Dep. Matemática Pura. FCUP. ÁLGEBRA LINEAR e GEOMETRIA ANALÍTICA
|
|
- Benedicto Milton Castilho Weber
- 7 Há anos
- Visualizações:
Transcrição
1 Dep. Matemática Pura. FCUP ÁLGEBRA LINEAR e GEOMETRIA ANALÍTICA Resumo das aulas teóricas e práticas 1. o ano da licenciatura em Matemática, Física Astronomia Ano lectivo de 2009/10 João Nuno Tavares
2 ÍNDICE: 1 ALGA I. Um curso rápido de ALGA apenas em R Álgebra Linear em R Aplicações à geometria ALGA I. Álgebra Linear e Geometria Analítica em R Álgebra Linear em R ALGA I. Espaços vectoriais Espaços vectoriais Exemplos Subespaços vectoriais Exercícios ALGA I. Aplicações lineares. Isomorfismos lineares Aplicações lineares. Isomorfismos lineares. Operadores lineares. Funcionais lineares. O espaço dual V Exercícios ALGA I. Bases, coordenadas e dimensão Bases, coordenadas e dimensão Cálculos com coordenadas. Problemas Mudanças de base e de coordenadas Exercícios ALGA I. Representação matricial das aplicações lineares Matriz de uma aplicação linear Cálculo do núcleo e imagem Matriz da composta GL(n). Pontos de vista passivo e activo Determinantes Definição e propriedades
3 Determinante de um produto Cálculo da matriz inversa. Matriz adjunta Regra de Cramer Determinante de um operador linear Exercícios ALGA I. Espaços vectoriais com produto interno Espaços Euclideanos reais Espaços Hermitianos (ou Unitários) complexos Norma Ortogonalidade Bases ortonormadas num espaço vectorial com produto interno Método de ortogonalização de Gram-Schmidt Decomposição ortogonal. Teorema da aproximação óptima Aplicações. Mínimos quadrados Método dos mínimos quadrados. Aproximação de dados por uma recta Transformações ortogonais e unitárias. Exemplos Transformações unitárias em C 2. Os grupos U(2) e SU(2) Exercícios ALGA I. Subespaços invariantes. Subespaços próprios. Valores próprios Conjugação Subespaços invariantes Valores e vectores próprios de um operador linear. Operadores diagonalizáveis Cálculo de valores e vectores próprios Sistemas dinâmicos lineares discretos Números de Fibonacci. Número de ouro Exercícios ALGA I. Operadores auto-adjuntos (simétricos e hermitianos). Teorema espectral Operadores auto-adjuntos (simétricos e hermitianos) Teorema espectral para operadores auto-adjuntos Diagonalização de formas quadráticas reais Propriedades extremais dos valores próprios Operadores comutativos
4 1 9.6 Exercícios Referências 1. T.M. Apostol: Calculus, vol.1 e vol.2. Xerox College Publishing International Textbook series, Postnikov M.: Leçons de Géométrie, vol.1 e 2. Éditions MIR, Moscou, Banchoff T., Wermer J.. Linear Algebra through Geometry. UTM, Springer-Verlag, New York, Smith L.: Linear Algebra. UTM, Springer-Verlag, New York, Curtis C.W.: Linear Algebra, An Introductory Approach. UTM, Springer-Verlag, New York, Lipschutz S.: Linear Algebra. Schaum s Outline Series. McGraw-Hill Book Company, Hernández E.: Álgebra y Geometría (2. a edicion). Addison-Wesley/Universidad Autónoma de Madrid, 1994.
5 Módulo 1 ALGA I. Um curso rápido de ALGA apenas em R 2 Neste primeiro módulo vamos retomar alguns conceitos aprendidos no ensino secundário, e fazer uma ponte para os assuntos mais sofisticados que precisamos de aprender na disciplina de ALGA. Tentamos por agora usar as notações que são mais familiares ao leitor. Contents 1.1 Álgebra Linear em R Aplicações à geometria Palavras chave Vectores. R 2 como espaço vectorial real. Subespaços. Dependência e indepêndencia linear. Base canónica. Bases, coordenadas e dimensão. Aplicações Lineares. Matriz de uma aplicação linear. Determinantes. Valores e vectores próprios. Geometria Euclideana em R 2. Produto interno (euclideano). Norma (euclideana). Ângulo. Ortogonalidade. Rectas vectoriais e afins. Projecção ortogonal. Interpretação geométrica de det e de det A. Reflexões numa recta. Transformações ortogonais em R 2. Os grupos O(2) e SO(2). Notações x, y, u, v, w... vectores, em vez de x, y, u, v,... a, b, c,..., λ, η, µ, ξ,... escalares, isto é, números reais (para já). Número de aulas 2 teóricas e 2 teórico-práticas. Objectivos Um forte intuição geométrica sobre os principais conceitos da ALGA. Resolver os sistenmas que aparecem obrigatoriamente pelo método de eliminação de Gauss. 2
6 1.1. Álgebra Linear em R Álgebra Linear em R 2 Vectores 1.1 Um vector x em R 2 é por definição um par ordenado de números reais, representado, ou na forma x = (x 1, x 2 ), ou dispostos segundo uma matriz-coluna de duas linhas: ( ) x1 x = x 2 Os números reais x( i, i = ) 1, 2, dizem-se as componentes do vector x R 2. x1 Geomètricamente x = será representado como na figura seguinte: x 2 R 2 como espaço vectorial real ( ) ( ) x1 y1 1.2 Dados dois vectores x = e y =, em R x 2 y 2, define-se a respectiva soma vectorial, como sendo o vector x + y, dado por: 2 ( ) ( ) ( ) x1 y1 x1 + y x + y = + = 1 x 2 + y 2 x 2 Geomètricamente x + y é obtido através da seguinte regra do paralelogramo: ( ) x1 1.3 Dado um vector x = em R x 2, e um escalar (i.e., um número real) 2 λ R, define-se a multiplicação do escalar λ pelo vector x, como sendo o vector λx dado por: ( ) λ x 1 λx = λ x 2 y É fácil provar que as duas operações definidas anteriormente, satisfazem as propriedades seguintes: [EV1]. x + y = y + x (1.1.1) [EV2]. (x + y) + z = x + (y + z) (1.1.2) [EV3]. 0 + x = x + 0 = x x R 2 (1.1.3) [EV4]. x, ( x) : x + ( x) = 0 (1.1.4) [EV5]. λ(x + y) = λx + λy (1.1.5) [EV6]. (λ + η)x = λx + ηx (1.1.6) [EV7]. λ(ηx) = (λη)x (1.1.7) [EV8]. 1x = x (1.1.8) ( ) 0 onde x, y, z R 2, λ, η R, 0 = é o vector nulo de R 0 2, e x = ( 1)x. Por isso, diz-se que R 2 é um espaço vectorial real.
7 1.1. Álgebra Linear em R 2 4 Exercício Demonstre as 8 propriedades (2.1.1) a (1.1.8). Subespaços 1.5 Um subconjunto S R 2 diz-se um subespaço vectorial de R 2, se S é fechado relativamente às operações de soma de vectores e de multiplicação de escalares por vectores, i.e.: Se x, y S também x + y S (1.1.9) Se λ R, e x S também λx S (1.1.10) Em R 2 os subespaços são de dois tipos: triviais: S = {0} e S = R 2 não triviais: S = {λv : λ R}, onde v 0, que representa uma recta que passa na origem, gerada por v 0. Exercício Diga quais dos seguintes conjuntos são subespaços vectoriais de R 2 : a) A = { (x, y) R 2 : x = y } ; e) E = { (x, y) R 2 : 3x y = 1 } ; b) B = { (a, a) R 2 : a R } ; f) F = { (x, y) R 2 : x + 2y = 3 } ; c) C = { (x, y) R 2 : x + y 2 } ; g) G = {(b, 2a + b) : a, b R}. d) D = { (x, y) R 2 : x + 5y = 0 } ; g) H = {(b, 2a + 1) : a, b R}. Combinação linear 1.6 Um vector x R 2 diz-se uma combinação linear dos vectores a e b de R 2 se existirem escalares λ, η R tais que: x = λ a + η b (1.1.11) O conjunto de todas as combinações lineares dos vectores a e b, isto é, de todos os vectores da forma λ a + η b, onde os escalares λ, η R são arbitrários, chama-se o espaço gerado por a e b e representa-se por span{a, b}: span{a, b} = {λ a + η b : λ, η R} (1.1.12) Exercício span {a, b}: Em cada uma das alíneas que se seguem, verifique se x a) x = (1, 0), a = (1, 1), e b = (0, 1); b) x = (2, 1), a = (1, 1), e b = (1, 1); c) x = (1, 0), a = (1, 1), e b = (2, 2); d) x = (1, 1), a = (2, 1), e b = ( 1, 0); e) x = (4, 3), a = (1, 1), e b = ( 2, 2). f) x = (0, 0), a = (2, 1), e b = ( 4, 2); Exercício Em cada um dos casos, calcule o subespaço gerado por a e b, onde a) a = (1, 1), b = (2, 2), em R 2 ; b) a = ((1, 0), b = (5, 0), em R 2 ; c) a = (2, 1), b = (1, 0), em R 2 ; d) a = (2, 1), b = (0, 0), em R 2 ;
8 1.1. Álgebra Linear em R 2 5 Dependência e independência linear 1.7 Dois vectores x e y em R 2, dizem-se linearmente dependentes, se um deles é múltiplo escalar do outro. Se x = 0 (ou y = 0) então x e y são linearmente dependentes. Geomètricamente x e y são linearmente dependentes, sse eles são colineares. 1.8 Dois vectores x e y em R 2, dizem-se linearmente independentes, se não são linearmente dependentes (o que implica que x 0 e y 0). Geomètricamente x e y são linearmente independentes, sse eles são não colineares. Simbolicamente: (x e y são linearmente independentes) (λx + ηy = 0 = λ = η = 0) Exercício Verifique se os vectores que se seguem são linearmente dependentes ou independentes: a) (1, 0), (2, 1) em R 2 ; b) (1, 1), (2, 2) em R 2 ; c) (π, 0), (0, 1) em R 2 ; d) (1, 2), (2, 3), (1, 1) em R 2 ; Base canónica 1.9 Os vectores de R 2 : ( 1 e 1 = i = 0 ) ( 0 e e 2 = j = 1 ) são ( linearmente ) independentes, e têm a propriedade de que qualquer vector x = x1, se pode escrever como combinação linear de e x 1 e e 2. De facto: 2 x = ( x1 x 2 ) ( 1 = x 1 0 ) + x 2 ( 0 1 = x 1 e 1 + x 2 e 2 (1.1.13) ) Diz-se então que C = {e 1, e 2 } é uma base (ordenada) - a base canónica de R 2. Bases, coordenadas, dimensão 1.10 Qualquer conjunto B = {u 1, u 2 } constituído por dois vectores linearmente independentes, e que têm a propriedade de que qualquer vector x R, se pode escrever como combinação linear de u 1 e u 2 : x = x 1 u 1 + x 2 u 2 (1.1.14) para certos escalares (únicos) x 1, x 2 R, diz-se uma base de R 2.
