Baixe o app para aproveitar ainda mais
Prévia do material em texto
ÁLGEBRA LINEAR ÁLGEBRA LINEAR José Tadeu de Almeida © Copyright 2018 da Dtcom. É permitida a reprodução total ou parcial, desde que sejam respeitados os direitos do Autor, conforme determinam a Lei n.º 9.610/98 (Lei do Direito Autoral) e a Constituição Federal, art. 5º, inc. XXVII e XXVIII, “a” e “b”. Dados Internacionais de Catalogação na Publicação (CIP) (Ficha catalográfica elaborada pela Dtcom. Bibliotecária – – Vanessa Gabriele de Araújo - CRB 14/1498) A447a Almeida, José Tadeu de. Álgebra Linear /José Tadeu de Almeida. – Curitiba, PR: Dtcom, 2018. 192 p. Inclui bibliografia. ISBN 978-85-93685-50-7 1. Matemática - Álgebra. 2. Álgebra Linear. I. Título CDD 512.5 Reitor Prof. Celso Niskier Pro-Reitor Acadêmico Maximiliano Pinto Damas Pro-Reitor Administrativo e de Operações Antonio Alberto Bittencourt Coordenação do Núcleo de Educação a Distância Viviana Gondim de Carvalho Redação Dtcom Análise educacional Dtcom Autoria da Disciplina José Tadeu de Almeida Validação da Disciplina Thiago Graça Ramos Designer instrucional Milena Rettondini Noboa Banco de Imagens Shutterstock.com Produção do Material Didático-Pedagógico Dtcom Sumário 01 Vetores ........................................................................................................................................7 02 Matrizes ....................................................................................................................................17 03 Operações com matrizes ......................................................................................................25 04 Determinantes .........................................................................................................................34 05 Matrizes invertíveis ................................................................................................................45 06 Sistemas de equações lineares ...........................................................................................56 07 Sistemas de equações lineares de ordem 2 .....................................................................65 08 Operações elementares em sistemas de equações lineares ........................................74 09 Método da redução por linhas .............................................................................................82 10 Método da matriz inversa .....................................................................................................92 11 Espaços vetoriais ................................................................................................................. 102 12 Subespaços vetoriais .......................................................................................................... 111 13 Dependência e independência lineares ........................................................................... 119 14 Base e dimensão de espaços vetoriais ........................................................................... 127 15 Mudança de bases .............................................................................................................. 135 16 Transformações lineares ................................................................................................... 145 17 Núcleo e imagem de tansformações lineares ............................................................... 155 18 Transformações lineares planas ...................................................................................... 162 19 Operadores lineares ............................................................................................................ 172 20 Autovalores e autovetores ................................................................................................. 181 Vetores José Tadeu de Almeida Introdução Nesta aula apresentaremos alguns dos principais elementos de raciocínio a respeito dos vetores. Entenderemos a sua função, aplicações e propriedades, com ênfase ao estudo das opera- ções entre vetores, e do cálculo do ângulo entre os mesmos. Objetivos de aprendizagem Ao final desta aula, você será capaz de: • conhecer o conceito de vetor em dimensão qualquer, representando-os geométrica e analiticamente; • entender como operar vetores entre si e com escalares; • compreender o cálculo do ângulo entre vetores; • identificar paralelismo e ortogonalidade de vetores. 1 Vetores e suas representações No cotidiano há ações que comumente efetuamos, como comer, vestir-se ou usar um com- putador. Para que possamos entender o conceito de vetor, vamos usar um dos exemplos do nosso dia a dia: empurrar um mouse. Ao efetuar este movimento, você aplica uma força sobre um objeto para que ele se movimente, conforme ilustra a Figura “Força sobre um objeto”. Figura 1 – Força sobre um objeto Força Fonte: elaborada pelo autor, 2017. Mas para sabermos como é realizado este trabalho sobre o objeto, precisamos saber sobre a intensidade da força, e também a sua direção. Estas informações são fornecidas por vetores, que são elementos com tripla dimensão, pois demonstram, por meio de segmentos de reta, uma direção, um sentido e um comprimento, e são expressos por números reais. (BOLDRINI et al, 1980) Os vetores podem ser representados geometricamente em forma de seta, e sua representa- ção algébrica ocorre por meio de uma letra encimada por uma seta. Figura 2 – Representação dos vetores Origem u Extremidade Fonte: elaborada pelo autor, 2017. O princípio da igualdade entre vetores nos mostra que dois ou mais vetores são iguais quando possuem valores iguais para os seus três elementos constituintes: direção, sentido e dimensão (em valor absoluto). (VENTURI, 2015) FIQUE ATENTO! Quando tratamos o valor absoluto de um vetor estamos interessados na sua di- mensão, sem considerar se ele tem coordenadas de sentido e direção, que podem envolver números negativos. A representação de um vetor é importante para compreendermos as formas pelas quais ele é determinado em um plano. 2 Vetores definidos por dois pontos Nos processos que envolvem vetores, utilizamos um plano cartesiano, que consiste em um sistema de coordenadas expresso por retas orientadas (com direção e sentido) e que se cruzam. (BOLDRINI et al, 1980) Considere um plano cartesiano com duas retas perpendiculares entre si. Dois pontos, T e K, podem ser identificados, respectivamente, a partir de coordenadas de dimensões reais, expressas pelos pares ordenados (a, b) e (c, d). Figura 3 – Vetor em Plano Cartesiano d b a c T K Fonte: elaborada pelo autor, 2017. A partir dos pontos T e K podemos visualizar o segmento de reta TK , que é um segmento orientado. Entre dois pontos, portanto, pode-se traçar um vetor. A representação do vetor expresso pelo segmento TK indica a sua localização em um plano bidimensional. Como as dimensões destes eixos são expressos por valores reais, cada ponto den- tro do plano exprime uma distância qualquer entre o ponto em questão (o ponto T, por exemplo, está a uma distância b da origem em relação ao eixo vertical) e o ponto de origem (0,0) do plano. (BOLDRINI et al 1980) 3 Vetores em R² e R³ Como vimos no tópico anterior, a representação de um vetor, por estar inscrita em um plano bidimensional que expressa valores reais, demonstra a cada ponto uma intersecção de valores reais em duas dimensões. Ou seja, o ponto T (a,b) é um ponto dentro de um plano de dimensão R². Se substituímos os elementos (a,b) e (c,d) por valores numéricos nos pares (2,3) e (7,6) tere- mos um vetor representado conforme a figura “Representação de um vetor com coordenadas reais em R²”. Figura 4 – Representação de um vetor com coordenadas reais em R² 6 3 2 7 T K Fonte: elaborada pelo autor, 2017. O segmento TK , um vetor, está em um plano de dimensão R² e tem sua origem no ponto T (2,3) e extremidade no ponto K (7,6). Os vetores também podem ser representados em três dimensões (R³), dentro de um espaço formadopor três eixos, perpendiculares dois a dois, onde cada ponto deste espaço é expresso pelas coordenadas (x,y,z) de distância até a origem (VENTURI, 2015). Figura 5 – Representação de um vetor em um espaço R³ Z X y P = (x,y,z) Fonte: elaborada pelo autor, 2017. Considere, no caso do vetor pp , para a Figura “Representação de um vetor com coordenadas reais em R²”, as seguintes dimensões: x = 3; y = 5; z = 7 O ponto P estará inscrito assim na coordenada P(3,5,7). Já um vetor traçado do ponto O, de origem dos eixos (0,0,0) em direção ao ponto P, será expresso pelo segmento OP (VENTURI, 2015). Observe a figura “Representação de um vetor com coordenadas reais em R³”. Figura 6 – Representação de um vetor com coordenadas reais em R³ Z X y P = (3,5,7) Fonte: elaborada pelo autor, 2017. FIQUE ATENTO! O ponto de origem é descrito pelas coordenadas (0,0) em um plano R², e (0,0,0) em um espaço R³. 4 Operações com vetores Sendo representados por valores reais, os vetores podem ser adicionados e/ou multiplicados entre si ou em relação a valores constantes. Quando efetuamos a operação de multiplicação de um vetor ν por um valor constante k qualquer, sendo k maior que zero (k > 0), forma-se um novo vetor n , sendo n = k * ν (BOLDRINI et al, 1980). Note que o vetor n terá a mesma direção e sentido do vetor ν , e terá como comprimento k vezes o comprimento do vetor ν . Figura 7 – Multiplicação de vetores por valores constantes positivos 9 3 3 9 M W Fonte: elaborada pelo autor, 2017. No exemplo da Figura “Multiplicação de vetores por valores constantes positivos”, o vetor representado pelo segmento OW , ou seja, da origem (0,0) ao ponto W(3,3) foi multiplicado pelo valor constante k=3, de modo que o resultado é expresso pelo vetor representado por OM , com sua extremidade no ponto M(9,9). Assim, OM = 3 * OW . Caso k seja inferior a zero (k<0), o vetor resultante será oposto ao vetor original, e seu compri- mento será proporcional à constante k. Observe a seguir. Figura 8 – Multiplicação de vetores por valores constantes negativos 9 M 9-3 R -3 Fonte: elaborada pelo autor, 2017. No exemplo da Figura “Multiplicação de vetores por valores constantes negativos” supõe-se que k = –1/3. Neste caso, o vetor representado por OW é multiplicado por k, gerando o vetor OR , oposto a OW , com extremidade no ponto R (-3, -3). Por fim, se k = 0, o vetor resultante será nulo e restrito ao ponto de origem (0,0). SAIBA MAIS! O tópico 1.1.1. do ebook “Geometria Analítica e Vetorial”, de Daniel Miranda, Rafael Grisi e Sinuê Lodovici (2015), denominado “Operações com vetores”, aprofunda os te- mas estudados nesta aula e, em especial, neste tópico. Acesse: <http://gradmat.ufa- bc.edu.br/disciplinas/listas/ga/notasdeaulas/geometriaanaliticaevetorial-SGD.pdf>. Para operações de adição entre vetores, inscritos em um mesmo plano, tem-se que as coorde- nadas do vetor-soma serão dadas pela soma das coordenadas dos vetores (BOLDRINI et al, 1980): n (a,b) + ν (c,d) = r ((a + c),(b + d)) EXEMPLO Se temos um vetor n (87,44) e um vetor y (43,19), o vetor-soma r é dado por n (87,44) + ν (43,19) = r ((87 + 43) ,(44 + 19)) = r (130,63) 5 Produto escalar Dois vetores, representados por segmentos de reta, possuem um determinado ângulo, quando posicionados entre si. Mas, para se obter a medida deste ângulo, devemos recorrer ao produto escalar. FIQUE ATENTO! O ângulo entre dois vetores mede o grau de inclinação dos mesmos quando são posicionados sobre um mesmo ponto de origem. O produto escalar entre dois vetores é a soma do produto das respectivas coordenadas des- tes vetores (VENTURI, 2015), de modo que: 1ν (a,b) * 2ν (c,d) = (a * c) + (b * d) Por exemplo, considere um plano R² que contém os vetores r (3,5) e t (2,8). O produto escalar entre estes vetores será dado por: r * t = (3,5) * (2,8) = (3 * 2) + (5 * 8) = 6 + 40 = 46 A partir do produto escalar, podemos obter o ângulo entre vetores a partir de uma regra que utiliza os valores do cosseno dos ângulos e os produtos escalares de dois vetores, r e t , da seguinte forma: *cos( ) | | * | | r tx r t = SAIBA MAIS! O cosseno é uma função trigonométrica que indica a relação entre as dimensões do cateto adjacente a um dado ângulo x, e a hipotenusa de um triângulo retângulo. Perceba que no denominador o produto escalar é descrito em módulo, ou seja, pede-se o valor absoluto (positivo) das coordenadas dos vetores (VENTURI, 2015). O produto do módulo é calculado desta forma: 2| | *r r r= A partir desta equação, você usará a mesma regra de cálculo do produto escalar. E, para obter o valor do cosseno de um ângulo, você pode consultar uma tabela trigonométrica (há muitas disponíveis na internet). EXEMPLO Considere os vetores p (3,4) e e (6,8) O cosseno do ângulo x entre estes vetores é dado por: *cos( ) | | * | | p ex p e = Temos que: 22 2 2| | * (3,4) * (3,4) (3 * 3) (4 * 4) 25 5p p p= = = + = = e 2 2| | * (6,8) * (6,8) 10e e e= = = Assim, * (3 * 6) (4 * 8) 50cos( ) 1 5 *10 50| | * | | p ex p e + = = = = Consultando a tabela trigonométrica, você verá que o valor 1 corresponde ao cos- seno do ângulo de 0º. Logo, estes vetores são paralelos. Não se esqueça que o valor dos cossenos de um ângulo é sempre dado para valores de até 90º. Acima deste valor você deverá dividir o ângulo entre os vetores por 90º e utilizar o valor da sobra como referência. Por exemplo, quando dois ângulos estão postos em um ângulo de 225º o resultado desta divisão por 90º será igual a 2, com sobra de 45º. Use, portanto, o dado da tabela trigonométrica aplicado ao valor de 45º. 6 Paralelismo e ortogonalidade entre vetores No primeiro tópico desta aula verificamos as situações que envolvem a igualdade entre veto- res. Agora, discutiremos as condições angulares que determinam se dois ou mais vetores são paralelos ou ortogonais. (VENTURI, 2015) Vetores são paralelos entre si quando o ângulo entre eles é igual a 0º ou a 180º. Observe: e b Como os vetores e e b têm a mesma direção e sentido, o ângulo deles é igual a zero (∀=0º): e = b A condição de paralelismo também será verificada quando dois vetores são opostos entre si (∀= 180º): f y Dois ou mais vetores são ortogonais quando são perpendiculares entre si, de modo que o ângulo entre eles seja de 90º: h p Esta condição também se manifesta quando o ângulo é igual a 270º: p m Perceba que nesta condição, o vetor m é oposto ao vetor h do exemplo anterior. E, da mesma forma, o produto escalar entre eles é igual a zero, pois o cosseno do ângulo entre vetores que têm inclinação de 90º tem valor nulo. Fechamento Nesta aula, você teve a oportunidade de: • conhecer e exemplificar vetores e suas representações; • identificar as condições de paralelismo, ortogonalidade e ângulo entre vetores; • efetuar operações com vetores e apurar seu produto escalar. Referências BOLDRINI, José Luiz; COSTA, Sueli Rodrigues; FIGUEIREDO, Vera Lúcia; WETZLER, Henry. Álgebra Linear. 3. ed. São Paulo: Harper & Row do Brasil, 1980. MIRANDA, Daniel; GRISI, Rafael; LODOVICI, Sinuê. Geometria Analítica e Vetorial. Santo André: Uni- versidade Federal do ABC, 2015. Disponível em: <http://gradmat.ufabc.edu.br/disciplinas/listas/ ga/notasdeaulas/geometriaanaliticaevetorial-SGD.pdf>. Acesso em: 23 jul. 2017. VENTURI, Jaci. Álgebra Vetorial e Geometria Analítica. 10. ed. Curitiba: UFPR, 2015. Disponível em <http://www.geometriaanalitica.com.br/livros/av.pdf>. Acesso em: 23 jul. 2017. Matrizes José Tadeu de Almeida Introdução Você já organizou uma tabela com informações? Nesta aula, vamos estudar as matrizes, arranjos que permitem o entendimento de dados organizados. Aprenderemos também sobre o con- ceito deste tópico de estudo da Álgebra Linear, assim como suas características,tipos e aplicações. Objetivos de aprendizagem Ao final desta aula, você será capaz de: • conceituar matrizes; • reconhecer os tipos especiais de matrizes. 1 Conceito de matriz real Em nosso dia a dia, frequentemente, utilizamos alguma técnica de organização de dados em tabelas para catalogar e ordenar observações relacionadas a uma ou mais variáveis. Observe, a seguir, uma tabela de organização de dados relacionada ao peso, altura e idade de um grupo de indivíduos. Tabela 1 – Rol de indivíduos Indivíduo Altura (cm) Peso (kg) Idade (anos) Alfa 168 87 47 Echo 143 49 84 Sierra 178 130 31 Fonte: elaborada pelo autor, 2017. Se retirarmos os elementos descritivos e mantermos os dados observados, de forma organi- zada, agrupando-os dentro de colchetes, teremos o seguinte arranjo: 168 87 47 143 49 84 178 130 31 = M – 17 – TEMA 2 Esta organização corresponde a uma matriz real, que denominamos M (STEINBRUCH; WINTERLE, 1997). Podemos entender uma matriz real M como um arranjo retangular de números reais dis- postos em linhas e colunas. Logo, apenas números reais são aceitos para a composição de uma matriz real. Os chamados números complexos, como 2 1− , por exemplo, não são considerados. FIQUE ATENTO! Raízes quadradas de números negativos não são números reais e, portanto, não compõem uma matriz real. Cada número real disposto na matriz, portanto, é um certo elemento a, pertencente a uma linha i qualquer, e uma coluna j qualquer. Portanto, cada elemento da matriz tem notação ija (BOL- DRINI et al, 1980). Observe agora a segunda linha da matriz M. Ela é formada pelos dados do conjunto {143, 49, 84}. A segunda coluna, por sua vez, é composta pelos elementos {87, 49, 130}. O dado do meio, {49}, portanto, pertence à segunda linha e à segunda coluna. Trata-se, assim, do elemento 22a . O elemento 13a , desta forma, é o número 47. 1.1 Igualdade entre matrizes Duas ou mais matrizes são iguais quando satisfazem as seguintes condições (BOLDRINI et al, 1980): • os números de linhas e colunas são iguais; • os elementos de cada matriz são perfeitamente correspondentes, ou seja, são iguais e localizados na mesma posição em relação às matrizes em análise. Assim, para o caso de duas matrizes, A e B, temos: 11 11 12 12; ;= = …a b a b EXEMPLO Considere as matrizes 2 4 8 4 3 6 0,5 6 = = x A e B y Sabendo que as matrizes A e B satisfazem a condição de igualdade de matrizes, temos que 11 11=a b . Logo, 2 8 4= → =x x Da mesma forma, 21 21=a b , então 0,5 3 6= → =y y . ÁLGEBRA LINEAR – 18 – Cada matriz possui infinitas combinações em termos de número de linhas e colunas. Se temos uma matriz com quatro linhas e seis colunas, por exemplo, dizemos que esta matriz é uma matriz 4x5. A matriz M, citada anteriormente, seria uma matriz 3x3, logo é um caso especial, deno- minado matriz quadrada, como estudaremos no próximo tópico. 2 Tipos especiais de matrizes Nem todas as matrizes são perfeitamente simétricas/quadradas, como as que verificamos anteriormente. Para entendermos isto, basta pensarmos que determinados conjuntos de dados podem estar ligados a apenas uma variável de estudo, de maneira que teremos diversas linhas e apenas uma coluna. Este, por exemplo, é um tipo especial de matriz, denominado matriz coluna (STEINBRUCH; WINTERLE, 1997; BOLDRINI et al, 1980), como demonstrado a seguir. =C m A matriz linha, por sua vez, é a matriz que possui apenas uma linha. Observe: 2214 144 18 4 13 = G Já a matriz nula é aquela cujos elementos são todos iguais a zero. Confira a Tabela “Aciden- tes de trabalho nas filiais de uma empresa” e a matriz O, gerada a partir dos dados da Tabela 02: Tabela 2 – Acidentes de trabalho nas filiais de uma empresa Últimos 7 dias Últimos 30 dias Últimos 360 dias Matriz 0 0 0 Filial 01 0 0 0 Filial 02 0 0 0 Fonte: elabora pelo autor, 2017. 