00:00:13
Olá bem-vindos a mais uma aula de
00:00:15
cálculo numérico hoje vamos discutir
00:00:18
sistemas lineares E por que é importante
00:00:21
por que que a gente precisa estudar
00:00:22
sistemas lineares sistemas lineares
00:00:25
permitem modelar e solucionar diversos
00:00:28
problemas do mundo real desde situações
00:00:31
cotidianas até aplicações complexas na
00:00:33
engenharia fenômenos físicos e processos
00:00:36
industriais frequentemente são descritos
00:00:39
por um conjunto de equações lineares
00:00:41
possibilitando análise e previsões por
00:00:44
outro lado processos de otimização de
00:00:47
forma geral quando a gente trabalha com
00:00:49
programação
00:00:50
matemática muita base de sistemas
00:00:53
lineares ou Muitos subproblemas são
00:00:55
resolvidos através de sistemas lineares
00:00:57
por isso que é de fundamental
00:00:59
importância para engenharia de uma forma
00:01:01
geral em
00:01:03
eh na engenharia mecânica e civil o
00:01:07
cálculo de tensões e deformações em
00:01:09
estruturas sujeitas a múltiplas forças a
00:01:12
gente utiliza sistemas lineares em
00:01:14
engenharia de controle e automação
00:01:16
controle de robôs industriais e sistemas
00:01:19
dinâmicos onde equações lineares
00:01:20
representam estado sistemas podem
00:01:23
requerir a resolução de sistemas
00:01:25
lineares as metodologias que a gente vai
00:01:26
discutir aqui com vocês e Eng da
00:01:30
Computação algoritmos de aprendizado de
00:01:31
máquina e visão computacional
00:01:34
frequentemente utilizam eh sistemas
00:01:36
lineares para processar e treinar
00:01:38
modelos às vezes por si só né O sistema
00:01:42
linear que a gente precisa resolver às
00:01:43
vezes embutidos dentro de eh estruturas
00:01:47
de soluções muito maiores para começar
00:01:50
com sistemas lineares a gente hoje vamos
00:01:53
discutir alguns conceitos fundamentais
00:01:55
que vão ser importantes não somente para
00:01:58
sistemas lineares mas pro resto da
00:02:00
disciplina alguns desses conceitos vocês
00:02:03
já sabem já conhecem já trabalharam com
00:02:05
eles outros não Lembrando que estamos na
00:02:08
disciplina de cálculo numérico nosso
00:02:09
objetivo é desenhar metodologias e
00:02:14
algoritmos para resolver problemas de
00:02:17
forma
00:02:18
computacional o primeiro elemento que
00:02:20
vocês já conhecem e já trabalharam é a
00:02:24
matriz O que que é uma matriz é um
00:02:26
conjunto de elementos dispostos em forma
00:02:29
Ret ular né ou quadrada onde podemos ter
00:02:33
um conjunto de quê de números reais ou
00:02:35
complexos expressões e outras matrizes a
00:02:38
gente pode ter matrizes de
00:02:40
matrizes sua dimensão ou tamanho é
00:02:43
definida pelo seu número o número de
00:02:45
linhas e o número de
00:02:47
colunas desta forma e se uma matriz com
00:02:51
m linhas e tem n colunas é dita ser m x
00:02:58
n se m é igual a n Então ela é quadrada
00:03:02
de ordem m ou
00:03:05
n os elementos da Matriz são geralmente
00:03:09
delimitados por colchetes ou parênteses
00:03:12
aqui na disciplina a gente vai usar
00:03:14
colchetes tá então a gente tá vendo aqui
00:03:17
nossa Matriz então vocês percebem que o
00:03:20
elemento que referencia uma matriz que a
00:03:22
gente poderia dizer que é a matriz A
00:03:23
porque todos os elementos T estão
00:03:25
denominados com a letra A então a gente
00:03:28
tem que cada elemento né a gente tem
00:03:30
elemento A1 1 a gente tem o elemento A12
00:03:34
então cada esse elemento é referenciado
00:03:36
por dois índices o primeiro indica a
00:03:38
linha onde estamos e o segundo indica a
00:03:41
coluna então por exemplo esse elemento
00:03:43
A2 3 tem o primeiro número indica que
00:03:48
estamos na linha 2
00:03:51
L2 e o segundo número que é o três
00:03:55
indica que estamos na coluna TR então o
00:03:58
elemento a A23 já identifica que estamos
00:04:02
nos referindo a o elemento da linha 2
00:04:06
coluna 3
00:04:10
eh para denominar uma matriz A gente vai
00:04:14
utilizar letras maiúsculas para
00:04:17
denominar indicar um elemento da Matriz
00:04:21
a gente vai utilizar eh letras
00:04:23
minúsculas então nessa nossa Matriz a
00:04:25
gente pode chamar essa Matriz de matriz
00:04:27
A
00:04:29
e cada elemento com a minúscula matriz A
00:04:33
maiúscula cada elemento com a letra A
