3x2
1 4, 8 ALGEBRA LINEAR
Exemplo 2:
bY
3 2
Exemplo 3:
[i] = [1 2]
Propriedades:
i) Uma matriz € simétrica se, ¢ somente se ela € igual 4 sua transposta, isto
&, se, @ somente se A = A’. (Observe a matriz B acima.)
ii) A" = A. Isto €, a transposta da transposta de uma matriz é cla mesma.
ivi) (A + B)' = A’ + B’. Em palavras, a transposta de uma soma é igual 4 so-
ma das transpostas.
iv} (KAY! = KA‘, onde k & qualquer escalar.
Antes de definir uma outra operago, a multiplicagio de matrizes, veja-
mos um exemplo do que pode ocorrer na prética.
‘Suponhamos que a seguinte matriz.fornega as quantidades das vitaminas
A, Be C obtidas em cada unidade dos alimentos I e II.
A BC
Alimento ii 3.0
Alimento I] LS 0 1
Se ingerirmos 5 unidades do alimento | ¢ 2 unidades do alimento II, quanto
consumiremos de cada tipo de vitamina?
Podemos representar 0 consumo dos alimentos I ¢ II (nesta ordem) pela
matriz “consumo”:
is 2]
‘A operagdo que vai nos fornecer a quantidade ingerida de cada vitamina € 0
“produto”:
o afte Sy
=15+44#2-+5 $+34+2+0 5-0+2+1]
= {30 15 2J
Isto 6, serdo ingeridas 30 unidades de vitamina A, 15 de B e 2 de C.
Matrizes 9
Outro problema que poderemos considerar em relagdo aos dados anteriores €
© seguinte:
Se 0 custo dos alimentos depender somente do seu contéudo vitaminico ¢
soubermos que os precos por unidade de vitamina A, B e C sao, respectivamente,
1,5,3€ 5 U.c.p,, quanto pagarfamos pela porgdo de alimentos indicada anterior-
mente?
1,5
cr) [30 15 2]-/3
5
[30(1,5) + 15(3) +2(5)]
[100]
Ou seja, pagariamos 100 u.c.p.
Observamos que nos “produtos” de matrizes efetuados em (*) e (**), cada
um dos elementos da matriz-resultado é obtido a partir de uma linha da primeira
matriz e uma coluna da segunda. Além disso, com relagdo as ordens das matrizes en-
volvidas, temos:
em(*) Lhxa + Ehxs = lho
Em (**)) (hixa + Ddsxa = ble
O exemplo anterior esboga uma definigdo de multiplicagZo de matrizes A e B,
quando A é uma matriz linha, Esta nogdo de produto pode ser estendida para 0
caso mais getal,¢ os elementos da matriz-produto serdo obtidos pela soma de produ-
tos dos elementos de uma linha da primeira matriz pelos elementos de uma coluna
da segunda matriz, Por exemplo,
Sejam
Aaya =f 78 22
42 Gaz G23
bu ba
© Byx2 =[bar bo
bay ba
‘A matriz-produto AB é a matriz 2 X 2 definida como:
bu bis
ant a
AB = [m an el + | bay baa
a2 aa
ia by ba
— Feud taba tabs dubia + anbe rere |
ay by + ayqby + dasba @ybi2 + dnbn + Gsba
Agora, passemos para a definico geral. 10 ALGEBRA LINEAR
1.3.5 Multiplicagéo de Matrizes: Sejam A = layla xn ¢ B= [oslrxp-
Definimos AB = [evy}mx p
onde
a
Cur = Y Gakbky = Surbry +» + Gundry
‘ket
Observagoes:
i) $6 podemos efetuar o produto de duas matrizes Amxn € Brxp Se 0 né-
~~ mero de colunas da primeira for igual ao nimero de linhas da segunda,
isto , n = 1. Além disso, a matriz-resultado C = AB seré de ordem
mxp.
ii) elemento cy (/4sima linha ¢ j-¢sima coluna da matriz-produto) ¢ obti-
do, multiplicando os elementos da i-ésima linha da primeira matriz. pelos
elementos correspondentes ‘da /-ésima coluna da segunda matriz, e soman-
do estes produtos.
1.3.6 Exemplos
Exemplo 1:
201 La sL41-0 Wy+le4
42 [i 3] =[4-14+2-0 46-1) +264 =
5 3}sx2 2x2 +143-0 S(t) #3+4Jox0
Exemplo 2:
4 201
[: ‘hee . : |
5 3]ee
Nao é possivel efetuar esta multiplicag4o, porque 0 mimero de colunas da primeira
é diferente do ntimero de linhas da segunda.
Exemplo 3:
1 0 0 6 1
23 o6 1] _]9 2 2
5 4 3.8 2hx, [12 62 -3
0 thexe 38 2hexs
Mateizes ID
Propriedades:
i) Em geral AB # BA (podendo mesmo um dos membros estar definido ¢ 0
outro nao).
Exemplo:
1o-rot 123
Seam A=|-3 2 -1feBs]2 4 6
2 1 «0 123
0 0 0 “Hl 6 -L
Entio AB=|0 0 OjeBA=|-22 12 -2
0 0 0 “16 el
Note, ainda, que AB = 0, sem que A = 0 ou B= 0.
Desde que sejam possiveis as operagdes, as seguintes propriedades sio vilidas:
ii) AL = IA = A (Isto justifica o nome da matriz identidade.)
iti) A(B + C) = AB + AC (distributividade esquerda da multiplicagao, em re-
lagHo a soma)
iv) (A + B)C = AC + BC (distributividade a direita da multiplicagao, em
relagdo 4 soma)
») (AB)C = A(BC) (associatividade)
vi) (AB) = BYA' (Observe a ordem!)
vil) 0-A=0¢A-0=0
1.4 EXERCICIOS
1. Sejam
-1
12 3 201 .
a-[} 1 jje-[8 0 i}e= 2 eD=(2 -I]
Encontre:
aA+B
b)A-C
oB-C
djC-D
e)D-A
fyD-B
ana
h) -D 12 ALGEBRA LINEAR
2 sje a=|,2, |. Se A'= A entio x =
BA=)ox-1 of” "
3. Se A é uma matriz simétrica, entdo A - A’ =
4. Se A é uma matriz triangular superior, entéo A’ é
5. Se A é uma matriz diagonal, entdo A’ =
6. Verdadeiro ou falso?
a) (A) = -(A)
b) (A + B)' = B'+ A’
c) Se AB = 0, entio A = 0 ou B= 0.
) (ky A) (2B) = (ks ka AB
e) (~A) (-B) = - (AB)
f) Se Ae B sao matrizes simétricas, entio AB = BA.
g) Se A-B = 0, entio B- A= 0.
1h) Se podemos efetuar o produto A+ A, entio A é uma matriz quadrada.
2 1/7
22 =
7. Se A’ =a Avatto| |
8. Se A é uma matriz triangular superior, entfo A? é
x y|f2 3]_f1 0
srmcreee 2 ZL TE
1-3 2 1 4 1 0 2 1 -1 -2
10, Dads A={2 1 -3/,B=/2 1 1 1JeC=/3 2 -1 -1
4 -3 -1 1 2 1 2 2-5 -1 0
mostre que AB = AC. :
11. Suponha que A # Oe AB = AC onde A, B, C sao matrizes tais que a multiplica-
gfo esteja definida.
a) B=C?
») Se existir uma matriz Y, tal que YA = I, onde I é a matriz identidade, entao
BeC?
12. Explique por que, em geral, (A +B)? # A? + 2AB + B? ¢ (A +B)(A- B) #
AP - B.
2-3 -- -163°5 2-2 -4
13, DadasA=|-i 4 S|,B={ i -3 -S}]eC=/-1 3 4],
1-3 4 -1 3 5 1-2-3
14
15.
Matrizes 13
a) Mostre que AB = BA = 0, AC= Ae CA=C.
b) Use 0s resultados de (@) para mostrar que ACB = CBA, A? - BY =
= (A-B)(A+B) ¢ (A+B) =A? +B.
Se A= [3 4} ache B, de modo que B? = A.
Um construtor tem contratos para construir 3 estilos de casa: moderno, medi-
terréneo ¢ colonial. A quantidade de material empregada em cada tipo de casa ¢
dada pela matriz:
Ferro Madeira Vidro Tinta Tijolo
Moderno. 5 20 16 7 17
Mediterraneo 1 18 12 9 2
Colonial 6 25 8 5 13
(Qualquer semelhanga dos némeros com a tealidade é meta coincidéncia.)
a) Se ele vai construir 5,7 ¢ 12 casas dos tipos modemo, mediterraneo e colonial,
respectivamente, quantas unidades de cada material serio empregadas?
b) Suponha agora que os pregos por unidade de ferro, madeira, vidro, tinta e ti-
jolo sejam, respectivamente, 15, 8, 5, 1 10 u.c.p. Qual ¢ 0 prego unitario
de cada tipo de casa?
c) Qual o custo total do material empregado?
. Uma rede de comunicagao tem cinco locais com transmissores de poténcias
distintas. Estabelecemos que aj = 1, na matriz abaixo, significa que a
estago i pode transmitir diretamente & estagio j, aj = 0 significa que a
transmisso da estagdo i ndo alcanga a estagao j. Observe que a diagonal
principal é nula significando que uma estagdo nfo transmite diretamente
para si mesma.
0 io
ecotror
o-o-e
0
0
1
0
coo
Hore
Qual seria o significado da matriz A? = A+ A?
5
Seja A? = [cjj]. Calculemos 0 elemento ce = S aquagy = OF0+1 4040-1.
kat
Note que a nica parcela no nula veio de a43+ aq = 1 - 1. Isto significa
que a estagdo 4 transmite para a estacdo 2 através de uma retransmissio
pela estagdo 3, embora nao exista uma transmisséo direta de 4 para 2. 14 ALGEBRA LINEAR
a) Calcule A?.
5) Qual o significado de cy; = 2?
©) Discuta o significado dos termos nulos, iguais a 1 e maiores que | de
modo a justificar a afirmagdo: “A matriz A? representa 0 némero de
caminhos disponiveis para se ir de uma estado a outra com uma tinica
retransmissio”.
d) Qual o significado das mattizes A + A?, A? e A+ A7+ A°?
e) Se A fosse simétrica, 0 que significaria?
17, Existem trés marcas de automéveis disponiveis no mercado: o Jacaré, 0
Piranha ¢ o Urubu. O termo aj; da matriz A abaixo € a probabilidade de
que um dono de carro da linha i mude para o carro da coluna j, quando
comprar um carro novo.
Para
J Po oU
J[07 02 01
De P}03 05 0,2
U/04 04 9,2
Os termos da diagonal dao a probabilidade ay; de se comprar um carro
novo da mesma marca.
A? representa as probabilidades de se mudar de uma marca para outra
depois de duas compras. Vocé pode verificar isto a partir dos conceitos basicos
de probabilidade (consulte 1.5) ¢ produto de matrizes.
