Notas de Aula, TEA752

Nelson Luís Dias

7 de abril de 2013

A página desta disciplina é:

http://www.lemma.ufpr.br/wiki/index.php/TEA-752_Métodos_Matemáticos_em_
Engenharia_Ambiental

Sumário

1 2013-03-17T14:28:22 — Análise Dimensional 2

2 2013-03-18T17:53:18 — Formalização de Análise Dimensional 6

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

3.1 Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

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

5 2013-04-07T10:58:18 — Aplicações 64

1

6 Métodos de solução de sistemas de equações lineares, , e retorno aos
tensores 75

6.1 Eliminação de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

6.2 Diagonalização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

6.3 Tensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

1 2013-03-17T14:28:22 — Análise Dimensional

Comentários iniciais

Bem-vindos à TEA752. Qualquer disciplina de pós-graduação deve sempre ter dois obje-
tivos principais:

• Prover uma formação escolástica sólida ao aluno.

• Preparar o aluno para fazer pesquisa.

Nosso curso vai procurar prepará-los para acompanhar com mais facilidade os conteú-
dos ensinados em diversas outras disciplinas quantitativas do PPGEA, tais como Termo-
dinâmica e Mecânica dos Fluidos.

Por que devemos estudar matemática? Esta é uma pergunta cuja resposta vale cem
milhões. Na verdade, uma porcentagem pequena da população gosta de matemática, e
isso volta a ocorrer (infelizmente) mesmo dentro de cursos de graduação e pós-graduação
em engenharia.

Embora eu não vá ganhar cem milhões, a resposta não é muito difícil. E ela se desdobra
em várias:

• Para fazer o cérebro pensar melhor. A matemática força o cérebro a tentar resolver
situações difíceis e complicadas; a usar a lógica; a reduzir um problema a seus ele-
mentos essenciais, etc.. Mesmo que não houvesse nenhuma aplicação de matemática
em engenharia, ainda assim o estudo de matemática seria proveitoso para nós.

2

• Para ganhar familiaridade com conceitos, termos e técnicas seguidamente utilizados
na literatura científica de engenharia. Você vai ler nos próximos anos, textos em que
as palavras “vetor”, “matriz”, “componentes principais”, “coordenadas”, “função”,
“equação diferencial”, etc. aparecem com grande frequência. Mesmo que você não vá
resolver nenhum problema matemático, é absolutamente essencial que você entenda
qual é o problema, e como ele foi resolvido, cada vez que se deparar com uma
solução, seja ela descrita explicitamente ou não. No segundo caso, é claro, a sua
capacidade matemática é mais importante ainda.

• Para efetivamente resolver novos problemas, usando as técnicas que você vai apren-
der nessa disciplina, ou usando o que aprendeu aqui como uma base para aprender
técnicas mais avançadas que você vai utilizar na solução desses novos problemas.

A lista poderia continuar indefinidamente, mas os itens acima já dão uma idéia da
importância de estudar matemática. Se você ainda não está convencido(a), não cabe a
mim (nem a esta disciplina) mudar sua opinião!

É claro que existem obstáculos. Um grande obstáculo, talvez o maior de todos, é a
falta de base e a heterogeneidade na formação matemática dos alunos. A matemática
prossegue cumulativamente. É preciso dominar os temas anteriores, mais simples, para
poder entender e ter bom desempenho nos novos. Procure-me sempre que você perceber
que não entende o que está sendo ensinado porque lhe falta base, para que possamos
traçar rotas de recuperação do conhecimento dos pré-requisitos matemáticos.

Finalmente, existem as “virtudes teológicas” que definem um bom aluno (ou uma boa
aluna), e que são a chave do sucesso escolástico:

Iniciativa Não fique parado. Não espere que lhe digam o que fazer. Corra atrás do
conhecimento. Extrapole o seu estudo para além do que foi ensinado. Tente novos
problemas. Tente novas soluções. Compre ou obtenha na biblioteca os livros-texto.
Faça os exercícios que você achar que o ajudarão mais.

Trabalho Estude muitas horas por semana. Desenvolva hábitos de estudo. Estude
ininterruptamente por longas horas. Evite distrações tais como música ou internet.

Persistência Não desista à primeira dificuldade. Volte aos problemas que você não
conseguiu resolver. Tente abordagens alternativas: soluções numéricas, soluções
aproximadas, desenhos. O aprendizado é uma corrida de longa distância, e não os
cem metros rasos. Ganha quem cadencia seu esforço, e não “larga o osso”.

Boa sorte!

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

3

novamente. com velocidade U . L e g. As unidades fundamentais são M. A aceleração da gravidade é g. A massa do pêndulo é m. • JgK = LT−2 . O que a análise dimensional pode nos dizer? As dimensões fundamentais são. M. m não pode fazer parte da “lista” de variáveis que intervêm no cálculo de T ! Com T . Com a última “equação dimensional”. L. • JLK = L. T. podemos construir uma variável adimensional facilmente: g = c2 LT −2 L T 2 = c2 g s L T =c g A variável adimensional acima é c. g Exemplo 2 Suponha um escoamento de um fluido com massa específica ρ e viscosidade cinemática ν em torno de um cilindro com diâmetro D. temos: • JT K = T. Se nós a chamarmos de π1 : T π1 = q L . Mas nem sempre isto será assim! 4 . A única variável da lista acima que envolve M é m.Exemplo 1 O período de um pêndulo é T . L. T. O comprimento da corda é L. Suponha que a força do escoamento sobre o cilindro seja F .

b. donde F π1 = . c = −1. Temos 5 variáveis. JU K = LT−1 . ρU 2 D2 Procuramos. Por simplicidade: D. JρK = ML−3 . JDK = L. Note também que estou usando esses termos de uma maneira “solta”: eu não disse o que são “dimensões fundamentais”! Faça π1 = F D a U b ρ c . c:      0 0 1 a −1  1 1 −3 b     = −1   0 −1 0 c 2 A solução do sistema é a = −2. temos presentes todas as dimensões fundamentais. o segundo parâmetro adimensional: π2 = νDa U b ρc h i h ib h ic Jπ2 K = L2 T−1 [L]a LT−1 ML−3 1 = Mc L2+a+b−3c T−1−b 5 . e 3 dimensões fundamentais. Note que. b = −2. JF K = MLT−2 . sem perda de generalidade 1 = M1+c L1+a+b−3c T−2−b Temos um sistema de equações em a. Devemos ter 2 grupos adimensio- nais. h i h ib h ic Jπ1 K = MLT−2 [L]a LT−1 ML−3 Note que o expoente de F é 1. JνK = L2 T−1 . U e ρ. da mesma forma. Vamos escolher 3 variáveis que estarão (potencialmente) presentes nos 2 grupos. entre elas.

2 2013-03-18T17:53:18 — Formalização de Análise Dimensional Transformações lineares Definição — Seja A:V→W x 7→ y = A · x uma transformação linear de um espaço vetorial V em um espaço vetorial W (note que este é um caso mais geral. b = −1. A economia no esforço experimental é substancial. e que as dimensões de V e de W podem ser diferentes). dim K + dim Y = dim V. e o posto. K é o núcleo e Y é a imagem de A. onde Re é o número de Reynolds em mecânica dos fluidos. nós agora podemos fazer um número bem menor de experimentos. Teorema 2. Mas em vez de variarmos aleatoriamente 5 variáveis. posto(A) = dim Y. e variar aleatoriamente apenas 2 parâmetros. π2 e π2 . Na verdade. Donde a = −1. tanto faz π2 ou 1/π2 . e a Análise Dimensional não nos permitirá obtê-la. ρU D ν A função f é desconhecida. e ν π2 = UD Nós acabamos de encontrar π2 = 1/Re. O núcleo de A é o sub-conjunto de V K = {x | A · x = 0}. de A são: nulidade(A) = dim K. c = 0. (1) Definição — A nulidade. e nossa relação em uma roupagem “clássica” é F UD   2 2 =f .1 Se V é o domínio. Ela precisa ser encontrada experimentalmente. 6 .

. v5 = ∆p (queda de pressão) 6. Para isto. . j=1 então a dimensão física de π é dada por: n (M a1j La2j T a3j )xj . As 4 primeiras entradas da tabela acima referem-se às dimensões de ρ. v6 = L (comprimento do tubo) 7. vn } Por exemplo. D e e (verifique).. T 0 −1 0 0 . Y JπK = j=1 7 . . v2 . . n Y xj π= vj . v7 = µ (viscosidade dinâmica) Se um pesquisador fosse realizar 10 medidas independentes de cada uma das variáveis acima. V . M 1 0 0 0 .. seriam necessárias 107 medições para descrever o fenômeno! A solução proporcio- nada pela Análise Dimensional é descobrir um número menor de parâmetros adimensionais independentes uns dos outros. cujos elementos são os expoentes de cada dimensão física fundamental para cada variável vj . .. . 1. v3 = D (diâmetro) 4. L −3 1 1 1 . v2 = V (velocidade média) 3. Reco- nheça n variáveis fisicamente relevantes no fenômeno: {v1 . constrói-se a matriz dimensional A = [Aij ]: v1 v2 v3 v4 . .Teorema dos π’s Suponha um fenômeno físico muito complicado para ser tratado analiticamente. v1 = ρ (massa específica) 2. e realizar apenas as medições que cubram a faixa de valores destes parâmetros. num escoamento em dutos. v4 = e (rugosidade) 5. Agora. . se um grupo π é definido pelo produto de cada uma das variáveis vj elevada a um expoente xj ..

assim como a temperatura. e a temperatura. Uma última palavra de precaução — física. tempo). Por exemplo. e z = ax + by. 3. . L e T (massa. Neste caso. donde s = 2. r = 3. Este número é exatamente a nulidade da matriz A. pode ser necessário identificar a massa (ou o número de moles) de cada substância envolvida no processo. Além de M. j=1 Ou seja: desejo obter todos os vetores (x1 . O sentido da palavra independente é exatamente o mesmo que acabamos de ver em Álgebra Linear: se x e y são dois vetores de expoentes cujos grupos adimensionais são πx e πy . n n n a1j xj a2j xj (T a3j )xj . sabemos agora que a dimensão do domínio de uma transformação linear é igual à dimensão do seu núcleo (nulidade) mais a dimensão da sua imagem (posto). i = 1.1. No entanto. Y Y Y 1= (M ) (L ) j=1 j=1 j=1 Resumindo: n X aij xj = 0.2 (Teorema dos π’s): Se há n variáveis importantes num fenômeno físico e o posto da matriz dimensional é r. Observação: no nosso Exemplo 2 acima. então haverá s = n − r grupos adimensionais independentes descrevendo o processo. nem sempre a dimensão da imagem será igual ao número de dimensões fundamentais! Ela pode ser menor. então é fácil mostrar que πz = πxa πyb (tente). comprimento. Do Teorema 4.1. é preciso considerar que massa de ar “seco” e massa de vapor de água são grandezas fundamentais distintas. não matemática — refere-se ao termo di- mensão física fundamental. como grandezas físicas adicionais.Para que π seja adimensional. 2. no caso de transporte turbulento de vapor de água (evaporação) e calor na atmosfera. haverá tantos grupos adimensionais independentes quantas forem as soluções LI do sistema de equações lineares acima. é evidente que n = 5. e nesse caso haverá um número maior de grupos adimensionais! Verifique com o Exemplo 1! Definição formal de Dimensão (Barenblatt. . xn ) independentes tais que valha a equação acima. . tais como o CGS e o MKS. haverá mais de três equações no sistema acima. Logo. . Por exemplo. Portanto: Teorema 2.3) Considere dois sistemas de unidades de mesma classe. 8 . 1. considere dois sistemas MLT.

b1 .Definição — O fator numérico pelo qual uma grandeza muda quando passa de um sistema de unidades para outro de mesma classe é a sua dimensão. . considere uma passagem CGS → MKS. Os fatores numéricos para massa. Análise dimensional e formas universais de funções de fenômenos físicos Em geral nós procuramos (Eq. e T = 1. As di- mensões fundamentais da classe são M. .3 A função dimensional φ é sempre uma função potência nas dimensões fundamentais: φ = Mα Lβ Tγ Fica claro que nós estamos sempre nos referindo a relações entre sistemas: não há um sistema absoluto de unidades.01. . A ênfase será sempre nas transformações sofridas por um dado objeto matemático quando ele é escrito. comprimento e tempo. (1. . comprimento e tempo são: M = 0. Definição — Quantidades cujos valores numéricos não mudam quando passam de um sistema de unidades para outro de mesma classe são denominadas quantidades adimensi- onais. as dimensões de todas as grandezas físicas devem ser expressas apenas em funções dessas dimensões fundamentais: JaK = φ(M. as unidades fundamentais são massa. Por exemplo. . e T. Considere o seguinte princípio: todos os sistemas de uma determinada classe são equivalentes. ak . L = 0. em diferentes sistemas. . Definição — As dimensões das unidades fundamentais que definem a classe do sistema são as dimensões fundamentais dessa classe. T) Teorema 2.19) de Barenblatt): a = f (a1 . ou referenciado. No caso acima. Essa é a mesma idéia que vai motivar nossas operações com vetores e tensores em espaços vetoriais. para a classe de sistemas MLT. bm ) 9 . . L. Por exemplo.001. L. .

. ark Φ p1 r1 .. Jak Krm . As variáveis restantes possuem dimensões dependentes. . essencialmente. . . . Exemplo 3 Suponha agora que você queira analisar algum tipo de força F em um escoamento de um fluido com densidade (massa específica) ρ. . . . . velocidade U .As k variáveis ou a1 . . nós simplesmente adicionamos g à lista de variáveis que já existia no Exemplo 2. Teorema 2. . . . . . . sob a ação da gravidade. . . ak . arkm Em suma: O Teorema dos Pi simplesmente afirma que as leis da Física não dependem do particular sistema de unidades utilizado. de tal forma que b1 = Ja1 Kp1 . . . a matriz dimensional será D U ρ F ν g M 0 0 1 1 0 0 L 1 1 −3 1 2 1 T 0 −1 0 −2 −1 −2 Note que. bm ) = ap1 . . viscosidade cinemática ν. a1 . . pm . parcialmente ou não. Em uma classe de sistemas MLT. . Portanto.4 Teorema dos Pi (versão de Barenblatt: novamente!): ! b1 bm f (a1 . Jak Kr1 . . comprimento D. . . ak possuem entre si as k dimensões fundamentais da classe de sistemas de unidades na qual o fenômeno em questão é descrito. . Falta obter π3 . ak a1 . apenas: π3 = gDa U b ρc h i h ib h ic Jπ2 K = LT−2 [L]a LT−1 ML−3 1 = Mc L1+a+b−3c T−2−b 10 . nós já temos os parâmetros adimensionais π1 e π2 daquele exemplo. b1 . Suponha também que o escoamento se dê. bm = Ja1 Kpm . . de maneira que você precisa também incluir a aceleração da gravidade g na sua lista.

Dm m Dp 3 Dm = Dp3 . Up . e Fp . g. Enquanto isso. νp . Uma forma muito comum de ataque é a construção de um modelo reduzido físico. ρ. ν. Up . g. Donde a = 1. Nossa condição de similaridade para a construção do modelo agora é óbvia: Um Dm Up Dp = . ρm . de tal forma que possamos medir Fm e. no protótipo nós devemos ter uma lista análoga. c = 0. Dm . ν ν Um2 Up2 = . se nós desejarmos utilizar o mesmo fuido no modelo e no protótipo (exemplo: modelos reduzidos hidráulicos. e gD π3 = U2 √ Em mecânica dos fluidos o parâmetro adimensional usual é 1/ π3 . em princípio deveria ser possível obter Um e Dm . Dm = Dp ⇒ Um = Up . ν. ρp . devemos reescrever essas listas: Fm . Queremos portanto calcular quem devem ser Um e Dm no modelo que vamos construir.√ . Um . Dm Dp2 1 Up2 Up2 2 D = . No modelo. Dp . Fp . ρU D ν gD Suponha agora que o problema seja compliado demais para ser resolvido analitica ou numericamente. gDm gDp Do ponto de vista de um projetista. g. dessa forma. Um . gD O que o teorema dos Pi agora nos permite escrever é ! F UD U 2 2 =φ . Dp . denominado nú- mero de Froude: U Fr = √ . b = −2. mede-se tudo. nós conhecemos Up e Dp . Dm . obter Fp . ou seja: Fm . νm . Como há duas equações acima. Agora. utilizando água). 11 . g. ρ. Tentemos: Dp Um = Up .

Os engenheiros hidráulicos que trabalham com modelos reduzidos costumam se referir a este fato dizendo que é impossível obter “similaridade perfeita”. e que atenda ao mesmo tempo à igualdade dos parâmetros adimensionais “Número de Reynolds” e “Número de Froude”. No entanto.   a21 a22 L 6 são vetores. chegamos ao fim de nossa primeira aula. Em um certo sentido. 1) pode representar. 3 2013-03-24T09:45:19 — Geometria e Álgebra Comece lendo todo o capítulo 6 de Nearing [2009]. o que é uma impossibilidade prática. os eixos sobre os quais valem as projeções 2 e 1 poderiam ser quais- quer. 2. a desigualdade de Schwarz. 3). e cuja projeção no “eixo y” vale 1 unidade. nós estamos acostumados a associar o vetor algébrico (2. Em geral. . Com isso. e portanto o objeto algébrico (2. é impossível construir um modelo realmente reduzido (ou seja: em uma escala menor) com o mesmo fluido (por exemplo água) que o protótipo. infinitos objetos geométricos diferentes — e vice-versa (ver figura 1). todos os objetos algébricos abaixo:   4 " # a11 a12 2πx (1.1 Vetores Um vetor é um nome genérico que pode significar muitas coisas em Álgebra Linear. em princípio. e o conceito de uma sequência de Cauchy. 3. Portanto: o único “modelo” possível é do mesmo tamanho que o protótipo. De fato. 1) ao vetor geo- métrico cuja projeção no “eixo x” vale 2 unidades. Depois passe para o capítulo 7. A relação entre os objetos algébricos com os quais nós lidamos em matemática e os entes geométricos ou físicos da realidade que eles representam precisa ser estabelecida 12 . Essas coisas são importantes. 5 . sen . Em particular: veja a definição de produto interno (que ele chama de produto escalar).

0) com z ⊥ y ⊥ x. e uma interpretação alterna- tiva. (3)  . 1). j. . Dado um vetor genérico v. e que y ⊥ x. são distintas. e é uma base dextrógira. mas igualmente válida! por algum tipo de convenção. B = (j. (0.. .1 O conjunto de vetores {i. 1). Se o conjunto E = {e1 . é cansativo ficar repetindo explicitamente as convenções que estamos seguindo. mas como uma enupla (que são estes vetores numa particular ordem). B é uma base levógira. deve ficar entendido que (1. a rigor devemos escrever a base não somente como um conjunto de vetores.  vEn 13 .en do mesmo espaço vetorial V. k). posso representar v por   vE1  vE2    [v]E =  . e2 . (2) k=1 então ele é uma base de V. a rigor. 0. k} é usualmente utilizado para formar uma base do R3 . etc. . as bases A = (i. ele em geral pode ser escrito em termos de outros vetores e1 . A é a base canônica do R3 . portanto.   . e2 .. Conhecida a base E. en ). en } for composto por vetores capazes de gerar qualquer v ∈ V. portanto. Convenções similares se aplicam a (1. Exemplo 3. Mais do que isto: na prática. 0. O mesmo se aplica para (0. Neste texto. . . . n X v= vEk ek . .. B nunca ocorre na prática. entretanto. e2 . j. 2e 1 + e 2 e2 e2 2e 1 + e 2 e1 e1 Figura 1: A representação geométrica usual do vetor (2. a ordem em que os vetores da base aparecem é fundamental. . 1). quando não houver menção explícita à convenção. k). . Muitas vezes. No entanto. A notação preferencial para E. 0) representa o vetor com uma unidade ao longo do eixo x. e 0 unidades ao longo do eixo y. é E = (e1 . Portanto. i. . .

en = (0. . . .. É claro que os “elementos” e as coordenadas de v podem ser iguais. vEn na base E:   vE1  vE2    v = (v1 . .. vE2 . (5) . .   . vn ) e [v] =  . v2 .. No entanto. 0. vn ). . vn não são em geral iguais às suas coordenadas vE1 . y. . A base canônica do Rn é e1 = (1. muitas vezes o particular eixo em que se está trabalhando não é tão importante. . x2 . . Dado um único v. v = (v1 . 0). e separada. . o conjunto das enuplas ordenadas cujos elementos são números reais. . . .ou seja. e z respectivamente. . é conveniente renomear os eixos como x1 . en . omite-se o índice E. vE1 . 0). . . . Neste caso. . xk ∈ R}. . y. é conveniente utilizar a notação x. . . . 0.. e os vetores unitários ao longo de cada um destes eixos como e1 . . xn ). (6) 14 . nós encontramos a base canônica do Rn . . vn 6= vEn . . . e a notação i. [v]E . e2 . para os elementos de um vetor algé- brico. . . Não há uma terminologia universal. z para 3 eixos mutuamente ortogonais e com orientação dextrógira (mais sobre isto em instantes). v2 . . . quando o vetor algébrico for uma enupla ordenada. . v2 .. k para 3 vetores unitários orientados positivamente ao longo de x. xn . . x2 . . 1). . para v (uma para cada base possível). . . É muito importante não confundir um vetor com a matriz-coluna que o repre- senta em uma particular base.  .. vEn são as coordenadas de v na base E. Em particular. Quando a base em que v é repre- sentado for óbvia. . por uma matriz-coluna de coordenadas [v]E . v2 6= vE2 . . (4) e2 = (0. quando a base for particularmente simples.  vEn porém (em geral) v1 6= vE1 . ou então o número de dimensões do espaço em questão pode ser bem maior do que 3 (ou ambos). existem infinitas representações (em princípio) possíveis. . Nestes casos. vE2 . portanto. . . os seus elementos v1 . . . . j. 1. Em até 3 dimensões.. Definição — Seja Rn = {(x1 .