00:04:37
minúscula alguns tipos de
00:04:40
matrizes coluna e linha então uma matriz
00:04:44
de tamanho n por 1 ou seja n número de
00:04:47
linhas um número de colunas ou seja
00:04:49
temos n linhas e uma única coluna é dita
00:04:53
conhecida como a matriz coluna é ou um
00:04:57
vetor de tamanho n vocês percebem que a
00:04:59
aqui a gente tem e o vetor 2 5 - 3 nosso
00:05:05
é uma matriz
00:05:06
coluna uma matriz de tamanho 1 m ou seja
00:05:11
uma linha e m colunas é uma matriz linha
00:05:14
ou um vetor linha de tamanho M em linhas
00:05:18
Gerais se a gente se referir a um vetor
00:05:22
a gente vai considerar ele como um vetor
00:05:24
coluna não como um vetor linha tá a não
00:05:28
ser que a gente Explicita ente tenha
00:05:30
modificado essa anotação mas em linhas
00:05:33
Gerais se a gente se referir a um vetor
00:05:35
ele vai estar sempre eh sendo utilizado
00:05:38
como se fosse uma matriz coluna a matriz
00:05:41
nula É aquela em que todos os elementos
00:05:43
da Matriz forem iguais a zero então Eh
00:05:47
essa Matriz será uma matriz nula ou seja
00:05:50
a e j eu queria parar um pouquinho aqui
00:05:54
para vocês entenderem este esta
00:05:57
denominação que vai ser muito comum ao
00:05:58
longo da disciplina a i j é ig a 0 para
00:06:02
todo i e para todo J Então esta anotação
00:06:06
é para todo ou seja todo elemento a i j
00:06:11
é igual a zero Então temos a matriz
00:06:15
nula Depois temos uma matriz também
00:06:17
muito utilizada em sistemas lineares que
00:06:19
é a Matriz Diagonal onde a matriz
00:06:22
quadrada ela precisa ser quadrada ou
00:06:24
seja temos o mesmo número de linhas e o
00:06:26
mesmo número de colunas e
00:06:29
é dita diagonal se todos os elementos
00:06:32
fora da Diagonal principal forem nulos
00:06:35
então vocês percebem que a diagonal
00:06:37
principal vai de do elemento a11 até o
00:06:41
elemento Ann
00:06:43
e aqui temos uma matriz 3 por3 onde a a
00:06:47
diagonal principal tá composta por esses
00:06:49
três
00:06:51
números 3 - 5 e 8 e todos os outros
00:06:56
elementos são iguais a zero então
00:06:58
dizemos que essa Matriz é uma matriz
00:06:59
diagonal novamente temos anotação e e se
00:07:03
vocês percebem que a gente faz uma
00:07:05
referência a essa Matriz que cada
00:07:07
elemento d i j é igual a 0 para qualquer
00:07:12
I diferente de J um destaque
00:07:15
interessante é que algum elemento da da
00:07:18
Diagonal principal pode ser igual a zero
00:07:20
vocês percebem que na nossa anotação a
00:07:22
gente diz que somente os elementos que
00:07:24
estão fora da Diagonal principal são
00:07:26
todos
00:07:27
zeros e depois temos outra Matriz que
00:07:30
vocês conhecem bem que é a matriz
00:07:32
identidade essa Matriz identidade é uma
00:07:35
matriz diagonal
00:07:36
eh com todos os elementos da Diagonal
00:07:39
principal iguais a um ou seja agora
00:07:41
temos duas restrições todos os elementos
00:07:44
fora da Matriz São da Diagonal principal
00:07:47
são iguais a zero por ser uma matriz
00:07:49
diagonal e agora temos que todos os
00:07:52
elementos da Diagonal principal são são
00:07:54
iguais a um então vocês percebem que a
00:07:56
gente tem e i j = 1
00:08:00
para todo i igual a j e e j igual a 0
00:08:04
para todo I diferente de j e aqui temos
00:08:07
Nossa Matriz
00:08:11
identidade outro outra Matriz que a
00:08:13
gente vai utilizar muito é conhecida
00:08:16
como Matriz triangular e podemos ter a
00:08:19
matriz triangular inferior ou superior
00:08:21
então o que que seria uma matriz
00:08:23
triangular
00:08:24
inferior uma matriz b triangular
00:08:27
inferior tem todos os elementos a acima
00:08:30
da Diagonal principal iguais a zero Isto
00:08:33
é b j é igual a z0 para todo I menor que
00:08:38
J vocês percebem que como o J remete as
00:08:43
colunas e o i remete à linhas né como a
00:08:46
gente definiu na anotação anterior temos
00:08:49
que sempre que o J seja maior que o i
00:08:53
devemos ter respeitar a condição de b e
00:08:55
j = 0 então dessa forma temos aqui que
00:09:00
todos os
00:09:01
elementos acima da Diagonal
00:09:05
principal são iguais a zero agora
00:09:08
novamente podemos ter elementos por
00:09:11
baixo da Diagonal e na própria diagonal
00:09:13
principal iguais a
00:09:15
zero a matriz triangular superior é o
00:09:18
