Galerkin method
Galerkin method
mullerasmare

Vetores
Vetores
Jupira Silva

Calculo vetorial
Calculo vetorial
tooonks

12.5. vector valued functions
12.5. vector valued functions
math267

Lidia Tiggemann

Algebra
Algebra
Sam Santos

18 directional derivatives and gradient
18 directional derivatives and gradient
math267

Solución Álgebra Lineal ESPOL 2017 1T
Solución Álgebra Lineal ESPOL 2017 1T
Angel Guale

Chapter 4: Vector Spaces - Part 1/Slides By Pearson
Chapter 4: Vector Spaces - Part 1/Slides By Pearson
Chaimae Baroudi

24 double integral over polar coordinate
24 double integral over polar coordinate
math267

AULA PRODUTO VETORIAL
AULA PRODUTO VETORIAL
naracollyer2015

Resolucion de un circuito rlc en matlab
Resolucion de un circuito rlc en matlab
David Basantes

94204719 teoria-dos-numeros
94204719 teoria-dos-numeros
John Mark Veronica

22 double integrals
22 double integrals
math267

Aula 21: Exercícios
Aula 21: Exercícios

Inner product spaces
Inner product spaces
EasyStudy3

Lesson 32: The Fundamental Theorem Of Calculus
Lesson 32: The Fundamental Theorem Of Calculus
Matthew Leingang

Claudia Fiuza

Autovalor autovetor
Autovalor autovetor
Clóvis Batista dos Santos

Galerkin method
Galerkin method

Vetores
Vetores

Calculo vetorial
Calculo vetorial

12.5. vector valued functions
12.5. vector valued functions

Algebra
Algebra

18 directional derivatives and gradient
18 directional derivatives and gradient

Solución Álgebra Lineal ESPOL 2017 1T
Solución Álgebra Lineal ESPOL 2017 1T

Chapter 4: Vector Spaces - Part 1/Slides By Pearson
Chapter 4: Vector Spaces - Part 1/Slides By Pearson

24 double integral over polar coordinate
24 double integral over polar coordinate

AULA PRODUTO VETORIAL
AULA PRODUTO VETORIAL

Resolucion de un circuito rlc en matlab
Resolucion de un circuito rlc en matlab

94204719 teoria-dos-numeros
94204719 teoria-dos-numeros

22 double integrals
22 double integrals

Aula 21: Exercícios
Aula 21: Exercícios

Inner product spaces
Inner product spaces

Lesson 32: The Fundamental Theorem Of Calculus
Lesson 32: The Fundamental Theorem Of Calculus

Autovalor autovetor
Autovalor autovetor

Destaque

Aula 9 espaços vetoriais euclidianos - parte 1
Aula 9 espaços vetoriais euclidianos - parte 1
Gregorio Tomas Gonzaga

Algebra linear teoremas
Algebra linear teoremas
unifesptk

Modelo de Espaço Vetorial
Modelo de Espaço Vetorial
Alexandre Duarte

25.4.2010 função seno
25.4.2010 função seno
Fredson Lima

Função seno
Função seno
myri2000

Tópico 05 - Funções Exponenciais e Logarítmicas
Tópico 05 - Funções Exponenciais e Logarítmicas
Ricardo Bruno - Universidade Federal do Pará

Aula 8 - Aplicações de função exponencial e logarítmica
Aula 8 - Aplicações de função exponencial e logarítmica
Turma1NC

Aula 7 - Funções Logarítmicas, Exponenciais e Trigonometricas
Aula 7 - Funções Logarítmicas, Exponenciais e Trigonometricas
Turma1NC

Função Exponencial
Função Exponencial
Antonio Carneiro

Funcoes trigonometricas.ppt
Funcoes trigonometricas.ppt
Rodrigo Carvalho

A Função Seno
A Função Seno
guest9bcf

Aula 2 matrizes
CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas
CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas
Vídeo Aulas Apoio

Função exponencial
Função exponencial
PROFESSOR GLEDSON GUIMARÃES

Aula 27 espaços vetoriais
História do número PI
História do número PI
Rafael Cavalcante

Destaque(16)

Aula 9 espaços vetoriais euclidianos - parte 1
Aula 9 espaços vetoriais euclidianos - parte 1

Algebra linear teoremas
Algebra linear teoremas

Modelo de Espaço Vetorial
Modelo de Espaço Vetorial

25.4.2010 função seno
25.4.2010 função seno

Função seno
Função seno

Tópico 05 - Funções Exponenciais e Logarítmicas
Tópico 05 - Funções Exponenciais e Logarítmicas

Aula 8 - Aplicações de função exponencial e logarítmica
Aula 8 - Aplicações de função exponencial e logarítmica

Aula 7 - Funções Logarítmicas, Exponenciais e Trigonometricas
Aula 7 - Funções Logarítmicas, Exponenciais e Trigonometricas

Função Exponencial
Função Exponencial

Funcoes trigonometricas.ppt
Funcoes trigonometricas.ppt

A Função Seno
A Função Seno

Aula 2 matrizes
Aula 2 matrizes

CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas
CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas

Função exponencial
Função exponencial

Aula 27 espaços vetoriais
Aula 27 espaços vetoriais

História do número PI
História do número PI

Semelhante a Aula 4 espaços vetoriais

Algebra Linear cap 03
Algebra Linear cap 03
Andrei Bastos

Algebra Linear cap 02
Algebra Linear cap 02
Andrei Bastos

Algebra linear exercicios_resolvidos
Algebra linear exercicios_resolvidos
Rodolfo Sena da Penha