0 0 0 0 0 0 0 0 0 = O Por último temos a matriz quadrada, que é formada por um número igual de linhas e colunas: 2 6 10 3 5 0 1 2 5425 = Q ÁLGEBRA LINEAR – 19 – FIQUE ATENTO! Embora uma matriz quadrada seja formada pelo mesmo número de linhas e colunas isto não significa que os elementos que compõem a matriz tenham de ser iguais. Sempre que analisamos uma matriz quadrada devemos verificar qual é a sua ordem (ou dimensão), ou seja, o número de linhas e colunas. No caso que vimos anteriormente, como a matriz Q tem três linhas e três colunas dizemos que ela é de ordem 3. Mas, caso tivesse duas linhas e duas colunas, seria de ordem 2, etc (BOLDRINI et al, 1980) FIQUE ATENTO! Uma matriz real de dimensão n tem ordem n, ou seja, é uma matriz real quadrada com n linhas e n colunas. Neste momento, cabe enfatizarmos algumas propriedades: • se uma matriz não é quadrada, ela será retangular; • uma matriz quadrada pode ser ‘cruzada’ diagonalmente. Neste caso, chamamos de diagonal principal o conjunto em série dos elementos que possuem índices iguais: 11 12 13 14 21 22 23 24 31 32 33 34 41 42 43 44 = a a a a a a A a a a a a a a a a a Neste caso, o conjunto de dados { }11 22 33 44, , ,a a a a corresponde à diagonal principal da matriz A. A diagonal secundária, por sua vez, é o conjunto em série dos elementos que possuem índi- ces iguais a n+1, com n sendo igual à ordem da matriz. No caso da Matriz A, com ordem igual a 4, o conjunto de dados { }14 23 32 41, , ,a a a a gera a diagonal secundária (a soma dos índices é igual a 5). A matriz diagonal é aquela cujos elementos que não pertencem à diagonal principal são todos iguais a zero: 1 0 0 0 0 2 0 0 0 0 9 0 0 0 0 14 = D Há dois casos especiais de matrizes diagonais. O primeiro deles é a matriz escalar, que contém todos os elementos da diagonal principal iguais a um valor constante (k). Observe a tabela a seguir. ÁLGEBRA LINEAR – 20 – Tabela 3 – Disponibilidade de peças em diferentes filiais de uma loja Vestidos brancos Vestidos azuis Calças amarelas Blusas roxas Loja 01 7 0 0 0 Loja 02 0 7 0 0 Loja 03 0 0 7 0 Loja 04 0 0 0 7 Fonte: elaborada pelo autor, 2017. Os dados da Tabela “Disponibilidade de peças em diferentes filiais de uma loja” geram a matriz K, uma matriz escalar: 7 0 0 0 0 7 0 0 0 0 7 0 0 0 0 7 = K A matriz identidade contém todos os elementos da diagonal principal iguais a 1. Neste caso, a matriz identidade de ordem n é denominada. Para o caso de uma matriz de ordem 4 temos: 4 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 = I Note que é importante estar atento à seguinte propriedade para uma matriz identidade nI temos que: 1, 0, = = ≠ ij se i j a se i j A matriz triangular superior é observada quando temos uma matriz quadrada sendo os ele- mentos abaixo da diagonal principal todos nulos: 1 10 9 4 0 2 0 2 0 0 9 12 0 0 0 14 = T de modo que =m n e 0=ija , para >i j . Já a matriz triangular inferior possui nulos os elementos acima da diagonal principal. Observe a Tabela a seguir e a matriz M gerada a partir dos dados fornecidos. ÁLGEBRA LINEAR – 21 – Tabela 4 – Procedimentos veterinários em uma rede de clínicas Filial do sítio Filial da cidade Filial da vila Equinos 18 0 0 Bovinos 10 1 0 Cães e gatos 5 193 109 Fonte: elaborada pelo autor, 2017. 18 0 0 10 1 0 5 193 109 = M Assim, =m n e 0=ija , para >i j .. Dada uma matriz M, com n linhas e m colunas, dizemos que uma matriz A é uma matriz transposta de M (com notação tA ) quando as m linhas de M são transpostas em m colunas de A, e as n colunas de M são transpostas em n linhas de A: 1 8 1 2 3 2 24 , 8 24 48 3 48 = = tDado A então A SAIBA MAIS! Se a matriz A original tem m linhas e n colunas, ou seja, sendo uma matriz m*nA , sua matriz transposta terá n linhas e m colunas, logo, será tn*mA Uma matriz simétrica é uma matriz quadrada de ordemn onde os elementos que compõem as linhas são iguais aos elementos que compõem as colunas, ou seja, [ ] [ ], , , 1= ≤ ≠ ≤M i j M j i para quaisquer i j n 3 3 1 14 3 2 14 18 23 10 3 23 15 7 2 10 7 0 = S A matriz S, portanto, é simétrica de ordem 4. O exemplo oposto é a matriz antissimétrica, uma matriz quadrada de ordem n onde: [ ] [ ], , , 1= − ≤ ≠ ≤M i j M j i para quaisquer i j n ÁLGEBRA LINEAR – 22 – Ou seja, os elementos que compõem as linhas têm igual valor absoluto, mas têm sinal inver- tido em relação aos elementos que compõem as colunas: 3 3 1 14 3 2 14 18 23 10 3 23 15 7 2 10 7 0 − = − − − − − S 3 Aplicação de matrizes na resolução de problemas As matrizes são arranjos de dados dispostos organizadamente segundo alguma variável de escolha. Deste modo, perceba que elas não representam condições abstratas. Ao contrário, um arranjo matricial permite a execução de operações e estimativas a partir dos elementos de cada variável de estudo. SAIBA MAIS! Você pode encontrar interessantes estudos de caso no artigo “Aplicação de Álgebra Linear na Engenharia”, de Andresa Pescador, Janaína Poffo Possamai e Cristiano Roberto Possamai 2011). Consulte, em especial, a seção 3.2, denominada “Balanceamento de Equações Químicas”, que traz um exemplo de aplicação de matrizes em um problema de Química. Acesse: <http://198.136.59.239/~abengeorg/ CobengeAnteriores/2011/sessoestec/art2127.pdf>. As matrizes são utilizadas em diferentes áreas do conhecimento humano. Podemos citar algumas, como a engenharia, administração, as ciências econômicas e, em especial, a demografia, que estuda a dinâmica populacional de um determinado local e suas variações. EXEMPLO Se ao longo do tempo a população de n cidades é formada por homens (na linha 1) e mulheres, é possível elencar diferentes dados da seguinte forma: 3200 114856 14785 2300 113575 15104 = P Sabendo-se que a população aumenta 1,1 vezes ao longo de cinco anos, podemos apenas efetuar operações sobre a matriz P para obter os resultados, ao invés de cole- tá-los individualmente. Para calcular a variação em cinco anos, tem-se a matriz P(5): ( )5 1,1=P * P Em dez anos, a variação será igual a 21,1 : ( ) 210 1,1=P * P E assim por diante. ÁLGEBRA LINEAR – 23 – \\\\repositorio\\repositorio\\Projetos\\UniCarioca\\UCA001_90_disciplinas\\3_produção\\1_conteudo\\Algebra Linear\\Tema 2\\texto-base\\Você Utilizamos matrizes, ainda, para apurarmos resultados de cálculos associados a diferentes variáveis, como na apuração dos custos de produção de um bem ou serviço, por exemplo (BOL- DRINI et al, 1980). Consideremos que um certo bem é composto por diferentes matérias-primas em quantida- des diferentes: [ ]0,74 1,27 15 6 1=M Cada item possui um certo preço, em reais: [ ]14,64 12,71 1,52 0,97 0,0095=P Para apurar o preço final de venda é realizada a multiplicação de matrizes: =V M * P Fechamento Nesta aula, você teve oportunidade de: • entender o conceito de matriz, suas características básicas e suas aplicações; • distinguir e conceituar os diferentes modelos de matrizes especiais. Referências BOLDRINI, José Luiz; COSTA, Sueli Rodrigues; FIGUEIREDO, Vera Lúcia; WETZLER, Henry. Álgebra Linear. 3 ed. São Paulo: Harper &Row do Brasil, 1980. PESCADOR, Andresa; POSSAMAI, Janaína Poffo; POSSAMAI, Cristiano Roberto. Aplicação de Álge- bra Linear na Engenharia. In:CONGRESSO BRASILEIRO DE EDUCAÇÃO EM ENGENHARIA, 39, 2011, Blumenau. Anais...Blumenau: Furb, 2011. Disponível em: <http://198.136.59.239/~abengeorg/ CobengeAnteriores/2011/sessoestec/art2127.pdf>. Acesso em: 5 ago. 2017. STEINBRUCH, Alfredo; WINTERLE, Paulo. Introdução à Álgebra Linear. São Paulo: Pearson, 1997. ÁLGEBRA LINEAR – 24 – http://198.136.59.239/~abengeorg/CobengeAnteriores/2011/sessoestec/art2127.pdf http://198.136.59.239/~abengeorg/CobengeAnteriores/2011/sessoestec/art2127.pdf Operações com matrizes José Tadeu de Almeida Introdução Nesta aula vamos conhecer os procedimentos necessários para realizarmos operações que envolvem matrizes. Por meio de técnicas específicas, você aprenderá como efetuar adições, multi- plicações e transposições de matrizes numéricas associadas a uma ou mais variáveis. Objetivos de aprendizagem Ao final desta aula, você será capaz de: • entender como operar matrizes entre si e com números reais; • compreender como transpor matrizes de qualquer ordem; • reconhecer matrizes triangulares e ortogonais. 1 Adição de matrizes De acordo com as necessidades do pesquisador, podemos manipular dados de matrizes reais por meio de operações matemáticas (ROBBIANO, 2011). Neste tópico vamos estudar os procedi- mentos de adição que envolvem matrizes reais, ou seja, matrizes formadas por números reais). Suponha que um indivíduo possui três tipos de contas a pagar, referentes a um período de três meses, conforme ilustra a Tabela a seguir. Tabela 1 – Gastos projetados para meses selecionados Energia Água e esgoto Serviços de internet Junho 190 85 117 Julho 220 88 138 Agosto 210 89 116 Fonte: elaborada pelo autor, 2017. Agora, a partir dos elementos descritos, vamos isolar os dados numéricos e compor a matriz real G: 190 85 117 220 88 138 210 89 116 = G Considere que este mesmo indivíduo organizou os dados de gastos com alimentação, trans- porte e lazer, para o mesmo período de três meses, gerando a Tabela “Despesas projetadas em meses selecionados” e a Matriz H correspondente. Tabela 2 – Despesas projetadas em meses selecionados Alimentação Transporte Lazer Junho 200 95 110 Julho 190 89 129 Agosto 195 87 134 Fonte: elaborada pelo autor, 2017. 