caso oposto onde uma matriz C triangular
00:09:21
superior possui todos os elementos
00:09:24
abaixo da Diagonal principal nulos ou
00:09:26
seja c j = a 0 para todo i maior que J
00:09:32
então neste caso novamente fazemos
00:09:34
referência a este conjunto de elementos
00:09:38
da nossa matriz e eles são todos iguais
00:09:41
a
00:09:43
zero depois podemos ter matrizes densas
00:09:48
e esparsas o que que seria uma matriz
00:09:50
densa é quanto a maior parte dos seus
00:09:52
elementos forem não nulos e é esparsa
00:09:56
quando a maioria deles forem igual a
00:09:58
zero Por que que isso pode ser relevante
00:10:00
isso é relevante na hora de estruturar
00:10:03
algoritmos e como a gente salva em
00:10:06
memória em memória esses dados da
00:10:09
matrizes então tem algumas aplicações
00:10:11
que são que a gente lida com matrizes
00:10:14
muito esparsas então para isso a gente
00:10:17
armazena em memória de uma forma em
00:10:20
particular para salvar memória a gente
00:10:22
não precisa armazenar todos os zeros em
00:10:25
outros casos a gente não pode fazer isso
00:10:27
tá eh e é é muito usual que em problemas
00:10:31
reais a gente ten matrizes muito
00:10:35
esparsas Depois temos a matriz simétrica
00:10:39
o que que seria uma matriz simétrica é
00:10:42
uma matriz Onde existe uma simetria em
00:10:45
relação à diagonal principal então vocês
00:10:47
percebem que a diagonal principal um
00:10:49
elemento fundamental da Matriz Então
00:10:51
essa simetria olha se a gente observa
00:10:53
com cuidado temos aqui nossa diagonal
00:10:55
principal depois a gente vê que existe
00:10:58
uma simetria entre o do e o do
00:11:01
aqui a gente tem uma simetria entre um e
00:11:03
o
00:11:05
um e a gente tem uma simetria entre o 3
00:11:09
e o
00:11:09
3 Então é se a matriz é simétrica com
00:11:13
relação à diagonal principal a gente diz
00:11:15
que estamos com temos uma matriz
00:11:19
simétrica tendo essa noção de Quais são
00:11:22
as principais matrizes especiais com
00:11:25
quem com as quais a gente vai trabalhar
00:11:27
na disciplina a gente também tem algumas
00:11:29
operações matriciais que a gente vai
00:11:31
utilizar muito
00:11:33
frequentemente tanto em sistemas
00:11:35
lineares como em outras áreas da
00:11:37
disciplina
00:11:39
e a transposição é um desses casos a
00:11:43
transposta de uma matriz A representada
00:11:45
por a com o superíndice Supra índice T é
00:11:50
uma matriz obtida trocando as suas
00:11:53
linhas pelas suas colunas de modo a que
00:11:56
a linha i torna-se a coluna i e a coluna
00:12:00
J transforma-se na linha J Então se a
00:12:03
gente observa esse exemplo a gente pode
00:12:05
olhar que essa coluna primeira coluna da
00:12:08
Matriz a a coluna um da Matriz a agora
00:12:12
na a transposta passa a ser a linha
00:12:19
1 da Matriz a transposta né 5 6 3 7 1 e
00:12:26
assim sucessivamente
00:12:29
é interessante já observar que se eu
00:12:31
faço a transposição da Matriz a
00:12:34
transposta a gente vai obter novamente a
00:12:36
matriz A porque a gente vai trocar
00:12:37
novamente linha por
00:12:41
coluna uma matriz
00:12:44
simétrica
00:12:45
eh Lembrando que a simetria com relação
00:12:48
a à diagonal principal
00:12:51
eh ela vai ser considerada simétrica se
00:12:54
ela for igual a sua matriz transposta
00:12:56
Então se a gente troca linha por coluna
00:12:58
Então significa que
00:13:00
neste caso a matriz M vai ser igual a m
00:13:03
transposta se isso acontecer então a
00:13:05
gente tem uma matriz simétrica então a
00:13:08
matriz simétrica M sua transposta MT
00:13:11
vocês percebem que a gente mantém a
00:13:13
mesma Matriz porque ela não mudou m é
00:13:16
igual a MT esta linha esta Desculpa esta
00:13:20
coluna passa a ser esta linha e aí temos
00:13:24
uma matriz simétrica então a gente pode
00:13:26
verificar simetria quando a sua a
00:13:30
transposição da Matriz é igual à Matriz
00:13:34
original e temos algumas outras
00:13:37
operações que eu imagino que vocês estão
00:13:39
acostumados a realizar se vocês não
00:13:42
estiverem acostumados a a utilizar
00:13:44
matrizes Eu recomendo que após o a
00:13:48
escuta desse dessa aula vocês façam
00:13:51
algumas alguns exercícios e que revisem
00:13:54
esses conceitos porque eles vão ser como
00:13:56
eu disse fundamentais ao longo de todo o
