Apostila álgebra linear

1.675 visualizações

Publicada em

0 comentários
1 gostou
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
1.675
No SlideShare
0
A partir de incorporações
0
Número de incorporações
5
Ações
Compartilhamentos
0
Downloads
28
Comentários
0
Gostaram
1
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Apostila álgebra linear

  1. 1. 1 APOSTILA DE ÁLGEBRA LINEAR CURSO: ENGENHARIA DE PETRÓLEO PROF.: MÁRIO S. TARANTO
  2. 2. 2 CÓDIGO DA DISCIPLINA: FIM0431 Carga Horária Teórica: 44 horas Carga Horária Prática: 0 horas Carga Horária Campo: 22 horas EMENTA: Sistemas Lineares. Espaços vetoriais. Transformações lineares. Autovalores e autovetores. OBJETIVO(S) GERAL (IS): Adquirir e aplicar os conhecimentos de álgebra linear na resolução de problemas e situações concretas em Engenharia. OBJETIVOS ESPECÍFICOS : 1. Compreender o conceito de vetor. 2. Utilizar o cálculo com matrizes na resolução de sistemas lineares 3. Compreender o conceito de espaços vetoriais 4. Aplicar o conceito de Transformação Linear na resolução de problemas 5. Calcular Autovalores e Autovetores CONTEÚDO PROGRAMÁTICO: Unidade I - SISTEMAS LINEARES 1.1 Matrizes e Determinantes 1.2 Discussão e Resolução de Sistemas Lineares 1.3 Métodos da Substituição, Regra de Cramer, Escalonamento e Matriz inversa Unidade II - ESPAÇOS VETORIAIS 2.1 Definição. 2.2 Subespaços Vetoriais - Definição; Subespaços Gerados 2.3 Dependência e Independência Linear; Base e Dimensão. Unidade III - TRANSFORMAÇÕES LINEARES 3.1 Definição e Propriedades; Matriz de uma Transformação 3.2 Operações com Transformações Lineares 3.3 Transformações Lineares no Plano e no Espaço Unidade IV - AUTOVALORES E AUTOVETORES 4.1 Definição; Polinômio Característico. 4.2 Determinação dos Autovalores e Autovetores de um Operador 4.3 Diagonalização PROCEDIMENTOS DE ENSINO: Aulas Teóricas: Aulas expositivas dialogadas com apresentação dos conteúdos relevantes e potencialmente significativos, exemplificações e discussão dos resultados. Resolução de exercícios, objetivando desenvolver habilidades. Uso de transparências e de outros recursos didáticos. Atividades de Campo: Serão desenvolvidas atividades de pesquisa e aplicação na prática (p. ex: lista de exercícios, simulações computacionais) dos conhecimentos estudados na disciplina pelos alunos, sob a orientação do professor. AVALIAÇÃO: Aulas Teóricas: Consiste na avaliação continuada do desempenho dos alunos, sendo sistematizado em três momentos no calendário acadêmico: AV1, AV2 e AV3. Atividades de Campo: Apresentação de relatório das atividades de pesquisa e aplicações práticas.
  3. 3. 3 1 MATRIZES 1.1 NOTAÇÃO GERAL Denomina-se matriz toda tabela disposta em linhas e colunas que encontram-se entre parênteses ou colchetes. Normalmente, as matrizes costumam ser representadas por letras maiúsculas e seus elementos por letras minúsculas acompanhados do duplo índice ij que representam, respectivamente, a linha e a coluna em que o elemento se encontra. EXERCÍCIO 1) Construa a matriz A = (aij)2x3 tal que aij = i j se i j i jse i j         2 2 , : , : e a matriz B = (bij) 3x3 tal que bij = 3 22 i jse i j i jse i j        , : , : . 