De fato, somar dois vetores no Rn corresponde a somar “elemento a elemento”, e
multiplicar por um escalar corresponde a multiplicar todos os elementos pelo escalar.
Então,
v = (v1 , v2 , . . . , vn )
= (v1 , 0, . . . , 0) + (0, v2 , . . . , 0) + . . . + (0, 0, . . . , vn )
= v1 (1, 0, . . . , 0) + v2 (0, 1, . . . , 0) + . . . + vn (0, 0, . . . , 1)
n
X
= vk ek ⇒
k=1
 
v1
 v2 
 
[v]E = 
 .. 
 (7)
 . 
vn

Exemplo 3.2 Mostre que as coordenadas de (3, 4, 5) na base canônica do R3 são 3, 4 e 5.

SOLUÇÃO

Algumas vezes, o mais difícil é provar o óbvio:

(3, 4, 5) = (3, 0, 0) + (0, 4, 0) + (0, 0, 5)
= 3(1, 0, 0) + 4(0, 1, 0) + 5(0, 0, 1)
= 3i + 4j + 5k

Exemplo 3.3 Se E = ((1, 1), (1, −1)), obtenha as coordenadas de v = (3, 4) na base E

SOLUÇÃO

v = x(1, 1) + y(1, −1)
(3, 4) = x(1, 1) + y(1, −1)
3 = x + y,
4 = x − y.

Como quase sempre em Álgebra Linear, tudo termina na necessidade de se resolver um
sistema de equações lineares, o que nós aqui fazemos com a ajuda de Maxima (só para treinar):

15

(% i5 ) solve ( [3 = x +y , 4 = x - y ] , [x , y ] ) ;
7 1
(% o5 ) [[ x = -, y = - -]]
2 2

Portanto, " #
7/2
[v]E =
−1/2

Exemplo 3.4 Calcule o módulo do vetor

v = (1, 2, 3, 4, 5, 6, 7, 8, 9).

SOLUÇÃO

Se um vetor algébrico for interpretado da forma clássica, como a representação do vetor
geométrico em que cada elemento da enupla ordenada corresponde a uma componente do vetor
geométrico segundo um eixo, e com os eixos mutuamente ortogonais (e para sermos completos,
em uma base dextrógira — tenha um pouco mais de paciência com esta palavra), então em duas
e três dimensões vale o teorema de Pitágoras:
q
v = (x, y) ⇒ |v| = x2 + y 2 ,
q
v = (x, y, z) ⇒ |v| = x2 + y 2 + z 2 .

Em n dimensões não há mais geometria para nos auxiliar, e devemos encarar o módulo como
uma definição. Usaremos o símbolo ≡ quando estivermos definindo um conceito pela primeira
vez. Portanto, definimos
" n #1/2
X
|v| ≡ vk2 , (8)
k=1

e agora estamos prontos para o cálculo. É claro que ele pode ser feito até mesmo com lápis e
papel, mas preferimos executá-lo com Python, na listagem 1.

O resultado da execução do programa verysimplesum.py é
v = [1 2 3 4 5 6 7 8 9]
v2 = [ 1 4 9 16 25 36 49 64 81]
m2 = 285
m = 16.8819430161

Donde
|v| ≈ 16,8819430161

16

Listing 1: verysimplesum.py — uma soma simples com Python.
1 # !/ usr / bin / python
2 # -* - coding : iso -8859 -1 -* -
3 from __future__ import u n i c o d e _ l i t e ra l s
4 from __future__ import print _functio n
5 from __future__ import division
6 from numpy import array
7 from math import sqrt
8 v = array ([1 ,2 ,3 ,4 ,5 ,6 ,7 ,8 ,9])
9 print ( 'v ␣ = ␣ ' , v )
10 v2 = v * v
11 print ( ' v2 ␣ = ␣ ' , v2 )
12 m2 = sum ( v2 )
13 print ( ' m2 ␣ = ␣ ' , m2 )
14 m = sqrt ( m2 )
15 print ( 'm ␣ = ␣ ' , m )

Exemplo 3.5 Calcule o módulo do vetor

v = (1, 2, 3, 4, 5, . . . , 96, 97, 98, 99)

SOLUÇÃO

Numericamente, isto pode ser feito de forma muito parecida com o exemplo anterior. Note
que seria muito mais trabalhoso fazer todos os cálculos com lápis e papel. No entanto,

1 # !/ usr / bin / python
2 # -* - coding : iso -8859 -1 -* -
3 from __future__ import u n i c o d e _ l i t e ra l s
4 from __future__ import print _functio n
5 from __future__ import division
6 from numpy import array
7 from math import sqrt
8 v = array ([ i for i in range (1 ,100)])
9 v2 = v * v
10 m2 = sum ( v2 )
11 m = sqrt ( m2 )
12 print ( 'm ␣ = ␣ ' , m )

cuja saída é
m = 573.018324314

Donde
|v| = 573,018324314.

17

Em geral.3. A lição deve ser aprendida: sempre que você se deparar com um problema. Na verdade. 4) = a(1.2 Se E = ((1. pergunte-se antes de mais nada se há uma solução analítica para ele.1 Obtenha as coordenadas de (3. há. equação 1. 2. 1.018324314 O exemplo acima ensina uma lição importante. (3. −1). No exemplo acima. 2. −1. é incomparavelmente superior ao de soluções numéricas . 0). p. (0. 0) + b(2. −1)}.Mas será preciso tanto esforço computacional? Não! Neste caso é particularmente simples calcular "n=99 #1/2 X 2 |v| = k k=1 1/2 n   = (n + 1)(2n + 1) 6 1/2 99  = × 100 × (199) 6 q = 99 × 100 × 199/6 = 573. 3 = a + 2b. X k=1 para qualquer inteiro q. 0). quando estes são possíveis. existem resultados analíticos para n kq . e profunda: O poder de métodos e de soluções analíticas. a fórmula para nk=1 k 2 = (n/6)(n + 1)(2n + 1) foi obtida de Jeffrey P [1995]. e está pronta. obtenha as coordenadas de v = (3. 18 .1-2. a = 3 − 2b = 3 + 8 = 11 3. 1).2. 34. Exercícios propostos 3. −1)). 3) na base E. (2. 4) na base {(1. (1. 4 = −b ⇒ b = −4.

3] .1 .1 . c ]). k . b . eq3 ] . 2) (% i5 ) y3 : sum (k . b. 1) (% i4 ) y2 : sum (k . z = . n = 3) = y3 (% i9 ) solve ([ eq1 .2 . 1] 3 (% i2 ) e2 : [1 .[ x . n = 2) = y2 (% i8 ) eq3 : ev ( s2 . -1 .0] .4 Prove que n X n k2 = (n + 1)(2n + 1). c = 0]] 2 2 Donde n X n(n + 1) k= . k=1 6 19 . n =1) = y1$ 6 eq2 : ev ( s2 . k=1 2 3.y . eq2 .-]] 10 4 4 4 3. z ]) .k . max ) read and interpret file : # p / home / nldias / work / graduacao / matap / aulas / squares .1) $ 3 y2 : sum (k .1] . k . 1 (% i1 ) e1 : [1 .b . 1 . 1 . n =3) = y3$ 8 solve ([ eq1 . eq2 . com o programa em Maxima 1 s2 : a * n ^2 + b * n + c . k . 8 11 1 1 9 (% o4 ) [[ x = --.3) $ 5 eq1 : ev ( s2 . .[3 . k=1 2 Já que eu tenho uma dica. c para a parábola que passa pela soma para n = 1.1] 7 (% i4 ) solve ( x * e1 + y * e2 + z * e3 . 3) (% i6 ) eq1 : ev ( s2 . eq3 ] . suponho que n X k = an2 + bn + c. 2 y1 : sum (k . n = 2 e n = 3. 6 (% o3 ) [0 . 2 (% o1 ) [1 .2 . . -1] . 1 . n =2) = y2$ 7 eq3 : ev ( s2 . n = 1) = y1 (% i7 ) eq2 : ev ( s2 .[a .k .k . 0] 5 (% i3 ) e3 : [0 . 1 .1 . cujo resultado é (% i1 ) batch ( squares .1 . 4 (% o2 ) [1 . y = -. 2 .1 . [a .3 Prove que n X n k= (n + 1). c ]) 1 1 (% o9 ) [[ a = -. max 2 (% i2 ) s2 : c + b n + a n 2 (% o2 ) a n + b n + c (% i3 ) y1 : sum (k . b = -.2) $ 4 y3 : sum (k . k=1 e acho a.

Pn 2: 3. cujo resultado é (% i1 ) batch ( cubes . max 2 3 (% i2 ) s3 : d + c n + b n + a n 2 (% i3 ) y1 : sum ( k . eq2 . eq2 .b .100)] gera a lista [1. 1 . n = 1) = y1 (% i8 ) eq2 : ev ( s3 . con$ 12 factor ( s3 ). k . k=1 e acho a. n = 3) = y3 (% i10 ) eq4 : ev ( s3 .k .1 . n =1) = y1$ 7 eq2 : ev ( s3 .5 Explique o que faz a linha   v = array ([ i for i in range (1. eq4 ] ..1 . n =2) = y2$ 8 eq3 : ev ( s3 .2) $ 4 y3 : sum ( k ^2 . con ) (% i13 ) factor ( s3 ) n ( n + 1) (2 n + 1) (% o13 ) ------------------- 6 Donde n X n(n + 1)(2n + 1) k3 = . n =3) = y3$ 9 eq4 : ev ( s3 .2.3) $ 5 y4 : sum ( k ^2 . b. d para a parábola que passa pela soma para n = 1. 1) 2 (% i4 ) y2 : sum ( k . eq4 ] . 3) 2 (% i6 ) y4 : sum ( k . n = 4) = y4 (% i11 ) con : solve ([ eq1 .[a . k=1 6 3.k . 1 . b .6 No seu computador. n = 3 e n = 4 com o programa em Maxima 1 s3 : a * n ^3 + b * n ^2 + c * n + d$ 2 y1 : sum ( k ^2 ...1 . k . [ i for i in range (1. n =4) = y4$ 10 con : solve ([ eq1 . 1 . isto se chama list comprehension. c.c .k . 1 . Em Python. d ]) $ 11 s3 : s3 . n = 2) = y2 (% i9 ) eq3 : ev ( s3 . Já que eu tenho uma dica.100)]) do exemplo 3. c .99].5.4) $ 6 eq1 : ev ( s3 . k .1) $ 3 y2 : sum ( k ^2 . eq3 . array transforma a lista em um array. n = 2. eq3 . compare os tempos de cálculo de k=1 k 20 .. d ]) (% i12 ) ev ( s3 : s3 .1 .k . 4) (% i7 ) eq1 : ev ( s3 . 2) 2 (% i5 ) y3 : sum ( k . suponho que n X k 2 = an3 + bn2 + cn + d. [a . max ) read and interpret file : # p / home / nldias / work / graduacao / matap / aulas / cubes . k .

" from ␣ __main__ ␣ import ␣ test_ana " ) 16 print ( ' ana ␣ = ␣ ' . 1 # !/ usr / bin / python 2 from __future__ import u n i c o d e _ l i t e ra l s 3 from __future__ import print _functio n 4 from __future__ import division 5 from math import sqrt 6 def test_num ( n ): 7 a = [ i for i in range (1 ." from ␣ __main__ ␣ import ␣ test_num " ) 14 print ( ' num ␣ = ␣ ' . Usando a fórmula para a soma. genericamente. u ∈ V ⇒ αu ∈ V. .79518008232 ana = 0.t . 1. (10) 21 . timeit ()) 15 t = Timer ( " test_ana (99) " . com Python.1 têm em comum? Por que eles são todos chamados. (9) 2. timeit ()) dá como resultado num = 7. Adição em V: u.4530 22003174 Álgebra Linear O que os objetos algébricos   4 " # a11 a12 2πx (1. 2. Usando a abordagem de “força bruta”. • Existe um Campo escalar F. • Existem duas regras: 1. 3). sen   a21 a22 L 6 da seção 3. n +1) ] 8 return sum ( a ) 9 def test_ana ( n ): 10 s = sqrt ( n /6 * ( n +1) * (2* n +1)) 11 return s 12 from timeit import Timer 13 t = Timer ( " test_num () " . Multiplicação por um escalar: α ∈ F. associado. de vetores? A resposta consiste do seguinte: • Existe um conjunto V de objetos. v ∈ V ⇒ u + v ∈ V. 5 .t . 2.

dependendo da base. entretanto. β ∈ F. e que portanto cada v possui infinitas matrizes-coluna que o representam. É necessário que elas obedeçam às seguintes propriedades adicionais: u + v = v + u. αv2 . Por exemplo. u2 + v2 . u3 + v3 ). . e o conceito de independência linear. e a multiplicação por escalar é definida por α ∈ R. (15) α(βu) = (αβ)u. (18) Estes são os famosos 8 axiomas da Álgebra Linear. vn ). .3. talvez faça sentido. Para fixar idéias. novas operações são definidas em função de operações pré-existentes. (17) (α + β)u = αu + βu. v2 . v3 ) ≡ (αv1 . . e de multiplicação de um vetor por um escalar. V. (14) 1u = u. Em outras palavras.2 e 3. v ∈ R3 ⇒ u + v = (u1 . os conjuntos F. Note que tudo se resume a somas e multiplicações de números reais. β ∈ F. e com as operações de soma de dois vetores. elemento a elemento dos ve- tores. esgotar as possibiliades do Rn . v ∈ R3 ⇒ αv = α(v1 . mas que cada v ∈ Rn pode ser expresso em termos de infinitas bases. ∀u ∈ V. ∃∗ [−u] ∈ V | u + [−u] = 0. As operações (9)–(10). Sempre que tudo isto acontece. a soma de dois vetores é definida por u. (11) u + [v + w] = [u + v] + w. v3 ) ≡ (u1 + v1 . O conceito de base de um espaço vetorial V vem junto com dois outros conceitos fundamentais em Álgebra Linear: o conceito de dimensão do espaço V. v ∈ V. V. (13) ∀u ∈ V. (16) α[u + v] = αu + αv. αv3 ). . verifique que as operações definidas no exemplo 3. . . ∀α ∈ F. (12) ∃∗ 0 ∈ V | u + 0 = u. v2 . u3 ) + (v1 . 22 . . .6 Se F = R. e V = R3 . É evidente que as operações e propriedades acima já valiam quando trabalhamos com os “vetores algébricos” do tipo v = (v1 . v2 . Como teremos amplas oportunidades de explorar espaços vetoriais mais exóticos ao longo do texto. neste ponto. ∀u ∈ V. nós consideramos que os objetos “absolutos” deste espaço são as enuplas (v1 . v2 . por si sós não são suficientes. ∀α. u2 .Exemplo 3. u ∈ V. ∀α. u. vn ). eles precisam existir junto com F. as operações e os axiomas 11–18 constituem um Espaço Vetorial.6 foram implicitamente utilizadas nos exemplos 3. u ∈ V.

b. c + f ) + (g. v3 ). f ) + (a. e. b. ou seja: n X ∀v ∈ V. v = αi ei . f + i) = (a + d + g. b. c − c) = (0. b + e + h. v2 . αv3 ) = α(u1 . e. X (a. α(u2 + v2 ). c) + (d. i=1 Teorema 3. e2 . v2 . X α [(u1 . α(u3 + v3 )) = (αu1 + αv1 . u2 + v2 . . ∀i. V} juntamente com suas operações usuais constituem um espaço vetorial. b. c + f ) = (d. αu3 ) + (αv1 . u3 ) = ((α + β)u1 . −b. v2 . c) + (0. u2 . i) = (a. v3 )] = α(u1 + v1 . f ) + (g. en que gera V. (α + β)u2 . vn é linearmente independente (LI) quando n X αi vi = 0 ⇔ αi = 0. b. i). h. αu2 + βu2 . b. X  (a. αu3 ) + (βu1 . . βu2 . αv2 . . u2 . c).7 Se F = R e V = R3 com as operações usuais de soma e de produto por escalar. X (a. e. Exercícios Propostos 3. i=1 Definição — Uma base de um espaço vetorial V é um conjunto LI de vetores e1 . h. c) = (a − a. u3 ) + (v1 . c) + (d. b + e. c) = (a. βu3 ) = (αβ)(u1 . 0) = (a. X 1(a. βu2 . αu2 + αv2 . . u3 ) + α(v1 . u2 . u2 . . u3 )X 23 . e conclua que {R. f ) + (g. e. e + h. (α + β)u3 ) = (αu1 + βu1 . αu2 . 0). c) + (−a. u2 . . u3 + v3 ) = (α(u1 + v1 ). X α(βu1 . b. . c) + (d + g. 0. c + f + i) = (a + d. c). βu3 ) = α(u1 . u3 ). verifique (11)–(18) acima. αu2 . b − b. αu3 + αv3 ) = (αu1 . c) + (d. u2 . b. b + e. b. f ) = (a + d. n é a dimensão de V. b. . u3 ) + β(u1 . X (α + β)(u1 .Definição — O conjunto v1 . (a. αu3 + βu3 ) = (αu1 . c). i)  = (a. 0. h.1 Todas as bases de V possuem o mesmo número n de vetores.

se θ é o ângulo formado por b e c. novas notações serão apresentadas. Aij ∈ R. ao final desta seção nós estaremos nos perguntando qual é o significado algébrico de um hipervolume.8 Para o conjunto V das matrizes 2 × 2 " # A11 A12 [A] = . tudo o que faremos revolverá em torno desta idéia. vn ) são úteis porque eles facilitam aplicações geo- métricas. e alguns problemas serão explorados em novas direções: por exemplo. procure conhecer o excelente livro de Kreider et al. . Aplicações geométricas Vetores algébricos do tipo (v1 . os conceitos serão manipulados com um nível mais alto de abstração. e encon- trada em Simonsen [1994. (19) A dedução elegante e sucinta do Teorema de Pitágoras é baseada na figura 2. v2 . . p. livros inteiros de Matemática Aplicada podem ser escritos assim: se você conseguir uma cópia.9 Repita o exercício acima para o conjunto das funções contínuas f : [0. c e hipotenusa a. [1966]. c e a. a2 = b2 + c2 − 2bc cos θ (21) 24 . de modo que esta seção tem um pouco de sabor de revisão. Teorema 3. ou pelo menos ler partes na biblioteca. 2 a2 = b 2 + c 2 (20) Teorema 3. De fato. e é óbvio que necessitaremos desenvolver algumas ferramentas.3 (Teorema dos Cossenos) Em um triângulo qualquer com lados b. 3.3.2 (Teorema de Pitágoras) Em um triângulo retângulo com catetos b. . 1] → R x 7→ y = f (x). 30]: bc a2 + 4 = (b + c)2 . Muitas delas você já conhece. nós vamos sistematicamente explorar operações geométricas no R2 e no R3 com o auxílio de vetores. . a2 = b 2 + c 2 . Nesta seção. A21 A22 e para o campo escalar R. No entanto. defina as operações soma de vetores e produto por escalar da maneira mais natural possível. e mostre que estes conjuntos e operações constituem um espaço vetorial. Em muitos sentidos. Existem incontáveis exemplos de espaços vetoriais.

c b a c a b a b c a b c Figura 2: O Teorema de Pitágoras b a h θ d e c Figura 3: O Teorema dos Cossenos 25 .

a2 = b2 + e2 − d2 . b · c = |b||c| cos θ (28) 26 . então a = b − c. v3 ) é 3 X u·v ≡ ui vi . é muito fácil provar as seguintes propriedades: u · v = v · u. O produto escalar de dois vetores u = (u1 . u2 . v2 . para calcular o módulo de um vetor no R3 : |v| = [v · v]1/2 . (27) De volta à figura 3. v2 . a2 = b2 + c2 − 2bc cos θ (22) O produto escalar em R3 Uma vez que nós possuímos objetos algébricos (os vetores algébricos (v1 . nós podemos definir algumas operações diretamente sobre estes objetos. A dedução não-tão elegante do Teorema dos Cossenos baseada na figura 3 é a seguinte: a2 = e2 + h2 . a2 = a · a = [b − c] · [b − c]. u3 ) e v = (v1 . a2 = b2 + c2 − d2 − 2de − d2 . a2 = b · b + c · c − 2(b · c). que é um conceito que vem a posteriori). a2 = b2 + c2 − 2d(d + e). se b e c são dois vetores com origem comum e paralelos aos lados b e c. c2 = d2 + e2 + 2de. (25) [αu] · v = α(u · v). (23) i=1 É evidente que o produto escalar serve. b2 = d2 + h2 . com |b| = b e |c| = c. b2 + c2 − 2bc cos θ = b2 + c2 − 2(b · c). a2 = b2 + c2 − 2cd. (26) u · [v + w] = u · v + u · w. a2 − b 2 = e2 − d2 . v3 )) que são “absolutos” (isto é: não dependem da base. no mínimo. (24) Na verdade. usando (23).

