapeie diretamente de A para C, om notação (g ◦ f)(a) = g[f(a)], a ∈ A 34 CAPÍTULO 4. FUNÇÕES e que hamamos de omposição de g e f . Observem que a notação indi a que apli amos f(a) (f está mais próximo e a) e depois apli amos g no resultado desta operação. Ainda, temos que dom (g ◦ f)(a) = domf pois não estamos modi� ando a entrada do pro esso. O mais importante diz respeito ao a o- plamento entre f e g, pois a saída de f deve ser uma entrada válida para g. Isto pode ser garantido om im f ⊆ domg e, muito importante, devemos lembrar que (g ◦ f) 6= (f ◦ g). Vamos a dois exemplos: 1) Sejam f : Z → Z e g : Z → Z, om f(x) = x2 + 1 e g(x) = 2x − 3. Para al ularmos (g ◦ f)(4), pro edemos da seguinte forma: f(4) = (4)2 + 1 = 17 g(f(4)) = 2 ∗ 17− 3 = 31 ou, de modo geral (g ◦ f) = 2(x2 + 1)− 3 = 2x2 + 2− 3 = 2x2 − 1. 2) Com as mesmas funções do exemplo 1, podemos ver que (f ◦ g) = (2x− 3)2 + 1 = 4x2 − 12x+ 10 de modo que a omposição de funções não satisfaz a propriedade omutativa. No entanto, satisfaz a propriedade asso iativa. Propriedade Asso iativa: Sejam f : A→ B, g : B → C e h : C → D, então h ◦ (g ◦ f) = (h ◦ g) ◦ f Exemplo: Sejam A = {1, 2, 3, 4, 5}, B = {6, 7, 8, 9} e C = {10, 11, 12, 13, 14}. As funções f : A→ B e g : B → C são de�nidas por f : {(1, 6), (2, 6), (3, 9), (4, 7), (5, 7)} g : {(6, 10), (7, 11), (8, 12), (9, 13)} 4.1. COMPOSIÇ�O DE FUNÇÕES 35 f g a f(a) g(f(a)) g o f Figura 4.3: Composição de funções. então (g ◦ f) = {(1, 10), (2, 10), (3, 13), (4, 11), (5, 11)} onde utilizamos o seguinte ra io ínio:(1, 6) é um par de f na forma (a, b) que serve omo entrada para g que tem a forma (b, c). Assim, a omposição retorna um par na forma (a, (, c)) onde o b deve ser igual. Assim, b = 6 está presente em f nos pares (1, 6) e (2, 6), tal que isto gera duas saidas em g, pois temos (1, (, 10)) e (2, (, 10)). Um on eito muito Interessante é o de função identidade: Função Identidade em um onjunto: Seja A um onjunto. A função identidade em A é a função idA ujo domínio é A e satisfaz idA = {(a, a)∀a ∈ A} os seja, a imagem é sempre igual ao domínio. sendo que as seguintes propriedades são observadas Sejam dois onjuntos A e B e uma função f : A→ B, então f ◦ idA = idB ◦ f = f e Sejam dois onjuntos A e B e uma função f : A→ B que é um-a-um e sobre, então f ◦ f−1 = idB f−1 ◦ f = idA vamos a um exemplo para deixar estes on eitos mais laros. Exemplo: Considere os onjuntos A = {1, 2, 3} eB = {2, 4, 6} e a função f = {(1, 2), (2, 4), (3, 6)}, que nada mais é do que f = {(x, y) : x ∈ A, y ∈ B, y = 2x}. Neste aso, temos que idA = {(1, 1), (2, 2), (3, 3)} 36 CAPÍTULO 4. FUNÇÕES idB = {(2, 2), (4, 4), (6, 6)} e a inversa da função é tal que f−1 = {(2, 1), (4, 2), (6, 3)} = {(y, x) : y ∈ B, x ∈ A, x = y 2 }. Assim, ao apli armos as de�nições a ima, observamos que f−1 ◦ f = {(1, 1), (2, 2), (3, 3)} = idA f ◦ f−1 = {(2, 2), (4, 4), (6, 6)} = idB e f ◦ idA = {(1, 2), (2, 4), (3, 6)} idB ◦ f = {(1, 2), (2, 4), (3, 6)}. Devemos observar que as funções identidade podem ser de�nidas omo idA = {(x, x) : x ∈ A, x} idB = {(y, y) : y ∈ B, y} tal que f ◦ idA = f(x) = 2x idB ◦ f = y ◦ (2x) = 2x e f−1 ◦ cf = 1 2 (2x) = idA f ◦ f−1 = 2(y 2 ) = idB. Capítulo 5 RN Para ini iarmos os nossos estudos sobre espaços vetoriais, iremos abordar o RN . No RN os elementos são hamados de vetores e são formados por uma oleção de números reais, omo por exemplo (2, 1) no R2 ou (1, 2, 3) no R3 (que em duas e três dimensões permitem uma repre- sentação grá� a que já é de onhe imento de qualquer aluno de graduação). É importante que os on eitos aprendidos aqui sejam bem �xados, pois iremos re-utilizar estes on eitos quando formos estudar os espaços de funções, mais adiante. De maneira mais formal RN : RN é o onjunto das n-úplas ordenadas de números reais, na forma RN = {u = (u1, u2, u3, ....., uN) : ui ∈ R, i = 1, ..., N} Tendo em mente esta de�nição, podemos então de�nir um espaço vetorial sobre os reais, na forma: 37 38 CAPÍTULO 5. RN Espaço Vetorial sobre os reais: Um espaço vetorial V sobre os reais é um onjunto ujos elementos hamamos de vetores, om duas operações binárias: soma e multipli ação por um es alar, tais que: • u+ v = v + u, ∀u,v ∈ V • (u+ v) +w = u+ (v +w), ∀u,v,w ∈ V • ∃0 ∈ V : 0+ u = u, ∀u ∈ V • ∀u ∈ V, ∃v,u+ v = 0 • ∃1 ∈ V : 1u = u, ∀u ∈ V • (α + β)u = αu+ βu, ∀α, β ∈ R, ∀u ∈ V • α(βu) = (αβ)u∀α, β ∈ R, ∀u ∈ V • α(u+ v) =αu+ αv, ∀α ∈ R, ∀u,v ∈ V Como exer í io, podemos veri� ar todas as a�rmações a ima onsiderando R2 . De posse destas informações, podemos agora de�nir algumas operações de interesse no RN : Produto interno: Seja V espaço vetorial sobre os reais. Um produto interno é uma função de V × V → R, om notação u,v→ u · v ou < u,v > om as seguintes propriedades • u · u > 0, ∀u ∈ V,u 6= 0 • u · v = v · u, ∀u,v ∈V • (αu) · v = α(u · v), ∀α ∈ R, ∀u,v ∈ V • (u+ v) ·w = u ·w + v ·w, ∀u,v,w ∈ V sendo que no RN o produto interno an�ni o é de onhe imento geral, na forma u · v = u1v1 + ... + unvn mas isto não impli a na existên ia de somente esta implementação de produto interno. De fato, temos que uAv, onde A é uma matriz positivo-de�nida (vamos de�nir formalmente o este on eito mais para frente) de dimensões N × N , também gera uma operação que atende aos requisitos listados a ima. Por exemplo, (u1, u2) [ 5 −1 −1 5 ]( v1 v2 ) = 5v1u1 − u1v2 − u2v1 + 5u2v2 39 e a primeira propriedade (positividade), teria a forma u · u = 5u21 − 2u1u2 + 5u22 que é estritamente positiva para u 6= (0, 0). Assim, podemos dizer que no produto interno an�ni o, A assume a forma da identidade ( aso parti ular). Outro on eito importante é o de norma. A norma nada mais é do que uma �medida� de um elemento do espaço (vetor), sendo que, assim omo o produto interno, tem uma de�nição geral e seus asos parti ulares. Norma Dado um espaço vetorial V , uma norma é uma função de V → R, denotada por u → ‖u‖ e que satisfaz as seguintes ondições: • ‖u+ v‖ ≤ ‖u‖+ ‖v‖ , ∀u,v ∈ V (desigualdade triangular) • ‖αu‖ = α ‖u‖ ∀u ∈ V, ∀α ∈ R • ‖u‖ > 0, ∀u ∈ V,u 6= 0 e, quando um espaço vetorial tem uma norma asso iada, este é dito espaço normado (veremos isto em mais detalhes no apítulo sobre espaço de funções). Relembrando o R2, temos omo norma usual ‖u‖ = √ u21 + u 2 2 que satisfaz os requisitos listados na de�nição da norma. No entanto, podemos estender o on eito para ‖u‖P = ( N∑ i=1 |ui|P ) 1 P , p ∈ N∗, p par que gera a norma usual (também hamada de norma-2 ou ‖‖2) quando p = 2 e in�nitas normas. Um aso interessante é a norma om p→∞, também hamada de max, pois ‖u‖∞ = max1≤i≤N |ui| retornando o maior valor (em módulo) do vetor. É interessante notar que om o on eito de norma podemos de�nir o on eito de distân ia entre dois vetores, pois Distân ia Seja V um espaço vetorial normado e u,v dois elementos deste espaço. De�nimos omo a distân ia entre u e v o es alar d(u,v) = ‖u− v‖ 40 CAPÍTULO 5. RN Se um espaço é normado e tem produto interno de�nido, então a seguinte de�nição se apli a: Teorema 2. Seja V ∈ RN um espaço vetorial normado om produto interno. Então ‖u‖2 = √ u · u e veri� a-se a desigualdade de Cau hy-S hwartz |u · v| ≤ ‖u‖2 ‖v‖2 5.1 Bases Um on eito fundamental quando lidamos om espaços vetoriais é o on eito de Base, que está rela ionado ao on eito de vetores linearmente independentes. Assim, é interessante ini iarmos om alguns on eitos bási os: Combinação Linear: Sejam V ⊆ RN um espaço vetorial e u um membro deste espaço. Se u puder ser es rito na forma u = N∑ i=1 αivi onde αi ∈ R e vi ∈ V , então dizemos que u é obtido por meio de uma ombinação linear de outros membros do espaço. Vetores Linearmente Dependentes e Linearmente Independentes: Sejam