9 1.1. Álgebra Linear em R Todas as bases de R 2 têm sempre dois elementos, e, por isso, diz-se que a dimensão (real) de R 2 é 2: Os escalares x 1, x 2 R, que surgem em (1.1.14), dizem-se as componentes (ou as coordenadas) do vector x, na base B = {u 1, u 2 }. Neste caso escrevemos: ( ) x1 x = (x) B (1.1.15) x 2 Exercício Verifique se os conjuntos que se seguem, são ou não bases de cada um dos espaços vectoriais indicados em cada alínea. Calcule as coordenadas de x = (1, 1) relativamente aos que são bases: a) {(1, 1), (3, 1)} em R 2 ; b) {(0, 1), (0, 3)} em R 2 ; c) {(2, 1), (1, 1), (0, 2)} em R 2 ; d) {(2, 1), (0, 0), (0, 1)} em R 2 ; B Exercício Calcule uma base de cada um dos subespaços que se seguem, e depois as coordenadas do vector u em cada uma das bases: a) S = { (x, y) R 2 : x + y = 0 }, u = (3, 3); b) S = { (x, y) R 2 : 2x = y }, u = (4, 8); Aplicações Lineares 1.12 Uma aplicação A : R 2 R 2 diz-se uma aplicação linear, se A preserva as operações que definem a estrutura vectorial de R 2, i.e.: x, y R 2, e λ R. A(x + y) = A(x) + A(y) (1.1.16) A(λ x) = λ A(x) (1.1.17) 1.13 Dada uma aplicação linear A : R 2 R 2 define-se: o núcleo de A: ker A = {x R 2 : A(x) = 0} (1.1.18) a imagem de A: im A = {y : A(x) = y R 2, para algum x R 2 } (1.1.19) Exercício Mostre que ker A e im A são subespaços de R 2. Exercício Das aplicações A : R 2 R 2 que se seguem, indique aquelas que são lineares. Relativamente a essas, calcule o respectivo núcleo e diga quais as que são injectivas. a) A : (x, y) (x + y, x y) b) A : (x, y) ( x, y ) c) A : (x, y) (x + 1, x y) d) A : (x, y) (0, x + y) Exercício Mostre que uma aplicação linear A : R 2 R 2 fica completamente determinada pelos valores que assume numa base. Mais concretamente, se {e 1, e 2 } é uma base e se A(e 1 ) = f 1, A(e 2 ) = f 2, onde f 1, f 2 são fixos de forma arbitrária, então estes dados determinam de forma única a imagem A(x) de um vector arbitrário.
10 1.1. Álgebra Linear em R 2 7 Exercício Sabendo que A é uma aplicação linear, calcule em cada caso a imagem de um vector genérico: a) Sendo A : R 2 R 2 e A(1, 0) = (1, 1) e A(0, 1) = (1, 2); b) Sendo A : R 2 R 2 e A(1, 1) = (1, 2) e A(0, 3) = (2, 2); c) Sendo A : R 2 R 2 e A(2, 1) = ( 1, 0) e A( 1, 1) = (3, 2); Matriz de uma aplicação linear 1.14 Se B = {u 1, u 2 } é uma base fixa de R 2, podemos escrever que: A(u 1 ) = a u 1 + b u 2 (1.1.20) A(u 2 ) = c u 1 + d u 2 (1.1.21) A matriz: ( ) a c A = b d diz-se a matriz de A na base B, e nota-se por: (1.1.22) A = (A) B ( Se ) as coordenadas de um vector x R 2, na base B = {u 1, u 2 }, são x = x1, i.e., se: x 2 B x = x 1 u 1 + x 2 u 2 então as coordenadas de A(x) na base B obtêm-se da seguinte forma: A(x) = A(x 1 u 1 + x 2 u 2 ) = x 1 A(u 1 ) + x 2 A(u 2 ) = x 1 (a u 1 + b u 2 ) + x 2 (c u 1 + d u 2 ) = (ax 1 + cx 2 ) u 1 + (bx 1 + dx 2 ) u 2 (1.1.23) o que significa que as coordenadas de A(x) na base B: ( ) y1 (A(x)) B = obtêm-se matricialmente através de: ( ) y1 = y 2 ou mais sucintamente: B ( a c b d y 2 B ) ( x1 x 2 ) B (1.1.24) (A(x)) B = (A) B (x) B (1.1.25) Exercício Em cada um dos seguintes casos determine a matriz da aplicação linear A na base indicada e calcule ker A e im A : a). b). c). A : R 2 R 2, (x, y) (3x y, x + 5y) na base C = {(1, 0), (0, 1)} A : R 2 R 2, (x, y) (3x y, x + 5y) na base B = {(1, 1), (1, 1)} A : R 2 R 2, (x, y) (3x, x + y) na base B = {(2, 1), (1, 1)}
11 1.1. Álgebra Linear em R 2 8 Determinantes ( ) a c 1.15 Dada uma matriz A =, definimos o seu determinante det A, b d como sendo o número real: ( ) a c det A = det = ad bc (1.1.26) b d ( ) ( ) a c Representemos por c 1 = e c b 2 = as colunas da matriz A, de tal d forma que: Um cálculo directo mostra que: e ainda que: det A = det [c 1 c 2 ] = ad bc (1.1.27) det [c 1 c 2 ] 0 sse c 1, c 2 são linearmente independentes (1.1.28) det [c 1 c 2 ] = det [c 2 c 1 ] (1.1.29) det [c 1 + c 1 c 2 ] = det [c 1 c 2 ] + det [c 1 c 2 ] (1.1.30) det [c 1 c 2 + c 2] = det [c 1 c 2 ] + det [c 1 c 2] (1.1.31) det [λ c 1 c 2 ] = λ det [c 1 c 2 ] = det [c 1 λ c 2 ] λ R (1.1.32) det I = 1 (1.1.33) det (AB) = det A det B (1.1.34) det (A 1 ) = (det A) 1 A inversível (1.1.35) det (P 1 A P ) = det A P inversível (1.1.36) det (A) = det (A t ) (1.1.37) ( ) 1 0 onde A t é a transposta de A e I = é a matriz identidade. 0 1 Além disso é possível provar que para uma matriz A: A é inversível se e só se det A 0 (1.1.38) Exercício Demonstre todas as propriedades acima referidas Se A : R 2 R 2 é uma aplicação linear, define-se o respectivo determinante det A, como sendo o determinante da matriz de A, relativamente a uma qualquer base de R 2. Por (1.1.36) e (1.1.35), esta definição não depende da base escolhida. Exercício exercício Calcule o determinante das aplicações lineares descritas no Em breve veremos uma interpretação geométrica da noção de determinante. Produto interno (euclideano)
12 1.1. Álgebra Linear em R 2 9 ( ) ( ) x1 y Dados dois vectores x = e y =, em R x 2 y 2, define-se o 2 respectivo produto interno (Euclideano), como sendo o escalar x y R, dado por: x y = x 1 y 1 + x 2 y ( 2 ) y1 = (x 1 x 2 ) y 2 = x t y (1.1.39) 1.18 O produto interno (euclideano), que acabámos de definir, verifica as propriedades seguintes: é bilinear: (x + y) z = x z + y z x (y + z) = x y + x z λx y = x λy = λ(x y) (1.1.40) é simétrica: x y = y x (1.1.41) é não degenerada: x y = 0 y R 2 x = 0 (1.1.42) é definida positiva: x, y, z R 2, λ R. x x 0 (1.1.43) Exercício Verifique que o produto interno (1.1.39) satisfaz as propriedades acima referidas. Norma (euclideana) 1.19 Define-se a norma euclideana x, de um vector x = através da fórmula: ( x1 x 2 ) R 2, x x x = x t x = (x 1 ) 2 + (x 2 ) 2 (1.1.44) 1.20 A norma euclideana verifica as propriedades seguintes: é positiva e não degenerada: x 0 e x = 0 sse x = 0 (1.1.45) é homogénea (positiva): λ x = λ x (1.1.46)
13 1.1. Álgebra Linear em R 2 10 verifica a desigualdade triangular: x, y R 2, λ R. x + y x + y (1.1.47) 1.21 Todas as propriedades são de demonstração imediata com excepção da desigualdade triangular, que resulta imediatamente de uma outra importante desigualdade que passamos a enunciar: Desigualdade de Cauchy-Schwarz: x, y R 2. Demonstração... x y x y (1.1.48) Se y = 0 a desigualdade é trivial. Se y 0 consideremos o vector: u = x x y y 2 y de tal forma que u y = 0. temos então que: 0 u 2 = ( x x y y 2 y ) = x x = x 2 o que portanto demonstra a desigualdade, CQD. (x y)(y x) y 2 Demonstremos agora a desigualdade triangular (7.3.4): x + y 2 = (x + y) (x + y) = x x + x y + y x + y y = x 2 + 2(x y) + y 2 x x y + y 2 ( x x y y 2 y ) (x y)2 y 2 (1.1.49) x x y + y 2, pela desigualdade de Cauchy-Schwarz (2.1.48) = ( x + y ) 2 e portanto x + y x + y, como se pretendia. Ângulo, ortogonalidade 1.22 Dados dois vectores não nulos x, y R 2, deduzimos da desigualdade de Cauchy-Schwarz que: 1 x y x y 1 (1.1.50) o que permite definir o ângulo (não orientado) θ [0, π], entre os referidos vectores não nulos x, y R 2, como sendo o único θ [0, π], tal que: cos θ = x y x y [ 1, 1] (1.1.51)
14 1.1. Álgebra Linear em R 2 11 Portanto: x y = x y cos θ (1.1.52) Dois vectores x, y R 2 dizem-se ortogonais se x y = 0. Rectas vectoriais e afins 1.23 Dado um vector não nulo a 0, o conjunto dos vectores x que são da forma: x = t a, t R (1.1.53) diz-se a recta (vectorial) gerada por a. Se a = [ a1 a 2 ], então (1.1.53) é equivalente ao sistema de equações: { x1 = t a 1 x 2 = t a 2, t R que se dizem as equações paramétricas da referida recta. Eliminando t nestas equações, obtemos a chamada equação cartesiana dessa mesma recta: o que exibe a recta como o conjunto dos vectores x = [ ] a2 ao vector n =, isto é, tais que: a 1 a 2 x 1 a 1 x 2 = 0 (1.1.54) x n = 0 ( x1 x 2 ) que são ortogonais 1.24 Dado um ponto A R 2 e um vector não nulo v 0, o conjunto dos pontos P que são da forma: x 2 P = A + t v, t R (1.1.55) diz-se a recta afim que passa em A e é gerada por v 0. ( ) ( ) [ ] x1 a1 v1 Se P =, A =, e v =, então (1.1.55) é equivalente ao a 2 v 2 sistema de equações: { x1 = a 1 + t v 1 x 2 = a 2 + t v 2, t R que se dizem as equações paramétricas da referida recta. Eliminando t nestas equações, obtemos a chamada equação cartesiana dessa mesma recta: v 2 (x 1 a 1 ) v 1 (x 2 a 2 ) = 0 (1.1.56) ( ) x1 o que exibe a recta como o conjunto dos pontos P = que são ortogonais x [ ] 2 v2 ao vector n =, e que passa em A, i.e., tais que: v 1 (P A) n = 0
15 1.1. Álgebra Linear em R 2 12 Exercício Calcule a imagem do reticulado formado pelas rectas x = n e y = m, m, n Z, sob: (i). a aplicação linear A(x, y) = (2x, x + y). (ii). a aplicação linear B(x, y) = (x y, x + y). Valores e vectores próprios 1.25 Seja A : R 2 R 2 uma aplicação linear. Um escalar λ R diz-se um valor próprio de A se existir um vector não nulo v R 2 {0} tal que: A(v) = λ v (1.1.57) Neste caso, o vector não nulo v, diz-se um vector próprio associado (ou pertencente) ao valor próprio λ O conjunto constituído pelo vector nulo 0 e por todos os vectores próprios pertencentes a um certo valor próprio λ, de A, é um subespaço de R 2, chamado o subespaço próprio de A, pertencente ao valor próprio λ, e nota-se por: E(λ) = E A (λ) = {v : A(v) = λ v} (1.1.58) A restrição de A a E A (λ) é pois uma homotetia de razão λ (eventualmente λ pode ser 0), i.e.: A(u) = λ u u E A (λ) Em particular, a recta gerada pelo vector próprio v 0 fica invariante por A, isto é, a sua imagem por A é ela própria Em particular, se λ = 0 é valor próprio de A, isto significa que o núcleo de A; ker A = E A (0) não se reduz ao vector nulo 0, e portanto A é não inversível (ou singular), ou de forma equivalente, det A = 0. Quando λ 0, dizer que λ é valor próprio de A, é equivalente a dizer que 0 é valor próprio de A λ Id, o que, pelo parágrafo anterior, é equivalente a dizer que A λ Id é não inversível (ou singular), ou ainda que: det (A λ Id) = 0 (1.1.59) O polinómio p(λ) = det (A λ Id) diz-se o polinómio característico de A. Portanto as raízes reais da chamada equação característica de A: p(λ) = det (A λ Id) = 0 (1.1.60) (se existirem), são exactamente os valores próprios (reais) de A. Exemplo... Calcule os valores e vectores próprios (reais) da aplicação linear A : R 2 R 2, cuja matriz na base canónica de R 2 é: ( ) 3 4 A = 4 3
