Algebra Linear para Computação

A lgebra Linear Aplicada para Cursos de
Matematica e Computac~ao.
Paulo Werlang de Oliveira

Francisco Alberto Rheingantz Silveira
Faculdade de Matematica { PUCRS
Porto Alegre, janeiro de 2001.

CIP { CATALOGACA~ O NA PUBLICACA~ O
O48g Oliveira, Paulo Werlang de

A lgebra Linear Aplicada para Cursos de
Matematica e Computac~ao. /
Paulo Werlang de Oliveira, Francisco Alberto Rheingantz
Silveira. | Porto Alegre, 2001.
166 p. ; il.
1. Matematica Computacional. 2. Computac~ao

Graca. 3. A lgebra Linear. I. Silveira, Francisco
Alberto Rheingantz. II. Ttulo.
CDD: 004.0151
006.6
515
Elaborada pelo Setor de Processamento Tecnico da BC{PUCRS

PREFA CIO
Este mini-curso tem por objetivo principal reunir alguns dos conceitos
mais importantes da A lgebra Linear para os alunos de cursos de graduaca~o em areas
exatas, como Matematica, Informatica e Engenharias.
O material aqui relacionado vem sendo utilizado na disciplina de A lgebra
Linear e Geometria Analtica do currculo do curso de Bacharelado em Informatica
da PUCRS desde o primeiro semestre letivo de 1998.
A diferenca fundamental de um curso tradicional e sua vis~ao computa-
cional, com utilizac~ao do software de computac~ao algebrica MAPLE V, bem como o
uso dos conceitos matematicos desenvolvidos em problemas da Computac~ao Graca,
como interpolac~ao e ajuste de polinômios, transformaco~es lineares e ans, morphing
e criptograa, numa vis~ao computacional e pratica, proporcionando aprendizado de
conceitos de A lgebra Linear e do software MAPLE V.
A pesquisa desenvolvida para a realizac~ao deste mini-curso teve o apoio
da FAPERGS { Fundac~ao de Amparo a Pesquisa do Estado do Rio Grande do Sul.
Os agradecimentos devem tambem ser debitados aos professores Paulo
Winterle e Francisco Leal Moreira, por suas inumeras e frutferas discuss~oes e con-
tribuic~oes.
Porto Alegre, janeiro de 2001.
Paulo Werlang de Oliveira

Francisco Alberto Rheingantz Silveira
Informac~oes:
Pontifcia Universidade Catolica do Rio Grande do Sul.
Faculdade de Matematica { Departamento de Matematica.
Av. Ipiranga, 6681. Predio 15. Sala 115.
Caixa Postal: 1429. Partenon.
C.E.P.: 90.619-900 { PORTO ALEGRE { RS { BRASIL
Telefone: (0xx51) 3320.35.31. { Fax: (0xx51) 3320.36.31
E-Mail: pwerlang@mat.pucrs.br, farsilveira@pucrs.br
Sumario 5
SUMA RIO
LISTA DE FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
LISTA DE TABELAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1 INTRODUCA~ O . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 MATRIZES, VETORES E SISTEMAS LINEARES . ....... 17

2.1 Denic~oes Basicas . . . . . . . . . . . . . . . . . . . . . ....... 17
2.2 Operac~oes Matriciais e Vetoriais . . . . . . . . . . . . ....... 20
2.3 Metrica Matricial . . . . . . . . . . . . . . . . . . . . . ....... 28
2.4 Miscelânea de Propriedades . . . . . . . . . . . . . . . ....... 30
3 SOFTWARE PARA A RESOLUCA~ O DE SISTEMAS LINEARES

E MATRIZES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1 Linguagens de Programac~ao . . . . . . . . . . . . . . . . . . . . . 32
3.2 Software de Computac~ao Algebrica . . . . . . . . . . . . . . . . . . 34
3.3 MAPLE V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.1 Caractersticas do MAPLE V . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.2 MAPLE V { Comandos Basicos . . . . . . . . . . . . . . . . . . . . . . 40
4 ME TODOS COMPUTACIONAIS PARA A RESOLUCA~ O DE

SISTEMAS LINEARES . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1 Metodos Diretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
XXIV CNMAC
6 Algebra Linear Aplicada para Cursos de Matematica e Computac~ao.
4.1.1 Metodo de Eliminac~ao Gaussiana . . . . . . . . . . . . . . . . . . . . 48
4.1.2 Metodo de Castilhos . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.1.3 Fatorac~ao Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.1.4 Fatorac~ao de Strassen . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Metodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.1 O Metodo Iterativo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . 67
4.3 Resoluc~ao de Sistemas \Tipo Banda" . . . . . . . . . . . . . . . . 71
4.4 Calculo de Determinantes . . . . . . . . . . . . . . . . . . . . . . . 76
4.5 Invers~ao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5 APLICACO~ ES . . . . . . . . . . . . ................... 82
5.1 Ajuste de Dados . . . . . . . . . . ................... 84
5.2 Interpolac~ao Polinomial . . . . . ................... 89
5.3 \Splines Cubicos" . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.4 Transformac~oes Lineares Planas . . . . . . . . . . . . . . . . . . . 114
5.4.1 Rotac~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.4.2 Re ex~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.4.2.1 Re ex~ao em relac~ao a reta OX . . . . . . . . . . . . . . . . . . . . 119
5.4.2.2 Re ex~ao em relac~ao a reta OY . . . . . . . . . . . . . . . . . . . . 120
5.4.2.3 Re ex~ao em relac~ao a origem . . . . . . . . . . . . . . . . . . . . . 120
5.4.2.4 Re ex~ao em relac~ao a uma reta qualquer passando pela origem . . . 122
Belo Horizonte/MG.
Sumario 7
5.4.2.5 Re ex~ao de \Householder" . . . . . . . . . . . . . . . . . . . . . . . 122
5.4.3 Homotetia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.4.4 Cisalhamento Horizontal . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.4.5 Cisalhamento Vertical . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.5 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . . 131
5.6 Morphing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
ANEXO A-1 LISTAGEM DOS ALGORITMOS . . . . . . . . . . . 139

A-1.1 Algoritmo de Strassen para o Produto de Matrizes . . . . . 139
A-1.2 Algoritmo de Strassen para a Invers~ao de Matrizes . . . . . 141
A-1.3 Algoritmo de Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
A-1.4 Algoritmo Basico de Gauss . . . . . . . . . . . . . . . . . . . . 144
A-1.5 Algoritmo de Castilhos . . . . . . . . . . . . . . . . . . . . . . . 146
A-1.6 Fatorac~ao Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . . 147
A-1.7 Algoritmo para matrizes tridiagonais . . . . . . . . . . . . . . 148
A-1.8 Algoritmo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . 149
A-1.9 Algoritmo para Splines Cubicos . . . . . . . . . . . . . . . . . . 150
A-1.10 Algoritmo para Morphing . . . . . . . . . . . . . . . . . . . . . . 152
ANEXO A-2 O MAPLE V NA RESOLUCA~ O DE PROBLEMAS DA

GEOMETRIA ANALTICA . . . . . . . . . . . . . . . 154
A-2.1 Comandos Basicos do MAPLE V . . . . . . . . . . . . . . . . . . . 154
XXIV CNMAC
BIBLIOGRAFIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
Belo Horizonte/MG.
Sumario 9
LISTA DE FIGURAS
Figura 5.1 Equac~ao de Ajuste: y = 2x + 3 . . . . . . . . . . . . . . . . . . 88
Figura 5.2 Polinômio Interpolador: p(x) = x3 ; 2x2 + 3x ; 5 . . . . . . . . 93
Figura 5.3 Func~ao de Runge: f (x) = 1 + 125x2 . . . . . . . . . . . . . . . . 99
Figura 5.4 Splines Cubicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Figura 5.5 Modelo Geometrico Padr~ao . . . . . . . . . . . . . . . . . . . . 116
Figura 5.6 Rotac~ao de ângulo = 35 . . . . . . . . . . . . . . . . . . . . . 118
Figura 5.7 Re ex~ao em relac~ao a reta OX . . . . . . . . . . . . . . . . . . 119
Figura 5.8 Re ex~ao em relac~ao a reta OY . . . . . . . . . . . . . . . . . . 120
Figura 5.9 Re ex~ao em relac~ao a origem . . . . . . . . . . . . . . . . . . . 121
Figura 5.10 Re ex~ao em relac~ao a reta y = ;x . . . . . . . . . . . . . . . . 122
Figura 5.11 Re ex~ao de Householder em relac~ao ao vetor ~u = (3; 4) . . . . . 124
Figura 5.12 Contrac~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Figura 5.13 Dilatac~ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Figura 5.14 Cisalhamento horizontal com > 0 . . . . . . . . . . . . . . . . 127
Figura 5.15 Cisalhamento horizontal com < 0 . . . . . . . . . . . . . . . . 128
Figura 5.16 Cisalhamento vertical com > 0 . . . . . . . . . . . . . . . . . 129
Figura 5.17 Cisalhamento vertical com < 0 . . . . . . . . . . . . . . . . . 130
Figura 5.18 Morphing: Frame 1 . . . . . . . . . . . . . . . . . . . . . . . . . 135
XXIV CNMAC
Figura 5.19 Morphing: Frame 2 . . . . . . . . . . . . . . . . . . . . . . . 136
Belo Horizonte/MG.
Sumario 11
LISTA DE TABELAS
Tabela 4.1 Sequência de vetores calculados pelo Metodo de Gauss-Seidel . 70
Tabela 5.1 Valores Tabulados: Ajuste Linear y = ax + b. . . . . . . . . . . 84
Tabela 5.2 Valores Tabulados: Funca~o de Runge. . . . . . . . . . . . . . . . 94
XXIV CNMAC
APRESENTACA~ O
Desde 1996, professores das disciplinas de A lgebra Linear e Geometria
Analtica da FAMAT/PUCRS tem usado o software MAPLE V, mostrando aos alunos
aplicac~oes para varios problemas vistos em aula. No XXI CNMAC foi ministrado
o minicurso Geometria Analtica: Um Enfoque Computacional e agora, dando con-
tinuidade ao projeto, estamos submetendo este minicurso. O mesmo visa o estudo
e a resoluc~ao de problemas classicos de A lgebra Linear ministrados a alunos de
graduac~ao, tais como, interpolac~ao/ajuste de polinômios, transformac~oes lineares e
ans, morphing e criptograa, numa vis~ao computacional e pratica, proporcionando
aprendizado de conceitos de A lgebra Linear e do software MAPLE V.
Ementa:
Matrizes e vetores, interpolac~ao e ajuste de dados, transformaco~res lin-
eares e ans, morphing de imagens planas, MAPLE V: comandos para matrizes e
vetores e bibliotecas linalg, simplex, plots.
\A lgebra Linear Aplicada para Cursos de Matematica e Com-
putac~ao" e um livro elaborado com a intenca~o de servir como material de apoio ao

ensino da disciplina Algebra Linear e Geometria Analtica, do currculo do Curso de
Bacharelado em Informatica da PUCRS.
Por ser um material didatico, houve a preocupaca~o em expor os conteudos
de maneira simples, porem sem perda do rigor matematico. Cada captulo e estru-
turado a partir de denic~oes basicas, seguidas de exemplos. Apos, s~ao apresentados
os resultados mais complexos e, nalmente, cada captulo e concludo com uma lista
de exerccios de xac~ao.
A distribuic~ao dos captulos e dada abaixo:
Captulo 1: Fundamentac~ao Teorica

Apresentac~ao 13
S~ao abordados os seguintes topicos: operaco~es com vetores, equac~oes da
reta e do plano, combinac~ao linear e base, projec~ao de um vetor sobre
outro vetor, intersecc~ao de duas retas, intersecc~ao entre reta e plano e
entre dois planos, alem de exerccios de xaca~o.
Captulo 2: O MAPLE V na Resoluca~o de Problemas da Geo-
metria Analtica
S~ao apresentados os comandos da biblioteca de A lgebra Linear do MAPLE
V que ser~ao utilizados na resoluca~o dos problemas propostos no primeiro
captulo.
Captulo 3: Aplicac~oes da Geometria Analtica em Proble-
mas da Computac~ao
Aqui s~ao apresentadas duas aplicac~oes da Geometria Analtica em
Problemas da Computaca~o: Câmera Sintetica e Cobertura Convexa de
um Conjunto de Pontos do Plano.
XXIV CNMAC
Belo Horizonte/MG.
Apresentac~ao 15
1 INTRODUCA~ O
S~ao varios os problemas da Matematica e da Ciência da Computac~ao
cuja soluc~ao envolve a resoluc~ao de sistemas de equac~oes lineares e matrizes, tais
como:
problemas de interpolaca~o e ajuste de dados;

modelagem geometrica computacional por \ splines cubicos";
transformac~oes lineares planas, autovalores e autovetores;
\ morphing " (composica~o ponderada de imagens ou objetos);
invers~ao de matrizes;
resoluc~ao de sistemas lineares que surgem em problemas das ciências e
engenharias.
Neste exame de qualicaca~o a area de abrangência escolhida e o estudo

de metodos computacionais para a re-soluca~o de problemas envolvendo matrizes e
vetores de numeros reais, com exemplos de aplicac~oes em Matematica e Ciências
da Computaca~o e o tema de profundidade escolhido foi o estudo da a-ritmetica
intervalar matricial e seus respectivos metodos computacionais, com propostas de
soluc~ao para alguns problemas matriciais intervalares.
Este trabalho foi organizado da seguinte maneira:
O captulo 2 trata de matrizes, vetores e sistemas lineares de numeros
reais, apresentando as denico~es e conceitos basicos, alem de denir as operac~oes
usuais da aritmetica matricial e as principais propriedades que se far~ao necessarias
em captulos seguintes.
No captulo 3 e feito um estudo do software de computaca~o algebrica
MAPLE V, apresen-tando-se os principais comandos da biblioteca linalg para a res-
oluc~ao de problemas matriciais. Alem disso, s~ao feitas considerac~oes sobre outros
XXIV CNMAC
software e linguagens de programac~ao que podem ser usados para a resoluca~o de
problemas matriciais e sistemas lineares.
No captulo 4 s~ao estudados alguns dos metodos classicos para a res-
oluc~ao de problemas matriciais, como os metodos de Eliminaca~o Gaussiana e de
Castilhos, as fatorac~oes de Cholesky e de Strassen (todos estes, metodos diretos)
e um metodo iterativo, baseado na teoria do ponto xo, denominado Metodo de
Gauss-Seidel.
No captulo 5 s~ao apresentados alguns problemas de aplicac~ao para
matrizes e sistemas lineares em Matematica e Ciência da Computaca~o, dentre os
quais, os citados acima.
O tema de profundidade e tratado no captulo 6, onde s~ao estudados
os vetores e matrizes intervalares e s~ao vistas vers~oes intervalares dos metodos reais
estudados no captulo 4, vericando a sua viabilidade pratica.
Finalmente, no captulo 7 s~ao apresentadas as principais conclus~oes
obtidas durante a realizac~ao deste trabalho, com sugest~oes para trabalhos futuros.
Belo Horizonte/MG.
Apresentac~ao 17
2 MATRIZES, VETORES E SISTEMAS
LINEARES
Neste captulo ser~ao apresentados, de maneira resumida, os principais
conceitos sobre matrizes, vetores e sistemas lineares. Para maiores detalhes, vide
[KOL 97], [SCH 73], [LAW 95] (pag. 233 { 239), [KAI 80] (pag. 645 { 670) e
[STO 52] (pag. 1 { 104).
2.1 Denic~oes Basicas

Denic~ao 2.1 (Vetor) Um vetor n dimensional e uma tupla ordenada constituda
de n numeros reais e denotado por
~u = (u1; u2; : : : ; un)
Denic~ao 2.2 (Matriz) Uma matriz de ordem m n e um arranjo retangular de

numeros reais com m linhas e n colunas, denotada por
0 a11 a12 : : : a1n 1
BB a21 a22 : : : a2n C
C
Amn = (aij )mn = BB@ .. . . . .. C
. C
.. A
. .
am1 am2 : : : amn
Denic~ao 2.3 (Matriz Transposta) Seja Amn uma matriz. A matriz trans-
posta da matriz A e a matriz denida por A0nm onde a0ij = (aji), ou seja
0 a11 a21 : : : am1 1
BB a12 a22 : : : am2 CC
A0 nm = BB@ ... ... ... ... CCA
a1n a2n : : : amn
XXIV CNMAC
0 1
1 2 3 4
Exemplo 2.1 Dada a matriz A34 = B@ 5 6 7 8 CA, sua transposta e A0 43 =
01 5 91 9 10 11 12
B
B 2 6 10 CC
B
@ 3 7 11 CA.
4 8 12
Denic~ao 2.4 (Matriz Quadrada) Diz-se que Amn e uma matriz quadrada se
e somente se m = n.
Denic~ao 2.5 (Matriz Simetrica) Diz-se que A e uma matriz simetrica se e

somente se
A0 = A.
Obs.: Note que para que uma matriz seja simetrica e necessario que ela
seja quadrada.
01 2 3 41
B C
Exemplo 2.2 A matriz A44 = BB@ 23 56 68 79 CCA e simetrica.
4 7 9 10
Denic~ao 2.6 (Matriz Anti-simetrica) Diz-se que A e uma matriz anti-simetrica
se e somente se A0 = ;A.
0 0 ;2 3 4 1
B C
Exemplo 2.3 A matriz A44 = BB@ ;23 06 ;60 ;97 CCA e anti-simetrica.
;4 ;7 9 0
Obs.: Note que para que uma matriz seja anti-simetrica e necessario
que ela seja quadrada. Alem disso, todos os elementos da diagonal principal (
akk ; k = 1::n ) devem ser nulos.
Belo Horizonte/MG.
Apresentac~ao 19
Denic~ao 2.7 (Matriz Nula) E a matriz em que todas as entradas s~ao nulas.
!
Exemplo 2.4 A matriz O24 = 00 00 00 00 e a matriz nula de ordem 2 4.
Denic~ao 2.8 (Matriz Identidade) A matriz identidade de ordem nn e denida

por:
(
aij = 10 se i=j
se i 6= j
Denic~ao 2.9 (Matriz Diagonal) Diz-se que A e uma matriz diagonal se aij =
6 j.
0 sempre que i =
02 0 0 01
B C
Exemplo 2.5 A matriz A44 = BB@ 00 50 04 00 CCA e uma matriz diagonal.
0 0 0 1
Denic~ao 2.10 (Matriz Triangular Superior) Diz-se que A e uma matriz tri-
angular superior se aij = 0 sempre que i > j .
02 5 8 71
B C
Exemplo 2.6 A matriz A44 = BB@ 00 50 ;44 ;20 CCA e uma matriz triangular supe-
0 0 0 1
rior.
Denic~ao 2.11 (Matriz Triangular Inferior) Diz-se que A e uma matriz tri-
angular inferior se aij = 0 sempre que i < j .
XXIV CNMAC
0 4 0 0 0 1
B CC
Exemplo 2.7 A matriz A44 = BB@ 93 ;56 04 0
0 CA e uma matriz triangular in-
p
;1 2 1
ferior.
2.2 Operaco~es Matriciais e Vetoriais

Denic~ao 2.12 (Igualdade entre Vetores) Dois vetores ~u = (u1; u2; : : : ; un) e
~v = (v1 ; v2; : : : ; vn) s~ao iguais se e somente se u1 = v1, u2 = v2 , : : :, un = vn .
Denic~ao 2.13 (Igualdade entre Matrizes) Duas matrizes Amn e Bpq s~ao
iguais se e somente se m = p, n = q e aij = bij , para todos os ndices i; j .
Denic~ao 2.14 (Soma (Adic~ao) de Matrizes) Sejam A e B duas matrizes de

ordem mn. A soma das matrizes A e B e a matriz Cmn denida por cij = aij +bij ,
para todos os ndices i; j .
! !
Exemplo 2.8 Dadas as matrizes A = 12 23 78 45 60 e B = 51 34 85 150 ;106 ,
!
6 5 15 4
temos C = A + B = 3 7 13 20 10 . 0
Teorema 2.1 (Propriedades da Adic~ao ) Sejam A, B , e C matrizes de ordem

m n. Ent~ao, s~ao validas:
1. A + B = B + A;
2. (A + B ) + C = A + (B + C );
3. Existe uma matriz Omn tal que A + O = A, para qualquer matriz A;
4. Para toda matriz Amn existe uma matriz Bmn tal que A + B = O.
Belo Horizonte/MG.
Apresentac~ao 21
Denic~ao 2.15 (Multiplicac~ao por Escalar) Seja Amn uma matriz e um
numero real. Ent~ao a multiplicaca~o do numero real pela matriz A e denida por
A = aij , para todos os ndices i; j .
! !
Exemplo 2.9 Dada a matriz A = 12 23 7 4 6 e = 3 temos 3A = 3 1 2 7 4 6 =
8 5 0! 2 3 8 5 0
!
3:1 3:2 3:7 3:4 3:6 = 3 6 21 12 18 .
3:2 3:3 3:8 3:5 3:0 6 9 24 15 0
Teorema 2.2 (Propriedades da Multiplicac~ao por Escalar) Sejam A e B ma-

trizes de ordem m n e e dois numeros reais. Ent~ao, s~ao validas:
1. (A + B ) = (A) + (B );
2. ( + )A = (A) + (A);
3. (: )A = :(A);
4. 1A = A.
Denic~ao 2.16 (Matriz Oposta) Seja A uma matriz de ordem m n. A oposta

da matriz A, denotada por ;A e a matriz obtida multiplicando-se a matriz A por
;1, ou seja ;A = (;1)A.
Denic~ao 2.17 (Subtrac~ao de Matrizes) A subtrac~ao de matrizes e denida
por meio da adic~ao e da multiplicac~ao por escalar, ou seja A ; B = A + (;1)B .
Denic~ao 2.18 (Produto de Matrizes) Sejam Amn e Bnp duas matrizes. O

produto da matriz A pela matriz B e a matriz Cmp denida por
X
n
cij = aik bkj
k=1
para todos os ndices i; j .
XXIV CNMAC
Exemplo
0 2.10
1 (Exemplo
0 1.3.12
1 de [SCH073], pag. 16.) Dadas as matrizes A 1=
1 1 2 0 1 1:0 + 1:1 + 2:2 1:1 + 1:(;1) + 2:0
B
@ 1 2 3 CA e B = B@ 1 ;1 CA temos A:B = B@ 1:0 + 2:1 + 3:2 1:1 + 2:(;1) + 3:0 C
A=
01 4 91 2 0 1:0 + 4:1 + 9:2 1:1 + 4:(;1) + 9:0
5 0
B
@ 8 ;1 CA.
22 ;3
Teorema 2.3 (Propriedades do Produto) Sejam A, B e C matrizes de ordens

compatveis e um numero real. Ent~ao, s~ao validas:
1. A(BC ) = (AB )C ;
2. A(B + C ) = AB + AC ;
3. (A + B )C = AC + BC ;
4. (AB ) = (A)B .
Obs.: O produto de matrizes n~ao e comutativo, ou seja AB 6= BA.