00:13:58
curso
00:14:00
então adição e subtração Se A e B forem
00:14:03
matrizes de dimensão n por m n linhas M
00:14:07
colunas então c = a + b também será n
00:14:12
por m tal que CJ é igual a a i j + bij
00:14:19
j para todo i j então vocês percebem que
00:14:23
se eles têm a mesma dimensão eu vou
00:14:25
somar elemento com o elemento
00:14:28
correspondente da outra Matriz então
00:14:30
aqui a gente tem que 8 + 1 = 9 então o
00:14:36
novo o elemento C 1 1 é igual ao
00:14:40
elemento A1 1 mais o b 1 1 e assim a
00:14:47
gente consegue fazer todo o cômputo
00:14:49
dessa adição e subtração subtração é a
00:14:52
mesma coisa então aqui por exemplo a
00:14:54
gente faz a matriz tentamos obter a
00:14:57
matriz D que é a - B novamente o
00:15:00
elemento Vamos fazer outro elemento o
00:15:03
elemento
00:15:06
D 3 1 é igual a o a 3 1 menos o b 3 1
00:15:14
Quem que é o elemento a 3 1 é o 5 Quem
00:15:18
que é o elemento B 3 1 é o 2 5 - 2 é = 3
00:15:23
que é o elemento d31
00:15:29
E aí temos multiplicação eh Matriz
00:15:32
escalar Ou seja a matriz multiplicada
00:15:34
por um escalar também a gente vai
00:15:36
utilizar muito o produto de uma matriz A
00:15:39
de dimensão n por m por um escalar que a
00:15:42
gente vai chamar de k genericamente de k
00:15:45
resulta em uma matriz b = a k x a da
00:15:50
mesma dimensão mantemos o mesmo número
00:15:52
de linhas e colunas tal que a matriz
00:15:55
resultante B cada elemento da matriz b J
00:15:59
né da matriz b que a gente vai denotar
00:16:01
como b e j vai ser igual a k que
00:16:04
multiplica o elemento a e j para todo i
00:16:07
e para todo J Então dessa forma se a
00:16:11
gente estamos multiplicando e a matriz A
00:16:15
pelo escalar 2 para obter a matriz b
00:16:18
então a gente a notação é B = 2 vezes a
00:16:22
matriz a a gente vai ter que o elemento
00:16:26
vamos pegar o elemento aqui ó
00:16:30
B 1 2 que é esse 4 aqui
00:16:34
E esse elemento B1 2 é igual a 2 que
00:16:38
multiplica o elemento a 1 2 iG 2 x 2 = 4
00:16:44
Então temos elemento
00:16:48
4 e depois temos a multiplicação da
00:16:51
Matriz por um vetor essa multiplicação
00:16:54
de uma matriz por um vetor precisa ter
00:16:56
uma condição particular eh a matriz o
00:17:00
produto de uma matriz A de n por m pode
00:17:03
ser multiplicada por um vetor de
00:17:05
dimensões m por 1 então isso vocês já
00:17:09
também já conhecem a gente tem que ter a
00:17:11
mesmo número de colunas que o mesmo
00:17:14
número de linhas do vetor isso para
00:17:17
fazer uma multiplicação a vezes o vetor
00:17:21
então aqui temos que o vetor resultante
00:17:24
x vai ter a dimensão n por 1 e como que
00:17:29
a gente Analisa e calcula essa
00:17:31
multiplicação sobre a perspectiva
00:17:34
algorítmica aqui a gente vai utilizar o
00:17:36
somatório né então vocês percebem que
00:17:40
nesta fórmula basicamente estamos
00:17:43
indicando como a gente calcula o
00:17:45
resultado dessa multiplicação então o xi
00:17:49
que é o resultado de fazer a vezes o
00:17:52
vetor B vai ser igual ao
00:17:55
somatório de
00:17:57
j1 a Ou seja eu estou percorrendo todas
00:18:01
as colunas da minha matriz e eu tô
00:18:05
fazendo a multiplicação a e j x VJ onde
00:18:09
I vai de 1 a de 1 até n ou seja para
00:18:14
cada elemento XI e xi esse I aqui vai
00:18:20
variar de 1 até n vou fazer essa soma
00:18:24
das multiplicações realizadas vamos ver
00:18:26
o caso aqui particular então percebam o
00:18:29
seguinte eu tenho a matriz que é uma
00:18:32
matriz 3 por 2 e eu tenho um vetor que é
00:18:36
2 por 1 então o 2 aqui é igual a 2 então
00:18:40
a dimensão do nosso vetor x Vai ser 3
00:18:43
por 1 ou seja 3 linhas e uma coluna como
00:18:47
encontramos a o número cinco por exemplo
00:18:50
que é
00:18:51
o
00:18:53
x
00:18:55
1 do nosso vetor solução
00:18:59
esse esse esse esse elemento X1 que é
00:19:04
igual a 5 aqui né que é esse esse
00:19:06
camaradinha aqui o c ele vai ser
00:19:08
encontrado de que forma então para o i =
00:19:13
1 vamos percorrer as
00:19:15
colunas e quais seriam as colunas as
00:19:18
colunas 1 e
00:19:25
2 e do eh Então vamos ter que é o
00:19:32
elemento A1
00:19:35
1 1 que multiplica o elemento do vetor
00:19:41
1 1 x 1 mais porque temos o
00:19:47
somatório o elemento 2 porque agora o J
00:19:51
tava em valor 1 passou a ser 2 com o