dois elementos u e v ∈ V ⊆ RN . Se u não puder ser es rito por meio de uma ombinação linear de v então dizemos que u e v são linearmente independentes. Alternativamente, se u puder ser es rito por meio de uma ombinação linear de v, dizemos que u e v são linearmente dependentes. Conjunto Linearmente Dependente e Linearmente Independente: Seja V ⊆ RN um espaço vetorial e S um onjunto que ontém m elementos de V . Se nenhum elemento de S puder ser es rito por meio de uma ombinação linear dos outros elementos de S, então o onjunto é dito linearmente independente. Neste aso, temos que α1u1 + ....+ αmum = 0 se e somente se α1 = α2 = ... = αm = 0. Do ontrário, o onjunto é dito linearmente dependente. Span (Gerador): Seja V ⊆ RN um espaço vetorial e seja S = {u1,u2, ...,un} um onjunto de elementos de V . Se ada vetor em V puder ser es rito omo uma ombinação linear dos elementos de S, então dizemos que S spans V , ou S gera V . Alternativamente, podemos dizer que v = ∑ n i=1 αiui onde v ∈V . 5.1. BASES 41 Tendo em mente estes on eitos, podemos sele ionar um sub onjunto B de V , que seja line- armente independente. Por exemplo, no R2 temos omo vetores linearmente independentes o onjunto B = {(1, 0), (0, 1)}. Estes vetores são L.I, pois não é possível gerar (1, 0) =α(0, 1) para quaisquer valores de α ∈ R. No entanto, outros vetores de R2 podem ser obtidos a partir de uma ombinação linear de elementos de B, omo por exemplo: • (2, 4) = 2(1, 0) + 4(0, 1) • (33.5,−100) = 33.5(1, 0)− 100(0, 1). Assim, podemos veri� ar que o onjunto B ⊆ R2 ontém os elementos que servem para ons- truir quaisquer outros elementos de R2, de tal forma que B é onhe ido omo base do espaço R2(nesta aso parti ular, também hamada de base an�ni a) Base: Seja V ⊆ RN um espaço vetorial e B um onjunto de V . B é dito base de V se: • B é linearmente independente • B spans V É importante salientar que: • um espaço pode ter mais de uma base • a ardinalidade de B de�ne a dimensão do espaço • diferentes bases de um mesmo espaço terão a mesma ardinalidade Vamos a um exemplo: Utilizando o R2 por uma questão de simpli idade, podemos veri� ar que os onjuntos B1 = {(1, 0), (0, 1)} B2 = {(3, 1), (−2, 1)} são linearmente independentes, pois (1, 0) 6= α(0, 1), ∀α ∈ R (3, 1) 6= α(−2, 1), ∀α ∈ R e podemos gerar um dado elemento de R2 por meio de uma ombinação linear dos elementos de B1 ou de B2. Por exemplo, (7, 9) pode ser gerado por (7, 9) = α1(1, 0) + α2(0, 1) (7, 9) = β1(3, 1) + β2(−2, 1) 42 CAPÍTULO 5. RN tal que, para a primeira base podemos obter os oe� ientes diretamente, pois 7 = α1e 9 = α2 e, para a segunda base temos 7 = 3β1 − 2β2 9 = β1 + β2 uja solução é β1 = 5, β2 = 4. 5.2 Conjuntos abertos e fe hados em RN Antes de ini iarmos a de�nição de onjuntos abertos e onjuntos fe hados, pre isamos de�nir uma bola em RN . Vamos apresentar três de�nições distintas: Bola aberta em RN : Uma bola aberta de raio r e entro u é de�nida por Br(u) = {v ∈ RN : d(u,v) < r} Bola fe hada em RN : Uma bola fe hada de raio r e entro u é de�nida por Br(u) = {v ∈ RN : d(u,v) ≤ r} Esfera em RN : Uma esfera de raio r e entro u é de�nida por Br(u) = {v ∈ RN : d(u,v) = r} sendo que a úni a diferença está na desigualdade/igualdade. Estas de�nições nada mais são do que a espe i� ação de uma região no entorno de um ponto u, onde iremos onsiderar elemen- tos �vizinhos� v, de a ordo om alguma norma pré-de�nida. No que segue, iremos utilizar o on eito de bola aberta. O on eito de onjunto aberto e de fe hado ausa muita onfusão. Não devemos pensar em uma aixa aberta ou fe hada, mas sim respeitar as de�nições que serão apresentadas a seguir: Conjunto Aberto: Um onjunto G ⊆ RN é aberto em RN se para todo o u ∈ G existe ǫ > 0 real tal que Bǫ(u) ⊆ G Ou seja, um onjunto é aberto se qualquer ponto deste onjunto pode ser pertur- 5.2. CONJUNTOS