You are on page 1of 34

Capítulo 1

ELEMENTOS DE ÁLGEBRA MATRICIAL
1.1. INTRODUÇÃO

1.1.1. Matrizes e Vetores
Uma Matriz pode ser definida como um conjunto ordenado de números. As matrizes mais usuais são formadas por m x n números ordenados em m linhas e n colunas, como representada na expressão (1.1):
⎡ a11 ⎢a [A] = ⎢ 21 ⎢ M ⎢ ⎣am1 a12 a22 am2 M L a1n ⎤ L a2n ⎥ ⎥ O M ⎥ ⎥ L amn ⎦

(1.1)

Uma matriz m x n é dita de ordem m por n. Quando m = 1 resulta uma matriz ou vetor linha, quando n = 1 tem-se uma matriz, vetor coluna ou simplesmente vetor. A representação usual de matrizes é feita utilizando-se uma letra maiúscula entre chaves [ ] ou mais facilmente utilizando-se a letra maiúscula em negrito. Um vetor é representado usualmente como uma letra minúscula entre colchetes { } ou por meio de um letra minúscula em negrito. Assim, são exemplos de matrizes:
0 − 3. 5 ⎤ ⎡2.0 ⎧ 3. 5 ⎫ ⎪ ⎢ ⎥ [B] = b = ⎢4.8 3.2 2.4 ⎥ ; [y] = {y} = y = ⎪ ⎨ 0 ⎬; ⎪ − 1 . 8⎪ ⎢ ⎣ 0 − 1. 4 1 . 2 ⎥ ⎦ ⎩ ⎭

(1.2)

Um elemento ou coeficiente genérico na i-ésima linha e j-ésima coluna de uma matriz é designado pelo índice ij. Assim, na matriz [B] da Eq. (1.2), o coeficiente b23 = 2.4 e b31 =0. A grande vantagem na utilização de matrizes e vetores reside no fato de ser possível representar uma quantidade qualquer de números ordenados a partir de um único símbolo. Assim, equações envolvendo uma quantidade enorme de valores numéricos sistematicamente ordenados podem ser expressas com grande simplicidade. Por exemplo, seja o sistema de equações algébricas lineares, definido em (1.3):

Elementos de Álgebra Matricial

4 x1 2 x1 3 x1 -1 x1

+ 2x 2 + x3 + 2x4 = 4 - 3x 2 + 2x3 - x4 = -3 + x 2 - 4x3 + 5x4 = 2 + 3 x 2 + 2x3 + x4 = -4

(1.3)

Por meio da representação matricial o sistema de equações (1.3) pode ser escrito simplesmente como: [A] {x} = {y}, (1.4)

sendo [A], a matriz do sistema, {x} o vetor de valores incógnitos e {y} o vetor de termos independentes, valendo:
1 2⎤ ⎡4 2 ⎧ y1 ⎫ ⎧ 4 ⎫ ⎧ x1 ⎫ ⎢ 2 - 3 2 - 1⎥ ⎪x ⎪ ⎪ y ⎪ ⎪ − 3⎪ ⎪ 2⎪ ⎪ ⎪ ⎪ 2⎪ ⎢ ⎥ [A] = , {x} = ⎨ ⎬ , { y} = ⎨ ⎬ = ⎨ ⎬ , ⎢3 1 −4 5⎥ ⎪ y3 ⎪ ⎪ 2 ⎪ ⎪x3 ⎪ ⎢ ⎥ ⎪ ⎪ 2 1⎦ ⎩y 4 ⎪ ⎭ ⎪ ⎩x4 ⎪ ⎭ ⎩− 4 ⎪ ⎭ ⎣− 1 3

(1.5)

1.1.2. Notação Indicial
Uma forma de representação matemática condensada de grandezas matriciais consiste da notação indicial, sendo também de grande utilidade para a programação computacional. Nesta representação, uma matriz é representada por seu elemento genérico: [A] = aij , {x} = xi (1.6)

Usualmente na mecânica dos sólidos os índices subscritos (i, j = 1, 2 e 3) representam os eixos de um sistema ortogonal de referência (x, y, z). Na notação indicial, a ocorrência de um índice repetido em um mesmo termo representa somatório, resultando:

ai ai =
aii =

∑aa
i=1

3

i i

2 2 = a12 + a2 + a3

(1.7)
(1.8) (1.9)

∑a
i =1 3 j=1

3

ii

= a11 + a22 + a33

aijbj = ∑ aijbj = ai1b1 + ai2b2 + ai3b3

1.1

Elementos de Álgebra Matricial

1.2. OPERAÇÕES COM MATRIZES 1.2.1. Igualdade de Matrizes
Duas matrizes [A] e [B] são iguais se e somente se:
• •

[A] e [B] tem a mesma ordem, ou seja, tem o mesmo número de linhas e colunas; Todos os elementos nas posições correspondentes são iguais, isto é, aij = bij.

1.2.2. Soma e Subtração de Matrizes
Duas matrizes [A] e [B], sendo [A] de elementos aij e [B] de elementos bij, podem ser somadas ou subtraídas, se e somente se, ambas as matrizes possuem a mesma ordem, isto é, o mesmo número de linhas e colunas. Neste caso, a matriz resultante [C]mxn terá a mesma ordem e seus elementos serão obtidos pela soma ou subtração dos correspondentes elementos das matrizes [A]mxn e [B]mxn. Assim, para i = 1 até p (i = 1, p) e para j = 1 até q (j = 1, q):
cij = aij + bij , ou cij = aij − bij

(1.10)

Como exemplo, seja calcular a soma das matrizes [A] e [B] a seguir definidas:

[A] = ⎢
resultando:

⎡3 − 1 4 ⎤ ⎥; [B] = ⎣5 3 − 2⎦

⎡4 3 − 1 ⎤ ⎢3 4 − 5⎥ , ⎣ ⎦

(1.11)

[C ] = [A] + [B] = ⎡ ⎢

3 ⎤ ⎥. ⎣8 7 − 7 ⎦

7 2

(1.12)

1.2.3. Multiplicação de Matrizes por Valores Escalares
A multiplicação de uma matriz por um valor escalar resulta numa matriz de mesma ordem, com cada elemento sendo multiplicado pelo valor escalar. Assim, sendo k um valor escalar tem-se:

[C ] = k[A] ⇒ cij = k.aij .
anterior, resultando:

(1.13)

Como exemplo seja obter o produto [C ] = k[A] , com k = 3 e [A] definida no item
− 3 12 ⎤ ⎥. ⎣15 3 − 2⎦ 9

[C ] = k[A] = ⎡ ⎢

(1.14)

1.2

Por exemplo.(3) + (2). a matriz resultante [C] terá ordem p x q ([A]pxq). por exemplo. A multiplicação por escalar exige m.16) Os coeficientes da matriz [C] são obtidos pela expressão (1. exigem p. com o elemento genérico cij da matriz [C] sendo definido. para i = 1.2.(−1) + ( −2).(3) = 7. se a matriz [A] tem ordem p x m ([A]pxm) e a matriz [B] tem ordem m x q ([B]mxq).(2) + (3). no caso mais geral [A][B]≠[B][A].n operações de multiplicação.( −1) + (3). [A]2x3. k =1 m (1. Multiplicação de Matrizes Duas matrizes [A] e [B] podem ser multiplicadas para se obter uma terceira matriz [C]=[A]. considerando as matrizes [A] e [B] anteriores. resultando: c11 = (2).m operações de multiplicação e p. o número de colunas de [A] for igual ao número de linhas de [B].⎪ ⎬ ⇒ [C] = = (3). p e para j = 1.15).(−2) = 8 ⎪ ⎭ ⎡15 − 2⎤ ⎢7 8 ⎥ ⎣ ⎦ (1.[B]3x2.17) Observações: i) No caso geral.( −2) = −2. q como: cij = ∑ aik .4.3 .(1) + (5).(m-1) operações de soma. [A]pxm[B]mxq. Assim.(3) + (5). [B]3x2 e [D]3x3 = [B]3x2 . de ordem m x n. sendo: ⎡1 3 ⎤ ⎡2 2 3 ⎤ ⎢ ⎥ [A] = ⎢ .bkj . [B] = ⎢2 − 1 ⎥ . sendo: 1.[B] se e somente se.(3) = 15. ⎥ ⎣3 5 − 2⎦ ⎢ ⎣3 − 2⎥ ⎦ (1. seja calcular o produto de matrizes [C]2x2=[A]2x3.(1) + (2).n operações aritméticas de soma ou subtração. c12 c21 c22 ⎫ ⎪ = (2).Elementos de Álgebra Matricial 1. tem-se: [C]2x2 = [A]2x3 . ⎪ = (3). exige m. ii) A operação de multiplicação de matrizes não é comutativa. Como exemplo.(2) + ( −2). A multiplicação de matrizes. o coeficiente cij é obtido pela soma dos produtos dos elementos da linha de ordem i da matriz [A] pelos correspondentes elementos da coluna de ordem j da matriz [B].q. a soma ou subtração de matrizes. isto é.q.15) Assim.