16 1.1. Álgebra Linear em R 2 13 A equação característica de A é: p(λ) = det (A λ Id) ( ) 3 λ 4 = det 4 3 λ = λ 2 25 = 0 (1.1.61) cujas raízes reais (os valores próprios de A) são λ 1 = 5 e λ 2 = 5. ( ) x1 Para calcular os vectores póprios v =, pertencentes ao valor próprio λ = 5, devemos resolver o sistema: isto é: cuja solução geral é: ( x 2 ) ( x1 x 2 ) = { 2x1 + 4x 2 = 0 4x 1 8x 2 = 0 { x1 = 2t x 2 = t ( 0 0 t R Portanto os vectores póprios de A, pertencentes ao valor próprio λ 1 = 5, são da forma: ( 2 t 1 ) t R {0} ) Procedendo da mesma forma relativamente ao outro valor próprio λ 2 = 5, podemos calcular que os vectores póprios de A, pertencentes ao valor próprio λ 2 = 5, são da forma: ( ) 1 s s R {0} 2 ( ) ( ) 2 1 Note que neste exemplo os vectores próprios u 1 = e u 1 2 = formam uma 2 base B = {u 1, u 2} de R 2 relativamente à qual a matriz de A é diagonal: (A) B = ( ) Exercício Em cada um dos seguintes casos, determine, se existirem, os valores próprios de A, os subespaços próprios associados e as respectivas dimensões e diga se A é diagonalizável; no caso de o ser, indique uma base do domínio de A composta por vectores próprios e indique a matriz de A relativamente a essa base. a). c). A : R 2 R 2 (x, y) (2x y, y) A : R 2 R 2 (x, y) (3x + y, 12x + 2y) b). d). A : R 2 R 2 (x, y) ( x, y) A : R 2 R 2 (x, y) (x y, x + y) Projecção ortogonal
17 1.1. Álgebra Linear em R 2 14 Sejam a 0 e x dois vectores em R 2. Então existe um único vector u, na recta gerada por a, e um único vector v, ortogonal a a, tais que x = u+v. O vector u, notado por P a (x), diz-se a projecção ortogonal de x sobre a recta gerada por a, e é calculado da seguinte forma. Uma vez que u = P a (x) pertence à recta gerada por a, u é da forma u = λ a para um certo λ R, caracterizado pela condição de que: Obtemos então que t = x a a 2 (x λ a) a = 0 e portanto: P a (x) = x a a 2 a (1.1.62) 1.28 A aplicação P a : R 2 R 2 definida por (1.1.62), é linear e satisfaz a condição P 2 a = P a. É claro que P a (a) = a. Vemos pois que a é vector próprio de P a, pertencente ao valor próprio 1. Por outro lado, se considerarmos um qualquer vector b 0 ortogonal a a (i.e.: a b = 0), vemos que P a (b) = 0 e portanto: ker P a = {t b : t R} A matriz de P a na base {a, b} é pois: ( ) Interpretação geométrica de det e de det A 1.29 A distância d de um ponto B R 2, com vector de posição b = OP, à recta vectorial gerada por a 0, é igual à norma do vector b P a (b): Pelo teorema de Pitágoras, e uma vez que P a (x) = x a a 2 a, tem-se que: e atendendo a (1.1.52): d 2 = b 2 d = b sin θ (b a)2 a 2 onde θ [0, π] é o ângulo entre a e b. A área do paralelogramo P(a, b), gerado por a e b é portanto igual a: área(p(a, b)) = a.d = a b sin θ (1.1.63) Por outro lado um cálculo simples mostra que o quadrado desta área (que é sempre 0, já que sin θ 0) é igual ao quadrado do determinante det (a b), donde se deduz que: det (a b) = área(p(a, b)) (1.1.64)
18 1.1. Álgebra Linear em R Quando a e b são linearmente independentes, de tal forma que det [a b] 0, dizemos que a base ordenada {a, b} é: { positiva se det (a b) > 0 negativa se det (a b) < Consideremos agora uma aplicação linear A : R 2 R 2. A imagem do quadrado Q, gerado pelos vectores da base canónica (que é positiva) {e 1, e 2 }: Q = {λ e 1 + η e 2 : 0 λ, η 1} é o paralelogramo A(Q), de lados adjacentes A(e 1 ) e A(e 2 ). [ ] [ a c Pondo A(e 1 ) = a e 1 + b e 2 = e A(e b 2 ) = c e 1 + d e 2 = d que a área deste paralelogramo é igual a: ], sabemos área A(Q) = det (A(e 1 ) A(e 2 ) ( ) a c = det b d = det A (1.1.65) Portanto: área(a(q)) = det A (1.1.66) Mais geralmente, se R é o paralelogramo gerado pelos vectores linearmente independentes u e v, então a imagem A(R) é o paralelogramo gerado por A(u) e A(v), e é fácil provar que a área desta imagem é igual a: isto é: área(a(r)) = det [A(u) A(v)] = det A área(r) (1.1.67) det A = área(a(r)) área(r) (1.1.68) 1.32 Diz-se que a aplicação linear A : R 2 R 2 : { preserva a orientação (ou é positiva) se det A > 0 inverte a orientação (ou é negativa) se det A < 0 Exercício Calcule o determinante das aplicações lineares descritas no exercício 1.12, usando a fórmula (1.1.68). Reflexão numa recta
19 1.1. Álgebra Linear em R Atendendo a (1.1.62), vemos que: Seja a um vector não nulo em R 2. A simetria relativamente à recta gerada por a, ou reflexão nessa recta, é a aplicação linear S a : R 2 R 2, definida pela condição: 1( Sa (x) + x ) = P a (x) x R 2 2 (1.1.69) isto é, o ponto médio do segmento que une x a S a (x) deve ser igual à projecção de x sobre a recta gerada por a. S a (x) = 2P a (x) x = 2 x a a 2 a x x R2 (1.1.70) Note que S 2 a = Id. Uma vez que P a (a) = a vemos que S a = a, e portanto a é vector próprio de S a, pertencente ao valor próprio 1. Se considerarmos um qualquer vector b 0 ortogonal a a (i.e.: a b = 0), vemos que P a (b) = 0 e portanto S a (b) = b. A matriz de S a na base {a, b} é portanto: ( o que mostra que det S a = 1 < 0, i.e., S a inverte orientação (embora preserve o módulo da área de paralelogramos) ) Transformações ortogonais em R Uma aplicação linear A : R 2 R 2 diz-se uma transformação ortogonal ou uma isometria de R 2, se A preserva o produto interno (Euclideano) usual de R 2, i.e.: A(x) A(y) = x y x, y R 2 (1.1.71) Esta condição é equivalente a: A(x) = x x R 2 (1.1.72) i.e., A preserva os comprimentos dos vectores. Se A é a matriz de uma tal transformação ortogonal, relativamente a uma qualquer base ortonormada {e 1, e 2 } de R 2 (por exemplo, a base canónica), A é uma matriz ortogonal, isto é, A t A = I. Portanto A O(2). Vejamos como é a forma geral de uma tal matriz Se c 1 = A(e 1 ), c 2 = A(e 2 ) são as colunas de A, então: c i c j = δ ij o que significa que c 1 e c 2 são ortonormais. Portanto A transforma bases ortonormadas em bases ortonormadas, preservando ou invertendo orientação, conforme det A = +1 ou det A = 1, respectivamente. Por exemplo, a simetria S a, descrita em (??), é uma transformação ortogonal com det igual a 1.
20 1.1. Álgebra Linear em R 2 17 ( ) a Como c 1 = A(e 1 ) é um vector de norma 1, sabemos que a 2 +b 2 = 1 b e portanto existe um único ϕ [0, 2π[ tal que a = cos ϕ e b = sin ϕ (ϕ [0, 2π[ é o ângulo polar de c 1, i.e., o ângulo orientado que c 1 faz com a parte positiva do eixo dos xx): [ ] cos ϕ Portanto c 1 =, e como c sin ϕ 2 = A(e 2 ) é também um vector unitário e ortogonal a c 1, dois casos podem ocorrer: (i). c 2 = [ sin ϕ cos ϕ ] [, ou (ii). c 2 = No primeiro caso, a matriz A tem a forma: [ ] cos ϕ sin ϕ A = sin ϕ cos ϕ sin ϕ cos ϕ ] (1.1.73) cujo determinante é 1. Neste caso A diz-se uma rotação de ângulo ϕ (no sentido positivo), em torno da origem, e nota-se por R ϕ : No segundo caso, a matriz A tem a forma: [ ] cos ϕ sin ϕ A = sin ϕ cos ϕ [ ] [ ] cos ϕ sin ϕ 1 0 = sin ϕ cos ϕ 0 1 = R ϕ S e1 (1.1.74) cujo determinante é 1. Neste caso A pode ser interpretada como uma reflexão relativamente ao eixo dos xx seguida de uma rotação R ϕ. Essa reflexão fixa e 1 e transforma e 2 em e 2. Se então rodamos de ângulo ϕ, temos que: e 1 e 1 cos ϕe 1 + sin ϕe 2 e 2 e 2 ( sin ϕe 1 + cos ϕe 2 ) (1.1.75) De facto, neste caso A representa uma simetria relativamenta à recta que faz um ângulo ϕ 2 com a parte positiva do eixo dos xx. Exercício Classifique as seguintes isometrias de R 2 : a) A(x, y) = ( 1 x + 3 y, 3 x 1 y) b) A(x, y) = ( 1 x + 3 y, 3 x + 1 y) c) A(x, y) = ( 4 x + 3 y, 3 x 4 y) d) A(x, y) = (x, y). e) A(x, y) = ( y, x).
21 1.2. Aplicações à geometria 18 Exercício Em cada um dos casos que se seguem, determine a simetria S relativamente à recta indicada, a matriz de S relativamente à base ( canónica ) de R 2 e uma 1 0 base B de R 2 relativamente à qual a matriz de S seja do tipo. 0 1 a) r é a recta de equação y = 2x; b) r é a recta de equação 3x y = 0; c) r é a recta de equação y = (tg π 5 )x; Exercício Em cada um dos seguintes casos, mostre que a transformação linear A de R 2 é uma isometria linear e descreva A geomètricamente (isto é, diga se A é uma simetria ou uma rotação; no caso de ser uma simetria, diga relativamente a que recta, no caso de ser uma rotação determine o ângulo). a) A(x, y) = (y, x); b) A(x, y) = (y, x); c) A(x, y) = ( 2x 2y, 2x+ 2y ); 2 2 d) A(x, y) = (( cos π )x + (sin π )y, (sin π )x + (cos π )y); Os grupos O(2) e SO(2) 1.36 O conjunto de todas as transformações ortogonais de R 2, constituem um grupo que se diz o grupo ortogonal O(2). Este grupo é isomorfo ao grupo das matrizes ortogonais, também notado por O(2). O subgrupo de O(2) constituído por todas as transformações ortogonais de R 2, que têm determinante 1 (isto é, constituído por todas as rotações R θ, θ [0, 2π[, em R 2 ) diz-se o grupo ortogonal especial e nota-se por SO(2). Este grupo é isomorfo ao grupo das matrizes ortogonais de determinante 1, também notado por SO(2). 1.2 Aplicações à geometria 1.37 Exemplo... As diagonais de um losango intersectam-se perpendicularmente. Dem.: Como OQRP é um losango, u = v. Pretende-se provar que QP OR, isto é que, (u v) (u + v) = 0. Mas: (u v) (u + v) = u 2 v 2 = 0
22 1.2. Aplicações à geometria Exemplo [Lei dos cossenos]... Num triângulo plano (ABC), onde a = BC, etc. tem-se que: c 2 = a 2 + b 2 2ab cos C Dem.: Escolhamos um referencial com origem em C, e ponhamos u = CA e v = CB. Então AB = v u, e daí que: ou, com as notações referidas: AB 2 = v u 2 = v 2 2u v + u 2 c 2 = a 2 + b 2 2ab cos C 1.39 Exemplo... Se R é um ponto sobre um círculo de diâmetro P OQ, mostre que P R QR. Dem.: Seja u = OQ, v = OR. Então Sabe-se que u = v e portanto: P R = OR OP = u + v QR = OR OQ = v u P R QR = (u + v) (v u) = v 2 u 2 = 0
23 1.2. Aplicações à geometria Exemplo... As alturas de um triângulo intersectam-se num único ponto (chamado o ortocentro do triângulo). Dem.: Pretende-se encontrar um ponto X tal que: AX BC = 0, BX CA = 0, CX AB = 0 Identificando um ponto P com o seu vector de posição OP, relativamente a uma origem fixa O no plano, é fácil verificar a identidade seguinte: (X A) (C B) + (X B) (A C) + (X C) (B A) = 0 (1.2.1) Seja X o ponto de intersecção de duas das alturas, digamos, das alturas partindo de A e de B. Temos então que, lembrando que AX = X A, etc: Subtraindo (1.2.2) e (1.2.3) de (1.2.1), obtemos: como se pretendia. (X A) (C B) = 0 (1.2.2) (X B) (A C) = 0 (1.2.3) (X C) (B A) = Exemplo... Dados dois pontos distintos A B no plano, mostrar que o lugar geométrico dos pontos P cuja distância a A é o dobro da distância a B é um círculo.
