UENF
Universidade Estadual do Norte Fluminense Darcy Ribeiro
CCT-LCMAT
Laborat´orio de Ciˆencias Matem´aticas
´
ALGEBRA LINEAR PARA ENGENHARIA
Liliana A. L. Mescua
Rigoberto G. S. Castro
Sum´
ario
1 Matrizes 1
1.1 Tipos de Matrizes . . . 2
1.2 Opera¸c˜oes com Matrizes . . . 3
1.2.1 Adi¸c˜ao . . . 3
1.2.2 Subtra¸c˜ao . . . 4
1.2.3 Multiplica¸c˜ao de um n´umero real por uma Matriz . . . 5
1.2.4 Multiplica¸c˜ao de Matrizes . . . 5
1.3 Matriz Inversa . . . 6
1.3.1 M´etodo de Gauss Jordam para o C´alculo de Inversa . . . 7
1.4 Determinante de uma Matriz . . . 10
1.4.1 Propriedades do Determinante . . . 11
1.4.2 C´alculo por Redu¸c˜ao de Linhas ou Colunas-Triangula¸c˜ao . . . 12
1.5 A Matriz Adjunta e a Inversibilidade de Matrizes . . . 14
1.6 Exerc´ıcios . . . 15
2 Sistemas de Equa¸c˜oes Lineares Alg´ebricas 17 2.1 Classifica¸c˜ao de um Sistema Linear . . . 18
2.2 M´etodo de Elimina¸c˜ao de Gauss . . . 19
2.4 Exerc´ıcios . . . 23
3 Vetores 26 3.1 Interpreta¸c˜ao Geom´etrica . . . 26
3.1.1 Adi¸c˜ao de Vetores . . . 27
3.1.2 Multiplica¸c˜ao de um N´umero Real por um Vetor . . . 28
3.1.3 Angulo entre dois vetores . . . .ˆ 29 3.2 Interpreta¸c˜ao Alg´ebrica . . . 29
3.2.1 Interpreta¸c˜ao Alg´ebrica no Plano . . . 30
3.2.2 Interpreta¸c˜ao Alg´ebrica no Espa¸co . . . 32
3.3 Produto Escalar . . . 33
3.3.1 Interpreta¸c˜ao Geom´etrica do Produto Escalar . . . 34
3.3.2 Angulo entre dois Vetores . . . .ˆ 35 3.3.3 Proje¸c˜ao de um Vetor sobre Outro . . . 36
3.4 Produto Vetorial . . . 36
3.4.1 Propriedades . . . 38
3.4.2 Interpreta¸c˜ao Geom´etrica . . . 39
3.5 Retas e Planos . . . 40
3.6 Exerc´ıcios . . . 40
4 Espa¸co Vetorial 43 4.1 Subespa¸cos Vetoriais . . . 45
4.1.1 Propriedades dos Subespa¸cos . . . 46
4.2 Combina¸c˜ao Linear . . . 47
4.3 Espa¸co Gerado . . . 48
4.5 Base e Dimens˜ao . . . 53
4.5.1 Componentes de um Vetor . . . 56
4.6 Espa¸co Vetorial Euclideano . . . 57
4.6.1 Complementos Ortogonais . . . 59
4.6.2 Uma Rela¸c˜ao Geometrica Entre Espa¸co Nulo e Espa¸co Linha . . . 60
4.6.3 Conjuntos Ortogonais e Ortonormais . . . 60
4.6.4 Processo de Gram - Schimidt . . . 62
4.7 Exerc´ıcios . . . 63
5 Transforma¸c˜oes Lineares 69 5.1 Propriedades das Transforma¸c˜oes Lineares . . . 72
5.1.1 Exerc´ıcios . . . 73
5.2 N´ucleo de uma Transforma¸c˜ao Linear . . . 74
5.3 Imagem de uma Transforma¸c˜ao Linear . . . 75
5.4 Propriedades do N´ucleo e da Imagem . . . 77
5.4.1 Exerc´ıcios . . . 77
5.5 Matriz de uma Transforma¸c˜ao Linear . . . 79
5.6 Opera¸c˜oes com Transforma¸c˜oes Lineares . . . 84
5.6.1 Adi¸c˜ao ou Soma . . . 84
5.6.2 Multiplica¸c˜ao por Escalar . . . 84
5.6.3 Composi¸c˜ao . . . 84
5.6.4 Exerc´ıcios . . . 86
5.7 Mudan¸ca de Base . . . 87
5.8 Exerc´ıcios . . . 88
6.1 Exerc´ıcios . . . 93
7 Diagonaliza¸c˜ao de Matrizes 94
7.1 Exerc´ıcios . . . 96 7.2 Matrizes Sim´etricas e autovetores ortogonais . . . 96
8 Aplica¸c˜oes 98
8.1 M´etodo de M´ınimos Quadrados . . . 98 8.1.1 Ajuste de M´ınimos Quadrados a Dados . . . 100 8.2 Rota¸c˜ao de Cˆonicas . . . 104
Cap´ıtulo 1
Matrizes
Defini¸c˜ao 1.1. Uma matriz de ordem m × n ´e uma tabela de n´umeros chamados de ele-mentos ou termos da matriz. Esta tabela possui mn eleele-mentos escalares (n´umeros reais ou complexos) dispostos em m linhas (n´umero de filas horizontais) e n colunas (n´umero de filas verticais). Por conven¸c˜ao usaremos sempre as letras mai´usculas A, B, C, D, . . . para nomea-las A = a11 a12 . . . a1n a21 a22 . . . a2n .. . ... ... ... am1 am2 . . . amn = a11 a12 . . . a1n a21 a22 . . . a2n .. . ... ... ... am1 am2 . . . amn = (aij)m×n. (1.1) Exemplo: A = 2 2 0 1 −3 5 2×3 B = 1 4 0 7 2×2 (1.2)
Exerc´ıcio: Escreva a matriz A = (aij)3×2 , onde seus elementos aij = 2i + j.
Observa¸c˜ao 1.1. De acordo com o n´umero de linhas e colunas da matriz, podemos destacar os seguintes casos particulares
• Quando m = 1, matriz linha • Quando n = 1, matriz coluna • Quando m = n, matriz quadrada
Defini¸c˜ao 1.2. (Igualdade de Matrizes:) Duas matrizes A = (aij)m×n e B = (bij)m×n s˜ao
ditas iguais, se todos seus elementos correspondentes s˜ao iguais, isto ´e, se aij = bij.
Exerc´ıcio: Determine a, b, c, d de modo que: a 1 1 b + 1 c − 2 d2 = 2 1 1 1 6 3 .
1.1
Tipos de Matrizes
Matriz Nula: ´E uma matriz cujos elementos s˜ao todos nulos, isto ´e aij = 0, ∀ i, j.
Denotamos por O ou Om×n
Matriz Diagonal Uma matriz quadrada D = (dij)n×n ´e dita diagonal quando dij = 0,
∀ i 6= j. Exemplo: D = 2 0 0 4
Matriz Identidade: ´E uma matriz diagonal onde aii= 1 para todo i, e aij = 0 para todo
i 6= j. Exemplo: I = 1 0 . . . 0 0 1 . . . 0 .. . ... ... 0 0 . . . 1
Matriz Triangular Uma matriz quadrada A = (aij)nxn´e dita triangular superior, se aij = 0
para i > j. Uma matriz B = (bij)nxn ´e dita triangular inferior quando bij = 0, para i < j.
Exemplo: A = 5 4 4 5 0 1 9 6 0 0 3 8 0 0 0 0 e B = 5 0 0 0 2 1 0 0 9 7 3 0 8 6 5 1
Exemplo: 4 3 1 3 2 0 1 0 5 e a b c d b e f g c f h i d g i k
Observe que, no caso de uma matriz sim´etrica, a parte superior ´e uma “reflex˜ao”da parte inferior, em rela¸c˜ao `a diagonal.
Matriz Transposta A transposta de uma matriz A = (aij)m×n, ´e uma outra matriz AT =
(bij)n×m, cujas linhas s˜ao as colunas de A, isto ´e, bij = aji.
Exemplo: A transposta de A = 3 −1 4 −2 5 −3 3×2 ´e AT = 3 4 5 −1 −2 −3 2×3 ´
E simples verificar que:
1. A transposta da transposta de uma matriz ´e ela mesma, isto ´e (AT)T = A.
2. Uma matriz ´e sim´etrica se somente se ela for igual `a sua transposta, isto ´e, A = AT.
1.2
Opera¸
c˜
oes com Matrizes
Ao utilizar matrizes, surge naturalmente a necessidade de efetuarmos certas opera¸c˜oes. Veremos algumas delas e suas propriedades a seguir:
1.2.1
Adi¸
c˜
ao
A soma de duas matrizes da mesma ordem, A = (aij)m×n e B = (bij)m×n, ´e uma matriz
m × n, definida por A + B = (aij + bij)m×n. Exemplo: 1 4 2 5 3 6 + −1 1 −3 0 4 √2 = 1 − 1 4 + 1 2 − 3 5 + 0 3 + 4 6 +√2 = 0 5 −1 5 7 6 +√2 .
Propriedades da Adi¸c˜ao
Se as matrizes A, B e C possuem a mesma ordem, valem as seguintes propriedades:
1. A + B = B + A (comutativa).
2. A + (B + C) = (A + B) + C (associativa).
3. A + O = A, quando O ´e uma matriz nula (elemento neutro).
4. Seja A = (aij)m×n. Chama-se matriz oposta de A, a matriz m × n representada por
−A = (−aij)m×n, tal que A + (−A) = O (−A ´e o elemento oposto).
5. (A + B)T = AT + BT, a transposta de uma soma ´e igual a somas das transpostas.
Exemplo: A matriz oposta de A = 1 −4 2 0 7 3 ´ e − A = −1 4 −2 0 −7 −3 .
1.2.2
Subtra¸
c˜
ao
A diferen¸ca de duas matrizes da mesma ordem, A = (aij)m×n e B = (bij)m×n, ´e uma matriz
m × n, que denota-se por A − B, que ´e a soma de A com a oposta de B; isto ´e:
A − B = A + (−B) = (aij)m×n+ (−bij)m×n = (aij − bij)m×n (1.3) Exemplo: 1 4 2 5 3 6 − −1 1 −3 0 4 2 = 1 + 1 4 − 1 2 + 3 5 − 0 3 − 4 6 − 2 = 2 3 5 5 −1 4 . Exerc´ıcio:
1. Sejam A = (aij)3×2 e B = (bij)3×2, tal que aij = 2i + j e bij = 1 + i − j.
(a) Determine as matrizes C = A + B e D = A − B.
