Beruflich Dokumente
Kultur Dokumente
Página da Cadeira:
http://docentes.fe.unl.pt/~pbarcia
Trabalho 2 1 4
Madeira 1 2 5
2
Quadros cheios de números?
2 1 X =
4
“*”
1 2 y 5
x 4 2 1
= “/”
y 5 1 2
3
Quadros cheios de números!!
Matrizes
Vectores
Espaços Vectoriais
4
Espaços Vectoriais Reais
(a) Polinómios de grau <= n
(b) Coordenadas de pontos no plano
(c) Funções continuas
(d) Funções deriváveis
.
.
.
“Fechados” para a soma (de objectos) e para a multiplicação
(de objectos) por números reais.
5
Sub-espaços
6
Factos sobre sub-espaços
7
Combinações lineares
8
Soma de Conjuntos
A + B = {x = a + b : a ∈ A, b ∈ B}
.
9
Exemplo de soma
y
A+B
B
x
A
10
Independência linear
∑ λ x =λ x + λ x + ... + λ x = 0
i=n
i =1 i i 1 1 2 2 n n
11
Factos sobre a independência
12
Bases
Definição : Uma Base de um espaço vectorial V é um conjunto B de
vectores, linearmente independente e tal que span{B} = V .
13
Coordenadas
a2
w
b2 a1
b1
14
Factos sobre Bases
Teorema : Todas as bases de um espaço vectorial têm o mesmo
número de vectores. Esse número é chamado a dimensão do
espaço.
15
Produto interno
∑ i =1 x i y i .
i=n
interno de x por y ao escalar x , y = x ' y = x | y =
∑ i =1 i .
i=n
Norma (Euclidean a) de x : || x || = x, x = x 2
16
Ortogonalidade-Independência
x ortogonal a y ⇔ x, y = 0 x normado ⇔ x, x = 1
17
Bases Ortonormadas
Seja v1 , v 2 ,..., v n uma base e x e y dois vectores de ℜn
∑ ∑
i=n j= n
O valor de x, y é ab vi , v j e depende da base.
i =1 j=1 i j
∑
i=n
Se v1 , v 2 ,..., v n for uma base ortonormada então x, y = ab
i =1 i i
18
Gram-Schmidt
Seja v , v ,..., v uma base arbitrária de ℜ e construa - se u , u ,..., u
1 2 n
n
1 2 n
u =v
1 1
u = v − ( v , u / || u || )u
2 2 2 1 1
2
1
...
u = v − ( v , u / || u || )u − ... − ( v , u
n n n 1 1
2
1 n n −1
/ || u || )u
n −1
2
n −1
19
Geometria
Definição : Seja S ⊂ ℜ um sub - espaço. Ao conjunto dos vectores ortogonais a
n
Equação do plano : x − x ,v = 0
0
| (x - y ), v |
Distância d de um ponto y ao plano : d = 0
.
|| v ||
20
Plano 1
v
x0
Plano P
21
Plano 2
x2
x1+x2=1 Span{v}
v
{x0}+(Span{v})*
x0
0 x1
(Span{v})*
22
Distância de y a P
y
v
a x0
d
Plano P
23
Matrizes
Definição : Chamamos Matriz (m × n) a um quadro rectangular
de números reais, com m linhas e n colunas :
a11 a12 ... a1n
a a 22 ... a 2 n
A = 21 = (aij )i =1,..., m
... ... ... ... j =1,..., n
a am 2 ... amn
m1
Definições :
Se m = 1 (n = 1 ) a matriz diz - se um vector linha (coluna)
Se m = n a matriz diz - se quadrada.
A matriz nula tem todos os elementos iguais a 0.
24
Matrizes quadradas especiais
Definições : Uma matriz quadrada (m × m) chama - se :
25
Operações sobre matrizes
Igualdade : Duas matrizes A e B são iguais se têm as mesmas dimensões
e aij = bij para todo os i = 1,..., m e j = 1,..., n.
27
Produto 2
A B = C
(mxq) (qxn) (mxn)
Coluna j
cij=<Ai,Bj>
Bj =
Ai
Linha i
28
Multiplicação por blocos
29
Transposição
A Transposta de uma matriz A (m × n) é uma matriz AT (n × m) tal
que AT = (a )T = (a ) para todos os indíces i = 1,...,n e j = 1,...,m.
ij ji
Notas : Também se usa a notação A' = AT para a transposta de A.
A transposta de A, AT , obtem - se trocando o papel das linhas e das
colunas de A.
Teorema :
T
(i) AT = A
(ii) ( AB )T = BT AT (repare na ordem)
30
Inversa
A Inversa de uma matriz quadrada A (n × n) é, caso exista, uma matriz
A − 1(n × n) tal que A − 1 A = AA− 1 = I .
n
Teorema :
(i) A inversa, quando existe, é única.
−1
(ii) AT = (A −1 )T
(iii) ( AB )− 1 = B − 1 A− 1 (repare na ordem)
31
Transformações elementares
Transformações elementares sobre linhas :
(i) Trocar duas linhas.
(ii) Multiplicar uma linha por uma constante λ ≠ 0
(iii) Somar a uma linha um múltiplo de outra.