200 95 110 190 89 129 195 87 134 = H Você saberia dizer como este consumidor pode avaliar o montante total de recursos que serão utilizados ao longo destes três meses? Para isso, basta efetuar uma adição de matrizes. Confira: 190 85 117 200 95 110 220 88 138 190 89 129 210 89 116 195 87 134 + = + G H Nesta situação, cada elemento aij da matriz G – ou seja, o elemento que pertence a uma linha i qualquer e uma coluna j qualquer – deverá ser adicionado ao elemento aij da matriz H (HOWARD; BUSBY, 2006). Por exemplo, o elemento g21 da Matriz G, que pertence à segunda linha e primeira coluna (g21 = 220), deve ser adicionado ao elemento h21 da Matriz H (h21 = 190), de modo que: 21 21 220 190 410+ = + =g h O mesmo procedimento de adição para os outros elementos das matrizes G e H gera uma matriz-soma (ROBBIANO, 2011). Acompanhe: 190 85 117 200 95 110 390 180 227 220 88 138 190 89 129 410 177 267 210 89 116 195 87 134 405 176 250 + = + = G H O procedimento de subtração entre matrizes envolve os mesmos procedimentos de uma adição, apenas invertendo-se o sinal da operação. Deste modo: 190 85 117 200 95 110 10 10 7 220 88 138 190 89 129 30 1 9 210 89 116 195 87 134 15 2 18 − − − = − = − − G H 2 Multiplicação por escalar Para estudar a multiplicação de uma matriz por escalar, considerando que o escalar é um valor real e constante, vamos usar novamente os dados da Matriz G do tópico anterior. FIQUE ATENTO! O escalar é um valor fixo que multiplica a matriz. Este valor é um número real e constante, ou seja, todos os elementos das linhas e colunas da matriz serão multi- plicados por este valor numérico. Considere que este consumidor deseja avaliar o montante de recursos necessários para o pagamento de suas despesas durante seis meses. Você saberia executar este cálculo? Acompa- nhe a seguir. 190 85 117 2 190 2 85 2 117 380 170 234 2 2 220 88 138 2 220 2 88 2 138 440 176 276 210 89 116 2 210 2 89 2 116 420 178 232 = = = * * * * G * * * * * * Desta forma, você deverá multiplicar cada elemento aij da matriz por este escalar (ROBBIANO,2011). 3 Transposição de matrizes Supondo uma matriz A, com m linhas e n colunas, temos que a matriz At A é uma matriz transposta em relação à matriz A quando os elementos das colunas da matriz At são iguais aos elementos das linhas da matriz A, e vice-versa (ROBBIANO, 2011). Desta forma: 1 8 1 2 3 2 17 , 8 17 38 3 38 = = tDado A então A Se a matriz A original tem m linhas e n colunas, ou seja, sendo uma matriz Am*n, sua matriz transposta terá n linhas e m colunas, logo, será Atn*m. FIQUE ATENTO! Um arranjo matricial pode organizar de uma a infinitas linhas e colunas. Dentro do estudo da transposição de matrizes, encontramos casos especiais. O primeiro deles é o de uma matriz simétrica, que é uma matriz quadrada de ordem n onde os elementos que compõem as linhas são iguais aos elementos que compõem as colunas. Assim, caso ela seja transposta, sua disposição será igual à matriz original. EXEMPLO A matriz S, com quatro linhas e quatro colunas, é simétrica: 3 3 1 14 3 2 14 18 23 10 3 23 15 7 2 10 7 0 = S O exemplo oposto é a matriz anti-simétrica, onde os elementos que compõem as linhas têm igual valor absoluto, mas têm sinal invertido em relação aos elementos que compõem as colunas. Ou seja, no procedimento de transposição de matrizes, os elementos das linhas têm o mesmo valor absoluto das colunas, mas com sinal contrário. Observe: 3 3 1 14 3 2 14 18 23 10 3 23 15 7 2 10 7 0 − = − − − − − S SAIBA MAIS! As operações com matrizes são importantes em diversas áreas da ciência. No artigo “O tempo de pega em gelatinas comerciais: uma experiência da disciplina de quimiometria para estudantes de graduação em química” (GUEDES et al, 2013) os autores demonstram a transposição de matrizes com o uso de softwares de cálculo. Acesse: <http://www.scielo.br/pdf/qn/v36n3/a20ms01.pdf>. As matrizes triangulares, outro exemplo de tipos especiais de matrizes, podem ser reconhe- cidas quando os elementos que estão acima ou abaixo da diagonal principal são iguais a zero. É importante destacar que a diagonal principal é formada pelos elementos a partir da primeira linha e primeira coluna, de cima para baixo (HOWARD; BUSBY, 2006). Mas, quando os elementos acima da diagonal principal são nulos a matriz é triangular inferior, como na figura a seguir: Figura 1 – Matriz triangular inferior 2 0 0 0 8 1 0 0 1 5 7 0 2 43 3 5 = A Fonte: elaborada pelo autor, 2017. Podemos ainda dizer que uma matriz é do tipo triangular superior quando os elementos abaixo da diagonal principal são iguais a zero: 2 8 8 6 0 1 86 5 0 0 7 35 0 0 0 5 = J Por fim, temos ainda o caso especial de uma matriz ortogonal. Matrizes ortogonais são visu- alizadas quando a transposta At de uma matriz A é igual à sua matriz inversa, com notação A-1. Ou seja, uma matriz A será ortogonal quando: At = A-1 SAIBA MAIS! A inversão de matrizes é um procedimento que envolve diferentes elementos de cálculo, como Determinantes e Cofatores, dispostos em um arranjo denominado matriz adjunta. 4 Produto de matrizes Neste tópico vamos demostrar como é realizada a multiplicação entre matrizes. Você perceberá que há alguns procedimentos a serem seguidos para que matrizes possam ser multiplicadas entre si. Primeiro, considere a tabela “Consumo de eletrólitos em dois alimentos”, com as quantida- des, em miligramas, de ferro, sódio e potássio de dois alimentos. Tabela 3 – Consumo de eletrólitos em dois alimentos Ferro Sódio Potássio Alimento A 10 20 50 Alimento J 115 4 500 Fonte: elaborada pelo autor, 2017. A partir dos dados da tabela, podemos montar a matriz E. Observe: 10 20 50 115 4 500 = E Agora, suponha que uma pessoa ingeriu cinco porções do alimento A e duas porções do alimento J. Logo, podemos formar a matriz C, associada a este volume de alimentos consumidos: [ ]5 2=C Você saberia dizer, dadas as matrizes E e C, qual é a quantidade total de cada eletrólito consu- mido por esta pessoa neste jantar? Para encontrarmos este resultado, devemos efetuar uma opera- ção de multiplicação de matrizes, que pode ser descrita da seguinte forma (HOWARD; BUSBY, 2006): [ ] 10 20 505 2 115 4 500 = E * C * Para fazer esta conta, vamos iniciar pelo elemento ferro. Portanto, se a pessoa consumiu cinco unidades do alimento A e duas unidades do alimento J, a quantidade de ferro consumida, em miligramas, é igual a: 5 10 2 115 50 230 280+ = + =* * Note que este processo possui a seguinte expressão: [ ] [ ] [ ] [ ]105 2 5 10 2 115 50 230 280 115 = = + = + = F * * * O produto entre uma matriz 1x2 e uma matriz 2x1 gerou uma matriz 1x1, expressa pelo ele- mento a11 = 280. Assim, o consumo de ferro foi dado pelo produto entre a primeira coluna da Matriz E, com a linha única da matriz C, gerando uma matriz 1x1, expressa por F. Efetuando este mesmo processo para os outros eletrólitos, teremos a formação de uma nova matriz (Q), que é uma matriz-produto: [ ] ( ) ( ) ( ) ( ) ( ) ( ) [ ]10 20 505 2 5 10 2 115 5 20 2 4 5 50 500 2 280 108 1250 115 4 500 = = + + + = Q * * * * * * * Logo, é possível concluir que esta pessoa consumiu 280 mg de ferro, 108 mg de sódio e 1250 mg de potássio. Vamos reforçar, a partir do exemplo da tabela “Consumo de eletrólitos em dois alimentos”: a disposição, em número de linhas e colunas, dos elementos que formam uma matriz-produto (como a matriz Q), é obtida a partir do número de linhas da primeira matriz e de colunas da segunda matriz (HOWARD; BUSBY, 2006). No exemplo, o produto entre a matriz E (1x2) e a matriz C (2x3) gerou a matriz Q (1x3). EXEMPLO Vamos demonstrar um procedimento de multiplicação para duas matrizes com di- ferentes quantidades de linhas e colunas. Considere a matriz 11 12 132 3 21 22 23 = x a a a A a a a e a matriz 11 12 3 2 21 22 31 32 = x p p P p p p p A matriz-produto Z é de ordem 2x2 e definida por: 2 3 3 2 2 2=x x xA * P Z Observe que a dimensão da matriz-produto é dada pelo número de linhas da primei- ra matriz e o número de colunas da segunda matriz: 11 12 2 2 21 22 = x z z Z z z O elemento z11 é formado ao efetuarmos a soma dos resultados das multiplicações en- tre os elementos da primeira linha da matriz A e da primeira coluna da matriz P. Assim: ( ) ( ) ( )11 11 11 12 21 13 31= + +z a * p a * p a * p Usando este procedimento nos outros elementos da matriz Z, temos: 11 11 12 21 13 31 11 12 12 22 13 3211 12 2 2 21 11 22 21 23 31 21 12 22 22 23 3221 22 + + + + = = + + + + x a * p a * p a * p a * p a * p a * pz z Z a * p a * p a * p a * p a * p a * pz z FIQUE ATENTO! Você deve calcular primeiro as operações de multiplicação, e depois as operações de adição. Assim, ao calcular ( )11 11 12 21 13 31+ +a * p a * p a * p , calcule os produtos e após some os mesmos. Vamos estudar agora as propriedades da multiplicação entre elementos de duas matrizes (HOWARD; BUSBY, 2006). Dadas duas matrizes, A e B, com o mesmo número de linhas e colunas, temos as seguintes propriedades: • o produto entre duas matrizes só pode ser efetuado se o número de colunas da pri- meira matriz for igual ao número de linhas da segunda matriz. • ordem de cálculo do produto entre matrizes. Geralmente, ≠A* B B* A . A exceção é dada quando I é uma matriz-identidade, ou seja, quando os elementos da diagonal prin- cipal são iguais a 1, e os demais são nulos, como a matriz 1 0 0 0 1 0 0 0 1 = I . Neste caso, temos que = =A* I I * A A . Portanto, podemos observar que o produto entre uma matriz identi- dade e uma matriz A qualquer gera a matriz A como resultado. • propriedade distributiva à esquerda da multiplicação, em relação à soma: ( )+ = +A* B C A* B A* C • propriedade