Dois semestres de algebra linear b asica um manual do professor

Carlos Tomei Departamento de Matem atica, PUC-Rio

Pref acio e garantia A diferen ca entre a revolu c ao (teoria e pr axis) e a conversa de bar (ideologia e tira-gostos) e grande. Sugerir um curso e faz e-lo funcionar tamb em s ao duas coisas muito diferentes. Esse texto tem a pretens ao de ir al em da simples lista de sugest oes: o material foi exaustivamente discutido e j a foi testado mais de uma vez na situa c ao real (alunos, provas, equipes de professores, computadores). Resulta disso que esse texto e uma combina c ao de dois modos de apresenta c ao, indicativos de dois aspectos did aticos. Certas se c oes s ao justicativas para inser c ao (ou elimina c ao) de t opicos, outras s ao descri c oes de aulas, roteiros apurados pelo uso. Tudo e pass vel de cr tica, de altera c ao. Cada um de n os tem seus t opicos preferidos: aqueles apresentados aqui foram triados por anos de conversa com colegas de v arias especialidades, pela minha experi encia prossional, e pelo fato que existe mais material do que tempo de ensino. A vantagem que esse texto tem sobre a n- esima conversa e que aqui est ao ltrados e explicitados os argumentos: podemos come car a discuss ao de um ponto mais avan cado. Expostos, os argumentos podem ser desmentidos com mais facilidade. Num mundo de textos abertos, gostaria muito que a comunidade tomasse essas notas como um ponto de partida para um banco de dados de exerc cios, discuss oes e temas sobre o ensino b asico de algebra linear. Com a ajuda de Ana Pavani, do Departamento de Engenharia El etrica da PUC-Rio, est a dispon vel um endere co para os interessados em levar o projeto adiante: por enquanto, perguntem a tomei@mat.puc-rio.br. Os agradecimentos s ao extensos: a Percy Deift, Peter Lax e George Svetlichny por raz oes c armicas, L cio Bezerra, Derek Hacon, Paulo Henrique Viana Barros, Celso Wilmer, por inni tas conversas, ` as v arias equipes de cursos de Algebra Linear de que participei na PUC-Rio, ao Departamento de Matem atica, PUC-Rio, que me permitiu testar o material. Humberto Jos e Bortolossi e Max Souza ajudaram, como sempre, na edi c ao e ilustra c oes. 2

Finalmente, agrade co aos organizadores deste CNMAC pela possibilidade de apresentar esse material. No encontro de 1998, percebi o quanto foi importante para a difus ao do c alculo num erico no Brasil que Maria Cristina Cunha, da UNICAMP, vinte anos atr as, tenha trazido a quest ao de seu ensino a um CNMAC que a tarefa sugerida esse ano tenha uma fra c ao da sorte que aquela teve! Um pouco de hist oria, parcial e incompleta Algebra linear e teoria de matrizes se confundem com freq u encia. Algebra linear literalmente trataria de quest oes lineares: espa cos vetoriais, transforma c oes lineares. Matrizes apareceriam como representa c oes convenientes de transforma c oes lineares. Mas autovalores s ao objetos n ao lineares por excel encia, e muito do m erito de algebra linear vem de seu uso em problemas aparentemente n ao lineares. Para Derek Hacon, teoria de brados e algebra linear a v arios par ametros; para Peter Lax, todo problema se torna linear em cardinalidade sucientemente alta; para Andr e Weil, a u nica matem atica que se entende e a que se lineariza. Historicamente, aplica c oes de matrizes ou talvez, modismos t em import ancia vari avel. Sylvester acreditava que a matem atica do s eculo XX seria o estudo de matrizes cujas entradas s ao outras matrizes, objetos ali as caseiros entre analistas num ericos, para quem um laplaciano discretizado num ret angulo e uma matriz tridiagonal em blocos. Manipula c oes simb olicas em combinat oria e geometria anal tica tornaram determinantes fundamentais: hoje, um aluno deveria saber decidir rapidamente se tr es pontos em um plano est ao alinhados. Entretanto, n ao se espera que saibamos vericar se quatro pontos est ao num c rculo um determinante um pouquinho mais complicado que saiu de moda (mas est a voltando por raz oes gr acas). O efeito de perturba c oes de posto um no espectro e na inversa de uma transforma c ao linear provavelmente foi estudado antes para operadores de Schr odinger (f ormulas do tipo Weinstein-Aronsjan), e depois considerado para matrizes (Sherman-Morrison), com aplica c oes abundantes em an alise num erica. 3