(2) + ( −2).(5) = −4. a operação de multiplicação de matrizes é distributiva e associativa. ⎪ ⎡11 17 − 3⎤ ⎪ ⎥ ⎢ = (2).( −2) = 8.19) estabelecendo que a ordem de multiplicação de matrizes é indiferente em termos de resultados finais. d12 d13 d21 d22 d23 d31 d32 d33 ⎫ ⎪ = (1). ⎪ ⎦ ⎣ 0 − 4 13 ⎥ ⎪ = (3). a matriz [B] pós-multiplica a matriz [A]. de ordem m x n.(3) + ( −2). o produto ([A]3x2.20) (1.(5) = −1. ⎪ ⎪ = (2). diz-se que no produto [A][B].3.(2) + ( −1).(2) + (3). ⎬ ⇒ [D] = ⎢ 1 − 1 8 ⎥ ⎢ = (2).(2) + (3).( −2) = 13. ⎪ = (1).( −2) = −3.Elementos de Álgebra Matricial d11 = (1).3.(2) + ( −1). enquanto que o produto [A]3x2. a matriz [A] pré-multiplica a matriz [B] ou.([B]2x3)[C]3x1. (1. exige apenas 12 operações de multiplicação.4 .(3) = 0. A lei distributiva estabelece que: [E]=([A]+[B])[C] = [A][C] + [B][C] Por sua vez.(3) + ( −1). é uma matriz de ordem n x m. MATRIZES PARTICULARES 1.⎪ ⎭ (1. ⎪ ⎪ = (3).(3) = 1.18) iii) Para distinguir a ordem de multiplicação das matrizes. iv) Apesar de não comutativa. 1.(3) = 11.1.[B]2x3)[C]3x1. sendo obtida da matriz [A] pela troca das linhas pelas colunas ⎡2 3 ⎤ ⎡2 2 3 ⎤ ⎢ ⎥ T [A] = ⎢ ⎥ ⇒ [A] = ⎢2 5 ⎥ 3 5 − 2 ⎦ ⎣ ⎢ ⎣3 − 2⎥ ⎦ (1. Matriz Transposta A matriz transposta ou transposta de uma matriz [A]. embora os números de operações aritméticas possam ser muito diferentes.(5) = 17 . necessita de 27 operações de multiplicação.(3) + (3). sendo designada de [A]T .(2) + ( −2). ⎪ = (3). Assim. de forma equivalente.21) 1. a lei associativa define que: [F] = ([A][B])[C]=[A]([B][C])=[A][B][C].

3.3 .3.23) 1. aii = 1. tem-se: [A]= [A]T.Elementos de Álgebra Matricial 1.4. Matriz Triangular Uma matriz quadrada é dita triangular quando todos os elementos situados acima ou abaixo da diagonal principal são nulos. de ordem n x n é dita uma matriz quadrada de ordem n.5. para j < i . Os coeficientes aii. uma matriz quadrada.3.6. ⎢ ⎣0 0 1 ⎥ ⎦ [I]3 (1.5 . para i≠j. A matriz [A] definida em (1. obrigatoriamente. para j > i tem-se uma matriz triangular inferior e se a ij = 0. Neste caso. Se a ij = 0. Assim. 1.3.3. com i = 1 até n. 1. tem-se uma matriz triangular superior. Matriz Diagonal Uma matriz quadrada é dita diagonal quando aij = 0. definem a diagonal principal de uma matriz quadrada. Matriz Identidade ou Unitária Uma matriz é dita identidade quando além de quadrada e diagonal. toda matriz simétrica é. Matriz Quadrada Uma matriz [A]. 1.22) 1.5) é uma matriz quadrada de ordem 4. Por exemplo a matriz [I]3 é uma matriz identidade de ordem 3: ⎡ 1 0 0⎤ ⎢ = ⎢0 1 0 ⎥ ⎥.2. (1.Matriz Simétrica Uma matriz [A] quadrada de ordem n com aij = aji é dita uma matriz simétrica.

simétricas. foram desenvolvidos vários procedimentos que visam uma otimização do processo de solução do sistema de equações. Matriz Banda Uma matriz é dita em banda quando os elementos não nulos são agrupados em torno da diagonal principal. quanto em relação ao número de operações necessárias ao processo.sendo lb = 2m + 1 a largura da banda da matriz. os elementos desta matriz são tal que: [A] [A]-1 = [A]-1[A] = [I]. grande parte destes valores (certamente os situados acima do primeiro elemento não nulo de cada coluna) permanece nulo. .6 .8. Quando esta matriz existe. Além disso. Matriz Inversa A inversa de uma matriz [A] é designada de [A]-1.7. as matrizes possuem muitos valores nulos e nos procedimentos utilizados para a solução do sistema de equações. dependendo da ordenação dos valores incógnitos. ela é dita não singular. Assim. tem-se uma matriz singular. Assim. Na Análise Estrutural são obtidos sistemas de equações cujas matrizes são quadradas e. 1. 1. tem-se aij = 0. tanto em relação à memória requerida para armazenamento dos coeficientes da matriz do sistema. Caso contrário.24) SIM. para i − j > m .Elementos de Álgebra Matricial 1. Neste caso. . predominantemente. conforme a seguir representado para o caso de matriz simétrica: ⎡a11 ⎢ ⎢ ⎢ ⎢ ⎢ [A] = ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 a22 a23 a33 a13 0 0 a 44 a34 0 0 a 45 a55 a35 0 0 0 0 a66 a56 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ . uma matriz para admitir uma inversa é obrigatoriamente uma matriz quadrada.⎥ ⎦ (1. Quando uma matriz quadrada admite uma inversa.3.3.

3. Neste caso.25) Embora possa ser usado. em geral utiliza-se o método de triangularização (ou de eliminação) de Gauss. a35 ⎥ ⎦ [A11 ]3x2 [A21 ]1x2 = [a41 a42 ]. Em certos casos pode ser vantajoso o emprego de métodos iterativos para a solução do sistema de equações. como no exemplo a seguir: ⎡ a11 ⎢a 21 =⎢ ⎢ a31 ⎢ ⎣a41 a12 a22 a32 a42 a13 a23 a33 a 43 a14 a24 a34 a44 a15 ⎤ a25 ⎥ ⎡[A11 ]3x2 ⎥= a35 ⎥ ⎢ ⎣[A21 ]1x2 ⎥ a 45 ⎦ [A]4 x5 [A12 ]3x1 [A13 ]3x2 ⎤ [A22 ]1x1 [A23 ]1x2 ⎥ ⎦ (1. Matriz Ortogonal Uma matriz [A] é dita ortogonal quando: [A]-1 =[A]T. o custo computacional da inversão de uma matriz torna este procedimento muito desvantajoso quando comparado a outras técnicas de solução de sistema de equações. (1. Partição de Matrizes Visando facilitar as operações com matrizes. a matriz [A] é quadrada e simétrica.7 a45 ]. 1. 1.3.26) sendo: ⎡ a11 ⎢ = ⎢a21 ⎢ ⎣a31 a12 ⎤ ⎡ a14 ⎡ a13 ⎤ ⎥ ⎢ ⎥ a22 ⎥. é bastante comum a partição da matriz em submatrizes de ordens menores.27) . necessariamente.Elementos de Álgebra Matricial A obtenção da matriz inversa da matriz de um sistema de equações permite a solução do sistema. [A22 ]1x1 = [a43 ]. que possui diferentes variantes em função das técnicas de montagem e armazenamento dos coeficientes da matriz. Assim. [A12 ]3x1 = ⎢a23 ⎥. [A23 ]1x2 = [a44 1. existe a matriz inversa [A]-1 e pré-multiplicando ambos os termos da equação por [A]-1.10.9. [A13 ]3x2 = ⎢ ⎢a24 ⎢ ⎢ a32 ⎥ ⎣a34 ⎦ ⎣a33 ⎥ ⎦ a15 ⎤ ⎥ a25 ⎥. (1. em especial para tirar vantagens de características particulares apresentadas por certas matrizes. Se o sistema admite uma solução. obtém-se: [A][A]−1 {x} = [A]−1 {y} ⇒ {x} = [A]−1 {y}.