Calcule A? e interprete.
18, Tente descobrir outras situagdes concretas que possam ser analisadas de
modo similar a0 de cada um dos problemas 15, 16 ¢ 17.
* 1.5 PROCESSOS ALEATORIOS: CADEIAS DE MARKOV
Muitos dos processos que ocorrem na natureza ¢ na sociedade podem ser estu-
dados (pelo menos em primeira aproximago) como se o fendmeno estudado
passasse, a partir de um estado inicial, por uma seqiiéncia de estados, onde a
transigio de um determinado estado para o seguinte ocorreria segundo uma
certa probabilidade. (Supotemos nesta seceSo um conhecimento minimo sobre
probabilidades.) No caso em que esta probabilidade de transi¢Zo depende ape-
nas do estado em que o fenémeno se encontra e do estado a seguir, o proces-
so seré chamado processo de Markov e uma seqiséncia de estados seguindo
este processo serd denominada uma cadeia de Markov. Evidentemente, 20 se
supor tal restriggo estaremos simplificando, talvez demasiadamente, uma vez
Matrizes 15
que as probabilidades podem se modificar com 0 tempo. Mas, assim mesmo, a
informagdo que obtivermos com este modelo jé nos servird de auxilio para
uma previsio do comportamento de certos fenémenos.
Suponhamos, por exemplo, que, em uma determinada regio, observa-se
que se chover bastante durante um ano, a probabilidade de que chova bastante
no ano seguinte &1., e que a probabilidade de que faga seca é de}. Ainda,
se houver seca em um ano, no ano seguinte a probabilidade de haver seca ou
chuva suficiente seri a mesma, e igual a 5. Suponhamos também, para simplificar
{© que nao ocorre na pratica, embora possamos usar como recurso para ter um
indicador da situagdo), que estas probabilidades no mudem com o decorrer do
tempo. Os estados possiveis para este processo so: chuva e seca,
Podemos ter, entdo, as seguintes seqiléncias de acontecimentos (4rvore de
probabilidades):
Assim, sabendo que no primeito ano houve seca, a probabilidade de que
chova bastante no terceiro ano é 4+ L4+ 4.4.2. Conforme o mimero de
anos aumenta, as contas se tornam mais complicadas ¢, se estivermos interessa-
dos em previsdes a longo prazo sobre © clima da segido, temos que procurar
um outro procedimento. Isto pode ser feito se introduzirmos a nogdo de matriz
das probabilidades de transi¢@o, a de vetor de probabilidades. A matriz T das
probabilidades de transi¢do ¢ obtida da tabela de probabilidades onde o ele!
to na isima linha e j-ésima coluna indica a probabilidade de transigdo do
mo para 0 i-6simo estado.
1° ano 22 ano 39 ano...
a c=
4 a
1 c c= chwa
4 ~~ sa S — seca
c 3 4
(4) 4 2 co
Pe ey
s
aoe
q ca
—,
1 c 3
wt! ae Ng
—
s 1
—l z cma
1 s———
2 Ss Tat
Figura 1.5.1. zr Ciéncia &
Pef 16 ALGEBRA LINEAR
Ble al
epee
O vetor de probabilidades é a matriz
po”
po”
cuja primeira linha dé a probabilidade de que haja chuva no n-ésimo ano e a segunda
linha da a probabilidade de que haja seca no n-ésimo ano.
Analisando a drvore de probabilidades vemos que
@ 21 ow ylpw
DE = 4 Pe) ty PS
1
pi) +d p®
11 1 1
wo) le xt Ppa) | gel? tae
P| _|a 2] fp] _|4 2
Observamos que T =| PE | =| 2 7 }-) Pe) =| 3 ;
PP] |e a] Lard | gee? + zal?
€ portanto
PP) |r
po 2
© mesmo ocorre do segundo para o terceiro ano, deste para 0 quarto etc. Temos,
entdo, a sequéncia:
19 ano 2% ano 3° ano.
po po? tT. po pi? _ po) _ po)
[oe] Lo] Le 8 [ae] Lae
a-ésimo ano
Matrizes 17
Portanto, 0 comportamento do clima desta regido a longo prazo (isto é, quando n
aumenta) poderd ser previsto se soubermos que os elementos das matrizes T”,
n= 1,2, ... se aproximam dos elementos de uma matriz fixa P pois, neste caso,
pf) — py ¢ pi” —+ Py quando n —+ 2
ay, “|
Pa pi?
(Tal previsio é importante, pois se chegarmos, por exemplo, 4 concluso que
pi") 1 quando 1 +o, a longo prazo a regio se tornard um deserto.)
Se T” ndo se aproxima de uma matriz P, ent#o no poderemos fazer ne-
nhuma previsio a longo prazo, pois 0 processo se modificard bastante a cada
passo, Assim, um dos problemas que devemos resolver ¢ quais sio as condigdes
sobre a matriz T das probabilidades de transigGo, para que suas poténcias se
aproximem de uma determinada matriz. Antes de resolver isto, porém, vamos
formalizar a situagdo anterior.
com
1.5.1 Definiggo: Um processo aleatério de Markov & um proceso que po-
de assumir estados @,, a2, ..., dp, de tal modo que a probabilidade de transigfo
de um estado aj para um estado a; seja py (um niimero que s6 depende de a;
ea).
A matriz das probabilidades de transigado (matriz estocdstica) é dada por:
Pa Pr. Pir
Pu Pn... Par
tT-|..
Pra Pro ++. Pre
(Observe que py > 0, e que a soma de cada coluna deve ser 1.)
O vetor de probabilidades é aquele cuja i-ésima linha d4 a probabilidade
de ocorréncia do estado a; apés n transagées: 18 ALGEBRA LINEAR
Seguindo 0 raciocinio do exemplo anterior vemios que, apos 7 passos,
nv” wa?
aT} t
a” A?
1.5.2 Previsbes a Longo Prazo: Para podermos fazer previsdes a longo
prazo, a matriz T deve cumprir certas condigdes. Assim, introduzimos a definigo
a seguir.
4.5.3 Definigéo: Uma matriz das probabilidades de transigdo é regular se
alguma de suas poténcias tem todos os elementos nao nulos,
‘A importancia da matriz regular para as previsOes a longo prazo € dada
pelo teorema abaixo:
1.5.4 Teorema: Se a matriz T, x, das probabilidades de transigfo ¢ regular,
entio:
’) As poténcias T" aproximam-se de uma matriz P, no sentido de que cada
elemento de T” aproxima-se do elemento correspondente em P.
if) Todas as colunas de P so iguais, sendo dadas por um vetor-coluna
Pi
vel:
Pr.
com py > 0, Pz > 0, --» Pr > 0
iii) Para qualquer vetor de probsbilidades inicial
pi?
v=]:
of?
© vetor de probabilidades T"V, aproxima-se de V (dado no item anterior).
i) O vetor V é 0 tinico vetor que satisfaz V = TV.
Matrizes 19
O que este teorema nos diz é que se a matriz das probabilidades de tran-
sigdo é regular, entdo é possivel fazer previsdo a longo prazo e esta ndo depen-
de das probabilidades iniciais V,. Além disso, o item (iv) nos indicaré como
achar as probabilidades depois de um longo prazo. O processo utilizado para se
encontrar 0 vetor “final” de probabilidades, usando o item (iv), corresponde a
procura de autovetor associado ao autovalor um da matriz T, segundo as deno-
minagdes que veremos no Capitulo 6. Nao faremos a prova deste teorema por-
que isto nos desviard demais de nossos objetivos.
1.5.5 Exemplos
Exemplo I: No problema sobre previsio de clima que estévamos estudan-
do na introducao,
‘Rie als
Rie wpe
6 regular pois sua primeira poténcia, isto é, ela mesma, jé tem todos os elemen-
tos estritamente positivos; e assim podemos concluir, usando o item (iv), que
quaisquer que sejam as probabilidades iniciais, as probabilidades a longo prazo
so dadas por:
[ri] - [nr]
Ps Ps
1,4
Pe = 5 Pe + 5 Ps
ee 3 1
Ps] Pe + Ps
| PH Pe iy dy
2Bs = Pe sor
Como devemos ter pe + ps = 1 (que € & probabilidade total), temos pe +3 Pe =
= 1 ov pe = 2 ¢, portanto, py = 3 . Assim, a longo prazo a probabilidade de
3
um ano de chuva é 2 , enquanto que a probabilidade de um ano de seca 6%
(dentro das hip6teses simplificadoras), e portanto a regio tenderd a uma ligeira
aridez. 20 ALGEBRA LINEAR
__Exemplo 2: Suponhamos que em uma determinada regido, a cada ano
trés por éento da populagao rural migra para as cidades, enquanto que apenas
um por cento da populagdo urbana migra para o meio rural. Se todas as de-
mais condigées permanecerem estiveis, as condigdes politicas ndo mudarem, e
estas porcentagens de migracdo continuarem as mesmas, qual deve ser a relagdo
entre as populagdes urbana e rural desta regido a longo prazo?
Como trés por cento da populagdo rural migra para 0 meio urbano, a
probabilidade de migra¢do do meio rural para 0 meio urbano é 0,03, enquanto
que a probabilidade de ndo migra¢o € 0,97. Como um por cento da populagao
urbana migra para 0 meio rural a probabilidade de migragdo do meio urbano
para o rural & 0,01 e a de nao migragao ¢ 0,99, Denotando por U o meio ur-
bano e por R o meio rural, temos a matriz das probabilidades de transigao:
Rou
R/097 001
U/ 003 0,99
Como a matriz é regular, a longo prazo as probabilidades pp, de viver no meio
rural, e py, de viver no meio urbano, devem satisfazer
097 001] [pa] fre
003 099] [py] |e
donde py = 3pg ¢, como devemos ter py + pa = 1, temos Py = 0,25
Py = 0,75. Ou seja, a longo prazo, se ndo houver modificagdes nas tendénci-
as de migragdo, teremos 25% da populagdo no meio rural ¢ 75% da populagao
no meio urbano.
Exemplo 3: Observase experimentalmente que, em condigdes naturais ¢
sem ser submetida 4 pesca industrial, a quantidade de uma certa espécie de
peixes varia da seguinte forma: se em um determinado ano a populacdo dimi-
nuiu, a probabilidade de que diminua ainda mais no ano seguinte é de 0.6 ¢,
se em um determinado ano a populacdo aumenta, a probabilidade de que dimi-
nua no ano seguinte é de apenas 0,3. Entretanto, observa-se que sendo subme-
tida 4 pesca industrial, quando a populagdo aumenta num determinado ano, a
probabilidade de que diminua no ano seguinte se altera para 0,5, enquanto que
se a populagdo diminui num ano, a probabilidade de que diminua no ano se-
Matrizes 21
guinte continua sendo de 0,6. Deseja-se saber como, a longo prazo, a pesca in-
dustrial estara afetando os peixes dessa espécie, para ver se € necessério diminuir
a intensidade de pesca ou se, ao contritio, é possivel aumenté-la.
