Baixe o app para aproveitar ainda mais
Prévia do material em texto
UnisulVirtual Palhoça, 2016 Universidade do Sul de Santa Catarina Noções de Álgebra Linear Créditos Universidade do Sul de Santa Catarina – Unisul Reitor Sebastião Salésio Herdt Vice-Reitor Mauri Luiz Heerdt Pró-Reitor de Ensino, de Pesquisa e de Extensão Mauri Luiz Heerdt Pró-Reitor de Desenvolvimento Institucional Luciano Rodrigues Marcelino Pró-Reitor de Operações e Serviços Acadêmicos Valter Alves Schmitz Neto Diretor do Campus Universitário de Tubarão Heitor Wensing Júnior Diretor do Campus Universitário da Grande Florianópolis Hércules Nunes de Araújo Diretor do Campus Universitário UnisulVirtual Fabiano Ceretta Campus Universitário UnisulVirtual Diretor Fabiano Ceretta Unidade de Articulação Acadêmica (UnA) – Ciências Sociais, Direito, Negócios e Serviços Amanda Pizzolo (coordenadora) Unidade de Articulação Acadêmica (UnA) – Educação, Humanidades e Artes Felipe Felisbino (coordenador) Unidade de Articulação Acadêmica (UnA) – Produção, Construção e Agroindústria Anelise Leal Vieira Cubas (coordenadora) Unidade de Articulação Acadêmica (UnA) – Saúde e Bem-estar Social Aureo dos Santos (coordenador) Gerente de Operações e Serviços Acadêmicos Moacir Heerdt Gerente de Ensino, Pesquisa e Extensão Roberto Iunskovski Gerente de Desenho, Desenvolvimento e Produção de Recursos Didáticos Márcia Loch Gerente de Prospecção Mercadológica Eliza Bianchini Dallanhol Livro didático UnisulVirtual Palhoça, 2016 Designer instrucional Rafael da Cunha Lara Noções de Álgebra Linear Kelen Regina Salles Silva Christian Wagner Livro Didático Ficha catalográfica elaborada pela Biblioteca Universitária da Unisul Copyright © UnisulVirtual 2016 Professor conteudista Kelen Regina Salles Silva Christian Wagner Designer instrucional Rafael da Cunha Lara Projeto gráfico e capa Equipe UnisulVirtual Diagramador(a) Fernanda Fernandes Revisor(a) Contextuar ISBN 978-85-7817-948-9 e-ISBN 978-85-7817-947-2 Nenhuma parte desta publicação pode ser reproduzida por qualquer meio sem a prévia autorização desta instituição. S58 Silva, Kelen Regina Salles Noções de álgebra linear : livro didático / Kelen Regina Salles Silva, Christian Wagner ; design instrucional Rafael da Cunha Lara. – Palhoça : UnisulVirtual, 2016. 194 p. : il. ; 28 cm. Inclui bibliografia. ISBN 978-85-7817-948-9 e-ISBN 978-85-7817-947-2 1. Álgebra linear. 2. Equações lineares. I. Wagner, Christian. II. Lara, Rafael da Cunha. III. Título. CDD (21. ed.) 512.5 Sumário Introdução | 7 Capítulo 1 Sistemas de equações lineares | 9 Capítulo 2 Espaço vetorial | 67 Capítulo 3 Transformações lineares | 111 Capítulo 4 Autovalores e autovetores | 171 Considerações Finais | 189 Referências | 191 Sobre os Professores Conteudistas | 193 Introdução Este livro contém a base da Álgebra Linear, um ramo da matemática que estuda sistemas de equações lineares e conceitos fundamentais para a compreensão da construção de novas estruturas matemáticas. No seu desenvolvimento, procuramos em cada tópico e em cada exemplo o detalhamento completo, passo a passo, mostrando sempre as propriedades e os conceitos utilizados, sendo que as tabelas e ilustrações sem indicação de fonte foram elaboradas pelos autores. Nosso objetivo é proporcionar ao aluno uma leitura independente, intercalando com a exposição dos exemplos e realizando os exercícios expostos nas atividades de autoavaliação. O capítulo 1 apresenta estudos de sistemas de equações lineares, de ordem superior a 2, mostrando métodos tradicionais de resolução e algumas aplicações. No capítulo 2, você terá contato com uma matemática mais teórica e abstrata, conhecerá o conceito de espaço vetorial, fundamental para o estudo da álgebra. No capítulo 3, estudará um tipo específico de aplicação entre espaços vetoriais e suas características, são as chamadas transformações lineares. E finalmente, no capítulo 4, você conhecerá tipos especiais de transformações lineares que associam elementos a múltiplos deles próprios. A sequência apresentada segue uma linha de raciocínio que relaciona um capítulo ao capítulo anterior, assim, o pleno aproveitamento da disciplina depende dos estudos detalhados e da cronologia apresentada. Lembre-se: tenha sempre uma caneta e um papel à mão: não podemos ler um livro de matemática, principalmente de Álgebra Linear, como se fosse uma revista. É necessário para um bom entendimento que você mesmo reescreva as definições e propriedades com suas palavras e refaça os exemplos sempre que necessário – às vezes uma representação gráfica ajuda, ou mesmo a tecnologia. Não deixe de realizar todos os exercícios propostos nas atividades de autoavaliação, assim temos certeza de que você concluirá a disciplina com sucesso. Nós, autores e professores, estamos à disposição para atendê-lo da melhor maneira possível, por isso não deixe de interagir através das ferramentas disponíveis no ambiente virtual. Socialize seu conhecimento com seu professor e com seus colegas e façamos assim uma grande rede de aprendizagem e troca de informações. O sucesso só aparece depois do trabalho. Então, mãos à obra e bons estudos. Profº Christian Wagner, Msc Profª Kelen R.S. Silva, Msc 9 Capítulo 1 Sistemas de equações lineares Seção 1 Introdução Com o estudo deste capítulo, procuramos contribuir para que o estudante desenvolva habilidades no sentido de: definir equações lineares; solucionar equações lineares e sistema de equações lineares; associar sistemas a matrizes; realizar operações elementares com linhas de matrizes associadas a sistemas para obter sistemas equivalentes; transformar uma matriz relacionada a um sistema em uma matriz na forma escalonada; aplicar o método de eliminação de Gauss e o método de Gauss-Jordan para resolver sistemas lineares; calcular inversa de matriz para resolver sistemas lineares; estudar aplicações de sistemas de equações lineares. Sistemas de equações lineares são largamente utilizados na representação de modelos matemáticos de sistemas reais e podem aparecer nas mais variadas áreas de conhecimento. Dentre elas, áreas como: administração, economia, sociologia, ecologia, demografia, genética, eletrônica, engenharias e física. 10 Capítulo 1 Neste capítulo, iremos estudar os principais métodos analíticos para resolução de sistemas de equações lineares. Métodos clássicos, cujos algoritmos são utilizados para determinar a solução de sistemas, caso esta exista, além de permitir a análise dos sistemas analiticamente. Veremos, também, que essa análise geralmente é realizada utilizando matrizes associadas ao sistema. Com isso, iremos também aprofundar o estudo das matrizes. 1.1 Uma aplicação clássica – Dieta de Cambridge A busca para uma vida saudável vem sendo estudada há algum tempo. Na década de 1980, uma equipe de cientistas da Universidade de Cambridge, chefiada pelo Dr. Alan H. Howard, desenvolveu uma dieta com base em mais de oito anos de trabalho clínico com pessoas obesas. A ideia era equilibrar uma alimentação consumindo poucas calorias conciliada a uma combinação precisa e equilibrada de carboidratos, proteínas de alta qualidade, gordura, juntamente com vitaminas e minerais considerados elementos traços e eletrólitos. Veja um exemplo em que são tabelados três dos ingredientes da dieta, juntamente com as quantidades de determinados nutrientes (proteína, carboidrato e gordura) obtidos a partir de 100 gramas de cada ingrediente (leite desnatado, farinha de soja e soro de leite). Quadro 1.1 – Dieta de Cambridge Quantidades (em gramas) Fornecidas por 100g de Ingrediente Quantidade Fornecida pela Dieta de Cambridge em um dia (g) Nutriente (gramas) Leite desnatado Farinha de soja Soro de leite Proteína 36 5113 33 Carboidrato 52 34 74 45 Gordura 0 7 1,1 3 Fonte: Elaboração dos autores (2015). Determine as quantidades de leite desnatado, farinha de soja e soro de leite necessárias para fornecer as quantidades precisas de proteínas, carboidratos e gorduras da Dieta de Cambridge. Esse problema pode ser representado na forma de equações lineares. 11 Noções de Álgebra Linear Sejam as variáveis: LD: a quantidade de leite a ser consumida diariamente FS: a quantidade de farinha de soja a ser consumida diariamente SL: a quantidade de soro de leite a ser consumida diariamente Podemos escrever o seguinte sistema de equações lineares: Cuja solução é: LD = 0,277 FS = 0,392 SL = 0,233 Ou seja, o consumo deve ser de aproximadamente 0,277 unidades de leite desnatado, 0,392 de farinha de soja e 0,233 de soro de leite. Esta é apenas uma ilustração da dieta, pois na íntegra a Dieta de Cambridge conseguiu fornecer 31 nutrientes, em quantidades precisas, usando 31 ingredientes. Na Seção 7 deste capítulo, você verá a resolução do sistema que resultou na solução encontrada. 