1.2 DENOMINAÇÕES ESPECIAIS DAS MATRIZES MATRIZ LINHA É toda matriz com uma única linha. MATRIZ COLUNA É toda matriz com uma única coluna. MATRIZ QUADRADA É toda matriz do tipo n x n, ou seja, com o mesmo número de linhas e de colunas. Esse tipo de matriz possui duas diagonais: a diagonal principal e a diagonal secundária. MATRIZ NULA É toda matriz que seus elementos são nulos. MATRIZ DIAGONAL É toda matriz quadrada que os elementos que não se encontram na diagonal principal são nulos. MATRIZ IDENTIDADE É toda matriz quadrada que os elementos da diagonal principal são iguais a 1 e os demais iguais a zero. MATRIZ TRANSPOSTA É toda matriz obtida pela troca ordenada de suas linhas por suas colunas. Denota-se a matriz transposta de A por At . MATRIZ SIMÉTRICA É toda matriz quadrada de ordem n que A = At. MATRIZ OPOSTA Chama-se matriz oposta de A a matriz obtida pela troca de todos os sinais de seus elementos. EXERCÍCIOS 2) A matriz A =  1 0 0 é do tipo: ( a ) diagonal ( b ) 1x3 ( c ) nula ( d ) 1x1
  4. 4. 4 3) Sendo a matriz A = 1 1 1 1         , a oposta de sua transposta é: ( a )         1 1 1 1 ( b ) 1 0 0 1       ( c ) 1 1 0 0       ( d ) 1 1 1 1         1.3 IGUALDADE DE MATRIZES Diz-se que duas matrizes A e B, do mesmo tipo, são iguais se, e somente se, todos os elemento que ocupam a mesma posição, são idênticos. EXERCÍCIO 4) Para que A =             765 143 1021 z y x seja uma matriz simétrica, quanto deverá valer x, y e z? 1.4 OPERAÇÕES COM MATRIZES 1.4.1 ADIÇÃO E SUBTRAÇÃO São operações que só podem ser efetuadas entre matrizes do mesmo tipo. A matriz resultante dessas operações é encontrada através da soma ou da subtração dos elementos que ocupam a mesma posição. 1.4.2 MULTIPLICAÇÃO DE UM NÚMERO REAL POR UMA MATRIZ Dado um número real x e uma matriz A, o produto de x pela matriz A é a matriz obtida pela multiplicação de x por todos os elementos da matriz A. EXERCÍCIO 5) Calcule X na equação 3X – A + 2B = 0, sabendo que A = 1 3 1 3 2 1 1 1 2              e B =             1 2 3 1 1 3 2 1 2 3 1 / / . 1.4.3 MULTIPLICAÇÃO DE MATRIZES O produto de uma matriz A por uma matriz B, é a matriz C onde cada um de seus elementos é obtido através da soma dos produtos dos elementos correspondentes da i-ésima linha de A pelos elementos da j-ésima coluna de B. EXERCÍCIOS 6) Sejam as matrizes A = 2 0 1 3 1 4           e B = 1 2 2 0 3 4      , caalcule: a) AxB b) BxA 7) Dadas A =        13 11 e B =       32 75 , calcule A x Bt + At x B, se possível.
  5. 5. 5 8) Dadas a matriz A =(aij)2x3 tal que aij = i j se i j i jse i j        2 2 , : , : e a matriz B = (bij)3x4 tal que bij = i jse i j i jse i j        , : , :2 de forma que do produto de A X B obtenha-se a matriz C. Determine o elemento c22. 1.5 MATRIZ INVERSA Dada uma matriz A, quadrada, de ordem n, se existir uma matriz A’ ,de mesma ordem, tal que A x A’ = In = A’ x A, dizemos então que a matriz A’ é inversa de A e denotamos A -1. EXERCÍCIOS 9) Calcule a matriz inversa, se existir, de A =         2 1 3 2 1 2 . 10) Calcule a matriz inversa, se existir, de A =       53 32 . 11) Sendo A = 0 1 2 3      , calcule A-1 caso exista. 1.6 DETERMINANTES Chama-se determinante o número associado a uma matriz quadrada. 1.6.1 DETERMINANTE DE 1ª ORDEM Dado uma matriz A, de 1ª ordem, seu determinante é o próprio elemento de A. 1.6.2 DETERMINANTE DE 2ª ORDEM Dado uma matriz A, de 2ª ordem, seu determinante é a diferença encontrada entre o produto dos elementos da diagonal principal e o produto dos elementos da diagonal secundária. 1.6.3 DETERMINANTE DE 3ª ORDEM O determinante de uma matriz A de 3ª ordem pode ser feito através de um dispositivo denominado regra de Sarrus, que consiste primeiramente na repetição das duas primeiras colunas ao lado da terceira, para então somarmos os produtos encontrados pelos elementos da diagonal principal e suas paralelas e os produtos encontrados pelos elementos da diagonal secundária e suas paralelas, e finalmente, nessa ordem, determinar essa diferença.