Os estados deste processo so: diminuiggo da populacdo (D) e aumento
da populagdo (A), Entdo, sem haver pesca industrial, a matriz de probabilidades
de transigo ¢
D/06 03
A|04 07
Como é uma matriz regular, as probabilidades pp da populagdo diminuir ¢ p4
da populago aumentar a longo prazo sio dadas por
[os 07] * [ml -[e]
que, sendo resolvida (lembrando que pp + pg = 1), fornece Pp = 3 € py =4-
Portanto, como a probabilidade de a populagdo aumentar € maior, em condi-
Ges naturais, @ espécie tem a sobrevivéncia razoavelmente garantida. Com a
pesca industrial, a matriz se altera para
Como uma matriz. regular, a longo prazo pp € pg S40 dadas por
06 05) [pe] _[ Pp
04 05} ‘| pa} “Lp,
Assim, temos pp = 4 € py = $. Como a probabilidade de 2 populagdo dimi-
nuir é maior, se a espécie for submetida a pesca industrial, sua sobrevivéncia
serd ameagada e, portanto, a pesca deve ser diminuida.
Exemplo 4; Duas substancias distintas estdo em contato e trocam ions de
sOdio entre si. Sabe-se (por dedugdo te6rica, ou experimentagao) que um fon
de sédio do meio (1} tem probabilidade 0,7 de passar ao meio (2), enquanto
que um ion de sédio que esteja no meio (2) tem probabilidade 0,) de passar
a0 meio (1). Colocando-se dois moles de s6dio no meio (1), quais serdo as con- 22 «ALGEBRA LINEAR
meio (1) meio (2)
Figura 1.5.2
centragdes de s6dio em cada um dos meios, apés um longo perfodo de tempo?
Os estados deste processo so: o fon estd no meio (1) € 0 fon esté no
meio (2), A mattiz de probabilidades de transigdo é:
meio (1) __ meio (2)
meio (1) 03 0,1
meio (2) 0,7 09
Sejam p, © pz a3 probabilidades de estar no meio (1) ¢ (2), respectivamente.
Enigo, iniialmente, quando todo 0 sédio foi colocado no meio (1), p{?? = 1 e
p\!) = 0. Como a matriz de probabilidades é regular, a longo prazo as proba-
bilidades ndo dependem das probabilidades iniciais, e devem satisfazer
03 Ol) fry far
07 09. Pol | pa
Resolvendo (lembrando sempre que py + Pa = 1), temos Py =e Pa = Z.
Logo, as concentragées finais em cada meio stot + 2 = 0,25 moles no meio
= 1,75 moles no meio (2).
ayes
1.5.6 Previsies em Genética: Com pequenas modificagdes das idéias usadas
nos processos de Markov, podemos estudar varios problemas genéticos, Sabemos
que 0 tipo mais simples de transmissfo de heranga genética € efetuado através
de pares de genes, os quais podem ser ambos dominantes, recessivos, ou um
dominante ¢ outro recessivo. Chamemos G o gene dominante ¢ g o gene reces-
sivo. Um individuo seré chamado dominante se tiver genes GG, hbrido se tiver
genes Gg, ¢ recessivo, caso os genes sejam gg. Um individuo herda os genes ao
acaso, um deles de seu pai 0 outro de sua mie. Assim, nos varios tipos de
cruzamento, temos probabilidades distintas de transmissdo de heranga genética.
No caso de cruzamento de individuos dominantes teremos somente filhos de
gendétipos dominantes.
Mauizes 23
GG com probabilidade 1
GG cruzado com GG + Gg com probabilidade 0
8 com probabilidade 0
No caso de cruzamento de individuos recessivos, teremos:
GG com probabilidade 0
gg cruzado com gg <—» Gg com probabilidade 0
No caso do cruzamento de um individuo dominante com um recessivo, temos:
GG com probabilidade 0
GG cruzado com gg —»Gg com probabilidade 1
gg com probabilidade 0
No caso do cruzamento de um indivfduo dominante com um hibrido, temos:
_-> GG com probabilidade 0,5
GG cruzado com Gg + Gg com probabilidade 0,5
“—* gg com probabilidade 0
No caso recessivo e hibrido, temos:
GG com probabilidade 0
gg cruzado com Gg —» Gg com probabilidade 0,5
gg com probabilidade 0,5
E finalmente, no caso de dois individuos hibridos, temos:
GG com probabilidade 0,25
Gg cruzado com Gg > Gg com probabilidade 0,5
gg com probabilidade 0,25
Denotando por d, dominante, r, recessivo ¢ h, hibrido, e os respectivos cruza-
mentos por d X d, d X r etc., colocando as probabilidades em colunas, pode-
mos montar a seguinte matriz T: 24 ALGEBRA LINEAR
Além disso, numa populagéo numerosa composta por uma porcentagem
p§? de individuos de caracteristicas dominantes, pf") de individuos hibridos &
pi de individuos de caracteristicas recessivas, a probabilidade de cruzamento
de genes de um individuo dominante com outro dominante € pi!) - ply). Se
quizermos calcular a probabilidade de um cruzamento onde um dos individuos
& dominante ¢ 0 outro € hibrido, temos que somar p§? - ph (considerando
que © primeiro ¢ dominante e segundo ¢ hibrido) a pf!) - pf. Assim, a
probabilidade ¢ de 2p) - pi). Os outros casos seguem © mesmo raciocinio €
temos entdo:
Cruzamento Probabilidade
(Estamos supondo que a caracteristica genética analisada seja tal que ndo inter-
fira no cruzamento natural.)
Entdo, podemos ter as porcentagens de individuos dominantes, pip, de
individuos hibridos, p, e de individuos recessivos, pi), da segunda geragao,
multiplicando as matrizes:
ph» pp
0), po
Pp?) |1 0005 0 025 Pro + Pr
Je p@
r|=|0 0 1 05 05 05 2 m
aft
pP®! |0 10 0 05 0,25 28? > Ph
apf?) + pip
Ph + ph
Supondo que ndo haja novo cruzamento de individuos da primeira gesa-
gdo (0 que, em geral, ocorre com populagdes de insetos etc.), uma vez obtidas
as porcentagens de individuos da segunda geraso, podemos obter as porcenta-
gens da terceira geragdo, multiplicando novamente 2 matriz T pelos novos da-
Matrizes 25
dos, e assim sucessivamente. Dessa forma, obtemos 0 perfil genético de qualquer
geracio. Evidentemente, os célculos tornam-se demorados, mas podem ser feitos
facilmente, se usarmos calculadoras. Este tipo de andlise € muito simples (de-
mais talvez), mas é importante em muitos campos, como em Agricultura, para
se ter uma idéia da propagacdo da resistencia genética a certos tipos de doonga,
da resisténcia de insetos a tipos de inseticidas etc.
Exemplo: Aplica-se um certo tipo de inseticida em uma plantacdo,
para se combater uma determinada espécie de insetos. Apés a aplicacio verifi:
ca-se que, dos poucos insetos sobreviventes, 60% eram resistentes ao inseticida
€ 05 Outros 40% ndo o eram (€ haviam sobrevivido por raz6es casuais), Sabe-se
que 0 ciclo de vida desses insetos € de um ano e que eles se cruzam apenas
uma vez em cada geragdo. Além disso, ficou comprovada que a resisténcia a0
inseticida ¢ uma caracteristica dominante e que 0 inseticida no foi aplicado
novamente. Tendo estes dados em mente, perguntamos qual é a porcentagem
de insetos resistentes ao inseticida aps dois anos?
Como a resisténcia ¢ uma caracteristica dominante, os insetos resistentes
podem ter gendtipo GG ou Gg na telagdo 1:2, ¢ assim, 20% dos insetos resis-
tentes sio dominantes e 40% sdo hibridos. Temos, portanto, p(t = 0,2, ph? =
= 04c pf") = 04 ¢ assim, a distribuigdo da porcentagem dos insetos apés um
ano é dada por
(0,2) - (0,2)
(0,4) + (0.4)
(2)
pe? 10 0 05 0 0,25 210.2) « (04)
pPP|=|0 0 1 05 O05 05 |+|} 20.2) - 04)
2(0,4) + (0,4
PP} [0 1 0 0 OS 0.25 (O) : ow
ou seja, p§P = 0,16, pf? = 0.48 e pl? = 0,36. Apés mais um ano, a distribui-
¢do de insetos serd dada por
(0,16) (0,16)
p> 10 0 05 0 os (0,36) (0,36)
2(0,16) (0,36)
pPO[=|0 0 1 05 O05 O85 20,16) (0,48)
@ 2(0,36) (0.48)
Pr 0 1 0 0 OS 0,25 (048) (0,48)
‘ou seja, pf? = 0.16, pf) = 0.48 e p® = 0,36. Assim, apés dois anos, a por
centagem dos insetos resistentes ao inseticida serd pl) + pj? = 0.16 + 0,48 =
= 0,64, ou seja, 64% da populagdo € resistente. Dessa forma, se for necessiria 26 ALGEBRA LINEAR
uma nova aplicagdo de inseticida, nfo serd conveniente aplicar 0 mesmo tipo,
pois ele mataré no méximo 36% do insetos.
Observe que a distribuigdo dos insetos quanto ao gendtipo GG, Gg ou gg
permaneceu a mesma na segunda e terceira geracoes. (p> = pf? = 0.16
PAP = pf? = 0,48 ¢ pf?) = pf) = 0.36.)
Calcule as probabilidades para a quarta geragdo de insetos (depois de txés
anos). O resultado que vocé obteve ndo é uma casualidade. Existe uma “lei ge-
nética” muito conhecida, que estabelece sob condigdes ideais que depois da se-
gunda gerago, a distribuigdo entre os gendtipos permanece a mesma. Assim, se
partirmos de uma populagdo onde a formagdo inicial ¢ dada por frequéncias
PQ = u, pf!) = ve pl!) = w, temos:
“
Genétipo | Geragao inicial | Gerades seguintes
oc u
Gg » 2u +5) Ow >
we w w+5y
Vocé pode mostrar esta relagdo através do produto de matrizes.
No “modelo genético” considerado neste pardgrafo, ¢ assumida uma situa-
gdo-padrdo: nao existe migragdo, os encontros so a0 acaso, no ocorrem muta-
ces nem selegio, 0s dois sexos aparecem sempre em quantidades iguais.
Esta relagdo de estabilidade genética aqui apresentada foi mostrada inde-
pendentemente, pelo matemitico G. H. Hardy ¢ 0 genético W. Weinberg em
1908.
*1.6 EXERCICIOS
1. Suponha que um corretor da Bolsa de Valores faga um pedido para comprar
ages na segunda-feira, como segue: 400 quotas de ago A, 500 quotas da
ago B e 600 quotas da agao C. As agdes A, Be C custam por quota
Cr$ 500,00, Cr$ 400,00 e Cr$ 250,00, respectivamente.
a) Encontre o custo total de agdes, usando multiplicagdo de matrizes.
v
»
a
Matrizes 27
4) Qual seré 0 ganho ou a perda quando as agdes forem vendidas seis meses
mais tarde se as aydes A, Be C custam Cr 600,00, Cr$. 350,00 ¢
Cr$ 300,00 por quota, respectivamente?