24 Módulo 2 ALGA I. Álgebra Linear e Geometria Analítica em R 3 Neste segundo módulo vamos retomar alguns conceitos aprendidos no ensino secundário, e fazer uma ponte para os assuntos mais sofisticados que precisamos de aprender na disciplina de ALGA. Tentamos por agora usar as notações que são mais familiares ao leitor. Contents 2.1 Álgebra Linear em R Palavras chave Vectores. R 3 como espaço vectorial real. Subespaços. Dependência e indepêndencia linear. Base canónica. Bases, coordenadas e dimensão. Mudança de base e de coordenadas. Aplicações Lineares. Matriz de uma aplicação linear. GL(2). Pontos de vista passivo e activo. Conjugação. Determinantes. Valores e vectores próprios. Geometria Euclideana em R 3. Produto interno (euclideano). Norma (euclideana). Ângulo. Ortogonalidade. Rectas vectoriais e afins. Planos vectoriais e afins. Produto vectorial em R 3. Produto misto em R 3. Projecção ortogonal. Interpretação geométrica de det e de det A. Simetrias relativamente a uma recta e a um plano. Transformações ortogonais em R 3. Os grupos O(3) e SO(3). Notações x, y, u, v, w... vectores, em vez de x, y, u, v,... a, b, c,..., λ, η, µ, ξ,... escalares, isto é, números reais (para já). 21
25 2.1. Álgebra Linear em R Álgebra Linear em R 3 Vectores 2.1 Um vector em R 3 é por definição um terno ordenado de números reais, representado na forma x = (x 1, x 2, x 3 ), ou dispostos segundo uma matriz-coluna de três linhas: x = x 1 x 2 x 3 Os números reais x i, i = 1, 2, 3, dizem-se as componentes do vector x R 3. R 3 como espaço vectorial real 2.2 Dados dois vectores x = x 1 x 2 x 3 e y = y 1 y 2 respectiva soma vectorial, como sendo o vector x + y, dado por: x + y = x 1 x 2 + y 1 y 2 = x 1 + y 1 x 2 + y 2 x 3 y 3 x 3 + y 3 y 3, em R 3, define-se a Geomètricamente x + y é novamente obtido através da regra do paralelogramo. 2.3 Dado um vector x = x 1 x 2 x 3 em R 3, e um escalar (i.e., um número real) λ R, define-se a multiplicação do escalar λ pelo vector x, como sendo o vector λ x dado por: λ x = λ x 1 λ x 2 λ x É fácil provar que as duas operações definidas anteriormente, satisfazem mais uma vez as propriedades seguintes: [EV1]. x + y = y + x (2.1.1) [EV2]. (x + y) + z = x + (y + z) (2.1.2) [EV3]. 0 + x = x + 0 = x x R 3 (2.1.3) [EV4]. x, ( x) : x + ( x) = 0 (2.1.4) [EV5]. λ(x + y) = λx + λy (2.1.5) [EV6]. (λ + η)x = λx + ηx (2.1.6) [EV7]. λ(ηx) = (λη)x (2.1.7) [EV8]. 1x = x (2.1.8) 0 onde x, y, z R 3, λ, η R, 0 = 0 é o vector nulo de R 3, e x = ( 1)x. 0 Por isso, diz-se que R 3 é um espaço vectorial real.
26 2.1. Álgebra Linear em R 3 23 Subespaços 2.5 Um subconjunto S R 3 diz-se um subespaço vectorial de R 3, se S é fechado relativamente às operações de soma de vectores e de multiplicação de escalares por vectores, i.e.: Se x, y S também x + y S (2.1.9) Se λ R, e x S também λ x S (2.1.10) 2.6 Em R 3 os subespaços são de três tipos: triviais: S = {0} e S = R 3 rectas vectoriais: S = {λ v : λ R}, onde v 0, que representa uma recta que passa na origem, gerada por v 0. planos vectoriais: S = {λ u+η v : λ, η R}, onde u e v são dois vectores não colineares em R 3, que representa um plano que passa na origem, gerado por u e v. Exercício Diga quais dos seguintes conjuntos são subespaços vectoriais de R 3 : a) A = { (x, y, z) R 3 : x + y + z = 0 } ; e) E = { (a, a, 5a) R 3 : a R }. b) B = { (x, y, z) R 3 : x + y = 3z } ; f) F = { (a, a + 1, 5a) R 3 : a R }. c) S = { (x, y, z) R 3 : x y = 3z e z = 2y } ; g) G = {(b, 2a + b, 1) : a, b R}. d) D = { (x, y, z) R 3 : 0 x 2 + y 2 z } ; h) H = { (a 2, b, 2a + b) : a, b R }. Combinação linear 2.7 Dados n vectores em R 3, digamos {a 1, a 2,, a k }, um vector x R 3 dizse uma combinação linear dos vectores {a 1, a 2,, a k } se existirem escalares λ 1, λ 2,, λ n R tais que: x = λ 1 a 1 + λ 2 a λ k a k (2.1.11) 2.8 O conjunto de todas as combinações lineares dos vectores a 1, a 2,, a k, isto é, de todos os vectores da forma λ 1 a 1 + λ 2 a λ k a k, onde os escalares λ i R são arbitrários, chama-se o espaço gerado pelos vectores a 1, a 2,, a k e representa-se por span{a 1, a 2,, a k }: span{a 1, a 2,, a k } = {λ 1 a 1 + λ 2 a λ k a k : λ 1,, λ n R} (2.1.12) Exercício Mostre que S = span{a 1, a 2,, a k } é um subespaço de R 3. Exercício span {a, b, c}: Em cada uma das alíneas que se seguem, verifique se x a) x = (1, 0, 0), a = (1, 1, 1), b = ( 1, 1, 0) e c = (1, 0, 1); b) x = (1, 0, 0), a = (1, 1, 2), b = ( 1, 1, 0) e c = (1, 0, 1); c) x = (1, 1, 1), a = (0, 1, 1), b = (1, 1, 0) e c = (1, 0, 2); d) x = (0, 0, 1), a = (1, 1, 1), b = ( 1, 1, 0) e c = (1, 0, 1); e) x = (1, 2, 3), a = (1, 1, 1), b = ( 2, 2, 0) e c = (0, 0, 1). f) x = (1, 0, 0), a = (1, 1, 1), b = (2, 2, 0) e c = (1, 0, 1).
27 2.1. Álgebra Linear em R 3 24 Exercício Em cada um dos casos, calcule o subespaço gerado por a, b e c, onde a) a = (1, 1, 1), b = (2, 2, 2), c = (0, 0, 0), em R 3 ; b) a = ((1, 0, 1), b = (5, 0, 1), c = (0, 1, 0), em R 3 ; c) a = (2, 1, 1), b = (1, 0, 1)c = (1, 0, 1), em R 3 ; d) a = (2, 1, 2), b = (0, 0, 0), em R 3 ; Dependência e independência linear 2.9 Dois vectores x e y em R 3, dizem-se linearmente dependentes, se um deles é múltiplo escalar do outro. Se x = 0 (ou y = 0) então x e y são linearmente dependentes. Geomètricamente x e y são linearmente dependentes, sse eles são colineares Três vectores x, y e z em R 3, dizem-se linearmente dependentes, se um deles é múltiplo escalar dos restantes. Se x = 0 (ou y = 0, ou z = 0) então x, y e z são linearmente dependentes. Geomètricamente x, y e z são linearmente dependentes, sse eles são coplanares Dois vectores x e y em R 2, dizem-se linearmente independentes, sse não são linearmente dependentes (o que implica que x 0 e y 0). Geomètricamente x e y são linearmente independentes, sse eles são não colineares. Simbolicamente: (x e y são lin. indep.) (λx + ηy = 0 = λ = η = 0) 2.12 Três vectores x, y e z em R 3,, dizem-se linearmente independentes, sse não são linearmente dependentes (o que implica que x 0, y 0 e z 0). Geomètricamente x, y e z são linearmente independentes, sse eles são não coplanares. Simbolicamente: (x, y e z são lin. indep.) (λ x + η y + µ z = 0 = λ = η = µ = 0) Exercício Verifique se os vectores que se seguem são linearmente dependentes ou independentes: a) (1, 0, 1), (2, 1, 1) em R 3 ; b) (1, 0, 1), (2, 2, 0) em R 3 ; c) (0, 0, 0), (0, 1, 1), (0, 1, 2) em R 3 ; d) (1, 1, 2), (2, 3, 0), (1, 1, 1) em R 3 ; Base canónica 2.13 Os vectores de R 3 : e 1 = i = e 2 = j = e e 3 = k = são linearmente independentes, e têm a propriedade de que qualquer vector x = x 1 x 2, se pode escrever como combinação linear de e 1, e 2 e e 3. De facto: x 3 x = x 1 x 2 = x x x x = x 1 e 1 + x 2 e 2 + x 3 e 3 (2.1.13)
28 2.1. Álgebra Linear em R 3 25 Diz-se então que C = {e 1, e 2, e 3 } é uma base (ordenada): a base canónica de R 3. Bases, coordenadas, dimensão 2.14 Qualquer conjunto B = {u 1, u 2, u 3 } constituído por três vectores linearmente independentes, e que têm a propriedade de que qualquer vector x R 3, se pode escrever como combinação linear de u 1, u 2 e u 3 : x = a 1 u 1 + a 2 u 2 + a 3 u 3 (2.1.14) para certos escalares (únicos) a 1, a 2, a 3 R, diz-se uma base de R 3. Os escalares a 1, a 2, a 3 dizem-se as coordenadas do vector x na base B escreve-se: x = a 1 a 2 (2.1.15) a 3 Todas as bases de R 3 têm sempre três elementos, e por isso, diz-se que a dimensão (real) de R 3 é 3. Exercício Verifique se os conjuntos que se seguem, são ou não bases de cada um dos espaços vectoriais indicados em cada alínea. Calcule as coordenadas de x = (1, 1) relativamente aos que são bases: a) {(1, 1, 1), (1, 1, 5)} em R 3 ; b) {(1, 1, 1), (1, 2, 3), (2, 1, 1)} em R 3 ; c) {(1, 2, 3), (1, 0, 1), (3, 1, 0), (2, 1, 2)} em R 3 ; d) {(1, 1, 2), (1, 2, 5), (5, 3, 4)} em R 3 ; B Exercício Calcule uma base de cada um dos subespaços que se seguem, e depois as coordenadas do vector u em cada uma das bases: a) S = { (x, y, z) R 3 : x + y + z = 0 }, u = (1, 1, 2); b) S = { (x, y, z) R 3 : 2x y = z }, u = (3, 2, 4); b) S = { (x, y, z) R 3 : 2x y = 0 = x + y z }, u = ( 1, 2, 3); Aplicações Lineares 2.15 Uma aplicação A : R 3 R 3 diz-se uma transformação linear, se A preserva as operações que definem a estrutura vectorial de R 3, i.e.,: x, y R 3, e λ R. A(x + y) = A(x) + A(y) (2.1.16) A(λ x) = λ A(x) (2.1.17) 2.16 Dada uma aplicação linear A : R 3 R 3 define-se: o núcleo de A: ker A = {x R 3 : A(x) = 0} (2.1.18)