12 Capítulo 1 Seção 2 Equações lineares Inicialmente, vamos retomar a definição de equação linear e solução de equação linear. Uma equação linear é uma equação que pode ser colocada na forma padrão: Definição 1.1: uma equação linear é uma equação representada na forma padrão: Em que: x1, x2 , x3 , ... , xn são as incógnitas ou variáveis a1, a2 , a3 , ... , an são números reais chamados coeficientes b é um número real chamado termo independente. Exemplo 1.1: equações lineares e não lineares. (a) A equação é uma equação linear com duas variáveis x e y. (b) A equação é uma equação linear com quatro variáveis . (c) A equação não é uma equação linear, pois não pode ser escrita na forma padrão, pois apresenta o termo . (d) A equação também não é uma equação linear, apresenta o termo , o que impede a colocação na forma padrão. Definição 1.2: uma solução de uma equação linear, com incógnitas, é um conjunto de valores das incógnitas que satisfazem a equação. Esses valores são denominados raízes da equação linear e podem ser representados por uma n-upla ordenada de números reais que verifica a igualdade de , ou seja Exemplo 1.2: a equação tem uma solução dada pelo par ordenado (0, 2), pois 2 ( 0 ) + 2 = 2 . Contudo, o par (1, 3) não é solução da equação, pois 2 ( 1 ) + 3 = 5 ≠ 2. 13 Noções de Álgebra Linear Exemplo 1.3: a equação tem uma solução ( 3, 2, 1, 0 ), mas ( 1, 2, 4, 5 ) não é solução da equação linear. Como encontrar soluções de uma equação linear? • Uma equação linear , com uma incógnita x, e coeficientes a e b , pode apresentar como solução uma das três possibilidades: (i) se , a equação possui solução única ; (ii) se , mas , a equação não tem solução; (iii) se e , a equação apresenta infinitas soluções. • Uma solução de uma equação linear , com incógnitas, coeficientes , não todos nulos e b um número real, pode ser obtida isolando uma das incógnitas (com coeficiente diferente de zero) e substituindo quaisquer valores para as demais incógnitas, chamadas agora de variáveis livres. • Uma equação linear, com incógnitas na forma é chamada de equação degenerada. Teorema 1.1: uma equação degenerada , com incógnitas e b um número real: (i) não tem solução, se ; (ii) tem infinitas soluções, se . Demonstração: dada a equação degenerada , e sendo uma n-upla ordenada qualquer de números reais: (i) Se , supõe-se que s é solução da equação, ou seja: , que é um absurdo, já que por hipótese . Logo, nenhuma n-upla ordenada é solução da equação acima. 14 Capítulo 1 (ii) Se , supondo-se novamente que s é solução da equação: , ou seja, qualquer n-upla ordenada é solução da equação. Logo, a equação admite infinitas soluções. Exemplo 1.4: a equação tem uma solução: (Somente esse valor de x satisfaz a equação). Exemplo 1.5: a equação não tem solução, pois: (Observe que não existe x tal que a igualdade seja verdadeira). Exemplo 1.6: A equação tem infinitas soluções, pois: (Observe que para qualquer valor de x , a igualdade é satisfeita). Exemplo 1.7: A equação , tem infinitas soluções, pois, se isolarmos uma das incógnitas, obtemos duas variáveis livres que podem assumir quaisquer valores. 15 Noções de Álgebra Linear Por exemplo: • fazendo e , a equação tem como solução a tripla ordenada ; • fazendo e , a equação tem como solução a tripla ordenada . Exemplo 1.8: A equação admite infinitas soluções, pois: . 2.1 Atividades de autoavaliação 1. Determine quais das equações abaixo são equações lineares, justifique e indique as variáveis. a) . b) . c) . d) . 2. Determine uma solução para a equação linear . 3. Determine o valor de m para que (1, 0, 2) seja solução da equação . 16 Capítulo 1 Seção 3 Sistemas de Equações Lineares O estudo de Sistemas de Equações Lineares tem importante destaque na Álgebra Linear, os problemas envolvendo sistemas aplicam-se, além da matemática a diversas áreas do conhecimento humano. Muitas técnicas para resolver sistemas de equações lineares têm sido aplicadas e atualizadas ao longo dos anos. Tais atualizações decorrem do avanço da informática e do desenvolvimento de diversos softwares que são capazes de realizar um grande número de operações algébricas com enorme rapidez. Esses softwares trabalham com a representação matricial do sistema. Nesta seção, veremos a relação entre sistemas e matrizes. Definição 1.3: um Sistema de m Equações Lineares e n incógnitas é um conjunto finito de equações lineares representado na forma padrão: Em que x1 , x2 , x3 , ... , xn são incógnitas ou variáveis: aij com i ∈ { 1, 2, ... , m } e j ∈ { 1, 2, ..., n } são os coeficientes das incógnitas; b1 , b2 , b3 , ... , bm são os termos independentes. As variáveis podem ser representadas por outras letras do alfabeto: x, y, z, w, t,... ou a, b, c, d,... 3.1 Representação matricial de sistemas de equações lineares Realizar operações com matrizes é uma forma de fazer operações com vários números simultaneamente. Um sistema que envolve várias equações lineares pode ser escrito como uma única equação matricial e facilitar assim sua resolução. Se você observar bem, verá que podemos representar o sistema S da definição 1.3 por meio de matrizes. Ou seja: = 17 Noções de Álgebra Linear Essas matrizes recebem nomes especiais, conforme apresentadas a seguir. 1 – Matriz de coeficientes: matriz cujos elementos são os coeficientes das incógnitas 2 – Matriz (Vetor) das incógnitas: é a matriz coluna cujos elementos são as incógnitas do sistema. 3 – Matriz (Vetor) dos termos independentes: é a matriz coluna cujos elementos são os termos independentes do sistema. 4 – Matriz aumentada (ou ampliada): cujos elementos são os coeficientes das incógnitas e os termos independentes. Neste caso, a matriz será composta pelo mesmo número de linhas da matriz dos coeficientes, porém terá uma coluna a mais. Se chamarmos: C = matriz dos coeficientes; X = vetor das incógnitas; B = vetor de termos independentes. Um sistema de equações lineares pode ser representado na notação matricial CX = B, 18 Capítulo 1 Quando todos os elementos do vetor de termos independentes do sistema linear forem iguais a zero, o sistema é dito homogêneo. Logo, sua representação é: . Exemplo 1.9: Represente o sistema na forma matricial: Matriz dos Coeficientes: Matriz aumentada: Vetor das Incógnitas: Vetor dos termos independentes: Representação matricial: CX = B =Exemplo 1.10: o Sistema: tem a representação matricial: = . Exemplo 1.11: o Sistema homogêneo: pode ser representado matricialmente por: . 19 Noções de Álgebra Linear 3.2 Solução de sistemas de equações lineares Definição 1.4: solução de um Sistema de Equações Lineares é um conjunto de valores das incógnitas ou variáveis que satisfazem simultaneamente todas as equações do sistema. Ou seja, dado um sistema com m equações lineares e n incógnitas representado na forma padrão, a n-upla ordenada (α1, α2, ..., αn) é solução se: . Ou ainda, se chamarmos essa n-upla de vetor solução e a representarmos como uma matriz coluna, ao substituirmos o vetor de incógnitas pelo vetor solução, teremos que o produto da matriz dos coeficientes pelo vetor solução é igual ao vetor de termos independentes, isto é: = . Os valores da n-upla também podem ser chamados de raízes do sistema de equações lineares. Um sistema de equações lineares pode admitir uma solução, mais de uma solução ou pode não admitir solução. Definição 1.5: um sistema de Equações Lineares pode ser: (i) possível ou compatível e determinado: se admite solução única; (ii) possível ou compatível e indeterminado: se admite infinitas soluções; (iii) impossível ou incompatível: se não tem solução. 20 Capítulo 1 Exemplo 1.12: Dado o sistema . Observe que a primeira equação de S1 possui entre suas soluções os pares ordenados: ( - 1, 7) , ( 0, 5) , ( 1, 3 ). A segunda equação admite, entre as suas soluções, os pares (5, 7), (2, 4), (1, 3). Note que o par (1, 3) satisfaz as duas equações do sistema S1, então ele é uma solução do sistema S1. Exemplo 1.13: a tripla ordenada (-2, -1, 4) é solução do sistema pois satisfaz as três equações. Na forma matricial: = = . Um sistema homogêneo é sempre possível, pois admite pelo menos a solução trivial. Ou seja, todo sistema linear homogêneo com m equações lineares e n incógnitas admite no mínimo como solução a n-upla (0, 0, ..., 0) , chamada de solução trivial. Exemplo 1.14: uma solução do sistema é a solução trivial , mas, observe que a tripla ordenada (2, 3, 5) também é solução do sistema, pois satisfaz as três equações. Portanto, este sistema admite outras soluções além da trivial. Mas, como determinar soluções de um sistema de equações lineares? 21 Noções de Álgebra Linear Você pode já ter estudado, em outro momento, a resolução de sistemas de equações lineares, como a Regra de Cramer, e pôde entender também a interpretação gráfica da solução de sistemas lineares. Vamos analisar novas situações e conhecer outros métodos de resolução de sistemas, para isso precisamos compreender alguns conceitos apresentados a seguir. Definição 1.6: um sistema de equações lineares que está na forma escalonada se apresenta a seguinte forma: Em que: , , ... , , com . Teorema 1.2: se um sistema na forma escalonada apresentar a equação degenerada: , então: I. se b = 0, essa equação pode ser omitida do sistema sem modificar o conjunto solução; II. se b ≠ 0, o sistema não admite solução. Demonstração: A demonstração deste teorema está diretamente relacionada à demonstração do teorema 1.1: I. se o sistema apresentar uma equação degenerada , esta admite qualquer solução (teorema 1.1) e, assim, não influenciará na solução encontrada a partir das demais equações; II. se o sistema apresentar uma equação degenerada , esta não admite qualquer solução (teorema 1.1). Assim, o sistema também não terá solução. 