Considere o seguinte exemplo.
Exemplo 2.11 (N~ao comutatividade

! do
! produto: [SCH 73], pag. 23.) Dadas
as matrizes A = 0 1 eB= 1 0 tem-se:
0 0 0 0
! ! !
AB = 00 10 : 10 0 = 0 0
0 0 0
e
! ! !
BA = 0 0 : 00
1 0 1 = 0 1 .
0 0 0
Note que este exemplo tambem mostra que o produto de duas matrizes
n~ao nulas pode resultar numa matriz nula.
Belo Horizonte/MG.
Apresentac~ao 23
Denic~ao 2.19 (Matriz Idempotente) Seja Ann uma matriz quadrada. Diz-
se que A e uma matriz idempotente se A2 = A.
01 0 0 2 1
B CC
Exemplo 2.12 (Matriz idempotente) A matriz A = BB@ 00 10 0
1
3
4 CA e idempo-
0 1 0 0 2 1 0 1 0 0 2 1 00 10 0
0
0
0
21
B 0 1 0 3 CC BB 0 1 0 3 CC BB 0 1 0 3C
tente pois A2 = A:A = B
B@ 0 0 1 4 CA : B@ 0 0 1 4 CA = B@ 0 0 1 4A
CC.
0 0 0 0 0 0 0 0 0 0 0 0
Denic~ao 2.20 (Matriz Nilpotente) Seja Ann uma matriz quadrada. Diz-se
que A e uma matriz nilpotente se existe um inteiro k tal que Ak = O, ou seja, o
produto de k matrizes A resulta na matriz nula.
00 1 0 31
B C
Exemplo 2.13 (Matriz nilpotente) A matriz A = BB@ 00 00 30 04 CCA e nilpotente
0 0 1 0 3 1 0 0 1 0 3 1 00 0 0 1 0 0 0 3 1 0 0 1 0 3 1
B 0 0 3 0 CC BB 0 0 3 0 CC BB 0 0 3 0 CC BB 0 0 3 0 CC
pois A4 = A:A:A:A = B
B@ 0 0 0 4 CA : B@ 0 0 0 4 CA : B@ 0 0 0 4 CA : B@ 0 0 0 4 CA =
00 0 0 01 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
B
B 0 0 0 0C C
B
@ 0 0 0 0 CA.
0 0 0 0
Denic~ao 2.21 (Matriz Raiz Quadrada) Seja Ann uma matriz quadrada. Diz-
se que B e a matriz raiz quadrada de A se B 2 = A.
Exemplo 2.14 (Matriz raiz quadrada: (exemplo 7.8.6 da pag. 356 de [SCH 73]).)
XXIV CNMAC
3 ;1 ! 5 ;3 !
B = ; 12 23 e a raiz quadrada da matriz A = ; 32 25 pois
3 ;1 ! 3 ;1 ! 5 ;3 !
2 2 2 2
B 2 = ; 12 23 : ; 12 23 = ; 32 25 = A.
2 2 2 2 2 2
Denic~ao 2.22 (Produto Escalar) O produto escalar e uma func~ao que asso-
cia, a cada par de vetores n-dimensionais um unico numero real dado por:
X
n
~u ~v = ui vi
i=1
Exemplo 2.15 O produto escalar entre os vetores ~u = (1; 3; 2; ;4) e ~v = (9; ;3; 5; 1)
e
~u ~v = 1:9 + 3:(;3) + 2:5 + (;4):1 = 6.
Teorema 2.4 (Propriedades do Produto Escalar) Sejam ~u, ~v e w~ vetores e

e numeros reais. Ent~ao, s~ao validas:
1. ~u ~u 0;
2. ~u ~v = ~v ~u;
3. (~u + ~v) w~ = ~u w~ + ~v w~ ;
4. (~u) ~v = (~u ~v).
Denic~ao 2.23 (Matriz Positivo Denida) Uma matriz simetrica Ann e dita
positivo denida se ~u0A~u > 0, para qualquer vetor ~u n~ao nulo.
Denic~ao 2.24 (Produto de Schur) Sejam A e B duas matrizes de ordem m

n. O produto de Schur das matrizes A e B e denido e denotado por Pmn =
Amn Bmn onde pij = aij bij .
Belo Horizonte/MG.
Apresentac~ao 25
0 1 0 1
10 3 0 2 2 5 7 4
Exemplo 2.16 Dadas as matrizes A34 = B@ 1 8 ;5 ;1 CA e B34 = B@ 12 3 ;2 7 CA
2 50 1 0 1 9 5 13 ;9
20 15 0 8
o produto de Schur entre A e B e a matriz P34 = B
@ 12 24 10 ;7 C A
18 25 13 0
Denic~ao 2.25 (Produto de Lie) Sejam A e B duas matrizes de ordem m n.
O produto de Lie das matrizes A e B e denido e denotado por Lmn = Amn Bmn
onde
X
n
lij = aik bkj ; bik akj
k=1
0 1 0 1
1 2 3 1 0 ;1
Exemplo 2.17 Dadas as matrizes A33 = B@ 4 5 6 CA e B33 = B@ 3 ;5 8 CA
9 08 7 12 2 4
21 2 31
o produto de Lie entre A e B e a matriz L33 = B
@ ;24 ;58 25 CA
1 ;72 37
Obs.: O algoritmo que calcula o produto de Lie foi implementado em
MAPLE V e sua listagem encontra-se no ap^
endice.
Denic~ao 2.26 (Produto de Kronecker) Sejam Amn e Bpq duas matrizes.
O produto de Kronecker das matrizes A e B e denido e denotado por
0 a B a B ::: a B 1
BB a1121 B a1222 B : : : a12nn B CC
Kmpnq = [Amn
Bpq ] = BB@ .. C
.C
.. .. . . . A
. .
am1 B am2 B : : : amn B
0 1
3 ;2
Exemplo 2.18 (Produto de Kronecker) Dadas as matrizes A32 = B@ 1 5 CA
7 4
e
XXIV CNMAC
!
B22 = 2 ; 1 , o produto de Kronecker entre A e B e a matriz
3 8
0 6 ;3 ;4 2 1
BB 9 24 ;6 ;16 CC
BB 2 ;1 10 ;5 CCC
K64 = [A32
B22] = B BB 3 8 15 40 C
B@ 14 C
;7 8 ;4 CA
21 56 12 32
Denic~ao 2.27 (Determinante de uma Matriz) O determinante de uma ma-

triz e uma func~ao que associa, a cada matriz quadrada Ann, um numero real (A)
calculado por:
X
(A) = sgn(p):a1j a2j a3j : : : anjn
1 2 3
8p
( do conjunto S = f1; 2; 3; : : :; ng
onde p = j1 j2j3 : : : jn s~ao todas as permutac~oes possveis
e sgn(p) e o sinal da permutaca~o p, onde sgn(p) = ; + se p e par
se p e mpar
Esta e a denica~o formal de determinante de matrizes de ordem n n

qualquer, porem ela n~ao e util na pratica.
Sera apresentado, no captulo 4 uma maneira viavel de se fazer o calculo
de determinantes, usando o metodo de eliminac~ao de Gauss.
Teorema 2.5 (Propriedades do Determinante)
1. Se uma linha (ou coluna) da matriz A e nula ent~ao o determinante

(A) = 0;
2. Se A e uma matriz com duas linhas (colunas) iguais ent~ao (A) = 0;
Belo Horizonte/MG.
Apresentac~ao 27
3. O determinante de uma matriz triangular e o produto dos elementos da
Y
n
diagonal principal, ou seja, (A) = aii;
i=1
4. (AB ) = (A)(B );
5. (A0 ) = (A);
6. (A;1 ) =
1 , desde que (A) 6= 0.
(A)
Denic~ao 2.28 (Matriz Singular) Diz-se que A e uma matriz singular se e so-
mente se
(A) = 0.
Denic~ao 2.29 (Matriz N~ao Singular) Diz-se que A e uma matriz n~ao singu-
6 0.
lar se e somente se (A) =
Denic~ao 2.30 (Matriz Inversa) Se Ann e uma matriz quadrada n~ao singular
ent~ao existe uma unica matriz quadrada de ordem n n, denotada por A;1 , tal que
A:A;1 = A;1 :A = Inn. Tal matriz e dita matriz inversa de A.
Obs.: No captulo 4 sera apresentado um metodo computacional para
o calculo da inversa de uma matriz n~ao singular.
Denic~ao 2.31 (Traco de uma Matriz) Dada uma matriz quadrada Ann, o
traco de A e denido e denotado por
X
n
(A) = aii
i=1
Exemplo 2.19 0 4 7 0 81
B 9 ;5 ;1 2 CC X4
O traco da matriz A = B
B@ 3 6 4 4 CA e (A) = aii = 4+(;5)+4+1 = 4.
i=1
;1 0 2 1
XXIV CNMAC
2.3 Metrica Matricial
Segundo Varga [VAR 62] os conceitos de norma e distância s~ao muito
importantes na analise numerica iterativa, pois permitem decidir qual de dois metodos
iterativos apresenta maior velocidade de convergência.
No captulo 4 sera estudado um metodo iterativo para a resoluc~ao de
problemas matriciais, sendo, desta forma, necessario o estudo de normas e distâncias
para vetores e matrizes.
A seguir ser~ao apresentados os resultados mais importantes desta teoria.
Denic~ao 2.32 (Norma de um Vetor) Uma norma vetorial e uma func~ao que
associa, a cada vetor ~u, um unico numero real n~ao negativo jj~ujj que satisfaz as
seguintes propriedades:
1. jj~ujj 0, com jj~ujj = 0 se e somente se ~u = (0; 0; : : : ; 0);

2. jj~ujj = jj:jj~ujj;
3. jj~u + ~vjj jj~ujj + jj~vjj.
As principais normas vetoriais s~ao:

p
Norma Euclidiana: jj~ujj = ~u ~u;
Norma do Maximo: jj~ujjM = maxfju1j; ju2j; ju3j; : : : ; junjg;
Norma da Soma: jj~ujjS = ju1j + ju2j + ju3j + : : : + junj.
Teorema 2.6 (Relac~ao entre as normas vetoriais) Seja ~u um vetor n-dimensional.
Ent~ao, vale:
jj~ujjM jj~ujj jj~ujjS n:jj~ujjM

Belo Horizonte/MG.
Apresentac~ao 29
Obs.: O que o teorema anterior arma e que as três normas s~ao equiv-
alentes (prova detalhada, vide [LIM 81], pag. 5). Desta forma, qualquer uma das
três normas pode ser usada, escolhendo-se a mais apropriada para cada aplicaca~o.
Teorema 2.7 (Desigualdade de Cauchy-Schwarz) Sejam ~u e ~v dois vetores n di-
mensionais. Ent~ao, vale:
j~u ~vj jj~ujj:jj~vjj

Prova: Omitida (Uma prova muito interessante para este teorema e
apresentada na pagina 150 de [KOL 97]).
Denic~ao 2.33 (Norma de uma Matriz) Uma norma matricial e uma func~ao
que associa, a cada matriz Mmn, um unico numero real n~ao negativo jjM jj que
satisfaz as seguintes propriedades:
1. jjMmn jj 0, com jjMmnjj = 0 se e somente se Mmn e a matriz
nula;
2. jjMmn jj = jj:jjMmnjj;
3. jjMmn + Nmn jj jjMmnjj + jjNmn jj;
4. jjMmn :Nnp jj jjMmn jj:jjNnpjj.
As principais normas matriciais s~ao
v
u 0n 1
u
u X
m X
Norma Euclidiana: jjMmnjj = t @ jmij j A;
2
i=1 j =1
Norma do Maximo: jjMmnjjM = max

i;j jmij j;
0n 1
X
@ jmij jA.
Norma da Soma: jjMmnjjS = max
1im
j =1
XXIV CNMAC
Obs.: A tabela completa, com todos os tipos de normas matriciais
denidas para diferentes usos, pode ser vista na pagina 65 de [LIM 81].
Denic~ao 2.34 (Distância entre Vetores) Sejam ~u e ~v dois vetores n dimen-

sionais. Ent~ao, a distância entre ~u e ~v e denida e denotada por
d(~u;~v) = jj~u ; ~vjj
Teorema 2.8 (Propriedades da Distância entre Vetores) Sejam ~u, ~v e w~ três

vetores n dimensionais. Ent~ao, s~ao validas:
1. d(~u;~v) = d(~v; ~u);

2. d(~u;~v) d(~u; w~ ) + d(w~ ;~v);
3. ~u 6= ~v ) d(~u;~v) > 0.
Denic~ao 2.35 (Distância entre Matrizes) Sejam M e N duas matrizes de

mesma ordem. Ent~ao, a distância entre M e N e denida e denotada por
d(M; N ) = jjM ; N jj
Obs.: As propriedades da distância entre duas matrizes s~ao as mesmas

da distância entre dois vetores sendo, desta forma, omitidas aqui.
2.4 Miscelânea de Propriedades

Estas propriedades foram agrupadas nesta seca~o pois envolvem varias
denic~oes e operac~oes denidas anteriormente.
Teorema 2.9 (Propriedades da Transposta) Sejam A e B duas matrizes. Ent~ao,

s~ao validas:
Belo Horizonte/MG.
Apresentac~ao 31
1. (AB )0 = B 0A0 ;
2. (A + B )0 = A0 + B 0 ;
3. (A0)0 = A;
Teorema 2.10 (Propriedades do Traco) Sejam A e B duas matrizes e um

numero real.
Ent~ao, s~ao validas:
1. (A) = (A);
2. (A + B ) = (A) + (B );
3. (AB ) = (BA);
4. (A0) = (A);
5. (A0A) 0;
Teorema 2.11 (Propriedades da Inversa) Sejam A e B duas matrizes. Ent~ao,
s~ao validas:
1. (A + B );1 = A;1 + B ;1 ;
2. (AB );1 = B ;1 A;1 ;
3. (A);1 = 1 A;1, com 6= 0;
4. (A;1 );1 = A;
5. (A;1 ) = (1A) , desde que (A) 6= 0.
No proximo captulo faremos um estudo do software de computac~ao

algebrica MAPLE V, que tem uma biblioteca de algebra linear especca para a res-
oluc~ao de problemas envolvendo matrizes e vetores e que sera muito util para as
aplicac~oes praticas que faremos posteriormente.
XXIV CNMAC
3 SOFTWARE PARA A RESOLUCA~ O DE
SISTEMAS LINEARES E MATRIZES
Os software para a resoluc~ao de sistemas lineares e matrizes podem ser
classicados em dois tipos basicos:
linguagens de programac~ao ;
software de computac~ao algebrica (SCAs).
Faremos, a seguir, uma breve descrica~o de cada um destes tipos, apre-
sentando os software/linguagens mais frequentemente utilizados.
3.1 Linguagens de Programac~ao

Dentre as linguagens de programac~ao, as mais importantes a serem
citadas, s~ao:
PASCAL XSC
FORTRAN-SC
C-XSC
A linguagem de programac~ao C foi desenvolvida para aplicaco~es em geral

e historicamente esta associada com o sistema operacional UNIX, que geralmente e
escrito em C.
O C-XSC e uma extens~ao do C original, que serve como uma ferramenta
para o desenvolvimento de algoritmos numericos que necessitam de alta exatid~ao
e obtenc~ao de resultados com vericaca~o automatica. Esta vers~ao proporciona um
Belo Horizonte/MG.
Apresentac~ao 33
grande numero de operadores e tipos de dados pre denidos, que s~ao implementados
como classes do C++. Assim, o C-XSC permite a programaca~o, em alto nvel, de
aplicac~oes numericas em C e C++.
As caractersticas mais importantes do C-XSC s~ao:
aritmeticas real, complexa e intervalar;

matrizes e vetores dinâmicos;
denic~ao de dados do tipo dotprecision;
operadores matematicos pre denidos com maxima exatid~ao;
controle de arredondamento;
biblioteca de rotinas para a resoluc~ao de problemas com vericaca~o
automatica dos resultados.
Para maiores detalhes sobre esta linguagem de programac~ao vide [KLA 93,
HAM 95].
O FORTRAN e uma linguagem de programac~ao que surgiu em 1954 para
resolver pro-blemas da computac~ao cientca. Com o desenvolvimento da Analise
Numerica e da Artimetica Computacional, ela foi sendo constantemente modern-
izada e, atualmente, existe uma extens~ao do FORTRAN, chamada de FORTRAN-SC.
Esta vers~ao tem a caracterstica de permitir o facil manuseio de arrays dinâmicos,
alem de proporcionar notaca~o matematica para formulas complicadas (atraves do
uso de func~oes e operadores universais) com o objetivo de reduzir o esforco de pro-
gramac~ao necessario para escrever programas aplicativos que surgem em problemas
da Analise Numerica.
O PASCAL XSC1 e uma linguagem de programac~ao voltada para a Com-
putaca~o Cientca. Ele difere das demais linguagens de programaca~o pois tem a
1 O nome provem de PASCAL eXtension for Scientic Computation.
XXIV CNMAC
capacidade de ser portavel a diversas plataformas (PCs, estac~oes de trabalho, su-
percomputadores), alem de possuir diversas ca-ractersticas adicionais, dentre as
quais pode-se citar:
operadores universais;
sobrecarga de procedimentos;
arrays dinâmicos;
aritmetica de alta exatid~ao;
modulos numericos para a resoluc~ao de sistemas lineares e invers~ao de
matrizes;
aritmetica intervalar.
Para maiores detalhes sobre o PASCAL XSC leia as seguintes referências:
[KLA 91, HOH 97].
3.2 Software de Computac~ao Algebrica

Segundo Burkhardt ([BUR 93], pag. vii), o primeiro artigo sobre difer-
enciac~ao simbolica em sistemas computacionais foi publicado por Kahrimanian e
Nolen, em 1953. Em 1960 alguns sistemas algebricos comecaram a ser desenvolvi-
dos para mainframes. No nal dos anos 70 surgiram os primeiros sistemas de com-
putac~ao algebrica para computadores pessoais, dentre os quais pode-se citar o MAPLE
V, o DERIVE, o MATLAB e o MATHEMATICA.
O MATHEMATICA e um sistema de computaca~o algebrica e sua origem

data de 1988. Ele e uma importante ferramenta em Ciência da Computac~ao, pois ele
serve como ambiente de pesquisa, permite o desenvolvimento de prototipos e tambem
serve como interface para o usuario. Constitudo de um nucleo basico, possui uma
vasta biblioteca de comandos, para a resoluc~ao dos mais diversos problemas das
ciências e engenharias.
Belo Horizonte/MG.
Apresentac~ao 35
Suas principais caractersticas s~ao:
func~oes especcas para Calculo Numerico, Computac~ao Algebrica e