ABERTOS E FECHADOS EM RN 43 bado por uma quantidade in�nitesimal ǫ em qualquer direção e ainda ontinuar no onjunto (a bola toda deve estar ontida no onjunto). Como exemplo, vamos onsiderar o onjunto A = {x : x ∈ (0, 1)}. Se de�nirmos uma bola de raio ǫ em uma posição genéri a x teremos Bǫ(x) = (x − ǫ, x + ǫ). Agora vamos imaginar que ǫ tem valores na faixa min{x 2 , 1− x 2 } então, se nos aproximarmos de zero, teremos Bǫ(x→ 0) = (x− x2 , x+ 1− x2 )→ (0, 1) ∈ A. Outro exemplo: I = {x : x ∈ [0, 1]}. Se de�nirmos uma bola de raio ǫ em uma posição genéri a x teremos Bǫ(x) = (x− ǫ, x+ ǫ). Agora vamos imaginar que estamos em x = 0 e que perturbamos em ǫ genéri o. Termos um intervalo (−ǫ, ǫ) sendo que o extremo esquerdo deste intervalo não está ontido em I. O onjunto RN é aberto pois omo se extende ao in�nito, sempre podemos olo ar uma bola que onterá pontos no RN Assim, para intervalos unidimensionais é fá il de ver que se o intervalo for aberto, então é possível hegar arbitrariamente perto do extremo aberto e ainda de�nir uma bola in�nitesimal que esteja ontida no intervalo. Se o intervalo for fe hado, então podemos nos posi ionar exatamente sobre o extremo e mostrar que uma bola entrada neste ponto terá pontos fora do intervalo. É interessante notar que o onjunto vazio ∅ é aberto (por va uidade, pois se não tem pontos, então não podemos de�nir a noção de uma bola). Complemento de um Conjunto: O omplemento ∁(V ) de um onjunto é de�nido por ∁(V ) = RN\V = {u ∈ RN : u 6= F} e, omo exemplo, podemos itar ∁(I) = (−∞, 0) ∪ (1,∞), para I = [0, 1] e ∁(A) = (−∞, 0] ∪ [1,∞), para A = (0, 1). Dois omplementos interessantes são: ∁(∅) = RN e ∁(RN) = ∅. Conjunto Fe hado: Um onjunto F ⊆ RN é fe hado em RN se seu omplemento é aberto Assim, onsiderando os exemplos om os quais estamos trabalhando, observamos que 1) O omplemento de A não é aberto, pois se posi ionarmos a bola em 0] ou em [1 teremos um pedaço da bola aberta fora do omplemento (dentro de A). Assim, A não é fe hado; 2) O omplemento de I é aberto, pois é possível posi ionar a bola em qualquer ponto do omplemento e garantir que a bola estara ontida no omplemento (não possuirá pontos em I). Assim, I é fe hado. 44 CAPÍTULO 5. RN Interessante notar que um onjunto pode ser aberto e fe hado ao mesmo tempo. Por exem- plo, ∅ é aberto e é fe hado (pois o seu omplemento é aberto). Da mesma forma, RN também tem omplemento aberto, sendo portanto fe hado. Um onjunto pode não ser aberto e nem fe hado. Em exemplo seria o onjunto E = {x : x ∈ (0, 1]}. Este onjunto não é aberto, pois podemos posi ionar a bola aberta em 1 e, om isto, ter pontos da bola fora de E. O interessante é que o omplemento de E, ∁(E) = (−∞, 0] ∪ (1,∞) também não é aberto, pois podemos olo ar uma bola em 0 e ela onterá pontos de E. Assim, E não é aberto e nem fe hado. Vizinhança, Ponto interior, ponto de fronteira e exterior: Sejam u ∈ RN e A ⊆ RN : • Uma vizinhança de u é um onjunto que ontém um sub onjunto aberto que ontenha u • u é um ponto interior de A se existe uma vizinhança de u ontida em A • u é um ponto de fronteira de A se toda a vizinhança de uestá ontida em A e em seu omplemento • u é um ponto exterior de A se existe uma vizinhança de u ontida em ∁(A) Tal que podemos estabele er que se um onjunto I é aberto, então: • todos os seus pontos são interiores • I é uma vizinhança de todos os seus pontos • I não ontém pontos de fronteira e, se F é um onjunto fe hado, então: • F ontém todos os seus pontos de fronteira. Ponto de A umulação: Um ponto u ∈ RN é um ponto de a umulação de S ⊆ RN se toda vizinhança Bǫ(u) ontém pelo menos um ponto de S diferente de u. Como exemplo, podemos onsiderar: • um onjunto S ⊆ R limitado superiormente om u = sup S /∈ S. Neste aso, ué ponto de a umulação de S, uma vez que existem ǫ > 0 e v ∈ S tal que v ∈ (u− ǫ,u+ ǫ); 5.2. CONJUNTOS ABERTOS E FECHADOS EM RN 45 • um onjunto A de�nido pelo intervalo (0, 1). Neste aso, qualquer ponto no intervalo [0, 1] é ponto de a umulação de A (observe que um ponto fora do onjunto pode ser de a umulação); • N = {0, 1, 2, 3, 4, 5, ....