00:19:55
elemento 2 do vetor
00:19:59
2 x 2 Então temos 4 + 1 1 + 4 = 5 E a e
00:20:07
aí podemos calcular para toda a linha da
00:20:11
nossa Matriz todos os elementos da
00:20:15
solução
00:20:18
x e depois temos também a multiplicação
00:20:21
entre matrizes que também vai ser muito
00:20:23
utilizado ao longo da disciplina o
00:20:26
produto de uma matriz a n por P por uma
00:20:30
matriz b p por m eh tem como resultado
00:20:35
uma matriz de ordem n por m ou seja
00:20:39
novamente é importante que o número de
00:20:41
linhas da Matriz o número de Colunas da
00:20:44
Matriz a seja igual ao número de linhas
00:20:46
da matriz b para fazer a multiplicação a
00:20:48
b então essa Matriz C que vai ser o
00:20:52
resultado de a x b vai vai ter como
00:20:55
resultado uma matriz n por m então como
00:20:59
fazemos é a mesma coisa que a gente
00:21:01
acabou de fazer só é como se a gente
00:21:03
tivesse multiplicando a matriz por dois
00:21:05
vetores tá então a gente tem aqui que o
00:21:09
valor de c i j e agora temos c i j
00:21:13
porque a matriz resultante n por m temos
00:21:17
que é um somatório de k = 1 até p vocês
00:21:21
percebem que p o número de linhas eh da
00:21:25
matriz b e de Colunas da Matriz a E aí
00:21:30
vamos fazendo essa operação a 1 1 vezes
00:21:34
B 1 1 e vamos variando os índices i j e
00:21:39
também variamos os índices k ATP Então
00:21:42
vamos ver um pequeno exemplo tudo isso
00:21:46
eu tô passando rápido porque isso é um
00:21:47
tema que vocês já estão acostumados a
00:21:50
trabalhar tá então novamente se vocês
00:21:52
têm alguma dúvida sobre como fazer
00:21:54
multiplicações matriciais vocês têm que
00:21:57
eh vocês podem utilizar o livro texto
00:22:00
mas esse material tem e é abundante na
00:22:03
na na internet e na biblioteca vocês
00:22:06
podem consultar e tirar essas dúvidas
00:22:08
antes de avançar com a disciplina então
00:22:10
aqui temos que o resultado de fazer essa
00:22:15
multiplicação da Matriz a com a matriz B
00:22:18
eh por exemplo Vamos pegar esse número
00:22:21
seis aqui
00:22:24
C 1 1 é igual a então vocês percebem que
00:22:30
a gente vai percorrer o número de
00:22:31
colunas três tá para o elemento i e j
00:22:36
então basicamente a gente vai fazer o
00:22:39
2 que Vai
00:22:41
Multiplicar
00:22:43
o o elemento 1 B mais o 1 que multiplica
00:22:50
o elemento
00:22:52
4 da matriz b e o elemento zer que
00:22:57
multiplica o elemento TR
00:22:59
Então temos 2 x 1 dá 2 + 1 x 4 dá 4 isso
00:23:05
igual a 6 e esse é o elemento da Matriz
00:23:10
C11 Ou seja quando começamos a variar o
00:23:14
i de 1 até n e o J de 1 at M podemos
00:23:19
obter vamos obter toda a matriz
00:23:23
c e com essas definições podemos definir
00:23:27
então o que que é o produto interno e o
00:23:29
produto externo tá o produto escalar ou
00:23:33
interno entre um vetor X N por 1 e um
00:23:37
vetor y n por 1 também é um escalar
00:23:41
obtido fazendo uma multiplicação desses
00:23:44
vetores então percebam o seguinte
00:23:47
lembrem que a matriz eu tenho que ter o
00:23:49
mesmo número de eh colunas do que de
00:23:53
linhas das matrizes Que Eu Tô
00:23:55
multiplicando aqui temos um vetor eh é
00:23:58
linha multiplicando um vetor
00:24:01
coluna e aqui temos que o resultado
00:24:04
desse vetor é a multiplicação de todos
00:24:06
os elementos dessa multiplicação
00:24:08
vetorial desse produto interno é a
00:24:10
multiplicação de cada um desses
00:24:11
elementos é o somatório de xi x y
00:24:15
i o produto externo agora é diferente o
00:24:20
produto externo entre um vetor X N por 1
00:24:23
e outro vetor y m por 1 resulta em numa
00:24:26
matriz n por m
00:24:29
Então a gente vai com esses dois vetores
00:24:31
vamos criar uma matriz então novamente
00:24:35
estamos fazendo uma multiplicação de
00:24:37
duas matrizes são vetores mas não deixam
00:24:39
de ser matrizes linha e matrizes coluna
00:24:43
Então a gente tem aqui que o
00:24:46
vetor X é multiplicado por y transposta
00:24:50
porque a transposição é necessário que a
00:24:52
gente tem o mesmo número de colunas e o
00:24:54
mesmo número de linhas para fazer essa
00:24:56
multiplicação então o temos que m j né
00:25:00
Essa Matriz resultante do produto
00:25:03
externo chamada M cada elemento m j vai
00:25:07
ser obtido com o xi que multiplica o yj