28) (1. BASES. Para x e y ∈ V.32) (1.4. DEPENDÊNCIA E INDEPENDÊNCIA LINEAR. ii) É associativa: x + y = y + x.29) (1. estudados na geometria analítica são exemplos de espaços vetoriais reais. a operação de multiplicação escalar ou produto escalar atende as seguintes propriedades: i) α (x + y) = αx + αy. que aceitam duas operações básicas: adição e multiplicação por um escalar. iv) Para cada x existe um único vetor -x tal que: x + (-x) = 0. O conjunto P de todos os polinômios em x com coeficientes reais. (1.33) (1. iii) Existe um único vetor 0 (zero) em V.30) (1.Elementos de Álgebra Matricial 1.1. R2 e R3. (1. y e z ∈ V. dado um número α. com a definição usual de soma e multiplicação por números reais. Espaços Vetoriais Reais Um espaço vetorial real V é um conjunto de elementos denominados vetores. Para dois vetores quaisquer x e y em V existe um único vetor x + y chamado de soma de x e y.34) (1. Para x. 1.8 . forma um espaço vetorial real. tal que: x + 0 = x. SUBESPAÇOS. existe um único vetor αx em V chamado o produto escalar de α e x. 1.4. ii) (α+β) x = αx +βx.35) Os espaços R. iv) 1x = x.31) Para um vetor x qualquer em V. ESPAÇOS VETORIAIS REAIS. a operação de soma ou adição de vetores satisfaz as seguintes relações: i) É comutativa : x + (y + z) = (x + y) + z. iii) (αβ) x = α(βx).

sendo α e β valores escalares arbitrários. então o subespaço de V gerado por S consiste de todas as combinações lineares de vetores em S.b] o conjunto de funções n (inteiro positivo) vezes continuamente diferenciáveis em [a. a2 .3. Combinação Linear Uma expressão da forma: α 1 x1 + α 2 x2 + . sendo espaço vetorial Pn. . .b]) e Cn[a. a0 .. Todo espaço vetorial tem pelo menos dois subespaços vetoriais: o espaço todo e o subespaço contendo apenas o vetor nulo (subespaço trivial)... an números reais arbitrários e n um inteiro positivo fixo. Define-se o espaço vetorial Pn. Se W1 e W2 são subespaço de V. Se S é um subconjunto não vazio de um espaço vetorial V. então o conjunto formado de todos os vetores que pertencem a ambos é um subespaço de V. α n números reais. xn .. chama-se uma combinação linear dos vetores x1 . . o 1.2.b] e Cn[a. chamado de interseção de W1 e W2. Sendo C1[a.. x2 . ii) Cm[a. a1 . Assim.. + an −1 x n −1 . ..b] são espaços vetoriais.9 .b] o conjunto de todas as funções que possuem uma derivada contínua em cada ponto do intervalo [a. O espaço R2 é um subespaço de R3. Subespaços Vetoriais Um conjunto (não vazio) W de um espaço vetorial V é um subespaço de V se todo vetor da forma αx + βy pertencer a W.. α 2 . .. De fato. como o conjunto de todos os polinômios com coeficientes reais de grau < n. na forma a0 + a1 x + a2 x 2 + .b] sempre que m<n. assim como o polinômio trivial é um subespaço de P. Um subespaço distinto do próprio espaço é chamado de subespaço próprio.b] (funções continuamente diferenciáveis em [a. . b]. então: i) C1[a. + α n xn . 1.4.. sempre que x e y pertençam a W.4.b] é um subespaço de Cn[a. sendo α 1 . todas as retas e todos os planos que contém a origem são subespaço de R3.Elementos de Álgebra Matricial 1. que forma o espaço anteriormente definido de todos os polinômios em x com coeficientes reis.

Assim. j = (0. x2 .1. Dependência e Independência Linear. Assim... x é linearmente dependente de x1 .. x2 ... 1... . x é linearmente independente de x1 .. Todo conjunto finito de vetores x contém um subconjunto linearmente independente que gera o subespaço Y(x) que contém todos os vetores de X..0. x2 ... implica que α 1 = α 2 = ... . . Como exemplo clássico de uma base tem-se o conjunto dos vetores i = (1.10 .. .. . x3 ) de R3 pode ser escrito de uma e somente uma forma como uma combinação linear desta base. xn ... en .0. Caso contrário. Como exemplo de conjunto de vetores que formam uma base para o espaço vetorial que os contém..0..4.. Assim.Elementos de Álgebra Matricial 1. xn − 1 formam uma base para o espaço vetorial Pn.4. x = x1 i + x2 j + x3 k . Um subconjunto finito B linearmente independente de um espaço vetorial V forma uma base de V. todo e qualquer vetor x = (x1 ... xn . tem-se: i) e1 = (1. x2 . Além disso...0). + α n xn . ii) Os polinômios 1..0).. xn se x pode ser escrito na forma: α 1 x1 + α 2 x2 + . Caso contrário.. Diz-se que espaço vetorial V tem dimensão n (dim V = n) se tem uma base consistindo de n vetores. . en = (0. x2 .0). en é uma base de um espaço vetorial V se e somente se todo vetor de V pode ser escrito de modo único como combinação linear de e1 . um conjunto de vetores e1 .. x2 .1).... sendo os coeficientes α i valores escalares.1) formam uma base de Rn..... que formam uma base de R3..1... xn se e somente se x é uma combinação linear de x1 . .. x 2 .0.0).. k = (0.. e2 . Rn e Pn tem dimensão n e P tem dimensão infinita... diz-se que o espaço vetorial tem dimensão infinita... xn é linearmente independente se e somente se a equação α 1 x1 + α 2 x2 + . + α n xn = 0 . = α n = 0 .0. e2 = (0. se o subespaço gerado Y(B) = V..0.0. ou seja. . Bases Diz-se que o vetor x é linearmente dependente de x1 . Um conjunto de vetores x1 . x. e2 .

.. então a soma de dois vetores de V é obtida somando as componentes correspondentes e o produto de um vetor por um escalar α é calculado multiplicando cada componente do vetor por α. .... . + (α n + βn ) en . (1.40) é uma forma de atender a equação (1... en forma uma base de V então existe uma única forma de expressar um vetor x de V em termos dos vetores da base utilizada.4.39).Elementos de Álgebra Matricial 1. ..... e2 . + α n en .. x = α 1 e1 + α 2 e2 + .. . Neste caso.38) (1. = αn = 0 ..37) Assim. .. que definem o vetor x. . e2 .. .5. (1. Analogamente: α x = α(α 1 e1 + α 2 e2 + . isto é: x = α 1 e1 + α 2 e2 + . . .11 . e que os escalares α 1 . e2 . . + αα n en (1. Bases como um Sistema de Coordenadas Se o conjunto de vetores e1 . α 2 . e2 . . existe uma única forma de expressar qualquer vetor x de V. + α n en ) = αα 1 e1 + αα 2 e2 + . Além disso.. α n são os valores das coordenadas neste sistema. os subespaços de V gerados por cada um dos vetores da base ei são chamados de eixos de coordenadas do sistema. pode-se dizer que os vetores e1 .. en formam um sistema de coordenadas (ou de referência) de V. Como ela é única. . prova-se que os vetores e1 . Se e1 .. en forma uma base qualquer do espaço vetorial V. . . . em particular se: x = α 1 e1 + α 2 e2 + . . + α n en e y = β 1 e1 + β 2 e2 + . en forma uma base de V.. . + α n en = 0 . 1. e2 .36) então: x + y = (α 1 + β1 ) e1 + (α 2 + β 2 ) e2 + . .. se o conjunto de vetores e1 . en que formam a base de V são linearmente independentes. + β n en . .39) Como ao se fazer: α1 = α2 = . (1.

