Baixe o app para aproveitar ainda mais
Prévia do material em texto
Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 1 Álgebra Linear - II ESPAÇOS VECTORIAIS SUBESPAÇOS DE ESPAÇOS VECTORIAIS SOMAS Sejam U e W subconjuntos de um espaço vectorial V. A soma WU de U e W consiste de todas as somas wu , onde Uu e Ww . Isto é; WwUuwuWU ,: INTERSEÇÃO Em um espaço vetorial V, definimos a interseção dos subespaços U e W, denotada por WU , como o conjunto de todos os vetores pertencentes a ambos os subespaços, isto é: WvUvvWU : SOMAS DIRECTAS DE SUBESPAÇOS Diz-se que o espaço vectorial V é a soma direta de seus subespaços U e W, e denota-se por WUV , se todo vetor Vv pode escrever-se de maneira única como wuv , onde Uu e Ww . De uma forma geral, podemos dizer que o espaço vectorial V é a soma direta de seus subespaços U e W se e somente se: (i) WUV (ii) 0WU DIMENSÃO FINITA Sejam U e W subespaços de dimensão finita de um espaço vectorial V, então WU tem dimensão finita e, WUWUWU dimdimdimdim Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 2 Tarefas 01 1. Considere os seguintes subespaços de IR4 : 1,3,3,2,0,3,2,1,1,0,1,1 gerU 3,4,3,1,3,2,3,2,2,2,2,1 gerW Ache WU dim e WU dim . 2. Sejam U e W os seguintes subespaços de IR4 0:,,, dcbdcbaU dcbadcbaW 2,0:,,, Ache uma base e a dimensão de: (i) U; (ii) W; (iii) WU e; (iv) WU 3. Suponha que U e W são subespaços quadridimensionais distintos de um espaço vectorial V, onde 6dim V . Ache as dimensões possíveis de WU . 4. Considere os seguintes subespaços de IR5; 9,2,1,3,2,2,4,3,4,1,3,2,2,3,1...U 1,2,3,5,2,3,6,6,5,1,1,2,0,3,1...W Ache uma base e a dimensão de (a) WU ; (b) WU 5. Sejam U e W subespaços de IR3 definidos por cbacbaU :,, e cbW ,,0 . Mostre que WUIR 3 . 6. Sejam U e W subespaços bidimensionais de IR3. Mostre que 0WU . 7. Sejam U e W subespaços de IR3, para os quais 1dim U , 2dim W e WU . Mostre que WUIR 3 Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 3 ESPAÇOS VETORIAIS EUCLIDIANOS Espaço Vetorial Euclidiano é todo o espaço vetorial real, de dimensão finita, no qual está definido um produto interno. Produto Interno em Espaços vetoriais Chama-se produto interno no espaço vetorial V uma aplicação que a todo par de vetores VVvu ),( associa um número real, indicado por vu ou vu , , com as seguintes propriedades: 1. uvvu ,, ; 2. wuvuwvu ,,, ; 3. IRparavuvu todo)(, ; 4. 0u se, somente e se,0,0, uueuu Exemplos: 1) No espaço vetorial 2IRV , a função que associa a cada par de vetores, ),( 11 yxu e ),( 22 yxv o número real 2121 43, yyxxvu é um produto interno? Solução: É necessário mostrar que a função dada verifica as 4 propriedades. 1. uvyyxxvuyyxxvu 12122121 43,43, . 2. Seja ),( 33 yxw , então: )(4)(3),(),(, 321321323211 yyyxxxyyxxyxwvu wuvuyyxxyyxxwvu )43()43(, 31312121 . 3. )()43()(4)(3),(),x(, 212121212211 vuyyxxyyxxyxyvu ; 4. 04x3yy4x3x, 21 2 11111 yuu e 04x3 2 1 2 1 yuu se, e somente se, 011 yx , isto é, 0)0,0( u . Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 4 Isto prova que a aplicação dada define um produto interno em V. Porém, esse produto interno é diferente do produto interno usual de 2IR , definido por: 2121, yyxxvu . 