Tea752 Emcurso 2013

Notas de Aula, TEA752
Nelson Lus Dias
7 de abril de 2013
A pgina desta disciplina :
http://www.lemma.ufpr.br/wiki/index.php/TEA-752_Mtodos_Matemticos_em_
Engenharia_Ambiental
Sumrio
1 2013-03-17T14:28:22 Anlise Dimensional 2
2 2013-03-18T17:53:18 Formalizao de Anlise Dimensional 6
3 2013-03-24T09:45:19 Geometria e lgebra 12
3.1 Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4 2013-04-01T09:13:59 Determinantes, lgebra linear 39
5 2013-04-07T10:58:18 Aplicaes 64
1
6 Mtodos de soluo de sistemas de equaes lineares, , e retorno aos
tensores 75
6.1 Eliminao de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.2 Diagonalizao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.3 Tensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
1 2013-03-17T14:28:22 Anlise Dimensional
Comentrios iniciais
Bem-vindos TEA752. Qualquer disciplina de ps-graduao deve sempre ter dois obje-
tivos principais:
Prover uma formao escolstica slida ao aluno.
Preparar o aluno para fazer pesquisa.
Nosso curso vai procurar prepar-los para acompanhar com mais facilidade os conte-
dos ensinados em diversas outras disciplinas quantitativas do PPGEA, tais como Termo-
dinmica e Mecnica dos Fluidos.
Por que devemos estudar matemtica? Esta uma pergunta cuja resposta vale cem
milhes. Na verdade, uma porcentagem pequena da populao gosta de matemtica, e
isso volta a ocorrer (infelizmente) mesmo dentro de cursos de graduao e ps-graduao
em engenharia.
Embora eu no v ganhar cem milhes, a resposta no muito difcil. E ela se desdobra

em vrias:
Para fazer o crebro pensar melhor. A matemtica fora o crebro a tentar resolver
situaes difceis e complicadas; a usar a lgica; a reduzir um problema a seus ele-
mentos essenciais, etc.. Mesmo que no houvesse nenhuma aplicao de matemtica
em engenharia, ainda assim o estudo de matemtica seria proveitoso para ns.
2
Para ganhar familiaridade com conceitos, termos e tcnicas seguidamente utilizados
na literatura cientfica de engenharia. Voc vai ler nos prximos anos, textos em que
as palavras vetor, matriz, componentes principais, coordenadas, funo,
equao diferencial, etc. aparecem com grande frequncia. Mesmo que voc no v
resolver nenhum problema matemtico, absolutamente essencial que voc entenda
qual o problema, e como ele foi resolvido, cada vez que se deparar com uma
soluo, seja ela descrita explicitamente ou no. No segundo caso, claro, a sua
capacidade matemtica mais importante ainda.
Para efetivamente resolver novos problemas, usando as tcnicas que voc vai apren-
der nessa disciplina, ou usando o que aprendeu aqui como uma base para aprender
tcnicas mais avanadas que voc vai utilizar na soluo desses novos problemas.
A lista poderia continuar indefinidamente, mas os itens acima j do uma idia da

importncia de estudar matemtica. Se voc ainda no est convencido(a), no cabe a
mim (nem a esta disciplina) mudar sua opinio!
claro que existem obstculos. Um grande obstculo, talvez o maior de todos, a

falta de base e a heterogeneidade na formao matemtica dos alunos. A matemtica
prossegue cumulativamente. preciso dominar os temas anteriores, mais simples, para
poder entender e ter bom desempenho nos novos. Procure-me sempre que voc perceber
que no entende o que est sendo ensinado porque lhe falta base, para que possamos
traar rotas de recuperao do conhecimento dos pr-requisitos matemticos.
Finalmente, existem as virtudes teolgicas que definem um bom aluno (ou uma boa
aluna), e que so a chave do sucesso escolstico:
Iniciativa No fique parado. No espere que lhe digam o que fazer. Corra atrs do
conhecimento. Extrapole o seu estudo para alm do que foi ensinado. Tente novos
problemas. Tente novas solues. Compre ou obtenha na biblioteca os livros-texto.
Faa os exerccios que voc achar que o ajudaro mais.
Trabalho Estude muitas horas por semana. Desenvolva hbitos de estudo. Estude
ininterruptamente por longas horas. Evite distraes tais como msica ou internet.
Persistncia No desista primeira dificuldade. Volte aos problemas que voc no

conseguiu resolver. Tente abordagens alternativas: solues numricas, solues
aproximadas, desenhos. O aprendizado uma corrida de longa distncia, e no os
cem metros rasos. Ganha quem cadencia seu esforo, e no larga o osso.
Boa sorte!
Veja: Barenblatt [1996], captulos 1 e 2.
3
Exemplo 1
O perodo de um pndulo T . O comprimento da corda L. A massa do pndulo m.

A acelerao da gravidade g.
As unidades fundamentais so M, T, L. A nica varivel da lista acima que envolve

M m.
m no pode fazer parte da lista de variveis que intervm no clculo de T !
Com T , L e g, temos:
JT K = T,
JLK = L,
JgK = LT2 .
Com a ltima equao dimensional, podemos construir uma varivel adimensional

facilmente:
g = c2 LT 2
L
T 2 = c2
g
s
L
T =c
g
A varivel adimensional acima c. Se ns a chamarmos de 1 :
T
1 = q L .
g
Exemplo 2
Suponha um escoamento de um fluido com massa especfica e viscosidade cinemtica

em torno de um cilindro com dimetro D, com velocidade U . Suponha que a fora do
escoamento sobre o cilindro seja F . O que a anlise dimensional pode nos dizer?
As dimenses fundamentais so, novamente, M, L, T. Mas nem sempre isto ser

assim!
4
JK = ML3 ,
JK = L2 T1 ,
JDK = L,
JU K = LT1 ,
JF K = MLT2 .
Temos 5 variveis, e 3 dimenses fundamentais. Devemos ter 2 grupos adimensio-

nais. Vamos escolher 3 variveis que estaro (potencialmente) presentes nos 2 grupos.
Por simplicidade: D, U e . Note que, entre elas, temos presentes todas as dimenses
fundamentais.
Note tambm que estou usando esses termos de uma maneira solta: eu no disse o
que so dimenses fundamentais!
Faa
1 = F D a U b c ,
h i h ib h ic
J1 K = MLT2 [L]a LT1 ML3
Note que o expoente de F 1, sem perda de generalidade
1 = M1+c L1+a+b3c T2b
Temos um sistema de equaes em a, b, c:

0 0 1 a 1

1 1 3 b

= 1

0 1 0 c 2
A soluo do sistema a = 2, b = 2, c = 1, donde

F
1 = .
U 2 D2
Procuramos, da mesma forma, o segundo parmetro adimensional:
2 = Da U b c
h i h ib h ic
J2 K = L2 T1 [L]a LT1 ML3
1 = Mc L2+a+b3c T1b
5
Donde a = 1, b = 1, c = 0, e

2 =
UD
Ns acabamos de encontrar 2 = 1/Re, onde Re o nmero de Reynolds em mecnica

dos fluidos.
Na verdade, tanto faz 2 ou 1/2 , e nossa relao em uma roupagem clssica

F UD

2 2
=f .
U D
A funo f desconhecida, e a Anlise Dimensional no nos permitir obt-la. Ela precisa
ser encontrada experimentalmente. Mas em vez de variarmos aleatoriamente 5 variveis,
ns agora podemos fazer um nmero bem menor de experimentos, e variar aleatoriamente
apenas 2 parmetros, 2 e 2 . A economia no esforo experimental substancial.
2 2013-03-18T17:53:18 Formalizao de Anlise

Dimensional
Transformaes lineares
Definio Seja
A:VW
x 7 y = A x
uma transformao linear de um espao vetorial V em um espao vetorial W (note que
este um caso mais geral, e que as dimenses de V e de W podem ser diferentes). O
ncleo de A o sub-conjunto de V
K = {x | A x = 0}.
Teorema 2.1 Se V o domnio, K o ncleo e Y a imagem de A,

dim K + dim Y = dim V. (1)
Definio A nulidade, e o posto, de A so:

nulidade(A) = dim K;
posto(A) = dim Y.
6
Teorema dos s
Suponha um fenmeno fsico muito complicado para ser tratado analiticamente. Reco-
nhea n variveis fisicamente relevantes no fenmeno:
{v1 , v2 , . . . , vn }
Por exemplo, num escoamento em dutos,
1. v1 = (massa especfica)
2. v2 = V (velocidade mdia)
3. v3 = D (dimetro)
4. v4 = e (rugosidade)
5. v5 = p (queda de presso)
6. v6 = L (comprimento do tubo)
7. v7 = (viscosidade dinmica)
Se um pesquisador fosse realizar 10 medidas independentes de cada uma das variveis

acima, seriam necessrias 107 medies para descrever o fenmeno! A soluo proporcio-
nada pela Anlise Dimensional descobrir um nmero menor de parmetros adimensionais
independentes uns dos outros, e realizar apenas as medies que cubram a faixa de valores
destes parmetros. Para isto, constri-se a matriz dimensional A = [Aij ]:
v1 v2 v3 v4 . . .
M 1 0 0 0 ...
L 3 1 1 1 ...
T 0 1 0 0 . . .
cujos elementos so os expoentes de cada dimenso fsica fundamental para cada varivel
vj . As 4 primeiras entradas da tabela acima referem-se s dimenses de , V , D e e
(verifique). Agora, se um grupo definido pelo produto de cada uma das variveis vj
elevada a um expoente xj ,
n
Y xj
= vj ,
j=1
ento a dimenso fsica de dada por:

n
(M a1j La2j T a3j )xj .
Y
JK =
j=1
7
Para que seja adimensional,
n n n
a1j xj a2j xj
(T a3j )xj .
Y Y Y
1= (M ) (L )
j=1 j=1 j=1
Resumindo: n
X
aij xj = 0, i = 1, 2, 3.
j=1
Ou seja: desejo obter todos os vetores (x1 , . . . , xn ) independentes tais que valha a equao
acima. O sentido da palavra independente exatamente o mesmo que acabamos de ver
em lgebra Linear: se x e y so dois vetores de expoentes cujos grupos adimensionais
so x e y , e z = ax + by, ento fcil mostrar que z = xa yb (tente). Logo, haver
tantos grupos adimensionais independentes quantas forem as solues LI do sistema de
equaes lineares acima. Este nmero exatamente a nulidade da matriz A. Do Teorema
4.1, sabemos agora que a dimenso do domnio de uma transformao linear igual
dimenso do seu ncleo (nulidade) mais a dimenso da sua imagem (posto). Portanto:
Teorema 2.2 (Teorema dos s): Se h n variveis importantes num fenmeno fsico
e o posto da matriz dimensional r, ento haver s = n r grupos adimensionais
independentes descrevendo o processo.
Uma ltima palavra de precauo fsica, no matemtica refere-se ao termo di-

menso fsica fundamental. Alm de M, L e T (massa, comprimento, tempo), pode ser
necessrio identificar a massa (ou o nmero de moles) de cada substncia envolvida no
processo, e a temperatura, como grandezas fsicas adicionais. Neste caso, haver mais de
trs equaes no sistema acima. Por exemplo, no caso de transporte turbulento de vapor
de gua (evaporao) e calor na atmosfera, preciso considerar que massa de ar seco e
massa de vapor de gua so grandezas fundamentais distintas, assim como a temperatura.
Observao: no nosso Exemplo 2 acima, evidente que n = 5, r = 3, donde s = 2.

No entanto, nem sempre a dimenso da imagem ser igual ao nmero de dimenses
fundamentais! Ela pode ser menor, e nesse caso haver um nmero maior de grupos
adimensionais!
Verifique com o Exemplo 1!
Definio formal de Dimenso
(Barenblatt, 1.1.3)
Considere dois sistemas de unidades de mesma classe. Por exemplo, considere dois
sistemas MLT, tais como o CGS e o MKS.
8
Definio O fator numrico pelo qual uma grandeza muda quando passa de um
sistema de unidades para outro de mesma classe a sua dimenso.
Por exemplo, considere uma passagem CGS MKS. Os fatores numricos para massa,
comprimento e tempo so: M = 0,001; L = 0,01; e T = 1.
Definio As dimenses das unidades fundamentais que definem a classe do sistema

so as dimenses fundamentais dessa classe.
No caso acima, as unidades fundamentais so massa, comprimento e tempo. As di-

menses fundamentais da classe so M, L, e T.
Definio Quantidades cujos valores numricos no mudam quando passam de um

sistema de unidades para outro de mesma classe so denominadas quantidades adimensi-
onais.
Considere o seguinte princpio: todos os sistemas de uma determinada classe so

equivalentes. Por exemplo, para a classe de sistemas MLT, as dimenses de todas as
grandezas fsicas devem ser expressas apenas em funes dessas dimenses fundamentais:
JaK = (M, L, T)
Teorema 2.3 A funo dimensional sempre uma funo potncia nas dimenses
fundamentais:
= M L T
Fica claro que ns estamos sempre nos referindo a relaes entre sistemas: no h um
sistema absoluto de unidades. Essa a mesma idia que vai motivar nossas operaes
com vetores e tensores em espaos vetoriais.
A nfase ser sempre nas transformaes sofridas por um dado objeto matemtico
quando ele escrito, ou referenciado, em diferentes sistemas.
Anlise dimensional e formas universais de funes de fenmenos

fsicos
Em geral ns procuramos (Eq. (1.19) de Barenblatt):
a = f (a1 , . . . , ak ; b1 , . . . , bm )
9
As k variveis ou a1 , . . . , ak possuem entre si as k dimenses fundamentais da classe de
sistemas de unidades na qual o fenmeno em questo descrito. As variveis restantes
possuem dimenses dependentes, de tal forma que
b1 = Ja1 Kp1 . . . Jak Kr1 ,

..
.
bm = Ja1 Kpm . . . Jak Krm .
Teorema 2.4 Teorema dos Pi (verso de Barenblatt: novamente!):

!
b1 bm
f (a1 , . . . , ak ; b1 , . . . , bm ) = ap1 . . . ark p1 r1 , . . . , pm .
a1 . . . ak a1 . . . arkm
Em suma:
O Teorema dos Pi simplesmente afirma que as leis da Fsica no dependem do

particular sistema de unidades utilizado.
Exemplo 3
Suponha agora que voc queira analisar algum tipo de fora F em um escoamento de
um fluido com densidade (massa especfica) , viscosidade cinemtica , velocidade U ,
comprimento D. Suponha tambm que o escoamento se d, parcialmente ou no, sob a
ao da gravidade, de maneira que voc precisa tambm incluir a acelerao da gravidade
g na sua lista. Em uma classe de sistemas MLT, a matriz dimensional ser
D U F g
M 0 0 1 1 0 0
L 1 1 3 1 2 1
T 0 1 0 2 1 2
Note que, essencialmente, ns simplesmente adicionamos g lista de variveis que j

existia no Exemplo 2. Portanto, ns j temos os parmetros adimensionais 1 e 2 daquele
exemplo. Falta obter 3 , apenas:
3 = gDa U b c
h i h ib h ic
J2 K = LT2 [L]a LT1 ML3
1 = Mc L1+a+b3c T2b
10
Donde a = 1, b = 2, c = 0, e
gD
3 =
U2

Em mecnica dos fluidos o parmetro adimensional usual 1/ 3 , denominado n-
mero de Froude:
U
Fr = .
gD
O que o teorema dos Pi agora nos permite escrever

!
F UD U
2 2
= , .
U D gD
Suponha agora que o problema seja compliado demais para ser resolvido analitica
ou numericamente. Uma forma muito comum de ataque a construo de um modelo
reduzido fsico. No modelo, mede-se tudo, ou seja:
Fm , m , Um , Dm , m , g.
Enquanto isso, no prottipo ns devemos ter uma lista anloga,
Fp , p , Up , Dp , p , g.
Agora, se ns desejarmos utilizar o mesmo fuido no modelo e no prottipo (exemplo:
modelos reduzidos hidrulicos, utilizando gua), devemos reescrever essas listas:
Fm , , Um , Dm , , g.
e
Fp , , Up , Dp , , g.
Nossa condio de similaridade para a construo do modelo agora bvia:
Um Dm Up Dp
= ,

Um2 Up2
= .
gDm gDp
Do ponto de vista de um projetista, ns conhecemos Up e Dp . Queremos portanto calcular
quem devem ser Um e Dm no modelo que vamos construir, de tal forma que possamos
medir Fm e, dessa forma, obter Fp . Como h duas equaes acima, em princpio deveria
ser possvel obter Um e Dm . Tentemos:
Dp
Um = Up ,
Dm
Dp2 1 Up2
Up2 2 D
= ,
Dm m Dp
3
Dm = Dp3 ,
Dm = Dp Um = Up .
11
Portanto: o nico modelo possvel do mesmo tamanho que o prottipo, o que
uma impossibilidade prtica. Os engenheiros hidrulicos que trabalham com modelos
reduzidos costumam se referir a este fato dizendo que impossvel obter similaridade
perfeita. De fato, impossvel construir um modelo realmente reduzido (ou seja: em
uma escala menor) com o mesmo fluido (por exemplo gua) que o prottipo, e que atenda
ao mesmo tempo igualdade dos parmetros adimensionais Nmero de Reynolds e
Nmero de Froude.
Com isso, chegamos ao fim de nossa primeira aula.
3 2013-03-24T09:45:19 Geometria e lgebra
Comece lendo todo o captulo 6 de Nearing [2009].
Em particular: veja a definio de produto interno (que ele chama de produto escalar),
a desigualdade de Schwarz, e o conceito de uma sequncia de Cauchy. Essas coisas so
importantes.
Depois passe para o captulo 7.
3.1 Vetores
Um vetor um nome genrico que pode significar muitas coisas em lgebra Linear. Em
um certo sentido, todos os objetos algbricos abaixo:

4 " #
a11 a12 2x
(1, 2, 3), 5 , , sen ,

a21 a22 L
6
so vetores.
Em geral, ns estamos acostumados a associar o vetor algbrico (2, 1) ao vetor geo-

mtrico cuja projeo no eixo x vale 2 unidades, e cuja projeo no eixo y vale 1
unidade. No entanto, os eixos sobre os quais valem as projees 2 e 1 poderiam ser quais-
quer, e portanto o objeto algbrico (2, 1) pode representar, em princpio, infinitos objetos
geomtricos diferentes e vice-versa (ver figura 1).
A relao entre os objetos algbricos com os quais ns lidamos em matemtica e os

entes geomtricos ou fsicos da realidade que eles representam precisa ser estabelecida
12
2e 1 + e 2
e2
e2 2e 1 + e 2
e1 e1
Figura 1: A representao geomtrica usual do vetor (2, 1), e uma interpretao alterna-
tiva, mas igualmente vlida!
por algum tipo de conveno. Muitas vezes, cansativo ficar repetindo explicitamente
as convenes que estamos seguindo. Neste texto, quando no houver meno explcita
conveno, deve ficar entendido que (1, 0) representa o vetor com uma unidade ao longo
do eixo x, e 0 unidades ao longo do eixo y, e que y x. Convenes similares se aplicam
a (1, 0, 0) com z y x. O mesmo se aplica para (0, 1), (0, 0, 1), etc..
Dado um vetor genrico v, entretanto, ele em geral pode ser escrito em termos de outros
vetores e1 , e2 ,. . . ,en do mesmo espao vetorial V. Se o conjunto E = {e1 , e2 , . . . , en } for
composto por vetores capazes de gerar qualquer v V,
n
X
v= vEk ek , (2)
k=1
ento ele uma base de V. Mais do que isto: na prtica, a ordem em que os vetores da base
aparecem fundamental. Portanto, a rigor devemos escrever a base no somente como
um conjunto de vetores, mas como uma enupla (que so estes vetores numa particular
ordem). A notao preferencial para E, portanto, E = (e1 , e2 , . . . , en ).
Exemplo 3.1 O conjunto de vetores {i, j, k} usualmente utilizado para formar uma base do
R3 . No entanto, a rigor, as bases
A = (i, j, k),
B = (j, i, k),
so distintas. A a base cannica do R3 , e uma base dextrgira. B nunca ocorre na prtica;
B uma base levgira.
Conhecida a base E, portanto, posso representar v por

vE1
vE2

[v]E = ..

, (3)
.
vEn
13
ou seja, por uma matriz-coluna de coordenadas [v]E . Quando a base em que v repre-
sentado for bvia, omite-se o ndice E. vE1 , vE2 , . . . , vEn so as coordenadas de v na base
E. Dado um nico v, portanto, existem infinitas representaes (em princpio) possveis,
[v]E , para v (uma para cada base possvel).
muito importante no confundir um vetor com a matriz-coluna que o repre-

senta em uma particular base.
Em at 3 dimenses, conveniente utilizar a notao x, y, z para 3 eixos mutuamente

ortogonais e com orientao dextrgira (mais sobre isto em instantes), e a notao i, j, k
para 3 vetores unitrios orientados positivamente ao longo de x, y, e z respectivamente. No
entanto, muitas vezes o particular eixo em que se est trabalhando no to importante,
ou ento o nmero de dimenses do espao em questo pode ser bem maior do que 3 (ou
ambos). Nestes casos, conveniente renomear os eixos como x1 , x2 , . . . , xn , e os vetores
unitrios ao longo de cada um destes eixos como e1 , e2 , . . ., en .
No h uma terminologia universal, e separada, para os elementos de um vetor alg-

brico. Em particular, quando o vetor algbrico for uma enupla ordenada, v = (v1 , v2 , . . . , vn ),
os seus elementos v1 , v2 , . . ., vn no so em geral iguais s suas coordenadas vE1 , vE2 , . . . ,
vEn na base E:

vE1
vE2

v = (v1 , v2 , . . . , vn ) e [v] = ..