. .. . com [x]Bu = ⎢ ⎥ ⎢ M ⎥ ⎢ M ⎥ ⎢ ⎥ ⎢ ⎥ ⎣α n ⎦ ⎣α n ⎦ x = [u1 u2 (1. α n as coordenadas do vetor x na base Bu: De modo semelhante. + βn vn (1. βn as coordenadas do vetor x na base Bv: (1. Dado um vetor x ∈ V é possível escrevê-lo como: x = α 1 u1 + α 2 u2 + . un } é base de V.42) sendo os valores de α 1.7.6. como combinação linear dos vetores da base Bu na forma: 1. un } e Bv = { v1 . . . v2 . além disso.. ..tem-se: ⎡α1 ⎤ ⎡α1 ⎤ ⎢α ⎥ ⎢α ⎥ 2 2 L un ] × ⎢ ⎥ . .4. vn } duas bases ordenadas de um mesmo espaço vetorial V. .12 . n+1 vetores quaisquer são linearmente dependentes e.. [x]Bv = ⎢ ⎥ . . + α n un (1.. v2 ..4.43) Como Bu = {u1 . u2 .. toda e qualquer base deste espaço contém n vetores.. ..41a) e: x = β1 v1 + β 2 v2 + . u2 ...41a) na forma matricial .Elementos de Álgebra Matricial 1... Mudança de Base Sejam Bu = {u1 . Dimensão de um Espaço Vetorial A dimensão n de um espaço vetorial é definida pelo número de vetores que formam uma base deste espaço. vn } .. β2 . 1. ⎢M⎥ ⎢M⎥ ⎢ ⎥ ⎢ ⎥ ⎣βn ⎦ ⎣βn ⎦ sendo os valores de β1 . . podemos escrever os vetores vi da base Bv = { v1 ..41b) Escrevendo a expressão (1.. utilizando-se a base Bv obtém-se: ⎡β1 ⎤ ⎡β1 ⎤ ⎢β ⎥ ⎢β ⎥ 2 2 x = [v1 v2 L vn ] × ⎢ ⎥ .. Neste caso. α 2 .

44) . resulta: α 1 = a11 .45) Igualando-se à expressão (1.β1 + a22 .β 2 + L + a2n .β 2 + L + ann . M vn = a1n u1 + a1n u2 + L + ann un Substituindo a expressão (1.βn M α n = an1 .49) Sendo [I]B B v u a matriz de mudança de base de Bv para a base Bu.13 .β 2 + L + a1n .48) tem-se: [x]B = [I]B B × [x ]B . (1.41b). O M ⎥ ⎢M⎥ ⎥ ⎢ ⎥ L ann ⎦ ⎣βn ⎦ (1.44) em (1.47) [I]B B v u ⎡ a11 ⎢a 21 =⎢ ⎢ M ⎢ ⎣ an1 a12 a22 M an2 L a1n ⎤ L a2n ⎥ ⎥.βn A expressão (1.46) (1. obtém-se: x = β1 (a11 u1 + a21 u2 + L + an1 un ) + β 2 (a12 u1 + a22 u2 + L + an2 un ) + βn (a1n u1 + a2n u2 + L + ann un ) M v1 = a11 u1 + a21 u2 + L + an1 un (1.β1 + an2 .Elementos de Álgebra Matricial v2 = a12 u1 + a22 u2 + L + an2 un .46) pode ser escrita na forma matricial como: ⎡ α 1 ⎤ ⎡ a11 ⎢α ⎥ ⎢ a ⎢ 2 ⎥ = ⎢ 21 ⎢ M ⎥ ⎢ M ⎢ ⎥ ⎢ ⎣α n ⎦ ⎣ an1 Fazendo-se: a12 a22 M an2 L a1n ⎤ ⎡β1 ⎤ L a2n ⎥ ⎢β 2 ⎥ ⎥×⎢ ⎥. O M ⎥ ⎥ L ann ⎦ (1.βn α 2 = a21 .41a). 1.β1 + a12 . v v u u (1.

e2 ′ } . (1. ⎣− 1 4 ⎦ (1. y) de R2.senθ cosθ ⎦ (1.−1).-1) + a21 (3. ⎧(1.Elementos de Álgebra Matricial Além disso.0).1)}: diretamente os vetores da base antiga B = {(2. (3. a determinação da matriz de rotação da base padrão (eixos cartesianos ′ .3⎤ B ⇒ [I]B = ⎢ ⇒⎨ ⎨ ⎥ 11 ⎣ 1 2 ⎦ ⎩(0. (0. (0. Por Exemplo. a21 = 4/11.0). y’ e B′ = {e1 ângulo θ em relação a x.54) 1.53) Como [R ]e é ortogonal: e e′ [I]B B′ = [R ]e ′ = ([R ]e ) T ⎡ cosθ senθ⎤ =⎢ ⎥ ⎣. e2 } numa base nas direções x’. B = {e1 .1) = a12 (2.1)}e B = {(2.4 )}: [I]B B . inclinadas de um x.-1) + a22 (3. B = {(2. Bu. ou seja. para se obter [I]Bu é necessário determinar as coordenadas da base antiga definem as coordenadas dos vetores da base antiga Bv em relação aos vetores da nova base Bu.14 . ⎧a11 = 1/11.0 ) = a11 (2.−1).−1). a22 = 2/11. (3. ⎣senθ cosθ ⎦ (1. Obter as matrizes de mudança de base [I]B e [I]B B .1)}em relação a nova base. bastando escrever B nova base B = {(1. (0.51) tem-se que determinar as coordenadas da base antiga Para obter-se B = {(1.50) Bv em relação à nova base. B Como a base B é a base canônica.4 )}bases do espaço R2. a matriz [I]Bu é constituída por colunas que Bv Assim. é fácil obter-se a matriz [I]B . sejam B = {(1.4 ) ⎩a12 = -3/11. os vetores da base Bv e da base Bu são tais que: ([I] ) Bv Bu −1 = [I]Bv ⇒ [I]Bv Bu Bu Bv ( ) −1 = [I]Bu e [I]Bv [I]Bu = [I] Bv Bu Bv (1. ⎡ ′ e′ [I]B B = [R ]e = ⎢ e′ cosθ .0).y e vice versa.4 ) 1 ⎡4 .senθ⎤ ⎥.4 )}em termos dos vetores da [I]B B ⎡ 2 3⎤ =⎢ ⎥.52) Seja agora. (3.

15 . não necessariamente igual ao espaço V2 inteiro. para os vetores e1 ′ e′ {x}B = [I]B e1 }B = [R ]e {e1 }B′ ⇒ ⎨ ⎬ = ⎢ B {x}B′ ⇒ { 0 senθ ⎧1 ⎫ ⎩ ⎭ ⎡cosθ . x2 e x ∈ V1 e todos os escalares α. de modo que: A(x1 + x2 ) = A(x1 ) + A(x2 ) e: A(α(x)) = αA(x) (1.senθ ⎭ ⎡ cosθ senθ ⎤ ⎧cosθ ⎫ ′ }B′ = [R ]e ′ }B ⇒ ⎨ ⎬ = ⎢ {x}B′ = [I]B e1 e1 ⎬ B′ {x}B ⇒ { e′ { ⎥⎨ ⎩0 ⎭ ⎣.5. tais que y = A(x) para algum x. 1. A:V1→ V2.1. é chamado de imagem de A. Estas exigências são usualmente definidas dizendo-se que uma transformação linear atende as operações algébricas de adição e multiplicação por escalar. Definição Uma transformação linear ou um operador linear. é uma função A que associa a cada vetor x de V1 um único vetor y de V2. uma transformação linear sempre leva o vetor zero de V1 no vetor zero de V2.Elementos de Álgebra Matricial Y' Y X' cos θ e' 1 sen θ θ X Y' Y X' sen θ e 2 cos θ -sen θ θ e1 cos θ X e' 2 -sen θ cos q Figura 1 . de um espaço vetorial V1 num espaço vetorial V2 .Rotação de eixos ′ e e1 tem-se : Assim. TRANSFORMAÇÕES LINEARES 1. O espaço vetorial V1 é chamado de domínio de A e o conjunto de todos os vetores y do espaço V2.5.55) 1. por exemplo. Como consequência destas exigências.senθ ⎤ ⎧ cosθ ⎫ ⎨ ⎬ cosθ ⎥ ⎣ ⎦ ⎩.56) para todos os vetores x1 .senθ cosθ ⎦ ⎩senθ ⎭ ⎧1 ⎫ (1. sendo representado por I(A).

