SlideShare uma empresa Scribd logo
54
Parte 4 – Espaços Vetoriais
55
Espaços Vetoriais Reais
DEFINIÇÃO: Um espaço vetorial real é um conjunto de elementos V munidos
de duas operações ⊕ e ⊗ tais que
α) Se u
v
e v
v
são elementos de V, então vu
vv
⊕ está em V (i. e., V é fechado em relação
à operação ⊕).
a) uvvu
vvvv
⊕=⊕ se u
v
e v
v
pertencem a V.
b) ( ) ( ) wvuwvu
vvvvvv
⊕⊕=⊕⊕ se u
v
, v
v
e w
v
pertencem a V.
c) Existe um elemento 0
v
em V tal que uu00u
vvvvv
=⊕=⊕ , para todo u
v
em V.
d) Para cada u
v
em V, existe um elemento u
v
− em V tal que 0uu
vvv
=−⊕
β) Se u
v
é um elemento qualquer de V e r é qualquer número real, então ur
v
⊗ está em
V (i. e., V é fechado em relação à operação ⊗).
e) ( ) vrurvur
vvvv
⊗⊕⊗=⊕⊗ , para todo número real r e todos os elementos u
v
e
v
v
em V.
f) ( ) usurusr
vvv
⊗⊕⊗=⊗+ , para todos os números reais r e s e todo elemento u
v
de V.
g) ( ) ( ) ursusr
vv
⊗=⊗⊗ , para todos os números reais r e s e todo elemento u
v
de
V.
h) uu1
vv
=⊗ , para todo elemento u
v
de V.
Os elementos de V são chamados vetores; os números reais são chamados
escalares. A operação ⊕ é chamada soma de vetores; a operação ⊗ é denominada
multiplicação por escalar. O vetor 0
v
que aparece na propriedade (c) é conhecido
como o vetor nulo. O vetor u
v
− que ocorre na propriedade (d) é o negativo de u
v
. É
possível provar que os vetores 0
v
e u
v
− são únicos.
Exemplo: Considere o conjunto V das triplas ordenadas de números reais
munidos das operações ⊕ e ⊗ através das fórmulas
( ) ( ) ( )'zz,'yy,'xx'z,'y,'xz,y,x +++=⊕
( ) ( )z,y,rxz,y,xr =⊗
Podemos verificar que as propriedades (a), (b), (c), (d) e (e) são satisfeitas. Por
exemplo, para checarmos a propriedade (e) fazemos:
( ) ( )[ ] ( ) ( )( )'zz,'yy,'xxr'zz,'yy,'xxr'z,'y,'xz,y,xr +++=+++⊗=⊕⊗
Além disso,
( ) ( ) ( ) ( ) ( )( )'zz,'yy,'xxr'z,'y,'rxz,y,rx'z,'y,'xrz,y,xr +++=⊕=⊗⊕⊗
Portanto, a propriedade (e) é satisfeita.
Entretanto, a propriedade (f) não é satisfeita. De fato,
( ) ( ) ( )( )z,y,xdrz,y,xdr +=⊗+
Por outro lado
( ) ( ) ( ) ( ) ( )( )z2,y2,xdrz,y,dxz,y,rxz,y,xdz,y,xr +=⊕=⊗⊕⊗
Logo, V não é um espaço vetorial. Observe que as propriedades (g) e (h) são
satisfeitas.
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).
57
Vamos provar agora que nP é um espaço vetorial.
Sejam ( )tp e ( )tq elementos de nP como antes, isto é, são polinômios de grau
n≤ ou o polinômio nulo. Então, as definições dadas anteriormente de ⊕ e ⊗ mostram
que ( ) ( )tqtp ⊕ e ( )tpc ⊗ , qualquer que seja o escalar c, são polinômios de grau n≤ ou
o polinômio nulo, ou seja, ( ) ( )tqtp ⊕ e ( )tpc ⊗ estão em nP , de modo que as
propriedades (α) e (β) são válidas.
Para verificar (a), note que
( ) ( ) ( ) ( ) ( ) ( )0011
1n
1n1n
n
nn abtabtabtabtptq ++++++++=⊕ −
−− L
e, como iiii abba +=+ para números reais, podemos concluir que
( ) ( ) ( ) ( )tptqtqtp ⊕=⊕ .
A propriedade (b) pode ser demonstrada de forma análoga.
Para demonstrar (c) é só utilizar como elemento 0
v
o polinômio nulo.
Para demonstrar (d) é só lembrar que, para ( )tp como definido anteriormente,
temos seu negativo, ( )tp− , dado por
01
1n
1n
n
n atatata −−−−− −
− L
Para demonstrar (f) fazemos
( ) ( ) ( ) ( ) ( ) ( ) 01
1n
1n
n
n adrtadrtadrtadrtpdr ++++++++=⊗+ −
− L
0011
1n
1n
1n
1n
n
n
n
n daratdatratdatratdatra ++++++++= −
−
−
− L
( ) ( )01
1n
1n
n
n01
1n
1n
n
n atatatadatatatar +++++++++= −
−
−
− LL
( ) ( )tpdtpr ⊗⊕⊗=
A demonstração das demais propriedades fica como exercício.
A vantagem da Definição de Espaço Vetorial apresentada é que ela não se
preocupa com o que é um espaço vetorial. Por exemplo, um vetor em 3
R é um ponto,
um segmento de reta orientado ou uma matriz 3×1? A Definição trata apenas do
comportamento algébrico dos elementos em um espaço vetorial. No caso de 3
R ,
qualquer que seja o ponto de vista adotado, o comportamento algébrico é o mesmo.
Podemos, então, falar sobre as propriedades de todos os espaços vetoriais sem ter que
nos referirmos a um espaço vetorial particular. Portanto, um “vetor”, agora, é,
simplesmente, um elemento de um espaço vetorial e não precisa estar associado a um
segmento de reta orientado. O teorema a seguir apresenta diversas propriedades úteis
comuns a todos os espaços vetoriais.
TEOREMA: Se V é um espaço vetorial, então
a) 0u0
vv
= para todo u
v
em V.
b) 00r
vv
= para todo escalar r.
c) Se 0ur
vv
= , então r = 0 ou 0u
vv
= .
d) ( ) uu1
vv
−=− para todo u
v
em V.
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 .
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.
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
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
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
.
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
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:
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:
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.
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
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
−−= .
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.
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
=−+−+
=+−+−−
=+++
=+−+−
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.
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.
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
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.
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.
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.
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.
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.
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.
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.
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 .