00:25:11
ou seja o elemento xi que faz referência
00:25:15
à linha i e o elemento yj que faz
00:25:20
referência a coluna J da Matriz M Então
00:25:23
a gente tem aqui ó tá detalhado o
00:25:25
elemento m
00:25:28
1 1 é igual a
00:25:33
X1 que multiplica y1 o elemento se a
00:25:38
gente faz outro elemento 2 1 vai ser
00:25:41
igual
00:25:43
a X2 que multiplica y1 E assim a gente
00:25:48
pode obter o resultado do produto
00:25:52
externo da M que surge da multiplicação
00:25:55
de dois
00:25:56
vetores aqui tem um exemplo que vocês
00:25:59
podem utilizar Então se temos o x = 5 -
00:26:02
1 2 e o y 1 3 e 4 então nosso produto
00:26:07
interno vai ser igual a 10 eh vai ser
00:26:11
igual a 10 e Aí surge da multiplicação
00:26:14
de 5 por 1 + -1 x 3 + 2 x 4 a gente
00:26:21
obtém o valor de 10 e o produto externo
00:26:24
nos dá essa Matriz 3 por 3
00:26:28
outro conceito muito importante que a
00:26:30
gente vai utilizar ao longo da
00:26:31
disciplina é o conceito de determinante
00:26:34
uma matriz quadrada
00:26:36
A de ordem n ou seja temos n linhas e n
00:26:41
colunas tem um número associado
00:26:43
denominado determinante cujo valor pode
00:26:46
ser obtido pela fórmula de Laplace então
00:26:49
vocês percebem que essa nossa fórmula
00:26:52
aqui parece complicada mas não é ela é
00:26:55
recursiva Ela sempre faz referência a
00:26:57
outra Matriz anterior que está contida
00:26:59
na matriz A Então temos que o
00:27:02
determinante de A é igual a -1 elevado a
00:27:07
i +
00:27:09
j do elemento a i j que multiplica o
00:27:14
determinante da matriz e aqui temos um -
00:27:18
i - j o que que isso significa a matriz
00:27:21
a i - i - j é a matriz de ordem n - 1
00:27:27
ela continua sendo quadrada mas
00:27:29
resultante da remoção da linha i e da
00:27:32
coluna J Então se a gente continua né e
00:27:37
a gente faz essa somatória de
00:27:41
determinantes e a gente vai removendo
00:27:44
essas linhas a gente chega a ter uma
00:27:46
matriz que tem um único elemento e a
00:27:49
partir dali a gente pode Calcular o
00:27:53
determinante de toda uma
00:27:55
matriz então a gente sabe que eh dado
00:27:59
uma matriz A de um único elemento A1 1
00:28:04
então o determinante vai ser o A1 n que
00:28:07
é o único elemento da Matriz a que é
00:28:09
este nosso caso quando eu tenho duas
00:28:13
matrizes a gente pode Calcular o
00:28:15
determinante da seguinte forma
00:28:17
determinante de A ig a a 11 x a22 esses
00:28:23
dois menos esses dois tá então temos
00:28:27
aqui a nossa a matriz A e aqui temos o
00:28:31
determinante de uma matriz 3
00:28:34
por3 então vocês percebem que a gente
00:28:37
faz utiliza a fórmula de Laplace o
00:28:41
a11 multiplica o determinante da matriz
00:28:45
que surge da remoção da coluna um e da
00:28:48
linha um essa Matriz termina sendo a
00:28:53
a22
00:28:55
A23 a 32 e a
00:29:01
33 aplicando exatamente a fórmula que a
00:29:04
gente viu
00:29:05
para Calcular o determinante de uma
00:29:08
matriz 2x 2
00:29:12
A1 vezes o determinante da matriz
00:29:14
removendo a linha um e a coluna
00:29:17
um Por que agora temos esse menos aqui
00:29:21
porque esse menos surge da fórmula de
00:29:24
Laplace temos que
00:29:26
-1 el a 1 + 2 que é o elemento i e j
00:29:32
isso aqui é igual a 3 1 - 1 elevado a 3
00:29:37
É iG A -1 então multiplica o -1
00:29:40
multiplica o elemento a 12 e aí temos
00:29:44
que novamente removemos a linha um e a
00:29:48
coluna 2 e temos Nossa nosso cálculo do
00:29:51
novo determinante fazendo a remoção
00:29:53
dessa linha e dessa coluna
00:29:58
e finalmente temos o a13 que é positivo
00:30:03
porque 1 + 3 é = 4 então -
00:30:07
1 elevado a 4 é
00:30:10
positivo e temos aqui o determinante da
00:30:13
matriz removendo as linha e a coluna 1 e
00:30:17
TR E aí podemos Calcular o determinante
00:30:21
de uma matriz 3 por
00:30:24
3 a gente no no curso a gente vai ver
00:30:28
métodos mais eficientes para cálculo do
00:30:30
determinante tá eh mas esse é o método
00:30:33
que vocês estão mais acostumados a
00:30:35
utilizar
00:30:36
eh na nas outras disciplinas utilizando
00:30:40
determinantes a gente também pode fazer
00:30:42
operações matriciais e ter algumas
00:30:45
definições então por exemplo uma matriz
00:30:47
A que tem um determinante de a =
00:30:51
0 o que que implica é dita como singular
