Álgebra linear
Introduzido| English | Significado |
|---|---|
| rank/ræŋk/ | posto |
| nullity/ˈnʌlɪti/ | nulidade |
| eigenspace/ˈaɪdʒənspeɪs/ | espaço próprio |
Duas medições, uma restrição
- Suponha que dois sensores reportem $x_1+2x_2=3$ e $2x_1+4x_2=6$. A segunda equação repete a primeira; duas equações não são suficientes para determinar duas incógnitas.
- Sua matriz $A=\begin{pmatrix}1&2\\2&4\end{pmatrix}$ não possui entradas nulas, contudo é singular. Conectaremos posto, conjuntos de soluções e autovetores. Trabalharemos sobre $\mathbb R$, a menos que outro corpo seja especificado.
Colunas descrevem uma transformação linear
- Uma matriz real $m\times n$ mapeia $\mathbb R^n$ em $\mathbb R^m$. Seu espaço colunar é o gerado por suas colunas: exatamente as saídas $A\mathbf x$ que ela pode produzir.
- As colunas são independentes se e somente se $A\mathbf c=\mathbf0$ implicar $\mathbf c=\mathbf0$. Uma base é uma lista independente que gera o espaço; todo vetor nesse espaço possui coordenadas únicas em relação a essa base.
Reduza toda a matriz aumentada
- Troque linhas, multiplique uma linha por um escalar não nulo ou adicione um múltiplo de outra linha. Aplique cada operação tanto à matriz $A$ quanto ao lado direito em $[A\mid\mathbf b]$ para preservar as soluções.
- Uma linha com coeficientes nulos e lado direito não nulo indica ausência de solução. Uma vez que um sistema real é consistente, uma variável livre resulta em infinitas soluções; sem variáveis livres, sua solução é única.
- Para os sensores, subtraia duas vezes a linha 1 da linha 2:
- Defina $x_2=t$: todas as soluções são $(3-2t,t)$, $t\in\mathbb R$. Alterar a segunda leitura para 7 resulta na última linha $[0\;0\mid1]$, logo nenhuma solução existe.
A favor $A=\begin{pmatrix}1&2\\2&4\end{pmatrix}$ e $\mathbf b=(3,7)$, how many real solutions does $A\mathbf x=\mathbf b$ have?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Subtract twice the first augmented row from the second: the last row is [0, 0 | 1], meaning 0 = 1. A free variable in the coefficient matrix does not cure inconsistency.
Conte os pivôs, depois as variáveis livres
- O posto é a dimensão do espaço colunar de uma matriz. Ele equivale ao número de pivôs. A nulidade é a dimensão do núcleo de uma transformação linear. O núcleo consiste nas soluções de $A\mathbf x=\mathbf0$.
- Para $n$ colunas, posto + nulidade $=n$, com posto no máximo $\min(m,n)$. Uma matriz $3\times5$ de posto 2 tem nulidade 3; um sistema consistente $A\mathbf x=\mathbf b$ tem então conjunto solução $\mathbf x_p+\ker A$, um espaço afim de dimensão 3.
Quantas soluções reais?
Use consistência e posto dos coeficientes para classificar sistemas lineares reais.
A $4 \times 5$ matrix has rank 3. What is the dimension of its null space?
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
Rank–nullity: rank + nullity = number of columns. With 5 columns and rank 3, the null space has dimension 5 − 3 = 2.
A real $3\times4$ matrix has rank 2. Describe the solution set of $A\mathbf x=\mathbf b$ when $\mathbf b\in\operatorname{Col}A$ and when $\mathbf b\notin\operatorname{Col}A$. Explain why rank alone does not settle consistency.
A nulidade é $4-2=2$. Se $\mathbf b\in\operatorname{Col}A$, existe uma solução particular $\mathbf x_p$ e todas as soluções formam $\mathbf x_p+\ker A$, um plano afim em $\mathbb R^4$ com infinitos pontos. Se $\mathbf b\notin\operatorname{Col}A$, não há soluções. O posto fixa a dimensão do núcleo, mas não diz se o lado direito dado é uma imagem alcançável.
Quais colunas formam a base?
- A redução por linhas preserva o núcleo e as relações de dependência entre colunas, mas pode alterar o espaço colunar. Para nossa matriz de sensores, a matriz reduzida é $R=\begin{pmatrix}1&2\\0&0\end{pmatrix}$.