Mais conteúdo relacionado

Mais procurados

Galerkin method
Galerkin methodGalerkin method
Galerkin method
mullerasmare
 
Vetores
VetoresVetores
Vetores
Jupira Silva
 
Calculo vetorial
Calculo vetorialCalculo vetorial
Calculo vetorial
tooonks
 
12.5. vector valued functions
12.5. vector valued functions12.5. vector valued functions
12.5. vector valued functions
math267
 
Tabela derivadas integral
Tabela derivadas integralTabela derivadas integral
Tabela derivadas integral
Lidia Tiggemann
 
Algebra
AlgebraAlgebra
Algebra
Sam Santos
 
18 directional derivatives and gradient
18 directional  derivatives and gradient18 directional  derivatives and gradient
18 directional derivatives and gradient
math267
 
Solución Álgebra Lineal ESPOL 2017 1T
Solución Álgebra Lineal ESPOL 2017 1TSolución 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 PearsonChapter 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 coordinate24 double integral over polar coordinate
24 double integral over polar coordinate
math267
 
AULA PRODUTO VETORIAL
AULA PRODUTO VETORIALAULA PRODUTO VETORIAL
AULA PRODUTO VETORIAL
naracollyer2015
 
Verdadero o falso
Verdadero o falsoVerdadero o falso
Resolucion de un circuito rlc en matlab
Resolucion de un circuito rlc en matlabResolucion de un circuito rlc en matlab
Resolucion de un circuito rlc en matlab
David Basantes
 
94204719 teoria-dos-numeros
94204719 teoria-dos-numeros94204719 teoria-dos-numeros
94204719 teoria-dos-numeros
John Mark Veronica
 
22 double integrals
22 double integrals22 double integrals
22 double integrals
math267
 