29 2.1. Álgebra Linear em R 3 26 a imagem de A: im A = {y : A(x) = y R 3, para algum x R 3 } (2.1.19) Exercício (i). Mostrar que ker A e Im A são subespaços de R 3. (ii). Mostrar que A é injectiva se e só se ker A = {0}. Exercício Das aplicações que se seguem, indique aquelas que são lineares. Relativamente a essas, calcule o respectivo núcleo e diga quais as que são injectivas. a) A : R 3 R 3 ; (x, y, z) (x + y, x y, x + z) b) A : R 3 R 3 ; (x, y) ( x, y, x z 2 ) c) A : R 3 R 3 ; (x, y, z) (x + 1, x y, 3) d) A : R 3 R 3 ; (x, y, z) (0, x + y, 0) Exercício Sabendo que A : R 3 R 3 é uma aplicação linear, calcule em cada caso a imagem de um vector genérico: a) sendo que A(1, 0, 0) = (1, 1, 1), A(0, 1, 0) = (1, 2, 0); e A(0, 0, 1) = (1, 1, 1) b) sendo A(1, 1, 1) = (1, 2, 0) e A(0, 3, 1) = (2, 2, 0); e A(1, 0, 0) = (1, 1, 1) Matriz de uma aplicação linear 2.17 Vamos nesta secção introduzir pela primeira vez as notações que serão usadas na parte mais avançada do curso. À primeira vista, estas notações parecem muito complicadas mas, após algum treino, veremos que elas facilitam substancialmente os cálculos e as deduções teóricas que vamos estudar. E não fossem elas usadas intensivamente por Einstein... As principais diferenças são: para as coordenadas dos vectores usamos índices superiores x 1, x 2, x 3,... em vez de índices inferiores x 1, x 2, x 3,... O risco aqui é a possível confusão entre índices superiores x 1, x 2, x 3,... e expoentes. Neste contexto, por exemplo, x 2 não representa x ao quadrado mas sim a segunda componente do vector x. Não faça pois essa confusão e esteja atento ao contexto. o uso de índices superiores e inferiores A 1 1, A 3 2, A 3 3,... para as entradas de uma matriz, de tal forma que na matriz A = (A i j ), o índice superior i é o índice-linha - o que numera as linhas - enquanto que o índice inferior j é o índice-coluna - o que numera as colunas: i índice linha: numera as linhas de A Aj índice coluna: numera as colunas de A 2.18 Se B = {u 1, u 2 u 3 } é uma base fixa de R 3, podemos escrever que: A(u 1 ) = A 1 1 u 1 + A 2 1 u 2 + A 3 1 u 3 (2.1.20) A(u 2 ) = A 1 2 u 1 + A 2 2 u 2 + A 3 2 u 3 (2.1.21) A(u 3 ) = A 1 3 u 1 + A 2 3 u 2 + A 3 3 u 3 (2.1.22) A matriz: A = A1 1 A 2 1 A 1 2 A 2 2 A 1 3 A 2 3 A 3 1 A 3 2 A 3 3 (2.1.23)
30 2.1. Álgebra Linear em R 3 27 diz-se a matriz de A na base B, e nota-se por: A = (A) B 2.19 Se as coordenadas de um vector x R 2, na base B, são x = i.e., se: x = x 1 u 1 + x 2 u 2 + x 3 u 3 então as coordenadas de A(x) na base B obtêm-se da seguinte forma: A(x) = A(x 1 u 1 + x 2 u 2 + x 3 u 3 ) = x 1 A(u 1 ) + x 2 A(u 2 ) + x 3 A(u 3 ) x1 x 2 x 3 = x 1 (A 1 1u 1 + A 2 1u 2 + A 3 1u 3 ) + x 2 (A 1 2u 1 + A 2 2u 2 + A 3 2u 3 ) +x 3 (A 1 3u 1 + A 2 3u 2 + A 3 3u 3 ) = (A 1 1x 1 + A 1 2x 2 + A 1 3x 3 ) u 1 + (A 2 1x 1 + A 2 2x 2 + A 2 3x 3 ) u 2 +(A 3 1x 1 + A 3 2x 2 + A 3 3x 3 ) u 3 (2.1.24) o que significa que as coordenadas de A(x) na base B: (A(x)) B = y1 y 2 y 3 se obtêm matricialmente através de: y1 y 2 = A1 1 A 1 2 A 1 3 A 2 y 3 1 A 2 2 A 2 3 A 3 1 A 3 2 A 3 3 ou mais sucintamente: B B x1 x 2 x 3 B B, (2.1.25) (A(x)) B = (A) B (x) B (2.1.26) ou ainda, em notação tensorial, pondo (A) B = (A i j ) e yi = (Ax) i : y i = 3 i=1 Ai j xj = A i j xj (2.1.27) onde, na segunda igualdade adoptamos a chamada convenção de Einstein que consiste em omitir o sinal de somatório, ficando subentendido que o facto de surgir o índice j repetido, uma vez em cima e outra em baixo, implica que se faça esse somatório no índice j. Determinantes 2.20 Dada uma matriz A = A1 1 A 1 2 A 1 3 A 2 1 A 2 2 A 2 3, definimos o seu determinante det A, como sendo o número real: A 1 1 A 1 2 A 1 3 det A = A 2 1 A 2 2 A 2 3 A 3 1 A 3 2 A 3 A 3 1 A 3 2 A = A 1 1 A2 2 A 2 3 A 3 2 A 3 A1 2 A2 1 A A 3 1 A 3 + A1 3 det A2 1 A A 3 1 A 3 2 (2.1.28)
31 2.1. Álgebra Linear em R 3 28 Veremos en breve uma interpretação geométrica para det A Representemos por: A 1 1 c 1 = A 2 1, c 2 = A1 2 A 2 A 3 2 e c 3 = A1 3 A 2 1 A A 3 3 as colunas da matriz A, de tal forma que: det A = det (c 1 c 2 c 3 ) (2.1.29) É possível mostrar as seguintes propriedades do det : (i). det (c 1 c 2 c 3 ) 0 sse c 1, c 2, c 3 são linearmente independentes. (ii). det [c 1 c 2 c 3 ] muda de sinal, sempre que se permuta um par de colunas. (iii). det (c 1 + c 1 c 2 c 3 ) = det (c 1 c 2 c 3 ) + det (c 1 c 2 c 3 ) (2.1.30) det (c 1 c 2 + c 2 c 3 ) = det (c 1 c 2 c 3 ) + det (c 1 c 2 c 3 ) (2.1.31) det (c 1 c 2 c 3 + c 3) = det (c 1 c 2 c 3 ) + det (c 1 c 2 c 3) (2.1.32) det (λ c 1 c 2 c 3 ) = λ det (c 1 c 2 c 3 ) = det (c 1 λ c 2 c 3 ) = det (c 1 c 2 λ c 3 ) λ R (2.1.33) e ainda que: (iv). onde A t é a transposta de A.. det I = 1 (2.1.34) det (AB) = det A det B (2.1.35) det (A 1 ) = (det A) 1 A GL(3) (2.1.36) det (P 1 A P ) = det A P GL(3) (2.1.37) det (A) = det (A t ) (2.1.38) (v). Além disso é possível provar que para uma matriz A: A é inversível se e só se det A Finalmente, se A : R 3 R 3 é uma aplicação linear, define-se o respectivo determinante det A, como sendo o determinante da matriz de A, relativamente a uma qualquer base de R 3. Veremos, num próximo capítulo, que esta definição não depende da base escolhida. Veremos en breve uma interpretação geométrica para det A. Exercício exercício??. Calcule o determinante das aplicações lineares descritas no
32 2.1. Álgebra Linear em R 3 29 Produto interno (euclideano) 2.23 Dados dois vectores x = x 1 x 2 x 3 e y = y 1 y 2 y 3, em R 3, define-se o respectivo produto interno (euclideano), como sendo o escalar x y R, dado por: x y = x 1 y 1 + x 2 y 2 + x 3 y 3 = (x 1 x 2 x 3 ) y 1 y 2 y 3 = x t y (2.1.39) 2.24 O produto interno (euclideano), que acabámos de definir, verifica as propriedades seguintes: é bilinear: (x + y) z = x z + y z x (y + z) = x y + x z λx y = x λy = λ(x y) (2.1.40) é simétrica: x y = y x (2.1.41) é não degenerada: x y = 0 y R 2 x = 0 (2.1.42) é definida positiva: x, y, z R 3, λ R. x x 0 (2.1.43) Exercício Verifique que o produto interno (2.1.39) satisfaz as propriedades acima referidas. Norma (euclideana) 2.25 Define-se a norma euclideana x, de um vector x = através da fórmula: x x x = x t x x 1 x 2 x 3 R 3, = (x 1 ) 2 + (x 2 ) 2 + (x 3 ) 2 (2.1.44)
33 2.1. Álgebra Linear em R A norma euclideana verifica as propriedades seguintes: é positiva e não degenerada: x 0 e x = 0 sse x = 0 (2.1.45) é homogénea (positiva): λ x = λ x (2.1.46) verifica a desigualdade triangular: x, y R 2, λ R. x + y x + y (2.1.47) Todas as propriedades são de demonstração imediata com excepção da desigualdade triangular, que resulta imediatamente de uma outra importante desigualdade que passamos a enunciar, e cuja prova é em tudo análoga à que foi feita no capítulo anterior: Desigualdade de Cauchy-Schwarz: x, y R 2. x y x y (2.1.48) Ângulo, ortogonalidade 2.27 Dados dois vectores não nulos x, y R 3, deduzimos da desigualdade de Cauchy-Schwarz que: 1 x y x y 1 (2.1.49) o que permite definir o ângulo (não orientado) θ [0, π], entre os referidos vectores não nulos x, y R 3, como sendo o único θ [0, π], tal que: cos θ = x y x y [ 1, 1] (2.1.50) Portanto: x y = x y cos θ (2.1.51) Dois vectores x, y R 3 dizem-se ortogonais se x y = 0. Rectas vectoriais e afins 2.28 Dado um vector não nulo v 0, o conjunto dos vectores x que são da forma: x = tv t R (2.1.52)
34 diz-se a recta (vectorial) gerada por v. Se v =, então (3.3.4) é equivalente ao sistema de equações: x 1 = t v 1 x 2 = t v 2 x 3 = t v Álgebra Linear em R 3 31 v 1 v 2 v 3 t R que se dizem as equações paramétricas da referida recta Dado um ponto A R 3 e um vector não nulo v 0, o conjunto dos pontos P que são da forma: P = A + t v t R (2.1.53) isto é, tais que AP = t v, diz-se a recta (afim) que passa em A e é gerada por v. Se P = x 1 x 2 x 3, A = ao sistema de equações: a 1 a 2 a 3, e v = x 1 = a 1 + t v 1 x 2 = a 2 + t v 2 x 3 = a 3 + t v 3 v 1 v 2 v 3, então (2.1.53) é equivalente t R que se dizem as equações paramétricas da referida recta. Resolvendo em ordem a t podemos escrever as chamadas equações homogéneas da referida recta, na forma: x 1 a 1 v 1 = x 2 a 2 v 2 = x 3 a 3 v 3 (2.1.54) Planos vectoriais e afins 2.30 Dados dois vectores u, v R 3 {0}, linearmente independentes, ao subespaço gerado por esses dois vectores, i.e., ao conjunto constituído por todas as combinações lineares de u e v: span{u, v} {x R 3 : x = λ u + η v λ, η R} (2.1.55) chama-se o plano (vectorial) gerado por u ev. Se P é um ponto genérico desse plano, com vector de posição OP = x =, e se u =, v =, a equação vectorial: x 1 x 2 x 3 u 1 u 2 u 3 v 1 v 2 v 3 x = λ u + η v λ, η R que define o referido plano, é equivalente às seguintes equações paramétricas: x 1 = λ u 1 + η v 1 x 2 = λ u 2 + η v 2 λ, η R (2.1.56) x 3 = λ u 3 + η v 3
35 2.1. Álgebra Linear em R Dado um ponto A R 3 e dois vectores u, v R 3 {0}, linearmente independentes, ao conjunto dos pontos P que são da forma: P = A + λ u + η v λ, η R (2.1.57) chama-se o plano (afim) que passa em p e é gerada por u e v. As equações paramétricas de um tal plano, são do tipo: x 1 = a 1 + λ u 1 + η v 1 x 2 = a 2 + λ u 2 + η v 2 λ, η R (2.1.58) x 3 = a 3 + λ u 3 + η v Dado um vector não nulo n R 3 {0}, o conjunto dos pontos P cujos vectores de posição OP = x R 3 são ortogonais a n: {x R n : x n = 0} (2.1.59) formam um subespaço de dimensão 2 em R 3, que se diz o plano (vectorial) ortogonal a n. Se x = x 1 x 2 e se n = n 1 n 2, a equação x n = 0, é x 3 n 3 equivalente à seguinte equação cartesiana: n 1 x 1 + n 2 x 2 + n 3 x 3 = 0 (2.1.60) 2.33 Dado um ponto arbitrário A R 3 e um vector não nulo n R 3 {0}, o conjunto dos pontos P que verificam a equação: AP n = 0 (2.1.61) diz-se o plano afim que passa em A e é ortogonal a n. Se OP = x = x 1 x 2, x 3 A = a 1 a 2 a 3 e n = n 1 n 2 n 3, a equação cartesiana de um tal plano é do tipo: n 1 (x 1 a 1 ) + n 2 (x 2 a 2 ) + n 3 (x 3 a 3 ) = 0 (2.1.62) 2.34 Exemplo... Calcular a distância entre um ponto P e um hiperplano afim em IE n.
