Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Regional do Noroeste do Estado do Rio Grande do Sul DCEEng – Departamento de Ciências Exatas e Engenharias Disciplina do NCT Nome: ______________________________________________________ Professora: Vanessa Faoro Email: vanessa.faoro@unijui.edu.br 20 semestre de 2017. mailto:vanessa.faoro@unijui.edu.br 2 CONTEÚDO PROGRAMÁTICO: 1. MATRIZES 2. SISTEMAS LINEARES 3. ESPAÇOS VETORIAIS 4. TRANSFORMAÇÕES LINEARES 5. NÚMEROS COMPLEXOS 6. AUTOVALORES E AUTOVETORES CRONOGRAMA DAS ATIVIDADES: DATA DESCRIÇÃO DO DESENVOLVIMENTO DA AULA 02/08/2017 Apresentação do plano de ensino; Informações gerais sobre o componente; Estudo de Matrizes; Resolução de Exemplos e exercícios. 09/08/2017 Retomada da aula anterior. Estudo de Matrizes e suas operações; Resolução de Exemplos e exercícios. 16/08/2017 Retomada da aula anterior. Estudo de matrizes, determinantes e inversa; Resolução de Exemplos e exercícios. 23/08/2017 Retomada da aula anterior. Estudo de sistemas lineares; Resolução de Exemplos e exercícios. 30/08/2017 Retomada da aula anterior. Estudo de sistemas lineares homogêneos. Estudos de revisão para a primeira avaliação. 06/09/2017 Prova individual sem consulta no valor de 20 pontos. 13/09/2017 Entrega e discussão da avaliação. Estudo de espaços vetoriais; Resolução de Exemplos e exercícios. 27/09/2017 Evento Institucional - Salão do Conhecimento. 04/10/2017 Estudo de espaços vetoriais; Resolução de exemplos e exercícios. 11/10/2017 Retomada da aula anterior. Estudo de espaços vetoriais; Resolução de exemplos e exercícios. 18/10/2017 Retomada da aula anterior. Estudo de espaços vetoriais; Estudo de transformações lineares; Resolução de exemplos e exercícios. 25/10/2017 Retomada da aula anterior. Estudo de transformações lineares; Resolução de exemplos e exercícios. 01/11/2017 Estudo de transformações lineares; Resolução de exemplos e exercícios. Estudos e revisão para a segunda prova. Questões avaliativas (10 pontos). 08/11/2017 Prova individual sem consulta no valor de 20 pontos. 22/11/2017 Entrega e discussão da segunda prova. Estudo de Números complexos; Resolução de exemplos e exercícios. 29/11/2017 Retomada da aula anterior. Estudo de autovalores e autovetores; Resolução de Exemplos e exercícios. 06/12/2017 Aula de estudos e revisão geral para a avaliação final. 13/12/2017 Avaliação sistematizadora de 50 pontos. Os instrumentos a serem utilizados serão: - atividade avaliativa realizadas conforme o cronograma - 10 pontos; - duas avaliações individuais parciais - 40 pontos; - prova individual de sistematização - 50 pontos BIBLIOGRAFIA BÁSICA: ANTON, H.; RORRES, C. Álgebra linear com aplicações. Porto Alegre: Bookman, 2006. BOLDRINI, J. L. et al. Álgebra linear. São Paulo: Harper e Row do Brasil, 1980. STEINBRUCH, A. Álgebra linear. São Paulo: Makron Books, 2007. BIBLIOGRAFIA COMPLEMENTAR: CALLIOLI, Carlos A. Álgebra linear e aplicações. São Paulo: Atual, 1997. LEON, Steven J. Álgebra Linear com aplicações. Rio de Janeiro: LTC, 2011. LAY, David C. Álgebra linear e suas aplicações. Rio de Janeiro: LTC, 1999. NOBLE, B.; DANIEL, J. W. Álgebra linear aplicada. Rio de Janeiro: Prentice- Hall do Brasil, 1986. POOLE, David. Álgebra linear. São Paulo: Thomson Pioneira, 2004. 3 1. MATRIZES Quando um problema que envolve um grande número de dados, a disposição destes numa tabela de dupla entrada propicia uma visão global do mesmo. As tabelas assim formadas são chamadas matrizes. Os conceitos básicos sobre matrizes aparecem naturalmente na resolução de muitos tipos de problemas e são essenciais, não apenas porque eles “ordenam e simplificam” o problema, mas também porque fornecem novos métodos de resolução. Considere a tabela abaixo, onde colocamos os estoques dos livros de Matemática, Administração, Física e Engenharia, publicados pela editora MM, nas livrarias A, B e C. LIVRARIAS MATÉRIAS MATEMÁTICA ADMINISTRAÇÃO FÍSICA ENGENHARIA LIVRARIA A 15 10 7 8 LIVRARIA B 10 8 9 12 LIVRARIA C 5 4 2 4 A tabela nos mostra que: A livraria A possui um estoque de 15 livros de Matemática; observe que esse número encontra-se na 1ª linha (linha da livraria A) e na 1ª coluna (coluna dos livros de Matemática). A livraria C possui um estoque de 4 livros de Administração; esse número encontra-se na 3ª linha (linha da livraria C) e na 2ª coluna (coluna dos livros de Administração). Note que estamos chamando as filas horizontais de linhas e as filas verticais de colunas. A tabela acima possui 3 linhas e 4 colunas e constitui um exemplo de matriz 3 x 4 (lê-se três por quatro), onde o número 3 representa o número de linhas e o número 4 representa o número de colunas. Uma tabela desse tipo, no estudo de matrizes, é geralmente representada por uma das formas: 4245 129810 871015 ou 4245 129810 871015 ou 4245 129810 871015 Definição Uma matriz é um arranjo retangular de números variáveis, cada um tendo um lugar ordenado dentro da matriz. Os números ou variáveis chamados elementos da matriz. Os números em cada fila horizontal são chamados linhas; os números em cada fila vertical são chamados colunas. O número de linhas (m) e o número de colunas (n) definem as dimensões da matriz (m x n) que se lê “m por n”. Uma matriz A(m x n) é uma tabela de m.n elementos, que podem ser números, polinômios, funções, matrizes, ..., dispostos em m linhas e n colunas. 4 1.1 Representação Genérica de uma matriz. Representaremos uma matriz de “m” linhas e “n” colunas por: mxn n n m m m mn mxn ijA a a a a a a a a a a a a a 11 12 13 1 21 22 23 2 1 2 3 .... .... .... .... .... .... .... .... , i = linha e j = coluna. Exemplos. Escreva as matrizes abaixo: a) A=(aij)2x3, onde aij=-i+3j; b) B=(bij)3x3, onde bij=i/j; 1.2 Tipos de Matrizes 1) Matriz Quadrada: é aquela cujo número de linhas é igual ao número de colunas (m = n). EX.: 43 32 A 2) Matriz Diagonal: é uma matriz quadrada cujos elementos fora da diagonal são todos nulos,. EX.: 33 300 000 002 x A 5 3) Matriz Escalar: é uma matriz diagonal, cujos elementos sobre a diagonal são iguais, ou seja, os elementos da diagonal principal são todos iguais. EX.: c c c 00 00 00 c 0 33 200 020 002 x A 4) A Matriz identidade (ou unidade) é um caso particular de matriz escalar, quando c = 1. (Sempre é Matriz Quadrada). Matriz Identidade é uma matriz quadrada. EX.: 22 2 10 01 x I , , 100 010 001 33 3 x I 5) Matriz Triangular Superior: é uma matriz quadrada, cujos elementos abaixo da diagonal são nulos,. EX.: 22 33 10 35 , 300 400 132 x x BA 6) Matriz Triangular Inferior: é uma matriz quadrada, cujos elementos acima da diagonal são nulos. Ex.: 33 206 041 002 x A , 22 14 03 x B 7) Matriz Nula: é uma matriz cujos elementos são todos nulos. Ex.: 0 = )( 0000 0 000 000 nxm 8) Matriz Coluna (ou vetor coluna): é uma matriz formada por uma única coluna. A ordem dessa matriz é mx1. Ex.: )13( 3 1 2 x A 9) Matriz Linha (ou vetor linha): é a matriz formada por uma única linha. A ordem dessa matriz é 1x n. Ex.: )41( 6541 x B 6 Em uma matriz, cada número ocupa uma posição definida por sua linha e por sua coluna,nessa ordem. 33 206 041 002 x A 10) Matriz Transposta: chamamos de matriz transposta de uma matriz A, a matriz que é obtida a partir de A, trocando-se ordenadamente suas linhas por colunas. Se escreve AT. Definição: A transposta de A é obtida trocando a posição relativa das linhas e das colunas de A. Ex.: A= 23 41 30 12 x At = 32 431 102 x Exemplo, dada a matriz A e B, encontrar a matriz transposta e mostre que TTT BABA 50 12 A e 27 03 B 1a coluna 2a coluna 3a coluna 3a linha 1a linha 2a linha 7 Propriedades: Se r é um escalar e A e B são matrizes, então (a) A transposta da transposta de uma matriz dada é igual à matriz dada: (A t ) t = A (b) A transposta da soma de duas matrizes é a soma das matrizes transpostas: (A + B) t = A t + B t (c) (rA) t = rA t (d) A transposta do produto de duas matrizes é o produto das transpostas na ordem inversa: (AB) t = B t A t OBS.: Se A é uma matriz simétrica, At = A. Se A é uma matriz anti-simétrica, At = -A. 11) Matriz Simétrica: é uma matriz quadrada cujos elementos equidistantes da diagonal principal são iguais. Uma matriz A de ordem n denomina-se matriz simétrica, quando A = AT Exemplos: S = ST = 789 835 951 )33( 340 431 012 x A 12) Matriz Anti-Simétrica: é uma matiz quadrada cujos elementos equidistante da diagonal principal são opostos. A diagonal principal deve sempre ser zero. A = -AT ou AT = -A Exemplo: D = 089 805 950 013 102 320 A 13) Matriz Oposta: chamamos de matriz oposta de A, a matriz obtida a partir de A, trocando- se o sinal de todos seus elementos. Escreve-se -A. 14) Matriz Ortogonal: Uma matriz A cuja a inversa coincide com a transposta é denominada ortogonal, ou seja 1T AA . 