2) Em relação ao produto interno usual de 2IR , calcule vu , , sendo dados: a) )2,5()4,3( veu b) )4, 2 1 ()1,6( veu c) )0,0()3,2( veu Solução: a) 23)2(45)3(, vu b) 7)4(1) 2 1 (6, vu c) 0)0(3)0(2, vu Norma/Módulo de um vetor Dado um vetor v de um espaço vetorial euclidiano V, chama-se módulo, norma ou comprimento de v o número real não-negativo, indicado por v , definido por: vvv , Observe que se ),,( 111 zyxu for um vetor do 3R com produto interno usual, tem-se: 2 1 2 1 2 1111111 ),,(),,( zyxzyxzyxu Propriedades do Módulo de um vetor Seja V um espaço vetorial Euclidiano. Então, as seguintes propriedades são válidas: I) 0v se, somente e se, ,0||,0|| veVvv . II) RVvvv ,,|||||| . III) Vvuvuvu ,,|||||| . IV) Vvuvuvu ,,|||||| . Distância entre dois vetores Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 5 Chama-se distância entre vetores (ou pontos) u e v o número real representado por ),( vud e definido por: ||),( vuvud Sendo ),,( 111 zyxu e ),,( 222 zyxv vetores do 3IR , com produto interno usual, tem-se: |),,(|||),( 212121 zzyyxxvuvud Ou 2 21 2 21 2 21 )()()(),( zzyyxxvud Ângulo de dois vetores Sejam u e v vetores não-nulos de um espaço vetorial euclidiano V. A desigualdade de Schwartz |||||,| vuvu , pode ser escrita como: 1 |,| vu vu O que implica: 1 , 1 vu vu Por esse motivo, pode-se dizer que essa fração é o co-seno de um ângulo , denominado ângulo dos vetores u e v : 0,,)cos( vu vu Exemplos; 1) Considere o 3IR com o produto interno usual. Determine a componente c do vetor ),3,6( cv tal que 7v . Solução: 24499367)3(6 22222 ccccv 2) Seja o produto interno usual no 3R . Determinar o ângulo entre os seguintes vetores: )5,1,2( u e )2,0,5(v Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 6 Solução: 30)5(12 222 u 29205 222 v 010102)5(0152 vu Donde vem: 0 2930 0 )cos( vu vu 2 rad. Exercícios Propostos 1) Determinar o valor de m para que os vetores )3,,2( mu e )4,2,1( mv sejam ortogonais em relação ao produto interno usual do 3R . 2) O conjunto )},2(),1,1{( bB é uma base ortogonal de 2R em relação ao produto interno definido por: 21212211 2),(),,( yyxxyxyx Calcule o valor de b e a partir de B, calcule uma base ortonormal. 3) Considere o seguinte produto interno em 0011222 ,: bababaqpP , sendo 01 2 2 axaxap e 01 2 2 bxbxbq . Dados os vetores 3221 xxp , 432 xp e 23 1 xp , calcule: a) 21, pp b) 31 pep c) 21 pp d) 2 2 p p e) co-seno do ângulo entre 31 pep . 4) Verifique, em cada um dos casos abaixo, se a aplicação definida representa ou não um produto interno no espaço vectorial V. a) 212122112 42,,,,, yyxxwueyxwyxuIRV . b) 3322103322103 ,, tbtbtbbtqtatataatpIRPV e 33221100, babababaqp . c) 2,22,2 ,, MBAMV e BAtrBA t, . Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 7 d) 2221113 ,,,,,, zyxvzyxuIRV e 2121, yyxxvu . 5) Sabe-se que 1 vu e 2 vu . Calcule o ângulo entre u e v. 6) Para cada um dos casos seguintes, determinar: (i) vu, ; (ii) vu , e; (iii) o ângulo entre veu a) 3IRV , com produtointerno usual, 1,2,1u e 2,4,3v . b) 2,2MV , com produto interno BAtrBA t, , 124 21 A e 34 18 B . 7) Determine a distancia vud , , em 3,3MV , com produto interno BAtrBA t, , 111 654 321 u e 222 100 121 v . 8) Encontre as coordenadas de 21,1 IR com relação à base formada por 2 2 2 2 , e 2 2 2 2 , . 9) Seja ac ba A ortonormal. Mostre que 122 ba e ac ba A ou ab ba A . Transformações lineares Lembre-se Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 8 Função de A a B ( BAf : ) é definida como sendo uma aplicação que faz corresponder a cada elemento do conjunto de partida A (domínio) denominado objeto, um e um só elemento do conjunto de Chegada B, denominado imagem. )(;!,: xfyByAxBAf As funções podem serem injetivas, sobrejetivas ou bijectivas. Transformação linear de A a B ( BAT : ) Uma transformação linear é uma função cujo domínio e contradomínio são espaços vetoriais, tal que: 1) Linear na soma: 212121, xTxTxxTAxx 2) Linear na multiplicação por escalares: xTxTIRAx , Exemplo, 23: IRIRT , dada por 0,,, zyxzyxT é uma transformação linear porque o seu domínio e contradomínio são espaços vetoriais e observam as duas condições de transformações lineares. Núcleo de uma transformação linear BAT : , ( )()( TKerouTNuc É o conjunto de objetos de T cuja imagem é o vetor nulo do seu espaço de chagada, isto é, 0/)()( xTAxTKerouTNuc Exemplo: Imagem de uma transformação linear BAT : , ( )Im(T ) É o conjunto de elementos do espaço de chegada de T que são imagens de pelo menos um dos objetos de T. Contradomínio de T. Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 9 yxTAxByTmI BAT )(;)( : Uma transformação linear BAT : é chamada singular se existir um elemento x de A não nulo para o qual 0)( xT . Caso transforme apenas o vetor nulo em nulo, a transformação é dita não singular. Exemplo: verificar se 34: IRIRT é ou não singular, onde tzyx tzx tzyx t z y x T 33 2 caso for, determine a dimensão e uma base para Nuc(T). Operações com transformações 1. Composição de transformações lineares Seja BAT :1 e DCT :2 duas transformações lineares. Define-se DATT :12 como sendo a aplicação que aplica cada objecto x de 1T obtendo uma imagem )(12 xTT pertencente a D. observe que a aplicação DATT :12 só é definida se CB . Exemplo: 32 1 : IRIRT e 23 2 : IRIRT definidas por xyxyxyxT 2,,,1 e xyzzyxzyxT ,,,2 . A aplicação 2212 : IRIRTT será dada por 0,42,,, 212 xxyxyxTyxTT 2. Matriz de transformação de uma transformação linear mn IRIRT : , ( tA ) Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 10 É uma matriz nm que permite obter a imagem de qualquer objecto de T através da multiplicação à esquerda por esse objecto, isto é; tA é matriz de transformação de T se e só se xAxTIRx tn , . Exemplo: 23: IRIRT , dada por zyxzyxzyxT 32,,, 321 111 tA tal que zyx zyx z y x zyxTIRzyx 32321 111 ,,,,, 3 . 3. Transformação linear composta e matrizes de transformação A matriz de transformação da transformação linear composta 12 TT de duas transformações lineares T1 e T2, se existir, é o produto entre as matrizes de transformação de T2 e de T1, por esta ordem. Por exemplo, para as transformações 321 : IRIRT e 23 2 : IRIRT definidas por xyxyxyxT 2,,,1 e xyzzyxzyxT ,,,2 onde, 0,4,12 xyxTT temos: 02 11 11 1tA , 111 111 2tA e 00 04 12 ttA 1212 02 11 11 111 111 00 04 tttt AAA 4. Invertibilidade de uma transformação linear Seja mn IRIRT : uma transformação linear. As seguintes afirmações são equivalentes: T é invertível; T é bijectiva; nTNuc 0 ; nIRT Im ; 0det tA . Exercícios Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 11 1. Seja 24: IRIRT uma transformação linear tal que 1,1 uT , 2,1vT e 1,3 wT . a) Calcule: i) vuT 2 ii) vuT 3 iii) wvuT 4 b) Determine e tais que 8,0 wuT 2. Quais das seguintes transformações são lineares? a) 2121 ,, xxxxT b) 2121 ,1, xxxxT c) 1212121 ,2, xxxxxxT d) 3212121321 2,2,2,, xxxxxxxxxxT e) 32143214321 3,2,,, xxxxxxxxxxxT 3. Obter a expressão geral da transformação linear T: IR³ IR² definida de tal modo que T(1,0,0)=(1,0), T(0,1,0)=(1,1) e T(0,0,1)=(1,−1). Depois de obter a forma geral, obtenha o vetor v em IR³, tal que T(v)=(1,2). 4. Obter expressão geral da transformação linear T: IR³ IR² tal que T(1,0,0)=(1,0), T(1,1,0)=(2,3) e T(1,1,1)=(4,7). 5. 6. A transformação linear IPIPT : , entre o espaço de todos os polinómios IP e ele próprio, é dada por ttptpT . a) Calcule 32 2345 tttT . b) Mostre que T é uma transformação linear. 