1939 d (2)
1939 d (2)
Tuane Paixão

Algebra Linear cap 04
Algebra Linear cap 04
Andrei Bastos

4. espacos vectoriais
4. espacos vectoriais
Gerônimo Neto

GEOMETRIA ANALÍTICA cap 03
GEOMETRIA ANALÍTICA cap 03
Andrei Bastos

exercicios de calculo
exercicios de calculo
Willian Santana Quirino

Lista de exercícios 1 - Cálculo
Lista de exercícios 1 - Cálculo
Carlos Campani

Aula 15 2020
Aula 15 2020
Carolina Direito

1928 d
Algebra Linear cap 09
Algebra Linear cap 09
Andrei Bastos

Transformação linear
Transformação linear
ramos_unicap

Algebra Linear cap 07
Algebra Linear cap 07
Andrei Bastos

Vetores-no-R2-e-no-R32.pdf
Vetores-no-R2-e-no-R32.pdf
silvania81

Espaço Vetorial: Teoria e Exercícios resolvidos
Espaço Vetorial: Teoria e Exercícios resolvidos
numerosnamente

Teoria dos Conjuntos
Teoria dos Conjuntos
Luciano Pessanha

GEOMETRIA ANALÍTICA cap 04
GEOMETRIA ANALÍTICA cap 04
Andrei Bastos

Gacap04 130507191020-phpapp01
Gacap04 130507191020-phpapp01

TEORIA DE CONJUNTOS
TEORIA DE CONJUNTOS
Luciano Pessanha

Semelhante a Aula 4 espaços vetoriais(20)

Algebra Linear cap 03
Algebra Linear cap 03

Algebra Linear cap 02
Algebra Linear cap 02

Algebra linear exercicios_resolvidos
Algebra linear exercicios_resolvidos

1939 d (2)
1939 d (2)

Algebra Linear cap 04
Algebra Linear cap 04

4. espacos vectoriais
4. espacos vectoriais

GEOMETRIA ANALÍTICA cap 03
GEOMETRIA ANALÍTICA cap 03

exercicios de calculo
exercicios de calculo

Lista de exercícios 1 - Cálculo
Lista de exercícios 1 - Cálculo

Aula 15 2020
Aula 15 2020

1928 d
1928 d

Algebra Linear cap 09
Algebra Linear cap 09

Transformação linear
Transformação linear

Algebra Linear cap 07
Algebra Linear cap 07

Vetores-no-R2-e-no-R32.pdf
Vetores-no-R2-e-no-R32.pdf

Espaço Vetorial: Teoria e Exercícios resolvidos
Espaço Vetorial: Teoria e Exercícios resolvidos

Teoria dos Conjuntos
Teoria dos Conjuntos

GEOMETRIA ANALÍTICA cap 04
GEOMETRIA ANALÍTICA cap 04

Gacap04 130507191020-phpapp01
Gacap04 130507191020-phpapp01

TEORIA DE CONJUNTOS
TEORIA DE CONJUNTOS

Último

Elementos de Máquina aplicados na tornearia mecânica.ppt
Elementos de Máquina aplicados na tornearia mecânica.ppt
Wagner Moraes

AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...

Dimensionamento de eixo. estudo de caso.pdf
Dimensionamento de eixo. estudo de caso.pdf
RodrigoQuintilianode1

Apresentação concreto autodesempenho 123
Apresentação concreto autodesempenho 123
GabrielGarcia356832

AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...

AE03 - LOGISTICA EMPRESARIAL UNICESUMAR 52/2024
AE03 - LOGISTICA EMPRESARIAL UNICESUMAR 52/2024

Segurança nos trabalhos em altura, normas SST
Segurança nos trabalhos em altura, normas SST
ClaudioArez

ÁREAS DE ATUAÇÃO DO ENGENHEIRO CIVIL.pdf
ÁREAS DE ATUAÇÃO DO ENGENHEIRO CIVIL.pdf
RoemirPeres

Simbologia e Terminologia de Instrumentação da Norma ISA 5.1 - Simbologia_ISA...
Simbologia e Terminologia de Instrumentação da Norma ISA 5.1 - Simbologia_ISA...
pereiramarcossantos0

Aula Vigor de Sementes - Aula Vigor de Sementes
Aula Vigor de Sementes - Aula Vigor de Sementes
WeltonAgostinhoDias1

AULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdf
AULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdf
MaxwellBentodeOlivei1

Último(11)

Elementos de Máquina aplicados na tornearia mecânica.ppt
Elementos de Máquina aplicados na tornearia mecânica.ppt

AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...

Dimensionamento de eixo. estudo de caso.pdf
Dimensionamento de eixo. estudo de caso.pdf

Apresentação concreto autodesempenho 123
Apresentação concreto autodesempenho 123

AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...

AE03 - LOGISTICA EMPRESARIAL UNICESUMAR 52/2024
AE03 - LOGISTICA EMPRESARIAL UNICESUMAR 52/2024

Segurança nos trabalhos em altura, normas SST
Segurança nos trabalhos em altura, normas SST

ÁREAS DE ATUAÇÃO DO ENGENHEIRO CIVIL.pdf
ÁREAS DE ATUAÇÃO DO ENGENHEIRO CIVIL.pdf

Simbologia e Terminologia de Instrumentação da Norma ISA 5.1 - Simbologia_ISA...
Simbologia e Terminologia de Instrumentação da Norma ISA 5.1 - Simbologia_ISA...