Gracos;
precis~ao multipla, denida pelo usuario;
diferenciac~ao e integraca~o numericas e simbolicas;
presenca de uma biblioteca com a aritmetica intervalar;
animac~ao graca;
permite a convers~ao de documentos para os formatos TEX e html;
presenca de um Help on line;
Palettes integradas para input/output de dados.
Para maiores detalhes sobre o MATHEMATICA, consulte a seguinte bibli-

ograa: [ABE 92, BUR 93, WOL 91].
O MATLAB2 e um software de alta performance para visualizac~ao e calculo
numerico, integrando analise numerica, calculos matriciais, processamento de sinais
e gracos, num ambiente matematico que n~ao requer a programac~ao tradicional.
Originalmente, o MATLAB foi desenvolvido em Fortran, mas as vers~oes mais atual-
izadas s~ao escritas em C. Suas principais caractersticas s~ao:
Help on line;
bibliotecas de func~oes matematicas e estatsticas;
comandos para controle de cor e som e animaca~o;
arquivos com demonstrac~oes para o usuario;
2 O nome MATLAB provem de MATrix LABoratory.
XXIV CNMAC
func~oes matematicas avancadas;
manipulac~ao de arquivos de dados;
programac~ao.
Detalhes de utilizaca~o do MATLAB podem ser vistos em [MATLAB] e
exemplos de aplicac~ao em [HAN 95].
O DERIVE foi desenvolvido pela Soft Warehouse para resolver problemas
basicos da Matematica. Ele e um programa matematico computacional, que fun-
ciona como um assistente matematico para o aprendizado e inclui comandos basicos
para gracos de func~oes , calculo, algebra, geometria analtica, trigonometria e ma-
trizes. Seu uso acabou sendo pouco difundido, devido a interface pouco amigavel,
que e feita atraves de janelas com pouca interatividade.
Maiores detalhes sobre este software podem ser encontrados em [KUT 96].
Belo Horizonte/MG.
Apresentac~ao 37
3.3 MAPLE V
3.3.1 Caractersticas do MAPLE V
O MAPLE V e um software interativo de computac~ao algebrica e simbolica,

que permite resolver, com comandos simples, uma grande variedade de problemas
matriciais.
Suas principais caractersticas s~ao:
Help on line;
o software e modularizado, de forma a manipular ecientemente a memoria
disponvel na maquina;
existência de 24 bibliotecas de func~oes matematicas e estatsticas, den-
tre as quais pode-se citar:
combinat { biblioteca para Matem atica Discreta;
diffalg { biblioteca para A lgebra Diferencial;
finance { biblioteca para Matem atica Financeira;
geometry { biblioteca para Geometria;
linalg { biblioteca de A lgebra Linear;
logic { biblioteca para L ogica e A lgebra Booleana;
Matlab { biblioteca para interface com o MATLAB;
plots { biblioteca gr aca;
simplex { biblioteca para Programa c~ao Linear.
stats { biblioteca para Estatstica;
student { biblioteca para o C alculo;
interatividade com o usuario, atraves de edica~o de comandos in line;
realizac~ao de computaco~es simbolicas, numericas e gracas;
XXIV CNMAC
precis~ao innita;
permite a convers~ao de documentos para os formatos TEX e html, o
que auxilia na edic~ao de textos e na criaca~o de paginas na internet;
Palettes integradas para input/output de dados;
arquivos com demonstraco~es para o usuario;
func~oes matematicas e estatsticas, basicas e avancadas;
manipulac~ao de arquivos de dados;
programac~ao.
Belo Horizonte/MG.
Apresentac~ao 39
Como ja foi dito, ele possui uma biblioteca, denominada linalg, com
os seguintes comandos:
[BlockDiagonal, GramSchmidt, JordanBlock, LUdecomp, QRdecomp,

Wronskian, addcol, addrow, adj, adjoint, angle, augment, backsub,
band, basis, bezout, blockmatrix, charmat, charpoly, cholesky,
col, coldim, colspace, colspan, companion, concat, cond, copyinto,
crossprod, curl, definite, delcols, delrows, det, diag, diverge,
dotprod, eigenvals, eigenvalues, eigenvectors, eigenvects,
entermatrix, equal, exponential, extend, ffgausselim, fibonacci,
forwardsub, frobenius, gausselim, gaussjord, geneqns, genmatrix,
grad, hadamard, hermite, hessian, hilbert, htranspose, ihermite,
indexfunc, innerprod, intbasis, inverse, ismith, issimilar,
iszero, jacobian, jordan, kernel, laplacian, leastsqrs, linsolve,
matadd, matrix, minor, minpoly, mulcol, mulrow, multiply, norm,
normalize, nullspace, orthog, permanent, pivot, potential,
randmatrix, randvector, rank, ratform, row, rowdim, rowspace,
rowspan, rref, scalarmul, singularvals, smith, stackmatrix,
submatrix, subvector, sumbasis, swapcol, swaprow, sylvester,
toeplitz, trace, transpose, vandermonde, vecpotent, vectdim,
vector, wronskian]
Segundo Roque ([ROQ 95]), o uso de SCAs no ensino e aprendizado

pode trazer grandes benefcios para a melhoria da formac~ao dos prossionais das
areas de ciências exatas e engenharias.
Um dos motivos que levou o autor a escolher o MAPLE V como ferra-
menta computacional foi a sua familiaridade com o sistema, alem do uso que ele tem
feito deste software em disciplinas de A lgebra Linear e Geometria Analtica para os
alunos do curso de Bacharelado em Ciência da Computaca~o da PUCRS.
XXIV CNMAC
3.3.2 MAPLE V { Comandos Basicos
A seguir apresentaremos uma relac~ao de comandos do MAPLE V utiliza-
dos para calculos em problemas da A lgebra Linear.
Comando: angle
Sintaxe: angle(V1,V2);
Descric~ao: Calcula o ângulo entre os vetores V 1 e V 2.
Exemplo: angle([1,1,0],[8,1,4]);
pp
Resultado: arccos 181 2 81
Comando: band
Sintaxe: band(vetor, n);
Descric~ao: Cria uma matriz n dimensional do tipo banda, com os elementos do vetor.
Exemplo: band([1,2,1],
0 1
5);
2 1 0 0 0
BB 1 2 1 0 0 CC
B C
Resultado: B BB 0 1 2 1 0 CCC
@0 0 1 2 1A
0 0 0 1 2
Comando: cholesky
Sintaxe: cholesky(M);
Descric~ao: Obtem a fatoraca~o Cholesky da matriz M .
Exemplo: cholesky([[4,2,-4,2],[2,10,4,4],[-4,4,9,3],[2,4,3,15]]);
0 2 0 0 01
B 1 3 0 0 CC
Resultado: B B@ ;2 2 1 0 CA
1 1 3 2
Belo Horizonte/MG.
Apresentac~ao 41
Comando: convert
Sintaxe: convert(Express~ao, Tipo);
Descric~ao: Converte uma express~ao de um determinado tipo para outro.
Exemplo: convert([[1,2,3,4],[5,6,7,8]],
! array);
Resultado: 1 2 3 4
5 6 7 8
Comando: crossprod
Sintaxe: crossprod(V1,V2);
Descric~ao: Calcula o produto vetorial entre os vetores V 1 e V 2.
Exemplo: crossprod([1,2,3],[4,5,6]);
Resultado: [;3; 6; ;3]
Comando: det
Sintaxe: det(M);
Descric~ao: Calcula o determinante da matriz M .
Exemplo: det([[4,2,-4,2],[2,10,4,4],[-4,4,9,3],[2,4,3,15]]);
Resultado: 144
Comando: diag
Sintaxe: diag(e1, e2, ... , en);
Descric~ao: Cria uma matriz diagonal com os elementos e1 ; e2; : : : ; en.
Exemplo: diag(1,2,1,3,4);
0 1
1 0 0 0 0
BB 0 2 0 0 0 CC
B C
@0 0 0 3 0A
0 0 0 0 4
Comando: display
Sintaxe: display(ObjetosGraficos);
Descric~ao: Mostra uma sequência de objetos gracos.
Exemplo: display(GP,GF);
XXIV CNMAC
Comando: dotprod
Sintaxe: dotprod(V1,V2);
Descric~ao: Calcula o produto escalar entre os vetores V 1 e V 2.
Exemplo: dotprod([1,2,3],[4,5,6]);
Resultado: 32
Comando: evalf
Sintaxe: evalf(E);
Descric~ao: Avalia, em ponto utuante, o resultado da express~ao E .
Exemplo: evalf(sqrt(5));
Resultado: 2:236067978
Comando: evalm
Sintaxe: evalm(Opera c~
ao);
Descric~ao: Avalia a operac~ao matricial realizada no argumento.
Exemplo: evalm([[1,2,3], ! [4,5,6]] - [[5,3,1], [6,4,2]]);
Resultado: ;4 ;1 2
;2 1 4
Comando: for from to by do od;
Sintaxe: for variavel from inicio to fim by passo do comando od;
Descric~ao: Estrutura de repetica~o do MAPLE V.
Exemplo: for i from 3 to 11 by 2 do print(i) od;
3
5
Resultado: 7
9
11
Comando: if then else fi;
Sintaxe: if (condic~
ao) then comando1 else comando2 fi;
Descric~ao: Desvio condicional do MAPLE V.
Exemplo: if (3>2) then print(Maior) else print(Menor) fi;
Resultado: Maior
Belo Horizonte/MG.
Apresentac~ao 43
Comando: inverse
Sintaxe: inverse(M);
Descric~ao: Obtem a matriz inversa de M .
Exemplo: inverse([[1,1,-1,0],[0,1,0,2],[0,0,1,1],[1,1,-1,1]]);
0 0 ;1 1 1 1
B 2 1 0 ;2 CC
Resultado: B B@ 1 0 1 ;1 CA
;1 0 0 1
Comando: linalg
Sintaxe: with(linalg):
Descric~ao: Carrega a biblioteca de A lgebra Linear do MAPLE V.
Exemplo: with(linalg):
Comando: linsolve
Sintaxe: linsolve(M,V);
Descric~ao: Resolve o sistema cuja matriz e M e o vetor e V .
Exemplo: linsolve([[1,2,3],[3,1,2],[2,3,1]], [10,11,12]);
Resultado: [ 13 ; 13 ; 7 ]
6 6 6
Comando: matadd
Sintaxe: matadd(M1,M2);
Descric~ao: Soma as matrizes M 1 e M 2.
Exemplo: matadd([[1,2,3], ! [4,5,6]], [[5,3,1], [6,4,2]]);
Resultado: 6 5 4
10 9 8
Comando: matrix
Sintaxe: matrix([[L1],[L2],...,[Ln]]);
Descric~ao: Cria uma matriz dada por n linhas.
Exemplo: matrix([[1,1,-1,0],[0,1,0,2],[0,0,1,1],[1,1,-1,1]]);
0 1 1 ;1 0 1
B 0 1 0 2 CC
Resultado: B B@ 0 0 1 1 CA
1 1 ;1 1
XXIV CNMAC
Comando: multiply
Sintaxe: multiply(M,N);
Descric~ao: Multiplica as matrizes M e N .
Exemplo: multiply([[1,2,3], [4,5,6], [7,8,9]] ,
0 1
[[5,3,1], [6,4,2], [9,7,5]]);
44 32 20
Resultado: B
@ 104 74 44 CA
164 166 68
Comando: nops
Sintaxe: nops(Lista);
Descric~ao: Obtem o numero de elementos pertencentes a lista L.
Exemplo: nops([[1,2,3],[4,5,6],[7,8,9],[10,11,12]]);
Resultado: 4
Comando: normalize
Sintaxe: normalize(V1);
Descric~ao: Normaliza o vetor V 1, obtendo o seu versor.
Exemplo: normalize([2,6,9]);
Resultado: [ 2 ; 6 ; 9 ]
11 11 11
Comando: op
Sintaxe: op(Objeto);
Descric~ao: Mostra o conteudo do objeto.
Exemplo: op([[1,2,3],[4,5,6],[7,8,9],[10,11,12]]);
Resultado: [1; 2; 3]; [4; 5; 6]; [7; 8; 9]; [10; 11; 12]
Comando: plot
Sintaxe: plot(funcao, variavel=a..b);
Descric~ao: Plota o graco de uma funca~o com a variavel no intervalo [a; b].
Exemplo: plot(sin(x), x=0..2*Pi);
Comando: plots
Sintaxe: with(plots):
Descric~ao: Carrega a biblioteca graca do MAPLE V.
Exemplo: with(plots):
Belo Horizonte/MG.
Apresentac~ao 45
Comando: pointplot
Sintaxe: pointplot([[x1,y1],[x2,y2], ... , [xn,yn]]);
Descric~ao: Plota o conjunto de n pontos dados.
Exemplo: pointplot([[1,2],[1,4],[3,4],[3,2],[5,2]]);
Comando: polygonplot
Sintaxe: polygonplot([[x1,y1],[x2,y2], ... , [xn,yn]]);
Descric~ao: Plota uma poligonal unindo os n pontos dados.
Exemplo: polygonplot([[1,2],[1,4],[3,4],[3,2],[5,2]]);
Comando: print
Sintaxe: print(Express~ ao);
Descric~ao: Imprime o resultado da express~ao.
Exemplo: print(sqrt(2)*sin(Pi/4));
Resultado: 1
Comando: randmatrix
Sintaxe: randmatrix(m,n);
Descric~ao: Gera uma matriz de numeros aleatorios com m linhas e n colunas.
Exemplo: randmatrix(4,4);
0 17 ;11 ;1 2 1
B 0 1 0 1 CC
Resultado: B B@ 10 30 11 ;41 CA
14 12 ;10 21
Comando: restart
Sintaxe: restart;
Descric~ao: Reinicializa o MAPLE V.
Exemplo: restart;
Comando: scalarmul
Sintaxe: scalarmul(V1,A);
Descric~ao: Multiplica o vetor V 1 pelo escalar A.
Exemplo: scalarmul([1,2,3], 5);
Resultado: [5; 10; 15]
XXIV CNMAC
Comando: seq
Sintaxe: seq(f, i = m..n);
Descric~ao: Cria uma sequência de valores da funca~o f para os valores de i entre m e n.
Exemplo: seq( i*i, i=1..5 );
Resultado: 1; 4; 9; 16; 25
Comando: simplify
Sintaxe: simplify(Express~ ao)
Descric~ao: Simplica a express~ao dada.
Exemplo: simplify(angle([1,1,0],[8,1,4]));
Resultado: 14
Comando: solve
Sintaxe: solve(fEQ1, EQ2, : : :, EQng,fV1, V2, : : :, Vkg);
Descric~ao: Resolve o sistema de n equaco~es em k variaveis.
;f17
Exemplo: solve( 2*x-3*y=7, 5*x+4*y=9g, fx,yg);
55
Resultado: y = 23 ; x = 23
Comando: sqrt
Sintaxe: sqrt(N);
Descric~ao: Retorna a raz quadrada do numero N .
Exemplo: sqrt(5);
p
Resultado: 5
Comando: trace
Sintaxe: trace(M);
Descric~ao: Calcula o traco da matriz M .
Exemplo: trace([[8,2,4,2],[4,1,1,4],[8,4,0,3],[8,8,6,2]]);
Resultado: 11
Belo Horizonte/MG.
Apresentac~ao 47
Comando: transpose
Sintaxe: transpose(M);
Descric~ao: Obtem a transposta da matriz M .
Exemplo: transpose([[8,2,4,2],[4,1,1,4],[8,4,0,3],[8,8,6,2]]);
08 4 8 81
B 2 1 4 8 CC
Resultado: B B@ 4 1 0 6 CA
2 4 3 2
Comando: vandermonde
Sintaxe: vandermonde([e1, e2, ... , en]);
Descric~ao: Cria a matriz de Vandermonde com os elementos e1 ; e2; : : : ; en.
Exemplo: vandermonde([1,2,1,3,4]);
0 1
1 1 1 1
BB 1 2 4 8 16 CC 1
B C
@ 1 3 9 27 81 A
1 4 16 64 256
Comando: vector
Sintaxe: vector(N, [C1, C2, : : :, CN]);
Descric~ao: Cria um vetor de dimens~ao N , com as coordenadas C 1, : : :, CN .
Exemplo: vector(3,[1,1,-1]);
Resultado: [1; 1; ;1]
Comando: with
Sintaxe: with(Biblioteca);
Descric~ao: Carrega uma biblioteca do MAPLE V.
Exemplo: with(linalg): with(plots): with(simplex);
Para outros comandos, ou maiores detalhes sobre o software MAPLE V
consulte a seguinte bibliograa: [MON 98, HEA 98, ELL 97, CHA 91, RED 96].
XXIV CNMAC
4 ME TODOS COMPUTACIONAIS PARA A
RESOLUCA~ O DE SISTEMAS LINEARES
Apresentaremos, neste captulo alguns dos principais metodos computa-
cionais para a resoluc~ao de sistemas lineares, justicando o emprego de cada um.
Comecaremos com os metodos diretos e depois discutiremos os metodos iterativos.
Convem observar que um metodo e dito direto se ele produz a soluc~ao
apos um numero nito de passos, enquanto que um metodo e dito iterativo se a
soluc~ao for encontrada como o limite de uma sequência de passos.
4.1 Metodos Diretos

Existem varios metodos diretos para a resoluc~ao de sistemas lineares,
dentre os quais pode-se destacar:
1. Metodo de Eliminaca~o Gaussiana

2. Metodo de Castilhos
3. Fatorac~ao Cholesky
4. Fatorac~ao de Strassen
Passemos ao estudo de cada um desses metodos.
4.1.1 Metodo de Eliminac~ao Gaussiana

O metodo de eliminac~ao Gaussiana baseia-se na seguinte ideia:
Belo Horizonte/MG.
Apresentac~ao 49
Dado um sistema linear, aplica-se sobre ele uma sequência de trans-
formac~oes elementares, gerando-se um novo sistema, que tem sua matriz na forma
triangular, cuja soluca~o e imediata, por substituic~ao .
As operac~oes elementares permitidas s~ao:
Troca de linhas de posic~ao

Multiplicac~ao de uma linha por um valor constante n~ao nulo
Soma de duas linhas
Este e o metodo direto mais conhecido e usado para a resoluca~o de

sistemas lineares densos de pequeno e medio porte (ordem da matriz e, no maximo,
50). Para sistemas de maior porte usam-se tecnicas especiais, que levam em conta
propriedades especcas das matrizes envolvidas.
Vejamos, atraves de um exemplo, como se aplica este algoritmo de
eliminac~ao Gaussiana.
Exemplo 4.1 Resolver o sistema linear:

8 3x + 2y + t
>
> = 3
< 9x + 8y ; 3z + 4t = 6
>
> ;6x + 4y ; 8z = ;16
: 3x ; 8y + 3z ; 4t = 18
Convenc~ao : Indicaremos por Lk a:Li + b:Lj a substituic~ao da linha

k pela combinac~ao linear de a vezes a linha i mais b vezes a linha j .
Soluc~ao :
Colocando o sistema na forma matricial, temos:
XXIV CNMAC
0 3 2 0 1 1 0x1 0 31
BB 9 8 ;3 4 CC BB y CC BB 6 CC
B@ ;6 4 ;8 0 CA : B@ z CA = B@ ;16 CA
3 ;8 3 ;4 t 18
Tomando a matriz estendida, temos:
0 3 2 0 1 31
BB 9 8 ;3 4 6 CC
B@ ;6 4 ;8 0 ;16 CA
3 ;8 3 ;4 18
Aplicando o algoritmo de Gauss para zerar todos os elementos abaixo
de a1;1 temos:
L2 L2 ; 93 L1
0 3 2 0 1 31
BB 0 2 ;3 1 ;3 CC
B@ ;6 4 ;8 0 ;16 CA
3 ;8 3 ;4 18
L3 L3 ; ;36 L1
03 2 0 1 31
BB 0 2 ;3 1 ;3 CC
B@ 0 8 ;8 2 ;10 CA
3 ;8 3 ;4 18
L4 L4 ; 33 L1
Belo Horizonte/MG.
Apresentac~ao 51
03 2 0 1 31
BB 0 2 ;3 1 ;3 CC
B@ 0 8 ;8 2 ;10 C
A
0 ;10 3 ;5 15
XXIV CNMAC
L3 L3 ; 82 L2
03 2 0 1 31
BB 0 2 ;3 1 ;3 CC
B@ 0 0 4 ;2 2 CA
0 ;10 3 ;5 15
L4 L4 ; ;210 L2
03 2 0 1 31
BB 0 2 ;3 1 ;3 CC
B@ 0 0 4 ;2 2 CA
0 0 ;12 0 0
L4 L4 ; 12 4 L3
03 2 0 1 31
BB 0 2 ;3 1 ;3 CC
B@ 0 0 4 ;2 2 CA
0 0 0 ;6 6
Que resulta no seguinte sistema, triangular superior:
8 3x + 2y + 0z + t = 3
>
>
< 2y ; 3z + t = ;3
>
> 4z ; 2t = 2
: ;6t = 6
Da ultima equac~ao tiramos que t = ;1, que substitudo na penultima
da z = 0. Substituindo-se os valores de z e t na segunda equac~ao obtemos y = ;1
e, nalmente, substituindo y , z e t na primeira equac~ao temos o valor de x = 2.
A seguir, e apresentado o algoritmo de eliminac~ao Gaussiana. Para
maiores detalhes vide [CLA 94], pag. 71.
Belo Horizonte/MG.
Apresentac~ao 53
Algoritmo de Eliminaca~o Gaussiana:
Input : (n, Aij, Bi) / i=1(1)n, j=1(1)n;
Procedure :
> for k from 1 by 1 to (n-1) do

> for i from (k+1) by 1 to n do
> M[i,k]:=-A[i,k]/A[k,k];
> for j from (k+1) by 1 to n do
> A[i,j]:=A[i,j]+M[i,k]*A[k,j];
> od;
> A[i,k]:=0;
> B[i]:=B[i]+M[i,k]*B[k];
> od;
> od;
> X[n]:=B[n]/A[n,n];
> for k from (n-1) by (-1) to 1 do
> X[k]:=B[k]:
> X[k]:=X[k]-A[k,i]*X[i]:
> od;
> X[k]:=X[k]/A[k,k];
> od.
Output : (Xi) / i=1(1)n.
Neste algoritmo, s~ao dados como entrada a dimens~ao n da matriz, a

propria matriz Aij e o vetor independente Bi, para todos os ndices i; j entre 1 e n.
XXIV CNMAC
No primeiro trecho do algoritmo, a matriz dada e transformada numa
matriz triangular superior, sendo atualizados os respectivos valores do vetor coluna
Bi .
No segundo trecho, a matriz triangular superior e usada para resolver
o sistema, atraves de um processo de retro-substituic~ao.
A sada do algoritmo e o resultado do vetor X .
A listagem do algoritmo de eliminaca~o Gaussiana, implementado em
MAPLE V, encontra-se no ap^
endice.
Convem observar que esta e a vers~ao basica do algoritmo. Existem
vers~oes mais sosticadas, que levam em conta a escolha de pivôs, para diminuir os
erros de arredondamento dos calculos. Maiores detalhes podem ser encontrados em
[CLA 94].
4.1.2 Metodo de Castilhos