22 Capítulo 1 Um sistema na forma escalonada que apresenta n variáveis e r equações, sendo r ≤ n, pode apresentar: • solução única se o número de variáveis for igual ao número de equações (r = n); • infinitas soluções se o número de equações for menor que o número de variáveis (r < n), pois nesse caso teremos variáveis livres. O número de variáveis livres de um sistema é também chamado de grau de liberdade do sistema. Se o sistema tiver o número de equações igual ao número de variáveis, a forma escalonada tem um nome especial: Sistema de Equações Lineares na forma triangular. Definição 1.7: um Sistema de Equações Lineares está na forma triangular se o número de equações é igual ao número de incógnitas e se tem a seguinte forma: em que: . Você pode observar que a matriz dos coeficientes é uma matriz triangular superior. Para determinar a solução de um sistema nessa forma escalonada, seguimos um processo chamado de retrossubstituição, que consiste em partir da última equação para determinar a n-ésima incógnita e substituir na (n – 1)-ésima equação e assim sucessivamente até obter a solução do sistema. Exemplo 1.15: determinar a solução do sistema na forma triangular . Começamos com , substituindo o valor de z. 23 Noções de Álgebra Linear Na segunda equação, temos: , substituindo z e y na primeira equação: , a solução do sistema é (2, 1, –3). Exemplo 1.16: o sistema na forma escalonada admite infinitas soluções, pois podemos representar as variáveis como: e . Substituindo em : . Nesse caso, temos em função de e em função de e , ou seja, as variáveis e são variáveis livres que podem assumir valores arbitrários, obtendo assim infinitas soluções para o sistema. Você poderia também escrever em função de , no caso chegaria à mesma conclusão sobre o número de variáveis livres. 3.3 Atividades de autoavaliação 1. Escreva a matriz aumentada de cada um dos seguintes sistemas de equações lineares. a) b) 2. Escreva o sistema de equações lineares que correspondem às seguintes matrizes aumentadas: a) sendo as variáveis x, y e z. 24 Capítulo 1 b) sendo as variáveis . 3. Resolva os seguintes sistemas: a) b) c) Seção 4 Sistemas equivalentes Apesar de existirem softwares que resolvem sistemas de equações lineares, nosso interesse está em estudar esses sistemas e até conhecer os métodos utilizados por esses softwares. Para isso, precisamos de algumas definições importantes. Definição 1.8: dois sistemas de equações lineares são ditos equivalentes quando as equações envolvem as mesmas variáveis e admitem a mesma solução, ou seja, toda solução do primeiro é também solução do segundo e vice-versa. Exemplo 1.17: os sistemas S1 e S2 a seguir são equivalentes pois admitem a mesma solução (10, 2): e . De fato: e . 25 Noções de Álgebra Linear Exemplo 1.18: considere os sistemas na sequência. S3 = e S4 = . Observe que S3 está na forma triangular, se partirmos da última equação determinamos o valor da variável . Da segunda equação temos ; substituindo na primeira equação, obtemos: , Solução (–2, 4, 2). Apesar do sistema S4 aparentar ser mais difícil de resolver, observe que se somarmos a primeira equação com a segunda, obtemos: Analogamente subtraindo a primeira equação da terceira: Então, se , substituindo o valor de e em qualquer uma das equações de S4, obtemos . Logo, a solução é (–2, 4, 2). Ou seja, os sistemas S3 e S4 são equivalentes. Definição 1.9: um sistema de m equações lineares se transforma em um sistema equivalente quando se efetuam as seguintes operações elementares: I. permutação de duas equações: , e ; II. multiplicação de uma equação por um número real k diferente de zero: , ; III. substituição de uma equação por sua soma com outra previamente multiplicada por um número real k diferente de zero: , e . 26 Capítulo 1 Exemplo 1.19: Dado o sistema S = cuja solução é (2,3,1), vamos realizar algumas operações elementares e observar que os sistemas obtidos a partir dessas operações são equivalentes entre si. Para isso, chamaremosas equações 1, 2 e 3 de , e respectivamente. I. Ao permutar a segunda equação pela terceira equação do sistema S, obtemos o sistema S1: Notação: ( ↔ ) S1 = II. Ao multiplicar a primeira equação do sistema S1 por (1/2), resulta no sistema S2: Notação: S2 = III. No sistema S2, ao substituir a terceira equação pela soma dela com a primeira equação previamente multiplicada por (–4), vamos obter S3: Notação: S3 = Observe que a solução (2, 3, 1) é solução dos sistemas S, S1, S2 e S3, ou seja os sistemas são equivalentes. Teorema 1.3: dois sistemas S e S´ são linhas equivalentes se S´ for obtido a partir de S por uma sequência finita de operações elementares. Demonstração: dado o sistema 27 Noções de Álgebra Linear cuja solução é a n-upla ordenada ( α1, α2 , ..., αn ), isto é: . Aplicando a operação, temos as situações descritas a seguir. I. Com a permutação de duas equações quaisquer do sistema acima, a solução se mantém a mesma, pois todas as equações se mantêm e os sistemas S e S´ são equivalentes. II. Com a multiplicação da equação r por um escalar k diferente de zero ( ), obtemos o sistema S´ equivalente ao sistema S. Assim, considerando Vamos tomar a equação : (i) Vamos mostrar que se (α1, α2, ..., αn) é solução de S, então será solução de S´. Suponha que (α1, α2, ..., αn ) é a solução do sistema S, então: (1) Substituindo (α1, α2, ..., αn ) no lado esquerdo da equação de S´: Logo, (α1, α2, ..., αn) é solução da equação e portanto solução do sistema S´, ou seja, os sistemas S e S´ são equivalentes. 28 Capítulo 1 (ii) Vamos mostrar que se (α1, α2, ..., αn) é solução de S´, então será solução de S. Suponha que (α1, α2, ..., αn) é a solução do sistema S´, então: (2) Por outro lado, substituindo (α1, α2, ..., αn) na equação de S: (1) Portanto, solução do sistema S, ou seja, os sistemas S e S´ são equivalentes. III. Com a substituição de uma equação por sua soma com outra previamente multiplicada por um número real k diferente de zero, ao tomar o sistema realizando a operação , obtemos o seguinte sistema S´: . 29 Noções de Álgebra Linear Tomando a linha , devemos mostrar algumas situações, descritas a seguir. (i) Se (α1, α2, ..., αn) é solução de S, então será solução de S´. Neste caso, são válidas as igualdades: (3) (4) Substituindo (α1, α2, ..., αn) na equação de S´: Portanto, (α1, α2, ..., αn) é solução de S´ e os sistemas são equivalentes. (ii) Se ( α1, α2 , ..., αn ) é solução de S´ então será solução de S: Suponha: e e Logo: Portanto, ( α1, α2 , ..., αn ) é solução de S e os sistemas são equivalentes. As operações que transformam um sistema em outro equivalente a ele são as três apresentadas. 30 Capítulo 1 4.1 Atividades de autoavaliação 1. Verifique se os sistemas S1 e S2 abaixo são equivalentes: 2. Calcule o valor de a e b sabendo que os sistemas S1 e S2 abaixo são equivalentes: Seção 5 Resolução de sistemas de equações lineares Nesta seção, você vai estudar alguns métodos clássicos utilizados para a resolução de sistemas de equações lineares. Todos eles consistem em transformar o sistema inicial em um sistema equivalente por meio de operações elementares. Para tanto, utilizam a forma matricial do sistema e trabalham as operações sobre as linhas dessa matriz em vez de trabalhar com equações. Assim, as operações elementares podem ser reescritas. Acompanhe! 5.1 Operações Elementares sobre as Linhas de uma Matriz I. Permutação de duas linhas: , e . II. Multiplicação de uma linha por um número real k diferente de zero: , . III. Substituição de uma linha por sua soma com outra previamente multiplicada por um número real k diferente de zero: , e . Se a matriz dos coeficientes desse sistema está na forma escalonada, o sistema também se apresenta na forma escalonada. 31 Noções de Álgebra Linear 5.2 Matriz escalonada Definição 1.10: uma matriz com m linhas e n colunas está na forma escalonada se: 1. toda linha nula somente aparece abaixo de todas as linhas não nulas (ou seja, daquelas que possuem pelo menos um elemento não nulo – chamado pivô); 2. cada pivô está à direita do elemento pivô da próxima linha. Observação 1.2: se uma matriz satisfaz as condições 1 e 2 dizemos que ela está na forma escalonada reduzida por linha quando, além disso: a. todos os pivôs forem iguais a 1; e b. toda coluna que contém o pivô em alguma linha tem todos os seus outros elementos iguais a zero. Exemplo 1.20: as matrizes A, B, e C estão na forma escalonada reduzida por linha: , e . Exemplo 1.21: as matrizes M, N, K e L estão na forma escalonada: , , e . 5.3 Posto e Nulidade O número de linhas não nulas de uma matriz escalonada pode ser utilizado para interpretar se um sistema é compatível (determinado ou indeterminado) ou incompatível, para isso vamos definir posto e nulidade de uma matriz. 