. E observado que as probabilidades de um time de futebol ganhar, perder e
empatar uma partida depois de conseguir uma vitéria sto 5, © 3. respec-
tivamente; e depois de ser derrotado so 4 a et . Fespectivamente; e
depois de empatar sfo 4,2 eZ , respectivamente. Se 0 time no melhorar
nem piorar, conseguiré mais vit6rias que derrotas a longo prazo?
Numa pesquisa procura-se estabelecer uma correlacdo entre os niveis de esco-
latidade de pais e filhos. Estabelecendo as letras P para os que conclusram o
curso primério, $ para o curso secundario e U para o curso universitirio, a
probabilidade de um filho pertencer a um destes grupos, dependendo do gru-
po em que o pai esta é dada pela matriz
Po S$ U
2 1
P\/S 3 0
111
Sis a 3
12
Ulo 7 Gg
Qual é a probabilidade de um neto de um individuo que realizou 0 curso
secundério ser um universitério?
. Numa cidade industrial, os dados sobre a qualidade do ar sdo clasificados
como satisfatdrio (S) e insatisfatorio (1). Assuma que, se num dia é registrado
S, a probabilidade de se ter $ no dia seguinte é de 2e que, uma ver regis-
trado I, tem-se+ de probabilidade de ocorrer $ no dia seguinte.
a) Qual € a probabilidade do quarto dia ser S, se o primeiro dia é I?
5) O que se pode dizer a longo prazo sobre a probabilidade de termos dias
Sour
, Numa ilha maravilhosa verificou-se que a cor azul ocorre em borboletas de
gendtipo aa, e nJo ocorre em Aa e AA, Suponha que a proporgao de bor-
boletas azuis seja + . Depois de algumas geragGes, qual serd 2 porcentagem
das borboletas ndo azuis, mas capazes de ter filhotes azuis? 28 ALGEBRA LINEAR
1.7 RESPOSTAS
1.7.1 Respostas de 1.4
2x=l
4, Triangular inferior
6a) V; 5) V, e)F, a) V; &) FSF; 8) BS AV
8. Triangular superior
12. Porque em geral 0 produto de matrizes néo é comutativo.
15. a) [146 526 260 158 388]
492
b) | 528
465.
c) Cr$ 11.736,00
16a) [1 1 23 1
02 2 2 2
2102 121
o1 02 0
oo10 1
7. 0,59 0,28 0,13
044 039 0,17
048 0,36 0,16
1.7.2 Respostas do 1.6
2. As probabilidades de ganhar, perder ou empatar, a longo prazo, si0 aproxi-
madamente iguais a 1/3, sendo a probabilidade de ganhar ligeiramente maior.
3. A probabilidade é 1/3.
4, a) 31/125
5) A longo prazo, a probabilidade de termos dias satisfatérios ¢ 1/4 ¢ de
termos dias insatisfatérios € 3/4.
Leituras Sugeridas e Referéncias
» Herstein, IN; Tépicos de Algebra; Editora Poligono, Sao Paulo, 1970.
2 Lipschutz, S.; Algebra Linear, McGraw-Hill do Brasil Ltda., Rio de Janeiro, 1971.
3 SMSG: Maremética: Curso Colegial, vol. 3; Yale University Press, New Haven, 1965.
4 Campbell, H. G.; Linear Algebra with Applications; Meredith Corporation, New York,
1971.
SISTEMAS DE EQUACOES
LINEARES
2.1 INTRODUGAO
Na natuzeza, as coisas esto sempre mudando, se transformando, e © ser huma-
no, para garantir sua sobrevivéncia e melhorar sua existéncia, precisa conhecer
e dominar estes processos de mudanga. Um dos métodos encontrados para se
descrever estas transformagées foi o de procurar nestas 0 que permanece cons-
tante durante a mudanga. Por exemplo, sabemos que o hidrogénio (H2) reage
com o oxiggnio (2) para produzir agua (H;0). Mas, quanto de hidrogénio e
de oxigénio precisamos? Esta é uma mudanga que podemos descrever do seguin-
te modo: x moléculas de Hy reagem com y moléculas de 0, produzindo z mo-
Igculas de HzO, ou esquematicamente:
xH, + yO, — zH,0.
O que permanece constante nessa mudanga? Como os dtomos nao s40
modificados, 0 niimero de dtomos de cada elemento no infcio da reagao deve
ser igual ao ntimero de 4tomos desse mesmo elemento, no fim da reagao. Assim,
para o hidrogénio devemos ter 2x = 2z, @ para o oxigénio, 2y' = z. Portanto, as
a8 nossas incdgnitas x, y e 7 devem satisfazer as equagdes:
bw-&
dy- 2
9
0 30 ALGEBRA LINEAR
Se conseguirmos descobrir quais s40 os ntimeros x, y, z que satisfazem simul-
taneamente estas relagGes, teremos aprendido um pouco mais sobre como se
comporta a natureza.
Este procedimento que consiste em identificarmos 0 que permanece cons-
tante na mudanga, leva a um sistema de equagdes que precisa ser resolvido e,
em muitos casos, as equagSes envolvidas so lineares (como no exemplo ante-
rior da reagdo de H; com O,). Evidentemente, vocé j4 sabe um pouco como
resolver este tipo de sistema, mas quando o mimero de equagGes se torna muito
grande, ou temos menos equagGes do que incégnitas (como no caso anterior),
podem surgir muitas dividas, até mesmo sobre a existéncia ou nao de solugdo
para o sistema.
Por outro lado, em sistemas que apresentam mais do que uma solugio ¢
necessario ter-se uma forma clara de se expressar todas elas. Por exemplo, no
sistema anterior vocé pode encontrar duas solucées distintas para (x, y, z)
{faca isto!), mas s6 0 terd resolvido se conseguir expressar 0 conjunto de todas
as solugGes. Por isso, nosso objetivo neste capitulo é estudar um método para
a resolugdo de sistemas lineares em geral. A técnica que serd utilizada pode ndo
ser a melhor no caso de sistemas muito simples, mas tem a vantagem de poder
ser aplicada sempre e ser facilmente mecanizada. E particularmente stil em sis-
temas com grande ntimero de inodgnitas onde o uso de calculadoras é inevitd-
vel. Em sfntese, este método consiste em substituir o sistema inicial por siste-
mas cada vez. mais simples, sempre “equivalentes” ao original.
Comecemos com o seguinte exemplo. (Para efeito de visualizagao, coloca-
remos a0 lado de cada sistema uma matriz a ele associada.)
x, + 4x, + 3x3 =1 (1) 1 4 3
@ 42x, + Sx, + 4x9 = 4 Q) 25 4
x, = 3x, - 2x3 =5 (3) 1-3 2
Ee
19 Passo: Eliminamos x, das equagdes (2) ¢ (3). Para isto, multiplicamos a
equago (1) por -2 e somamos a equagio obtida com a equacao (2), obtendo
uma nova equagdo (2’). Da mesma maneira produziremos a equagio (3'), obti-
da ao multiplicarmos a equacdo (1) por -1, somando esta nova equagéo 4 equa-
do (3). Isto resulta no seguinte sistema:
xy + 4x) + 3x3=1 (1) 14 31
(UI) 4 Ox; ~ 3x2 - 2x3 = 2 (2') 0 3 2 2
Ox, - 7x2 - 5x3 = 4 (3') 0 7 - 4
Sistemas de Equages Lineares 31
2 Passo: Tornamos © coeficiente de x, da equagdo (2') igual a 1, Para isto,
multiplicamos a equagao (2') por -1/3. © sistema resultante é:
x, + 4x, + 3x3 = 1 a) fio4
3041
2 2 J
(ID 40x + xy t= -Z 2") o 1 2%
Ox, - 7x2 - 5x3 =4 GB’) [0 -7 -S 4
3 Passo: Eliminamos x, das equagdes (1”) e (3"). Para isto, multiplicamos a
equagHo (2) por -4 e somamos a esta a equagdo (1"), obtendo (1""). De ma-
nejra andloga obtemos (3""), multiplicando a equagdo (2") por 7 ¢ somando a
esta nova equagdo a equagdo (3”).
m I,
xy tO, + pay =H a") ro $+}
2 ar 2 2
(IV) ¢ Ox; + wat Eas ze) for F-4
a 1 2
oy tOx,- 4452-2 GB") Jo 0 -F -F
4 Passo: Tornamos 0 coeficiente de x3 na equagdo (3°”) igual a 1. Para isto,
multiplicamos a equaggo (3) por ~3. Isto resulta no seguinte sistema:
x t0n + $xy- a’) 1 0
WM don¢ m+ dy--$ @%) 0 1
ute wie
dU
3
2
“Fa
2
Ox, +0x.+ x3=2 GG) |[o 0
5° Passo: Eliminamos x3 das duas primeiras equagdes do sistema V. Multiplica-
mos a equacdo (3) por -1/3 e somamos a esta nova equagdo a equagdo (1").
De modo andlogo, multiplicamos a equagdo (3”) por -2/3 ¢ a esta nova equa-
do somamos a equacdo (2”). Sistema resultante:
x, + Ox; + 0x3 = 3 10 0 3
(IV) 4 Ox, + xg + Oxy = -2 010 -2
Oxy + Ox, + x3 = 2 001 2
ou ainda:
—
ere
rhe
Biblioteca de
cieneia & Teen 32 ALGEBRA LINEAR
Assim, cada sistema foi obtido a partir do sistema anterior, por “opera-
gdes” que preservaram as igualdades. Por isto, cada terna (x1, ¥2, ¥3) que 6 so-
lugo do sistema I, também sera solugio dos sistemas seguintes. Deste modo,
uma vez encontradas as solugdes do sistema VI, as solugdes do sistema I, se
existirem devem estar entre estas, isto é, toda solugto do sistema I também é
solugdo do sistema VI.
O ponto fundamental deste procedimento é que as etapas so todas re-
versiveis. Por exemplo, partindo do sistema II podemos obter o sistema I, da
seguinte maneira: .
(y=)
Q=2- 0940
3) =) +13)
(Com esta notagdo estamos querendo indicar que, por exemplo, a segunda linha
(2) do sistema I € obtida multiplicando-se por dois a primeira linha (1') do sis-
tema II e somando-se a segunda linha (2') do sistema II, isto é, (2) =2-
-0)+@)
De modo andlogo, vooé pode obter o sistema V a partir de VI, IV a par-
tir de V, UII a partir de IV e Il a partir de Hl, Usando 0 mesmo argumento
anterior, podemos dizer que toda solugdo de VI também é solugdo de I. A pat-
tir das duas afirmagdes destacadas acima conclurmos que os sistemas [, II, III,
IV, Ve VI tém as mesmas solug6es e, portanto, x; = 3, ¥2 = -2 € X3 = 2,
que ¢ a solugdo de VI, é 2 tnica solugo do sistema inicial 1. (Vocé pode ve-
Tificar por substituigdo direta, que esta € uma solugo, mas apenas como ga-
rantia de que no erramos nos célculos.)