  6. 6. 6 EXERCÍCIOS 12) Calcule o valor de x na equação 3 1 2 3 2 1 1 2 0 4 x x              = 12. 13) Resolva em R a inequação 2 1 1 0 0 1 0 x x x  . 14) Calcule o(s) valor(es) de x Î R em 1 1 0 1 1 3 3 0 x x             . 1.7 MATRIZ ADJUNTA 1.7.1 MENOR COMPLEMENTAR Chamamos de menor complementar relativo ao elemento aij de uma matriz A, quadrada de n > 1, o determinante MCij, de ordem n -1, associado à matriz obtida de A quando excluímos a linha e a coluna de aij. 1.7.2 COFATOR Chamamos de cofator relativo ao elemento aij de uma matriz quadrada de ordem n o número Aij, tal que Aij = (-1)i + j x MCij. Denota-se a matriz dos cofatores de A por A . 1.7.3 MATRIZ ADJUNTA Chamamos de matriz adjunta de A a matriz transposta da matriz dos cofatores de A. Denota-se adj A. EXERCÍCIOS 15) Determine a matriz adjunta de A = 3 0 2 6 5 1 1 4 0           . 16) Calcule a matriz adjunta da matriz A = 1 0 3 2 1 1 0 1 0           . 1.8 TEOREMA DE LAPLACE O determinante de uma matriz quadrada A, quando sua ordem for maior que 2, pode ser obtido pela soma dos produtos dos elementos de uma fila qualquer (linha ou coluna) da matriz A pelos respectivos cofatores.   a i ijijAaA 1 det
  7. 7. 7 EXERCÍCIOS 17) Calcule, utilizando o Teorema de Laplace, os determinantes das seguintes matrizes: a)             650 212 432 b)                  3201 1113 0200 1432 c)               0010 1000 2002 3110 18) O determinante de                  0300 210 021 100 x x x está representado pelo polinômio: ( a ) x2 + 1 ( b ) –x2 – 1 ( c ) 3x2 – 1 ( d ) 3(x2 + 1) ( e ) 3(x + 1)(x – 1) 19) O determinante da matriz       ab ba , onde 2a = ex + e–x e 2b = ex – e–x é igual a: ( a ) 1 ( b ) –1 ( c ) ex ( d ) e–x ( e ) 0 1.9 SISTEMAS LINEARES 1.9.1 EQUAÇÃO LINEAR É toda equação na forma axaxax axbnn11 22 33    ... , onde os valores de a são os coeficientes reais de x e b é um número real chamado de termo independente. 1.9.2 SISTEMA LINEAR É todo conjunto de equações lineares na forma: ax ax ax ax b ax ax ax ax b ax ax ax ax b nn nn m m m mnn m 111 122 133 1 1 211 222 233 2 2 11 22 33                       ... ... ...      , com m equações e n incógnitas. Chamamos de n-upla, de números reais, a solução simultânea de todas as equações do sistema. 1.9.3 ASSOCIAÇÃO DE UMA MATRIZ A UM SISTEMA LINEAR MATRIZ INCOMPLETA É a matriz formada somente pelos coeficientes das incógnitas do sistema linear. MATRIZ COMPLETA É a matriz formada pelos coeficientes das incógnitas do sistema linear, acrescida de uma última coluna com os termos independentes.
  8. 8. 8 1.9.4 SISTEMA HOMOGÊNEO Um sistema é chamado de homogêneo quando todos os termos independentes de suas equações são nulos. A n-upla (0, 0, ..., 0) é sempre solução de um sistema homogêneo e recebe o nome de solução trivial. 1.9.5 CLASSIFICAÇÃO DE UM SISTEMA LINEAR Um sistema linear pode ser:  possível e determinado (possui apenas uma única solução)  possível e indeterminado (possui infinitas soluções)  impossível (não possui solução) 1.9.6 SISTEMA NORMAL Um sistema é normal quando possui o mesmo número de equações e incógnitas e o determinante da matriz incompleta associada ao sistema é diferente de zero. Assim, se m = n e det A ¹ 0, o sistema é normal. 1.10 REGRA DE CRAMER Chama-se regra de Cramer a técnica usada para solucionar um sistema linear. Fazendo x D Di xi  , onde D é o determinante da matriz incompleta associada ao sistema e Dxi é o determinante obtido através da substituição, na matriz incompleta, da coluna i pela coluna formada pelos termos independentes. 1.11 SISTEMAS EQUIVALENTES Dois sistemas são equivalentes quando possuem o mesmo conjunto solução. 1.11.1 PROPRIEDADES DOS SISTEMAS EQUIVALENTES  Trocando-se de posição as equações de um sistema linear, obtém-se um outro sistema equivalente.  Multiplicando-se uma equação do sistema linear por um número real diferente de zero, obtém-se um outro sistema equivalente.  Adicionando-se a uma das equações do sistema linear o produto de uma outra equação desse mesmo sistema por um número real diferente de zero, obtém-se um outro sistema equivalente. 1.12 SISTEMAS ESCALONADOS O procedimento para o escalonamento de um sistema é o seguinte: 1º - Fixamos como 1ª equação uma das que possuam o coeficiente da 1ª incógnita diferente de zero. 2º - Utilizando as propriedades dos sistemas equivalentes, anulamos todos os coeficientes da 1ª incógnita das demais equações. 3º - Anulamos todos os coeficientes da 2ª incógnita a partir da 3ª equação. 4º - Repetimos o processo com as demais incógnitas, até que o sistema se torne escalonado.
  9. 9. 9 EXERCÍCIOS 20) Resolva, por substituição, e classifique os sistemas abaixo: a) x y z x y z x y z               3 2 0 3 2 6 . b) x y z x y z x y z               3 4 1 2 4 4 . 21) Resolva, por substituição, e classifique os sistemas abaixo: a) 3 1 2 4 x y z w x y z y z               b) 2 7 2 5 3 6 x y z w y z w y z               22) Resolva, utilizando a regra de Cramer, e classifique os sistemas abaixo: a) x y z x y z x y z               2 3 1 2 5 8 3 5 12 19 7 . b) x y z x y z x y z               2 4 3 11 2 6 6 23) Resolva, por escalonamento, e classifique os sistemas abaixo: a) x y z x y z x y z               2 3 2 2 4 5 3 3 5 6 4 . b) x y z x y z x y z               2 4 3 11 2 6 6 24) Resolva, utilizando o método da matriz inversa, e classifique os sitemas abaixo: a) x y z x y z x y z               2 3 2 1 3 2 2 . b) x y z x y z x y z                2 2 4 5 8 9 8 50 25) Calcule a n-upla que satisfaz o sistema x y y z z x            1 2 3 e classifique-o. 26) Calcule os valores de m e p de modo que o sistema x z p y z z mx             3 2 tenha uma infinidade de soluções. 27) Resolva o sistema linear            42 32 22 12 wzyx wzyx wzyx wzyx .