32 Capítulo 1 Definição 1.11: chama-se posto ou característica de uma matriz A de ordem m x n, ao número de linhas não nulas da matriz escalonada equivalente a A, e denota-se por p(A). Definição 1.12: chama-se nulidade de uma matriz A de ordem m x n, a diferença entre o número de colunas e seu posto e se denota por nul(A), logo nul(A) = n – p(A) Exemplo 1.22: avalie o posto e a nulidade das matrizes dos exemplos 1.20 e 1.21: p(A) = 3 e nul(A) = 0, pois o número de colunas de A é 3; p(B) =3 e nul(B) = 2, pois o número de colunas de B é 5; p(C) = 4 e nul(C) = 2, pois o número de colunas de C é 5; p(M) = 2 e nul(M) = 0, pois o número de colunas de M é 2; p(N) = 3 e nul(N) = 0, pois o número de colunas de N é 3; p(K) = 2 e nul(K) = 3, pois o número de colunas de K é 5; p(L) = 4 e nul(L) = 1, pois o número de colunas de L é 5. A proposição a seguir mostra a importância do posto das matrizes relacionadas a um sistema de equações lineares para a análise da solução deste. Proposição 1.1: dado um sistema de equações lineares com m equações e n variáveis e sejam C matriz dos coeficientes deste sistema A a matriz aumentada do sistema. Se p(A) é o posto da matriz aumentada do sistema e p(C) o posto da matriz dos coeficientes do sistema, então: (i) o sistema será compatível e determinado se p(A) = p(C) = n; (ii) o sistema será compatível e indeterminado se p(A) = p(C) < n; (iii) o sistema será incompatível se p(A) > p(C). 33 Noções de Álgebra Linear Um pouco de história Johann Carl Friedrich Gauss (1777-1855) nasceu na Alemanha e foi considerado, por muitos, como o maior gênio da história da Matemática. Menino prodígio, aos sete anos surpreendeu um professor ao calcular correta e rapidamente a soma de todos os números inteiros de 1 a 100, sem apresentar nenhum cálculo por escrito. Durante sua vida se dedicou a diversas áreas da matemática e da física. Superou toda a matemática até então estudada ao propor rigor nas demonstrações e por conta disso o estudo da matemática e da astronomia progrediram e se tornaram áreas caracterizadas pela precisão. Aos 24 anos publicou sua obra prima, Disquisi- tiones Arithmeticae, onde sintetizou o estudo da Teoria dos Números, considerada por muitos como uma das maiores realizações matemáticas. 5.4 Método de Eliminação de Gauss O método utiliza operações elementares com as linhas da matriz dos coeficientes do sistema, a fim de transformar as operações numa matriz escalonada e encontrar a solução do sistema através de retrossubstituição das variáveis. Dado um sistema linear na forma matricial CX = B, podemos descrever o método de eliminação de Gauss através das seguintes etapas. Método de Gauss-Jordan Etapa 1: determinação da matriz aumentadado Sistema . Etapa 2: transformação da matriz dos coeficientes C numa matriz escalonada, aplicando as operações elementares na matriz aumentada. Para isso, seguiremos as seguintes fases: • Fase 1: localizar a coluna mais à esquerda que não seja toda constituída de Zeros, coluna r; • Fase 2: permutar as linhas de maneira a obter um elemento não- zero na primeira linha da coluna r, por exemplo, de modo que . Chamá-lo de pivô e à linha 1 de linha pivô; • Fase 3: utilizar o pivô para zerar todos os elementos abaixo dele, ou seja, para cada i >1, determinar multiplicadores para realizar as operações ; • Fase 4: repetir as fases 2 e 3 na submatriz formada por todas as linhas, exceto a primeira; • Fase 5: continuar o processo até que a matriz esteja na forma escalonada. 34 Capítulo 1 Etapa 3: resolver o novo sistema obtido na etapa 2 por retrossubstituição. Sem perda por generalidade, iremos apresentar esse método resolvendo exemplos. Exemplo 1.23: determine a solução do sistema utilizando eliminação de Gauss. Etapa 1: escrever a matriz aumentada do sistema. . Etapa 2: transformar a matriz dos coeficientes em uma matriz equivalente a ela, na forma escalonada, através de operações com linhas na matriz aumentada: ƒ Fase 1: identificar o elemento pivô (primeiro elemento diferente de zero da coluna 1). Neste exemplo, o elemento : Utilizar o pivô para zerar todos os elementos da primeira coluna abaixo dele. Para isso, definimos os seguintes multiplicadores: e E as operações: e e 35 Noções de Álgebra Linear Que nos leva a seguinte matriz: Fase 2: deixar de lado a primeira linha dessa nova matriz e recomeçar o processo aplicado na fase 1 à submatriz resultante. Observe que o próximo elemento não nulo da segunda coluna é o elemento . Nesse caso, a operação a ser realizada pode ser: para levá-lo à diagonal principal. . Como o elemento abaixo do pivô é zero, já temos a matriz dos coeficientes do sistema na forma escalonada equivalente à matriz dos coeficientes do sistema dado. Podemos, então, verificar que o posto da matriz ampliada p(A) do sistema dado é igual a 3 e o posto da matriz dos coeficientes p(C) é igual a 3, como o número de variáveis n é também 3. Pela proposição 1.1 concluímos que esse é um sistema possível e determinado, pois p(A) = p(C) = n, e sua solução pode ser determinada na etapa 3. Etapa 3: reescrevendo o sistema e utilizando retrossubstituição, obtemos: cuja solução é (2, –5, 3 ), obtida por retrossubstituição. E como este sistema é equivalente ao sistema dado inicialmente, então sua solução é a solução do sistema dado. 36 Capítulo 1 Exemplo 1.24: resolva o sistema a seguir por eliminação de Gauss. Etapa 1: escrever a matriz aumentada do sistema Etapa 2: transformar a matriz dos coeficientes em uma matriz na forma escalonada, através de operações com linhas na matriz aumentada Devemos utilizar a linha 1 para zerar o elemento realizando a seguinte operação: 37 Noções de Álgebra Linear Observando a submatriz resultante, recomeçamos o processo determinando o próximo pivô: A linha 2 é a linha pivô e o elemento o elemento pivô, utilizado para zerar o elemento com a operação . Como a matriz já está na forma escalonada, podemos analisar os postos das matrizes: • matriz ampliada p(A) = 3; • matriz dos coeficientes p(C)= 3; • n = 4. Pela proposição 1.1, concluímos que é um sistema possível e indeterminado, pois p(A) = p(C) < n. 38 Capítulo 1 Etapa 3: reescrevendo o sistema e utilizando a retrossubstituição, obtemos Utilizando retrossubstituição: 2 21 1 5 ==x , . Observe que o sistema apresenta duas variáveis livres, seu grau de liberdade é 2, então admite infinitas soluções. Para obter uma solução específica, você pode admitir quaisquer valores às variáveis livres, por exemplo: se e , então , logo o sistema admite a solução ( 0, 2, 1, 1, 2 ). Podemos ainda representar as soluções do sistema em função das variáveis livres: . Exemplo 1.25: resolva o sistema . Etapa 1: escrevendo a matriz aumentada do sistema. Etapa 2: transformar a matriz dos coeficientes em uma matriz na forma escalonada, através de operações com linhas na matriz aumentada. 39 Noções de Álgebra Linear Como o elemento , que seria o pivô, é igual a zero, temos que procurar outro elemento na primeira coluna e permutar linhas. De preferência, escolha para pivô o número 1, assim os multiplicadores ficam mais simples. Veja que o elemento é igual a 1, assim podemos realizar a seguinte permutação: Devemos utilizar a linha 1 para zerar os elementos e com as seguintes operações: e Sob a submatriz resultante, recomeçamos o processo determinando o próximo pivô: A linha 2 é a linha pivô e o elemento o elemento pivô, utilizado para zerar os elementos e desenvolvendo as seguintes operações: e 40 Capítulo 1 O pivô da próxima submatriz é o elemento : Para zerar os elementos e , realizamos a operação: p(A) = 4, p(C) = 4 e n = 4, então o sistema admite solução única. Etapa 3: reescrevendo o sistema: Utilizando retrossubstituição, teremos: , e . Exemplo 1.26: analise a solução do sistema utilizando eliminação de Gauss. 41 Noções de Álgebra Linear A partir desse exemplo, vamos representar o método juntamente com a sequência de operações: p(A) = 3, p(C) = 2 e n = 3, então o sistema não admite solução, pois p(C) < p(A). Realmente, reescrevendo o sistema: Observe ainda, que a última equação é uma equação degenerada com . Exemplo 1.27: resolva o sistema: por eliminação de Gauss. 42 Capítulo 1 p(A) = 2, p(C) = 2 e n = 3, então o sistema não admite infinitas soluções, pois p(C) = p(A) < n. Veja ainda que a matriz na forma escalonada apresenta duas equações degeneradas com b = 0, elas podem ser eliminadas do sistema sem alterar a solução. A linha 2 pode ser multiplicada por 2, para simplificar as frações. Portanto, temos o seguinte sistema: Que admite infinitas soluções, pois apresenta uma variável livre. Exemplo 1.28: resolva o sistema por eliminação de Gauss. . Como p(A) = 3, p(C) = 2, então o sistema não admite solução, pois p(A) > p(C). 43 Noções de Álgebra Linear Exemplo 1.29: Utilize o método de eliminação de Gauss para determinar os valores de k, para que o sistema seja: a. possível e determinado; b. possível e indeterminado; c. impossível. Escrevendo a matriz aumentada e realizando as operações descritas: Reescrevendo o sistema: Da última equação , temos: a. o sistema é possível e determinado se ou seja, e ; 44 Capítulo 1 b. o sistema é possível e indeterminado se e , ou seja, se ( ou ) e , concluindo: se ; c. o sistema é impossível se e , ou seja, ( ou ) e concluindo: se . Observação 1.3: quando transformamos a matriz dos coeficientes de um sistema na forma escalonada reduzida por linhas estamos aplicando o método chamado eliminação de Gauss-Jordan. Um pouco de história Wilhem Jordan (1842-1899) nasceu na Alemanha e em 1888 publicou em seu livro Handbuch der Vermessungskunde a sua contribuição à resolução de sistemas lineares. Engenheiro, especializou-se em Geodésia. Exemplo 1.30: determine a solução do sistema pelo método de Gauss-Jordan: Como já aplicamos o método de eliminação de Gauss nesse exemplo, veja exemplo 1.23, precisamos apenas continuar o processo para transformar a matriz escalonada em uma matriz escalonada reduzida por linha. Para que essa matriz estejana forma desejada, observe, na sequência, algumas condições. 