1.3 Igualdade de Matrizes Duas matrizes A e B, de mesma ordem são iguais se, e somente se, todos os elementos que ocupam a mesma posição são idênticos. 8 Exemplos: 1) Determine os números reais x e y tais que: 13 85 3 82 yx yx . 2) Determine o valor de x e y . Onde A = B 23 11 42 2xA B = 23 81 442y 1.4 Operações com Matrizes 1.4.1 Adição de Matrizes Situação- Problema: Uma empresa é formada pelas lojas A e B, concessionárias de automóveis. Realizando um estudo sobre a aceitação de dois novos modelos de veículos nos quatro primeiros dias de janeiro, foram obtidos os resultados. 3521 5132 A 5424 3203 B sendo que: 1) a matriz A descreve o desempenho da loja A, de modo que cada elemento ija é o número de unidades vendidas do modelo i no dia j; por exemplo, o elemento a23 = 5 informa que foram vendidas cinco unidades do modelo 2 no dia 3. 2) A matriz B descreve o desempenho da loja B, de modo que cada elemento bij é o número de unidades vendidas no modelo i no dia j. Como representaríamos, matricialmente, a quantidade vendida desses dois modelos, nas duas lojas, nos primeiros quatro dias de janeiro? Basta construir uma matriz C2 x 4, na qual cada elemento (ci ) seja a soma de seus correspondentes nas matrizes A e B: BAC Qual o dia de maior venda? E qual o modelo? 9 A matriz C é denominada matriz soma de A e B. Em outras palavras, cada elemento da matriz C é igual à soma de seus correspondentes em A e B. Exemplos: 1) Dadas as matrizes: 35 42 1418 17 74 56 42 06 23 210 953 472 48 19 54 1096 243 732 GFDCBEA Determine as somas, se possível. a) A + B b) C + D c) E + F d) A + F 10 Propriedades da Adição Sendo A, B e C matrizes do mesmo tipo, valem as quatro propriedades descritas a seguir. 1. Comutativa: A + B = B + A 2. Associativa: A + (B + C) = (A + B) + C 3. Elemento Neutro: A + 0 = 0 + A 4. Elemento Oposto: A + (-A) = 0 1.4.2 Subtração de Matrizes Na Situação-Problema mencionada na Adição de matrizes, se quisermos uma matriz que represente o desempenho da loja A em relação à loja B, basta subtrairmos de cada elemento da matriz A o seu correspondente em B, obtendo: 2103 2131 53452241 35210332 DBA A matriz D é chamada de matriz diferença de A e B, nessa ordem. Exemplos: 1) Dadas as matrizes: 84 103 24 636 1102 652 120 72 53 431 952 31012 581 432 678 532 FEDCBA Determine, se possível: a) A- C b) B - C c) D – F 11 1.4.3 Multiplicação por um escalar. A multiplicação de uma matriz por um escalar envolve a multiplicação de cada elemento da matriz pelo número. Este processo é chamado “multiplicação escalar”, porque ele altera a matriz para cima ou para baixo de acordo com o tamanho do número. Propriedades Sendo A e B matrizes do mesmo tipo e sendo k, k1, k2 são números reais, então: 1. K(A + B) = KA + KB 2. ( K K A K A K A1 2 1 2 ) 3. 0.A = 0 4. K K A K K A1 2 1 2( ) ( ) 5. 1.A = A Exemplos: 1) Calcule: 10 65 23 .4 2) Dadas as matriz 108 32 54 13 BeA , Calcule BA 2 1 3 . 3) Calcule a matriz X na equação 3X – A + 2B = 0, sabendo-se que A = 16 58 e 43 2 1 1 B 12 1.4.4 Multiplicação de Matrizes: O produto das matrizes mxp pxn mxnA e B é a matriz C , onde cada elemento ijC é obtido através da soma dos produtos dos elementos i-ésima linha de A pelos elementos da j-ésima coluna de B. Situação- Problema: O comprador de uma empresa deve adquirir de seus fornecedores três tipos de produto, denominados produto 1, produto 2 e produto 3. Para isso, fez orçamentos com dois fornecedores, denominados fornecedor 1 e fornecedor 2. Organizando os dados coletados nesses orçamentos, o comprador construiu três matrizes A, B e C de modo que cada elemento ija da matriz A = (100 200 300) indica a quantidade de unidades do produto j que o comprador deve adquirir; cada elemento ijb da matriz 6155 5953 6258 B representa o preço, em reais, de cada unidade do produto i, cobrado pelo fornecedor j; e cada elemento ijc da matriz C = (100.58 + 200.53 + 300.55 100.62 + 200.59 + 300.61) indica o valor do orçamento apresentado pelo fornecedor j. A matriz C é chamada de matriz produto de A por B, nessa ordem, e representa-se A.B = C ou AB = C. Observe que, desse modo, os dados numéricos dessa consulta de preços podem ser apresentados por: 6155 5953 6258 300200100 = Antes de definirmos a multiplicação de matrizes, vamos definir produto de linha por coluna. Existe o produto AB se, e somente se, o número de colunas de A for igual ao número de linhas de B. E, a matriz C possui o mesmo numero de linhas de A e o mesmo numero de colunas de B Exemplos: 1) Dadas as matrizes 315 024 31 12 BeA , calcule AB. 13 2) Dadas as matrizes A= 06 20 14 312 215 321 Be , calcule AB. 3) Dadas as matrizes A= 2333 06 20 14 312 215 321 XX Be , calcule BA. Problemas 1) Um empresário oferece mensalmente alimentos a dois orfanatos. Para o 10 orfanato são doados 25 kg de arroz, 20 kg de feijão, 30 kg de carne e 32 kg de batata. Para o 20 orfanato são doados 28 kg de arroz, 24 kg de feijão, 35 kg de carne e 38kg de batata. O empresário faz a cotação de preços em dois supermercados. Veja a cotação atual em reais: PRODUTO ( 1 kg) SUPERMERCADO 1 SUPERMERCADO 2 Arroz 4,00 4,00 Feijão 10,50 10,20 Carne 11,50 10,70 Batata 2,50 3,70 Determine o gasto mensal desse empresário, por orfanato, supondo que todos os produtos sejam adquiridos no mesmo estabelecimento e que este represente a melhor opção de compra. 14 2) Uma fábrica de guarda-roupas utiliza três tipos de fechaduras (dourada, prateada e bronzeada) para guarda-roupas em mogno e cerejeira, nos modelos básico, luxo e requinte. A tabela 1 mostra a produção de móveis durante o mês de outubro de 2005, e a tabela 2, a quantidade de fechaduras utilizadas em cada tipo de armário no mesmo mês. A quantidade de fechaduras usadas nos armários do modelo básico nesse mês foi de a) 170. b) 192. c) 120. d) 218. e) 188. 15 1. Determine os valores de “a e b” tais que: 3a 2b 3b 1a2 . 2. Determine os valores de x e y nas igualdades: 3. Calcule x, y e z tais que: z00 100 14y0 x01x 2 2 4. Determine x, y z e w nas matrizes 31 21 A , 31 yx B e wz 21 C tais que A=B=C. 5. Determine x, y e z para que a matriz A seja simétrica, onde 3zy 472 5x1 A . 6. Obter a oposta da transposta e determinar a ordem da matriz: A = 302 145 7.Ache x, y, z e w se 10 01 43 32 wz yx 8. Sejam: A= 12D 4 2 1 C 103 102 B 112 321 a) A.C b) B.C c) C.D d) D.A e) D. B 9.Calcule a matriz X tal que X+A=B+C onde: 86 42 A 17 31 B 29 85 C . 10. Calcule os valores de x, y e z nas matrizes: 03 x A 2 1 34 y5 B e 3z 42 C de modo que B+C=2A. 11. O anel rodoviário de uma grande metrópole passa pelos pontos indicados no mapa ao lado. Os elementos da matriz 55xij aA , associada a esse mapa, são tais que: ija = 0, se os pontos i e j estiverem ligados entre si ou se i = j ija = 1, se os pontos i e j não estiverem ligados. Construa a matriz A Lista 01: Matrizes Lista 01: Matrizes Lista 01: Matrizes 16 12. Respostas Resp: 1) 1b;1a 2) a) 3;81 yx b) 1;2 xx c) 1y;1x 3) 1;21 zyx 4) 3;1;2;1 wzyx 5) x=2; z=-4;y=5 6) 31 04 25 A t ordem 2x3 tA 7) 3;2;3;4 zwyx 8)a) 4 15 b) 1 6 c) 48 24 12 d) 730 e) 107 9) 78 74 X 10) 10z;5y; 2 3 x 11) 17 DETERMINANTE A teoria dos determinantes surgiu durante pesquisas realizadas com o objetivo de se encontrar processos que viessem a facilitar a resolução de um sistema de equações lineares. Estudando as matrizes quadradas associadas a um sistema de equações lineares, verificou-se ser possível associar a cada matriz quadrada um único número real, chamado determinante da matriz. Inicialmente, vamos trabalhar com regras que permitem o cálculo de determinantes nos casos particulares da matriz quadrada (de elementos numéricos) de ordem 1, 2, ou 3 e, a seguir, veremos a definição geral para determinantes de uma matriz quadrada de ordem n. Determinante de uma matriz quadrada de ordem 1 ou matriz de primeira ordem. O determinante da matriz A = [ 11a ], indicada por det A ou | 11a |, é o próprio elemento 11a , ou seja: det A = 11a . Exemplos a) se A = [-2], então det A = -2 b) se B = 3 1 , então 3 1 Bdet Determinante da matriz quadrada de ordem 2 ou matriz de segunda ordem. O determinante de uma matriz A = 11 12 21 22 a a a a , é igual à diferença entre o produto dos elementos da diagonal principal e o produto dos elementos da diagonal secundária. Representando o determinante da matriz A por det A , temos: det A = 11 12 21 22 a a a a = 11 22 12 21a a a a. . Exemplos a) se A = 81 52 , então det A? b) se B = 34 10 , então det B ? 