por outro lado. | {z } c ax + by = c (29) Exemplo 3. a equação da reta é r = r0 + tm. o vetor q0 não pode ser coplanar com p. A equação da reta é dada pela condição de que um ponto qualquer r = (x. SOLUÇÃO Duas retas no R3 são reversas quando não se interceptam. s = s0 = mt2 . t2 ) de números reais. m2 . m 27 .7 Seja r0 = (x0 . x3 ). naturalmente. (x − x0 . Assim. se r0 é um ponto qualquer de uma reta no espaço. e m é um vetor que dá a direção da reta no espaço. Para que as retas sejam reversas. m3 ). (30) Em termos das coordenadas (x1 . ou seja. a equação acima não pode ter solução para nenhum par (t1 . y) atende a [r − r0 ] · n = 0. (34) Exemplo 3. t ∈ R. q0 ≡ r0 − s0 = t2 p − t1 m. r0 = (x01 . (30) são 3 equações paramétricas da reta: x1 = x01 + m1 t. discuta as condições geométricas que devem ser atendidas por r0 . m e p para que elas sejam reversas.9 Se duas retas no espaço possuem equações paramétricas r = r0 + mt1 . (31) x2 = x02 + m2 t. ax + by = ax0 + by0 . y0 ) um ponto de uma reta cuja direção no R2 é perpendicular ao vetor normal unitário n = (a. Se. s0 . (32) x3 = x03 + m3 t (33) onde. x3 ) de r na base canônica. x03 ). e um ponto qualquer. x2 . elas se interceptam. x02 . x2 . r = (x1 . y − y0 ) · (a.8 No R3 é preferível dar a direção paralela à reta. m = (m1 .Exemplo 3. b). então r0 + mt1 = s0 + pt2 . b) = 0.

e em que não for feita nenhuma advertência em contrário. denominados tensores). Suponha que você deseje calcular a projeção do vetor v segundo o vetor p. 8. 1/3) 29 = 2 + 16/3 + 7/3 = 3 A convenção de soma de Einstein Voltemos à prova. você deve “ver” um símbolo de somatório implícito. 1/4) ⇒ |p| = 1/4 + 1/4 + 1/16 = 9/16 = . na definição 3 X u·v = ui vi . 2/3. a projeção de v sobre m é simplesmente |v| cos θ = |v||m| cos θ = v · m. 1/3). o símbolo de somatório é supérfluo. denominada 28 . Assim. Nestes P casos. Talvez a aplicação mais clássica do produto escalar seja a obtenção da projeção de um vetor na direção de um outro. 4 4 m = (1/2. 1/4) = (2/3. Primeiro. Isto é fácil: 1 m= p. SOLUÇÃO q q 3 p = (1/2. de que u · v = |u||v| cos θ. Todas as vezes em que aparecer um índice repetido neste texto. 2/3. em geral — mas não sempre — a ocorrência de um índice repetido em uma equação envolvendo ve- tores (e seres mais esotéricos. se θ é o ângulo entre v e m. O ganho em veloci- dade de manipulação obtido em função desta idéia aparentemente simples. i=1 os dois índices i que aparecem em ui vi estão associados ao somatório de 1 a 3. 1/2. 1/2. 8. 1/2. é necessário calcular um vetor unitário na direção de p. 3 v · m = (3.10 Calcule a projeção de (3. Einstein observou que. 7) · (2/3. feita acima. (35) |p| Agora. e pode ser omitido. 1/4). 7) na direção de (1/2. está associada a uma soma. (36) Exemplo 3.

e o segredo é que torna-se possível manipular vetores e depois tensores como se eles fossem simples escalares. .“convenção de soma de Einstein” ou “notação indicial” ou ainda “notação de Einstein” é considerável. e o símbolo de permutação ijk. usando notação indicial. A definição do primeiro é mais simples:  1 i = j..12 Calcule δii . temos: b2 + c2 − 2bc cos θ = a2 = ai ai = (bi − ci )(bi − ci ) = bi bi + ci ci − 2bi ci ⇒ |b||c| cos θ = b · c (37) Exemplo 3.11 O produto de uma matriz 3 × 3 por uma matriz-coluna 3 × 1 é        y1 A11 A12 A13 x1 A11 x1 + A12 x2 + A13 x3 y2  = A21 A22 A23  x2  = A21 x2 + A22 x2 + A23 x3         y3 A31 A32 A33 x3 A31 x1 + A32 x2 + A33 x3 Reescreva. Para a prova em questão. SOLUÇÃO δii = δ11 + δ22 + δ33 = 3 29 . SOLUÇÃO yi = Aij xj A notação indicial torna-se realmente poderosa quando usada em conjunto com dois símbolos especiais: o “delta de Kronecker” δij . (39) 0 0 1 Exemplo 3... δij ≡ (38) 0 i 6= j. O delta de Kronecker é particularmente útil para denotar a matriz identidade:   1 0 0 [δ] = [δij ] = 0 1 0  .

3. vi dos vetores. en ) muda. (42) Uma outra propriedade frequentemente útil: se E = {e1 . “carregar” o índice E ao longo de todo o texto pode representar um peso considerável. e o símbolo  Uma permutação parte da enupla (1. . . . en } é uma base ortonormal (os ei ’s têm todos módulo igual a 1. e2 . e são mutuamente ortogonais). v = vEj ej (atenção: o símbolo E que acompanha os subscritos não conta como um “índice” da notação indicial). uma notação displicente dificulta a compreensão dos conceitos e das definições que estão “por trás” dos símbolos utilizados. u · v = uEi ei · vEj ej = uEi vEj (ei · ej ) = uEi vEj δij = uEi vEi . Permutações. quando a enupla E = (e1 . . . . nós suprimiremos E quando não houver motivo para confusão. a transposta da matriz [A] é obtida trocando-se linhas por colunas: [A]> = [Aij ]> ≡ [Aji ]. Por outro lado. as coordenadas vEi também mudam. esta notação tem sido útil para enfatizar que. Por exemplo. e a segunda agora vale para as coordenadas uEi . (40) Note a validade de: [δ][x] = δij xj = xi = [x]. . Por exemplo. . então obviamente ei · ej = δij . e2 . (44) Note que (23) é diferente de (44)! A primeira é a definição em termos dos elementos ui . A notação indicial simplifica um sem-número de situações. . se u = uEi ei . Veja por exemplo o caso de v = vEi ei : até agora. 2. para um mesmo v. n) 30 . . vEi em qualquer base ortonormal. O Karma da notação Há um conflito insolúvel na escolha da notação. No entanto. (41) [y]> [δ] = yi δij = yj = [y]> . quando estivermos circunscritos à base canônica. . (43) Então. que são “absolutos” (não dependem da base). bastará escrever v = vi ei . De agora em diante. assim como quando estivermos usando apenas uma base e apenas as coordenadas nesta base. Uma notação muito carregada e confusa impede o fluxo das idéias e dos cálculos.

. 2). de tal maneira que metade das permutações 31 . factorial 7 for n in range (1 .413159103 120 6 403. n) cresce rapidamente com n. 1) e para n = 3: (1. (2. para n = 2 as permutações possíveis são (1. uma permutação cria uma nova enupla cujos elemen- tos ainda pertencem a {1. . observe que. 1. nada do que este autor conhece em Matemática tem um crescimento tão rápido — nem mesmo en ! O número de permutações em uma enupla de n elementos é n! (o fatorial de n): n! ≡ n × (n − 1) × (n − 2) × . considere a tabela 1 Se você está curioso para descobrir como a tabela 1 foi calculada.38905609893 2 3 20. mas cuja ordem (que define as diferentes enuplas) é diferente. (3. . (3. 2. 3. 2). (46) Para que você se convença da velocidade com que o fatorial cresce. 1. × 2 × 1 (45) com a bem-conhecida convenção de que 0! = 1. n}.428793493 720 7 1096. .12 g ␣ %8 d ' % (n . 3. exp ( n ) . na verdade. . 1). n! é sempre um múltiplo de 2. .95798704 40320 9 8103. (2. Por exemplo. Por definição. Nós agora vamos definir o sinal de uma permutação. eis um programa em Python para isto: 1 # !/ usr / bin / python 2 # -* .71828182846 1 2 7.08392758 362880 e troca suas posições. . Desta forma.coding : iso -8859 -1 -* - 3 from __future__ import u n i c o d e _ l i t e ra l s 4 from __future__ import print _functio n 5 from __future__ import division 6 from math import exp . . O número de permutações possíveis da enupla (1. 2. Tabela 1: O crescimento de exp(n) versus n! n exp(n) n! 1 2. (2. existe sempre um número par de permutações. factorial ( n ))) Em (45). . 1). e portanto n! é sempre par.0855369232 6 4 54.10): 8 print ( ' %4 d ␣ %20. 2.63315843 5040 8 2980. 3). 3. . 2). 3). 3. (1. a partir de n = 2.5981500331 24 5 148. 2.

4] = +1 epsilon [2 . 3] = +1 epsilon [1 . 4] = -1 epsilon [1 . 2. . e pode levar a erros. 1. . 2) 3 > 2 e 4 > 2. 1] = -1 epsilon [4 . 2] = -1 epsilon [3 . mas todas levam ao mesmo sinal. . n). 1] = -1 epsilon [4 . 1. 3. 2] = -1 epsilon [4 . 3. 3. 1. O cálculo manual do sinal de uma permutação é tedioso. 1] = +1 Dado um conjunto de índices i1 . e metade serão ímpares (“negativas”. 3. 4. . 4] = +1 epsilon [1 . 2. 3. Talvez a forma mais prática de calcular o sinal de uma permutação seja contar o número de inversões. Uma outra forma é pelo número de transposições: o sinal da permutação é (−1)T . 2. 3. . . As transposições não precisam necessariamente envolver pares contíguos. 1. e portanto o sinal da permutação é +1. entretanto. 1. 4. 3. 4). 2] = +1 epsilon [3 . a2 . . 3. 2. an ). 3. ou seja. 2. 1. Por exemplo. 2. 4] = +1 epsilon [3 . como no exemplo acima. 3] = -1 epsilon [1 . com T igual ao número de transposições entre pares de inteiros até se restaurar a ordem natural (1. 1. 4) há T = 2 transposições: 4↔2 3↔2 (1. 2. . 4] = -1 epsilon [3 . 2) para (1. 4) −→ (1. 3. 1. n). 3. 2. 4. 1. Há mais de uma maneira de voltar à ordem natural. associadas ao número +1). 2] = -1 epsilon [2 . . 4. 3] = -1 epsilon [4 . 3. 3] = +1 epsilon [2 . . 4. para voltar de (1. 4. 4. 3. 3] = -1 epsilon [2 . 2. 4. 3.serão pares (“positivas”. . 4. 3. i2 . . . define-se o 32 . 4. 1] = -1 epsilon [2 . 2) −→ (1. in . cada um deles entre 1 e n. e seus sinais: Eis o resultado obtido para n = 4: epsilon [1 . associadas ao número −1). Por exemplo. 2. o número de vezes em que ai > aj para todos os pares possíveis de uma permutação (a1 . 2. 2. 2] = +1 epsilon [4 . . 3. 1] = +1 epsilon [3 . 1] = +1 epsilon [3 . . 2. 3. 4. 2. 1. com i < j. 1. 4. 4. 3] = +1 epsilon [4 . para (1. 3. 2. 4. 1. . há dois casos de ai > aj com i < j. 2. 2] = +1 epsilon [1 . 4. 2. 4] = -1 epsilon [2 . O programa da listagem 2 calcula todas as permutações possíveis de (1.

. e sinal (5. append ( dua ) 15 else : 16 m = len ( dir ) 17 for i in range ( m ): 18 lesq = copy ( esq ) 19 ldir = copy ( dir ) 20 lesq .in = sinal (i1 . . . os i’s são uma permutação de {1. .. 2. 2. 321 = 132 = 213 = −1. . do pacote itensor: 33 . . que corresponde a colocar o último índice no lugar do primeiro. .. . 3. n +1)]) 26 for eps in epsilon : 27 if eps [0] < 0: 28 sig = -1 29 eps [0] = abs ( eps [0]) 30 else : 31 sig = 1 32 print ( ' epsilon ' .. in ) = ±1.py — Cálculo do símbolo de permutação de Levi-Civitta. . . . .i2 . caso contrário. append ( uma ) 14 epsilon . append ( ldir [ i ]) 21 lesq [0] *= ( -1)** i 22 del ldir [ i ] 23 levi ( lesq . .in = (47) sinal (i1 . .i2 . . que só funciona para n = 3. 1 # !/ usr / bin / python 2 # -* . Quando n = 3.. Muito cuidado.. n} A interpretação é a seguinte: se houver pelo menos dois i’s iguais. então i1 .. porque esta é uma “regra” muito particular..eps . dependendo do sinal da permutação.coding : iso -8859 -1 -* - 3 from __future__ import u n i c o d e _ l i t e ra l s 4 from __future__ import print _functio n 5 from __future__ import division 6 epsilon = [] 7 from copy import copy 8 def levi ( esq . i2 .[ i for i in range (1 . . {i1 . 3. porque se mantêm sob uma mudança cíclica.. i2 . in } = 6 {1. 2.. in } = {1. Por exemplo. . e i1 . i2 . sinal (4. . . . . ldir ) 24 n = input ( 'n ␣ = ␣ ? ␣ ') 25 levi ([] . 4.13 O sinal de uma permutação está implementado em Maxima na função levi_civita. i2 . . .. in ). entretanto.i2 . {i1 . .( '= ␣ %+2 d ' % sig )) símbolo de permutação  0. assim: 123 = 312 = 231 = +1. ... 2. 1) = +1. n} i1 . . os sinais são muito fáceis de lembrar. . 2.in = 0. e “rolar” os índices para a direita. . dir ): 9 if len ( dir ) == 2: 10 uma = esq + dir 11 dua = esq + dir [:: -1] 12 dua [0] *= -1 13 epsilon . Listing 2: levisemcom. 1) = +1! Exemplo 3. n}.

1]).4 (Identidade polar): ijk lmk = δil δjm − δim δjl .i2 .in é cha- mado símbolo de Levi-Civita (Tullio Levi-Civita foi um matemático italiano). (49) pode ser demonstrada por simples enumeração.17..in =  (ik − ij ) . j. l.3 .. (% o2 ) 1 (% i3 ) levi_civita ([5 . o índice repetido k indica que há uma soma sobre k = 1. (% o3 ) 1 Pelos exemplos acima.2 .i2 . lisp (% i2 ) levi_civita ([4 .4 .. m é aceitável.. (% o1 ) / usr / share / maxima /5. (48) j=1 j! k=j+1 Uma fórmula muito útil envolvendo ’s e δ’s quando n = 3 é a Teorema 3. portanto.. 2. l = 3. Existe uma fórmula geral para seu cálculo (http://en..14 Verifique (49) para i = 1. sendo portanto “livres”: qualquer arranjo com repetição de i.org/wiki/Levi-Civita_symbol):   n−1 n Y 1 Y i1 .3 .. j = 2. Embora seja tedioso. Exemplo 3. com cada um deles podendo variar de 1 até 3..wikipedia. você já deve estar desconfiando: o símbolo i1 .1/ share / tensor / itensor . (49) Do lado esquerdo de (49).1]). m = 1 SOLUÇÃO 12k 31k = 121 311 + 122 312 + 123 313 = 0 = δ13 δ21 − δ11 δ23 = 0 − 0 = 0 34 .(% i1 ) load ( itensor ). Os demais índices não se repetem.2 . O número total de arranjos é 3 × 3 × 3 × 3 = 81: a equação (49) representa 81 casos diferentes. 3.

|u × v|2 = ijk ui vj lmk ul vm = [δil δjm − δim δjl ]ui vj ul vm = (ui ui )(vj vj ) − (ui vi )(uj vj ) = |u|2 |v|2 − (|u||v| cos θ)2 = |u|2 |v|2 (1 − cos2 θ) = |u|2 |v|2 sen2 θ ⇒ |u × v| = |u||v| sen θ (54) 35 .O produto vetorial Com o símbolo de permutação à disposição. (51) O produto vetorial é um vetor. define-se o produto vetorial entre dois vetores u e v: 3 X X 3 X 3 u×v = ijk ui vj ek . com a notação indicial. se θ é o ângulo entre eles. os sinais de somatório são supérfluos: u × v = ijk ui vj ek . (50) i=1 j=1 k=1 É claro que. De fato: [u × v] · u = ijk ui vj ek · ul el = ijk ui vj ul (ek · el ) = ijk ui vj ul δkl = ijk ui vj uk 1 1 = ijk ui vj uk + kji uk vj ui 2 2 1 = [ijk + kji ] ui vj uk 2| {z } =0 =0 (52) O produto vetorial é anti-simétrico: v × u = ijk vi uj ek = ijk uj vi ek = −jik uj vi ek = −u × v (53) O produto vetorial possui um módulo igual à área do paralelogramo formado por u e v. perpendicular tanto a u quanto a v.

(56) Note o sinal ±: é o módulo de u1 v2 − u2 v1 que é igual à área. O produto misto de 3 vetores u. A figura 4 mostra a solução. f . Exercícios Propostos 3. em módulo. com a = |a|. o Teorema dos Senos é sen Ab sen B b sen Cb = = . c. para o triângulo com lados b.10 Para a diagonal f do paralelogramo formado pelos lados b e c do triângulo da figura 3. v e w é.11 Enuncie. Na figura 5. c = |c|.Exemplo 3. Observe que α = π − θ ⇒ cos α = − cos θ. v2 ) no R2 é ± A = i.j ui vj . e deduza. mostre que f 2 = b2 + c2 + 2bc cos θ. u2 ) e (v1 .15 Se u. ± V = [u × v] · w = ijk ui vj wk . (55) Isto significa que a área A do paralelogramo formado por (u1 . ao volume V do paralelepípedo formado por u. (57) O produto misto é igual. Pelo teorema dos cossenos. o produto vetorial é particularmente simples: u × v = [u1 v2 − u2 v1 ]e3 . v estão no plano x1 x2 . o Teorema dos Senos. a b c 36 . b = |b|. por definição. v e w. f 2 = b2 + c2 − 2bc cos α = b2 + c2 + 2bc cos θ 3.

c θ/2 α b f θ/2 θ Figura 4: Paralelogramo da prova do Exercício ??. b A b c b B b C a Figura 5: O Teorema dos Senos. 37 .

então. 2 3 1 2 3 (% o1 ) [ .. sen Ab sen Cb ab sen Cb = bc sen Ab ⇒ = a c 3.....7 . na forma Ax + By + Cz = D.11 . z) é um vetor contido no plano desejado (lembre-se de que ele passa pela origem).14 Prove que [u × v] · v = 0. 5).2]. 10 69 11 (% o3 ) -------- 12 sqrt (14) 3.12 Desenhe a situação descrita no Exemplo 3. mac 3 (% i2 ) express ( [3 .. 11. o dobro da área do triângulo é dada por qualquer uma das relações |a × b| = ab sen C. [u × v] · v = ijk ui vj ek · vl el = ijk ui vj vl δkl = ijk ui vj vk = −ikj ui vk vj = −[u × v] · v 3.. obtenha a equação do plano definido pelos vetores a e b. por exemplo.2])) ... 7. .. 2). 4 (% o2 ) [27 . 3.. seus senos estão entre 0 e 1).7. 1. b Cb são todos ângulos entre 0 e π (e portanto. prove que [a × [b × c]] + [c × [a × b]] + [b × [c × a]] = 0... b Agora iguale quaisquer dois pares de equações. 6 41 7 (% o2 ) 2 sqrt (14) + .-] 4 sqrt (14) sqrt (14) sqrt (14) 5 (% i2 ) proj : [10 . . 0). 1 (% i1 ) nu : [3 . Lembre-se: se n é um vetor normal ao plano..16 Programe (48) em Python. então: n · v = 0.. y. a equação do plano é 27x − 13y + 5z = 0 3. 2).1/ share / vector / vect . 2 (% o1 ) / usr / share / maxima /5.1 .21. O produto vetorial entre a e b em Maxima é obtido da seguinte maneira: 1 (% i1 ) load ( vect ).1 .17 Prove a identidade de Jacobi: [a × [b × c]] = (a · c)b − (a · b)c.18 Usando a identidade de Jacobi. b |c × a| = ca sen B.14] .. b |b × c| = bc sen A... 38 . 3.2] ~ [1 .- 8 sqrt (14) 9 (% i3 ) factor (%).5]) ..13 Calcule a projeção de (10.. 4. 5] Portanto. A.[3 .1 .. . e b = (1.. b B. 14) segundo a direção do vetor (3. nu .2]/( sqrt ([3 .. 0.. 3.13 . e que passa pelo ponto (0.. e se v = (x.4 .15 Se a = (3....

. u2 . un1 ).  un1 un2 · · · unn por definição. un ). . . . . unn ) n vetores do Rn . e1 = (1. en = (0.. un ) (62) det(u1 . . . . 0.. . . . (60) Uma forma particularmente clara e elegante de apresentação de determinantes pode ser encontrada em Bressoud [1991]. . . u21 . un = (u1n . .. . αuk .. . un2 ). O hipervolume com sinal V n do hiperparalelepípedo formado por eles é o determinante V n ≡ det(u1 . . . . u2 . . . .i2 . . o determinante da matriz é o determinante dos vetores cujos elementos são suas colunas: det [u] ≡ det(u1 . . . . . u2 = (u12 . un ) (63) 39 . . . . . u2 .  (59)  . . . As seguintes propriedades de determinantes são quase óbvias quando se tem o conceito de hipervolume em mente: 1. u2 . . . . 0). . . 0). u2 .in u1i1 u2i2 . . . e2 . . . un ) = α det(u1 . 0. . . . (61) 2. . uk . en ) = 1. . . . . un ) ≡ i1 . . . . . . . . . . . 1) é 1: det(e1 . . uk + vk . u2 . . vk . . . O determinante do hiperparalelepípedo gerado pela base canônica. unin . . . .. 1. . . u22 . . .. . . . . . u2 .  . .4 2013-04-01T09:13:59 – Determinantes. (58) É evidente que os diversos uij podem ser organizados em uma matriz u11 u12 · · · u1n    u21 u22 · · · u2n    [u] = [uij ] =  . . . uk . . e2 = (0.. . . . un ) + det(u1 . un ) = det(u1 . . . Definição — Sejam u1 = (u11 . álgebra li- near O determinante Olhe de novo para as equações (56) e (57): elas apontam para uma possibilidade interes- sante: o cálculo de hipervolumes. O determinante é linear em cada um dos vetores uk : det(u1 . . u2n . . ..