Podemos afirmar que no exemplo anterior os sistemas I, II, II], IV, Ve
VI sao equivalentes segundo a definiggo dada a seguir.
Observe que, no exemplo anterior, as tinicas operagdes que efetuamos
so dos seguintes tipos:
}) Multiplicar uma equago por um numero diferente de zero.
fi) Adicionar a equagaio a outra.
Existe ainda uma outra operacdo que as vezes precisaremos efetuar neste
procedimento, e ela também é reversivel.
iif) Permutar duas equagies.
Por exemplo, no sistema:
x + 3x3=5 (1)
xy t3xy + x3=2 (2)
Ixy + 4xy- x3 =1 (3)
Sistemas de Equagdes Lineares 33
nosso primeiro passo seria permutar as equagdes (1) e (2), de modo a obter o
coeficiente de x, diferente de zero na primeira equacdo.
Estas operagGes num sistema produzem sempre sistemas com mesmo
conjunto-solugio, como vimos no exemplo anterior. Uma demonstrag4o formal
deste fato, usando matrizes elementares, sera vista em 3. Agora iremos usar
matrizes para apresentar uma maneira organizada de resolver sistemas de equa-
ges, seguindo a idéia do exemplo anterior. Antes, porém, vamos formalizar
alguns conceitos.
2.2 SISTEMAS E MATRIZES
2.2.1 Conceitos
Um sistema de equagées lineares com m equagGes e incégnitas € um conjunto
de equagdes do tipo:
db
QyyX_ + 1X2 + + GainXy
yx, tan Xt ot dank
Gm sXy + dmaXq + + OmnXn = Om
com ay, 1 L;)
Exemplo: Ly — Ls
1 0 1 0
4 -l|—> |-3 4
-3 4 4-1
if) Multiplicaggo da éésima linha por um escalar ndo nulo k. (Lj —> KL)
Exemplo: Ly —> -3L,
1 0 10
4 -f—]-12 3
34 3 4
iti) Substituiggo da é-ésima linha pela é-ésima linha mais k vezes a j-ésima li-
nha, (L; —> L; + kLj)
Exemplo: L; —> Ly + Ly
1 1 G
4 -L}—|] 4 -1
34 -1 4 36 ALGEBRA LINEAR
Se A e B so matrizes m X n, dizemos que B ¢ linha equivalente a A, sc B
for obtida de A através de um nimero finito de operagdes elementares sobre
as linhas de A. Notagdes: A> B ou A ~ B.
Por exemplo,
1 0 1 0
4 <1) é linha equivalente 2 |0 1 |, pois
3 4 0 0
1 0 10
4-1 0 1/—_——>
3g) eee] yg) eee
1 0 10 1 0
o -1.|——-]o 1|/-——7 ]9 1!
0 by -lLy 04 L3> by -4L2 00
J4 comentamos em 2.1 que as operagdes com finhas de um sistema pro-
duzem outro sistema equivalente ao inicial. Em termos de matrizes, podemos
enunciar este resultado como:
2.3.1 Teorama: Dois sistemas que possuern matrizes ampliadas equivalentes
sdo equivalentes.
(A demonstragao deste teorema, usando-se matrizes elementares, esté em
3.85.)
Como vimos, 0 proceso utilizado para se resolver sistemas por
cdo de incognita” corresponde a passar a matriz ampliada do sistema inicial
para matrizes-linha equivalentes a esta, até que cheguemos a uma matriz conve-
niente que indique a solugdo do sistema original. Vocé pode observar em 2.2.
que a matriz final (associada ao sistema VI) tem uma forma especial. Bla é um
exemplo do que chamaremos matriz-linha reduzida @ forma escada. O método
que apresentamos aqui consiste em obter por linha-tedugao estas matrizes, por
meio das quais chegamos @ solugio do sistema de uma forma explicita.
Um outro método, conhecido como o Método de Gauss, reduz por linha-
jaléneia a matriz ampliada do sistema a uma matriz “triangular”. (Vooé te-
que é muito usado por
“elimina-
equiv:
14a oportunidade de resolver sistemas por este método,
suas vantagens computacionais, no Exercicio 17 de 2.6, Nao perca!)
Sistemas de Equagdes Lineares 37
2.4 FORMA ESCADA
2.4.1 Definigio: Uma matriz. m Xn é linha reduzida d forma eseada se
a) O primeiro elemento no nulo de uma linha nao nula é 1.
5) Cada coluna que contém o primeiro elemento nfo nulo de alguma linha tem
todos os seus outros elementos iguais a zero.
c) Toda linha nula ocorre abaixo de todas as linhas nfo nulas (isto é, daquelas
que possuem pelo menos um elemento nao nulo).
) Se as linhas 1, ..., r sio as linhas ndo nulas, e se 0 primeiro elemento no
nulo da linha i ocorre na coluna kj, entdo ky < ky <... < ky.
Esta dltima condigao impde a forma escada matriz:
Y
Figura 2.4.1
Isto 6, 0 nimero de zeros precedendo © primeiro elemento nao nulo de
uma linha aumenta a cada linha, até que sobrem somente linhas nulas, se hou-
ver.
2.4.2 Exemplos
10 0 0
Fremplo 1: [0 1-1. 0| #062 forma estada pois 2 segunda
0 0 1 oO] ondigdo nao é satisfeita,
02 1
Exemplo 2: |1 0 -3| N#0€ 2 forma escada pois ndo satistaz «
0 0 0) Piimeira e a quarta condigdes,
o1 3 01 .
Exempo 3: |0 0 0 0 | Nao satisfaz a primeira nem «
0 0 0 -1 2| terecira condi¢ao.
o 1 -3 0
Exemplo 4: |0 0 0 1 3 E a forma escada pois todas as
0 0 0 0 0, cendigdes si satisfoitas. 38 ALGEBRA LINEAR
2.4.3 Teorema: Toda matriz Amyn € linha equivalente a uma tnica ma-
triz-linha reduzida a forma escada,
Para a demonstragio, veja a secgdo 2.7. Este teorema permite-nos definir
0s conceitos abaixo que serio relacionados a seguir com o mimero real de equa-
ges © 0 nGimero de solugdes de um sistema.
2.4.4 Definigéo: Dada uma matriz Amsco, Sei Bm xn @ matrizlinha te-
duzida A forma escada linha equivalente a A. O posto de A, denotado por p, €
© nimero de linhas ndo nulas de B. A nudlidade de A é 0 nimero n - p.
Observamos que dada uma matriz A qualquer, para achar seu posto neces-
sitamos encontrar primeiro sua matriz-linha reduzida a forma escada, ¢ depois
contar suas linhas no nulas. Este ntimero ¢ 0 posto de A. A nulidade é a di-
ferenga entre colunas de A e 0 posto.
2.4.5 Exemplos
Exemplo 1; Desejamos encontrar 0 posto ¢ a nulidade de A, onde
1210
A=|-1 0 3 5
1-24 1
Assim, efetuamos as seguintes operagGes com matrizes:
1 21 0 1 2 1 0
-1 0 3 $/—>]0 2 4 5
2 12 0-4 0 Lf
0 -3 -5 10 -3
5
ol 2 3|-— o 1 2
oo 8 il oo.
O posto de A & 3 e a nulidade de A é4-3= 1.
Observacdo: Se interpretarmos a matriz A dada acima como sendo a matriz
ampliada de um sistema linear, teremos:
Sistemas de Equagdes Lineares 39
xy + 2x, + X3
ox, + Oxy + 3x5
x - yt x3
uo
A matriz-linha reduzida a forma escada é linha equivalente 4 matriz A. Assim,
© sistema que ela representa: ,
i
8
1
€ equivalente ao sistema inicial, possuindo a mesma solugdo que este.
Exemplo 2: Desejamos encontrar 0 posto e a nulidade de B, onde
-
wo Ne
2
1
1 5
4 16
Assim, efetuamos as seguintes operagGes matriciais:
2 -2 3 1 42 1 4 2
104 2) |2 4 3 0-9 -1
1-51 1-5 if lo 9 «a;
4 16 8 4 16 8 0 0 0
14
ra? 10 +
Ol gloyor 4
cea ioe @
00 0
posto de B é 2, a nulidade & 1. Repare que a matriz 40 ALGEBRA LINEAR
tem o mesmo posto e nulidade que B.
Reinterpretando as matrizes acima como sistemas de equages, diremos
que © sistema de quatro equagoes associado & matriz inicial:
ax- ps3
xt dy=2
x- Sy=l
ax + l6y = 8
equivalente ao sistema de duas equagGes:
xtoy= 3
ut yet
associado 4 matriz-linha teduzida a forma escada. Este € um caso de sistema
com equagées redundantes. A terceira e a quarta equagoes (que se tornam nu-
las no final do proceso) podem ser desprezadas. Isto significa que o sistema
inicial € equivalente ao sistema:
w- y=3
xt4y=2
associado & matriz B,.
Usamos dizer também que, neste caso, as duas primeiras equagdes si
“independentes" ¢ que as demais so “dependentes” destas. Vocé vai se fami-
iarizar com estas denominagGes no Capitulo 4. Ainda segundo esta terminolo-
gia, denominamos posto de uma matriz. a0 mimero de linhas “independentes”
desta, Vocé pode observar que uma linha seré “dependente” de outras (isto ¢,
serd igual a zero no final do processo de reducdo) se ela puder ser escrita co-
mo soma de produtos destas outras linhas por constantes, Costumamos dizer
também que esta linha é uma combinagao linear das outras. Por exemplo, na
matric B podemos dizer que a primeira e a segunda linhas sao independentes,
enquanto que a terceira e a quarta sZo combinagées lineares das duas primeiras
linhas.
Vocé viu assim que um posto da niatriz ampliada de um sistema nos dio
nimero de equagées independentes deste. Na préxima secgdo veremos que 0
posto também esté relacionado com © némero de solugdes de um sistema.
Sistemas de Equacdes Lineares 41
2.5 SOLUGOES DE UM SISTEMA DE EQUAGOES LINEARES
O objetivo desta secedo é estudar detalhadamente todas as situagdes que po-
dem ocorrer na resolugdo de um sistema linear,
2.5.1 Se tivermos um sistema de uma equago e uma inedgnita
ax=b
existitéo trés possibilidades:
i) a #0. Neste caso a equagao tem uma iinica solugdo
x=
a
ii) a= Qe b = 0. Entdo temos Ox = 0 e qualquer némero seal sex solugio
da equagao.
iii) a = 0 € b # 0. Temos Ox = b. Nao existe solugo para esta equagio.