Aula 21: Exercícios
Aula 21: ExercíciosAula 21: Exercícios
Aula 21: Exercícios
Adriano Silva
 
Inner product spaces
Inner product spacesInner product spaces
Inner product spaces
EasyStudy3
 
Lesson 32: The Fundamental Theorem Of Calculus
Lesson 32: The Fundamental Theorem Of CalculusLesson 32: The Fundamental Theorem Of Calculus
Lesson 32: The Fundamental Theorem Of Calculus
Matthew Leingang
 
Quadricas (novo)
Quadricas (novo)Quadricas (novo)
Quadricas (novo)
Claudia Fiuza
 
Autovalor autovetor
Autovalor autovetorAutovalor autovetor
Autovalor autovetor
Clóvis Batista dos Santos
 

Mais procurados (20)

Galerkin method
Galerkin methodGalerkin method
Galerkin method
 
Vetores
VetoresVetores
Vetores
 
Calculo vetorial
Calculo vetorialCalculo vetorial
Calculo vetorial
 
12.5. vector valued functions
12.5. vector valued functions12.5. vector valued functions
12.5. vector valued functions
 
Tabela derivadas integral
Tabela derivadas integralTabela derivadas integral
Tabela derivadas integral
 
Algebra
AlgebraAlgebra
Algebra
 
18 directional derivatives and gradient
18 directional  derivatives and gradient18 directional  derivatives and gradient
18 directional derivatives and gradient
 
Solución Álgebra Lineal ESPOL 2017 1T
Solución Álgebra Lineal ESPOL 2017 1TSolución 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 PearsonChapter 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 coordinate24 double integral over polar coordinate
24 double integral over polar coordinate
 
AULA PRODUTO VETORIAL
AULA PRODUTO VETORIALAULA PRODUTO VETORIAL
AULA PRODUTO VETORIAL
 
Verdadero o falso
Verdadero o falsoVerdadero o falso
Verdadero o falso
 
Resolucion de un circuito rlc en matlab
Resolucion de un circuito rlc en matlabResolucion de un circuito rlc en matlab
Resolucion de un circuito rlc en matlab
 
94204719 teoria-dos-numeros
94204719 teoria-dos-numeros94204719 teoria-dos-numeros
94204719 teoria-dos-numeros
 
22 double integrals
22 double integrals22 double integrals
22 double integrals
 
Aula 21: Exercícios
Aula 21: ExercíciosAula 21: Exercícios
Aula 21: Exercícios
 
Inner product spaces
Inner product spacesInner product spaces
Inner product spaces
 
Lesson 32: The Fundamental Theorem Of Calculus
Lesson 32: The Fundamental Theorem Of CalculusLesson 32: The Fundamental Theorem Of Calculus
Lesson 32: The Fundamental Theorem Of Calculus
 
Quadricas (novo)
Quadricas (novo)Quadricas (novo)
Quadricas (novo)
 
Autovalor autovetor
Autovalor autovetorAutovalor autovetor
Autovalor autovetor
 

Destaque

Aula 9 espaços vetoriais euclidianos - parte 1
Aula 9   espaços vetoriais euclidianos - parte 1Aula 9   espaços vetoriais euclidianos - parte 1
Aula 9 espaços vetoriais euclidianos - parte 1
Gregorio Tomas Gonzaga
 
Algebra linear teoremas
Algebra linear teoremasAlgebra linear teoremas
Algebra linear teoremas
unifesptk
 
Modelo de Espaço Vetorial
Modelo de Espaço VetorialModelo de Espaço Vetorial
Modelo de Espaço Vetorial
Alexandre Duarte
 
25.4.2010 função seno
25.4.2010   função seno25.4.2010   função seno
25.4.2010 função seno
Fredson Lima
 
Função seno
Função senoFunção seno
Função seno
myri2000
 
Tópico 05 - Funções Exponenciais e Logarítmicas
Tópico 05 - Funções Exponenciais e LogarítmicasTópico 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 logarítmicaAula 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 TrigonometricasAula 7 - Funções Logarítmicas, Exponenciais e Trigonometricas
Aula 7 - Funções Logarítmicas, Exponenciais e Trigonometricas
Turma1NC
 