16 . Mas. é também uma transformação linear de V1 em V2 definida para todo x de V1 como: (A+B) (x)= A(x) + B(x) (1.59a) (b) (c) (d) (A1 + A2 )B = A1B + A2B. e: BA(α1 x1 + α2 x2 ) = B[A(α1 x1 + α2 x2 )] = B[α1A(x1 ) + α2A(x2 )] = α1B(A(x1 )) + α2B(A(x2 )) = α1BA(x1 ) + α2BA(x2 ) (1. como: BA(x)= B(A (x)). Neste caso é possível definir uma transformação linear combinada (ou multiplicada) de V1 em V3.2.Elementos de Álgebra Matricial 1. V2 e V3 como: A:V1→ V2 e B:V2→ V3. tem-se: A(BC) = (AB)C (1. não necessariamente BA = AB. e : A(B1 + B2 ) = AB1 + AB2 . mesmo no caso de ambas as transformações A e B. aplicam um dado espaço em si mesmo. transformações lineares. e designada o produto de A e B (nessa ordem). Este fato define que a multiplicação de transformações lineares é não-comutativa. (ααA) = A(α(α = α(AB) AI = IA = A 1. A + B. Desta forma sendo A.5. Soma de Transformações Lineares Se A e B são transformações lineares de V1 em V2. Por outro lado a multiplicação de transformações lineares é associativa e distributiva. então sua soma. B e C. I a transformação identidade e α um escalar. de modo que um dos produtos BA ou AB.5.3. pode existir sem que o outro exista.58) Nota-se facilmente que o produto BA está definido somente quando a imagem de A está contida no domínio de B. representada como BA.57) 1. Produto de Transformações Lineares Sejam as transformações lineares A e B definidas nos espaços vetoriais V1 .

é também em B e: AA −1 (y) = y ⇒ AA −1 = IV2 e A −1A(x) = x ⇒ A −1A = IV1 . Diz-se que uma transformação linear A: V1 → V2 é dita “biunívoca” se e somente se A(x1 ) = A(x2 ) implica que x1 = x2 . Chamando o núcleo de A. (1. (1. ela é um-aum e sobre. então: A(α 1 x1 + α 2 x2 ) = α 1 A(x1 ) + α 2 A(x2 ) = 0 . 1. A pode ser usada para definir uma função de V2 em V1.62) Por outro lado.61) então: α 1 y1 + α 2 y2 também pertence à imagem de 1. Inversa Seja uma transformação linear A: V1 → V2. N(A). o núcleo A (N(A)) é um subespaço de V1. apresentam uma importância particular uma vez que muitas das funções usuais são biunívocas e apresentam transformação inversa. A transformação linear B = A-1: V2 → V1. tais que A(x)=0. (1.Elementos de Álgebra Matricial 1. I(A). a transformação linear A: V1 → V2 é biunívoca se e somente se N(A) = 0. quando para a cada vetor y de V2 está associado um único vetor x de V1. pois se: y1 = A(x1 ) e y2 = A(x2 ) pertencem a I(A). Assim. o conjunto de todos os vetores y de V2. para algum x de V1.17 . Assim. Além disso. Transformações lineares biunívocas são ditas isomorfismos e podem ser invertidas.5.60) Assim. Núcleo e Imagem de uma Transformação.4. sendo de fundamental importância para o estudo do comportamento de A em V1. De igual importância é a imagem de A. onde A(x) = y . então o N(A) contém o vetor zero e. quando uma transformação linear não admite inversa ela é dita singular. se A(x1)=0 e A(x2)=0. tais que y=A(x). que forma um subespaço de V2 definido pelo conjunto de todos os y de V2. Uma transformação linear A: V1 → V2 é dita “sobre” se e somente se a imagem de A é igual ao espaço V2: I(A)=V2. então: A(α 1 x1 + α 2 x2 ) = α 1 A(x1 ) + α 2 A(x2 ) = α 1 y1 + α 2 y2 . isto é. chamada de inversa de A (A-1) tal que: A −1 ( y) = x . diz-se que se uma transformação A: V1 → V2 é biunívoca.

x ′′ = = 24. as quais podem ser definidas de uma forma precisa e concisa através do uso de matrizes.z 2 + 24. Cada uma destas relações pode ser entendida como um processo de transformação entre diferentes valores. REPRESENTAÇÃO MATRICIAL DE UMA TRANSFORMAÇÃO LINEAR. TENSORES.z 2 . Os operadores diferenciais definem transformações lineares. para a transformação linear A: V1 → V2 definida pelo operador A = z 2 p′′ + 3p′ . sendo V1 o conjunto dos polinômios de grau ≤ 3 em z. O primeiro passo para obter a matriz representativa desta transformação consiste em se definir duas bases de vetores. 1. (1.z e: x = = 24 . tal que y=A(x). Na análise de problemas da Engenharia necessita-se relacionar determinados valores com outros valores. uma para representar os elementos x de V1 e 1. o emprego de uma matriz para definir a mesma transformação permite que esta determinação possa ser efetuada computacionalmente de um modo sistemático e extremamente eficiente.18 . define uma transformação de R2 sobre si mesmo por reflexão segundo o eixo x1. MUDANÇA DE BASE. -x2).5. para x = 3z+4z3.63b) Pode-se verificar facilmente que esta transformação linear é singular. dada por A(x) = (x1.Representação Matricial de uma Transformação Linear.z 3 . Exemplos de Transformações Lineares A transformação linear A: R2→ R2 . Embora a determinação de y = A(x) possa ser obtido de uma forma explicita utilizando-se o diretamente o operador A. dz dz 2 dz 3 (1.5. uma vez que se x1 = z e x2 = z + α .6. como por exemplo: tensão com deformação e deformação com deslocamentos. 1. tem-se: x′ = dx d2 x d3 x ′ ′ ′ = 3 + 12. Assim.63a) e: y = A(x) = 9 + 36. Aplicando o operador A ao elemento x definido.6.Elementos de Álgebra Matricial 1.1 . A(x1 ) = A(x2 ) = 3 . sendo α um número qualquer. calcular A(x).

as componentes do vetor x na base Bu.z. para avaliar os elementos da j-ésima coluna. + αn un . (1. . e: B u2 = B v2 = {u1 = 1. pode-se escrever qualquer x ∈ V1 e y ∈ V2 como: x = α1 u1 + α2 u2 + . .66) (1. (1. u2 = z. y = β1 v1 + β 2 v2 + . as componentes do vetor y na base Bv.68) (1. (1. matricial da (1. .. u4 = z 3 } . vn } como base de y. Como exemplo de aplicação. para obter os elementos da j-ésima coluna de A. basta calcular A uj na base Bv1. u4 = z 3 } . resultando: A(u1 ) = 0. basta fazer x = uj. u3 = z + 3z 2 . u3 = z 2 . A(u4 ) = 9z 2 + 6z 3 = 9v3 + 6v 4 . seja calcular a representação transformação linear A = z 2 p′′+ 3 p′ . calcular y = A uj e representar y em termos da base de vetores Bv.69) Considerando a base 1. u2 = 1 . utilizando duas distintas bases: B u1 = B v1 {u1 = 1. v2 ...Elementos de Álgebra Matricial outra.64) A representação matricial da transformação linear é representada por: y = A x ou {y} = [A]{x} . para representar os elementos y de V2. A(u3 ) = 6z + 2z 2 = 3v2 + 2v3 .65) sendo: ⎡α1 ⎤ ⎢α ⎥ {x} = {x}Bu = [x]Bu = ⎢ 2 ⎥ . .. ⎢ M ⎥ ⎢ ⎥ ⎣α n ⎦ ⎡β1 ⎤ ⎢β ⎥ {y} = {y}Bv = [y]Bv = ⎢ 2 ⎥ .. ⎢M⎥ ⎢ ⎥ ⎣βn ⎦ (1... + β n vn .70) 1. Escolhendo Bu ={ u 1 .67) [A] = [A]x y. A(u2 ) = 3 = 3v1 . matriz onde cada coeficiente aij é definido pela coordenada yi obtida quando o operador A é aplicada a cada vetor uj da base Bu .. u 2 . Portanto.19 . u n } como a base de x e Bv ={ v1 .