36 2.1. Álgebra Linear em R 3 33 Res... Suponhamos que esse hiperplano é perpendicular ao vector u 0 e passa num ponto a e, portanto, tem equação: ou x u + c = 0, (x a) u = 0 c = a u A recta que passa em P OP = p e tem a direcção do vector u, tem equação: x(t) = p + tu O ponto desta recta que pertence ao plano referido, corresponde ao valor do parâmetro t que verifica: 0 = x(t) u + c = (p + tu) u + c = p u + t u 2 + c t = p u + c u 2 A distância entre um ponto P p e o hiperplano afim é pois dada por: d = p x(t) = p p + p u + c u 2 u p u + c = u Assim por exemplo: No plano, a distância entre um ponto P = (α, β) e a recta afim ax+by+c = 0 é: p u + c (α, β) (a, b) + c aα + bβ + c d = = = u (a, b) (a 2 + b 2 ) 1/2 No espaço, a distância entre um ponto P = (α, β, γ) e o plano afim ex + fy + gz + h = 0 é: d = p u + c u = (α, β, γ) (e, f, g) + h (e, f, g) = eα + fβ + gγ + h (e 2 + f 2 + g 2 ) 1/ Exemplo... Calcular a distância entre um ponto P e uma recta afim em IE 3, quando: 1. essa recta é definida parametricamente. 2. essa recta é definida como intersecção de dois planos afins. Produto vectorial em R Definamos agora o chamado produto vectorial de dois vectores em R 3 : Dados dois vectores x = x 1 x 2, y = y 1 y 2, em R 3, define-se o produto x 3 vectorial, x y, de x por y, como sendo o seguinte vector de R 3 : x y (x 2 y 3 x 3 y 2 )i + (x 3 y 1 x 1 y 3 )j + (x 1 y 2 x 2 y 1 )k (2.1.63) O produto vectorial x y, pode ser obtido desenvolvendo segundo a primeira linha, o determinante formal: i j k x y = x 1 x 2 x 3 y 1 y 2 y 3 y 3
Um curso rápido de ALGA apenas em R 2
Módulo 1 Um curso rápido de ALGA apenas em R 2 Neste primeiro módulo vamos retomar alguns conceitos ensinados no ensino secundário, e fazer uma ponte para os assuntos mais sofisticados que precisamos de
Leia maisDepartamento de Matemática da Universidade de Coimbra Álgebra Linear e Geometria Analítica Engenharia Civil Ano lectivo 2005/2006 Folha 1.
Departamento de Matemática da Universidade de Coimbra Álgebra Linear e Geometria Analítica Engenharia Civil Ano lectivo 2005/2006 Folha 1 Matrizes 1 Considere as matrizes A = 1 2 3 2 3 1 3 1 2 Calcule
Leia maisÁlgebra Linear e Geometria Analítica em R 3
Módulo 2 Álgebra Linear e Geometria Analítica em R 3 Neste segundo módulo vamos generalizar os conceitos aprendidos no módulo 1, e também no ensino secundário, estudando Álgebra Linear e Geometria Analítica
Leia maisESCOLA SUPERIOR DE TECNOLOGIA DE VISEU
INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA DE VISEU Departamento Matemática Disciplina Matemática I Curso Gestão de Empresas Ano 1 o Ano Lectivo 2007/2008 Semestre 1 o Apontamentos Teóricos:
Leia maisDep. Matemática FCUP. ÁLGEBRA LINEAR e GEOMETRIA ANALÍTICA
******************************************************* ******************************************************* Dep. Matemática FCUP ******************************************************* *******************************************************
Leia maisÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA
ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA Universidade Fernando Pessoa Faculdade de Ciências e Tecnologia 1. Calcule: Capítulo I - Matrizes e Sistemas de Equações Lineares EXERCÍCIOS 1 3 4 3 5 6 1 a + 0 5 1
Leia maisCapítulo 7. 1. Bissetrizes de duas retas concorrentes. Proposição 1
Capítulo 7 Na aula anterior definimos o produto interno entre dois vetores e vimos como determinar a equação de uma reta no plano de diversas formas. Nesta aula, vamos determinar as bissetrizes de duas
Leia maisCapítulo 4. Retas e Planos. 4.1 A reta
Capítulo 4 Retas e Planos Neste capítulo veremos como utilizar a teoria dos vetores para caracterizar retas e planos, a saber, suas equações, posições relativas, ângulos e distâncias. 4.1 A reta Sejam
Leia maisExercícios de Álgebra Linear
Exercícios de Álgebra Linear Mestrado Integrado em Engenharia do Ambiente Mestrado Integrado em Engenharia Biológica Nuno Martins Departamento de Matemática Instituto Superior Técnico Setembro de Índice
Leia maisMatrizes e Sistemas Lineares. Professor: Juliano de Bem Francisco. Departamento de Matemática Universidade Federal de Santa Catarina.
e Aula Zero - Álgebra Linear Professor: Juliano de Bem Francisco Departamento de Matemática Universidade Federal de Santa Catarina agosto de 2011 Outline e e Part I - Definição: e Consideremos o conjunto
Leia maisALGA I. Representação matricial das aplicações lineares
Módulo 6 ALGA I Representação matricial das aplicações lineares Contents 61 Matriz de uma aplicação linear 76 62 Cálculo do núcleo e imagem 77 63 Matriz da composta 78 64 GL(n Pontos de vista passivo e
Leia maisDeterminantes. Vamos associar a cada matriz quadrada A um número a que chamaremos determinante. a11 a Uma matriz de ordem 2, A =
Determinantes Vamos associar a cada matriz quadrada A um número a que chamaremos determinante de A. [ ] a11 a Uma matriz de ordem 2, A 12, é invertível se e só se a 21 a 22 a 11 a 22 a 21 a 12 0, como
Leia maisÁlgebra Linear I - Aula 20
Álgebra Linear I - Aula 0 1 Matriz de Mudança de Base Bases Ortonormais 3 Matrizes Ortogonais 1 Matriz de Mudança de Base Os próximos problemas que estudaremos são os seguintes (na verdade são o mesmo
Leia maisCapítulo 4 - Valores e Vectores Próprios
Capítulo 4 - Valores e Vectores Próprios Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática I - 1 o Semestre 2011/2012 Matemática I 1/ 15
Leia maisÁlgebra Linear e Geometria Analítica
Álgebra Linear e Geometria Analítica Engenharia Electrotécnica Escola Superior de Tecnologia de Viseu www.estv.ipv.pt/paginaspessoais/lucas lucas@mat.estv.ipv.pt 7/8 Álgebra Linear e Geometria Analítica
Leia mais1.10 Sistemas de coordenadas cartesianas
7 0 Sistemas de coordenadas cartesianas Definição : Um sistema de coordenadas cartesianas no espaço é um v v conjunto formado por um ponto e uma base { } v3 Indicamos um sistema de coordenadas cartesianas
Leia maisDefinição de determinantes de primeira e segunda ordens. Seja A uma matriz quadrada. Representa-se o determinante de A por det(a) ou A.
Determinantes A cada matriz quadrada de números reais, pode associar-se um número real, que se designa por determinante da matriz Definição de determinantes de primeira e segunda ordens Seja A uma matriz
Leia maisGEOMETRIA ANALÍTICA II
Conteúdo 1 O PLANO 3 1.1 Equação Geral do Plano............................ 3 1.2 Determinação de um Plano........................... 7 1.3 Equação Paramétrica do Plano........................ 11 1.4 Ângulo
Leia maisALGA - Eng.Civil - ISE - 2009/2010 - Matrizes 1. Matrizes
ALGA - Eng.Civil - ISE - 00/010 - Matrizes 1 Matrizes Introdução Se m e n são números naturais, chama-se matriz real de tipo m n (m vezes n ou m por n) a uma aplicação A : f1; ; :::; mg f1; ; :::; ng R:
Leia mais(1, 6) é também uma solução da equação, pois 3 1 + 2 6 = 15, isto é, 15 = 15. ( 23,
Sistemas de equações lineares generalidades e notação matricial Definição Designa-se por equação linear sobre R a uma expressão do tipo com a 1, a 2,... a n, b R. a 1 x 1 + a 2 x 2 +... + a n x n = b (1)
Leia maisInversão de Matrizes
Inversão de Matrizes Prof. Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2014.2 13 de
Leia maisMatrizes. matriz de 2 linhas e 2 colunas. matriz de 3 linhas e 3 colunas. matriz de 3 linhas e 1 coluna. matriz de 1 linha e 4 colunas.
Definição Uma matriz do tipo m n (lê-se m por n), com m e n, sendo m e n números inteiros, é uma tabela formada por m n elementos dispostos em m linhas e n colunas. Estes elementos podem estar entre parênteses
Leia maisDep. Matemática Pura. FCUP ÁLGEBRA LINEAR II
Dep. Matemática Pura. FCUP ÁLGEBRA LINEAR II Resumo das aulas teóricas e práticas 1. o ano da licenciatura em Matemática Ano lectivo de 005/06 João Nuno Tavares ÍNDICE: 1 Determinantes. Produtos vectorial
Leia maisCapítulo 2 - Determinantes
Capítulo 2 - Determinantes Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática I - 1 o Semestre 2011/2012 Matemática I 1/ 19 DeMat-ESTiG Sumário
Leia maisé um grupo abeliano.
Notas de aulas de Álgebra Moderna Prof a Ana Paula GRUPO Definição 1: Seja G munido de uma operação: x, y x y sobre G A operação sobre G é chamada de grupo se essa operação se sujeita aos seguintes axiomas:
Leia mais. B(x 2, y 2 ). A(x 1, y 1 )
Estudo da Reta no R 2 Condição de alinhamento de três pontos: Sabemos que por dois pontos distintos passa uma única reta, ou seja, dados A(x 1, y 1 ) e B(x 2, y 2 ), eles estão sempre alinhados. y. B(x
Leia maisÁlgebra Linear AL. Luiza Amalia Pinto Cantão. Depto. de Engenharia Ambiental Universidade Estadual Paulista UNESP luiza@sorocaba.unesp.
Álgebra Linear AL Luiza Amalia Pinto Cantão Depto. de Engenharia Ambiental Universidade Estadual Paulista UNESP luiza@sorocaba.unesp.br Autovalores e Autovetores Definição e Exemplos 2 Polinômio Característico
Leia maisGeometria Analítica e Vetorial - Daniel Miranda, Rafael Grisi, Sinuê Lodovici
3 R E TA S E P L A N O S Dando continuidade ao nosso estudo sobre lugares geométricos e suas equações, vamos nos concentrar agora no estudo de dois elementos geométricos fundamentais da geometria as retas
Leia maisALGA I. Bases, coordenadas e dimensão
Módulo 5 ALGA I. Bases, coordenadas e dimensão Contents 5.1 Bases, coordenadas e dimensão............. 58 5.2 Cálculos com coordenadas. Problemas......... 65 5.3 Mudanças de base e de coordenadas..........