distributiva à direita da multiplicação, em relação à soma: (A+B)*C=A*C+B*C • propriedadeassociativa da multiplicação: (A*B)*C=A*(B*C) • transposição do produto entre duas matrizes A e B: quando esta operação é realizada, o resultado gerado é igual ao produto entre as matrizes transpostas de B e A, nesta ordem: ( ) =t t tA* B B * A • produto entre uma matriz e uma matriz nula: suponha a existência de uma matriz O, que seja nula, portanto, expressa da seguinte forma: 0 0 0 0 = O • a multiplicação entre uma matriz A e a matriz O tem como matriz-produto uma matriz nula, de modo que (HOWARD; BUSBY, 2006): A*O=O, e O*A=O Fechamento Nesta aula, você teve a oportunidade de: • verificar como se dá a transposição de uma matriz; • efetuar operações com matrizes e entre matrizes. Referências GUEDES, Thiago Lucena de Macedo; SOARES, Maurity Sanderson de Lima; NEVES, Luiz Seixas das; LIMA, Kássio Michell Gomes de. O tempo de pega em gelatinas comerciais: uma experiência da disciplina de quimiometria para estudantes de graduação em química. Química Nova, Natal, vol.36, n.3, 2013. Disponível em <http://www.scielo.br/pdf/qn/v36n3/a20ms01.pdf>. Acesso em: 14 ago. 2017. HOWARD, Anton; BUSBY, Roberto. Álgebra linear contemporânea. Tradução Claus Ivo Doering. Porto Alegre: Bookman, 2006. ROBBIANO, Lorenzo. Álgebra Linear para todos. Tradução Taíse Santiago O. Mozzato. Milão: Sprin- ger-Verlag Itália, 2011. Determinantes José Tadeu de Almeida Introdução Nesta aula vamos estudar determinantes associados a matrizes quadradas de diferentes ordens. Você aprenderá a conceituar um determinante, além de entender suas propriedades e aplicar suas regras de cálculo. Objetivos de aprendizagem Ao final desta aula, você será capaz de: • entender como calcular determinantes de matrizes de qualquer ordem; • empregar propriedades de determinantes, sempre que possível. 1 O conceito de determinante Um determinante é um número associado a um arranjo de elementos denominado matriz; o cálculo de um determinante, neste sentido, é efetuado conforme as características de cada matriz (ROBBIANO, 2011). Vamos ver um exemplo: considere que a gerência de uma loja de roupas fez um levantamento da quantidade de produtos disponíveis no estoque, gerando uma série de dados, que estão asso- ciados a diferentes variáveis, relacionadas ao tipo de roupa e sua cor, conforme a Tabela a seguir: Tabela 1 – Disponibilidade de vestimentas em uma loja Azul Verde Vermelho Calças 10 12 7 Camisas 8 4 4 Vestidos 9 6 2 Fonte: elaborada pelo autor, 2017. Observe que podemos isolar os elementos numéricos da Tabela “Disponibilidade de vesti- mentas em uma loja” na forma de uma matriz, conforme a figura “Matriz quadrada”: – 34 – TEMA 4 Figura 1 - Matriz quadrada 10 12 7 8 4 4 9 6 2 = B Fonte: elaborada pelo autor, 2017. Podemos dizer que a matriz B é uma matriz quadrada, pois tem três linhas e três colunas (3x3), ou seja, ela é de ordem 3 e de notação 3 3xB . A seguir, na Figura “Diagonal principal e secundária”, vamos observar os elementos em diago- nal da matriz B. Note que a diagonal principal é formada pelos elementos a partir da primeira linha e primeira coluna (negrito), em sentido descendente até o elemento da última linha e última coluna. Já a diagonal secundária (em vermelho) é definida pelos elementos em diagonal a partir da última linha e primeira coluna, subindo até o elemento da primeira linha e última coluna. Figura 2 – Diagonal principal e secundária = B 12 8 4 6 7 9 2 4 10 Fonte: elaborada pelo autor, 2017. É importante destacar que os elementos das diagonais são fundamentais para o cálculo do determinante. FIQUE ATENTO! Em uma matriz quadrada, o elemento que ocupa a posição central na matriz pertence tanto à diagonal principal, quanto à diagonal secundária. A disposição dos elementos de uma matriz, como demostramos no exemplo da loja de rou- pas, obedece a uma regra geral. Assim, uma matriz A de ordem 3 tem seus elementos dispostos da seguinte forma: Figura 3 – Matriz de ordem 3 11 12 13 21 22 23 31 32 33 = a a a A a a a a a a Fonte: elaborada pelo autor, 2017. ÁLGEBRA LINEAR – 35 – A notação a12, por exemplo, indica que este elemento pertence à primeira linha e à segunda coluna da matriz A3x3. Vale ainda destacar que uma matriz pode possuir i linhas e j colunas, de modo que o elemento aij corresponderia ao elemento da i-ésima linha e j-ésima coluna (ROBBIANO, 2011). 1.1 Cálculo de determinantes em matrizes Vamos conhecer agora as fórmulas de cálculo dos determinantes em matrizes quadradas. Em matrizes de ordem 2, por exemplo, o determinante é obtido pela diferença entre os pro- dutos dos elementos da diagonal principal e da diagonal secundária (HOWARD; BUSBY, 2006). Ou seja, dada a matriz A: 11 12 21 22 = a a A a a Assim, temos que o determinante de A, ou seja, det (A) ou A (ROBBIANO, 2011), é dado por: Figura 4 – Cálculo de determinante de ordem 2 ( ) ( )11 22 12 21= −A a * a a * a 11 12 21 22 = a a A a a Fonte: elaborada pelo autor, 2017. Há outras formas de calcularmos um determinante, de acordo com a ordem da matriz qua- drada. Há casos em que a matriz quadrada é de ordem 1, contendo apenas um elemento, como a matriz C1x1: [ ]11=C c O determinante desta matriz é dado pelo próprio elemento que a compõe. Supondo, por exemplo, que c11 = -2, o determinante desta matriz, portanto, é: 11 2= = −C c Para o cálculo de determinantes em matrizes quadradas de ordem 3, ou superiores, usamos a Regra de Sarrus. (HOWARD; BUSBY, 2006). SAIBA MAIS! Para obter mais exemplos de cálculo a partir da Regra de Sarrus consulte o artigo de Amanda Gonçalves Ribeiro. Acesse: <http://brasilescola.uol.com.br/matematica/ regra-sarrus.htm>. ÁLGEBRA LINEAR – 36 – Neste caso, primeiramente, é preciso adicionar duas colunas (as duas primeiras colunas da matriz, na mesma sequência) à direita da terceira coluna da matriz a ser operada: 11 12 13 11 12 21 22 23 21 22 31 32 33 31 32 = a detP a a a a a a a a a a a a a a Após esta etapa, você irá efetuar a multiplicação das diagonais à direita, dadas por D1, D2 e D3: 11 12 13 11 12 21 22 23 21 22 31 32 33 31 32 = a a a a a detP a a a a a a a a a a Onde: 1 11 22 33 2 12 23 31 3 13 21 32 = = = D a * a * a D a * a * a D a * a * a Depois, é preciso efetuar a multiplicação das diagonais à esquerda – D4 , D5 e D6. 11 12 13 11 12 21 22 23 21 22 31 32 33 31 32 = a a a a a detP a a a a a a a a a a Onde: 4 13 22 31 5 11 23 32 6 11 21 33 = = = D a * a * a D a * a * a D a * a * a Por fim, o determinante é calculado: ( )1 2 3 4 5 6= + + − + +detP D D D D D D ÁLGEBRA LINEAR – 37 – EXEMPLO Calcule o determinante da matriz P: 6 8 3 5 1 0 2 9 7 = P Neste caso, aplicando a Regra de Sarrus: 6 8 3 6 8 det 5 1 0 5 1 2 9 7 2 9 =P Calculando o produto das diagonais: 1 11 22 33 2 12 23 31 3 13 21 32 4 13 22 31 5 11 23 32 6 11 21 33 6 1 7 42 8 0 2 0 3 5 9 135 2 1 3 6 9 0 6 0 7 5 8 280 = = = = = = = = = = = = = = = = = = D a * a * a * * D a * a * a * * D a * a * a * * D a * a * a * * D a * a * a * * D a * a * a * * Por fim, o determinante da matriz é dado por: ( )1 2 3 4 5 6 42 135 6 280 109= + + − + + = + − − = −detP D D D D D D 1.2 Determinantes nulos Vamos estudar agora situações que devem ser observadas antes de realizarmos o cálculo de um determinante, pois em caso de determinante nulo não é preciso efetuar o cálculo. (ROBBIANO, 2011). Confira a seguir. • Quando uma das linhas e/ou colunas do determinante é nula. Neste caso, pela Regra de Sarrus, o produto entre os elementos do determinante será igual a zero. • Quando a ordem da matriz é maior que 1 (n>1). • Quando duas ou mais das linhas ou colunas têm elementos iguais e igualmente dispostos. • Se houver duas ou mais linhas e/ou colunas proporcionais entre si; • Se houver duas ou mais colunas que formam uma combinação linear entre si. SAIBA MAIS!Combinações lineares podem ser efetuadas por meio de qualquer operação que correlacione uma ou mais linhas ou colunas. Desta forma, você deverá exercitar seu raciocínio lógico para captar estas combinações. ÁLGEBRA LINEAR – 38 – Vejamos uma situação onde o determinante é nulo sem precisar calculá-lo. Observe a matriz D: 10 12 34 8 4 16 9 6 21 = D A terceira coluna é igual a duas vezes a segunda coluna, somando-se ainda os elementos da primeira coluna, de modo que: ( )3 2 12= +C * C C Assim, o determinante desta matriz é nulo. 2 Propriedades dos determinantes Neste tópico vamos apresentar elementos específicos para o cálculo de qualquer determi- nante. (ROBBIANO, 2011). Para demonstrar as propriedades dos determinantes, consideremos a matriz quadrada Q: 11 12 21 22 1 7 4 6 = = q q Q q q Sendo seu determinante dado por: ( ) ( )1 6 4 7 22= − = −detQ * * Confira, a seguir, as propriedades dos determinantes. 2.1 Multiplicação por um valor constante Ao multiplicarmos uma linha ou coluna de uma matriz por um valor constante k, o determi- nante torna-se multiplicado por k. Observe: Dado 1 7 4 6 = Q , ao multiplicar-se a segunda coluna por k = 4, temos: 1 7 4 1 28 4 6 4 4 24 = → = * Q Q' * ÁLGEBRA LINEAR – 39 – O determinante desta matriz é dado por: ( ) ( )1 24 4 28 24 112 88= − = − = −Q' * * Ou seja, o determinante foi multiplicado por k = 4. 