⎢0 0 2 3⎥ ⎢ ⎥ 0 6⎦ ⎣0 0 2 A = [A]u v 2 (1.73) Usando o mesmo procedimento obtém-se facilmente a representação na base B v2 = B u2 : ⎡0 − 3 19 − 3⎤ ⎢0 0 − 16 3 ⎥ ⎢ ⎥.Elementos de Álgebra Matricial e a matriz A fica definida por: 1 1 A = [A]u = [A]u v u 1 1 ⎡0 ⎢0 =⎢ ⎢0 ⎢ ⎣0 3 0 0⎤ 0 3 0⎥ ⎥. = ⇒ [y ]Bv1 = ⎢ ⎢0⎥ ⎢0 0 2 3 ⎥ ⎢ 0 ⎥ ⎢ 12 ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥ 0 6 ⎦ ⎣ 4 ⎦ ⎣24 ⎦ ⎣4⎦ ⎣0 0 (1.71) Assim.74) e: [x]B u2 ⎡3⎤ ⎡0 − 3 19 − 3⎤ ⎡ 3 ⎤ ⎡− 3⎤ ⎢− 3⎥ ⎢0 0 − 16 3 ⎥ ⎢− 3⎥ ⎢ 12 ⎥ ⎢ ⎥ ⎥⎢ ⎥ = ⎢ ⎥ .75) que em forma expandida fica: y = A(x) = (-3)(1) + (12)(1 . (1. 1.20 .z 2 ) + (24)(z 3 ) = 9 + 36z 2 + 24z 3 .72) resultando em forma expandida o mesmo resultado obtido anteriormente: y = A(x) = 9 + 36z 2 + 24z 3 (1. 0 2 9 ⎥ ⎢0 ⎥ ⎢36⎥ ⎥⎢ ⎥ ⎢ ⎥ 0 0 6⎦ ⎣4 ⎦ ⎣24 ⎦ [x]B u1 (1.z) + (12)(z + 3. basta determinar as coordenadas do vetor x em relação à base selecionada e fazer a operação matricial y = A x : ⎡0 ⎡0 ⎤ ⎢0 ⎢3 ⎥ ⎥ ⎢ ⇒ [y ]Bv1 = ⎢ = ⎢0 ⎢0 ⎥ ⎢ ⎢ ⎥ ⎣0 ⎣4 ⎦ 3 0 0 ⎤ ⎡0 ⎤ ⎡ 9 ⎤ 0 3 0 ⎥ ⎢3 ⎥ ⎢ 0 ⎥ ⎥⎢ ⎥ = ⎢ ⎥ . 0 2 9⎥ ⎥ 0 0 6⎦ (1.76) reproduzindo assim o mesmo resultado. para transformar o elemento x = 3z+4z3.

Entretanto. que represente a mesma transformação em outra base. infelizmente por sua vez.. que uma transformação possa ser representada por uma matriz A em uma dada base e que se deseja obter uma matriz A .77) será particularmente eficiente se a matriz [A] for uma matriz diagonal. definida por: y = Ax . o procedimento geral consiste em simplesmente se representar inicialmente a transformação numa adequada base (vetores L.. u2 ...... v2 .. Entretanto. na utilização de métodos numéricos aplicados em problemas da Engenharia.. 1. uma forma de obter os coeficientes da matriz A consiste em se avaliar a transformação nesta nova base como no exemplo anterior. é possível calcular a matriz A diretamente de A. Esta última transformação. u2 . é necessário de início 1. numa transformação definida por sua representação matricial: y = Ax ou {y} = [A]{x} . transformar em sequência a matriz obtida em uma matriz diagonal. Felizmente.6.I.) de representação e. pode ser feita computacionalmente de um modo sistematizado. v2 . por sua vez. vn } para x e y .78) utilizando-se uma única base Bu ={ u1 . (1. simplesmente fazendo-se uma mudança na base de referência da transformação. esta base não é conhecida de início... na grande maior parte das aplicações práticas. quase sempre existe uma base na qual a transformação fica representada por uma matriz diagonal... para tornar mais eficiente o processamento da solução. Para se obter a mesma transformação representada em outra base ou seja: A : V1 → V2 . un } = B v ={ v1 .Elementos de Álgebra Matricial Considerando-se agora. Assim. Assim.. utilizando-se uma única nova base B u = {u1 . vn } como a base de x e como base de y. Neste sentido..2. Mudança de Base de Uma Transformação Linear Seja A a matriz quadrada de ordem n representativa de uma transformação linear A: V1 → V2..21 . un } = B v = { v1 . (1. definida por y = A x .

em termos dos vetores da nova base ui . 1. n . tem-se que: P −1P = PP −1 = I . Pré-multiplicando ambos os termos da equação (1...81) Imaginando que existe uma matriz inversa P −1 .49) ou seja: ui = ∑p k =1 n ik k u . (1. i = 1. n .79) Utilizando-se estas relações pode-se escrever: x = Px e y = Py .. que a base escolhida possui n vetores linearmente independentes....n. i = 1.n.. de forma análoga à utilizada em (1. sendo Q obtida das relações que expressam os vetores da nova base em termos dos vetores da base antiga u i ...Elementos de Álgebra Matricial representar todos os vetores da base antiga ui . i = 1.. isto é.. (1. (1..86) .81) por P −1 obtém-se: P −1Py = P −1APx . i = 1. correspondente a mudança de base...... ou: [u]Bu = [P]Bu × [x]Bu Bu (1.83) resultando: A = P −1AP .84) Um procedimento alternativo e equivalente para se obter a matriz A consiste em s e usar as expressões: x = Px e y = Qy . (1.85) u i . n .82) (1. i = 1.80) sendo P uma matriz quadrada de ordem n. Substituindo-se a expressão anterior na definição do operador resulta: Py = APx .22 (1. com os elementos definidos por: ui = ∑q k =1 n ik k u . (1. i = 1. n ..

definida por B u = {u1 = 1.85) na expressão (1.90) e: A = QAQ −1 . Determinar a matriz representativa do operador utilizando agora uma nova base. resulta: y=Ax ⇒ y = APx ⇒ y = Qy = QAPx . u3 = z + 3z 2 .88) e: A = QAP . no qual usando uma primeira base. tem-se: 0⎤ 0⎥ ⎥. u2 = u1 . u3 = z 2 . u4 = z 3 } . Exemplo: Seja o exemplo anterior.87) (1. Devido a unicidade do operador A tem-se: Q = P −1 .23 . 0⎥ ⎥ 1⎦ (1.91) Assim. 3 3 3 e obtém-se a expressão (1. sendo: ⎡0 ⎢0 =⎢ ⎢0 ⎢ ⎣0 3 0 0⎤ 0 3 0⎥ ⎥ 0 2 9⎥ ⎥ 0 0 6⎦ A = [A]u u (1. u2 = z. u4 = z 3 } . (1.80) em forma matricial. como: ⎡ 1 1 − 13 ⎢0 − 1 1 3 u P = [I]u = ⎢ 1 ⎢0 0 3 ⎢ 0 ⎣0 0 De modo análogo.u2 .89) (1. u2 = 1 .u1 + u2 + u3 . (1. u4 = u4 . definida por: B u = {u1 = 1.93) 1.z. os vetores da base antiga podem ser escritos em função dos vetores da nova base como: 1 1 1 u1 = u1 .92) (1. obteve-se o operador matricial A.78).Elementos de Álgebra Matricial Substituindo-se (1. u3 = .

respectivamente.96) 1.3) e. e j ) .24 . ( i = 1.3) e ei′.6.3) . (1. utilizando-se.88) obtém-se a matriz procurada: ⎡0 − 3 19 − 3⎤ ⎢0 0 − 16 3 ⎥ ⎥. ⎢ ⎢0 0 2 3⎥ ⎥ ⎢ 0 6⎦ ⎣0 0 A = [A]u u (1. definidos como aqueles cujas componentes podem ser representados em um sistema cartesiano. (i = 1.2.3. ( i = 1.2. u3 = u2 + 3 u3 . definido por suas coordenadas em relação a um sistema de referências cartesianos xi . Sejam os cosenos diretores entre os ângulos formados entre o primeiro sistema e o segundo denominados de pij = cos(ei′. na forma: xi′ = ∑p x j=1 ij 3 j . em particular os tensores cartesianos. u4 = u4 . (1. Assim. em relação a outro sistema cartesiano xi′.94) e: Q = [I]u u ⎡1 1 ⎢0 − 1 =⎢ ⎢0 0 ⎢ ⎣0 0 0 0⎤ 1 0⎥ ⎥.2.2. 3 0⎥ ⎥ 0 1⎦ (1. (i = 1. u2 = u1 .u2 . considerando-se as coordenadas de um ponto genérico P no espaço tridimensional. (1. os conceitos de tensores e suas representações matriciais podem ser de grande importância. Como P é uma matriz ortogonal: (1.Elementos de Álgebra Matricial u1 = u1 .99) 1.97) Em forma matricial: x ′ = Px .95) De (1. bases vetoriais definidas por ei .98) x = P T x′ .3) . Tensores Na análise de problemas de engenharia.