Função Exponencial
Função ExponencialFunção Exponencial
Função Exponencial
Antonio Carneiro
 
Funcoes trigonometricas.ppt
Funcoes trigonometricas.pptFuncoes trigonometricas.ppt
Funcoes trigonometricas.ppt
Rodrigo Carvalho
 
A Função Seno
A Função SenoA Função Seno
A Função Seno
guest9bcf
 
Aula 2 matrizes
Aula 2   matrizesAula 2   matrizes
CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas
 CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas
CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas
Vídeo Aulas Apoio
 
Função exponencial
Função exponencialFunção exponencial
Função exponencial
PROFESSOR GLEDSON GUIMARÃES
 
Aula 27 espaços vetoriais
Aula 27   espaços vetoriaisAula 27   espaços vetoriais
História do número PI
História do número PIHistória do número PI
História do número PI
Rafael Cavalcante
 

Destaque (16)

Aula 9 espaços vetoriais euclidianos - parte 1
Aula 9   espaços vetoriais euclidianos - parte 1Aula 9   espaços vetoriais euclidianos - parte 1
Aula 9 espaços vetoriais euclidianos - parte 1
 
Algebra linear teoremas
Algebra linear teoremasAlgebra linear teoremas
Algebra linear teoremas
 
Modelo de Espaço Vetorial
Modelo de Espaço VetorialModelo de Espaço Vetorial
Modelo de Espaço Vetorial
 
25.4.2010 função seno
25.4.2010   função seno25.4.2010   função seno
25.4.2010 função seno
 
Função seno
Função senoFunção seno
Função seno
 
Tópico 05 - Funções Exponenciais e Logarítmicas
Tópico 05 - Funções Exponenciais e LogarítmicasTópico 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 logarítmicaAula 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 TrigonometricasAula 7 - Funções Logarítmicas, Exponenciais e Trigonometricas
Aula 7 - Funções Logarítmicas, Exponenciais e Trigonometricas
 
Função Exponencial
Função ExponencialFunção Exponencial
Função Exponencial
 
Funcoes trigonometricas.ppt
Funcoes trigonometricas.pptFuncoes trigonometricas.ppt
Funcoes trigonometricas.ppt
 
A Função Seno
A Função SenoA Função Seno
A Função Seno
 
Aula 2 matrizes
Aula 2   matrizesAula 2   matrizes
Aula 2 matrizes
 
CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas
 CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas
CentroApoio.com - Matemática - Função Exponencial - Vídeo Aulas
 
Função exponencial
Função exponencialFunção exponencial
Função exponencial
 
Aula 27 espaços vetoriais
Aula 27   espaços vetoriaisAula 27   espaços vetoriais
Aula 27 espaços vetoriais
 
História do número PI
História do número PIHistória do número PI
História do número PI
 

Semelhante a Aula 4 espaços vetoriais

Algebra Linear cap 03
Algebra Linear cap 03Algebra Linear cap 03
Algebra Linear cap 03
Andrei Bastos
 
Algebra Linear cap 02
Algebra Linear cap 02Algebra Linear cap 02
Algebra Linear cap 02
Andrei Bastos
 
Algebra linear exercicios_resolvidos
Algebra linear exercicios_resolvidosAlgebra linear exercicios_resolvidos
Algebra linear exercicios_resolvidos
Rodolfo Sena da Penha
 
1939 d (2)
1939 d (2)1939 d (2)
1939 d (2)
Tuane Paixão
 
Algebra Linear cap 04
Algebra Linear cap 04Algebra Linear cap 04
Algebra Linear cap 04
Andrei Bastos
 
4. espacos vectoriais
4. espacos vectoriais4. espacos vectoriais
4. espacos vectoriais
Gerônimo Neto
 
GEOMETRIA ANALÍTICA cap 03
GEOMETRIA ANALÍTICA cap  03GEOMETRIA ANALÍTICA cap  03
GEOMETRIA ANALÍTICA cap 03
Andrei Bastos
 
exercicios de calculo
exercicios de calculoexercicios de calculo
exercicios de calculo
Willian Santana Quirino
 