} não tem ponto de a umulação, pois podemos onsiderar uma bola om entro em qualquer número e olo ar um raio pequeno o su� iente para onter apenas o entro da bola (lembrem-se que estamos trabalhando om números inteiros positivos e, portanto, 0.00001 não faz parte de N; • De modo geral, podemos a�rmar que onjuntos �nitos ( om número limitado de elemen- tos) não possuem ponto de a umulação, pois podemos de�nir uma vizinhança (real) que não ontenha pontos do onjunto; • Z não tem ponto de a umulação (embora seja in�nito, omo o N); • O onjunto (2, 3)∪{4} tem omo pontos de a umulação [2, 3], pois podemos olo ar uma vizinhança em torno de {4} que não inter epte pontos do onjunto (além do 4) Desta forma, podemos de�nir o on eito de Conjunto Fe hado de uma forma alternativa Conjunto Fehado (de�nição alternativa) Um onjunto F ⊆ RNé fe hado se e somente se ontém todos os seus pontos de a umulação. Teorema 3. Bolzano-Weierstrass no RN Todo sub onjunto ini�nito e limitado de RN tem pelo menos um ponto de a umulação. onde devemos observar que o sub onjunto será limitado se for limitado superiormente E inferior- mente. Este teorema pare e meio óbvio se olharmos o exemplo que foi dis utido anteriormente: um onjunto S ⊆ R limitado superiormente om u = sup S /∈ S. Neste aso, u é ponto de a umulação de S. O mesmo pode ser dito para o inf S. Vamos analizar novamente os nossos exemplos: • Z é in�nito, mas é ilimitado (não tem limite superior e nem inferior); • A = (0, 1) ∪ {2, 3, 4, 5, .....} é in�nito mas não é limitado superiormente. O teorema não pode a�rmar nada sobre este aso, mas podemos observar que [0, 1] são pontos de a umulação !! • A = {1, 2, 3} é �nito e, portanto, não tem pontos de a umulação. 46 CAPÍTULO 5. RN Capítulo 6 Espaços Vetoriais Todos os on eitos aprendidos om o RN podem ser estendidos para espaços mais gerais, onde os membros (vetores) são funções. Embora possa pare er algo muito vago em um primeiro momento (pois estamos a ostumados a pensar em vetores omo �e has no R2 ou no R3 este on eito é muito útil para todas as nossas apli ações em me âni a omputa ional. Como exemplo, vamos pensar em um onjunto de polin�mios, na forma P = {1 + x2, 3x+ 4x3, 6− 3x+ 2x2 + x3}. O onjunto P ontém elementos, que são polin�mios na forma a+bx+cx2+dx3 e é laro que P é um sub onjunto de todos os polin�mios de ter eiro grau que existem (espaço de polin�mios). A base para P é formada por um onjunto B = {1, x, x2, x3} e, por exemplo, 1 + x2 = 1(1, 0, 0, 0) + 0(0, x, 0, 0) + 1(0, 0, x2, 0) + 0(0, 0, 0, x3). Observem que a base deste espaço tem ardinalidade 4, embora existam inúmeros polin�mios dentro deste espaço. Um outro exemplo que justi� a o estudo de espaços de funções vem da solução de uma equação diferen ial, na forma d2u dx2 − k2u = 0, k > 0 onde x ∈ [0, 1]. Como sabemos, a solução da equação diferen ial é uma família de funções u(x) que satisfaz a equação diferen ial para ∀x ∈ [0, 1]. Esta família de funções gera um espaço de funções, que podem ser es ritas a partir de um onjunto de funções base. Aqui, sabemos que u(x) deve fazer parte de um espaço V , que ontém funções duas vezes diferen iáveis no intervalo [0, 1]. Este onjunto é dado por B = {ekx, e−kx} tal que qualquer elemento de V (solução da eq. diferen ial) terá a forma u(x) = α1e kx + α2e −kx . Da mesma forma que no RN , podemos estender o on eito de norma para espaços de funções, na forma 47 48 CAPÍTULO 6. ESPAÇOS VETORIAIS ‖u‖p = (∫ |u|p ) 1 p onde u são funções mensuráveis e p ≥ 1. Estas normas são onhe idas omo Normas de Lebesgue. Outas