  10. 10. 10 2 ESPAÇOS VETORIAIS 2.1 VETORES NO PLANO No plano cartesiano ortogonal um ponto P do plano é identificado pelo par (a,b) de números reais, onde as quantidades a e b são as coordenadas do ponto P. Os segmentos orientados com ponto inicial na origem e ponto final em P, são denominados vetores no plano e são determinados exclusivamente pelo seu ponto final, uma vez que o ponto inicial é fixo na origem. A cada ponto no plano P(a,b) é associado um único vetor v = OP e, reciprocamente, dado um vetor, este fica associado a um único ponto do plano, que é seu ponto final. Desta forma, um vetor v = OP é representado, simplesmente, pelas coordenadas do seu ponto final P(a,b). Usamos a notação v ou v = (a,b) para identificar um vetor cujo ponto final é (a,b). A origem do plano fica associada a um vetor denominado vetor nulo, que tem os pontos inicial e final coincidentes com a origem. O vetor nulo é representado por 0 = (0,0). O oposto de um vetor v = OP é o vetor w = OQ , que tem o mesmo comprimento e direção oposta. Em termos de coordenadas, se v = (a,b), então w = (-a,-b) e denotamos w = – v. 2.1.1 OPERAÇÕES COM VETORES NO PLANO a) Multiplicação de um vetor v por um escalar k: • Se k > 0, o vetor w = kv possui mesma direção de v e comprimento k vezes o comprimento de v. • Se k < 0, o vetor w = kv será igual ao oposto do vetor |k|v. • Se k = 0, w = kv será o vetor nulo. A multiplicação de um vetor por um escalar corresponde à multiplicação de cada coordenada desse vetor por esse escalar. Assim, se v = (a,b) e w = kv, então w = (ka,kb). b) Adição de dois vetores: • Se v = (a,b) e w = (c,d), então o vetor soma será v + w = (a + c, b + d). • A soma de um vetor v = (a,b) com seu oposto w = -v = (-a,-b) é o vetor nulo. Isto é, v + w = v + (-v) = (a - a, b - b) = (0,0). • A diferença entre dois vetores v e w, é a soma do primeiro com o oposto do segundo vetor: v – w = v + (-w). 2.2 VETORES NO ESPAÇO Analogamente ao caso de vetores no plano, podemos estender a idéia de vetor ao espaço tridimensional, onde um ponto P do espaço é identificado com uma terna de números reais (x,y,z), onde x, y e z são as coordenadas do ponto P. Agora cada ponto do espaço P(a,b,c) é associado um único vetor v = OP e, reciprocamente, dado um vetor, este fica associado a um único ponto do espaço, que é seu ponto final. Assim, um vetor v = OP é representado pelas coordenadas do seu ponto final P(a,b,c). Denotamos v =           c b a ou v = (a,b,c) para identificar um vetor cujo ponto final é (a,b,c). A origem do espaço representa o vetor nulo 0 = (0,0,0). Se V é o conjunto de vetores no espaço, então V = {(x1, x2, x3); xi  R} = R×R×R = R3.
  11. 11. 11 2.2.1 OPERAÇÕES COM VETORES NO ESPAÇO Sejam u = (x1, x2, x3) e v = (y1, y2, y3) vetores no espaço. A soma de dois vetores e o produto de um vetor por um escalar, são denotados respectivamente por u + v e ku, e são definidos da forma: u + v = (x1 + y1, x2 + y2, x3 + y3) e ku = (kx1, kx2, kx3). 2.2.1.1 PROPRIEDADES Sejam u, v, w  V e a, b escalares quaisquer, então podem ser facilmente verificadas as propriedades seguintes: i) (u + v) + w = u + (v + w) (associativa) ii) u + v = v + u (comutativa) iii) existe 0  V tal que u + 0 = u, onde 0 é chamado vetor nulo (existência de elemento neutro) iv) existe –u  V tal que u + (-u) = 0 (existência de simétrico aditivo) v) a(u + v) = au + av vi) (a + b)v = av + bv vii) (ab)v = a(bv) viii) 1u = u 2.3 ESPAÇOS VETORIAIS Um espaço vetorial real é um conjunto V ≠ , sobre o qual estão definidas duas operações: soma e multiplicação por escalar, tais que, para quaisquer u,v,w  V e a,b  R, as propriedades de i a vii sejam satisfeitas. Se ao invés de escalares reais, tivermos escalares complexos, V será um espaço vetorial complexo. Neste contexto, a palavra vetor é utilizada de maneira mais geral, ou seja, designa um elemento de um espaço vetorial. Contudo, considerando o espaço vetorial das matrizes quadradas reais de ordem 2, denotado por V = M(2,2), um vetor deste espaço será na realidade uma matriz real 2x2. Notas: 1 – Retas que passam pela origem são espaços vetoriais. 2 – Planos que passam pela origem são espaços vetoriais. 3 – O elemento de um espaço vetorial é chamado de vetor. 2.3.1 SUPESPAÇOS VETORIAIS Dado um espaço vetorial real V, um subconjunto W ≠ , será um subespaço vetorial de V se: i)  u,v  W  u + v  W ii)  a  R, u  W  au  W A definição acima garante que operações realizadas em W, no caso a adição e a multiplicação por escalar, resultam em elementos de W, sendo o suficiente para afirmar o próprio W é um espaço vetorial. As operações são bem definidas e não é preciso verificar as sete propriedades que definem um espaço vetorial, pois, sendo válidas em V, que contém W, também o são em W. Todo subespaço W  V, necessariamente contém o vetor nulo (devido à definição ii). É fácil verificar esta condição, quando se faz a = 0. Todo espaço vetorial admite pelo menos dois subespaços, denominados subespaços triviais, o conjunto formado somente pelo vetor nulo e o próprio espaço vetorial (0 e V).