2. Encontre as matrizes 2 × 2, A e B, sabendo que: A + B + 1 1 1 1 = 4 0 1/2 −1 + 0 2 3/2 4 A − B = 6 −3 4 0 − 2 −2 2 1 .
1.2.3
Multiplica¸
c˜
ao de um n´
umero real por uma Matriz
Seja A = (aij)m×n e k um n´umero escalar. Definimos o m´ultiplo escalar B = kA =
(bij)m×n, a matriz m × n onde bij = kaij. Exemplo Se A = 3 −1 1 0 6 4 , ent˜ao 2A = 6 −2 2 0 12 8 e 1 3 A = 1 −1/3 1/3 0 2 4/3
1.2.4
Multiplica¸
c˜
ao de Matrizes
Sejam as matrizes A = (aij)m×p e B = (bij)p×n. Definimos C = A · B = (cuv)m×n, tal que
cuv = p
X
k=1
aukbkv para todo 1 ≤ u ≤ m e 1 ≤ v ≤ n (1.4)
Observa¸c˜ao 1.2. S´o se pode efetuar o produto de duas matrizes Am×p e Bp×n, se o n´umero
de colunas da primeira matriz for igual ao n´umero de linhas da segunda matriz, sendo assim o resultado da multiplica¸c˜ao de A por B ser´a uma matriz de ordem m × n. Note que o elemento cij ´e obtido multiplicando os elementos da i-´esima linha da primeira matriz pelos
elementos correspondentes da j-´esima coluna da segunda matriz, e somando este produtos.
Exemplo: a) −1 2 2×1 −3 4 1×2 = −1.(−3) −1.(4) 2.(−3) 2.(4) = 3 −4 −6 8 2×2 b) 1 0 3 −2 2×2 −1 1 5 3 2×2 = 1.(−1) + 0.(5) 1.(1) + 0.(3) 3.(−1) + −2.(5) 3.(1) + −2.(3) = −1 1 −13 −3 2×2
Observa¸c˜ao 1.3. A propriedade conmutativa em matrizes nem sempre ´e v´alida, isto ´e AB e BA n˜ao necessariamente s˜ao iguais. No item b) do exemplo anterior verifique se AB = BA.
Se A ´e uma matriz quadrada n × n e I a matriz identidade n × n, ent˜ao AI = IA = A.
Propriedades da Multiplica¸c˜ao
Supondo que a ordem das matrizes A, B e C estejam definidas de modo que cada uma das opera¸c˜oes abaixo indicadas possam ser efetuadas, ent˜ao as propriedades seguintes ser˜ao v´alidas.
1. (A.B).C = A.(B.C) (associatividade).
2. (A ± B).C = A.C ± B.C (distributividade `a direita). 3. A.(B ± C) = A.B ± A.C (ditributividade `a esquerda). 4. k(B ± C) = kB ± kC, k, s ∈ R
5. (k ± s)A = kA ± sA, k, s ∈ R 6. k(sA) = (ks)A, k, s ∈ R
7. (α.A)T = α.AT, onde α ´e qualquer escalar. 8. (A.B)T = BT.AT (deve-se observar a ordem).
Matriz Anti-sim´etrica: ´E uma matriz quadrada, onde AT = −A.
Exemplo: A = 0 3 4 −3 0 −6 −4 6 0 ´ e anti-sim´erica.
1.3
Matriz Inversa
Uma matriz quadrada A ´e dita invers´ıvel ou n˜ao singular, se existir uma outra matriz B (inversa multiplicativa), da mesma ordem, tal que A.B = I e B.A = I. Denotaremos B = A−1, sendo que
Defini¸c˜ao 1.3. Uma matriz A ´e dita n˜ao invers´ıvel ou singular se ela n˜ao tem uma inversa multiplicativa.
Propriedades
1. Uma matriz invers´ıvel tem uma ´unica inversa multiplicativa.
2. Se A e B s˜ao matrizes de mesma ordem, ambas invers´ıveis, ent˜ao A e B ´e invers´ıvel e (A.B)−1 = B−1 . A−1.
3. Nem toda matriz tem inversa.
Exemplo: As matr´ızes A = 2 1 0 4 e B = 1/2 −1/8 0 1/4
s˜ao inversas uma da outra ja que A.B = B.A = I
Exerc´ıcio: Encontre a inversa da matriz A = 1 1 0 1 .
1.3.1
M´
etodo de Gauss Jordam para o C´
alculo de Inversa
Uma forma para achar a inversa de uma matriz quadrada A, e que envolve substancialmente menos contas do que aplicando a defini¸c˜ao diretamente, ´e usando as opera¸c˜oes elementares sobre as linhas da matriz aumentada associada (A|I) de modo que esta se transforme numa matriz aumentada da forma (I|B). Diremos que B = A−1.
As opera¸c˜oes elementares permitidas s˜ao:
1. Permutar linhas Li ←→ Lj
2. Multiplicar uma linha por um n´umero real α n˜ao nulo, Li ←→ αLi.
3. Somar a uma linha um m´ultiplo de uma outra, Li ←→ Li+ αLj.
Exemplo: Ache a inversa da matriz A = 2 3 0 1 −2 −1 2 0 −1 se existir.
Solu¸c˜ao: A partir da matriz aumentada (A|I), usando as opera¸c˜oes por linhas temos: (A|I) = 2 3 0 | 1 0 0 1 −2 −1 | 0 1 0 2 0 −1 | 0 0 1 L1 ←→ L2 L2 ←→ L1 L3 ←→ L3 = 1 −2 −1 | 0 1 0 2 3 0 | 1 0 0 2 0 −1 | 0 0 1 L1 ←→ L1 L2 ←→ L2− 2L1 L3 ←→ L3− 2L1 = 1 −2 −1 | 0 1 0 0 7 2 | 1 −2 0 0 4 1 | 0 −2 1 L1 ←→ L1 L2 ←→ L2/7 L3 ←→ L3 = 1 −2 −1 | 0 1 0 0 1 2/7 | 1/7 −2/7 0 0 4 1 | 0 −2 1 L1 ←→ L1+ 2L2 L2 ←→ L2 L3 ←→ L3− 4L2 = 1 0 −3/7 | 2/7 3/7 0 0 1 2/7 | 1/7 −2/7 0 0 0 −1/7 | −4/7 −6/7 1 L1 ←→ L1− 3L3 L2 ←→ L2+ 2L3 L3 ←→ −7L3 = 1 0 0 | 2 3 −3 0 1 0 | −1 −2 2 0 0 1 | 4 6 −7 = (I|A−1)
Portanto, a inversa da matriz A existe e ´e dada por A−1 = 2 3 −3 −1 −2 2 4 6 −7
Exemplo: Encontre a inversa da matriz A = 2 1 −4 −4 −1 6 −2 2 −2 se existir.
Solu¸c˜ao: A partir da matriz aumentada (A|I), usando as opera¸c˜oes por linhas temos: (A|I) = 2 1 −4 | 1 0 0 −4 −1 6 | 0 1 0 −2 2 −2 | 0 0 1 L1 ←→ L1 L2 ←→ L2+ 2L1 L3 ←→ L3+ L1 = 2 1 −4 | 1 0 0 0 1 −2 | 2 1 0 0 3 −6 | 1 0 1 L1 ←→ L1 L2 ←→ L2 L3 ←→ L3− 3L2 = 2 1 −4 | 1 0 0 0 1 −2 | 2 1 0 0 0 0 | −5 −3 1
Nesse ponto vemos que n˜ao ´e poss´ıvel reduzir A a I, ja que encontramos uma linha de zeros do lado esquerdo da matriz completa. Consequentemente A n˜ao ´e invers´ıvel.
Exemplo Seja a matriz A =
a b c d
. Usando o m´etodo de Gauss Jordam, prove que a matriz inversa dela ´e
A−1 = 1 ad − bc d −b −c a (1.5) Solu¸c˜ao: (A|I) = a b | 1 0 c d | 0 1 L1 ←→ La1 L2 ←→ Ld2 = 1 ba | 1/a 0 c d 1 | 0 1/d L1 ←→ L1 L2 ←→ L2 −dcL1 = 1 ab | 1 a 0 0 1 − adbc | −c ad 1 d L1 ←→ L1− ba(1−1bc ad) L2 L2 ←→ 1−1bc ad L2 = 1 0 | 1a +ab 1 (1−adbc) c ad − b ad 1 (1−adbc) 0 1 | −cad (1−1bc ad) 1 d 1 (1−bc ad) = 1 0 | (ad−bc)d ad−bc−b 0 1 | ad−bc−c ad−bca .
1.4
Determinante de uma Matriz
´
E poss´ıvel associar a cada matriz A de ordem n × n, um escalar (n´umero real ou complexo), que denotaremos por det A, cujo valor vai nos dizer se a matriz ´e ou n˜ao invert´ıvel. Antes de dar a defini¸c˜ao geral vamos a considerar alguns casos particulares.
Caso 1. Se A = (a) ´e uma matriz 1 × 1, definimos o determinante de A por: det A = a.
Diremos que A tem inversa multiplicativa (A ´e invert´ıvel) se e s´o se det A 6= 0. Caso 2. Se A = a11 a12 a21 a22
´e uma matriz 2 × 2, definimos o determinante de A pelo fator inverso que aparece em (1.5), neste caso ser´a:
det A = a11a22− a12a21. Caso 3. Se A = a11 a12 a13 a21 a22 a23 a31 a32 a33
´e uma matriz 3 × 3, definimos o determinante de A por:
det A = a11a22a33− a11a32a23− a12a21a33+ a12a31a23+ a13a21a32− a13a31a22.
Note que o det A ´e o fator inverso que se obt´em ao calcular a matriz inversa de A usando o m´etodo de Gauss Jordam.
Podemos reescrever a equa¸c˜ao anterior na forma
det A = a11(a22a33− a32a23) − a12(a21a33− a31a23) + a13(a21a32− a31a22) (1.6)
Para j = 1, 2, 3, vamos denotar por M1j a submatriz 2 × 2 de A formada retirando-se a
primeira linha e a j-´esima coluna de A. O determinante de A (1.6) pode ser, ent˜ao, colocado na forma
det A = a11 det M11− a12 det M12+ a13 det M13 (1.7)
Defini¸c˜ao 1.4. (Menores e Cofatores): Seja A = (aij) uma matriz n × n. O ij-´esimo
menor de A ´e o determinante da submatriz Mij, de ordem (n − 1) × (n − 1), que sobra
quando suprimimos a i-´esima linha e a j-´esima coluna de A. O ij-´esimo Cofator Aij de A
(ou o cofator de aij) ´e definido como
Aij = (−1)i+jdet Mij.