00:30:55
e quando o determinante de A for
00:30:58
diferente de zero a gente diz que ela é
00:31:00
não
00:31:01
singular então aqui o determinante de
00:31:04
uma matriz de ordem dois a gente já sabe
00:31:07
como calcular né 2 x 5 - 1 x 4 é = 6
00:31:13
então a gente diz que é uma matriz não
00:31:16
singular por quê Porque o seu
00:31:18
determinante foi diferente de
00:31:21
zero e vamos entrar num tema que é
00:31:25
fundamental para por exemplo a área de
00:31:28
minação que é a ideia de eh vetores
00:31:31
linearmente
00:31:32
dependentes uma sequência de vetores
00:31:35
estamos falando de vetores tá v1 V2 VP
00:31:40
Ou seja a gente tem um conjunto de
00:31:42
vetores edita linearmente
00:31:45
dependente se existirem escalares se
00:31:49
existirem alguns escalares eu não sei
00:31:51
qual mas se existirem alguns escalares
00:31:54
ala 1 ala 2 ala p não todos nulos Tais
00:31:58
que ala 1 v1 mais ala 2 V2 mais ala P VP
00:32:06
for igual a zer se vocês percebem que é
00:32:10
dependente Se algum desses
00:32:13
escalares for diferente de
00:32:16
zero e o que que isso implica já vou
00:32:19
adiantar um tema implica que se por
00:32:22
exemplo o Ala
00:32:24
2 é diferente de zero eu iia escrever o
00:32:30
V2 como um
00:32:36
somatório dos
00:32:38
elementos colocar ala 1 v1 - pontinho
00:32:44
pontinho menos Alfa
00:32:49
PVP dividido
00:32:52
por ala 2 porque o ala2 é positivo é
00:32:57
diferente de zero
00:32:58
Ou seja eu posso escrever um vetor como
00:33:02
uma relação linear dos outros vetores
00:33:06
então quando isto acontece dizemos que
00:33:08
temos vetores linearmente
00:33:15
dependentes agora quando temos vetores
00:33:20
linearmente Independentes se é igualdade
00:33:24
se a igualdade al1 v1 mais AL 2 V2 + al
00:33:29
PVP É iG 0 somente se
00:33:33
verifica com os escalares Alfa todos
00:33:37
iguais a zero Ou seja eu não posso fazer
00:33:40
a operação que eu acabei de
00:33:43
fazer Então nesse caso a gente diz que
00:33:47
os vetores v1 V2 VP são linearmente
00:33:55
independentes também podemos definir o
00:33:58
posto da Matriz dado que a gente definiu
00:34:00
o que são vetores e dependentes e
00:34:03
Independentes agora a gente tá em
00:34:05
condições de definir o posto da matriz A
00:34:07
então o posto de uma matriz a m por n é
00:34:12
definida como número máximo de vetores
00:34:16
linhas ou vetores colunas de a que são
00:34:19
linearmente independentes ou seja o
00:34:22
posto sempre será menor que o número de
00:34:26
linhas ou colunas que a gente tem o
00:34:28
mínimo número de linhas ou o mínimo
00:34:30
número de ou o
00:34:32
mínimo repetindo
00:34:38
opsto agora que vimos
00:34:41
eh e definimos vetores linearmente
00:34:44
independentes e dependentes estamos em
00:34:46
condições de definir o posto de uma
00:34:48
matriz o posto de uma matriz A eh m por
00:34:53
n é definido como número máximo de
00:34:56
vetores
00:34:58
ou vetores colunas de a que são
00:35:00
linearmente independentes se elas são
00:35:03
independentes então não posso escrever
00:35:06
nenhum desses elementos como uma relação
00:35:08
linear dos elementos
00:35:11
eh dos elementos daquele conjunto então
00:35:15
sempre o opsto Será menor ou igual que o
00:35:19
mínimo número de linhas ou colunas
00:35:21
dessas duas dessa Matriz
00:35:28
então aqui a gente tem uma matriz 5x 6 e
00:35:32
a gente pode observar que a linha L2 e
00:35:36
L4
00:35:38
L2 e
00:35:40
L4 são obtidas pela combinação linear
00:35:44
das Linhas L1 e L3 então L2 é igual a L1
00:35:48
+ L3 Então se a gente percebe L2 é igual
00:35:51
a L1 esse aqui é L1 e esse aqui é L3
00:35:56
então é L2 é 2 +
00:36:00
5 =
00:36:02
7 - 3 + 1 = -2 4 + 0 = 4 1 x 1 + 2 = 3 0
00:36:11
+ 3 = 3 -
00:36:14
2 mais 1 é = -1 então a gente percebe
00:36:19
que a gente tem uma
00:36:21
relação algébrica entre essas linhas
00:36:25
então isso significa que essa cominação
00:36:28
linear das Linhas 1 e TR permite
00:36:31
encontrar de que esse conjunto essa
00:36:33
Matriz a esses vetores linha ou vetores
00:36:36
colunas não são linearmente
00:36:38
independentes existe uma dependência
00:36:40
entre
00:36:45
eles e neste caso as linhas L1 L3 e L5
00:36:51
são linearmente
00:36:53
independentes por isso podemos dizer que
00:36:55
o pósto da nossa matriz a é igual a
00:37:03
