Baixe o app para aproveitar ainda mais
Prévia do material em texto
UENF Universidade Estadual do Norte Fluminense Darcy Ribeiro CCT-LCMAT Laboratório de Ciências Matemáticas ÁLGEBRA LINEAR Liliana A. L. Mescua † Rigoberto G. S. Castro Agosto 2019 . Liliana A. L. Mescua *27/03/1970 +06/02/2019 Embora o tempo não perdoe, a memória é o nosso livro, e não há ausência para apagar, o que nós já escrevemos juntos. Tu me darás algo de magia, algo do Céu, algo da alma, e nada de esquecer, porque eu sempre te levarei comigo. A saudade te trará de volta, lembraremos do teu sorriso, do teu dom de ensinar, da tua empatia para com o próximo... será inevitável sentir algo na alma, saberemos que aqui tu estarás. ‘‘Dai-lhe Senhor, em felicidade no Céu o que ela nos deu em ternura na Terra’’ Sumário 1 Matrizes 1 1.1 Tipos de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2 Operações com Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Adição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.2 Subtração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.3 Multiplicação de um número real por uma Matriz . . . . . . . . . . . 4 1.2.4 Multiplicação de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.1 Método de Gauss Jordam para o Cálculo de Inversa . . . . . . . . . . 7 1.4 Determinante de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4.1 Propriedades do Determinante . . . . . . . . . . . . . . . . . . . . . . 11 1.4.2 Cálculo por Redução de Linhas ou Colunas-Triangulação . . . . . . . 11 1.5 A Matriz Adjunta e a Inversibilidade de Matrizes . . . . . . . . . . . . . . . 12 1.6 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2 Sistemas de Equações Lineares Algébricas 16 2.1 Classificação de um Sistema Linear . . . . . . . . . . . . . . . . . . . . . . . 17 2.2 Método de Eliminação de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3 Resolução de Sistemas pela Regra de Cramer . . . . . . . . . . . . . . . . . . 21 2.4 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 ii 3 Vetores 24 3.1 Interpretação Geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.2 Adição de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3 Multiplicação de um Número Real por um Vetor . . . . . . . . . . . . . . . . 26 3.4 Ângulo entre dois vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.5 Interpretação Algébrica em R𝑛 . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.5.1 Interpretação Algébrica no Plano (R2) . . . . . . . . . . . . . . . . . 28 3.5.2 Interpretação Algébrica no Espaço (R3) . . . . . . . . . . . . . . . . . 30 3.6 Produto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.6.1 Interpretação Geométrica do Produto Escalar . . . . . . . . . . . . . 32 3.6.2 Ângulo entre dois Vetores . . . . . . . . . . . . . . . . . . . . . . . . 32 3.6.3 Projeção de um Vetor sobre Outro . . . . . . . . . . . . . . . . . . . 33 3.7 Produto Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.7.1 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.7.2 Interpretação Geométrica . . . . . . . . . . . . . . . . . . . . . . . . 36 3.8 Retas e Planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.9 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4 Espaço Vetorial 40 4.1 Subespaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.1.1 Propriedades dos Subespaços . . . . . . . . . . . . . . . . . . . . . . 42 4.2 Combinação Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.3 Espaço Gerado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.4 Independência e Dependência Linear . . . . . . . . . . . . . . . . . . . . . . 46 4.5 Base e Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.5.1 Componentes de um Vetor . . . . . . . . . . . . . . . . . . . . . . . . 53 4.6 Espaço Vetorial Euclideano . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 iii 4.6.1 Complementos Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . 55 4.6.2 Uma Relação Geométrica Entre Espaço Nulo e Espaço Linha . . . . . 55 4.6.3 Conjuntos Ortogonais e Ortonormais . . . . . . . . . . . . . . . . . . 56 4.6.4 Processo de Gram - Schimidt . . . . . . . . . . . . . . . . . . . . . . 57 4.7 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 5 Transformações Lineares 65 5.1 Propriedades das Transformações Lineares . . . . . . . . . . . . . . . . . . . 67 5.1.1 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 5.2 Núcleo de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . . . 70 5.3 Imagem de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . . 71 5.4 Propriedades do Núcleo e da Imagem . . . . . . . . . . . . . . . . . . . . . . 72 5.4.1 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 5.5 Matriz de uma Transformação Linear . . . . . . . . . . . . . . . . . . . . . . 74 5.6 Operações com Transformações Lineares . . . . . . . . . . . . . . . . . . . . 78 5.6.1 Adição ou Soma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 5.6.2 Multiplicação por Escalar . . . . . . . . . . . . . . . . . . . . . . . . 79 5.6.3 Composição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 5.6.4 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 5.7 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 5.8 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 6 Autovalores e Autovetores 84 6.1 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 7 Diagonalização de Matrizes 89 7.1 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 7.2 Matrizes Simétricas e autovetores ortogonais . . . . . . . . . . . . . . . . . . 91 iv 8 Aplicações 93 8.1 Método de Mínimos Quadrados . . . . . . . . . . . . . . . . . . . . . . . . . 93 8.1.1 Ajuste de Mínimos Quadrados a Dados . . . . . . . . . . . . . . . . . 95 8.2 Rotação de Cônicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 A Números Complexos 102 v Capítulo 1 Matrizes Definição 1.1. Uma matriz de ordem 𝑚 × 𝑛 é uma tabela de números chamados de ele- mentos ou termos da matriz. Esta tabela possui 𝑚𝑛 elementos escalares (números reais ou complexos) dispostos em 𝑚 linhas (número de filas horizontais) e 𝑛 colunas (número de filas verticais). Por convenção usaremos sempre as letras maiúsculas 𝐴, 𝐵, 𝐶, 𝐷, . . . para nomeá-las 𝐴 = ⎛⎜⎜⎜⎜⎜⎜⎝ 𝑎11 𝑎12 . . . 𝑎1𝑛 𝑎21 𝑎22 . . . 𝑎2𝑛 ... ... ... ... 𝑎𝑚1 𝑎𝑚2 . . . 𝑎𝑚𝑛 ⎞⎟⎟⎟⎟⎟⎟⎠ = ⎡⎢⎢⎢⎢⎢⎢⎣ 𝑎11 𝑎12 . . . 𝑎1𝑛 𝑎21 𝑎22 . . . 𝑎2𝑛 ... ... ... ... 𝑎𝑚1 𝑎𝑚2 . . . 𝑎𝑚𝑛 ⎤⎥⎥⎥⎥⎥⎥⎦ = (𝑎𝑖𝑗)𝑚×𝑛. (1.1) Exemplo: 𝐴 = ⎛⎝2 2 0 1 −3 5 ⎞⎠ 2×3 𝐵 = ⎡⎣1 4 0 7 ⎤⎦ 2×2 (1.2) Exercício: Escreva a matriz 𝐴 = (𝑎𝑖𝑗)3×2 , onde seus elementos 𝑎𝑖𝑗 = 2𝑖 + 𝑗. Observação 1.1. De acordo com o número de linhas e colunas da matriz, podemos destacar os seguintes casos particulares • Quando 𝑚 = 1, matriz linha • Quando 𝑛 = 1, matriz coluna • Quando 𝑚 = 𝑛, matriz quadrada Definição 1.2. (Igualdade de Matrizes:) Duas matrizes 𝐴 = (𝑎𝑖𝑗)𝑚×𝑛 e 𝐵 = (𝑏𝑖𝑗)𝑚×𝑛 são ditas iguais, se todos seus elementos correspondentes são iguais, isto é, se 𝑎𝑖𝑗 = 𝑏𝑖𝑗. 1 Exercício: Determine 𝑎, 𝑏, 𝑐, 𝑑 de modo que: ⎡⎢⎢⎢⎣ 𝑎 1 1 𝑏 + 1 𝑐− 2 𝑑2 ⎤⎥⎥⎥⎦= ⎡⎢⎢⎢⎣ 2 1 1 1 6 3 ⎤⎥⎥⎥⎦. 1.1 Tipos de Matrizes Matriz Nula: É uma matriz cujos elementos são todos nulos, isto é 𝑎𝑖𝑗 = 0, ∀ 𝑖, 𝑗. Denotamos por O ou O𝑚×𝑛 Matriz Diagonal Uma matriz quadrada 𝐷 = (𝑑𝑖𝑗)𝑛×𝑛 é dita diagonal quando 𝑑𝑖𝑗 = 0, ∀ 𝑖 ̸= 𝑗. Exemplo: 𝐷 = ⎛⎝ 2 0 0 4 ⎞⎠ Matriz Identidade: É uma matriz diagonal onde 𝑎𝑖𝑖 = 1 para todo 𝑖, e 𝑎𝑖𝑗 = 0 para todo 𝑖 ̸= 𝑗. Exemplo: 𝐼 = ⎛⎜⎜⎜⎜⎜⎜⎝ 1 0 . . . 0 0 1 . . . 0 ... ... ... 0 0 . . . 1 ⎞⎟⎟⎟⎟⎟⎟⎠ Matriz Triangular Uma matriz quadrada 𝐴 = (𝑎𝑖𝑗)𝑛𝑥𝑛 é dita triangular superior, se 𝑎𝑖𝑗 = 0 para 𝑖 > 𝑗. Uma matriz 𝐵 = (𝑏𝑖𝑗)𝑛𝑥𝑛 é dita triangular inferior quando 𝑏𝑖𝑗 = 0, para 𝑖 < 𝑗. Exemplo: 𝐴 = ⎛⎜⎜⎜⎜⎜⎜⎝ 5 4 4 5 0 1 9 6 0 0 3 8 0 0 0 0 ⎞⎟⎟⎟⎟⎟⎟⎠ e 𝐵 = ⎛⎜⎜⎜⎜⎜⎜⎝ 5 0 0 0 2 1 0 0 9 7 3 0 8 6 5 1 ⎞⎟⎟⎟⎟⎟⎟⎠ Matriz Simétrica: É uma matriz quadrada, onde 𝑎𝑖𝑗 = 𝑎𝑗𝑖. Exemplo: ⎛⎜⎜⎜⎝ 4 3 1 3 2 0 1 0 5 ⎞⎟⎟⎟⎠ e ⎛⎜⎜⎜⎜⎜⎜⎝ 𝑎 𝑏 𝑐 𝑑 𝑏 𝑒 𝑓 𝑔 𝑐 𝑓 ℎ 𝑖 𝑑 𝑔 𝑖 𝑘 ⎞⎟⎟⎟⎟⎟⎟⎠ Observe que, no caso de uma matriz simétrica, a parte superior é uma “reflexão"da parte inferior, em relação à diagonal. Matriz Transposta A transposta de uma matriz 𝐴 = (𝑎𝑖𝑗)𝑚×𝑛, é uma outra matriz 𝐴𝑇 = 2 (𝑏𝑖𝑗)𝑛×𝑚, cujas linhas são as colunas de 𝐴, isto é, 𝑏𝑖𝑗 = 𝑎𝑗𝑖. Exemplo: A transposta de 𝐴 = ⎛⎜⎜⎜⎝ 3 −1 4 −2 5 −3 ⎞⎟⎟⎟⎠ 3×2 é 𝐴𝑇 = ⎛⎝ 3 4 5 −1 −2 −3 ⎞⎠ 2×3 É simples verificar que: 1. A transposta da transposta de uma matriz é ela mesma, isto é (𝐴𝑇 )𝑇 = 𝐴. 2. Uma matriz é simétrica se somente se ela for igual à sua transposta, isto é, 𝐴 = 𝐴𝑇 . 1.2 Operações com Matrizes Ao utilizar matrizes, surge naturalmente a necessidade de efetuarmos certas operações. Veremos algumas delas e suas propriedades a seguir: 1.2.1 Adição A soma de duas matrizes da mesma ordem, 𝐴 = (𝑎𝑖𝑗)𝑚×𝑛 e 𝐵 = (𝑏𝑖𝑗)𝑚×𝑛, é uma matriz 𝑚× 𝑛, definida por 𝐴 + 𝐵 = (𝑎𝑖𝑗 + 𝑏𝑖𝑗)𝑚×𝑛. Exemplo: ⎛⎜⎜⎜⎝ 1 4 2 5 3 6 ⎞⎟⎟⎟⎠+ ⎛⎜⎜⎜⎝ −1 1 −3 0 4 √ 2 ⎞⎟⎟⎟⎠ = ⎛⎜⎜⎜⎝ 1− 1 4 + 1 2− 3 5 + 0 3 + 4 6 + √ 2 ⎞⎟⎟⎟⎠ = ⎛⎜⎜⎜⎝ 0 5 −1 5 7 6 + √ 2 ⎞⎟⎟⎟⎠ . Propriedades da Adição Se as matrizes 𝐴, 𝐵 e 𝐶 possuem a mesma ordem, valem as seguintes propriedades: 1. 𝐴 + 𝐵 = 𝐵 + 𝐴 (comutativa). 2. 𝐴 + (𝐵 + 𝐶) = (𝐴 + 𝐵) + 𝐶 (associativa). 3. 𝐴 + O = 𝐴, quando O é uma matriz nula (elemento neutro). 4. Seja 𝐴 = (𝑎𝑖𝑗)𝑚×𝑛. Chama-se matriz oposta de 𝐴, a matriz 𝑚 × 𝑛 representada por −𝐴 = (−𝑎𝑖𝑗)𝑚×𝑛, tal que 𝐴 + (−𝐴) = O (−𝐴 é o elemento oposto). 3 5. (𝐴 + 𝐵)𝑇 = 𝐴𝑇 + 𝐵𝑇 , a transposta de uma soma é igual a somas das transpostas. Exemplo: A matriz oposta de 𝐴 = ⎛⎜⎜⎜⎝ 1 −4 2 0 7 3 ⎞⎟⎟⎟⎠ é − 𝐴 = ⎛⎜⎜⎜⎝ −1 4 −2 0 −7 −3 ⎞⎟⎟⎟⎠ . 