Defini¸c˜ao 1.5. (Desenvolvimento de Laplace) O determinante de uma matriz n × n ´e o n´umero real det A, definido por
det A = ai1.Ai1+ ai2.Ai2+ ... + a1n.Ain (1.8)
ou
det A = a1j.A1j + a2j.A2j + ... + anj.Anj, (1.9)
onde Aij ´e ij-´esimo cofator de A.
Exemplo: Ache o determinante da matriz A = 0 1 5 3 −6 9 2 6 1 .
Solu¸c˜ao.: Calculando a matriz de cofatores temos:
cof (A) = −60 15 30 29 −10 2 39 15 −3
Logo, o determinante de A pode-se obter por exemplo das seguintes formas:
1. Em rela¸c˜ao a primera linha, det A = 0(−60) + 1(15) + 5(30) = 165. 2. Em rela¸c˜ao a tercera linha, det A = 2(39) + 6(15) + 1(−3) = 165. 3. Em rela¸c˜ao a segunda coluna, det A = 1(15) − 6(−10) + 6(15) = 165.
1.4.1
Propriedades do Determinante
1. Se A tem uma linha o uma coluna de zeros, ent˜ao det A = 0. 2. Se duas linhas ou colunas de A s˜ao iguais, ent˜ao det A = 0. 3. det A = det AT.
4. Se A ´e uma matriz, triangular superior ou triangular inferior ou diagonal, ent˜ao o det A ´
e igual ao produto de seus elementos da diagonal.
5. Se B ´e uma matriz de ordem n × n, ent˜ao: det(A + B) 6= det A + det B e det(AB) = det A det B
6. Seja B a matriz obtida ao multiplicar uma ´unica linha ou coluna de A por k, ent˜ao: det B = k det A (det A = 1
k det B).
7. Seja B a matriz obtida ao permutar duas linhas (ou duas colunas) de A, ent˜ao det B = − det A.
8. Seja B a matriz obtida ao somar um m´ultiplo de uma linha (ou colunas) de A a uma outra linha (ou coluna), ent˜ao det B = det A.
1.4.2
C´
alculo por Redu¸
c˜
ao de Linhas ou Colunas-Triangula¸
c˜
ao
A seguir apresentamos um m´etodo para calcular determinantes que envolve substancialmente menos contas que aplicando a defini¸c˜ao diretamente.
Assim, tendo em mente as propriedades 6, 7 e 8, a id´eia ser´a reduzir a matriz A ao formato triangular.
Exemplo: Ache o determinante da matriz A = 0 1 5 3 −6 9 2 6 1 .
Solu¸c˜ao: Usando as propriedades 6, 7 e 8, obtemos que det A = 0 1 5 3 −6 9 2 6 1 = − 3 −6 9 0 1 5 2 6 1
(linhas 2 e 3 foram permutadas)
= −3 1 −2 3 0 1 5 2 6 1
(o fator comun 3 da linha 1 foi retirado)
= −3 1 −2 3 0 1 5 0 10 −5 (linha 3 + (-2) (linha 1)) = −3 1 −2 3 0 1 5 0 0 −55 (linha 3 + (-10) (linha 2)) = −3(1)(1)(−55) = 165
Exemplo: Ache o determinante da matriz A = 1 0 0 3 2 7 0 6 0 6 3 0 7 3 1 −5 .
Solu¸c˜ao: Reduzindo a matriz a uma triangular inferior usando opera¸c˜oes por coluna, obte-mos que det A = 1 0 0 3 2 7 0 6 0 6 3 0 7 3 1 −5 = 1 0 0 0 2 7 0 0 0 6 3 0 7 3 1 −26 (coluna 4 + (-3)(coluna 1)) = (1)(7)(3)(−26) = −546
1.5
A Matriz Adjunta e a Inversibilidade de Matrizes
Suponhamos que An×n tenha inversa, isto ´e, existe A−1 tal que A · A−1 = I. Usando o
determinante obt´em-se
det (A · A−1) = det A · det A−1 e det I = 1 Ent˜ao:
det A−1 = 1 det A
Defini¸c˜ao 1.6. Seja a matriz A ∈ Mn×n(R). Chamaremos Adjunta de A, a matriz Adj(A)
que ´e a transposta da matriz de cofatores. Simbolicamente, Adj(A) = (cof (A))T. Teorema 1.1. Se A ´e uma matriz invers´ıvel, ent˜ao:
A−1 = 1
det A Adj (A).
Uma condi¸c˜ao necess´aria para que A tenha inversa ´e que o det A 6= 0.
Ex.: Ache a inversa de A = 1 2 −1 3 .
Solu¸c˜ao: Calculando temos que det A = 5, a matriz de cofatores cof (A) = 3 1 −2 1 e a
adjunta Adj(A) = (cof (A))T =
3 −2 1 1
, logo pelo Teorema 1.1
A−1 = 1 5 · 3 −2 1 1 . (1.10)
Teorema 1.2. Uma matriz A de ordem n × n ´e n˜ao invers´ıvel se e somente se det(A) = 0
1.6
Exerc´ıcios
Para conferir seus resultados recomenda-se usar um calculador online
Dica: http://www.solvemymath.com/online math calculator/algebra combinatorics/
1. Sejam A = 3 0 −1 5 , B = 4 −2 1 0 2 3 , C = 1 2 3 4 5 6 e D = 0 −3 −2 1 . Calcular A + 2D, B − CT, BTCT − CB, A3, DA − AD. 2. Seja A = √ 2 x2 4x 1
. Calcule os poss´ıveis valores de x, para que AT = A.
3. (i) Se A ´e uma matriz sim´etrica n × n, calcule AT − A.
(ii) Se A ´e uma matriz triangular inferior, AT ´e uma matriz triangular . . . . (iii) A ´e uma matriz diagonal, calcule AT.
4. Seja a matriz A = 2 3 −4 0 −4 2 1 −1 5 . Usando cofatores,
(i) Calcule det A desenvolvendo em rela¸c˜ao `a primeira linha. (ii) Calcule det A desenvolvendo em rela¸c˜ao `a primeira coluna. (iii) Calcule det A desenvolvendo em rela¸c˜ao `a segunda coluna.
5. Usando cofatores e fazendo o menor n´umero de opera¸c˜oes, calcule o determinante de
A = 2 0 3 0 3 0 0 1 0 2 3 0 2 0 1 4 , B = 4 0 2 1 5 0 4 2 2 0 3 4 1 1 2 3 e C = 2 0 0 1 0 1 0 0 1 6 2 0 1 1 −2 3 .
6. Calcule o determinante de cada uma das seguintes matrizes (use as opera¸c˜oes elemen-tares por linhas para reduzir as matrizes abaixo `a sua forma triangular).
A = 2 0 −1 3 0 2 4 −3 7 , B = t + 3 −1 1 5 t − 3 1 6 −6 t + 4 e C = 1 4 −5 0 0 1 −1 8 7 .
7. Encontre todos os valores poss´ıveis de c que tornem a matriz invers´ıvel 1 1 1 1 9 c 1 c 3 . 8. Sejam as matrizes A = −1 3 −4 2 4 1 −4 2 −9 B = 1 0 0 1 3 0 1 3 5 C = cos θ sen θ 0 − sen θ cos θ 0 0 0 1 D = 2 5 5 −1 −1 0 2 4 3 E = 2 0 3 0 3 2 −2 0 −4 F = 2 0 0 8 1 0 −5 3 6 e G = a b c c a b b c a .
(i) Calcule os cofatores das matrizes A, B, C, D, E, F e G.
(ii) Determine a inversa das matrizes A, B e C usando o Teorema 1.1. 9. Encontre a inversa das matrizes dadas usando opera¸c˜oes por linha
2 3 0 1 −2 −1 2 0 −1 , 1 1 0 1 0 1 0 1 1 , 0 a 0 b 0 c 0 d 0 , 1 0 0 0 0 1 0 0 0 0 1 0 a b c d , √ 2 0 2√2 0 −4√2 √2 0 0 0 0 1 0 0 0 3 1 .
10. Sejam A e B matrizes 3 × 3 com det A = 4 e det B = 5. Encontre o valor de det(AB), det(3A), det(2AB), det(A−1B)
11. Uma matriz A ´e ortogonal se sua inversa ´e igual a sua transposta, ou seja, A−1= AT.
Provar que a matriz A = cos θ − sen θ sen θ cos θ ´e ortogonal.
Cap´ıtulo 2
Sistemas de Equa¸
c˜
oes Lineares
Alg´
ebricas
Uma equa¸c˜ao linear de n incognitas ´e uma equa¸c˜ao da forma
a1x1+ a2x2+ · · · + anxn= b (2.1)
Um sistema linear de m equa¸c˜oes alg´ebricas lineares de n vari´aveis (incognitas) ´e um conjunto de equa¸c˜oes lineares que devem ser resolvidas simultaneamente, por exemplo:
a11x1+ a12x2+ · · · + a1nxn= b1 a21x1+ a22x2+ · · · + a2nxn= b2 .. . am1x1+ am2x2+ · · · + amnxn= bm (2.2)
onde os aij e bi s˜ao n´umeros reais.
Em 1858, o matem´atico inglˆes Artur Cayley introduz uma nota¸c˜ao abreviada para ex-pressar o sistema linear (2.2), na forma matricial:
a11 a12 · · · a1n a21 a22 · · · a2n .. . ... . .. ... am1 am2 · · · amn m×n . x1 x2 .. . xn n×1 = b1 b2 .. . bm m×1 . (2.3)
Assim a forma matricial (2.3) escreve-se abreviadamente por:
onde A ´e uma matriz m × n, b um vetor m × 1 e x ´e um vetor n × 1.
“Se b = 0, o sistema ´e dito homogˆeneo, caso contr´ario ele ´e n˜ao-homogˆeneo”.
2.1
Classifica¸
c˜
ao de um Sistema Linear
O sistema linear (2.2) pode ter ou n˜ao solu¸c˜ao. Assim, classificaremos os sistemas lineares em dois tipos:
1. Compat´ıvel (ou poss´ıvel)
Determinado, uma ´unica solu¸c˜ao Indeterminado mais de uma solu¸c˜ao. 2. Incompat´ıvel (ou imposs´ıvel) quando n˜ao possui solu¸c˜ao.
Se o sistema linear (2.2) tem o n´umero de equa¸c˜oes igual ao n´umero de incognitas (m = n), ent˜ao a matriz A associada a forma matricial equivalente (2.4) ser´a uma matriz quadrada n × n. Logo,
• Se a matriz A ´e invers´ıvel, isto ´e, o det A 6= 0, ent˜ao o sistema tem ´unica solu¸c˜ao, ou seja, x = A−1b.