Matrizes como ret angulos de n umeros descrevem tabelas, adjac encias de grafos, e se por um lado s ao ancestrais conceituais de outras esp ecies matem aticas, como matr oides e grupos de Lie, por outro sugerem alternativas aparentemente relegadas pela evolu c ao dos conceitos, como n umeros dispostos em cubos. Ali as, a palavra matrix, no latim tardio, designa os registros p ublicos, onde os cidad aos s ao associados aos nomes de suas m aes, u nica certeza (e como lista de registros, virou tamb em matricula). E disposi c oes mais ex oticas de n umeros s ao de fato estudadas, ` as vezes de forma escondida: o produto tensorial empregado ao representar um laplaciano discretizado num paralelep pedo (e calcular-lhe o espectro) e um exemplo disso. Para complicar as coisas, muito do que se aprendeu sobre algebra linear (anterior ` a teoria de matrizes) foi feito num per odo her oico em que a axiomatiza c ao era ainda remota. Anal, grande parte dos problemas que interessavam aos tit as do c alculo eram genuinamente n ao lineares, e aproxima c oes lineares eram indispens aveis. Lagrange, que n ao conhecia matrizes, decidia se uma Hessiana era positiva (ou melhor, se um equil brio de um sistema mec anico era est avel) de forma expl cita, computacional, e n ao calculando seu espectro, como habitualmente fazemos nos cursos de c alculo, o que deixa claro que na verdade n ao pretendemos fazer essas contas (Lagrange, como a decomposi c ao de Choleski, completava quadrados). Ali as, o pr oprio m etodo de c alculo de autovalores e autovetores encontrado nos livros b asicos habituais e evid encia de que esse c alculo e de interesse marginal para os autores dos textos. Ironicamente, e prov avel que a maioria dos modelos matem aticos com muitas vari aveis (na escala de centenas ou mais) seja linear atualmente, algebra linear e o c alculo a muitas vari aveis. N ao s o os temas mudam de relev ancia no tempo, mas mudam tamb em as motiva c oes para ensin a-los. Geometria sint etica e seu or aculo, geometria anal tica, s ao ensinados no col egio para exercitar aptid oes visuais e de argumenta c ao l ogica e alg ebrica. Entretanto, e raro que geometria anal tica seja realmente usada em classe como a panac eia para a geome4

tria elementar: a descoberta cartesiana e fartamente elogiada, raramente empregada. Uma das raz oes apresentadas para isso e que as contas freq uentemente se tornam enormes, o que em geral e apenas falta de conhecimento o ap endice, logo depois da introdu c ao, e um exemplo muito signicativo. Em um certo momento, algebra linear tornou-se paradigm atica do modo prossional de fazer matem atica, devido a sua axiomatiza c ao muito simples. Os cursos se tornaram mais abstratos, com enfase em aspectos alg ebricos, e as motiva c oes iniciais foram sendo esquecidas: n ao se lineariza nos cursos de algebra linear e evita-se qualquer discuss ao anal tica, como teoria de perturba c ao e a estabilidade da resolu c ao de sistemas. Alunos s o consideram a diferenciabilidade dos autovalores depois de um curso de an alise funcional. Como conseq u encia, a protoan alise funcional, em dimens ao nita, passa a ser apenas um aspecto do c alculo num erico, por sua vez tamb em frequentemente escamoteado. A diferencia c ao da inversa de matrizes reais, em alguns cursos de gradua c ao, cou como um derradeiro exemplo da innidade de quest oes que s ao t ao bem descritas no cen ario de teoria das matrizes, um dos grandes campos de prova da matem atica desse s eculo. Nas u ltimas d ecadas, surgiram novas raz oes para considerar algebra linear e geometria anal tica: modelagem a muitas vari aveis, an alise num erica (que mais uma vez faz aparecer sistemas a muitas vari aveis), computa c ao gr aca. O que ensinar, ent ao? 1.O cen ario A proposta de material apresentada nesse texto foi empre gada nos u ltimos dois semestres nos cursos de Algebra Linear I e II da PUC-Rio, e existe um consenso nos departamentos do Centro T ecnico Cient co de que conv em mant e-la. Nos u ltimos dois anos, foi estudada por uma comiss ao de professores do CTC uma altera c ao substancial dos cursos b asicos de engenharia e ci encias: o conte udo dos cursos de algebra linear foi cuidadosamente considerado, levando em conta os interesses dos departamentos, a forma c ao prossional dos alunos e 5

