Baixe o app para aproveitar ainda mais
Prévia do material em texto
Gustavo Meira - EQ • UEM Álgebra Linear Álgebra Linear Sistemas Lineares Introdução a Sistemas de Equações Lineares ● Equação linear➜ equação com n variáveis xn que podem ser expressas na forma: 𝑎 1 𝑥 1 + 𝑎 2 𝑥 2 + ... + 𝑎 𝑛 𝑥 𝑛 = 𝑏 Elas não envolvem produtos ou raízes de variáveis e não aparecem argumentos de função logarítmica, trigonométrica ou exponenciais. ● Equação linear homogênea➜ casos em que b = 0 ● As retas podem ser: ○ Paralelas e distintas➜ não há solução (inconsistente) ○ Concorrentes➜ há somente uma solução (consistente) ○ Coincidentes➜ há infinitas soluções (consistente) ● Matriz aumentada➜ todo sistema de equações lineares pode ser escrito como uma matriz aumentada: 𝑎 11 𝑥 1 + 𝑎12𝑥2 + ... + 𝑎1𝑛𝑥𝑛 = 𝑏1 𝑎11 𝑎12 ... 𝑎1𝑛 𝑏1 𝑎 21 𝑥 1 + 𝑎22𝑥2 + ... + 𝑎2𝑛𝑥𝑛 = 𝑏2 𝑎21 𝑎22 ... 𝑎2𝑛 𝑏2 ⋮ + ⋮ + + ⋮ = ⋮ ⋮ ⋮ ⋮ ⋮ 𝑎 𝑚1 𝑥 1 + 𝑎𝑚2𝑥2 + ... + 𝑎𝑚𝑛𝑥𝑛 = 𝑏𝑚 𝑎𝑚1 𝑎𝑚2 ... 𝑎𝑚𝑛 𝑏𝑚 Eliminação Gaussiana ● Forma escalonada reduzida por linhas: ○ Se uma linha não consistir inteiramente em zeros, o primeiro número não nulo da linha deve ser 1 (chamado de pivô) ○ Linhas inteiramente de zeros devem ser agrupadas na parte inferior da matriz ○ O pivô da linha inferior corre mais a direita que o pivô da linha superior ○ Cada coluna que contém um pivô tem zeros nas demais entradas Exemplo: considerando ✱ como um número real qualquer temos uma matriz escalonada não reduzida por linhas e outra escalonada reduzida por linhas, respectivamente: 1 ✱ ✱ ✱ 0 1 ✱ 0 0 0 ✱ ✱ 0 ✱ 0 1 ✱ ✱ 0 0 0 1 0 0 ✱ ✱ 0 ✱ 0 0 0 0 & 0 0 0 0 1 0 ✱ ✱ 0 ✱ 0 0 0 0 0 0 0 0 0 1 ✱ ✱ 0 ✱ ● Variáveis líderes➜ são as variáveis que correspondem aos pivôs da matriz (as outras são as variáveis livres) ● Eliminação Gaussiana: ○ Permutamos a linha com a coluna mais à esquerda que não seja constituída inteiramente de zeros e a deixamos no topo ○ Multiplicamos a linha por 1/a para obtermos um pivô ○ Somamos múltiplos convenientes da primeira linha às linhas abaixo para obtermos zero na coluna do pivô ○ Agora aplicamos o passo 1 à submatriz resultante ○ Após toda a matriz estar em forma escalonada, começando com a última linha não nula e trabalhando para cima, somamos múltiplos convenientes de cada linha as linhas superiores para introduzir zero acima dos líderes Matrizes Matrizes e Operações Matriciais Principais Matriz é um agrupamento retangular de números. Dizemos que os números nesse argumento são as entradas das matrizes. ● Tamanho➜ é descrito em termos do número de linhas ( i ) e de colunas ( j ), sendo ela denotada por i × j ● Matriz quadrada➜ matriz com tamanho n × n ● Soma e subtração➜ aplica-se em termo por termo (matrizes de tamanhos distintos não podem realizar essas operações) ➜ 𝑎 𝑖𝑗 − 𝑏 𝑖𝑗 ● Produto escalar➜ o produto da matriz A com um escalar c é obtida multiplicando cada termo de A por c➜ (𝑐𝐴) 𝑖𝑗 = 𝑐𝑎 𝑖𝑗 ● Multiplicação matricial➜ só pode ser multiplicada𝐴 𝑚×𝑟 por uma matriz para gerar uma matriz .