• Se a matriz A n˜ao ´e invers´ıvel, isto ´e det A = 0, ent˜ao o sistema n˜ao tem solu¸c˜ao, ou existe solu¸c˜ao mas n˜ao ´e ´unica.
(Um sistema homogˆeneo: Ax = 0, onde det A = 0, possui infinitas solu¸c˜oes)
Observa¸c˜ao 2.1. Um sistema linear homogˆeneo Ax = 0 admite sempre a solu¸c˜ao nula, chamada solu¸c˜ao trivial. Logo, um sistema linear homogˆeneo ´e sempre compat´ıvel.
Exemplo: ´E simples verificar que a solu¸c˜ao nula x = (0, 0, 0)T ´e solu¸c˜ao do sistema linear
homogˆeneo, 3x1− x2+ 7x3 = 0 x1 − 2x2+ 3x3 = 0. ⇐⇒ 3 −1 7 1 −2 3 x1 x2 x3 = 0 0 0 ⇐⇒ Ax = 0
Uma interpreta¸c˜ao geom´etrica das solu¸c˜oes de um sistema linear, pode ser observada para sistemas de ordem 2 × 2. Por exemplo, sejam os sistemas:
I) x1+ x2 = 2 x1− x2 = 2 II) x1+ x2 = 2 x1+ x2 = 1 III) x1+ x2 = 2 −x1− x2 = −2.
A solu¸c˜ao dos respectivos sistemas podem ser visualizados nos seguintes gr´aficos
(a) Caso I (b) Caso II (c) Caso III
Figura 2.1:
2.2
M´
etodo de Elimina¸
c˜
ao de Gauss
Consiste na resolu¸c˜ao de Sistemas por Escalonamento onde o objetivo ´e migrar de um sistema linear Ax = b para outro que lhe seja equivalente, e de resolu¸c˜ao mais simples. A id´eia ent˜ao ´e, usar as opera¸c˜oes elementares sobre as linhas da matriz aumentada (A | b) de modo que esta se transforme `a forma (A0| b0) onde A0 ´e uma matriz escalonada (*).
Assim, o sistema final equivalente A0x = b0 ser´a resolvido usando substitui¸c˜oes regressivas. Defini¸c˜ao 2.1. * Uma matriz esta escalonada por linhas quando satisfaz as seguintes propriedades:
1. Todas as linhas que consistem inteiramente de zeros est˜ao na parte inferior da matriz. 2. Em cada linha n˜ao nula, o primeiro elemento n˜ao nulo (chamado elemento lider) est´a
Observa¸c˜ao 2.2. A forma escalonada de uma matriz n˜ao ´e ´unica. Logo, dependendo de sua escolha na hora de fazer as opera¸c˜oes elementares vc. poder´a obter v´arias matrizes equivalentes, por´em sempre uma mesma solu¸c˜ao.
Exemplo: Ache a solu¸c˜ao do sistema linear x1+ 2x2+ x3 = 3 3x1− x2− 3x3 = −1 2x1+ 3x2+ x3 = 4. ⇐⇒ 1 2 1 3 −1 −3 2 3 1 x1 x2 x3 = 3 −1 4 ⇐⇒ Ax = b
Sol.: Apartir da matriz aumentada, usando as opera¸c˜oes por linhas temos:
(A|b) = 1 2 1 | 3 3 −1 −3 | −1 2 3 1 | 4 L2 ←→ L2− 3L1 L3 ←→ L3− 2L1 = 1 2 1 | 3 0 −7 −6 | −10 0 −1 −1 | −2 L2 ←→ L3 = 1 2 1 | 3 0 −1 −1 | −2 0 −7 −6 | −10 L3 ←→ L3− 7L2 = 1 2 1 | 3 0 −1 −1 | −2 0 0 1 | 4 = (A0|b0)
O sistema equivalente resultante ´e x1 +2x2 + x3 = 3 −x2 − x3 = −2 x3 = 4.
A solu¸c˜ao deste ´ultimo sistema obtem-se resolvendo a ´ultima equa¸c˜ao e substituindo a res-pectiva solu¸c˜ao na equa¸c˜ao anterior, at´e chegar na primeira. Neste caso temos que x3 = 4,
x2 = −2 e x1 = 3
x + 2y + z + t = 1 x + 3y − z + t = 3
Sol.: A matriz aumentada (A|b) associada ao sistema ´e 1 2 1 1 1 1 3 −1 1 3 0 0 0 0 0 0 0 0 0 0 .
Logo, fazendo L2 ←→ L2− L1, a forma escalonada torna-se
1 2 1 1 1 0 1 −2 0 2 0 0 0 0 0 0 0 0 0 0 .
Observemos que o n´umero de vari´aveis livres ( que n˜ao dependem de outras vari´aveis) ´e igual ao n´umero de linhas n˜ao nulas na forma escalonada. No exemplo dado, z e t s˜ao as vari´aveis livres .
Assim , para z = λ1 e t = λ2 obtemos mediante substitui¸c˜oes regresivas:
y = 2 + 2λ1, x = 1 − 2(2 + 2λ1) − λ1− λ2 = −3 − 5λ1− λ2.
Defini¸c˜ao 2.2. O posto de uma matriz, posto(A), ´e o n´umero de linhas n˜ao nulas de qualquer uma de suas formas escalonadas por linhas.
Teorema 2.1. (O Teorema do Posto) Seja A a matriz dos coeficientes de um sistema de equa¸c˜oes lineares com n vari´aveis. Se o sistema for poss´ıvel, ent˜ao o
n´umero de vari´aveis livres = n − posto(A)
No ´ultimo exemplo, ja que o sistema tem solu¸c˜ao, pelo Teorema do Posto temos 4 − 2 = 2 vari´aveis livres, neste caso z e t.
Exemplo Resolva o sistema x − y + 2z = 3 x + 2y − z = −3 2y − 2z = 1
Sol.: A matriz aumentada (A|b) associada ao sistema ´e 1 −1 2 3 1 2 −1 −3 0 2 −2 1 .
Logo, fazendo L2 ←→ L2− L1, a forma escalonada torna-se
1 −1 2 3 0 3 −3 −6 0 2 −2 1 .
Finalmente, fazendo L3 ←→ 3L3 − 2L2, temos
1 −1 2 3 0 3 −3 −6 0 0 0 15 levando `a equa¸c˜ao imposs´ıvel 0 = 15.
Assim o sistema n˜ao tem solu¸c˜ao, ele ´e imposs´ıvel.
2.3
Resolu¸
c˜
ao de Sistemas pela Regra de Cramer
O m´etodo de Cramer nos permitir´a escrever a solu¸c˜ao de um sistema de equa¸c˜oes lineares n × n em fun¸c˜ao de determinantes. Entretanto, devemos salientar que este m´etodo envolve o c´alculo de n + 1 determinantes de ordem n o que equivale a resolver mais opera¸c˜oes que no m´etodo de Gauss.
Seja A uma matriz invers´ıvel n × n e seja b ∈ Rn. Seja Ai a matriz obtida substituindo-se
a i-´esima coluna de A por b. Se x = (x1, x2, . . . , xn)T for a ´unica solu¸c˜ao de Ax = b, ent˜ao:
xi =
det (Ai)
det A para i = 1, 2, . . . , n. Exemplo: Ache a solu¸c˜ao do sistema linear
x1+ 2x2+ x3 = 3 3x1− x2− 3x3 = −1 2x1+ 3x2+ x3 = 4. ⇐⇒ 1 2 1 3 −1 −3 2 3 1 x1 x2 x3 = 3 −1 4 ⇐⇒ Ax = b
Sol.: Usando o m´etodo de Cramer e sabendo que
temos que: x1 = 3 2 1 −1 −1 −3 4 3 1 = (3(−1 + 9) − 2(−1 + 12) + 1(−3 + 4)) = 24 − 22 + 1 = 3 x2 = 1 3 1 3 −1 −3 2 4 1 = (1(−1 + 12) − 3(3 + 6) + 1(12 + 2)) = 11 − 27 + 14 = −2 x3 = 1 2 3 3 −1 −1 2 3 4 = (1(−4 + 3) − 2(12 + 2) + 3(9 + 2)) = −1 − 28 + 33 = 4
2.4
Exerc´ıcios
1. Resolva os seguintes sistemas pelo m´etodo de Gauss-Jordan.
(i) 3x − y = 4 2x − 12y = 1 (ii) 2x − 3y = 4 x − 3y = 1 (iii) x − 3y − 2z = 0 −x + 2y + z = 0 2x + 4y + 6z = 0 (iv) 2x + 3y − z + 4w = 0 3x − y + w = 1 3x − 4y + z − w = 2 (v) √ 2x + y + 2z = 1 √ 2y − 3z = −√2 − y + √2z = 1 (vi) −x + 3y − 2z + 4w = 0 2x − 6y + z − 2w = −3 x − 3y + 4z − 8w = 2 (vii) 1 2x + y − z − 6w = 2 1 6x + 1 2y − 3w +t = −1 1 3x − 2z −4t = 8 (viii) 2x + y = 3 4x + y = 7 2x + 5y = −1
ix) x + y + z + w = 4 x + 2y + 3z + 4w = 10 x + 3y + 6z + 10w = 20 x + 4y + 10z + 20w = 35 x) x + y + 2z + w = 1 x − y − z + w = 0 y + z = −1 x + y + w = 2 2. O sistema seguinte n˜ao tem solu¸c˜oes para quais valores de a?. Exatamente uma
solu¸c˜ao?. Infinitas solu¸c˜oes. x + 2y − 3z = 4 3x − y + 5z = 2 4x + y + (a2− 14)z = a + 2 x + y + az = 1 x + ay + z = 1 ax + y + z = −2 3. Determine k para que o sistema admita solu¸c˜ao
−4x + 3y = 2 5x − 4y = 0 2x − y = k 4. Resolva o sistema x + y + z = 4 2x + 5y − 2z = 3
5. Estabele¸ca a condi¸c˜ao que deve ser satisfeita a e b para que o sistema seja compat´ıvel.
a) x − 2y − z = a 2x + y + 3z = b 4x − 3y + z = 1 b) ax + y = −1 2x + y = b c) x + ay = 1 bx + 2y = 5
6. Encontre os coeficientes do polinˆomio p(x) = ax3 + bx2 + cx + d cujo gr´afico passa
pelos pontos (0, −3), (2, −5), (3, 0) e (−1, −8).