. . . . . w) + det(u. 3. (64) Por exemplo. . . . e levógira caso contrário. 40 . Con- sidere por exemplo a prova de (62) para o caso n = 3: det(u. (65) 5. u2 .1 Verifique que (61) reduz-se a (56) e a (57) quando n = 2 e n = 3. . . se construirmos um paralelepípedo com arestas u. . (66) Algumas destas propriedades são provadas de forma trivial. o seu determinante é nulo: (u1 . a equação (63) significa que multiplicar uma das arestas de um hi- perparalelepípedo por α multiplica o seu hipervolume por α. . . . . Se (u1 . e o volume será consequentemente nulo. v e u + v. . ul . . respectivamente. u2 . . . u2 . un ) são LD. v + b. . . . u2 . un ) = − det(u1 . . . b. podemos agora definir o que é uma base dextrógira/levógira do Rn : Definição — Uma enupla de n vetores LI (u1 . e outras nem tanto. . Das regras de sinal de permutações segue-se que o sinal do determinante troca quando as posições de duas colunas são trocadas: det(u1 . w) (67) Com a ajuda do símbolo de permutação e do conceito de determinante. v. A equação (62) significa que o hiperparalelepípedo gerado por uma soma uk + vk possui um volume igual à soma dos hiperparalelepípedos gerados separadamente com uk e vk . . . un ) LD ⇒ det(u1 . . . . u2 . . . Exercícios Propostos 4. . a 3a aresta será evidentemente coplanar a u e v. . uk . w) = ijk ui (vj + bj )wk = ijk ui vj wk + ijk ui bj wk = det(u. un ) — e portanto uma base — do Rn é dextrógira se det(u1 . u2 . un ) > 0. ul . u2 . . un ). . . . 4. . . Ambas são bastante intuitivas. . . un ) = 0. uk . no R3 . O determinante da transposta é igual ao determinante da matriz: det [u]> = det [u].

0] .2 Prove (61). .. [0 .n × 1 × 1 × .1 . en ) = i1 . portanto.3 Verifique que a nossa definição de u × v é equivalente ao “pseudo-determinante” . .0 . . . . . det(e1 .0] . 8 [ 1 0 0 ] 9 [ ] 10 (% o3 ) [ 0 1 0 ] 11 [ ] 12 [ 0 0 1 ] 13 (% i4 ) determinant ( a ).. . 2 [ 1 0 ] 3 (% o1 ) [ ] 4 [ 0 1 ] 5 (% i2 ) determinant ( a ). Mas [e] = [eij ] = [δij ]. 14 (% o4 ) 1 4. . 1 (% i1 ) a : matrix ( [1 .1]) .. in = n: det(e1 . . enin . . só sobrevivem i1 = 1. [0 .1]) . .[0 .0] .. en ) = 12. i2 = 2.in e1i1 . .0 . 6 (% o2 ) 1 7 (% i3 ) a : matrix ( [1 . × 1 = 1 4.

.

.

e e2 e3 .

.

.

1 u × v = .

u1 u2 u3 .

. .

.

.

.

.

v1 v2 v3 .

4. u + v) = 0. para u. prove (65). Na prática. e outros. Uma restrição maior ainda é fazer com que o domínio e o contra-domínio sejam o mesmo espaço V.5 Para uma matriz 3 × 3. v. Escreve-se A:V→V x 7→ y = A(x). Por exemplo. v ∈ R3 . det(u. Transformações lineares Uma transformação linear é apenas uma função linear de um espaço vetorial em outro. momentos de inércia. se 41 . muitas transformações lineares estão associadas com fenômenos físicos tais como: tensões e deformações em corpos.4 Prove que. 4.

(69) onde. fn ): o que muda no desenvolvimento acima? É mais ou menos imediato que A · x = xj A · ej . É claro que a matriz depende da base em que os vetores são escritos. . todo vetor x de V pode ser escrito nesta base: x = xj e j (72) (lembre-se de que está valendo a convenção de soma de Einstein). o momento angular é dado por L = I(ω) = I · ω. A · ej = Aij fi . (77) 42 . agora. As propriedades fundamentais de uma transformação linear são A · (x + y) = A · x + A · y. A · x = Aij xj fi . (75) Portanto. o seu momento angular é Lz = Iz wz . . . é conveniente escrever A(x) nas formas alternativas A · x ou x · A. suponha que escrevamos os vetores do domínio de A na base E = (e1 . I é uma transformação linear. Em resumo. donde A · x = A · xj ej = xj A · ej . (73) Mas o vetor A · ej também pode ser escrito na mesma base: A · ej = Aij ei . . [y] = [A][x] (76) ou seja: a transformação linear A pode ser representada por um produto de matrizes. (74) donde A · x = Aij xj ei .o momento de inércia de um “corpo” bi-dimensional no plano xy é Iz . . Por exemplo. . . (71) O mais importante vem agora: considere uma base E = {ei }. temos yi = Aij xj . . porque apresenta uma analogia com o caso escalar (68): o que vemos é o produto de uma quantidade I com a velocidade angular vetorial ω. en ). e se o corpo gira com velocidade angular ωz em torno do eixo z. A segunda igualdade em 69 é mais “agradável” para físicos e engenheiros. e os vetores do contra-domínio na base F = (f1 . no caso de um corpo tridimensional girando no espaço com velocidade angular vetorial ω. se y = yi ei = A · x. (68) No entanto. (70) A · (αx) = αA · x. para qualquer argumento x em V .

. . e os do contra-domínio na base F . Estritamente falando. seria necessário escrever algo como [A]F. A matriz desta transfor- mação é   0 1 0 [A] = 1 0 0 (83)   0 0 1 Verifique (74): as colunas de [A] são as coordenadas de A · e1 . (78) e operamos sobre vetores utilizando produtos escalares! Vejamos um exemplo: A · x = Aij fi ej · xk ek = Aij fi xk (ej · ek ) = Aij fi xk δjk = Aij xj fi . .O significado da matriz [A] agora mudou: ela representa a transformação linear quando os vetores do domínio estão na base E. em geral ficará claro pelo contexto em que bases os vetores do domínio e do contra-domínio são escritos. são bases ortonormais. A · en . Neste texto. . (80) A · e2 = e1 . etc. nós vamos usar frequentemente a notação (78) para representar transformações lineares. A leva uma base dextrógira em uma base levógira. porém com o sinal trocado: det [A] = −1 (verifique). (82) Claramente. Volumes em R3 são levados em volumes iguais. . porque isto facilita tudo. e a mais “agradável” para físicos e engenheiros. Considere inicialmente a transformação definida por A · e1 = e2 . (81) A · e3 = e3 . Lembre-se: se E. . Existe entretanto uma maneira prática de explicitar as bases em que uma transfor- mação linear está representada. A · e2 . (79) Olhe de novo para (78): ela é uma forma compacta de dizer que os elementos Aij da matriz [A] representam a transformação quando a base do domínio é E = (e1 . etc. fi · fj = δij .. en ). . . 43 . A partir de agora. . e a base do contra-domínio é F = (f1 . escrevemos A = Aij fi ej . fn ). F .E para deixar este fato explícito. e como fizemos acima para vetores muitas vezes omitiremos os índices representativos das bases. . porque ela em geral é a mais útil. então. No- vamente.. . ei · ej = δij . nós vamos nos limitar a bases ortonormais. . Aproveitando a notação indicial. Transformações lineares podem ser classificadas em termos do que elas fazem geome- tricamente com os vetores.

e também em sistemas de lubrificação. Entretanto. A·x A · e2 e2 e1 A · e1 Figura 6: Uma transformação linear que produz um cisalhamento simples Considere agora A : R2 → R2 . e u1 é a velocidade do fluido na direção x1 . Ela deforma um elemento do R2 . A · e1 = e1 . (85) 2 A matriz da transformação agora é " # 1 1/2 [A] = . (88)     0 0 21/3 0 0 3 Note que A dobra o volume de uma região do R3 isotropicamente: todos os 3 eixos são alongados por um fator 21/3 : det [A] = 2. que permite o cálculo da tensão de cisalhamento em um fluido: du1 T12 = µ . por  1/3    2 0 0 1 0 0 [A] =  0 21/3 0 . Eles ocorrem por exemplo em estruturas sujeitas a esforços tangenciais. (86) 0 1 Esta transformação é um cisalhamento. (84) 1 A · e2 = e1 + e2 . A figura 6 mostra graficamente a transformação. na base canônica do R3 . Um dos primeiros exemplos históricos de uma equação envolvendo cisa- lhamento talvez seja a lei de Newton para a viscosidade. [B] = 0 2 0 . Cisalhamentos são situações muito comuns em diversos tipos de situações físicas. 44 . ela não modifica a sua área: det [A] = +1. Já B constitui-se em uma expansão anisotrópica: a direção 1 permanece inalterada. (87) dx2 onde T12 é a tensão de cisalhamento. e a direção 3 triplica: det [B] = 6. a direção 2 dobra de comprimento. Duas transformações lineares que produzem expansões são dadas. µ é o coeficiente de viscosidade. Outra transformação geométrica importante do ponto de vista físico é a expansão/con- tração de uma região.

(91) 1/2 3/2 e a figura 7 mostra-a graficamente. Considere duas bases ortonormais. (89) A · e2 = − sen(π/6)e1 + cos(π/6)e2 . (93) O significado geométrico de Cij é claro: ele é o cosseno entre ei e e0j . e3 ) e E 0 = (e01 . Como precisamos de uma soma em i. X (94) i=1 3 Cij2 = 1. A · e1 = cos(π/6)e1 + sen(π/6)e2 . Cada vetor de uma delas pode ser escrito em termos dos vetores da outra. e02 . Note que a transformação não muda a área transfor- mada: det [A] = +1. e03 ). (90) A matriz da transformação é "√ # −1/2 3/2 √ [A] = . Rotações podem ser estudadas sistematicamente como se segue.1 As equações (94)–(95) são casos em que a notação indicial não funciona tão facilmente. considere a rotação no R2 definida por A : R2 → R2 . Considere por exemplo (94). E = (e1 . e2 . somos tentados a escrever Cij Cij = 1 45 . X |ei | = 1 ⇒ (95) j=1 Exemplo 4. ou seja: e0j = Cij ei = (e0j · ei )ei . Note que 3 |e0j | = 1 ⇒ Cij2 = 1. A·x e2 A · e2 A · e1 θ e1 Figura 7: Uma transformação linear que produz uma rotação simples Finalmente. (92) ei = Cij e0j = (ei · e0j )e0j .

Da maneira como viemos tratando o assunto.7. [C][C]> = [C]> [C] = [δ] ⇒ [C]> = [C]−1 (100) (a inversa de [C] é igual à sua transposta). > (98) Uma propriedade importante da matriz [C] é a seguinte: u = uk ek = ui ei = ui Cij e0j = ui Cij Ckj ek . Consequentemente. (96) onde u0j são as coordenadas de u na base E 0 . u = u0j e0j = ui ei . ou seja: a matriz [C] não é simétrica. porque a base mudou. C é uma transformação linear que gira um vetor. Agora. permanecendo “fixo” o vetor u. porque significaria uma soma em i e em j! De fato. também. Mas tudo é relativo. pede-se para que você prove que [C]> é uma inversa esquerda de [C]. Duas fórmulas podem ser obtidas daqui: ui = (u · ei ) = u · Cij e0j = Cij (u · e0j ) = Cij u0j ⇒ [u]E = [C][u]E 0 . dado um vetor u qualquer no R3 . Ckj Cji> = δki ⇒ [C][C]> = [δ] (99) Em outras palavras. em (94). [C]> é uma inversa direita de [C]. e é óbvio que uma rotação de um ângulo +θ dos eixos coordenados em torno de um reta fixa r é equivalente a uma rotação de um ângulo −θ em torno da mesma reta do vetor u. ou de bases: o que “gira” ou “muda” é a base. (97) u0j = u · e0j = u · Cij ei = Cij (u · ei ) = Cij ui = Cji> ui ⇒ [u]E 0 = [C] [u]E . a maneira correta de escrever (94) usando notação indicial é Ci(j) Ci(j) = 1. mantendo-se a base fixa. 46 . o que muda são as coordenadas de u. Note que em geral Cij 6= Cji . e ui são as coordenadas de u na base E. Nesta segunda interpretação. Portanto. ou seja: não se soma em j. a matriz [C] é uma matriz de rotação de eixos. Uma maneira de lograr este efeito com notação indicial é envolver em parênteses o índice que não deve ser somado. No problema 4. Portanto. uk = ui Cij Ckj = Ckj Cji> ui .— mas isto está errado. j é um índice livre.

SOLUÇÃO 1a) é óbvia: f3 = f1 × f2 . −1. Os vetores f1 e f2 são 1 f1 = √ (1. −1). f3 ). Desejo construir uma base orto- normal dextrógira F = (f1 . e2 .2 Seja E = (e1 .0] Calcule a matriz de rotação [C] cujos elementos atendem a fj = i Cij ei . 1. −1). evidentemente. as matrizes das transformações lineares. (102) bem como A0ij e0i e0j = Akl ek el = Akl Cki e0i Clj e0j > = Cik Akl Clj e0i e0j ⇒ [A]E 0 = [C]> [A]E [C]. f2 . 1). Isto pode ser calculado muito convenientemente utilizando a notação introduzida em (78): Aij ei ej = A0kl e0k e0l = A0kl Cik ei Cjl ej = Cik A0kl Clj> ei ej ⇒ [A]E = [C][A]E 0 [C]> . (105) 6 a) [2.0] Mostre que 1 f3 = √ (0. (103) Exemplo 4. O determinante da transformação linear C é unitário: 1 = [e1 × e2 ] · e3 = [C1l e0l × C2m e0m ] · C3n e0n = C1l C2m C3n [e0l × e0m ] · e0n = lmn C1l C2m C3n = det [C] (101) Uma rotação de eixos também muda. 1. 47 . e3 ) a base canônica em R3 . (104) 3 1 f2 = √ (2. (106) 2 P b) [3.

1). j0 e k0 após as duas rotações consecutivas: i1 = R1 · i0 = (cos α1 . uma rotação positiva (segundo a regra da mão direita) de um ângulo α2 < π/2 em redor do eixo original x0 . sen α1 sen α2 ). sen θ cos θ SOLUÇÃO Na base original {i0 .3 Considere um sistema rígido de eixos x0 . cos α1 . cos α2 sen α1 . cos α2 ).1b) é resolvida com Cij = (fj · ei ). − sen α2 . y0 . cos α1 sen α2 ).   0 0 1   1 0 0 R2 = 0 cos α2 − sen α2    0 sen α2 cos α2 Tudo o que precisamos agora é saber aonde “vão parar” i0 . 0). donde  √ √  1/√3 2/ √6 0√ [C] = 1/√3 −1/√6 1/ √2  . 0. 2. k1 = R1 · k0 = (0. k0 }. cada uma das quais com matriz de rotação dada por " # cos θ − sen θ . Obtenha a matriz de rotação de coordenadas Cij = (e0j ·ei ). j 0 = j2 = R2 · j1 = (− sen α1 . as duas matrizes simples de rotação deste problema são:   cos α1 − sen α1 0 R1 = sen α1 cos α1 0 . 0). cos α2 cos α1 . z0 mutuamente ortogonais e orien- tados segundo a regra da mão direita. i0 = i2 = R2 · i1 = (cos α1 . 48 . Sugestão: componha duas rotações planas. sen α1 .   1/ 3 −1/ 6 −1/ 2 Exemplo 4. j1 = R1 · j0 = (− sen α1 . j0 . Os eixos sofrem duas rotações simples consecutivas: 1. k0 = k2 = R2 · k1 = (0. uma rotação positiva (segundo a regra da mão direita) de um ângulo α1 < π/2 em redor do eixo original z0 .

k em ijk = +1.4 Define-se a rotação no plano x0i . Note que ijk = +1 define o sentido da rotação.   0 0 1 Note que [R2 ] é “diferente” das outras duas: em que. mostre que as 3 matrizes tri-dimensionais de rotação plana são   1 0 0 [R1 ] = 0 cos θ1 − sen θ1  . x0j de valor θk como a rotação em que um vetor paralelo a x0i gira de θk (neste plano) de tal modo que ijk = +1 (veja a figura). j.   cos α1 − sen α1 0 C =  sen α1 cos α2 cos α1 cos α2 − sen α2    sen α1 sen α2 cos α1 sen α2 cos α2 Exemplo 4. sen θk cos θk (b) Consequentemente. SOLUÇÃO 49 . x0j é " # cos θk − sen θk [Qk ] = .   0 sen θ1 cos θ1   cos θ2 0 sen θ2 [R2 ] =  0 1 0 .Portanto. e por quê? Sugestão: lembre-se da ordem i. x0 j θk x 0i (a) Mostre que a matriz de rotação no plano x0i .   − sen θ2 0 cos θ2   cos θ3 − sen θ3 0 [R3 ] = sen θ3 cos θ3 0 .

33 R2.6 Escreva (95) em notação indicial. Respeitada a ordem de i.11 R3. k em i. k) e 0 nas demais.23 [Q1 ] = R1.33 " # R2. já que o sinal de sen θ2 aparece trocado Exercícios Propostos 4.13 R2. É por isto que [R2 ] é “diferente” das outras duas. após uma rotação de θk as coordenadas do vetor rotacionado serão vi0 = r cos(α + θk ) = r cos α cos θk − r sen α sen θk = vi cos θk − vj sen θk .k = +1 temos: " # R1.11 " # R3. e vj0 = r sen(α + θk ) = r sen α cos θk + r cos α sen θk = vj cos θk + vi sen θk ou: " # " #" # vi0 cos θk − sen θk vi = vj0 sen θk cos θk vj b) A matriz [Rk ] pode ser obtida a partir da matriz [Qk ] expandindo esta última pela adição de uma linha k e uma coluna k com 1 na posição (k. j.31 [Q2 ] = R2. então.32 R1. x0 j v′ v θ α x 0i a) Seja v um vetor genérico de módulo r.j. 50 .21 R3. ou seja: o índice 3 aparece antes do índice 1.12 [Q3 ] = R3. fazendo um ângulo α com o eixo x0i .22 R1.22 Note que [Q2 ] está “transposta”.

parta de A0mn = Cmi > Aij Cjn . [D] = 0 cos α − sen α . e002 . e02 . e02 .8 Seja [A] uma matriz simétrica que representa alguma grandeza física (por exemplo um tensor de inércia) em uma base ortonormal E. seguida de uma rotação da base E 0 para a base E 00 . Sabendo que as matrizes de rotação são     cos θ − sen θ 0 1 0 0 [C] = sen θ cos θ 0 .   0 sen α cos α 51 . e03 ). usando a notação indicial de Einstein.7 Prove que [C]> [C] = [δ]. e3 ) −→ (e01 . a segunda rotação. gira E = (e1 . Mostre que [A0 ] (a matriz da mesma grandeza em qualquer outra base ortonormal E 0 ). e2 . e2 . C(i)j C(i)j = 1 4. ⇒ u0k = u0j Cij Cik = Cik Cij u0j > = Cki Cij u0j . gira E 0 = (e01 . A primeira rotação. u = u0k e0k = u0j e0j = u0j Cij ei = u0j Cij Cik e0k .9 Considere 2 rotações sucessivas: uma rotação da base E para a base E 0 . e02 . e003 ). Sugestão: admita uma matriz de rotação qualquer [C] de E para E 0 . ⇒ > Cki Cij = δkj 4. D. A0mn = Cmi > Aij Cjn > = Cmi Aji Cjn > = Cnj Aji Cim = A0nm 4. e03 ) de um ângulo α em torno de e01 : (e01 . C. e3 ) de um ângulo θ em torno de e3 : (e1 . também será simétrica.     0 0 1 0 sen α cos α mostre que as duas rotações em sucessão são equivalentes a uma única rotação E −→ E 00 cuja matriz de rotação é   cos θ − cos α sen θ sen α sen θ sen θ cos α cos θ − cos θ sen α . escreva a expressão correspondente para A0nm e use o fato de que Aij = Aji . e03 ) −→ (e001 .

e00k = Djk e0j = Djk Cij ei ⇒ e00k = Cij Djk ei . Inicialmente. qualquer volume do domínio R3 será “achatado” e mapeado por A em uma área do R2 . Mas é evidente que [A][x] = [y] (107) pode ser interpretada simplesmente como um conjunto de n equações em n incógnitas. portanto. e00k = Djk e0j . A matriz da rotação E −→ E 00 . componha as duas e calcule o produto matricial correspondente. Vejamos por quê. é igual ao produto matricial [C][D] Sistemas de equações lineares. Consequentemente. (108) A · e2 = e2 . considere o exemplo muito trivial. mas bastante instrutivo.Sugestão: usando a notação indicial de Einstein. (109) A · e3 = 0. da transfor- mação definida por A · e1 = e1 . (111)   0 0 0 e é evidente que det [A] = 0. e autovalores/autovetores Voltemos à equação (76): lá. ou seja: quando det [A] 6= 0. e0j = Cij ei . Também não é difícil ver o significado geométrico de A: ela projeta qualquer vetor do R3 no plano x1 x2 : A : R3 → R3 x 7→ projx1 x2 x. Quando é que um sistema n × n possui solução única? Quando a transformação linear A é inversível. 52 . simplesmente escreva e0j = Cij ei . ela representava uma transformação linear que leva o vetor x no vetor y. (110) A matriz desta transformação é   1 0 0 [A] = 0 1 0 .