2.2 Determinante de uma matriz multiplicada por um escalar Dada uma matriz Q e um valor constante k, que multiplica a matriz, temos que o determinante da matriz k*Q é dado por: ( )det . det= nk Q k Q Onde n corresponde à ordem da matriz quadrada. EXEMPLO Dado 1 7 4 6 = Q , temos que: ao multiplicar a matriz por k = 3, temos: 3 21 3 12 18 = Q O determinante desta matriz é dado por: ( ) ( )3 3 18 12 21 54 252 198= − = − = −det Q * * Por fim, sabe-se que 2198 22 9 22 3− = − = −* * , ou seja, o determinante foi multipli- cado por kn. ÁLGEBRA LINEAR – 40 – 2.3 Determinante da transposta Uma matriz transposta é modificada em relação à matriz original, pois as linhas da matriz transposta tornam-se colunas da matriz original, e vice-versa. Dada a matriz Q: 1 7 4 6 = Q Sua transposta Qt é dada por: 1 4 7 6 = tQ Onde 6 28 22= − = −Q Logo, o determinante de uma matriz é igual ao determinante de sua transposta. FIQUE ATENTO! Perceba que ao efetuar a transposição de uma matriz A qualquer, o elemento a11 sempre permanecerá inalterado. 2.4 Troca de linhas/colunas paralelas Se trocarmos a coluna 2 da matriz Q pela primeira coluna, veremos que a Matriz Q’ tem seu determinante igual a: 4 1 22 6 7 = = = −Q' Q Ou seja, quando se troca a posição de uma linha ou coluna pela linha ou coluna imediata- mente paralela, o determinante tem valor igual, mas com sinal oposto (positivo/negativo). ÁLGEBRA LINEAR – 41 – 2.5 Determinante de uma matriz triangular Matrizes triangulares são observadas quando todos os elementos abaixo da diagonal prin- cipal (triangular superior) ou acima (triangular inferior) são iguais a zero para matrizes quadradas de qualquer ordem. Nestes casos, o determinante é obtido multiplicando-se todos os termos da diagonal principal: 10 12 34 0 4 16 0 0 21 = Y Tem-se que 10 4 21 840= =Y * * . 3 Método de Laplace para cálculo de determinantes Vamos conhecer agora um novo método de cálculo de determinantes de ordem 3, ou de maio- res graus, um menor grau de esforço: o Método, ou Teorema, de Laplace (HOWARD; BUSBY, 2006). Mas, para compreendê-lo, é preciso introduzir alguns conceitos. Para isto, usaremos a matriz T: Figura 5 – Matriz T3x3T 11 12 13 21 22 23 31 32 33 8 13 5 2 5 9 0 4 1 = = t t t T t t t t t t Fonte: elaborada pelo autor, 2017. O primeiro conceito é o de Menor Complementar (MC) associado a um elemento tij. Basica- mente, o cálculo do menor complementar é o cálculo do determinante com a exclusão da linha e da coluna a qual o elemento tij pertence. Por exemplo, para calcularmos o MC associado ao elemento t31, ou seja, MC31, temos que excluir a linha e a coluna a qual o elemento t31 pertence, de modo que a matriz T31 tem ordem 2 e é formada pelos elementos em negrito: = 31 8 2 0 4 1 13 5 5 9T Assim, a formação de um determinante associado ao MC31 é dado por: ( ) ( )31 13 5 13 9 5 5 92 5 9 = = − =MC * * ÁLGEBRA LINEAR – 42 – FIQUE ATENTO! O Menor Complementar é calculado para matrizes quadradas com ordem superior a 2, ou seja, com mais de duas colunas e linhas, em igual quantidade. O segundo conceito é o de cofator. Sendo uma matriz A qualquer, quadrada e de ordem 3≥n , o cofator Aij de um elemento aij, sendo i = linha e j = coluna, a qual pertence o elemento, é dado por: ( )1 += − i jij ijA * MC Retomando o exemplo anterior, temos que: ( ) ( )3 1 431 311 1 0 1 0 0 += − = − = =A * MC * * O método de Laplace mostra que o determinante de uma matriz quadrada A qualquer, com ordem maior ou igual a 3, é calculado a partir do somatório dos produtos entre cada elemento de uma linha ou coluna, a qual pertence um elemento , pelos seus cofatores, de modo que: , 1= = ∑ n ij ij i j detT a * A Para exemplificar vamos usar a matriz T já mencionada e o elemento t22 como referência, e eleger a segunda coluna para o cálculo do Método de Laplace. Elaborando os Menores Complementares temos: 12 22 32 2 9 2 0 1 8 5 8 0 1 8 5 62 2 9 = = = = = = MC MC MC Elaborando os cofatores, temos: ( ) ( ) ( ) ( ) ( ) ( ) 1 2 3 12 12 2 2 4 22 22 3 2 5 32 32 1 1 2 1 2 2 1 1 8 1 8 8 1 1 62 1 62 62 + + + = − = − = − = − = − = − = = = − = − = − = − T * MC * * T * MC * * T * MC * * ÁLGEBRA LINEAR – 43 – Somando os resultados dos produtos, entre cada elemento da segunda coluna pelos seus cofatores, temos o determinante da Matriz T: ( ) ( ) ( ) 3 12 12 22 22 32 32 , 1= = = + +∑ ij ij i j T t *T t *T t * T t *T Ou seja: ( )( ) ( ) ( )( )13 2 5 8 4 62 26 40 248 274 40 234= − + + − = − + − = − + = −T * * * Uma dica para facilitar o cálculo do determinante pelo Método de Laplace é escolher a linha/ coluna com maior número de elementos iguais a zero, pois haverá um menor número de Menores Complementares e cofatores a calcular. No caso da Matriz T, por exemplo, haveria apenas os cofato- res A11 e A21, pois o elemento a31 = 0 faz com que o cofator seja igual a zero (HOWARD; BUSBY, 2006). Fechamento Nesta aula, você teve oportunidade de: • conhecer o conceito de determinante e suas propriedades; • aplicar as fórmulas de cálculo de determinantes para matrizes quadradas de diferentes ordens. Referências HOWARD, Anton; BUSBY, Roberto. Álgebra linear contemporânea. Tradução Claus Ivo Doering. Porto Alegre: Bookman, 2006. RIBEIRO, Amanda Gonçalves. Regra de Sarrus. Matemática. Brasil Escola. Disponível em: <http:// brasilescola.uol.com.br/matematica/regra-sarrus.htm>. Acesso em: 15 set 2017. ROBBIANO, Lorenzo. Álgebra Linear para todos. Tradução Taíse Santiago O. Mozzato. Milão: Springer-Verlag Itália, 2011. ÁLGEBRA LINEAR – 44 – Matrizes invertíveis José Tadeu de Almeida Introdução Você sabe efetuar a inversão de uma matriz quadrada? Nesta aula aprenderemos como fazer este procedimento, além de estudar as características específicas de obtenção e operação de uma matriz invertível. Objetivos de aprendizagem Ao final desta aula, você será capaz de: • definir matriz invertível; • empregar propriedades das matrizes invertíveis, sempre que necessário. 1 Inversa de uma matriz No estudo das matrizes, há casos especiais que podemos ressaltar. Um destes casos está relacionado à inversa de uma matriz. Você saberia defini-la? Podemos dizer que a inversa de uma matriz A (com notação A–1 e de ordem n, ou seja, com n linhas e n colunas) é uma matriz que, ao multiplicar a matrizA (ou seja, quando é efetuada a ope- ração A * A–1), gera como resultado a matriz-identidade In (BARATOJO, 2008): A * A–1 = In FIQUE ATENTO! Para obtermos a inversa de uma matriz é fundamental que esta matriz seja quadra- da, com o mesmo número de linhas e colunas. Cabe lembrar que a matriz-identidade ganha evidência quando os elementos da diagonal principal (a partir do elemento a11) são iguais a 1, e todos os demais são iguais a zero. – 45 – TEMA 5 EXEMPLO Vamos exemplificar a inversão de uma matriz. Suponhamos, para este exemplo, a Matriz T = = 11 12 13 21 22 23 31 32 33 2 1 0 1 2 1 3 2 4 t t t T t t t t t t Desta forma, a matriz inversa T–1 torna possível a seguinte equação: Figura 1 – Inversão de uma matriz − − − − − − − − − = 1 1 1 11 12 13 1 1 1 21 22 23 1 1 1 31 32 33 2 1 0 1 0 0 1 2 1 * 0 1 0 3 2 4 0 0 1 t t t t t t t t t Fonte: elaborada pelo autor, 2017. Portanto, grave bem: uma matriz quadrada A qualquer é invertível quando admite inversão, ou seja, quando é possível criar uma matriz A–1 que, ao multiplicar a matriz A, gera a matriz identidade. 2 Método de inversão de matrizes Para calcularmos a inversa de uma matriz T devemos, primeiramente, obter o determinante associado a esta matriz, com notação det A ou simplesmente | A |. Mas, você sabe como fazer isso? Sabia que o determinante é dado pela diferença entre os produtos das diagonais principal e secundária de uma matriz quadrada: ( ) ( )= = −11 12 11 22 12 21 21 22 * * t t T t t t t t t É importante destacar ainda que det T precisa ser diferente de zero para que a Matriz T seja invertível. Para calcularmos det T, vamos usar a Regra de Sarrus, que consiste em adicionar as duas pri- meiras colunas da matriz original à própria matriz, e depois calcular a diferença entre os produtos das diagonais (BARATOJO, 2008). Observe a seguir. = 2 1 0 2 1 1 2 1 1 2 3 2 4 3 2 T ÁLGEBRA LINEAR – 46 – Assim, = 2 1 0 2 1 1 2 1 1 2 3 2 4 3 2 T |T| = (2 * 2 * 4) + (1 * 1 * 3) + (0 * 1 * 2) – (3 * 2 * 0) – (2 * 1 * 2) – (4 * 1 * 1) = 11 Desta forma, a Matriz T admite uma matriz inversa, que é obtida a partir da matriz adjunta, ou seja, a matriz transposta à matriz dos cofatores. O cofator de um elemento tij, pertencente a uma linha i e uma coluna j de uma matriz qua- drada T, com ordem n, é dado por: ( ) += −1 *i jij ijT MC Onde MCij é o menor complementar do elemento tij, ou seja, o determinante da matriz qua- drada com ordem (n-1), pois é possível retirar a linha e a coluna a qual pertence o elemento tij. FIQUE ATENTO! Não há menor complementar quando a matriz quadrada é de ordem 1; se você retirar a linha e a coluna de um único elemento a matriz estará vazia. Vamos iniciar agora o cálculo dos cofatores pelo elemento t11. Ao eliminarmos sua linha e coluna, para o cálculo do menor complementar, teremos a seguinte matriz: Figura 2 – Cálculo do menor complementar = = 11 12 13 11 21 22 23 31 32 33 2 1 2 4 t t t T t t t t t t Fonte: elaborada pelo autor, 2017. O determinante desta matriz, que é o menor complementar, é dado por: ( ) ( )= = − = − =11 11 2 * 4 2 *1 8 2 6MC T ÁLGEBRA LINEAR – 47 – Assim, o cofator do elemento t11 será dado por: ( ) ( )+= − = − = =1 1 211 111 * 1 * 6 1* 6 6T MC Repetindo o processo para os outros elementos da matriz T, temos: ( ) ( )+= − = − = −2 1 321 21 1 0 1 * 1 * 4 2 4 T MC ( ) ( )+= − = − =3 1 431 31 1 0 1 * 1 * 1 2 1 T MC ( ) ( )+= − = − = −1 2 312 12 1 1 1 * 1 * 1 3 4 T MC ( ) ( )+= − = − =2 2 422 22 2 0 1 * 1 * 8 3 4 T MC ( ) ( )+= − = − = −3 2 532 32 2 0 1 * 1 * 2 1 1 T MC ( ) ( )+= − = − = −1 3 413 13 1 2 1 * 1 * 4 3 2 T MC ( ) ( )+= − = − = −2 3 523 23 2 1 1 * 1 * 1 3 2 T MC ( ) ( )+= − = − =3 3 633 33 2 1 1 * 1 * 3 1 2 T MC Logo, a matriz dos cofatores é dada por: − − = − − − 6 1 4 4 8 1 1 2 3 cof T ÁLGEBRA LINEAR – 48 – FIQUE ATENTO! Para encontrar a