1. Todos os pivôs devem ser iguais a 1. Assim, realizamos as seguintes operações: , e . 45 Noções de Álgebra Linear 2. Toda coluna que contém o pivô em alguma linha tem todos os seus outros elementos iguais a zero. Para isso, aplicamos as operações: . Observe que, por esse método, a solução do sistema está pronta no vetor de termos independentes. Portanto, ao reescrever o sistema, não precisamos utilizar retrossubstituição para encontrá-la. . 5.5 Métodos de Eliminação de Gauss e Gauss-Jordan para resolver sistemas homogêneos Podemos aplicar os métodos de eliminação de Gauss e Gauss-Jordan para resolver sistemas lineares homogêneos. Mas, nesse caso, nenhuma das operações elementares sobre as linhas altera a coluna dos termos independentes, já que é formada de zeros. Consequentemente, o sistema de equações correspondente à forma escalonada da matriz aumentada também deve ser um sistema homogêneo. Com isso, a forma escalonada da matriz dos coeficientes de um sistema homogêneo garante que: I. se o número de linhas não nulas for igual ao número de variáveis, o sistema tem apenas a solução trivial; II. se o número de linhas não nulas for menor que o número de variáveis, o sistema tem outras soluções além da trivial. 46 Capítulo 1 Quando o sistema homogêneo tiver o número de equações igual ao número de variáveis, uma ferramenta que pode ser utilizada na análise da sua solução é o determinante da matriz dos coeficientes: • se det A ≠ 0, então o sistema é compatível e determinado ( só admite a solução trivial); • se det A = 0, então o sistema é compatível e indeterminado ( admite a solução trivial e outras próprias). (Em que: det A é o determinante da matriz dos coeficientes do sistema). Exemplo 1.31: analise a solução dos seguintes sistemas homogêneos: . Como o número de variáveis é maior que o número de equações, concluímos que o sistema apresenta outras soluções além da solução trivial . Exemplo 1.32: resolva o sistema homogêneo: Como o número de equações é igual ao número de variáveis, podemos analisar a solução do sistema de duas formas. Acompanhe. I. Determinar a matriz dos coeficientes escalonada: . 47 Noções de Álgebra Linear Como o número de linhas não nulas é igual ao número de variáveis, o sistema possui apenas a solução trivial. Veja que, se reescrevermos o sistema, ele admite apenas a solução trivial : . II. Analisando o determinante da matriz dos coeficientes: O sistema apresenta apenas a solução trivial: Exemplo 1.33: vimos no exemplo 1.14 que o sistema admite outras soluções além da trivial. Veremos agora como determiná-las. I. Determinar a matriz escalonada da matriz dos coeficientes: . Como a matriz dos coeficientes do sistema de 3 equações e 3 variáveis na forma escalonada apresenta uma linha nula, concluímos que o sistema homogêneo apresenta outras soluções além da trivial. 48 Capítulo 1 Reescrevendo- o: Logo, é variável livre, fazendo , encontramos a solução trivial: . Mas, se admitirmos teremos e , ou seja, a solução . A cada valor admitido a será determinada uma solução. II. Analisando o determinante da matriz dos coeficientes: . O sistema apresenta outras soluções além da trivial. Matemática e informática As aplicações de resolução de sistemas geralmente apresentam sistemas muito grandes. Para isso, são usados softwares que, na maioria das vezes, utilizam algoritmos baseados nos métodos de eliminação de Gauss ou de Gauss-Jordan. 49 Noções de Álgebra Linear 5.6 Atividades de autoavaliação 1. Identifique quais das matrizes abaixo estão na forma escalonada reduzida por linhas, justifique. a) b) c) 2. Resolva os sistemas abaixo pelo método de Eliminação de Gauss, identifique o posto da matriz dos coeficientes e o posto da matriz aumentada e confirme a solução com o estudo dos postos. a) b) c) d) 3. Resolva os sistemas do exercício 2 pelo método de Gauss-Jordan. 4. Explique por que a nulidade de uma matriz nunca é negativa. 5. Resolva os sistemas homogêneos a seguir: a) b) 6. Dado o par de matrizes a seguir, encontre uma matriz elementar tal que . e 50 Capítulo 1 7. Dado o sistema , mostre que: (i) Se , o sistema tem a solução única , ; (ii) Se , ou , o sistema não tem solução. Seção 6 Matriz inversa e sistemas lineares Nesta seção, você vai estudar mais um método utilizado para encontrar solução de sistemas lineares cujo número de variáveis é igual ao número de equações: o Método da Matriz Inversa. Definição 1.9: dada uma matriz quadrada A de ordem n, se pudermos encontrar uma matriz B também de ordem n, tal que , de ordem n, dizemos que A é invertível e que B é a inversa de A. Caso não exista a inversa, dizemos que A é não invertível. A inversa de matriz A é denotada por . Observação 1.3: se e são inversas uma da outra, então vale a igualdade Calculando o determinante em ambos os membros da igualdade por propriedades dos determinantes: Logo, . Portanto, tem que ser diferente de zero, ou seja, a matriz é dita não singular. 51 Noções de Álgebra Linear 6.1 Propriedades da matriz inversa Se A é uma matriz quadrada invertível, as seguintes propriedades são satisfeitas: 1. sua matriz inversa é única se B e C são ambas matrizes inversas da matriz A, então B = C; 2. sua matriz inversa é também invertível, e a inversa dessa inversa é igual à própria matriz : ; 3. a inversa de sua transposta é também invertível e é igual a transporta da inversa ; 4. o produto de sua inversa por sua transposta é também invertível, assim existindo ; 5. a inversa de seu produto por um número (diferente de zero) é igual ao produto do inverso desse número pela sua matriz inversa ; 6. seu determinante é diferente de zero, , ou seja, A é não singular; 7. a matriz inversa do produto de matrizes invertíveis é igual ao produto das inversas dessas matrizes com a ordem trocada, por exemplo ; 8. a matriz inversa de uma matriz identidade de ordem n ( ), é a própria matriz identidade de ordem n: . Você pode estar pensando: mas como determinar a matriz inversa de uma matriz quadrada? Em Geometria Analítica, você viu como determinar a matriz inversa de uma matriz quadrada de ordem 2. Veremos, agora, outro método para determinar a matriz inversa de uma matriz quadrada de qualquer ordem. 52 Capítulo 1 6.1.1 Determinação da matriz inversa através operações elementares Se A é uma matriz quadrada não singular, é possível aplicar operações com as linhas de A para obter sua matriz inversa . Teorema 1.4: seja A uma matriz quadrada de ordem n, que admite inversa, então, aplicando simultaneamente sobre as linhas de A e à matriz identidade I (de ordem n) uma sequência de operações elementares que transformam A na identidade, I será transformada na matriz A-1 inversa de A. Demonstração: sendo A não singular, existe uma matriz B tal que A . B = B . A = I. Tomando a igualdade, temos A . B = I. Se aplicarmos simultaneamente sobre A e sobre I a mesma sequência de operações elementares sobre as linhas que transformam A na matriz identidade I, obtemos I . B = M em que M é a matriz obtida de I depois de aplicar sobre suas linhas a sequência de operações aplicadas em A. Logo, B = M. Portanto, a matriz M obtida a partir de I é a inversa de A. O processo prático consiste em escrevemos uma matriz na forma realizar operações elementares com as linhas desta matriz, a fim de transformar A na matriz identidade de mesma ordem de A. Assim, a matriz do lado direito será. Exemplo 1.34: determine a inversa da matriz . Processo: 53 Noções de Álgebra Linear Como a matriz dos coeficientes foi transformada na matriz identidade, a matriz ao lado é a inversa da matriz . Ou seja: Veja que se é inversa de , então é válido o produto , de fato: Exemplo 1.35: determine a inversa da matriz . Processo: 54 Capítulo 1 Logo, a matriz inversa da matriz é: . Efetuando o produto : . Exemplo 1.36: determine M–1 se M é dada por: . Processo: 55 Noções de Álgebra Linear Portanto, a matriz é: . 6.1.2 Resolução de Sistemas e Matriz Inversa Dado um sistema de equações lineares com n equações e n variáveis, na forma matricial, cuja matriz dos coeficientes C é invertível, o método consiste em resolver a equação matricial , utilizando a inversa da matriz C dos coeficientes. 56 Capítulo 1 Ou seja: Se , multiplicando ambos os lados da igualdade pela matriz inversa de : Ou seja, a solução do sistema será obtida pelo produto da matriz inversa de , pelo vetor de termos independentes . Exemplo 1.37: resolva o seguinte sistema pelo método da matriz inversa: Escrevendo na forma matricial Para resolver o sistema pelo método da matriz inversa, precisamos encontrar a matriz inversa da matriz dos coeficientes, mas observe que é a matriz cuja matriz inversa foi determinada no exemplo 1.34, ou seja: Assim, a solução do sistema é dada por: Logo: e . 