Aula Vigor de Sementes - Aula Vigor de Sementes
Aula Vigor de Sementes - Aula Vigor de Sementes

AULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdf
AULA LEI DOS SENOS OU COSSENOS - parte final (3) (1).pdf

Aula 4 espaços vetoriais

• 1. 54 Parte 4 – Espaços Vetoriais
• 3. 56 Outra fonte de exemplos de espaços vetoriais é o conjunto dos polinômios. Um polinômio (em t) é uma função que pode ser expressa da forma ( ) 01 1n 1n n n atatatatp ++++= − − L onde n10 a,,a,a K são números reais. Exemplo: As funções a seguir são polinômios: ( ) 1t5t2t3tp 24 1 −+−= ( ) 1t2tp2 += ( ) 4tp3 = As funções a seguir não são polinômios ( ) 6t2tf4 −= e ( ) 1t2 t 1 tf 25 +−= O polinômio ( )tp tem grau n se 0an ≠ . Portanto, o grau de um polinômio é igual à potência mais alta com coeficiente não-nulo. O polinômio nulo é definido da seguinte forma: 0t0t0t0 1nn ++++ − L Observe que, por definição, o polinômio nulo não tem grau. Vamos considerar nP a coleção de todos os polinômios de grau n≤ juntamente com o polinômio nulo. O polinômio 5t3t2 2 +− , por exemplo, é um elemento de 2P . Exemplo: Se ( ) 01 1n 1n n n atatatatp ++++= − − L e ( ) 01 1n 1n n n btbtbtbtq ++++= − − L definimos ( ) ( )tqtp ⊕ pela fórmula ( ) ( ) ( ) ( ) ( ) ( )0011 1n 1n1n n nn batbatbatbatqtp ++++++++=⊕ − −− L (isto é, somamos os coeficientes das potências de mesmo grau). Se c é um escalar, definimos ( )tpc ⊗ pela fórmula ( ) ( ) ( ) ( ) ( )01 1n 1n n n catcatcatcatpc ++++=⊗ − − L (isto é, multiplicamos cada coeficiente por c).
• 5. 58 Subespaços DEFINIÇÃO: Seja V um espaço vetorial e W um subconjunto não-vazio de V. Se W é um espaço vetorial em relação às operações em V, dizemos que W é um subespaço de V. Exemplo: Todo espaço vetorial tem pelo menos dois subespaços, ele mesmo e o subespaço { }0 v que tem como único elemento o vetor nulo (lembre-se que 000 vvv =⊕ e 00r vv =⊗ em qualquer espaço vetorial). O subespaço { }0 v é chamado de subespaço nulo. TEOREMA: Seja V um espaço vetorial com as operações ⊕ e ⊗ e seja W um subconjunto não-vazio de V. Então W é um subespaço de V se e somente se as seguintes condições são válidas: α) Se u v e v v são vetores em W, então vu vv ⊕ pertence a W. β) Se r é um número real qualquer e u v é qualquer vetor em W, então ur v ⊗ pertence a W. Exemplo: Considere o conjunto W de todas as matrizes 2×3 da forma ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ dc0 0ba onde a, b, c e d são números reais arbitrários. Mostre que W é um subespaço de 23M , onde 23M consiste no conjunto das matrizes 2×3 munido das operações de soma e produto por escalar habituais. Sol: Considere ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 11 11 dc0 0ba u v e ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 22 22 dc0 0ba v v em W Então ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ++ ++ =+ 2121 2121 ddcc0 0bbaa vu vv está em W de modo que (α) é satisfeita. Além disso, se k é um escalar, então ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 11 11 kdkc0 0kbka uk v está em W de modo que (β) também é satisfeita. Portanto, W é um subespaço de 23M .
• 6. 59 Exemplo: Seja W o subconjunto de 3 R formado por todos os vetores da forma (a, b, 1), onde a e b são números reais. Para verificar se as propriedades (α) e (β) do Teorema são satisfeitas, suponha que ( )1,b,au 11= v e ( )1,b,av 22= v estão em W. Então ( ) ( ) ( )2,bb,aa1,b,a1,b,avu 21212211 ++=+=+ vv não pertence a W, já que sua terceira componente é 2 e não 1. Como a propriedade (α) não é satisfeita, W não é um subespaço de 3 R . Exemplo: Representamos por nP o espaço vetorial dos polinômios de grau n≤ junto com o polinômio nulo e por P o espaço vetorial de todos os polinômios. É fácil verificar que 2P é um subespaço de 3P e que, em geral, nP é um subespaço de 1nP + . Além disso, nP é um subespaço de P. Exemplo: Seja V o conjunto de todos os polinômios de grau exatamente = 2; então V é um subconjunto de 2P , mas não é um subespaço de 2P , já que a soma dos polinômios 1t3t2 2 ++ e 2tt2 2 ++− é um polinômio de grau 1, que não está em V. Exemplo: Um modo simples de construir subespaços em espaços vetoriais é o seguinte. Sejam 1v v e 2v v vetores fixos em um espaço vetorial V e seja W o conjunto de todas as combinações lineares de 1v v e 2v v , isto é, W é o conjunto dos vetores em V da forma 2211 vava vv + , onde 1a e 2a são números reais. Para mostrar que W é um subespaço de V, vamos verificar as propriedades (α) e (β) do teorema. Sejam então, 22111 vavaw vvv += e 22112 vbvbw vvv += vetores em W. Temos ( ) ( ) ( ) ( ) 2221112211221121 vbavbavbvbvavaww vvvvvvvv +++=+++=+ que também pertence a W. Logo, W é um subespaço de V.
• 7. 60 DEFINIÇÃO: Sejam k21 v,...,v,v vvv vetores em um espaço vetorial V. Um vetor v v em V é uma combinação linear de k21 v,...,v,v vvv se existem números reais k21 c,...,c,c , tais que kk2211 vc...vcvcv vvvv +++= Exemplo: Considere em 3 R os vetores ( )1,2,1v1 = v ( )2,0,1v2 = v ( )0,1,1v3 = v O vetor ( )5,1,2v = v é uma combinação linear de 1v v , 2v v e 3v v se pudermos encontrar escalares 1c , 2c e 3c tais que vvcvcvc 332211 vvvv =++ Substituindo 1v v , 2v v e 3v v , obtemos ( ) ( ) ( ) ( )5,1,20,1,1c2,0,1c1,2,1c 321 =++ Combinando os termos do lado esquerdo e igualando os coeficientes correspondentes, obtemos o sistema linear 5c2c 1cc2 2ccc 21 31 321 =+ =+ =++ Resolvendo este sistema obtemos 1c1 = , 2c2 = e 1c3 −= , o que significa que v v é uma combinação linear de 1v v , 2v v e 3v v . Temos então 321 vv2vv vvvv −+= 2211 vcvcv vvv += 11vc v 22 vc v 2v v 1v v O