;
.
vEn
porm (em geral)
v1 6= vE1 , v2 6= vE2 , ..., vn 6= vEn .
claro que os elementos e as coordenadas de v podem ser iguais, quando a base for
particularmente simples. Neste caso, ns encontramos a base cannica do Rn .
Definio Seja Rn = {(x1 , x2 , . . . , xn ), xk R}, o conjunto das enuplas ordenadas

cujos elementos so nmeros reais. A base cannica do Rn
e1 = (1, 0, . . . , 0), (4)

e2 = (0, 1, . . . , 0), (5)
..
.
en = (0, 0, . . . , 1). (6)
14
De fato, somar dois vetores no Rn corresponde a somar elemento a elemento, e
multiplicar por um escalar corresponde a multiplicar todos os elementos pelo escalar.
Ento,
v = (v1 , v2 , . . . , vn )
= (v1 , 0, . . . , 0) + (0, v2 , . . . , 0) + . . . + (0, 0, . . . , vn )
= v1 (1, 0, . . . , 0) + v2 (0, 1, . . . , 0) + . . . + vn (0, 0, . . . , 1)
n
X
= vk ek
k=1

v1
v2

[v]E =
..
(7)
.
vn
Exemplo 3.2 Mostre que as coordenadas de (3, 4, 5) na base cannica do R3 so 3, 4 e 5.
SOLUO
Algumas vezes, o mais difcil provar o bvio:
(3, 4, 5) = (3, 0, 0) + (0, 4, 0) + (0, 0, 5)

= 3(1, 0, 0) + 4(0, 1, 0) + 5(0, 0, 1)
= 3i + 4j + 5k
Exemplo 3.3 Se E = ((1, 1), (1, 1)), obtenha as coordenadas de v = (3, 4) na base E
SOLUO
v = x(1, 1) + y(1, 1)
(3, 4) = x(1, 1) + y(1, 1)
3 = x + y,
4 = x y.
Como quase sempre em lgebra Linear, tudo termina na necessidade de se resolver um

sistema de equaes lineares, o que ns aqui fazemos com a ajuda de Maxima (s para treinar):
15
(% i5 ) solve ( [3 = x +y , 4 = x - y ] , [x , y ] ) ;
7 1
(% o5 ) [[ x = -, y = - -]]
2 2
Portanto, " #
7/2
[v]E =
1/2
Exemplo 3.4 Calcule o mdulo do vetor
v = (1, 2, 3, 4, 5, 6, 7, 8, 9).
SOLUO
Se um vetor algbrico for interpretado da forma clssica, como a representao do vetor

geomtrico em que cada elemento da enupla ordenada corresponde a uma componente do vetor
geomtrico segundo um eixo, e com os eixos mutuamente ortogonais (e para sermos completos,
em uma base dextrgira tenha um pouco mais de pacincia com esta palavra), ento em duas
e trs dimenses vale o teorema de Pitgoras:
q
v = (x, y) |v| = x2 + y 2 ,
q
v = (x, y, z) |v| = x2 + y 2 + z 2 .
Em n dimenses no h mais geometria para nos auxiliar, e devemos encarar o mdulo como
uma definio. Usaremos o smbolo quando estivermos definindo um conceito pela primeira
vez. Portanto, definimos
" n #1/2
X
|v| vk2 , (8)
k=1
e agora estamos prontos para o clculo. claro que ele pode ser feito at mesmo com lpis e
papel, mas preferimos execut-lo com Python, na listagem 1.
O resultado da execuo do programa verysimplesum.py

v = [1 2 3 4 5 6 7 8 9]
v2 = [ 1 4 9 16 25 36 49 64 81]
m2 = 285
m = 16.8819430161
Donde
|v| 16,8819430161
16
Listing 1: verysimplesum.py uma soma simples com Python.
1 # !/ usr / bin / python
2 # -* - coding : iso -8859 -1 -* -
3 from __future__ import u n i c o d e _ l i t e ra l s
4 from __future__ import print _functio n
5 from __future__ import division
6 from numpy import array
7 from math import sqrt
8 v = array ([1 ,2 ,3 ,4 ,5 ,6 ,7 ,8 ,9])
9 print ( 'v = ' , v )
10 v2 = v * v
11 print ( ' v2 = ' , v2 )
12 m2 = sum ( v2 )
13 print ( ' m2 = ' , m2 )
14 m = sqrt ( m2 )
15 print ( 'm = ' , m )
Exemplo 3.5 Calcule o mdulo do vetor
v = (1, 2, 3, 4, 5, . . . , 96, 97, 98, 99)
SOLUO
Numericamente, isto pode ser feito de forma muito parecida com o exemplo anterior. Note
que seria muito mais trabalhoso fazer todos os clculos com lpis e papel. No entanto,

2 # -* - coding : iso -8859 -1 -* -
8 v = array ([ i for i in range (1 ,100)])
9 v2 = v * v
10 m2 = sum ( v2 )
11 m = sqrt ( m2 )
12 print ( 'm = ' , m )
cuja sada
m = 573.018324314
Donde
|v| = 573,018324314.
17
Mas ser preciso tanto esforo computacional? No! Neste caso particularmente simples
calcular
"n=99 #1/2
X
2
|v| = k
k=1
1/2
n

= (n + 1)(2n + 1)
6
1/2
99

= 100 (199)
6
q
= 99 100 199/6 = 573,018324314
O exemplo acima ensina uma lio importante, e profunda:
O poder de mtodos e de solues analticas, quando estes so possveis,

incomparavelmente superior ao de solues numricas .
A lio deve ser aprendida: sempre que voc se deparar com um problema, pergunte-se
antes de mais nada se h uma soluo analtica para ele. Em geral, h, e est pronta.
No exemplo acima, a frmula para nk=1 k 2 = (n/6)(n + 1)(2n + 1) foi obtida de Jeffrey
P
[1995], p. 34, equao 1.2.3.1-2. Na verdade, existem resultados analticos para

n
kq ,
X
k=1
para qualquer inteiro q.
Exerccios propostos
3.1 Obtenha as coordenadas de (3, 4) na base {(1, 0), (2, 1)}.
(3, 4) = a(1, 0) + b(2, 1),

3 = a + 2b,
4 = b
b = 4,
a = 3 2b = 3 + 8 = 11
3.2 Se E = ((1, 1, 1), (1, 1, 0), (0, 2, 1)), obtenha as coordenadas de v = (3, 2, 3) na base E.
18
1 (% i1 ) e1 : [1 ,1 ,1] ;
2 (% o1 ) [1 , 1 , 1]
3 (% i2 ) e2 : [1 , -1 ,0] ;
4 (% o2 ) [1 , - 1 , 0]
5 (% i3 ) e3 : [0 ,2 , -1] ;
6 (% o3 ) [0 , 2 , - 1]
7 (% i4 ) solve ( x * e1 + y * e2 + z * e3 - [3 ,2 ,3] ,[ x ,y , z ]) ;
8 11 1 1
9 (% o4 ) [[ x = --, y = -, z = - -]]
10 4 4 4
3.3 Prove que

n
X n
k= (n + 1).
k=1
2
J que eu tenho uma dica, suponho que

n
X
k = an2 + bn + c,
k=1
e acho a, b, c para a parbola que passa pela soma para n = 1, n = 2 e n = 3, com o programa
em Maxima
1 s2 : a * n ^2 + b * n + c ;
2 y1 : sum (k ,k ,1 ,1) $
3 y2 : sum (k ,k ,1 ,2) $
4 y3 : sum (k ,k ,1 ,3) $
5 eq1 : ev ( s2 , n =1) = y1$
6 eq2 : ev ( s2 , n =2) = y2$
7 eq3 : ev ( s2 , n =3) = y3$
8 solve ([ eq1 , eq2 , eq3 ] ,[a ,b , c ]);
cujo resultado
(% i1 ) batch ( squares . max )
read and interpret file : # p / home / nldias / work / graduacao / matap / aulas / squares . max
2
(% i2 ) s2 : c + b n + a n
2
(% o2 ) a n + b n + c
(% i3 ) y1 : sum (k , k , 1 , 1)
(% i4 ) y2 : sum (k , k , 1 , 2)
(% i5 ) y3 : sum (k , k , 1 , 3)
(% i6 ) eq1 : ev ( s2 , n = 1) = y1
(% i7 ) eq2 : ev ( s2 , n = 2) = y2
(% i8 ) eq3 : ev ( s2 , n = 3) = y3
(% i9 ) solve ([ eq1 , eq2 , eq3 ] , [a , b , c ])
1 1
(% o9 ) [[ a = -, b = -, c = 0]]
2 2
Donde n
X n(n + 1)
k= .
k=1
2
3.4 Prove que

n
X n
k2 = (n + 1)(2n + 1).
k=1
6
19
J que eu tenho uma dica, suponho que
n
X
k 2 = an3 + bn2 + cn + d,
k=1
e acho a, b, c, d para a parbola que passa pela soma para n = 1, n = 2, n = 3 e n = 4 com o

programa em Maxima
1 s3 : a * n ^3 + b * n ^2 + c * n + d$
2 y1 : sum ( k ^2 ,k ,1 ,1) $
3 y2 : sum ( k ^2 ,k ,1 ,2) $
4 y3 : sum ( k ^2 ,k ,1 ,3) $
5 y4 : sum ( k ^2 ,k ,1 ,4) $
6 eq1 : ev ( s3 , n =1) = y1$
7 eq2 : ev ( s3 , n =2) = y2$
8 eq3 : ev ( s3 , n =3) = y3$
9 eq4 : ev ( s3 , n =4) = y4$
10 con : solve ([ eq1 , eq2 , eq3 , eq4 ] ,[a ,b ,c , d ]) $
11 s3 : s3 , con$
12 factor ( s3 );
cujo resultado
(% i1 ) batch ( cubes . max )
read and interpret file : # p / home / nldias / work / graduacao / matap / aulas / cubes . max
2 3
(% i2 ) s3 : d + c n + b n + a n
2
(% i3 ) y1 : sum ( k , k , 1 , 1)
2
(% i4 ) y2 : sum ( k , k , 1 , 2)
2
(% i5 ) y3 : sum ( k , k , 1 , 3)
2
(% i6 ) y4 : sum ( k , k , 1 , 4)
(% i7 ) eq1 : ev ( s3 , n = 1) = y1
(% i8 ) eq2 : ev ( s3 , n = 2) = y2
(% i9 ) eq3 : ev ( s3 , n = 3) = y3
(% i10 ) eq4 : ev ( s3 , n = 4) = y4
(% i11 ) con : solve ([ eq1 , eq2 , eq3 , eq4 ] , [a , b , c , d ])
(% i12 ) ev ( s3 : s3 , con )
(% i13 ) factor ( s3 )
n ( n + 1) (2 n + 1)
(% o13 ) -------------------
6
Donde n
X n(n + 1)(2n + 1)
k3 = .
k=1
6
3.5 Explique o que faz a linha

v = array ([ i for i in range (1,100)])
do exemplo 3.5.
[ i for i in range (1,100)] gera a lista [1,2,...,99]; array transforma a lista em um

array. Em Python, isto se chama list comprehension.
Pn 2:
3.6 No seu computador, compare os tempos de clculo de k=1 k
20
1. Usando a abordagem de fora bruta, com Python;
2. Usando a frmula para a soma.

6 def test_num ( n ):
7 a = [ i for i in range (1 , n +1) ]
8 return sum ( a )
9 def test_ana ( n ):
10 s = sqrt ( n /6 * ( n +1) * (2* n +1))
11 return s
12 from timeit import Timer
13 t = Timer ( " test_num () " ," from __main__ import test_num " )
14 print ( ' num = ' ,t . timeit ())
15 t = Timer ( " test_ana (99) " ," from __main__ import test_ana " )
16 print ( ' ana = ' ,t . timeit ())
d como resultado
num = 7.79518008232
ana = 0.4530 22003174
lgebra Linear
O que os objetos algbricos

4 " #
a11 a12 2x
(1, 2, 3), 5 , , sen

a21 a22 L
6
da seo 3.1 tm em comum? Por que eles so todos chamados, genericamente, de vetores?
A resposta consiste do seguinte:
Existe um conjunto V de objetos;

Existe um Campo escalar F, associado;
Existem duas regras:
1. Adio em V:
u, v V u + v V; (9)
2. Multiplicao por um escalar:
F, u V u V. (10)
21
Exemplo 3.6 Se F = R, e V = R3 , a soma de dois vetores definida por
u, v R3 u + v = (u1 , u2 , u3 ) + (v1 , v2 , v3 ) (u1 + v1 , u2 + v2 , u3 + v3 ),
e a multiplicao por escalar definida por
R, v R3 v = (v1 , v2 , v3 ) (v1 , v2 , v3 ).
Note que tudo se resume a somas e multiplicaes de nmeros reais, elemento a elemento dos ve-
tores. Em outras palavras, novas operaes so definidas em funo de operaes pr-existentes.
As operaes (9)(10), entretanto, por si ss no so suficientes. necessrio que elas

obedeam s seguintes propriedades adicionais:
u + v = v + u; (11)
u + [v + w] = [u + v] + w; (12)
0 V | u + 0 = u, u V; (13)
u V, [u] V | u + [u] = 0; (14)
1u = u, u V; (15)
(u) = ()u, , F, u V; (16)
[u + v] = u + v, F, u, v V; (17)
( + )u = u + u, , F, u V. (18)
Estes so os famosos 8 axiomas da lgebra Linear; eles precisam existir junto com F,
V, e com as operaes de soma de dois vetores, e de multiplicao de um vetor por um
escalar. Sempre que tudo isto acontece, os conjuntos F, V, as operaes e os axiomas
1118 constituem um Espao Vetorial.
evidente que as operaes e propriedades acima j valiam quando trabalhamos

com os vetores algbricos do tipo v = (v1 , v2 , . . . , vn ). Por exemplo, verifique que as
operaes definidas no exemplo 3.6 foram implicitamente utilizadas nos exemplos 3.2 e
3.3.
Como teremos amplas oportunidades de explorar espaos vetoriais mais exticos ao

longo do texto, talvez faa sentido, neste ponto, esgotar as possibiliades do Rn . Para
fixar idias, ns consideramos que os objetos absolutos deste espao so as enuplas
(v1 , v2 , . . . , vn ), mas que cada v Rn pode ser expresso em termos de infinitas bases, e
que portanto cada v possui infinitas matrizes-coluna que o representam, dependendo da
base. O conceito de base de um espao vetorial V vem junto com dois outros conceitos
fundamentais em lgebra Linear: o conceito de dimenso do espao V, e o conceito de
independncia linear.
22
Definio O conjunto v1 , v2 , . . . , vn linearmente independente (LI) quando
n
X
i vi = 0 i = 0, i.
i=1
Definio Uma base de um espao vetorial V um conjunto LI de vetores e1 , e2 , . . . , en

que gera V, ou seja:
n
X
v V, v = i ei .
i=1
Teorema 3.1 Todas as bases de V possuem o mesmo nmero n de vetores. n a dimenso

de V.
Exerccios Propostos
3.7 Se F = R e V = R3 com as operaes usuais de soma e de produto por escalar, verifique

(11)(18) acima, e conclua que {R, V} juntamente com suas operaes usuais constituem um
espao vetorial.
(a, b, c) + (d, e, f ) = (a + d, b + e, c + f ) = (d, e, f ) + (a, b, c), X

(a, b, c) + (d, e, f ) + (g, h, i) = (a, b, c) + (d + g, e + h, f + i)
= (a + d + g, b + e + h, c + f + i)
= (a + d, b + e, c + f ) + (g, h, i)

= (a, b, c) + (d, e, f ) + (g, h, i), X
(a, b, c) + (0, 0, 0) = (a, b, c), X
(a, b, c) + (a, b, c) = (a a, b b, c c) = (0, 0, 0), X
1(a, b, c) = (a, b, c), X
(u1 , u2 , u3 ) = ()(u1 , u2 , u3 ), X
[(u1 , u2 , u3 ) + (v1 , v2 , v3 )] = (u1 + v1 , u2 + v2 , u3 + v3 )
= ((u1 + v1 ), (u2 + v2 ), (u3 + v3 ))
= (u1 + v1 , u2 + v2 , u3 + v3 )
= (u1 , u2 , u3 ) + (v1 , v2 , v3 )
= (u1 , u2 , u3 ) + (v1 , v2 , v3 ), X
( + )(u1 , u2 , u3 ) = (( + )u1 , ( + )u2 , ( + )u3 )
= (u1 + u1 , u2 + u2 , u3 + u3 )
= (u1 , u2 , u3 ) + (u1 , u2 , u3 )
= (u1 , u2 , u3 ) + (u1 , u2 , u3 )X
23
3.8 Para o conjunto V das matrizes 2 2
" #
A11 A12
[A] = , Aij R,
A21 A22
e para o campo escalar R, defina as operaes soma de vetores e produto por escalar da maneira
mais natural possvel, e mostre que estes conjuntos e operaes constituem um espao vetorial.
3.9 Repita o exerccio acima para o conjunto das funes contnuas
f : [0, 1] R
x 7 y = f (x).
Existem incontveis exemplos de espaos vetoriais. Em muitos sentidos, tudo o que

faremos revolver em torno desta idia. De fato, livros inteiros de Matemtica Aplicada
podem ser escritos assim: se voc conseguir uma cpia, ou pelo menos ler partes na
biblioteca, procure conhecer o excelente livro de Kreider et al. [1966].
Aplicaes geomtricas
Vetores algbricos do tipo (v1 , v2 , . . . , vn ) so teis porque eles facilitam aplicaes geo-
mtricas. Nesta seo, ns vamos sistematicamente explorar operaes geomtricas no
R2 e no R3 com o auxlio de vetores, e bvio que necessitaremos desenvolver algumas
ferramentas. Muitas delas voc j conhece, de modo que esta seo tem um pouco de
sabor de reviso. No entanto, os conceitos sero manipulados com um nvel mais alto de
abstrao, novas notaes sero apresentadas, e alguns problemas sero explorados em
novas direes: por exemplo, ao final desta seo ns estaremos nos perguntando qual
o significado algbrico de um hipervolume.
Teorema 3.2 (Teorema de Pitgoras) Em um tringulo retngulo com catetos b, c e
hipotenusa a,
a2 = b 2 + c 2 . (19)
A deduo elegante e sucinta do Teorema de Pitgoras baseada na figura 2, e encon-

trada em Simonsen [1994, p. 30]:
bc
a2 + 4 = (b + c)2 ,
2
a2 = b 2 + c 2 (20)
Teorema 3.3 (Teorema dos Cossenos) Em um tringulo qualquer com lados b, c e a, se

o ngulo formado por b e c,
a2 = b2 + c2 2bc cos (21)
24
c b
a c
a
b
a b
c a
b c
Figura 2: O Teorema de Pitgoras
b a
h

d e
c
Figura 3: O Teorema dos Cossenos
25
A deduo no-to elegante do Teorema dos Cossenos baseada na figura 3 a seguinte:
a2 = e2 + h2 ,
b2 = d2 + h2 ,
c2 = d2 + e2 + 2de,
a2 b 2 = e2 d2 ,
a2 = b2 + e2 d2 ,
a2 = b2 + c2 d2 2de d2 ,
a2 = b2 + c2 2d(d + e),
a2 = b2 + c2 2cd,
a2 = b2 + c2 2bc cos (22)
O produto escalar em R3
Uma vez que ns possumos objetos algbricos (os vetores algbricos (v1 , v2 , v3 )) que so
absolutos (isto : no dependem da base, que um conceito que vem a posteriori), ns
podemos definir algumas operaes diretamente sobre estes objetos. O produto escalar
de dois vetores u = (u1 , u2 , u3 ) e v = (v1 , v2 , v3 )
3
X
uv ui vi . (23)
i=1
evidente que o produto escalar serve, no mnimo, para calcular o mdulo de um vetor
no R3 :
|v| = [v v]1/2 . (24)
Na verdade, usando (23), muito fcil provar as seguintes propriedades:
u v = v u, (25)
[u] v = (u v), (26)
u [v + w] = u v + u w. (27)
De volta figura 3, se b e c so dois vetores com origem comum e paralelos aos lados
b e c, com |b| = b e |c| = c, ento
a = b c,
a2 = a a = [b c] [b c],
a2 = b b + c c 2(b c),
b2 + c2 2bc cos = b2 + c2 2(b c),
b c = |b||c| cos (28)
26
Exemplo 3.7 Seja r0 = (x0 , y0 ) um ponto de uma reta cuja direo no R2 perpendicular ao
vetor normal unitrio n = (a, b). A equao da reta dada pela condio de que um ponto
qualquer r = (x, y) atende a
[r r0 ] n = 0,
(x x0 , y y0 ) (a, b) = 0,
ax + by = ax0 + by0 ,
| {z }
c
ax + by = c (29)
Exemplo 3.8 No R3 prefervel dar a direo paralela reta, e um ponto qualquer. Assim,
se r0 um ponto qualquer de uma reta no espao, e m um vetor que d a direo da reta no
espao, a equao da reta
r = r0 + tm, t R. (30)
Em termos das coordenadas (x1 , x2 , x3 ) de r na base cannica, (30) so 3 equaes paramtricas
da reta:
x1 = x01 + m1 t, (31)
x2 = x02 + m2 t, (32)
x3 = x03 + m3 t (33)
onde, naturalmente,
r = (x1 , x2 , x3 ), r0 = (x01 , x02 , x03 ), m = (m1 , m2 , m3 ). (34)
Exemplo 3.9 Se duas retas no espao possuem equaes paramtricas
r = r0 + mt1 ,
s = s0 = mt2 ,
discuta as condies geomtricas que devem ser atendidas por r0 , s0 , m e p para que elas sejam
reversas.
SOLUO
Duas retas no R3 so reversas quando no se interceptam. Se, por outro lado, elas se
interceptam, ento
r0 + mt1 = s0 + pt2 ,
q0 r0 s0 = t2 p t1 m.
Para que as retas sejam reversas, a equao acima no pode ter soluo para nenhum par (t1 , t2 )
de nmeros reais, ou seja, o vetor q0 no pode ser coplanar com p, m
27
Talvez a aplicao mais clssica do produto escalar seja a obteno da projeo de
um vetor na direo de um outro. Suponha que voc deseje calcular a projeo do vetor
v segundo o vetor p. Primeiro, necessrio calcular um vetor unitrio na direo de p.
Isto fcil:
1
m= p. (35)
|p|
Agora, se o ngulo entre v e m, a projeo de v sobre m simplesmente
|v| cos = |v||m| cos = v m. (36)
Exemplo 3.10 Calcule a projeo de (3, 8, 7) na direo de (1/2, 1/2, 1/4).
SOLUO
q q 3
p = (1/2, 1/2, 1/4) |p| = 1/4 + 1/4 + 1/16 = 9/16 = ;
4
4
m = (1/2, 1/2, 1/4) = (2/3, 2/3, 1/3);
3
v m = (3, 8, 7) (2/3, 2/3, 1/3)
29
= 2 + 16/3 + 7/3 =
3
A conveno de soma de Einstein
Voltemos prova, feita acima, de que u v = |u||v| cos . Einstein observou que, em geral
mas no sempre a ocorrncia de um ndice repetido em uma equao envolvendo ve-
tores (e seres mais esotricos, denominados tensores), est associada a uma soma. Assim,
na definio
3
X
uv = ui vi ,
i=1
os dois ndices i que aparecem em ui vi esto associados ao somatrio de 1 a 3. Nestes