57 Noções de Álgebra Linear Qual a vantagem de se aplicar o método da matriz inversa, já que encontrar a inversa de uma matriz para depois encontrar a solução do sistema pode ser mais trabalhoso do que aplicar o método de Gauss? A conveniência de se aplicar esse método está relacionada ao problema que se quer resolver por meio da solução do sistema. O caso mais importante é quando se tem um conjunto de sistemas, tais que as matrizes dos coeficientes sejam todas iguais, variando apenas os termos independentes, pois, assim, basta calcular a inversa de uma única matriz, com a qual se resolverão todos os sistemas. Exemplo 1.38: resolva os sistemas: Considerando que: a. para e b. para , pelo método da matriz inversa, a matriz dos coeficientes do sistema é: . Determinação da inversa . 58 Capítulo 1 . Observe que a matriz será utilizada para determinar a solução do sistema para cada um dos vetores independentes. Chamando e Logo: 59 Noções de Álgebra Linear . Portanto, para a solução é e para a solução é . 6.2 Atividades de autoavaliação 1. Calcule o determinante de cada matriz dada para verificar se ela é invertível: a) b) c) 2. Determine todos os valores de e para que a matriz seja invertível. 3. Determine a matriz inversa, pelo método prático de escalonamento, de cada uma das matrizes dadas. a) b) c) 60 Capítulo 1 4. Resolva os seguintes sistemas, pelo método da matriz inversa. , para: a) b) Seção 7 Aplicações de sistemas lineares Como dissemos anteriormente, são inúmeras as áreas em que se pode aplicar sistemas de equações lineares, a seguir mostraremos alguns exemplos. Dieta de Cambridge Agora podemos apresentar a resolução do sistema mostrado na introdução do capítulo: Por eliminação de Gauss: 61 Noções de Álgebra Linear Reescrevendo o sistema: Cuja solução é: LD = 0,277 unidades FS = 0,392 unidades SL = 0,233 unidades Suponha, agora, a inclusão de mais informações sobre a dieta. A introdução de mais um nutriente, o cálcio, e mais um ingrediente proteinato de soja, ou seja teremos mais uma coluna e uma linha na tabela. Quadro 1.2 – Dieta de Cambridge Quantidades (Gramas) Fornecidas por 100g de Ingrediente Nutriente (gramas) Leite desnatado Farinha de soja Soro de leite Proteinato de soja Quantidade Fornecida pela Dieta de Cambridge em um dia Proteína 36 51 13 80 33 Carboidrato 52 34 74 0 45 Gordura 0 7 1,1 3,4 3 Cálcio 1,6 0,19 0,8 0,18 0,8 Fonte: Elaboração dos autores (2015). 62 Capítulo 1 Determine as quantidades de leite desnatado, farinha de soja, soro de leite e proteinato de soja necessárias para fornecer as quantidades precisas de proteínas, carboidratos, gordura e cálcio da Dieta de Cambridge. Observe que dessa forma o sistema será formado por quatro equações e quatro variáveis. Interpolação Uma indústria cerâmica precisa ter controle sobre as condições de temperatura dos fornos durante o processo de queima. A fim de avaliar a temperatura em determinados horários, a empresa pode, a partir de alguns dados obtidos por observação em intervalos periódicos, determinar a temperatura entre dois horários estimados. Suponha que em um determinado dia tenha sido obtidos dados apresentados na tabela a seguir, estime a temperatura às 16h30. Quadro 1.3 – Temperaturas do forno HORÁRIO 12:00 15:00 18:00 TEMPERATURA (em graus) 100º 400º 900º Fonte: Elaboração dos autores (2015). Seja T(x) a função que descreve a temperatura do forno no instante x. Como são três pontos T pode ser um polinômio do segundo grau, ou seja, da forma: T(x) = ax2 + bx + c Precisamos determinar a, b e c para escrever a função. Substituindo: T(12) = a122 + b12 + c =100 T(15) = a152 + b15 + c = 400 T(18) = a182 + b18 + c = 900 O que resulta em um sistema com três equações e três variáveis: 63 Noções de Álgebra Linear Resolvendo por eliminação de Gauss, obtemos: a = 11,11 b = –200 c = 900 Logo, a função que descreve a temperatura do forno no período dado é: T(x) = 11,11x2 – 200x + 900 Portanto, a temperatura do forno às 16h30 pode ser estimada: T(16,5) = 11,11 (16,5)2 – 200 (16,5) + 900 = 624,70º Produção Suponha o seguinte problema: uma indústria monta quatro tipos de mochilas, mochilas (1), (2), (3) e (4), as quais são processadas e produzidas no decorrer da semana. Para produção de cada unidade dessas mochilas necessita-se de quatro diferentes tipos de matéria-prima (A – Lona, um corte), (B – ziper, unidade), (C – alça, unidade) e (D – bolso, unidade), conforme quadro a seguir. Quadro 1.4 – Insumos (A) Lona (corte) (B) Zíper (unidade) (C) Alça (unidade) (D) Bolso (unidade) Mochila (1) 1 2 2 3 Mochila (2) 2 3 1 1 Mochila (3) 4 1 2 5 Mochila (4) 3 1 2 3 Fonte: Elaboração dos autores (2015). Ou seja: para produzir uma unidade da mochila (1) precisa-se de 1 corte de lona, 2 unidades de zíper, 2 unidades de alça e 3 unidades de bolso. Por semana, a indústria pode realizar 3900 cortes de lona, possui em estoque 2200, 2500 e 4400 unidades de zíper, alça e bolso respectivamente. Quantas unidades de cada produto podem ser produzidas com os insumos disponíveis no estoque? 64 Capítulo 1 Sejam: M1: a quantidade de mochilas do modelo (1) a ser produzida por semana. M2: a quantidade de mochilas do modelo (2) a ser produzida por semana. M3: a quantidade de mochilas do modelo (3) a ser produzida por semana. M4: a quantidade de mochilas do modelo (4) a ser produzida por semana. Gerando o seguinte sistema: disponibilidade de (A)) disponibilidade de (B)) disponibilidade de (C)) disponibilidade de (D)) Resolvendo por Gauss: 65 Noções de Álgebra Linear Reescrevendo o sistema: Obtemos a solução: M1: 200 mochilas do modelo 1 por semana. M2: 300 mochilas do modelo 2 por semana. M3: 400 mochilas do modelo 3 por semana. M4: 500 mochilas do modelo 4 por semana. Circuitos Elétricos Sistemaslineares também podem descrever o fluxo de corrente elétrica em um circuito elétrico. Uma bateria é um tipo de gerador de voltagem que faz com que uma corrente de elétrons percorra o circuito. Existe uma lei, chamada Lei de Ohm, que relaciona a voltagem V (medida em volts), a resistência R (medida em ohms) e o fluxo de corrente I (medida em amperes): V = R*I Observe o circuitos da figura a seguir que contém quatro malhas. Figura 1.1 – Circuito com 4 malhas Fonte: Elaboração dos autores (2015). 66 Capítulo 1 Vamos denotar por: • I1, I2, I3 e I4, as correntes das malhas 1, 2, 3 e 4 respectivamente; • V1, V2, V3 e V4, as voltagens das malhas 1, 2, 3 e 4 respectivamente; • R1, ..., R8, I3 e I4, as resistências descritas nas malhas do circuito. Sabendo que as direções atribuídas a cada uma dessas correntes são dadas conforme a figura, se uma corrente aparece com valor negativo, então sua direção real é a inversa da estipulada na figura. A soma algébrica das quedas de voltagem RI, em torno de uma malha é igual à soma algébrica das fontes de voltagem na mesma direção nessa malha. Para determinar a corrente em cada malha da Figura 1.1, vamos realizar os somatórios das tensões e aplicar a lei de Kirchhoff (o somatório das tensões em um circuito fechado deve ser igual a zero, pois o ponto inicial seria o mesmo ponto final). Logo: Sabendo que V = R*I, podemos deduzir o seguinte sistema: (malha 1) (malha 2) (malha 3) (malha 4) Como a figura informa os valores das resistências e das voltagens, o sistema se escreve como: Cuja solução é: I1= 1,0464 amperes I2= – 0,7590 amperes I3= 1,9853 amperes I4= – 2,1810 amperes. 67 Capítulo 2 Espaço vetorial Seção 1 Introdução – espaço vetorial Neste capítulo, vamos nos familiarizar com os chamados espaços vetoriais. Com o estudo deste conteúdo, o leitor poderá identificar um espaço vetorial e um subespaço vetorial, bem como utilizar e aplicar matrizes e sistemas lineares para gerar a base de um espaço vetorial, além de provar que um conjunto de vetores é linearmente dependente ou linearmente independente. O próprio título do capítulo às vezes leva o leitor a pensar que estaremos estudando e trabalhando com os vetores estudados na unidade de aprendizagem de Noções de Geometria Analítica, o que não é uma inverdade, mas também não é certo pensar assim. Vale ressaltar que a palavra espaço aqui quer dizer conjunto e a palavra vetorial é usada para nos remeter às propriedades dos vetores. Assim, um espaço vetorial, é um conjunto que tem as propriedades dos vetores. Alguns conjuntos (espaços) aqui estudados são: 68 Capítulo 2 – Conjunto das matrizes de ordem – Conjunto dos polinômios de grau n. E você sabe quais são as propriedades referentes a vetores associados às operações de adição e multiplicação por escalar? Dados os vetores , e e os escalares e , temos quatro propriedades referentes à soma de vetores e quatro propriedades referentes à multiplicação por escalar: a. (associativa para a soma); b. (comutativa para a soma); c. vetor , tal que (existência do elemento neutro); d. vetor , tal que (existência do elemento oposto); e. (distributiva para soma de vetores); f. (distributiva para soma de escalares); g. ; h. . De maneira geral, iremos estudar conjuntos onde definiremos uma operação de soma e uma operação de multiplicação por escalar entre seus elementos, tal que as propriedades acima citadas sejam satisfeitas. Esses conjuntos recebem o nome de espaços vetoriais. Atenção, todo elemento que pertencente a um espaço vetorial será chamado de vetor, mas este não será representado com a seta sobre a letra. Por exemplo, vamos mostrar que um conjunto de matrizes pode ser o espaço vetorial, então os vetores deste espaço serão matrizes. 