O que isto significa? Que a equação      1 0 0 x1 1 0 1 0 x2  = 2      0 0 0 x3 3 é impossível. 0. Note como y = A · x jamais é um vetor com componente y3 6= 0. A · x = 0. (112) Definição — A nulidade. posto(A) = dim Y. onde R3 = {(0. K é o núcleo e Y é a imagem de A.1 Se V é o domínio. e o posto. 2. O núcleo de A é o sub-conjunto de V K = {x | A · x = 0}.2  [A][x] = [y] não possui nenhuma solução. Observe que. Definição — Seja A:V→W x 7→ y = A · x uma transformação linear de um espaço vetorial V em um espaço vetorial W (note que este é um caso mais geral. Em resumo: Teorema 4. onde x3 é qualquer número real. Teorema 4. a sua imagem é apenas o R2 . de A são: nulidade(A) = dim K. enquanto que o contra-domínio de A é o R3 . 53 . e sua nulidade é 1. porque é impossível que A produza qualquer vetor com componente y3 6= 0.   det [A] = 0 ⇒ ou   [A][x] = [y] possui infinitas soluções. dim K + dim Y = dim V. x3 )}: R3 é o núcleo da transformação A. Observe também que ∀x ∈ R3 . Por outro lado. a equação      1 0 0 x1 1 0 1 0 x2  = 2      0 0 0 x3 0 possui infinitas soluções x = (1. e que as dimensões de V e de W podem ser diferentes). o posto da matriz (111) é 2. x3 ). De volta ao nosso exemplo numérico.

A primeira é uma função não-linear. e consequentemente a dimensão da imagem tem que ser igual à do domínio. Para entender um pouco melhor esta última afirmação. Já g(x) também é inversível (sua inversa é g −1 (x) = x/2). Qual é. Por exemplo. é bijetiva: Im g = R. Consequen- temente. 1]. Veja a figura 8. Em outras palavras. f é inversível. Mas neste caso dim Y < n. então. por ser linear. ela também é bijetiva! Isto é uma particularidade de funções lineares. e certamente existem vetores de V que não pertencem a Y. considere as funções f (x) = tgh x e g(x) = 2x. e injetiva: Imf = [−1. Já uma transformação linear inversível (no caso. embora Im f 6= R. o significado geométrico de det [A] = 0? Que A está mapeando hipervo- lumes V n do domínio V (dim V = n) em hipervolumes de dimensão r < n. onde r (como vimos acima) é o posto de A. veja (112): se uma transfor- mação linear é injetiva. é impossível inverter A. +4 f (x) g(x) +3 +2 f (x) = tgh x. portanto. dim K = 0. f (x) = tgh x) pode ser inversível sem ser bijetiva. O caso geral de uma transformação linear que leva qualquer vetor do R3 em um vetor no plano cujo normal é k passando pela origem (e portanto em um subespaço vetorial de dimensão 2 do R3 ) pode ser obtido da seguinte forma: Para projetar um vetor a num plano π ⊥ k. faça ki kj Pij ≡ δij − 2 (113) k 54 . mas. g(x) = 2x +1 +0 −1 −2 −3 −4 −2 −1 0 1 2 x Figura 8: Uma transformação não-linear (no caso. ou seja: A está “achatando” estes hipervolumes. se A é injetiva. g(x) = 2x) é quase sempre bijetiva: a exceção é a transformação g(x) = 0x.

(114) k2 cujo produto escalar com k deve ser nulo. o vetor-projeção de a em π será b = P · a. (115) k2 Vamos testar: seja k = (1. [ -1/6 . . (116) 0 − 1/6 0 + 2/6 1 − 1/6 −1/6 2/6 5/6 Exemplo 4. . ki kj b · k = δij aj ki − aj ki = ai ki − aj kj = 0. 2/6 . .. calcule o seu posto. (% o2 ) 0 (% i3 ) rank ( p ). 5/6]) .] [ 3 3 3 ] [ ] [ 1 1 5 ] [ .5 Verifique com Maxima que det [P ] = 0. −2. 2/6 . 2/6 . [2/6 .] [ 6 3 6 ] [ ] [ 1 1 1 ] (% o1 ) [ . . 1). então k · k = 6. e     1 − 1/6 0 + 2/6 0 − 1/6 5/6 2/6 −1/6 [P ] = 0 + 2/6 1 − 4/6 0 + 2/6 =  2/6 2/6    2/6 . 1). então. ki kj bi = δij aj − aj . 2/6] . A equação      5/6 2/6 −1/6 x1 1  2/6 2/6 2/6 x2  = −2      −1/6 2/6 5/6 x3 1 é impossível (por quê?).] [ 6 3 6 ] (% i2 ) determinant ( p ). SOLUÇÃO (% i1 ) p : matrix ( [5/6 . temos nulidade(P ) = 1. O núcleo de P é o conjunto {α(1. de fato. −2.operar sobre a. (% o3 ) 2 Novamente. ∀α ∈ R}. -1/6] . posto(P ) = 2... [ 5 1 1 ] [ . 55 ..

1/(2 6) + 1) neste plano. 11 × 14 θ ≈ 80. O caso det A 6= 0 é diferente: a transformação A estará então mapeando hipervolu- mes V n em outros hipervolumes V n . Note que a projeção de u sobre n cai exatamente na metade do comprimento deste último. 1/ 6 − 2. a projeção de u sobre o plano em questão cai diretamente sobre a reta parametri- zada por t. s. 1). −3s) e (3t. √ ). e a transformação linear será inversível: 56 . 1+4+1 6 6 6 obtém-se v = (3. que obviamente é um ponto da reta t. A situação é mostrada na figura 9. Ambas “fecham” a equação x + 2y + z = 0 para quaisquer s. Na verdade.161164592. 1) = ( √ . √ . O resultado não é uma coincidência. fazemos simplesmente v = proj u = u − (u · n)n. o exemplo foi “montado” calculando-se 1 u = (3. 2 Desta forma. 0).7255◦ . Para projetar u no plano x + 2y + z = 0. x = 3t. podemos calcular o ângulo entre elas usando o produto escalar entre os vetores (s. −2. t). para s e t genéricos: 3st − 2st − 3st cos θ = √ . y = s. z = −3s z = t. −2t. √Calcule o ângulo entre elas. 0. t. Calcule a projeção do vetor u = no plano (1/(2 6) + 3. y = −2t. 11s2 × 14t2 2 =√ ≈ 0. Uma delas é x = s.6 Obtenha as equações paramétricas de duas retas quaisquer (não coincidentes) √ x + 2y√+ z = 0. Como ambas as retas passam pela origem (0. −2. 2. a imagem terá a mesma dimensão do domínio.Exemplo 4. onde n é o normal unitário ao plano (note que isto é a mesma coisa que a equação (113)): 1 1 2 1 n= √ (1. 1) + n. SOLUÇÃO Há infinitas possibilidades.

portanto. de alongar ou de comprimir x. para qualquer vetor x do R3 ao longo do eixo de rotação.2. z u s n v t y x Figura 9: Duas retas e uma projeção v de u no plano x + 2y + z = 0.3 Se det [A] 6= 0. o efeito de C será. então [A][x] = [0] ⇒ [x] = [0]. (118) 57 . no máximo. devemos ter A · x = λx.  √ √  1/ 3 2/ √6 0√  √ [A] = 1/√3 −1/√6 1/ √2  : (117)  1/ 3 −1/ 6 −1/ 2 como obter o eixo da rotação? Uma forma simples de raciocinar é a seguinte: se o vetor x está no eixo de rotação. Teorema 4. Autovalores e autovetores Considere novamente a matriz de rotação do exemplo 4. e a transformação A é inversível. Corolário Se det [A] 6= 0. cujo nome nós mudaremos de C para A em benefício da generalidade. o sistema [A][x] = [y] tem solução única.

45158700+0. linalg import eig 9 a = array ( [[1/ sqrt (3) . (119) Pelo corolário do Teorema 4.87239910+0.3. note também que ele é o único autovetor com componentes es- 58 . -1/ sqrt (2)]]) 12 b = eig ( a ) # calcula os autovalores e autovetores 13 print ( ' autovalores : ') # o primeiro elemento da lista b são os autovalores 14 print ( b [0]) 15 print ( ' .py — Cálculo de autovalores e autovetores em Python. não adianta nada encontrar x = 0.11746266 -0. j ]] A lista de autovalores mostra 1 autovalor real.7690024+0. Listing 3: eigenrot. e 2 autovalores complexos.62796303 j -0.0000000+0. desejamos obter os valores de λ e de x 6= 0 em (118).11746266+0.py é autovalores : [ 1. existe apenas um autovalor real.1/ sqrt (2)] .18705346+0. Prosseguindo. 17 print ( b [1]) # com um autovetor em cada coluna A equação 118 é a forma clássica de um problema de autovalor-autovetor. j -0. det [A − λδ] = 0. A saída do programa eigenrot.63924589 j -0. e λ = 1 significa que não há alongamento/- compressão. com numpy.06080315+0.32505758 j ] [ 0.06080315 -0. o programa eigenrot.coding : iso -8859 -1 -* - 3 from __future__ import u n i c o d e _ l i t e ra l s 4 from __future__ import print _functio n 5 from __future__ import division 6 from math import sqrt 7 from numpy import array 8 from numpy . No caso de (117). -1/ sqrt (6) . para que x 6= 0. Naturalmente. Como era de se esperar. 0] . -1/ sqrt (6) . 10 [1/ sqrt (3) . o que era de se esperar. A primeira coluna da matriz contém o autovetor correspondente a λ = 1. Portanto.63924589 j ] -------------------- autovetores : [[ 0.7690024 -0. A · x − λδ · x = 0. A · x − λx = 0. (120) (120) é a equação característica do problema de autovalor-autovetor. j -0. 2/ sqrt (6) .69462616+0.' *20) 16 print ( ' autovetores : ') # o segundo elemento da lista b são os autovetores .69462616+0.py (listagem 3) em Python obtém os auto- valores e os autovetores. j 0. porque isto não definiria o eixo.62796303 j ] [ 0. 1 # !/ usr / bin / python 2 # -* . [A − λδ] · x = 0. j 0.32505758 j -0. 11 [1/ sqrt (3) . j -0.

o que novamente faz sentido.tritamente reais. O eixo de rotação é dado pelo autovetor x = (0.18705346).45158700. 0. Exemplo 4.   1 2 2 SOLUÇÃO .7 Obtenha os autovalores e autovetores de   2 2 1 [A] = 1 3 1 . 0.87239910.

.

.

2 − λ 2 1 .

.

.

det A = .

1 3−λ 1 .

.

.

2 − λ.

.

1 2
= (2 − λ)[(3 − λ)(2 − λ) − 2] − 2[1(2 − λ) − 1] + 1[2 − (3 − λ)]
= (2 − λ)[6 − 3λ − 2λ + λ2 − 2] − 2[2 − λ − 1] + 1[2 − 3 + λ]
= (2 − λ)[λ2 − 5λ + 4] + 2[λ − 1] + 1[λ − 1]
= (2λ2 − 10λ + 8) + (−λ3 + 5λ2 − 4λ) + 3λ − 3
= −λ3 + 7λ2 − 11λ + 5 = 0.

Encontrar as raízes de uma equação de 3o grau pode ser muito difícil sem o auxílio de um
computador, mas neste caso é óbvio que λ = 1 é raiz. Dividimos então o polinômio:

−λ3 +7λ2 −11λ +5 λ −1
−λ3 λ2 −λ2 +6λ −5
6λ2 −11λ +5
6λ2 −6λ
−5λ +5
−5λ +5
0

e agora as raízes de −λ2 + 6λ − 5 = 0 são λ = 5 e λ = 1. Os autovalores são (1, 1, 5) (o auto-
valor 1 possui multiplicidade 2). De posse dos autovalores, montamos os sistemas de equações
correspondentes para calcular os autovetores. Para λ = 1,
    
2 2 1 x1 x1
1 3 1 x = 1 x2  ;
    
   2
1 2 2 x3 x3

59

É claro que um computador pode fazer todo o trabalho para você. eliminando x1 da 2a e da 3a equação: −3x1 + 2x2 + x3 = 0. x1 . Há apenas 2 equações independentes. −1). x3 deve ser igual a x2 . 0. 2 autovetores LI associados a λ = 1 são xi = (1. 0x1 − 4x2 + 4x3 = 0. de modo que a 1a equação fica −3x1 + 3x2 = 0. o valor de x3 fica determinado. Uma escolha simples para o autovalor associado a λ = 5 é xiii = (1. 1. x2 é um autovalor de A. x1 − 2x2 + x3 = 0. 2x1 + 2x2 + x3 = x1 . 0x1 − 4x2 + 4x3 = 0. x1 ).      1 2 2 x3 x3 2x1 + 2x2 + x3 = 5x1 . 1). x1 + 2x2 + 2x3 = x3 . Obviamente. x1 + 2x2 + x3 = 0. eles não são os únicos possíveis: qualquer vetor contido no plano gerado por x1 . Para λ = 5. xii = (0. x1 + 2x2 + x3 = 0. e os autovalores são todos do tipo (x1 . x2 também deve ser igual a x1 . x1 + 2x2 + 2x3 = 5x3 . x1 + 3x2 + x3 = 5x2 . Portanto. x1 + 2x2 − 3x3 = 0. Note que só temos 1 equação independente! Escolhendo dois valores para (por exemplo) x1 e x2 . −2).      2 2 1 x1 x1 1 3 1 x2  = 5 x2  . ou: −3x1 + 2x2 + x3 = 0. x1 = 0 x2 = 1 ⇒ x3 = −2. Com Maxima: 60 . Portanto. x1 + 3x2 + x3 = x2 . ou: x1 + 2x2 + x3 = 0. Encontramos: x1 = 1 x2 = 0 ⇒ x3 = −1. 1.

2 .2 .1] . .   0 0 1 SOLUÇÃO .8 Obtenha os autovalores e autovetores de   1 0 1 [A] = 1 1 0 . 0 . (% o2 ) [[[5 .1] . 2]] . [[1 .2]]]] O próximo exemplo tem por objetivo mostrar que a multiplicidade não é igual à dimensão do espaço gerado pelo autovetor. [1 . [1 . . 1] .2]) . [0 .(% i1 ) a : matrix ( [2 . 1 . 1]] . [1 .3 . [[[1 . 1 .1] . Exemplo 4. [ 2 2 1 ] [ ] (% o1 ) [ 1 3 1 ] [ ] [ 1 2 2 ] (% i2 ) eigenvectors ( a ) .

.

.

1 − λ 0 1 .

.

.

.

1 1−λ 0 .

= 0 ⇒ (1 − λ)3 = 0. .

.

1 − λ.

.

.

.

α. 0 0 Portanto. 1. x1 + 0x2 + 0x3 = 0. 0x1 + 0x2 + 0x3 = 0. Portanto. é claro). 0x1 + 0x2 + x3 = x3 . x1 + x2 + 0x3 = x2 . isto também poderia ter sido obtido com Maxima: 61 . O único autovetor possível é x = (0.      0 0 1 x3 x3 x1 + 0x2 + x3 = x1 . 0) (ou qualquer múltiplo (0. ou: 0x1 + 0x2 + x3 = 0. O cálculo dos autovetores é:      1 0 1 x1 x1 1 1 0 x2  = 1 x2  . λ = 1 com multiplicidade 3. e x2 pode ser qualquer. 0). x1 = x3 = 0. Novamente.

(% i1 ) a : matrix ( [1 .0 . [3]] . [[[0 . O que nós vamos ver agora é que os Ij ’s são invariantes sob uma rotação de coordenadas. Começamos calculando P (λ) por meio de uma expansão de Laplace do det [A − λδ]: . (% o2 ) [[[1] . 0]]]] Invariantes do problema de autovetor Considere agora o cálculo dos autovalores da matriz [Aij ]. [0 .0] .1 . [ 1 0 1 ] [ ] (% o1 ) [ 1 1 0 ] [ ] [ 0 0 1 ] (% i2 ) eigenvectors ( a ). onde P (λ) é denominado polinômio característico.1] . a obtenção de sua equação característica na forma P (λ) = λ3 − I1 λ2 + I2 λ − I3 = 0. ou seja.0 . 1 .1]) . [1 .

.

.

A − λ A12 A13 .

.

.

11 P (λ) = .

A21 .

A22 − λ A23 .

.

= A33 − λ.

.

.

.

A31 A32 .

.

.

.

.

.

.

A − λ A23 .

.

.

21 A22 − λ.

.

A A23 .

.

.

A .

(A11 − λ) .

.

22 .

21 .

− A12 .

.

+ A13 .

.

(121) . .

A32 A33 − λ.

.

A31 A33 − λ.

.

A31 A32 .

O determinante é linear: veja (62). então. (.

.

.

.

) .

A .

22 A23 .

.

.

.

−λ A23 .

.

P (λ) = (A11 − λ) .

.

+.

.

A32 A33 − λ.

.

0 A33 − λ.

.

(.

.

.

.

) .

A .

21 A23 .

.

A21 .

.

0 .

.

− A12 .

.

+.

.

A31 A33 .

.

A31 −λ.

.

(.

.

.

.

) .

21 A22 .

.

A21 −λ.

.

A .

.

.

+ A13 .

.

.

+.

A31 A32 .

.

A31 0 .

.

(.

.

.

.

.

.

.

.

) .

A .

22 A23 .

.

A22 .

.

0 .

.

.

.

−λ A23 .

.

.

.

−λ 0 .

.

= (A11 − λ) .

.

+.

.

+.

.

+.

.

A32 A33 .

.

A32 −λ.

.

0 A33 .

.

0 −λ.

.

(.

.

.

.

) .

A .

21 A23 .

.

A21 .

.

0 .

.

− A12 .

.

+.

.

A31 A33 .

.

A31 −λ.

.

(.

.

.

.

) .

21 A22 .

.

A21 −λ.

.

A .

.

.

+ A13 .

.

.

+.

A31 A32 .

.

A31 0 .

.

62 .

Usando (62) mais uma vez: .

.

.

.

.

.

.

A .

22 A23 .

.

A .

21 A23 .

.

A .

21 A22 .

.

.

.

P (λ) = A11 .

.

.

− A12 .

.

+ A13 .

A32 A33 .

.

A31 A33 .

.

A31 A32 .

.

.

.

.

.

.

.

.

A 0 .

.

.

−λ A .

.

−λ 0 .

.

.

22 23 .

+ A11 .

.

+ A11 .

.

+ A11 .

.

.

.

A32 −λ.

.

0 A33 .

.

0 −λ.

.

.

.

.

.

.

.

.

.

.

A 0 .

.

.

−λ A .

.

−λ 0 .

.

.

22 A23 .

.

.

A .

22 23 .

− λ.

.

− λ.

.

− λ.

.

.

− λ.

.

.

A32 A33 .

.

A32 −λ.

.

0 A33 .

.

0 −λ.

.

.

.

.

.

0 .

.

.

21 −λ.

.

A .

A .

− A12 .

.

21 .

+ A13 .

.

..

A31 −λ.

.

A31 0 .

temos . A primeira linha acima é um termo em λ0 . e é evidentemente o determinante de [A]. Agrupando agora os termos restantes em função da potência de λ.

.

.

.

.

.

! .

A A12 .

.

.

.

A11 A13 .

.

.

.

A22 A23 .

.

.

11 det [A] − .

+.

.

+.

.

λ + (A11 + A22 + A33 )λ2 − λ3 = 0. .

A21 A22 .

.

A31 A33 .

.

A32 A33 .

.

(123) . ou λ3 − I1 λ2 + I2 λ − I3 = 0. (122) onde I1 = A11 + A22 + A33 = trA.

.

.

.

.

.

! .

A A12 .

.

.

.

A11 A13 .

.

.

.

A22 A23 .

.

.

11 I2 = .

+.

.

+.

.

(124) . .

A21 A22 .

.

A31 A33 .

.

A32 A33 .

.

e3 ). (127) I2 = λ1 λ2 + λ1 λ3 + λ2 λ3 . 0 > Akk = Cki Aij Cjk > = Cjk Cki Aij = δji Aij = Aii (130) 63 . e [A0 ] é a matriz de A na base (e01 . I3 . Em particular. As quantidades I1 . é o determinante de [A]. e02 . se fatorarmos P (λ) em 3 raízes (não necessariamente reais!): P (λ) = (λ − λ1 )(λ − λ2 )(λ − λ3 ). I2 e I3 são invariantes sob uma rotação de coordenadas. (125) Denomina-se I1 = tr[A] o traço da matriz [A]. A0kl = Cki > Aij Cjl . e03 ). e2 . (126) teremos I1 = λ1 + λ2 + λ3 . naturalmente. (128) I3 = λ1 λ2 λ3 (129) A prova da invariância do traço é bastante simples: se [A] é a matriz de A na base (e1 . I3 = det [A].