18 Determinante de uma matriz quadrada de ordem 3 ou matriz de terceira ordem. O determinante de uma matriz quadrada, de 3ª ordem, geralmente é feito através da regra de Sarrus 1 , que consiste no seguinte: A = 11 12 13 21 22 23 31 32 33 a a a a a a a a a 1º) repetimos as duas primeiras coluna ao lado da última. 3231 2221 1211 333231 232221 131211 aa aa aa aaa aaa aaa 2) Encontramos a soma do produto dos elementos da diagonal principal com os dois produtos obtidos pela multiplicação dos elementos das paralelas a essa diagonal com 3 elementos. 3) Encontramos a soma do produto dos elementos da diagonal secundária com os dois produtos obtidos pela multiplicação dos elementos das paralelas a essa diagonal com 3 elementos. 4) Realizamos a diferença entre os dois resultados. Exemplos a) Calcular o determinante da matriz B = 431 651 202 b) Aplicando a regra de Sarrus, calcular o valor de x na equação 0 1x224 301 13x3 1 SARRUS (1798 - 1861) – matemático francês. Destacou-se em estudos dos Determinantes. 19 Cofator de um elemento de uma matriz de ordem n (n 2) Consideremos uma matriz A, de ordem n, e o elemento aij de A. Chama-se cofator de aij ao produto de ji1 pelo determinante da matriz obtida, quando se elimina em A a linha i e a coluna j. Indica-se o cofator aij por cij . Considerando a matriz A = 11 12 13 21 22 23 31 32 33 a a a a a a a a a , vejamos como se calcula: a) o cofator do elemento a11 Então o cofator de a11, será : 32233322 3332 232211 11 a.aa.a1 aa aa 1c Exemplo: Dada a matriz M = 346 120 352 , calcular os seguintes cofatores: a) c11 Temos b) c12 c) c13 Determinante que se obtém da matriz A, quando se eliminam os elementos da 1ª Eliminamos da matriz M a 1ª linha e a 1ª 20 Determinante de uma matriz quadrada de ordem n (Teorema de Laplace) Dada uma matriz quadrada A de ordem n, define-se: 1º) Se n = 1, o determinante da matriz A será o próprio elemento da matriz. 2º) Se n 2, o determinante da matriz A será o número real que se obtém somando-se os produtos dos elementos de uma fila (linha ou coluna) qualquer pelos seus respectivos cofatores. Essa afirmação é conhecida como Teorema de Laplace2 . Exemplos Aplicar o Teorema de Laplace na resolução dos seguintes determinantes: a) 635 012 532 A Desenvolvendo o determinante segundo os elementos da 2ª linha, pois ao elemento zero corresponde um cofator que não precisa ser calculado, teremos: det A = a21 . c21 + a22 . c22 + a23 . c23 , 2 MARQUÊS PIERRE-SIMON DE LAPLACE (1749 – 1827) – matemático e astrônomo francês. Como matemático destacou-se no cálculo das Probabilidades. Como astrônomo, escreveu a sua obra prima “Mecânica Celeste”. 21 b) B = 1604 3015 2022 3452 Desenvolvendo o determinante segundo os elementos da 3ª coluna: det B = a13 . c13 + a23 . c23 + a33 . c33 + a43 . c43, Propriedades dos Determinantes 1. Quando todos os elementos de uma fila (linha ou coluna) são nulos, o determinante dessa matriz é nulo. 0 410 530 320 det 0 12 00 det BA 22 2. Se duas filas paralelas de uma matriz são iguais o determinante desta matriz é nulo. 0 013 452 013 det 0 22 11 det BA 3. Se duas filas de uma matriz são proporcionais, então seu determinante é nulo. 0 153 226 103 det 0 21 42 det BA 4. O determinante de uma matriz e o de sua transposta são iguais. 1 73 21 det 1 72 31 det TAA 5. Multiplicando por um número real todos os elementos de uma fila em uma matriz o determinante desta matriz fica multiplicado por esse número. 6. Quando trocamos as posições de duas filas paralelas, o determinante de uma matriz muda de sinal. 4 123 321 112 4 123 112 321 7. Quando, em uma matriz, os elementos acima ou abaixo da diagonal principal são todos nulos, o determinante é igual ao produto dos elementos dessa diagonal. 42.2.1 241 023 001 det A 61.3.2 100 230 132 det A 8. Quando, em uma matriz, os elementos acima ou abaixo da diagonal secundária são todos nulos, o determinante é igual ao produto dos elementos dessa diagonal multiplicado por (-1). 6)3.2.1( 421 120 300 det A 30)3.2.5( 005 029 331 det A 9. Para A e B matrizes quadradas de mesma ordem n, temos que: BABA det.det.det 23 1) Calcular os seguintes determinantes: a) 5313128 438712 541831 00000 214741 ) 115 423 001 ) 112 317 931 ) 15 31 dcb e) 12250 11170 0010 4438021 f) 2 3 4 1 0 0 2 0 3 1 1 1 1 0 2 3 g) 12 4 1 0 4, h) 7 3 4 2 i) 2 3 4 2 1 2 0 5 6 j) 1 2 4 1 3 9 1 4 16 2) Calcular o valor de x nas igualdades abaixo a) 3 3 4 3 0 x x b) 3 1 8 02 3 x x c) 1 0 1 1 3 1 3 0 x x d) 2 1 3 4 1 1 0 12 x x x 3) Em IR, a solução da equação: 9log5 121 114 3 3 xx é a) 4 b) 5 c) 6 d) 7 e) 8 4) Calcule os determinantes: 0123 2040 0312 5001 ) 1332 0211 0102 0135 ) ba 3213 5120 2031 1324 )c Respostas: 1. a) –14 b) 40 c) –6 d) 0 e) 21 f) 70 g) 4/5 h) -2 i) 68 j) –70 2. a) 4x;1x b) 2x c) 4x;1x d) 6x;2x 3) C 4) a) 2 b) -230 c) 4 Lista 02: Determinantes 24 MATRIZ INVERSA Matriz dos Cofatores Em uma matriz dos cofatores cada elemento ija é trocado pelo seu cofator ijC . Exemplo Seja A, a matriz mostrada abaixo, determine a matriz dos cofatores: 2)64.(1 43 21 .)1(c 435 214 132 A 1111 portanto a matriz dos cofatores será dada por: C = 2 6 7 9 3 9 5 0 10 Matriz Adjunta A matriz adjunta (Adj A ou A ) é a transposta da matriz dos cofatores, isto é, TCAAdj Matriz Inversa 1. Seja A uma matriz quadrada de ordem n. Dizemos que A é inversível se existe uma matriz B tal que IABBA . Dessa forma B é a inversa de A e é representada por 1A . 2. Se A é uma matriz quadrada tal que det A 0, então A admite uma inversa e poderá ser obtida por: AAdj Adet 1 A 1 Exemplo Determine 1A sendo 72 31 A Outro modo de obter a inversa é aplicando a seguinte equação: A.A-1=A-1.A=I onde I é a Matriz Identidade de ordem n. Escrevemos A-1 para representar a matriz inversa de A. 25 Exemplo 1) Dada a matriz A = 34 12 verifique se B = 12 2/12/3 é inversa de A. 2) Calcule a inversa das matrizes abaixo: a) 34 12 A 26 b) 435 214 132 A 27 3) Os valores reais de x para os quais a matriz A = 112 21 32 x x admite a inversa são? 28 Matriz Inversa 1) Escolha o método, e calcule a matriz inversa se existir das matrizes abaixo: 21 53 A B = 453 210 543 C = 1234 0123 0012 0001 D = 121 131 132 2) Calcular o valor de k para que a matriz k6 32 não tenha inversa. 3) Os valores reais de x para os quais a matriz A = 112 21 32 x x admite a inversa são? Respostas 1) 31 52 1A 111 212 3 13 3 3 14 1B 1210 0121 0012 0001 1C 1D 311 110 011 2) k = 9 3) x ≠1 ou x ≠ 7 Lista 03: Matriz Inversa 29 2. SISTEMAS DE EQUAÇÕES LINEARES Chama-se sistema linear a todo sistema formado por equações lineares. Assim, o sistema S1 4yx2 6y2x é um sistema linear de das equações com duas incógnitas. Definição: Um sistema de equações lineares com m equações e n incógnitas é um conjunto de equações do tipo: 11 1 12 2 1 1 21 1 22 2 2 2 31 1 32 2 3 3 1 1 2 2 a x a x a x b a x a x a x b a x a x a x b a x a x a x b n n n n n n m m mn n m ...... ...... ...... ::::::::::::::::::::::::::::::::::::::::::::::::::: ........ onde: mn n m a coeficientes das incógnitas x incógnitas b termos independentes . Uma solução de um sistema é uma sequência de números ( 1 2 3 , , ,.........., )n que satisfaz as equações simultaneamente. 