Leia maisFórmulas do Traço e o Cálculo de Matrizes Inversas
2013: Trabalho de Conclusão de Curso do Mestrado Profissional em Matemática - PROFMAT Universidade Federal de São João del-rei - UFSJ Sociedade Brasileira de Matemática - SBM Fórmulas do Traço e o Cálculo
Leia mais3 Determinantes. 2 Definição Número de trocas de ordem de um termo de uma matriz. 3 Definição Determinante de uma Matriz ( ( ))
Nova School of Business and Economics Prática Álgebra Linear 1 Definição Termo de uma matriz Produto de elementos de, um e um só por linha e por coluna. Ex.: 2 Definição Número de trocas de ordem de um
Leia maisDeterminantes. ALGA 2008/2009 Mest. Int. Eng. Electrotécnica Determinantes 1 / 17
Capítulo 4 Determinantes ALGA 2008/2009 Mest Int Eng Electrotécnica Determinantes 1 / 17 Definições Seja M n n o conjunto das matrizes quadradas reais (ou complexas) de ordem n Chama-se determinante de
Leia maisEquações paramétricas da Reta
39 6.Retas e Planos Equações de Retas e Planos Equações da Reta Vamos supor que uma reta r é paralela a um vetor V = a, b, c) não nulo e que passa por um ponto P = x, y, z ). Um ponto P = x, pertence a
Leia maisÁlgebra Linear - Exercícios (Determinantes)
Álgebra Linear - Exercícios (Determinantes) Índice 1 Teoria dos Determinantes 3 11 Propriedades 3 12 CálculodeDeterminantes 6 13 DeterminanteseRegularidade 8 14 TeoremadeLaplace 11 15 Miscelânea 16 2 1
Leia maisEscola Secundária/3 da Sé-Lamego Ficha de Trabalho de Matemática Ano Lectivo 2003/04 Geometria 2 - Revisões 11.º Ano
Escola Secundária/ da Sé-Lamego Ficha de Trabalho de Matemática no Lectivo 00/0 Geometria - Revisões º no Nome: Nº: Turma: região do espaço definida, num referencial ortonormado, por + + = é: [] a circunferência
Leia maisISOMETRIAS DO PLANO E SIMETRIA
UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE MATEMÁTICA ISOMETRIAS DO PLANO E SIMETRIA Fernando Marques Bacalhau Dissertação MESTRADO EM MATEMÁTICA PARA PROFESSORES 2012 UNIVERSIDADE DE
Leia maisCDI-II. Derivadas de Ordem Superior. Extremos. ; k = 1,2,...,n.
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Pro. Gabriel Pires CDI-II Derivadas de Ordem Superior. Extremos 1 Derivadas de Ordem Superior Seja : D R n R, deinida num
Leia maisExercícios e questões de Álgebra Linear
CEFET/MG Exercícios e questões de Álgebra Linear Versão 1.2 Prof. J. G. Peixoto de Faria Departamento de Física e Matemática 25 de outubro de 2012 Digitado em L A TEX (estilo RevTEX). 2 I. À GUISA DE NOTAÇÃO
Leia maisExercícios de Aprofundamento Mat Polinômios e Matrizes
. (Unicamp 05) Considere a matriz A A e A é invertível, então a) a e b. b) a e b 0. c) a 0 e b 0. d) a 0 e b. a 0 A, b onde a e b são números reais. Se. (Espcex (Aman) 05) O polinômio q(x) x x deixa resto
Leia maisGeometria Analítica. Prof Marcelo Maraschin de Souza
Geometria Analítica Prof Marcelo Maraschin de Souza Disciplina Aulas: Segunda-feira e terça-feira: 8:00 até 9:50 Avaliações: listas de exercícios e três provas; Sala: 222; Livros. Conteúdos Plano de Ensino
Leia maisÁLGEBRA VETORIAL E GEOMETRIA ANALÍTICA (UFCG- CUITÉ)
P L A N O S PARALELOS AOS EIXOS E AOS PLANOS COORDENADOS Casos Particulares A equação ax + by + cz = d na qual a, b e c não são nulos, é a equação de um plano π, sendo v = ( a, b, c) um vetor normal a
Leia maisÁLGEBRA LINEAR. Transformações Lineares. Prof. Susie C. Keller
ÁLGEBRA LINEAR Transformações Lineares Prof. Susie C. Keller É um tipo especial de função (aplicação), onde o domínio e o contradomínio são espaços vetoriais. Tanto a variável independente quanto a variável
Leia maisDeterminantes. Matemática Prof. Mauricio José
Determinantes Matemática Prof. Mauricio José Determinantes Definição e Conceito Matriz de ordem 1 Dizemos que um determinante é um resultado (numérico) de operações que são realizadas em uma matriz quadrada.
Leia maisFicha de Exercícios nº 2
Nova School of Business and Economics Álgebra Linear Ficha de Exercícios nº 2 Matrizes, Determinantes e Sistemas de Equações Lineares 1 O produto de duas matrizes, A e B, é a matriz nula (mxn). O que pode
Leia maisNOTAÇÕES. : distância do ponto P à reta r : segmento de extremidades nos pontos A e B
R C i z Rez) Imz) det A tr A : conjunto dos números reais : conjunto dos números complexos : unidade imaginária: i = 1 : módulo do número z C : parte real do número z C : parte imaginária do número z C
Leia maisFicha de Trabalho nº11
Ano lectivo 011/01 Matemática A 11º Ano / Curso de Ciências e Tecnologias Tema: Geometria Ficha de Trabalho nº11 Geometria no Espaço 1. Observa a figura onde está representado um cone recto cuja base pertence
Leia maisALGA I. Operadores auto-adjuntos (simétricos e hermitianos). Teorema espectral
Módulo 9 ALGA I. Operadores auto-adjuntos (simétricos e hermitianos). Teorema espectral Contents 9.1 Operadores auto-adjuntos (simétricos e hermitianos) 136 9. Teorema espectral para operadores auto-adjuntos...........
Leia maisUNIVERSIDADE FEDERAL DE VIÇOSA Centro de Ciências Exatas Departamento de Matemática
UNIVERSIDADE FEDERAL DE VIÇOSA Centro de Ciências Exatas Departamento de Matemática 1 a Lista - MAT 17 - Introdução à Álgebra Linear II/2004 1 Considere as matrizes A, B, C, D e E com respectivas ordens,
Leia maisOB e. BC, entãoa, B, C e D são vértices de um paralelogramo; ( ) Três vetores LD são sempre colineares.
1.1 Classifique as afirmações em verdadeiras ou falsas, justificando sua resposta. ( ) AB = CD A = C e B = D; ( ) Se AB CD,entãoAC BD eosvetores AC e BD são iguais; ( ) Se a e b são LD, então a e b têm
Leia maisAgrupamento de Escolas Júlio Dantas Escola Básica Tecnopolis
Teorema de Pitágoras- Unidade 2 1.ºP Tema Calendarização Domínio N.º de aulas de 45 minutos Agrupamento de Escolas Júlio Dantas Escola Básica Tecnopolis Planificação Curricular a Longo Prazo Matemática
Leia maisProjecto Delfos: Escola de Matemática Para Jovens 1 TEORIA DOS NÚMEROS
Projecto Delfos: Escola de Matemática Para Jovens 1 A Teoria dos Números tem como objecto de estudo o conjunto Z dos números inteiros (a letra Z vem da palavra alemã Zahl que significa número). 1. DIVISIBILIDADE
Leia maisResolução do exemplo 8.6a - pág 61 Apresente, analítica e geometricamente, a solução dos seguintes sistemas lineares.
Solução dos Exercícios de ALGA 2ª Avaliação EXEMPLO 8., pág. 61- Uma reta L passa pelos pontos P 0 (, -2, 1) e P 1 (5, 1, 0). Determine as equações paramétricas, vetorial e simétrica dessa reta. Determine
Leia maisIntrodução ao determinante
ao determinante O que é? Quais são suas propriedades? Como se calcula (Qual é a fórmula ou algoritmo para o cálculo)? Para que serve? Álgebra Linear II 2008/2 Prof. Marco Cabral & Prof. Paulo Goldfeld
Leia maisO Plano. Equação Geral do Plano:
O Plano Equação Geral do Plano: Seja A(x 1, y 1, z 1 ) um ponto pertencente a um plano π e n = (a, b, c), n 0, um vetor normal (ortogonal) ao plano (figura ao lado). Como n π, n é ortogonal a todo vetor
Leia maisInstituto Superior Técnico Departamento de Matemática Última actualização: 18/Nov/2003 ÁLGEBRA LINEAR A
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Última actualização: 18/Nov/2003 ÁLGEBRA LINEAR A REVISÃO DA PARTE III Parte III - (a) Ortogonalidade Conceitos: produto
Leia maisUNIVERSITÁRIO DE SINOP CURSO DE ENGENHARIA CIVIL
Exercícios propostos: aulas 01 e 02 GOVERNO DO ESTADO DE MATO GROSSO GA - LISTA DE EXERCÍCIOS 001 1. Calcular o perímetro do triângulo ABC, sendo dado A = (2, 1), B = (-1, 3) e C = (4, -2). 2. Provar que
Leia maisESCOLA SUPERIOR DE TECNOLOGIA DE VISEU. Apontamentos Teóricos: Matrizes e Sistemas de Equações Lineares
INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA DE VISEU Departamento Matemática Disciplina Matemática I Curso Gestão de Empresas Ano o Ano Lectivo 2007/2008 Semestre o Apontamentos Teóricos:
Leia maisMatrizes. Sumário. 1 pré-requisitos. 2 Tipos de matrizes. Sadao Massago 2011-05-05 a 2014-03-14. 1 pré-requisitos 1. 2 Tipos de matrizes.
Matrizes Sadao Massago 20-05-05 a 204-03-4 Sumário pré-requisitos 2 Tipos de matrizes 3 Operações com matrizes 3 4 Matriz inversa e transposta 4 5 Determinante e traço 5 Neste texto, faremos uma breve
Leia maisUnidade III- Determinantes
Unidade III- Determinantes - Situando a Temática A teoria dos determinantes tem origem em meados do século XVII, quando eram estudados processos para resolução de sistemas lineares Hoje em dia, embora
Leia maisMATEMÁTICA II. Aula 12. 3º Bimestre. Determinantes Professor Luciano Nóbrega
1 MATEMÁTICA II Aula 12 Determinantes Professor Luciano Nóbrega º Bimestre 2 DETERMINANTES DEFINIÇÃO A toda matriz quadrada está associado um número real ao qual damos o nome de determinante. O determinante
Leia maisMATRIZ - FORMAÇÃO E IGUALDADE
MATRIZ - FORMAÇÃO E IGUALDADE 1. Seja X = (x ij ) uma matriz quadrada de ordem 2, onde i + j para i = j ;1 - j para i > j e 1 se i < j. A soma dos seus elementos é igual a: 2. Se M = ( a ij ) 3x2 é uma
Leia mais= 1 1 1 1 1 1. Pontuação: A questão vale dez pontos, tem dois itens, sendo que o item A vale até três pontos, e o B vale até sete pontos.