Para analisar sistemas de duas equacdes ¢ duas incdgnitas, vejamos alguns
exemplos.
2.5.2 Exemplos
Exemplo 1:
Oy + xm =5
X;- 3x56
Lembramos que 0 conjunto de pontos (x1, %,) € R X R, que satisfaz cada
equacdo deste sistema, representa uma reta no plano. Para resolver este sistema
devemos entao encontrar os pontos comuns a estas duas retas.
%
x
(3, -1)
Figura 2.5.1
Deste modo, (3, -1) é a unica solugdo, A matriz ampliada do sistema é
2 15
[? 3 ‘I. Transformando-a em matriz-linha reduzida & forma escada, 42 ALGEBRA LINEAR
obtemos [o 0 3} que 6 a matriz ampliada do sistema
1-1
My = 3
xy = -1
i i ici i ica solugdo x, = 3 €
equivalente ao sistema inicial. O sistema tem uma tinica sol .
2 = -1, como foi analisado graficamente. Observamos que o posto da matriz
A 1 0 ‘ a:
dos coeficientes do sistema reduzido [ ] eo da matriz. ampliada
10 3) eo
o 1 -L
Exemplo 2;
bt ms 5
6x, + 3x2
‘As duas retas que formam este sistema so coincidentes.
x2
x
Figura 25.2
walquer ponto de uma das retas é
Neste caso, vemos geometricamente que qualqu 1 :
solugdo deste sistema. A matriz ampliada do sistema e a matriz reduzida por
linhas 4 forma escada s4o:
241 S|]
6 3 15 0
Portanto, o sistema acima equivalente ao sistema
1 3
xtieed
ox, + 0 = 0
oN
one
CN
Sistemas de Equacdes Lineares 43
onde a segunda equacio pode ser simplesmente “ignorada”, pois nao estabelece
nenhuma condi¢0 sobre x, ou x. Ela é verdadeira para quaisquer niimeros x;
€ x2. O conjunto de solugdes deste sistema sera dado, atribuindo-se valores
arbitrarios para incdgnita x, © tomando x, = S — “pa. Assim, para x2
temos:
a
Atribuindo diversos valores para A, obtemos varias solugdes para o sistema. Por
Seay = 0. Para N= 1, temos x, = 2e
Xz = 1 ete. Este sistema admite infinitas solugoes.
Observe que a matriz ampliada e também a matriz dos coeficientes do
sistema tém posto 1, pois, uma vez transformadas em matrizes-linha reduzidas
na forma escada, elas possuem uma linha no nula. A nulidade da matriz dos
coeficientes € 2 - 1 = 1 que é também chamada o grau de liberdade do siste-
ma, Isto quer dizer que 0 nosso sistema apresenta uma variével livre.
exemplo, para = 0, temos x
Exemplo 3:
2x, + x,
6x, + 3x3
5
10
Geometricamente, temos duas retas no plano que nao possuem nenhum ponto
em comum, pois sdo paralelas, ¢ portanto este sistema nfo tem solugdo. Isto é
mostrado na Figura 2.5.3.
x
xy
Figura 25.3
‘A matriz ampliada deste sistema [? 5 al & equivalente 4 matriz-linha re-
duzida a forma escada
on
Pee 44 ALGEBRA LINEAR
Portanto, o sistema inicial ¢ equivalente a
x, +x. =0
Ox, + Ox, = 1
ou x, capaz de satisfazer a segunda equagdo.
jugio. Dizemos que ele é incompativel (im-
pliada, reduzidas &
Nao existe nenhum valor de x1
Assim, o sistema inicial ndo tem sol
possivel). Vamos comparar a matriz de coeficientes ¢ & am
forma escada do sistema
1 i
r4l.ji zo
o of lo o 1
Observe que o posto da matriz dos coeficientes do sistema inieial € 1 ¢ © Pos
to de sua matriz ampliada é 2.
2.5.3 Caso Geral: Consideremos um sistema de m equagées lineares com "
incégnitas xy, «5 Xn-
Quyx1 tex, to tan =
Gyas¥1 + dak + oo + Amat
fe tenmos constantes bj s40 nimeros reais (ou complexos).
cujos coeficientes ay
Este sistema poderd ter
xy sky
i) uma dnica solugio:
Xn = Kn
ii) infinitas solugdes
iif) nenhuma soluglo.
No primeiro caso, dizemos que o sistema ¢ posstvel (compativel) determinado.
dizemos que o sistema ¢ possivel e indeterminado, B no ter-
possivel (incompativel).
tomemos sua ma-
No segundo caso,
ceiro caso, dizemos que o sistema € iy
Consideremos a matriz ampliada do sistema anterior ¢
triz-linha reduzida 4 forma escada:
|
i
i
Sistemas de Equagées Lineares 45
00m OTe
ts
a Oi By
Gig dine Om msinesy |! !
0 ww Ob6
0 9 jem | mxinen
Procure entender e demonstrar (veja a secgdo 2.7) cada uma das afirma-
ges do teorema abaixo. Leia com aten
2 io € volte
2.5.2, se achar conveniente. a 40s exemplos dados em
2.5.4 Teorema
1) Um sistema de m equagdes e 1 incégnitas admite solugio se, ¢ somente
__ 56.0 posto da matriz amplieda¢ igual ao posto da matiiz dos coeficientes
ii) Se as duas matrizes tém 0 mesmo posto p e p = n, a solugdo serd nica.
iii) Se as duas matrizes tém 0 mesmo posto p ¢ p =00 <2),
13, a) St = [(-1, 1, D)
4) S no € subespaco
9 S8=10,01),0,2,-Dle St = (G1, 1)
14.2)7 by smc) sim) no.) nfo
Bye y | fae 0 0 a
a a woe
_} |: : aL
9 Flo o* 1 0 °F
19. x 5-18
20. B leva vantagem, 3,69 fichas,
21. 0,82
Leituras Sugeridas e Referéncias
‘Hottman, K. e Kunze, R.; digebra Linear, Kéitora Poligono, Sdo Paulo, 1971,
2Kemeny, J., Snell. J. e Thompson, G.; Introduction to Finite Mathematics; Prentice Hall,
Englewood Cliffs, 1957.
3Tetra; Algebra Lineal; Harla, México, D.P.1976.
“Leithold, L.; O Céileulo com Geometria Analitica; HARBRA, Sao Paulo, 1977.
TIPOS ESPECIAIS DE
OPERADORES LINEARES
9.1 INTRODUGAO
Neste capitulo vamos estudar dois tipos especiais de operadores. Tais operado-
res so importantes, no apenas pelas propriedades interessantes que eles possu-
em, mas também por serem os que mais upatecem em aplicagdes priticas ¢,
assim sendo, merecem um estudo um pouco mais apurado. Os operadores auto-
-adjuntos aparecem naturalmente em problemas que envolvam simetria e em
outras situagdes como em Mecanica Quantica, onde esto normalmente associa-
dos a consideragdes sobre energia do sistema. Outro tipo de operadores, os or-
togonais, aparecem na Dinémica de Corpos Rigidos, ligados a problemas de ro-
tagio e translagdo. No Capitulo 10 vocé verd 0 uso desses operadores no estu-
do de cénicas e quédricas.
Iniciamos 0 estudo desses operadores fazendo algumas observagdes.
A primeira delas diz que, ao teabalharmos com base ortonormal, 0 produ-
to interno poderd ser expresso numa forma candnica (teorema 9.1.1). As
outras versardo sobre propriedades de certos tipos especiais de matrizes que
caracterizardo os operadores serem estudados, 254 ALGEBRA LINEAR
9.1.1 Teorema: Sejam V um espaco vetorial real com produto interno
(,) ea = {uy, -. ty} base ortonormal de V. Entdo, se v € w So vetores de
V com
WW) = xy) + Xay2 to + XnPne
Em outras palavras, a0 trabalharmos com uma base ortonormal, para efe-
tuar 0 produto interno de dois vetores basta multiplicar as coordenadas corres-
pondentes e somar.
Prova; v= Xythy Fxg, +. + Xp
© Ws vy + ¥aU2 +. + Yalta
du, w) = Uy tw xn Vit to + Fn?
= cpu te tala, Pay) + ep uy Hon + Xs Prd? +
EAR Uy Fo + Xn, Puta?
n n n
= y xp (aj, uy) + y Xpyo (ly, U2) + Yin (uj, Un)
Bi 1
Mas como (uj,
_ [ose ies
lsei=s,
05 tnicos termos no nulos sio aqueles onde / = j, Logo,
du, Ww) = Xie, Habe te tele
A seguir introduziremos as matrizes que estardo associadas aos operadores a
serem estudados.
9.1.2 Definigdo: Seja A uma matriz n x n real € A’ sua transposta.
a) Se A =A’ dizemos que A é uma matriz simétrica.
b) Se A+ A’ = A’+ A =I (ou seja, a inversa de A ¢ A’), dizemos que A
€ uma matriz. ortogonal
No Capitulo J ja vimos exemplos de matrizes simétricas. Quanto 4 se-
gunda definigio, as matrizes ortogonais determinam um subconjunto das matri-
Tipos Especiais de Operadores Lineares 255
zes inverstveis, Efetivamente a relacdo entre matrizes simétricas, inversiveis €
ortogonais indicada pela figura abaixo,
. M_: matrizes
oo ML : matrizes inversiveis
Zags) ‘MO: matrizes ortogonais
MS: matrizes simétricas
Figura 9.1.1.
Como exemplos de matrizes ortogonais temos:
Exemplo:
sen @ cos@ 0
0 0 1
cos -sen @
sen cos @
cosh -sen@ 0
]
Para verificar isto basta multiplicar cada uma pela sua transposta obtendo
assim a matriz. identidade. Calculando temos, no primeiro caso:
cos@ -sen 9] { cose send] _
sen@ cos @| |-sen 8 cos 6 | ~
_ | cos* @+sen? 9 0 _ fl 0
“Lo sen? @ + cos? @]~ [0 1
Observe que a transformago associada 4 primeira matriz € uma rotagiio. (Veja
5.2.4.)
Consideremos agora trés propriedades das matrizes ortogonais.
9.1.3 Teorema: Seje A uma matriz ortogonal. Ento deta
Prova: Como A € ortogonal, A- A’ = I.
Entio det(A+ A’) = detI e (det A) (det A’) = 1
Mas det A = det A’.
Assim (det A)? = 1, ou seja, det A = 41. 256 ALGEBRA LINEAR
9.1.4 Teorema: Uma matriz é ortogonal se © somente se as colunas
(ou as linhss) séo vetores ortonormais.