matriz dos cofatores você deve calcular os cofatores de todos os elementos da matriz original, mesmo aqueles iguais a zero. Vale destacar que a matriz adjunta à matriz T é obtida por meio da transposição da matriz dos cofatores. Ou seja, cada linha desta matriz é transposta em uma coluna, e vice-versa, de modo que a matriz (adj T) é expressa pela figura a seguir: Figura 3 – Matriz adjunta a uma matriz T de ordem n = 3 ( ) ( ) − = = − − − − 6 4 1 1 8 2 4 1 3 tadjT cof T Fonte: elaborada pelo autor, 2017. Assim, a matriz inversa é obtida ao dividirmos a matriz adjunta pelo determinante da matriz original (BARATOJO, 2008), de modo que: − =1 1 * T adjT T Sabendo-se que | T | = 11, temos que efetuar a operação demonstrada na Figura “Matriz adjunta a uma matriz T de ordem n = 3”: Figura 4 – Obtenção da matriz inversa − − − − −= − − = − − − − 1 6 4 1 11 11 116 4 1 1 81 2* 1 8 2 11 11 1111 4 1 3 34 1 11 11 11 T Fonte: elaborada pelo autor, 2017. Desta forma, encontramos a matriz inversa T–1. Para verificarmos se os seus elementos estão corretamente dispostos, a seguinte a equação deve ser válida: − =1 3*T T I ÁLGEBRA LINEAR – 49 – SAIBA MAIS! Para ser corretamente realizada a multiplicação de matrizes deve seguir algumas normas e procedimentos. Você poderá recuperar estes conceitos no texto “Multiplicação de matrizes”, de Amanda Gonçalves Ribeiro (2017), disponível no link: <http://mundoeducacao.bol.uol.com.br/matematica/multiplicacao-matrizes.htm>. As matrizes de ordem 2 podem ser invertidas por um procedimento mais simples. Confira a seguir. Considere, por exemplo, a Matriz J: = = 11 12 21 22 1 0 1 2 j j J j j Se sabemos que J * J–1 = I2, temos que: = 1 0 1 0 * 1 2 0 1 a b c d Assim, a multiplicação de matrizes segue o procedimento do exemplo anterior, quando calcu- lamos o elemento p11. Logo, a matriz-produto é: + + + = = + + + 1 0 1 0 1 2 2 * 1 2 1 0 1 2 2 a b a c a c a a c c d b d b d b b d Esta matriz-produto, que é inversa à matriz J, deve ser igual à matriz-identidade: + = + 2 1 0 2 0 1 a a c b b d Pela igualdade entre matrizes, cada elemento em uma posição da primeira matriz deve ser igual ao elemento em posição na segunda matriz: a =1 e b = 0 Logo, + = → = − → = −2 0 2 1 0,5a c c c E + = → = → =2 1 2 1 0,5b d d d ÁLGEBRA LINEAR – 50 – Assim, a matriz inversa J–1 é dada por: − = − 1 1 0 0,5 0,5 J Cabe, ainda, efetuarmos mais uma consideração, a respeito de um caso especial de matriz, denominado matriz ortogonal. Uma matriz quadrada Y de ordem n é considerada ortogonal quando a sua matriz transposta tem todos os elementos coincidindo com a sua matriz inversa, de modo que: −= 1tY Y E, se sabemos que: − =1* nY Y I Então, =* t nY Y I 3 Operações elementares em matrizes Há operações que podem ser efetuadas em linhas e colunas de uma matriz sem alterar as características em relação à formatação de suas linhas ou colunas, ou ainda a relação de indepen- dência linear entre as mesmas (BARATOJO, 2008). Há quatro tipos de operações elementares sobre uma matriz. Acompanhe: • a permutação (troca) de linhas ou colunas dentro de uma mesma matriz; • a multiplicação de uma linha ou coluna por um número real e diferente de zero; • a substituição de uma linha/coluna por uma nova linha/coluna, formada pela soma da linha antiga com outra linha da mesma matriz; • a substituição de uma linha/coluna por uma nova linha/coluna, formada a partir da soma da linha/coluna antiga com uma combinação linear de outra linha ou coluna desta matriz (ou seja, o produto entre esta outra linha ou coluna por um número real e diferente de zero). 4 Propriedades das matrizes invertíveis Vamos conhecer agora setepropriedades das matrizes invertíveis. Confira! ÁLGEBRA LINEAR – 51 – Inversão do produto entre duas matrizes Dadas duas matrizes quadradas, A e B, de mesma ordem, e ambas invertíveis, isto é, que possuem matrizes inversas com notação A–1 e B–1, temos que o produto entre as matrizes A e B gera uma matriz invertível, e esta matriz AB tem sua inversa definida por (HOWARD; BUSBY, 2006): ( )− − −=1 1 1* *A B B A Assim, na multiplicação entre dois números reais, a ordem dos fatores não altera o resultado; mas entre matrizes, sim! A operação − −1 1*B A , por exemplo, gera um resultado diferente da opera- ção − −1 1*A B . Vamos demonstrar esta propriedade! Sabemos que AB é invertível e a matriz inversa ( )−1AB é igual a − −1 1*B A . Como já estudamos, o produto de uma matriz por sua inversa deve corresponder à matriz-i- dentidade. Logo, desenvolvendo a equação e multiplicando AB por sua inversa ( )−1AB temos: ( ) ( ) ( )− − − −=1 1 1 1* * * *AB B A A B B A Como − =1* nB B I , temos: ( )− − −=1 1 1* * * *nA B B A A I A Por definição, =* nA I A . Desta forma, − −= =1 1* * *n nA I A A A I Recuperando a primeira parte da equação, temos que a matriz-produto AB, multiplicada por sua inversa, gera a matriz-identidade: ( ) ( )− − =1 1* * nAB B A I Portanto, podemos dizer que uma matriz-produto entre duas matrizes quadradas e invertíveis também é invertível. ÁLGEBRA LINEAR – 52 – SAIBA MAIS! O uso de procedimentos de inversão de matrizes é comum em diferentes áreas do conhecimento, como nas ciências exatas e nas ciências sociais aplicadas. Confira exemplos práticos no texto “Matriz Inversa”, de Danielle de Miranda Ramos (2017). Acesse: <http://brasilescola.uol.com.br/matematica/matriz-inversa.htm>. Relação entre matrizes invertíveis Se A é uma matriz quadrada de ordem n, e há uma matriz B que torna possível a equação =* nB A I , logo, a matriz A é invertível, e B é igual a A–1. Pois, sabendo-se que =* nB I B , temos que: ( ) ( )− − − −= = = =1 1 1 1* * * * * *n nB I B A A B A A I A A Matrizes não-invertíveis Nem toda matriz admite uma matriz inversa. Para determinadas matrizes reais o procedi- mento de inversão é impossível, por isso devemos levar em conta a composição e distribuição de seus elementos. EXEMPLO Vamos verificar o caso de uma matriz não-invertível. Para isso, utilizaremos uma matriz quadrada de ordem 2: = 0 2 0 3 K E a sua inversa − = = 11 121 21 22 k k a b K k k c d ÁLGEBRA LINEAR – 53 – Ao multiplicarmos K por sua inversa, temos que: − = = 1 0 2 2 2* * 0 3 3 3 a b c d K K c d c d Como sabemos que − =1* nK K I , temos: = 2 2 1 0 3 3 0 1 c d c d O princípio da igualdade entre matrizes demonstra que duas matrizes são iguais quando seus elementos são iguais em valor e posição nas matrizes. Neste caso, não pode haver igualdade simultânea nas equações 2c = 1 e 3c = 0. A solução para este sistema é impossível. Logo, a matriz K não admite matriz inversa. Inversão de uma matriz invertível A matriz inversa de uma matriz invertível também é invertível. E a matriz inversa de uma matriz inversa é igual à matriz original: ( )−− =11D D Transposição de uma matriz invertível A matriz transposta de uma matriz invertível é, igualmente, uma matriz invertível. E, como consequência, a matriz inversa de uma matriz transposta é igual à matriz transposta de uma matriz inversa: ( ) ( )− −=1 1 ttS S ÁLGEBRA LINEAR – 54 – Determinante da matriz-produto entre uma matriz e sua inversa Dada uma matriz A e sua inversa A–1, sabendo que − =1* nA A I , e considerando que =det 1nI , temos que − =1det A*det 1A . Inversão da matriz-identidade In A inversa de uma matriz identidade nI é a própria matriz identidade. Fechamento Nesta aula, você teve a oportunidade de: • entender o conceito de matriz inversa e como obtê-la; • conhecer as propriedades das matrizes inversas e a formulação de operações elementares. Referências BARATOJO, José Teixeira. Matrizes e determinantes: Sistemas de Equações lineares. Porto Ale- gre: Editora da PUC, 2008. HOWARD, Anton; BUSBY, Roberto. Álgebra linear contemporânea. Tradução Claus Ivo Doering. Porto Alegre: Bookman, 2006. RAMOS, Danielle de Miranda. Matriz Inversa. Brasil Escola. 2017. Disponível em: <http://brasiles- cola.uol.com.br/matematica/matriz-inversa.htm>. Acesso em: 27 set 2017. RIBEIRO, Amanda Gonçalves. Multiplicação de Matrizes. Mundo Educação. 2017. Disponível em: <http://mundoeducacao.bol.uol.com.br/matematica/multiplicacao-matrizes.htm>. Acesso em: 27 set 2017. ÁLGEBRA LINEAR – 55 – http://brasilescola.uol.com.br/matematica/matriz-inversa.htm%3e.%20Acesso%20em:%2027%20set%202017 http://brasilescola.uol.com.br/matematica/matriz-inversa.htm%3e.%20Acesso%20em:%2027%20set%202017 http://mundoeducacao.bol.uol.com.br/matematica/multiplicacao-matrizes.htm Sistemas de equações lineares José Tadeu de Almeida Introdução Nesta aula vamos estudar os sistemas lineares, conhecido mecanismo de cálculo utilizado em operações com duas ou mais variáveis de análise. Para começar, imagine, por exemplo, que um amigo lhe ofereça três horas de trabalho em troca de uma furadeira. Considerando que a fura- deira custa R$ 150 podemos concluir que ele está cobrando R$ 50 por hora. Este é um exemplo de sistema linear com duas variáveis. A seguir analisaremos mais exemplos semelhantes. Objetivos de aprendizagem Ao final desta aula, você será capaz de: • reconhecer equações lineares; • compreender o conceito de solução de uma equação linear; • identificar um sistema de equações lineares; • conhecer a classificação de um sistema de equações lineares quanto às suas soluções. 