VTB 008 ª ETAPA Solução Comentada da Prova de Matemática 0 Em uma turma de alunos que estudam Geometria, há 00 alunos Dentre estes, 30% foram aprovados por média e os demais ficaram em recuperação Dentre
Leia maisSemana 7 Resolução de Sistemas Lineares
1 CÁLCULO NUMÉRICO Semana 7 Resolução de Sistemas Lineares Professor Luciano Nóbrega UNIDADE 1 2 INTRODUÇÃO Considere o problema de determinar as componentes horizontais e verticais das forças que atuam
Leia maisUNICAMP - 2005. 2ª Fase MATEMÁTICA BERNOULLI COLÉGIO E PRÉ-VESTIBULAR
UNICAMP - 2005 2ª Fase MATEMÁTICA BERNOULLI COLÉGIO E PRÉ-VESTIBULAR Matemática Questão 01 São conhecidos os valores calóricos dos seguintes alimentos: uma fatia de pão integral, 55 kcal; um litro de leite,
Leia maisVETORES. Álgebra Linear e Geometria Analítica Prof. Aline Paliga
VETORES Álgebra Linear e Geometria Analítica Prof. Aline Paliga INTRODUÇÃO Grandeza é tudo aquilo que pode variar quantitativamente. Algumas vezes necessitamos mais que um número e uma unidade para representar
Leia maisJ. Delgado - K. Frensel - L. Crissaff Geometria Analítica e Cálculo Vetorial
178 Capítulo 10 Equação da reta e do plano no espaço 1. Equações paramétricas da reta no espaço Sejam A e B dois pontos distintos no espaço e seja r a reta que os contém. Então, P r existe t R tal que
Leia mais8º Ano Planificação Matemática 14/15
8º Ano Planificação Matemática 14/15 Escola Básica Integrada de Fragoso 8º Ano Domínio Subdomínio Conteúdos Objetivos gerais / Metas Números e Operações Geometria e medida Dízimas finitas e infinitas periódicas
Leia maisLISTA DE EXERCÍCIOS DE GEOMETRIA ANALÍTICA. 01) Dados os vetores e, determine o valor da expressão vetorial. Resp: A=51
1 LISTA DE EXERCÍCIOS DE GEOMETRIA ANALÍTICA 01) Dados os vetores e, determine o valor da expressão vetorial. A=51 02) Decomponha o vetor em dois vetores tais que e, com. 03) Dados os vetores, determine
Leia maisAula 9. Superfícies de Revolução. Seja C uma curva e r uma reta contidas num plano π.
Aula 9 Superfícies de Revolução Seja C uma curva e r uma reta contidas num plano π. Fig. 1: Superfície de revolução S, geratriz C e eixo r contidos no plano π A superfície de revolução S de geratriz C
Leia maisUniversidade Lusíada (Vila Nova de Famalicão) MATEMÁTICA. Regente da unidade curricular: Manuel Arménio Almeida (Eng. Civil )
Universidade Lusíada (Vila Nova de Famalicão) Faculdade de Arquitectura e Artes Licenciatura em Arquitectura MATEMÁTICA Regente da unidade curricular: Manuel Arménio Almeida (Eng. Civil ) Unidade curricular
Leia maisGEOMETRIA. 1 Definições. 2 Notações
GEOMETRIA 1 Definições Mediatriz (de um segmento): conjunto de pontos que estão à mesma distância de dois pontos unidos por um segmento de recta. É uma recta e é perpendicular a este segmento no seu ponto
Leia maisPlanificação do 2º Período
Direção-Geral dos Estabelecimentos Escolares Direção de Serviços da Região Centro Planificação do 2º Período Disciplina: Matemática A Grupo: 500 Ano: 10º Número de blocos de 45 minutos previstos: 0 Ano
Leia maisMatemática A. Versão 1. Na sua folha de respostas, indique de forma legível a versão do teste. Teste Intermédio de Matemática A.
Teste Intermédio de Matemática A Versão 1 Teste Intermédio Matemática A Versão 1 Duração do Teste: 90 minutos 7.01.011 11.º Ano de Escolaridade Decreto-Lei n.º 74/004, de 6 de Março Na sua folha de respostas,
Leia maisExercícios de Revisão: Análise Complexa 1- Números Complexos
Exercícios de Revisão: Análise Complexa - Números Complexos Exercícios Propostos Globais I... Soluções dos Exercícios Propostos Globais I... Introdução... 4 Definições e propriedades elementares... 4.
Leia maisa, em que a e b são inteiros tais que a é divisor de 3
Matemática 0. Considere a expressão x x 3 5x x 6. Pede-se: A) encontrar o valor numérico da expressão para x. B) obter todas as raízes complexas do polinômio p(x) x x 3 5x x 6. Questão 0 Comentários: A
Leia maisA. Equações não lineares
A. Equações não lineares 1. Localização de raízes. a) Verifique se as equações seguintes têm pelo menos uma solução nos intervalos dados: i) (x - 2) 2 ln(x) = 0, em [1, 2] e [e, 4]. ii) 2 x cos(x) (x 2)
Leia maisEscola Secundária com 3º ciclo D. Dinis 11º Ano de Matemática A Tema II Introdução ao Cálculo Diferencial I Funções Racionais e com Radicais
Escola Secundária com 3º ciclo D. Dinis 11º Ano de Matemática A Tema II Introdução ao Cálculo Diferencial I Funções Racionais e com Radicais Taxa de Variação e Derivada TPC nº 6 (entregar no dia 14 01
Leia maisÁlgebra Linear Computacional
Álgebra Linear Computacional Geovan Tavares, Hélio Lopes e Sinésio Pesco. PUC-Rio Departamento de Matemática Laboratório Matmidia http://www.matmidia.mat.puc-rio.br Sistemas de Equações Lineares Espaços
Leia maisO GeoGebra no estudo das Transformações Ortogonais
O GeoGebra no estudo das Transformações Ortogonais Deborah A. S. Reis FACIP/UFU 16 de Novembro de 2011 O aluno ingressante em cursos superiores da área de exatas, traz consigo uma enorme deficiência em
Leia maisEXERCÍCIOS DE REVISÃO MATEMÁTICA II GEOMETRIA ANALÍTICA PLANA (Ponto, reta e circunferência)
EXERCÍCIOS DE REVISÃO MATEMÁTICA II GEOMETRIA ANALÍTICA PLANA (Ponto, reta e circunferência) ************************************************************************************* 1) (U.F.PA) Se a distância
Leia maisÁLGEBRA. Aula 1 _ Função Polinomial do 2º Grau Professor Luciano Nóbrega. Maria Auxiliadora
1 ÁLGEBRA Aula 1 _ Função Polinomial do 2º Grau Professor Luciano Nóbrega Maria Auxiliadora FUNÇÃO POLINOMIAL DO 2º GRAU 2 Uma função polinomial do 2º grau (ou simplesmente, função do 2º grau) é uma relação
Leia maisCapítulo 2 - Sistemas de Equações Lineares
Capítulo 2 - Sistemas de Equações Lineares Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança 2 o Ano - Eng. Civil, Química e Gestão Industrial Carlos
Leia maisÁlgebra Linear AL. Luiza Amalia Pinto Cantão. Depto. de Engenharia Ambiental Universidade Estadual Paulista UNESP luiza@sorocaba.unesp.
Álgebra Linear AL Luiza Amalia Pinto Cantão Depto. de Engenharia Ambiental Universidade Estadual Paulista UNESP luiza@sorocaba.unesp.br Sistemas Lienares 1 Sistemas e Matrizes 2 Operações Elementares e
Leia maisUNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM ENSINO DE MATEMÁTICA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM ENSINO DE MATEMÁTICA PRODUTO DA DISSERTAÇÃO GEOMETRIA VETORIAL NA ESCOLA: UMA LEITURA GEOMÉTRICA PARA SISTEMAS
Leia maisConsideremos um triângulo de lados a,b e c. Temos duas possibilidades: ou o triângulo é acutângulo ou é obtusângulo. Vejamos:
Lei dos Cossenos Consideremos um triângulo de lados a,b e c. Temos duas possibilidades: ou o triângulo é acutângulo ou é obtusângulo. Vejamos: Triângulo Obtusângulo Tomemos um triângulo Obtusângulo qualquer,
Leia maisMATEMÁTICA (11º ano) Exercícios de Exames e Testes Intermédios Equações de retas e planos
MATEMÁTICA (11º ano) Exercícios de Exames e Testes Intermédios Equações de retas e planos 1 Seja um número real. Considere, num referencial o.n., a reta e o plano definidos, respetivamente, por e Sabe-se
Leia maisAlguns Problemas e Exames Resolvidos de LEAmb, LEAN, LEMat, LQ, MEBiol, MEQ 1 o Semestre 2008/2009
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Alguns Problemas e Exames Resolvidos de LEAmb, LEAN, LEMat, LQ, MEBiol, MEQ 1 o Semestre 2008/2009 Prof. Paulo Pinto http://www.math.ist.utl.pt/
Leia mais1 Conceitos Básicos 1. 2 Análise de Arredondamento em Ponto Flutuante 32
Sumário 1 Conceitos Básicos 1 1.1 Introdução............................................. 1 1.2 Espaço Vetorial.......................................... 2 1.3 Processo de Gram-Schmidt...................................
Leia maisMATEMÁTICA B 10ºANO ANO LETIVO 2015/2016 Módulo Inicial
ESCOLA SECUNDÁRIA/3 RAINHA SANTA ISABEL- ESTREMOZ MATEMÁTICA B 10ºANO ANO LETIVO 2015/2016 Módulo Inicial Revisões de conceitos do 3º ciclo Efetuar cálculos com números reais utilizando valores exatos
Leia maisMudança de Coordenadas
Cálculo III Departamento de Matemática - ICEx - UFMG Marcelo Terra Cunha Mudança de Coordenadas Na aula 3 discutimos como usar coordenadas polares em integrais duplas, seja pela região ser mais bem adaptada
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano 2015-2 a Fase
Prova Escrita de MATEMÁTICA A - o Ano 205-2 a Fase Proposta de resolução GRUPO I. O valor médio da variável aleatória X é: µ a + 2 2a + 0, Como, numa distribuição de probabilidades de uma variável aleatória,
Leia maisÁlgebra Linear. 8 a Lista: a) Use o processo de ortogonalização de Gram Schmidt para construir uma base ortonormada para W.
Álgebra Linear Cursos: Química, Engenharia Química, Engenharia de Materiais, Engenharia Biológica, Engenharia do Ambiente 1 ō ano/1 ō Semestre 2006/07 8 a Lista: Nos exercícios em que n~ao se especifica
Leia maisGABARITO PROVA AMARELA
GABARITO PROVA AMARELA 1 MATEMÁTICA 01 A 11 A 0 E 1 C 03 Anulada 13 Anulada 04 A 14 B 05 B 15 C 06 D 16 A 07 D 17 E 08 A 18 C 09 E 19 C 10 C 0 C GABARITO COMENTADO PROVA AMARELA 01. Utilizando que (-1)
Leia maisMATEMÁTICA 32,2 30. 0 2 4 5 6 8 10 x
MATEMÁTICA 01. O preço pago por uma corrida de táxi normal consiste de uma quantia fixa de R$ 3,50, a bandeirada, adicionada de R$ 0,25 por cada 100 m percorridos, enquanto o preço pago por uma corrida
Leia maisMaterial by: Caio Guimarães (Equipe Rumoaoita.com) Referência: cadernos de aula: Professor Eduardo Wagner. Seções Cônicas
Material by: Caio Guimarães (Equipe Rumoaoita.com) Referência: cadernos de aula: Professor Eduardo Wagner 1 - Elipses Seções Cônicas Definição 1.1: Dados os pontos no plano, F e F com FF =2c e um comprimento
Leia maisIntrodução à Geometria
Introdução à Geometria - 2007-2008 Algumas noções 1. Norma de um vector Seja E um espaço vectorial real de dimensão finita E munido de um produto interno (u, v) u v. Dado um vector v E chama-se norma ou
Leia mais1 - RECORDANDO 2 - CENTRO NA ORIGEM 3 - EQUAÇÃO GERAL DA CIRCUNFERÊNCIA. Exercício Resolvido 2: Exercício Resolvido 1: Frente I
Matemática Frente I CAPÍTULO 22 EQUAÇÕES DA CIRCUNFERÊNCIA 1 - RECORDANDO Até agora, o nosso foco principal foi as retas: calculamos as equações geral e reduzida de uma reta, a interseção entre duas retas,
Leia mais1 Teoria de conjuntos e lógica
1 Teoria de conjuntos e lógica Estes breves apontamentos dizem respeito à parte do programa dedicada à teoria de conjuntos e à lógica matemática. Embora concebidos sem grandes formalismos e com poucas
Leia maisLista de exercícios: Unidade 1 Espaços Vetoriais
Lista de exercícios: Unidade 1 Espaços Vetoriais Nos problemas de 1 a 7 apresenta-se um conjunto com as operações de adição e multiplicação por escalar nele definidas. Verificar quais deles são espaços
Leia mais