1.2.2 Subtração A diferença de duas matrizes da mesma ordem, 𝐴 = (𝑎𝑖𝑗)𝑚×𝑛 e 𝐵 = (𝑏𝑖𝑗)𝑚×𝑛, é uma matriz 𝑚× 𝑛, que denota-se por 𝐴−𝐵, que é a soma de 𝐴 com a oposta de 𝐵; isto é: 𝐴−𝐵 = 𝐴 + (−𝐵) = (𝑎𝑖𝑗)𝑚×𝑛 + (−𝑏𝑖𝑗)𝑚×𝑛 = (𝑎𝑖𝑗 − 𝑏𝑖𝑗)𝑚×𝑛 (1.3) Exemplo: ⎛⎜⎜⎜⎝ 1 4 2 5 3 6 ⎞⎟⎟⎟⎠− ⎛⎜⎜⎜⎝ −1 1 −3 0 4 2 ⎞⎟⎟⎟⎠ = ⎛⎜⎜⎜⎝ 1 + 1 4− 1 2 + 3 5− 0 3− 4 6− 2 ⎞⎟⎟⎟⎠ = ⎛⎜⎜⎜⎝ 2 3 5 5 −1 4 ⎞⎟⎟⎟⎠ . Exercício: 1. Sejam 𝐴 = (𝑎𝑖𝑗)3×2 e 𝐵 = (𝑏𝑖𝑗)3×2, tal que 𝑎𝑖𝑗 = 2𝑖 + 𝑗 e 𝑏𝑖𝑗 = 1 + 𝑖− 𝑗. (a) Determine as matrizes 𝐶 = 𝐴 + 𝐵 e 𝐷 = 𝐴−𝐵. (b) Determine uma fórmula para os elementos 𝑐𝑖𝑗 de 𝐶 e 𝑑𝑖𝑗 de 𝐷. 2. Encontre as matrizes 2× 2, 𝐴 e 𝐵, sabendo que: 𝐴 + 𝐵 + ⎛⎝ 1 1 1 1 ⎞⎠ = ⎛⎝ 4 0 1/2 −1 ⎞⎠+ ⎛⎝ 0 2 3/2 4 ⎞⎠ 𝐴−𝐵 = ⎛⎝ 6 −3 4 0 ⎞⎠− ⎛⎝ 2 −2 2 1 ⎞⎠ . 1.2.3 Multiplicação de um número real por uma Matriz Seja 𝐴 = (𝑎𝑖𝑗)𝑚×𝑛 e 𝑘 um número escalar. Definimos o múltiplo escalar 𝐵 = 𝑘𝐴 = (𝑏𝑖𝑗)𝑚×𝑛, a matriz 𝑚× 𝑛 onde 𝑏𝑖𝑗 = 𝑘𝑎𝑖𝑗. Exemplo Se 𝐴 = ⎛⎜⎜⎜⎝ 3 −1 1 0 6 4 ⎞⎟⎟⎟⎠, então 2𝐴 = ⎛⎜⎜⎜⎝ 6 −2 2 0 12 8 ⎞⎟⎟⎟⎠ e 13 𝐴 = ⎛⎜⎜⎜⎝ 1 −1/3 1/3 0 2 4/3 ⎞⎟⎟⎟⎠ 4 1.2.4 Multiplicação de Matrizes Sejam as matrizes 𝐴 = (𝑎𝑖𝑗)𝑚×𝑝 e 𝐵 = (𝑏𝑖𝑗)𝑝×𝑛. Definimos 𝐶 = 𝐴 ·𝐵 = (𝑐𝑢𝑣)𝑚×𝑛, tal que 𝑐𝑢𝑣 = 𝑝∑︁ 𝑘=1 𝑎𝑢𝑘𝑏𝑘𝑣 para todo 1 ≤ 𝑢 ≤ 𝑚 e 1 ≤ 𝑣 ≤ 𝑛 (1.4) Observação 1.2. Só se pode efetuar o produto de duas matrizes 𝐴𝑚×𝑝 e 𝐵𝑝×𝑛, se o número de colunas da primeira matriz for igual ao número de linhas da segunda matriz, sendo assim o resultado da multiplicação de 𝐴 por 𝐵 será uma matriz de ordem 𝑚 × 𝑛. Note que o elemento 𝑐𝑖𝑗 é obtido multiplicando os elementos da i-ésima linha da primeira matriz pelos elementos correspondentes da j-ésima coluna da segunda matriz, e somando este produtos. Exemplo: a) ⎛⎝ −1 2 ⎞⎠ 2×1 (︁ −3 4 )︁ 1×2 = ⎛⎝ −1.(−3) −1.(4) 2.(−3) 2.(4) ⎞⎠ = ⎛⎝ 3 −4 −6 8 ⎞⎠ 2×2 b) ⎛⎝ 1 0 3 −2 ⎞⎠ 2×2 ⎛⎝ −1 1 5 3 ⎞⎠ 2×2 = ⎛⎝ 1.(−1) + 0.(5) 1.(1) + 0.(3) 3.(−1) +−2.(5) 3.(1) +−2.(3) ⎞⎠ = ⎛⎝ −1 1 −13 −3 ⎞⎠ 2×2 Observação 1.3. A propriedade comutativa em matrizes nem sempre é válida, isto é 𝐴𝐵 e 𝐵𝐴 não necessariamente são iguais. No item b) do exemplo anterior verifique se 𝐴𝐵 = 𝐵𝐴. Se 𝐴 é uma matriz quadrada 𝑛× 𝑛 e 𝐼 a matriz identidade 𝑛× 𝑛, então 𝐴𝐼 = 𝐼𝐴 = 𝐴. Propriedades da Multiplicação Supondo que a ordem das matrizes 𝐴, 𝐵 e 𝐶 estejam definidas de modo que cada uma das operações abaixo indicadas possam ser efetuadas, então as propriedades seguintes serão válidas. 1. (𝐴.𝐵).𝐶 = 𝐴.(𝐵.𝐶) (associatividade). 2. (𝐴±𝐵).𝐶 = 𝐴.𝐶 ±𝐵.𝐶 (distributividade à direita). 3. 𝐴.(𝐵 ± 𝐶) = 𝐴.𝐵 ± 𝐴.𝐶 (distributividade à esquerda). 4. 𝑘(𝐵 ± 𝐶) = 𝑘𝐵 ± 𝑘𝐶, 𝑘, 𝑠 ∈ R 5. (𝑘 ± 𝑠)𝐴 = 𝑘𝐴± 𝑠𝐴, 𝑘, 𝑠 ∈ R 5 6. 𝑘(𝑠𝐴) = (𝑘𝑠)𝐴, 𝑘, 𝑠 ∈ R 7. (𝛼.𝐴)𝑇 = 𝛼.𝐴𝑇 , onde 𝛼 é qualquer escalar. 8. (𝐴.𝐵)𝑇 = 𝐵𝑇 .𝐴𝑇 (deve-se observar a ordem). Matriz Anti-simétrica: É uma matriz quadrada, onde 𝐴𝑇 = −𝐴. Exemplo: 𝐴 = ⎛⎜⎜⎜⎝ 0 3 4 −3 0 −6 −4 6 0 ⎞⎟⎟⎟⎠ é anti-simétrica. 1.3 Matriz Inversa Uma matriz quadrada 𝐴 é dita inversível ou não singular, se existir uma outra matriz 𝐵 (inversa multiplicativa), da mesma ordem, tal que 𝐴.𝐵 = 𝐼 e 𝐵.𝐴 = 𝐼. Denotaremos 𝐵 = 𝐴−1, sendo que 𝐴.𝐴−1 = 𝐴−1.𝐴 = 𝐼. Definição 1.3. Uma matriz 𝐴 é dita não inversível ou singular se ela não tem uma inversa multiplicativa. Propriedades 1. Uma matriz inversível tem uma única inversa multiplicativa. 2. Se A e B são matrizes de mesma ordem, ambas inversíveis, então A e B é inversível e (𝐴.𝐵)−1 = 𝐵−1 . 𝐴−1. 3. Nem toda matriz tem inversa. Exemplo: As matrizes 𝐴 = ⎛⎝2 1 0 4 ⎞⎠ e 𝐵 = ⎛⎝1/2 −1/8 0 1/4 ⎞⎠ são inversas uma da outra ja que 𝐴.𝐵 = 𝐵.𝐴 = 𝐼 Exercício: Encontre a inversa da matriz 𝐴 = ⎛⎝1 1 0 1 ⎞⎠. 6 1.3.1 Método de Gauss Jordam para o Cálculo de Inversa Uma forma para achar a inversa de uma matriz quadrada 𝐴, e que envolve substancialmente menos contas do que aplicando a definição diretamente, é usando as operações elementares sobre as linhas da matriz aumentada associada (𝐴|𝐼) de modo que esta se transforme numa matriz aumentada da forma (𝐼|𝐵). Diremos que 𝐵 = 𝐴−1. As operações elementares permitidas são: 1. Permutar linhas 𝐿𝑖 ←→ 𝐿𝑗 2. Multiplicar uma linha por um número real 𝛼 não nulo, 𝐿𝑖 ←→ 𝛼𝐿𝑖. 3. Somar a uma linha um múltiplo de uma outra, 𝐿𝑖 ←→ 𝐿𝑖 + 𝛼𝐿𝑗. Exemplo: Ache a inversa da matriz 𝐴 = ⎛⎜⎜⎜⎝ 2 3 0 1 −2 −1 2 0 −1 ⎞⎟⎟⎟⎠ se existir. Solução: A partir da matriz aumentada (𝐴|𝐼), usando as operações por linhas temos: (𝐴|𝐼) = ⎛⎜⎜⎜⎝ 2 3 0 | 1 0 0 1 −2 −1 | 0 1 0 2 0 −1 | 0 0 1 ⎞⎟⎟⎟⎠ 𝐿1 ←→ 𝐿2 𝐿2 ←→ 𝐿1 𝐿3 ←→ 𝐿3 = ⎛⎜⎜⎜⎝ 1 −2 −1 | 0 1 0 2 3 0 | 1 0 0 2 0 −1 | 0 0 1 ⎞⎟⎟⎟⎠ 𝐿1 ←→ 𝐿1 𝐿2 ←→ 𝐿2 − 2𝐿1 𝐿3 ←→ 𝐿3 − 2𝐿1 = ⎛⎜⎜⎜⎝ 1 −2 −1 | 0 1 0 0 7 2 | 1 −2 0 0 4 1 | 0 −2 1 ⎞⎟⎟⎟⎠ 𝐿1 ←→ 𝐿1 𝐿2 ←→ 𝐿2/7 𝐿3 ←→ 𝐿3 = ⎛⎜⎜⎜⎝ 1 −2 −1 | 0 1 0 0 1 2/7 | 1/7 −2/7 0 0 4 1 | 0 −2 1 ⎞⎟⎟⎟⎠ 𝐿1 ←→ 𝐿1 + 2𝐿2 𝐿2 ←→ 𝐿2 𝐿3 ←→ 𝐿3 − 4𝐿2 = ⎛⎜⎜⎜⎝ 1 0 −3/7 | 2/7 3/7 0 0 1 2/7 | 1/7 −2/7 0 0 0 −1/7 | −4/7 −6/7 1 ⎞⎟⎟⎟⎠ 𝐿1 ←→ 𝐿1 − 3𝐿3 𝐿2 ←→ 𝐿2 + 2𝐿3 𝐿3 ←→ −7𝐿3 7 = ⎛⎜⎜⎜⎝ 1 0 0 | 2 3 −3 0 1 0 | −1 −2 2 0 0 1 | 4 6 −7 ⎞⎟⎟⎟⎠= (𝐼|𝐴−1) Portanto, a inversa da matriz 𝐴 existe e é dada por 𝐴−1 = ⎛⎜⎜⎜⎝ 2 3 −3 −1 −2 2 4 6 −7 ⎞⎟⎟⎟⎠ Exemplo: Encontre a inversa da matriz 𝐴 = ⎛⎜⎜⎜⎝ 2 1 −4 −4 −1 6 −2 2 −2 ⎞⎟⎟⎟⎠ se existir. Solução: A partir da matriz aumentada (𝐴|𝐼), usando as operações por linhas temos: (𝐴|𝐼) = ⎛⎜⎜⎜⎝ 2 1 −4 | 1 0 0 −4 −1 6 | 0 1 0 −2 2 −2 | 0 0 1 ⎞⎟⎟⎟⎠ 𝐿1 ←→ 𝐿1 𝐿2 ←→ 𝐿2 + 2𝐿1 𝐿3 ←→ 𝐿3 + 𝐿1 = ⎛⎜⎜⎜⎝ 2 1 −4 | 1 0 0 0 1 −2 | 2 1 0 0 3 −6 | 1 0 1 ⎞⎟⎟⎟⎠ 𝐿1 ←→ 𝐿1 𝐿2 ←→ 𝐿2 𝐿3 ←→ 𝐿3 − 3𝐿2 = ⎛⎜⎜⎜⎝ 2 1 −4 | 1 0 0 0 1 −2 | 2 1 0 0 0 0 | −5 −3 1 ⎞⎟⎟⎟⎠ Nesse ponto vemos que não é possível reduzir 𝐴 a 𝐼, ja que encontramos uma linha de zeros do lado esquerdo da matriz completa. Consequentemente 𝐴 não é inversível. Exemplo Seja a matriz 𝐴 = ⎛⎝ 𝑎 𝑏 𝑐 𝑑 ⎞⎠. Usando o método de Gauss Jordam, prove que a matriz inversa dela é 𝐴−1 = 1 𝑎𝑑− 𝑏𝑐 ⎛⎝ 𝑑 −𝑏 −𝑐 𝑎 ⎞⎠ (1.5) Solução: (𝐴|𝐼) = ⎛⎝𝑎 𝑏 | 1 0 𝑐 𝑑 | 0 1 ⎞⎠ 𝐿1 ←→ 𝐿1𝑎 𝐿2 ←→ 𝐿2𝑑 = ⎛⎝1 𝑏𝑎 | 1/𝑎 0 𝑐 𝑑 1 | 0 1/𝑑 ⎞⎠ 𝐿1 ←→ 𝐿1 𝐿2 ←→ 𝐿2 − 𝑐𝑑𝐿1 8 = ⎛⎝1 𝑏𝑎 | 1𝑎 0 0 1− 𝑏𝑐 𝑎𝑑 | −𝑐 𝑎𝑑 1 𝑑 ⎞⎠ 𝐿1 ←→ 𝐿1 − 𝑏𝑎 1(1− 𝑏𝑐𝑎𝑑 )𝐿2 𝐿2 ←→ 11− 𝑏𝑐 𝑎𝑑 𝐿2 = ⎛⎝1 0 | 1𝑎 + 𝑏𝑎 1(1− 𝑏𝑐𝑎𝑑 ) 𝑐𝑎𝑑 − 𝑏𝑎𝑑 1(1− 𝑏𝑐𝑎𝑑 ) 0 1 | −𝑐 𝑎𝑑 1 (1− 𝑏𝑐 𝑎𝑑 ) 1 𝑑 1 (1− 𝑏𝑐 𝑎𝑑 ) ⎞⎠ = ⎛⎝1 0 | 𝑑(𝑎𝑑−𝑏𝑐) −𝑏𝑎𝑑−𝑏𝑐 0 1 | −𝑐 𝑎𝑑−𝑏𝑐 𝑎 𝑎𝑑−𝑏𝑐 . ⎞⎠ Nesta última matriz, colocando em evidência o fator 1 𝑎𝑑−𝑏𝑐 segue o resultado (1.5). 1.4 Determinante de uma Matriz É possível associar a cada matriz 𝐴 de ordem 𝑛× 𝑛, um escalar (número real ou complexo), que denotaremos por det𝐴, cujo valor vai nos dizer se a matriz é ou não invertível. Antes de dar a definição geral vamos a considerar alguns casos particulares. Caso 1. Se 𝐴 = (𝑎) é uma matriz 1× 1, definimos o determinante de 𝐴 por: det𝐴 = 𝑎. Diremos que 𝐴 tem inversa multiplicativa (𝐴 é invertível) se e só se det𝐴 ̸= 0. Caso 2. Se 𝐴 = ⎛⎝ 𝑎11 𝑎12 𝑎21 𝑎22 ⎞⎠ é uma matriz 2 × 2, definimos o determinante de 𝐴 pelo fator inverso que aparece em (1.5), neste caso será: det𝐴 = 𝑎11𝑎22 − 𝑎12𝑎21. Caso 3. Se 𝐴 = ⎛⎜⎜⎜⎝ 𝑎11 𝑎12 𝑎13 𝑎21 𝑎22 𝑎23 𝑎31 𝑎32 𝑎33 ⎞⎟⎟⎟⎠ é uma matriz 3×3, definimos o determinante de 𝐴 por: det𝐴 = 𝑎11𝑎22𝑎33 − 𝑎11𝑎32𝑎23 − 𝑎12𝑎21𝑎33 + 𝑎12𝑎31𝑎23 + 𝑎13𝑎21𝑎32 − 𝑎13𝑎31𝑎22. Note que o det𝐴 é o fator inverso que se obtém ao calcular a matriz inversa de 𝐴 usando o método de Gauss Jordam. Podemos reescrever a equação anterior na forma det𝐴 = 𝑎11(𝑎22𝑎33 − 𝑎32𝑎23)− 𝑎12(𝑎21𝑎33 − 𝑎31𝑎23) + 𝑎13(𝑎21𝑎32 − 𝑎31𝑎22) (1.6) Para 𝑗 = 1, 2, 3, vamos denotar por 𝑀1𝑗 a submatriz 2× 2 de 𝐴 formada retirando-se a primeira linha e a 𝑗-ésima coluna de 𝐴. O determinante de 𝐴 (1.6) pode ser, então, colocado 9 na forma det𝐴 = 𝑎11 det𝑀11 − 𝑎12 det𝑀12 + 𝑎13 det𝑀13 (1.7) Para ver como generalizar (1.7) para o caso 𝑛 > 3, vamos a dar a seguinte definição. Definição 1.4. (Menores e Cofatores): Seja A = (𝑎𝑖𝑗) uma matriz 𝑛 × 𝑛. O ij-ésimo menor de 𝐴 é o determinante da submatriz 𝑀𝑖𝑗, de ordem (𝑛 − 1) × (𝑛 − 1), que sobra quando suprimimos a i-ésima linha e a j-ésima coluna de A. O ij-ésimo Cofator 𝐴𝑖𝑗 de A (ou o cofator de 𝑎𝑖𝑗) é definido como 𝐴𝑖𝑗 = (−1)𝑖+𝑗 det𝑀𝑖𝑗. Definição 1.5. (Desenvolvimento de Laplace) O determinante de uma matriz 𝑛 × 𝑛 é o número real det𝐴, definido por det𝐴 = 𝑎𝑖1.𝐴𝑖1 + 𝑎𝑖2.𝐴𝑖2 + ... + 𝑎1𝑛.𝐴𝑖𝑛 (1.8) ou det𝐴 = 𝑎1𝑗.𝐴1𝑗 + 𝑎2𝑗.𝐴2𝑗 + ... + 𝑎𝑛𝑗.𝐴𝑛𝑗, (1.9) onde 𝐴𝑖𝑗 é ij-ésimo cofator de 𝐴. Exemplo: Ache o determinante da matriz 𝐴 = ⎛⎜⎜⎜⎝ 0 1 5 3 −6 9 2 6 1 ⎞⎟⎟⎟⎠. Solução.: Calculando a matriz de cofatores temos: 𝑐𝑜𝑓(𝐴) = ⎛⎜⎜⎜⎝ −60 15 30 29 −10 2 39 15 −3 ⎞⎟⎟⎟⎠ Logo, o determinante de 𝐴 pode-se obter por exemplo das seguintes formas: 1. Em relação a primeira linha, det𝐴 = 0(−60) + 1(15) + 5(30) = 165. 2. Em relação a terceira linha, det𝐴 = 2(39) + 6(15) + 1(−3) = 165. 3. Em relação a segunda coluna, det𝐴 = 1(15)− 6(−10) + 6(15) = 165. 10 1.4.1 Propriedades do Determinante Seja 𝐴 uma matriz de ordem 𝑛× 𝑛. 1. Se 𝐴 tem uma linha o uma coluna de zeros, então det𝐴 = 0. 2. Se duas linhas ou colunas de 𝐴 são iguais, então det𝐴 = 0. 3. det𝐴 = det𝐴𝑇 . 4. Se 𝐴 é uma matriz, triangular superior ou triangular inferior ou diagonal, então o det𝐴 é igual ao produto de seus elementos da diagonal. 5. Se 𝐵 é uma matriz de ordem 𝑛× 𝑛, então: det(𝐴+𝐵) ̸= det𝐴+ det𝐵 e det(𝐴𝐵) = det𝐴 det𝐵 6. Seja 𝐵 a matriz obtida ao multiplicar uma única linha ou coluna de 𝐴 por 𝑘, então: det𝐵 = 𝑘 det𝐴 (det𝐴 = 1 𝑘 det𝐵). 7. Seja 𝐵 a matriz obtida ao permutar duas linhas (ou duas colunas) de 𝐴, então det𝐵 = − det𝐴. 8. Seja 𝐵 a matriz obtida ao somar um múltiplo de uma linha (ou colunas) de 𝐴 a uma outra linha (ou coluna), então det𝐵 = det𝐴. 1.4.2 Cálculo por Redução de Linhas ou Colunas-Triangulação A seguir apresentamos um método para calcular determinantes que envolve substancialmente menos contas que aplicando a definição diretamente. Assim, tendo em mente as propriedades 6, 7 e 8, a idéia será reduzir a matriz 𝐴 ao formato triangular. Exemplo: Ache o determinante da matriz 𝐴 = ⎛⎜⎜⎜⎝ 0 1 5 3 −6 9 2 6 1 ⎞⎟⎟⎟⎠. 