O metodo de Castilhos e um algoritmo recursivo, baseado na ideia do
algoritmo de eliminac~ao Gaussiana e na teoria dos determinantes.
Sua vantagem reside no fato de que a resoluca~o de um sistema de ordem
n n recai na resoluca~o de um sistema de ordem (n ; 1) (n ; 1) e assim por diante.
A desvantagem esta no fato de que as matrizes intermediarias tem suas
entradas crescendo muito rapidamente, devido ao calculo dos determinantes.
Algoritmo de Castilhos:
Input : (n, Aij, Bi) / i=1(1)n, j=1(1)n;
Procedure :
Belo Horizonte/MG.
Apresentac~ao 55
> A[i,j]:=A[k,k]*A[i,j]-A[i,k]*A[k,j]:
> od:
> B[i]:=A[k,k]*B[i]-A[i,k]*B[k]:
> od:
> for l from (k+1) by 1 to n do
> A[l,k]:=0:
> od:
> od;
> X[n]:=B[n]/A[n,n];
> X[k]:=B[k]:
> X[k]:=X[k]-A[k,i]*X[i]:
> od;
> X[k]:=X[k]/A[k,k];
> od;
Vejamos, atraves de um exemplo numerico, como e este algoritmo.
Exemplo 4.2 Resolver, pelo metodo de Castilhos, o seguinte sistema linear:

8 3x + 2y + t
>
> = 3
< 9x + 8y ; 3z + 4t = 6
>
> ;6x + 4y ; 8z = ;16
: 3x ; 8y + 3z ; 4t = 18
Soluc~ao :
XXIV CNMAC
Colocando o sistema na forma matricial, temos:
0 3 2 0 1 1 0x1 0 31
BB 9 8 ;3 4 CC BB y CC BB 6 CC
B@ ;6 4 ;8 0 CA : B@ z CA = B@ ;16 CA
3 ;8 3 ;4 t 18
Tomando a matriz estendida, de ordem 4 5, temos:
0 3 2 0 1 31
BB 9 8 ;3 4 6 CC
B@ ;6 4 ;8 0 ;16 CA
3 ;8 3 ;4 18
Aplicando o algoritmo de Castilhos obtemos a seguinte matriz de ordem
3 4:
0 "3 2
# "
3 0
# " # 1
3 1
# "
3 3
BB 9 8 9 ;3 9 4 CC 9 6
BB C
BB " # " # " # " # CCC 0 6 ;9 3 ;9 1
BB 3 2 3 0 3 1 3 3 C B 24 ;24 6 ;30 C
BB ;6 4 ;6 ;8 ;6 0 ;6 ;16 CCC = @ ;30 9 ; 15 45
A
BB C
B@ " 3 # " # " # " # CC
2 3 0 3 1 3 3 A
3 ;8 3 3 3 ;4 3 18
" #
a b
Onde c d = ad ; bc representa o determinante da matriz quadrada
!
a b .
c d
Aplicando novamente o algoritmo de Castilhos obtemos a seguinte ma-
triz de ordem 2 3:
Belo Horizonte/MG.
Apresentac~ao 57
0" # " # " #1
6 ;9 6 3 6 ;9
BB 24 ;24 24 6 24 ;30 C CC !
BB C 72 ; 36 36
BB " # " # " # CC = ;216 0 0
@ 6 ;9 6 3 6 ;9 A
;30 9 ;30 15 ;30 45
Finalmente, aplicando mais uma vez o algoritmo de Castilhos obtemos
a seguinte matriz de ordem 1 2, cuja soluca~o e imediata :
" # " #!
72 ;36 72 36 = ; 7776 7776
;216 0 ;216 0
Cuja soluc~ao e t = ;1.
A parte de retrosubstituic~ao e analoga a da eliminaca~o gaussiana e,
desta forma, sera omitida aqui.
4.1.3 Fatoraca~o Cholesky

A fatorac~ao Cholesky consiste, basicamente, em escrever uma matriz A
simetrica po-sitivo denida como o produto de uma matriz triangular inferior pela
sua transposta, ou seja, A = C:C 0, onde C e uma matriz triangular inferior.
XXIV CNMAC
A Fatorac~ao de Cholesky e dada pelo seguinte algoritmo:
Input : (n, Aij) / i=1(1)n, j=1(1)n;
Procedure :
> s:=0:
> for k from 1 by 1 to n do
> for i from 1 by 1 to (k-1) do
> s:=0:
> for j from 1 by 1 to (i-1) do
> s:=s+A[i,j]*A[k,j]:
> od:
> A[k,i]:=(A[k,i]-s)/A[i,i]:
> C[k,i]:=A[k,i]:
> s:=0:
> for j from 1 by 1 to (k-1) do
> s:=s+A[k,j]*A[k,j]:
> od:
> od:
> A[k,k]:=sqrt(A[k,k]-s):
> C[k,k]:=A[k,k]:
> od:
Output : (Cij) / i=1(1)n, j=1(1)n;
A implementac~ao deste algoritmo encontra-se no apêndice.

Obs.: Para resolver um sistema linear Ax = y usando-se a fatorac~ao
Cholesky usa-se as seguintes igualdades:
Ax = y mas A = C:C 0 e da tem-se que C:C 0x = y resulta na resoluc~ao
de dois sistemas triangulares: Cb = y e C 0x = b.
Belo Horizonte/MG.
Apresentac~ao 59
0 4 2 ;4 2 1
B 4 4C
Exemplo 4.3 Obter a fatorac~ao Cholesky da matriz positivo denida BB@ ;24 104 9 3C
C.
A
2 4 3 15
0 2 0 0 0 1
B 1 3 0 0 CC
Aplicando o algoritmo descrito acima, obtem-se a matriz C = B
B@ ;2 2 1 0 CA,
1 1 3 2
0 4 2 ;4 2 1 0 2 0 0 0 1 0 2 0 0 0 10
B 2 10 4 4 CC BB 1 3 0 0 CC BB 1 3 0 0 CC
de tal forma que B
B@ ;4 4 9 3 CA = B@ ;2 2 1 0 CA : B@ ;2 2 1 0 CA .
2 4 3 15 1 1 3 2 1 1 3 2
Fica, a cargo do leitor, efetuar os calculos para certicar-se do resultado.
No apêndice esta a implementac~ao deste algoritmo em MAPLE V.
4.1.4 Fatorac~ao de Strassen

Um algoritmo muito interessante para a multiplicac~ao de matrizes e o
algoritmo de Strassen, apresentado por Crandal (vide [CRA 94], pag. 32 { 37).
Este algoritmo e recursivo e permite fazer a multiplicac~ao de duas ma-
trizes quadradas n n com uma complexidade da ordem de O(n ) O(n2:8), ao
log(7)
log(2)
contrario da multiplicac~ao direta, que exige uma complexidade da ordem de O(n3).

A seguir e descrito o algoritmo de Strassen, com um exemplo de aplicac~ao
para matrizes 2 2:
! !
a b e f
Sejam A = c d e B = g h duas matrizes de numeros reais.
Ent~ao, o produto das matrizes A e B pode ser computado por:
XXIV CNMAC
! ! !
a b : e f = p+s;t+v r+t
c d g h q+s p + r ; q + u , onde
p = (a + d)(e + h);
q = (c + d)e;
r = a(f ; h);
s = d(g ; e);
t = (a + b)h;
u = (c ; a)(e + f );
v = (b ; d)(g + h).
Vejamos como ca um exemplo numerico:
! !
2 ; 3 1 7
Dadas as matrizes A = 1 5 e B = ;1 0 , temos:
p = (2 + 5)(1 + 0) = 7;
q = (1 + 5)1 = 6;
r = 2(7 ; 0) = 14;
s = 5((;1) ; 1) = ;10;
t = (2 + (;3))0 = 0;
u = (1 ; 2)(1 + 7) = ;8;
v = ((;3) ; 5)((;1) + 0) = 8.
e da
Belo Horizonte/MG.
Apresentac~ao 61
! ! !
2 ;3 : 1 7 = 7 + (;10) ; 0 + 8 14 + 0
! 1 5 ;1 0 6 + ( ;10) 7 + 14 ; 6 + (;8) =
5 14
;4 7
XXIV CNMAC
Convem observar que o ganho, em termos de complexidade, n~ao e muito
grande, pois o numero total de multiplicaco~es cai de n3 para n2:8, porem a vantagem
deste algoritmo e a sua recursividade, que permite efetuar os calculos para matrizes
denidas em blocos, conforme sera mostrado no exemplo a seguir:
0 2 8 5 71 0 1 5 7 41
B 3 4 1 0 CC BB ;3 4 4 7 CC
Multiplicar as matrizes BB@ ;2 4 2 7 CA : B@ 1 0 0 1 CA
4 5 1 1 0 1 1 0
Neste caso, e preciso partir as matrizes em blocos, como abaixo:
0 2 8 5 71 0 1 5 7 41
BB 3 4 1 0 CC BB ;3 4 4 7 CC
B@ ;2 4 2 7 CA : B@ 1 0 0 1 CA
4 5 1 1 0 1 1 0
Agora, temos:
!
A= 3 4 2 8
!
B = 51 70
!
C = ;24 45
!
D = 21 71
!
E = ;13 54
!
F = 74 47
Belo Horizonte/MG.
Apresentac~ao 63
!
G = 10 01
!
H = 01 10
Da,
!
P = (A + D)(E + H ) = ;;266 84
44 ;
!
; 33
Q = (C + D)E = ;13 49 ;44
!
R = A(F ; H ) = 38 62 ;
33 37
!
S = D(G ; E ) = 213 ;;318 ;
!
T = (A + B )H = 154 74 ;
!
U = (C ; A)(E + F ) = ;369 ;80
20 ;
!
V = (B ; D)(G + H ) = ;13 ;31 .
!
P + S ; T + V = ;;178 49
31
!
R + T = 53 69
37 41
!
Q+S = ;12 13
;10 41
XXIV CNMAC
e
!
P + R ; Q + U = 499 22 52
De modo que a matriz produto e:
0 ;17 49 53 69 1 0 ;17 49 53 69 1
BB ;8 31 37 41 CC BB ;8 31 37 41 CC
B@ ;12 13 9 22 CA = B@ ;12 13 9 22 CA
;10 41 49 52 ;10 41 49 52
Obs.: No apêndice A-1 esta a listagem deste algoritmo, executado em
MAPLE V .
Baseando-se na mesma ideia, o algoritmo pode ser modicado para se
determinar a inversa de uma matriz n~ao singular.
!
a b
Inverter a matriz quadrada M = c d . Isso signica determinar
! ! ! !
; 1 e f ;
uma matriz M = g h tal que M:M = c d : g h = 0 1 .
1 a b e f 1 0
O algoritmo ca:
P = a1 ;
Q = c:P ;
R = b:P ;
S = c:R;
T = (S ; d);
U = T1 ;
f = R:U ;
g = Q:U ;
Belo Horizonte/MG.
Apresentac~ao 65
V = R:g;
e = (P ; V );
h = (;U );
XXIV CNMAC
Um exemplo numerico e dado a seguir:
!
Determinar a inversa da matriz M = 41 31 .
P = a1 = 14
Q = c P = 14
R = b P = 43
S = c R = 34
T = (S ; d) = ; 41
U = T1 = ;4
f = R U = ;3
g = Q U = ;1
V = R g = ; 43
e = (P ; V ) = 1
h = (;U ) = 4
!
Assim, a inversa e M ;1 = 1 ;3 .
;1 4
O problema de invers~ao de matrizes n~ao singulares de ordem qualquer
sera tratado na sec~ao 4.5.
Belo Horizonte/MG.
Apresentac~ao 67
4.2 Metodos Iterativos
A resoluc~ao de um sistema linear A:X = Y por um metodo iterativo
presume a obtenc~ao do vetor soluca~o X como o limite de uma sequência de aprox-
imac~oes X [k] que convergem para X .
O metodo de Gauss-Seidel apresentado a seguir e um exemplo de metodo
iterativo para o calculo da soluc~ao de sistemas lineares. Convem salientar que os
metodos iterativos geralmente se aplicam para matrizes esparsas de grande ordem.
4.2.1 O Metodo Iterativo de Gauss-Seidel

Dado o sistema linear
8
>
> a11 x1 + a12 x2 + a13 x3 + : : : + a1nxn = y1
>
< a21 x1 + a22 x2 + a23 x3 + : : : + a2nxn
> = y2
a31 x1 + a32 x2 + a33 x3 + : : : + a3nxn = y3
>
> ... ...
>
>
: an1 x1 + an2x2 + an3 x3 + : : : + annxn = yn
isola-se a variavel x1 na primeira equac~ao , a variavel x2 na segunda
equac~ao , e assim sucessivamente, ate isolarmos a variavel xn na ultima equac~ao .
Da, temos:
x1 = y1 ; a12 x2 ; a13a x3 ; : : : ; a1n xn
11
x2 = y2 ; a21 x1 ; a23a x3 ; : : : ; a2n xn

22
...
XXIV CNMAC
x = yn ; an1x1 ; an2x2 ; : : : ; an(n;1) x(n;1)
n
ann
Dada uma aproximac~ao inicial X [0] = (x1; x2 ; x3 ; : : : ; xn ), calculamos
X usando o seguinte esquema de iterac~oes :
[1]
X
yi ; aij x[jk]
i6=j
x[ik+1] = aii
desde que aii 6= 0.
O algoritmo a seguir implementa o esquema iterativo de Gauss-Seidel
descrito acima.
Input : (L, n, Aij, Xi, Yi) / i=1(1)n, j=1(1)n;
Procedure :
> repeat(L);
> for i from 1 by 1 to n do
> S:=0;
> for j from 1 by 1 to n do
> if j=i then S:=S+0 else S:=S+A[i,j]*X[j] fi;
> od;
> X[i]:=(Y[i]-S)/A[i,i];
> od;
Belo Horizonte/MG.
Apresentac~ao 69
O algoritmo necessita, como entrada, a ordem da matriz n, a matriz
Aij , o vetor independente Yi, uma aproximaca~o inicial para a soluca~o Xi e o numero
maximo de iterac~oes L.
O algoritmo consiste, basicamente, em isolar o elemento Xi na i-esima
linha do sistema dado pela matriz Aij e iterar estas equaco~es, obtendo, a cada
passo, uma nova aproximac~ao para o vetor soluca~o Xi , que e encontrado no limite
das iterac~oes.
Maiores detalhes a respeito do algoritmo podem ser encontradas em
[CLA 94], pag. 102.
Vejamos, a seguir, um exemplo numerico de aplicac~ao deste algoritmo.
0 1 0 1 0 1
10 21 15 x 93
Exemplo 4.4 Resolver o sistema B@ 18 8 1 CA : B@ y CA = B@ 198 CA.
0 31 4 z 28
Aplicando o esquema de iterac~oes dado anteriormente, temos:

x = 93 ; y=102 ; z=5
y = 198 ; x= 8
8;z
z = 28 ;4 y=3
Tomando X [0] = (x0 ; y0; z0 ) = (0; 0; 0) temos a seguinte tabela com os
valores de X [k], que foram calculados com o auxlio do MAPLE V:
Assim, X = klim
!1
X [k] = (8; 24; 5)0.
Como o metodo apresentado e iterativo, faz-se necessaria uma analise
da convergência da sequência de iterac~oes para a soluca~o exata. Segundo Cunha
([CUN 93], pag. 60), o metodo de Gauss-Seidel apresenta convergência garantida se
XXIV CNMAC
Tabela 4.1: Sequência de vetores calculados pelo Metodo de Gauss-Seidel
k X [k ]
0 (0,0,0)
1 (9.300000000, 24.60468750, 4.949609375)
2 (7.970773438, 24.00675549, 4.999437042)
3 (7.999673484, 24.00007547, 4.999993711)
4 (7.999996352, 24.00000084, 4.999999930)
5 (7.999999959, 24.00000001, 4.999999999)
6 (7.999999959, 24.00000001, 4.999999999)
7 (8.000000000, 24.00000000, 5.000000000)
8 (8.000000000, 24.00000000, 5.000000000)
9 (8.000000000, 24.00000000, 5.000000000)
10 (8.000000000, 24.00000000, 5.000000000)
a matriz A do sistema for diagonalmente dominante, ou seja, se

X
jaiij > jaij j
i6=j
para todo 1 i n.
Obs.: Se a matriz A do sistema original n~ao for diagonalmente domi-
nante, as vezes e possvel reordenar as linhas da matriz de tal forma que se tenha
um sistema equivalente onde a matriz e diagonalmente dominante.
Belo Horizonte/MG.
Apresentac~ao 71
4.3 Resoluc~ao de Sistemas \Tipo Banda"
Dizemos que um sistema AX = Y e do tipo banda se a sua matriz for
da forma
0 1
BB aa1121
a12
a22
0
a23
0
0
0
0
:::
:::
0
0 CC
BB 0 a32 a33 a34 0 ::: 0 CC
BB CC
BB 0 0 a43 a44 a45 : : : 0 CC
B@ ...
... ... ... ... ... ... CA
0 0 0 0 0 an(n;1) ann
Estes sistemas ocorrem frequentemente em problemas de interpolac~ao
por \splines cubicos", que ser~ao vistos na sec~ao 5.3.
Veremos, agora, um metodo especco para a resoluca~o de sistemas cuja
matriz e do tipo banda.
Seja AX = Y um sistema linear cuja matriz e do tipo banda. O vetor
soluc~ao X pode ser calculado pelo seguinte algoritmo:
Input : (n, Aij, Yi) / i=1(1)n, j=1(1)n;
Procedure :
> X:=vector(n);
> M:=vector(n);
> N:=vector(n);
> M[1]:=Y[1]/A[1,1];
> N[1]:=A[1,2]/A[1,1];
> for i from 2 to (n-1) by 1 do
> M[i]:=(Y[i]-A[i,i-1]*M[i-1])/(A[i,i]-A[i,i-1]*N[i-1]);
> N[i]:=A[i,i+1]/(A[i,i]-A[i,i-1]*N[i-1]);
> od;
XXIV CNMAC
> X[n]:=(Y[n]-A[n,n-1]*M[n-1])/(A[n,n]-A[n,n-1]*N[n-1]);
> for i from (n-1) by -1 to 1 do
> X[i]:=M[i]-N[i]*X[i+1];
> od;
Veremos, a seguir, um exemplo numerico de aplicac~ao deste algoritmo.

Exemplo 4.5 Resolver o sistema linear do tipo banda dado por
0 1 0 1 0 1
BB 21 1 0 0 0 0 0C B x1 CC BB ;1 CC 2
BB 2 1 0 0 0 0CCC BBB x2 CC BB C
BB 0 1 2 1 0 0 0C B x3 CC BB ;9 CCC
BB 0 0 1 2 1 0 0C CC : BBB x4 CC = BB ;11 CC
BB 00 0 1 2 1 0C CC BBB x5 CC BB ;4 CC
B@ 0
0 0 0 1 2 1A @ x6 CA B@ 3 CA
0 0 0 0 0 1 2 x7 7
Aplicando o algoritmo acima, implementado em MAPLE V, obtemos:
># Algoritmo para matrizes banda
>
> restart:
> with(linalg):
Warning, new definition for norm Warning, new definition for trace
> A:=band([1,2,1],7);
[2 1 0 0 0 0 0]
[ ]
[1 2 1 0 0 0 0]
[ ]
[0 1 2 1 0 0 0]
[ ]
Belo Horizonte/MG.
Apresentac~ao 73
A := [0 0 1 2 1 0 0]
[ ]
[0 0 0 1 2 1 0]
[ ]
[0 0 0 0 1 2 1]
[ ]
[0 0 0 0 0 1 2]
> Y:=[2,-1,-9,-11,-4,3,7];
Y := [2, -1, -9, -11, -4, 3, 7]
> n:=nops(Y);
n := 7
> X:=vector(n);
X := array(1 .. 7, [])
> M:=vector(n);
M := array(1 .. 7, [])
> N:=vector(n);
N := array(1 .. 7, [])
> M[1]:=Y[1]/A[1,1];
M[1] := 1
> N[1]:=A[1,2]/A[1,1];
N[1] := 1/2
XXIV CNMAC

> N[i]:=A[i,i+1]/(A[i,i]-A[i,i-1]*N[i-1]);
> od;
M[2] := -4/3
N[2] := 2/3
M[3] := -23/4
N[3] := 3/4
M[4] := -21/5
N[4] := 4/5
M[5] := 1/6
N[5] := 5/6
M[6] := 17/7
N[6] := 6/7
Belo Horizonte/MG.
Apresentac~ao 75
X[7] := 4