  12. 12. 12 EXERCÍCIOS 28) Verifique quais, dentre os subconjuntos abaixo, são subespaços vetoriais? a) {(x, y)  R2 / x = y} b) {(x, y, z)  R3 / x = y = 2z} c) {(x, y, z)  R3 / x2 = y} d) {(x, y, z, w)  R4 / x + z = y + w} e) {(x, y)  R2 / x + 1 = y} f) {(x, y, z, w)  R4 / x – 2y = 3z + w} g) {(x, y)  R2 / x3 = y} 2.4 COMBINAÇÃO LINEAR Consideremos um espaço vetorial real V (ou complexo), v1, v2, ..., vn  V e a1, a2, ..., an números reais (ou complexos). Chamamos combinação linear de v1, v2, ..., vn como sendo o vetor v  V, definido por v = a1v1 + a2v2 + ...+ anvn. EXERCÍCIOS 29) Dados os vetores v = (1, -2, 1), v1 = (1, 0, 1) e v2 = (0, 2, 0). Verifique se v é combinação linear de v1 e v2. 30) Sendo v = (1, 3, -4)  R3 e v1 = (1, 0, 1), v2 = (0, 1, 2), v3 = (0, -1, 1) e v4 = (0, 0, 1). Verifique se v pode ser escrito como combinação linear de v1, v2, v3 e v4. 31) Escreva o vetor v = (0, 1)  R2 como combinação linear dos vetores v1 = (3, 2) e v2 = (2, 2). 32) Sendo o vetor v = (1, -1, 4)  R3. Escreva-o como combinação linear dos vetores v1 = (1, -3, 4), v2 = (1, -3, 2) e v3 = (0, 0, 1). 2.5 SUBESPAÇO GERADO Fixados os vetores v1, v2, ..., vn  V, o conjunto W de todos os vetores que são combinação linear dos vi (i = 1, 2, ..., n) é chamado subespaço gerado pelos vi e usamos a notação: W = [v1, v2, ..., vn]. Escrevendo W = [v1, v2, ..., vn] = {v  V: v = a1v1 + a2v2 + ...+ anvn, ai  R, 1 ≤ i ≤ n}, onde W é o “menor” subespaço de V que contém o conjunto de vetores {v1, v2, ..., vn}. O termo “menor” significa que qualquer outro subespaço W’ de V que contenha {v1, v2, ..., vn} deverá satisfazer W’  W.
  13. 13. 13 EXERCÍCIOS 33) Sendo V o conjunto de vetores v1 = (1, 0, -1), v2 = (1, 1, 0) e v3 = (0, 1, 1). Determine o subespaço gerado por esses vetores. Escreva a solução em equação cartesiana. 34) Verifique se W  R3 gerado por u1 = (1, 1, -1), u2 = (2, 3, -1) e u3 = (3, 1, -5), é o mesmo subespaço gerado por v1 = (1, -1, -3), v2 = (3, -2, -8) e v3 = (2, 1, -3). Escreva a solução em equação cartesiana. 35) Sendo V o conjunto de vetores v1 = (1, -2, 0), v2 = (2, -1, -1) e v3 = (0, 3, -1). Determine o subespaço gerado por esses vetores. Escreva a solução em equação cartesiana. 36) Determine o subespaço W  V, sendo V o conjunto formado pelos vetores v1 = (1, -1, 0, 2), v2 = (3, 5, 2, -4) e v3 = (5, 3, 6, 1). Escreva a solução em equação cartesiana. 2.6 DEPENDÊNCIA E INDEPENDÊNCIA LINEAR Sejam V um espaço vetorial e v1, ... , vn  V. Dizemos que o conjunto {v1, ... , vn} é linearmente independente (LI), ou que os vetores v1, ... , vn são LI, se (a1, ... , an) = (0, ... , 0) for a única solução da equação a1v1 + ... + anvn = 0. Se existir algum a1  0, que satisfaça a equação anterior dizemos que {v1, ... , vn} é linearmente dependente (LD), ou que os vetores v1, ... , vn são LD. O conjunto de vetores { v1, ... , vn} é LD se, e somente se existe um vi neste conjunto que é combinação linear de v1, v2, ... , vi-1, vi+1, ... , vn. Um conjunto de vetores é LI se, e somente se nenhum deles for uma combinação linear dos outros. EXERCÍCIOS 37) Verifique se v1 = (1, 2, 3) e v2 = (2, 4, 6) são LD ou LI. 38) Sejam V = R2 e o conjunto P = {(1, –1), (1, 0), (1, 1)}. Verifique se P é LD ou LI. 39) Dados v1 = (1, 1, 2), v2 = (1, 0, 1) e v3 = (1, 2, 3). Verifique se são LD ou LI. 40) Verifique se o conjunto de vetores do R4, v1 = (1, 0, -1, 0), v2 = (0, 1, 1, 1) e v3 = (1, 1, 0, 1) são LD ou LI.