64 . + (−1)n In [δ] = 0. . . . (132) I2 = λ1 λ2 + λ1 λ3 + . dt SOLUÇÃO Tentamos uma solução simples. . dt dy = x + y. . + (−1)n In = = (λ − λ1 )(λ − λ2 ) . y(t) = q2 eλt . . .1 Resolva o sistema acoplado de equações diferenciais dx = x + 4y. . λn . λn (135) É impossível. . não citar o Teorema 4. + (−1)n In = 0. . (133) I3 = λ1 λ2 λ3 + . 1998]: P (λ) = λn − I1 λn−1 + I2 λn−2 − . também. . 5 2013-04-07T10:58:18 — Aplicações O próximo exemplo expande bastante o escopo de uso de autovalores/autovetores. . In = λ1 λ2 . então [A] satisfaz à sua própria equação característica: [A]n − I1 [A]n−1 + I2 [A]n−2 − . . + λn−1 λn . . (λ − λn ) = 0 (131) com I1 = λ1 + λ2 + . . Estes resultados são generalizáveis para matrizes n × n [veja Greenberg.. da forma x(t) = q1 eλt . e mos- tra o seu enorme valor. . + λn−2 λn−1 λn (134) .4 (Teorema de Cayley-Hamilton) Se a equação característica da matriz [A] é λn − I1 λn−1 + I2 λn−2 − . Exemplo 5. .

Nessa base. 1). na base dos autovetores e01 . pois os termos eλt se anulam. 1). λq1 eλt = (q1 + 4q2 ) eλt . mas há uma forma ainda mais “automática” de resolver este problema. y(t)) é o vetor da solução na base canônica. e a solução geral do sistema de equações diferenciais é " # " # " # x 2 3t −2 −t =α e +β e . na base dos autovetores. dt y 1 1 y Mas na aula passada nós vimos que a matriz da transformação. dt y 0 λ2 y0 onde os λ’s são os autovalores. e02 . é diagonal. 1 1 q2 q2 que é um problema de autovalor-autovetor! Resolvendo o problema de autovalor-autovetor: λ1 = 3. qi = (2. ou seja: " # " #" # d x0 3 0 x0 0 = . Substituindo a solução tentativa no sistema. Portanto. e ficamos com um sistema puramente algébrico " #" # " # 1 4 q1 q =λ 1 . Mas neste caso. e parecemos estar no caminho certo. a equação do problema é " # " #" # d x 1 4 x = . nós tentamos alguma coisa similar. é impossível explicar as introvisões (insights) que permitem a solução de problemas matemáticos. λq2 eλt = (q1 + q2 ) eλt . λ2 = −1. qii = (−2.De onde vem a inspiração? Em geral. y 1 1 onde α e β são constantes arbitrárias. uma resposta pelo menos razoável é que a equação diferencial “unidimensional” dx = kx dt possui solução x = x0 ekt . a matriz do problema é " # " #" # d x0 λ1 0 x0 0 = . Portanto. Está tudo bem. dt y 0 −1 y0 65 . Ela consiste em supor que (x(t).

veremos transformações simétricas. por simplicidade!) são xk ek · [A>ij ei ej · yl el ] = yk ek · [Aij ei ej · xl el ] > xk ek · [Aij ei (ej · el )yl ] = yk ek · [Aij ei (ej · el )xl ] xk ek · [A> ij ei δjl yl ] = yk ek · [Aij ei δjl xl ] xk ek · [A> ij yj ei ] = yk ek · [Aij xj ei ] xk A>ij yj (ek · ei ) = yk Aij xj (ek · ei ) xk A> ij yj δki = yk Aij xj δki xi A >ij yj = yi Aij xj . Trocando i com j do lado direito: xi A > > ij yj = yj Aji xi ⇒ Aij = Aji . e produzem x0 (t) = αe3t . y(t) = αe3t + βe−1t A seguir. é o “mesmo” em qualquer base. mas os detalhes ficam a cargo dos alunos. tudo se resolve “magicamente”. 1) = αe3t (2. porque 66 . Mas os índices de x e y devem ser os mesmos. Mas isto realmente não importa. Definição — A transposta A> de uma transformação linear A : V → V é definida classicamente da seguinte forma: para qualquer par de vetores x.Agora. (136) As consequências para a representação de A na base E (uma só base para o domínio e para o contra-domínio. As equações acima estão desacopladas. y ∈ V: x · [A> · y] ≡ y · [A · x]. e teremos u = x(t)e1 + y(t)e2 = x0 (t)e01 y 0 (t)e02 . 1) + βe−1t (−2. e em seguida calcula-se o produto escalar do vetor da esquerda com o resultado. x(t)(1. Os principais resultados serão listados no quadro. x(t) = 2αe3t − 2βe−1t . y 0 (t) = βe−1t O vetor solução. por sua vez. automaticamente. (137) Os colchetes em (136) e no desenvolvimento acima servem para enfatizar que primeiro a transformação linear opera sobre o vetor da sua direita. para que as expressões possam ser compa- radas. ou seja. 0) + y(t)(0. 1).

A · x = Aij ei ej · xk ek = Aij xk ei (ej · ek ) = Aij δjk xk ei = Aij xj ei . a ordem com que os produtos são tomados em (136) não importa. enquanto que A · x é a transformação linear usual (“à direita”) de A sobre x. Consequentemente. 67 . Definição — Uma transformação linear A é simétrica quando A> = A. por simplicidade. naturalmente. além da operação A · x. e todos os autovetores são mutamente ortogonais. todos os autovalores são reais. a definição de x · A teria sido suficiente para definir a transposta: x · A> ≡ A · x. (138) É claro que isto é a mesma coisa que a equação (79) (exceto que estamos usando a mesma base para o domínio e o contra-domínio. quase sempre). (141) que é. Mas isto também sugere imediatamente o significado da operação x · A: x · A = xk ek Aij ei ej = Aij xk (ek · ei )ej = Aij xk δki ej = Aij xi ej . (140) xk ek A> ij ei ej = Aij ei ej · xk ek xk A > ij (ek · ei )ej = Aij xk ei (ej · ek ) δki xk A>ij ej = Aij δjk xk ei > Aij xi ej = Aij xj ei A>ij xi ej = Aji xi ej A> ij = Aji . Na verdade. Recapitulando. o mesmo resultado de (137). (142) O seguinte fato é extremamente importante: quando uma transformação linear é si- métrica. e ela pode ser escrita sem os colchetes. (139) Note bem a diferença entre (138) e (139)! Nós podemos interpretar a operação x · A como a transformação linear “à esquerda” de A sobre x. o que faremos. uma outra operação: x · A. Generalizações deste fato para espaços vetoriais de dimensão infinita estarão na base de muito do que estudaremos neste texto.com a notação introduzida na equação (78) na prática pode-se definir.

é preciso estudar dois casos separadamente. xii · A · xi = xi · A · xii . (146) ii ii ii i ii ii i ii A·x =λ x ⇒ x · A · x = λ (x · x ). subtraindo. De fato. qualquer vetor pertencente ao plano (ao subespaço) gerado por dois autovetores xi e xii associados a este único λ é também um autovetor: A · [αxi + βxii ] = αλxi + βλxii = λ[αxi + βxii ].Teorema 5. e tal que os elementos Aij da matriz de A em qualquer base são reais. Autovetores pertencentes a autovalores distintos Suponha λi 6= λii (dois autova- lores distintos) associados respectivamente a xi e xii . Como é impossível especificar quantos autovalores de uma transformação simétrica são distintos. Note que por hipótese os Aij ’s são reais. suas partes imaginárias são nulas: todos os autovalores são reais. (144) A segunda equação é o conjugado complexo da primeira. há n autovetores mutuamente ortogonais. nada se pode deduzir sobre (xi · xii ) a partir de (148). e todos os seus autovalores são reais. (149) 68 . (147) Como A é simétrica.1 Seja A : V → V uma transformação linear simétrica em um espaço vetorial V com dim V = n. subtraindo as duas equações: 0 = (λi − λii )(xi · xii ) ⇒ (xi · xii ) = 0. Além disso. então A · xi = λi xi ⇒ xii · A · xi = λi (xii · xi ). no entanto. se x é um autovetor de uma transfor- mação simétrica: Aij xj = λxi . (143) Aij x∗j = λ∗ x∗i . então A possui n autovetores mutuamente ortogonais. (148) e xi ⊥ xii Autovetores pertencentes a autovalores iguais Se λi = λii . e usando o fato de que Aij = Aji : x∗i Aij xj − xi Aij x∗j = x∗i λxi − xi λ∗ x∗i x∗j Aji xi − xi Aij x∗j = (λ − λ∗ )(x∗i xi ) 0 = (λ − λ∗ )(x∗i xi ) ⇒ λ = λ∗ . Todos os autovalores de A são reais. (145) A equação (145) mostra que todos os autovalores são iguais aos seus conjugados complexos: portanto. Multiplicando a (143) x∗i e (144) por xi .

33333333] [ -0.portanto.33333333 2. e3 : a matriz de C é   0. listagem 4.81649658 -0.33333333 0. f2 e f3 .3. 1). 1.   0 0 3 Obtenha [A] na base canônica.81649658 −0.70710678]] autovalores : [ 3. e2 . Isto completa a prova do Teorema 5.50753653 e -16 7.57735027 0. A · f3 = 3f3 . 0. 0.py. confirme que eles são f1 .40824829 0. SOLUÇÃO Uma solução completa está no programa simcons3. f2 .33333333]] a_f = [[2 0 0] [0 1 0] [0 0 3]] c = [[ 0.1 Exemplo 5.70710678 0.33333333 0.0 det a_e = 6.40824829 0.57735027 0.57735027 Cij = ej · fi ⇒ [C] = −0.57735027] [ -0. f2 = √1 (−1.66666667] [ 0.] autovetores : [ -7.66666667 0.40824829] [ -0.57735027 0.40824829 0.07106781 e -01] [ -0.57735027] [ -0. f3 em e1 .57735027 -0. −1).33333333 1. A saída do programa é: autovetores : [ 0. calcule seus autovalores.07106781 e -01 -1.70710678] det a_f = 6. f1 = √1 (1. f3 são mutuamente ortognais é trivial.40824829 0.40824829] A verificação de que f1 .40824829 . 3 6 f3 = √1 (−3.57735027 0. f2 . 0.57735027 0. Então   2 0 0 [A]F = 0 1 0 . estamos livres para escolher dois vetores ortogonais neste plano.57735027] [ -0.2 Dados 3 vetores mutamente ortogonais. defina a transformação A: 18 A · f1 = 2f1 . 2. A · f2 = 1f2 . 3).81649658 -0.57735027 -0.70710678 0.   −0. 2. confirme que eles são 2. Calcule seus autovetores.70710678 69 .1.40824829] [ -0.81649658 -0.70710678 0.0 a_e = [[ 2. 1.57735027 0.0 0.33333333 -0. Defino agora uma rotação de corpo rígido C que leva f1 .

det ( a_e )) 29 print ( ' a_e ␣ = ␣ ') 30 print ( a_e ) 31 print ( ' a_f ␣ = ␣ ') 32 print ( a_f ) 33 print ( 'c ␣ = ␣ ') 34 print ( c ) 35 d = eig ( a_e ) # verifica que estávamos certos ! 36 print ( ' autovalores : ') 37 print ( d [0]) 38 print ( ' autovetores : ') 39 print ( d [1][: . 0.0 . float ) 15 for i in range (3): 16 mm = norm ( f [ i ]) 17 f [ i ] /= mm 18 print ( ' autovetores : ') 19 for i in range (3): ( print f [ i ]) 20 c = zeros ((3 . cross .coding : iso -8859 -1 -* - 3 from math import sqrt 4 from numpy import array . de fato. 0. c )) # calcula a matriz na base canônica 28 print ( ' det ␣ a_e ␣ = ␣ ' .1 . 3).40824829. 2.1 .57735027) ≈ − √ (1. [0 . 13 [0 . float ) 12 e = array ( [ [1 . 1) 6 70 .3)) # construo uma matriz de rotação 21 for i in range (3): 22 for j in range (3): 23 c [i .57735027.1] ] . norm 6 from __future__ import u n i c o d e _ l i t e ra l s 7 from __future__ import print _functio n 8 from __future__ import division 9 f = array ( [ [1 . a matriz de A na base canônica é   2. 18 1 −f1 ≈ (−0.0 .707106781e − 01. −0.1 “ao contrário”: nós construí- mos uma matriz simétrica com elementos reais. 3 1 f2 ≈ (−0.1]) 41 print ( d [1][: .33333333 0.1 . As últimas linhas do programa simcons3.57735027.33333333 0.0] .T . 1). 11 [ -3 .3] ] . −0. [0 .0 . det ( a_f )) 27 a_e = dot ( c . Listing 4: simcons3 — Manipulações de matrizes simétricas 1 # !/ usr / bin / python 2 # -* . -1] . eig . j ] = dot ( e [ j ] .py verificam que.81649658. 0. # parto de uma base de autovetores 10 [ -1 .0 . −1. 2 e 1. os autovalores de A são 3.50753653e − 16.33333333 O principal ponto deste exercício é a verificação do Teorema 5. e que os autovetores são 1 f3 ≈ (−0.2 .0] .0 .33333333 −0.0]) 40 print ( d [1][: .0] . f [ i ]) 24 # a matriz na base dos autovetores é diagonal 25 a_f = array ( [ [2 .33333333   −0. zeros 5 from numpy . linalg import det .40824829) ≈ √ (−1. 1.2]) Por sua vez.3] ] ) 26 print ( ' det ␣ a_f ␣ = ␣ ' .66666667 [A]E = [C]> [A]F [C] =  0.707106781e − 01) ≈ √ (−3. 14 [0 . dot .33333333 1.1] .66666667 0. −0. dot ( a_f .33333333 2.0] .

A · f3 = 3f3 . 0. e portanto a matriz de rotação [C]. f2 e f3 .3. Calcule seus autovetores. 2. 0. −1). de fato.3 Dados 3 vetores mutamente ortogonais. desde que eles sejam coplanares. 2. v1 ) = 0.2. é a mesma de antes. 1. v2 ) = 0 71 . Então   2 0 0 [A]F = 0 2 0 . calcule seus autovalores. −1). f2 = √1 (−1. 0. f2 . A matriz de A na base dos autovetores é   2 0 0 [A]F = 0 2 0   0 0 3 A matriz de A na base canônica é agora   5/2 0 −1/2 > [A]E = [C] [A]F [C] =  0 2 0   −1/2 0 5/2 cujos autovalores são.Exemplo 5. Os autovetores encontrados por numpy. 1. defina a transformação A: 18 A · f1 = 2f1 . A · f2 = 2f2 . f2 .eig() são v1 = (0.   0 0 3 Obtenha [A] na base canônica. e 3. 1). det(f1 . SOLUÇÃO A solução é praticamente igual à do exemplo anterior. Note que a rotação de eixos. verifique se eles são f1 . confirme que eles são 2.linalg. 1). Verifique: det(f1 . 3 6 f3 = √1 (−3. 0). 2 1 −f3 = √ (1. 3). 1 v2 = √ (1. 2. 2 Note que os 2 primeiros não são iguais a f1 e f2 ! Mas isto não importa. f1 = √1 (1.

0.13463345.eig() produzirá agora os autovalores 2. A · f3 = 2f3 .2. 1). eles não são ortonormais. a solução é muito parecida com o exemplo anterior. f2 = √1 (−1.71305865.69306091. −1).Exemplo 5. f2 e f3 . 2 e 2. 3 6 f3 = √1 (−1. a solução numérica deixou de “notar” que um conjunto ortonormal é possível. 0). Aqui. 2.linalg. f1 = √1 (1. Calcule seus autovetores. 0x1 + 2x2 + 0x3 = 2x2 . 0. defina a transformação A: 2 A · f1 = 2f1 . e3 ) 72 .69782044). calcule seus autovalores. SOLUÇÃO Novamente. A equação para a obtenção dos autovetores é      2 0 0 x1 x1 0 2 0 x2  = 2 x2  . A matriz de A na base canônica é agora   2 0 0 [A]E = [C]> [A]F [C] = 0 2 0   0 0 2 ou seja: a matriz de A é diagonal em qualquer base ortonormal! O uso de numpy. −0. A · f2 = 2f2 . confirme que eles são 2. verifique se eles são f1 . Consequen- temente.      0 0 2 x3 x3 2x1 + 0x2 + 0x3 = 2x1 . e2 . e os autovetores v1 ≈ (1.4 Dados 3 vetores mutamente ortogonais.06777901. x3 ) do R3 é um autovetor: este é um problema isotrópico. x2 . 1). −0. −0.2. 0x1 + 0x2 + 2x3 = 2x3 : qualquer vetor do (x1 . v2 ≈ (0. v3 ≈ (−0.70819518) Embora |v1 | = |v2 | = |v3 | = 1. 0.   0 0 2 Obtenha [A] na base canônica. Então   2 0 0 [A]F = 0 2 0 . a escolha mais simples para os autovetores teria sido a base canônica (e1 . 1.

... 4 4 c) Com isto.....0] .2. . para que ele resolva o exemplo 5.[0 . resolva:      11/3 −5/6 −1/3 x 1  2/3 8/3 −4/3 y  = 1 . calcule x.. 1. 5. 2/3.[ -1/3 .. 1) = xi + xiii .... z.[0 .1 Obtenha a solução geral de " # " #" # d x(t) 1 2 x(t) = dt y(t) 2 1 y(t) 5.13/6 .. 5/4).4.8/3 . 5.] [ 3 6 3 ] [ ] [ 2 8 4 ] (% o1 ) [ ... 1/3). b) Verifique que 1 3 (1..2 Modifique o programa simcons3. [2/3 .lambda ....lambda ) + . . 8 ..-) 3 4 5 ( . .. -5/6 .. -1/3]) . -1/3] .3.-) ( .lambda * id ) .py do Exemplo 5.1 . 3/2... (% i1 ) a : matrix ( [11/3 ...-.- 3 3 9 3 3 1 2 ( . xiii = (1..      −1/3 13/6 −1/3 z 1 a) Calcule os autovalores.0 .-) 73 .. 3). y....] [ 3 6 3 ] (% i2 ) id : matrix ([1 . -4/3] . [ 11 5 1 ] [ -.-) ( . Mostre que os autovetores são xi = (1.+ -- 1 8 26 11 3 9 (% o3 ) (( ... [ 1 0 0 ] [ ] (% o2 ) [ 0 1 0 ] [ ] [ 0 0 1 ] (% i3 ) pcarac : determinant ( a .. 2.lambda 3 13 ... xii = (1.1])...0 ..2. autovetores e um método de diagonalização.py do Exemplo 5.lambda .Exercícios Propostos 5..lambda ) . ... para que ele resolva o exemplo 5...4 Utilizando obrigatoriamente autovalores....] [ 3 3 3 ] [ ] [ 1 13 1 ] [ .3 Modifique o programa simcons3..0] ..

1) = a1 e1 + a2 e2 + a3 e3 . [[1 . (% i9 ) e1 : [1 . 3 9 + ------------------------ 6 (% i4 ) expand (%). 1.lambda + 5 lambda .3/2 . e2 = (1. Obtenha agora o vetor (1. [1 . 0] o que significa que a divisão (perfeita) tem como quociente: −λ2 + 5λ − 6. 3 5 (% o10 ) [1 . 2. e3 = (1. dividindo o polinômio por λ − 1: (% i6 ) divide ( pcarac .2 . 1/3).5/4] . 3 2 (% o5 ) . 3 2 (% o4 ) . lambda -1 . 1.6 . 1) na base dos autovetores: (1. 2 e 3. 2 (% o6 ) [ . 74 . -]] . (% o9 ) [1 . -. lambda = 2] Ou seja: os autovalores são 1. 5/4). 1]] . 2/3. 2 . 2 . -. Reduza a ordem da equação algébrica. Com isto é possível calcular os autovetores. 3] (% i10 ) e2 : [1 . 3). lambda ) 1 (% o8 ) [ lambda = 3 .11 lambda + 6 Portanto. 3]] . que por inspeção possui a raiz λ = 1. [[1 . a equação característica é −λ3 + 6λ2 − 11λ + 6 = 0. cujas raízes são: (% i8 ) solve (% . 3/2. lambda ) . -]]]] 2 4 3 3 mas um cálculo manual também é relativamente fácil: e1 = (1. 2 . isto é bem rápido: (% i9 ) eigenvectors ( a ) 3 5 2 1 (% o9 ) [[[1 .2/3 . 3] .3] .11 lambda + 6 (% i5 ) pcarac : % .lambda + 6 lambda . Em Maxima. -] 2 4 (% i11 ) e3 : [1 . 1 . -.1/3] .lambda + 6 lambda . [[[1 .

z ] = [ . mas suponha que não: que tudo o que temos seja o sistema (150). -. o seguinte sistema de equações pode ser montado “ao contrário”:      4 2 1 x1 11  1 3 2 x     2 = 13 . -] 2 3 6 Conferindo: (% i14 ) a . 2 1 (% o11 ) [1 . [ 1 ] [ ] (% o14 ) [ 1 ] [ ] [ 1 ] 6 Métodos de solução de sistemas de equações line- ares. a2 .   (150) 2 2 1 x3 9 Temos que det [A] 6= 0.2/3 . z ] = (1/4)* e1 + (1/4)* e3 .a1 * e1 . onde [A] é a matriz do sistema. e então: (% i13 ) [x .y . o que nos garante.1 . pelo Teorema 4. A partir desta solução. y .a2 * e2 . na base dos autovetores o sistema desacoplado é          1 0 0 u 1/4 u 1/4 0 2 0  v  =  0  ⇒  v  =  0           0 0 3 w 3/4 w 1/4 Mas (x. .a3 * e3 . a2 = 0 . Sabemos qual ela é. [ a1 . -] 3 3 (% i12 ) solve ( [1 .5/6] . e retorno aos tensores 6.1 Eliminação de Gauss h i> Suponha [x] = 1 2 3 . z) = ue1 + ve2 + we3 .[1/2 . a3 ]). a3 = -]] 4 4 Portanto. y.. 1 3 (% o12 ) [[ a1 = -.3 que há uma única solução. 1 2 5 (% o13 ) [x .1] . como proceder para encontrar a solução de uma forma sistemática? 75 . -.