P
casos, o smbolo de somatrio suprfluo, e pode ser omitido. Todas as vezes em que
aparecer um ndice repetido neste texto, e em que no for feita nenhuma advertncia
em contrrio, voc deve ver um smbolo de somatrio implcito. O ganho em veloci-
dade de manipulao obtido em funo desta idia aparentemente simples, denominada
28
conveno de soma de Einstein ou notao indicial ou ainda notao de Einstein
considervel, e o segredo que torna-se possvel manipular vetores e depois tensores como
se eles fossem simples escalares. Para a prova em questo, temos:
b2 + c2 2bc cos = a2 = ai ai = (bi ci )(bi ci )
= bi bi + ci ci 2bi ci
|b||c| cos = b c (37)
Exemplo 3.11 O produto de uma matriz 3 3 por uma matriz-coluna 3 1

y1 A11 A12 A13 x1 A11 x1 + A12 x2 + A13 x3
y2 = A21 A22 A23 x2 = A21 x2 + A22 x2 + A23 x3

y3 A31 A32 A33 x3 A31 x1 + A32 x2 + A33 x3
Reescreva, usando notao indicial.
SOLUO
yi = Aij xj
A notao indicial torna-se realmente poderosa quando usada em conjunto com dois
smbolos especiais: o delta de Kronecker ij , e o smbolo de permutao ijk,... . A
definio do primeiro mais simples:

1 i = j,
ij (38)
0 i 6= j.
O delta de Kronecker particularmente til para denotar a matriz identidade:

1 0 0
[] = [ij ] = 0 1 0

. (39)
0 0 1
Exemplo 3.12 Calcule ii .
SOLUO
ii = 11 + 22 + 33 = 3
29
A notao indicial simplifica um sem-nmero de situaes. Por exemplo, a transposta
da matriz [A] obtida trocando-se linhas por colunas:
[A]> = [Aij ]> [Aji ]. (40)
Note a validade de:
[][x] = ij xj = xi = [x]; (41)
[y]> [] = yi ij = yj = [y]> . (42)
Uma outra propriedade frequentemente til: se E = {e1 , e2 , . . . , en } uma base

ortonormal (os ei s tm todos mdulo igual a 1, e so mutuamente ortogonais), ento
obviamente
ei ej = ij . (43)
Ento, se u = uEi ei , v = vEj ej (ateno: o smbolo E que acompanha os subscritos no
conta como um ndice da notao indicial),
u v = uEi ei vEj ej
= uEi vEj (ei ej )
= uEi vEj ij
= uEi vEi . (44)
Note que (23) diferente de (44)! A primeira a definio em termos dos elementos ui ,
vi dos vetores, que so absolutos (no dependem da base), e a segunda agora vale para
as coordenadas uEi , vEi em qualquer base ortonormal.
O Karma da notao H um conflito insolvel na escolha da notao. Uma notao

muito carregada e confusa impede o fluxo das idias e dos clculos. Por outro lado, uma
notao displicente dificulta a compreenso dos conceitos e das definies que esto por
trs dos smbolos utilizados. Veja por exemplo o caso de v = vEi ei : at agora, esta
notao tem sido til para enfatizar que, quando a enupla E = (e1 , e2 , . . . en ) muda, as
coordenadas vEi tambm mudam, para um mesmo v. No entanto, carregar o ndice E
ao longo de todo o texto pode representar um peso considervel. De agora em diante,
ns suprimiremos E quando no houver motivo para confuso. Por exemplo, quando
estivermos circunscritos base cannica, bastar escrever v = vi ei , assim como quando
estivermos usando apenas uma base e apenas as coordenadas nesta base.
Permutaes, e o smbolo
Uma permutao parte da enupla

(1, 2, 3, . . . , n)
30
Tabela 1: O crescimento de exp(n) versus n!
n exp(n) n!
1 2.71828182846 1
2 7.38905609893 2
3 20.0855369232 6
4 54.5981500331 24
5 148.413159103 120
6 403.428793493 720
7 1096.63315843 5040
8 2980.95798704 40320
9 8103.08392758 362880
e troca suas posies. Por definio, uma permutao cria uma nova enupla cujos elemen-
tos ainda pertencem a {1, 2, 3, . . . , n}, mas cuja ordem (que define as diferentes enuplas)
diferente. Por exemplo, para n = 2 as permutaes possveis so
(1, 2), (2, 1)
e para n = 3:
(1, 2, 3), (3, 1, 2), (2, 3, 1), (3, 2, 1), (1, 3, 2), (2, 1, 3).
O nmero de permutaes possveis da enupla (1, 2, 3, . . . , n) cresce rapidamente com

n; na verdade, nada do que este autor conhece em Matemtica tem um crescimento to
rpido nem mesmo en ! O nmero de permutaes em uma enupla de n elementos n!
(o fatorial de n):
n! n (n 1) (n 2) . . . 2 1 (45)
com a bem-conhecida conveno de que
0! = 1. (46)
Para que voc se convena da velocidade com que o fatorial cresce, considere a tabela 1
Se voc est curioso para descobrir como a tabela 1 foi calculada, eis um programa
em Python para isto:
2 # -* - coding : iso -8859 -1 -* -
6 from math import exp , factorial
7 for n in range (1 ,10):
8 print ( ' %4 d %20.12 g %8 d ' % (n , exp ( n ) , factorial ( n )))
Em (45), observe que, a partir de n = 2, n! sempre um mltiplo de 2, e portanto

n! sempre par. Desta forma, existe sempre um nmero par de permutaes. Ns agora
vamos definir o sinal de uma permutao, de tal maneira que metade das permutaes
31
sero pares (positivas, associadas ao nmero +1), e metade sero mpares (negativas,
associadas ao nmero 1).
Talvez a forma mais prtica de calcular o sinal de uma permutao seja contar o
nmero de inverses, ou seja, o nmero de vezes em que ai > aj para todos os pares
possveis de uma permutao (a1 , a2 , . . . , an ), com i < j. Por exemplo, para
(1, 3, 4, 2)
3 > 2 e 4 > 2; h dois casos de ai > aj com i < j, e portanto o sinal da permutao +1.
Uma outra forma pelo nmero de transposies: o sinal da permutao (1)T ,

com T igual ao nmero de transposies entre pares de inteiros at se restaurar a ordem
natural (1, 2, . . . , n). Por exemplo, para voltar de (1, 3, 4, 2) para (1, 2, 3, 4) h T = 2
transposies:
42 32
(1, 3, 4, 2) (1, 3, 2, 4) (1, 2, 3, 4).
As transposies no precisam necessariamente envolver pares contguos, como no exemplo
acima. H mais de uma maneira de voltar ordem natural, mas todas levam ao mesmo
sinal.
O clculo manual do sinal de uma permutao tedioso, entretanto, e pode levar a

erros. O programa da listagem 2 calcula todas as permutaes possveis de (1, 2, . . . , n),
e seus sinais:
Eis o resultado obtido para n = 4:

epsilon [1 , 2, 3, 4] = +1
epsilon [1 , 2, 4, 3] = -1
epsilon [1 , 3, 2, 4] = -1
epsilon [1 , 3, 4, 2] = +1
epsilon [1 , 4, 2, 3] = +1
epsilon [1 , 4, 3, 2] = -1
epsilon [2 , 1, 3, 4] = -1
epsilon [2 , 1, 4, 3] = +1
epsilon [2 , 3, 1, 4] = +1
epsilon [2 , 3, 4, 1] = -1
epsilon [2 , 4, 1, 3] = -1
epsilon [2 , 4, 3, 1] = +1
epsilon [3 , 1, 2, 4] = +1
epsilon [3 , 1, 4, 2] = -1
epsilon [3 , 2, 1, 4] = -1
epsilon [3 , 2, 4, 1] = +1
epsilon [3 , 4, 1, 2] = +1
epsilon [3 , 4, 2, 1] = -1
epsilon [4 , 1, 2, 3] = -1
epsilon [4 , 1, 3, 2] = +1
epsilon [4 , 2, 1, 3] = +1
epsilon [4 , 2, 3, 1] = -1
epsilon [4 , 3, 1, 2] = -1
epsilon [4 , 3, 2, 1] = +1
Dado um conjunto de ndices i1 , i2 , . . . , in , cada um deles entre 1 e n, define-se o
32
Listing 2: levisemcom.py Clculo do smbolo de permutao de Levi-Civitta.
2 # -* - coding : iso -8859 -1 -* -
6 epsilon = []
7 from copy import copy
8 def levi ( esq , dir ):
9 if len ( dir ) == 2:
10 uma = esq + dir
11 dua = esq + dir [:: -1]
12 dua [0] *= -1
13 epsilon . append ( uma )
14 epsilon . append ( dua )
15 else :
16 m = len ( dir )
17 for i in range ( m ):
18 lesq = copy ( esq )
19 ldir = copy ( dir )
20 lesq . append ( ldir [ i ])
21 lesq [0] *= ( -1)** i
22 del ldir [ i ]
23 levi ( lesq , ldir )
24 n = input ( 'n = ? ')
25 levi ([] ,[ i for i in range (1 , n +1)])
26 for eps in epsilon :
27 if eps [0] < 0:
28 sig = -1
29 eps [0] = abs ( eps [0])
30 else :
31 sig = 1
32 print ( ' epsilon ' ,eps ,( '= %+2 d ' % sig ))
smbolo de permutao

0, {i1 , i2 , . . . , in } =
6 {1, 2, . . . , n}
i1 ,i2 ,...,in = (47)
sinal (i1 , i2 , . . . , in ), {i1 , i2 , . . . , in } = {1, 2, . . . , n}
A interpretao a seguinte: se houver pelo menos dois is iguais, ento i1 ,i2 ,...,in = 0;
caso contrrio, os is so uma permutao de {1, 2, . . . , n}, e
i1 ,i2 ,...,in = sinal (i1 , i2 , . . . , in ) = 1,
dependendo do sinal da permutao.
Quando n = 3, os sinais so muito fceis de lembrar, porque se mantm sob uma

mudana cclica, que corresponde a colocar o ltimo ndice no lugar do primeiro, e rolar
os ndices para a direita; assim:
123 = 312 = 231 = +1, 321 = 132 = 213 = 1.
Muito cuidado, entretanto, porque esta uma regra muito particular, que s funciona
para n = 3. Por exemplo, sinal (4, 3, 2, 1) = +1, e sinal (5, 4, 3, 2, 1) = +1!
Exemplo 3.13 O sinal de uma permutao est implementado em Maxima na funo levi_civita,
do pacote itensor:
33
(% i1 ) load ( itensor );
(% o1 ) / usr / share / maxima /5.17.1/ share / tensor / itensor . lisp
(% i2 ) levi_civita ([4 ,3 ,2 ,1]);
(% o2 ) 1
(% i3 ) levi_civita ([5 ,4 ,3 ,2 ,1]);
(% o3 ) 1
Pelos exemplos acima, voc j deve estar desconfiando: o smbolo i1 ,i2 ,...,in cha-
mado smbolo de Levi-Civita (Tullio Levi-Civita foi um matemtico italiano). Existe uma
frmula geral para seu clculo
(http://en.wikipedia.org/wiki/Levi-Civita_symbol):

n1 n
Y 1 Y
i1 ,i2 ,...,in = (ik ij ) . (48)
j=1 j! k=j+1
Uma frmula muito til envolvendo s e s quando n = 3 a
Teorema 3.4 (Identidade polar):
ijk lmk = il jm im jl . (49)
Do lado esquerdo de (49), o ndice repetido k indica que h uma soma sobre k = 1, 2, 3.
Os demais ndices no se repetem, sendo portanto livres: qualquer arranjo com repetio
de i, j, l, m aceitvel, com cada um deles podendo variar de 1 at 3. O nmero total de
arranjos 3 3 3 3 = 81: a equao (49) representa 81 casos diferentes. Embora seja
tedioso, portanto, (49) pode ser demonstrada por simples enumerao.
Exemplo 3.14 Verifique (49) para i = 1, j = 2, l = 3, m = 1
SOLUO
12k 31k = 121 311 + 122 312 + 123 313 = 0 = 13 21 11 23 = 0 0 = 0
34
O produto vetorial
Com o smbolo de permutao disposio, define-se o produto vetorial entre dois vetores
u e v:
3 X
X 3 X
3
uv = ijk ui vj ek . (50)
i=1 j=1 k=1
claro que, com a notao indicial, os sinais de somatrio so suprfluos:
u v = ijk ui vj ek . (51)
O produto vetorial um vetor, perpendicular tanto a u quanto a v. De fato:
[u v] u = ijk ui vj ek ul el
= ijk ui vj ul (ek el )
= ijk ui vj ul kl
= ijk ui vj uk
1 1
= ijk ui vj uk + kji uk vj ui
2 2
1
= [ijk + kji ] ui vj uk
2| {z }
=0
=0 (52)
O produto vetorial anti-simtrico:
v u = ijk vi uj ek = ijk uj vi ek = jik uj vi ek = u v (53)
O produto vetorial possui um mdulo igual rea do paralelogramo formado por u e

v; se o ngulo entre eles,
|u v|2 = ijk ui vj lmk ul vm

= [il jm im jl ]ui vj ul vm
= (ui ui )(vj vj ) (ui vi )(uj vj )
= |u|2 |v|2 (|u||v| cos )2
= |u|2 |v|2 (1 cos2 )
= |u|2 |v|2 sen2
|u v| = |u||v| sen (54)
35
Exemplo 3.15 Se u, v esto no plano x1 x2 , o produto vetorial particularmente simples:
u v = [u1 v2 u2 v1 ]e3 . (55)
Isto significa que a rea A do paralelogramo formado por (u1 , u2 ) e (v1 , v2 ) no R2
A = i,j ui vj . (56)
Note o sinal : o mdulo de u1 v2 u2 v1 que igual rea.
O produto misto
de 3 vetores u, v e w , por definio,
V = [u v] w = ijk ui vj wk . (57)
O produto misto igual, em mdulo, ao volume V do paraleleppedo formado por u,

v e w.
Exerccios Propostos
3.10 Para a diagonal f do paralelogramo formado pelos lados b e c do tringulo da figura 3,

mostre que
f 2 = b2 + c2 + 2bc cos .
A figura 4 mostra a soluo. Observe que
= cos = cos .
Pelo teorema dos cossenos, para o tringulo com lados b, c, f ,
f 2 = b2 + c2 2bc cos
= b2 + c2 + 2bc cos
3.11 Enuncie, e deduza, o Teorema dos Senos.
Na figura 5, com a = |a|, b = |b|, c = |c|, o Teorema dos Senos
sen Ab sen B
b sen Cb
= = .
a b c
36
c
/2

b f
/2

Figura 4: Paralelogramo da prova do Exerccio ??.
b
A
b c
b
B
b
C
a
Figura 5: O Teorema dos Senos.
37
A,
b B,
b Cb so todos ngulos entre 0 e (e portanto, seus senos esto entre 0 e 1); ento, o
dobro da rea do tringulo dada por qualquer uma das relaes
|a b| = ab sen C,
b
|b c| = bc sen A,
b
|c a| = ca sen B.
b
Agora iguale quaisquer dois pares de equaes; por exemplo,

sen Ab sen Cb
ab sen Cb = bc sen Ab =
a c
3.12 Desenhe a situao descrita no Exemplo 3.7.
3.13 Calcule a projeo de (10, 11, 14) segundo a direo do vetor (3, 1, 2).
1 (% i1 ) nu : [3 ,1 ,2]/( sqrt ([3 ,1 ,2].[3 ,1 ,2])) ;
2 3 1 2
3 (% o1 ) [ - - - - - - - - , - - - - - - - - , - - - - - - - -]
4 sqrt (14) sqrt (14) sqrt (14)
5 (% i2 ) proj : [10 ,11 ,14] . nu ;
6 41
7 (% o2 ) 2 sqrt (14) + - - - - - - - -
8 sqrt (14)
9 (% i3 ) factor (%);
10 69
11 (% o3 ) --------
12 sqrt (14)
3.14 Prove que [u v] v = 0.
[u v] v = ijk ui vj ek vl el
= ijk ui vj vl kl
= ijk ui vj vk
= ikj ui vk vj = [u v] v
3.15 Se a = (3, 7, 2), e b = (1, 4, 5), obtenha a equao do plano definido pelos vetores a e b,
e que passa pelo ponto (0, 0, 0), na forma Ax + By + Cz = D. Lembre-se: se n um vetor
normal ao plano, e se v = (x, y, z) um vetor contido no plano desejado (lembre-se de que ele
passa pela origem), ento: n v = 0.
O produto vetorial entre a e b em Maxima obtido da seguinte maneira:

1 (% i1 ) load ( vect );
2 (% o1 ) / usr / share / maxima /5.21.1/ share / vector / vect . mac
3 (% i2 ) express ( [3 ,7 ,2] ~ [1 ,4 ,5]) ;
4 (% o2 ) [27 , - 13 , 5]
Portanto, a equao do plano

27x 13y + 5z = 0
3.16 Programe (48) em Python.
3.17 Prove a identidade de Jacobi: [a [b c]] = (a c)b (a b)c.
3.18 Usando a identidade de Jacobi, prove que
[a [b c]] + [c [a b]] + [b [c a]] = 0.
38
4 2013-04-01T09:13:59 Determinantes, lgebra li-
near
O determinante
Olhe de novo para as equaes (56) e (57): elas apontam para uma possibilidade interes-
sante: o clculo de hipervolumes.
Definio Sejam u1 = (u11 , u21 , . . . , un1 ), u2 = (u12 , u22 , . . . , un2 ), . . . , un =

(u1n , u2n , . . . , unn ) n vetores do Rn . O hipervolume com sinal V n do hiperparaleleppedo
formado por eles o determinante
V n det(u1 , u2 , . . . , un ) i1 ,i2 ,...,in u1i1 u2i2 . . . unin . (58)
evidente que os diversos uij podem ser organizados em uma matriz
u11 u12 u1n

u21 u22 u2n

[u] = [uij ] = ..
.. .. ;
.. (59)
. . . .
un1 un2 unn
por definio, o determinante da matriz o determinante dos vetores cujos elementos so
suas colunas:
det [u] det(u1 , u2 , . . . , un ). (60)
Uma forma particularmente clara e elegante de apresentao de determinantes pode

ser encontrada em Bressoud [1991]. As seguintes propriedades de determinantes so quase
bvias quando se tem o conceito de hipervolume em mente:
1. O determinante do hiperparaleleppedo gerado pela base cannica, e1 = (1, 0, . . . , 0),

e2 = (0, 1, . . . , 0), en = (0, 0, . . . , 1) 1:
det(e1 , e2 , . . . , en ) = 1. (61)
2. O determinante linear em cada um dos vetores uk :
det(u1 , u2 , . . . , uk + vk , . . . , un ) =
det(u1 , u2 , . . . , uk , . . . , un ) + det(u1 , u2 , . . . , vk , . . . , un ) (62)
det(u1 , u2 , . . . , uk , . . . , un ) = det(u1 , u2 , . . . , uk , . . . , un ) (63)
39
A equao (62) significa que o hiperparaleleppedo gerado por uma soma uk + vk
possui um volume igual soma dos hiperparaleleppedos gerados separadamente
com uk e vk ; a equao (63) significa que multiplicar uma das arestas de um hi-
perparaleleppedo por multiplica o seu hipervolume por . Ambas so bastante
intuitivas.
3. Se (u1 , u2 , . . . un ) so LD, o seu determinante nulo:
(u1 , u2 , . . . un ) LD det(u1 , u2 , . . . , un ) = 0. (64)
Por exemplo, no R3 , se construirmos um paraleleppedo com arestas u, v e u + v,

a 3a aresta ser evidentemente coplanar a u e v, e o volume ser consequentemente
nulo.
4. O determinante da transposta igual ao determinante da matriz:
det [u]> = det [u]. (65)
5. Das regras de sinal de permutaes segue-se que o sinal do determinante troca

quando as posies de duas colunas so trocadas:
det(u1 , u2 , . . . , uk , . . . , ul , . . . , un ) =
det(u1 , u2 , . . . , ul , . . . , uk , . . . , un ). (66)
Algumas destas propriedades so provadas de forma trivial, e outras nem tanto. Con-
sidere por exemplo a prova de (62) para o caso n = 3:
det(u, v + b, w) = ijk ui (vj + bj )wk

= ijk ui vj wk + ijk ui bj wk
= det(u, v, w) + det(u, b, w) (67)
Com a ajuda do smbolo de permutao e do conceito de determinante, podemos agora

definir o que uma base dextrgira/levgira do Rn :
Definio Uma enupla de n vetores LI (u1 , u2 , . . . , un ) e portanto uma base do

Rn dextrgira se det(u1 , u2 , . . . , un ) > 0, e levgira caso contrrio.
Exerccios Propostos
4.1 Verifique que (61) reduz-se a (56) e a (57) quando n = 2 e n = 3, respectivamente.
40
1 (% i1 ) a : matrix ( [1 ,0] ,[0 ,1]) ;
2 [ 1 0 ]
3 (% o1 ) [ ]
4 [ 0 1 ]
5 (% i2 ) determinant ( a );
6 (% o2 ) 1
7 (% i3 ) a : matrix ( [1 ,0 ,0] , [0 ,1 ,0] , [0 ,0 ,1]) ;
8 [ 1 0 0 ]
9 [ ]
10 (% o3 ) [ 0 1 0 ]
11 [ ]
12 [ 0 0 1 ]
13 (% i4 ) determinant ( a );
14 (% o4 ) 1
4.2 Prove (61).
det(e1 , . . . , en ) = i1 ...in e1i1 . . . enin .