• 8. 61 DEFINIÇÃO: Se { }k21 v,...,v,vS vvv = é um conjunto de vetores em um espaço vetorial V, então o conjunto de todos os vetores em V que são combinações lineares de vetores em S é representado por [ ]S ou { }[ ]k21 v,...,v,v vvv Exemplo: Considere o conjunto S de matrizes 2×3, ⎭ ⎬ ⎫ ⎩ ⎨ ⎧ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 100 000 , 010 000 , 000 010 , 000 001 S Então [ ]S é o conjunto em 23M de todos os vetores da forma ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ dc0 0ba 100 000 d 010 000 c 000 010 b 000 001 a onde a, b, c e d são números reais. Logo, [ ]S é o subconjunto de 23M formado pelas matrizes ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ dc0 0ba TEOREMA: Seja { }k21 v,...,v,vS vvv = um conjunto de vetores em um espaço vetorial V. Então [ ]S é um subespaço de V. Exemplo: Considere, em 2P , 2tt2v 2 1 ++= v t2tv 2 2 −= v 2t5t5v 2 3 +−= v 2t3tv 2 4 −−−= v Determine se o vetor 2ttu 2 ++= v pertence a { }[ ]4321 v,v,v,v vvvv . Se pudermos encontrar escalares 1c , 2c , 3c e 4c tais que uvcvcvcvc 44332211 vvvvv =+++ então u v pertence a { }[ ]4321 v,v,v,v vvvv . Substituindo u v , 1v v , 2v v , 3v v e 4v v na expressão acima, temos
• 9. 62 ( ) ( ) ( ) ( ) 2tt2t3tc2t5t5ct2tc2tt2c 22 4 2 3 2 2 2 1 ++=−−−++−+−+++ ou ( ) ( ) ( ) 2ttc2c2c2tc3c5c2ctcc5cc2 2 4314321 2 4321 ++=−++−−−+−++ Como dois polinômios são iguais para todos os valores de t se e somente se os coeficientes das respectivas potências de t são iguais, obtemos o sistema linear 2c2c2c2 1c3c5c2c 1cc5cc2 431 4321 4321 =−+ =−−− =−++ Para investigar se esse sistema de equações lineares é compatível, formamos a matriz aumentada do sistema e a colocamos na forma escalonada reduzida por linhas, obtendo ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − 10000 01310 01101 M M M o que indica que o sistema é incompatível, isto é, não tem solução. Portanto, u v não pertence a { }[ ]4321 v,v,v,v vvvv .
• 10. 63 Independência Linear DEFINIÇÃO: Dizemos que os vetores k21 v,...,v,v vvv em um espaço vetorial V geram V se todo vetor em V é uma combinação linear de k21 v,...,v,v vvv . Além disso, se esses vetores forem distintos e { }k21 v,...,v,vS vvv = , dizemos, também, que S gera V, ou que { }k21 v,...,v,v vvv gera V, ou que V é gerado por S, ou ainda, que [ ] VS = . O procedimento para verificar se os vetores k21 v,...,v,v vvv geram o espaço vetorial V é o seguinte: Etapa 1: Escolha um vetor arbitrário v v em V. Etapa 2: Verifique se v v é uma combinação linear dos vetores dados. Se for, os vetores dados geram V. Se não for, eles não geram V. Exemplo: Seja V o espaço vetorial 3 R e sejam ( )1,2,1v1 = v ( )2,0,1v2 = v ( )0,1,1v3 = v Os vetores 1v v , 2v v e 3v v geram V? Solução: Etapa 1: Seja ( )c,b,av = v um vetor arbitrário em 3 R , onde a, b e c são números reais quaisquer. Etapa 2: Temos que verificar se existem constantes 1c , 2c e 3c tais que vvcvcvc 332211 vvvv =++ Isto nos leva ao seguinte sistema linear: cc2c bcc2 accc 21 31 321 =+ =+ =++ Uma solução é 3 cb2a2 c1 ++− = 3 cba c2 +− = 3 c2ba4 c3 −− = Como obtivemos uma solução para qualquer escolha de a, b e c, concluímos que 1v v , 2v v e 3v v geram 3 R , o que é equivalente a { }[ ] 3 k21 Rv,...,v,v = vvv
• 11. 64 Exemplo: Mostre que ⎭ ⎬ ⎫ ⎩ ⎨ ⎧ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 10 00 , 01 10 , 00 01 S gera o subespaço de 22M formada por todas as matrizes simétricas. Solução: Etapa 1: Uma matriz simétrica arbitrária tem a forma ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = cb ba A onde a, b e c são números reais quaisquer. Etapa 2: Precisamos encontrar constantes 1d , 2d e 3d tais que ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ==⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ cb ba A 10 00 d 01 10 d 00 01 d 321 o que nos leva a um sistema linear cuja solução é ad1 = bd2 = cd3 = Como encontramos uma solução para qualquer escolha de a, b e c, concluímos que S gera o subespaço dado. Exemplo: Seja 2PV = , o espaço vetorial de todos os polinômios de grau 2≤ e o polinômio nulo. Seja ( ) ( ){ }tp,tpS 21= , onde ( ) 1t2ttp 2 1 ++= e ( ) 2ttp 2 2 += . S gera 2P ? Solução: Etapa 1: Seja ( ) cbtattp 2 ++= um polinômio arbitrário em 2P , onde a, b e c são números reais quaisquer. Etapa 2: Temos que verificar se existem constantes 1c e 2c tais que ( ) ( ) ( )tpctpctp 2211 += ou ( ) ( )2tc1t2tccbtat 2 2 2 1 2 ++++=++ Temos ( ) ( ) ( ) cbtatc2ctc2tcc 2 211 2 21 ++=++++ Como dois polinômios são iguais para todos os valores de t se e somente se os coeficientes das potências respectivas são iguais, obtemos o sistema linear:
• 12. 65 cc2c bc2 acc 21 1 21 =+ = =+ Usando operações elementares nas linhas da matriz aumentada desse sistema linear, obtemos ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ +− − − c2a4b00 ac10 ca201 M M M Se 0c2a4b ≠+− , não existe solução. Logo, ( ) ( ){ }tp,tpS 21= não gera 2P . Exemplo: Os vetores ( )0,1ie1 == vv e ( )1,0je2 == vv geram 2 R , pois, se ( )21 u,uu = v é qualquer vetor em 2 R , então 2211 eueuu vvv += . Todos os vetores u v em 3 R podem ser escritos como uma combinação linear dos vetores ( )0,0,1ie1 == vv , ( )0,1,0je2 == vv e ( )1,0,0ke3 == vv , logo 1e v , 2e v e 3e v geram 3 R . Analogamente, os vetores ( )0,...,0,1e1 = v , ( )0,...,0,1,0e2 = v , ..., ( )1,...,0,0en = v geram n R , já que qualquer vetor ( )n21 u,...,u,uu = v pode ser escrito como nn2211 eueueuu v L vvv +++= Exemplo: O conjunto { }1,t,...,t,tS 1nn − = gera nP , já que todos os polinômios em nP são da forma n1n 1n 1 n 0 atatata ++++ − − L que é uma combinação linear de elementos de S. Exemplo: Considere o sistema linear homogêneo 0xA vv = , onde ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − −−− = 9144 3111 5122 2011 A O conjunto de todas as soluções de 0xA vv = forma um subespaço de 4 R . Para determinar um conjunto gerador para o espaço solução desse sistema, vamos colocar a matriz aumentada do sistema em sua forma escalonada por linhas:
• 13. 66 ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − 00000 00000 01100 02011 M M M M A solução geral é, então, dada por sx sx rx s2rx 4 3 2 1 = = = −−= onde r e s são números reais arbitrários. Em forma matricial, qualquer solução é dada por ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡− + ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡− = 1 1 0 2 s 0 0 1 1 rx Portanto, os vetores ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡− 0 0 1 1 e ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡− 1 1 0 2 geram o espaço solução. DEFINIÇÃO: Os vetores k21 v,...,v,v vvv em um espaço vetorial V são ditos linearmente dependentes se existem constantes k21 c,...,c,c nem todas nulas, tais que 0vc...vcvc kk2211 vvvv =+++ Caso contrário, k21 v,...,v,v vvv são linearmente independentes se, sempre que 0vc...vcvc kk2211 =+++ vvv , temos 0c...cc k21 ==== Em outras palavras, a única combinação linear de k21 v,...,v,v vvv que dá o vetor nulo é a que tem todos os coeficientes iguais a zero. Se os vetores k21 v,...,v,v vvv são distintos e { }k21 v,...,v,vS vvv = , dizemos, também, que o conjunto S é linearmente dependente ou linearmente independente.
• 14. 67 O procedimento para verificar se os vetores k21 v,...,v,v vvv são linearmente dependentes ou linearmente independentes é o seguinte: Etapa 1: Escreva a equação 0vc...vcvc kk2211 vvvv =+++ , que leva a um sistema homogêneo. Etapa 2: Se o sistema homogêneo obtido na Etapa 1 tiver apenas a solução trivial, então os vetores dados são linearmente independentes; se existir uma solução não- trivial, os vetores são linearmente dependentes. Exemplo: Determine se os vetores ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡− 0 0 1 1 e ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡− 1 1 0 2 são linearmente dependentes ou linearmente independentes. Sol: Escrevendo a equação ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡− + ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡− 0 0 0 0 1 1 0 2 c 0 0 1 1 c 21 obtemos o sistema homogêneo 0cc0 0cc0 0c0c 0c2c 21 21 21 21 =+ =+ =+ =−− Cuja única solução é 0cc 21 == . Portanto, os vetores dados são linearmente independentes. Exemplo: Os vetores ( )2,1,0,1v1 = v , ( )2,1,1,0v2 = v e ( )3,1,1,1v3 = v em 3 R são linearmente dependentes ou linearmente independentes? Escrevendo a equação 0vcvcvc 332211 vvvv =++ e resolvemos para 1c , 2c e 3c . O sistema homogêneo resultante é
• 15. 68 0c3c2c2 0ccc 0cc 0cc 321 321 32 31 =++ =++ =+ =+ que tem apenas a solução 0ccc 321 === , mostrando que os vetores são linearmente independentes. Exemplo: Os vetores 1e v e 2e v em 2 R são linearmente independentes, já que ( ) ( ) ( )0,01,0c0,1c 21 =+ é válida se e somente se 0cc 21 == . Analogamente, os vetores 1e v , 2e v e 3e v em 3 R e, mais geralmente, os vetores 1e v , 2e v , ..., ne v em n R são linearmente independentes. Exemplo: Se k21 v,...,v,v vvv , são k vetores em qualquer espaço vetorial e iv v é o vetor nulo, então a equação 0vc...vcvc kk2211 vvvv =+++ é satisfeita fazendo-se 1ci = e 0cj = para ij ≠ . Logo { }k21 v,...,v,vS vvv = é linearmente dependente. Portanto, todo conjunto de vetores contendo o vetor nulo é linearmente dependente. TEOREMA: Os vetores não-nulos n21 v,...,v,v vvv em um espaço vetorial V são linearmente dependentes se e somente se um dos vetores jv v é uma combinação linear dos j vetores precedentes 1j21 v,...,v,v − vvv . Exemplo: Se ( )1,2,1v1 −= v , ( )1,2,1v2 −= v , ( )1,2,3v3 −−= v e ( )0,0,2v4 = v , podemos escrever, por exemplo 0v0vv2v 4321 vvvvv =+++ De modo que 213 v2vv vvv −−= .