a moderniza c ao das t ecnicas de ensino, recebendo o aval da comiss ao. Todos os alunos dos cursos t ecnicos s ao obrigados a cursar ALI, mas s o alguns departamentos (entre os quais o de Engenharia El etrica, Inform atica e Engenharia Civil) exigem de seus alunos ALII. O pr oprio Departamento de Matem atica dispensa seus alunos de ALII, j a que os t opicos s ao tratados com mais profundidade em cursos posteriores. Os alunos de ALI acabam de entrar na Universidade, ou est ao em seu segundo semestre, e fazem ALII imediatamente depois. Em geral, s ao mal preparados matematicamente, e seu desempenho nos cursos de c alculo tem piorado nos u ltimos anos. S ao freq uentes as equipes com cinco professores (alguns com duas turmas) em ALI e equipes de tr es professores em ALII. A avalia c ao dos cursos e feita por tr es provas distribu das pelo semestre: de forma resumida, se os alunos n ao alcan cam uma m edia (5 ou 6, dependendo de vari aveis irrelevantes no momento), t em a oportunidade de trocar uma das notas pela nota de uma quarta prova, que abrange o conte udo de todo o curso. O curso de ALI tem quatro horas de aula semanais; ALII tem tr es horas semanais, uma das quais e nos laborat orios de computa c ao. As aulas te oricas de duas horas s ao longas demais, em geral: e freq uente interromper em 80 minutos. Uma estrat egia interessante e liberar os alunos depois desse per odo e tornar facultativo um ap endice da aula em que material suplementar e apresentado. A dura c ao dos cursos e de cerca de 16 semanas.

2. Uma primeira descri c ao do conte udo As provas dividem cada curso em tr es partes. Na primeira parte de ALI, introduzem-se os conceitos b asicos de geometria anal tica, com enfase em dist ancia e angulo, retas e planos. Na segunda parte s ao estudadas transforma c oes lineares e suas 6

representa c oes matriciais, ressaltando as que s ao descritas geometricamente de forma simples. A abund ancia de exemplos geom etricos facilita a apresenta c ao do material da terceira parte: autovalores e autovetores, diagonaliza c ao de matrizes. Em ALII, os alunos s ao apresentados a situa c oes lineares que em princ pio n ao est ao relacionadas com geometria. Na primeira parte, s ao descritos tr es exemplos expressivos: contagem de caminhos num grafo, um modelo de crescimento populacional e a discretiza c ao de um problema de Sturm-Liouville no intervalo, com condi c oes de Dirichlet. A seguir, estudam-se com mais detalhe (inclusive de natureza num erica) sistemas lineares (segunda parte) e teoria espectral (terceira). Nos dois cursos, s ao apresentados exemplos de uma atividade fundamental nas aplica c oes de matem atica: modelagem. Melhor, os exemplos n ao necessitam de conhecimentos de f sica, o que indica a versatilidade das ferramentas para al em das escassas aplica c oes tradicionais dos cursos de c alculo. Os t opicos escolhidos s ao convenientes tamb em por raz oes de apresenta c ao: as aulas s ao quase sempre motivadas por problemas concretos (no voc abulario em voga, s ao problemoriented) e a modulariza c ao torna mais simples para o aluno descobrir seus pontos fracos e fortes. Al em disso, as id eias importantes do curso s ao exemplicadas em um conjunto pequeno de exerc cios, o que deve ser explorado na confec c ao das provas: problemas articiais n ao s ao considerados relevantes, e problemas especialmente bonitos (ou interessantes ca por conta do estilo de cada um), j a que s ao t ao bons, n ao merecem ser apresentados em provas, e sim em sala de aula. N ao encontramos um livro texto que apresente o material que nos interessa, da maneira que nos interessa. Durante os cursos, os alunos recebem algumas apostilas e listas de exerc cios. Eventualmente, espera-se organizar o material de forma mais permanente. O livro Linear Algebra and Applications, de G. Strang, e uma excelente refer encia para boa parte de ALII.

Ap endice 1: O teorema de Napole ao Considere o seguinte resultado cl assico de geometria, ` as vezes atribu do a Napole ao. Dado um tri angulo ABC qualquer, construa sobre os lados, para fora do tri angulo, tr es tri angulos eq uil ateros com novos v ertices X, Y e Z , como indicados na gura.

C Z R A P B Q

X
O teorema diz que os centros P, Q e R desses tr es tri angulos formam ainda outro tri angulo eq uil atero. Para uma demonstra c ao via geometria anal tica, suponha que o plano e na verdade C, o plano complexo, e o tri angulo original est a disposto de maneira a termos A = 0, B = 1 e C = z, um n umero complexo qualquer. Em princ pio, o resultado deve ser demonstrado para todo z C vamos ver entretanto que basta vericar o resultado para dois valores (praticamente arbitr arios) de z ! Bom, ` as contas: os v ertices X , Y e Z s ao obviamente express oes ans de z (isso e da forma z + ) por exemplo, Z e obtido rodando (isto e, multiplicando) C de 60 graus (isto e, ei/3 ). Mas o fato e que n ao precisamos nem ter as descri c oes expl citas dos tr es pontos. Os centros P , Q e R, por serem m edias dos v ertices de seus tri angulos, tamb em s ao express oes ans em z . O teorema, ent ao, corresponde ao fato que R P e obtido girando Q P de 60 graus, 8