relacionadas na componentes tij forma: ′ = pik pjl tkl .3) e nove ′ .102) Nas definições anteriores. além disso.3 .Elementos de Álgebra Matricial Uma grandeza é chamada de escalar se ela tem apenas uma componente φ no sistema de coordenadas x i e.2.2. Uma grandeza é chamada de vetor ou tensor de primeira ordem se suas componentes em relação a um sistema xi′. (i = 1.3) e suas componentes em relação ao sistema xi . No entanto. 1. (i. com n ≠ 3. Por exemplo.100) Um escalar é também chamado de um tensor de ordem zero. y’). esta componente não varia quando ocorre uma mudança no sistema de coordenada: φ(xi ) = φ(xi′) . j = 1. dado as coordenadas de um tensor σ em relação a um sistema de eixos cartesianos (x. j = 1. são relacionados na forma indicial como: xi′ = pij xj (1. Como exemplo de uma grandeza escalar tem-se a temperatura em um ponto. Como exemplo de representação matricial e notação indicial de tensores de segunda ordem. i = 1.25 . ( i = 1. ( i = 1.2. tij (1.3) no primeiro sistema de coordenadas xi . neste caso n = 2. (i.3) no segundo sistema xi′.3) . inclinado de θ = 450 em relação ao primeiro.2. seja determinar as coordenadas deste tensor σ em relação a um outro sistema cartesiano de coordenadas (x’. indicando problemas a três dimensões. Em muitos problemas da engenharia é feito uma análise considerando-se um comportamento bidimensional. ( i = 1.3) . todos os índices variavam de 1 a 3. uma força é um tensor de primeira ordem.101) Esta relação corresponde a uma mudança de base de primeira ordem. poderia-se usar os índices variando de 1 até n. Uma entidade é designada como um tensor de segunda ordem se ela tem 9 componentes tij . Tensões e deformações em um ponto são exemplos de tensores de segunda ordem. y).2.2. (1.2.

σ yy ⎥ ⎦ ⎣− 1 1 ⎦ (1.Elementos de Álgebra Matricial Y σ yy = 1 τ yx = -1 σ xx = 1 Y' X' θ= 45 0 τ xy = -1 X Figura 2.104) Fazendo: Y [P] = [P]X.106) Pode-se notar que as tensões cisalhantes em relação ao novo sistema são nulas. X'.26 .105) a mudança de base da representação do tensor de tensões se dá como: [σ ]X'. X'. (1.103) A matriz de rotação do sistema (x’. em relação ao sistema de coordenadas X. Y pode ser escrito em forma matricial como: [σ ] = ⎢ ⎡σ xx ⎣σ yx σ xy ⎤ ⎡ 1 − 1⎤ =⎢ ⎥. 2 ⎣ − 1 1⎦ ⎣.Y' = [P][σ ][P]T = 1 ⎡ 1 1⎤ ⎡ 1 − 1⎤ 1 ⎡1 − 1⎤ ⎡0 0 ⎤ ⎥ ⎢ ⎥=⎢ ⎥ ⎢ ⎥⎢ 2 ⎣− 1 1⎦ ⎣− 1 1 ⎦ 2 ⎣1 1 ⎦ ⎣0 2 ⎦ (1. Y' . as tensões normais σ X'X' = 0 e σ Y'Y' = 2 . y) é definido pelos cosenos diretores do primeiro sistema em relação ao segundo: Y [P]X. O tensor de tensões σ. são as tensões principais atuantes e os respectivos eixos são chamados de eixos principais de referência do 1. Representação vetorial dos componentes o tensor de tensões no plano XY. y’) em relação ao sistema (x. Y' = ⎢ ⎡ cosθ senθ ⎤ 1 ⎡ 1 1⎤ = ⎥ ⎢ ⎥. consequentemente.senθ cosθ ⎦ (1.

cuja forma explicita ainda não foi definida deve atender as seguintes condições: 1. vn } de R n . L. onde cada coluna (linha) de ordem i é definida pelas coordenadas do correspondente vetor vi em R n . DETERMINANTES 1. obtém-se a expressão (1. De fato.109) onde as colunas (linhas) de A são as componentes dos vetores v1 . e2 . chamado de determinante de ordem n e designado de D(v1 . as tensões principais definem os autovalores do tensor e os eixos X’ e Y’ definem os respectivos autovetores. v2 . Y' pode ser escrito. Assim um elemento genérico do tensor [σ ]X'.108) 1. en } de R n . σ ij (1. v2 . L. L. Introdução Para uma matriz A quadrada de ordem n associada a um conjunto de n vetoes { v1 .102) : ′ = pik pjl σ kl . isto é: v2 = a12 e1 + a22 e2 + L + an2 en M vn = a1n e1 + a2n e2 + L + ann en v1 = a11 e1 + a21 e2 + L + an1 en (1.1. (1. e a ordem dos fatores é irrelevante.7. vn ) ou mais diretamente relacionada à matriz A como det(A): ⎡ a11 ⎢a 21 A=⎢ ⎢ M ⎢ ⎣ an1 a12 L a1n ⎤ a22 L a2n ⎥ ⎥ ⇒ det(A) = M M ⎥ ⎥ an2 L ann ⎦ a11 a21 M an1 a12 L a1n a22 L a2n = aij . v2 .Elementos de Álgebra Matricial tensor de tensões analisado. defini-se o determinante da matriz A ou do conjunto de n vetores associados.107) T Como plj = pjl . L .110) Esta função. vn relativamente à base canônica { e1 . como uma função a valores reais. na forma indicial como: T ′ = pik σ kl plj σ ij .7. M M an2 L ann (1.27 .

vn ) = 0 são L. v1 . L. então D(u1 . vn ) + D v1 . v ) + D(v . L. v2 . L. vn ) = αD(v1 . vi . L. L . vi . v2 . L. . L. então iii) Se a seqüência de vetores u1 . v . vn ( ) e expandindo a expressão resultante utilizando a segunda exigência do item anterior: D(u1 . v2 . iii) D(e1 . v . vn ) . L. L. vn permutando-se v i e v j . L.D. L. L. v ) 1. L. L. L. vn ) + βD(v1 . L. ii) Se vi = v j para i ≠ j . L. vi . vi .0. vn ) para α. para i = 1. L. u2 . n : D(v1 . então D(v1 . L. Para demonstrar esta propriedade seja o vetor v i = 0 . vn é o vetor zero. v . vn + n 1 j j n ( ) D(v . v .vi . vi′. L. v j . L. v2 . L . L. L. vn ) = D(v1 . L. L. L. en ) = 1. L. L. vi . vn ) = 0 . vn ) = 0 ou aij = 0 .Propriedades Básicas dos Determinantes A partir das condições exigidas no item anterior. v j . A demonstração dessa propriedade parte da substituição dos vetores v i e v j pelo vetor vi + vj em D v1 . como vi e v j D(v1 . vn são linearmente dependentes. L. isto é. vn ) = 0 .D(v1 . u2 . L. vi . L. un é obtida de v1 . vn ) = 0. u2 . L. L. L. β quaisquer e vetores vi′. L . L . v2 . vn quaisquer de R n . vi . e2 .Elementos de Álgebra Matricial i) D(v1 .111) . v2 .28 (1. vn ) = 0 . L. L . L. v2 . L . un ) = 1 j i D(v1 . Pela primeira exigência do item anterior. αvi + βvi′. vi . un ) = -D(v1 . se e somente se: v1 . v2 . podem ser definir as seguintes propriedades: i) Se um dos vetores v1 . então: D(v1 . ii) D é linear em cada uma de suas variáveis.2 . 1. então: D(v1 . L.7.