  14. 14. 14 41) Verifique se o conjunto de matrizes A =       11 01 , B =       11 20 e C =        00 11 é LD ou LI. 42) Verifique se as matrizes A =       43 21 , B =         43 21 e C =         43 21 são LD ou LI. 2.7 BASE DE UM ESPAÇO VETORIAL Um conjunto {v1, ... , vn} de vetores de um espaço vetorial V será uma base de V se este conjunto for LI e se ele gerar o espaço, ou seja: i) {v1, ... , vn} é LI ii) [v1, ... , vn] = V Sejam v1, v2, ..., vn vetores não nulos que geram um espaço vetorial V. Então, dentre estes vetores podemos extrair uma base de V. Seja um espaço vetorial V gerado por um conjunto finito de vetores v1, v2, ..., vn. Então, qualquer conjunto com mais de n vetores é necessariamente LD (e, portanto, qualquer conjunto LI tem no máximo n vetores). Qualquer base de um espaço vetorial tem sempre o mesmo número de elementos. Este número é chamado dimensão de V, e denotado por dimV. Qualquer conjunto de vetores LI de um espaço vetorial V de dimensão finita pode ser completado de modo a formar uma base de V. Se dimV = n, qualquer conjunto de n vetores LI formará uma base de V. Se U e W são subespaços de um espaço vetorial V que tem dimensão finita, então dimU ≤ dimV e dimW ≤ dimV. Além disso, dim(U + W) = dimU + dimW – dim(U∩W). Dada uma base β = {v1, v2, ..., vn} de V, cada vetor de V é escrito de maneira única como combinação linear de v1, v2, ..., vn. EXERCÍCIOS 43) Exiba uma base para cada um dos subespaços W, gerado pelos conjuntos de vetores a seguir, determine sua dimensão e descreva W em equações paramétricas. a) {(1, 2, 3), (1, 1, 1), (-1, 0, 1), (1, 4, 7)} do R3. b) {(1, -1, 0, 2), (3, 5, 2, -4), (5, 3, 6, 1)} do R4. c) {(1, 1, -1, 0), (4, 8, -4, -3), (2, 5, 2, 4)} do R4. d) {(1, 1, -1), (2, 3, -1), (3, 1, -5)} do R3. 44) Sejam W1 = {(x, y, z, w) / x = y, z = w} e W2 = {(x, y, z, w) / x – y + z + w = 0} subespaços vetoriais do R4, determine: uma base e a dimensão de W1; uma base e a dimensão de W2; uma base e a dimensão de W1 + W2; e, W1  W2 em equações paramétricas, sua base e dimensão.
  15. 15. 15 2.8 MUDANÇA DE BASE COORDENADAS DE UM VETOR EM RELAÇÃO A UMA BASE  = {e1, e2} base canônica do R2 . v = (x, y) v = xe1 + ye2 ’ = {v1, v2} base do R2 . v = (x’, y’) v = x’v1 + y’v2 COMO RELACIONAR AS COORDENADAS (x, y) COM (x’, y’) DO VETOR v? Seja  = {(1, 0), (0, 1)} base canônica do R2 . ’ = {(a, b), (c, d)} base do R2 . v = (x, y) = xe1 + ye2 v = (x’, y’) = x’v1 + y’v2 = x’(a, b) + y’(c, d) = (x’a, x’b) + (y’c, y’d) = (ax’ + cy’, bx’ + dy’) v = (x’, y’) = x’(ae1 + be2) + y’(ce1 + de2) = (ax’ + cy’)e1 + (bx’ + dy’)e2                         ' ' '' '' y x db ca y x dybxy cyaxx , logo: A matriz        db ca M é a matriz mudança da base ’ para base . Portanto, para o cálculo das coordenadas de (v), temos: (v) = M  (v)’ Para o cálculo das coordenadas de (v)’ devemos fazer: M –1  (v) = M –1  M  (v)’ M –1  (v) = I  (v)’ I  (v)’ = M –1  (v) (v)’ = M –1  (v) EXERCÍCIOS 45) Seja ’ = {(1, 1), (–1, 1)} base do R2 e (v)’ = (2, 3). Quais são as coordenadas de (v)? 46) Seja ’ = {(1, 1), (–1, 1)} base do R2 e (v) = (3, 4). Quais são as coordenadas de (v)’?