3.1 Matrizes associadas a um sistema linear: Matriz Incompleta: é a matriz formada pelos coeficientes das incógnitas. Matriz Completa: é a matriz , que obtemos ao acrescentarmos à matriz incompleta uma última coluna formada pelos termos independentes das equações do sistema. A = 11 12 1 21 22 2 1 2 11 12 1 1 21 22 2 2 1 2 a a a a a a a a a B a a a b a a a b a a a b n n m m mn n n m m mn m ..... ..... : : : : ..... ..... ..... : : : : : ..... Obs: Podemos dizer que um sistema satisfaz a seguinte equação matricial: A.X=B onde A= 11 12 1 21 22 2 1 2 a a a a a a a a a n n m m mn ..... ..... : : : : ..... X= 1 2 3 1 2 3 x x x x B b b b bn m : : m x n n x 1 = m x 1 30 11 1 12 2 1 21 1 22 2 2 1 1 2 2 1 2 a x a x a x a x a x a x a x a x a x b b b n n n n m m mn n m ..... ..... :::::::::::::::::::::::::::::::::::::::::::: ..... : 3.2 Soluções de um sistema de equações lineares Se tivermos um sistema de uma equação e uma incógnita ax=b existirão 3 possibilidades: 1. a 0. Neste caso a equação tem uma única solução x=b/a. 2. a = 0 e b = 0. Então temos 0.x = 0 e qualquer número poderá ser solução da equação. 3. a = 0 e b 0. Temos 0.x = b. Não existe solução para esta equação. 3.3 Sistemas Equivalentes Dois sistemas são equivalentes quando possuem a mesma solução. Exemplo 8y3x2 3yx 5y2x 3yx Propriedades dos sistemas equivalentes 1) Trocando de posição as equações de um sistema, obtemos um outro equivalente ao primeiro. 2) Multiplicando uma ou mais equações de um sistema por um número k *, obtemos um sistema equivalente ao primeiro. 3) Adicionando a uma das equações de um sistema o produto de outra equação, desse mesmo sistema, por um número k *,obtemos um sistema equivalente ao primeiro. Determinado (uma única solução) Indeterminado (mais de uma solução) Compatível (tem solução) Incompatível (não tem solução) Sistemas Lineares Estes sistemas são equivalentes pois ambos possuem como solução o par (1, 2). 31 Exemplo ESEQUIVALENT y yx yx yx yx yx __________________________________ 33 42 1 42 )1(1 42 3.4 Sistemas Escalonados O método de escalonamento para resolução de um sistema é um processo geral para resolver qualquer sistema linear. Dado um sistema linear S1, é possível transformá-lo num sistema equivalente mais simples aplicando-se sobre as equações do sistema as propriedades dos sistemas equivalentes. Dizemos que um sistema está escalonado se o número de coeficientes nulos antes do primeiro coeficiente não nulo aumenta de equação para equação. Procedimento para escalonar um sistema: 1. Colocamos como primeira equação aquela em que o coeficiente da primeira incógnita seja diferente de zero e fazemos este coeficiente igual a 1. 2. Utilizamos as propriedades de sistemas equivalentes, anulamos todos os coeficientes da primeira incógnita das demais equações. 3. Anulamos todos os coeficientes da segunda incógnita a partir da terceira equação. 4. Repetimos o processo com as demais incógnitas até que o sistema se torne escalonado. Os exemplos a seguir serão demonstrados através do software Excel ou GeoGebra: Atividade Computacional: O software GeoGebra é um programa dinâmico para o estudo da Matemática, juntando Geometria, Álgebra e Cálculo. Nesse software, podemos desenhar pontos, vetores, funções, planos entre outros em forma dinâmica. No uso de sistemas lineares, os exemplos podem ser analisados com a interpretação geométrica. Estudaremos sistema de equações lineares com o auxílio do GeoGebra 2D, e 3D que pode ser baixado gratuito. 32 Classificação do Sistema de Equações Lineares. 3.5 Sistema Compatível Determinado 3.5.1 Resolução Algébrica e Interpretação Geométrica de Sistema de Equações Lineares 2x2 Contextualizando: Um caminhão baú pode levar, 58 caixas do tipo A e B, de mesmo tamanho. Elas tem, respectivamente, 56 kg e 72 kg. A carga máxima para esse caminhão é de 3840 kg em cada viagem. Quantas caixas de cada tipo são transportadas por esse caminhão, estando ele com a capacidade máxima ocupada? 1a etapa: resolução 2a etapa: interpretação geométrica 33 3.5.2 Resolução Algébrica e Interpretação Geométrica de Sistema de Equações Lineares 3x3 Possui solução única quando os três planos se encontram em um único ponto. Contextualizando: Uma determinada empresa, recebeu uma encomenda especial da estrutura de uma tuia de armazenagem de grãos com as seguintes características: A medida da altura somada com o quíntuplo de sua largura e o dobro do comprimentos deve resultar em 10 metros. O dobro da medida da altura somada com a largura e diminuída o triplo de seu comprimentos irá faltar 3 metros, devido a problema de espaço. O triplo da medida de sua altura somado com o sêxtuplo de sua largura e com o quíntuplo de seu comprimento deve resultar em 19 metros. Que medidas deve ter a piscina encomendada para que atenda todas as características acima? Existe alguma possibilidade dessa piscina ser construída? 1a etapa: interpretação geométrica 2a etapa: resolução 34 3.6 Sistema Compatível Indeterminado 3.6.1 Resolução Algébrica e Interpretação Geométrica de Sistema de Equações Lineares 3x3 Contextualizando: Recebi uma encomenda da estrutura de um armário com as seguintes características: O triplo da medida da altura diminuída da largura e somada o dobro do comprimento devem resultar em 3 metros. A medida da altura somada o dobro da largura e somada do comprimento devem resultar em 1 metro. No entanto, o sêxtuplo da medida da altura somada com o quíntuplo da largura e o quíntuplo do comprimento devem resultar em 6 metros. Que medidas deve ter o armário encomendado para que atenda todas as características acima? Existe alguma possibilidade do armário ser construído? 1a etapa: resolução 2a etapa: interpretação geométrica 35 3.7 Sistema Incompatível Este tipo de sistema não tem solução algébrica. 3.7.1 Resolução Algébrica e Interpretação Geométrica de Sistema de Equações Lineares 2x2 Contextualizando: O triplo da altura de uma estrutura metálica pequena somando ao dobro de sua largura dá 7 metros. Ao somarmos as medidas da altura e largura de uma estrutura maior que possui o dobro da medida da estrutura menos obtemos 31 metros. Quanto mede a altura e largura da estrutura maior? (não existe estrutura que atenda estas características) 1 a etapa: demonstração no quadro 2 a etapa: interpretação geométrica 3.7.2 Resolução Algébrica e Interpretação Geométrica de Sistema de Equações Lineares 3x3 Sistema de equações com três equações e três incógnitas, cada equação representa um plano no espaço tridimensional. Contextualizando: Recebi uma encomenda da estrutura de uma piscina com as seguintes características: A medida da altura somada ao dobro da largura diminuída da medida da profundidade deve resultar em 3 metros. O dobro das características acima deve resultar em 6 metros. No entanto, o triplo das características exigidas deve se igualar a 8 metros, devido a problema de espaço. Que medidas deve ter a piscina encomendada para que atenda todas as características acima? Existe alguma possibilidade piscina ser construída? 1 a etapa: demonstração no quadro 2 a etapa: interpretação geométrica 36 Exemplos: 1) Escalone, classifique (SPD, SPI, SI) e dê o conjunto solução de cada um dos seguintes sistemas. a) 152 13 3523 zyx yx zyx b) 432 3 12 yx zyx zyx c) 433 142 61173 zyx zyx zyx 37 2) Uma empresa que presta serviços de engenharia civil em três tipos de contentores I, II e III, que carregam cargas em três tipos de recipientes A, B e C. O número de recipientes por contentor é dado peloquadro: Tipo de recipiente A B C I 4 3 4 II 4 2 3 III 2 2 2 Quantos contentores x1, x2, e x3 de cada tipo I, II e III, são necessários se a empresa necessita transportar 38 recipientes do tipo A, 24 do tipo B e 32 do tipo C? 3) Perguntando sobre a idade de seu filho Júnior, José respondeu o seguinte: “Minha idade quando somada à idade de Júnior é igual a 47 anos, e quando somada à idade de Maria é 78 anos. As idades de Maria e Júnior somam 39 anos. Qual a idade de Júnior? 38 4) Examinando os anúncios abaixo, conclua qual é o preço de cada faca, garfo e colher. 39 3.8 Sistemas Homogêneos Se todos os termos independentes de um sistema linear S, forem nulos, o sistema é chamado homogêneo, portanto o sistema: 0........ ::::::::::::::::::::::::::::::::::::::::::::::::::: 0...... 0..... 