11 Solução: Usando as propriedades 6, 7 e 8, obtemos que det𝐴 = ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ 0 1 5 3 −6 9 2 6 1 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ = − ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ 3 −6 9 0 1 5 2 6 1 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ (linhas 2 e 3 foram permutadas) = −3 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ 1 −2 3 0 1 5 2 6 1 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ (o fator comun 3 da linha 1 foi retirado) = −3 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ 1 −2 3 0 1 5 0 10 −5 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ (linha 3 + (-2) (linha 1)) = −3 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ 1 −2 3 0 1 5 0 0 −55 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ (linha 3 + (-10) (linha 2)) = −3(1)(1)(−55) = 165 Exemplo: Ache o determinante da matriz 𝐴 = ⎛⎜⎜⎜⎜⎜⎜⎝ 1 0 0 3 2 7 0 6 0 6 3 0 7 3 1 −5 ⎞⎟⎟⎟⎟⎟⎟⎠. Solução: Reduzindo a matriz a uma triangular inferior usando operações por coluna, obte- mos que det𝐴 = ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒⃒⃒⃒ 1 0 0 3 2 7 0 6 0 6 3 0 7 3 1 −5 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒⃒⃒⃒ = ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒⃒⃒⃒ 1 0 0 0 2 7 0 0 0 6 3 0 7 3 1 −26 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒⃒⃒⃒ (coluna 4 + (-3)(coluna 1)) = (1)(7)(3)(−26) = −546 1.5 A Matriz Adjunta e a Inversibilidade de Matrizes Suponhamos que 𝐴𝑛×𝑛 tenha inversa, isto é, existe 𝐴−1 tal que 𝐴 · 𝐴−1 = 𝐼. Usando o determinante obtém-se det (𝐴 · 𝐴−1) = det 𝐴 · det 𝐴−1 e det 𝐼 = 1 12 Então: det𝐴−1 = 1 det𝐴 Definição 1.6. Seja a matriz 𝐴 ∈𝑀𝑛×𝑛(R). Chamaremos Adjunta de 𝐴, a matriz 𝐴𝑑𝑗(𝐴) que é a transposta da matriz de cofatores. Simbolicamente, 𝐴𝑑𝑗(𝐴) = (𝑐𝑜𝑓(𝐴))𝑇 . Teorema 1.1. Se 𝐴 é uma matriz inversível, então: 𝐴−1 = 1 det𝐴 𝐴𝑑𝑗 (𝐴). Uma condição necessária para que 𝐴 tenha inversa é que o det𝐴 ̸= 0. Ex.: Ache a inversa de 𝐴 = ⎛⎝ 1 2 −1 3 ⎞⎠ . Solução: Calculando temos que det𝐴 = 5, a matriz de cofatores 𝑐𝑜𝑓(𝐴) = ⎛⎝ 3 1 −2 1 ⎞⎠ e a adjunta 𝐴𝑑𝑗(𝐴) = (𝑐𝑜𝑓(𝐴))𝑇 = ⎛⎝3 −2 1 1 ⎞⎠, logo pelo Teorema 1.1 𝐴−1 = 1 5 · ⎛⎝3 −2 1 1 ⎞⎠ . (1.10) Teorema 1.2. Uma matriz 𝐴 de ordem 𝑛× 𝑛 é não inversível se e somente se det(𝐴) = 0 13 1.6 Exercícios Para conferir seus resultados recomenda-se usar um calculador online Dica: http://www.solvemymath.com/online_math_calculator/algebra_combinatorics/ 1. Sejam 𝐴 = ⎛⎝ 3 0 −1 5 ⎞⎠, 𝐵 = ⎛⎝4 −2 1 0 2 3 ⎞⎠, 𝐶 = ⎛⎜⎜⎜⎝ 1 2 3 4 5 6 ⎞⎟⎟⎟⎠ e 𝐷 = ⎛⎝ 0 −3 −2 1 ⎞⎠. Calcular 𝐴 + 2𝐷, 𝐵 − 𝐶𝑇 , 𝐵𝑇𝐶𝑇 − 𝐶𝐵, 𝐴3, 𝐷𝐴− 𝐴𝐷. 2. Seja 𝐴 = ⎛⎝√2 𝑥2 4𝑥 1 ⎞⎠. Calcule os possíveis valores de 𝑥, para que 𝐴𝑇 = 𝐴. 3. (𝑖) Se 𝐴 é uma matriz simétrica 𝑛× 𝑛, calcule 𝐴𝑇 − 𝐴. (𝑖𝑖) Se 𝐴 é uma matriz triangular inferior, 𝐴𝑇 é uma matriz triangular . . . . . . . (𝑖𝑖𝑖) 𝐴 é uma matriz diagonal, calcule 𝐴𝑇 . 4. Seja a matriz 𝐴 = ⎛⎜⎜⎜⎝ 2 3 −4 0 −4 2 1 −1 5 ⎞⎟⎟⎟⎠. Usando cofatores, (𝑖) Calcule det𝐴 desenvolvendo em relação à primeira linha. (𝑖𝑖) Calcule det𝐴 desenvolvendo em relação à primeira coluna. (𝑖𝑖𝑖) Calcule det𝐴 desenvolvendo em relaçãoà segunda coluna. 5. Usando cofatores e fazendo o menor número de operações, calcule o determinante de 𝐴 = ⎛⎜⎜⎜⎜⎜⎜⎝ 2 0 3 0 3 0 0 1 0 2 3 0 2 0 1 4 ⎞⎟⎟⎟⎟⎟⎟⎠ , 𝐵 = ⎛⎜⎜⎜⎜⎜⎜⎝ 4 0 2 1 5 0 4 2 2 0 3 4 1 1 2 3 ⎞⎟⎟⎟⎟⎟⎟⎠ e 𝐶 = ⎛⎜⎜⎜⎜⎜⎜⎝ 2 0 0 1 0 1 0 0 1 6 2 0 1 1 −2 3 ⎞⎟⎟⎟⎟⎟⎟⎠. 6. Calcule o determinante de cada uma das seguintes matrizes (use as operações elemen- tares por linhas para reduzir as matrizes abaixo à sua forma triangular). 𝐴 = ⎛⎜⎜⎜⎝ 2 0 −1 3 0 2 4 −3 7 ⎞⎟⎟⎟⎠, 𝐵 = ⎛⎜⎜⎜⎝ 𝑡 + 3 −1 1 5 𝑡− 3 1 6 −6 𝑡 + 4 ⎞⎟⎟⎟⎠ e 𝐶 = ⎛⎜⎜⎜⎝ 1 4 −5 0 0 1 −1 8 7 ⎞⎟⎟⎟⎠. 14 7. Encontre todos os valores possíveis de 𝑐 que tornem a matriz inversível ⎛⎜⎜⎜⎝ 1 1 1 1 9 𝑐 1 𝑐 3 ⎞⎟⎟⎟⎠. 8. Sejam as matrizes 𝐴 = ⎛⎜⎜⎜⎝ −1 3 −4 2 4 1 −4 2 −9 ⎞⎟⎟⎟⎠ 𝐵 = ⎛⎜⎜⎜⎝ 1 0 0 1 3 0 1 3 5 ⎞⎟⎟⎟⎠ 𝐶 = ⎛⎜⎜⎜⎝ cos 𝜃 sen 𝜃 0 − sen 𝜃 cos 𝜃 0 0 0 1 ⎞⎟⎟⎟⎠ 𝐷 = ⎛⎜⎜⎜⎝ 2 5 5 −1 −1 0 2 4 3 ⎞⎟⎟⎟⎠ 𝐸 = ⎛⎜⎜⎜⎝ 2 0 3 0 3 2 −2 0 −4 ⎞⎟⎟⎟⎠ 𝐹 = ⎛⎜⎜⎜⎝ 2 0 0 8 1 0 −5 3 6 ⎞⎟⎟⎟⎠ e 𝐺 = ⎛⎜⎜⎜⎝ 𝑎 𝑏 𝑐 𝑐 𝑎 𝑏 𝑏 𝑐 𝑎 ⎞⎟⎟⎟⎠. (𝑖) Calcule os cofatores das matrizes 𝐴, 𝐵, 𝐶, 𝐷, 𝐸, 𝐹 e 𝐺. (𝑖𝑖) Determine a inversa das matrizes 𝐴, 𝐵 e 𝐶 usando o Teorema 1.1. 9. Encontre a inversa das matrizes dadas usando operações por linha⎛⎜⎜⎜⎝ 2 3 0 1 −2 −1 2 0 −1 ⎞⎟⎟⎟⎠, ⎛⎜⎜⎜⎝ 1 1 0 1 0 1 0 1 1 ⎞⎟⎟⎟⎠, ⎛⎜⎜⎜⎝ 0 𝑎 0 𝑏 0 𝑐 0 𝑑 0 ⎞⎟⎟⎟⎠, ⎛⎜⎜⎜⎜⎜⎜⎝ 1 0 0 0 0 1 0 0 0 0 1 0 𝑎 𝑏 𝑐 𝑑 ⎞⎟⎟⎟⎟⎟⎟⎠, ⎛⎜⎜⎜⎜⎜⎜⎝ √ 2 0 2 √ 2 0 −4 √ 2 √ 2 0 0 0 0 1 0 0 0 3 1 ⎞⎟⎟⎟⎟⎟⎟⎠. 10. Sejam 𝐴 e 𝐵 matrizes 3×3 com det𝐴 = 4 e det𝐵 = 5. Encontre o valor de det(𝐴𝐵), det(3𝐴), det(2𝐴𝐵), det(𝐴−1𝐵) 11. Uma matriz 𝐴 é ortogonal se sua inversa é igual a sua transposta, ou seja, 𝐴−1 = 𝐴𝑇 . Provar que a matriz 𝐴 = ⎛⎝cos 𝜃 − sen 𝜃 sen 𝜃 cos 𝜃 ⎞⎠ é ortogonal. 15 Capítulo 2 Sistemas de Equações Lineares Algébricas Uma equação linear de 𝑛 incógnitas é uma equação da forma 𝑎1𝑥1 + 𝑎2𝑥2 + · · ·+ 𝑎𝑛𝑥𝑛 = 𝑏 (2.1) Um sistema linear de 𝑚 equações algébricas lineares de 𝑛 variáveis (incógnitas) é um conjunto de equações lineares que devem ser resolvidas simultaneamente, por exemplo:⎧⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎩ 𝑎11𝑥1 + 𝑎12𝑥2 + · · ·+ 𝑎1𝑛𝑥𝑛 = 𝑏1 𝑎21𝑥1 + 𝑎22𝑥2 + · · ·+ 𝑎2𝑛𝑥𝑛 = 𝑏2 ... 𝑎𝑚1𝑥1 + 𝑎𝑚2𝑥2 + · · ·+ 𝑎𝑚𝑛𝑥𝑛 = 𝑏𝑚 (2.2) onde os 𝑎𝑖𝑗 e 𝑏𝑖 são números reais. Em 1858, o matemático inglês Artur Cayley introduz uma notação abreviada para ex- pressar o sistema linear (2.2), na forma matricial:⎛⎜⎜⎜⎜⎜⎜⎝ 𝑎11 𝑎12 · · · 𝑎1𝑛 𝑎21 𝑎22 · · · 𝑎2𝑛 ... ... . . . ... 𝑎𝑚1 𝑎𝑚2 · · · 𝑎𝑚𝑛 ⎞⎟⎟⎟⎟⎟⎟⎠ 𝑚×𝑛 . ⎛⎜⎜⎜⎜⎜⎜⎝ 𝑥1 𝑥2 ... 𝑥𝑛 ⎞⎟⎟⎟⎟⎟⎟⎠ 𝑛×1 = ⎛⎜⎜⎜⎜⎜⎜⎝ 𝑏1 𝑏2 ... 𝑏𝑚 ⎞⎟⎟⎟⎟⎟⎟⎠ 𝑚×1 . (2.3) Assim a forma matricial (2.3) escreve-se abreviadamente por: 𝐴x = b, (2.4) onde 𝐴 é uma matriz 𝑚× 𝑛, b um vetor 𝑚× 1 e x é um vetor 𝑛× 1. “Se b = 0, o sistema é dito homogêneo, caso contrário ele é não-homogêneo". 16 2.1 Classificação de um Sistema Linear O sistema linear (2.2) pode ter ou não solução. Assim, classificaremos os sistemas lineares em dois tipos: 1. Compatível (ou possível) ⎧⎨⎩ 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜, uma única solução𝐼𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 mais de uma solução. 2. Incompatível (ou impossível) quando não possui solução. Se o sistema linear (2.2) tem o número de equações igual ao número de incognitas (𝑚 = 𝑛), então a matriz 𝐴 associada a forma matricial equivalente (2.4) será uma matriz quadrada 𝑛× 𝑛. Logo, • Se a matriz 𝐴 é inversível, isto é, o det 𝐴 ̸= 0, então o sistema tem uma única solução, ou seja, x = 𝐴−1b. • Se a matriz 𝐴 não é inversível, isto é det 𝐴 = 0, então o sistema não tem solução, ou existe solução mas não é única. (Um sistema homogêneo: 𝐴x = 0, onde det 𝐴 = 0, possui infinitas soluções) Observação 2.1. Um sistema linear homogêneo 𝐴x = 0 admite sempre a solução nula, chamada solução trivial. Logo, um sistema linear homogêneo é sempre compatível. Exemplo: É simples verificar que a solução nula x = (0, 0, 0)𝑇 é solução do sistema linear homogêneo, ⎧⎨⎩ 3𝑥1 − 𝑥2 + 7𝑥3 = 0𝑥1 − 2𝑥2 + 3𝑥3 = 0. ⇐⇒ ⎛⎝3 −1 7 1 −2 3 ⎞⎠ ⎛⎜⎜⎜⎝ 𝑥1 𝑥2 𝑥3 ⎞⎟⎟⎟⎠ = ⎛⎜⎜⎜⎝ 0 0 0 ⎞⎟⎟⎟⎠ ⇐⇒ 𝐴𝑥 = 0 Uma interpretação geométrica das soluções de um sistema linear, pode ser observada para sistemas de ordem 2× 2. Por exemplo, sejam os sistemas: 𝐼) ⎧⎨⎩ 𝑥1 + 𝑥2 = 2𝑥1 − 𝑥2 = 2 𝐼𝐼) ⎧⎨⎩ 𝑥1 + 𝑥2 = 2𝑥1 + 𝑥2 = 1 𝐼𝐼𝐼) ⎧⎨⎩ 𝑥1 + 𝑥2 = 2−𝑥1 − 𝑥2 = −2. A solução dos respectivos sistemas podem ser visualizados nos seguintes gráficos da Figura 2.1 17 (a) Caso I (b) Caso II (c) Caso III Figura 2.1: Solução de sistemas de equações lineares de ordem 2× 2 2.2 Método de Eliminação de Gauss Consiste na resolução de Sistemas por Escalonamento onde o objetivo é migrar de um sistema linear 𝐴x = b para outro que lhe seja equivalente, e de resolução mais simples. A ideia então é, usar as operações elementares sobre as linhas da matriz aumentada (𝐴 |b) de modo que esta se transforme à forma (𝐴′ |b′) onde 𝐴′ é uma matriz escalonada (Defini- ção 2.1). Assim, o sistema final equivalente 𝐴′x = b ′ será resolvido usando substituições regressivas. Definição 2.1. Uma matriz esta escalonada por linhas quando satisfaz as seguintes pro- priedades: 1. Todas as linhas que consistem inteiramente de zeros estão na parte inferior da matriz. 2. Em cada linha não nula, o primeiro elemento não nulo (chamado elemento líder) está em uma coluna à esquerda de qualquer outro elemento líder abaixo dele. Observação 2.2. A forma escalonada de uma matriz não é única. Logo, dependendo de sua escolha na hora de fazer as operações elementares você poderá obter várias matrizes equivalentes, porém sempre uma mesma solução. Exemplo: Ache a solução do sistema linear⎧⎪⎪⎪⎨⎪⎪⎪⎩ 𝑥1 + 2𝑥2 + 𝑥3 = 3 3𝑥1 − 𝑥2 − 3𝑥3 = −1 2𝑥1 + 3𝑥2 + 𝑥3 = 4. ⇐⇒ ⎛⎜⎜⎜⎝ 1 2 1 3 −1 −3 2 3 1 ⎞⎟⎟⎟⎠ ⎛⎜⎜⎜⎝ 𝑥1 𝑥2 𝑥3 ⎞⎟⎟⎟⎠ = ⎛⎜⎜⎜⎝ 3 −1 4 ⎞⎟⎟⎟⎠ ⇐⇒ 𝐴x = b 18 Sol.: Apartir da matriz aumentada, usando as operações por linhas temos: (𝐴|𝑏) = ⎛⎜⎜⎜⎝ 1 2 1 | 3 3 −1 −3 | −1 2 3 1 | 4 ⎞⎟⎟⎟⎠ 𝐿2 ←→ 𝐿2 − 3𝐿1 𝐿3 ←→ 𝐿3 − 2𝐿1 = ⎛⎜⎜⎜⎝ 1 2 1 | 3 0 −7 −6 | −10 0 −1 −1 | −2 ⎞⎟⎟⎟⎠ 𝐿2 ←→ 𝐿3 = ⎛⎜⎜⎜⎝ 1 2 1 | 3 0 −1 −1 | −2 0 −7 −6 | −10 ⎞⎟⎟⎟⎠ 𝐿3 ←→ 𝐿3 − 7𝐿2 = ⎛⎜⎜⎜⎝ 1 2 1 | 3 0 −1 −1 | −2 0 0 1 | 4 ⎞⎟⎟⎟⎠ = (𝐴′|𝑏′) O sistema equivalente resultante é⎧⎪⎪⎪⎨⎪⎪⎪⎩ 𝑥1 +2𝑥2 + 𝑥3 = 3 −𝑥2 − 𝑥3 = −2 𝑥3 = 4. A solução deste último sistema obtém-se resolvendo a última equação e substituindo a res- pectiva solução na equação anterior, até chegar na primeira. Neste caso temos que 𝑥3 = 4, 𝑥2 = −2 e 𝑥1 = 3 Exemplo: Resolva o sistema⎧⎪⎨⎪⎩ 𝑥 + 2𝑦 + 𝑧 + 𝑡 = 1𝑥 + 3𝑦 − 𝑧 + 𝑡 = 3 Sol.: A matriz aumentada (𝐴|𝑏) associada ao sistema é ⎛⎜⎜⎜⎜⎜⎜⎝ 1 2 1 1 1 1 3 −1 1 3 0 0 0 0 0 0 0 0 0 0 ⎞⎟⎟⎟⎟⎟⎟⎠. Logo, fazendo 𝐿2 ←→ 𝐿2 − 𝐿1, a forma escalonada torna-se ⎛⎜⎜⎜⎜⎜⎜⎝ 1 2 1 1 1 0 1 −2 0 2 0 0 0 0 0 0 0 0 0 0 ⎞⎟⎟⎟⎟⎟⎟⎠. 