3 também podemos definir o traço Tá o
00:37:08
que que é o traço de uma matriz o traço
00:37:10
de uma matriz quadrada a é a soma dos
00:37:12
elementos da Diagonal principal é muito
00:37:16
direto então o traço da matriz A é igual
00:37:18
ao somatório de i = a 1 ATN de a e i ou
00:37:23
seja estou somando o 5 com o 3 e o 9 da
00:37:28
nossa matriz quadrada 3 por 3 que é
00:37:31
igual neste caso a
00:37:36
17 e por último a gente vai ver o
00:37:39
conceito da matriz inversa a matriz
00:37:42
inversa de uma matriz quadrada de ordem
00:37:45
n é representado por a a- 1 tá aqui ó a-
00:37:50
1 e como é definida essa matriz inversa
00:37:54
a vezes a inversa da Matriz a é igual a
00:37:58
matriz A inversa vezes a matriz
00:38:00
A e isso é igual a identidade então é
00:38:04
uma
00:38:05
matriz tal que a matriz a a inversa da
00:38:09
Matriz a vai ser uma matriz que é
00:38:10
multiplicada pela Matriz a a gente obtém
00:38:13
a matriz identidade e o que que era a
00:38:15
matriz de identidade era uma matriz
00:38:16
quadrada com to com a diagonal principal
00:38:19
com os elementos da Diagonal principal
00:38:21
iguais a 1
00:38:23
eh existe uma propriedade então e a
00:38:27
gente Lembrando que a gente já definiu a
00:38:29
matriz de identidade com a matriz in né
00:38:31
Lembrando que ela é quadrada porque ela
00:38:33
ser diagonal e todos os elementos da
00:38:35
Diagonal seriam iguais a um eh a
00:38:37
propriedade comutativa existe para o
00:38:39
produto de uma matriz por sua própria
00:38:41
inversa e Ou seja é o que a gente acabou
00:38:44
de discutir aqui né a x a - 1 é ig a a -
00:38:49
1 x a e é tudo isso é igual a matriz de
00:38:51
identidade e uma matriz A admite inversa
00:38:56
se o determinante for diferente de zero
00:38:59
a gente vai entrar mais em detalhes eh
00:39:02
nas próximas aulas a respeito desta
00:39:05
relação de quando uma matriz inversa
00:39:08
quando uma matriz A admite uma inversa e
00:39:10
qual que é a relação disso com o
00:39:12
determinante da
00:39:16
matriz então aqui temos o cálculo de uma
00:39:19
inversa da Matriz Então temos que temos
00:39:21
a matriz A que é uma matriz 4x 4 temos
00:39:25
Nossa matriz inversa também 4 por 4 e
00:39:28
quando a gente faz a multiplicação não
00:39:30
faria a multiplicação aqui à mão mas a
00:39:32
multiplicação de a vezes a matriz
00:39:34
inversa dá uma identidade de ordem
00:39:40
4 e Existem algumas propriedades para
00:39:43
fechar a aula de hoje a gente vai ver
00:39:45
essas propriedades que eu que eu espero
00:39:47
que vocês revisit porque a gente vai
00:39:49
utilizar muito essas propriedades a
00:39:51
matriz a a transposta da Matriz
00:39:54
transposta é igual a matriz original
00:39:57
a inversa da matriz inversa é igual a
00:40:00
matriz original a matriz a a matriz
00:40:03
transposta de uma inversa é igual a
00:40:06
matriz inversa da Matriz
00:40:09
transposta tá E aí temos algumas algumas
00:40:12
questões Se A é igual a A1 A2 x A2 x AK
00:40:18
Ou seja a é igual a multiplicação dessas
00:40:20
matrizes então a transposta também é
00:40:23
igual a multiplicação de todas essas
00:40:25
matrices mas vocês percebem que que eu
00:40:27
mudei mudamos a ordem aqui é a matriz A
00:40:31
K transposta vezes a matriz a k - 1 E aí
00:40:36
sucessivamente tá e a mesma coisa
00:40:39
acontece com a matriz
00:40:41
inversa e aí a gente tem algumas
00:40:43
operações a + b transposta é igual a a
00:40:48
transposta + b transposta agora essa
00:40:51
propriedade não é válida paraa matriz
00:40:53
inversa Ou seja a + b inversa da Matriz
00:40:57
a + b é diferente que a soma das
00:41:00
matrizes inversas de a e
00:41:03
b então como vocês viram a gente fez uma
00:41:07
revisão de operações matriciais de
00:41:10
algumas definições de vetores que a
00:41:12
gente vai utilizar para sistemas
00:41:13
lineares esta é fundamental vocês terem
00:41:17
um bom conhecimento sobre como a gente
00:41:19
utiliza anotação de como a gente utiliza
00:41:22
eh relembrar essas operações e estas
00:41:26
definições por porque ao longo da
00:41:28
disciplina a gente vai utilizar muito
00:41:30
todas estas definições em particular nas
00:41:33
aulas
00:41:34
de na resolução de sistemas
00:41:37
lineares com isso eu deixo vocês e
00:41:39
aguardo vocês para o nosso próximo
00:41:56
encontro m