0...... xaxaxa xaxaxa xaxaxa xaxaxa nmn22m11m nn3232131 nn2222121 nn1212111 é dito homogêneo pois os termos independentes de todas as equações são nulos. Solução: A n-úpla (0,0,0,...,0) é sempre solução de um sistema de n incógnitas e recebe o nome de solução trivial, quando existem as demais são chamadas não-triviais. Um sistema linear homogêneo é sempre possível: determinado ou indeterminado. Exemplo 01 Exemplo 02 0zyx 0z2yx 0zy2x4 S1 04 03 02 2 yx zyx zyx S 40 1) Escalone, classifique e dê o conjunto solução de cada um dos sistemas: a) 19563 1025 332 zyx zyx zyx b) 135 23 12 zyx zyx zyx c) 433 142 61173 zyx zyx zyx d) 11527 8232 11443 zyx zyx zyx e) 6556 12 323 zyx zyx zyx f) 02 62 423 zyx zyx zyx g) 62 22 43 yx yx yx h) 123 53 yx yx Respostas: a) SPD {(1, 1, 2)} b) SI c) SPI {(6z -5, 3 - z, z) com z .IR d) SPD {( 1, 2, 0)} e) SPI {(1 – 5z/7, -z/7, z) com z .IR f) SI g) SPD (-2, 2) h) 11 14 , 11 13 S 2) Verifique se (0, -3, -4) é solução do sistema: 22 12 1 zyx zyx zyx S . Resposta: Não é solução 3) A população de uma cidade A é quatro vezes maior que a população da cidade B. Somando a população das duas cidades, temos o total de 250.000 habitantes. Quantos habitantes têm a cidade A e a cidade B? Resposta: A cidade A possui 200.000 habitantes e a cidade B 50.000 habitantes 4) As ligações entre as cidades A, B e C figuram num mapa rodoviário conforme ilustrado. Seguindo esse mapa, uma pessoa que se deslocar de A para C, passando por B, percorrerá 450km. Caso a pessoa se desloque de A para B, passando por C, o percurso será de 600km. Para se deslocar de B para C, passando por A, a pessoa vai percorrer 800km. Determine quantos quilômetros esta pessoa percorrerá ao se deslocar de A para B, sem passar por C. Resposta: AB=325km Lista 04: Sistemas Lineares 41 3. ESPAÇOS VETORIAIS: Introdução O vetor é enunciando uma série de axiomas que, caso sejam todos satisfeitos por uma classe de objetos, serão chamados vetores. O conceito de espaço vetorial ocorre em muitas aplicações tanto na Matemática quanto nas Ciências e na Engenharia. Esta ideia pode ser estendida para ,..., 54 , n21n21 n x,...,x,x/)x,...,x,x( ,com a perda da visão geométrica. Suponha que uma partícula se desloca do ponto (1, 2, 1) até (3, 3, 3). O deslocamento é um vetor 𝑑 = 42 I. Vetores Vetores são segmentos orientados que possuem comprimento, direção e sentido. Por exemplo, força, velocidade, aceleração, deslocamento, momento, campo elétrico, etc. A B Posição inicial Posição final Temos que o vetor ABv é determinado pelo segmento orientado AB, de origem no ponto A, e extremidade no ponto B. A cada vetor não nulo v corresponde um vetor oposto –v, que tem o mesmo módulo, a mesma direção, porém sentido contrário ao de v. Um vetor v é unitário se |v| = 1. Dois vetores são colineares se possuem a mesma direção (isto é, pertencem a mesma reta, ou possuem como retas suporte, retas paralelas). Dois ou mais vetores são coplanares se pertencerem a um mesmo plano. Dois vetores u e v são ortogonais se 0. vu . Dois vetores u e v são paralelos quando seus componentes são proporcionais. Forma analítica de um vetor: ),,( zyxv II. Operações com Vetores Adição Sejam os vetores u e v representados pelos segmentos orientados AB e BC respectivamente, a soma do vetor u com o vetor v é dada pelo vetor cuja origem coincide com a origem do primeiro vetor da soma, e a extremidade coincide com a extremidade do segundo vetor da soma. Propriedades: I) Associativa: (u + v) + w = u + (v + w) II) Comutativa: u + v = v + u III) Existe um só vetor nulo 0 tal que, para todo vetor v, se tem v + 0 = 0 + v = v IV) Qualquer que seja o vetor v existe um só vetor – v tal que: v + (-v) = -v + v = 0 Multiplicação de um número real por um vetor Dado um vetor v 0 e um número real k 0, chama-se produto do número real k, pelo vetor v o vetor p = kv a) módulo: |p| = |kv| = |k| |v|; b) direção: a mesma de v; c) sentido: o mesmo de v se k > 0; e contrário ao de v se k < 0. 43 Propriedades: Sejam os escalares 𝑎, 𝑏 ∈ 𝑅 , e os vetores u e v, segue as propriedades: I) a(bu) = (ab) u II) (a + b) u = au + bu II) a(u + v) = au + av III) 1u = u Vetores no R2 Vetores no R2 são representados por: (1) segmentos orientados iniciados na origem do sistema, assim o ponto P (x, y) individualiza o vetor v = OP, ou seja, as coordenadas deste vetor são representadas pelo ponto v = (x, y) que é a extremidade do vetor; ou: (2) vetores equivalentes, deslocados da origem representados por ABv , onde a origem é o ponto A (x1, y1), e a extremidade é o ponto (x2, y2), e as coordenadas do vetor v deslocado da origem são encontradas fazendo v = (x2-x1, y2- y1). Operações Sejam os vetores u = (x1, y1) e v = (x2, y2) e o escalar a R. Define-se: a) Adição: u + v = (x1 + x2, y1 + y2) b) Multiplicação por um escalar: au = (ax1 , ay1) O produto escalar (u.v) entre dois vetores é representado por um número real, dado por: 2121. yyxxvu Exemplos: Sejam os vetores: )3,2,1( u e )4,0,1( v , calcular vu . Ortogonalidade Dois vetores são ortogonais quando o produto escalar entre eles é nulo: 0. vu Vetores no R3 São representados por v = (x, y, z), ou seja, são segmentos orientados desde a origem, no espaço tridimensional. Operações com Vetores no Espaço Sejam os vetores u = (x1, y1, z1), v = (x2, y2, z2) e a R. Define-se: a) u + v = (x1 + x2, y1 + y2, z1 + z2) b) a.u = (ax1 , ay1, az1) Obs: As definições acima descritas para vetores no R2 são válidas para os vetores no R3. 44 III. Espaços Vetoriais Suponhamos que uma força atue sobre um corpo, podemos determinar sua intensidade e direção. Assim, força é um exemplo típico de grandeza representada por um vetor. Outros exemplos são velocidade e deslocamento. Nesta unidade desenvolveremos o conceito de vetor de uma forma mais ampla, de modo que, por exemplo, soluções de sistemas de equações lineares, funções, matrizes possam ser representadas e/ou denominadas de vetor. O conjunto desses vetores munido de determinadas operações será definido como um espaço vetorial. Neste item iremos estender o conceito de vetor extraindo as propriedades mais importantes dosvetores usuais e transformando-as em axiomas. Assim, quando um conjunto de objetos satisfizer estes axiomas, estes objetos automaticamente têm as mais importantes propriedades dos vetores usuais, o que torna razoável considerar estes novos objetos como novos tipos de vetores. Sabe-se que o conjunto: Ry,x/y,xR 2 é interpretado geometricamente como sendo o plano cartesiano. Um par y,x pode ser expresso como um ponto e, neste caso, x e y são as coordenadas deste ponto, ou pode ser expresso como um vetor e, neste caso, x e y são as componentes (ou coordenadas) deste vetor. Esta mesma ideia, em relação ao plano, estende-se para o espaço tridimensional que é a interpretação geométrica do conjunto 3R . Embora se perca a visão geométrica com dimensão acima de 3, é possível estender esta ideia a espaços como n54 R,...R,R . Assim, quádruplas de números 4321 x,x,x,x podem ser vistas como pontos ou vetores no espaço 4R , de quarta dimensão. A quíntupla 4,5,3,1,2 será interpretada como um ponto ou um vetor no espaço 5R , de dimensão cinco. Portanto, o espaço de dimensão n (ou espaço n- dimensional) será constituído pelo conjunto de todas as n-úplas ordenadas e representado por nR , isto é: Rx;x,....,x,xR in21 n A maneira de se trabalhar nestes espaços, de dimensão superior a três, é idêntica àquela vista em 2R e em 3R . Por exemplo, se: n21 x,...,x,xu e n21 y,...y,yv são vetores no nR e um escalar, define-se: a) Igualdade: vu se, e somente se, nn2211 yx,....,yx,yx b) Adição: nn2211 yx,...,yx,yxvu c) Multiplicação por um Escalar: n21 x,...,x,xu d) Produto Escalar: nn yxyxyxvu .... 