- O pivô está na coluna 1: tome a coluna 1 da matriz original $A$ como base de $\operatorname{Col}A$. Assim $\operatorname{Col}A=\operatorname{span}\{(1,2)\}$, enquanto $\operatorname{Col}R=\operatorname{span}\{(1,0)\}$. Ambos os núcleos são $\operatorname{span}\{(-2,1)\}$.
$A=\begin{pmatrix}1&2\\2&4\end{pmatrix}$ row-reduces to $R=\begin{pmatrix}1&2\\0&0\end{pmatrix}$. Which is a basis of the original column space $\operatorname{Col}A$?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Use the pivot position to select column 1 of A, not R. Both original columns lie on the line through (1,2), and the second is twice the first. The two-column list is dependent.
A student uses the nonzero column $(1,0)$ of the reduced sensor matrix as a basis for the original column space. Correct the claim, and find the common kernel of $A=\begin{pmatrix}1&2\\2&4\end{pmatrix}$ and its row-reduced form.
A posição pivô é a coluna 1, portanto use a coluna original $(1,2)$. O espaço-coluna original é seu envoltório, não a reta horizontal gerada por $(1,0)$. Ambos os sistemas homogêneos se reduzem a $x_1+2x_2=0$, resultando no núcleo $\{t(-2,1):t\in\mathbb R\}$. As operações de linha preservam o núcleo, mas não necessariamente o espaço-coluna.
Determinantes exigem uma matriz quadrada
- Para uma matriz $n\times n$, invertível $\iff\det A\ne0\iff\ker A=\{\mathbf0\}\iff\operatorname{rank}A=n$. Matrices retangulares ainda possuem posto e núcleo, mas não determinante nem inversa bilateral.
- Uma matriz triangular tem determinante igual ao produto de suas entradas diagonais. Trocar duas linhas inverte o sinal; adicionar um múltiplo de uma linha diferente não altera; multiplicar uma linha por $c$ multiplica o determinante por $c$.
Buscar $\det \begin{pmatrix} 2 & 1 \\ 4 & 5 \end{pmatrix}$.
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
For a 2 × 2 matrix, det = ad − bc = 2 · 5 − 1 · 4 = 10 − 4 = 6.
If $A$ is square and $\det A = 0$, then
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Zero determinant means a nontrivial kernel.
$\det A=6$. Swap two rows, then multiply one row of the resulting matrix by 3. What is the new determinant?
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
The swap contributes −1 and the row scaling contributes 3: (−1) × 3 × 6 = −18. This scales one row, not the whole matrix.
Autovetores e seu espaço
- Para uma matriz quadrada sobre um campo escolhido $\mathbb F$ ($\mathbb R$ ou $\mathbb C$), um autovetor é um não nulo $\mathbf v$ satisfazendo $A\mathbf v=\lambda\mathbf v$. Os autovalores nesse campo são as raízes de $\det(\lambda I-A)$.
- Um autoespaço é o subespaço constituído pelo zero e pelos autovetores para um único autovale. Ele é $E_\lambda=\ker(A-\lambda I)$. O zero pertence a todo autoespaço, mas nunca é um autovetor.
A diagonalização altera coordenadas
- Uma $n\times n$ matriz é diagonalizável sobre $\mathbb F$ se, e somente se, possuir uma base de $n$ autovetores em $\mathbb F^n$. Coloque-os nas colunas de $P$: $AP=PD$, assim $P^{-1}AP=D$, com os autovalores na ordem correspondente.
- Ter $n$ autovalores distintos nesse campo é suficiente, mas não necessário. Redução por linhas é diferente: $\operatorname{diag}(2,3)$ reduz-se a $I$, alterando seus autovalores. Operações de linha não preservam geralmente autovalores; semelhança preserva.
Uma raiz repetida exige autovetores suficientes
- Multiplicidade algébrica conta uma raiz no polinômio característico; multiplicidade geométrica é sua dimensão no autoespaço. Para cada autovale, $1\le\text{geometric}\le\text{algebraic}$.
- A diagonalização sobre $\mathbb F$ exige que o polinômio característico se fatore em fatores lineares sobre $\mathbb F$ e igualdade dessas multiplicidades para cada autovale. Equivalentemente, as dimensões dos autospace devem somar $n$.
- Para $J=\begin{pmatrix}1&1\\0&1\end{pmatrix}$, o autovale 1 tem multiplicidade algébrica 2. Resolver $(J-I)\mathbf v=\mathbf0$ força $v_2=0$: seu autoespaço tem dimensão 1, insuficiente para uma base de $\mathbb R^2$.
- Para $I_2$, o mesmo autovale tem autoespaço $\mathbb R^2$, dimensão 2. A identidade já está diagonalizada; um autovale repetido sozinho não impede a diagonalização.