> X[i]:=M[i]-N[i]*X[i+1];
> od;
X[6] := -1
X[5] := 1
X[4] := -5
X[3] := -2
X[2] := 0
X[1] := 1
XXIV CNMAC
4.4 Calculo de Determinantes
O calculo de determinantes de matrizes de ordem n n qualquer pode
ser obtido atraves da propriedade 3 de teorema 2.5, que arma que se uma matriz
e triangular ent~ao o seu determinante e calculado pelo produto dos elementos da
diagonal principal.
Usando este fato, basta aplicarmos o metodo de eliminac~ao gaussiana ou
a fatorac~ao Cholesky para transformarmos a matriz original numa matriz triangular
ou no produto de duas matrizes triangulares.
Convem observar que o metodo de eliminac~ao gaussiana n~ao afeta o
valor do determinante da matriz, pois apenas efetuamos operac~oes elementares sobre
linhas da matriz.
Vejamos, atraves de exemplos numericos, como calcular o determinante
usando cada um dos dois metodos citados anteriormente.
0 3 2 0 1 1
B 8 ;3 4 CC
Exemplo 4.6 Calcular o determinante da matriz BB@ ;96 4 ;8 0 CA.
3 ;8 3 ;4
Soluc~ao :
Aplicando o algoritmo de Gauss para zerar todos os elementos abaixo
de a1;1 temos:
L2 L 2 ; 3L 1
0 3 2 0 11
BB 0 2 ;3 1 CC
B@ ;6 4 ;8 0 CA
3 ;8 3 ;4
L3 L 3 + 2L 1
Belo Horizonte/MG.
Apresentac~ao 77
03 2 0 11
BB 0 2 ;3 1 C C
B@ 0 8 ;8 2 C A
3 ;8 3 ;4
L4 L4 ; L1
03 2 0 11
BB 0 2 ;3 1 C C
B@ 0 8 ;8 2 C A
0 ;10 3 ;5
L3 L 3 ; 4L 2
03 2 0 11
BB 0 2 ;3 1 C C
B@ 0 0 4 ;2 C A
0 ;10 3 ;5
XXIV CNMAC
L4 L4 + 5L2
03 2 0 11
BB 0 2 ;3 1 CC
B@ 0 0 4 ;2 CA
0 0 ;12 0
L4 L4 ; 3L3
03 2 0 11
BB 0 2 ;3 1 CC
B@ 0 0 4 ;2 CA
0 0 0 ;6
Assim o determinante da matriz A e 3:2:4:(;6) = ;144.
0 4 2 ;4 2 1
B C
Exemplo 4.7 Calcular o determinante da matriz BB@ ;24 104 49 43 CCA.
2 4 3 15
Soluc~ao :
0 4 2 ;Pela fatorac~ao Cholesky sabemos que
4 2 1 0 2 0 0 0 1 0 2 0 0 0 10
B
B 2 10 4 4 C CC = BBB 1 3 0 0 CCC : BBB 1 3 0 0 CCC .
B
@ ;4 4 9 3 A @ ;2 2 1 0 A @ ;2 2 1 0 A
2 4 3 15 1 1 3 2 1 1 3 2
Mas, pelas propriedades do determinante, temos:
(A) = (C:C 0) = (C ):(C 0) = (C ):(C ) = ((C ))2 .
Como (C ) = 2:3:1:2 = 12 segue que (A) = 122 = 144.
Belo Horizonte/MG.
Apresentac~ao 79
4.5 Invers~ao de Matrizes
A invers~ao de matrizes de ordem n n qualquer e feita com base no
algoritmo de eliminac~ao gaussiana, so que ao inves de resolvermos o sistema AX = Y
resolveremos o sistema AM = I , onde a matriz M a ser encontrada e a inversa de
A.
Colocando a matriz na forma ampliada, temos (AjI ) que, por elim-
inac~ao gaussiana, deve ser transformada em (I jA;1).
Vejamos, atraves de um exemplo numerico, como isso e feito.
0 1 1 ;1 0 1
B C
Exemplo 4.8 Inverter a matriz M = BB@ 20 30 ;21 41 CCA.
1 1 ;1 1
XXIV CNMAC
Soluc~ao:
Tomando a matriz estendida, temos:
0 1 1 ;1 0 1 0 0 0 1
BB 2 3 ;2 4 0 1 0 0 CC
B@ 0 0 1 1 0 0 1 0 CA
1 1 ;1 1 0 0 0 1
L2 L 2 ; 2L 1
L4 L4 ; L1
0 1 1 ;1 0 1 0 0 0 1
BB 0 1 0 4 ;2 1 0 0 CC
B@ 0 0 1 1 0 0 1 0 CA
0 0 0 1 ;1 0 0 1
L3 L3 ; L4
0 1 1 ;1 0 1 0 0 0 1
BB 0 1 0 4 ;2 1 0 0 CC
B@ 0 0 1 0 1 0 1 ;1 CA
0 0 0 1 ;1 0 0 1
L2 L2 ; 4L4
0 1 1 ;1 0 1 0 0 01
BB 0 1 0 0 2 1 0 ;4 C
CC
B@ 0 0 1 0 1 0 1 ;1 A
0 0 0 1 ;1 0 0 1
L1 L1 ; L2 + L3
Belo Horizonte/MG.
Apresentac~ao 81
01 0 0 0 0 ;1 1 3 1
BB 0 1 0 0 2 1 0 ;4 C
C
B@ 0 0 1 01 0 1 ;1 C
A
0 0 0 1 ;1 0 0 1
0 1 1 ;1 0 1
B 2 3 ;2 4 CC
Assim, a inversa da matriz M = B
B@ 0 0 1 1 CA e a matriz M ;1 =
0 0 ;1 1 3 1 1 1 ;1 1
B
B 2 1 0 ;4 C C
B
@ 1 0 1 ;1 CA.
;1 0 0 1
XXIV CNMAC
5 APLICACO~ ES
Neste captulo ser~ao apresentadas algumas aplicaco~es de matrizes em
problemas da Ciência da Computac~ao e da Matematica.
Ser~ao tratados os seguintes problemas:
Ajuste de Dados
Interpolac~ao Polinomial
\Splines Cubicos"
Transformac~oes Lineares Planas
Autovalores e Autovetores
Morphing
A tecnica de ajuste de dados ocorre geralmente em problemas estatsticos,

onde e necessario determinar um modelo matematico que descreva o comportamento
dos dados tabulados, de forma a se poder fazer previs~oes futuras.
A tecnica de interpolac~ao polinomial ocorre frequentemente em proble-
mas de Computac~ao Graca, onde e necessario determinar um polinômio de grau n
que passa por n + 1 pontos dados.
A tecnica dos \splines cubicos" e um renamento da interpolac~ao poli-
nomial, onde os polinômios procurados s~ao todos de grau 3.
Transformac~oes Lineares Planas s~ao transformaco~es do plano cartesiano
nele mesmo, muito uteis em tecnicas de animac~ao da Computac~ao Graca.
Os Autovetores e Autovalores d~ao as direco~es e os respectivos fatores
de ampliac~ao de transformac~oes lineares.
Belo Horizonte/MG.
Apresentac~ao 83
Finalmente, Morphing e uma tecnica da Computac~ao Graca que per-
mite a passagem gradual de um objeto (imagem) para outro.
Veremos, a seguir, cada um destes topicos.
XXIV CNMAC
5.1 Ajuste de Dados
Um problema que frequentemente ocorre nas Ciências e Engenharias e
o da determinac~ao de um modelo matematico que melhor se ajusta a um conjunto
de pontos tabelados. A resoluca~o deste problema e feita, geralmente, usando-se o
metodo dos Mnimos Quadrados, que sera descrita a seguir, porem com abordagem
matricial.
Dada a tabela:
Tabela 5.1: Valores Tabulados: Ajuste Linear y = ax + b.

x y
-2 -2
-2 0
1 4
1 6
3 5
3 13
4 10
4 12
Determinar a equac~ao de reta que melhor se ajusta ao conjunto de

pontos dados.
O modelo a ser ajustado e y = ax + b com a e b a serem determinados.
E preciso ordenar os pontos em ordem crescente de x e, para um mesmo valor de x,
em ordem crescente de y.
Montando o sistema linear associado, temos:
Belo Horizonte/MG.
Apresentac~ao 85
i xi p(xi ) yi
1 ;2 ;2a + b ;2
2 ;2 ;2a + b 0
3 1 a+b 4
4 1 a+b 6
5 3 3a + b 5
6 3 3a + b 13
7 4 4a + b 10
8 4 4a + b 12
O sistema, na forma matricial, ca:
0 ;2 1
1 0 ;2 1
BB ;2 1CCC BB 0 CC
BB 1 1C B C
BB CC ! BBB 4 CCC
BB 1 1C a B 6C
BB 3 1C CC : b = BBB 5 CCC
BB 31C CC BB 13 CC
B@ 4
1A B@ 10 CA
4 1 12
XXIV CNMAC
Este sistema n~ao tem soluca~o pois ele tem mais equaco~es (8) do que
incognitas (2). A soluc~ao, pelo metodo dos mnimos quadrados, consiste em multi-
plicar, em ambos os lados, pela matriz transposta e resolver o sistema reduzido.
Da, o sistema ca:
0 ;2 1
1 0 ;2 1
BB ;2 1 CC BB 0 CC
B CC B C
! BBB 1 1 CC ! ! BBB 4 CCC
;2 ;2 1 1 3 3 4 4 : BB 1 1 CC : a = ;2 ;2 1 1 3 3 4 4 : BB 6 CC
1 1 1 1 1 1 1 1 B BB 3 1 CC b 1 1 1 1 1 1 1 1 B BB 5 CCC
BB 3 1 CC BB 13 CC
@ 4 1 CA @ 10 A
4 1 12
Que resulta no sistema:

! ! !
60 12 : a = 156
12 8 b 48
Cuja soluc~ao, efetuada no MAPLE V, mostrou que a = 2 e b = 3, de
modo que a equac~ao procurada e y = 2x + 3.
> # Resolucao da Equacao de Ajuste

> restart:
> with(linalg):
> A:=matrix([[-2,1],[-2,1],[1,1],[1,1],[3,1],[3,1],[4,1],[4,1]]);
[-2 1]
[ ]
[-2 1]
[ ]
Belo Horizonte/MG.
Apresentac~ao 87
[ 1 1]
[ ]
[ 1 1]
A := [ ]
[ 3 1]
[ ]
[ 3 1]
[ ]
[ 4 1]
[ ]
[ 4 1]
> AT:=transpose(A);
[-2 -2 1 1 3 3 4 4]
AT := [ ]
[ 1 1 1 1 1 1 1 1]
> M:=evalm(AT&*A);
[60 12]
M := [ ]
[12 8]
> B:=vector([-2,0,4,6,5,13,10,12]);
B := [-2, 0, 4, 6, 5, 13, 10, 12]
> Y:=evalm(AT&*B);
Y := [156, 48]
> X:=linsolve(M,Y);
X := [2, 3]
XXIV CNMAC
> with(plots):
> GP:=pointplot({[-2,-2],[-2,0],[1,4],[1,6],[3,5],[3,13],[4,10],[4,12]},
color=black, symbol=circle):
> y:=x-> 2*x+3;
y := x -> 2 x + 3
> GF:=plot(y(x),x=-4..5,y=-6..16, thickness=2, color=red):

> display(GF,GP);
O graco da equaca~o de ajuste e dado a seguir:
Figura 5.1: Equac~ao de Ajuste: y = 2x + 3
Belo Horizonte/MG.
Apresentac~ao 89
5.2 Interpolac~ao Polinomial
Dado um conjunto de n + 1 pontos do plano cartesiano
P = f(x0 ; y0); (x1 ; y1); (x2; y2); : : : ; (xn;1 ; yn;1); (xn ; yn)g
o problema de interpolac~ao polinomial consiste em determinar um polinômio de grau
n que passa por todos esses pontos.
A soluc~ao deste problema recai na resoluc~ao de um sistema linear, cuja
matriz e denominada \Matriz de Vandermonte" ( vide [DAV 75], pag. 24 { 55.), que
sera discutido a seguir.
Teorema 5.1 Dado um conjunto de n + 1 pontos do plano cartesiano

P = f(x0; y0); (x1 ; y1); (x2 ; y2); : : : ; (xn;1; yn;1); (xn; yn)g
existe um unico polinômio p(x) = a0 + a1x + a2 x2 + : : : + an;1xn;1 + an xn de modo
que
p(xi ) = yi; 8i = 0; 1; : : : ; n
Prova:
Considere o polinômio p(x) = a0 + a1 x + a2 x2 + : : : + an;1 xn;1 + anxn ,
que tem n + 1 constantes a0 ; a1; : : : ; an para serem determinadas.
A condic~ao p(xi ) = yi; 8i = 0; 1; : : : ; n leva ao seguinte sistema de
equac~oes lineares:
8
>
> a0 + a1x0 + a2 x20 + : : : + an;1xn0 ;1 + anxn0 = y0
> n;1
< a0 + a1x1 + a2 x12 + : : : + an;1x1n;1 + anx1n = y1
2 n
>
a0 + a1x2 + a2 x2 + : : : + an;1x2 + anx2 = y2
>
> ...
>
>
: a0 + a1 xn + a2 x2n + : : : + an;1 xnn;1 + an xnn = yn
XXIV CNMAC
Cujo modelo matricial e:
0 1 0 1 0 1
BB 11 x0 x20 xn0 CC BB a0 CC BB y0 CC
BB x1 x21 xn1 CC BB a1 CC BB y1 CC
BB 1 x2 x22 xn2 CC : BB a2 CC = BB y2 CC
B@ ... ... ... CA B@ ... CA B@ ... CA
1 xn x2n xnn an yn
Este sistema tem uma unica soluca~o pois o determinante da matriz
0 1
BB 11 x0 x20 xn0 CC
BB x1 x21 xn1 CC
BB 1x2 x22 xn2 CC
B@ ... ... ... CA
1 xn x2n xnn
e dado por
Y
n
= (xi ; xj ) 6= 0
i>j
uma vez que xi 6= xj , por hipotese. (A deduc~ao detalhada encontra-se na pag. 25
de [DAV 75]).
Assim, existe um unico polinômio de grau n que passa pelos n+1 pontos
distintos dados.
A seguir e apresentado um exemplo numerico mostrando como os calculos
devem ser efetuados.
Exemplo 5.1 Determinar o polinômio que interpola os pontos P = f(1; ;3); (2; 1); (3; 13); (4; 39)g
Soluc~ao :
Belo Horizonte/MG.
Apresentac~ao 91
Aqui, n = 3 pois #P = 4. Assim, o polinômio tera grau 3 e sera do
tipo
p(x) = a0 + a1x + a2 x2 + a3x3 .
Tabelando os pontos, temos:
i xi p(xi) yi
0 1 a0 + a1 + a2 + a3 ;3
1 2 a0 + 2a1 + 4a2 + 8a3 1
2 3 a0 + 3a1 + 9a2 + 27a3 13
3 4 a0 + 4a1 + 16a2 + 64a3 39
O sistema, na forma matricial, ca:
01 1 1 11 0a 1 0 ;3 1
BB 1 2 4 8 CC BB a01 CC BB 1 CC
B@ 1 3 9 27 CA : B@ a CA = B@ 13 CA
2
1 4 16 64 a3 39
A resoluc~ao deste sistema, efetuada no MAPLE V, mostrou que a0 = ;5,
a1 = 3, a2 = ;2 e a3 = 1, de modo que o polinômio procurado e p(x) = x3 ; 2x2 +
3x ; 5.
># Resolucao do Polinomio Interpolador

> restart:
> with(linalg):
> A:=vandermonde([1,2,3,4]);
[1 1 1 1]
[ ]
[1 2 4 8]
A := [ ]
[1 3 9 27]
XXIV CNMAC
[ ]
[1 4 16 64]
> B:=vector(4,[-3,1,13,39]);
B := [-3, 1, 13, 39]
> X:=linsolve(A,B);
X := [-5, 3, -2, 1]
> with(plots):
> GP:=pointplot({[1,-3],[2,1],[3,13],[4,39]}, color=black, symbol=circle):
> p:=x-> -5+3*x-2*x^2+x^3;
2 3
p := x -> -5 + 3 x - 2 x + x
> GF:=plot(p(x),x=-6..6,y=-20..80, thickness=2, color=red):

> display(GF,GP);
> p(1);
-3
> p(2);
1
> p(3);
13
> p(4);
39
> p(x);
2 3
Belo Horizonte/MG.
Apresentac~ao 93
-5 + 3 x - 2 x + x
A seguir, e apresentado o graco obtido no MAPLE V.
Figura 5.2: Polinômio Interpolador: p(x) = x3 ; 2x2 + 3x ; 5
XXIV CNMAC
Existem situac~oes onde a interpolaca~o polinomial n~ao e t~ao eciente.
Veja o exemplo abaixo:
Exemplo 5.2 (Func~ao de Runge: [CLA 94], pag. 198.) Interpolar a func~ao y =
f (x) = 1+251 x no intervalo [;1; 1].
2
Tabelando a func~ao temos:
Tabela 5.2: Valores Tabulados: Func~ao de Runge.

x y
-1 0.03846153846
-0.8 0.05882352941
-0.6 0.1
-0.4 0.2
-0.2 0.5
0 1
0.2 0.5
0.4 0.2
0.6 0.1
0.8 0.05882352941
1 0.03846153846
Como a tabela possui 11 pontos, o polinômio que interpola e de grau

10.
Resolvendo o problema, com o auxlio do MAPLE V, temos:
>
> # Exemplo: Polinomio de Runge
>
> restart:
Belo Horizonte/MG.
Apresentac~ao 95
> with(linalg):
> with(plots):
> y:=x->1/(1+25*x^2);
1
y := x -> ---------
2
1 + 25 x
> P:=[[-1,.03846153846],[-.8,.05882352941],[-.6,.1],[-.4,.2],[-.2,.5],[0,1],
[.2,.5],[.4,.2],[.6,.1],[.8,.05882352941],[1,.03846153846]];
P := [[-1, .03846153846], [-.8, .05882352941], [-.6, .1], [-.4, .2],
[-.2, .5], [0, 1], [.2, .5], [.4, .2], [.6, .1],
[.8, .05882352941], [1, .03846153846]]
> V:=[.03846153846,.05882352941,.1,.2,.5,1,.5,.2,.1,.05882352941,.03846153846];
V := [.03846153846, .05882352941, .1, .2, .5, 1, .5, .2, .1,
.05882352941, .03846153846]
> M:=vandermonde([-1,-.8,-.6,-.4,-.2,0,.2,.4,.6,.8,1]);
M :=
[1 , -1 , 1 , -1 , 1 , -1 , 1 , -1 , 1 , -1 , 1]
[1 , -.8 , .64 , -.512 , .4096 , -.32768 , .262144 ,
-.2097152 , .16777216 , -.134217728 , .1073741824]
XXIV CNMAC
[1 , -.6 , .36 , -.216 , .1296 , -.07776 , .046656 ,
-.0279936 , .01679616 , -.010077696 , .0060466176]
[1 , -.4 , .16 , -.064 , .0256 , -.01024 , .004096 ,
-.0016384 , .00065536 , -.000262144 , .0001048576]
[
[1 , -.2 , .04 , -.008 , .0016 , -.00032 , .000064 ,
-5 -6 -6]
-.0000128 , .256 10 , -.512 10 , .1024 10 ]
[1 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0]
[
[1 , .2 , .04 , .008 , .0016 , .00032 , .000064 , .0000128 ,
-5 -6 -6]
.256 10 , .512 10 , .1024 10 ]
[1 , .4 , .16 , .064 , .0256 , .01024 , .004096 , .0016384 ,
.00065536 , .000262144 , .0001048576]
[1 , .6 , .36 , .216 , .1296 , .07776 , .046656 , .0279936 ,
.01679616 , .010077696 , .0060466176]
[1 , .8 , .64 , .512 , .4096 , .32768 , .262144 , .2097152 ,
.16777216 , .134217728 , .1073741824]
[1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1]
Belo Horizonte/MG.
Apresentac~ao 97
> S:=linsolve(M,V);
[ -6 -5
S := [1., .2 10 , -16.8552038, -.1000410292 10 , 123.3597309,
-5 -5
.3446644452 10 , -381.4338348, -.313 10 , 494.9095218,
-6 ]
.462697509 10 , -220.9417526]
> Potencias:=[seq(xî, i=0..10)];
2 3 4 5 6 7 8 9 10
Potencias := [1, x, x , x , x , x , x , x , x , x , x ]
> H:=dotprod(S,Potencias);
-6 _ _2 -5 _3
H := 1. + .2 10 x - 16.8552038 x - .1000410292 10 x
_4 -5 _5 _6
+ 123.3597309 x + .3446644452 10 x - 381.4338348 x
-5 _7 _8 -6 _9
- .313 10 x + 494.9095218 x + .462697509 10 x
_10
- 220.9417526 x
> Polinomio:=x->1.+.2e-6*x-16.8552038*x^2+.1000410292e-5*x^3+123.3597309*x^4+
.3446644452e-5*x^5-381.4338348*x^6-.313e-5*x^7+494.9095218*x^8+
.462697509e-6*x^9-220.9417526*x^10;
XXIV CNMAC
-6 2
Polinomio := x -> 1. + .2 10 x - 16.8552038 x
-5 3 4 -5 5
+ .1000410292 10 x + 123.3597309 x + .3446644452 10 x
6 -5 7 8
- 381.4338348 x - .313 10 x + 494.9095218 x
-6 9 10
+ .462697509 10 x - 220.9417526 x
> Polinomio(x);
-6 2 -5 3
1. + .2 10 x - 16.8552038 x + .1000410292 10 x
4 -5 5 6
+ 123.3597309 x + .3446644452 10 x - 381.4338348 x
-5 7 8 -6 9
- .313 10 x + 494.9095218 x + .462697509 10 x
10
- 220.9417526 x
> GP:=pointplot(P, color=black, symbol=circle):