normas são possíveis, omo por exemplo a família de normas de Sobolev: ‖u‖m,p = ∫ Ω ∑ |α|≤m |Dαu|p 1 p e, omo exemplo, podemos de�nir a norma ‖u‖1,2 em Ω ∈ [0, 1]× [0, 1] ‖u‖m,p = [∫ 1 0 ∫ 1 0 [ |u|2 + ∣∣∣∣dudx ∣∣∣∣2 + ∣∣∣∣dudy ∣∣∣∣2 ] dxdy ]1 2 e podemos veri� ar que se m = 0 a norma de Sobolev se iguala a norma de Lebesgue. Deve-se enfatizar que estas normas são de�nidas para apli ações distintas. Assim, normas de Sobolev são ne essárias para des revermos espaços de funções e derivadas su� ientemente ontínuas para alguma apli ação, omo por exemplo na solução de equações diferen iais par iais. Como exer í io, imagine o R2 equipado om normas Lp para p igual a 1, 2 e ∞ e desenhe um � ír ulo� de raio 1 em torno da origem (lembrem-se que p = ∞ impli a em sele ionar o maior valor). Lembre-se que o raio é sempre uma distân ia (asso iada a norma) que depende das oordenadas do ponto em relação a origem ( entro do ír ulo). Desta forma, onhe endo o espaço vetorial de solução do nosso problema e as propriedades dos operadores envolvidos, saberemos tudo sobre as suas propriedades (se tem solução, quantas tem, estrategias de solução, et ...). 6.1 Transformações Lineares e Fun ionais A relação entre elementos de dois onjuntos foi de�nida omo uma função. Observem que desde o iní io da nossa matéria, o on eito de elemento tem sido estendido. Atualmente, estamos onsiderando onjuntos ujos elementos são funções e iremos agora de�nir relações entre funções. Um exemplo seria a seguinte equação diferen ial: − d dx ( a du(x) dx ) = f(x) onde a e f(x) são onhe idos e u(x) deve ser en ontrado. Uma outra maneira de es rever esta equação diferen ial é na forma T (u) = f 6.1. TRANSFORMAÇÕES LINEARES E FUNCIONAIS 49 ou T : U → V que pode ser lida omo: T = − d dx ( a d dx ) é um operador que rela iona o espaço de funções que ontém u, U, om o espaço de funções que ontém f , V . Assim, se onhe ermos as proprieda- des do operador, podemos estudar a solução de equações de forma mais geral. Vamos estudar algumas de�nições pertinentes: Transformação Linear: T é uma transformação linear de um elemento no espaço U em um elemento do espaço V se ada elemento u ∈ U orresponde a um elemento v ∈ V e se as seguintes propriedades são observadas: • T (αu) = αT (u) ∀u ∈ U, ∀α ∈ R, homogêneo • T (u1 + u2) = T (u1) + T (u2), ∀u1,u2 ∈ U , aditivo e, se T1 e T2 são duas transformações lineares, T1T2 também será uma transformação linear (pense em omposição de funções). É interessante notar que podemos re-utilizar todos os on eitos que aprendemos om fun- ções e estender para o on eito de operador. Por exemplo, os on eitos de domínio e de imagem são análogos, bem omo a de um-a-um (injetivo). No entanto, ostumamos hamar um opera- dor injetivo de um monomor�smo (para ada u temos um v distinto) e "sobre"ou sobrejetivo assume a onotação de epimor�smo (todo V é utilizado). Neste ontexto, se o operador for um monomor�smo E um epimor�smo, então ele é dito um isomor�smo (bijeção) e, portanto, é possível de�nir um operador inverso. Vamos apresentar algumas de�nições adi ionais: Nú leo de uma transformação (Kernel): O nú leo de uma transformação (também onhe ido omo espaço nulo) é dado por ℵ(T ) = {u : u ∈ U, T (u) = 0} Exemplo: Vamos onsiderar a transformação T : U → V tal que T (u) = u1 + u2. O nú leo desta transformação é de�nido por ℵ(T ) = {u ∈ U : u1 + u2 = 0} tal que elementos que tenham a estrutura (−u2, u2) 50 CAPÍTULO 6. ESPAÇOS VETORIAIS ompõe o nú leo desta transformação. Desta forma, v = (−1, 1) é base do nú leo de T . Transformação Linear: Uma transformação Linear T : U → V é um-a-um (monomor�smo) se e somente se o espaço nulo é trivial, isto é, ℵ(T ) = {0}. Exemplo: Conforme já dis utido, um operador um-a-um é aquele que gera saídas distintas para entradas distintas. Desta forma, o