𝐵 𝑟×𝑛 𝐶 𝑚×𝑛 Multiplicamos as entradas correspondentes da linha e da coluna e então somamos os produtos resultantes ➜ . Nessa operação, a(𝐴𝐵) 𝑖𝑗 = 𝑎 𝑖1 𝑏 1𝑗 + 𝑎 𝑖2 𝑏 2𝑗 +... + 𝑎 𝑖𝑟 𝑏 𝑟𝑗 ordem importa, ou seja, AB ≠ BA, tal que se AB = BA, dizemos que A e B comutam ● Combinação linear de uma matriz A com coeficientes c ➜ 𝑐 1 𝐴 1 + 𝑐 2 𝐴 2 +... + 𝑐 𝑟 𝐴 𝑟 ● Transposta➜ a transposta de uma matriz é a matriz𝐴 𝑚×𝑛 representada por ➜𝐴 𝑛×𝑚 𝐴𝑇 (𝐴𝑇) 𝑖𝑗 = (𝐴) 𝑖𝑗 ● Traço de uma matriz➜ considerando uma matriz quadrada, seu traço, representado por tr(A), é a soma das 1 Gustavo Meira - EQ • UEM Álgebra Linear entradas da diagonal principal ➜ 𝑡𝑟(𝐴) = 𝑎 11 + 𝑎 22 +... + 𝑎 𝑛𝑛 Inversas e Propriedades Algébricas ● Matriz identidade ➜ matriz(𝐼 𝑛 ) quadrada com entradas 1 na diagonal principal e as demais entradas iguais a zero. Corresponde ao número 1 na álgebra convencional ➜ 𝐴𝐼 𝑛 = 𝐴 & 𝐼 𝑚 𝐴 = 𝐴 ● Inversa ➜ se A for uma matriz quadrada e se for(𝐴−1) possível obter uma matriz B tal que AB = BA = I, então B é a matriz inversa de A, sendo ela única ● Inversa de 2×2➜ uma matriz A é inversível somente se seu determinante for diferente de zero, tal que sua inversa é: 𝐴−1 = 1𝑎𝑑 − 𝑏𝑐 𝑑 − 𝑏 − 𝑐 𝑎 Sendo ad - bc = determinante. ● Produtos➜ 𝐴0 = 𝐼 & 𝐴𝑛 = 𝐴𝐴... 𝐴 & 𝐴−𝑛 = (𝐴−1)𝑛 Matrizes Elementares e Como Encontrar A-1 ● Equivalência por linhas➜ matrizes são equivalentes por linhas se uma delas (logo ambas) pode ser obtida a partir da outra por uma sequência de operações elementares com linhas ● Matriz elementar➜ matriz n × n que pode ser obtida da matriz identidade de tamanho n × n efetuando uma única operação elementar sobre a linha Se a matriz elementar E é o resultado de efetuar uma certa operação com as linhas da matriz identidade, então o produto EA é a matriz que resulta quando essa mesma operação é realizada sobre a matriz A. ex: 1 0 2 3 1 0 0 1 0 2 3 A= 2 -1 3 6 E= 0 1 0 EA = 2 -1 3 6 1 4 4 0 3 0 1 4 4 10 9 ● Encontrar a inversa➜ para encontrar a inversa de uma matriz A, encontre um sequência de operações elementares com linha que reduza A até uma matriz identidade e depois aplique essa mesma sequência na matriz identidade [𝐴 | 𝐼] → [𝐼 | 𝐴−1] Matrizes Diagonais, Triangulares e Simétricas ● Diagonal➜ matriz quadrada em que todas as entradas, tirando a diagonal principal, são iguais a zero ● Triangular➜ matrizes em que todos os termos acima (superior) ou abaixo (inferior) da diagonal principal são iguais a zero ● Simétrica➜ matriz em que 𝐴 = 𝐴𝑇 ○ O produto entre duas matrizes simétricas é simétrico somente se as matrizes se comutam Determinantes Expansão em Cofatores Se A for uma matriz quadrada, então o menor da entrada aij é denominado por Mij e definido como o determinante da submatriz que sobra quando suprimos a i-ésima linha e a j-ésima coluna de A. O número (-1)i+j Mij é denotado por Cij e é chamado de cofator da entrada aij. ● Expansão de cofatores de de det(A) ○ Ao longo da coluna j 𝑑𝑒𝑡(𝐴) = 𝑎 1𝑗 𝐶 1𝑗 + 𝑎 2𝑗 𝐶 2𝑗 +... + 𝑎 𝑛𝑗 𝐶 𝑛𝑗 ○ Ao longo da linha i 𝑑𝑒𝑡(𝐴) = 𝑎 𝑖1 𝐶 𝑖1 + 𝑎 𝑖2 𝐶 𝑖2 +... + 𝑎 𝑖𝑛 𝐶 𝑖𝑛 ● Determinante de uma matriz triangular inferior➜ 𝑎 11 𝑎 22 ... 𝑎 𝑛𝑛 Redução por Linhas ● Se A é uma matriz quadrada com uma linha ou uma coluna de zeros, então det(A) = 0 ● det(A) = det(AT) ● Se A tiver duas linhas ou colunas proporcionais, então det(A) = 0 Regra de Cramer ● Determinante de inversas➜ 𝑑𝑒𝑡(𝐴−1) = 1𝑑𝑒𝑡(𝐴) ● Matriz adjunta➜ é a matriz adj(A) composta pela matriz transposta da matriz de cofatores de A ● Inversa por matriz adjunta➜ 𝐴−1 = 1𝑑𝑒𝑡(𝐴) 𝑎𝑑𝑗(𝐴) ● Regra de Cramer➜ se Ax = b for um sistema de n equações lineares em n incógnitas tal que det(A) ≠ 0, então o sistema tem uma única solução: 2 Gustavo Meira - EQ • UEM Álgebra Linear , , … ,𝑥 1 = 𝑑𝑒𝑡(𝐴 1 ) 𝑑𝑒𝑡(𝐴) 𝑥2 = 𝑑𝑒𝑡(𝐴 2 ) 