7. Seja IRaataaIRIP 10101 ,; o espaço dos polinómios de grau não superior a 1. A transformação ,: 11 IRIPIRIPT entre IRIP1 e ele próprio, é dada por tbbtaaT 1010 em que 1 0 1 0 11 11 a a b b . a) Calcule tT 21 . b) Determine 0a e 1a tais que ttaaT 110 . E tais que ttaaT 2110 . c) Mostre que T é uma transformação linear Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 12 8. Considere as aplicações lineares 23: IRIRS e 32: IRIRT definida por zxzyxzyxS ,43,, e yxyxyxyxT 63,52,4, . Determine a representação matricial de TS e de ST . 9. Seja 34: IRIRF a aplicação linear definida por tsyxtsxtsyxtsyxF 33,2,),,,( . a) Ache uma base e a dimensão do ImF. b) Ache uma base e dimensão do NucF. 10. Seja 22: IRIRF definida por yxyxyxF 43,52),( . a) Escreva F em notação matricial, isto é, AXXF . b) Referindo aos novos eixos coordenados s e t de 2IR e usando ttsY , , determine BYtsF , , onde 1 AB . Autovalores e autovectores Operadores lineares É uma transformação linear na qual o contradomínio é o mesmo espaço vetorial V, isto é, VVT : . Define-se um autovector 0, vVv do operador T se existir IR , denominado autovalor (valor próprio) tal que: vvT Exemplo: Seja 22: IRIRT tal que yxyxyxT 2,54, . Verifique se 2,5v é um autovector de T. Por definição, v é autovector de T se vvT ! 64,562,5 12,30252,25542,5 T TvT logo, 2,5v é um autovector de T associado ao autovalor 6 . Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 13 Seja nn IRIRT : um operador linear tal que AvvT onde A é uma representação matricial de T de ordem n. por definição de operadores lineares, se IRv 0 tal que vAvAvvT masvvT ! O que equivale a 00 IvAvvAv conduzindo-nos ao sistema linear homogéneo 0 vIA Para que o sistema homogéneo anterior tenha soluções não nulas, é necessário que 0det IA . A esta equação denomina-se equação característica da matriz A e as raízes são os Autovalores da matriz A. O determinante é um polinómio na variável , denominado polinómio característico e denotado por IAPn det . Para determinar os autovectores associados aos autovalores recorre-se a equação vAv . Exemplo: Seja 22: IRIRT dada por yx yx y x T 23 2 . Vamos encontrar uma representação matricial e determinar os respetivos autovectores de 2IR . Como yx yx y x T 23 2 então y x v e 23 21 A tal que y x AvvT 23 21 . O sistema homogéneo 0 vIA será 0 23 21 0 0 10 01 23 21 y x y x O polinómio característico será: 43 23 21 det 2 IA e, a equação característica 0432 . A resolução desta equação, conduz-nos aos seguintes autovalores da matriz A: 11 e 42 Encontremos agora, os respectivos autovectores associados a estes autovalores. Para isso, lembremos que 0 0 23 21 y x ; Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 14 1) Para 033 022 0 0 33 22 0 0 33 22 11 yx yx yx yx y x donde concluímos que yxyx 022 e yy . Assim, o vector associado a este autovalor será 1 1 1 1 1vyy y . 2) Para 023 023 0 0 23 23 0 0 23 23 42 yx yx yx yx y x donde concluímos que yxyx 3 2 023 e yy . Assim, o vector associado a este autovalor será 1 3 2 1 3 2 3 2 2vy y y . Observe que 111 1 1 1 1 1 1 1 vTvT enquanto que 222 1 3 2 4 4 3 8 1 3 2 vTvT Diagonalização Sabemos que muitos sistemas podem ser representados por matrizes e a manipulação dessas matrizes implica em análise, melhorias e cálculos desses sistemas. Imaginemos que essas matrizes, em determinados casos, não sejam simples de serem manipuladas, então devemos encontrar matrizes o mais simples possível para representar esses sistemas e assim ganhar em tempo de processamento e custo operacional. Uma das formas de obter essa simplificação consiste em encontrarmos uma matriz diagonal que seja semelhante à original, e a esse processo chamamos de diagonalização de matrizes. Por definição, dizemos que duas matrizes A e B são semelhantes se existir uma matriz P , invertível, tal