Mas
[e] = [eij ] = [ij ];
portanto, s sobrevivem i1 = 1, i2 = 2, in = n:
det(e1 , . . . , en ) = 12...n 1 1 . . . 1 = 1
4.3 Verifique que a nossa definio de u v equivalente ao pseudo-determinante

e e2 e3
1
u v = u1 u2 u3 .

v1 v2 v3
4.4 Prove que, para u, v R3 , det(u, v, u + v) = 0.
4.5 Para uma matriz 3 3, prove (65).
Transformaes lineares
Uma transformao linear apenas uma funo linear de um espao vetorial em outro.
Uma restrio maior ainda fazer com que o domnio e o contra-domnio sejam o mesmo
espao V. Escreve-se
A:VV
x 7 y = A(x).
Na prtica, muitas transformaes lineares esto associadas com fenmenos fsicos tais
como: tenses e deformaes em corpos, momentos de inrcia, e outros. Por exemplo, se
41
o momento de inrcia de um corpo bi-dimensional no plano xy Iz , e se o corpo gira
com velocidade angular z em torno do eixo z, o seu momento angular
Lz = Iz wz . (68)
No entanto, no caso de um corpo tridimensional girando no espao com velocidade angular
vetorial , o momento angular dado por
L = I() = I , (69)
onde, agora, I uma transformao linear. A segunda igualdade em 69 mais agradvel
para fsicos e engenheiros, porque apresenta uma analogia com o caso escalar (68): o que
vemos o produto de uma quantidade I com a velocidade angular vetorial .
Em resumo, conveniente escrever A(x) nas formas alternativas A x ou x A. As

propriedades fundamentais de uma transformao linear so
A (x + y) = A x + A y, (70)
A (x) = A x. (71)
O mais importante vem agora: considere uma base E = {ei }; todo vetor x de V pode
ser escrito nesta base:
x = xj e j (72)
(lembre-se de que est valendo a conveno de soma de Einstein), donde
A x = A xj ej
= xj A ej . (73)
Mas o vetor A ej tambm pode ser escrito na mesma base:
A ej = Aij ei , (74)
donde
A x = Aij xj ei . (75)
Portanto, se y = yi ei = A x, temos
yi = Aij xj , [y] = [A][x] (76)
ou seja: a transformao linear A pode ser representada por um produto de matrizes, para
qualquer argumento x em V . claro que a matriz depende da base em que os vetores
so escritos.
Por exemplo, suponha que escrevamos os vetores do domnio de A na base E =

(e1 , . . . , en ), e os vetores do contra-domnio na base F = (f1 , . . . , fn ): o que muda no
desenvolvimento acima? mais ou menos imediato que
A x = xj A ej ,
A ej = Aij fi ,
A x = Aij xj fi . (77)
42
O significado da matriz [A] agora mudou: ela representa a transformao linear quando
os vetores do domnio esto na base E, e os do contra-domnio na base F . Estritamente
falando, seria necessrio escrever algo como [A]F,E para deixar este fato explcito. No-
vamente, em geral ficar claro pelo contexto em que bases os vetores do domnio e do
contra-domnio so escritos, e como fizemos acima para vetores muitas vezes omitiremos
os ndices representativos das bases.
Existe entretanto uma maneira prtica de explicitar as bases em que uma transfor-
mao linear est representada. Neste texto, ns vamos nos limitar a bases ortonormais,
porque isto facilita tudo. Lembre-se: se E, F , etc., so bases ortonormais, ei ej = ij ,
fi fj = ij , etc..
Aproveitando a notao indicial, ento, escrevemos
A = Aij fi ej , (78)
e operamos sobre vetores utilizando produtos escalares! Vejamos um exemplo:
A x = Aij fi ej xk ek
= Aij fi xk (ej ek )
= Aij fi xk jk
= Aij xj fi . (79)
Olhe de novo para (78): ela uma forma compacta de dizer que os elementos Aij da matriz
[A] representam a transformao quando a base do domnio E = (e1 , . . . , en ), e a base
do contra-domnio F = (f1 , . . . , fn ). A partir de agora, ns vamos usar frequentemente
a notao (78) para representar transformaes lineares, porque ela em geral a mais til,
e a mais agradvel para fsicos e engenheiros.
Transformaes lineares podem ser classificadas em termos do que elas fazem geome-
tricamente com os vetores. Considere inicialmente a transformao definida por
A e1 = e2 , (80)
A e2 = e1 , (81)
A e3 = e3 . (82)
Claramente, A leva uma base dextrgira em uma base levgira. A matriz desta transfor-
mao
0 1 0
[A] = 1 0 0 (83)

0 0 1
Verifique (74): as colunas de [A] so as coordenadas de A e1 , A e2 , . . . , A en . Volumes
em R3 so levados em volumes iguais, porm com o sinal trocado: det [A] = 1 (verifique).
43
Ax
A e2
e2
e1 A e1
Figura 6: Uma transformao linear que produz um cisalhamento simples
Considere agora
A : R2 R2 ,
A e1 = e1 , (84)
1
A e2 = e1 + e2 . (85)
2
A matriz da transformao agora
" #
1 1/2
[A] = . (86)
0 1
Esta transformao um cisalhamento. Ela deforma um elemento do R2 . Entretanto, ela

no modifica a sua rea: det [A] = +1. A figura 6 mostra graficamente a transformao.
Cisalhamentos so situaes muito comuns em diversos tipos de situaes fsicas. Eles
ocorrem por exemplo em estruturas sujeitas a esforos tangenciais, e tambm em sistemas
de lubrificao. Um dos primeiros exemplos histricos de uma equao envolvendo cisa-
lhamento talvez seja a lei de Newton para a viscosidade, que permite o clculo da tenso
de cisalhamento em um fluido:
du1
T12 = , (87)
dx2
onde T12 a tenso de cisalhamento, o coeficiente de viscosidade, e u1 a velocidade
do fluido na direo x1 .
Outra transformao geomtrica importante do ponto de vista fsico a expanso/con-

trao de uma regio. Duas transformaes lineares que produzem expanses so dadas,
na base cannica do R3 , por
1/3
2 0 0 1 0 0
[A] = 0 21/3 0 , [B] = 0 2 0 . (88)

0 0 21/3 0 0 3
Note que A dobra o volume de uma regio do R3 isotropicamente: todos os 3 eixos

so alongados por um fator 21/3 : det [A] = 2. J B constitui-se em uma expanso
anisotrpica: a direo 1 permanece inalterada, a direo 2 dobra de comprimento, e a
direo 3 triplica: det [B] = 6.
44
Ax
e2 A e2
A e1

e1
Figura 7: Uma transformao linear que produz uma rotao simples
Finalmente, considere a rotao no R2 definida por

A : R2 R2 ,
A e1 = cos(/6)e1 + sen(/6)e2 , (89)
A e2 = sen(/6)e1 + cos(/6)e2 . (90)
A matriz da transformao
" #
1/2
3/2
[A] = . (91)
1/2 3/2
e a figura 7 mostra-a graficamente. Note que a transformao no muda a rea transfor-
mada: det [A] = +1.
Rotaes podem ser estudadas sistematicamente como se segue. Considere duas bases
ortonormais, E = (e1 , e2 , e3 ) e E 0 = (e01 , e02 , e03 ). Cada vetor de uma delas pode ser escrito
em termos dos vetores da outra, ou seja:
e0j = Cij ei = (e0j ei )ei , (92)
ei = Cij e0j = (ei e0j )e0j . (93)
O significado geomtrico de Cij claro: ele o cosseno entre ei e e0j .
Note que
3
|e0j | = 1 Cij2 = 1,
X
(94)
i=1
3
Cij2 = 1.
X
|ei | = 1 (95)
j=1
Exemplo 4.1 As equaes (94)(95) so casos em que a notao indicial no funciona to

facilmente. Considere por exemplo (94). Como precisamos de uma soma em i, somos tentados
a escrever
Cij Cij = 1
45
mas isto est errado, porque significaria uma soma em i e em j! De fato, em (94), j um
ndice livre, ou seja: no se soma em j. Uma maneira de lograr este efeito com notao indicial
envolver em parnteses o ndice que no deve ser somado. Portanto, a maneira correta de
escrever (94) usando notao indicial
Ci(j) Ci(j) = 1.
Note que em geral Cij 6= Cji , ou seja: a matriz [C] no simtrica. Agora, dado um
vetor u qualquer no R3 ,
u = u0j e0j = ui ei , (96)
onde u0j so as coordenadas de u na base E 0 , e ui so as coordenadas de u na base E.
Duas frmulas podem ser obtidas daqui:
ui = (u ei ) = u Cij e0j = Cij (u e0j ) = Cij u0j [u]E = [C][u]E 0 , (97)

u0j = u e0j = u Cij ei = Cij (u ei ) = Cij ui = Cji> ui [u]E 0 = [C] [u]E .
>
(98)
Uma propriedade importante da matriz [C] a seguinte:
u = uk ek = ui ei = ui Cij e0j = ui Cij Ckj ek ;

uk = ui Cij Ckj = Ckj Cji> ui ;
Ckj Cji> = ki
[C][C]> = [] (99)
Em outras palavras, [C]> uma inversa direita de [C]. No problema 4.7, pede-se para
que voc prove que [C]> uma inversa esquerda de [C], tambm. Consequentemente,
[C][C]> = [C]> [C] = [] [C]> = [C]1 (100)
(a inversa de [C] igual sua transposta).
Da maneira como viemos tratando o assunto, a matriz [C] uma matriz de rotao
de eixos, ou de bases: o que gira ou muda a base, permanecendo fixo o vetor
u. Portanto, o que muda so as coordenadas de u, porque a base mudou. Mas tudo
relativo, e bvio que uma rotao de um ngulo + dos eixos coordenados em torno de
um reta fixa r equivalente a uma rotao de um ngulo em torno da mesma reta do
vetor u, mantendo-se a base fixa. Nesta segunda interpretao, C uma transformao
linear que gira um vetor.
46
O determinante da transformao linear C unitrio:
1 = [e1 e2 ] e3
= [C1l e0l C2m e0m ] C3n e0n
= C1l C2m C3n [e0l e0m ] e0n
= lmn C1l C2m C3n = det [C] (101)
Uma rotao de eixos tambm muda, evidentemente, as matrizes das transformaes

lineares. Isto pode ser calculado muito convenientemente utilizando a notao introduzida
em (78):
Aij ei ej = A0kl e0k e0l

= A0kl Cik ei Cjl ej
= Cik A0kl Clj> ei ej
[A]E = [C][A]E 0 [C]> ; (102)
bem como
A0ij e0i e0j = Akl ek el

= Akl Cki e0i Clj e0j
>
= Cik Akl Clj e0i e0j
[A]E 0 = [C]> [A]E [C]. (103)
Exemplo 4.2 Seja E = (e1 , e2 , e3 ) a base cannica em R3 . Desejo construir uma base orto-
normal dextrgira F = (f1 , f2 , f3 ). Os vetores f1 e f2 so
1
f1 = (1, 1, 1), (104)
3
1
f2 = (2, 1, 1). (105)
6
a) [2,0] Mostre que

1
f3 = (0, 1, 1). (106)
2
P
b) [3,0] Calcule a matriz de rotao [C] cujos elementos atendem a fj = i Cij ei .
SOLUO
1a) bvia: f3 = f1 f2 .
47
1b) resolvida com Cij = (fj ei ), donde

1/3 2/ 6 0
[C] = 1/3 1/6 1/ 2 .

1/ 3 1/ 6 1/ 2
Exemplo 4.3 Considere um sistema rgido de eixos x0 , y0 , z0 mutuamente ortogonais e orien-

tados segundo a regra da mo direita. Os eixos sofrem duas rotaes simples consecutivas:
1. uma rotao positiva (segundo a regra da mo direita) de um ngulo 1 < /2 em redor

do eixo original z0 .
2. uma rotao positiva (segundo a regra da mo direita) de um ngulo 2 < /2 em redor
do eixo original x0 .
Obtenha a matriz de rotao de coordenadas Cij = (e0j ei ). Sugesto: componha duas rotaes
planas, cada uma das quais com matriz de rotao dada por
" #
cos sen
.
sen cos
SOLUO
Na base original {i0 , j0 , k0 }, as duas matrizes simples de rotao deste problema so:

cos 1 sen 1 0
R1 = sen 1 cos 1 0 ;

0 0 1

1 0 0
R2 = 0 cos 2 sen 2

0 sen 2 cos 2
Tudo o que precisamos agora saber aonde vo parar i0 , j0 e k0 aps as duas rotaes
consecutivas:
i1 = R1 i0 = (cos 1 , sen 1 , 0);

i0 = i2 = R2 i1 = (cos 1 , cos 2 sen 1 , sen 1 sen 2 );
j1 = R1 j0 = ( sen 1 , cos 1 , 0);
j 0 = j2 = R2 j1 = ( sen 1 , cos 2 cos 1 , cos 1 sen 2 );
k1 = R1 k0 = (0, 0, 1);
k0 = k2 = R2 k1 = (0, sen 2 , cos 2 ).
48
Portanto,

cos 1 sen 1 0
C = sen 1 cos 2 cos 1 cos 2 sen 2

sen 1 sen 2 cos 1 sen 2 cos 2
Exemplo 4.4 Define-se a rotao no plano x0i , x0j de valor k como a rotao em que um
vetor paralelo a x0i gira de k (neste plano) de tal modo que ijk = +1 (veja a figura). Note que
ijk = +1 define o sentido da rotao.
x0 j
k
x 0i
(a) Mostre que a matriz de rotao no plano x0i , x0j

" #
cos k sen k
[Qk ] = .
sen k cos k
(b) Consequentemente, mostre que as 3 matrizes tri-dimensionais de rotao plana so

1 0 0
[R1 ] = 0 cos 1 sen 1 ,

0 sen 1 cos 1

cos 2 0 sen 2
[R2 ] = 0 1 0 ,

sen 2 0 cos 2

cos 3 sen 3 0
[R3 ] = sen 3 cos 3 0 .

0 0 1
Note que [R2 ] diferente das outras duas: em que, e por qu? Sugesto: lembre-se da ordem
i, j, k em ijk = +1.
SOLUO
49
x0 j
v
v

x 0i
a) Seja v um vetor genrico de mdulo r, fazendo um ngulo com o eixo x0i ; ento, aps uma
rotao de k as coordenadas do vetor rotacionado sero
vi0 = r cos( + k )
= r cos cos k r sen sen k
= vi cos k vj sen k .
vj0 = r sen( + k )
= r sen cos k + r cos sen k
= vj cos k + vi sen k
ou: " # " #" #

vi0 cos k sen k vi
=
vj0 sen k cos k vj
b) A matriz [Rk ] pode ser obtida a partir da matriz [Qk ] expandindo esta ltima pela adio
de uma linha k e uma coluna k com 1 na posio (k, k) e 0 nas demais. Respeitada a ordem de
i, j, k em i,j,k = +1 temos:
" #
R1,22 R1,23
[Q1 ] =
R1,32 R1,33
" #
R2,33 R2,31
[Q2 ] =
R2,13 R2,11
" #
R3,11 R3,12
[Q3 ] =
R3,21 R3,22
Note que [Q2 ] est transposta, ou seja: o ndice 3 aparece antes do ndice 1. por isto que
[R2 ] diferente das outras duas, j que o sinal de sen 2 aparece trocado
Exerccios Propostos
4.6 Escreva (95) em notao indicial.
50
C(i)j C(i)j = 1
4.7 Prove que [C]> [C] = [].
u = u0k e0k = u0j e0j

= u0j Cij ei
= u0j Cij Cik e0k ;
u0k = u0j Cij Cik
= Cik Cij u0j
>
= Cki Cij u0j ;
>
Cki Cij = kj
4.8 Seja [A] uma matriz simtrica que representa alguma grandeza fsica (por exemplo um
tensor de inrcia) em uma base ortonormal E. Mostre que [A0 ] (a matriz da mesma grandeza
em qualquer outra base ortonormal E 0 ), tambm ser simtrica. Sugesto: admita uma matriz
de rotao qualquer [C] de E para E 0 ; usando a notao indicial de Einstein, parta de
A0mn = Cmi
>
Aij Cjn ,
escreva a expresso correspondente para A0nm e use o fato de que Aij = Aji .
A0mn = Cmi
>
Aij Cjn
>
= Cmi Aji Cjn
>
= Cnj Aji Cim
= A0nm
4.9 Considere 2 rotaes sucessivas: uma rotao da base E para a base E 0 , seguida de uma
rotao da base E 0 para a base E 00 . A primeira rotao, C, gira E = (e1 , e2 , e3 ) de um ngulo
em torno de e3 :
(e1 , e2 , e3 ) (e01 , e02 , e03 );
a segunda rotao, D, gira E 0 = (e01 , e02 , e03 ) de um ngulo em torno de e01 :
(e01 , e02 , e03 ) (e001 , e002 , e003 ).
Sabendo que as matrizes de rotao so

cos sen 0 1 0 0
[C] = sen cos 0 , [D] = 0 cos sen ,

0 0 1 0 sen cos
mostre que as duas rotaes em sucesso so equivalentes a uma nica rotao E E 00 cuja
matriz de rotao
cos cos sen sen sen
sen cos cos cos sen .

0 sen cos
51
Sugesto: usando a notao indicial de Einstein, simplesmente escreva e0j = Cij ei , e00k = Djk e0j ,
componha as duas e calcule o produto matricial correspondente.
e0j = Cij ei ,
e00k = Djk e0j = Djk Cij ei
e00k = Cij Djk ei .
A matriz da rotao E E 00 , portanto, igual ao produto matricial [C][D]
Sistemas de equaes lineares, e autovalores/autovetores
Voltemos equao (76): l, ela representava uma transformao linear que leva o vetor
x no vetor y. Mas evidente que
[A][x] = [y] (107)
pode ser interpretada simplesmente como um conjunto de n equaes em n incgnitas.

Quando que um sistema n n possui soluo nica? Quando a transformao linear A
inversvel, ou seja: quando det [A] 6= 0. Vejamos por qu.
Inicialmente, considere o exemplo muito trivial, mas bastante instrutivo, da transfor-

mao definida por
A e1 = e1 , (108)
A e2 = e2 , (109)
A e3 = 0. (110)
A matriz desta transformao

1 0 0
[A] = 0 1 0 , (111)

0 0 0
e evidente que det [A] = 0. Tambm no difcil ver o significado geomtrico de A: ela
projeta qualquer vetor do R3 no plano x1 x2 :
A : R3 R3
x 7 projx1 x2 x;
Consequentemente, qualquer volume do domnio R3 ser achatado e mapeado por A

em uma rea do R2 .
52
Observe que, enquanto que o contra-domnio de A o R3 , a sua imagem apenas o
R2 . Observe tambm que x R3 , A x = 0, onde R3 = {(0, 0, x3 )}: R3 o ncleo da
transformao A.
Definio Seja
A:VW
x 7 y = A x
uma transformao linear de um espao vetorial V em um espao vetorial W (note que
este um caso mais geral, e que as dimenses de V e de W podem ser diferentes). O
ncleo de A o sub-conjunto de V
K = {x | A x = 0}.
Teorema 4.1 Se V o domnio, K o ncleo e Y a imagem de A,

dim K + dim Y = dim V. (112)
Definio A nulidade, e o posto, de A so:

nulidade(A) = dim K;
posto(A) = dim Y.
De volta ao nosso exemplo numrico, o posto da matriz (111) 2, e sua nulidade 1.