  16. 16. 16 3 TRANSFORMAÇÃO LINEAR 3.1 DEFINIÇÃO Sejam V e W espaços vetoriais reais. Dizemos que uma função T :V →W é uma transformação linear se a função T preserva as operações de adição e de multiplicação por escalar, isto é, se os seguintes axiomas são satisfeitos: TL1. Para quaisquer v,u  V , T(v + u) = T(v) + T(u) . TL2. Para todo v  V e para todo k  R, T(k ⋅ v) = k ⋅T(v). Exemplos: 1) T : R2 → R2 (x, y)  T(x, y) = (−x,− y) Verificando os axiomas: TL1. T((x, y) + (z, t)) = T(x, y) + T(z, t), para quaisquer (x, y), (z, t)  R2 ? T((x, y) + (z,t)) = T(x + z, y + t) = (−(x + z),−( y + t)) = (−x − z,− y − t) T(x, y) + T(z, t) = (−x,− y) + (−z,−t) = (−x − z,− y − t) Assim, a transformação linear T preserva a operação de adição de vetores. TL2. T(k ⋅ (x, y)) = k ⋅T(x, y) , para todo (x, y)  R2 e para todo k  R? T(k ⋅ (x, y)) = T(kx, ky) = (−(kx),−(ky)) = (k(−x), k(− y)) = k ⋅ (−x,− y) = k ⋅T(x, y) Assim, a transformação linear T preserva a operação de multiplicação por escalar. Considere v = (1, 2) e u = (−1, 3). T(v) = T(1, 2) = (−1, −2) T(u) = T(−1, 3) = (1, −3) T(v) + T(u) = (−1, −2) + (1, −3) = (0, −5) T(v + u) = T((1, 2) + (−1, 3)) = T(0, 5) = (0, −5) T(2 ⋅ v) = T(2 ⋅ (1, 2)) = T(2, 4) = (−2, −4) = 2 ⋅ (−1, −2) = 2 ⋅T(1, 2) = 2 ⋅T(v) 2) T :R3 → R3 (x, y, z) a T(x, y, z) = (x, y, 0) T é uma transformação linear (Verifique !) Esta transformação linear associa a cada vetor do R3 sua projeção ortogonal sobre o plano XY. A transformação linear T0: V → W tal que v  T0(v) 0w é denominada Transformação Nula. Seja a transformação linear T :V → W . Se os conjuntos V e W são iguais, V = W, então T é denominada um Operador Linear. O operador linear Iv : V → V tal que v  Iv (v) = v é denominado Operador Identidade. As transformações lineares T :V → R são denominadas Funcionais Lineares.
  17. 17. 17 3.2 OPERADORES LINEARES NO ESPAÇO VETORIAL R2 Reflexão em torno do eixo X: T(x, y) = (x, − y) . Reflexão em torno do eixo Y: T(x, y) = (−x, y) . Reflexão em torno da origem: T(x, y) = (−x, − y) . Reflexão em torno da reta x = y : T(x, y) = ( y, x) . Reflexão em torno da reta x = − y : T(x, y) = (− y, −x) . EXERCÍCIOS 47) Seja T : R2 → R2 um operador linear tal que T(2, 3) = (−1, 5) e T(0, 1) = (2, 1). Determine a lei que define este operador? 48) Qual é a transformação linear T : R2  R3 tal que T(1, 0) = (2, –1, 0) e T(0, 1) = (0, 0, 1)? 49) Ache a transformação linear T : R3 → R2 tal que T(1, 0, 0) = (2, 0), T(0, 1, 0) = (1, 1) e T(0, 0, 1) = (0, –1). 50) Sendo a transformação do exercício anterior, encontre v de R3 tal que T(v) = (3, 2). 51) Qual é a transformação linear T : R2  R3 tal que T(1, 1) = (3, 2, 1) e T(0, –2 ) = (0, 1, 0)? Ache T(1, 0) e T(0, 1). 52) Seja T : R2 → R2 um operador linear tal que T(1, 1) = (1, −1) e T(1, 2) = (1, 0). Determine a lei que define este operador? 53) Ache a transformação linear T : R3 → R2 tal que T(3, 2, 1) = (1, 1), T(0, 1, 0) = (0, –2) e T(0, 0, 1) = (0, 0). 54) Sejam  = {(1, –1), (0, 2)} e  = {(1, 0, –1), (0, 1, 2), (1, 2, 0)} bases de R2 e R3 respectivamente e               1 1 0 0 1 1  T . a) Ache T. b) Se S(x, y) = (2y, x – y, x), ache  S .