2211 e) Módulo: 22 2 2 1 .... nxxxuuu 45 Definição. (Definição de Espaço Vetorial) Seja um conjunto V não vazio qualquer de objetos, no qual estão definidas as operações de adição e multiplicação por um escalar, isto é: i) u e v V; u + v V; ii) R, u V; u V. O conjunto V com essas duas operações é chamado ESPAÇO VETORIAL REAL e seus objetos são denominados vetores, se forem verificados os seguintes axiomas: A) Em relação à adição A1) (u + v) + w = u + (v + w) u, v e w V Associativa A2) u + v = v + u u, v V Comutativa A3) 0 V; u V u + 0 = u Existência do elemento neutro na adição A4) u V -u V; u + (-u) = 0 Existência do elemento inverso M) Em relação à multiplicação por escalar M1) a (u + v) = au + av distribuição da multiplicação em relação a adição M2) (a + b) v = av + bv distribuição da adição em relação a multiplicação M3) (a.b).v = a (b.v), associativa M4) 1.v = v v V elemento neutro da multiplicação para Rb,aeVv,u Observações. (i) Os elementos do espaço vetorial V são chamados vetores, independente de sua natureza. Pode parecer estranho, e à primeira vista não deixa de ser, o fato de se chamar de vetores os polinômios (quando V for constituído de polinômios), as matrizes (quando V for constituído de matrizes), os números (quando V for um conjunto numérico), e assim por diante. A justificativa está no fato de as operações de adição e multiplicação por escalar realizadas com estes elementos de natureza tão distinta se comportarem de forma idêntica, como se estivéssemos trabalhando com os próprios vetores em R2 e R3. Assim a familiaridade que temos com os vetores do R2 e R3 terá continuidade nestes conjuntos, chamando seus elementos também de vetores. (ii) Se na definição acima tivéssemos tomado para escalares o conjunto C dos números complexos, V seria um espaço vetorial complexo. Daqui por diante, serão considerados somente espaços vetoriais reais. Exemplos de Espaços Vetoriais Os seguintes exemplos ilustram a variedade de espaços vetoriais possíveis. Em cada exemplo, nós vamos especificar um conjunto não-vazio V e duas operações: a adição e a multiplicação por um escalar; em seguida vamos verificar que os 10 axiomas de espaço vetorial estão satisfeitos, com isto habilitando V, com as operações dadas, a ser chamado de espaço vetorial. 1. O conjunto dos números reais em relação às operações usuais de adição e multiplicação por um escalar é um espaço vetorial. 46 2. Os conjuntos n5432 R,...R,R,R,R , com as operações usuais de adição e multiplicação por um escalar é um espaço vetorial. 3. Conjunto M(m,n) das matrizes m x n com as operações de adição e multiplicação por um escalar é um espaço vetorial 4. O conjunto Ra,xa....xaxaaP inn2210n dos polinômios com coeficientes reais de grau ≤ n, mais o polinômio nulo, em relação às operações usuais de adição de polinômios e multiplicação por um escalar é um espaço vetorial. Exemplos: 1) Verifique se o conjunto V = {(x, x+3)/𝑥 𝜖 𝑅} é um espaço vetorial com as operações de adição e multiplicação por um escalar usuais. 2) Verifique se o conjunto V = {(x, y)/𝑥, 𝑦 > 0} é um espaço vetorial com as operações de adição e multiplicação por um escalar usuais. 47 3) Verifique se o conjunto V = {(x, y)/𝑥, 𝑦 𝜖 𝑅} é um espaço vetorial com as operações de adição e multiplicação por um escalar usuais. 48 3.1 Subespaços Vetoriais Definição. Um subconjunto S de um espaço vetorial V é chamado um subespaço vetorial de V se W é um espaço vetorial em relação às operações de adição e multiplicação por um escalar definidas em V. Em geral, nós devemos verificar os dez axiomas do espaço vetorial para mostrar que um conjunto S forma um espaço vetorial com uma adição e uma multiplicação por um escalar. No entanto, se S é parte de um conjunto maior V que já é sabido ser um espaço vetorial, então alguns axiomas não precisam ser conferidos para S, pois eles são “herdados” de V. Por exemplo, não há necessidade de conferir que u+v = v+u (Axioma A2) para S, pois se isto vale para todos os vetores de V que valem também para todos os vetores de S. Outros axiomas herdados por S de V são o A1, M1, M2, M3 e M4. Assim, para mostrar que um conjunto S é um subespaço vetorial de V, nós somente precisamos verificar os dois axiomas principais (i) e (ii) apresentados no teorema descrito a seguir e os axiomas A3 (elemento neutro) e A4 (elemento inverso). Teorema 1 Um subconjunto S, não-vazio, de um espaço vetorial V, é um subespaço de V se estiverem satisfeitas as condições: (i) Para quaisquer u, v S, tem-se: u + v S (ii) Para quaisquer a R, u S, tem-se: a.u S Sendo estas duas condições válidas em S, os oito axiomas do espaço vetorial também se verificam em S, ou seja, considere u e v vetores quaisquer de S observe que A1, A2, M1, M2, M3, M4, são verificados em S pelo fato de S ser um subconjunto não-vazio de V. A partir do teorema também é possível verificar os axiomas A3 e A4, observe que se a condição (ii), a.u S, é válida para todo a R. Fazendo 0a , temos que Su0 , ou seja, S0 (axioma A3); fazendo 1a , segue Suu1 (axioma A4). Observações Todo espaço vetorial de V admite pelo menos dois subespaços: o conjunto {0}, chamado de subespaço zero ou subespaço nulo, e o próprio espaço vetorial V. Estes dois são os subespaços triviais de V. Os demais subespaços são denominados subespaços próprios de V. Por exemplo, os subespaços triviais de 3RV são {(0, 0, 0)} e o próprio R3. Os subespaços próprios de R3 são as retas e os planos que passam pela origem. Para 2RV , os subespaços triviais são: {(0, 0)} e R2, enquanto os subespaços próprios são as retas que passam pela origem. 49 Exemplos: Verificar se S é um subespaço vetorial de V: a) 2RV e x2y/Ry,xS 2 b) 2RV e Rx;x24,xS c) 2RV e RxxxS ;||,50 3.2 Combinação Linear Uma das características mais importantes de um espaço vetorial V é a obtenção de outros vetores a partir de vetores dados. Definição. Sejam os vetores nvvv ,...,, 21 do espaço vetorial V e os escalares n21 a...,,a,a . Então, qualquer vetor v ∈ 𝑉 da forma nn2211 va...vavav é uma combinação linear dos vetores n21 v,...,v,v . Exemplos Para as situações de a até c, consideremos, no R3, os seguintes vetores: 2,3,1v1 e 1,4,2v2 a) Escrever o vetor 7,18,4v como combinação linear de 21 vev . b) Mostrar que o vetor 6,3,4v não é combinação linear dos vetores 21 vev 51 c) Determinar o valor de k para que o vetor 7,k,1u seja combinação linear de 21 vev . 3.3 Dependência e Independência Linear Definição. Sejam V um espaço vetorial e os vetores A={ Vvvv n ,...,, 21 . Dizemos que o conjunto n21 v,...,v,v é linearmente independente (LI), ou que os vetores n21 v,...,v,v são LI, se a equação 0va....vava nn2211 admite apenas a solução trivial, ou seja, 0a...aa n21 . No caso de existirem soluções 0a i dizemos que A é linearmente dependente (LD), ou que os vetores n21 v,...,v,v são LD. Vetores linearmente dependentes (LD) podem ser caracterizados de outra maneira. Teorema. O conjunto n21 v,...,v,v é LD se, e somente se, um destes vetores for uma combinação linear dos outros. Nos gráficos a seguir apresentaremos uma interpretação geométrica da dependência linear de dois e três vetores no R3. A B Figura 01 52 Percebemos que na Figura 01-A, 21 ,vv estão representados na mesma reta que passa pela origem, portanto },{ 21 vv é LD . Enquanto que na Figura 01-B 21 ,vv não estão na mesma reta, portanto },{ 21 vv é LI. A B Figura 02 Percebemos que na Figura 02-A, 21 ,vv e 3v estão representados no mesmo plano que passa pela origem, portanto },,{ 321 vvv é LD . Já na Figura 02-B 3v não pertence ao plano gerado pelos vetores 1v 2v , portanto },,{ 321 vvv é LI. Exemplos: 1) Sejam os vetores v1 = (2, -1, 3), v2 = (-1, 0, -2) e v3 = (2, -3, 1) analise se são LI ou LD. 2) Analise se os vetores são LI ou LD, onde v1 = (2,0) e v2 = (0,5). 53 Propriedades da Dependência e Independência Linear: Seja V um espaço vetorial então I) Se 0veVvA , então A é LI. II) Se um conjunto VA contém o vetor nulo, então A é LD. III) Se uma parte de um conjunto VA é LD, então A é também LD. IV) Se uma parte de um conjunto VA é LI, qualquer parte A1 de A é também LI. Observações 1. Os vetores n21 v,...,v,v são linearmente dependentes se, e somente se, um deles é combinação linear dos outros, ou seja, os vetores são colineares entre si. 2. Se dois vetores n21 v,...,v,v , são iguais, digamos 21 v v , então os vetores são dependentes. Pois 0v- v 21 3. Dois vetores 1v e 2v são dependentes se, e somente se, um deles é múltiplo do outro. 