19 Observemos que o número de variáveis livres ( que não dependem de outras variáveis) é igual ao número de linhas não nulas na forma escalonada. No exemplo dado, 𝑧 e 𝑡 são as variáveis livres . Assim , para 𝑧 = 𝜆1 e 𝑡 = 𝜆2 obtemos mediante substituições regressivas: 𝑦 = 2 + 2𝜆1, 𝑥 = 1− 2(2 + 2𝜆1)− 𝜆1 − 𝜆2 = −3− 5𝜆1 − 𝜆2. Definição 2.2. O posto de uma matriz, posto(A), é o número de linhas não nulas de qualquer uma de suas formas escalonadas por linhas. Teorema 2.1. (O Teorema do Posto) Seja 𝐴 a matriz dos coeficientes de um sistema de equações lineares com 𝑛 variáveis. Se o sistema for possível, então o número de variáveis livres = n − posto(A) No último exemplo, como o sistema tem solução, pelo Teorema do Posto temos 4−2 = 2 variáveis livres, neste caso 𝑧 e 𝑡. Exemplo Resolva o sistema⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ 𝑥 − 𝑦 + 2𝑧 = 3 𝑥 + 2𝑦 − 𝑧 = −3 2𝑦 − 2𝑧 = 1 Sol.: A matriz aumentada (𝐴|𝑏) associada ao sistema é ⎛⎜⎜⎜⎝ 1 −1 2 3 1 2 −1 −3 0 2 −2 1 ⎞⎟⎟⎟⎠. Logo, fazendo 𝐿2 ←→ 𝐿2 − 𝐿1, a forma escalonada torna-se ⎛⎜⎜⎜⎝ 1 −1 2 3 0 3 −3 −6 0 2 −2 1 ⎞⎟⎟⎟⎠.Finalmente, fazendo 𝐿3 ←→ 3𝐿3 − 2𝐿2, temos ⎛⎜⎜⎜⎝ 1 −1 2 3 0 3 −3 −6 0 0 0 15 ⎞⎟⎟⎟⎠ levando à equação impossível, 0 = 15. Assim, o sistema não tem solução, ele é impossível. 20 2.3 Resolução de Sistemas pela Regra de Cramer O método de Cramer nos permitirá escrever a solução de um sistema de equações lineares 𝑛× 𝑛 em função de determinantes. Entretanto, devemos salientar que este método envolve o cálculo de 𝑛 + 1 determinantes de ordem 𝑛 o que equivale a resolver mais operações que no método de Gauss. Seja 𝐴 uma matriz inversível 𝑛×𝑛 e seja b ∈ R𝑛. Seja 𝐴𝑖 a matriz obtida substituindo-se a i-ésima coluna de 𝐴 por b. Se x = (𝑥1, 𝑥2, . . . , 𝑥𝑛)𝑇 for a única solução de 𝐴x = b, então: 𝑥𝑖 = det (𝐴𝑖) det 𝐴 para 𝑖 = 1, 2, . . . , 𝑛. Exemplo: Ache a solução do sistema linear⎧⎪⎪⎪⎨⎪⎪⎪⎩ 𝑥1 + 2𝑥2 + 𝑥3 = 3 3𝑥1 − 𝑥2 − 3𝑥3 = −1 2𝑥1 + 3𝑥2 + 𝑥3 = 4. ⇐⇒ ⎛⎜⎜⎜⎝ 1 2 1 3 −1 −3 2 3 1 ⎞⎟⎟⎟⎠ ⎛⎜⎜⎜⎝ 𝑥1 𝑥2 𝑥3 ⎞⎟⎟⎟⎠ = ⎛⎜⎜⎜⎝ 3 −1 4 ⎞⎟⎟⎟⎠ ⇐⇒ 𝐴x = b Sol.: Usando o método de Cramer e sabendo que det𝐴 = 1(−1 + 9)− 2(3 + 6) + 1(9 + 2) = 8− 18 + 11 = 1 temos que: 𝑥1 = ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ 3 2 1 −1 −1 −3 4 3 1 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ = (3(−1 + 9)− 2(−1 + 12) + 1(−3 + 4)) = 24− 22 + 1 = 3 𝑥2 = ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ 1 3 1 3 −1 −3 2 4 1 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ = (1(−1 + 12)− 3(3 + 6) + 1(12 + 2)) = 11− 27 + 14 = −2 𝑥3 = ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ 1 2 3 3 −1 −1 2 3 4 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ = (1(−4 + 3)− 2(12 + 2) + 3(9 + 2)) = −1− 28 + 33 = 4 2.4 Exercícios 1. Resolva os seguintes sistemas pelo método de Gauss-Jordan. 21 (𝑖) ⎧⎪⎨⎪⎩ 3𝑥 − 𝑦 = 42𝑥 − 1 2 𝑦 = 1 (𝑖𝑖) ⎧⎪⎨⎪⎩ 2𝑥 − 3𝑦 = 4𝑥 − 3𝑦 = 1 (𝑖𝑖𝑖) ⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ 𝑥 − 3𝑦 − 2𝑧 = 0 −𝑥 + 2𝑦 + 𝑧 = 0 2𝑥 + 4𝑦 + 6𝑧 = 0 (𝑖𝑣) ⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ 2𝑥 + 3𝑦 − 𝑧 + 4𝑤 = 0 3𝑥 − 𝑦 + 𝑤 = 1 3𝑥 − 4𝑦 + 𝑧 − 𝑤 = 2 (𝑣) ⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ √ 2𝑥 + 𝑦 + 2𝑧 = 1 √ 2𝑦 − 3𝑧 = − √ 2 − 𝑦 + √ 2𝑧 = 1 (𝑣𝑖) ⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ −𝑥 + 3𝑦 − 2𝑧 + 4𝑤 = 0 2𝑥 − 6𝑦 + 𝑧 − 2𝑤 = −3 𝑥 − 3𝑦 + 4𝑧 − 8𝑤 = 2 (𝑣𝑖𝑖) ⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ 1 2 𝑥 + 𝑦 − 𝑧 − 6𝑤 = 2 1 6 𝑥 + 1 2 𝑦 − 3𝑤 +𝑡 = −1 1 3 𝑥 − 2𝑧 −4𝑡 = 8 (𝑣𝑖𝑖𝑖) ⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ 2𝑥 + 𝑦 = 3 4𝑥 + 𝑦 = 7 2𝑥 + 5𝑦 = −1 𝑖𝑥) ⎧⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎩ 𝑥 + 𝑦 + 𝑧 + 𝑤 = 4 𝑥 + 2𝑦 + 3𝑧 + 4𝑤 = 10 𝑥 + 3𝑦 + 6𝑧 + 10𝑤 = 20 𝑥 + 4𝑦 + 10𝑧 + 20𝑤 = 35 𝑥) ⎧⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎩ 𝑥 + 𝑦 + 2𝑧 + 𝑤 = 1 𝑥 − 𝑦 − 𝑧 + 𝑤 = 0 𝑦 + 𝑧 = −1 𝑥 + 𝑦 + 𝑤 = 2 2. O sistema seguinte não tem soluções para quais valores de 𝑎?. Exatamente uma solu- ção?. Infinitas soluções.⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ 𝑥 + 2𝑦 − 3𝑧 = 4 3𝑥 − 𝑦 + 5𝑧 = 2 4𝑥 + 𝑦 + (𝑎2 − 14)𝑧 = 𝑎 + 2 ⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ 𝑥 + 𝑦 + 𝑎𝑧 = 1 𝑥 + 𝑎𝑦 + 𝑧 = 1 𝑎𝑥 + 𝑦 + 𝑧 = −2 3. Determine 𝑘 para que o sistema admita solução⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ −4𝑥 + 3𝑦 = 2 5𝑥 − 4𝑦 = 0 2𝑥 − 𝑦 = 𝑘 4. Resolva o sistema⎧⎪⎨⎪⎩ 𝑥 + 𝑦 + 𝑧 = 42𝑥 + 5𝑦 − 2𝑧 = 3 22 5. Estabeleça a condição que deve ser satisfeita 𝑎 e 𝑏 para que o sistema seja compatível. 𝑎) ⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ 𝑥− 2𝑦 − 𝑧 = 𝑎 2𝑥 + 𝑦 + 3𝑧 = 𝑏 4𝑥− 3𝑦 + 𝑧 = 1 𝑏) ⎧⎪⎨⎪⎩𝑎𝑥 + 𝑦 = −12𝑥 + 𝑦 = 𝑏 𝑐) ⎧⎪⎨⎪⎩ 𝑥 + 𝑎𝑦 = 1𝑏𝑥 + 2𝑦 = 5 6. Encontre os coeficientes do polinômio 𝑝(𝑥) = 𝑎𝑥3 + 𝑏𝑥2 + 𝑐𝑥 + 𝑑 cujo gráfico passa pelos pontos (0,−3), (2,−5), (3, 0) e (−1,−8). 7. Encontre a reta interseção de cada par de planos dados 𝑎) 3𝑥 + 2𝑦 + 𝑧 = −1 e 2𝑥− 𝑦 + 4𝑧 = 5 𝑏) 4𝑥 + 𝑦 − 𝑧 = 0 e 2𝑥− 𝑦 + 3𝑧 = 4 8. Mentiras que meu Computador me Contou (David Poole) Existem sistemas chamados Mal condicionados que são extremadamente sensíveis a arredondamentos, a seguir um exemplo deste para você pensar. a) Resolva o seguinte sistema exatamente (trabalhe apenas com frações)⎧⎪⎨⎪⎩ 𝑥 + 𝑦 = 0𝑥 + 801 800 𝑦 = 1. b) Sabendo que a forma decimal de 801 800 = 1, 00125 use uma calculadora online e resolva o sistema: ⎧⎪⎨⎪⎩ 𝑥 + 𝑦 = 0𝑥 + 1, 00125𝑦 = 1. Dica: http://www.solvemymath.com/online_math_calculator/ c) Resolva o sistema dado em 𝑎) arredondando 801 800 = 1, 0012 e 801 800 = 1, 001. d) Conclua que mesmo um pequeno erro de arredondamento pode levar a grandes erros de resultado. Explique geometricamente. 23 Capítulo 3 Vetores Com o intuito de esclarecer melhor o conceito de vetor, uma abordagem geométrica e algé- brica serão apresentadas. 3.1 Interpretação Geométrica Existem dois tipos de grandezas: as escalares e as vetoriais. As escalares são aquelas que ficam definidas por apenas um número real (acompanhado de uma unidade adequada). Por exemplo, comprimento, área, volume, massa, densidade e temperatura. As grandezas vetori- ais, são o caso contrario, isto é, não basta saber seu módulo e unidade correspondente, para serem perfeitamente caracterizadas precisamos sua direção e seu sentido. Por exemplo, força, velocidade e aceleração. Definição 3.1. Um vetor �⃗� é uma classe de objetos matemáticos (segmentos) com a mesma direção, mesmo sentido e mesmo módulo, sendo: - A direção, a da reta colinear que contém o segmento ou reta paralela. - O sentido, dado pela orientação do movimento. - O módulo, o comprimento do segmento. Um vetor que vai do ponto 𝐴 (origem) até o ponto 𝐵 (extremidade) é denotado por −→ 𝐴𝐵. Na seguinte figura todos os segmentos orientados paralelos ou colineares, de mesmo sen- tido e mesmo comprimento, representam um único vetor. 24 Figura 3.1: 3.2 Adição de Vetores Consideremos dois vetores �⃗� e �⃗�, cuja soma �⃗� + �⃗� pretendemos encontrar. Tomemos um ponto 𝐴 qualquer e, com origem nele, tracemos um segmento orientado −→ 𝐴𝐵 representante do vetor �⃗� e um segmento orientado −−→ 𝐵𝐶 representante do vetor �⃗�. O vetor representado pelo segmento orientado −→ 𝐴𝐶 será o representante do vetor soma �⃗� + �⃗�, isto é, �⃗� + �⃗� = −→ 𝐴𝐶 ou −→ 𝐴𝐵 + −−→ 𝐵𝐶 = −→ 𝐴𝐶 Sendo �⃗�, �⃗� e �⃗� vetores quaisquer, a adição admite as seguintes propriedades 1. Comutativa: �⃗� + �⃗� = �⃗� + �⃗�. 2. Associativa: (�⃗� + �⃗�) + �⃗� = �⃗� + (�⃗� + �⃗�). 3. Elemento Neutro: �⃗� + 0⃗ = �⃗� 4. Elemento Oposto: �⃗� + (−�⃗�) = 0⃗ Observação 3.1. O vetor �⃗� + (−�⃗�) escreve-se �⃗� − �⃗�,é chamado diferença entre �⃗� e �⃗�. Ver Figura 3.2. 25 Figura 3.2: Soma de vetores. 3.3 Multiplicação de um Número Real por um Vetor Dado um vetor �⃗� ̸= 0 e um número real 𝛼 ̸= 0, chama-se produto do número real 𝛼 pelo vetor �⃗�, o vetor 𝛼�⃗� tal que: 1. Módulo ou comprimento: |𝛼�⃗�| = |𝛼||�⃗�| 2. Direção: 𝛼�⃗� é paralelo a �⃗� 3. Sentido: 𝛼�⃗� e �⃗� tem o mesmo sentido se 𝛼 > 0, e contrário se 𝛼 < 0. Ver Figura 3.3. Figura 3.3: Multiplicação de um Número Real por um Vetor 26 3.4 Ângulo entre dois vetores O ângulo entre os vetores não nulos 𝑢 e 𝑣 é o ângulo 𝜃 formado por duas semi-retas −→ 𝑂𝐴 e −−→ 𝑂𝐵 de mesma origem 𝑂, onde �⃗� = −→ 𝑂𝐴, �⃗� = −−→ 𝑂𝐵 e 0 ≤ 𝜃 ≤ 𝜋. • Se �⃗�//�⃗� e �⃗� e �⃗� têm o mesmo sentido, então 𝜃 = 0. Na figura acima, o ângulo entre �⃗� e 2�⃗� é zero. • Se �⃗�//�⃗� e �⃗� e �⃗� têm sentidos contrários, então 𝜃 = 𝜋. Na figura acima, o ângulo entre �⃗� e −3�⃗� é 𝜋. 3.5 Interpretação Algébrica em R𝑛 O representante de um vetor �⃗� = −→ 𝐴𝐵, está na posição padrão se seu ponto inicial 𝐴 coincidir com a origem 𝑂 do sistema de coordenadas (Figura 3.4). Então �⃗� = −→ 𝑂𝑃 , onde o ponto 𝑃 = 𝐵 − 𝐴 é extremidade do vetor. Dessa forma, todo vetor �⃗� é vetor posição de algum ponto 𝑃 (unicamente determinado) e as coordenadas de 𝑃 são as mesmas que as componentes de �⃗�. Figura 3.4: Interpretação Algébrica de Vetores Observação 3.2. Todo vetor �⃗� em R𝑛 pode-se representar matricialmente por: �⃗� = ⎛⎜⎜⎜⎜⎜⎜⎝ 𝑥1 𝑥2 ... 𝑥𝑛 ⎞⎟⎟⎟⎟⎟⎟⎠ ou �⃗� = (𝑥1, 𝑥2, . . . , 𝑥𝑛), em ambos casos �⃗� é o vetor posição de 𝑃 . 