7. Encontre a reta interse¸c˜ao de cada par de planos dados a) 3x + 2y + z = −1 e 2x − y + 4z = 5
8. Mentiras que meu Computador me Contou (David Poole) Existem sistemas chamados Malcondicionados que s˜ao extremadamente sens´ıveis a arredondamentos, a seguir um exemplo deste para vc pensar.
a) Resolva o seguinte sistema exatamente (trabalhe apenas com fra¸c˜oes) x + y = 0 x +801800y = 1.
b) Sabendo que a forma decimal de 801800 = 1, 00125 use uma calculadora online e resolva o sistema: x + y = 0 x + 1, 00125y = 1.
Dica: http://www.solvemymath.com/online math calculator/
c) Resolva o sistema dado em a) arredondando 801800 = 1, 0012 e 801800 = 1, 001.
d) Conclua que mesmo um pequeno erro de arredondamento pode levar a grandes erros de resultado. Explique geometricamente.
Cap´ıtulo 3
Vetores
Com o intuito de esclarecer melhor o conceito de vetor, uma abordagem geom´etrica e alg´ebrica ser˜ao apresentadas.
3.1
Interpreta¸
c˜
ao Geom´
etrica
Existem dois tipos de grandezas: as escalares e as vetoriais. As escalares s˜ao aquelas que ficam definidas por apenas um n´umero real (acompanhado de uma unidade adequada). Por exemplo, comprimento, ´area, volume, massa, densidade e temperatura. As grandezas vetori-ais, s˜ao o caso contrario, isto ´e, n˜ao basta saber seu m´odulo e unidade correspondente, para serem perfeitamente caracterizadas precissamos sua dire¸c˜ao e seu sentido. Por exemplo, for¸ca, velocidade e acelera¸c˜ao.
Defini¸c˜ao 3.1. Um vetor ~v ´e uma classe de objetos matem´aticos (segmentos) com a mesma dire¸c˜ao, mesmo sentido e mesmo m´odulo, sendo:
- A dire¸c˜ao, a da reta colinear que cont´em o segmento ou reta paralela. - O sentido, dado pela orienta¸c˜ao do movimento.
- O m´odulo, o comprimento do segmento.
Na seguinte figura todos os segmentos orientados paralelos ou colineares, de mesmo sen-tido e mesmo comprimento, representam um ´unico vetor.
3.1.1
Adi¸
c˜
ao de Vetores
Consideremos dois vetores ~u e ~v, cuja soma ~u + ~v pretendemos encontrar. Tomemos um ponto A qualquer e, com origem nele, tracemos um segmento orientado −→AB representante do vetor ~u e um segmento orientado −BC representante do vetor ~−→ v. O vetor representado pelo segmento orientado−→AC ser´a o representante do vetor soma ~u + ~v, isto ´e,
~u + ~v =−→AC ou
−→
AB +−BC =−→ −→AC
Sendo ~u, ~v e ~w vetores quaisquer, a adi¸c˜ao admite as seguintes propriedades
1. Conmutativa: ~u + ~v = ~v + ~u.
2. Associativa: (~u + ~v) + ~w = ~u + (~v + ~w). 3. Elemento Neutro: ~u + ~0 = ~u
4. Elemento Oposto: ~u + (−~u) = ~0
3.1.2
Multiplica¸
c˜
ao de um N´
umero Real por um Vetor
Dado um vetor ~u 6= 0 e um n´umero real α 6= 0, chama-se produto do n´umero real α pelo vetor ~u, o vetor α~u tal que:
1. M´odulo ou comprimento: |α~v| = |α||~v| 2. Dire¸c˜ao: α~v ´e paralelo a ~v
3.1.3
Angulo entre dois vetores
ˆ
O ˆangulo entre os vetores n˜ao nulos u e v ´e o ˆangulo θ formado por duas semi-retas −→OA e −−→
OB de mesma origem O, onde ~u =−→OA, ~v =−OB e 0 ≤ θ ≤ π.−→
• Se ~u//~v e ~u e ~v tˆem o mesmo sentido, ent˜ao θ = 0. Na figura acima, o ˆagulo entre ~u e 2~u ´e zero.
• Se ~u//~v e ~u e ~v tˆem sentidos contr´arios, ent˜ao θ = π. Na figura acima, o ˆagulo entre ~
u e −3~u ´e π.
3.2
Interpreta¸
c˜
ao Alg´
ebrica
O representante de um vetor ~v = −→AB, est´a na posi¸c˜ao padr˜ao se seu ponto inicial A coincidir com a origem O do sistema de coordenadas. Ent˜ao ~v =−→OP , onde o ponto P = B−A ´e extremidade do vetor. Dessa forma, todo vetor ~v ´e vetor posi¸c˜ao de algum ponto P (unicamente determinado) e as coordenadas de P s˜ao as mesmas que as componentes de ~v.
Observa¸c˜ao 3.2. Todo vetor ~v em Rn pode-se representar matricialmente por: ~v =
x1 x2 .. . xn
Exemplo: Se um vetor tem origem em (1, 2) e extremidade em (7, 12), ele ´e representado por −→v = (6, 10), pois:
−
→v = (7, 12) − (1, 2) = (6, 10)
3.2.1
Interpreta¸
c˜
ao Alg´
ebrica no Plano
Consideremos dois vetores ~v1e ~v2 n˜ao paralelos, representados com a origem no mesmo ponto
O, e sejam r1 e r2 retas contendo estes representantes, respectivamente.
Os vetores ~u, ~v, ~w, ~x e ~y, representados na figura podem ser escritos em fun¸c˜ao de ~v1 e
~ v2 por ~ u = 3~v1+ 4~v2 ~v = −2~v1 + 3~v2 w = −3~~ v1− ~v2 ~ x = 2~v1+ 0~v2 ~y = 0~v1+ 3~v2
De modo geral dados dois vetores quaisquer ~v1 e ~v2, existe uma s´o dupla de n´umeros reais
a1 e a2, tal que
v = a1 v~1+ a2 v~2.
O vetor ~v ´e chamado combina¸c˜ao linear de v1 e v2. O conjunto B = { ~v1, ~v2} ´e chamado
“Qualquer conjunto de dois vetores n˜ao paralelos forma uma base no plano”
Observa¸c˜ao 3.3. Dentre as infinitas bases que existem no plano a mais importante ´e aquela que determina o conhecido sistema cartesiano ortogonal xOy. Esta base ´e chamada de base canˆonica e esta determinada pelos vetores ortogonais e unit´arios ~i = (1, 0) e ~j = (0, 1).
Assim, qualquer vetor ~v = (x, y) do plano pode-se escrever da forma v = x ~i + y ~j.
Igualdade de Vetores. Dois vetores ~u = (x1, y1) e ~v = (x2, y2) s˜ao iguais se,
x1 = x2 e y1 = y2.
Neste caso, escrevemos ~u = ~v.
Defini¸c˜ao 3.2. Sejam dois vetores ~u = (x1, y1) e ~v = (x2, y2) e α ∈ R. Define-se
1. ~u + ~v = (x1+ x2, y1+ y2)
2. α~u = (α x1, α y1)
3. −~u = (−1)~u = (−x1, −y1)
4. ~u − ~v = ~u + (−~v) = (x1− x2, y1− y2).
As defini¸c˜oes anteriores e as opera¸c˜oes alg´ebricas dos n´umeros reais permitem demonstrar as propriedades seguintes: 1. ~u + ~v = ~v + ~u 2. ~u + ~0 = ~u 3. (~u + ~v) + ~w = ~u + (~v + ~w) 4. ~u + (−~u) = ~0 5. α(β~v) = (αβ)~v 6. α(~u + ~v) = α~u + α~v
7. (α + β)~u = α~u + β~u 8. 1~u = ~u.
Observa¸c˜ao 3.4. E importante lembrar que um vetor tem infinitos representantes que s˜´ ao os segmentos orientados de mesmo comprimento, mesma dire¸c˜ao e mesmo sentido. E, dentre os infinitos representantes de −→AB (A = (x1, y1), B = (x2, y2)), o que “melhor o caracteriza” ´e
aquele que tem origem em O = (0, 0) e extremidade no ponto P = (x2− x1, y2− y1). O vetor
~
v = −→OP ´e tamb´em chamado vetor posi¸c˜ao, vetor diretor ou representante natural de −→AB.
M´odulo de um vetor Seja o vetor ~u = (x, y). Pelo Teorema de Pitagoras, vem
|u| =px2+ y2. (3.1)
3.2.2
Interpreta¸
c˜
ao Alg´
ebrica no Espa¸
co
No plano vimos que dado qualquer vetor ~u, este pode ser escrito como uma combina¸c˜ao da base canˆonica {~i,~j}, isto ´e, ~u = (x, y) = x~i + y ~j. Analogamente, no espa¸co, consideraremos a base canˆonica {~i, ~j, ~k}, como aquela que ir´a determinar o sistema cartesiano ortogonal Oxyz, neste caso
~i = (1, 0, 0), ~j = (0, 1, 0), ~k = (0, 0, 1). Assim, dado um vetor qualquer ~u ∈ R3 este pode-se expressar da forma
~
u = (x, y, z) = x~i + y ~j + z ~k. (3.2)
As defini¸c˜oes e conclus˜oes no espa¸co s˜ao an´alogas `as do plano.
Defini¸c˜ao 3.3. Sejam os vetores ~u = (x1, y1, z1) e ~v = (x2, y2, z2) e α ∈ R. Define-se
1. ~u = ~v se e somente se x1 = x2, y1 = y2 e z1 = z2.
2. ~u + ~v = (x1+ x2, y1+ y2, z1+ z2)
3. α~u = (α x1, α y1, α z1)
5. ~u − ~v = ~u + (−~v) = (x1− x2, y1− y2, z1− z2). Al´em disso, 1. ~u + ~v = ~v + ~u 2. ~u + ~0 = ~u 3. (~u + ~v) + ~w = ~u + (~v + ~w) 4. ~u + (−~u) = ~0 5. α(β~v) = (αβ)~v 6. α(~u + ~v) = α~u + α~v 7. (α + β)~u = α~u + β~u 8. 1~u = ~u.
M´odulo de um vetor Seja o vetor ~u = (x, y, z),
|u| =px2+ y2+ z2. (3.3)
3.3
Produto Escalar
Chama-se produto escalar de dois vetores ~u e ~v ao n´umero real ~u · ~v, o qual ´e a soma dos produtos de suas componentes correspondentes de ~u e ~v.
Quando ~u = (x1, y1) e ~v = (x2, y2) =⇒ ~u · ~v = x1x2+ y1y2. (3.4)
Quando u = (x1, y1, z1) e v = (x2, y2, z2) =⇒ ~u · ~v = x1x2+ y1y2 + z1z2. (3.5)
Propriedades do Produto Escalar Dados os vetores u, v e w e o n´umero real α, ´e f´acil verificar que: Al´em disso,
1. ~u · ~v = ~v · ~u
3. (~u + ~v) · ~w = ~u · ~w + ~v · ~w 4. α · (~u · ~v) = (α~u) · ~v = ~u · (α~v)
5. ~u · ~u > 0 se ~u 6= ~0 e ~u · ~u = 0 se ~u = ~0. 6. ~u · ~u = |~u|2.