69 Noções de Álgebra Linear Definição 2.1: um espaço vetorial real V é um conjunto, não vazio, no qual são definidas duas operações: Soma (+): Multiplicação por escalar : . Nelas, para quaisquer , e e e , as seguintes propriedades são satisfeitas: ) . ) . ) , tal que . ) , tal que . ) ) ) ) Deve ficar claro que na propriedade A3 o zero, ali exposto, não é o zero número real, e sim o zero do conjunto. Logo se, por exemplo, o conjunto ao qual estivermos nos referindo for V = R2 então 0 = (0, 0), se for V = R3 então 0 = (0, 0, 0) e assim por diante. Observações 2.1 A operação soma (+): indica que dados e , então e a operação multiplicação por escalar : , indica que dados e , então . Se os escalares e forem números complexos, então temos um espaço vetorial complexo. O primeiro matemático a introduzir o conceito de espaço vetorial foi o matemático alemão Hermann Grassmann (1809-1877). O matemático italiano Giuseppe Peano (1858-1932) foi quem tornou claro os trabalhos do matemático alemão. A definição dos axiomas feito por Peano só foi aceita em 1918, em um trabalho do matemático Hermann Weyl (1885-1955). 70 Capítulo 2 Exemplo 2.1: prove que o conjunto dos vetores no plano é um espaço vetorial, sendo as operações de adição e multiplicação por escalar usuais. As operações de adição e multiplicação por escalar usuais no são: . Necessitamos agora mostrar que as oito propriedades são verdadeiras. Lembre- se de que quando queremos provar que algo é verdadeiro o fazemos com elementos genéricos e não com exemplos. Podemos provar que as propriedades são verdadeiras de duas maneiras: 1) iniciar de um lado da igualdade e chegar ao outro lado da igualdade, ou 2) desenvolver ambos os lados e mostrar que são iguais. Sejam, então, , e vetores de e a e b (aplicando a definição de soma) (aplicando a definição de soma) (associando as coordenadas) (usando a definição de soma) (usando a definição de soma) . Note que usamos a definição de soma nos dois sentidos. (comutando as coordenadas) (comutando as coordenadas) (usando a definição de soma) . Note que para provar a associatividade entre os elementos do conjunto, em algum momento usamos a associatividade entres as coordenadas dos elementos, que no caso são números reais. O mesmo ocorre para a comutatividade. 71 Noções de Álgebra Linear Seja , então para todo , temos: (usando a definição de soma) . Para todo , existe , tal que: (usando a definição de soma) . (usando a definição de soma) (usando a definição de produto por escalar) (distributiva nas coordenadas) (usando a definição de soma) (usando a definição de produto por escalar) . ( usando a definição de produto por escalar) (distributiva nas coordenadas) (usando a definição de soma) (usando a definição de produto por escalar) 72 Capítulo 2 ( usando a definição de produto por escalar para b) ( usando a definição de produto por escalar para a) ( associando as coordenadas) ( usando a definição de produto por escalar para ab) (usando a definição de produto por escalar) Como as oito propriedades foram satisfeitas, então é um espaço vetorial com as operações de soma e multiplicação por escalar usuais. Observação 2.1: de maneira geral, o espaço é um espaço vetorial com as operações de soma e multiplicação por escalares usuais. Exemplo 2.2: verifique se o conjunto de vetores no espaço é um espaço vetorial com as operações de soma e multiplicação por escalar definidas por: Observação 2.2: geralmente, quando não tratamos com as operações usuais, usamos os símbolos e . Lembre-se de que se as operações fossem usuais, então, é um espaço vetorial, o que não é o caso aqui. Como a operaçãode soma é a usual, conforme observação 2.1, as propriedades , , e , são satisfeitas. Para a multiplicação por escalar devemos testar, para ver se as propriedades M1, M2, M3 e M4 são satisfeitas. Vamos provar as propriedades, desenvolvendo os dois lados da igualdade. 73 Noções de Álgebra Linear (usando definição de soma usual) (usando definição de produto por escalar ) . Por outro lado temos, (usando definição de produto por escalar ) . Logo, . (usando a definição de produto por escalar ) . Desenvolvendo o outro lado temos: (usando a definição de produto por escalar ) = (usando a definição de soma usual) Logo, . (usando definição de produto por escalar para b) (usando definição de produto por escalar para a) Do outro lado, temos: (usando definição de produto por escalar ) Logo, 74 Capítulo 2 (usando definição de produto por escalar ) Portanto, a propriedade falhou, logo o conjunto com as operações + e , definidas acima, não é um espaço vetorial. Se você perceber que alguma propriedade não se verifica, não há necessidade de analisar as outras, pois neste caso já se conclui que o conjunto associado às duas operações não é um espaço vetorial. 1.1 Atividades de autoavaliação 1. Seja o conjunto , isto é, o conjunto das matrizes de ordem . Mostre que W é um espaço vetorial com as operações de soma e multiplicação por escalar definida abaixo: 2. Verifique se os conjuntos abaixo com as operações de soma e multiplicação por escalar definidas são espaços vetoriais. a) + : (x1, y1) + (x2, y2) = (x1 + x2, y1 + y2) b) 75 Noções de Álgebra Linear c) . Seção 2 Subespaço vetorial Nesta seção, estudaremos espaços vetoriais contidos em espaços vetoriais, são os chamados subespaços vetoriais. Mas vejamos uma situação interessante: vimos que o R3 com as operações usuais de adição e multiplicação por escalar é um espaço vetorial. Vamos pensar agora em um subconjunto V do R3, por exemplo, uma reta qualquer do espaço tridimensional que não passa pela origem. Nesse caso, o elemento neutro do 0 = (0,0) não pertence a V, então V não é um subespaço vetorial do R3, apesar de ser um subconjunto dele. 2.1 Propriedades hereditárias Será que para mostrar que um subconjunto W de um espaço vetorial V é um subespaço vetorial, necessitamos verificar os oito axiomas da definição? Felizmente não. Basta analisarmos com cuidado o que acontece. Se V é um espaço vetorial e quisermos mostrar que o subconjunto W de V é um subespaço vetorial, as propriedades , , , , e já são válidas automaticamente para W, pois se elas são válidas para todos os vetores de V, consequentemente, valem para todos os vetores de W, já que todo vetor de W é um vetor de V. Dizemos que essas propriedades são hereditárias. O teorema a seguir garante o que devemos fazer para provar que um determinado subconjunto W de um espaço vetorial V é um subespaço vetorial. 76 Capítulo 2 Teorema 2.1: seja V um espaço vetorial, um subconjunto W, não vazio, é um subespaço vetorial de V, se forem satisfeitas as seguintes condições: Para todo , tem-se: Para todo e , tem-se: Com isso, garantimos as oito propriedades de espaço vetorial. Demonstração: Pela condição (b), para todo . Em particular, se , então , ou seja, isto garante a existência do elemento neutro, portanto a propriedade é satisfeita. Particularmente, também, se tomarmos , então , ou seja, garante a existência do vetor oposto, propriedade . As outras propriedades são hereditárias, como comentamos anteriormente. Quando queremos provar que um determinado conjunto W não é um subespaço, basta apresentar, um contraexemplo, ou seja, tomar dois vetores cuja uma das propriedades de subespaço falha. 2.2 Interpretação geométrica e subespaços vetoriais Podemos fazer uso de interpretações geométricas para mostrar preliminarmente alguns conjuntos que não são subespaços vetoriais e alguns conjuntos que, ao que tudo indica, satisfazem as condições (a) e (b) do Teorema 2.1. Exemplo 2.3: Seja V = R2 e . Vamos mostrar geometricamente que W1 não é um subespaço vetorial de V. Perceba que geometricamente o subconjunto W1 é uma parábola. Todo conjunto tem uma propriedade que determina seus elementos. Propriedade de W1: cada vetor u = (x, y) de W1 tem a propriedade de que a segunda coordenada é o quadrado da primeira, e geometricamente podemos visualizar W1 como a seguinte parábola. 77 Noções de Álgebra Linear Figura 2.1 – Representação da Parábola y = x2 Vamos tomar dois vetores quaisquer do conjunto W1, ou seja, dois vetores que satisfaçam a propriedade de W1, por exemplo u = (1, 1) e v = (–2, 4) e representá- los geometricamente: Figura 2.2 – Representação dos Vetores e da Parábola Perceba, na representação gráfica da Figura 2.2, que os vetores têm extremidades sobre a parábola. De acordo com o teorema 2.1, para que W1 seja subespaço vetorial de V, este deve conter a soma de dois vetores quaisquer do subconjunto W1, o que não ocorre neste exemplo. 78 Capítulo 2 Figura 2.3 – Representação dos Vetores e da Parábola Observe que o vetor u + v = (–1, 5) não tem extremidade na parábola. Assim, provamos, através de um contraexemplo e da representação geométrica, que o subconjunto W1 não é um subespaço vetorial, pois falha a propriedade (a). É claro que poderíamos provar isso apenas algebricamente, sem a necessidade dos esboços, basta verifica que u + v não satisfaz a propriedade de W1 , isto é: 5 ≠ (–1)2. Quando queremos provar que um determinado conjunto W não é um subespaço de um espaço vetorial V, basta apresentar um contraexemplo. Ou seja, mostrar por meio de um exemplo que uma das propriedades de subespaço falha, como feito no exemplo acima. Acompanhe mais um exemplo interpretando-o geometricamente. Exemplo 2.4: seja V = R2 e W2 = {(x, y) ∈ R2; y = 3x},geometricamente este conjunto é uma reta passando pela origem. Propriedade de W2: cada vetor u = (x, y) satisfaz a propriedade de que a segunda coordenada deve ser o triplo da primeira. Fazendo a representação gráfica dessa reta, teremos a Figura 2.4. 