Prova: Seja
ay a 1m
ay @ a
aut a2 an
ani Ana Sonn
Na primeira parte da prova queremos mostrar que se A é ortogonal isto im-
plica que
sdo ortonormais (0 mesmo vale para as linhas). Para isto, fagamos 0 produto
de A pela sua transposta.
ay an | Pane tn
AAS : =
iy Aan | Lm On
10 0
On aiy to + Onan 01 0
yyy + + Orndnr din t+ Gin 060. 1
pois A'A =
an
Observamos que a3, +... + a3; = 1. Mas isto quer dizer que | | € unitario.
any
Da mesma forma, percorrendo a diagonal principal, vemos que cada vetor-co-
luna da matriz A é unitdrio. O que encontramos saindo desta diagonal? . 0
elemento na posi¢do i, j ((#/) € ayjayj +. + Anidnj © Seu valor deve ser zero.
ay ay
Mas isto diz que o produto interno de | : | por | : | € nulo, ou seja, os
ani nj
Tipos Especiais de Operadores Lincares 257
vetores-coluna sio dois a dois ortogonais quando i # j.
Estd terminada, entdo a primeira parte da prova. Ainda falta provar que
se os vetores-coluna (linha) de uma matriz forem ortonormais, a matriz. serd
ortogonal. Vamos deixar esta prova para vocé, jd que ela é apenas uma adaptu-
go da prova dada acima. (Veja o Exercicio 4 da secedo 94.)
Apresentaremos agora uma situag%o onde as matrizes ortogonais ocorrem
naturalmente.
Exemplo: Seja V = Re a = {(1, 0) (0, 1)} eB = {(cos 8, -sen 0),
(sen @, cos 0)} bases ortonormais. Calculemos a matriz de mudanca de base
(ng. (Veja 4.7.}. Como # € uma base ortonormal, podemos encontrar as coor
denadas dos elementos da base a em relagio a B por meio dos coeficientes de
Fourier.
0), (cos 0, sen 0)
(1, = Gos @, sen 0), Coos 8, -sen ayy (008% ~sen 9) +
+ U0) (sen 8, cos a)
(sen 0, cos 8), (sen 8, cos @))
=cos 8 (cos 8, -sen 6) + sen 0 (sen 0, cos 0)
Gen 8, cos 8) =
Analogamente,
(0,1)
sen # (cos @, -sen 8) + cos @ (sen 0, cos @)
Assim
[cos @ -sen @
ug = [es 8 cos ;|
Observe que esta matriz & ortogonal (veja o Exemplo de 9.1.2). Tal resultado
vale em geral,
9.1.5 Teorema: Se ¥ é um espaco vetorial com produto interno e a e 8
sio bases ortonormais de V, entao a matriz de mudanga de base ty é uma
matriz ortogonal,
Prova: Sejam a = {¥y, Va} @ B= {Wiss Wa} ©
an Mn
Ug =
Qn Onn ash
obblegsece!
UFPe! 258 ALGEBRA LINEAR
Como 8 é base, existem mimeros aj tais que
VE = Wy to. + en Wn
Vn = dinWi t+. + @nnWn
Mas a € ortonormal ¢ por isso cada v; é unitario, Isto é, 1 = (vj, vp. Além
disso, B ¢ ortonormal e assim podemos encontrar (vj, vj) multiplicando as coor-
denadas. (Veja 9.1.1.) Portanto 1 = a3; + ... + a}y. Em outras palavras, cada
vetor-coluna de [/]f € unitério. Mostraremos agora que estes vetores sao orto-
gonais ¢ portanto (ay & ortogonal. (Veja 9.1.4.)
Como vj ¢ yj sio ortogonais quando i + j, 0 = (vy, yp) = aj tt nin;
ay ay
ou seja, ¢ |: | sio ortogonais sempre que i # 7
Oni nj
Assim a afirmagio de que (/] ¢ ortogonal € verdadeira.
Observamos, entdo, que nesta situagao
By -
tf iy’ = 1,
ou seja, ((78)’ = (UIE), & ainda mais
By . ine
(uy = Wig
Isto facilita 0 processo seguido para se encontrar (JB. conhecendo Lg
onde a ¢ B sio bases ortonormais. [/]8 € nada mais que # transposta de [/]f.
Estamos agora em condigdes de introduzir os conceitos de operador ortogonal
€ auto-adjunto.
9.2 OPERADORES AUTO-ADJUNTOS E ORTOGONAIS
Agora definiremos os operadores associados as matrizes estudadas em 9.1, esta-
beleceremos relagdes entre estes e 0 produto interno e descobriremos as parti-
cularidades de seus autovalores. Isto nos permitiré chegat 2 importantes resul-
tados sobre dizgonalizagdo na proxima secgio.
9.2.1 Definiga
base ortonormal e
Seja V um espago vetorial com produto interno, @ uma
-+ V um operador linear. Entio
Tipos Especiais de Operadores Lineares 259
a) T é chamado um operador auto-adjunto se [T}q € uma matriz simé-
trica.
4) T € chamado um operador ortogonal se [TI& € uma matriz. ortogonal.
Os operadores auto-adjuntos (ou ortogonais) estdo bem definidos no senti-
do de que o fato de um operador ser auto-adjunto (ou ortogonal) ndo depende
da base ortonormal escolhida, isto é, se [T]% for simétrica (ou ortogonal) numa
determinada base ortonormal @, entao (rh também seré simétrica (ou ortogo-
nal) para qualquer outra base ortonormal 8. Mostremos este fato no caso do
operador ser auto-adjunto. (O caso ortogonal é demonstrado de maneiza simi-
ar.)
Sejam a e B bases ortonormais e suponhamos que (71g, seja simétrica.
Queremos mostrar que {7p também é simeétrica, isto é, (TY = (7
Observamos que
inh = day orig -ung
Também
chy = by
pois a € § so ortonormais (Veja 9.1.5). Entio
ing = Uy ing -
Tomando a transposta temos
ary - «by -angy «tah
= by erie 8
= (7h
pois (WB)" = (8 © (TI ¢ simétrica.
9.2.2 Exemplos
Exemplo 1: Consideremos T:R? +R, 4 rotagio de um angulo @ em
tomo do eixo-z. Podemos expressar T por:
T(x, y, 2) = (x cos @ - y send, x sen6 + y cos 9, 2). (Verifique.) 260 ALGEBRA LINEAR
Figura 9.2.1
Tomando a base canénica @ e calculando « matsiz de T nesta base, temos
cos @ -sen 0 0
(71g = | sen @ cos 8 0
0 o 4
Ji vimos que esta matriz é ortogonal ¢ portanto T & um operador ortogonal.
Exemplo 2: Soja T:R? +R? onde T(x, y) = (2x - 2y, -2x + Sy).
Se a 6 a base candnica de R?, a matriz de T é (718 = [2 2], uma ma-
wiz simétrica, ¢ portanto T é operador auto-adjunto.
Estudemos agora as propriedades destes operadores.
9.2.3 Teorema: Seja V um espaco vetorial com produto interno ¢, )
T: V+ ¥ linear. Entdo T auto-adjunto implica que (Fv, w) = (v, Tw) para todo
wwe,
Prova: {caso n = 2)
Sejam a= {y,, v2} ume base ortonormal, v =
wey + y2¥9 ou [vy = ps] @ Ila = ie]
Como T € autoadjunto, [7]f simétrica.
seja (78 = [; |
Wy tv. ©
Tipos Especiais de Operadores Lincares 264
- ab x ax, + by aob
Entéo (7¥]y = [; ‘| [3 = ES + i] ec UTWle|§ 4 [| =
_) ax, + bys
“bx: + cya
Assim (Tv, w) = (ax; + by, )xy + (bx, + ev bye
e W, Tw) = xy(axz + by2) + yi(bxz + cy2) © portanto, (Tv, w) = Ww, Tw).
9.2.4 Teorema: Seja T:¥ > V auto-adjunto e A;, Az autovalores distintos
de Te y, @ ¥z Os autovetores associados a A, ¢ Az, respectivamente, Entao
vy Lv.
Prova:
Da Wr, V2) = Avi, va) = (P¥y, va) = Wy, TV) =
= Wy, Ave) = Ad (1, Ye)
Entdo (A ~ Ag) (1, ¥2) = 0,
Como Ay - Az #0, vem que (vy, v3) = 0 ou vy L v3.
As propriedades dadas a seguir sio conseqiléncias dos resultados anteriores mas
so tao importantes que as destacaremos numa secedo especial.
9.3 DIAGONALIZACAO DE OPERADORES AUTO-ADJUNTOS E
CARACTERIZACAO DOS OPERADORES ORTOGONAIS.
© teorema 9.2.4 nos dé uma idéia de que, com relaco A diagonalizacao, os
operadores auto-adjuntos comportam-se de uma maneira especial. Por exemplo,
se T:V + V for auto-adjunto, dim V =n e T admitir n autovalores distintos
(portanto uma base de autovetores), entdo T é diagonalizavet ¢ os autovetores
sio automaticamente dois a dois ortogonais e, ap6s a normalizagdo, podem ser
transformados em ortonormais, Isto é, 7, além de ser diagonalizavel, admite
uma base ortonormal de autovetores. Tal propriedade continua valendo em ge-
ral e € caracteristica dos operadores auto-adjuntos. Temos assim:
9.3.1 Teorema: Seja T: V+ V um operador auto-adjunto, Entao existe
uma base ortonormal de autovetores de T.
Se vocé esta interessado na demonstragdo desse teorema, siga cuidadosa-
mente as etapas enunciadas nos Exercicios 10, 11 e 12 da secgdo 9.4. 262 ALGEBRA LINEAR
9.3.2 Exemplos
Exemplo 1: Seja T:R? +R? 0 operador linear cuja matriz em relagdo a
base candnica &
2 0 0
IT]=| 0 6 1
o 1 6
Podemos exibir uma base ortonormal de autovetores para este operador? Inici-
almente observamos que T é um operador auto-adjunto pois a base candnica €
ortonormal (em relagdo ao produto interno candnico) ¢ a matriz é simétrica, O
teorema 9.3.1 garante, entdo, a existéncia de uma base ortonormal de autoveto-
res, Calculando os autovalores e autovetores associados temos:
Para hy = -2, v1 = (1, 0, 0); para Ay = 7, v2 = (0, I, Le para As = 5,
vy = (0, 1, -1).
Como estes autovetores provém de autovalores distintos-e T é auto-adjun-
to, 0 teorema 9.2.4 garante que eles sio ortogonais. Entdo {(1, 0, 0),(0, 1,1),
(0, 1, -1)} é uma base ortogonal de autovetores. Basta agora normalizd-los para
obtermos a base procurada:
(1,0, 0, Fz .1, 1, FRO 1D.
Exemplo 2: Seja o operador linear T:R° -+ R? cuja matriz em relagfo 4
base canonica
Exibamos uma base ortonormal de autovetores para este operador. Procedendo
de modo andlogo ao anterior, vemos que T é auto-adjunto e portanto tal base
existe. Calculando os autovalores ¢ autovetores associados temos: Para Ay = 0,
os autovetores so do tipo (-y, ¥, ») € © subespago destes autovetores tem di-
mensdo 1. Para dz = 3 os autovetores si0 do tipo (y +z, y, 2) € 0 subespago
associado tem dimensao 2.