3.3.1
Interpreta¸
c˜
ao Geom´
etrica do Produto Escalar
Se ~u e ~v s˜ao dois vetores n˜ao nulos e θ ´e o ˆangulo entre eles, ent˜ao: ~
u · ~v = |~u| |~v| cos θ. (3.6) De fato, aplicando a lei dos cossenos ao triˆangulo ABC, temos:
|~u − ~v|2 = |~u|2+ |~v|2− 2|~u||~v| cos θ.
Por outro lado, como |~u − ~v|2 = (~u − ~v) · (~u − ~v) = |~u|2 − 2~u · ~v + |~v|2, ent˜ao a igualdade
segue-se.
Exemplo 3.1. Sejam |~u| = 2, |~v| = 3 e 120o o ˆangulo entre ~u e ~v. Calcular
Sol.
i) ~u · ~v = |~u||~v| cos 120o = (2)(3) −1
2 = −3 (3.7)
ii) |~u + ~v| =p|~u|2+ |~v|2+ 2~u · ~v =p22+ 32+ 2(−3) = √7 (3.8)
ii) |~u − ~v| =p|~u|2+ |~v|2− 2~u · ~v =p22+ 32− 2(−3) =√19. (3.9)
3.3.2
Angulo entre dois Vetores
ˆ
Seja θ o ˆangulo entre ~u e ~v, ent˜ao:
cos θ = ~u · ~v |~u||~v|. Exemplo 3.2. Sejam ~u = (4, −2), ~v = (3, 1) cos θ = (4, −2) · (3, 1) |(4, −2)||(3, 1)| = 4.3 + (−2).1 p42+ (−2)2√32+ 1 = 10 √ 20√10 = √ 2 2 Logo, θ = arccos √ 2 2 ⇒ θ = 45 o.
Exemplo 3.3. Um vetor ~v do espa¸co forma com os vetores ~i e ~j ˆangulos de 60o e 120o,
respectivamente. Determinar o vetor ~v, sabendo que |~v| = 2.
Solu¸c˜ao Das hipˆoteses temos para v = (x, y, z) que:
cos 60o = ~v ·~i |~v||~i| = ~v ·~i (2)(1) ⇒ x = ~v ·~i = 2 cos 60 o = 1 e cos 120o = ~v · ~j |~v||~j| = ~v · ~j (2)(1) ⇒ y = ~v · ~j = 2 cos 120 o = −1
Por outro lado, ja que |~v| =px2+ y2+ z2 = 2, tem-se z = ±√2. Portanto, ~v = (1, −1,√2)
ou ~v = (1, −1, −√2).
Observa¸c˜ao 3.5. Note que dois vetores ~u e ~v diferentes de zero, s˜ao ortogonais (~u⊥~v), se e somente se ~u · ~v = 0.
Exemplo. Os vetores ~u = (10,√2) e ~v = (−15,√2) formam um ˆangulo de 90o, pois ~u · ~v =
10(−15) +√2(√2) = 0
Observa¸c˜ao 3.6. Sejam dois vetores ~u e ~v quaisquer, 1. |~u · ~v| ≤ |~u||~v| (Desigualdade de Schwartz)
2. |~u + ~v| ≤ |~u| + |~v| (Desigualdade Triangular).
3.3.3
Proje¸
c˜
ao de um Vetor sobre Outro
Sejam os vetores ~u e ~v n˜ao nulos e θ o ˆangulo entre eles. O objetivo ser´a decompor um dos vetores, digamos ~u, da forma
~u = ~u1+ ~u2
sendo ~u1k~v e ~u2 ⊥ ~v.
O vetor ~u1 ´e chamado proje¸c˜ao ortogonal de ~u sobre ~v, e denotado por:
~
u1 = P roj~v ~u.
Com efeito, ja que: ~u1k~v ⇒ ~u1 = α~v e dado que ~u2 = ~u − ~u1 = ~u − α~v ent˜ao
~u2 ⊥ ~v ⇒ (~u − α~v) ⊥ ~v ⇒ (~u − α~v) · ~v = 0 ⇒ α = ~ u · ~v |~v|2 Portanto, P roj~v ~u = ~u1 = ~u · ~v |~v|2 ~v.
Chamamos de componente de u sobre v ao vetor
Comp~v ~u = ~u2 = ~u − α~v = ~u − P roj~v ~u.
3.4
Produto Vetorial
Chama-se produto vetorial de dois vetores ~u = (x1, y1, z1) e ~v = (x2, y2, z2) de R3, tomados
nessa ordem, e reprentados por ~u × ~v, ao vetor: ~ u × ~v = y1 z1 y2 z2 ~i − x1 z1 x2 z2 ~j + x1 y1 x2 y2 ~k.
Pela facilidade para memorizar denotaremos a defini¸c˜ao anterior da forma: ~ u × ~v = ~i ~j ~k x1 y1 z1 x2 y2 z2 .
Exemplo 3.4. Calcular ~u × ~v para ~u = (5, 4, 3) e ~v = (1, 0, 1).
Solu¸c˜ao ~ u × ~v = ~i ~j ~k 5 4 3 1 0 1 = 4 3 0 1 ~i − 5 3 1 1 ~j + 5 4 1 0 ~k = 4~i − 2~j − 4~k.
Observa¸c˜ao 3.7. Uma forma pr´atica para o c´alculo de ~u × ~v ´e dispondo os dois vetores em linha, e repetindo pela ordem, as duas primeras colunas, As trˆes componentes de ~u × ~v s˜ao dadas pelos trˆes determinantes, conforme a seguir.
O sentido do vetor ~u × ~v poder´a ser determinado pela regra da m˜ao direita, isto ´e, se os dedos da m˜ao direita forem dobrados na mesma dire¸c˜ao de rota¸c˜ao, ent˜ao o polegar estendido indicar´a o sentido de ~u × ~v.
3.4.1
Propriedades
As demonstra¸c˜oes das seguintes propriedades s˜ao uma consequˆencia direta da defini¸c˜ao de produto vetorial e das propriedades de determinante.
1. ~v × ~u = −~u × ~v.
2. ~u × ~v = ~0, se e somente se, ~u k ~v.
3. O vetor ~u × ~v ´e simultaneamente perpendicular a ~u e ~v, isto ´e (~u × ~v) · ~u = ~0 e (~u × ~v) · ~v = ~0.
4. ~u × (~v + ~w) = ~u × ~v + ~u × ~w e (~u + ~v) × ~w = ~u × ~w + ~v × ~w. 5. α (~u × ~v) = (α ~u) × ~v = ~u × (α ~v).
6. ~u · (~v × ~w) = (~u × ~v) · ~w.
7. |~u × ~v|2 = |~u|2 |~v|2− (~u · ~v)2, (chamada identidade de Lagrange).
Observa¸c˜ao 3.8. Como uma consequˆencia da identidade de Lagrange e tendo em conta que ~
u · ~v = |~u| |~v| cos θ, temos que:
|~u × ~v| = |~u| |~v| sen θ
3.4.2
Interpreta¸
c˜
ao Geom´
etrica
• A ´area de um paralelogramo determinado pelos vetores ~u e ~v , onde a medida da base ´
e ~u e a altura ´e |~v| sen θ, ´e
A = (base)x(altura) = |~u| |~v| sen θ = ku × vk
• O volume do paralelep´ıpedo de arestas determinadas pelos vetores n˜ao coplanares ~u, ~v e ~w (os trˆes vetores n˜ao se encontram num mesmo plano) ´e:
3.5
Retas e Planos
Defini¸c˜ao 3.4. Em R2 ou R3, a equa¸c˜ao vetorial de uma Reta L, com dire¸c˜ao ~v 6= 0
que passa pelo ponto P0 cujo vetor posi¸c˜ao ´e ~P0 =
−→ OP0, ´e:
~
P = ~P0+ t ~v
O ponto P com vetor posi¸c˜ao ~P = −→OP est´a sobre a reta L, ∀ t ∈ R.
Defini¸c˜ao 3.5. A equa¸c˜ao normal de um Plano P com vetor normal ~n 6= 0 que cont´em o ponto P0 = (x0, y0, z0) ´e:
~
n.( ~P − ~P0) = 0.
O ponto P com vetor posi¸c˜ao ~P = −→OP est´a sobre o plano P, ∀ t ∈ R.
3.6
Exerc´ıcios
1. Sejam A = (1, 2), B = (0, 1), C = (−1, −1) e D = (2, 3) pontos de R2. Calcule e grafique os vetores posi¸c˜ao (na posi¸c˜ao padr˜ao) de modo que sejam o resultado de:
a) −→AB +−BC−→ b) −CD + 2−→ −→AB c) −→AB −−−→CD d)−−→CD −−→AB e) −12 −−→DC
2. Sejam A = (1, 0, 2), B = (0, 1, 1), C = (1, 1, 2) e D = (2, 1, 0) pontos de R3. Calcule e
grafique os vetores posi¸c˜ao de modo que sejam o resultado de: a) −→AB b) −−→CD +−→AB c) AB ×−→ −−→CD d) (−−→CD −−→AB) ×−−→CD
3. Encontre um vetor n˜ao-nulo ~u com ponto inicial P = (−1, 3, −1) tal que a) ~u tenha a mesma dire¸c˜ao e sentido que ~v = (2, 1, −1).
b) ~u tenha a mesma dire¸c˜ao mas sentido oposto que ~v = (1, −1, 1).
4. Um excursionista anda 4 na dire¸c˜ao norte e depois 5 na dire¸c˜ao nordeste. Desenhe os vetores deslocamento que representam o passeio do excursionista e o vetor que representa o deslocamento a partir do ponto inicial.
5. Sejam ~u = (1,√3), ~v = (0, 1) e ~w = (1, 1) vetores de R2.
(ii) Calcular a) P r~v~u b) P rw~~v c) P r~vw~ d) ](~u, ~v) e) ](~v, ~w).
(iii) Calcule a ´area do paralelogramo determinado por: a) ~u e ~v b) ~v e ~w.
6. Ache as componentes dos vetores u, v, u + v e u − v onde u e v aparecem na figura
7. Encontre todos os poss´ıveis valores de k para os quais os vetores s˜ao ortogonais i) ~u = (2, 3), ~v = (k + 1, k − 1) ii) ~u = (1, −1, 2), ~v = (k2, k, −3).