27 Exemplo: Se um vetor tem origem em (1, 2) e extremidade em (7, 12), ele é representado por −→𝑣 = (6, 10), pois: −→𝑣 = (7, 12)− (1, 2) = (6, 10) 3.5.1 Interpretação Algébrica no Plano (R2) Consideremos dois vetores 𝑣1 e 𝑣2 não paralelos, representados com a origem no mesmo ponto 𝑂, e sejam 𝑟1 e 𝑟2 retas contendo estes representantes,respectivamente. Os vetores �⃗�, �⃗�, �⃗�, �⃗� e �⃗�, representados na figura podem ser escritos em função de 𝑣1 e 𝑣2 por �⃗� = 3�⃗�1 + 4�⃗�2 �⃗� = −2�⃗�1 + 3�⃗�2 �⃗� = −3�⃗�1 − �⃗�2 �⃗� = 2�⃗�1 + 0�⃗�2 �⃗� = 0�⃗�1 + 3�⃗�2 De modo geral dados dois vetores quaisquer 𝑣1 e 𝑣2, existe uma só dupla de números reais 𝑎1 e 𝑎2, tal que 𝑣 = 𝑎1 𝑣1 + 𝑎2 𝑣2. O vetor �⃗� é chamado combinação linear de 𝑣1 e 𝑣2. O conjunto 𝐵 = {𝑣1, 𝑣2} é chamado de base no plano. “Qualquer conjunto de dois vetores não paralelos forma uma base no plano" 28 Observação 3.3. Dentre as infinitas bases que existem no plano a mais importante é aquela que determina o conhecido sistema cartesiano ortogonal 𝑥𝑂𝑦. Esta base é chamada de base canônica e esta determinada pelos vetores ortogonais e unitários �⃗� = (1, 0) e �⃗� = (0, 1). Assim, qualquer vetor �⃗� = (𝑥, 𝑦) do plano pode-se escrever da forma 𝑣 = 𝑥 �⃗� + 𝑦 �⃗�. Igualdade de Vetores. Dois vetores �⃗� = (𝑥1, 𝑦1) e �⃗� = (𝑥2, 𝑦2) são iguais se, 𝑥1 = 𝑥2 e 𝑦1 = 𝑦2. Neste caso, escrevemos �⃗� = �⃗�. Definição 3.2. Sejam dois vetores �⃗� = (𝑥1, 𝑦1) e �⃗� = (𝑥2, 𝑦2) e 𝛼 ∈ R. Define-se 1. �⃗� + �⃗� = (𝑥1 + 𝑥2, 𝑦1 + 𝑦2) 2. 𝛼�⃗� = (𝛼 𝑥1, 𝛼 𝑦1) 3. −�⃗� = (−1)�⃗� = (−𝑥1,−𝑦1) 4. �⃗�− �⃗� = �⃗� + (−�⃗�) = (𝑥1 − 𝑥2, 𝑦1 − 𝑦2). As definições anteriores e as operações algébricas dos números reais permitem demonstrar as propriedades seguintes: 1. �⃗� + �⃗� = �⃗� + �⃗� 2. �⃗� + 0⃗ = �⃗� 3. (�⃗� + �⃗�) + �⃗� = �⃗� + (�⃗� + �⃗�) 4. �⃗� + (−�⃗�) = 0⃗ 5. 𝛼(𝛽�⃗�) = (𝛼𝛽)�⃗� 6. 𝛼(�⃗� + �⃗�) = 𝛼�⃗� + 𝛼�⃗� 7. (𝛼 + 𝛽)�⃗� = 𝛼�⃗� + 𝛽�⃗� 8. 1�⃗� = �⃗�. 29 Observação 3.4. É importante lembrar que um vetor tem infinitos representantes que são os segmentos orientados de mesmo comprimento, mesma direção e mesmo sentido. E, dentre os infinitos representantes de −→ 𝐴𝐵 (𝐴 = (𝑥1, 𝑦1), 𝐵 = (𝑥2, 𝑦2)), o que “melhor o caracteriza" é aquele que tem origem em 𝑂 = (0, 0) e extremidade no ponto 𝑃 = (𝑥2−𝑥1, 𝑦2− 𝑦1). O vetor �⃗� = −→ 𝑂𝑃 é também chamado vetor posição, vetor diretor ou representante natural de −→ 𝐴𝐵. Módulo de um vetor Seja o vetor �⃗� = (𝑥, 𝑦). Pelo Teorema de Pitágoras, vem |𝑢| = √︀ 𝑥2 + 𝑦2. (3.1) 3.5.2 Interpretação Algébrica no Espaço (R3) No plano vimos que dado qualquer vetor �⃗�, este pode ser escrito como uma combinação da base canônica {⃗𝑖, �⃗�}, isto é, �⃗� = (𝑥, 𝑦) = 𝑥 �⃗�+ 𝑦 �⃗�. Analogamente, no espaço, consideraremos a base canônica {⃗𝑖, �⃗�, �⃗�}, como aquela que irá determinar o sistema cartesiano ortogonal 𝑂𝑥𝑦𝑧, neste caso �⃗� = (1, 0, 0), �⃗� = (0, 1, 0), �⃗� = (0, 0, 1). Assim, dado um vetor qualquer �⃗� ∈ R3 este pode-se expressar da forma �⃗� = (𝑥, 𝑦, 𝑧) = 𝑥 �⃗� + 𝑦 �⃗� + 𝑧 �⃗�. (3.2) As definições e conclusões no espaço são análogas às do plano. Definição 3.3. Sejam os vetores �⃗� = (𝑥1, 𝑦1, 𝑧1) e �⃗� = (𝑥2, 𝑦2, 𝑧2) e 𝛼 ∈ R. Define-se 1. �⃗� = �⃗� se e somente se 𝑥1 = 𝑥2, 𝑦1 = 𝑦2 e 𝑧1 = 𝑧2. 2. �⃗� + �⃗� = (𝑥1 + 𝑥2, 𝑦1 + 𝑦2, 𝑧1 + 𝑧2) 3. 𝛼�⃗� = (𝛼 𝑥1, 𝛼 𝑦1, 𝛼 𝑧1) 4. −�⃗� = (−1)�⃗� = (−𝑥1,−𝑦1,−𝑧1) 5. �⃗�− �⃗� = �⃗� + (−�⃗�) = (𝑥1 − 𝑥2, 𝑦1 − 𝑦2, 𝑧1 − 𝑧2). Além disso, 1. �⃗� + �⃗� = �⃗� + �⃗� 30 2. �⃗� + 0⃗ = �⃗� 3. (�⃗� + �⃗�) + �⃗� = �⃗� + (�⃗� + �⃗�) 4. �⃗� + (−�⃗�) = 0⃗ 5. 𝛼(𝛽�⃗�) = (𝛼𝛽)�⃗� 6. 𝛼(�⃗� + �⃗�) = 𝛼�⃗� + 𝛼�⃗� 7. (𝛼 + 𝛽)�⃗� = 𝛼�⃗� + 𝛽�⃗� 8. 1�⃗� = �⃗�. Módulo de um vetor Seja o vetor �⃗� = (𝑥, 𝑦, 𝑧), |𝑢| = √︀ 𝑥2 + 𝑦2 + 𝑧2. (3.3) 3.6 Produto Escalar Chama-se produto escalar de dois vetores �⃗� e �⃗� ao número real �⃗� · �⃗�, o qual é a soma dos produtos de suas componentes correspondentes de �⃗� e �⃗�. Quando �⃗� = (𝑥1, 𝑦1) e �⃗� = (𝑥2, 𝑦2) =⇒ �⃗� · �⃗� = 𝑥1𝑥2 + 𝑦1𝑦2. (3.4) Quando 𝑢 = (𝑥1, 𝑦1, 𝑧1) e 𝑣 = (𝑥2, 𝑦2, 𝑧2) =⇒ �⃗� · �⃗� = 𝑥1𝑥2 + 𝑦1𝑦2 + 𝑧1𝑧2. (3.5) Propriedades do Produto Escalar Dados os vetores 𝑢, 𝑣 e 𝑤 e o número real 𝛼, é fácil verificar que: Além disso, 1. �⃗� · �⃗� = �⃗� · �⃗� 2. �⃗� · (�⃗� + �⃗�) = �⃗� · �⃗� + �⃗� · �⃗� 3. (�⃗� + �⃗�) · �⃗� = �⃗� · �⃗� + �⃗� · �⃗� 4. 𝛼 · (�⃗� · �⃗�) = (𝛼�⃗�) · �⃗� = �⃗� · (𝛼�⃗�) 5. �⃗� · �⃗� > 0 se �⃗� ̸= 0⃗ e �⃗� · �⃗� = 0 se �⃗� = 0⃗. 6. �⃗� · �⃗� = |�⃗�|2. 31 3.6.1 Interpretação Geométrica do Produto Escalar Se �⃗� e �⃗� são dois vetores não nulos e 𝜃 é o ângulo entre eles, então: �⃗� · �⃗� = |�⃗�| |�⃗�| cos 𝜃. (3.6) De fato, aplicando a lei dos cossenos ao triângulo 𝐴𝐵𝐶, temos: |�⃗�− �⃗�|2 = |�⃗�|2 + |�⃗�|2 − 2|�⃗�||�⃗�| cos 𝜃. Por outro lado, como |�⃗� − �⃗�|2 = (�⃗� − �⃗�) · (�⃗� − �⃗�) = |�⃗�|2 − 2�⃗� · �⃗� + |�⃗�|2, então a igualdade segue-se. Exemplo 3.1. Sejam |�⃗�| = 2, |�⃗�| = 3 e 120𝑜 o ângulo entre �⃗� 𝑒 �⃗�. Calcular 𝑖) �⃗� · �⃗� 𝑖𝑖) |�⃗� + �⃗�| 𝑖𝑖𝑖) |�⃗�− �⃗�|. Sol. 𝑖) �⃗� · �⃗� = |�⃗�||�⃗�| cos 120𝑜 = (2)(3) −1 2 = −3 (3.7) 𝑖𝑖) |�⃗� + �⃗�| = √︀ |�⃗�|2 + |�⃗�|2 + 2�⃗� · �⃗� = √︀ 22 + 32 + 2(−3) = √ 7 (3.8) 𝑖𝑖) |�⃗�− �⃗�| = √︀ |�⃗�|2 + |�⃗�|2 − 2�⃗� · �⃗� = √︀ 22 + 32 − 2(−3) = √ 19. (3.9) 3.6.2 Ângulo entre dois Vetores Seja 𝜃 o ângulo entre �⃗� e �⃗�, então: cos 𝜃 = �⃗� · �⃗� |�⃗�||�⃗�| . 32 Exemplo 3.2. Sejam �⃗� = (4,−2), �⃗� = (3, 1) 𝑐𝑜𝑠 𝜃 = (4,−2) · (3, 1) |(4,−2)||(3, 1)| = 4.3 + (−2).1√︀ 42 + (−2)2 √ 32 + 1 = 10√ 20 √ 10 = √ 2 2 Logo, 𝜃 = arccos √ 2 2 ⇒ 𝜃 = 45𝑜. Exemplo 3.3. Um vetor �⃗� do espaço forma com os vetores �⃗� e �⃗� ângulos de 60𝑜 e 120𝑜, respectivamente. Determinar o vetor �⃗�, sabendo que |�⃗�| = 2. Solução Das hipôteses temos para 𝑣 = (𝑥, 𝑦, 𝑧) que: 𝑐𝑜𝑠 60𝑜 = �⃗� · �⃗� |�⃗�||⃗𝑖| = �⃗� · �⃗� (2)(1) ⇒ 𝑥 = �⃗� · �⃗� = 2 cos 60𝑜 = 1 e 𝑐𝑜𝑠 120𝑜 = �⃗� · �⃗� |�⃗�||⃗𝑗| = �⃗� · �⃗� (2)(1) ⇒ 𝑦 = �⃗� · �⃗� = 2 cos 120𝑜 = −1 Por outro lado, ja que |�⃗�| = √︀ 𝑥2 + 𝑦2 + 𝑧2 = 2, tem-se 𝑧 = ± √ 2. Portanto, �⃗� = (1,−1, √ 2) ou �⃗� = (1,−1,− √ 2). Observação 3.5. Note que dois vetores �⃗� e �⃗� diferentes de zero, são ortogonais (�⃗�⊥�⃗�), se e somente se �⃗� · �⃗� = 0. Exemplo. Os vetores �⃗� = (10, √ 2) e �⃗� = (−1 5 , √ 2) formam um ângulo de 90𝑜, pois �⃗� · �⃗� = 10(−1 5 ) + √ 2( √ 2) = 0 Observação 3.6. Sejam dois vetores �⃗� e �⃗� quaisquer, 1. |�⃗� · �⃗�| ≤ |�⃗�||�⃗�| (Desigualdade de Schwartz) 2. |�⃗� + �⃗�| ≤ |�⃗�|+ |�⃗�| (Desigualdade Triangular). 3.6.3 Projeção de um Vetor sobre Outro Sejam os vetores �⃗� e �⃗� não nulos e 𝜃 o ângulo entre eles. O objetivo será decompor um dos vetores, digamos �⃗�, da forma �⃗� = �⃗�1 + �⃗�2 33 sendo �⃗�1‖�⃗� e �⃗�2 ⊥ �⃗�. O vetor �⃗�1 é chamado projeção ortogonal de �⃗� sobre �⃗�, e denotado por: �⃗�1 = Proj �⃗� �⃗�. Com efeito, ja que: �⃗�1‖�⃗� ⇒ �⃗�1 = 𝛼�⃗� e dado que �⃗�2 = �⃗�− �⃗�1 = �⃗�− 𝛼�⃗� então �⃗�2 ⊥ �⃗� ⇒ (�⃗�− 𝛼�⃗�) ⊥ �⃗� ⇒ (�⃗�− 𝛼�⃗�) · �⃗� = 0 ⇒ 𝛼 = �⃗� · �⃗� |�⃗�|2 Portanto, Proj �⃗� �⃗� = �⃗�1 = (︂ �⃗� · �⃗� |�⃗�|2 )︂ �⃗�. Chamamos de componente de 𝑢 sobre 𝑣 ao vetor 𝐶𝑜𝑚𝑝 �⃗� �⃗� = �⃗�2 = �⃗�− 𝛼�⃗� = �⃗�− Proj �⃗� �⃗�. 3.7 Produto Vetorial Chama-se produto vetorial de dois vetores �⃗� = (𝑥1, 𝑦1, 𝑧1) e �⃗� = (𝑥2, 𝑦2, 𝑧2) de R3, tomados nessa ordem, e reprentados por �⃗�× �⃗�, ao vetor: �⃗�× �⃗� = ⃒⃒⃒⃒ ⃒⃒𝑦1 𝑧1 𝑦2 𝑧2 ⃒⃒⃒⃒ ⃒⃒ �⃗�− ⃒⃒⃒⃒ ⃒⃒𝑥1 𝑧1 𝑥2 𝑧2 ⃒⃒⃒⃒ ⃒⃒ �⃗� + ⃒⃒⃒⃒ ⃒⃒𝑥1 𝑦1 𝑥2 𝑦2 ⃒⃒⃒⃒ ⃒⃒ �⃗�. Pela facilidade para memorizar denotaremos a definição anterior da forma: �⃗�× �⃗� = ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ �⃗� �⃗� �⃗� 𝑥1 𝑦1 𝑧1 𝑥2 𝑦2 𝑧2 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ . 34 Exemplo 3.4. Calcular �⃗�× �⃗� para �⃗� = (5, 4, 3) e �⃗� = (1, 0, 1). Solução �⃗�× �⃗� = ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ �⃗� �⃗� �⃗� 5 4 3 1 0 1 ⃒⃒⃒⃒ ⃒⃒⃒⃒ ⃒ = ⃒⃒⃒⃒ ⃒⃒4 3 0 1 ⃒⃒⃒⃒ ⃒⃒ �⃗�− ⃒⃒⃒⃒ ⃒⃒5 3 1 1 ⃒⃒⃒⃒ ⃒⃒ �⃗� + ⃒⃒⃒⃒ ⃒⃒5 4 1 0 ⃒⃒⃒⃒ ⃒⃒ �⃗� = 4⃗𝑖− 2⃗𝑗 − 4�⃗�. Observação 3.7. Uma forma prática para o cálculo de �⃗�× �⃗� é dispondo os dois vetores em linha, e repetindo pela ordem, as duas primeras colunas, As três componentes de �⃗� × �⃗� são dadas pelos três determinantes, conforme a seguir. O sentido do vetor �⃗�× �⃗� poderá ser determinado pela regra da mão direita,isto é, se os dedos da mão direita forem dobrados na mesma direção de rotação, então o polegar estendido indicará o sentido de �⃗�× �⃗�. 3.7.1 Propriedades As demonstrações das seguintes propriedades são uma consequência direta da definição de produto vetorial e das propriedades de determinante. 35 1. �⃗� × �⃗� = −�⃗�× �⃗�. 2. �⃗�× �⃗� = 0⃗, se e somente se, �⃗� ‖ �⃗�. 3. O vetor �⃗�× �⃗� é simultaneamente perpendicular a �⃗� e �⃗�, isto é (�⃗�× �⃗�) · �⃗� = 0⃗ e (�⃗�× �⃗�) · �⃗� = 0⃗. 4. �⃗�× (�⃗� + �⃗�) = �⃗�× �⃗� + �⃗�× �⃗� e (�⃗� + �⃗�)× �⃗� = �⃗�× �⃗� + �⃗� × �⃗�. 5. 𝛼 (�⃗�× �⃗�) = (𝛼 �⃗�)× �⃗� = �⃗�× (𝛼 �⃗�). 6. �⃗� · (�⃗� × �⃗�) = (�⃗�× �⃗�) · �⃗�. 7. |�⃗�× �⃗�|2 = |�⃗�|2 |�⃗�|2 − (�⃗� · �⃗�)2, (chamada identidade de Lagrange). Observação 3.8. Como uma consequência da identidade de Lagrange e tendo em conta que �⃗� · �⃗� = |�⃗�| |�⃗�| cos 𝜃, temos que: |�⃗�× �⃗�| = |�⃗�| |�⃗�| sen 𝜃 3.7.2 Interpretação Geométrica • A área 𝐴 de um paralelogramo determinado pelos vetores �⃗� e �⃗� , onde a medida da base é �⃗� e a altura é |�⃗�| sen 𝜃, é 𝐴 = (base)x(altura) = |�⃗�| |�⃗�| sen 𝜃 = ‖𝑢× 𝑣‖ • O volume 𝑉 do paralelepípedo de arestas determinadas pelos vetores não coplanares �⃗�, �⃗� e �⃗� (os três vetores não se encontram num mesmo plano) é: 𝑉 = |�⃗� · (�⃗� × �⃗�)| = |𝑑𝑒𝑡[𝑢 𝑣 𝑤]|. 