Lista de exercícios 1 - Cálculo
Lista de exercícios 1 - CálculoLista de exercícios 1 - Cálculo
Lista de exercícios 1 - Cálculo
Carlos Campani
 
Aula 15 2020
Aula 15 2020Aula 15 2020
Aula 15 2020
Carolina Direito
 
1928 d
1928 d1928 d
Algebra Linear cap 09
Algebra Linear cap 09Algebra Linear cap 09
Algebra Linear cap 09
Andrei Bastos
 
Transformação linear
Transformação linearTransformação linear
Transformação linear
ramos_unicap
 
Algebra Linear cap 07
Algebra Linear cap 07Algebra Linear cap 07
Algebra Linear cap 07
Andrei Bastos
 
Vetores-no-R2-e-no-R32.pdf
Vetores-no-R2-e-no-R32.pdfVetores-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 resolvidosEspaço Vetorial: Teoria e Exercícios resolvidos
Espaço Vetorial: Teoria e Exercícios resolvidos
numerosnamente
 
Teoria dos Conjuntos
Teoria dos Conjuntos   Teoria dos Conjuntos
Teoria dos Conjuntos
Luciano Pessanha
 
GEOMETRIA ANALÍTICA cap 04
GEOMETRIA ANALÍTICA cap  04GEOMETRIA ANALÍTICA cap  04
GEOMETRIA ANALÍTICA cap 04
Andrei Bastos
 
Gacap04 130507191020-phpapp01
Gacap04 130507191020-phpapp01Gacap04 130507191020-phpapp01
Gacap04 130507191020-phpapp01
Carlos Andrade
 
TEORIA DE CONJUNTOS
TEORIA DE CONJUNTOS TEORIA DE CONJUNTOS
TEORIA DE CONJUNTOS
Luciano Pessanha
 

Semelhante a Aula 4 espaços vetoriais (20)

Algebra Linear cap 03
Algebra Linear cap 03Algebra Linear cap 03
Algebra Linear cap 03
 
Algebra Linear cap 02
Algebra Linear cap 02Algebra Linear cap 02
Algebra Linear cap 02
 
Algebra linear exercicios_resolvidos
Algebra linear exercicios_resolvidosAlgebra linear exercicios_resolvidos
Algebra linear exercicios_resolvidos
 
1939 d (2)
1939 d (2)1939 d (2)
1939 d (2)
 
Algebra Linear cap 04
Algebra Linear cap 04Algebra Linear cap 04
Algebra Linear cap 04
 
4. espacos vectoriais
4. espacos vectoriais4. espacos vectoriais
4. espacos vectoriais
 
GEOMETRIA ANALÍTICA cap 03
GEOMETRIA ANALÍTICA cap  03GEOMETRIA ANALÍTICA cap  03
GEOMETRIA ANALÍTICA cap 03
 
exercicios de calculo
exercicios de calculoexercicios de calculo
exercicios de calculo
 
Lista de exercícios 1 - Cálculo
Lista de exercícios 1 - CálculoLista de exercícios 1 - Cálculo
Lista de exercícios 1 - Cálculo
 
Aula 15 2020
Aula 15 2020Aula 15 2020
Aula 15 2020
 
1928 d
1928 d1928 d
1928 d
 
Algebra Linear cap 09
Algebra Linear cap 09Algebra Linear cap 09
Algebra Linear cap 09
 
Transformação linear
Transformação linearTransformação linear
Transformação linear
 
Algebra Linear cap 07
Algebra Linear cap 07Algebra Linear cap 07
Algebra Linear cap 07
 
Vetores-no-R2-e-no-R32.pdf
Vetores-no-R2-e-no-R32.pdfVetores-no-R2-e-no-R32.pdf
Vetores-no-R2-e-no-R32.pdf
 
Espaço Vetorial: Teoria e Exercícios resolvidos
Espaço Vetorial: Teoria e Exercícios resolvidosEspaço Vetorial: Teoria e Exercícios resolvidos
Espaço Vetorial: Teoria e Exercícios resolvidos
 
Teoria dos Conjuntos
Teoria dos Conjuntos   Teoria dos Conjuntos
Teoria dos Conjuntos
 