• 16. 69 Base e Dimensão Base DEFINIÇÃO: Os vetores k21 v,...,v,v vvv em um espaço vetorial V formam uma base para V se (a) k21 v,...,v,v vvv geram V (b) k21 v,...,v,v vvv são linearmente independentes. Obs: Se k21 v,...,v,v vvv formarem uma base para V, então eles tem que ser distintos e não-nulos, logo podemos escrevê-los como um conjunto { }k21 v,...,v,v vvv . Os vetores ( )0,1e1 = v e ( )1,0e2 = v formam uma base para 2 R , os vetores ( )0,0,1e1 = v , ( )0,1,0e2 = v e ( )1,0,0e3 = v formam uma base para 3 R e, no caso geral, os vetores n21 e,...,e,e vvv formam uma base para n R . Cada um desses conjuntos de vetores é chamado de base natural ou base canônica para 2 R , 3 R e n R , respectivamente. Exemplo: O conjunto ⎭ ⎬ ⎫ ⎩ ⎨ ⎧ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = 10 00 , 01 00 , 00 10 , 00 01 S é uma base para o espaço vetorial V de todas as matrizes 2×2. Para verificar que S é linearmente independente, igualamos a zero uma combinação linear de vetores em S: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 00 00 10 00 c 01 00 c 00 10 c 00 01 c 4321 Isto nos dá ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 00 00 cc cc 43 21 o que implica que 0cccc 4321 ==== . Logo, S é linearmente independente. Para verificar que S gera V, consideramos um vetor arbitrário ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ dc ba em V e procuramos escalares 1c , 2c , 3c e 4c tais que ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ 10 00 c 01 00 c 00 10 c 00 01 c dc ba 4321 Vemos que ac1 = , bc2 = , cc3 = e dc4 = . Portanto, S gera V.
• 17. 70 TEOREMA: Se { }k21 v,...,v,vS vvv = é uma base para um espaço vetorial V, então todo vetor em V pode ser escrito de maneira única como uma combinação linear dos vetores em S. TEOREMA: Seja { }k21 v,...,v,vS vvv = um conjunto de vetores não-nulos em um espaço vetorial V e seja W = [S]. Então, algum subconjunto de S é uma base para W. Procedimento para encontrar um subconjunto de um conjunto gerador que é uma base: Seja m RV = e seja { }n21 v,...,v,vS vvv = um conjunto de vetores não-nulos em V. O procedimento para encontrar um subconjunto de S que é uma base de W = [S] é o seguinte: Etapa 1. Forme a equação 0vc...vcvc nn2211 vvvv =+++ Etapa 2. Construa a matriz aumentada associada ao sistema homogêneo da equação acima e coloque em forma escada reduzida por linhas. Etapa 3. Os vetores correspondentes às colunas contendo o primeiro elemento não-nulo de cada linha, que é sempre 1, formam uma base para W = [S]. Então, se { }621 v,...,v,vS vvv = e os primeiros elementos não-nulos das linhas ocorrem nas colunas 1, 3 e 4, { }431 v,v,v vvv é uma base para [S]. Exemplo: Seja { }54321 v,v,v,v,vS vvvvv = um conjunto de vetores em 4 R , onde ( )1,2,2,1v1 −= v ( )3,4,0,3v2 −−= v ( )1,1,1,2v3 −= v ( )6,9,3,3v4 −−= v ( )6,7,3,9v5 −= v Encontre um subconjunto de S que seja uma base para W = [S] Solução Etapa 1. Forme a equação 0vc...vcvc nn2211 vvvv =+++ ( ) ( ) ( ) ( ) ( ) ( )0,0,0,06,7,3,9c6,9,3,3c1,1,1,2c3,4,0,3c1,2,2,1c 54321 =−+−−+−+−−+− Etapa 2. Iguale os componentes correspondentes para obter o sistema homogêneo. 0c6c6cc3c 0c7c9cc4c2 0c3c3cc2 0c9c3c2c3c 54321 54321 5431 54321 =−+−+ =+−+−− =+++ =+−+−
• 18. 71 A forma escada reduzida por linhas da matriz aumentada é ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ −− 000000 000000 0 2 5 2 3 2 1 10 0 2 3 2 3 2 1 01 M M M M Etapa 3. Os primeiros elementos não-nulos das linhas aparecem nas colunas 1 e 2, logo { }21 v,v vv é uma base para W = [S]. TEOREMA: Se { }n21 v,...,v,vS vvv = é uma base para o espaço vetorial V e se { }r21 w,...,w,wT vvv = é um conjunto linearmente independente de vetores em V, então r ≤ n. Corolário: Se { }n21 v,...,v,vS vvv = e { }m21 w,...,w,wT vvv = são bases para um espaço vetorial, então n = m. Embora um espaço vetorial tenha infinitas bases, para um determinado espaço vetorial V, todas as bases têm o mesmo número de vetores. Dimensão DEFINIÇÃO: A dimensão de um espaço vetorial V não-nulo é o número de vetores em uma base para V. Escrevemos, frequentemente, dim V no lugar de dimensão de V. Como o conjunto { }0 v é linearmente dependente, é natural dizer que o espaço vetorial { }0 v tem dimensão zero. TEOREMA: Se S é um conjunto linearmente independente de vetores em um espaço vetorial de dimensões finita V, então existe uma base T para V que contém S. Este teorema diz que um conjunto linearmente independente de vetores em um espaço vetorial V pode ser estendido para uma base de V.
• 19. 72 Exemplo: Suponha que queremos encontrar uma base para 4 R que contém os vetores ( )0,1,0,1v1 = v e ( )0,1,1,1v2 −−= v . Seja { }4321 e,e,e,e vvvv a base canônica de 4 R , onde ( )0,0,0,1e1 = v , ( )0,0,1,0e2 = v , ( )0,1,0,0e3 = v e ( )1,0,0,0e4 = v . Considere o conjunto { }432121 e,e,e,e,v,vS vvvvvv = . Como { }4321 e,e,e,e vvvv gera 4 R , S também gera 4 R . Vamos agora encontrar um subconjunto de S que é uma base para 4 R . Formamos a equação 0ececececvcvc 463524132211 vvvvvvv =+++++ que nos leva ao sistema homogêneo 0c 0ccc 0cc 0ccc 6 521 42 321 = =+− =+− =+− Colocando a matriz aumentada em sua forma escada reduzida por linhas, obtemos ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − 0100000 0010100 0001010 0011001 M M M M Como os primeiros elementos não-nulos das linhas aparecem nas colunas 1, 2, 3 e 6, concluímos que { }4121 e,e,v,v vvvv é a base para 4 R contendo 1v v e 2v v . Pela definição de base, um conjunto de vetores em um espaço vetorial V é uma base para V se gera V e é linearmente independente. No entanto, se tivermos a informação adicional de que a dimensão de V é n, precisamos verificar apenar uma dessas condições. Este é o resultado do próximo teorema. TEOREMA: Seja V um espaço vetorial de dimensão n e seja { }n21 v,...,v,vS vvv = um subconjunto de n vetores em V. a) Se S é linearmente independente, então é uma base para V. b) Se S gera V, então é uma base para V.