3.4 Base e Dimensão de um Espaço Vetorial Em geral nós pensamos numa reta como sendo unidimensional, num plano como sendo bidimensional e no espaço como sendo tridimensional. O principal objetivo deste tópico é tornar mais precisa esta noção intuitiva de “dimensão”, porém inicialmente será enunciado o conceito de “base”. Para começar será útil reformular a noção de sistema de coordenadas nos espaços bi e tridimensionais usando vetores em vez de eixos coordenados, isto pode ser feito substituindo cada eixo coordenado por um vetor de comprimento 1 que aponta na direção e no sentido positivo do eixo. Considere, por exemplo, que v1 e v2 são tais vetores, se P = (a,b) é um ponto qualquer no plano, podemos projetar P paralelamente a v1 e v2, para ter 𝑂𝑃⃗⃗⃗⃗ ⃗⃗ como a diagonal do paralelogramo determinado por av1 e bv2 e portanto podemos escrever o vetor 𝑂𝑃⃗⃗⃗⃗ ⃗⃗ como uma combinação linear de v1 e v2, ou seja, 𝑂𝑃⃗⃗⃗⃗ ⃗⃗ = av1+ bv2. Então, informalmente dizemos que os vetores que especificam um sistema de coordenadas são os “os vetores de base” do sistema. Embora tenhamos usado vetores de base de comprimento 1, veremos que isso não é essencial, para formarmos uma base são suficientes vetores não-nulos de qualquer comprimento. Segue a seguir a definição de base de um espaço vetorial. Definição. Um conjunto Vv...,,v,vB n21 é uma base do espaço vetorial V se: I) B é LI; II) B gera V 54 Teorema. Se B = {v1, v2, ..., vn} é uma base de um espaço vetorial V, então cada vetor de V pode ser expresso da forma v= c1v1 + c2v2 + ... + cnvn de uma única maneira. Exemplos: 1. Verificar se 0,1,1,1 B é base de R2. 2. Verificar se 110,02,1B é uma base R3. 55 3. Verificar se 100,010,0,0,1B é uma base R3. 4. Verificar se 031,12,1 B é uma base R3. 56 Dimensão de um espaço vetorial A dimensão de um espaço vetorial V é o número de vetores de qualquer base de V. Exemplos Resolvidos a) ..........dim 1 d) ..........dim n b) ..........dim 2 e) dim M(m,n) = ............. c) ..........dim 3 f) dim {0} = ............... A dimensão de um espaço vetorial V é igual ao número de variáveis livres do vetor genérico de V. Se a dimensão de um espaço vetorial V é n, então qualquer conjunto LI de “n” vetores de V é uma base de V. Observações Seja V um espaço vetorial tal que dim V = n. Se S é um subespaço de V, então a dimensão de S < = n. No caso da dim S = n, tem-se que S = V. Para permitir uma interpretação geométrica, consideramos o espaço tridimensional R3, onde a dimensão de qualquer subespaço do R3 só poderá ser 0, 1, 2 ou 3. Portanto, temos os seguintes casos: I) dim S = 0, então 0S é a origem. II) dim S = 1, então S é uma reta que passa pela origem. III) dim S = 2, então S é um plano que passa pela origem. IV) dim S = 3, então S é o próprio R3. Uma forma prática para determinar a dimensão de um espaço vetorial é verificar o número de variáveis livres de seu vetor genérico. Esse número é a dimensão do espaço Exemplos Resolvidos 1) Determinar a dimensão e uma base do espaço vetorial 0zyx2/Rz,y,xS 3 2) Qual a dimensão do espaço vetorial S = 0zyx/)z,y,x( 3 ? 57 Verifique, nos exercícios 1 e 2, se os conjuntos representam espaços vetoriais utilizando apenas as operações de adição e multiplicação por um escalar. 1) V= {(1, a, b); a, b R} 2) V = {(a, 2a, 3a); a R} 3) Seja V = 3 1 2 3 3 1R e W x x x x {( , , ); }, verifique se W é um subespaço do R 3. 4) Seja V = 2 2 0 0 xM a b c d a b c d R e S a b a b R ; , , , ; , verifique se S é um subespaço de V. 5) Nos problemas de I a IV são apresentados subconjuntos de R2. Verificar quais deles são subespaços vetoriais do R2. I) S = {(x, y)/y = -x} II) S = {(x, x2)/x R} III) S = {(x, y)/x + 3y = 0} IV) S = {(x, y) /y = x+1} 6) Considere o 3R e verifique se os vetores são LI ou LD. a) u1 = (2, -1, 0) u2 = (-1, 3, 0) u3 = (3, 5, 0) b) u1 = (1, -1, -2) u2 = (2, 1, 1) u3 = (-1, 0, 3). c) u1 = (1, 2, 1) , u2 = (2, 4, 2) e u3 = (5, 10, 5) d) u1 = (1, 1, 0), u2 = (1, 4, 5) e u3 = (3, 6, 5) 7) Escrever o vetor u = (-1, 3, 3) como combinação linear de u1 = (1, 1, 0), u2 = (0, 0, -1) e u3 = (0, 1, 1). 8) Escrever o vetor v = (2, -5, 3) como combinação linear dos vetores v1 = (1, -3, 2), v2 = (2, -4, -1) e v3 = (1, - 5, 7). 9) Escrever o vetor w = (7, -11, 2) como combinaçãolinear de u = (2, -3, 2) e v = (-1, 2, 4). 10) Determinar o valor de k para que seja LI o conjunto {(-1, 0, 2), (1, 1, 1), (k, -2, 0)}. 11) Verificar quais dos seguintes conjuntos de vetores formam base do R2: a) B = {(1, 2), (-1, 3)} b) B = {(3, -6), (-4, 8)} 12) O conjunto B = {(1, 1, -1), (2, -1, 0), (3, 2, 0)} forma uma base do R3? 13)Determine a dimensão e apresentar uma base para cada um dos subespaços: a) xy/)y,x(S 24 b) 0z2yx/)z,y,x(S 35 Respostas 1) Não é espaço vetorial. 2) É espaço vetorial. 3) Não é espaço vetorial 4) É subespaço 5) I) É subespaço II) Não é subespaço III) é subespaço IV) Não é subespaço 6) a) LD b) LI c) LD d) LD 7) V = -u1 + u2 + 4u3 8) Sistema Impossível, portanto não gera base 9) w = 3u – 1v ‘10) k ≠ -3 11) a) B gera o R2 b) B não gera o R2 12) B gera o R3 13) a) dim S = 1; B={(1, -1),(2, -2)} b) dim S = 2; B={(1, 1, 0),(0, 2, 1)} Lista 05: Espaços Vetoriais 58 3.5 Espaços Vetoriais com Produto Interno Seja V um espaço vetorial real. Um produto interno sobre V é uma função que a cada par de vetores, u e v, associa um numero real, denotado por v,u ou vu , satisfazendo os seguintes axiomas. i) 000 useeuueuu [Axioma de positividade] ii) vuvu para todo real [Axioma de homogeneidade] iii) wuvuwvu [Axioma de aditividade] iv) uvvu [Axioma de simetria] Um espaço vetorial real com um produto interno é chamado espaço com produto interno real. Sendo 11 y,xu e 22 y,xv definimos o produto escalar do R 2 da seguinte forma: 2121 yyxxvu . Analogamente define-se o produto escalar do R 3, R4, ..., Rn. 3.6 Ortogonalidade Seja V um espaço vetorial euclidiano (é um espaço vetorial real, de dimensão finita, no qual está definido um produto interno). Diz-se que dois vetores u e v são ortogonais se, e somente se, vusejaouvu ,0 . Exemplo Seja 2RV um espaço vetorial euclidiano em relação ao produto interno 21212211 ,, yyxxyxyx . Em relação a este produto interno, os vetores 4,3u e 3,4v são ortogonais, pois: 03443 vu . Conjunto Ortogonal de Vetores Seja V um espaço vetorial euclidiano. Diz-se que um conjunto de vetores Vv...,,v,v n21 é ortogonal se dois vetores quaisquer, distintos, são ortogonais, isto é, jiparavv ji 0 . Por exemplo, o conjunto 3,5,1,1,0,3,3,2,1 é ortogonal em relação ao produto interno usual, pois os vetores deste conjunto são ortogonais dois a dois. 59 Teorema Um conjunto ortogonal de vetores não-nulos n21 v...,,v,vA é linearmente independente (LI). Observação. A recíproca deste teorema não é verdadeira, ou seja, se o conjunto B é LI, isso não significa que B é ortogonal. Por exemplo, 5,2,2,1B é um conjunto de vetores LI, mas B não é um conjunto ortogonal. Base Ortogonal Diz-se que uma base n21 v...,,v,v de V é ortogonal se os seus vetores são dois a dois ortogonais. Logo o conjunto 3,5,1,1,0,3,3,2,1B é uma base ortogonal do R3. 3.7 Conjuntos Ortonormais Base Ortonormal Uma base n21 v...,,v,vB de um espaço vetorial euclidiano V é ortonormal se B é ortogonal e todos os seus vetores são unitários, ou seja, possuem comprimento 1. Exemplos 1) Verifique se o conjunto com os seguintes vetores 3,5,1,1,0,3,3,2,1B é uma base ortogonal do R3. 60 2) Verifique se 2 3 , 2 1 , 2 1 , 2 3 B é uma base ortonormal do R2. 61 Observação Já vimos que se v é um vetor não-nulo, o vetor v v é unitário. Diz-se, nesse caso, que v está normalizado. O processo que transforma v em v v chama-se normalização de v. Assim, uma base ortonormal sempre pode ser obtida de uma base ortogonal normalizando cada vetor. Exemplo A base n21 v...,,v,vB , sendo 1,1,2v,1,1,1v 21 e 1,1,0ve 3 é ortogonal em relação ao produto interno usual. Normalizando cada vetor obtemos uma base ortonormal do R3. Determinar esta base ortonormal. 