GEOMETRIA ANALÍTICA cap 04
GEOMETRIA ANALÍTICA cap  04GEOMETRIA ANALÍTICA cap  04
GEOMETRIA ANALÍTICA cap 04
 
Gacap04 130507191020-phpapp01
Gacap04 130507191020-phpapp01Gacap04 130507191020-phpapp01
Gacap04 130507191020-phpapp01
 
TEORIA DE CONJUNTOS
TEORIA DE CONJUNTOS TEORIA DE CONJUNTOS
TEORIA DE CONJUNTOS
 

Último

Elementos de Máquina aplicados na tornearia mecânica.ppt
Elementos de Máquina aplicados na tornearia mecânica.pptElementos 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...AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL EMPREENDEDORISMO CORPORATIVO UNICES...
Consultoria Acadêmica
 
Dimensionamento de eixo. estudo de caso.pdf
Dimensionamento de eixo. estudo de caso.pdfDimensionamento de eixo. estudo de caso.pdf
Dimensionamento de eixo. estudo de caso.pdf
RodrigoQuintilianode1
 
Apresentação concreto autodesempenho 123
Apresentação concreto autodesempenho 123Apresentação 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 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...
AE03 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...
Consultoria Acadêmica
 
AE03 - LOGISTICA EMPRESARIAL UNICESUMAR 52/2024
AE03 - LOGISTICA EMPRESARIAL UNICESUMAR 52/2024AE03 - LOGISTICA EMPRESARIAL UNICESUMAR 52/2024
AE03 - LOGISTICA EMPRESARIAL UNICESUMAR 52/2024
Consultoria Acadêmica
 
Segurança nos trabalhos em altura, normas SST
Segurança nos trabalhos em altura, normas SSTSegurança 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.pdfÁREAS 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...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 SementesAula 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).pdfAULA 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.pptElementos 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...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.pdfDimensionamento de eixo. estudo de caso.pdf
Dimensionamento de eixo. estudo de caso.pdf
 
Apresentação concreto autodesempenho 123
Apresentação concreto autodesempenho 123Apresentação 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 - 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 52/2024AE03 - LOGISTICA EMPRESARIAL UNICESUMAR 52/2024
AE03 - LOGISTICA EMPRESARIAL UNICESUMAR 52/2024
 