𝑑𝑒𝑡(𝐴) 𝑥𝑛 = 𝑑𝑒𝑡(𝐴 𝑛 ) 𝑑𝑒𝑡(𝐴) Em que é a matriz obtida substituindo as entradas da𝐴 𝑗 j-ésima coluna de A pelas entradas da matriz b. Espaços Vetoriais Arbitrários Axiomas de Espaços Vetoriais Considerando V um conjunto não vazio de qualquer objeto. Se a adição e a multiplicação por escalares forem duas operações satisfeitas, então V é um espaço vetorial. ○ u + v é um objeto em V ○ u + v = v + u ○ u + (v + w) = (u + v) + w ○ 0∈ V / u + 0 = u ○ u + (-u) = 0 ○ λu∈ V ○ (λ + µ)u = λu + µu ○ λ(u + v) = λu + λv ○ λ(µu) = (µλ)u ○ 1u = u ● Rn➜ é um espaço vetorial pois é fechado em adição e multiplicação por escalar ● Matriz m×n➜ é um espaço vetorial pois é fechado em adição e multiplicação por escalar ● Funções reais➜ é um espaço vetorial pois é fechado em adição e multiplicação por escalar Subespaços Vetoriais ● Subespaço vetorial➜ um subconjunto W é um subespaço vetorial de V se W está contido em V ○ 0∈ W ○ Se u e v forem vetores de W, então {u + v} ∈ W ○ Se u for um vetorde W e λ um escalar qualquer, então λu∈ W ● Retas pela origem➜ são subespaços de R2 e R3 pois contém o vetor nulo e são fechados na adição e multiplicação por escalares. Assim como planos pela origem também são subespaços vetoriais de R3 Transformações Lineares Transformações Lineares Arbitrárias As duas propriedades de linearidade são descritas por: T(u + v) = T(u) + T(v) [aditividade] T(λ⋅u) = λ⋅T(u) [homogeneidade] Logo, se T: V → W for uma função de um espaço vetorial V num espaço vetorial W, então T é denominado transformação linear de V em W. ● Operador linear➜ caso em que V = W ● Transformações nula➜ caso em que T(v) = 0 ● Operador identidade➜ I: V → V definida por I(v) = v ● Considerando uma transformação linear T: V → W, temos: ○ Núcleo➜ Nuc(T) ou Ker(T) é o conjunto de vetores em V que T transforma em 0 ○ Imagem➜ Im(T) conjunto de vetores em W que são imagem por T ○ Posto de T➜ dimensão da imagem finita T ○ Nulidade de T➜ dimensão do núcleo finito de T Isomorfismo ● Transformações injetoras➜ são aquela que transformam valores distintos de V em valores distintos de W ● Transformações Sobrejetoras➜ aquelas em que os vetores de W seja a imagem de pelo menos um vetor de V Se T: V → W é uma transformação linear, então T é injetora e Nuc(T) = {0}. ● Isomorfismo➜ ocorre quando uma transformação linear é injetora e sobrejetora Autovalores e Autovetores Autovalores & Autovetores Se A for alguma matriz n × n, então um vetor não nulo x em Rn é denominado autovetor de A (ou operador matricial TA) se Ax for um múltiplo escalar de x, isto é: Ax = λx com algum escalar λ. O escalar λ é denominado autovalor de A e dizemos que x é um autovetor associado a λ. ● Equação característica de uma matriz A➜ considerando λ, temos que esse λ é um autovalor de A somente se ele satisfizer a equação característica de A: 𝑑𝑒𝑡(λ𝐼 − 𝐴) = 0 ● Autovetores associados a um autovalor λ➜ esses autovetores não nulos são definidos pela equação: (λ𝐼 − 𝐴)𝑥 = 0 Diagonalização ● Semelhança➜ se A e B forem matrizes quadradas, dizemos que B é semelhante a A se existir alguma matriz invertível P tal que B = P-1 AP Uma matriz quadrada A é diagonalizável se for semelhante a alguma matriz diagonal, ou seja, se existir alguma matriz invertível P tal que P-1 AP é diagonal. Se uma matriz A de tamanho n × n tem n autovalores distintos, então A é diagonalizável. 3
Compartilhar