36 3.8 Retas e Planos Definição 3.4. Em R2 ou R3, a equação vetorial de uma Reta ℒ, com direção �⃗� ̸= 0 que passa pelo ponto 𝑃0 cujo vetor posição é 𝑃0 = −→ 𝑂𝑃 0, é: 𝑃 = 𝑃0 + 𝑡 �⃗� O ponto 𝑃 com vetor posição 𝑃 = −→ 𝑂𝑃 está sobre a reta ℒ, ∀ 𝑡 ∈ 𝑅. Definição 3.5. A equação normal de um Plano 𝒫 com vetor normal �⃗� ̸= 0 que contém o ponto 𝑃0 = (𝑥0, 𝑦0, 𝑧0) é: �⃗�.(𝑃 − 𝑃0) = 0. O ponto 𝑃 com vetor posição 𝑃 = −→ 𝑂𝑃 está sobre o plano 𝒫, ∀ 𝑡 ∈ 𝑅. 3.9 Exercícios 1. Sejam 𝐴 = (1, 2), 𝐵 = (0, 1), 𝐶 = (−1,−1) e 𝐷 = (2, 3) pontos de R2. Calcule e grafique os vetores posição (na posição padrão) de modo que sejam o resultado de: 𝑎) −→ 𝐴𝐵 + −−→ 𝐵𝐶 𝑏) −−→ 𝐶𝐷 + 2 −→ 𝐴𝐵 𝑐) −→ 𝐴𝐵 − −−→ 𝐶𝐷 𝑑) −−→ 𝐶𝐷 − −→ 𝐴𝐵 𝑒) −1 2 −−→ 𝐷𝐶 2. Sejam 𝐴 = (1, 0, 2), 𝐵 = (0, 1, 1), 𝐶 = (1, 1, 2) e 𝐷 = (2, 1, 0) pontos de R3. Calcule e grafique os vetores posição de modo que sejam o resultado de: 𝑎) −→ 𝐴𝐵 𝑏) −−→ 𝐶𝐷 + −→ 𝐴𝐵 𝑐) −→ 𝐴𝐵 × −−→ 𝐶𝐷 𝑑) ( −−→ 𝐶𝐷 − −→ 𝐴𝐵)× −−→ 𝐶𝐷 3. Encontre um vetor não-nulo �⃗� com ponto inicial 𝑃 = (−1, 3,−1) tal que 𝑎) �⃗� tenha a mesma direção e sentido que �⃗� = (2, 1,−1). 𝑏) �⃗� tenha a mesma direção mas sentido oposto que �⃗� = (1,−1, 1). 37 4. Um excursionista anda 4 na direção norte e depois 5 na direção nordeste. Desenhe os vetores deslocamento que representam o passeio do excursionista e o vetor que representa o deslocamento a partir do ponto inicial. 5. Sejam �⃗� = (1, √ 3), �⃗� = (0, 1) e �⃗� = (1, 1) vetores de R2. (𝑖) Calcular 𝑎) |2�⃗�| 𝑏) 1/|�⃗�| 𝑐) |�⃗� + �⃗�| 𝑑) (�⃗�− �⃗�) · �⃗� 𝑒) �⃗� · �⃗��⃗�. (𝑖𝑖) Calcular 𝑎) 𝑃𝑟�⃗��⃗� 𝑏) 𝑃𝑟�⃗��⃗� 𝑐) 𝑃𝑟�⃗��⃗� 𝑑) ](�⃗�, �⃗�) 𝑒) ](�⃗�, �⃗�). (𝑖𝑖𝑖) Calcule a área do paralelogramo determinado por: 𝑎) �⃗� e �⃗� 𝑏) �⃗� e �⃗�. 6. Ache as componentes dos vetores 𝑢, 𝑣, 𝑢+ 𝑣 e 𝑢− 𝑣 onde 𝑢 e 𝑣 aparecem na figura 7. Encontre todos os possíveis valores de 𝑘 para os quais os vetores são ortogonais 𝑖) �⃗� = (2, 3), �⃗� = (𝑘 + 1, 𝑘 − 1) 𝑖𝑖) �⃗� = (1,−1, 2), �⃗� = (𝑘2, 𝑘,−3). 8. Sejam �⃗� = (2, 1,−1), �⃗� = (0, 1, 2) e �⃗� = (−1, 1, 3) vetores de R3. (𝑖) Calcular 𝑎) �⃗�× �⃗� 𝑏) �⃗�/|�⃗�| 𝑐) |�⃗�.(�⃗� × �⃗�)| 𝑑) −2�⃗� × �⃗� 𝑒) |�⃗�× �⃗� × �⃗�|. (𝑖𝑖) Calcular 𝑎) 𝑃𝑟�⃗��⃗� 𝑏) 𝑃𝑟�⃗��⃗� 𝑐) 𝑃𝑟�⃗��⃗� 𝑑) ](�⃗�, �⃗�) 𝑒) ](�⃗�, �⃗�). 9. Calcule o valor de 𝑚 para que a área do paralelogramo determinado pelos vetores �⃗� = (𝑚,−3, 1) e �⃗� = (1,−2, 2) seja igual a √ 26. 10. Calcule a área do triângulo 𝐴𝐵𝐶 e a altura relativa ao lado 𝐵𝐶, sendo dados 𝐴 = (−4, 1, 1), 𝐵 = (1, 0, 1), 𝐶 = (0,−1, 3). 11. Sejam os pontos 𝐴 = (1, 1,−1), 𝐵 = (−3, 2,−2), 𝐶 = (2, 2,−4). Prove que o triângulo 𝐴𝐵𝐶 é retângulo. 38 12. Encontre o vetor ortogonal ao plano determinado pelos pontos 𝐴 = (3, 0, 0), 𝐵 = (0, 3, 0), 𝐶 = (0, 0, 2). Calcule a área do triângulo 𝐴𝐵𝐶. 13. Prove que ‖𝑢 − 𝑣‖ ≥ ‖𝑢‖ − ‖𝑣‖ para todo vetor 𝑢 e 𝑣 em 𝑅𝑛 (Dica: Substitua 𝑢 por 𝑢− 𝑣 na desigualdade triangular). 14. Suponha conhecido que 𝑢.𝑣 = 𝑢.𝑤. Pode-se concluir que 𝑢 = 𝑤?. Em caso afirmativo dê uma prova válida em 𝑅𝑛, caso contrário dê um contra-exemplo específico de vetores 𝑢, 𝑣, 𝑤 para os quais a igualdade é falsa. 15. Prove que: (a) (𝑢 + 𝑣) · (𝑢− 𝑣) = ‖𝑢‖2 − ‖𝑣‖2 (b) ‖𝑢 + 𝑣‖2 + ‖𝑢− 𝑣‖2 = 2‖𝑢‖2 + 2‖𝑣‖2 (c) 𝑢 · 𝑣 = 1 4 ‖𝑢 + 𝑣‖2 − 1 4 ‖𝑢− 𝑣‖2 (d) ‖𝑢 + 𝑣‖ = ‖𝑢− 𝑣‖ se, e somente se 𝑢 ⊥ 𝑣 (e) 𝑝𝑟𝑜𝑗𝑢(𝑣 − 𝑝𝑟𝑜𝑗𝑢(𝑣)) = 0⃗. 16. Um paralelepípedo é determinado pelos vetores �⃗� = (3,−1, 4), �⃗� = (2, 0, 1) e �⃗� = (−2, 1, 5). Calcule seu volume, e a altura relativa à base definida pelos vetores �⃗� e �⃗�. 17. Encontre as equações vetoriais para as retas que passam por: (a) 𝑃0 = (4,−3, 5) e é paralela a �⃗� = (0,−1, 3). (b) 𝑃 = (5,−7, 2) e 𝑄 = (0, 0, 4) (c) 𝑃 = (2,−5, 7) e é perpendicular ao plano 3𝑥− 2𝑦 + 5𝑧 = 7. 18. Encontre uma equação para o plano que passa por: (a) 𝑃0 = (3,−7, 5) e é paralelo ao plano de equação 3𝑥− 𝑦 + 2𝑧 = 5. (b) 𝑃 = (3, 1, 2), 𝑄 = (5,−1, 3) e (−4, 2, 0). (c) 𝑃 = (2,−3, 0) e é perpendicular à reta (𝑥, 𝑦, 𝑧) = (2,−5, 3) + 𝑡(6,−6, 5). 19. Determine a distância do ponto 𝑄 = (1, 0, 2) à reta 𝑟 que passa por 𝑃0 = (3, 1, 1) e é paralela a �⃗� = (−1, 1, 0) 39 Capítulo 4 Espaço Vetorial Nos capítulos anteriores vimos que a álgebra de matrizes e vetores são similares em muitos aspectos. Em particular podemos fazer a adição de matrizes e vetores, e podemos multiplicar ambos por um escalar. As propriedades resultantes de essas duas operações são idênticas para as matrizes e vetores. O que se pretende agora é usar essas propriedades para definir “vetores"de forma geral. Um espaço vetorial é um conjunto V de elementos chamados vetores, onde estão definidas duas operações: 1. Axioma da Adição: Para todo 𝑢, 𝑣 ∈ V, a soma 𝑢⊕ 𝑣 ∈ V. 2. Axioma do Produto por um escalar 𝛼: Seja 𝛼 ∈ R (ou 𝛼 ∈ C) e 𝑣 ∈ V, então 𝛼⊙ 𝑣 ∈ V. Além disso, para todo 𝑢, 𝑣, 𝑤 ∈ V e 𝛼, 𝛽 ∈ R (ou C), os seguintes axiomas são satisfeitos: Em relação à adição: 𝐴𝑥.3. (𝑢⊕ 𝑣)⊕ 𝑤 = 𝑢⊕ (𝑣 ⊕ 𝑤) 𝐴𝑥.4. 𝑢⊕ 𝑣 = 𝑣 ⊕ 𝑢 𝐴𝑥.5. ∃ 0 ∈ V, 𝑢⊕ 0 = 𝑢 𝐴𝑥.6. ∃ (−u) ∈ V, 𝑢⊕ (−u) = 0 Em relação ao produto por um escalar: 𝐴𝑥.7. (𝛼𝛽)⊙ 𝑢 = 𝛼⊙ (𝛽 ⊙ 𝑢) 𝐴𝑥.8. (𝛼 + 𝛽)⊙ 𝑢 = (𝛼⊙ 𝑢)⊕ (𝛽 ⊙ 𝑢) 𝐴𝑥.9. 𝛼⊙ (𝑢⊕ 𝑣) = (𝛼⊙ 𝑢)⊕ (𝛼⊙ 𝑣) 𝐴𝑥.10. 1⊙ 𝑢 = 𝑢 Observação 4.1. Quando os escalares considerados são números reais, diremos que V é um espaço vetorial real. No caso dos escalares serem complexos, V será chamado espaço vetorial complexo. 40 Em diante, nos trabalharemos só com espaços vetoriais reais. Exemplo 4.1. V = R𝑛 = {(𝑥1, 𝑥2, . . . , 𝑥𝑛)/𝑥𝑖 ∈ R} é um espaço vetorial real com as opera- ções (𝑥1, 𝑥2, . . . , 𝑥𝑛)⊕ (𝑦1, 𝑦2, . . . , 𝑦𝑛) = (𝑥1 + 𝑦1, 𝑥2 + 𝑦2, . . . , 𝑥𝑛 + 𝑦𝑛) (4.1) 𝛼⊙ (𝑥1, 𝑥2, . . . , 𝑥𝑛) = (𝛼𝑥1, 𝛼𝑥2, . . . , 𝛼𝑥𝑛) (4.2) Solução A prova é simplesmente a generalização das propriedades vistas para vetores no plano e no espaço. Assim, pelas próprias definições de adição de vetores (4.1) e multiplicação de um vetor por um escalar real (4.2), é simples verificar todos os axiomas de espaço vetorial. Exemplo 4.2. O conjunto V =ℳ𝑚×𝑛(R) de todas as matrizes reais de ordem 𝑚× 𝑛 é um espaço vetorial real com as operações de adição de matrizes e multiplicação por um escalar. Assim, para 𝐴 = [𝑎𝑖𝑗]𝑚×𝑛, 𝐵 = [𝑏𝑖𝑗]𝑚×𝑛 e 𝛼 ∈ R, definimos: 𝐴⊕𝐵 = [𝑐𝑖𝑗]𝑚×𝑛 onde 𝑐𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗 (4.3) 𝛼⊙ 𝐴 = [𝑑𝑖𝑗]𝑚×𝑛 onde 𝑑𝑖𝑗 = 𝛼 𝑎𝑖𝑗 (4.4) Exemplo 4.3. O conjunto V = 𝑃𝑛(R), de todos os polinômios de grau menorou igual de que 𝑛 𝑎0 + 𝑎1𝑡 + · · · + 𝑎𝑛𝑡𝑛 com coeficientes 𝑎𝑖 ∈ R é um espaço vetorial real com as operações usuais de adição de polinômios e multiplicação por um escalar. De fato, para 𝑝(𝑡) = 𝑎0 + 𝑎1𝑡+ · · ·+ 𝑎𝑛𝑡𝑛 ∈ 𝑃𝑛(R) e 𝑞(𝑡) = 𝑏0 + 𝑏1𝑡+ · · ·+ 𝑏𝑛𝑡𝑛 ∈ 𝑃𝑛(R), basta definir (𝑝⊕ 𝑞)(𝑡) = 𝑝(𝑡) + 𝑞(𝑡) = (𝑎0 + 𝑏0) + (𝑎1 + 𝑏1)𝑡 + · · ·+ (𝑎𝑛 + 𝑏𝑛)𝑡𝑛 (𝛼⊙ 𝑝)(𝑡) = 𝛼 𝑝(𝑡) = 𝛼 𝑎0 + (𝛼 𝑎1)𝑡 + · · ·+ (𝛼 𝑎𝑛)𝑡𝑛. Exemplo 4.4. O conjunto V de todas as funções reais definidas sobre o intervalo [𝑎, 𝑏], é um espaço vetorial. Para isso, basta definirmos para 𝑓 = 𝑓(𝑥) e 𝑔 = 𝑔(𝑥) ∈ V, as operações usuais: (𝑓 ⊕ 𝑔)(𝑥) = 𝑓(𝑥) + 𝑔(𝑥) (𝛼⊙ 𝑓)(𝑥) = 𝛼 𝑓(𝑥) Exemplo 4.5. Nenhum dos conjuntos N, Z, Q é espaço vetorial real, pois em todos eles o produto de um de seus elementos por um escalar, é um número real, o que contraria o Axioma 2 de espaço vetorial. 41 4.1 Subespaços Vetoriais Seja 𝑊 , (𝑊 ̸= ∅) um subconjunto do espaço vetorial V. Dizemos que 𝑊 é um subespaço vetorial em relação às operações de V, se: 𝑖) 𝑢, 𝑣 ∈ 𝑊 ⇒ 𝑢⊕ 𝑣 ∈ 𝑊 𝑖𝑖) 𝛼 ∈ R e 𝑢 ∈ 𝑊 ⇒ 𝛼⊙ 𝑢 ∈ 𝑊. Exemplo 4.6. Seja V =ℳ2×2(R) e 𝑊 = {𝐴 ∈𝑀2×2(R)/todos os elementos da diagonal de 𝐴 são zeros}. Prove que 𝑊 é um subespaço vetorial de V, com as operações usuais de matrizes. Solução: Sejam 𝐴 = ⎡⎣ 0 𝑎12 𝑎21 0 ⎤⎦ e 𝐵 = ⎡⎣ 0 𝑏12 𝑏21 0 ⎤⎦ matrizes quaisquer de 𝑊 , então 𝐴 + 𝐵 = ⎡⎣ 0 𝑎12 + 𝑏12 𝑎21 + 𝑏21 0 ⎤⎦ ∈ 𝑊. Se 𝛼 ∈ R 𝑒 𝐴 ∈ 𝑊 , então 𝛼𝐴 = ⎡⎣ 𝛼.0 𝛼.𝑎12 𝛼.𝑎21 𝛼.0 ⎤⎦ = ⎡⎣ 0 𝛼.𝑎12 𝛼.𝑎21 0 ⎤⎦ ∈ 𝑊 Exemplo 4.7. Considere o subconjunto 𝑊 = {(𝑥, 1) ∈ R2/𝑥 ∈ R} com as operações usuais de R2. Prove que 𝑊 não é um subespaço vetorial. Solução:Basta notar que a soma de dois elementos de 𝑊 não pertence a 𝑊 . Os elementos (3, 1) ∈ 𝑊 e (5, 1) ∈ 𝑊 , mas a soma (3, 1) + (5, 1) = (8, 2) /∈ 𝑊 4.1.1 Propriedades dos Subespaços Soma. Sejam 𝑊1 e 𝑊2 subespaços de um espaço vetorial V. Então, o conjunto 𝑊1 + 𝑊2 = {𝑣 ∈ V / 𝑣 = 𝑤1 + 𝑤2, 𝑤1 ∈ 𝑊1 e 𝑤2 ∈ 𝑊2} (4.5) é um subespaço de V. 42 Exemplo 4.8. Sejam 𝑊1 e 𝑊2 duas retas de R3 que passam pela origem, então 𝑊1 + 𝑊2 é o plano em R3 que contém as duas retas. Interseção. Sejam 𝑊1 e 𝑊2 subspaços de um espaço vetorial V. A interseção 𝑊1 ∩𝑊2 é um subespaço de V. Exemplo 4.9. Sejam 𝑊1 e 𝑊2 dois planos de R3 que passam pela origem, de modo que 𝑊1 ∩𝑊2 é uma reta em R3 que contém o (0, 0, 0). A interseção 𝑊1 ∩𝑊2 é um subespaço de R3. Quando 𝑊1 ∩𝑊2 = {0}, então 𝑊1 + 𝑊2 é chamada soma direta de 𝑊1 com 𝑊2, e será denotada por 𝑊1 ⊕𝑊2. 43 4.2 Combinação Linear Dizemos que um vetor 𝑤 é uma combinação linear dos vetores 𝑣1, 𝑣2, . . . , 𝑣𝑛 do espaço vetorial real V, (V,+, .), se existem 𝛼1, 𝛼2, . . . , 𝛼𝑛 ∈ R tal que 𝑤 = 𝛼1 · 𝑣1 + 𝛼2 · 𝑣2 + . . . + 𝛼𝑛 · 𝑣𝑛. Exemplo 4.10. Considere os vetores �⃗� = (1, 2,−1), �⃗� = (6, 4, 2) ∈ R3. Mostre que �⃗� = (9, 2, 7) é uma combinação linear de �⃗� e �⃗� Solução: Suponhamos que existem 𝛼, 𝛽 ∈ R de modo que (9, 2, 7) = 𝛼(1, 2,−1) + 𝛽(6, 4, 2). Então, ⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ 𝛼 + 6𝛽 = 9 2𝛼 + 4𝛽 = 2 −𝛼 + 2𝛽 = 7 implica que 𝛼 = −3, 𝛽 = 2 Portanto, (9, 2, 7) = −3(1, 2,−1) + 2(6, 4, 2), consequentemente �⃗� é uma combinação linear de �⃗� e �⃗�. Exemplo 4.11. Considere os polinômios 𝑝(𝑥) = 1, 𝑞(𝑥) = 1 + 𝑥 e 𝑟(𝑥) = 1 + 𝑥 + 𝑥2. Mostre que qualquer polinômio de ordem 2 pode-se escrever como uma combinação linear de 𝑝(𝑥), 𝑞(𝑥) e 𝑟(𝑥). Solução: Suponhamos que existem 𝛼, 𝛽, 𝛾 ∈ R de modo que 𝑎0 + 𝑏0𝑥 + 𝑐0𝑥 2 = 𝛼(1) + 𝛽(1 + 𝑥) + 𝛾(1 + 𝑥 + 𝑥2). Então, ⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎩ 𝛼 + 𝛽 + 𝛾 = 𝑎0 𝛽 + 𝛾 = 𝑏0 𝛾 = 𝑐0 , logo 𝛾 = 𝑐0, 𝛽 = 𝑏0 − 𝑐0, 𝛼 = 𝑎0 − 𝑏0 − 𝑐0. Portanto, 𝑎0 + 𝑏0𝑥 + 𝑐0𝑥2 = (𝑎0 − 𝑏0 − 𝑐0) 𝑝(𝑥) + (𝑏0 − 𝑐0) 𝑞(𝑥) + 𝑐0 𝑟(𝑥). 