Segurança nos trabalhos em altura, normas SST
Segurança nos trabalhos em altura, normas SSTSegurança 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.pdfÁREAS 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...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 SementesAula 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).pdfAULA 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
  • 2. 55 Espaços Vetoriais Reais DEFINIÇÃO: Um espaço vetorial real é um conjunto de elementos V munidos de duas operações ⊕ e ⊗ tais que α) Se u v e v v são elementos de V, então vu vv ⊕ está em V (i. e., V é fechado em relação à operação ⊕). a) uvvu vvvv ⊕=⊕ se u v e v v pertencem a V. b) ( ) ( ) wvuwvu vvvvvv ⊕⊕=⊕⊕ se u v , v v e w v pertencem a V. c) Existe um elemento 0 v em V tal que uu00u vvvvv =⊕=⊕ , para todo u v em V. d) Para cada u v em V, existe um elemento u v − em V tal que 0uu vvv =−⊕ β) Se u v é um elemento qualquer de V e r é qualquer número real, então ur v ⊗ está em V (i. e., V é fechado em relação à operação ⊗). e) ( ) vrurvur vvvv ⊗⊕⊗=⊕⊗ , para todo número real r e todos os elementos u v e v v em V. f) ( ) usurusr vvv ⊗⊕⊗=⊗+ , para todos os números reais r e s e todo elemento u v de V. g) ( ) ( ) ursusr vv ⊗=⊗⊗ , para todos os números reais r e s e todo elemento u v de V. h) uu1 vv =⊗ , para todo elemento u v de V. Os elementos de V são chamados vetores; os números reais são chamados escalares. A operação ⊕ é chamada soma de vetores; a operação ⊗ é denominada multiplicação por escalar. O vetor 0 v que aparece na propriedade (c) é conhecido como o vetor nulo. O vetor u v − que ocorre na propriedade (d) é o negativo de u v . É possível provar que os vetores 0 v e u v − são únicos. Exemplo: Considere o conjunto V das triplas ordenadas de números reais munidos das operações ⊕ e ⊗ através das fórmulas ( ) ( ) ( )'zz,'yy,'xx'z,'y,'xz,y,x +++=⊕ ( ) ( )z,y,rxz,y,xr =⊗ Podemos verificar que as propriedades (a), (b), (c), (d) e (e) são satisfeitas. Por exemplo, para checarmos a propriedade (e) fazemos: ( ) ( )[ ] ( ) ( )( )'zz,'yy,'xxr'zz,'yy,'xxr'z,'y,'xz,y,xr +++=+++⊗=⊕⊗ Além disso, ( ) ( ) ( ) ( ) ( )( )'zz,'yy,'xxr'z,'y,'rxz,y,rx'z,'y,'xrz,y,xr +++=⊕=⊗⊕⊗ Portanto, a propriedade (e) é satisfeita. Entretanto, a propriedade (f) não é satisfeita. De fato, ( ) ( ) ( )( )z,y,xdrz,y,xdr +=⊗+ Por outro lado ( ) ( ) ( ) ( ) ( )( )z2,y2,xdrz,y,dxz,y,rxz,y,xdz,y,xr +=⊕=⊗⊕⊗ Logo, V não é um espaço vetorial. Observe que as propriedades (g) e (h) são satisfeitas.
  • 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).
  • 4. 57 Vamos provar agora que nP é um espaço vetorial. Sejam ( )tp e ( )tq elementos de nP como antes, isto é, são polinômios de grau n≤ ou o polinômio nulo. Então, as definições dadas anteriormente de ⊕ e ⊗ mostram que ( ) ( )tqtp ⊕ e ( )tpc ⊗ , qualquer que seja o escalar c, são polinômios de grau n≤ ou o polinômio nulo, ou seja, ( ) ( )tqtp ⊕ e ( )tpc ⊗ estão em nP , de modo que as propriedades (α) e (β) são válidas. Para verificar (a), note que ( ) ( ) ( ) ( ) ( ) ( )0011 1n 1n1n n nn abtabtabtabtptq ++++++++=⊕ − −− L e, como iiii abba +=+ para números reais, podemos concluir que ( ) ( ) ( ) ( )tptqtqtp ⊕=⊕ . A propriedade (b) pode ser demonstrada de forma análoga. Para demonstrar (c) é só utilizar como elemento 0 v o polinômio nulo. Para demonstrar (d) é só lembrar que, para ( )tp como definido anteriormente, temos seu negativo, ( )tp− , dado por 01 1n 1n n n atatata −−−−− − − L Para demonstrar (f) fazemos ( ) ( ) ( ) ( ) ( ) ( ) 01 1n 1n n n adrtadrtadrtadrtpdr ++++++++=⊗+ − − L 0011 1n 1n 1n 1n n n n n daratdatratdatratdatra ++++++++= − − − − L ( ) ( )01 1n 1n n n01 1n 1n n n atatatadatatatar +++++++++= − − − − LL ( ) ( )tpdtpr ⊗⊕⊗= A demonstração das demais propriedades fica como exercício. A vantagem da Definição de Espaço Vetorial apresentada é que ela não se preocupa com o que é um espaço vetorial. Por exemplo, um vetor em 3 R é um ponto, um segmento de reta orientado ou uma matriz 3×1? A Definição trata apenas do comportamento algébrico dos elementos em um espaço vetorial. No caso de 3 R , qualquer que seja o ponto de vista adotado, o comportamento algébrico é o mesmo. Podemos, então, falar sobre as propriedades de todos os espaços vetoriais sem ter que nos referirmos a um espaço vetorial particular. Portanto, um “vetor”, agora, é, simplesmente, um elemento de um espaço vetorial e não precisa estar associado a um segmento de reta orientado. O teorema a seguir apresenta diversas propriedades úteis comuns a todos os espaços vetoriais. TEOREMA: Se V é um espaço vetorial, então a) 0u0 vv = para todo u v em V. b) 00r vv = para todo escalar r. c) Se 0ur vv = , então r = 0 ou 0u vv = . d) ( ) uu1 vv −=− para todo u v em V.
  • 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 .