Note como y = A x jamais um vetor com componente y3 6= 0. O que isto significa?
Que a equao
1 0 0 x1 1
0 1 0 x2 = 2

0 0 0 x3 3
impossvel, porque impossvel que A produza qualquer vetor com componente y3 6= 0.
Por outro lado, a equao
1 0 0 x1 1
0 1 0 x2 = 2

0 0 0 x3 0
possui infinitas solues x = (1, 2, x3 ), onde x3 qualquer nmero real.
Em resumo:
Teorema 4.2

[A][x] = [y] no possui nenhuma soluo,

det [A] = 0 ou

[A][x] = [y] possui infinitas solues.
53
+4
f (x)
g(x)
+3
+2
f (x) = tgh x, g(x) = 2x
+1
+0
4
2 1 0 1 2
x
Figura 8: Uma transformao no-linear (no caso, f (x) = tgh x) pode ser inversvel sem
ser bijetiva. J uma transformao linear inversvel (no caso, g(x) = 2x) quase sempre
bijetiva: a exceo a transformao g(x) = 0x.
Qual , ento, o significado geomtrico de det [A] = 0? Que A est mapeando hipervo-
lumes V n do domnio V (dim V = n) em hipervolumes de dimenso r < n, onde r (como
vimos acima) o posto de A, ou seja: A est achatando estes hipervolumes.
Mas neste caso dim Y < n, e certamente existem vetores de V que no pertencem a
Y; portanto, impossvel inverter A.
Para entender um pouco melhor esta ltima afirmao, veja (112): se uma transfor-
mao linear injetiva, dim K = 0, e consequentemente a dimenso da imagem tem que
ser igual do domnio. Em outras palavras, se A injetiva, ela tambm bijetiva! Isto
uma particularidade de funes lineares. Por exemplo, considere as funes f (x) = tgh x
e g(x) = 2x. A primeira uma funo no-linear, e injetiva: Imf = [1, 1]. Consequen-
temente, embora Im f 6= R, f inversvel. J g(x) tambm inversvel (sua inversa
g 1 (x) = x/2), mas, por ser linear, bijetiva: Im g = R. Veja a figura 8.
O caso geral de uma transformao linear que leva qualquer vetor do R3 em um vetor
no plano cujo normal k passando pela origem (e portanto em um subespao vetorial de
dimenso 2 do R3 ) pode ser obtido da seguinte forma: Para projetar um vetor a num
plano k, faa
ki kj
Pij ij 2 (113)
k
54
operar sobre a; ento, o vetor-projeo de a em ser
b = P a,
ki kj
bi = ij aj aj , (114)
k2
cujo produto escalar com k deve ser nulo; de fato,
ki kj
b k = ij aj ki aj ki = ai ki aj kj = 0. (115)
k2
Vamos testar: seja k = (1, 2, 1); ento k k = 6, e

1 1/6 0 + 2/6 0 1/6 5/6 2/6 1/6
[P ] = 0 + 2/6 1 4/6 0 + 2/6 = 2/6 2/6

2/6
. (116)
0 1/6 0 + 2/6 1 1/6 1/6 2/6 5/6
Exemplo 4.5 Verifique com Maxima que det [P ] = 0; calcule o seu posto.
SOLUO
(% i1 ) p : matrix ( [5/6 , 2/6 , -1/6] , [2/6 , 2/6 , 2/6] , [ -1/6 , 2/6 , 5/6]) ;
[ 5 1 1 ]
[ - - - - ]
[ 6 3 6 ]
[ ]
[ 1 1 1 ]
(% o1 ) [ - - - ]
[ 3 3 3 ]
[ ]
[ 1 1 5 ]
[ - - - - ]
[ 6 3 6 ]
(% i2 ) determinant ( p );
(% o2 ) 0
(% i3 ) rank ( p );
(% o3 ) 2
Novamente, temos nulidade(P ) = 1, posto(P ) = 2. O ncleo de P o conjunto {(1, 2, 1),

R}. A equao
5/6 2/6 1/6 x1 1
2/6 2/6 2/6 x2 = 2

1/6 2/6 5/6 x3 1
impossvel (por qu?).
55
Exemplo 4.6 Obtenha as equaes paramtricas de duas retas quaisquer (no coincidentes)
x + 2y+ z = 0. Calcule o ngulo entre elas. Calcule a projeo do vetor u =
no plano
(1/(2 6) + 3, 1/ 6 2, 1/(2 6) + 1) neste plano.
SOLUO
H infinitas possibilidades. Uma delas
x = s, x = 3t,
y = s, y = 2t,
z = 3s z = t.
Ambas fecham a equao x + 2y + z = 0 para quaisquer s, t. Como ambas as retas passam

pela origem (0, 0, 0), podemos calcular o ngulo entre elas usando o produto escalar entre os
vetores (s, s, 3s) e (3t, 2t, t), para s e t genricos:
3st 2st 3st
cos = ,
11s2 14t2
2
= 0.161164592,
11 14
80.7255 .
Para projetar u no plano x + 2y + z = 0, fazemos simplesmente
v = proj u = u (u n)n,
onde n o normal unitrio ao plano (note que isto a mesma coisa que a equao (113)):
1 1 2 1
n= (1, 2, 1) = ( , , );
1+4+1 6 6 6
obtm-se
v = (3, 2, 1),
que obviamente um ponto da reta t. O resultado no uma coincidncia. Na verdade, o
exemplo foi montado calculando-se
1
u = (3, 2, 1) + n.
2
Desta forma, a projeo de u sobre o plano em questo cai diretamente sobre a reta parametri-
zada por t.
A situao mostrada na figura 9. Note que a projeo de u sobre n cai exatamente na

metade do comprimento deste ltimo.
O caso det A 6= 0 diferente: a transformao A estar ento mapeando hipervolu-

mes V n em outros hipervolumes V n ; a imagem ter a mesma dimenso do domnio, e a
transformao linear ser inversvel:
56
z
u s
n
v
t y
x
Figura 9: Duas retas e uma projeo v de u no plano x + 2y + z = 0.
Teorema 4.3 Se det [A] 6= 0, o sistema
[A][x] = [y]
tem soluo nica, e a transformao A inversvel.
Corolrio Se det [A] 6= 0, ento
[A][x] = [0] [x] = [0].
Autovalores e autovetores
Considere novamente a matriz de rotao do exemplo 4.2, cujo nome ns mudaremos de

C para A em benefcio da generalidade.

1/ 3 2/ 6 0

[A] = 1/3 1/6 1/ 2 : (117)

1/ 3 1/ 6 1/ 2
como obter o eixo da rotao? Uma forma simples de raciocinar a seguinte: se o vetor
x est no eixo de rotao, o efeito de C ser, no mximo, de alongar ou de comprimir x;
portanto, para qualquer vetor x do R3 ao longo do eixo de rotao, devemos ter
A x = x. (118)
57
Listing 3: eigenrot.py Clculo de autovalores e autovetores em Python, com numpy.
2 # -* - coding : iso -8859 -1 -* -
8 from numpy . linalg import eig
9 a = array ( [[1/ sqrt (3) , 2/ sqrt (6) , 0] ,
10 [1/ sqrt (3) , -1/ sqrt (6) ,1/ sqrt (2)] ,
11 [1/ sqrt (3) , -1/ sqrt (6) , -1/ sqrt (2)]])
12 b = eig ( a ) # calcula os autovalores e autovetores
13 print ( ' autovalores : ') # o primeiro elemento da lista b so os autovalores
14 print ( b [0])
15 print ( ' - ' *20)
16 print ( ' autovetores : ') # o segundo elemento da lista b so os autovetores ,
17 print ( b [1]) # com um autovetor em cada coluna
A equao 118 a forma clssica de um problema de autovalor-autovetor. Naturalmente,

no adianta nada encontrar x = 0, porque isto no definiria o eixo. Portanto, desejamos
obter os valores de e de x 6= 0 em (118). Prosseguindo,
A x x = 0,
A x x = 0,
[A ] x = 0. (119)
Pelo corolrio do Teorema 4.3, para que x 6= 0,
det [A ] = 0. (120)
(120) a equao caracterstica do problema de autovalor-autovetor.
No caso de (117), o programa eigenrot.py (listagem 3) em Python obtm os auto-

valores e os autovetores.
A sada do programa eigenrot.py

autovalores :
[ 1.0000000+0. j -0.7690024+0.63924589 j -0.7690024 -0.63924589 j ]
--------------------
autovetores :
[[ 0.87239910+0. j -0.11746266+0.32505758 j -0.11746266 -0.32505758 j ]
[ 0.45158700+0. j -0.06080315 -0.62796303 j -0.06080315+0.62796303 j ]
[ 0.18705346+0. j 0.69462616+0. j 0.69462616+0. j ]]
A lista de autovalores mostra 1 autovalor real, e 2 autovalores complexos. Como era de

se esperar, existe apenas um autovalor real, e = 1 significa que no h alongamento/-
compresso, o que era de se esperar. A primeira coluna da matriz contm o autovetor
correspondente a = 1; note tambm que ele o nico autovetor com componentes es-
58
tritamente reais, o que novamente faz sentido. O eixo de rotao dado pelo autovetor
x = (0.87239910, 0.45158700, 0.18705346).
Exemplo 4.7 Obtenha os autovalores e autovetores de

2 2 1
[A] = 1 3 1 .

1 2 2
SOLUO

2 2 1

det A = 1 3 1

2

1 2
= (2 )[(3 )(2 ) 2] 2[1(2 ) 1] + 1[2 (3 )]
= (2 )[6 3 2 + 2 2] 2[2 1] + 1[2 3 + ]
= (2 )[2 5 + 4] + 2[ 1] + 1[ 1]
= (22 10 + 8) + (3 + 52 4) + 3 3
= 3 + 72 11 + 5 = 0.
Encontrar as razes de uma equao de 3o grau pode ser muito difcil sem o auxlio de um
computador, mas neste caso bvio que = 1 raiz. Dividimos ento o polinmio:
3 +72 11 +5 1
3 2 2 +6 5
62 11 +5
62 6
5 +5
5 +5
0
e agora as razes de 2 + 6 5 = 0 so = 5 e = 1. Os autovalores so (1, 1, 5) (o auto-

valor 1 possui multiplicidade 2). De posse dos autovalores, montamos os sistemas de equaes
correspondentes para calcular os autovetores. Para = 1,

2 2 1 x1 x1
1 3 1 x = 1 x2 ;

2
1 2 2 x3 x3
59
2x1 + 2x2 + x3 = x1 ,
x1 + 3x2 + x3 = x2 ,
x1 + 2x2 + 2x3 = x3 ;
ou:
x1 + 2x2 + x3 = 0,
x1 + 2x2 + x3 = 0,
x1 + 2x2 + x3 = 0.
Note que s temos 1 equao independente! Escolhendo dois valores para (por exemplo) x1 e
x2 , o valor de x3 fica determinado. Encontramos:
x1 = 1 x2 = 0 x3 = 1;
x1 = 0 x2 = 1 x3 = 2.
Portanto, 2 autovetores LI associados a = 1 so
xi = (1, 0, 1),
xii = (0, 1, 2).
Obviamente, eles no so os nicos possveis: qualquer vetor contido no plano gerado por x1 , x2
um autovalor de A.
Para = 5,
2 2 1 x1 x1
1 3 1 x2 = 5 x2 ;

1 2 2 x3 x3
2x1 + 2x2 + x3 = 5x1 ,

x1 + 3x2 + x3 = 5x2 ,
x1 + 2x2 + 2x3 = 5x3 ;
ou:
3x1 + 2x2 + x3 = 0,
x1 2x2 + x3 = 0,
x1 + 2x2 3x3 = 0;
eliminando x1 da 2a e da 3a equao:
3x1 + 2x2 + x3 = 0,
0x1 4x2 + 4x3 = 0,
0x1 4x2 + 4x3 = 0.
H apenas 2 equaes independentes. x3 deve ser igual a x2 , de modo que a 1a equao fica
3x1 + 3x2 = 0.
Portanto, x2 tambm deve ser igual a x1 , e os autovalores so todos do tipo (x1 , x1 , x1 ). Uma
escolha simples para o autovalor associado a = 5
xiii = (1, 1, 1).
claro que um computador pode fazer todo o trabalho para voc. Com Maxima:
60
(% i1 ) a : matrix ( [2 ,2 ,1] , [1 ,3 ,1] , [1 ,2 ,2]) ;
[ 2 2 1 ]
[ ]
(% o1 ) [ 1 3 1 ]
[ ]
[ 1 2 2 ]
(% i2 ) eigenvectors ( a ) ;
(% o2 ) [[[5 , 1] , [1 , 2]] , [[[1 , 1 , 1]] , [[1 , 0 , - 1] , [0 , 1 , - 2]]]]
O prximo exemplo tem por objetivo mostrar que a multiplicidade no igual

dimenso do espao gerado pelo autovetor.
Exemplo 4.8 Obtenha os autovalores e autovetores de

1 0 1
[A] = 1 1 0 .

0 0 1
SOLUO

1 0 1

1 1 0 = 0 (1 )3 = 0.

1

0 0
Portanto, = 1 com multiplicidade 3. O clculo dos autovetores :

1 0 1 x1 x1
1 1 0 x2 = 1 x2 ;

0 0 1 x3 x3
x1 + 0x2 + x3 = x1 ,
x1 + x2 + 0x3 = x2 ,
0x1 + 0x2 + x3 = x3 ;
ou:
0x1 + 0x2 + x3 = 0,
x1 + 0x2 + 0x3 = 0,
0x1 + 0x2 + 0x3 = 0.
Portanto, x1 = x3 = 0, e x2 pode ser qualquer. O nico autovetor possvel x = (0, 1, 0)

(ou qualquer mltiplo (0, , 0), claro). Novamente, isto tambm poderia ter sido obtido com
Maxima:
61
(% i1 ) a : matrix ( [1 ,0 ,1] , [1 ,1 ,0] , [0 ,0 ,1]) ;
[ 1 0 1 ]
[ ]
(% o1 ) [ 1 1 0 ]
[ ]
[ 0 0 1 ]
(% i2 ) eigenvectors ( a );
(% o2 ) [[[1] , [3]] , [[[0 , 1 , 0]]]]
Invariantes do problema de autovetor
Considere agora o clculo dos autovalores da matriz [Aij ], ou seja, a obteno de sua
equao caracterstica na forma P () = 3 I1 2 + I2 I3 = 0, onde P () denominado
polinmio caracterstico. O que ns vamos ver agora que os Ij s so invariantes sob
uma rotao de coordenadas. Comeamos calculando P () por meio de uma expanso de
Laplace do det [A ]:

A A12 A13
11
P () = A21

A22 A23 =
A33

A31 A32

A A23 21 A22
A A23 A
(A11 ) 22 21
A12 + A13 . (121)
A32 A33 A31 A33 A31 A32
O determinante linear: veja (62); ento,

( )
A
22 A23 A23
P () = (A11 ) +
A32 A33 0 A33

( )
A
21 A23 A21
0
A12 +
A31 A33 A31

( )
21 A22 A21
A
+ A13 +
A31 A32 A31 0

( )
A
22 A23 A22
0 A23 0
= (A11 ) + + +
A32 A33 A32 0 A33 0

( )
A
21 A23 A21
0
A12 +
A31 A33 A31

( )
21 A22 A21
A
+ A13 +
A31 A32 A31 0

62
Usando (62) mais uma vez:

A
22 A23
A
21 A23
A
21 A22

P () = A11 A12 + A13
A32 A33 A31 A33 A31 A32

A 0 A 0
22 23
+ A11 + A11 + A11

A32 0 A33 0

A 0 A 0
22 A23
A
22 23

A32 A33 A32 0 A33 0

0 21
A A
A12 21 + A13 .

A31 A31 0
A primeira linha acima um termo em 0 , e evidentemente o determinante de [A].

Agrupando agora os termos restantes em funo da potncia de , temos
!
A A12 A11 A13 A22 A23
11
det [A] + + + (A11 + A22 + A33 )2 3 = 0,
A21 A22 A31 A33 A32 A33

ou
3 I1 2 + I2 I3 = 0, (122)
onde
I1 = A11 + A22 + A33 = trA, (123)

!
A A12 A11 A13 A22 A23
11
I2 = + + , (124)
A21 A22 A31 A33 A32 A33

I3 = det [A]. (125)
Denomina-se I1 = tr[A] o trao da matriz [A]; I3 , naturalmente, o determinante de

[A]. As quantidades I1 , I2 e I3 so invariantes sob uma rotao de coordenadas. Em
particular, se fatorarmos P () em 3 razes (no necessariamente reais!):
P () = ( 1 )( 2 )( 3 ), (126)
teremos
I1 = 1 + 2 + 3 , (127)
I2 = 1 2 + 1 3 + 2 3 , (128)
I3 = 1 2 3 (129)
A prova da invarincia do trao bastante simples: se [A] a matriz de A na base

(e1 , e2 , e3 ), e [A0 ] a matriz de A na base (e01 , e02 , e03 ),
A0kl = Cki
>
Aij Cjl ,
0 >
Akk = Cki Aij Cjk
>
= Cjk Cki Aij
= ji Aij = Aii (130)
63
Estes resultados so generalizveis para matrizes n n [veja Greenberg, 1998]:
P () = n I1 n1 + I2 n2 . . . + (1)n In =
= ( 1 )( 2 ) . . . ( n ) = 0 (131)
com
I1 = 1 + 2 + . . . n , (132)
I2 = 1 2 + 1 3 + . . . + n1 n , (133)
I3 = 1 2 3 + . . . + n2 n1 n (134)
..
.
In = 1 2 . . . n (135)
impossvel, tambm, no citar o
Teorema 4.4 (Teorema de Cayley-Hamilton) Se a equao caracterstica da matriz [A]
n I1 n1 + I2 n2 . . . + (1)n In = 0,
ento [A] satisfaz sua prpria equao caracterstica:
[A]n I1 [A]n1 + I2 [A]n2 . . . + (1)n In [] = 0.
5 2013-04-07T10:58:18 Aplicaes
O prximo exemplo expande bastante o escopo de uso de autovalores/autovetores, e mos-

tra o seu enorme valor.
Exemplo 5.1 Resolva o sistema acoplado de equaes diferenciais

dx
= x + 4y,
dt
dy
= x + y.
dt
SOLUO
Tentamos uma soluo simples, da forma
x(t) = q1 et , y(t) = q2 et .
64
De onde vem a inspirao? Em geral, impossvel explicar as introvises (insights) que permitem
a soluo de problemas matemticos. Mas neste caso, uma resposta pelo menos razovel que
a equao diferencial unidimensional
dx
= kx
dt
possui soluo
x = x0 ekt .
Portanto, ns tentamos alguma coisa similar. Substituindo a soluo tentativa no sistema,
q1 et = (q1 + 4q2 ) et ,
q2 et = (q1 + q2 ) et ,
e parecemos estar no caminho certo, pois os termos et se anulam, e ficamos com um sistema
puramente algbrico " #" # " #
1 4 q1 q
= 1 ,
1 1 q2 q2
que um problema de autovalor-autovetor!
Resolvendo o problema de autovalor-autovetor:
1 = 3, qi = (2, 1),
2 = 1, qii = (2, 1),
e a soluo geral do sistema de equaes diferenciais

" # " # " #
x 2 3t 2 t
= e + e ,
y 1 1
onde e so constantes arbitrrias.
Est tudo bem, mas h uma forma ainda mais automtica de resolver este problema.
Ela consiste em supor que (x(t), y(t)) o vetor da soluo na base cannica. Nessa base,
a equao do problema " # " #" #
d x 1 4 x
= .
dt y 1 1 y
Mas na aula passada ns vimos que a matriz da transformao, na base dos autovetores,
diagonal. Portanto, na base dos autovetores e01 , e02 , a matriz do problema
" # " #" #
d x0 1 0 x0
0 = ,
dt y 0 2 y0
onde os s so os autovalores, ou seja:

" # " #" #
d x0 3 0 x0
0 = .
dt y 0 1 y0
65
Agora, tudo se resolve magicamente, ou seja, automaticamente. As equaes acima
esto desacopladas, e produzem
x0 (t) = e3t ,
y 0 (t) = e1t
O vetor soluo, por sua vez, o mesmo em qualquer base, e teremos
u = x(t)e1 + y(t)e2 = x0 (t)e01 y 0 (t)e02 ,

x(t)(1, 0) + y(t)(0, 1) = e3t (2, 1) + e1t (2, 1),
x(t) = 2e3t 2e1t ,
y(t) = e3t + e1t
A seguir, veremos transformaes simtricas. Os principais resultados sero listados

no quadro, mas os detalhes ficam a cargo dos alunos.
Definio A transposta A> de uma transformao linear A : V V definida

classicamente da seguinte forma: para qualquer par de vetores x, y V:
x [A> y] y [A x]. (136)
As consequncias para a representao de A na base E (uma s base para o domnio

e para o contra-domnio, por simplicidade!) so
xk ek [A>ij ei ej yl el ] = yk ek [Aij ei ej xl el ]
>
xk ek [Aij ei (ej el )yl ] = yk ek [Aij ei (ej el )xl ]
xk ek [A> ij ei jl yl ] = yk ek [Aij ei jl xl ]
xk ek [A> ij yj ei ] = yk ek [Aij xj ei ]
xk A>ij yj (ek ei ) = yk Aij xj (ek ei )
xk A> ij yj ki = yk Aij xj ki
xi A >ij yj = yi Aij xj .
Mas os ndices de x e y devem ser os mesmos, para que as expresses possam ser compa-
radas. Trocando i com j do lado direito:
xi A > >
ij yj = yj Aji xi Aij = Aji . (137)
Os colchetes em (136) e no desenvolvimento acima servem para enfatizar que primeiro

a transformao linear opera sobre o vetor da sua direita, e em seguida calcula-se o produto
escalar do vetor da esquerda com o resultado. Mas isto realmente no importa, porque
66
com a notao introduzida na equao (78) na prtica pode-se definir, alm da operao
A x, uma outra operao: x A. Recapitulando,
A x = Aij ei ej xk ek
= Aij xk ei (ej ek )
= Aij jk xk ei
= Aij xj ei . (138)
claro que isto a mesma coisa que a equao (79) (exceto que estamos usando a mesma
base para o domnio e o contra-domnio, o que faremos, por simplicidade, quase sempre).
Mas isto tambm sugere imediatamente o significado da operao x A:
x A = xk ek Aij ei ej
= Aij xk (ek ei )ej
= Aij xk ki ej
= Aij xi ej . (139)
Note bem a diferena entre (138) e (139)! Ns podemos interpretar a operao x A como
a transformao linear esquerda de A sobre x, enquanto que A x a transformao
linear usual ( direita) de A sobre x. Consequentemente, a ordem com que os produtos
so tomados em (136) no importa, e ela pode ser escrita sem os colchetes.
Na verdade, a definio de x A teria sido suficiente para definir a transposta:
x A> A x, (140)
xk ek A> ij ei ej = Aij ei ej xk ek
xk A >
ij (ek ei )ej = Aij xk ei (ej ek )
ki xk A>ij ej = Aij jk xk ei
>
Aij xi ej = Aij xj ei
A>ij xi ej = Aji xi ej
A> ij = Aji , (141)
que , naturalmente, o mesmo resultado de (137).
Definio Uma transformao linear A simtrica quando
A> = A. (142)
O seguinte fato extremamente importante: quando uma transformao linear si-

mtrica, todos os autovalores so reais, e todos os autovetores so mutamente ortogonais.
Generalizaes deste fato para espaos vetoriais de dimenso infinita estaro na base de
muito do que estudaremos neste texto.
67
Teorema 5.1 Seja A : V V uma transformao linear simtrica em um espao vetorial
V com dim V = n, e tal que os elementos Aij da matriz de A em qualquer base so reais;
ento A possui n autovetores mutuamente ortogonais, e todos os seus autovalores so
reais.
Todos os autovalores de A so reais. De fato, se x um autovetor de uma transfor-

mao simtrica:
Aij xj = xi , (143)
Aij xj = xi . (144)
A segunda equao o conjugado complexo da primeira. Note que por hiptese os Aij s
so reais. Multiplicando a (143) xi e (144) por xi , subtraindo, e usando o fato de que
Aij = Aji :
xi Aij xj xi Aij xj = xi xi xi xi
xj Aji xi xi Aij xj = ( )(xi xi )
0 = ( )(xi xi )
= . (145)
A equao (145) mostra que todos os autovalores so iguais aos seus conjugados complexos:
portanto, suas partes imaginrias so nulas: todos os autovalores so reais.
Alm disso, h n autovetores mutuamente ortogonais. Como impossvel especificar

quantos autovalores de uma transformao simtrica so distintos, preciso estudar dois
casos separadamente.
Autovetores pertencentes a autovalores distintos Suponha i 6= ii (dois autova-

lores distintos) associados respectivamente a xi e xii ; ento
A xi = i xi xii A xi = i (xii xi ), (146)

ii ii ii i ii ii i ii
Ax = x x A x = (x x ). (147)
Como A simtrica, xii A xi = xi A xii ; subtraindo as duas equaes:
0 = (i ii )(xi xii ) (xi xii ) = 0, (148)
e xi xii
Autovetores pertencentes a autovalores iguais Se i = ii , nada se pode deduzir

sobre (xi xii ) a partir de (148); no entanto, qualquer vetor pertencente ao plano (ao
subespao) gerado por dois autovetores xi e xii associados a este nico tambm um
autovetor:
A [xi + xii ] = xi + xii = [xi + xii ]; (149)
68
portanto, estamos livres para escolher dois vetores ortogonais neste plano. Isto completa
a prova do Teorema 5.1
Exemplo 5.2 Dados 3 vetores mutamente ortogonais, f1 = 1 (1, 1, 1), f2 = 1 (1, 2, 1),
3 6
f3 = 1 (3, 0, 3), defina a transformao A:
18
A f1 = 2f1 ,
A f2 = 1f2 ,
A f3 = 3f3 ;
Ento
2 0 0
[A]F = 0 1 0 .

0 0 3
Obtenha [A] na base cannica; calcule seus autovalores; confirme que eles so 2,1,3. Calcule
seus autovetores; confirme que eles so f1 , f2 e f3 .
SOLUO
Uma soluo completa est no programa simcons3.py, listagem 4.
A sada do programa :
autovetores :
[ 0.57735027 0.57735027 0.57735027]
[ -0.40824829 0.81649658 -0.40824829]
[ -0.70710678 0. 0.70710678]
det a_f = 6.0
det a_e = 6.0
a_e =
[[ 2.33333333 0.33333333 -0.66666667]
[ 0.33333333 1.33333333 0.33333333]
[ -0.66666667 0.33333333 2.33333333]]
a_f =
[[2 0 0]
[0 1 0]
[0 0 3]]
c =
[[ 0.57735027 0.57735027 0.57735027]
[ -0.40824829 0.81649658 -0.40824829]
[ -0.70710678 0. 0.70710678]]
autovalores :
[ 3. 2. 1.]
autovetores :
[ -7.07106781 e -01 -1.50753653 e -16 7.07106781 e -01]
[ -0.57735027 -0.57735027 -0.57735027]
[ -0.40824829 0.81649658 -0.40824829]
A verificao de que f1 , f2 , f3 so mutuamente ortognais trivial. Defino agora uma rotao

de corpo rgido C que leva f1 , f2 , f3 em e1 , e2 , e3 : a matriz de C

0.57735027 0.57735027 0.57735027
Cij = ej fi [C] = 0.40824829 0.81649658 0.40824829 .

0.70710678 0.0 0.70710678
69
Listing 4: simcons3 Manipulaes de matrizes simtricas
2 # -* - coding : iso -8859 -1 -* -
4 from numpy import array , dot , cross , zeros
5 from numpy . linalg import det , eig , norm
9 f = array ( [ [1 ,1 ,1] , # parto de uma base de autovetores
10 [ -1 ,2 , -1] ,
11 [ -3 ,0 ,3] ] , float )
12 e = array ( [ [1 ,0 ,0] ,
13 [0 ,1 ,0] ,
14 [0 ,0 ,1] ] , float )
15 for i in range (3):
16 mm = norm ( f [ i ])
17 f [ i ] /= mm
18 print ( ' autovetores : ')
19 for i in range (3): ( print f [ i ])
20 c = zeros ((3 ,3)) # construo uma matriz de rotao
21 for i in range (3):
22 for j in range (3):
23 c [i , j ] = dot ( e [ j ] , f [ i ])
24 # a matriz na base dos autovetores diagonal
25 a_f = array ( [ [2 ,0 ,0] , [0 ,1 ,0] , [0 ,0 ,3] ] )
26 print ( ' det a_f = ' , det ( a_f ))
27 a_e = dot ( c .T , dot ( a_f , c )) # calcula a matriz na base cannica
28 print ( ' det a_e = ' , det ( a_e ))
29 print ( ' a_e = ')
30 print ( a_e )
31 print ( ' a_f = ')
32 print ( a_f )
33 print ( 'c = ')
34 print ( c )
35 d = eig ( a_e ) # verifica que estvamos certos !
36 print ( ' autovalores : ')
37 print ( d [0])
39 print ( d [1][: ,0])
40 print ( d [1][: ,1])
41 print ( d [1][: ,2])
Por sua vez, a matriz de A na base cannica

2.33333333 0.33333333 0.66666667
[A]E = [C]> [A]F [C] = 0.33333333 1.33333333 0.33333333

0.66666667 0.33333333 2.33333333
O principal ponto deste exerccio a verificao do Teorema 5.1 ao contrrio: ns constru-
mos uma matriz simtrica com elementos reais. As ltimas linhas do programa simcons3.py
verificam que, de fato, os autovalores de A so 3, 2 e 1, e que os autovetores so
1
f3 (0.707106781e 01, 1.50753653e 16, 0.707106781e 01) (3, 0, 3),
18
1
f1 (0.57735027, 0.57735027, 0.57735027) (1, 1, 1),
3
1
f2 (0.40824829, 0.81649658, 0.40824829) (1, 2, 1)
6
70
3 6
18
A f1 = 2f1 ,
A f2 = 2f2 ,
A f3 = 3f3 ;
Ento
2 0 0
[A]F = 0 2 0 .

0 0 3
seus autovetores; verifique se eles so f1 , f2 e f3 .
SOLUO
A soluo praticamente igual do exemplo anterior. Note que a rotao de eixos, e portanto
a matriz de rotao [C], a mesma de antes. A matriz de A na base dos autovetores

2 0 0
[A]F = 0 2 0

0 0 3
A matriz de A na base cannica agora

5/2 0 1/2
>
[A]E = [C] [A]F [C] = 0 2 0

1/2 0 5/2
cujos autovalores so, de fato, 2, 2, e 3. Os autovetores encontrados por numpy.linalg.eig()

so
v1 = (0, 1, 0),
1
v2 = (1, 0, 1),
2
1
f3 = (1, 0, 1).
2
Note que os 2 primeiros no so iguais a f1 e f2 ! Mas isto no importa, desde que eles sejam
coplanares. Verifique:
det(f1 , f2 , v1 ) = 0,
det(f1 , f2 , v2 ) = 0
71
3 6
2
A f1 = 2f1 ,
A f2 = 2f2 ,
A f3 = 2f3 ;
Ento
2 0 0
[A]F = 0 2 0 .

0 0 2
seus autovetores; verifique se eles so f1 , f2 e f3 .
SOLUO
Novamente, a soluo muito parecida com o exemplo anterior. A matriz de A na base

cannica agora
2 0 0
[A]E = [C]> [A]F [C] = 0 2 0

0 0 2
ou seja: a matriz de A diagonal em qualquer base ortonormal! O uso de numpy.linalg.eig()
produzir agora os autovalores 2, 2 e 2, e os autovetores
v1 (1, 0, 0),
v2 (0.06777901, 0.71305865, 0.69782044),
v3 (0.13463345, 0.69306091, 0.70819518)
Embora |v1 | = |v2 | = |v3 | = 1, eles no so ortonormais. Aqui, a soluo numrica deixou de
notar que um conjunto ortonormal possvel. A equao para a obteno dos autovetores

2 0 0 x1 x1
0 2 0 x2 = 2 x2 ;

0 0 2 x3 x3
2x1 + 0x2 + 0x3 = 2x1 ,

0x1 + 2x2 + 0x3 = 2x2 ,
0x1 + 0x2 + 2x3 = 2x3 :
qualquer vetor do (x1 , x2 , x3 ) do R3 um autovetor: este um problema isotrpico. Consequen-

temente, a escolha mais simples para os autovetores teria sido a base cannica (e1 , e2 , e3 )
72
Exerccios Propostos
5.1 Obtenha a soluo geral de

" # " #" #
d x(t) 1 2 x(t)
=
dt y(t) 2 1 y(t)
5.2 Modifique o programa simcons3.py do Exemplo 5.2, para que ele resolva o exemplo 5.3.
5.3 Modifique o programa simcons3.py do Exemplo 5.2, para que ele resolva o exemplo 5.4.
5.4 Utilizando obrigatoriamente autovalores, autovetores e um mtodo de diagonalizao,

resolva:
11/3 5/6 1/3 x 1
2/3 8/3 4/3 y = 1 .

1/3 13/6 1/3 z 1
a) Calcule os autovalores. Mostre que os autovetores so
xi = (1, 2, 3),
xii = (1, 3/2, 5/4),
xiii = (1, 2/3, 1/3).
b) Verifique que
1 3
(1, 1, 1) = xi + xiii .
4 4
c) Com isto, calcule x, y, z.
(% i1 ) a : matrix ( [11/3 , -5/6 , -1/3] , [2/3 ,8/3 , -4/3] ,[ -1/3 ,13/6 , -1/3]) ;
[ 11 5 1 ]
[ -- - - - - ]
[ 3 6 3 ]
[ ]
[ 2 8 4 ]
(% o1 ) [ - - - - ]
[ 3 3 3 ]
[ ]
[ 1 13 1 ]
[ - - -- - - ]
[ 3 6 3 ]
(% i2 ) id : matrix ([1 ,0 ,0] ,[0 ,1 ,0] ,[0 ,0 ,1]);
[ 1 0 0 ]
[ ]
(% o2 ) [ 0 1 0 ]
[ ]
[ 0 0 1 ]
(% i3 ) pcarac : determinant ( a - lambda * id ) ;
8
- - lambda
3 13
- - - - - - - - - - + --
1 8 26 11 3 9
(% o3 ) (( - lambda - -) ( - - lambda ) + - -) ( - - - lambda ) - - - - - - - - - - - - - - - -
3 3 9 3 3
1
2 ( - lambda - -)
3 4
5 ( - - - - - - - - - - - - - - - - - -)
73
3 9
+ ------------------------
6
(% i4 ) expand (%);
3 2
(% o4 ) - lambda + 6 lambda - 11 lambda + 6
(% i5 ) pcarac : % ;
3 2
(% o5 ) - lambda + 6 lambda - 11 lambda + 6
Portanto, a equao caracterstica
3 + 62 11 + 6 = 0,
que por inspeo possui a raiz = 1. Reduza a ordem da equao algbrica, dividindo o
polinmio por 1:
(% i6 ) divide ( pcarac , lambda -1 , lambda ) ;
2
(% o6 ) [ - lambda + 5 lambda - 6 , 0]
o que significa que a diviso (perfeita) tem como quociente:
2 + 5 6,
cujas razes so:

(% i8 ) solve (% , lambda )
1
(% o8 ) [ lambda = 3 , lambda = 2]
Ou seja: os autovalores so 1, 2 e 3. Com isto possvel calcular os autovetores. Em Maxima,

isto bem rpido:
(% i9 ) eigenvectors ( a )
3 5 2 1
(% o9 ) [[[1 , 2 , 3] , [1 , 1 , 1]] , [[[1 , 2 , 3]] , [[1 , -, -]] , [[1 , -, -]]]]
2 4 3 3
mas um clculo manual tambm relativamente fcil:
e1 = (1, 2, 3),
e2 = (1, 3/2, 5/4),
e3 = (1, 2/3, 1/3).
Obtenha agora o vetor (1, 1, 1) na base dos autovetores:
(1, 1, 1) = a1 e1 + a2 e2 + a3 e3 .
(% i9 ) e1 : [1 ,2 ,3] ;
(% o9 ) [1 , 2 , 3]
(% i10 ) e2 : [1 ,3/2 ,5/4] ;
3 5
(% o10 ) [1 , -, -]
2 4
(% i11 ) e3 : [1 ,2/3 ,1/3] ;
74
2 1
(% o11 ) [1 , -, -]
3 3
(% i12 ) solve ( [1 ,1 ,1] - a1 * e1 - a2 * e2 - a3 * e3 , [ a1 , a2 , a3 ]);
1 3
(% o12 ) [[ a1 = -, a2 = 0 , a3 = -]]
4 4
Portanto, na base dos autovetores o sistema desacoplado

1 0 0 u 1/4 u 1/4
0 2 0 v = 0 v = 0

0 0 3 w 3/4 w 1/4
Mas (x, y, z) = ue1 + ve2 + we3 , e ento:

(% i13 ) [x ,y , z ] = (1/4)* e1 + (1/4)* e3 ;
1 2 5
(% o13 ) [x , y , z ] = [ - , -, -]
2 3 6
Conferindo:
(% i14 ) a .[1/2 ,2/3 ,5/6] ;
[ 1 ]
[ ]
(% o14 ) [ 1 ]
[ ]
[ 1 ]
6 Mtodos de soluo de sistemas de equaes line-

ares, , e retorno aos tensores
6.1 Eliminao de Gauss
h i>
Suponha [x] = 1 2 3 . A partir desta soluo, o seguinte sistema de equaes pode
ser montado ao contrrio:

4 2 1 x1 11

1 3 2 x

2 = 13 .

(150)
2 2 1 x3 9
Temos que det [A] 6= 0, onde [A] a matriz do sistema, o que nos garante, pelo Teorema
4.3 que h uma nica soluo. Sabemos qual ela , mas suponha que no: que tudo o
que temos seja o sistema (150); como proceder para encontrar a soluo de uma forma
sistemtica?
75
A resposta o Mtodo de eliminao de Gauss: Sabemos que podemos multiplicar
cada linha de (150) por uma constante, assim como somar duas linhas para encontrar
uma nova equao equivalente (uma equao que satisfaz soluo [x]).
h i
Iniciamos o procedimento montando uma matriz ampliada [B] = A y . Utilizando
Maxima, somemos a 2a linha com 1/4 vezes a 1a :
(% i1 ) b : matrix ([4 ,2 ,1 ,11] ,[1 ,3 ,2 ,13] ,[2 ,2 ,1 ,9]) $
(% i2 ) b ;
[ 4 2 1 11 ]
[ ]
(% o2 ) [ 1 3 2 13 ]
[ ]
[ 2 2 1 9 ]
(% i3 ) b [2] : b [2] - (1/4)* b [1] $
(% i4 ) b ;
[ 4 2 1 11 ]
[ ]
[ 5 7 41 ]
(% o4 ) [ 0 - - -- ]
[ 2 4 4 ]
[ ]
[ 2 2 1 9 ]
Note que desta forma zeramos B21 . Analogamente, podemos zerar B31 :
(% i5 ) b [3] : b [3] - (1/2)* b [1] $

(% i6 ) b ;
[ 4 2 1 11 ]
[ ]
[ 5 7 41 ]
[ 0 - - -- ]
(% o6 ) [ 2 4 4 ]
[ ]
[ 1 7 ]
[ 0 1 - - ]
[ 2 2 ]
e ainda mais uma vez, zerar B32 :

(% i7 ) b [3] : b [3] - (2/5)* b [2] $
(% i8 ) b ;
[ 4 2 1 11 ]
[ ]
[ 5 7 41 ]
[ 0 - - -- ]
(% o8 ) [ 2 4 4 ]
[ ]
[ 1 3 ]
[ 0 0 - - - - ]
[ 5 5 ]
Desta forma, obtivemos um sistema equivalente, com a matriz [A] na forma escada:

4 2 1 x1 11
0 5/2 7/4
x2 = 41/4 . (151)

0 0 1/5 x3 3/5
76
A soluo pelo processo de retrossubstituio
(1/5)x3 = 3/5,
.
x3 = (3/5) (1/5) = 3; (152)
(5/2)x2 + (7/4)3 = 41/4

(5/2)x2 = 41/4 21/4 = 5
(1/2)x2 = 1
x2 = 2; (153)
(4)x1 + (2)2 + (3)3 = 11

4x1 = 11 7 = 4
x1 = 1, (154)
como no poderia deixar de ser
Deve ser mais ou menos bvio para voc que o processo generalizvel para sistemas
n n. Nem sempre o processo vai funcionar: sabemos, do teorema 4.2 que sistemas
lineares podem ter infinitas solues, ou nenhuma.
Mas o que est por trs do processo de eliminao de Gauss? Como veremos, pode-
mos interpret-lo como uma srie de mudanas de base no contra-domnio, enquanto a
transformao A permanece a mesma! Esta invarincia de A uma maneira elegante
de interpretar o processo (embora no seja a nica). Vale a pena detalh-la.
O detalhamento no ser visto em sala de aula: o tempo necessrio

muito grande, e o processo cheio de detalhes. Este na verdade um exce-
lente exerccio para testar o entendimento do significado de bases do dom-
nio, contra-domnio, e das diferentes representaes matriciais de uma mesma
transformao linear.
Se A : V W uma transformao linear, dim V = n, dim W = m, e V e W tm

bases E = (e1 , . . . , en ) e F = (f1 , . . . , fm ), ento
A ej = Aij fi
e
A x = A (xj ej ) = xj A ej = Aij xj fi .
J vimos no captulo 3 que existem infinitas matrizes [A]F,E para cada transformao A,
dependendo de nossa escolha das bases E e F . Sabemos tambm que as colunas de [A]
representam as coordenadas de cada um dos ej s na base F .
77
Conforme tambm vimos no captulo 3, uma permutao de I = {1, . . . , n} qualquer
bijeo
P :II
i I 7 P (i).
Por exemplo, {3, 2, 1} = P ({1, 2, 3}). Dada a transformao linear
A:VW
x 7 A x
onde E e F so as bases de V e W respectivamente, permutar E por P (E) e F por Q(F )

corresponde a permutar as colunas e linhas da matriz [Aij ] de A.
Dito isto, a essncia do algoritmo de eliminao de Gauss para a soluo de sistemas

de equaes lineares est nas seguintes propriedades, facilmente verificveis:
n
X n
X
yi = Aij xj yP (i) = AP (i)j xj , (155)
j=1 j=1
n
X
yi = AiQ(j) xQ(j) , (156)
j=1
n
X
yi = Aij xj , (157)
j=1
n
X
(yi yk ) = (Aij Akj )xj , (158)
j=1
onde P e Q so permutaes. sempre possvel, usando as operaes acima, transformar

A11 A12 . . . A1n A11 A12 . . . A1n
A21 A22 . . . A2n 0 A22 . . . A2n

.
. .. .. .. em .
. .. .. ..
. . . .

. . . .