Vamos construir uma base de autovetores escolhendo um autovetor do
subespago associado a Ay = 0 e dois autovetores LI do subespago associado a
Az = 3. Suponhamos que v; = (-1, 1, 1) tenha sido tomado no primeiro subes-
pago. Como todos 0s autovetores no segundo so da forma (y +z, y, 2), obser-
vamos que © produto interno de (-1, 1, 1) com qualquer da forma (y +z. ¥, 2)
Tipos Especiais de Operadores Lineares 263
€ 0. Mas nao € garantido que quaisquer dois vetores de (y +z, ¥. 2) So orto-
gonais, mesmo que sejam LI, Por exemplo, (1, 1, 0) e (1, 0, 1) so LI mas
niio ortogonais. Contudo, podemos usar 0 vetor (1, 1, 0) € procurar outro ve-
tor do tipo (y +z, y, z) que seja ortogonal a (1, 1, 0), isto ¢, 0 produto in-
terno destes deve ser nulo, Ou seja,
yeztyedytz=0 ov 22-2
Um vetor que satisfaga estas relagdes deve ser do tipo (-y, y, -2y). Por exem-
plo (-1, 1, -2)
Ficamos assim com a base {(-1, 1, 1), (1, 1, 0), (-1, 1, -2)} que é for-
mada de autovetores dois a dois ortogonais. Normalizando estes vetores temos
a base procurada:
1
ae, d. Fea. 1,0, Fee, 1, -2)}
Suponhamos que @ seja uma base ortonormal qualquer de Ve B a base
ortonormal de autovetores dada pelo teorema 9.3.1. Observemos a relagdo entre
IHG © (7h, Temos (7IE = Ug «(7S UIE = (ay - IT «LE © portant,
ee _ aney
Ing = Uigy - rh + LNG ois a eB sfo ortonormais. Isto serd utilizado na
classificagio das cdnicas.
O teorema seguinte caracteriza as transformacdes ortogonais.
9.3.3 Teorema: Seja T:V + V um operador linear num espaco vetorial V
com produto interno ¢, ). Entdo as condigdes abaixo so equivalentes:
a) T € ortogonal.
4) T transforma bases ortonormais em bases ortonormais. Isto é, se
{¥25 sm Vn} € base ortonormal de V, entdo {7v,, .... Tv} ¢ uma base orto-
normal.
¢) T preserva 0 produto interno, isto €, Tu, Tv) = (u, ¥).
d) T preserva a norma, isto é, liZvil = Wh.
Prova: A demonstragao € deixada como exercicio.
O item (d) dé uma caracterizagdo geométrica dos operadores ortogonais.
Estes so, entre os operadores Jineares, 08 que esto associados a movimentos
rigidos. Por exemplo, se nos restringirmos as transformagoes lineares do plano
no plano, estes operadores serdo as rotagdes de um dngulo @ ¢ as reflexdes em
relagdo a uma reta pela origem, ou composigdes delas. 264 ALGEBRA LINEAR Tipos Especiais de Operadores Lincares 265
8. Mostre que uma transformacdo ortogonal do plano no plano deixa invariante
a distancia entre dois pontos, isto é
a Pontos, isto é, dados ue v vetores quaisquer do pla-
9.4 EXERCICIOS
1. Seja a = {ws, Wa, Wy} ume base de V, um espago vetorial real com pro-
duto interno ¢, ).
7a) - Tl = tu = vb
5
Si :
wy -[cle mel 3 (Sugestdo: use o teorema 9.3.3 (d),)
3 =3. é
9. a) Mostre que se T é uma transformagdo ortogonal do plano no plano, sua
matriz em relagdo a base candnica s6 pode ser da forma: ‘
cosa ~sen @
sen @ cos a
Se (u, v) = 2, a base @ € ortonormal?
A
2. Ache valores para x ¢ y tais que Li | seja uma matriz ortogonal.
3, Sejam a = {(1, 1), (2, 0)} eB = {(-5, 0), (2, 1)}. A partic das bases a © ou da forma
B construa bases ortonormais, usando o método de Gram-Schmidt. Se estas
novas bases forem a’ ¢ ’ respectivamente, mostre que a matriz de mudanga
[Ss a@ sen |
de base Ue 6 ortogonal. sen @ -cos @
(Sugestio: 9.3.3 (@).)
4, Dada uma matriz A cujas colunas sdo vetores ortonormais, prove que A é
ane 5) Observe que se a matriz de T for da forma dada por A. T seré uma ro-
tapdo de um angulo a (veja 5.2.4.), Mostze que B= A - J onde J =
5, Seja Tx, y, 2) = 2x + y, x ty +2, y - 32) de R? em R® com produto
interno candnico.
a) Mostre que T é um operador auto-adjunto mas nao ortogonal.
b) Se v = (2, -1, 5) e w = (3, 0, 1), verifique que (Tv, w) = , Tw).
c) Exiba uma base de autovetores de T ¢ verifique que ¢ uma base ortogo-
nal. A partir desta base, escreva uma base ortonormal.
1 0 4
= [3 J] - (J € a matriz em relagdo 4 base candnica de teflexdo no
eixo-x, Veja 5.2.2. Conclua finalmente, usando composigo de fungSes,
que se a transformagdo T tor dada por B, T sed uma reflexdo através de
uma reta do plano que passa pela origem.
10. Sejam ¥ um espago vetorial real de dimension, com produto interno (,) ¢
T:V-> V um operador linear auto.adjunto. Se a for uma base ortonormal
de V, chamemos de A a matriz. (T}®. Consideremos a transformagio linear
Ty :C" + C" dada por
a 0 0
6. Dada a matriz A= |0 6 c
oc b
a) Mostre que os autovalores sio: a, b + ce bc
b) Ache uma base de autovetores.
am x
7. Seja o operador linear T:R? ->R® cuja matriz em relacao @ base canénica & Tl fea
1 4 2 Xn Xn
45 onde xj € C (C = conjunto dos nimeros complexos) e 0 prod
2-4 canénico em C", dado por produto interno
Exiba uma base ortonormal de autovetores. WW =F + X22 tn tt ADy
teca de
Bibliot
Ciéncia & Teen 266 ALGEBRA LINEAR
x vi
paav=|: | ew= (Veja 8.6.)
Xn Jn
a) Mostre que 7, tem sempre autovalores. (Sugestdo: Lembre-se de que um
polinémio sempre tem raizes se estivermos trabalhando sobre os ntmeros
complexos.)
b) Mostre que (Ty¥, We = , TyWe pata quaisquer v, w € C7. (Sugestdo:
Siga a idéia do teorema 9.2.3.)
) Mostre que 0s autovalores de Ty so necessariamente reais. (Sugestdo:
Chame de X um autovalor de Ty com autovetor v. Lembre que para um
ntimero complexo % ser real, basta que ele seja igual ao seu conjugado.
Desenvolva entdo (T,v, v), de dois modos distintos, utilizando o item (b)
€ as propriedades de produto interno sobre um espace vetorial complexo.
Veja 8.6.)
d) Mostre que os autovalores de Te Ty s0 0s mesmos.
¢) Utilizando os resultados anteriores, conclua que um operador linear auto-
-adjunto tem autovalores ¢ eles sd0 necessariamente reais.
11, Seja V um espaco vetorial real de dimension, 7: > V um operador linear
auto-adjunto e v © V um autovetor de 7.
a) Mostre que [v], 0 espago gerado por v, é invariante por aplicagio do ope-
rador T, isto é, se w € [v], entdo Tw € [v].
b) Mostre que [y}!, 0 complemento ortogonal de [y] (veja 8.5), ¢ invariante
por aplicagio do operador T, isto 6, se w € [v}', entdo Tw € {vit e por-
tanto T induz um operador linear 7; :[v]+> [v!
w +Tw
¢) Mostre que © operador 7, definido no item (6) é autoadjunto.
d) Mostre que todo autovetor w de 7, com autovalor 6 também é autove-
tor de T com o mesmo autovalor 6
12. Demonstre 0 teorema 9.3.1, isto ¢, se T:V> V um operador linear auto-ad-
junto, entao existe uma base ortonormal de autovetores de T. (Sugestao:
Faga por indugao finita sobre a dimensio de V, utilizando os Exercicios 10
el)
13. 2) Dé # transformagdo linear que descreve 0 movimento rigido que leva o
segmento de extremos (-6, 2) e (-1, 2) no segmento de extremos (-2, 6)
e (1, 2) respectivamente.
b) Mostre que esta transformagao € uma rotagHo € encontre seu dngulo,
14. a) Use a definigéo 9.2.1 ¢ 0 teorema 9.3.1 para mostrar que um operador é
auto-adjunto se e somente se existir uma base 8 de vetores ortonormais
em relagdo a qual (Th é diagonal.
Tipos Especiais de Operadores Lineares 267
5) Use agora © resultado acima para dar uma caracterizagdo geométrica das
transformagoes auto-adjuntas do piano no plano, (Observe que [5 tk
= i ° . It 9] € note 0 efeito geométrico de cada uma destas
duas dltimas matrizes.
¢) Analise sepacadamente em 6) os casos
Daez0e¢ b#0.
ii)a=0 ¢ b#0.
i) a =0 © b=0.
7 a f-1 3
) Seja a a base candnica e (TIE = [ 3 3]
i) Diagonalize 0 operador T. (Escolha uma base ortonormal.)
if) Interprete geometricamente T usando 6).
iif) Teste sua interpretagdo geomeétrica, verificando qual é a imagem por
T de um quadrado de vértices (0, 0), (1, 1), (0, 2) ¢ (1, 1).
9.4.1 Respostas
1, Nao, pois uy >#2+5+(1)-2 +3 (3).
. i 1 1 1 a
=p BE--F -1, 0), 0.1
3.4 (G BR & RB 8 1, 0), (0, 1)}
a 1
| FF TF a arty
_ Wy + st
tp =f lg lg)
a
s. (11 = i 1 ‘| é simétrica. Logo T € auto-adjunto, Como as colunas
11.
ol -3
de [7] no sio vetores ortonormais, T ndo € ortogonal.
TA =-9% Mr = Ar =
my =, -2,-1, Y= (1,01. vs =O, 1-1)
1 1 4 =
Aah ok L 1 1
Bee Te aR a?
b
9. 2) Sejam T [2 i | © v= @, y) qualquer T ortogonal > {ITiyl 268 ALGEBRA LINEAR
= ippll ete., escolhendo varios vetores v para gerar um sistema de equagdes
que fornece a, b, ced.
'b) Sugestdo: a inclinagdio da reta pela origem tem inclinagdo de é
onde » = (x, »), € mostre que esta imagem ¢
. Ache a
imagem do ponto (x, »)s
exatamente B+ CG |: ow seja, Ty.
11, a) w & [vy] ==> au € R tal que w = wv.
Tw = Tluv) = uTv = w+ dv onde 2 € 0 autoval
(wd)v € [v], @ portanto Tw © Iv].
b) Seja w € [v}/. Endo You might also like