4.3 Espaço Gerado O subconjunto 𝑆 de todos os vetores do espaço vetorial real V (V,+, .), que são com- binações lineares dos vetores 𝑣1, 𝑣2, . . . , 𝑣𝑛, é chamado de subespaço vetorial gerado por 44 𝑣1, 𝑣2, . . . , 𝑣𝑛 e será denotado por 𝑆 = ger{𝑣1, 𝑣2, . . . , 𝑣𝑛} = [𝑣1, 𝑣2, . . . , 𝑣𝑛] Para verificar que 𝑆 é subespaço vetorial de V, basta notar que para qualquer 𝑢, 𝑣 ∈ 𝑆 e 𝛼 ∈ R verifica-se que 𝑢 + 𝑣 = (𝛼1 · 𝑣1 + 𝛼2 · 𝑣2 + · · ·+ 𝛼𝑛 · 𝑣𝑛) + (𝛽1 · 𝑣1 + 𝛽2 · 𝑣2 + · · ·+ 𝛽𝑛 · 𝑣𝑛) = (𝛼1 + 𝛽1) · 𝑣1 + (𝛼2 + 𝛽2) · 𝑣2 + · · ·+ (𝛼𝑛 + 𝛽𝑛) · 𝑣𝑛 ∈ 𝑆 𝛼 · 𝑢 = 𝛼 · (𝛼1 · 𝑣1 + 𝛼2 · 𝑣2 + · · ·+ 𝛼𝑛 · 𝑣𝑛) = (𝛼𝛼1) · 𝑣1 + (𝛼𝛼2) · 𝑣2 + · · ·+ (𝛼𝛼𝑛) · 𝑣𝑛 ∈ 𝑆. Exemplo 4.12. Calcule o conjunto de geradores do subespaço vetorial 𝑆 deℳ2×2(R), quando 𝑆 = {︃⎡⎣ 𝑎 𝑏 𝑐 𝑑 ⎤⎦ ∈ℳ2×2(R) ⧸︂ 𝑎 = −𝑑 e 𝑐 = 2𝑏}︃. (4.6) Solução Usando a definição de 𝑆 temos 𝑆 = {︃⎡⎣ −𝑑 𝑏 2𝑏 𝑑 ⎤⎦ ⧸︂ 𝑏 e 𝑑 ∈ R}︃. (4.7) Logo, 𝑆 = {︃ 𝑑 ⎡⎣ −1 0 0 1 ⎤⎦+ 𝑏 ⎡⎣ 0 1 2 0 ⎤⎦ ⧸︂ 𝑏 e 𝑑 ∈ R}︃ = ger{︃ ⎡⎣ −1 0 0 1 ⎤⎦ , ⎡⎣ 0 1 2 0 ⎤⎦}︃. Exemplo 4.13. Mostre que o conjunto de polinômios {𝑡2 + 𝑡, 𝑡, 1} gera o espaço vetorial, 𝑃2(R), dos polinômios de grau ≤ 2. Solução Consideremos 𝑝(𝑡) = 𝑎2𝑡2 + 𝑎1𝑡 + 𝑎0 ∈ 𝑃2(R). Suponhamos 𝛼, 𝛽, 𝛾 ∈ R tais que: 𝑝(𝑡) = 𝛼(𝑡2 + 𝑡) + 𝛽𝑡 + 𝛾1 ⇒ 𝑎2𝑡2 + 𝑎1𝑡 + 𝑎0 = 𝛼𝑡2 + (𝛼 + 𝛽)𝑡 + 𝛾. Comparando o primeiro e último polinômio obtemos 𝛼 = 𝑎2, 𝛼 + 𝛽 = 𝑎1 e 𝛾 = 𝑎0, logo 𝛼 = 𝑎2, 𝛽 = 𝑎1 − 𝑎2, 𝛾 = 𝑎0. 45 4.4 Independência e Dependência Linear Seja V um espaço vetorial real, (V,+, ·), e 𝑣1, 𝑣2, . . . , 𝑣𝑛 ∈ V. Dizemos que o conjunto {𝑣1, 𝑣2, . . . , 𝑣𝑛} é linearmente independente (L.I.), se: 𝛼1 · 𝑣1 + 𝛼2 · 𝑣2 + . . . + 𝛼𝑛 · 𝑣𝑛 = 0 =⇒ 𝛼1 = 𝛼2 = . . . = 𝛼𝑛 = 0. (4.8) No caso em que exista algum 𝛼𝑖 ̸= 0, diremos que o conjunto {𝑣1, 𝑣2, . . . , 𝑣𝑛} é linearmente dependentes (L.D.). Teorema 4.1. {𝑣1, . . . , 𝑣𝑛} é linearmente dependente, se e somente se, um destes vetores for combinação linear dos outros. Prova: {𝑣1, . . . , 𝑣𝑛} é L.D ⇐⇒ ∃ 𝛼𝑖 ̸= 0 / 𝛼1𝑣1 + 𝛼2𝑣2 + . . . + 𝛼𝑖𝑣𝑖 + . . . + 𝛼𝑛𝑣𝑛 = 0 ⇐⇒ 𝛼𝑖𝑣𝑖 = −𝛼1𝑣1 − . . .− 𝛼𝑖−1𝑣𝑖−1 − 𝛼𝑖+1𝑣𝑖+1 − . . .− 𝛼𝑛𝑣𝑛 ⇐⇒ 𝑣𝑖 = − 𝛼1 𝛼𝑖 𝑣1 − . . .− 𝛼𝑖−1 𝛼𝑖 𝑣𝑖−1 − 𝛼𝑖+1 𝛼𝑖 𝑣𝑖+1 − . . .− 𝛼𝑛 𝛼𝑖 𝑣𝑛 ⇐⇒ 𝑣𝑖 ∈ ger{𝑣1, 𝑣2, . . . , 𝑣𝑖−1, 𝑣𝑖+1 . . . , 𝑣𝑛} (4.9) Exemplo 4.14. Os vetores canônicos (1, 0, 0), (0, 1, 0), (0, 0, 1) são L.I.? Solução Suponhamos que 𝛼1(1, 0, 0) + 𝛼2(0, 1, 0) + 𝛼3(0, 0, 1) = (0, 0, 0). Somando temos que (𝛼1, 𝛼2, 𝛼3) = (0, 0, 0). Logo, 𝛼1 = 𝛼2 = 𝛼3 = 0, consequentemente os vetores canônicos são linearmente independentes. Exemplo 4.15. As matrizes 𝐴 = ⎛⎝1 −2 4 3 0 −1 ⎞⎠ e 𝐵 = ⎛⎝2 −4 8 6 0 −2 ⎞⎠ são L.D. Solução De fato, 𝛼1𝐴 + 𝛼2𝐵 = ⎛⎝0 0 0 0 0 0 ⎞⎠ ⇔ 𝛼1 = −2𝛼2. Corolário 4.1. Qualquer conjunto de vetores contendo o vetor nulo é L.D. Exemplo 4.16. Os vetores �⃗� = (1,−2, 3), �⃗� = (2,−4, 6) e �⃗� = (1, 1, 1) são L.D. pois 2�⃗�− �⃗� + 0�⃗� = 0⃗. 46 Corolário 4.2. Todo subconjunto de um conjunto de vetores L.I. é L.I. Exemplo 4.17. É sabido que o conjunto 𝑆 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} é L.I, logo qualquer subconjunto de 𝑆 também é L.I. Observação 4.2. Se �⃗�1 = (𝑥11, . . . , 𝑥1𝑛), �⃗�2 = (𝑥21, . . . , 𝑥2𝑛), . . . , �⃗�𝑛 = (𝑥𝑛1, . . . , 𝑥𝑛𝑛) são n-vetores L.I. em R𝑛, 𝛼1�⃗�1 + 𝛼2�⃗�2 + · · ·+ 𝛼𝑛�⃗�𝑛 = 0⃗ =⇒ 𝛼1 = 𝛼2 = · · · = 𝛼𝑛 = 0. Da afirmação anterior deduzimos que⎛⎜⎜⎜⎝ 𝑥11 𝑥21 . . . 𝑥𝑛1 ... . . . . . . ... 𝑥1𝑛 𝑥2𝑛 . . . 𝑥𝑛𝑛 ⎞⎟⎟⎟⎠ ⎛⎜⎜⎜⎝ 𝛼1 ... 𝛼𝑛 ⎞⎟⎟⎟⎠ = ⎛⎜⎜⎜⎝ 0 ... 0 ⎞⎟⎟⎟⎠ =⇒ 𝛼1 = 𝛼2 = · · · = 𝛼𝑛 = 0. sempre que 𝑑𝑒𝑡 ⎛⎜⎜⎜⎝ 𝑥11 𝑥21 . . . 𝑥𝑛1 ... . . . . . . ... 𝑥1𝑛 𝑥2𝑛 . . . 𝑥𝑛𝑛 ⎞⎟⎟⎟⎠ ̸= 0 Exemplo 4.18. Os vetores �⃗�1 = (1,−2, 7, √ 2), �⃗�2 = (0, 4,−6, 1), �⃗�3 = (0, 0, 1, 𝜋), �⃗�4 = (0, 0, 0, sen 1) são L.I. em R4 Solução Segundo a observação anterior eles são L.I. pois o determinante da matriz (𝑢1, 𝑢2, 𝑢3, 𝑢4) é diferente de zero. De fato, 𝑑𝑒𝑡 ⎛⎜⎜⎜⎜⎜⎜⎝ 1 0 0 0 −2 4 0 0 7 −6 10 √ 2 1 𝜋 sen 1 ⎞⎟⎟⎟⎟⎟⎟⎠ = 4 sen 1 Exemplo 4.19. Seja 𝑟 > 𝑛. Qualquer conjunto com 𝑟 vetores no espaço vetorial R𝑛 é line- armente dependente pois todo sistema homogêneo de equações lineares com mais incógnitas do que equações admite uma solução não trivial (diferente de zero). Observação 4.3. Geometricamente, a dependência de dois vetores no plano R2 acontece se e somente se eles se encontram sobre a mesma reta passando pela origem. No espaço 𝑅3, três vetores são L. D. se eles estão contidos no mesmo plano passando pela origem. 47 Às vezes é possível deduzir a dependência linear de funções apartir de identidades conhe- cidas, por exemplo ao provar que: {sen2𝑥, cos2 𝑥, 5} é um conjunto L.D no espaço vetorial das funções reais de variável real, ℱ(R,R), basta notar que 𝛼 sen2𝑥 + 𝛽 cos2 𝑥 + 𝛾 5 = 0 ⇐⇒ 𝛼 = 𝛽 = 5, 𝛾 = −1. De modo geral, não existe um método para provar a dependência ou independência linear de conjuntos em ℱ(R,R), pois existem casos onde estas idêntidades não podem ser aplicadas. Um teorema útil para determinar se um conjunto particular de funções é L.I é enunciado a seguir. Teorema 4.2. Sejam as funcões reais 𝑓1, 𝑓2, . . . , 𝑓𝑛 ∈ 𝐶𝑛−1([𝑎, 𝑏]) (contínuas e com deri- vadas contínuas até a ordem 𝑛 − 1 em todo [𝑎, 𝑏]). Se existe um ponto 𝑥0 ∈ [𝑎, 𝑏] tal que o wronskiano 𝑊 [𝑓1, 𝑓2, . . . , 𝑓𝑛](𝑥0), 𝑊 [𝑓1, 𝑓2, . . . , 𝑓𝑛](𝑥0) = 𝑑𝑒𝑡 ⎛⎜⎜⎜⎜⎜⎜⎝ 𝑓1(𝑥0) 𝑓2(𝑥0) . . . 𝑓𝑛(𝑥0) 𝑓 ′1(𝑥0) 𝑓 ′ 2(𝑥0) . . . 𝑓 ′ 𝑛(𝑥0) ... ... · · · ... 𝑓𝑛−11 (𝑥0) 𝑓 𝑛−1 2 (𝑥0) . . . 𝑓 𝑛−1 𝑛 (𝑥0) ⎞⎟⎟⎟⎟⎟⎟⎠ ̸= 0, (4.10) então 𝑓1, 𝑓2, . . . , 𝑓𝑛 são L.I. em 𝐶𝑛−1([𝑎, 𝑏]). Mais ainda, são L.I em 𝐶([𝑎, 𝑏]). Exemplo 4.20. As funções 𝑒𝑥, 𝑒−𝑥 são L.I. em 𝐶(R)?. Solução Segundo o teorema anterior eles são L.I. em 𝐶2(R), pois o Wronskiano 𝑊 [𝑒𝑥, 𝑒−𝑥](𝑥0) = 𝑑𝑒𝑡 ⎛⎝𝑒𝑥0 𝑒−𝑥0 𝑒𝑥0 −𝑒−𝑥0 ⎞⎠ = −2 ̸= 0, ∀𝑥0 ∈ R. (4.11) Por outro lado, ja que 𝐶2(R) ⊆ 𝐶(R) o resultado segue-se. Exemplo 4.21. As funções 1, 𝑥, 𝑥2, 𝑥3 são L.I. em 𝐶(R)?. Solução Segundo o teorema anterior eles são L.I. em 𝐶3(R), pois o Wronskiano 𝑊 [1, 𝑥, 𝑥2, 𝑥3](𝑥0) = 𝑑𝑒𝑡 ⎛⎜⎜⎜⎜⎜⎜⎝ 1 𝑥0 𝑥 2 0 𝑥 3 0 0 1 2𝑥0 3𝑥 2 0 0 0 2 6𝑥0 0 0 0 6 ⎞⎟⎟⎟⎟⎟⎟⎠ = 12 ̸= 0, ∀𝑥0 ∈ R. (4.12) Por outro lado, ja que 𝐶3(R) ⊆ 𝐶(R) o resultado segue-se. 48 Exemplo 4.22. As funções 𝑥2 e 𝑥|𝑥| são L.I. em 𝐶([−1, 1])?. Solução Ja que 𝑥2, 𝑥|𝑥| ∈ 𝐶1([−1, 1]), calculando o Wronskiano temos 𝑊 [𝑥2, 𝑥|𝑥|](𝑥0) = 𝑑𝑒𝑡 ⎛⎝ 𝑥20 𝑥0|𝑥0| 2𝑥0 2|𝑥0| ⎞⎠ ≡ 0, (4.13) o que não nos dá a informação sobre se as funções são L.I ou não. Logo, para responder a pergunta, suponha que: 𝛼𝑥2 + 𝛽𝑥|𝑥| = 0, 𝑥 ∈ [−1, 1]. Em particular, para 𝑥 = 1 e para 𝑥 = −1, temos o sistema 𝛼 + 𝛽 = 0 𝛼− 𝛽 = 0, para o qual a única solução é 𝛼 = 𝛽 = 0. Portanto, as funções 𝑥2, 𝑥|𝑥| são L.I em 𝐶([−1, 1]). 4.5 Base e Dimensão Os vetores 𝑣1, 𝑣2, . . . , 𝑣𝑛 formam uma base do espaço vetorial V se, e somente se, 1. {𝑣1, 𝑣2, . . . , 𝑣𝑛} é um conjunto linearmente independente. 2. V = ger{𝑣1, 𝑣2, . . . , 𝑣𝑛}. (i.e: ∀ 𝑣 ∈ V, ∃ 𝛼1, 𝛼2, . . . , 𝛼𝑛 ∈ R / 𝑣 = 𝛼1𝑣1 + . . . + 𝛼𝑛𝑣𝑛). Exemplo 4.23. O conjunto 𝐵 = {(1, 1), (0, 1)} é uma base de R2. Solução: De fato, 𝐵 é L.I pois 𝛼(1, 1) + 𝛽(0, 1) = (0, 0)⇒ (𝛼, 𝛼 + 𝛽) = (0, 0)⇒ 𝛼 = 0 e 𝛽 = 0. Por outro lado, para (𝑥, 𝑦) ∈ R2 suponhamos que ∃ 𝛼1, 𝛼2 ∈ R tal que (𝑥, 𝑦) = 𝛼1(1, 1) + 𝛼2(0, 1) = (𝛼1, 𝛼1 + 𝛼2)⇒ 𝛼1 = 𝑥 ∈ R e 𝛼2 = 𝑦 − 𝑥 ∈ R Logo, (𝑥, 𝑦) = 𝑥(1, 1) + (𝑦 − 𝑥)(0, 1), isto é, (𝑥, 𝑦) ∈ ger{(1, 1), (0, 1)}. Portanto, R2 ⊆ ger{(1, 1), (0, 1)} e desde que R2 é um espaço vetorial a igualdade entre estes dois conjuntos segue-se. 49 Exemplo 4.24. O conjunto 𝐵 = {︃⎛⎝1 0 0 0 ⎞⎠ , ⎛⎝0 1 0 0 ⎞⎠ , ⎛⎝0 0 1 0 ⎞⎠ , ⎛⎝0 0 0 1 ⎞⎠}︃ é uma base de ℳ2×2(R) Exemplo 4.25. Os conjuntos {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e {(1, 2, 1), (1, 0,−1), (1,−2, 1)} constituem bases distintas para R3. Podemos encontrar mais de uma base para um espaço vetorial dado, entretanto, o número de vetores de cada base não varia. Definição 4.1. Se uma base de um espaço vetorial real V tem n-vetores, dizemos que V tem dimensão finita 𝑛. Denotaremos 𝑑𝑖𝑚 V = 𝑛. Conveniremos que o espaço vetorial V = {0} tem dimensão zero. Exemplo 4.26. Pelo visto nos exemplos anteriores, temos que: 1. 𝑑𝑖𝑚 R 2 = 2. 2. 𝑑𝑖𝑚 R𝑛 = 𝑛. 3. 𝑑𝑖𝑚 𝑃𝑛(R) = 𝑛 + 1. 4. 𝑑𝑖𝑚ℳ𝑚×𝑛(R) = 𝑚𝑛. Teorema 4.3. Se 𝑈 e 𝑊 são subespaços de um espaço vetorial V que tem dimensão finita, então: 𝑑𝑖𝑚 (𝑈 + 𝑊 ) = 𝑑𝑖𝑚𝑈 + 𝑑𝑖𝑚𝑊 − 𝑑𝑖𝑚 (𝑈 ∩𝑊 ), (4.14) sendo que 𝑑𝑖𝑚𝑈 ≤ 𝑑𝑖𝑚V e 𝑑𝑖𝑚𝑊 ≤ 𝑑𝑖𝑚V. Exemplo 4.27. Considere 𝑈 um plano que passa pela origem em V = R3, e W uma reta contida em 𝑈 que passa pela origem, então: 𝑑𝑖𝑚 (𝑈 + 𝑊 ) = 2 + 1− 1 = 2. Teorema 4.4. Seja V um espaço vetorial real de dimensão finita 𝑛. Qualquer conjunto de vetores L.I. em V é parte de uma base, isto é, pode ser completado até formar uma base de V. Exemplo 4.28. Sejam os vetores 𝑣1 = (1,−1, 1, 2) e 𝑣2 = (−1, 1,−1, 0) completar o conjunto {𝑣1, 𝑣2} de modo a formar uma base de R4. 