62 3.8 Processo de Ortogonalização de Gram-Schmidt Dado um espaço vetorial euclidiano V e uma base qualquer n21 v...,,v,vB desse espaço, é possível, a partir dessa base, determinar uma base ortogonal de V. De fato, supondo que n21 v...,,v,v não são ortogonais e, considerando que 11 vw , determinamos o valor de de modo que o vetor 122 wvw seja ortogonal a 1w , ou seja: 012 ww 0)( 112 wwv 0)( 1112 wwwv 11 12 ww wv 1 11 12 22 w ww wv vw Assim 21 wew são ortogonais. Analogamente determina-se 3w , onde 1 11 13 2 22 23 33 w ww wv w ww wv vw , onde 21 w,w e 3w são ortogonais. O processo que permite a determinação de uma base ortogonal a partir de uma base qualquer chama-se processo de ortogonalização de Gram-Schmidt. Para se obter uma base ortonormal, basta normalizar cada iw , fazendo i i i w w u Exemplo 1 Sejam 1,1,1 v1 , 0,1,1 v2 e 0,0,1 v3 vetores do R 3. Esses vetores constituem uma base }v,v,v{B 321 não ortogonal em relação ao produto interno usual. Obtenha a partir de B uma base }u,u,u{B 321 que seja ortonormal. 63 Exemplo 2 Transformar os vetores: 1,-3 v1 , 2,2 v2 em base ortonormal. 1) Determinar o valor de m para que os vetores 3,m,2u e 4,2,1mv sejam ortogonais em relação o produto interno usual do 3R . 2) Construir a partir do vetor 1,2,1v1 uma base ortogonal do R 3 relativamente ao produto interno usual e obter, a partir dela, uma base ortonormal. 3) Considere as seguintes bases: a) 2,1,4,3A b) 2,1,0,1,1,0,0,0,1B c) 4,3,0,1,0,1,1,0,1C Ortonormalizar essas bases em relação ao produto interno usual de cada espaço. Respostas 1) 2 7 m 2) 1,0,1,1,1,1,1,2,1B para base ortonormal, basta normalizar cada vetor de B. 3) a) 5 3 , 5 4 , 5 4 , 5 3 'A b) 2 1 , 2 1 ,0, 2 1 , 2 1 ,0,0,0,1'B c) 0,1,0, 2 1 ,0, 2 1 , 2 1 ,0, 2 1 'C Lista 06: Espaços Vetoriais 64 4. TRANSFORMAÇÕES LINEARES Estudaremos um tipo especial de função (ou aplicação), onde o domínio e o contradomínio são espaços vetoriais reais. Assim, tanto a variável independente como a variável dependente, são vetores, razão pela qual essas funções são chamadas vetoriais. Estamos particularmente interessados nas funções vetoriais lineares que serão denominadas “transformações lineares”. As transformações lineares são fundamentais no estudo da Álgebra Linear e têm muitas aplicações na Física, Engenharias, Ciências Sociais e em outros vários ramos da Matemática. Para dizer que T é uma transformação do espaço vetorial V no espaço vetorial W, escreve-se WV:T sendo T uma função, cada vetor Vv tem um só vetor imagem Ww , que será indicado por vTw . Considerando 32 RWeRV , uma transformação 32 RR:T associa vetores 2Ry,xv com vetores 3Rz,y,xw . Se a lei que define a transformação T for yx,y2,x3y,xT , o diagrama apresenta três vetores particulares de v e suas correspondentes imagens w. Definição. Sejam V e W espaços vetoriais. Uma aplicação T: V W é chamada transformação linear de Vem W se: I) vT uT vu T II) uTuT para u, v V e R. Observação. Uma transformação linear de V em V (é o caso onde V = W, ou seja, quando V e W têm a mesma dimensão) é chamada operador linear sobre V. Exemplos: 1. Mostre que 32 RR:T , yx,y2,x3y,xT , é uma transformação linear. 65 2. Mostre que RR:T , x3xT , é uma transformação linear. 3. Mostre que RR:T 3 , zyxz,y,xT , é uma transformação linear. 4. Mostre que RR:T , 1x3xT , não é uma transformação linear. 66 Propriedade Se WV:T for uma transformação linear, então: vbTuaTbvauT para Rb,aeVv,u . De forma análoga, tem-se: nn2211nn2211 vTa...vTavTava...vavaT para n...,,2,1i,RaeVv ii , isto é, a imagem de uma combinação linear de vetores é uma combinação linear desses vetores, com os mesmos coeficientes. Suponhamos que n21 v,...,v,v seja uma base do domínio V e que se saiba quais são as imagens n21 vT,...,vT,vT dos vetores desta base. Sempre é possível obter a imagem vT de qualquer Vv , pois sendo v uma combinação linear dos vetores da base, isto é: nn2211 va...vavav e pela relação acima, vem: nn2211 vTa...vTavTavT Assim, uma transformação linear WV:T fica completamente definida quando se conhecem as imagens dos vetores de uma base de V. Exemplos: 1) Seja 23 RR:T uma transformação linear e 321 v,v,vb uma base do R 3, sendo 0,1,0v1 , 1,0,1v2 e 0,1,1v3 . Determinar 2,3,5T , sabendo que 2,1vT 1 , 1,3vT 2 e 2,0vT 3 . 2) Sabendo que 32 RR:T é uma transformação linear e que 2,2,31,1T e 3,1,12,1T , determinar y,xT . 67 4.1 . Núcleo e Imagem de uma transformação linear Definição: Chama-se núcleo de uma transformação linear WV:T ao conjunto de todos os vetores Vv que são transformações lineares em W0 . Indica-se esse conjunto por TN ou Tker : TN ou 0vT/VvTker Definição: Chama-se imagem de uma transformação linear WV:T ao conjunto dos vetores Ww que são imagens de pelo menos um vetor Vv . Indica-se esse conjunto por TIm ou VT : V valgum parawvT/WwTIm Exemplos 1. Determinar o núcleo e a imagem do operador linear: zy3x,z2y,zy2xz,y,xT,RR:T 33 . 2. Seja R3-R2 a transformação Linear dada por T(x ,y, z) = (x –y + 4z,3x + y + 8z) encontre o núcleo. 68 4.2 Matriz de uma transformação linear Sejam WV:T uma transformação linear, A uma base de V e B uma base de W. Consideremos o caso em que 3Wdime2Vdim . Sejam 21 v,vA e 321 w,w,wB bases de V e W, respectivamente. Um vetor Vv pode ser expresso por: 21A2211 x,xvouvxvxv e a imagem vT por: 321B332211 y,y,yvTouwywywyvT Por outro lado: 22112211 vTxvTxvxvxTvT Sendo 21 vTevT vetores de W, eles são combinações lineares dos vetores de B: 3312211111 wawawavT 3322221122 wawawavT Substituindo esses valores em 2211 vTxvTxvT , vem: 33222211223312211111 wawawaxwawawaxvT ou 323213122221211212111 wxaxawxaxawxaxavT Comparando essa igualdade com 332211 wywywyvT , concluiu-se: 2321313 2221212 2121111 xaxay xaxay xaxay ou, na forma matricial: 2 1 3231 2221 1211 3 2 1 x x aa aa aa y y y B1 vT B2 vT ou, simbolicamente: A A BB vTvT sendo ABT denominada matriz de T em relação às bases A e B, isto é, T é a matriz mudança de base de A para B. 69 Observações 1. A matriz ABT é de ordem 23 quando 3Wdime2Vdim . 2. As colunas da matriz ABT são as componentes das imagens dos vetores da base A em relação à base B. 3. A matriz ABT depende das bases A e B consideradas, isto é, a cada dupla de bases corresponde uma particular matriz. Assim, uma transformação linear poderá ter uma infinidade de matrizes para representá- la. No entanto, fixadas as bases, a matriz é única. Exemplo 1. Seja z2yx3,zyx2z,y,xT,RR:T 23 , linear e consideremos as bases 1,0,0;1,1,0;1,1,1A e 3,5;1,2B . a) determinar ABT . b) Se 2,4,3v (coordenadas em relação à base canônica do R3), calcular BvT utilizando a matriz encontrada. 70 1) Determine quais das seguintes transformações são aplicações lineares: a) x,xy,xT RR:T 2 22 b) x2,xxT RR:T 2 2) Determine a transformação linear 23 RR:T tal que tal que 1,11,2,3T , 2,00,1,0T e 0,01,0,0T 3) Determine o operador linear da transformação 22 RR:T tal que 1,10,1T e 2,21,0T 4) Qual é a transformação linear 32 RR:T tal que 0,1,20,1T e 1,0,01,0T . 5) Dadas as transformações, indique o núcleo e a imagem de cada uma delas: a) x2,xxT RR:T 2 b) yxy,xT RR:T 2 6) Seja z2yx3,zyx2z,y,xT,RR:T 23 , linear com as bases 321 v,v,vA onde 1,0,0ve1,1,0v,1,1,1v 321 e 21 w,wB onde 1,0we0,1w 21 a) determinar ABT . b) Se 2,4,3v calcular BvT . 7) Seja z2yx3,zyx2z,y,xT,RR:T 23 , linear com as bases 321 v,v,vA onde 1,0,0ve0,1,0v,0,0,1v 321 e 21 w,wB onde 1,0we0,1w 21 a)determinar ABT . b)Se 2,4,3v calcular BvT . Respostas 1) b é aplicação linear 2) y2 3 x5 , 3 x z,y,xT 3) y2x,y2xy,xT 4) yxxyxT ,,2, 5) a) ba2/Rb,aTIm 0x/RxTN 2 b) ayxRaT yxRyxTN /Im /, 2 2 6) a) 212 102 T A B b) 1 12 vT B 7) .a) 213 112 T A B b) 1 12 vT B Lista 07: Transformações Lineares 71 4.3 Transformações Lineares Planas Reflexões a) Reflexão em torno do eixo dos x Essa transformação linear leva cada ponto y,x para sua imagem y,x , simétrica em relação ao eixo dos x. 22 RR:T y,xy,x ou y,xy,xT sendo 10 01 sua matriz canônica, isto é: y x 10 01 y x b) Reflexão em torno do eixo dos y 22 RR:T y,xy,x ou y x 10 01 y x y x c) Reflexão na origem 22 RR:T y,xy,x ou y x 10 01 y x y x d) Reflexão em torno da reta xy 22 RR:T x,yy,x ou y x 01 10 x y y x e) Reflexão em torno da reta xy 22 RR:T x,yy,x ou y x 01 10 x y y x Dilatações e Contrações a) Dilatação ou contração na direção do vetor 22 RR:T R,y,xy,x ou y x 0 0 y x y x y x É utilizada na computação gráfica bidimensional, sendo importante papel nas áreas de videogames e de efeitos especiais para a indústria cinematográfica. 72 Observemos que: se 1 , T dilata o vetor; se 1 , T contrai
Compartilhar