> GF:=plot(y(x),x=-1..1):
> GPOLI:=plot(Polinomio(x),x=-1..1,linestyle=4,color=green):
> display(GP,GF,GPOLI);
>
Belo Horizonte/MG.
Apresentac~ao 99
Cujo graco e mostrado abaixo:
Figura 5.3: Func~ao de Runge: f (x) = 1 + 125x2
Observe que o polinômio interpolador obtido (graco em linhas trace-

jadas) apresenta grandes oscilac~oes para x 2 [0:2; 1:0], o que mostra que essa tecnica
pode apresentar problemas se n~ao for usada com cautela. Nesses casos, e melhor
usar a interpolac~ao por splines cubicos, que sera visto a seguir.
XXIV CNMAC
100Algebra Linear Aplicada para Cursos de Matematica e Computac~ao.
5.3 \Splines Cubicos"
\Splines Cubicos" s~ao casos particulares de tecnicas de interpolac~ao
polinomial, onde o conjunto total de pontos e reagrupado de forma a se obter
polinômios de grau 3 para interpolar os pontos dados. A resoluc~ao do problema
dos splines recai na resoluc~ao de um sistema cuja matriz e do tipo \banda".
A seguir temos a denic~ao formal de um spline cubico.
Denic~ao 5.1 (Spline Cubico) Sejam x1 ; x2; x3 ; : : : ; xn um conjunto de n pontos

distintos com a = x1 < x2 < : : : < xn = b e sejam y1; y2 ; y3; : : : ; yn os respectivos
valores de uma func~ao f nestes pontos.
O Spline cubico que interpola estes dados e a func~ao s(x) denida no
intervalo [a; b] que tem as seguintes propriedades:
1. s(xi ) = yi; 8 1 i n;
2. s(x), s0(x) e s00 (x) s~ao contnuas em [a; b];
3. em cada subintervalo [xi ; xi+1 ]; 8 1 i (n ; 1) o polinômio s(x) e
de grau 3;
4. s00(a) = s00 (b) = 0.
Isso signica que o spline cubico e constitudo de n ; 1 equac~oes cubicas,

que devem passar atraves de todos os pontos dados, com concordância de tangência
e concavidade.
A formula para cada polinômio cubico, denido em [xi ; xi+1] e para
1 i (n ; 1) e dada por:
! 'i !
( y i+1 ; yi ) 'i+1 Hi 'i Hi ('i+1 ; 'i) (x ; x )3
si(x) = yi+ Hi ; 6 ; 3 ( x; xi )+
2 (x ; x 2
i) +
6 Hi i
Belo Horizonte/MG.
Apresentac~ao 101
onde
Hi = xi+1 ; xi e 'i e obtido como soluc~ao do seguinte sistema linear:
0 1 0 1 0 1
B
B
2(H1 + H2)
H2
H2
2(H2 + H3) H3
0 :::
:::
0
0 C B
CC BB '3
'2 CC BB bb23 ; ; b2
b1 CC
B
B CC : BB '4 CC BB CC
B
B 0 H 3 2( H 3 + H4 ) ::: 0
CC BB .. CC = BB 4 ; b3
b CC
B .
.. .
.. ... ... .
.. CA B@ ... CA
@ A @ .
0 0 0 Hn;2 2(Hn;2 + Hn;1) 'n;1 bn;1 ; bn;2
yi+1 ; yi
e bi = 6 Hi
XXIV CNMAC
O algoritmo para a resoluca~o deste sistema e dado na pag. 216 de
[CLA 94] e foi adaptado para ser implementado no MAPLE V, conforme e mostrado
no exemplo a seguir:
Exemplo 5.3 Interpolar, por splines cubicos, o seguinte conjunto de pontos do
plano cartesiano:
f(0; 3); (1; 1); (2; 0); (3; 1); (4; 3); (5; 5); (7; 5); (8; 4); (9; 4); (10; 5); (11; 5); (12; 4); (13; 4); (14;
A soluc~ao e:
>
> # SPLINES CUBICOS
>
> restart:
>
> with(linalg):
>
> with(plots):
>
> X:=[0,1,2,3,4,5,7,8,9,10,11,12,13,14];
X := [0, 1, 2, 3, 4, 5, 7, 8, 9, 10, 11, 12, 13, 14]
> Y:=[3,1,0,1,3,5,5,4,4,5,5,4,4,0];
Y := [3, 1, 0, 1, 3, 5, 5, 4, 4, 5, 5, 4, 4, 0]
>
> N:=nops(X);
Belo Horizonte/MG.
Apresentac~ao 103
N := 14
>
> V:=[seq([X[i],Y[i]],i=1..N)];
V := [[0, 3], [1, 1], [2, 0], [3, 1], [4, 3], [5, 5], [7, 5],
[8, 4], [9, 4], [10, 5], [11, 5], [12, 4], [13, 4], [14, 0]]
>
> GP:=pointplot(V, color=black, symbol=circle);
GP := PLOT(POINTS([0, 3.], [1., 1.], [2., 0], [3., 1.], [4., 3.],
[5., 5.], [7., 5.], [8., 4.], [9., 4.], [10., 5.], [11., 5.],
[12., 4.], [13., 4.], [14., 0]), SYMBOL(CIRCLE),
COLOUR(RGB, 0, 0, 0))
> H:=vector(N-1);
H := array(1 .. 13, [])
> for i from 1 by 1 to (N-1) do

> H[i]:=X[i+1]-X[i];
> od;
H[1] := 1
H[2] := 1
H[3] := 1
XXIV CNMAC
H[4] := 1
H[5] := 1
H[6] := 2
H[7] := 1
H[8] := 1
H[9] := 1
H[10] := 1
H[11] := 1
H[12] := 1
H[13] := 1
> op(H);
[1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1]
Belo Horizonte/MG.
Apresentac~ao 105
> C:=vector(N-1);
C := array(1 .. 13, [])
> C[2]:=2*(H[1]+H[2]);
C[2] := 4
>
> C[i]:=2*(H[i-1]+H[i])-(H[i-1]*H[i-1])/C[i-1];
> od;
C[3] := 15/4
56
C[4] := --
15
209
C[5] := ---
56
1198
C[6] := ----
209
3176
C[7] := ----
599
XXIV CNMAC
12105
C[8] := -----
3176
45244
C[9] := -----
12105
168871
C[10] := ------
45244
630240
C[11] := ------
168871
2352089
C[12] := -------
630240
8778116
C[13] := -------
2352089
>
> B:=vector(N-1);
B := array(1 .. 13, [])
Belo Horizonte/MG.
Apresentac~ao 107
>
> B[i]:=6*(Y[i+1]-Y[i])/H[i];
> od;
B[1] := -12
B[2] := -6
B[3] := 6
B[4] := 12
B[5] := 12
B[6] := 0
B[7] := -6
B[8] := 0
B[9] := 6
B[10] := 0
XXIV CNMAC
B[11] := -6
B[12] := 0
B[13] := -24
>
> d:=vector(N-1);
d := array(1 .. 13, [])
>
> d[2]:=B[2]-B[1];
d[2] := 6
>
> d[i]:=(B[i]-B[i-1])-H[i-1]*d[i-1]/C[i-1];
> od;
d[3] := 21/2
d[4] := 16/5
d[5] := -6/7
-2460
d[6] := -----
209
Belo Horizonte/MG.
Apresentac~ao 109
-1134
d[7] := -----
599
10095
d[8] := -----
1588
3496
d[9] := ----
807
-80976
d[10] := ------
11311
-689322
d[11] := -------
168871
745127
d[12] := ------
105040
-60920898
d[13] := ---------
2352089
XXIV CNMAC
>
> F:=vector(N);
F := array(1 .. 14, [])
>
> F[1]:=0;
F[1] := 0
> F[N]:=0;
F[14] := 0
> F[N-1]:=d[N-1]/C[N-1];
-30460449
F[13] := ---------
4389058
> for i from (N-2) by -1 to 2 do

> F[i]:=(d[i]-H[i]*F[i+1])/C[i];
> od;
8252202
F[12] := -------
2194529
-9222819
F[11] := --------
4389058
Belo Horizonte/MG.
Apresentac~ao 111
-2973738
F[10] := --------
2194529
6678375
F[9] := -------
4389058
2784162
F[8] := -------
2194529
-2617323
F[7] := --------
4389058
-8099367
F[6] := --------
4389058
581076
F[5] := -------
2194529
3450759
F[4] := -------
4389058
XXIV CNMAC
5684580
F[3] := -------
2194529
3741297
F[2] := -------
4389058
>
> for K from 1 by 1 to (N-1) do
> AA:=(Y[K+1]-Y[K])/H[K] - F[K+1]*H[K]/6 - F[K]*H[K]/3;
> BB:=F[K]/2;
> GG:=(F[K+1]-F[K])/(6*H[K]);
> SS:=x-> Y[K] + AA*(x-X[K]) + BB*(x-X[K])^2 + GG*(x-X[K])^3;
> SS(x);
> GSS[K]:=plot(SS(x), x=X[K]..X[K+1]):
> od;
>
18803331 1247099 3
3 - -------- x + ------- x
8778116 8778116
11920075 7531017 3741297 2 2542621 3

-------- - ------- x + ------- (x - 1) + ------- (x - 1)
4389058 4389058 8778116 8778116
48423 48423 2842290 2 2639467 3

-------- + ------- x + ------- (x - 2) - ------- (x - 2)
4389058 8778116 2194529 8778116
Belo Horizonte/MG.
Apresentac~ao 113
17913455 7434171 3450759 2 762869 3

--------- + ------- x + ------- (x - 3) - ------- (x - 3)
4389058 4389058 8778116 8778116
12897666 19481253 290538 2 3087173 3

--------- + -------- x + ------- (x - 4) - ------- (x - 4)
2194529 8778116 2194529 8778116
9414805 6272019 8099367 2 456837 3

-------- + ------- x - ------- (x - 5) + ------- (x - 5)
4389058 4389058 8778116 4389058
53057987 4444671 2617323 2 2728549 3

-------- - ------- x - ------- (x - 7) + ------- (x - 7)
4389058 4389058 8778116 8778116
20654798 5938341 1392081 2 370017 3

-------- - ------- x + ------- (x - 8) + ------- (x - 8)
2194529 8778116 2194529 8778116
10831379 3154179 6678375 2 4208617 3

--------- + ------- x + ------- (x - 9) - ------- (x - 9)
4389058 4389058 8778116 8778116
13250995 7039257 1486869 2 1091781 3

--------- + ------- x - ------- (x - 10) - ------- (x - 10)
4389058 8778116 2194529 8778116
XXIV CNMAC
66665999 4065519 9222819 2 8575741 3

-------- - ------- x - ------- (x - 11) + ------- (x - 11)
4389058 4389058 8778116 8778116
11326475 849453 4126101 2 15654951 3

-------- - ------- x + ------- (x - 12) - -------- (x - 12)
2194529 8778116 2194529 8778116
113791969 7402749 30460449 2 10153483 3

--------- - ------- x - -------- (x - 13) + -------- (x - 13)
4389058 4389058 8778116 8778116
>
> display(GP,seq(GSS[K], K=1..(N-1)));
>
A listagem completa deste algoritmo encontra-se no apêndice.

O graco desta interpolac~ao por splines cubicos e dado a seguir:
5.4 Transformaco~es Lineares Planas

Uma transformac~ao linear plana e uma func~ao T : IR2 ;! IR2 ,
(x,y) 7;! (r,s)
que associa, a cada vetor ~u = (x; y) um unico vetor ~v = (r; s) dado por
(
r = ax + by
s = cx + dy
com as seguintes propriedades:

Belo Horizonte/MG.
Apresentac~ao 115
Figura 5.4: Splines Cubicos
1. T (~u + ~v) = T (~u) + T (~v);

2. T (:~u) = :T (~u).
A forma matricial do problema e:

! ! !
a b : x = r
c d y s
!
onde T e a matriz de coecientes T = a b que dene a trans-
c d
formac~ao linear.
A seguir veremos as principais transformaco~es lineares do plano carte-
siano.
XXIV CNMAC
Para visualizar estas transformac~oes , usaremos o seguinte modelo geometrico,
que tem uma estrutura de dados bem simples:
Figura 5.5: Modelo Geometrico Padr~ao
Obs.: Nas transformac~oes efetuadas, a gura em negrito e a imagem do

objeto inicial (padr~ao) transformado.
5.4.1 Rotac~ao
Uma rotac~ao de ângulo no plano e dada pela seguinte matriz de
transformac~ao linear:
!
cos() ; sin )
sin() cos()
A seguir, vemos a implementaca~o em MAPLE V de uma rotac~ao de =
3 :
5
Belo Horizonte/MG.
Apresentac~ao 117
># Rotacao
>
> restart:
>
> with(linalg):
> with(plots):
>
> Objeto:=transpose(matrix([[3,2],[3,5],[10,5],[7,9],[7,2],[3,2]]));
[3 3 10 7 7 3]
Objeto := [ ]
[2 5 5 9 2 2]
>
> GO:=polygonplot(Objeto):
>
> A:=3*Pi/5;
A := 3/5 Pi
>
> T:=matrix([[cos(A), -sin(A)],[sin(A), cos(A)]]);
[- 1/4 sqrt(5) + 1/4 , - 1/4 sqrt(2) sqrt(5 + sqrt(5))]

T := [ ]
[1/4 sqrt(2) sqrt(5 + sqrt(5)) , - 1/4 sqrt(5) + 1/4]
>
> Imagem:=evalm(T&*Objeto):
>
> GI:=polygonplot(Imagem, view=[-20..20, -20..20], thickness=2,
linestyle=1, scaling=constrained):
> display(GO,GI);
XXIV CNMAC
Figura 5.6: Rotac~ao de ângulo = 35
Belo Horizonte/MG.
Apresentac~ao 119
5.4.2 Re ex~ao
Uma re ex~ao e uma transformaca~o linear do plano que inverte os obje-
tos em relac~ao a uma reta ou em relac~ao a origem do sistema de coordenadas.
Veremos, a seguir, cada um destes tipos de re ex~ao.
5.4.2.1 Re ex~ao em relac~ao a reta OX
A re ex~ao em relac~ao a reta OX e dada pela seguinte matriz de trans-

formac~ao linear:
!
1 0
0 ;1
Figura 5.7: Re ex~ao em relaca~o a reta OX
XXIV CNMAC
5.4.2.2 Re ex~ao em relac~ao a reta OY
A re ex~ao em relac~ao a reta OY e dada pela seguinte matriz de trans-

formac~ao linear:
!
;1 0
0 1
Figura 5.8: Re ex~ao em relaca~o a reta OY
5.4.2.3 Re ex~ao em relac~ao a origem
A re ex~ao em relac~ao a origem e dada pela seguinte matriz de trans-

formac~ao linear:
!
;1 0
0 ;1
Belo Horizonte/MG.
Apresentac~ao 121
Figura 5.9: Re ex~ao em relac~ao a origem
XXIV CNMAC
5.4.2.4 Re ex~ao em relac~ao a uma reta qualquer passando pela origem
A re ex~ao em relaca~o a reta y = ax, com a 2 IR e dada pela seguinte

matriz de transformac~ao linear:
0 1
BB 11 ; a2 2a CC
B@ +2aa2 a12+;a12 CA
1 + a2 1 + a2
No proximo exemplo foi tomado a = ;1.
Figura 5.10: Re ex~ao em relaca~o a reta y = ;x
5.4.2.5 Re ex~ao de \Householder"
A re ex~ao de \Householder" e denida da seguinte maneira:

Belo Horizonte/MG.
Apresentac~ao 123
Dado um vetor n~ao nulo ~u, tomamos o seu versor w~ = jj~u~ujj e calculamos
a matriz de \Householder" por
H = I ; 2w~ :~w0
Esta matriz faz a re ex~ao na direc~ao do vetor perpendicular ao vetor ~u

dado inicialmente.
Vejamos um exemplo:
Exemplo 5.4 Determinar a imagem do objeto dado pela seguinte estrutura de da-
dos f(3; 2); (3; 5); (10; 5);
(7; 9); (7; 2); (3; 2)g sabendo que ele sofre uma re ex~ao de \Householder" pelo
vetor ~u = (3; 4).
# Reflexao de Householder
> restart:
> with(linalg):
> with(plots):
> Objeto:=transpose(matrix([[3,2],[3,5],[10,5],[7,9],[7,2],[3,2]]));
[3 3 10 7 7 3]
Objeto := [ ]
[2 5 5 9 2 2]
> GO:=polygonplot(Objeto):
> u:=vector([3,4]);
u := [3, 4]
> w:=normalize(u);
w := [3/5, 4/5]
XXIV CNMAC
> I2:=matrix([[1,0],[0,1]]);
[1 0]
I2 := [ ]
[0 1]
> H:=evalm(I2-2*w&*transpose(w));
[ -24]
[7/25 ---]
[ 25 ]
H := [ ]
[-24 -7 ]
[--- -- ]
[25 25 ]
> Imagem:=evalm(H&*Objeto):
> GI:=polygonplot(Imagem, view=[-20..20, -20..20], thickness=2,
linestyle=1, scaling=constrained):
> display(GO,GI);
Figura 5.11: Re ex~ao de Householder em relac~ao ao vetor ~u = (3; 4)
Belo Horizonte/MG.
Apresentac~ao 125
5.4.3 Homotetia
Uma homotetia nada mais e do que uma mudanca de escala na gura.
Ela e denida pela seguinte matriz de transformac~ao linear:
!
0
0
onde 0 < e o fator de escala. Se 0 < < 1 ent~ao ocorre uma
contrac~ao e se > 1 ocorre uma dilatac~ao da imagem.
Figura 5.12: Contraca~o
XXIV CNMAC
Figura 5.13: Dilataca~o
Belo Horizonte/MG.
Apresentac~ao 127
5.4.4 Cisalhamento Horizontal
O cisalhamento horizontal de fator e denido pela seguinte matriz de
!
1
0 1
onde 2 IR e o deslocamento efetuado.
Se > 0 o deslocamento e para a direita e se < 0 o deslocamento e
para a esquerda.
Figura 5.14: Cisalhamento horizontal com > 0
XXIV CNMAC
Figura 5.15: Cisalhamento horizontal com < 0
Belo Horizonte/MG.
Apresentac~ao 129
5.4.5 Cisalhamento Vertical
O cisalhamento vertical de fator e denido pela seguinte matriz de
!
1 0
1
onde 2 IR e o deslocamento efetuado.
Se > 0 o deslocamento e para cima e se < 0 o deslocamento e para
baixo.
Figura 5.16: Cisalhamento vertical com > 0
XXIV CNMAC
Figura 5.17: Cisalhamento vertical com < 0
Belo Horizonte/MG.
Apresentac~ao 131
5.5 Autovalores e Autovetores
Em certas transformac~oes lineares, existem vetores que ao serem trans-
formados n~ao mudam de direc~ao. Estes vetores, por serem especiais, recebem o
nome de autovetores da transformac~ao linear. Veremos, a seguir, a denica~o formal
de autovetores e autovalores e como eles podem ser determinados.
Denic~ao 5.2 Seja T : IR2 ;! IR2 uma transformac~ao linear plana.

(x,y) 7;! (r,s)
Dizemos que ~v e um autovetor de T se ~v e n~ao nulo e existe 2 IR tal que T (~v) =
~v. Nesse caso, o numero real e denominado autovalor de T associado a ~v.
Vejamos um exemplo:
Exemplo 5.5 O vetor ~v = (5; 2)! e um autovetor da transformac~ao linear plana

denida pela matriz T = 42 51 pois
! ! ! !
T (~v) = T :~v = 42 51 : 52 = 30 5
12 = 6 2 = ~v.
Aqui, 6 e o autovalor associado ao autovetor ~v = (5; 2).
Veremos, a seguir, como determinar autovalores e os respectivos au-

tovetores de qualquer transformac~ao linear T .
Teorema 5.2 Seja T : IRn ;! IRn uma transformac~ao linear n dimensional.