Am1 Am2 . . . Amn 0 0 . . . Amn
(os mesmos smbols [Aij ] foram usados nas matrizes da esquerda e da direita para no
sobrecarregar a notao, mas bvio que o processo de eliminao de Gauss foi aplicado).
As transformaes do exemplo numrico com Maxima mostrado acima so usadas

para produzir matrizes que, de alguma forma, so equivalentes entre si. O fato de os
elementos da matriz estarem mudando no significa que a transformao subjacente esteja
mudando, mas sim que a base F est mudando. De fato,
n
X n
X
yi fi = ij xj fi yi (fi /) = (ij )xj (fi /) (159)
j=1 j=1
Logo, a multiplicao de uma linha da matriz pelo escalar pode ser entendida como a
78
mudana do vetor fi da linha correspondente para (fi /). De forma mais geral,
y =Ax
m
X
= yl fl
l=1
m
" #
X
= yl fl + yk (fk + fi ) yk fi + yi fi
l=1
l 6= i
l 6= k
m
" #
X
= yl fl + (yi yk )fi + yk (fk + fi ) (160)
l=1
l 6= i
l 6= k
Atente bem para as atribuies, porque existe uma anti-simetria nelas:
yi yi yk , (161)
porm
fk fk + fi ; (162)
o sinal de na base, portanto, o oposto do sinal de aplicado matriz-coluna [y].

O significado de atribuio, cujo smbolo , estritamente o mesmo usado em
linguagens de programao: o lugar de yi agora ocupado por yi yk na nova
matriz-coluna [y]. O mesmo vale para as demais interpretaes, daqui para a frente.
Esta simples manipulao algbrica revela todo o segredo da transformao de uma

matriz para a forma escada: note que o vetor y no muda; o que muda a base de W :
(f1 , . . . , fi , . . . , fk , . . . , fm ) (f1 , . . . , fi , . . . , (fk + fi ), . . . , fm ),
assim como as coordenadas [y]:

h i> h i>
y1 . . . yi . . . yk . . . ym y1 . . . (yi yk ) . . . yk . . . ym .
Isto mostra que quando reduzimos uma matriz forma escada, estamos apenas mudando
implicitamente a base de vetores do contra-dominnio. As regras de ouro so (159) e
(160). Vejamos como o procedimento mostrado acima para a obteno da forma escada
a partir de
4 2 1
1 3 2

2 2 1
pode ser interpretado em termos de mudanas de base no contra-domnio. No que se
segue, a base do domnio sempre a base cannica,

E = (1, 0, 0), (0, 1, 0), (0, 0, 1) ;
o que vai mudando a base do contra-domno F .
79
1o passo: F inicia o processo como a base cannica:

F = (1, 0, 0), (0, 1, 0), (0, 0, 1) .
Ento:
4 2 1

[A] = 1 3 2

2 2 1
A e1 = 4f1 + 1f2 + 2f3

= 4(1, 0, 0) + 1(0, 1, 0) + 2(0, 0, 1) = (4, 1, 2),
A e2 = 2f1 + 3f2 + 2f3
= 2(1, 0, 0) + 3(0, 1, 0) + 2(0, 0, 1) = (2, 3, 2),
A e3 = 1f1 + 2f2 + 1f3
= 1(1, 0, 0) + 2(0, 1, 0) + 1(0, 0, 1) = (1, 2, 1).
Como sempre: as colunas de [A] so as coordenadas de cada um de e1 , e2 e e3 na base

F do contra-domnio.
2o passo: O y que muda y2 ; portanto, o f que muda o f1 !
f1 f1 + (1/4)f2 = (1, 1/4, 0),
de modo que F agora vale

F = (1, 1/4, 0), (0, 1, 0), (0, 0, 1) .
Ento:
4 2 1
[A] = 0 5/2 7/4

2 2 1
A e1 = 4f1 + 0f2 + 2f3

= 4(1, 1/4, 0) + 0(0, 1, 0) + 2(0, 0, 1) = (4, 1, 2)
5
A e2 = 2f1 + f2 + 2f3
2
5
= 2(1, 1/4, 0) + (0, 1, 0) + 2(0, 0, 1) = (2, 3, 2)
2
7
A e3 = 1f1 + f2 + 1f3
4
7
= 1(1, 1/4, 0) + (0, 1, 0) + 1(0, 0, 1) = (1, 2, 1).
4
Observe que A e1 , A e2 e A e3 so, em termos absolutos, estritamente os mesmos
como no poderia deixar de ser: a transformao A no mudou. O que mudou foi sua
representao, ou seja: a base F = (f1 , f2 , f3 ) que escolhemos para o contra-domnio.
80
3o passo: O y que muda y3 ; portanto, o f que muda (novamente) o f1 !
f1 f1 + (1/2)f3 = (1, 1/4, 1/2),

F = (1, 1/4, 1/2), (0, 1, 0), (0, 0, 1) .
Ento:
4 2 1

[A] = 0 5/2 7/4

0 1 1/2
A e1 = 4f1 + 0f2 + 0f3

= 4(1, 1/4, 1/2) + 0(0, 1, 0) + 0(0, 0, 1) = (4, 1, 2),
5
A e2 = 2f1 + f2 + 2f3
2
5
= 2(1, 1/4, 1/2) + (0, 1, 0) + 1(0, 0, 1) = (2, 3, 2)
2
7
A e3 = 1f1 + f2 + 1f3
4
7 1
= 1(1, 1/4, 1/2) + (0, 1, 0) + (0, 0, 1) = (1, 2, 1).
4 2
Novamente, A e1 , A e2 e A e3 permanecem invariantes.
4o passo: Agora a transao entre a 2a e a 3a linhas. O y que muda y3 ; portanto,

o f que muda f2 .
f2 f2 + (2/5)f3 = (0, 1, 2/5),

F = (1, 1/4, 1/2), (0, 1, 2/5), (0, 0, 1) .
Ento:
4 2 1
[A] = 0 5/2 7/4

0 0 1/5
A e1 = 4f1 + 0f2 + 0f3

= 4(1, 1/4, 1/2) + 0(0, 1, 0) + 0(0, 0, 1) = (4, 1, 2),
5
A e2 = 2f1 + f2 + 0f3
2
5
= 2(1, 1/4, 1/2) + (0, 1, 2/5) + 0(0, 0, 1) = (2, 3, 2),
2
7 1
A e3 = 1f1 + f2 + f3
4 5
7 1
= 1(1, 1/4, 1/2) + (0, 1, 2/5) (0, 0, 1) = (1, 2, 1).
4 5
81
Em resumo, ao longo de todo o processo de escalonamento da matriz [A], a base
do domnio da transformao permaneceu fixa e igual base cannica E; por outro
lado, a base do contra-domnio foi mudando de tal maneira que, embora as matrizes [A]
mudassem, a transformao linear subjacente, A, permaneceu invariante.
Considere agora a matriz de projeo [P ] dada pela equao (116): esta matriz possui,
como sabemos, posto igual a 2, e um sistema formado a partir dela possui ou nenhuma
ou infinitas solues. Vamos revisitar a matriz, multiplicando-a por 6 (por simplicidade:
isto no muda o posto, como voc pode h
verificar)
i>
e construndo de trs para frente um
problema. Suponha novamente [x] = 1 2 3 , e obtenha

5 2 1 x1 6
2 2 2
x2 = 12 . (163)

1 2 5 x3 18
Montamos a matriz ampliada do sistema, [B] = [[A][y]]. Com Maxima:
(% i1 ) b : matrix ( [5 , 2 , -1 , 6] , [2 ,2 ,2 ,12] , [ -1 , 2 , 5 , 18] ) ;
[ 5 2 - 1 6 ]
[ ]
(% o1 ) [ 2 2 2 12 ]
[ ]
[ - 1 2 5 18 ]
Os passos do escalonamento agora so padronizados.

(% i2 ) b [2] : b [2] - (2/5)* b [1] $
(% i3 ) b ;
[ 5 2 - 1 6 ]
[ ]
[ 6 12 48 ]
(% o3 ) [ 0 - -- -- ]
[ 5 5 5 ]
[ ]
[ - 1 2 5 18 ]
(% i4 ) b [3] : b [3] + (1/5)* b [1] $
(% i5 ) b ;
[ 5 2 - 1 6 ]
[ ]
[ 6 12 48 ]
[ 0 - -- -- ]
(% o5 ) [ 5 5 5 ]
[ ]
[ 12 24 96 ]
[ 0 -- -- -- ]
[ 5 5 5 ]
(% i6 ) b [3] : b [3] - 2* b [2] $
(% i7 ) b ;
[ 5 2 - 1 6 ]
[ ]
[ 6 12 48 ]
(% o7 ) [ 0 - -- -- ]
[ 5 5 5 ]
[ ]
[ 0 0 0 0 ]
O aparecimento de uma linha nula na matriz escalonada [A] nos informa que a nulidade
82
da transformao A 1, e que seu posto 2. O aparecimento de um 0 tambm na
ltima linha da matriz-coluna [y] nos diz que o sistema i compatvel: existem infinitas
h >
solues, sendo uma das quais, obviamente, [x] = 1 2 3 que postulamos para montar
o sistema. A soluo por retrossubstituio se segue:
5x1 + 2x2 1x3 = 6, (164)

6 12 48
0x1 + x2 + x3 = , (165)
5 5 5
0x1 + 0x2 + 0x3 = 0. (166)
Na 3a linha, qualquer valor para x3 (a rigor, qualquer valor para qualquer dos xj s)
possvel: escolhemos x3 = 3 e substitumos na 2a linha:
5 48 12

x2 = 3 = 2. (167)
6 5 5
Finalmente,
1
x1 = (6 2 2 + 1 3) = 1 (168)
5
O que ser que acontece com os vetores da base do contra-domnio? Repetindo todo
o procedimento para o calculo de sucessivas bases F feito anteriormente, temos:
1o passo: F inicia o processo como a base cannica:

F = (1, 0, 0), (0, 1, 0), (0, 0, 1) .
Ento:
5 2 1
[A] = 2 2 2

1 2 5
A e1 = 5f1 + 2f2 + 1f3

= 5(1, 0, 0) + 2(0, 1, 0) + 1(0, 0, 1) = (5, 2, 1),
A e2 = 2f1 + 2f2 + 2f3
= 2(1, 0, 0) + 3(0, 1, 0) + 2(0, 0, 1) = (2, 2, 2),
A e3 = 1f1 + 2f2 + 5f3
= 1(1, 0, 0) + 2(0, 1, 0) + 1(0, 0, 1) = (1, 2, 5).
2o passo: O y que muda y2 ; portanto, o f que muda o f1 !
f1 f1 + (2/5)f2 = (1, 2/5, 0),

F = (1, 2/5, 0), (0, 1, 0), (0, 0, 1) .
83
Ento:
5 2 1

[A] = 0 6/5 12/5

1 2 5
A e1 = 5f1 + 0f2 + 1f3

= 5(1, 2/5, 0) + 0(0, 1, 0) + 1(0, 0, 1) = (5, 2, 1)
6
A e2 = 2f1 + f2 + 2f3
5
6
= 2(1, 1/4, 0) + (0, 1, 0) + 2(0, 0, 1) = (2, 2, 2)
5
12
A e3 = 1f1 + f2 + 5f3
5
12
= 1(1, 1/4, 0) + (0, 1, 0) + 5(0, 0, 1) = (1, 2, 5).
5
3o passo: O y que muda y3 ; portanto, o f que muda (novamente) o f1 !
f1 f1 (1/5)f3 = (1, 2/5, 1/5),

F = (1, 2/5, 1/5), (0, 1, 0), (0, 0, 1) .
Ento:
5 2 1
[A] = 0 6/5 12/5

0 12/5 24/5
A e1 = 5f1 + 0f2 + 0f3

= 5(1, 2/5, 1/5) + 0(0, 1, 0) + 0(0, 0, 1) = (5, 2, 1),
6 12
A e2 = 2f1 + f2 + f3
5 5
6 12
= 2(1, 2/5, 1/5) + (0, 1, 0) + (0, 0, 1) = (2, 2, 2)
5 5
12 24
A e3 = 1f1 + f2 + f3
5 5
12 24
= 1(1, 2/5, 1/5) + (0, 1, 0) + (0, 0, 1) = (1, 2, 5).
5 5
4o passo: Agora a transao entre a 2a e a 3a linhas. O y que muda y3 ; portanto,

o f que muda f2 .
f2 f2 + 2f3 = (0, 1, 2),

F = (1, 2/5, 1/5), (0, 1, 2), (0, 0, 1) .
84
Ento:
5 2 1

[A] = 0 6/5 12/5

0 0 0
A e1 = 5f1 + 0f2 + 0f3

= 4(1, 2/5, 1/5) + 0(0, 1, 0) + 0(0, 0, 1) = (5, 2, 1),
6
A e2 = 2f1 + f2 + 0f3
5
6
= 2(1, 2/5, 1/5) + (0, 1, 2) + 0(0, 0, 1) = (2, 2, 2),
5
12
A e3 = 1f1 + f2 + 0f3
5
12
= 1(1, 2/5, 1/5) + (0, 1, 2) + 0(0, 0, 1) = (1, 2, 5).
5
Observe que os vetores da base F final permanecem LI como no poderia deixar de ser,
seno F no seria mais uma base do contra-domnio R3 .
Isto nos leva agora forma operacional de determinar o posto e a nulidade de uma
transformao/matriz:
Teorema 6.1 Seja A uma transformao linear entre dois espaos vetoriais finitos, e
[A] a matriz de A nas bases E, F . Se [A] j est na forma escada, o nmero de linhas
no-nulas de [A] igual ao posto de A.
6.2 Diagonalizao
O clculo de autovalores e autovetores nos proporciona uma poderosa alternativa para

resolver sistemas lineares. J vimos que matrizes simtricas com elementos reais sempre
produzem autovalores reais (no necessariamente distintos), e n autovetores ortonormais
(e portanto uma base para o Rn ver Teorema 5.1).
No captulo 3, vimos 3 exemplos (5.2, 5.3 e 5.4) em que as matrizes da transformao

nas bases de autovetores eram diagonais (possuam elementos no-nulos apenas na dia-
gonal). Isto no uma coincidncia: sempre que houver n autovetores LI com os quais
pudermos formar uma base do Rn , a matriz da transformao A nesta base ser diagonal.
A prova simples: de volta pagina 43, sabemos A ej = Aij ei , ou seja: que as colunas
de [A] (na base E) so as coordenadas, nesta base de A e1 , . . . , A en . Agora, se houver
uma base F = (f1 , . . . , fn ) formada por autovetores, ento necessariamente:
A fj = (j) fj = Aij F fi Aij F = ij (j) . (169)
Note que ns j vimos isso, de forma ligeiramente diferente, na aula de 4a

feira passada (03/04/2013).
85
Interprete a equao acima: os parnteses em torno de j indicam que no h soma
neste ndice. A ltima igualdade indica uma matriz diagonal; por extenso:

1 0 . . . 0
0 2 . . . 0

[Aij ]F = ..

.. . . (170)
. . ..

0 0 . . . n
Se conseguirmos uma base de autovetores, o sistema de equaes [A][x] = [y] torna-se

terrivelmente simples: comeamos interpretando as matrizes [A] e [x] como representan-
tes da transformao A e do vetor x na base cannica E; a matriz [A]F de A na base
F dos autovetores uma matriz com os autovalores na diagonal (e zeros no resto das
posies; veja (170) acima); se conseguirmos escrever o vetor y na base dos autovetores,
ento resolvemos o sistema desacoplado

1 0 . . . 0 x1 y1

0 2 . . . 0 x

2 y2

y
. = . xi = i F .

.
. . . .
. . . F
(171)
. . . . . (i)
0 0 . . . n xn F yn F
Infelizmente, este um grande se! Por hiptese, ns conhecemos os autovetores:
fi = Qji ej , (172)
de forma que as componentes de fi na base cannica so a i-sima coluna da matriz [Q]

(j vimos isto antes!). Segue-se que
y = y iF fi = yj ej ,
yiF Qji ej = yj ej
Qji yiF = yj
Q1
kj Qji yiF = Q1
kj yj
ykF = [Qkj ]1 yj , ou:

[y]F = [Q]1 [y]. (173)
Em outras palavras, para obter o vetor y na base F , preciso inverter a matriz n n

[Q], que um problema, em tese, to difcil quanto o original!
Ainda no acabou, porque queremos obter x na base cannica. Mas
x = xiF fi = xiF Qji ej = (Qji xiF ) ej xj = Qji xiF (174)

| {z }
xj
Este assunto, alm de terrivelmente simples, terrivelmente importante: na verdade,

uma boa parte deste texto so variaes sobre o tema de diagonalizao de diversas
transformaes lineares, e sua soluo sistemtica.
86
Exemplo 6.1 Resolva o sistema

3 1 4 2 x1 4
2 1 3 4 x 3
2
=

2 7 1 1 x3 2

1 4 2 1 x4 2
usando diagonalizao.
SOLUO
Comeamos especificando a matriz [A], a matriz-coluna [y], calculando os autovalores e os

autovetores:
2 # -* - coding : iso -8859 -1 -* -
3 # ------------------------------------------------------------------------------
4 # dia4 : dia gonaliza o de um sistema 4 x 4
5 # ------------------------------------------------------------------------------
7 from numpy import array , dot , zeros
8 from numpy . linalg import det , eig , inv
9 a = array ( [[3 ,1 ,4 ,2] ,[2 ,1 ,3 ,4] ,[2 ,7 ,1 ,1] ,[1 ,4 ,2 ,1]] )
10 y = array ( [4 ,3 ,2 ,2])
11 # ------------------------------------------------------------------------------
12 # calcula autovalores ( lamb ) e autovetores ( q )
13 # ------------------------------------------------------------------------------
14 ( lamb , q ) = eig ( a )
15 # ------------------------------------------------------------------------------
16 # autovalores :
17 # ------------------------------------------------------------------------------
18 print ( ' autovalores : ')
19 print ( ' lamb = ' , lamb )
20 print ( ' - ' *20)
22 f = q.T
23 print ( 'f = ' , f )
O resultado parcial
autovalores :
lamb = [ 9.80906556 1.40903018 -3.6537022 -1.56439354]
--------------------
autovetores :
f = [[ 0.52205158 0.49568904 0.55910694 0.41128331]
[ 0.89294202 -0.2067781 -0.11145378 -0.3840253 ]
[ 0.44484828 0.41220763 -0.78724061 -0.11156656]
[ 0.55823419 0.09243805 -0.78547225 0.25072521]]
Note que a varivel f a transposta da varivel q (que representa a matriz [Q]): em cada
linha acima, lemos os elementos de cada um dos autovetores. Prosseguimos, verificando se h 4
autovetores LI:
24 # ------------------------------------------------------------------------------
25 # verificamos se h 4 autovetores LI
26 # ------------------------------------------------------------------------------
27 if det ( q ) == 0:
28 ans = ' No : '
29 else :
30 ans = ' Sim : '
31 print ( ' LI ? ' + ans + ' det q = ' , det ( q ))
87
A resposta
LI ? Sim : det q = 0.41467524126
Talvez a essncia do processo de diagonalizao seja agora a obteno de [y]F :

32 # ------------------------------------------------------------------------------
33 # projetamos y na base dos autovetores
34 # ------------------------------------------------------------------------------
35 yf = dot ( inv ( q ) , y )
36 # ------------------------------------------------------------------------------
37 # sempre bom verificar
38 # ------------------------------------------------------------------------------
39 yz = zeros (4)
41 yz += yf [ j ]* f [ j ]
42 y = array (y , float )
43 assert ( y . all () == yf . all ())
44 print ( ' yf = ' , yf )
Cuja resposta
yf = [ 5.47425228 0.60736034 0.92376944 0.33835826]
Portanto,
h i>
[y] = 4 3 2 2 (175)
h i>
[y]F = 5.47425228 0.60736034 0.92376944 0.33835826 . (176)
Cuidado, porque isto no uma soluo mais fcil do problema. A sujeira est escondida na
linha de programao
yf = dot ( inv ( q ) , y )
que quer dizer:

[y]F = [Q]1 [y]. (177)
aqui que Python/Numpy resolvem um problema totalmente equivalente, em complexidade, ao
problema original. O fato de que a soluo numrica aparentemente muito rpida e simples
no deve esconder este ponto fundamental: se a base de autovetores no for ortogonal, no h
ganho na soluo de sistemas lineares (mas pode haver outros ganhos: veja, por exemplo, o
problema 6.2)
De qualquer maneira, e independentemente de como o obtivemos, temos [y]F , de forma que

prosseguimos no clculo da soluo pelo mtodo de diagonalizao. Obtemos agora [x]F :
45 # ------------------------------------------------------------------------------
46 # funcionou , de forma que agora ns calculamos os xf 's
47 # ------------------------------------------------------------------------------
48 xf = zeros (4 , float )
50 xf [ j ] = yf [ j ]/ lamb [ j ]
51 # ------------------------------------------------------------------------------
52 # imprime os valores de xf
53 # ------------------------------------------------------------------------------
54 print ( ' xf = ' , xf )
88
cuja resposta
xf = [ 0.55808091 0.4310485 -0.25283107 -0.21628717]
e agora estamos a um passo do fim, j que basta aplicar (174):

55 # ------------------------------------------------------------------------------
56 # agora calcula x
57 # ------------------------------------------------------------------------------
58 x = dot (q , xf )
59 print ( 'x = ' , x )
que d como resposta:

x = [ 0.44303797 0.06329114 0.63291139 0.03797468]
Tudo isto poderia ter sido obtido diretamente calculando-se

[x] = [A]1 [y] (178)
que se obtm com Numpy, fazendo-se
60 # ------------------------------------------------------------------------------
61 # mas ser que est certo ?
62 # ------------------------------------------------------------------------------
63 x = dot ( inv ( a ) , y )
64 print ( 'x = ' , x )
cuja resposta, mais uma vez, teria sido

x = [ 0.44303797 0.06329114 0.63291139 0.03797468]
o que verifica a correo do mtodo, neste caso
A equao (177) tambm vale, naturalmente, para o vetor x:

[x]E = [Q][x]F ;
aplicando-a tanto para x quanto para y para a transformao y = A x, obtm-se
[y]E = [A]E [x]E ,
[Q][y]F = [A][Q][x]F ,
[y]F = [Q]1 [A]E [Q][x]F . (179)
Mas ns j sabemos que a matriz da transformao diagonal na base F . Portanto,

1 0 . . . 0
0 2 . . . 0

1
= [A]F = [Q] [A]E [Q]. (180)
. ..
. ..
. . .
0 0 . . . n
89
Observe a semelhana de (103) com (180). A diferena, naturalmente, que aquela valia
para rotaes, ou seja: mudanas de uma base ortonormal para outra (onde [C]> =
[C]1 ), enquanto que esta mais geral, e vale para mudanas genricas de base.
Mtodos de diagonalizao so muito mais poderosos do que o nosso primeiro exemplo

6.1, um tanto longo e igualmente pessimista, pode nos fazer crer. De fato, o exemplo 5.1
j apontava para o poder do uso de autovalores e autovetores para desacoplar (ou seja,
diagonalizar) sistemas de equaes lineares.
Exemplo 6.2 Resolva o sistema

u 0 1 1 u1
d 1
u2 = 1 1 1 u2

dt
u3 1 1 0 u3
SOLUO
Os autovalores e autovetores da transformao linear (representada por hiptese na base

cannica) so

1 = 1 2, f1 = (1, 2, 1),

2 = 1 + 2, f2 = (1, + 2, 1),
3 = 1, f3 = (1, 0, 1).
Na base dos autovetores, o sistema fica

u1 1 2 0 0 u1
d
u2 = 0 1 + 2 0 u2

dt
u3 F 0 0 1 u3 F
Estas so 3 equaes diferenciais ordinrias desacopladas, cada uma delas do tipo

duF i
= (i) uF i
dt
com soluo
uF i (t) = ci e(i) t
(por que os (i)s?) aqui, muito til enfatizar que se trata das componentes de u na base
F . Os ci s so constantes de integrao. A soluo portanto naturalmente escrita na base F
como
u = uF i fi .
90
Note que existe uma soma implcita em i acima. A genialidade simples do mtodo consiste agora
em reescrever a equao acima na base . . . cannica! veja:
3
X
u= uF i fi ,
i=1
X3
u= ci e(i) t fi ,
i=1

u1 1
1 1
(1 2)t (1+ 2)t t
u2 = c1 e 2 + c2 e 2 + c3 e 0

u3 1 1 1
Vamos agora avanar para uma outra idia: equaes diferenciais de ordem maior
que 1 podem ser escritas como sistemas de equaes de ordem 1. Quando isto acontece,
muitas vezes as tcnicas de diagonalizao e o uso de autovalores e autovetores fornecem
a chave para a soluo. Um outro elemento que vai entrar em cena agora que muitas
vezes natural passar de espaos vetoriais reais para espaos vetoriais complexos. De
fato, mais do que natural, muitas vezes essencial.
Considere portanto uma velha conhecida:
d2 u
+ u = 0.
dt2
Sabemos que a soluo geral em termos de funes reais
u(t) = A cos t + B sen t.
Tente entretanto
du
= v,
dt
dv
= u;
dt
evidentemente, trata-se da mesma equao, desdobrada em duas equaes diferenciais
ordinrias de ordem 1, via a introduo da funo v(t). Matricialmente,
" # " #" #
d u 0 1 u
=
dt v 1 0 v
A tentao de calcular os autovalores e autovetores, como antes, irresistvel. Desta vez,

entretanto, obteremos quantidades complexas:
1
1 = +i, f1 = (1, i),
2
f
2 = i, f2 = (1, i).
2
91
Seguindo ao longo da mesma linha de antes, devemos ter portanto
" # " # " #
u 1 1
= c1 eit + c2 eit .
v i i
primeira vista, se no temos muita intimidade com os nmeros complexos C, fica

parecendo que encontramos uma soluo diferente da clssica u = A cos t + B sen t, a
saber
u(t) = c1 eit + c2 eit .
possvel, entretanto, obter uma soluo u(t) puramente real impondo
c1 = (A iB)/2,
c2 = (A + iB)/2,
e em seguida utilizando a frmula de Euler eit = cos t i sen t:
A iB it A + iB it
u(t) = e + e ,
2 2
A iB A + iB
u(t) = [cos t + i sen t] + [cos t i sen t]
2 2
u(t) = A cos t + B sen t.
Em outras palavras, a regra de estudar as razes da equao caracterstica da equao
diferencial,
2 + 1 = 0
e montar a soluo a partir da natureza destas razes, apenas uma forma um pouco es-
condida de montar um problema de autovalor-autovetor, e ento resolv-lo com as tcnicas
de lgebra Linear.
Exerccios propostos
6.1 Obtenha a forma escada de:

1 2 1 0
1 0 3 5 .

1 2 1 1
Soluo na listagem 5.
6.2 [Greenberg, 1998, p. 581, Ex. 11.4-7] Mostre que se [A] diagonalizvel, com
[Q]1 [A][Q] = [D],
ento
[A]m = [Q][D]m [Q]1 ,
que infinitamente mais simples de calcular do que [A]m , pois
m m
1 . . . 0 1 ... 0

.. . . . .. .. .
[D]m = . . .. = . . .. .
0 . . . n 0 . . . m
n
92
Listing 5: Obteno de uma matrix na forma escada com Maxima.
1 (% i1 ) mm : matrix ([1 ,2 ,1 ,0] , [ -1 ,0 ,3 ,5] , [1 , -2 ,1 ,1] );
2 [ 1 2 1 0 ]
3 [ ]
4 (% o1 ) [ - 1 0 3 5 ]
5 [ ]
6 [ 1 - 2 1 1 ]
7 (% i2 ) mm [2] : mm [1] + mm [2] ;
8 (% o2 ) [0 , 2 , 4 , 5]
9 (% i3 ) mm [3] : mm [1] - mm [3] ;
10 (% o3 ) [0 , 4 , 0 , - 1]
11 (% i4 ) mm ;
12 [ 1 2 1 0 ]
13 [ ]
14 (% o4 ) [ 0 2 4 5 ]
15 [ ]
16 [ 0 4 0 - 1 ]
17 (% i5 ) mm [3] : mm [3] - 2* mm [1] ;
18 (% o5 ) [ - 2 , 0 , - 2 , - 1]
19 (% i6 ) mm ;
20 [ 1 2 1 0 ]
21 [ ]
22 (% o6 ) [ 0 2 4 5 ]
23 [ ]
24 [ - 2 0 - 2 - 1 ]
25 (% i7 ) kill ( all );
26 (% o0 ) done
27 (% i1 ) mm : matrix ([1 ,2 ,1 ,0] , [ -1 ,0 ,3 ,5] , [1 , -2 ,1 ,1] );
28 [ 1 2 1 0 ]
29 [ ]
30 (% o1 ) [ - 1 0 3 5 ]
31 [ ]
32 [ 1 - 2 1 1 ]
33 (% i2 ) mm [2] : mm [2] + mm [1] ;
34 (% o2 ) [0 , 2 , 4 , 5]
35 (% i3 ) mm [3] : mm [3] - mm [1] ;
36 (% o3 ) [0 , - 4 , 0 , 1]
37 (% i4 ) mm ;
38 [ 1 2 1 0 ]
39 [ ]
40 (% o4 ) [ 0 2 4 5 ]
41 [ ]
42 [ 0 - 4 0 1 ]
43 (% i5 ) mm [3] : mm [3] + 2* mm [2] ;
44 (% o5 ) [0 , 0 , 8 , 11]
45 (% i6 ) mm ;
46 [ 1 2 1 0 ]
47 [ ]
48 (% o6 ) [ 0 2 4 5 ]
49 [ ]
50 [ 0 0 8 11 ]
93
6.3 Resolva
u 0 1 1 u1
d 1
2 1 0 1 u2 .
u =

dt
u3 1 1 0 u3
Os autovalores e autovetores so
1 = 2, f1 = (1, 1, 1),
2 = 1, f2 = (1, 0, 1),
3 = 1, f3 = (0, 1, 1).
Neste caso, apesar de haver apenas dois autovalores distintos, h 3 autovetores LI; portanto, a
soluo geral
u1 1 1 0
2t t t
u2 = c1 e 1 + c2 e 0 + c3 e 1

u3 1 1 1
6.3 Tensores
Tensores tm a ver com funcionais. Muitas vezes, um funcional definido assim:
Um funcional uma funo que associa uma funo a um escalar.
Em outras palavras, muitas vezes um funcional aparece como um mapeamento de um

conjunto de funes em um conjunto de escalares. Mas no assim que Nearing define
funcionais:
(Nearing, p. 329) Um funcional uma funo que mapeia vetores em escalares.
Mas funes podem ser, em muitos contextos, vistas como vetores. Portanto, parece
que a segunda definio mais geral do que a primeira.
Tensor de inrcia Dado um corpo ocupando um volume V no espao, e um eixo

orientado ao longo do vetor unitrio n (ver figura 10), o momento de inrcia em relao
ao eixo Z
Iaa [h(r)]2 dV. (181)
V
Em (181), h(r) a distncia de cada ponto do corpo no volume material V at o eixo
AA0 . Ela pode ser calculada com um produto vetorial:
h = |r|1 sen = |r n|.
94
z A
h
r
x A
Figura 10: Momento de inrcia de um corpo cujo volume material V em relao a um

eixo (linha tracejada) cujo normal n.
95
Portanto,
h2 = [r n] [r n],
e Z
Iaa = [r n] [r n] dV.
V
Agora, na base cannica,
r = xi e i ,
n = nj ej ,
[r n] [r n] = [ijk xi nj ] [lmk xl nm ]
= (ijk lmk ) xi nj xl nm
= (il jm im jl ) xi nj xl nm
= xi n j xi n j xi n j xj n i
= ni (xp xp )ij nj ni xi xj nj
= ni [(xp xp )ij xi xj ] nj .
Podemos interpretar matricialmente:
[r n] [r n] = [n]> [I][n]

h i I11 I12 I13 n1
= n1 n2 n2 ,
n3 I21 I22 I23

I31 I32 I33 n3
onde 2
x2 + x23

Z x1 x2 x1 x3
[I] = x2 x1

x21 + x23 x2 x3
dV (182)
x3 x1 x3 x2 x21 + x22
a matriz do tensor de inrcia I na base cannica.
Definio Um funcional uma funo escalar de um vetor. Em outras palavras, um

funcional uma relao da forma
f : V F,
v 7 f (v).
Um funcional linear obedece propriedade
f (u + v) = f (u) + f (v).
Teorema 6.2 Teorema da representao: Se f um funcional linear, ento existe um

nico vetor a tal que
f (v) = a v, v.
96
Faa
a = ai ei f (ei )ei ai f (ei );
ento,
f (v) = f (vi ei ) = vi f (ei ) = vi ai = a v
Um problema dessa deduo que ela depende de uma base. Talvez valha a pena ver
como Spiegel faz.
Funcionais podem ser multilineares, do tipo

T (u, v) F.
Multilinearidade significa linearidade em ambas as posies de u e v. Ento,
T (1 u1 + 2 u2 , v) = 1 T (u1 , v) + 2 T (u2 , v);

T (u, 1 v1 + 2 v2 ) = 1 T (u, v1 ) + 2 T (u, v2 ).
No caso acima, T de fato um funcional bilinear, ou um tensor de ordem 2. Note que
voc pode fixar qualquer um deles. Em particular, devemos ter
T (u, v) = Te (u) v = u Td (v).
Note que Te e Td so vetores. Note tambm que
Te (u) v = Tej vj ,
u Td (v) = ui Tdi .
Mas ambas as expresses acima so iguais, o que s possvel se Tej e Tdi assumirem as
formas
Tej = ui Tij ,
Tdi = Tij vj .
Portanto,
T (u, v) = ui Tij vj .
Este resultado ser obtido se escrevermos

T = Tij ei ej
e adotarmos umas regrinhas simples, que melhor mostrar diretamente com um exemplo:
T (u, v) = u T v
= u Tij ei ej v
= (u ei )Tij (ej v)
= ui Tij vj
97
Note que as operaes acima pressupem uma base (pelo menos) ortogonal; os tensores
que resultam dessas definies so chamados de tensores cartesianos.
Operaes entre tensores so naturalmente generalizadas por meio das regras acima.
Por exemplo: se A e B forem dois tensores de ordem 2,
A B = Aij ei ej Bkl ek el
= ei Aij Bkl (ej ek )el
= ei Aij Bkl jk el
= ei Aij Bjl el
= Aij Bjl ei el .
Observe que isso essencialmente equivalente ao produto entre duas matrizes. Tambm
existe a chamada dupla contrao:
A : B = Aij ei (ej Bkl ek ) el

= ei Aij Bkl (ej ek )el
= (ei Aij Bkl jk ) el
= Aij Bjl (ei el )
= Aij Bjl il
= Aij Bji .
Um fato bem conhecido e importante em anlise tensorial o seguinte: a dupla con-

trao de um tensor T genrico com um tensor simtrico S igual dupla contrao da
parte simtrica de T com S.
S um tensor (de ordem 2) simtrico se:
Sij = Sji
(bvio).
Qualquer tensor T pode ser decomposto em uma parte simtrica, e uma antissimtrica:
T = Tij ei ej
1 1
= [Tij + Tji ] ei ej + [Tij Tji ] ei ej .
|2 {z } |2 {z }
simtrica antissimtrica
98
Seja ento T um tensor genrico, e S um tensor simtrico. Vamos prova:
T : S = Tij ei ej : Skl ek el
= Tij Sji
1 1
= Tij Sji + Tji Sij
2 2
1 1
= Tij Sji + Tji Sji (pela simetria de S)
2 2
1
= [Tij + Tji ] Sji
2
Pule a seo 12.4 do Nearing.
Antes de seguirmos para tensores no-cartesianos se que chegaremos l ns

precisamos pelo menos estabelecer as bases de clculo com tensores cartesianos. Isso no
difcil. Na verdade, extremamente fcil, se nos ativermos s regras. Alm disso, ns
vamos falar aqui apenas do absolutamente essencial: a noo de divergncia, e a noo de
gradiente. Essas duas coisas so ensinadas em Clculo da seguinte maneira: se f (x, y, z)
uma funo escalar, o gradiente de f (em coordenadas cartesianas) o vetor
!
f f f f f f
f = , , =i +j +k .
x y z x y z
Por outro lado, se v(x, y, z) = (vx (x, y, z), vy (x, y, z), vz (x, y, z)) uma funo vetorial,
a divergncia de v o escalar
vx vy vz
v = + + .
x y z
Generalizao: dado um tensor de ordem n, sempre existe o gradiente deste tensor,

que um tensor (tambm) de ordem n + 1. Alm disso, dado um tensor de ordem n > 0,
sempre existe o divergente deste tensor, que um tensor (tambm) de ordem n 1.
Para um tensor cartesiano T de ordem 0, que nada mais do que um escalar, temos:
T
T = ei T = ei .
xi xi
Compare com a expresso para o gradiente de f acima: a mesma coisa.
99
Para um tensor cartesiano T de ordem 1, teremos:
Tj
T = ei Tj ej = ei ej ;
xi xi
Tj
T = ei Tj ej = (ei ej )
xi xi
Tj Ti
= ij = .
xi xi
Isso a mesma coisa que v acima: compare.
Para um tensor cartesiano de ordem 2, teremos:

T = ei Tjk ej ek
xi
Tjk
= ei ej ek ;
xi

T = ei Tjk ej ek
xi
Tjk
= (ei ej )ek
xi
Tjk
= ij ek
xi
Tik
= ek .
xi
preciso um pouco de cuidado porque as definies acima no so nicas na literatura.

Note por exemplo que a matriz que representa o vetor de ordem 2 T (quando T
um vetor) tem Tj /xi para o seu elemento i, j. Alguns livros, entretanto, definem a
transposta:
Ti
[[T ]ij ] = .
xj
Qual das duas usar? Use a minha, porque ela mais natural (depois que voc se acostu-
mar)! Mas a outra forma tambm possvel, desde que usada consistentemente. Obvia-
mente, a mistura das duas leva ao desastre.
Referncias
Barenblatt, G. I. (1996). Scaling, self-similarity and intermediate asymptotics. Cambridge

University Press.
Bressoud, D. M. (1991). Second Year Calculus. Springer-Verlag.
Greenberg, M. D. (1998). Advanced engineering mathematics. Prentice Hall, Upper Saddle
River, New Jersey 07458, 2a edio.
100
Jeffrey, A. (1995). A handbook of mathematical formulas and integrals. Academic Press,
San Diego.
Kreider, D. L., Kuller, R. G., Ostberg, D. R., e Perkins, F. W. (1966). An Introduction

to Linear Analysis. Addison-Wesley Publishing Company, Reading, Massachusetts.
Nearing, J. (2009). Mathematial Tools for Physics. Dover Publications.
Simonsen, M. H. (1994). Ensaios Analticos. Editora da Fundao Getlio Vargas, Rio

de Janeiro.
101

Tea752 Emcurso 2013

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tea752 Emcurso 2013

Enviado por

Direitos autorais:

Formatos disponíveis

Notas de Aula, TEA752

Nelson Lus Dias

A pgina desta disciplina :

1 2013-03-17T14:28:22 Anlise Dimensional 2

2 2013-03-18T17:53:18 Formalizao de Anlise Dimensional 6

3 2013-03-24T09:45:19 Geometria e lgebra 12

4 2013-04-01T09:13:59 Determinantes, lgebra linear 39

6.1 Eliminao de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

1 2013-03-17T14:28:22 Anlise Dimensional

Prover uma formao escolstica slida ao aluno.

Preparar o aluno para fazer pesquisa.

Embora eu no v ganhar cem milhes, a resposta no muito difcil. E ela se desdobra

A lista poderia continuar indefinidamente, mas os itens acima j do uma idia da

claro que existem obstculos. Um grande obstculo, talvez o maior de todos, a

Persistncia No desista primeira dificuldade. Volte aos problemas que voc no

Veja: Barenblatt [1996], captulos 1 e 2.

O perodo de um pndulo T . O comprimento da corda L. A massa do pndulo m.

As unidades fundamentais so M, T, L. A nica varivel da lista acima que envolve

m no pode fazer parte da lista de variveis que intervm no clculo de T !

Com a ltima equao dimensional, podemos construir uma varivel adimensional

Suponha um escoamento de um fluido com massa especfica e viscosidade cinemtica

As dimenses fundamentais so, novamente, M, L, T. Mas nem sempre isto ser

Temos 5 variveis, e 3 dimenses fundamentais. Devemos ter 2 grupos adimensio-

Note que o expoente de F 1, sem perda de generalidade

1 = M1+c L1+a+b3c T2b

Temos um sistema de equaes em a, b, c:

A soluo do sistema a = 2, b = 2, c = 1, donde

Procuramos, da mesma forma, o segundo parmetro adimensional:

Ns acabamos de encontrar 2 = 1/Re, onde Re o nmero de Reynolds em mecnica

Na verdade, tanto faz 2 ou 1/2 , e nossa relao em uma roupagem clssica

2 2013-03-18T17:53:18 Formalizao de Anlise

Teorema 2.1 Se V o domnio, K o ncleo e Y a imagem de A,

Definio A nulidade, e o posto, de A so:

Por exemplo, num escoamento em dutos,

Se um pesquisador fosse realizar 10 medidas independentes de cada uma das variveis

ento a dimenso fsica de dada por:

Uma ltima palavra de precauo fsica, no matemtica refere-se ao termo di-

Observao: no nosso Exemplo 2 acima, evidente que n = 5, r = 3, donde s = 2.

Verifique com o Exemplo 1!

Definio formal de Dimenso

Definio As dimenses das unidades fundamentais que definem a classe do sistema

No caso acima, as unidades fundamentais so massa, comprimento e tempo. As di-

Definio Quantidades cujos valores numricos no mudam quando passam de um

Considere o seguinte princpio: todos os sistemas de uma determinada classe so

Anlise dimensional e formas universais de funes de fenmenos

Em geral ns procuramos (Eq. (1.19) de Barenblatt):

b1 = Ja1 Kp1 . . . Jak Kr1 ,

Teorema 2.4 Teorema dos Pi (verso de Barenblatt: novamente!):

O Teorema dos Pi simplesmente afirma que as leis da Fsica no dependem do

Note que, essencialmente, ns simplesmente adicionamos g lista de variveis que j

O que o teorema dos Pi agora nos permite escrever

Com isso, chegamos ao fim de nossa primeira aula.

3 2013-03-24T09:45:19 Geometria e lgebra

Comece lendo todo o captulo 6 de Nearing [2009].

Depois passe para o captulo 7.

Em geral, ns estamos acostumados a associar o vetor algbrico (2, 1) ao vetor geo-

A relao entre os objetos algbricos com os quais ns lidamos em matemtica e os

Conhecida a base E, portanto, posso representar v por

muito importante no confundir um vetor com a matriz-coluna que o repre-

Em at 3 dimenses, conveniente utilizar a notao x, y, z para 3 eixos mutuamente

No h uma terminologia universal, e separada, para os elementos de um vetor alg-

porm (em geral)

v1 6= vE1 , v2 6= vE2 , ..., vn 6= vEn .

Uma frmula muito til envolvendo s e s quando n = 3 a

ijk lmk = il jm im jl . (49)

12k 31k = 121 311 + 122 312 + 123 313 = 0 = 13 21 11 23 = 0 0 = 0