8. Sejam ~u = (2, 1, −1), ~v = (0, 1, 2) e ~w = (−1, 1, 3) vetores de R3.
(i) Calcular a) ~u × ~v b) ~w/| ~w| c) |~u.(~v × ~w)| d) −2~v × ~w e) |~u × ~v × ~w|. (ii) Calcular a) P r~v~u b) P r~u~v c) P r~uw~ d) ](~u, ~v) e) ](~v, ~w).
9. Calcule o valor de m para que a ´area do paralelogramo determinado pelos vetores ~
u = (m, −3, 1) e ~v = (1, −2, 2) seja igual a√26.
10. Calcule a ´area do triˆangulo ABC e a altura relativa ao lado BC, sendo dados A = (−4, 1, 1), B = (1, 0, 1), C = (0, −1, 3).
11. Sejam os pontos A = (1, 1, −1), B = (−3, 2, −2), C = (2, 2, −4). Prove que o triˆangulo ABC ´e retˆangulo.
12. Encontre o vetor ortogonal ao plano determinado pelos pontos A = (3, 0, 0), B = (0, 3, 0), C = (0, 0, 2). Calcule a ´area do triˆangulo ABC.
13. Prove que ku − vk ≥ kuk − kvk para todo vetor u e v em Rn (Dica: Substitua u por
u − v na desigualdade triangular).
14. Suponha conhecido que u.v = u.w. Pode-se concluir que u = w?. Em caso afirmativo dˆe uma prova v´alida em Rn, caso contr´ario dˆe um contra-exemplo espec´ıfico de vetores u, v, w para os quais a igualdade ´e falsa.
15. Prove que: (a) (u + v) · (u − v) = kuk2− kvk2 (b) ku + vk2+ ku − vk2 = 2kuk2+ 2kvk2 (c) u · v = 14ku + vk2− 1 4ku − vk 2 (d) ku + vk = ku − vk se, e somente se u ⊥ v (e) proju(v − proju(v)) = ~0.
16. Um paralelep´ıpedo ´e determinado pelos vetores ~u = (3, −1, 4), ~v = (2, 0, 1) e ~w = (−2, 1, 5). Calcule seu volume, e a altura relativa `a base definida pelos vetores ~u e ~v. 17. Encontre as equa¸c˜oes vetoriais para as retas que passam por:
(a) P0 = (4, −3, 5) e ´e paralela a ~v = (0, −1, 3).
(b) P = (5, −7, 2) e Q = (0, 0, 4)
(c) P = (2, −5, 7) e ´e perpendicular ao plano 3x − 2y + 5z = 7. 18. Encontre uma equa¸c˜ao para o plano que passa por:
(a) P0 = (3, −7, 5) e ´e paralelo ao plano de equa¸c˜ao 3x − y + 2z = 5.
(b) P = (3, 1, 2), Q = (5, −1, 3) e (−4, 2, 0).
(c) P = (2, −3, 0) e ´e perpendicular `a reta (x, y, z) = (2, −5, 3) + t(6, −6, 5).
19. Determine a distˆancia do ponto Q = (1, 0, 2) `a reta r que passa por P0 = (3, 1, 1) e ´e
Cap´ıtulo 4
Espa¸
co Vetorial
Nos cap´ıtulos anteriores vimos que a ´algebra de matrizes e vetores s˜ao similares em muitos aspectos. Em particular podemos fazer a adi¸c˜ao de matrizes e vetores, e podemos multiplicar ambos por um escalar. As propriedades resultantes de essas duas opera¸c˜oes s˜ao idˆenticas para as matrizes e vetores. O que se pretende agora ´e usar essas propriedades para definir “vetores”de forma geral.
Um espa¸co vetorial ´e um conjunto V de elementos chamados vetores, onde est˜ao definidas duas opera¸c˜oes:
1. Axioma da Adi¸c˜ao: Para todo u, v ∈ V , a soma u ⊕ v ∈ V .
2. Axioma do Produto por um escalar α: Seja α ∈ R (ou α ∈ C) e v ∈ V , ent˜ao α v ∈ V .
Al´em disso, para todo u, v, w ∈ V e α, β ∈ R (ou C), os seguintes axiomas s˜ao satisfeitos: Em rela¸c˜ao `a adi¸c˜ao:
Ax.3. (u ⊕ v) ⊕ w = u ⊕ (v ⊕ w) Ax.4. u ⊕ v = v ⊕ u
Ax.5. ∃ 0 ∈ V, u ⊕ 0 = u
Ax.6. ∃ (−u) ∈ V, u ⊕ (−u) = 0
Em rela¸c˜ao ao produto por um escalar: Ax.7. (αβ) u = α (β u)
Ax.8. (α + β) u = (α u) ⊕ (β u) Ax.9. α (u ⊕ v) = (α u) ⊕ (α v) Ax.10. 1 u = u
espa¸co vetorial real. No caso dos escalares serem complexos, V ser´a chamado espa¸co vetorial complexo.
Em diante, nos trabalharemos s´o com espa¸cos vetoriais reais.
Exemplo 4.1. V = Rn = {(x1, x2, . . . , xn)/xi ∈ R} ´e um espa¸co vetorial real com as
opera¸c˜oes
(x1, x2, . . . , xn) ⊕ (y1, y2, . . . , yn) = (x1+ y1, x2+ y2, . . . , xn+ yn) (4.1)
α (x1, x2, . . . , xn) = (αx1, αx2, . . . , αxn) (4.2)
Solu¸c˜ao A prova ´e simplesmente a generaliza¸c˜ao das propriedades vistas para vetores no plano e no espa¸co. Assim, pelas proprias defini¸c˜oes de adi¸c˜ao de vetores (4.1) e multiplica¸c˜ao de um vetor por um escalar real (4.2), ´e simples verificar todos os axiomas de espa¸co vetorial.
Exemplo 4.2. O conjunto V = Mm×n(R) de todas as matrizes reais de ordem m × n ´e um
espa¸co vetorial real com as opera¸c˜oes de adi¸c˜ao de matrizes e multiplica¸c˜ao por um escalar. Assim, para A = [aij]m×n, B = [bij]m×n e α ∈ R, definimos:
A ⊕ B = [cij]m×n onde cij = aij + bij (4.3)
α A = [dij]m×n onde dij = α aij (4.4)
Exemplo 4.3. O conjunto V = Pn(R), de todos os polinˆomios a0 + a1t + · · · + antn com
coeficientes ai ∈ R ´e um espa¸co vetorial real com as opera¸c˜oes usuais de adi¸c˜ao de polinˆomios
e multiplica¸c˜ao por um escalar.
De fato, para p(t) = a0+ a1t + · · · + antn ∈ Pn(R) e q(t) = b0+ b1t + · · · + bntn∈ Pn(R),
basta definir
(p ⊕ q)(t) = p(t) + q(t) = (a0+ b0) + (a1+ b1)t + · · · + (an+ bn)tn
(α p)(t) = α p(t) = α a0+ (α a1)t + · · · + (α an)tn.
Exemplo 4.4. O conjunto V de todas as fun¸c˜oes reais definidas sobre o intervalo [a, b], ´e um espa¸co vetorial. Para isso, basta definirmos para f = f (x) e g = g(x) ∈ V , as opera¸c˜oes usuais:
(f ⊕ g)(x) = f (x) + g(x) (α f )(x) = α f (x)
Exemplo 4.5. Nenhum dos conjuntos N, Z, Q ´e espa¸co vetorial real, pois em todos eles
o produto de um de seus elementos por um escalar, ´e um n´umero real, o que contraria o Axioma 2 de espa¸co vetorial.
4.1
Subespa¸
cos Vetoriais
Seja W , (W 6= ∅) um subconjunto do espa¸co vetorial V . Dizemos que W ´e um subespa¸co vetorial em rela¸c˜ao `as opera¸c˜oes de V , se:
i) u, v ∈ W ⇒ u ⊕ v ∈ W
ii) α ∈ R e u ∈ W ⇒ α u ∈ W.
Exemplo 4.6. Seja V = M2×2(R) e
W = {A ∈ M2×2(R)/todos os elementos da diagonal de A s˜ao zeros}.
Prove que W ´e um subespa¸co vetorial de V , com as opera¸c˜oes usuais de matrizes.
Solu¸c˜ao: Sejam A = 0 a12 a21 0 e B = 0 b12 b21 0
matrizes quaisquer de W , ent˜ao
A + B = 0 a12+ b12 a21+ b21 0 ∈ W. Se α ∈ R e A ∈ W , ent˜ao αA = α.0 α.a12 α.a21 α.0 = 0 α.a12 α.a21 0 ∈ W
Exemplo 4.7. Considere o subconjunto W = {(x, 1) ∈ R2/x ∈ R} com as opera¸c˜oes usuais
de R2. Prove que W n˜ao ´e um subespa¸co vetorial.
Solu¸c˜ao:Basta notar que a soma de dois elementos de W n˜ao pertence a W . Os elementos (3, 1) ∈ W e (5, 1) ∈ W , mas a soma
4.1.1
Propriedades dos Subespa¸
cos
Soma.
Sejam W1 e W2 subspa¸cos de um espa¸co vetorial V . Ent˜ao, o conjunto
W1+ W2 = {v ∈ V / v = w1+ w2, w1 ∈ W1 e w2 ∈ W2} (4.5)
´e um subespa¸co de V .
Exemplo 4.8. Sejam W1 e W2 duas retas de R3 que passam pela origem, ent˜ao W1 + W2
´e o plano em R3 que cont´em as duas retas.
Interse¸c˜ao.
Sejam W1 e W2 subspa¸cos de um espa¸co vetorial V . A interse¸c˜ao W1∩ W2 ´e um subespa¸co
de V .
Exemplo 4.9. Sejam W1 e W2 dois planos de R3 que passam pela origem, de modo que
W1∩ W2 ´e uma reta em R3 que cont´em o (0, 0, 0). A interse¸c˜ao W1∩ W2 ´e um subespa¸co
de R3.
Quando W1∩ W2 = {0}, ent˜ao W1+ W2 ´e chamada soma direta de W1 com W2, e ser´a
4.2
Combina¸
c˜
ao Linear
Dizemos que um vetor w ´e uma combina¸c˜ao linear dos vetores v1, v2, . . . , vn do espa¸co
vetorial real V , (V, +, .), se existem α1, α2, . . . , αn ∈ R tal que
w = α1· v1+ α2 · v2+ . . . + αn· vn.