] (% o6 ) [ 2 4 4 ] [ ] [ 1 7 ] [ 0 1 ..] [ 2 4 4 ] [ ] [ 2 2 1 9 ] Note que desta forma “zeramos” B21 .1 . [ 4 2 1 11 ] [ ] [ 5 7 41 ] [ 0 . [ 4 2 1 11 ] [ ] [ 5 7 41 ] (% o4 ) [ 0 . (151)      0 0 −1/5 x3 −3/5 76 . -.] (% o8 ) [ 2 4 4 ] [ ] [ 1 3 ] [ 0 0 . [ 4 2 1 11 ] [ ] (% o2 ) [ 1 3 2 13 ] [ ] [ 2 2 1 9 ] (% i3 ) b [2] : b [2] .. zerar B32 : (% i7 ) b [3] : b [3] .-. A resposta é o Método de eliminação de Gauss: Sabemos que podemos multiplicar cada linha de (150) por uma constante. com a matriz [A] na forma “escada”:      4 2 1 x1 11 0 5/2 7/4  x2  =  41/4 .2 ..(1/4)* b [1] $ (% i4 ) b . . Analogamente.1 .[2 .3 .11] . podemos zerar B31 : (% i5 ) b [3] : b [3] .2 .[1 . [ 4 2 1 11 ] [ ] [ 5 7 41 ] [ 0 .(1/2)* b [1] $ (% i6 ) b . Utilizando Maxima. . . .] [ 5 5 ] Desta forma. obtivemos um sistema equivalente.] [ 2 2 ] e ainda mais uma vez.13] . h i Iniciamos o procedimento montando uma matriz ampliada [B] = A y . assim como somar duas linhas para encontrar uma nova equação “equivalente” (uma equação que satisfaz à solução [x]). somemos a 2a linha com −1/4 vezes a 1a : (% i1 ) b : matrix ([4 .9]) $ (% i2 ) b . -.(2/5)* b [2] $ (% i8 ) b .2 .

Se A : V → W é uma transformação linear.2 que sistemas lineares podem ter infinitas soluções. . . . . do teorema 4. dim V = n. . enquanto a transformação A permanece a mesma! Esta “invariância” de A é uma maneira elegante de interpretar o processo (embora não seja a única).E para cada transformação A. . O detalhamento não será visto em sala de aula: o tempo necessário é muito grande. dependendo de nossa escolha das bases E e F . contra-domínio. x3 = (−3/5) (−1/5) = 3. Nem sempre o processo vai funcionar: sabemos. Este na verdade é um exce- lente exercício para testar o entendimento do significado de bases do domí- nio. dim W = m. Já vimos no capítulo 3 que existem infinitas matrizes [A]F. (153) (4)x1 + (2)2 + (3)3 = 11 4x1 = 11 − 7 = 4 x1 = 1.A solução pelo processo de retrossubstituição é (−1/5)x3 = −3/5. ou nenhuma. e o processo é cheio de detalhes. en ) e F = (f1 . . Sabemos também que as colunas de [A] representam as coordenadas de cada um dos ej ’s na base F . (152) (5/2)x2 + (7/4)3 = 41/4 (5/2)x2 = 41/4 − 21/4 = 5 (1/2)x2 = 1 x2 = 2. Mas o que está por trás do processo de eliminação de Gauss? Como veremos. . então A · ej = Aij fi e A · x = A · (xj ej ) = xj A · ej = Aij xj fi . fm ). (154) como não poderia deixar de ser Deve ser mais ou menos óbvio para você que o processo é generalizável para sistemas n × n. pode- mos interpretá-lo como uma série de mudanças de base no contra-domínio. 77 . e V e W têm bases E = (e1 . Vale a pena detalhá-la. . e das diferentes representações matriciais de uma mesma transformação linear.

facilmente verificáveis: n X n X yi = Aij xj ⇒ yP (i) = AP (i)j xj . A1n  A21 A22 . . O fato de os elementos da matriz estarem mudando não significa que a transformação subjacente esteja mudando. .  . (157) j=1 n X ⇒ (yi − yk ) = (Aij − Akj )xj . 2. . . Conforme também vimos no capítulo 3.  . n X n X yi fi = αij xj fi ⇒ βyi (fi /β) = (βαij )xj (fi /β) (159) j=1 j=1 Logo.   . . . . a essência do algoritmo de eliminação de Gauss para a solução de sistemas de equações lineares está nas seguintes propriedades. . A2n   0 A22 . uma permutação de I = {1. (158) j=1 onde P e Q são permutações. .. mas é óbvio que o processo de eliminação de Gauss foi aplicado).. . A2n       . . Amn (os mesmos símbols [Aij ] foram usados nas matrizes da esquerda e da direita para não sobrecarregar a notação.   Am1 Am2 . A1n A11 A12 . . . permutar E por P (E) e F por Q(F ) corresponde a permutar as colunas e linhas da matriz [Aij ] de A. usando as operações acima. transformar     A11 A12 . . de alguma forma. .. são “equivalentes” entre si. . . . De fato. . {3.. a multiplicação de uma linha da matriz pelo escalar β pode ser entendida como a 78 . mas sim que a base F está mudando. (156) j=1 n X ⇒ βyi = βAij xj .. 2. É sempre possível. . . As transformações do exemplo numérico com Maxima mostrado acima são usadas para produzir matrizes que. Por exemplo. . 3}). . n} é qualquer bijeção P :I→I i ∈ I 7→ P (i).. Amn 0 0 . . . Dada a transformação linear A:V→W x 7→ A · x onde E e F são as bases de V e W respectivamente. . (155) j=1 j=1 n X ⇒ yi = AiQ(j) xQ(j) .  em  . . 1} = P ({1. . Dito isto.    .

. . 1) . portanto. . . . . 1. . . . 0). Vejamos como o procedimento mostrado acima para a obtenção da forma escada a partir de   4 2 1 1 3 2   2 2 1 pode ser interpretado em termos de mudanças de base no contra-domínio. De forma mais geral. é estritamente o mesmo usado em linguagens de programação: o “lugar” de yi é agora “ocupado” por yi − βyk na nova matriz-coluna [y]. . yk . o que muda é a base de W : (f1 . . O significado de “atribuição”. (fk + βfi ). . . yk . No que se segue. . fi . cujo símbolo é “←”. . . (161) porém fk ← fk + βfi . ym . fm ). . (0. é o oposto do sinal de β aplicado à matriz-coluna [y]. (162) o sinal de β na base. .   E = (1. . (yi − βyk ) . . . fm ) ← (f1 . . fk . .mudança do vetor fi da linha correspondente para (fi /β). As “regras de ouro” são (159) e (160). . . . daqui para a frente. . . (0. yi . a base do domínio é sempre a base canônica. . ym ← y1 . . porque existe uma anti-simetria nelas: yi ← yi − βyk . . estamos apenas mudando implicitamente a base de vetores do contra-dominínio. Esta “simples” manipulação algébrica revela todo o segredo da transformação de uma matriz para a forma escada: note que o vetor y não muda. o que vai mudando é a base do contra-domíno F . 0. O mesmo vale para as demais interpretações. . . assim como as coordenadas [y]: h i> h i> y1 . . y =A·x m X = yl fl l=1 m " # X = yl fl + yk (fk + βfi ) − yk βfi + yi fi l=1 l 6= i l 6= k m " # X = yl fl + (yi − βyk )fi + yk (fk + βfi ) (160) l=1 l 6= i l 6= k Atente bem para as atribuições. 0). . fi . . Isto mostra que quando reduzimos uma matriz à forma escada. 79 . 0.

2). 1). A · e2 e A · e3 são. (0. 0) + 3(0. 1). 1) = (1.1o passo: F inicia o processo como a base canônica:   F = (1. Então:   4 2 1 [A] = 0 5/2 7/4 ⇒   2 2 1 A · e1 = 4f1 + 0f2 + 2f3 = 4(1. em termos absolutos. A · e2 = 2f1 + 3f2 + 2f3 = 2(1. 1) = (2. 2. 0) + 2(0. 1/4. 0. 0) + (0. 2. 1. estritamente os mesmos — como não poderia deixar de ser: a transformação A não mudou. 0) + 1(0. 1) = (4. 4 Observe que A · e1 . 0. 0) + 1(0. 0. 1. 0. 0) + 0(0. 1. 1. 1/4. de modo que F agora vale   F = (1. (0. 1. 1) = (4. 0. 0) + 1(0. 1. 1) = (2. (0. O que mudou foi sua representação. (0. 3. 1. 1) = (1. 2o passo: O “y” que muda é y2 . 0. 0) + 2(0. 0). 0. 1. 1) . portanto. 1/4. 1) . 0. Como sempre: as colunas de [A] são as coordenadas de cada um de e1 . 0. o “f ” que muda é o f1 ! f1 ← f1 + (1/4)f2 = (1. ou seja: a base F = (f1 . 0). 0) + 2(0. 1/4. 0. A · e3 = 1f1 + 2f2 + 1f3 = 1(1. 0). f2 . 0) + (0. 1. 1/4. 0) + 2(0. 0. e2 e e3 na base F do contra-domínio. 2). Então:   4 2 1  ⇒ [A] = 1 3 2  2 2 1 A · e1 = 4f1 + 1f2 + 2f3 = 4(1. 0. 80 . 0) + 2(0. 0). 0). 2) 2 7 A · e3 = 1f1 + f2 + 1f3 4 7 = 1(1. 3. 1. 2) 5 A · e2 = 2f1 + f2 + 2f3 2 5 = 2(1. f3 ) que escolhemos para o contra-domínio.

0). 1/4. 1/2). 1/4. 0. portanto. 0. 1. 2/5). 0. 2). 1. 0. 1. 1/4. 1) = (4. 1. 1/4. 1/2). de modo que F agora vale   F = (1. (0. A · e1 . 1/4. de modo que F agora vale   F = (1. 4o passo: Agora a transação é entre a 2a e a 3a linhas. 3. 2/5) − (0. 1) = (1. 0. 1/2) + 0(0. 2) 2 7 A · e3 = 1f1 + f2 + 1f3 4 7 1 = 1(1. (0. 2/5). 0) + 0(0. 1/4. 3. 1. 0) + 1(0. 1). 1. 2. O “y” que muda é y3 . 2/5) + 0(0. 5 A · e2 = 2f1 + f2 + 2f3 2 5 = 2(1. 0) + 0(0. Então:   4 2 1  ⇒ [A] = 0 5/2 7/4  0 1 1/2 A · e1 = 4f1 + 0f2 + 0f3 = 4(1. 1) = (2. 0. 1/4. 1. 1/2) + (0. 1/4. 5 A · e2 = 2f1 + f2 + 0f3 2 5 = 2(1. 1/2) + (0. 1/2). 1. 4 2 Novamente. 1/4. 0. 1. 1. 1) = (1. f2 ← f2 + (2/5)f3 = (0. 1/2) + (0. 2 7 1 A · e3 = 1f1 + f2 + − f3 4 5 7 1 = 1(1. 1) . (0. 1/2) + 0(0. o “f ” que muda (novamente) é o f1 ! f1 ← f1 + (1/2)f3 = (1. 2). 1. Então:   4 2 1 [A] = 0 5/2 7/4  ⇒   0 0 −1/5 A · e1 = 4f1 + 0f2 + 0f3 = 4(1. 0. o “f ” que muda f2 . 2). 0) + (0. 1) = (2.3o passo: O “y” que muda é y3 . 2. 1). 4 5 81 . 1/2) + (0. 1) . (0. portanto. 1) = (4. A · e2 e A · e3 permanecem invariantes.

1 6 ] [ ] [ 6 12 48 ] (% o3 ) [ 0 . (% i2 ) b [2] : b [2] . A. -. [ 5 2 . -. e um sistema formado a partir dela possui ou nenhuma ou infinitas soluções. como sabemos. 2 . -. -. -1 . -.1 6 ] [ ] [ 6 12 48 ] [ 0 . Suponha novamente [x] = 1 2 3 . Em resumo. a base do contra-domínio foi mudando de tal maneira que. a base do domínio da transformação permaneceu fixa e igual à base canônica E. 6] . permaneceu invariante.2* b [2] $ (% i7 ) b .1 6 ] [ ] (% o1 ) [ 2 2 2 12 ] [ ] [ . ao longo de todo o processo de escalonamento da matriz [A].2 .] [ 5 5 5 ] [ ] [ .] [ 5 5 5 ] [ ] [ 0 0 0 0 ] O aparecimento de uma linha nula na matriz escalonada [A] nos informa que a nulidade 82 . [2 . -. [ 5 2 . Vamos revisitar a matriz.2 . a transformação linear subjacente. [ -1 . (163)      −1 2 5 x3 18 Montamos a matriz ampliada do sistema. ] (% o5 ) [ 5 5 5 ] [ ] [ 12 24 96 ] [ 0 -. e obtenha      5 2 −1 x1 6  2 2 2  x2  = 12 . posto igual a 2. como você pode h verificar) i> e construíndo “de trás para frente um problema. embora as matrizes [A] mudassem.1 2 5 18 ] (% i4 ) b [3] : b [3] + (1/5)* b [1] $ (% i5 ) b . 2 . [ 5 2 . ] [ 5 5 5 ] (% i6 ) b [3] : b [3] . Com Maxima: (% i1 ) b : matrix ( [5 . 18] ) .1 6 ] [ ] [ 6 12 48 ] (% o7 ) [ 0 . [ 5 2 . -.12] . -. [B] = [[A][y]].(2/5)* b [1] $ (% i3 ) b . multiplicando-a por 6 (por simplicidade: isto não muda o posto. 5 . Considere agora a matriz de projeção [P ] dada pela equação (116): esta matriz possui. por outro lado.1 2 5 18 ] Os passos do escalonamento agora são padronizados.

sendo uma das quais. 2/5. 1. (0. (167) 6 5 5 Finalmente. 2. 0) + 3(0. 1. 0. 0) + 2(0. 2. 0) + 1(0. 0). 0. 0. 1. e que seu posto é 2. 1) = (2. 0. 2/5. 1. qualquer valor para x3 (a rigor. −1). O aparecimento de um 0 também na última linha da matriz-coluna [y] nos diz que o sistema éi compatível: existem infinitas h > soluções. 0.da transformação A é 1. A solução por retrossubstituição se segue: 5x1 + 2x2 − 1x3 = 6. 1) = (−1. temos: 1o passo: F inicia o processo como a base canônica:   F = (1. 0. 1) . 2). (0. o “f ” que muda é o f1 ! f1 ← f1 + (2/5)f2 = (1. A · e3 = −1f1 + 2f2 + 5f3 = −1(1. (0. (0. 2. 0. 0) + 2(0. 5). 1) . (165) 5 5 5 0x1 + 0x2 + 0x3 = 0. 1) = (5. Então:   5 2 −1 [A] =  2 2 2 ⇒  −1 2 5 A · e1 = 5f1 + 2f2 + −1f3 = 5(1. 0). 0). obviamente. 1 x1 = (6 − 2 × 2 + 1 × 3) = 1 (168) 5 O que será que acontece com os vetores da base do contra-domínio? Repetindo todo o procedimento para o calculo de sucessivas bases F feito anteriormente. qualquer valor para qualquer dos xj ’s) é possível: escolhemos x3 = 3 e substituímos na 2a linha: 5 48 12   x2 = − × 3 = 2. 0). A · e2 = 2f1 + 2f2 + 2f3 = 2(1. [x] = 1 2 3 que postulamos para montar o sistema. portanto. 83 . (166) Na 3a linha. 0. 2o passo: O “y” que muda é y2 . 1. de modo que F agora vale   F = (1. 0) + −1(0. 0) + 2(0. 0. 0). (164) 6 12 48 0x1 + x2 + x3 = .

−1/5). 1. (0. 1) = (−1. 0. 0. 0. 1. 2/5. 0) + (0. −1/5). f2 ← f2 + 2f3 = (0. 0. 2/5. 1. 0) + 2(0. 5). 0) + −1(0. 6 12 A · e2 = 2f1 + f2 + f3 5 5 6 12 = 2(1. (0. (0. 1). 2). Então:   5 2 −1 [A] = 0 6/5 12/5 ⇒   0 12/5 24/5 A · e1 = 5f1 + 0f2 + 0f3 = 5(1. 2. 0). −1/5) + (0. 1. 0. 2) 5 5 12 24 A · e3 = −1f1 + f2 + f3 5 5 12 24 = −1(1. o “f ” que muda (novamente) é o f1 ! f1 ← f1 − (1/5)f3 = (1. portanto. 1. 84 . 5). 1/4. (0. 1. 2.Então:   5 2 −1  ⇒ [A] =  0 6/5 12/5  −1 2 5 A · e1 = 5f1 + 0f2 + −1f3 = 5(1. 2/5. 2. 1. 1/5) + 0(0. 0. 2/5. 0) + 0(0. 2). 0) + 0(0. −1/5). 1) = (2. 2/5. 0) + (0. 5 3o passo: O “y” que muda é y3 . 0) + (0. 2. 2. 1) = (5. 1. 1) = (−1. 1) = (2. 2/5. 1) . 0) + 5(0. 0) + (0. 2) 5 12 A · e3 = −1f1 + f2 + 5f3 5 12 = −1(1. 2. 0. portanto. o “f ” que muda f2 . −1/5) + (0. 1. 0. O “y” que muda é y3 . de modo que F agora vale   F = (1. 1) = (5. 1) . −1) 6 A · e2 = 2f1 + f2 + 2f3 5 6 = 2(1. 1/4. 2/5. de modo que F agora vale   F = (1. 5 5 4o passo: Agora a transação é entre a 2a e a 3a linhas.

Então:   5 2 −1  ⇒ [A] = 0 6/5 12/5  0 0 0 A · e1 = 5f1 + 0f2 + 0f3 = 4(1. 2/5. 85 . 6. de forma ligeiramente diferente. A · en . fn ) formada por autovetores.4) em que as matrizes da transformação nas bases de autovetores eram diagonais (possuíam elementos não-nulos apenas na dia- gonal). nesta base de A · e1 . Se [A] já está na forma escada. 0) + 0(0. se houver uma base F = (f1 . . a matriz da transformação A nesta base será diagonal. sabemos A · ej = Aij ei . . vimos 3 exemplos (5. Agora. . 1) = (−1. 6 A · e2 = 2f1 + f2 + 0f3 5 6 = 2(1.1). A prova é simples: de volta à pagina 43. . 2). 1. −1/5) + 0(0. e [A] a matriz de A nas bases E. 0. então necessariamente: A · fj = λ(j) fj = Aij F fi ⇒ Aij F = δij λ(j) .1 Seja A uma transformação linear entre dois espaços vetoriais finitos. (169) Note que nós já vimos isso. Já vimos que matrizes simétricas com elementos reais sempre produzem autovalores reais (não necessariamente distintos). 1. 1) = (2. No capítulo 3. 1. 5).2 Diagonalização O cálculo de autovalores e autovetores nos proporciona uma poderosa alternativa para resolver sistemas lineares. 2. 2/5. 1) = (5. . 5 12 A · e3 = −1f1 + f2 + 0f3 5 12 = −1(1. . 2. 5 Observe que os vetores da base F “final” permanecem LI como não poderia deixar de ser. 0. −1/5) + (0. o número de linhas não-nulas de [A] é igual ao posto de A. 0. na aula de 4a feira passada (03/04/2013). 2) + 0(0. 5. ou seja: que as colunas de [A] (na base E) são as coordenadas.3 e 5. 2) + 0(0. 2. 2/5. senão F não seria mais uma base do contra-domínio R3 . −1). . . e n autovetores ortonormais (e portanto uma base para o Rn — ver Teorema 5. F .2. Isto não é uma coincidência: sempre que houver n autovetores LI com os quais pudermos formar uma base do Rn . −1/5) + (0. Isto nos leva agora à forma operacional de determinar o posto e a nulidade de uma transformação/matriz: Teorema 6.

 . este é um grande se! Por hipótese. Interprete a equação acima: os parênteses em torno de j indicam que não há soma neste índice. é preciso inverter a matriz n × n [Q]. A última igualdade indica uma matriz diagonal.   0 0 . . .   .  F (171)  . . além de terrivelmente simples. Segue-se que y = y iF fi = yj ej . Mas x = xiF fi = xiF Qji ej = (Qji xiF ) ej ⇒ xj = Qji xiF (174) | {z } xj Este assunto. . . . se conseguirmos escrever o vetor y na base dos autovetores. tão difícil quanto o original! Ainda não acabou. 0 x     2  y2    y   .  . λn xn F yn F Infelizmente. é terrivelmente importante: na verdade. yiF Qji ej = yj ej Qji yiF = yj ⇒ Q−1 kj Qji yiF = Q−1 kj yj ykF = [Qkj ]−1 yj . . que é um problema. então resolvemos o sistema desacoplado      λ1 0 . e sua solução sistemática.  λ(i) 0 0 . . a matriz [A]F de A na base F dos autovetores é uma matriz com os autovalores na diagonal (e zeros no resto das posições.  =  . . nós conhecemos os autovetores: fi = Qji ej . (173) Em outras palavras. . para obter o vetor y na base F . .. (172) de forma que as componentes de fi na base canônica são a i-ésima coluna da matriz [Q] (já vimos isto antes!). . . 0  0 λ2 .. . em tese.. 86 . . por extenso:   λ1 0 . .  ⇒ xi = i F . . . porque queremos obter x na base canônica. .  .  . λn Se conseguirmos uma base de autovetores. . (170)  .   . veja (170) acima).   . o sistema de equações [A][x] = [y] torna-se terrivelmente simples: começamos interpretando as matrizes [A] e [x] como representan- tes da transformação A e do vetor x na base canônica E. uma boa parte deste texto são variações sobre o tema de diagonalização de diversas transformações lineares. 0 x1 y1  0 λ2 . ou: [y]F = [Q]−1 [y]. 0    [Aij ]F =  . . .