~v 7;! ~u
Ent~ao, os autovalores de T s~ao as razes do polinômio caracterstico p() denido
por p() = (T ; I ) e os respectivos autovetores s~ao obtidos pela resoluc~ao do
sistema linear homogêneo (T ; I ):~v = ~0
Prova:
XXIV CNMAC
Seja T : IRn ;! IRn uma transformaca~o linear n dimensional e
~v 7;! ~u
seja
~v 2 IRn um autovetor desta transformac~ao linear. Como ~v e um autovetor de T
podemos escrever T (~v) = T :~v = ~v pois sabemos que existe um numero real que
satisfaz a equac~ao vetorial.
Da, tem-se que T :~v = ~v portanto T :~v ; ~v = ~0.
Mas ~v = I:~v e ent~ao T :~v ; I~v = ~0 portanto (T ; I ):~v = ~0
A equac~ao
(T ; I ):~v = ~0
e um sistema linear homogêneo com n equac~oes e n incognitas, que tera soluca~o n~ao
trivial se e somente se (T ; I ) = 0.
A equac~ao (T ; I ) = 0 e denominada equac~ao caracterstica da
transformac~ao linear T e o calculo do determinante gera um polinômio de grau n
cujas razes ser~ao os n autovalores desta transformaca~o linear. Substituindo-se os
autovalores na equac~ao (T ; I ):~v = ~0 e resolvendo-se o sistema linear homogêneo,
encontra-se os respectivos autovetores de T .
Exemplo 5.6 (Exemplo 2 da pag. 166 de [STE 90].) Determinar os autoval-

ores 1 autovetores da transformac~ao linear dada pela matriz T =
0 e os respectivos
7 ;2 0
B
@ ;2 6 ;2 CA.
0 ;2 5
Antes de resolver o exemplo, convem observar que esta e uma trans-

formac~ao linear do espaco tridimensional.
Soluc~ao:
Primeiro e preciso determinar o polinômio caracterstico e calcular suas
razes.
Belo Horizonte/MG.
Apresentac~ao 133
2 3
7 ; ;2 0
p() = (T ; I ) = 64 ;2 6 ; ;2 75 = 162 ; 99 + 182 ; 3
0 ;2 5 ;
cujas razes s~ao 1 = 3; 2 = 6; 3 = 9.
Fazendo Mi = T ; iI , para 1 i 3, temos:
0 1 0 1 0 1
4 ;2 0 x 0
M1 :~v = @ ;2 3 ;2 A : @ y A = @ 0 C
B C B C B A se e somente se ~v =
0 ;2 2 z 0
(x; 2x; 2x) ou seja o autovetor associado ao autovalor 1 = 3 e ~v = (1; 2; 2).
Para i = 2 temos:
0 1 0 1 0 1
1 ;2 0 x 0
M2 :~v = B@ ;2 0 ;2 CA : B@ y CA = B@ 0 CA se e somente se ~v =
0 ;2 1 z 0
(2x; x; ; 2x) ou seja o autovetor associado ao autovalor 2 = 6 e ~v = (2; 1; ;2).
Finalmente, para i = 3, temos
0 1 0 1 0 1
; 2 ;2 0 x 0
M3 :~v = B
@ ;2 ;3 ;2 CA : B@ y CA = B@ 0 CA se e somente se ~v = (2x; ;
0 ;2 ;4 z 0
2x; x) ou seja o autovetor associado ao autovalor 3 = 9 e ~v = (2; ;2; 1).
5.6 Morphing
Morphing e uma tecnica da computac~ao graca muito utilizada para
fazer animac~oes, pois ela permite a passagem gradual de um objeto para outro,
atraves do uso de uma equac~ao vetorial parametrizada, dada por:
O(t) = (1 ; t)A + tB
XXIV CNMAC
onde A e B s~ao os objetos inicial e nal, respectivamente, e 0 t 1 e o parâmetro
que controla a mudanca, gradualmente.
Os objetos A e B podem ser quaisquer elementos de um espaco vetorial:
vetores, matrizes, func~oes , etc...
Em geral, uma equaca~o do tipo pA + qB , com p + q = 1, e dita uma
composic~ao ponderada dos objetos A e B .
No exemplo implementado a seguir, usamos como objeto inicial a gura
de uma casa, sob a estrutura de dados do tipo matriz, onde a primeira linha contem
os valores das abscissas e a segunda linha, as ordenadas dos pontos que constituem
a poligonal que forma a casa. O objeto nal, da mesma maneira, e a gura de uma
bandeira.
> # Morphing
>
> restart:
> with(linalg):
> with(plots):
>
> A:=matrix([[1,1,4,7,7],[1,7,10,7,1]]);
[1 1 4 7 7]
A := [ ]
[1 7 10 7 1]
> polygonplot(A, view=[0..10,0..10], axes=none, scaling=constrained);
> B:=matrix([[1,1,7,1,1],[1,10,7,6,1]]);
[1 1 7 1 1]
B := [ ]
[1 10 7 6 1]
Belo Horizonte/MG.
Apresentac~ao 135
> polygonplot(B, view=[0..10,0..10], axes=none, scaling=constrained);
> for i from 0 by 1 to 100 do

> M:=evalm((1-i/100)*A+(i/100)*B):
> G[i]:=polygonplot(M, view=[0..10,0..10], scaling=constrained):
> od:
>
> display(G[0]);
> display(G[100]);
> L:=[seq(G[i], i=0..100)]:

> display(L, insequence=true);
> # Clique sobre a imagem e pressione 'play'

>
>
A seguir temos algumas imagens selecionadas da animac~ao feita no

MAPLE V .
Figura 5.18: Morphing: Frame 1
XXIV CNMAC
Belo Horizonte/MG.
Apresentac~ao 137
XXIV CNMAC
Belo Horizonte/MG.
Apresentac~ao 139
ANEXO A-1 LISTAGEM DOS ALGORITMOS
A-1.1 Algoritmo de Strassen para o Produto de

Matrizes
>
> restart:
>
> with(linalg):
>
>
> AA:=matrix([[2,8],[3,4]]);
> BB:=matrix([[5,7],[1,0]]);
> CC:=matrix([[-2,4],[4,5]]);
> DD:=matrix([[2,7],[1,1]]);
> EE:=matrix([[1,5],[-3,4]]);
> FF:=matrix([[7,4],[4,7]]);
> GG:=matrix([[1,0],[0,1]]);
> HH:=matrix([[0,1],[1,0]]);
> P:=multiply((AA+DD),(EE+HH));
> Q:=multiply((CC+DD),(EE));
> R:=multiply((AA),(FF-HH));
> S:=multiply((DD),(GG-EE));
> T:=multiply((AA+BB),(HH));
> U:=multiply((CC-AA),(EE+FF));
> V:=multiply((BB-DD),(GG+HH));
>
> M11:=evalm(P+S-T+V);
> M12:=evalm(R+T);
> M21:=evalm(Q+S);
> M22:=evalm(P+R-Q+U);
XXIV CNMAC
>
> A:=matrix([[2,8,5,7],[3,4,1,0],[-2,4,2,7],[4,5,1,1]]);
> B:=matrix([[1,5,7,4],[-3,4,4,7],[1,0,0,1],[0,1,1,0]]);
> PP:=multiply(A,B);
>
Belo Horizonte/MG.
Apresentac~ao 141
A-1.2 Algoritmo de Strassen para a Invers~ao de
Matrizes
> % Este algoritmo funciona somente para matrizes 2x2 !
>
> restart:
>
> with(linalg):
>
>
> A:=matrix([[a,b],[c,d]]);
>
> A_1:=inverse(A);
>
> AA:=matrix([[a]]);
> BB:=matrix([[b]]);
> CC:=matrix([[c]]);
> DD:=matrix([[d]]);
>
> P:=inverse(AA);
> Q:=multiply(CC,P);
> R:=multiply(BB,P);
> S:=multiply(CC,R);
> T:=evalm(S-DD);
> U:=inverse(T);
> f:=multiply(R,U);
> g:=multiply(Q,U);
> V:=multiply(R,g);
> e:=evalm(P-V);
> h:=evalm(-U);
>
> op(A_1);
>
XXIV CNMAC
Belo Horizonte/MG.
Apresentac~ao 143
A-1.3 Algoritmo de Lie
> # Algoritmo que calcula o Produto de LIE
>
> restart:
>
> with(linalg):
>
> a:=matrix([[1,2,3],[4,5,6],[9,8,7]]);
> b:=matrix([[1,0,-1],[3,-5,8],[2,2,4]]);
>
> m:=matrix(3,3);
>
> for j from 1 by 1 to 3 do
> s:=0;
> for k from 1 by 1 to 3 do
> p:=a[i,k]*b[k,j]-b[i,k]*a[k,j];
> s:=s+p;
> od;
> m[i,j]:=s;
> od;
> od;
> op(m);
XXIV CNMAC
A-1.4 Algoritmo Basico de Gauss
># Algoritmo basico de Gauss
>
> restart:
> with(linalg):
> A:=matrix([[3,2,0,1],[9,8,-3,4],[-6,4,-8,0],[3,-8,3,-4]]);
> B:=[3,6,-16,18];
> n:=nops(B);
> M[i,k]:=-A[i,k]/A[k,k];
> A[i,j]:=A[i,j]+M[i,k]*A[k,j];
> od;
> A[i,k]:=0;
> B[i]:=B[i]+M[i,k]*B[k];
> od;
> od;
> op(A);
> op(B);
> X[n]:=B[n]/A[n,n];
> X[k]:=B[k]:
> X[k]:=X[k]-A[k,i]*X[i]:
> od;
> X[k]:=X[k]/A[k,k];
> od;
> op(X);
> op(A);
> op(B);
> linsolve(A,B);
>
Belo Horizonte/MG.
Apresentac~ao 145
>
XXIV CNMAC
A-1.5 Algoritmo de Castilhos
># Algoritmo de Castilhos
>
> restart:
> with(linalg):
> A:=matrix([[3,2,0,1],[9,8,-3,4],[-6,4,-8,0],[3,-8,3,-4]]);
> B:=[3,6,-16,18];
> linsolve(A,B);
> n:=nops(B);
> A[i,j]:=A[k,k]*A[i,j]-A[i,k]*A[k,j]: od:
> B[i]:=A[k,k]*B[i]-A[i,k]*B[k]: od:
> for l from (k+1) by 1 to n do
> A[l,k]:=0: od:
> od;
> op(A);
> op(B);
> X:=vector(n);
> X[n]:=B[n]/A[n,n];
> X[k]:=B[k]:
> X[k]:=X[k]-A[k,i]*X[i]:
> od;
> X[k]:=X[k]/A[k,k];
> od;
> op(X);
>
Belo Horizonte/MG.
Apresentac~ao 147
A-1.6 Fatorac~ao Cholesky
> # Fatoracao Cholesky para matrizes positivo-definidas
>
> restart:
>
> with(linalg):
>
> A:=matrix([[4,2,-4,2],[2,10,4,4],[-4,4,9,3],[2,4,3,15]]);
>
> n:=4;
> # fatoracao CHOLESKY
>
> s:=0:
> C:=diag(0,0,0,0);
>
> for k from 1 by 1 to n do
> for i from 1 by 1 to (k-1) do
> s:=0:
> for j from 1 by 1 to (i-1) do
> s:=s+A[i,j]*A[k,j]: od:
> A[k,i]:=(A[k,i]-s)/A[i,i]: C[k,i]:=A[k,i]:
> s:=0:
> for j from 1 by 1 to (k-1) do
> s:=s+A[k,j]*A[k,j]: od:
> od:
> A[k,k]:=sqrt(A[k,k]-s): C[k,k]:=A[k,k]:
> od:
> op(C);
> evalm(C&*transpose(C));
>
>
XXIV CNMAC
A-1.7 Algoritmo para matrizes tridiagonais
># Algoritmo para matrizes banda - tridiagonais
>
> restart:
> with(linalg):
> A:=matrix([[2,-3,0,0,0,0],[1,-1,1,0,0,0],[0,5,2,4,0,0],
[0,0,3,3,1,0],[0,0,0,1,1,10],[0,0,0,0,1,2]]);
> Y:=vector([-4,2,32,26,69,17]);
> n:=6;
> X:=vector(n);
> M:=vector(n);
> N:=vector(n);
> M[1]:=Y[1]/A[1,1];
> N[1]:=A[1,2]/A[1,1];
> N[i]:=A[i,i+1]/(A[i,i]-A[i,i-1]*N[i-1]);
> od;
> X[i]:=M[i]-N[i]*X[i+1];
> od;
>
Belo Horizonte/MG.
Apresentac~ao 149
A-1.8 Algoritmo de Gauss-Seidel
> # Algoritmo de Gauss-Seidel:
>
> restart:
> with(linalg):
> A:=matrix([[10,1/2,1/5],[1/8,8,1],[0,1/3,4]]);
> Y:=vector(3,[93,198,28]);
> NMAX:=3;
> X:=vector(3,[0,0,0]);
> op(X);
>
> for l from 1 by 1 to 25 do
> for i from 1 by 1 to NMAX do
> s:=0:
> for j from 1 by 1 to NMAX do
> if i=j then s:=s+0 else s:=s+A[i,j]*X[j] fi:
> od:
> X[i]:=(Y[i]-s)/A[i,i]:
> od;
> evalf((op(X),15));
> od;
>
XXIV CNMAC
A-1.9 Algoritmo para Splines Cubicos
>
> # SPLINES CUBICOS
>
> restart:
>
> with(linalg):
>
> with(plots):
>
> X:=[0,1,2,3,4,5,7,8,9,10,11,12];
> Y:=[3,1,0,1,3,5,5,4,4,5,5,4];
>
> N:=nops(X);
>
> V:=[seq([X[i],Y[i]],i=1..N)];
>
> GP:=pointplot(V, color=black, symbol=circle);
> H:=vector(N-1);
> H[i]:=X[i+1]-X[i];
> od;
> op(H);
> C:=vector(N-1);
> C[2]:=2*(H[1]+H[2]);
>
> C[i]:=2*(H[i-1]+H[i])-(H[i-1]*H[i-1])/C[i-1];
> od;
>
> B:=vector(N-1);
>
Belo Horizonte/MG.
Apresentac~ao 151
> B[i]:=6*(Y[i+1]-Y[i])/H[i];
> od;
>
> d:=vector(N-1);
>
> d[2]:=B[2]-B[1];
>
> d[i]:=(B[i]-B[i-1])-H[i-1]*d[i-1]/C[i-1];
> od;
>
> F:=vector(N);
>
> F[1]:=0;
> F[N]:=0;
> F[N-1]:=d[N-1]/C[N-1];
> for i from (N-2) by -1 to 2 do
> F[i]:=(d[i]-H[i]*F[i+1])/C[i];
> od;
>
> for K from 1 by 1 to (N-1) do
> AA:=(Y[K+1]-Y[K])/H[K] - F[K+1]*H[K]/6 - F[K]*H[K]/3;
> BB:=F[K]/2;
> GG:=(F[K+1]-F[K])/(6*H[K]);
> SS:=x-> Y[K] + AA*(x-X[K]) + BB*(x-X[K])^2 + GG*(x-X[K])^3;
> SS(x);
> GSS[K]:=plot(SS(x), x=X[K]..X[K+1]):
> od;
>
>
> display(GP,seq(GSS[K], K=1..(N-1)));
>
XXIV CNMAC
A-1.10 Algoritmo para Morphing
> # Morphing
>
> restart:
> with(linalg):
> with(plots):
>
> A:=matrix([[1,1,4,7,7],[1,7,10,7,1]]);
[1 1 4 7 7]
A := [ ]
[1 7 10 7 1]
> polygonplot(A, view=[0..10,0..10], axes=none, scaling=constrained);
> B:=matrix([[1,1,7,1,1],[1,10,7,6,1]]);
[1 1 7 1 1]
B := [ ]
[1 10 7 6 1]
> polygonplot(B, view=[0..10,0..10], axes=none, scaling=constrained);

> M:=evalm((1-i/100)*A+(i/100)*B):
> G[i]:=polygonplot(M, view=[0..10,0..10], scaling=constrained):
> od:
>
> display(G[0]);
> display(G[100]);
Belo Horizonte/MG.
Apresentac~ao 153
> L:=[seq(G[i], i=0..100)]:
> display(L, insequence=true);
> # Clique sobre a imagem e pressione 'play'

>
>
XXIV CNMAC
ANEXO A-2 O MAPLE V NA RESOLUCA~ O DE
PROBLEMAS DA GEOMETRIA
ANALTICA
A-2.1 Comandos Basicos do MAPLE V

A seguir apresentaremos uma relac~ao de comandos do MAPLE V utiliza-
dos para calculos em problemas da A lgebra Linear e da Geometria Analtica.
Comando: dotprod
Sintaxe: dotprod(V1,V2);
Descric~ao: Calcula o produto escalar entre os vetores V 1 e V 2.
Exemplo: dotprod([1,2,3],[4,5,6]);
Resultado: 32
Comando: crossprod
Sintaxe: crossprod(V1,V2);
Descric~ao: Calcula o produto vetorial entre os vetores V 1 e V 2.
Exemplo: crossprod([1,2,3],[4,5,6]);
Resultado: [;3; 6; ;3]
Comando: angle
Sintaxe: angle(V1,V2);
Descric~ao: Calcula o ângulo entre os vetores V 1 e V 2.
Exemplo: angle([1,1,0],[8,1,4]);
pp
Resultado: arccos 181 2 81
Comando: normalize
Sintaxe: normalize(V1);
Descric~ao: Normaliza o vetor V 1, obtendo o seu versor.
Exemplo: normalize([2,6,9]);
2; 6; 9]
Resultado: [ 11 11 11
O MAPLE V na Resoluc~ao de Problemas da Geometria Analtica 155
Comando: scalarmul
Sintaxe: scalarmul(V1,A);
Descric~ao: Multiplica o vetor V 1 pelo escalar A.
Exemplo: scalarmul([1,2,3], 5);
Resultado: [5; 10; 15]
Comando: vector
Sintaxe: vector(N, [C1, C2, : : :, CN]);
Descric~ao: Cria um vetor de dimens~ao N , com as coordenadas C 1, : : :, CN .
Exemplo: vector(3,[1,1,-1]);
Resultado: [1; 1; ;1]
Comando: linsolve
Sintaxe: linsolve(M,V);
Descric~ao: Resolve o sistema cuja matriz e M e o vetor e V .
Exemplo: linsolve([[1,2,3],[3,1,2],[2,3,1]], [10,11,12]);
Resultado: [ 13 ; 13 ; 7 ]
6 6 6
Comando: matadd
Sintaxe: matadd(M1,M2);
Descric~ao: Soma as matrizes M 1 e M 2.
Exemplo: matadd([[1,2,3], [4,5,6]], [[5,3,1], [6,4,2]]);
Resultado: [[6; 5; 4]; [10; 9; 8]]
Comando: solve
Sintaxe: solve(fEQ1, EQ2, : : :, EQng,fV1, V2, : : :, Vkg);
Descric~ao: Resolve o sistema de n equac~oes em k variaveis.
;f17
Exemplo: solve( 2*x-3*y=7, 5*x+4*y=9g, fx,yg);

Resultado: y = 23 ; x = 55 23
Comando: sqrt
Sintaxe: sqrt(N);
Descric~ao: Retorna a raz quadrada do numero N .
Exemplo: sqrt(5);
p
Resultado: 5
XXIV CNMAC
156 Geometria Analtica: Um enfoque computacional
Comando: evalf
Sintaxe: evalf(E);
Descric~ao: Avalia, em ponto utuante, o resultado da express~ao E .
Exemplo: evalf(sqrt(5));
Resultado: 2:236067978
Comando: nops
Sintaxe: nops(Lista);
Descric~ao: Obtem o numero de elementos pertencentes a lista L.
Exemplo: nops([[1,2,3],[4,5,6],[7,8,9],[10,11,12]]);
Resultado: 4
Comando: simplify
Sintaxe: simplify(Express~ ao)
Descric~ao: Simplica a express~ao dada.
Exemplo: simplify(angle([1,1,0],[8,1,4]));
Resultado: 14
Comando: op
Sintaxe: op(Objeto);
Descric~ao: Mostra o conteudo do objeto.
Exemplo: op([[1,2,3],[4,5,6],[7,8,9],[10,11,12]]);
Resultado: [1; 2; 3]; [4; 5; 6]; [7; 8; 9]; [10; 11; 12]
Comando: evalm
Sintaxe: evalm(Opera c~
ao);
Descric~ao: Avalia a operaca~o matricial realizada no argumento.
Exemplo: evalm([[1,2,3], [4,5,6]] - [[5,3,1], [6,4,2]]);
Resultado: [[;4; ;1; 2]; [;2; 1; 4]]
Comando: multiply
Sintaxe: multiply(M,N);
Descric~ao: Multiplica as matrizes M e N .
Exemplo: multiply([[1,2,3], [4,5,6], [7,8,9]] ,
[[5,3,1], [6,4,2], [9,7,5]]);
Resultado: [[44; 32; 20]; [104; 74; 44]; [164; 116; 68]]
Belo Horizonte/MG.
Comando: print
Sintaxe: print(Express~ ao);
Descric~ao: Imprime o resultado da express~ao.
Exemplo: print(sqrt(2)*sin(Pi/4));
Resultado: 1
Comando: with
Sintaxe: with(Biblioteca);
Descric~ao: Carrega uma biblioteca do MAPLE V.
Exemplo: with(linalg): with(plots): with(simplex);
Resultado:
Comando: restart
Sintaxe: restart;
Descric~ao: Reinicializa o MAPLE V.
Exemplo: restart;
Resultado:
Comando: convert
Sintaxe: convert(Express~ao, Tipo);
Descric~ao: Converte uma express~ao de um determinado tipo para outro.
Exemplo: convert([[1,2,3,4],[5,6,7,8]],
" # array);
Resultado: 15 26 37 48
Comando: if then else fi;

Sintaxe: if (condic~
ao) then comando1 else comando2 fi;
Descric~ao: Desvio condicional do MAPLE V.
Exemplo: if (3>2) then print(Maior) else print(Menor) fi;
Resultado: Maior
XXIV CNMAC
Comando: for from to by do od;
Sintaxe: for variavel from inicio to fim by passo do comando od;
Descric~ao: Estrutura de repetica~o do MAPLE V.
Exemplo: for i from 3 to 11 by 2 do print(i) od;
3
5
Resultado: 7
9
11
Belo Horizonte/MG.
Lista de Smbolos
X
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Somatorio.
Y
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Produtorio.
8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Para todo.
9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Existe.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Produto escalar.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Produto de Schur.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Produto de Lie.