operador do exemplo anterior não é um monomor�smo e uma maneira de testar por isto é veri� ar a estrutura do espaço nulo. Conforme visto no exemplo, o espaço nulo neste aso não é trivial. Exemplo: Vamos onsiderar a transformação linear T : U → V tal que T (u) = 7u. Neste aso, ℵ(T ) = {u ∈ U : u = 0} A dimensão do subespaço ℜ(T ) = Im (T ) ⊆ V é hamada de Rank da transformação T : U → V Exemplo: Do segundo exemplo a ima temos que U eV ⊆ RN , O Rank da transformação será da dimensão N (dimensão de V ). A dimensão do espaço nulo é hamada de nullity de T . A soma do rank om o nullity é igual a dimensão de U Exemplo: Ainda om o mesmo exemplo, temos que o Rank de T é N e o nullity é zero. Exemplo: Voltando a transformação T : U → V tal que T (u) = u1 + u2, temos que o rank da transformação é igual a 1 e que a dimensão do espaçonulo é 1 (um parâmetro a). U orresponde ao R2, o que está de a ordo om a de�nição. 6.2 Transformação Linear de Espaços Finito Dimensionais Sejam U e V dois espaços �nito dimensionais e T : U → V uma transformação linear. Se {φ1,φ2, ....,φn} é base de U e {ϕ1,ϕ2, .....,ϕm} é base de V , podemos es rever qualquer mem- bro de U e V na forma u = n∑ i=1 αiφi v = m∑ j=1 βjϕj 6.2. TRANSFORMAÇ�O LINEAR DE ESPAÇOS FINITO DIMENSIONAIS 51 e, para ada u e v, temos que T (u) = v pode ser es rito na forma T (u) = n∑ i=1 αiT (φi) = m∑ j=1 βjϕj , e, omo T (φi) ∈ V, podemos es rever T (φi) = m∑ j=1 tjiϕj tal que m∑ j=1 βjϕj − n∑ i=1 αi ( m∑ j=1 tjiϕj ) = 0 ou m∑ j=1 ( βj − n∑ i=1 tjiαi ) ϕj = 0 que pode ser es rita na forma matri ial β = Tα onde T é uma matriz de dimensões m × n, ontendo os termos tji. Baseados nesta dedução, podemos veri� ar que: • A transformação entre dois espaços vetoriais �nitos pode ser representada pela apli ação do operador T nas bases de ada espaço; • A matriz T é a forma �nito dimensional (dis reta) do operador T Estes resultados são utilizados a todo instante na me âni a omputa ional, pois trabalhamos om espaços �nito dimensionais para representar modelos dis retos de problemas ontínuos (in�nito dimensionais). Vamos apresentar dois exemplos bem simples: Exemplo 1: Seja U o espaço dos polin�mios de ter eiro grau e V o espaço dos polin�mios de primeiro grau. Embora existam in�nitos polin�mios de primeiro e ter eiro graus, as suas bases são �nitas, tendo a forma φ = {1, x, x2, x3} ϕ = {1, x} tal que um elemento de U tem a forma genéri a u = ∑4 i=1 αiφi = α1 + α2x + α3x 2 + α4x 3 (n = 4) e um elemento de V tem a forma genéri a v = ∑2 j=1 βjϕj = β1 + β2x (m = 2). 52 CAPÍTULO 6. ESPAÇOS VETORIAIS Um operador linear que mapeia (transforma) entre U e V é o operador diferen ial D = d2 dx2 e, portanto, D : U → V signi� a que D ( 4∑ i=1 αiφi ) = 2∑ j=1 βjϕj e, omo o operador D é linear, podemos passar para dentro do somatório em i, tal que 4∑ i=1 αiD(φi) = 2∑ j=1 βjϕj e omo D(φi) ∈ V, podemos es rever D(φi) = 2∑ j=1 djiϕj signi� ando que estamos es revendo este resultado na base de V . Vamos avaliar D(φi) para i = 1..4, ou seja, {1, x, x2, x3}: D(φ1) = D(1) = 0 D(φ2) = D(x) = 0 D(φ3) = D(x 2) = 2 D(φ4) = D(x 3) = 6x mas omo queremos es rever estes termos na base de V , observamos que D(φ1) = d11 ∗ 1 + d21 ∗ x = 0 ∗ 1 + 0 ∗ x D(φ2) = d12 ∗ 1 + d22 ∗ x = 0 ∗ 1 + 0 ∗ x D(φ3) = d13 ∗ 1 + d23 ∗ x = 2 ∗ 1 + 0 ∗ x D(φ4) = d14 ∗ 1 + d24 ∗ x = 0 ∗ 1 + 6 ∗ x tal que 4∑ i=1 αiD(φi) = 2∑ j=1 βjϕj pode ser es rito omo α1 (0 ∗ 1 + 0 ∗ x) + α2 (0 ∗ 1 + 0 ∗ x) + α3 (2 ∗ 1 + 0 ∗ x) + α4 (0 ∗ 1 + 6 ∗ x) = β1 ∗ 1 + β2 ∗ x 6.2. TRANSFORMAÇ�O LINEAR DE ESPAÇOS FINITO DIMENSIONAIS 53 de onde observamos que ada termo da base de V pode ser olo ado em evidên ia: ϕ1 → α1 ∗ 0 + α2 ∗ 0 + α32 + α40 = β1 ϕ2 → α1 ∗ 0 + α2 ∗ 0 + α30 + α46 = β2 ou, na forma matri ial [ 0 0 2 0 0 0 0 6 ] α1 α2 α3 α4 = { β1 β2 } . tal que D = [ 0 0 2 0 0 0 0 6 ] é a forma dis