80906556 1.6537022 -1.T 23 print ( 'f ␣ = ␣ ' .1] .7 . f ) O resultado parcial é autovalores : lamb = [ 9.4 .55823419 0.' *20) 21 print ( ' autovetores : ') 22 f = q.56439354] -------------------- autovetores : f = [[ 0.coding : iso -8859 -1 -* - 3 # ------------------------------------------------------------------------------ 4 # dia4 : dia gonaliza ção de um sistema 4 x 4 5 # ------------------------------------------------------------------------------ 6 from __future__ import print _functio n 7 from numpy import array .25072521]] Note que a variável f é a transposta da variável q (que representa a matriz [Q]): em cada linha acima.4 .3 .1 .09243805 -0.52205158 0. dot .4] .2 . zeros 8 from numpy . calculando os autovalores e os autovetores: 1 # !/ usr / bin / python 2 # -* .3 .1 . det ( q )) 87 . SOLUÇÃO Começamos especificando a matriz [A].41128331] [ 0.3840253 ] [ 0.[1 .41220763 -0. inv 9 a = array ( [[3 .2] .78547225 0.11145378 -0. lamb ) 20 print ( ' . eig . verificando se há 4 autovetores LI: 24 # ------------------------------------------------------------------------------ 25 # verificamos se há 4 autovetores LI 26 # ------------------------------------------------------------------------------ 27 if det ( q ) == 0: 28 ans = ' Não : ␣ ' 29 else : 30 ans = ' Sim : ␣ ' 31 print ( ' LI ? ␣ ' + ans + ' det ␣ q ␣ = ␣ ' .1]] ) 10 y = array ( [4 .89294202 -0.2067781 -0.[2 .40903018 -3.[2 .11156656] [ 0. a matriz-coluna [y]. q ) = eig ( a ) 15 # ------------------------------------------------------------------------------ 16 # autovalores : 17 # ------------------------------------------------------------------------------ 18 print ( ' autovalores : ') 19 print ( ' lamb ␣ = ␣ ' .78724061 -0.2]) 11 # ------------------------------------------------------------------------------ 12 # calcula autovalores ( lamb ) e autovetores ( q ) 13 # ------------------------------------------------------------------------------ 14 ( lamb .2 .1 Resolva o sistema      3 1 4 2 x1 4 2 1 3 4 x  3   2     =    2 7 1 1 x3  2  1 4 2 1 x4 2 usando diagonalização.1 .49568904 0.44484828 0. Exemplo 6. Prosseguimos. linalg import det . lemos os elementos de cada um dos autovetores.55910694 0.

de forma que prosseguimos no cálculo da solução pelo método de diagonalização. porque isto não é uma solução mais fácil do problema. não há ganho na solução de sistemas lineares (mas pode haver outros ganhos: veja.33835826] Portanto. float ) 49 for j in range (4): 50 xf [ j ] = yf [ j ]/ lamb [ j ] 51 # ------------------------------------------------------------------------------ 52 # imprime os valores de xf 53 # ------------------------------------------------------------------------------ 54 print ( ' xf ␣ = ␣ ' .47425228 0. (176) Cuidado.92376944 0.2) De qualquer maneira. y ) 36 # ------------------------------------------------------------------------------ 37 # sempre é bom verificar 38 # ------------------------------------------------------------------------------ 39 yz = zeros (4) 40 for j in range (4): 41 yz += yf [ j ]* f [ j ] 42 y = array (y . Obtemos agora [x]F : 45 # ------------------------------------------------------------------------------ 46 # funcionou . O fato de que a solução numérica é aparentemente muito rápida e simples não deve esconder este ponto fundamental: se a base de autovetores não for ortogonal.41467524126 Talvez a essência do processo de diagonalização seja agora a obtenção de [y]F : 32 # ------------------------------------------------------------------------------ 33 # projetamos y na base dos autovetores 34 # ------------------------------------------------------------------------------ 35 yf = dot ( inv ( q ) .33835826 . y ) que quer dizer: [y]F = [Q]−1 [y]. all () == yf . e independentemente de como o obtivemos.60736034 0. (177) É aqui que Python/Numpy resolvem um problema totalmente equivalente. all ()) 44 print ( ' yf ␣ = ␣ ' . h i> [y] = 4 3 2 2 (175) h i> [y]F = 5. ao problema original. de forma que agora nós calculamos os xf 's 47 # ------------------------------------------------------------------------------ 48 xf = zeros (4 . por exemplo.60736034 0. A resposta é LI ? Sim : det q = 0. temos [y]F . A sujeira está escondida na linha de programação yf = dot ( inv ( q ) . yf ) Cuja resposta é yf = [ 5. float ) 43 assert ( y .92376944 0. em complexidade.47425228 0. xf ) 88 . o problema 6.

.63291139 0. aplicando-a tanto para x quanto para y para a transformação y = A · x. xf ) 59 print ( 'x ␣ = ␣ ' . . . para o vetor x: [x]E = [Q][x]F . Portanto.25283107 -0. (180)  . [Q][y]F = [A][Q][x]F .03797468] o que verifica a correção do método.06329114 0. . mais uma vez.21628717] e agora estamos a um passo do fim.06329114 0. . y ) 64 print ( 'x ␣ = ␣ ' . já que basta aplicar (174): 55 # ------------------------------------------------------------------------------ 56 # agora calcula x 57 # ------------------------------------------------------------------------------ 58 x = dot (q .55808091 0. λn 89 ..63291139 0. x ) cuja resposta.   λ1 0 . . .  . teria sido x = [ 0. . naturalmente. cuja resposta é xf = [ 0. 0    −1  = [A]F = [Q] [A]E [Q]. neste caso A equação (177) também vale. 0  0 λ2 .   . x ) que dá como resposta: x = [ 0.44303797 0. (179) Mas nós já sabemos que a matriz da transformação é diagonal na base F . obtém-se [y]E = [A]E [x]E . fazendo-se 60 # ------------------------------------------------------------------------------ 61 # mas será que está certo ? 62 # ------------------------------------------------------------------------------ 63 x = dot ( inv ( a ) . 0 0 .44303797 0. . [y]F = [Q]−1 [A]E [Q][x]F .03797468] Tudo isto poderia ter sido obtido diretamente calculando-se [x] = [A]−1 [y] (178) que se obtém com Numpy. ..4310485 -0.

+ 2. Os ci ’s são constantes de integração. naturalmente. De fato.1 já apontava para o poder do uso de autovalores e autovetores para desacoplar (ou seja. um tanto longo e igualmente pessimista. f3 = (1.1. 0. λ3 = −1. 1). é que aquela valia para rotações. Métodos de diagonalização são muito mais poderosos do que o nosso primeiro exemplo 6. A solução portanto é naturalmente escrita na base F como u = uF i fi . A diferença. √ √ λ2 = 1 + 2. 1). e vale para mudanças genéricas de base. é muito útil enfatizar que se trata das componentes de u na base F . ou seja: mudanças de uma base ortonormal para outra (onde [C]> = [C]−1 ). 90 . − 2. o exemplo 5. Na base dos autovetores.2 Resolva o sistema      u 0 1 1 u1 d  1  u2  = 1 1 1 u2    dt u3 1 1 0 u3 SOLUÇÃO Os autovalores e autovetores da transformação linear (representada por hipótese na base canônica) são √ √ λ1 = 1 − 2. enquanto que esta é mais geral. −1). Exemplo 6. o sistema fica    √   u1 1− 2 0√ 0 u1 d   u2  =  0 1 + 2 0  u2     dt u3 F 0 0 −1 u3 F Estas são 3 equações diferenciais ordinárias desacopladas. f2 = (1. pode nos fazer crer. f1 = (1. cada uma delas do tipo duF i = λ(i) uF i dt com solução uF i (t) = ci eλ(i) t (por que os (i)’s?) — aqui. diagonalizar) sistemas de equações lineares.Observe a semelhança de (103) com (180).

" # " #" # d u 0 1 u = dt v −1 0 v A tentação de calcular os autovalores e autovetores. Considere portanto uma velha conhecida: d2 u + u = 0. via a introdução da função v(t). muitas vezes as técnicas de diagonalização e o uso de autovalores e autovetores fornecem a chave para a solução. Desta vez. Quando isto acontece. entretanto. é irresistível. f1 = √ (1. De fato. 2 91 . Um outro elemento que vai entrar em cena agora é que muitas vezes é natural passar de espaços vetoriais reais para espaços vetoriais complexos. Tente entretanto du = v. i). Matricialmente. f2 = √ (1. . 2 f λ2 = −i. i=1         u1 √ 1 √ √ √1  1 (1− 2)t  (1+ 2)t  −t  u2  = c1 e − 2 + c2 e  2 + c3 e  0      u3 1 1 −1 Vamos agora avançar para uma outra idéia: equações diferenciais de ordem maior que 1 podem ser escritas como sistemas de equações de ordem 1. dt2 Sabemos que a solução geral em termos de funções reais é u(t) = A cos t + B sen t. i=1 X3 u= ci eλ(i) t fi . −i). como antes.Note que existe uma soma implícita em i acima. trata-se da mesma equação. mais do que natural. canônica! veja: 3 X u= uF i fi . A genialidade simples do método consiste agora em reescrever a equação acima na base . . “desdobrada” em duas equações diferenciais ordinárias de ordem 1. dt evidentemente. dt dv = −u. muitas vezes é essencial. obteremos quantidades complexas: 1 λ1 = +i.

0 . 11. a saber u(t) = c1 eit + c2 e−it .. pois m  m λ1 .. λ2 + 1 = 0 e “montar” a solução a partir da natureza destas raízes.2 [Greenberg. p. obter uma solução u(t) puramente real impondo c1 = (A − iB)/2. fica parecendo que encontramos uma solução diferente da clássica u = A cos t + B sen t. 0    . Ex. 6. . . é apenas uma forma um pouco es- condida de montar um problema de autovalor-autovetor.. λm n 92 . e em seguida utilizando a fórmula de Euler e±it = cos t ± i sen t: A − iB it A + iB −it u(t) = e + e .4-7] Mostre que se [A] é diagonalizável. c2 = (A + iB)/2. 0 λ1 .  [D]m = . ... então [A]m = [Q][D]m [Q]−1 . .  = . 581. Em outras palavras.  . . entretanto. . devemos ter portanto " # " # " # u 1 1 = c1 eit + c2 e−it . 1998. . . . λn 0 . .1 Obtenha a forma escada de:   1 2 1 0 −1 0 3 5 .Seguindo ao longo da mesma linha de antes..   1 −2 1 1 Solução na listagem 5. com [Q]−1 [A][Q] = [D]. . que é infinitamente mais simples de calcular do que [A]m . a “regra” de estudar as raízes da equação característica da equação diferencial. Exercícios propostos 6. 2 2 A − iB A + iB u(t) = [cos t + i sen t] + [cos t − i sen t] 2 2 u(t) = A cos t + B sen t. . . e então resolvê-lo com as técnicas de Álgebra Linear. v i −i À primeira vista. . É possível.   . . se não temos muita intimidade com os números complexos C..

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

apesar de haver apenas dois autovalores distintos. há 3 autovetores LI. muitas vezes um funcional aparece como um mapeamento de um conjunto de funções em um conjunto de escalares. u =   dt u3 1 1 0 u3 Os autovalores e autovetores são λ1 = 2. −1). 329) Um funcional é uma função que mapeia vetores em escalares. Muitas vezes. 94 . 1. em muitos contextos. p. Neste caso. 1. −1).3 Resolva      u 0 1 1 u1 d  1   2  1 0 1 u2  . Ela pode ser calculada com um produto vetorial: h = |r|1 sen θ = |r × n|. λ2 = −1.6. o momento de inércia em relação ao eixo é Z Iaa ≡ [h(r)]2 ρ dV. Mas funções podem ser. Tensor de inércia Dado um corpo ocupando um volume V no espaço. f1 = (1. Portanto. Em outras palavras. portanto. (181) V Em (181). a solução geral é         u1 1 1 0 2t   −t  −t  u2  = c1 e 1 + c2 e  0  + c3 e  1      u3 1 −1 −1 6. parece que a segunda definição é mais geral do que a primeira. um funcional é definido assim: Um funcional é uma função que associa uma função a um escalar. f2 = (1. vistas como vetores. 1).3 Tensores Tensores têm a ver com funcionais. h(r) é a distância de cada ponto do corpo no volume material V até o eixo AA0 . Mas não é assim que Nearing define funcionais: (Nearing. 0. f3 = (0. e um eixo orientado ao longo do vetor unitário n (ver figura 10). λ3 = −1.

z A′ h r n θ y V x A Figura 10: Momento de inércia de um corpo cujo volume material é V em relação a um eixo (linha tracejada) cujo normal é n. 95 .

Podemos interpretar matricialmente: [r × n] · [r × n] = [n]> [I][n]    h i I11 I12 I13 n1 = n1 n2  n2  . e [r × n] · [r × n] = [ijk xi nj ] [lmk xl nm ] = (ijk lmk ) xi nj xl nm = (δil δjm − δim δjl ) xi nj xl nm = xi n j xi n j − xi n j xj n i = ni (xp xp )δij nj − ni xi xj nj = ni [(xp xp )δij − xi xj ] nj . r = xi e i . v 7→ f (v). na base canônica. n3 I21 I22 I23     I31 I32 I33 n3 onde  2 x2 + x23  Z −x1 x2 −x1 x3 [I] =  −x2 x1  x21 + x23 −x2 x3   dV (182) −x3 x1 −x3 x2 x21 + x22 é a matriz do tensor de inércia I na base canônica. Definição — Um funcional é uma função escalar de um vetor. Em outras palavras. Teorema 6. V Agora.Portanto. h2 = [r × n] · [r × n]. um funcional é uma relação da forma f : V → F. e Z Iaa = [r × n] · [r × n]ρ dV. 96 . então existe um único vetor a tal que f (v) = a · v. n = nj ej . ∀v.2 Teorema da representação: Se f é um funcional linear. Um funcional linear obedece à propriedade f (αu + βv) = αf (u) + βf (v).

Note que Te e Td são vetores. v) = u · T v = u · Tij ei ej · v = (u · ei )Tij (ej · v) = ui Tij vj 97 . T (u. T (u. Tdi = Tij vj . então. No caso acima. v) = Te (u) · v = u · Td (v). v) = ui Tij vj . ou um tensor de ordem 2. v) ∈ F. que é melhor mostrar diretamente com um exemplo: T (u. Mas ambas as expressões acima são iguais. T é de fato um funcional bilinear. Talvez valha a pena ver como Spiegel faz. Este resultado será obtido se escrevermos T = Tij ei ej e adotarmos umas regrinhas simples. Funcionais podem ser multilineares. v). Multilinearidade significa linearidade em ambas as “posições” de u e v. v) = α1 T (u1 . Note também que Te (u) · v = Tej vj . do tipo T (u. v1 ) + β2 T (u. Então. Em particular. devemos ter T (u. u · Td (v) = ui Tdi . v) + α2 T (u2 . Portanto. β1 v1 + β2 v2 ) = β1 T (u. o que só é possível se Tej e Tdi assumirem as formas Tej = ui Tij . Note que você pode fixar qualquer um deles. T (α1 u1 + α2 u2 . v2 ). f (v) = f (vi ei ) = vi f (ei ) = vi ai = a · v Um problema dessa dedução é que ela depende de uma base.Faça a = ai ei ≡ f (ei )ei ⇒ ai ≡ f (ei ).

Um fato bem conhecido e importante em análise tensorial é o seguinte: a dupla con- tração de um tensor T genérico com um tensor simétrico S é igual à dupla contração da parte simétrica de T com S. |2 {z } |2 {z } simétrica antissimétrica 98 . Por exemplo: se A e B forem dois tensores de ordem 2. e uma antissimétrica: T = Tij ei ej 1 1 = [Tij + Tji ] ei ej + [Tij − Tji ] ei ej . Operações entre tensores são naturalmente generalizadas por meio das regras acima. S é um tensor (de ordem 2) simétrico se: Sij = Sji (óbvio). A · B = Aij ei ej · Bkl ek el = ei Aij Bkl (ej · ek )el = ei Aij Bkl δjk el = ei Aij Bjl el = Aij Bjl ei el . os tensores que resultam dessas definições são chamados de tensores cartesianos. Qualquer tensor T pode ser decomposto em uma parte simétrica. Também existe a chamada “dupla contração”: A : B = Aij ei (ej · Bkl ek ) · el = ei Aij Bkl (ej · ek )el = (ei Aij Bkl δjk ) · el = Aij Bjl (ei · el ) = Aij Bjl δil = Aij Bji .Note que as operações acima pressupõem uma base (pelo menos) ortogonal. Observe que isso é essencialmente equivalente ao produto entre duas matrizes.

nós vamos falar aqui apenas do absolutamente essencial: a noção de divergência. que é um tensor (também) de ordem n − 1. e S um tensor simétrico. Seja então T um tensor genérico. . y. Além disso. =i +j +k . y. y. z). se v(x. temos: ∂ ∂T ∇T = ei T = ei . z). sempre existe o gradiente deste tensor.4 do Nearing. y. ∂x ∂y ∂z ∂x ∂y ∂z Por outro lado. Além disso. Antes de seguirmos para tensores não-cartesianos — se é que chegaremos lá — nós precisamos pelo menos estabelecer as bases de cálculo com tensores cartesianos. que nada mais é do que um escalar. Essas duas coisas são ensinadas em Cálculo da seguinte maneira: se f (x. y. Para um tensor cartesiano T de ordem 0. e a noção de gradiente. ∂x ∂y ∂z Generalização: dado um tensor de ordem n. a divergência de v é o escalar ∂vx ∂vy ∂vz ∇·v = + + . que é um tensor (também) de ordem n + 1. ∂xi ∂xi Compare com a expressão para o gradiente de f acima: é a mesma coisa. o gradiente de f (em coordenadas cartesianas) é o vetor ! ∂f ∂f ∂f ∂f ∂f ∂f ∇f = . z) é uma função escalar. 99 . z) = (vx (x. Vamos à prova: T : S = Tij ei ej : Skl ek el = Tij Sji 1 1 = Tij Sji + Tji Sij 2 2 1 1 = Tij Sji + Tji Sji (pela simetria de S) 2 2 1 = [Tij + Tji ] Sji 2 Pule a seção 12. vy (x. Na verdade. é extremamente fácil. sempre existe o divergente deste tensor. Isso não é difícil. vz (x. z)) é uma função vetorial. se nos ativermos às regras. dado um tensor de ordem n > 0.

porque ela é mais natural (depois que você se acostu- mar)! Mas a outra forma também é possível. (1996). (1991). Referências Barenblatt. teremos: ∂ ∂Tj ∇T = ei Tj ej = ei ej . self-similarity and intermediate asymptotics. Second Year Calculus. Bressoud. ∂xi É preciso um pouco de cuidado porque as definições acima não são únicas na literatura. ∂xi ∂xi Isso é a mesma coisa que ∇ · v acima: compare. Greenberg. Upper Saddle River. Para um tensor cartesiano T de ordem 1. 100 . Alguns livros. M. Note por exemplo que a matriz que representa o vetor de ordem 2 ∇T (quando T é um vetor) tem ∂Tj /∂xi para o seu elemento i. 2a edição. (1998). ∂xi ∂ ∇ · T = ei · Tjk ej ek ∂xi ∂Tjk = (ei · ej )ek ∂xi ∂Tjk = δij ek ∂xi ∂Tik = ek . New Jersey 07458. Cambridge University Press. G. j. Obvia- mente. definem a transposta: ∂Ti [[∇T ]ij ] = . Advanced engineering mathematics. a mistura das duas leva ao desastre. Para um tensor cartesiano de ordem 2. Springer-Verlag. M. D. ∂xi ∂xi ∂ ∂Tj ∇ · T = ei · Tj ej = (ei · ej ) ∂xi ∂xi ∂Tj ∂Ti = δij = . D. desde que usada consistentemente. teremos: ∂ ∇T = ei Tjk ej ek ∂xi ∂Tjk = ei ej ek . Scaling. Prentice Hall. I. ∂xj Qual das duas usar? Use a minha. entretanto.

Addison-Wesley Publishing Company. D. R. L. M. e Perkins. San Diego.. W. (2009). A handbook of mathematical formulas and integrals. (1995). An Introduction to Linear Analysis.. H. Simonsen. Reading. 101 . F. A. (1966). Nearing. Rio de Janeiro. Mathematial Tools for Physics. Editora da Fundação Getúlio Vargas. (1994). R. Kreider. Dover Publications. Ostberg. D.. J. Academic Press. Massachusetts. Kuller.Jeffrey. Ensaios Analíticos. G.