  18. 18. 18 55) Seja T : R3  R2 tal que T(x, y, z) = (2x + y – z, 3x – 2y + 4z). Sejam  = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} e  = {(1, 3), (1, 4)}. Calcule   T . 56) Ache a transformação T do plano no plano que é uma reflexão em torno da reta x = y. 3.3 NÚCLEO E IMAGEM DE UMA TRANSFORMAÇÃO LINEAR Núcleo de uma transformação linear T : V → W é o conjunto de vetores do espaço vetorial V cuja imagem é o vetor 0w. Notação: N(T) = {v  V / T(v) = 0w} Imagem de uma transformação linear T : V → W é o conjunto de vetores de W que são imagem dos vetores do conjunto V. Notação: Im(T) = T(V ) = {w  W / T(v) = w, para algum v  V} Propriedades 1. N(T ) é um subespaço vetorial de V. 2. Im(T ) é um subespaço vetorial de W. 3. Teorema do Núcleo e da Imagem : dimV = dim N(T ) + dim Im(T ) Exemplo: Seja T : R2 → R3 tal que T(x, y) = (0, x + y, 0). N(T ) = {(x, y)  R2 / T(x, y) = (0, 0, 0)}. Então, T(x, y) = (0, x + y, 0) = (0, 0, 0). Assim, x + y = 0  x = − y. Portanto, N(T ) = {(x, y)  R2 / x = − y} = {(− y, y), y  R}. Uma base é {(−1, 1)} e dim N(T ) = 1. EXERCÍCIOS 57) Seja a transformação linear T(x, y, z) = (x + z, x + y, –x – y) de T : R3  R3 . Calcule: a) a imagem da base canônica do R3 ; b) uma base e a dimensão para Im(T); e c) o núcleo de T e sua dimensão. 58) Sendo T : R2  R4 e T(x, y) = (x – y, x + y, x, y), determine: a) Base da Im(T); b) Dimensão da Im(T); e c) N(T).
  19. 19. 19 4 AUTOVALORES E AUTOVETORES 4.1 DEFINIÇÃO Seja A uma matriz quadrada de ordem n. O número real  é autovalor de A se existir um vetor não nulo v tal que: A.v = .v Todo vetor não nulo v é chamado de autovetor de A associado ao autovalor . Autovalores são também chamados de valores próprios ou valores característicos e os autovetores são chamados de vetores próprios ou vetores característicos. EXERCÍCIOS 59) Para         42 11 A e  = 3, determine seu autovetor. 60) Sendo         42 11 A e seu autovetor       1 1 , calcule o seu autovalor. 61) Se        02/1 2/10 A pode ser associada ao autovalor 1/2, determine o autovetor desse autovalor. 4.2 POLINÔMIO CARACTERÍSTICO Seja a equação A.v = .v, se I for identidade da mesma ordem de A, então a equação pode ser escrita na forma A.v = (I).v, daí: (A – I) .v = 0 Essa equação resulta em um polinômio chamado de polinômio característico de A, onde os valores de  são as raízes do polinômio e, portanto, os autovalores da matriz A. EXERCÍCIOS 62) Encontre os polinômios característicos das matrizes abaixo: a)       10 21 b)           100 210 321 c)           112 121 211
  20. 20. 20 63) Sendo          31 22 A , encontre seus autovalores e seu autovetor(es). 64) Se          21 43 A , quais são seus autovalores e autovetor(es). 65) Se        10 22 A , quais são seus autovalores e autovetor(es). 66) Encontre os autovalores e autovetores de            210 011 024 A . 67) Encontre os autovalores e autovetores de              133 040 331 A .
  21. 21. 21 RESPOSTAS 1 – 2 – 3 – 4 – 5 – 6 – 7 – 8 – 9 – 10 – 11 – 12 – 13 – 14 – 15 – 16 – 17 – 18 – 19 – 20 – 21 – 22 – 23 – 24 – 25 – 26 – 27 – 28 – 29 – 30 – 31 – 32 – 33 – 34 – 35 – 36 – 37 – 38 – 39 – 40 – 41 – 42 – 43 – 44 – 45 – 46 – 47 – 48 – 49 – 50 – 51 – 52 – 53 – 54 – 55 – 56 – 57 – 58 – 59 – 60 – 61 – 62 – 63 – 64 – 65 – 66 – 67 – 68 – 69 – 70 –
  22. 22. 22 BIBLIOGRAFIA BÁSICA: KOLMAN, Bernard; HILL, David R. Introdução à álgebra linear: com aplicações. Rio de Janeiro: LTC, c2006. LAY, David C. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro, LTC; 2007. LIPSCHUTZ, Seymour. Álgebra linear: teoria e problemas. 3. ed. rev. e ampl. São Paulo: Makron, 1994. BIBLIOGRAFIA COMPLEMENTAR: LEITHOLD, Louis. Cálculo com geometria analítica. 3. ed. São Paulo: Harbra, 1994-2002. 2 v. STEINBRUCH, Alfredo. Matrizes, determinantes e sistemas de equações lineares. São Paulo: McGraw-Hill, 1989.

×