Which matrix is NOT diagonalisable over the reals?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Eigenvalue 2 twice with a one-dimensional eigenspace.
The dimension of an eigenspace always equals the algebraic multiplicity of its eigenvalue.
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
False. Geometric multiplicity (eigenspace dimension) is at least 1 and at most the algebraic multiplicity, and can be smaller: the matrix [[1, 1], [0, 1]] has eigenvalue 1 twice but a one-dimensional eigenspace.
Comparar $B=\begin{pmatrix}1&1&0\\0&1&0\\0&0&2\end{pmatrix}$ with $D=\operatorname{diag}(1,1,2)$. Both have eigenvalues 1, 1, 2. Prove that only one is diagonalisable over $\mathbb R$.
Para $B$, $(B-I)\mathbf v=0$ força $v_2=v_3=0$, logo $\dim E_1=1$. Além disso, $E_2=\operatorname{span}\{(0,0,1)\}$ tem dimensão 1. A soma de suas dimensões é 2, abaixo de 3, então $B$ não é diagonalizável. Para $D$, $E_1=\operatorname{span}\{(1,0,0),(0,1,0)\}$ e $E_2=\operatorname{span}\{(0,0,1)\}$ fornecem uma base. O espectro compartilhado, traço 4 e determinante 2 não decidem a diagonalização.
O campo pode alterar a resposta
- The real rotation matrix $T=\begin{pmatrix}0&-1\\1&0\end{pmatrix}$ has characteristic polynomial $\lambda^2+1$. It has no real eigenvalues and no real eigenvector basis, so it is not diagonalisable over $\mathbb R$.
- Sobre $\mathbb C$, seus autovalores distintos $i,-i$ fornecem uma base de autovetores complexos, sendo diagonalizável lá. Uma matriz simétrica real sempre possui uma base ortonormal de autovetores reais: $Q^TAQ=D$ com $Q^TQ=I$.
Diagonalizável sobre ℝ?
Decida se cada matriz real 2 × 2, escrita linha por linha, possui uma base de autovetores reais.
Over which fields is $\begin{pmatrix}0&-1\\1&0\end{pmatrix}$ diagonalisable?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
The characteristic polynomial is λ² + 1. It has no real roots, but has two distinct roots i and −i over ℂ, giving a complex eigenvector basis.
Use uma base de autovetores para calcular potências
- Para $S=\begin{pmatrix}1&2\\2&1\end{pmatrix}$, $S(1,1)=3(1,1)$ e $S(1,-1)=-(1,-1)$. Os autovetores são perpendiculares; divida cada um por $\sqrt2$ para torná-los vetores unitários.
- Com $Q=\dfrac1{\sqrt2}\begin{pmatrix}1&1\\1&-1\end{pmatrix}$, temos $Q^TSQ=\operatorname{diag}(3,-1)$. Para qualquer inteiro não negativo $k$, $S^k\mathbf v=\lambda^k\mathbf v$ em um autovetor, e $S^k=QD^kQ^T$.
Let $S=\begin{pmatrix}1&2\\2&1\end{pmatrix}$ e $\mathbf v=(1,1)$. Find $c$ such that $S^3\mathbf v=c\mathbf v$.
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
S v = 3 v. Apply S three times: S³ v = 3³ v = 27 v. There is no need to multiply out the full matrix cube.
Verifique as hipóteses primeiro
- Conte colunas na rank–nullity e verifique consistência antes de contar soluções. Leia posições pivô da matriz reduzida, mas escolha colunas originais para a base do espaço-coluna original.
- Use equivalências de determinante e invertibilidade apenas para matrizes quadradas. Para diagonalização, especifique o campo e conte autovetores independentes; distinga operações de linha de transformações de semelhança.
A favor $A=\begin{pmatrix}1&0&1\\0&1&1\end{pmatrix}$, assess the claim: “Two pivots mean that A is invertible and all its columns are independent.” Find its kernel and solve $A\mathbf x=(2,3)$.
O mapa $A:\mathbb R^3\to\mathbb R^2$ tem posto 2 e nulidade 1. É sobrejetivo, mas não injetivo; não possui determinante nem inversa bilateral. Suas três colunas são dependentes porque a coluna 3 é igual à coluna 1 mais a coluna 2. O núcleo é $\operatorname{span}\{(-1,-1,1)\}$. Definir $x_3=t$ fornece todas as soluções $(2-t,3-t,t)$, $t\in\mathbb R$.