• 20. 73 Sistemas Homogêneos Considere o sistema homogêneo 0xA vv = onde A é uma matriz m×n. O conjunto de todas as soluções desse sistema homogêneo é um subespaço de n R . Um problema extremamente importante é encontrar a base para este espaço solução. O procedimento para encontrar uma base para o espaço solução de 0xA vv = , ou o núcleo de A, onde A é m×n, é o seguinte: Etapa 1. Resolva o sistema homogêneo dado pelo método de redução de Gauss- Jordan. Se a solução não contém constantes arbitrárias, então o espaço solução é { }0 v , que não tem base; a dimensão do espaço solução é zero. Etapa 2. Se a solução x v contém constantes arbitrárias, escreva x v como uma combinação linear dos vetores p21 x,...,x,x vvv tendo p21 s,...,s,s como coeficientes: pp2211 xs...xsxsx vvvv +++= Etapa 3. O conjunto de vetores { }p21 x,...,x,x vvv é uma base para o espaço solução de 0xA vv = ; a dimensão desse espaço solução é p. Observação: Suponha que, na Etapa 1, a matriz em forma escada reduzida por linhas na qual foi transformada [ ]0A v M tem r linhas não-nulas (todas com o primeiro elemento diferente de zero igual a 1). Então, p = n – r, isto é, a dimensão do espaço solução é n – r. Além disso, a solução x v de 0xA vv = tem n – r constantes arbitrárias. Se A é uma matriz m×n, chamamos a dimensão do núcleo de A de nulidade de A. Exemplo: Encontre uma base e a dimensão do espaço solução W do sistema homogêneo. ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − 0 0 0 0 0 x x x x x 10612 20011 21000 11210 21411 5 4 3 2 1
• 21. 74 Sol Etapa 1. Para resolver o sistema dado pelo método de redução de Gauss-Jordan, transformamos a matriz aumentada em sua forma escada reduzida por linhas, obtendo ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − 000000 000000 021000 010210 010201 M M M M M Toda solução é da forma: ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − +− −− = t t2 s ts2 ts2 x v onde s e t são números reais arbitrários. Etapa 2. Todo vetor em W é uma solução, logo podemos escrever qualquer vetor em W como ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − + ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − = 1 2 0 1 1 t 0 0 1 2 2 sx v Como s e t podem assumir quaisquer valores, fazemos primeiro s = 1 e t = 0 e, depois, s = 0 e t = 1, obtendo como soluções ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − = 0 0 1 2 2 x1 v e ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − = 1 2 0 1 1 x2 v Etapa 3. O conjunto { }21 x,x vv é uma base para W e dim W = 2.
• 22. 75 Exemplo: Encontre uma base para o espaço solução do sistema homogêneo ( ) 0xAI3 vv =−λ para λ = –2 e ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − −− = 200 012 103 A Sol Formamos –2I3 –A: ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ −−= ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − −− − ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − 000 032 101 200 012 103 100 010 001 2 Esta última matriz é a matriz dos coeficientes do sistema homogêneo, logo a transformamos na matriz aumentada ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ −− 0000 0032 0101 M M M e a colocamos na forma escada reduzida por linhas ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − 0000 0 3 2 10 0101 M M M Então, todo solução é da forma ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡− = s s 3 2 s x v onde s é um número real qualquer. Logo, todo vetor no espaço solução pode ser escrito como ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡− = 1 3 2 1 sx v de modo que ⎪ ⎭ ⎪ ⎬ ⎫ ⎪ ⎩ ⎪ ⎨ ⎧ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡− 1 3 2 1 é uma base para o espaço solução.
• 23. 76 Exemplo: Encontre todos os números reais λ tais que o sistema homogêneo ( ) 0xAI2 vv =−λ tem uma solução não-trivial, onde ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = 13 51 A Sol Formamos λI2 –A: ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +λ− −−λ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − −⎥ ⎦ ⎤ ⎢ ⎣ ⎡ λ 13 51 13 51 10 01 O sistema homogêneo ( ) 0xAI2 vv =−λ é, então ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ =⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +λ− −−λ 0 0 x x 13 51 2 1 Este sistema homogêneo tem uma solução não trivial se e somente se o determinante da matriz dos coeficientes é nulo (Apostila 2), isto é, se e somente se 0 13 51 det =⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ +λ− −−λ ou se e somente se ( )( ) 01511 =−+λ−λ 0162 =−λ 4=λ ou 4−=λ Portanto, quando 4=λ ou 4−=λ , o sistema homogêneo ( ) 0xAI2 vv =−λ para a matriz dada A tem uma solução não-trivial.