reta do operador diferen ial que mapeia U em V . De fato, se onsiderarmos o polin�mio p(x) = 7 + 2x+ 15x2 − 0.5x3 e realizarmos a operação D : U → V, obteremos [ 0 0 2 0 0 0 0 6 ] 7 2 15 −0.5 = { 30 −3 } ou seja, o polin�mio v = 30− 3x. Exemplo 2: Dado um vetor u = (x1, x2, x3) no R 3 , podemos apli ar uma rotação em torno do eixo 3 para obter um novo vetor v = (x ′ 1, x ′ 2, x ′ 3). Esta transformação, também onhe ida omo rotação, é do tipo R : R3 → R3 e tem a forma R(x1, x2, x3) = (x1 cos(θ)− x2 sin(θ), x1 sin(θ) + x2 cos(θ), x3). Como sabemos que as bases do R3 formam o onjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, se seguirmos o ra io ínio apresentado no exemplo anterior, veri� amos que o operador dis reto asso iado a esta transformação pode ser obtido om R(1, 0, 0) = (cos(θ), sin(θ), 0) R(0, 1, 0) = (− sin(θ), cos(θ), 0) R(0, 0, 1) = (0, 0, 1) 54 CAPÍTULO 6. ESPAÇOS VETORIAIS tal que R = cos(θ) − sin(θ) 0sin(θ) cos(θ) 0 0 0 1 . De fato, cos(θ) − sin(θ) 0sin(θ) cos(θ) 0 0 0 1 x1 x2 x3 = x1 cos(θ)− x2 sin(θ) x1 sin(θ) + x2 cos(θ) x3 . TAREFA: Veri�que se as transformações dos exemplos a ima tem inversa e, se tiverem, deduza a forma dis reta do operador. TAREFA: Seja o operador, já na forma dis reta, T = 1 0 00 1 0 0 0 0 tal que T : R3 → R3. Qual é o kernel deste operador ? Exemplo: Um polin�mio úbi o tem a forma p(x) = a0 + a1x+ a2x 2 + a3x 3 e é membro de um espaço de dimensão 4, pois esta é a ardinalidade de sua base U = {1, x, x2, x3}. Vamos hamar este espaço de P . Na forma matri ial, temos p = [1, x, x2, x3] a0 a1 a2 a3 = Ua onde diferentes valores de a ara terizam elementos distintos do espaço (pensem nas omponen- tes de um vetor) e U é formado por olunas que possuem vetores linearmente independentes. Observem que uma oisa é o vetor (elemento do espaço dos polin�mios úbi os) p ∈ P e outra oisa é um dado valor que p(x) assume para um valor de x, que é um valor real. Isto � a laro se es revermos a relação p(s) = C(s)p onde C(s) é hamado de operador de avaliação em s e é um fun ional linear em P , pois mapeia p para um número real. Assim, p(s) = C(s)Ua = [1, s, s2, s3] a0 a1 a2 a3 . 6.3. MUDANÇA DE BASE 55 É interessante notar que existem problemas práti os onde temos os valores p(s) e queremos determinar quais são os polin�mios p que estão asso iados a estes valores. Assim, vamos assumir que temos 4 valores distintos de s e seus orrespondentes p(s) onhe idos. Portanto, [1, si, s 2 i , s 3 i ] a0 a1 a2 a3 = p (si) , i = 1..4 forma um sistema de equações na forma E(S)a = v onde S = {s1, s2, s3, s4} e v = {p (s1) , p (s2) , p (s3) , p (s4)} são vetores oluna e E é a matriz onde ada linha ontém os valores das bases avaliadas em um dos pontos onhe idos. Portanto, ao realizarmos a operação a = E−1(S)v estamos realizando um pro edimento de interpolação (re uperação de uma função a partir de um onjunto de valores) e o operador E−1 é hamado de Interpolação de Lagrange. 6.3 Mudança de Base Se um espaço pode ter mais de uma base e se espaços �nito dimensionais admitem uma re- presentação matri ial, então é interessante investigar omo podemos rela ionar as bases de um determinado espaço. De forma geral, podemos de�nir uma operação T : u∆ → uΦ, u∆,uΦ ∈V onde u∆ = ∑N i=1 αiδi é des rito na base ∆ e uΦ = ∑N j=1 βjφj é des rito na base Φ. Enfatiza-se que o elemento é um só, estando somente des rito em bases diferentes. Assim, T ( N∑ i=1 αiδi ) = N∑ j=1 βjφj impli a em N∑ i=1 αiT (δi) = N∑ j=1 βjφj e, omo T (δi) mapeia para a base Φ, podemos es rever esta equação na forma N∑ i=1 αi N∑ j=1 rjiφj = N∑ j=1 βjφj 56 CAPÍTULO 6. ESPAÇOS VETORIAIS ou, na forma matri ial r11 ... r1N . . . . . . . . . rN1 ... rNN T α1 . . . αN = β1 . . . βN (6.1) onde R é um operador que transforma os oe� ientes utilizados para representar um elemento
Compartilhar