ep(n ) = S(p ) = ±1 . L. ep(2 ) . v j . L. L. vn .29 . ep(n ) seja uma permutação dos vetores da base padrão de Rn . vn = -D v1 . L .114) sendo o sinal mais ou menos em função do número de trocas exigidos para esta reordenação seja par ou seja impar. en . resulta: D v1 . então com permutas sucessivas de pares de vetores nesta lista pode-se recolocá-los em sua ordem natural e1 . vn ) .115) ii) Seja { v1 . en ) = ±1 .Elementos de Álgebra Matricial Como o primeiro e o quarto termo da expressão anterior são nulos em função do item ii. v2 . L.112) 1. ep(2 ) . L. então: D(u1 . vn deslocando um dos vetores vi k postos ou posições para a direita ou para a esquerda. vn podem ser definidos em função da base padrão de Rn como: v1 = a11 e1 + a21 e2 + L + an1 en = ∑ a j1 e j v2 = a12 e1 + a22 e2 + L + an2 en = ∑ a j2 e j j=1 n j=1 n n (1. ep(2 ) . vi . u2 . e2 . os vetores v1 . L. vn } um conjunto de n vetores quaisquer de R n .7. L. ( ) (1. Definições i) Se um seqüência de vetores u1 .1) D(v1 .116) vn = a1n e1 + a2n e2 + L + ann en = ∑ a jn e j j=1 M 1. un é obtida de v1 . L.3. v j . ep(n ) = ±D(e1 . L. v2 . ( ) (1. podemos definir que: D ep(1 ) . L. k (1. e2 . L. L. Assim. ( ) ( ) (1. vi . u2 . un ) = (. Assim. L.113) Supondo que ep(1 ) . L. Pela propriedade iii do item anterior tem-se: D ep(1 ) . L. v2 . v2 . L.

e jn j1 =1 n j2 =1 jn =1 n n n ( ) ) =∑ j1 =1 ∑L ∑ aj1 . e L . v2 . iii) Seja D o determinante de uma matriz nxn qualquer. Para cada par de índices ij (i. n . jn j ⎟ ⎜ 1 2 j = 1 j1 =1 j2 =1 ⎠ ⎝ M (1.30 . n}. a e .119) 1.7.118) onde a notação utilizada indica que a soma é estendida às n! permutações de {1.117) = ∑ a j1 ∑ a j2 L ∑ a jnD e j1 . L. e jn . Propriedades Complementares i) Seja A uma matriz n x n e seja A' a matriz transposta de A. os únicos termos não nulos são aqueles para os quais a seqüência j1 . L. (1. L .1) M ij é chamado o cofator do elemento aij . a jn e j ⎟ ∑ j1 ∑ j2 j ⎟ ⎜ j=1 j=1 j1 =1 ⎠ ⎝ n n n ⎞ ⎛ ⎟ = ∑ a j1 ∑ a j2D⎜ e . L. 1. 2. A'= AT . ejn j2 =1 jn =1 n n ( termos não ocorre repetição entre os vetores reescrever a função como: D(v1 . v 2 . L. e i+ j M ij o determinante menor deste elemento. L. jn é uma permutação dos números 1.ap(2 )2 L ap(n )n . vn ) = ∑ S(p)ap(1 )1 . vn ) = D⎜ a e . fica definido n n ⎞ ⎛ n ⎟ D(v1 .j =1. v2 . então Aij = (. 2.4.n) seja M ij o determinante (n-1) x (n-1) obtido de D eliminando-se a i-ésima linha e a j-ésima coluna. a e ∑ j j . ej2 . então: det(A) = det(A') . . L. pode-se (1.aj2 L ajnD ej1 . pois apenas nestes e j1 . a e L ∑ ∑ ∑ jn j ⎟ ⎜ j=1 j1 j j=1 j2 j j=1 ⎠ ⎝ n n n ⎞ ⎛ = ∑ a j1D⎜ e . a e . Assim. v n ) . L.L. e j2. explicitamente como: D(v1 . L.Elementos de Álgebra Matricial O determinante deste conjunto de vetores. j2 . e j2 . p n Nesta última expressão.

2. j. a solução do sistema é dado por: xj = ou: ∑b A i=1 i n ij D . L . iii) Para todo determinante de uma matriz A (n x n). Assim. L. v2 .Elementos de Álgebra Matricial ii) O valor do determinante de uma matriz não muda se for somado um múltiplo da jésima coluna (linha) à i-ésima coluna (linha) se i ≠ j. L. vi) O sistema de n equações algébricas lineares a n incógnitas: a11 x1 + a21 x2 + L + an1 xn = b1 a12 x1 + a22 x2 + L + an2 xn = b2 . Neste caso. D = aij .121) v) Uma condição necessária e suficiente para que um conjunto de n vetores { v1 . j=1 (1. n e D = ∑ aijAij . vn ) = 0 . i. L. k = 1. k = 1. 2. i = 1.31 . vn } em Rn seja linearmente dependente é que D(v1 . L. n e j ≠ k i=1 n n e: D = ∑ aijAkj = 0 . tem-se: D = ∑ aijAij . M a1n x1 + a2n x2 + L + ann xn = bn (1. n (1. L. tem-se: D = ∑ aijAik = 0 . 2. n . j = 1. i=1 j=1 n n (1. L. D = aij . 2. uma matriz A (n x n) é não singular se e somente se det( A ) ≠ 0 . 2. v2 . iv) Para todo determinante de uma matriz A (n x n). j = 1.122) tem uma única solução se e somente se o determinante de seus coeficientes é não nulo.123) 1.120) sendo A ij o cofator do correspondente elemento a ij . n e i ≠ k .

n (1. então: ⎪v = a e + a e + a e 13 1 23 2 33 3 ⎩ 3 a11 D(v1 . tem-se um único vetor v1 = a1 e1 de R1 . v3 ) = aij = a21 a31 a12 a22 a32 a13 a23 = a33 (1. (1. com: v1 = a11 e1 + a21 e2 e v2 = a12 e1 + a22 e2 de R 2 . Assim: 1. (1.32 .128) = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a31 a22 a13 − a21 a12 a33 − a11 a32 a23 iv) A expansão de um determinante em cofatores simplifica a solução no caso da maioria dos elementos de uma linha ou coluna ser nulo. com: ⎨v2 = a12 e1 + a22 e2 + a32 e3 de R 3 . ii) Se n = 2.125) 1.124) vii) Se A e B são matrizes n x n. então: det(AB) = det(A).127) a21 sendo os sinais de S(pi ) determinados contando-se o número de inversões no arranjo dos (primeiros) índices nos termos correspondentes.5.det(B) . j = 1.126) a12 = S(p1 )a11 a22 + S(p2 )a21 a12 = a11 a22 .a21 a12 . ⎧v1 = a11 e1 + a21 e2 + a31 e3 ⎪ iii) Se n = 3. 2. L. v2 ) = aij = a11 a21 (1. então: D(v1 ) = D(a1 e1 ) = a1D(e1 ) = a1 .Elementos de Álgebra Matricial xj = a11 L b1 M M an1 L bn L a1n M L ann a11 L a1j L a1n M M M an1 L anj L ann . então: D(v1 .7. Exemplos i) Se n = 1. v2 .

7 1 -6 2 7 + 4.det(LT ) = det(D) = ∑ dii .1. que transforma a matriz dos coeficientes numa matriz triangular.2. na forma: A = LTLT . (1. Por exemplo. tais como no método de eliminação de Gauss.6 = 2. 5 = 3. i-1 n (1. sendo L uma matriz triangular inferior de diagonal unitária.129) e: 2 -1 D= 0 4 1 2 3 .Elementos de Álgebra Matricial 3 1 4 D = 0 2 0 = 3. 0 3 5 2 0 3 5 = 3. Como o det(L ) = det(LT ) = 1 : det(A) = det(L ).3) = 38 + 12 = 50 (1. 1.((-1). usando operações matriciais elementares.(1. -1 1 3 -6 = 2.130) v) Seja o caso da decomposição de uma matriz.33 .5 = 30 .2.(-6)) + 4.2.det(D). que por sua vez admite uma solução explicita de grande simplicidade.(-6) . existindo procedimentos bem mais eficientes.7 .131) Observação: A solução de sistemas de equações utilizando determinantes é extremamente ineficiente.