• 24. 77 O Posto de uma Matriz DEFINIÇÃO: Seja ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = mn2m1m n12221 n11211 aaa aaa aaa A L MMM L L uma matriz m×n. As linhas de A, { }n112111 a,...,a,av = v { }n222212 a,...,a,av = v M { }mn2m1mm a,...,a,av = v consideradas vetores em n R , geram um subespaço de n R chamado espaço linha de A. Analogamente, as colunas de A, ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = 1m 21 11 1 a a a w M v , ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = 2m 22 12 2 a a a w M v , ...... , ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = mn n2 n1 n a a a w M v considerados vetores em m R , geram um subespaço de m R chamado espaço coluna de A. TEOREMA: Se A e B são duas matrizes m×n equivalentes por linhas, então os espaços linha de A e B são iguais. O procedimento para encontrar uma base para o subespaço V de n R dado por V = [S], onde { }k21 v,...,v,vS vvv = é um conjunto de vetores em n R dados em forma de linhas, é o seguinte: Etapa 1. Forma a matriz ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = k 2 1 v v v A v M v v cujas linhas são os vetores dados em S. Etapa 2. Transforme A em sua forma escada reduzida por linhas, obtendo a matriz B. Etapa 3. As linhas não-nulas de B formam uma base para V.
• 25. 78 Exemplo: Seja { }4321 v,v,v,vS vvvv = , onde ( )4,3,0,2,1v1 −−= v , ( )4,1,8,2,3v2 = v , ( )3,2,7,3,2v3 = v e ( )3,4,0,2,1v4 −−= v . V é o espaço linha da matriz A cujas linhas são os vetores dados: ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ −− −− = 34021 32732 41823 43021 A A é equivalente por linhas a ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − = 00000 11000 10110 10201 B que está em forma escada reduzida por linhas. Os espaços linhas de A e B são idênticos, e uma base para o espaço linha de B consiste nas linhas não-nulas de B. Portanto, ( )1,0,2,0,1w1 = v , ( )1,0,1,1,0w2 = v e ( )1,1,0,0,0w3 −= v formam uma base para V. DEFINIÇÃO: A dimensão do espaço linha de A é chamada de posto linha de A, e a dimensão do espaço coluna de A é chamada de posto coluna de A. TEOREMA: Os postos linha e coluna de uma matriz [ ]ijaA = m×n são iguais. DEFINIÇÃO: Como posto linha de A = posto coluna de A, vamos nos referir simplesmente ao posto de uma matriz m×n e escrever posto de A. O procedimento para calcular o posto de uma matriz é o seguinte: Etapa 1. Usando operações elementares nas linhas, transforme A em uma matriz B em forma escada reduzida por linhas. Etapa 2. Posto de A = número de linhas não-nulas de B. TEOREMA: Se A é uma matriz m×n, então posto de A + nulidade de A = n.
• 26. 79 Exemplo: Seja ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − = 10612 20011 21000 11210 21411 A colocando A em sua forma escada reduzida por linhas: ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − = 00000 00000 21000 10210 10201 A Logo, posto de A = 3 e nulidade de A = 2.
• 27. 80 Posto e Singularidade TEOREMA: Uma matriz A n×n é invertível se e somente se posto de A = n. Corolário: Se A é uma matriz n×n, então posto de A = n se e somente se det(A) ≠ 0. Corolário: Seja A uma matriz n×n. O sistema linear bxA vv = tem uma única solução para toda matriz b n×1 se e somente se posto de A = n. Corolário: Seja { }n21 v,...,v,vS vvv = um conjunto de vetores em n R e seja A a matriz cujas linhas (respectivamente, colunas) são vetores em S. Então S é linearmente independente se e somente se det(A) ≠ 0. Corolário: O sistema homogêneo 0xA vv = com n equações lineares e n incógnitas tem uma solução não-trivial se e somente se posto de A < n. Exemplo: Seja ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = 312 310 021 A Transformando A em sua forma escada reduzida por linhas B, encontramos B = I3. Logo, posto de A = 3 e a matriz não é singular. Além disso, o sistema homogêneo 0xA vv = tem apenas a solução trivial. Exemplo: Seja ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ −= 331 311 021 A Então A é equivalente por linhas a ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − 000 310 601 uma matriz em forma escada reduzida por linhas. Logo, posto de A < 3 e A é singular. Além disso, 0xA vv = tem apenas a solução não-trivial.
• 28. 81 Aplicação do Posto para um Sistema Linear Ax = b TEOREMA: O sistema linear bxA vv = tem solução se e somente se posto de A = posto de [ ]bA v M , isto é, se e somente se os postos da matriz de coeficientes e da matriz aumentada são iguais. Exemplo: Considere o sistema linear ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − 3 2 1 x x x 310 221 312 3 2 1 Como posto de A = posto de [ ]bA v M = 3, o sistema linear tem uma solução. Exemplo: O sistema linear ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − 6 5 4 x x x 712 431 321 3 2 1 não tem solução, pois posto de A = 2 e posto de [ ]bA v M = 3. Lista de Equivalência para Matrizes Invertíveis As seguintes afirmações são equivalentes para uma matriz A n×n: 1. A é invertível. 2. 0xA vv = tem apenas a solução trivial. 3. A é equivalente por linhas a In. 4. O sistema linear bxA vv = tem uma única solução qualquer que seja a matriz b v n×1. 5. det(A) ≠ 0 6. A tem posto n. 7. A tem nulidade 0. 8. As linhas de A formam um conjunto linearmente independente de n vetores em n R . 9. As colunas de A formam um conjunto linearmente independente de n vetores em n R .
Idioma atualEnglish
Español
Portugues
Français
Deutsche
© 2024 SlideShare de Scribd