Exemplo 4.10. Considere os vetores ~u = (1, 2, −1), ~v = (6, 4, 2) ∈ R3. Mostre que ~w =
(9, 2, 7) ´e uma combina¸c˜ao linear de ~u e ~v
Solu¸c˜ao: Suponhamos que existem α, β ∈ R de modo que (9, 2, 7) = α(1, 2, −1) + β(6, 4, 2). Ent˜ao, α + 6β = 9 2α + 4β = 2 −α + 2β = 7 implica que α = −3, β = 2
Portanto, (9, 2, 7) = −3(1, 2, −1) + 2(6, 4, 2), consequentemente ~w ´e uma combina¸c˜ao linear de ~u e ~v.
Exemplo 4.11. Considere os polinˆomios p(x) = 1, q(x) = 1 + x e r(x) = 1 + x + x2. Mostre que qualquer polinˆomio de ordem 2 pode-se escrever como uma combina¸c˜ao linear de p(x), q(x) e r(x).
Solu¸c˜ao: Suponhamos que existem α, β, γ ∈ R de modo que
Ent˜ao, α + β + γ = a0 β + γ = b0 γ = c0 , logo γ = c0, β = b0− c0, α = a0 − b0− c0. Portanto, a0+ b0x + c0x2 = (a0− b0− c0) p(x) + (b0− c0) q(x) + c0 r(x).
4.3
Espa¸
co Gerado
O subconjunto S de todos os vetores do espa¸co vetorial real V (V, +, .), que s˜ao com-bina¸c˜oes lineares dos vetores v1, v2, . . . , vn, ´e chamado de subespa¸co vetorial gerado por
v1, v2, . . . , vn e ser´a denotado por
S = ger{v1, v2, . . . , vn} = [v1, v2, . . . , vn]
Para verificar que S ´e subespa¸co vetorial de V , basta notar que para qualquer u, v ∈ S e α ∈ R verifica-se que
u + v = (α1· v1 + α2· v2+ · · · + αn· vn) + (β1· v1 + β2· v2+ · · · + βn· vn)
= (α1+ β1) · v1+ (α2+ β2) · v2+ · · · + (αn+ βn) · vn∈ S
α · u = α · (α1· v1+ α2· v2+ · · · + αn· vn)
= (αα1) · v1+ (αα2) · v2+ · · · + (ααn) · vn ∈ S.
Exemplo 4.12. Calcule o conjunto de geradores do subespa¸co vetorial S de M2×2(R), quando
S = ( a b c d ∈ M2×2(R) a = −d e c = 2b ) . (4.6)
Solu¸c˜ao Usando a defini¸c˜ao de S temos
S = ( −d b 2b d b e d ∈ R ) . (4.7) Logo, S = ( d −1 0 0 1 + b 0 1 2 0 b e d ∈ R ) = ger ( −1 0 0 1 , 0 1 2 0 ) .
Exemplo 4.13. Mostre que o conjunto de polinˆomios {t2+ t, t, 1} gera o espa¸co vetorial,
P2(R), dos polinˆomios de grau ≤ 2.
Solu¸c˜ao Consideremos p(t) = a2t2+ a1t + a0 ∈ P2(R). Suponhamos α, β, γ ∈ R tais que:
p(t) = α(t2 + t) + βt + γ1 ⇒ a2t2+ a1t + a0 = αt2+ (α + β)t + γ.
Comparando o primeiro e ´ultimo polinˆomio obtemos α = a2, α + β = a1 e γ = a0, logo
α = a2, β = a1− a2, γ = a0.
4.4
Independˆ
encia e Dependˆ
encia Linear
Seja V um espa¸co vetorial real, (V, +, ·), e v1, v2, . . . , vn ∈ V . Dizemos que o conjunto
{v1, v2, . . . , vn} ´e linearmente independente (L.I.), se:
α1 · v1+ α2· v2 + . . . + αn· vn = 0 =⇒ α1 = α2 = . . . = αn= 0. (4.8)
No caso em que exista algum αi 6= 0, diremos que o conjunto {v1, v2, . . . , vn} ´e linearmente
dependentes (L.D.).
Teorema 4.1. {v1, . . . , vn} ´e linearmente dependente, se e somente se, um destes vetores
for combina¸c˜ao linear dos outros. Prova:
{v1, . . . , vn} ´e L.D ⇐⇒ ∃ αi 6= 0 / α1v1+ α2v2+ . . . + αivi+ . . . + αnvn= 0
⇐⇒ αivi = −α1v1− . . . − αi−1vi−1− αi+1vi+1− . . . − αnvn
⇐⇒ vi = − α1 αi v1− . . . − αi−1 αi vi−1− αi+1 αi vi+1− . . . − αn αi vn
⇐⇒ vi ∈ ger{v1, v2, . . . , vi−1, vi+1. . . , vn} (4.9)
Exemplo 4.14. Os vetores canˆonicos (1, 0, 0), (0, 1, 0), (0, 0, 1) s˜ao L.I.?
Solu¸c˜ao Suponhamos que
α1(1, 0, 0) + α2(0, 1, 0) + α3(0, 0, 1) = (0, 0, 0).
Somando temos que (α1, α2, α3) = (0, 0, 0). Logo, α1 = α2 = α3 = 0, consequentemente os
Exemplo 4.15. As matrizes A = 1 −2 4 3 0 −1 e B = 2 −4 8 6 0 −2 s˜ao L.D. Solu¸c˜ao De fato, α1A + α2B = 0 0 0 0 0 0 ⇔ α1 = −2α2.
Corol´ario 4.1. Qualquer conjunto de vetores contendo o vetor nulo ´e L.D.
Exemplo 4.16. Os vetores ~u = (1, −2, 3), ~v = (2, −4, 6) e ~w = (1, 1, 1) s˜ao L.D. pois
2~u − ~v + 0 ~w = ~0.
Corol´ario 4.2. Todo subconjunto de um conjunto de vetores L.I. ´e L.I.
Exemplo 4.17. E sabido que o conjunto S = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} ´´ e L.I, logo qualquer subconjunto de S tamb´em ´e L.I.
Observa¸c˜ao 4.2. Se ~u1 = (x11, . . . , x1n), ~u2 = (x21, . . . , x2n), . . . , ~un = (xn1, . . . , xnn) s˜ao
n-vetores L.I. em Rn,
α1~u1+ α2~u2+ · · · + αn~un = ~0 =⇒ α1 = α2 = · · · = αn= 0.
Da afirma¸c˜ao anterior deduzimos que x11 x21 . . . xn1 .. . . . ... x1n x2n . . . xnn α1 .. . αn = 0 .. . 0 =⇒ α1 = α2 = · · · = αn= 0. sempre que det x11 x21 . . . xn1 .. . . . ... x1n x2n . . . xnn 6= 0 Exemplo 4.18. Os vetores ~u1 = (1, −2, 7, √ 2), ~u2 = (0, 4, −6, 1), ~u3 = (0, 0, 1, π), ~u4 = (0, 0, 0, sen 1) s˜ao L.I. em R4
Solu¸c˜ao Segundo a observa¸c˜ao anterior eles s˜ao L.I. pois o determinante da matriz (u1, u2, u3, u4)
´e diferente de zero. De fato,
det 1 0 0 0 −2 4 0 0 7 −6 1 0 √ 2 1 π sen 1 = 4 sen 1
Exemplo 4.19. Seja r > n. Qualquer conjunto com r vetores no espa¸co vetorial Rn ´e line-armente dependente pois todo sistema homogˆeneo de equa¸c˜oes lineares com mais inc´ognitas do que equa¸c˜oes admite uma solu¸c˜ao n˜ao trivial (diferente de zero).
Observa¸c˜ao 4.3. Geometricamente, a dependˆencia de dois vetores no plano R2 acontece se
e somente se eles se encontram sobre a mesma reta passando pela origem. No espa¸co R3,
trˆes vetores s˜ao L. D. se eles est˜ao contidos no mesmo plano passando pela origem. `
As vezes ´e poss´ıvel deduzir a dependˆencia linear de fun¸c˜oes apartir de identidades conhe-cidas, por exemplo ao provar que: {sen2x, cos2x, 5} ´e um conjunto L.D no espa¸co vetorial das fun¸c˜oes reais de vari´avel real, F (R, R), basta notar que
α sen2x + β cos2x + γ 5 = 0 ⇐⇒ α = β = 5, γ = −1.
De modo geral, n˜ao existe um m´etodo para provar a dependˆencia ou independˆencia linear de conjuntos em F (R, R), pois existem casos onde estas idˆentidades n˜ao podem ser aplicadas. Um teorema ´util para determinar se um conjunto particular de fun¸c˜oes ´e L.I ´e enunciado a seguir.
Teorema 4.2. Sejam as func˜oes reais f1, f2, . . . , fn ∈ Cn−1([a, b]) (cont´ınuas e com
deri-vadas cont´ınuas at´e a ordem n − 1 em todo [a, b]). Se existe um ponto x0 ∈ [a, b] tal que o
wronskiano W [f1, f2, . . . , fn](x0), W [f1, f2, . . . , fn](x0) = det f1(x0) f2(x0) . . . fn(x0) f10(x0) f20(x0) . . . fn0(x0) .. . ... · · · ... f1n−1(x0) f2n−1(x0) . . . fnn−1(x0) 6= 0, (4.10)
Exemplo 4.20. As fun¸c˜oes ex, e−x s˜
ao L.I. em C(R)?.
Solu¸c˜ao Segundo o teorema anterior eles s˜ao L.I. em C2(R), pois o Wronskiano
W [ex, e−x](x0) = det ex0 e−x0 ex0 −e−x0 = −2 6= 0, ∀x0 ∈ R. (4.11)
Por outro lado, ja que C2(R) ⊆ C(R) o resultado segue-se.
Exemplo 4.21. As fun¸c˜oes 1, x, x2, x3 s˜ao L.I. em C(R)?.
Solu¸c˜ao Segundo o teorema anterior eles s˜ao L.I. em C3(R), pois o Wronskiano
W [1, x, x2, x3](x0) = det 1 x0 x20 x30 0 1 2x0 3x20 0 0 2 6x0 0 0 0 6 = 12 6= 0, ∀x0 ∈ R. (4.12)
Por outro lado, ja que C3(R) ⊆ C(R) o resultado segue-se.
Exemplo 4.22. As fun¸c˜oes x2 e x|x| s˜ao L.I. em C([−1, 1])?.
Solu¸c˜ao Ja que x2, x|x| ∈ C1([−1, 1]), calculando o Wronskiano temos
W [x2, x|x|](x0) = det x2 0 x0|x0| 2x0 2|x0| ≡ 0, (4.13)
o que n˜ao nos d´a a informa¸c˜ao sobre se as fun¸c˜oes s˜ao L.I ou n˜ao. Logo, para responder a pergunta, suponha que:
αx2+ βx|x| = 0, x ∈ [−1, 1]. Em particular, para x = 1 e para x = −1, temos o sistema
α + β = 0 α − β = 0,