que: APPB 1 Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 15 Então, se encontrarmos a matriz P , estamos encontrando a matriz que diagonaliza A , e B será uma matriz diagonal. Matriz diagonal Se B é uma matriz diagonal semelhante à A e os autovalores são preservados quando as matrizes são semelhantes, então a única possibilidade de B ter os mesmos autovalores de A é se os elementos da diagonal de B forem os próprios autovalores de A : APPDB 1 se quisermos apenas saber qual a matriz diagonal equivalente, enato basta encontrarmos os autovalores da matriz A , porem, muitos problemas requerem encontrar a matriz que diagonaliza A , uma vez que essa simplificação na matriz de trabalho implica em uma mudança de coordenadas e é muito provável que todos os dados envolvidos com o sistema original necessitem migrar para esse novo sistema de coordenadas. Matriz que diagonaliza a matriz A Para encontrarmos a matriz que diagonaliza A , devemos encontrar os autovectores da matriz A , nvvv .,..,, 21 , e montar a matriz P com os autovectores por coluna. É preciso ter em conta que os autovectores não devem ser linearmente dependentes, pois a matriz P deve ser imersível. Portanto, se os autovectores forem linearmente independentes e a quantidade de autovectores for igual à ordem da matriz A , então dizemos que A é diagonalizável. Exemplo: Encontre a matriz que diagonaliza 23 21 A . Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 16 Os autovalores desta matriz foram calculadas anteriormente como 11 e 42 cujos respectivos autovectores são: 1 1 1v e 1 3 2 2v . Verificando se os autovectores são LI temos: 0 3 5 0 0 3 2 1 ~ 011 0 3 2 1 0 0 11 3 2 1 2 1 k k logo, a partir da ultima equação, não existe nenhuma outra possibilidade para 2k se nao zero para que 03 5 2 k ! Consequentemente, se 02 k entao, a primeira so sera verdadeira se 021 kk , isto é, 1v e 2v sao LI. Assim, a matriz P será 11 3 2 1 P cuja inversa é 5 3 5 3 5 2 5 3 11 3 2 1 5 31P . Portanto, a matriz diagonal formada a partir dos autovalores de A será 40 01 41 3 8 1 5 3 5 3 5 2 5 3 11 3 2 1 23 21 5 3 5 3 5 2 5 3 1 APPD . Diagonalização ortogonal de matrizes Uma particularidade no caso da diagonalização de matrizes ocorre quando a matriz que diagonaliza A é uma matriz ortogonal: 1 PPt Ou seja, quando os vectores linhas e colunas de P forem ortonormais entre si. A diagonalização ortogonal permite que a transição de um sistema de coordenadas para outro ocorra sem perda de proporções. Portanto, se houver uma matriz P , tal que APPAPPD t 1 , então dizemos que A é ortogonalmente diagonalizável. Co m pi la do p ar a Á lg eb ra L in ea r II, L ic en ci at ur a em M at em át ic a 17 Para saber se A pode ser diagonalizada ortogonalmente, devemos observar se A é uma matriz simétrica, caso contrário, já podemos descartar a possibilidade. Então: Se AAt (simétrica), A é diagonalizável ortogonalmente. O processo de obtenção da matriz que diagonaliza A ortogonalmente é inicialmente o mesmo do processo de diagonalização convencional, porem quando encontramos os autovectores LI, estes devem ser ortonormais e, caso não sejam ortogonais, aplicamos o processo de Gram- Schmidt e depois normalizamos os vetores para só então montarmos a matriz P . Exemplo: Encontre a matriz que diagonaliza 101 000 101 A ortogonalmente. Exercícios 1. Determine se a matriz A é diagonalizável. Em caso afirmativo, encontre a matriz que diagonaliza A . 2. Determine se a matriz A é diagonalizável ortogonalmente. Em caso afirmativo, encontre a matriz que diagonaliza A ortogonalmente.
Compartilhar