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Produto de Kronecker.
# . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cardinal de um conjunto.
IR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Conjunto dos numeros reais.
IIIR . . . . . . . . . . . . . . . . . . . . . . . . Conjunto dos intervalos de numeros reais.
IN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Conjunto dos numeros naturais.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A^ ngulo (em radianos).
. . . . . . . . . . . . . . . . . Constante Pi, cujo valor aproximado e 3.14159265.
sgn(x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sinal do numero x.
jxj . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Modulo do numero real x.
~u . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vetor n dimensional.
jj~ujj . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Norma do vetor ~u.
d(~u;~v) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Distância entre os vetores ~u e ~v.
Amn, A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Matriz real de ordem m n.
XXIV CNMAC
A0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Transposta da matriz A.
(A) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Traco da matriz A.
(A) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Determinante da matriz A.
; ; : : : ; . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Constantes reais.
Belo Horizonte/MG.
BIBLIOGRAFIA
[ABR 63] ABREU, Carlos F. Geometria Analtica. Rio de Janeiro: Ao Livro
Tecnico, 1963.
[ANT 87] ANTON, Howard; RORES, Chris. Elementary Linear Algebra:
Applications Version. New York: John Wiley, 1987.
[BOU 97] BOULOS, Paulo; CAMARGO, Ivan. Introduc~ao a Geometria
Analtica no Espaco. S~ao Paulo: Makron Books do Brasil, 1997.
[FEI 83] FEITOSA, Miguel O. Calculo Vetorial e Geometria Analtica.
Exerccios Propostos e Resolvidos. S~ao Paulo, Editora Atlas, 1983.
[FOL 97] FOLEY, James; Van DAM, Andries; FEINER, Steven; HUGHES,
John. Computer Graphics: Principles and Practice. New York:
Addison-Wesley, 1997.
[MOR 90] MORTENSON, Michael. Computer Graphics Handbook: Geometry
and Mathematics. New York: Industrial Press, 1990.
[PRE 85] PREPARATA, Franco; SHAMOS Michael. Computational Geometry:
An Introduction. New York: Springer-Verlag, 1985.
[STE 87] STEINBRUCH, Alfredo; WINTERLE, Paulo. Algebra Linear. S~ao
Paulo: McGraw-Hill, 1987.
[WIN 87] STEINBRUCH, Alfredo; WINTERLE, Paulo. Geometria Analtica.
S~ao Paulo: McGraw-Hill, 1987.
[ABE 92] ABEL, Martha L.; BRASELTON, James P. MATHEMATICA by Exam-
ple. Boston: Academic Press, 1992. 654 p.
[ALE 83] ALEFELD, G.; HERZBERGER, J. Introduction to Interval
Computations. New York: Academic Press, 1983. 334 p.
[ARG 97] ARGE, Erlend; BRUASET, Are Magnus; LANGTANGEN; Hans
Petter. Modern Software Tools for Scientic Computing.
Boston: Birkhauser, 1997. 380 p.
[BAR 87] BARTELS, Richard H.; BEATTY, John C.; BARSKY, Brian A. An
Introduction to Splines for use in Computer Graphics and
Geometric Modeling. Los Altos: M. Kaufmann, 1987. 476 p.
[BRA 95] BRAUN, Rudiger; MEISE, Reinhold. Analysis mit MAPLE. Wies-
baden: Vieweg, 1995. 267 p.
[BUR 93] BURKHARDT, Werner. First Steps in MATHEMATICA . London:
Springer-Verlag, 1993. 100 p.
[CHA 91] CHAR, B. W.; GEDDES, K. O.; GONNET, G. H.; LEONG, B. L.;
MONAGAN, M. B.; WATT, S. M. MAPLE V: Language Refer-
ence Manual. New York: Springer, 1991. 267 p.
[CLA 92] CLAUDIO, Dalcidio Moraes, et. al. Introduc~ao a Teoria dos Inter-
valos. Porto Alegre: CPGCC da UFRGS, 1992. 41p. (Relatorio
de Pesquisa Nro. 172.)
[CLA 94] CLAUDIO, Dalcidio Moraes, MARINS, Jussara Maria. Calculo
Numerico Computacional: Teoria e Pratica. S~ao Paulo: At-
las, 1994. 464 p.
[CRA 94] CRANDALL, Richard E. Projects in Scientic Computation.
New York: Springer-Verlag, 1994. 470 p.
[COO 96] COOMBES, Kevin R.; HUNT, Brian R.; LIPSMAN, Ronald L.; OS-
BORN, John E.; STUCK, Garrett J. Dierential Equations
with MAPLE. New York: John Wiley, 1996. 232 p.
[CUN 93] CUNHA, Cristina. Metodos Numericos para as Engenharias e
Ciências Aplicadas. S~ao Paulo: UNICAMP, 1993. 265 p.
[DAV 75] DAVIS, Philip. Interpolation & Approximation. New York:
Dover, 1975. 393 p.
[ELL 97] ELLIS, Wade; JOHNSON, Eugene; LODI, Ed; SCHWALBE, Daniel.
MAPLE V in der mathematischen Anwendung. Bonn: Thom-
son, 1997. 186 p.
Belo Horizonte/MG.
Bibliograa 163
[FOL 97] FOLEY, James D. Computer Graphics: Principles and Prac-
tice. Reading: Addison-Wesley, 1997. 1175 p.
[FORTRAN] FORTRAN-SC: A FORTRAN Extension for Engineer-
ing/Scientic Computation with Access to ACRITH. Lan-
guage Reference and User's Guide. 396 p.
[GOM 90] GOMES, Jonas de Miranda; VELHO, Luiz Carlos. Conceitos
Basicos de Computac~ao Graca. S~ao Paulo: IME/USP, 1990.
311 p.
[HAM 95] HAMMER, R.; HOCKS, M.; KULISCH, U.; RATZ, D. C++ Toolbox
for Veried Computing. Berlin: Springer-Verlag, 1995. 377 p.
[HAN 95] HANSELMAN, Duane; LITTLEFIELD, Bruce. The Student Edi-
tion of MATLAB. Englewood Clis: Prentice-Hall, 1995. 833 p.
[HAR 95] HARRIS, Kent; LOPEZ, Robert J. Discovering Calculus with
MAPLE. New York: John Wiley, 1995. 344 p.
[HEA 98] HEAL, K. M.; HANSEN, M. L.; RICKARD, K. M. MAPLE V { Release

5: Learning Guide. New York: Springer, 1998. 284 p.
[HOH 97]
HOHER,
Charles Leandro; HOLBIG, Carlos Amaral; DIVERIO,
Tiaraju Asmuz. Programando em PASCAL XSC. Porto Alegre:
Sagra-Luzzatto, 1997. 94 p.
[HOL 93] HOLMES, Mark H.; ECKER, Joseph G.; BOYCE, William E.; SIEG-
MANN, William L. Exploring Calculus with MAPLE. New York:
Addison-Wesley, 1993. 258 p.
[KAI 80] KAILATH, Thomas. Linear Systems. Englewood Clis: Prentice-
Hall, 1980. 682 p.
[KAU 80] KAUCHER, C. W. Interval Analysis in the Extended Interval Space
IR. In: Computing Supplementum, 2, (1980). p. 33 { 49.
[KLA 91] KLATTE, R.; KULISCH, U.; NEAGA, M.; RATZ, D.; ULLRICH,
CH. PASCAL XSC. Berlin: Springer-Verlag, 1991. 344 p.
XXIV CNMAC
[KLA 93] KLATTE, R.; KULISCH, U.; WIETHOFF, A.; LAWO, C.; RAUCH,
M. C-XSC: A C++ Class Library for Extended Scientic
Computing. Berlin: Springer-Verlag, 1993. 269 p.
[KOL 97] KOLMAN, Bernard. Introductory Linear Algebra with Appli-
cations. Upper Saddle River, NJ: Prentice-Hall, 1997. 615 p.
[KUP 95] KUPRIYANOVA, Ludmila. Inner Estimation of the United Solution
Set of Interval Linear Algebraic System. In: Reliable Comput-
ing. 1 (1) (1995). p. 15 { 31.
[KUT 96] KUTZLER, Bernhard. Introduction to DERIVE for Windows.
Hawaii: Soft Warehouse, 1996. 214 p.
[LAW 95] LAWSON, Charles L.; HANSON, Richard J. Solving Least Squares
Problems. Philadelphia: SIAM, 1995. 337 p.
[LAW 96] LAWSON, Terry; LOPEZ, Robert L. MAPLE Labs for Linear Alge-
bra. New York: John Wiley, 1996. 112 p.
[LIM 81] LIMA, Elon Lages. Curso de Analise. Volume 2. Rio de Janeiro:
IMPA, 1981. 557 p.
[MAR 80] MARKOV, Svetoslav M. Some Applications of the Extended Inter-
val Arithmetic to Interval Iterations. In: Computing Suppl., 2,
(1980). p. 69 { 84.
[MATLAB] MATLAB: High-Performance Numeric Computation and Visu-
alization Software. Reference Guide. 548 p.
[MON 98] MONAGAN, M. B.; GEDDES, K. O.; HEAL, K. M.; LABAHN, G.;
VORKOETTER, S. M. MAPLE V { Release 5: Programming
Guide. New York: Springer, 1998. 284 p.
[MOO 66] MOORE, Ramon E. Interval Analysis. Englewood Clis: Prentice-
Hall, 1966. 145 p.
[MOR 90] MORTENSON, Michael E. Computer Graphics Handbook: Ge-
ometry and Mathematics. New York: Industrial Press, 1990.
259 p.
Belo Horizonte/MG.
Bibliograa 165
[OLI 95] OLIVEIRA, Paulo Werlang de. Analise Intervalar. Porto Alegre:
CPGCC da UFRGS, 1995. 182 p.
[OLI 97] OLIVEIRA, P. W.; DIVERIO, T. A.; CLAUDIO, D. M. Funda-
mentos da Matematica Intervalar. Porto Alegre: SAGRA-
LUZZATTO, 1997. 93 p. il.
[OLI 98] OLIVEIRA, Paulo Werlang de. Geometria Analtica: Um En-
foque Computacional. Porto Alegre: PUCRS, 1998. 61 p.
[ORT 72] ORTEGA, James M. Numerical Analysis: A Second Course.
New York: Academic Press, 1972. 201 p.
[POP 96] POPOVA, E.; MARKOV, S. M.; ULLRICH, C. On the Solution of
Linear Algebraic Equations Involving Interval Coecients. In: It-
erative Methods in Linear Algebra II. (Eds. S. Margenov, P.
Vassilevski). IMACS Series in Computational and Applied Math-
ematics, 3, (1996). p. 216{225.
[PRE 90] PREPARATA, Franco P.; SHAMOS, Michael Ian. Computational
Geometry: An Introduction. New York: Springer, 1990. 399
p.
[RAM 84] RAMALHETE, Manuel; GUERREIRO, Jorge; MAGALHA~ ES,
Alpio. Programac~ao Linear. Lisboa: McGraw-Hill, 1984. 285
p.
[RED 96] REDFERN, Darren. The MAPLE Handbook. New York: Springer-
Verlag, 1996. 495 p.
[ROG 90] ROGERS, David F.; ADAMS, James Alan. Mathematical El-
ements for Computer Graphics. New York: McGraw-Hill,
1990. 611 p.
[ROQ 95] ROQUE, Waldir Leite. Apologia ao Ensino/Aprendizado de
Matematica Assistido por Sistemas de Computac~ao
Algebrica. In: Revista de Informatica Teorica e Aplicada. Vol.
2, Nro. 2, outubro, 1995. pp. 129 { 140.
XXIV CNMAC
166 BIBLIOGRAFIA
[ROR 84] RORRES, Chris; ANTON, Howard. Applications of Linear Alge-
bra. New York: John Wiley & Sons, 1984. 364 p.
[SAL 82] SALVETTI, Dirceu D. Topicos de Calculo Numerico.. S~ao Paulo:
IME/USP, 1982. (Livro n~ao editado).
[SCH 73] SCHNEIDER, Hans; BARKER, George Phillip. Matrices and Lin-
ear Algebra. New York: Dover, 1973. 413 p.
[SHA 93] SHARY, P. Solving Interval Linear Systems With Nonnegative Ma-
trices. In: Scientic Computation and Mathematical Mod-
elling. S. Markov (Ed.), DATECS Publishing, Soa, 1993. p. 179
{ 182.
[STE 90] STEINBRUCH, Alfredo; WINTERLE, Paulo. Introduc~ao a
A lgebra linear. S~ao Paulo: McGraw-Hill, 1990. 245 p.
[STO 52] STOLL, Robert R. Linear Algebra and Matrix Theory. New
York: McGraw-Hill, 1952. 272 p.
[STO 93] STOER, J.; BULIRSCH, R. Introduction to Numerical Analysis.
New York: Springer-Verlag, 1993.
[VAR 62] VARGA, Richard S. Matrix Iterative Analysis. Englewood Clis:
Prentice-Hall, 1962. 322 p.
[WOL 91] WOLFRAM, Stephen. The MATHEMATICA Book. 3rd Ed. Cambridge:
Wolfram Media/Cambridge University Press, 1996. 1403 p.
[WOLFRAM] Wolfram Research, MATHEMATICA 3.0 Standard Add-on Pack-
ages. (Wolfram Media/Cambridge University Press, 1996). 516
p.

Algebra Linear para Computação

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

Algebra Linear para Computação

Enviado por

Direitos autorais:

Formatos disponíveis

A lgebra Linear Aplicada para Cursos de

Paulo Werlang de Oliveira

Faculdade de Matematica { PUCRS

Porto Alegre, janeiro de 2001.

O48g Oliveira, Paulo Werlang de

1. Matematica Computacional. 2. Computac~ao

Elaborada pelo Setor de Processamento Tecnico da BC{PUCRS

Porto Alegre, janeiro de 2001.

Paulo Werlang de Oliveira

2 MATRIZES, VETORES E SISTEMAS LINEARES . ....... 17

3 SOFTWARE PARA A RESOLUCA~ O DE SISTEMAS LINEARES

4 ME TODOS COMPUTACIONAIS PARA A RESOLUCA~ O DE

ANEXO A-1 LISTAGEM DOS ALGORITMOS . . . . . . . . . . . 139

ANEXO A-2 O MAPLE V NA RESOLUCA~ O DE PROBLEMAS DA

 Captulo 1: Fundamentac~ao Teorica

 problemas de interpolaca~o e ajuste de dados;

Neste exame de quali caca~o a area de abrang^encia escolhida e o estudo

2.1 De nic~oes Basicas

De nic~ao 2.2 (Matriz) Uma matriz de ordem m n e um arranjo retangular de

De nic~ao 2.5 (Matriz Simetrica) Diz-se que A e uma matriz simetrica se e

De nic~ao 2.8 (Matriz Identidade) A matriz identidade de ordem nn e de nida

2.2 Operaco~es Matriciais e Vetoriais

De nic~ao 2.14 (Soma (Adic~ao) de Matrizes) Sejam A e B duas matrizes de

Teorema 2.1 (Propriedades da Adic~ao ) Sejam A, B , e C matrizes de ordem

Teorema 2.2 (Propriedades da Multiplicac~ao por Escalar) Sejam A e B ma-

De nic~ao 2.16 (Matriz Oposta) Seja A uma matriz de ordem m n. A oposta

De nic~ao 2.18 (Produto de Matrizes) Sejam Amn e Bnp duas matrizes. O

Teorema 2.3 (Propriedades do Produto) Sejam A, B e C matrizes de ordens

Obs.: O produto de matrizes n~ao e comutativo, ou seja AB 6= BA.

Exemplo 2.11 (N~ao comutatividade

Teorema 2.4 (Propriedades do Produto Escalar) Sejam ~u, ~v e w~ vetores e

De nic~ao 2.24 (Produto de Schur) Sejam A e B duas matrizes de ordem m

De nic~ao 2.27 (Determinante de uma Matriz) O determinante de uma ma-

Esta e a de nica~o formal de determinante de matrizes de ordem n n

Teorema 2.5 (Propriedades do Determinante)

1. Se uma linha (ou coluna) da matriz A e nula ent~ao o determinante

1. jj~ujj  0, com jj~ujj = 0 se e somente se ~u = (0; 0; : : : ; 0);

As principais normas vetoriais s~ao:

jj~ujjM  jj~ujj  jj~ujjS  n:jj~ujjM

j~u ~vj  jj~ujj:jj~vjj

Norma do Maximo: jjMmnjjM = max

De nic~ao 2.34 (Dist^ancia entre Vetores) Sejam ~u e ~v dois vetores n dimen-

Teorema 2.8 (Propriedades da Dist^ancia entre Vetores) Sejam ~u, ~v e w~ tr^es

1. d(~u;~v) = d(~v; ~u);

De nic~ao 2.35 (Dist^ancia entre Matrizes) Sejam M e N duas matrizes de

Obs.: As propriedades da dist^ancia entre duas matrizes s~ao as mesmas

2.4 Miscel^anea de Propriedades

Teorema 2.9 (Propriedades da Transposta) Sejam A e B duas matrizes. Ent~ao,

Teorema 2.10 (Propriedades do Traco) Sejam A e B duas matrizes e  um

No proximo captulo faremos um estudo do software de computac~ao

3.1 Linguagens de Programac~ao

A linguagem de programac~ao C foi desenvolvida para aplicaco~es em geral

 aritmeticas real, complexa e intervalar;

3.2 Software de Computac~ao Algebrica

O MATHEMATICA e um sistema de computaca~o algebrica e sua origem

 func~oes espec cas para Calculo Numerico, Computac~ao Algebrica e

Para maiores detalhes sobre o MATHEMATICA, consulte a seguinte bibli-

3.3.1 Caractersticas do MAPLE V

O MAPLE V e um software interativo de computac~ao algebrica e simbolica,

[BlockDiagonal, GramSchmidt, JordanBlock, LUdecomp, QRdecomp,

Segundo Roque ([ROQ 95]), o uso de SCAs no ensino e aprendizado

4.1 Metodos Diretos

1. Metodo de Eliminaca~o Gaussiana

A lgebra Linear Aplicada para Cursos de

Faculdade de Matematica { PUCRS

1. Matematica Computacional. 2. Computac~ao

Elaborada pelo Setor de Processamento Tecnico da BC{PUCRS

3 SOFTWARE PARA A RESOLUCA~ O DE SISTEMAS LINEARES

4 ME TODOS COMPUTACIONAIS PARA A RESOLUCA~ O DE

ANEXO A-2 O MAPLE V NA RESOLUCA~ O DE PROBLEMAS DA

Captulo 1: Fundamentac~ao Teorica

problemas de interpolaca~o e ajuste de dados;

Neste exame de qualicaca~o a area de abrang^encia escolhida e o estudo

2.1 Denic~oes Basicas

Denic~ao 2.2 (Matriz) Uma matriz de ordem m n e um arranjo retangular de

Denic~ao 2.5 (Matriz Simetrica) Diz-se que A e uma matriz simetrica se e

Denic~ao 2.8 (Matriz Identidade) A matriz identidade de ordem nn e denida

2.2 Operaco~es Matriciais e Vetoriais

Denic~ao 2.14 (Soma (Adic~ao) de Matrizes) Sejam A e B duas matrizes de

Teorema 2.1 (Propriedades da Adic~ao ) Sejam A, B , e C matrizes de ordem

Teorema 2.2 (Propriedades da Multiplicac~ao por Escalar) Sejam A e B ma-

Denic~ao 2.16 (Matriz Oposta) Seja A uma matriz de ordem m n. A oposta

Denic~ao 2.18 (Produto de Matrizes) Sejam Amn e Bnp duas matrizes. O

Obs.: O produto de matrizes n~ao e comutativo, ou seja AB 6= BA.

Denic~ao 2.24 (Produto de Schur) Sejam A e B duas matrizes de ordem m

Denic~ao 2.27 (Determinante de uma Matriz) O determinante de uma ma-

Esta e a denica~o formal de determinante de matrizes de ordem n n

1. Se uma linha (ou coluna) da matriz A e nula ent~ao o determinante

1. jj~ujj 0, com jj~ujj = 0 se e somente se ~u = (0; 0; : : : ; 0);

jj~ujjM jj~ujj jj~ujjS n:jj~ujjM

j~u ~vj jj~ujj:jj~vjj

Norma do Maximo: jjMmnjjM = max

Denic~ao 2.34 (Dist^ancia entre Vetores) Sejam ~u e ~v dois vetores n dimen-

Denic~ao 2.35 (Dist^ancia entre Matrizes) Sejam M e N duas matrizes de

Teorema 2.10 (Propriedades do Traco) Sejam A e B duas matrizes e um

No proximo captulo faremos um estudo do software de computac~ao

3.1 Linguagens de Programac~ao

A linguagem de programac~ao C foi desenvolvida para aplicaco~es em geral

aritmeticas real, complexa e intervalar;

3.2 Software de Computac~ao Algebrica

O MATHEMATICA e um sistema de computaca~o algebrica e sua origem

func~oes especcas para Calculo Numerico, Computac~ao Algebrica e

3.3.1 Caractersticas do MAPLE V

O MAPLE V e um software interativo de computac~ao algebrica e simbolica,

4.1 Metodos Diretos

1. Metodo de Eliminaca~o Gaussiana

Passemos ao estudo de cada um desses metodos.

4.1.1 Metodo de Eliminac~ao Gaussiana

Troca de linhas de posic~ao

Este e o metodo direto mais conhecido e usado para a resoluca~o de

Convenc~ao : Indicaremos por Lk a:Li + b:Lj a substituic~ao da linha

4.1.2 Metodo de Castilhos

Vejamos, atraves de um exemplo numerico, como e este algoritmo.

Exemplo 4.2 Resolver, pelo metodo de Castilhos, o seguinte sistema linear:

4.1.3 Fatoraca~o Cholesky

A implementac~ao deste algoritmo encontra-se no ap^endice.

4.1.4 Fatorac~ao de Strassen

contrario da multiplicac~ao direta, que exige uma complexidade da ordem de O(n3).

4.2.1 O Metodo Iterativo de Gauss-Seidel

Aplicando o esquema de iterac~oes dado anteriormente, temos:

Veremos, a seguir, um exemplo numerico de aplicac~ao deste algoritmo.

A tecnica de ajuste de dados ocorre geralmente em problemas estatsticos,

Determinar a equac~ao de reta que melhor se ajusta ao conjunto de

O graco da equaca~o de ajuste e dado a seguir:

Figura 5.1: Equac~ao de Ajuste: y = 2x + 3

A seguir, e apresentado o graco obtido no MAPLE V.

Tabelando a func~ao temos:

Tabela 5.2: Valores Tabulados: Func~ao de Runge.

Como a tabela possui 11 pontos, o polin^omio que interpola e de grau

Figura 5.3: Func~ao de Runge: f (x) = 1 + 125x2

Observe que o polin^omio interpolador obtido (graco em linhas trace-

Denic~ao 5.1 (Spline Cubico) Sejam x1 ; x2; x3 ; : : : ; xn um conjunto de n pontos