50 Solução: Como 𝑑𝑖𝑚 R4 = 4 uma base terá 4 vetores L.I. Portanto, faltam dois. Escolhemos um vetor 𝑣3 que não é combinação linear de 𝑣1 = (1,−1, 1, 2) e 𝑣2 = (−1, 1,−1, 0), isto é, 𝑣3 ̸= 𝑎1𝑣1 + 𝑎2𝑣2 para todo 𝑎1, 𝑎2 ∈ R. Dentre os infinitos vetores existentes, um deles é o vetor 𝑣3 = (1, 1, 0, 0), e o conjunto {𝑣1, 𝑣2, 𝑣3} é L.I. Para completar, escolhemos um vetor 𝑣4 que não seja uma combinação linear de 𝑣1, 𝑣2 e 𝑣3. Um deles é o vetor 𝑣4 = (1, 0, 0, 0), e o conjunto {𝑣1, 𝑣2, 𝑣3, 𝑣4} é L.I. Logo, 𝑣1 = (1,−1, 1, 2) 𝑣2 = (−1, 1,−1, 0), 𝑣3 = (1, 1, 0, 0), 𝑣4 = (1, 0, 0, 0). Observação 4.4. Muitas vezes será necessário saber calcular a dimensão de um subespaço vetorial de forma rápida, pois uma vez que esta é conhecida, obtém-se facilmente uma base desse subespaço. Uma forma prática para determinar a dimensão de um subespaço vetorial é verificar o número de variáveis livres de seu vetor genérico. Este número é a dimensão do subespaço. Exemplo 4.29. Determinar a dimensão e a base do subespaço vetorial 𝑆 = {(𝑥, 𝑦, 𝑧) ∈ R3/2𝑥 + 𝑦 + 𝑧 = 0} Solução: Isolando 𝑧 temos que: 𝑧 = −2𝑥− 𝑦, onde 𝑥, 𝑦 são variáveis livres. Isto é, 𝑆 = {(𝑥, 𝑦, 𝑧) ∈ R3/2𝑥 + 𝑦 + 𝑧 = 0} = {(𝑥, 𝑦, 𝑧) ∈ R3/𝑧 = −2𝑥− 𝑦} = {(𝑥, 𝑦,−2𝑥− 𝑦)/𝑥 ∈ R, 𝑦 ∈ R} = {(𝑥, 0,−2𝑥) + (0, 𝑦,−𝑦)/𝑥 ∈ R, 𝑦 ∈ R} = {𝑥 (1, 0,−2) + 𝑦 (0, 1,−1)/𝑥 ∈ R, 𝑦 ∈ R}, isto é, todo vetor de 𝑆 é combinação linear dos vetores {(1, 0,−2), (0, 1,−1)}. Como esses dois vetores geradores de 𝑆 são L.I, o conjunto é uma base de 𝑆 e, consequentemente, 𝑑𝑖𝑚 𝑆 = 2. Exemplo 4.30. Obtenha uma base do subespaço vetorial 𝑈 = ger{(1, 1, 0,−2), (2, 0,−1,−1), (0, 1,−2, 1), (1, 1, 1,−3)} ⊆ R4. Determine a dimensão de 𝑈 . Solução: Bastará saber quais vetores em 𝑈 são L.I. 51 Suponhamos que, 𝛼(1, 1, 0,−2) + 𝛽(2, 0,−1,−1) + 𝛾(0, 1,−2, 1) + 𝛿(1, 1, 1,−3) = (0, 0, 0, 0) ou ⎛⎜⎜⎜⎜⎜⎜⎝ 1 2 0 1 1 0 1 1 0 −1 −2 1 −2 −1 1 −3 ⎞⎟⎟⎟⎟⎟⎟⎠ ⎛⎜⎜⎜⎜⎜⎜⎝ 𝛼 𝛽 𝛾 𝛿 ⎞⎟⎟⎟⎟⎟⎟⎠ = ⎛⎜⎜⎜⎜⎜⎜⎝ 0 0 0 0 ⎞⎟⎟⎟⎟⎟⎟⎠ . Para achar a solução deste sistema homogêneo 𝐴𝑥 = 0 será suficiente reduzir a matriz 𝐴 a uma de tipo escalonado (método de operações por linha). 𝐴 = ⎛⎜⎜⎜⎜⎜⎜⎝ 1 2 0 1 1 0 1 1 0 −1 −2 1 −2 −1 1 −3 ⎞⎟⎟⎟⎟⎟⎟⎠ 𝐿1 ←→ 𝐿1 𝐿2 ←→ 𝐿2 − 𝐿1 𝐿3 ←→ −𝐿3 𝐿4 ←→ 𝐿4 + 2𝐿1 ⎛⎜⎜⎜⎜⎜⎜⎝ 1 2 0 1 0 −2 1 0 0 1 2 −1 0 3 1 −1 ⎞⎟⎟⎟⎟⎟⎟⎠ 𝐿1 ←→ 𝐿1 𝐿2 ←→ 𝐿3 𝐿4 ←→ 𝐿4 ≈ ⎛⎜⎜⎜⎜⎜⎜⎝ 1 2 0 1 0 1 2 −1 0 −2 1 0 0 3 1 −1 ⎞⎟⎟⎟⎟⎟⎟⎠ 𝐿1 ←→ 𝐿1 𝐿2 ←→ 𝐿2 𝐿3 ←→ 𝐿3 + 2𝐿2 𝐿4 ←→ 𝐿4 − 3𝐿2 ⎛⎜⎜⎜⎜⎜⎜⎝ 1 2 0 1 0 1 2 −1 0 0 5 −2 0 0 −5 2 ⎞⎟⎟⎟⎟⎟⎟⎠ 𝐿1 ←→ 𝐿1 𝐿2 ←→ 𝐿2 𝐿3 ←→ 𝐿3 𝐿4 ←→ 𝐿4 + 𝐿3 ≈ ⎛⎜⎜⎜⎜⎜⎜⎝ 1 2 0 1 0 1 2 −1 0 0 5 −2 0 0 0 0 ⎞⎟⎟⎟⎟⎟⎟⎠ = 𝐴 ′. Logo, o sistema equivalente, 𝐴′𝑥 = 0 tem infinitas soluções, pois 𝑑𝑒𝑡𝐴′ = 0. Mais ainda, 𝛼 + 2𝛽 + 𝛿 = 0 𝛽 + 2𝛾 − 𝛿 =0 5𝛾 − 2𝛿 = 0, o que implica que, para cada 𝛾 ∈ R, 𝛿 = 5𝛾 2 , 𝛽 = 𝛾 2 , 𝛼 = −7𝛾 2 . Em outras palavras, 𝛼 = 𝛽 = 𝛿 = 0 se e somente se 𝛾 = 0. Portanto, só os vetores 𝐵 = {(1, 1, 0,−2), (2, 0,−1,−1), (1, 1, 1,−3)} são L.I. Como esses três vetores são geradores de 𝑈 , o conjunto é uma base de 𝑈 e consequentemente, 𝑑𝑖𝑚 𝑈 = 3. 52 4.5.1 Componentes de um Vetor Seja 𝐵 = {𝑣1, 𝑣2, . . . , 𝑣𝑛} uma base de V. Tomemos 𝑣 ∈ V sendo 𝑣 = 𝑎1 𝑣1 + 𝑎2 𝑣2 + . . . + 𝑎𝑛 𝑣𝑛, os números 𝑎1, 𝑎2, . . . , 𝑎𝑛 são chamados componentes do vetor 𝑣 em relação à base 𝐵 (vetor coordenada de 𝑣 em relação à base 𝐵) e se representa por 𝑣𝐵 = (𝑎1, 𝑎2, . . . , 𝑎𝑛) ou com a notação matricial (matriz-coordenada de 𝑣 em relação à base 𝐵) 𝑣𝐵 = ⎛⎜⎜⎜⎜⎜⎜⎝ 𝑎1 𝑎2 ... 𝑎𝑛 ⎞⎟⎟⎟⎟⎟⎟⎠ . Exemplo 4.31. Em R2 consideremos as bases 𝐴 = {(1, 0), (0, 1)}, 𝐵 = {(2, 0), (1, 3)} e 𝐶 = {(1,−3), (2, 4)} Achar o vetor coordenada de 𝑣 = (8, 6) em relação as base 𝐴, 𝐵 e 𝐶. Solução: Desde que: (8, 6) = 8(1, 0) + 6(0, 1) (8, 6) = 3(2, 0) + 2(1, 3) (8, 6) = 2(1,−3) + 3(2, 4), então, 𝑣𝐴 = (8, 6), 𝑣𝐵 = (3, 2), 𝑣𝐶 = (2, 3). 4.6 Espaço Vetorial Euclideano No capítulo 3, foi definido o produto escalar de dois vetores no R2 ou R3 e foram estabelecidas por meio desse produto, algumas propriedades geométricas daqueles vetores. Nesta seção, nosso objetivo será generalizar este conceito de produto e definir os conceitos de comprimento, distância e ângulo em espaços vetoriais mais genéricos. 53 Definição 4.2. Chama-se produto interno no espaço vetorial V, a uma função de V×V em R que a todo par de vetores (𝑢, 𝑣) ∈ V × V associa um número real, indicado por 𝑢.𝑣 ou ⟨𝑢, 𝑣⟩, tal que os seguintes axiomas sejam verificados: 1. ⟨𝑢, 𝑣⟩ = ⟨𝑣, 𝑢⟩ 2. ⟨𝑢, 𝑣 + 𝑤⟩ = ⟨𝑢, 𝑣⟩+ ⟨𝑢,𝑤⟩ 3. ⟨𝛼𝑢, 𝑣⟩ = 𝛼⟨𝑢, 𝑣⟩, para todo 𝛼 4. ⟨𝑢, 𝑢⟩ ≥ 0 e ⟨𝑢, 𝑢⟩ = 0 se, e somente se, 𝑢 = 0. Exemplo 4.32. Em V = R2, para 𝑢 = (𝑥1, 𝑦1) e 𝑣 = (𝑥2, 𝑦2) ⟨𝑢, 𝑣⟩ = 3𝑥1 𝑥2 + 4𝑦1 𝑦2, é um produto interno. Exemplo 4.33. Em V = 𝐶([𝑎, 𝑏]), para 𝑓 e 𝑔 ⟨𝑓, 𝑔⟩ = ∫︁ 𝑏 𝑎 𝑓(𝑥) 𝑔(𝑥) 𝑑𝑥, é um produto interno. Definição 4.3. Um espaço vetorial real V, de dimensão finita, no qual está definido um produto interno, é um espaço vetorial euclideano. Definição 4.4. Seja o produto interno ⟨ , ⟩ no espaço euclideano V. O comprimento ou norma do vetor 𝑢, em relação a esse produto interno, é definido por ‖𝑢‖ = √︀ ⟨𝑢, 𝑢⟩. Definimos a norma euclidiana (ou comprimento euclidiano) de um vetor 𝑢 = (𝑢1, 𝑢2, . . . , 𝑢𝑛) em R𝑛 por ‖𝑢‖ = √ 𝑢 · 𝑢 = √︁ 𝑢21 + 𝑢 2 2 + · · ·+ 𝑢2𝑛. Definição 4.5. Chama-se distância entre dois vetores 𝑢 e 𝑣 o número real representado por 𝑑(𝑢, 𝑣) e definido por 𝑑(𝑢, 𝑣) = ‖𝑢− 𝑣‖. Definição 4.6. O ângulo entre dois vetores 𝑢 e 𝑣 é determinado por cos 𝜃 = ⟨𝑢, 𝑣⟩ ‖𝑢‖‖𝑣‖ . Definição 4.7. Dois vetores 𝑢 e 𝑣 de um espaço com produto interno são ortogonais se < 𝑢, 𝑣 >= 0. 54 4.6.1 Complementos Ortogonais Definição 4.8. Seja 𝑊 um subespaço de um espaço com produto interno V. Um vetor 𝑢 ∈ V é dito ortogonal a 𝑊 se é ortogonal a cada vetor de 𝑊 , e o conjunto de todos os vetores que são ortogonais a 𝑊 é chamado complemento ortogonal de 𝑊 , denotaremos por 𝑊⊥. Figura 4.1: Cada vetor em 𝑊 é ortogonal a V, V = 𝑊⊥. Teorema 4.5. Se 𝑊 é um subespaço de um espaço com produto interno V de dimensão finita, então: a) 𝑊⊥ é um subespaço de V b) O único vetor comum a 𝑊 e 𝑊⊥ é 0. c) O complemento ortogonal de 𝑊⊥ é 𝑊 , ou seja, (𝑊⊥)⊥ = 𝑊 Teorema 4.6. (Da Projeção) Se 𝑊 é um subespaço de dimensão finita de um espaço com produto interno V, então cada vetor 𝑢 ∈ V pode-se expressar de forma única por: 𝑢 = 𝑤1 + 𝑤2 onde 𝑤1 = Proj𝑊𝑢 ∈ 𝑊 e 𝑤2 = 𝑢− Proj𝑊𝑢 ∈ 𝑊 ⊥. 4.6.2 Uma Relação Geométrica Entre Espaço Nulo e Espaço Linha O seguinte teorema fundamental fornece uma relação geométrica entre o espaço-nulo e o espaço linha de uma matriz. 55 Teorema 4.7. Se A é uma matriz 𝑚× 𝑛, então a) O espaço nulo de 𝐴, 𝒩 (𝐴) = {𝑣 ∈ R𝑛×1/𝐴𝑣 = 0}, e o espaço linha de 𝐴 são comple- mentos ortogonais em R𝑛 com relação ao produto interno euclideano. b) O espaço nulo de 𝐴𝑇 e o espaço coluna de 𝐴 são complementos ortogonais em R𝑚 com relação ao produto interno euclideano. Demonstração: A prova do item (a) encontra-se em Howard and Rorres (2000), pagina 211. (b) Sejam os vetores coluna 𝑟1, 𝑟2, . . . , 𝑟𝑛 da matriz 𝐴 ∈ ℳ𝑚×𝑛. Logo, a matriz 𝐴 pode-se escrever da forma 𝐴 = [︁ 𝑟1 𝑟2 . . . 𝑟𝑛 ]︁ , onde 𝑟𝑖 ∈ 𝑅𝑚×1 Por outro lado, ja que 𝒩 (𝐴𝑇 ) = {𝑣 ∈ R𝑚×1/𝐴𝑇 𝑣 = 0}, então: 𝐴𝑇 𝑣 = ⎡⎢⎢⎢⎢⎢⎢⎣ 𝑟𝑇1 𝑟𝑇2 ... 𝑟𝑇𝑛 ⎤⎥⎥⎥⎥⎥⎥⎦ 𝑣 = 0 ⇐⇒ < 𝑟 𝑇 𝑖 , 𝑣 >= 0, ∀ 𝑖 = 1, 2, . . . , 𝑛. 4.6.3 Conjuntos Ortogonais e Ortonormais Seja V um espaço vetorial euclidiano. Um subconjunto 𝑆 = {𝑣1, 𝑣2, . . . , 𝑣𝑛} ⊂ V é: 1. Ortogonal, se seus elementos são ortogonais dois a dois, isto é: ⟨𝑣𝑖, 𝑣𝑗⟩ = 0 ∀ 𝑖 ̸= 𝑗. 2. Ortonormal, se 𝑆 é ortogonal e ‖𝑣𝑖‖ = 1 ∀ 𝑖, isto é: ⟨𝑣𝑖, 𝑣𝑗⟩ = ⎧⎪⎨⎪⎩0 𝑝𝑎𝑟𝑎 𝑖 ̸= 𝑗1 𝑝𝑎𝑟𝑎 𝑖 = 𝑗 . (4.15) A base gerada por um conjunto de vetores ortogonais é dita uma base orto- gonal e uma base gerada por um conjunto de vetores ortonormais é dita uma base ortonormal. 56 Proposição 4.1. Um conjunto ortonormal é L.I. Demonstração: Seja 𝑆 = {𝑣1, 𝑣2, . . . , 𝑣𝑛} um conjunto ortonormal e 𝛼1, . . . , 𝛼𝑛 ∈ R, tal que 𝛼1𝑣1 + 𝛼2𝑣2 + . . . + 𝛼𝑛𝑣𝑛 = 0. Por demonstrar: 𝛼1 = 𝛼2 = . . . = 𝛼𝑛 = 0. Multiplicando 𝛼1𝑣1 + 𝛼2𝑣2 + . . . + 𝛼𝑛𝑣𝑛 = 0 por 𝑣𝑖, temos 0 =⟨0, 𝑣𝑖⟩ = ⟨𝛼1𝑣1 + · · ·+ 𝛼𝑛𝑣𝑛, 𝑣𝑖⟩ =⟨𝛼1𝑣1, 𝑣𝑖⟩+ ⟨𝛼2𝑣2, 𝑣𝑖⟩+ . . . + ⟨𝛼𝑖𝑣𝑖, 𝑣𝑖⟩+ . . . + ⟨𝛼𝑛𝑣𝑛, 𝑣𝑖⟩ =𝛼1⟨𝑣1, 𝑣𝑖⟩+ 𝛼2⟨𝑣2, 𝑣𝑖⟩+ . . . + 𝛼𝑖⟨𝑣𝑖, 𝑣𝑖⟩+ . . . + 𝛼𝑛⟨𝑣𝑛, 𝑣𝑖⟩ (4.16) Ja que 𝑆 ortogonal, 0 = 𝛼𝑖⟨𝑣𝑖, 𝑣𝑖⟩ = 𝛼𝑖||𝑣𝑖||2 ⇒ 0 = 𝛼𝑖 ∀𝑖 = 1, 2, . . . , 𝑛. Definição 4.9. Seja V um espaço vetorial euclidiano, 𝑆 = {𝑣1, 𝑣2, . . . , 𝑣𝑛} ⊂ V ortonormal e 𝑢 ∈ V. A projeção ortogonal de 𝑢 sobre o subespaço gerado por 𝑆 é o vetor Proj [𝑆]𝑢 dado por: Proj [𝑆]𝑢 = ⟨𝑢, 𝑣1⟩𝑣1 + ⟨𝑢, 𝑣2⟩𝑣2 + . . . + ⟨𝑢, 𝑣𝑛⟩𝑣𝑛. Exemplo 4.34. Projetar o vetor 𝑢 = (5, 2,−3) ∈ R3 sobre o plano [𝑆], onde [𝑆] = ger{(1, 0, 0), (0,−1, 0)}. Solução: Proj [𝑆]𝑢 = ⟨(5, 2,−3), (1, 0, 0)⟩ (1, 0, 0) + ⟨(5, 2,−3), (0,−1, 0)⟩ (0,−1, 0) = 5(1, 0, 0)− 2(0,−1, 0) = (5, 2, 0). 4.6.4 Processo de Gram - Schimidt O objetivo do processo de Gram-Schimidt é encontrar uma base ortonormal para um espaço vetorial euclidiano V. 57 Teorema 4.8. Cada espaço vetorial não-nulo de dimensão finita possui uma base ortonor- mal. Demonstração: Seja V um espaço vetorial não-nulo de dimensão finita com produto interno. Suponha que {𝑢1, 𝑢2, . . . , 𝑢𝑛} é uma base de V. É suficiente mostrar que V tem uma base ortogonal, pois os vetores da base ortogonal podem ser normalizados para produzir uma base ortonormal de V, para isto bastará dividir eles entre suas respectivas normas. A seguir, mostramos como achar uma base ortogonal {𝑣1, 𝑣2, . . . , 𝑣𝑛} de V. 1) Seja 𝑣1 = 𝑢1. 2) Para obter um vetor 𝑣2 que é ortogonal a 𝑣1 tomamos o componente de 𝑢2 que é ortogonal ao espaço 𝑊1 = ger{𝑣1}. Para isso nós usamos a fórmula: 𝑣2 = 𝑢2 − Proj𝑊1 𝑢2 = 𝑢2 − ⟨𝑢2, 𝑣1⟩ ||𝑣1||2 𝑣1 3) Para construir um vetor 𝑣3 que é ortogonal a ambos 𝑣1 𝑒 𝑣2, calculamos o componente 𝑢3 que é ortogonal ao espaço 𝑊2 = ger{𝑣1, 𝑣2}, isto é, 𝑣3 = 𝑢3 − Proj𝑊2 𝑢3 = 𝑢3 − ⟨𝑢3, 𝑣1⟩ ||𝑣1||2 𝑣1 − ⟨𝑢3, 𝑣2⟩ ||𝑣2||2 𝑣2 4) Para determinar um vetor 𝑣4 que é ortogonal a 𝑣1, 𝑣2 𝑒 𝑣3, calculamos o componente de 𝑢4 que é ortogonal ao espaço 𝑊3 = ger{𝑣1, 𝑣2, 𝑣3}. 𝑣4 = 𝑢4 − Proj𝑊3 𝑢4 = 𝑢4 − ⟨𝑢4, 𝑣1⟩ ||𝑣1||2 𝑣1 − ⟨𝑢4, 𝑣2⟩ ||𝑣2||2 𝑣2 − ⟨𝑢4, 𝑣3⟩ ||𝑣3||2 𝑣3 Continuando desta maneira, nós iremos obter, depois de 𝑛 passos, um conjunto ortogonal de vetores {𝑣1, 𝑣2, . . . , 𝑣𝑛}. O processo
Compartilhar