1 2 1 2 1 0 1 2
A= , Ã = ⇒ Ã = = EA
3 4 13 24 10 1 3 4
32
Eliminação de Gauss
Eliminação de Gauss : Pode transformar - se uma matriz quadrada
e inversivel A (n × n) na matriz identidade I n efectuando operações
elementares sobre as linhas de A.
E k E k −1 ...E1 A = I n
Então :
A −1 = E k E k −1 ...E1
Cálculo de A −1 :
[A In ] ... → ... [I n A −1 ]
Elim. de Gauss
33
Existe inversa?Caso (2x2)
Sem perda de generalidade suponha a ≠ 0
a b 1 0 a b 1 0
→ 0 d − b c c
c d 0 1
− 1
a a
c
Existe inversa sse d − b ≠0
a
34
Determinantes
Termo de uma matriz quadrada (n × n) é o produto de n elementos
da matriz com um e um só factor por linha e um e um só factor por
coluna. Existem n! termos.
35
Factos sobre Determinantes 1
F1 : Uma matriz com uma fila de zeros tem o determinante nulo
1
F12 : Se existe A −1 então A −1 = .
A
38
Desenvolvimentos de Laplace
40
Sinal de uma posição
41
Desenvolvimentos de Laplace
42
Matriz Adjunta
Definição : Chama - se cofactor do elemento aij de A ao número
à ij = (− 1)
i+ j
Aij . A matriz dos cofactores de A chama - se matriz
Adjunta de A e designa - se por Adj(A).
A −1
=
[ Adj ( A)]
T
43
Matriz Adjunta
44
Caracteristica (rank)
45
Forma em escada por linhas
P x x x x x x x
0 0 P x x x x x
0 0 0 0 P x x x
0 0 0 0 0 0 P x
0 0 0 0 0 0 0 P
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
46
Forma reduzida em escada
1 x 0 x 0 x 0 0
0 0 1 x 0 x 0 0
0 0 0 0 1 x 0 0
0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
47
Sistemas de equações lineares
Ax = b, A(m × n), x ∈ ℜ n , b ∈ ℜ m
48
Regra de Cramer
rank(A) = m = n
Existe A -1 . O sistema é possivel e determinado. x = A -1b
coluna j
↓
a11 ... b1 ... a1n
... ... ... ... ...
a n1 ... bn ... a nn
xj =
a11 ... a1 j ... a1n
... ... ... ... ...
a n1 ... a nj ... ann
49
Soluções básicas
xB
Ax = [B N ] = b
xN
x B = B −1b − B −1 Nx N
50
Caso geral 1
Ax = A1 x1 + A 2 x2 + ... + A n xn = b
51
Caso geral 2
Matriz aumentada Ab = [ A b]
52
Caso geral 3
A b ←k
Ab =
A b ← m − k
53
Caso geral 4
A existência de soluções não depende de se ter rank(A) = min {m,n}.
k n-k
↓ ↓
Ab = [ A A b]
54
Teoremas
55
Ilustração geométrica
x2
x1+x2=1
1
x1+x2=0 x0+N(A)
x0
-1 0 1 x1
N(A)
56
Teorema Fundamental da AL
Teorema Fundamenta l da Álgebra Linear : Seja A uma matriz
(m × n) e sejam :
(i) L(A) ⊆ ℜ n o sub - espaço gerado pelas linhas de A.
(ii) C(A) ⊆ ℜ m o sub - espaço gerado pelas colunas de A.
(iii) N(A) ⊆ ℜ n o espaço nulo da matriz A.
Então tem - se :
T (αx + βy ) = αT ( x) + βT ( y )
para todos os vectores x, y ∈ ℜ n e todos os números α , β ∈ ℜ
U = [u1 | u 2 | L | u n ] V = [v1 | v2 | L | vn ]
Uα = Vβ
β = V −1Uα = Mα
α = U −1Vβ = M −1 β
60
Mudanças de Base 2
x ∈ ℜ n →
A
y ∈ ℜm
N↑ ↑M
M -1 AN
x´∈ ℜ → y´∈ ℜ m
n
y = My´
x = Nx´
[
y´= M −1 AN x´ ]
61
Valores e vectores próprios
62
Polinómio característico
ℜ
→ ℜ
n T n
63
Factos sobre vectores próprios
F1 : Vectores próprios associados a valores próprios distintos são
linearmente independentes.
D = B −1 AB
onde B é a matriz dos n vectores próprios independentes de A
64
Factos sobre valores próprios
65
Matrizes reais e simétricas
F1 : Se A for real e simétrica a valores próprios distintos correspondem
vectores próprios ortogonais.
D = B T AB
67
Formas Quadráticas 1
Q( x1 , x2 ,..., xn ) = ∑i =1 ∑ j =i aij xi x j
i=n j =n
2 2 2
Q ( x1 , x2 , x3 ) = x1 − 2 x1 x2 + 3 x2 + 4 x2 x3 + 5 x3
1 − 1 0 x1
Q ( x1 , x2 , x3 ) = [x1 x2 x3 ]− 1 3 2 x2
0 2 5 x3
68
Formas Quadráticas 2
Definição : A forma quadrática Q( x) = x T Ax, com A real e simétrica, diz - se :
(1) Definida positiva (negativa) se x T Ax > (<)0 para todo o x ≠ 0.
(2) Semi - definida positiva (negativa) se x T Ax ≥ (≤)0 para todo o x.
(3) Indefinida em todos os outros casos.
70
Matrizes (semi)definidas 2
71