1 A linearidade de equações Quando analisamos uma equação baseada em uma ou mais variáveis, também conhecidas como incógnitas, podemos obter diferentes tipos de representações algébricas. Você saberia enu- merá-las? Vamos destacar quatro representações a seguir. Observe: 2x – 6 = 0 3x2 = 27 4x = 36 x5 = 32 FIQUE ATENTO! As equações possuem diferentes graus, ou seja, a variável (ou incógnita) é elevada a diferentes potências. Por exemplo, na equação x5 = 32 a incógnita está elevada à quinta potência. Por sua vez, a equação x² = 9 demonstra que a variável está eleva- da à segunda potência. – 56 – TEMA 6 Algumas equações podem ainda ser organizadas em termos de uma função, demonstrando as relações de dependência entre duas ou mais variáveis. Nestes casos, esta relação de depen- dência nos mostra que, quando uma incógnita tem o seu valor alterado, para mais ou para menos, ocorrerá alterações simultâneas de valores nas outras incógnitas também. Observe na Figura a seguir a representação da função y = 2x: Figura 1 – Gráfico relativo à função y = 2x 0 0 -2 -4 -6 -8 2 4 6 8 10 -10 -12 12 14 16 2 864-2-4-6-8-10 f Fonte: elaborada pelo autor, 2017. Você pode notar na Figura “Gráfico relativo à função y = 2x” que cada acréscimo de unidade ao valor y implica em aumento de duas unidades em x. Desta forma, o par ordenado (x,y) = (1,2) representa uma solução desta função, assim como (2,4) e (3,6), por exemplo. Assim, a variação entre as possíveis soluções ocorre de maneira linear e contínua, e as soluções desta função são descritas em uma reta (HOWARD; BUSBY, 2006). É importante destacar ainda que a inclinação destas retas pode assumir diferentes tra- jetórias. Verifique na Figura “Gráfico relativo à função y = 0,1x + 1280” a trajetória da função y = 0,1x + 1280 . ÁLGEBRA LINEAR – 57 – Figura 2 – Gráfico relativo à função y = 0,1x + 1280 2000 1800 1600 1400 1200 1000 800 600 400 200 -200 -400 -600 0 0 200 400 600 800 1200 2000 2200 2400 26001400 1600 18001000-1600 -1400 -1200 -1000 -800 -600 -400 -200 Fonte: elaborada pelo autor, 2017. Esta função nos mostra que, quando x é igual a zero, y será igual a 1280. Além disso, pode- mos notar que a cada variação,em uma unidade, dos valores do eixo x, os valores do eixo y irão variar 0,1 vezes (ou seja, a cada dez unidades de x haverá variação de uma unidade de y). Ou seja, podemos concluir que há uma variação linear. Observe, agora, a representação gráfica da função y = x² na Figura a seguir. Perceba que esta é uma função de segundo grau, onde a variável x está elevada à segunda potência. Figura 3 – Gráfico relativo à função y = x² 0 10 11 12 13 1 432-1-2-3-4-5 1 2 3 4 5 6 7 8 9 f Fonte: elaborada pelo autor, 2017. ÁLGEBRA LINEAR – 58 – Note agora que o conjunto de soluções da função demonstrada na figura “Gráfico relativo à função y = x²” varia de maneira não-linear; assim, a variação em uma unidade de y gera variações diferentes em x. Por exemplo, se y = 3, temos que x = 9. E, se y = 4, x é igual a 16. E ainda, se y é igual a 5, temos que x = 25. FIQUE ATENTO! Equações cujas trajetórias são não-lineares podem assumir diferentes formas; nas equações do segundo grau, por exemplo, são graficamente representadas por uma figura em forma de cone denominada parábola. Desta forma, podemos afirmar que as equações lineares são equações com uma ou mais variáveis cuja principal característica é que todas as variáveis de estudo são elevadas à primeira potência, de modo que sua variabilidade é linear; ou seja, a variação dos dados de uma variável resulta em mudanças em ritmo constante da outra variável (ou outras). Vale ainda ressaltar que as equações lineares podem apresentar uma única solução, ou um conjunto de soluções que satisfazem a relação entre variáveis. Assim, para que uma equação possa ser caracterizada como uma equação linear ela deve ser expressa da seguinte forma geral (HOWARD; BUSBY, 2006): ( ) ( ) ( ) ( )+ + … + =1 1 2 2* * *n na x a x a x b Ou, de forma simplificada: ( )+ + … + =1 1 2 2 n na x a x a x b Os elementos 1a , 2a e na são coeficientes que multiplicam as diferentes variáveis 1x , 2x e nx ; e b é o termo independente, um valor constante que representa o resultado da equação linear. Como mencionamos, uma equação linear pode apresentar uma ou mais incógnitas, que são as variáveis da função; variáveis as quais iremos atribuir valores que formam as possíveis solu- ções da equação linear. Se a equação linear apresenta mais de uma incógnita pode haver um conjunto de elementos que solucionem corretamente esta equação; neste caso, ao substituirmos os termos das incógnitas pelos elementos mencionados, a igualdade da equação linear mostra-se verdadeira (ROBBIANO, 2011). ÁLGEBRA LINEAR – 59 – EXEMPLO Vamos verificar se um conjunto de valores numéricos, tomados ao acaso, pode so- lucionar uma determinada equação linear. Para isso, suponha a seguinte equação: 3x + 2y – 3z = 1 Se tomamos o conjunto (x,y,z) = (2,5,5) e substituímos os valores das incógnitas na equação, temos: 3 * 2 + 2 * 5 – 3 * 5 = 1 → 6 + 10 – 15 = 1 → 1 = 1 Neste caso, podemos observar que o conjunto mencionado é uma solução viável da equação apresentada. O termo independente, por sua vez, pode apresentar qualquer valor real; assim, se for igual a zero, a equação linear correspondente é chamada de equação homogênea; e da mesma forma, se o termo independente é igual a zero, a solução (0,0,0) é chamada de solução trivial. FIQUE ATENTO! A expressão trivial demonstra que a solução é comum e inerente a todas as equa- ções homogêneas. Por exemplo, supondo a equação 2x – y = 0, uma das soluções possíveis é dada por (x,y) = (0,0), pois, ao substituirmos as incógnitas por zero, a equação se mostra correta. Assim, a solução trivial mostra-se sempre viável em equações homogêneas (HOWARD; BUSBY, 2006). 2 Equação x Sistema Quando duas ou mais equações lineares, com n diferentes variáveis (x1, x2, (…) ,xn), são orga- nizadas em um conjunto, com um número p de equações, temos um sistema linear (HOWARD; BUSBY, 2006). Desta forma, deduzimos que os sistemas lineares são conjuntos de equações, geralmente unidos por um colchete, que associam soluções a equações lineares com duas ou mais variáveis. No entanto, há diferentes expressões de sistemas, dado o número de equações e variáveis envolvidas. Observe os exemplos: • sistema com duas equações e duas variáveis (este exemplo recupera a situação pro- posta na introdução desta aula): − = = 3 0 150 x y y ÁLGEBRA LINEAR – 60 – • sistema com três equações e três variáveis: + − = + − = + − = 3 2 10 0 14 12 3 2 3 y u c y u c y u c • sistema com três equações e quatro variáveis: + + − = − + − = + − + = 0 2 3 4 2 5 3 3 18 x y z w x y z w x y z w SAIBA MAIS! Os sistemas lineares podem combinar coeficientes lineares a1, a2, (…), an; variáveis elevadas à primeira potência x1, x2, (…) ,xn; e termos independentes b1, b2, (…), bn em número infinito. 3 Classificação de sistemas lineares quanto às soluções Os sistemas lineares podem ser organizados de acordo com o número de soluções que apre- sentam, e conforme as variáveis envolvidas. SAIBA MAIS! O artigo “Discussão e resolução gráfica de sistemas de equações lineares usando o winplot” (TEIXEIRA et al, 2016), em especial os tópicos 2. e 2.1, aprofunda a discussão sobre as características dos sistemas lineares e sua classificação quanto às soluções. Acesse: <https://editorarealize.com.br/revistas/epbem/trabalhos/ TRABALHO_EV065_MD1_SA7_ID683_29102016214540.pdf>. Considere, portanto, um conjunto de p equações lineares, com n incógnitas, que apresenta a seguinte forma geral: ( ) ( ) ( ) ( ) + + … + = + + … + = … + + … + = 11 1 12 2 1 1 21 1 21 2 2 1 1 1 2 2 n n n n p p pn n n a x a x a x b a x a x a x b a x a x a x b ÁLGEBRA LINEAR – 61 – Observe ainda que os termos independentes b1, b2, (…), bn são valores reais e constantes. Deste modo, com base na forma geral mencionada (um conjunto de p equações lineares, com n incógnitas), podemos elencar três tipos de sistemas e suas soluções (HOWARD & BUSBY, 2006). Confira a seguir. • Sistema Possível e Determinado (SPD): ocorre quando o sistema pode ser solucio- nado, e há apenas uma solução que satisfaz o sistema linear; • Sistema Possível e Indeterminado (SPI): em casos onde o sistema pode ser solucio- nado e há diferentes (ou infinitas) soluções possíveis; • Sistema impossível: não admite nenhuma possibilidade de solução. EXEMPLO Vamos obter a solução de um sistema linear e classificá-lo em relação às suas soluções. Observe este sistema: − = = 3 0 120 x y y Logo: − = → = → =3 120 0 3 120 40x x x Neste exemplo podemos observar que o par ordenado (40,120) é o único que sa- tisfaz o sistema proposto. Veja que a variável y possui um valor único, igual a 120, logo não há outras soluções possíveis para este sistema. Assim, temos que este sistema é um sistema possível e determinado (SPD). Agora, caso este par orde- nado seja colocado sobre um plano cartesiano sua posição será dada conforme demonstrado na figura 4. ÁLGEBRA LINEAR – 62 – Figura 4 – Posição do ponto (50,150) em um plano cartesiano A 180 160 140 120 100 80 60 40 20 0 0 20 40 60 80 100 -20 -40 -60 -80 -100 -100 -80 -60 -40 -20 Fonte: elaborada pelo autor, 2017. Por sua vez, observe o sistema: x + y = 0 2x + 2y =150 Quando as variáveis de uma soma são multiplicadas por 2 o resultado final também é multiplicado por 2, o que não ocorre neste sistema. Não há como 0 ser igual a 150. Podemos, portanto, verificar que o sistema é impossível. Por fim, verifique agora este sistema: − = + = x y 0 x y 2x Infinitos resultados satisfazem este sistema; basicamente, todos os n pares orde- nados formados por elementos iguais, tais como (0,0), (1,1), (2,2)... , (n, n). Neste caso, o sistema proposto é possível e indeterminado. Fechamento Nesta aula, você teve a oportunidade de: • conhecer os conceitos de equação linear e sistema linear; • verificar e classificar os sistemas lineares de acordo com o seu número de soluções. ÁLGEBRA LINEAR
Compartilhar