79 Noções de Álgebra Linear Figura 2.4 – Representação da reta y = 3x Tomando dois elementos pertencentes a W2, por exemplo, u = (1, 3) e v = (–2, –6), observe, na Figura 2.5 que estão sobre a reta y = 3x. Figura 2.5 – Representação da Reta e dos vetores u e v 80 Capítulo 2 Realizando a soma u + v = (–1, –3), observamos que este vetor ainda pertence W2. Figura 2.6 – Representação da Reta e dos vetores u e v e da soma u + v Vamos agora escolher um escalar, por exemplo, α = 2, o vetor αu = (2, 6). Geometricamente: Figura 2.7 – Representação da Reta e dos vetores u αu 81 Noções de Álgebra Linear Pelo exemplo 2.4, percebe-se que o vetor soma u + v (propriedade (a) de subespaço) e o vetor multiplicação por escalar αu (propriedade (b) de subespaço) continuam pertencendo ao conjunto W2, mas, infelizmente, isso não é suficiente para provar que W2 é um subespaço vetorial, pois podem existir outros dois vetores desse conjunto, cuja soma não pertença a ele, ou pode existir um outro escalar que não seja o α = 2, cuja multiplicação por escalar dele por um vetor do conjunto também não pertença a W2 . Seria necessário verificar vetor por vetor e escalar por escalar se as propriedades (a) e (b) são válidas. Uma tarefa um tanto árdua e impossível de realizar. O que fazer então para provar que um determinado conjunto é realmente um subespaço vetorial? Se você pensou que se deve provar as propriedades usando dois vetores genéricos quaisquer, acertou! No exemplo 2.4, tudo indica que o conjunto é um subespaço vetorial,vamos verificar: Prove que o conjunto é um subespaço vetorial com as operações usuais de adição e multiplicação por escalar. Propriedade de W2: este conjunto tem a propriedade que cada elemento, tem a segunda propriedade é o triplo da primeira. Tomemos elementos genéricos deste conjunto com a propriedade do conjunto. Se e , provemos que . , onde Como satisfaz a propriedade do conjunto para todo segue que . Se e , provemos que . , onde 82 Capítulo 2 Como satisfaz a propriedade do conjunto para todo e , segue que . Portanto, é um subespaço vetorial do R2, com as operações usuais. Geometricamente, este subespaço vetorial representa uma reta que passa pela origem do sistema. Figura 2.8 – Subespaço W1 Conforme já foi explicado, dados dois vetores u e v quaisquer da reta, sua soma u + v e o produto de qualquer um deles por um escalar αu, ainda resulta em um vetor da reta, ou seja de . Exemplo 2.5: verifique se e é um subespaço vetorial do R3 com as operações usuais de adição e multiplicação por escalar. Propriedade de W2: cada vetor de W2, tem a propriedade que as duas primeiras coordenadas são iguais e a variável z é zero. Se e . , onde . Como satisfaz a propriedade do conjunto para todo segue que . 83 Noções de Álgebra Linear Se e , onde Como satisfaz a propriedade do conjunto para todo e , segue que . Logo, W2 é um subespaço vetorial. Geometricamente esse subespaço vetorial representa um plano que passa pela origem do sistema R3. Na verdade, como W2 tem como propriedade a última coordenada nula, ele representa geometricamente o R2. Exemplo 2.6: seja , mostre que W3 não é um subespaço vetorial do conjunto das matrizes de ordem m por n com as operações de adição de matrizes e multiplicação de escalar usuais. Propriedade de W3 : conjunto das matrizes de m linhas e n colunas cujo elemento é maior ou igual a zero. Para mostrar que W3 não é um subespaço vetorial, basta apresentarmos um contraexemplo. Assim, , pois , não satisfazendo a propriedade do conjunto, logo a propriedade (b) da definição de subespaço vetorial falha, pois ela deve ser válida para qualquer escalar . Exemplo 2.7: verifique se tal que é um subespaço vetorial. Propriedade de W4: conjunto dos elementos de , que satisfazem a equação . Se , isto implica que , e se também , logo . Devemos mostrar que as coordenadas de satisfazem a equação . 84 Capítulo 2 Somando as igualdades acima, temos: Ou seja, e isto mostra que o vetor , pois suas coordenadas satisfazem a equação . Do mesmo modo, temos que , pois se: , então, , isto é, e isto mostra que as coordenadas de satisfazem a equação . Portanto, é um subespaço vetorial. Lembre-se de que geometricamente este conjunto representa um plano que passa pela origem do . Outra forma de chegar à mesma conclusão é isolar uma das variáveis da igualdade e escreve os vetores de em função da equação encontrada. Por exemplo, isolando y, temos , então os vetores de podem ser representados por . Logo, podemos realizar a demonstração por outro caminho. (b) Sejam , devemos mostrar que as coordenadas de também se apresentam da mesma forma. Ou seja, Do mesmo modo, temos que Geometricamente representa um plano que passa pela origem do sistema. Observação 2.3: (a) Um espaço vetorial V admite pelo menos dois subespaços vetoriais: o conjunto cujo elemento é o zero {0} e o próprio espaço vetorial V. Esses dois conjuntos são denominados subespaços triviais de V, os demais subespaços são chamados de subespaços próprios de V. 85 Noções de Álgebra Linear (b) Se W é um subespaço vetorial, temos pela condição (b) do teorema 2.1, que o vetor nulo pertence a W. Assim, se em um determinado conjunto W, verificarmos que o vetor nulo não pertence a este conjunto, segue então que W não é um subespaço vetorial, ou seja, encontramos uma outra maneira, quando possível, de verificar que um conjunto não é um subespaço. Cuidado: o fato de o vetor nulo pertencer a um conjunto, não implica que o mesmo seja um subespaço vetorial. Dizemos, neste caso, que esta condição é necessária, mas não suficiente. Exemplo 2.8: seja , o conjunto não é um subespaço vetorial de com as operações usuais. Basta verificar que o vetor nulo , portanto, pela observação 1.3, segue que S não é um subespaço vetorial de V. Geometricamente, podemos observar ainda que dados dois vetores de S, por exemplo e , a soma , não satisfaz a condição com isso o vetor soma não pertence a reta gerada por S. Analogamente, se tomarmos o vetor e multiplicarmos por obtemos o vetor . Figura 2.9 – S não é subespaço do R2 Exemplo 2.9: seja , verifique se o conjunto é um subespaço vetorial de V com as operações de adição e multiplicação usuais. Basta verificar novamente que o vetor nulo , e, portanto, não é um subespaço vetorial de V. 86 Capítulo 2 Exemplo 2.10: seja , não é um subespaço vetorial de com as operações usuais, como mostrado geometricamente, no exemplo 2.3. Mas cuidado, pois o vetor (0,0) pertence a W1, pois se x = 0, então y = 02 = 0. Como você pode observar, essa condição não é suficiente para garantir que um subconjunto de V seja um subespaço de V. Exemplo 2.11: se V é um espaço vetorial e e são subespaços vetoriais de V, prove que é um subespaço vetorial. Devemos provar que a intersecção de dois subespaços vetoriais continua sendo um subespaço vetorial. (a) Se , devemos provar que para todo . Como e , segue que e , mas e são subespaços vetoriais, logo e , ou seja, , como queríamos demonstrar. (b) Se e , devemos mostrar que para todo e . Como e , segue que e , mas e são subespaços vetoriais, logo e , ou seja, , como queríamos demonstrar. Portanto, é um subespaço vetorial. Exemplo 2.12: mostre que o conjunto das matrizes diagonais de ordem n é um subespaço vetorial, considerando {Conjunto das matrizes triangulares superiores} {Conjunto das matrizes triangulares inferiores} e são subespaços vetoriais, já que satisfazem as condições (a) e (b), pois a soma de quaisquer duas matrizes triangulares superiores (inferiores) continua sendo uma triangular superior (inferior); e se multiplicarmos qualquer matriz triangular superior (inferior) por um escalar real, continua sendo uma matriz triangular superior (inferior). Agora = {conjunto das matrizes diagonais} é um subespaço vetorial, de acordo com o exemplo 2.7. 87 Noções de Álgebra Linear 2.3 Atividades de autoavaliação 1. Interprete geometricamente os conjuntos a seguir e explique porque eles não são espaços vetoriais com as operações de adição e multiplicação por escalar usuais. a) b) 2. Verifique se os conjuntos abaixo são subespaços vetoriais em relação à soma e multiplicação por escalar usuais, em caso negativo, de um contraexemplo. a) b) c) d) e) f) g) e Seção 3 Combinação linear Vamos iniciar a seção com um exemplo simples, para dar uma ideia do termo “combinação de vetores”. Se e os vetores e , façamos, por exemplo, o seguinte cálculo: . O que obtemos? Vejamos: . Nesse caso, dizemos que o vetor é uma combinação dos vetores e , pois w foi obtido a partir de u e v, quando estes foram multiplicados pelos escalares 2 e –5, respectivamente. 88 Capítulo 2 Definição 2.2: seja V um espaço vetorial e sejam , , e , , qualquer vetor , da forma é uma combinação linear dos vetores , , . Exemplo 2.13: verifique se o vetor é combinação linear dos vetores e . Queremos encontrar escalares a e b, tal que, . Então,
Compartilhar