que mais uma vez e representado por uma express ao am em z cujo valor deve ser mostrado igual a 0, para qualquer valor de z . Mas, para vericar isso, basta justamente escolher dois valores simples para z e neles vericar a validade do teorema: tome, por exemplo C no semiplano superior de maneira a fazer ABC eq uil atero, e C no ponto m edio de AB , ou C = A. E poss vel escolher C no semiplano inferior com ABC eq uil atero, mas cuidado com o que X , Y e Z querem dizer nesse caso. O argumento acima exemplica um fato desprezado em nossa arvore de ensino (mas que e bem conhecido por pesquisadores especializados): quase todos os resultados que ensinamos em geometria s ao equivalentes a rela c oes alg ebricas muito simples, e como tal, podem ser demonstrados a partir de um n umero muito reduzido de casos. Enm, praticamente toda a geometria que ensinamos admite demonstra c ao por (poucos) exemplos, aquilo que um aluno espont aneamente faz, sem saber porqu e pode fazer. Claro, resta saber quantos (e quais) exemplos s ao necess arios em cada caso: essas t ecnicas s ao freq uentes em geometria alg ebrica e, mais recentemente, em computa c ao simb olica.

 Algebra Linear I O come co do curso n ao trata de algebra linear estritamente: s ao apresentados os fundamentos de geometria anal tica. Os pr e-requisitos s ao quase nulos: uma das diculdades da prepara c ao das aulas e descrever problemas interessantes usando material t ao simples. Por qu e ensinar isso? Para treinar visualiza c ao. Para falar de geometria sem ambiguidade. Na linguagem empregada em sala de aula, pense em transmitir imagens para um cego, ou para o cego absoluto: uma m aquina. Para preparar o aluno para computa c ao gr aca. Para acostumar-se ao dicion ario geometria- algebra. Para perceber eventualmente que, entre tantas opera c oes geometricas, tranforma c oes lineares s ao abundantes e simples. Por isso, ALI se limita ao plano R2 e ao espa co R3 , com convites ocasionais a generaliza c oes. A. O primeiro ter co do curso (quatro semanas de teoria) A.1 Coordenadas de pontos, vetores Plantas como proje c oes Pontos no plano podem ser apresentados em um desenho, e pontos no espa co s ao dados por dois desenhos, correspondentes ` a proje c ao ortogonal dos pontos em dois planos coordenados esse e o come co de geometria descritiva. Pela sua naturalidade, essa representa c ao tem um certo efeito teatral: imagine um barco constru do dentro de um galp ao, com plantas desenhadas em duas paredes. Uma terceira planta, numa terceira parede, cont em informa c ao repetitiva, mas que pode ser conveniente. Os alunos s ao convidados a pensar em algumas diculdades associadas a essa representa c ao. Por exemplo, n ao e f acil descobrir o comprimento de um segmento (sua verdadeira grandeza, no vocabul ario de descritiva) a partir de 10

suas proje c oes, ou ainda pior, calcular o angulo entre dois segmentos. Coordenadas Coordenadas s ao uma representa c ao alternativa eciente, abundantemente empregada em computa c ao gr aca. Um conjunto de pontos no espa co, por exemplo, corresponde a uma lista de triplas de n umeros, e as proje c oes desse conjunto nos planos coordenados, equivalentes ` as plantas descritivas, por sua vez s ao listas obtidas facilmente a partir da lista original. Seguem alguns exemplos interessantes: talvez alguns sejam dif ceis demais para sua turma. 1. Para vericar o n vel da turma, desenhe um paralelep pedo com faces paralelas aos planos coordenados, chame de (a, b, c) e (d, e, f ) dois v ertices opostos e fa ca as perguntas obvias: quais s ao as coordenadas dos outros v ertices, o que t em em comum todos os pontos de uma face, quais os comprimentos dos lados... 2. Desenhe um ret angulo com pequenos ret angulos espalhados regularmente em seu interior: uma representa c ao de uma fachada com janelas. Forne ca informa c oes m etricas sucientes, e pergunte quais as coordenadas de todos os v ertices da gura. O problema e um bom exerc cio de nota c ao, e pode ser usado para falar de loops (itera c oes) em programa c ao. 3. Encontre as coordenadas dos v ertices de, digamos, um pent agono regular centrado na origem, tendo o ponto (1, 0) como um dos v ertices. Vetores e certas diculdades notacionais Nesse curso, vetores s ao pontos de R2 ou R3 em outras palavras, vetores s ao n-uplas. O que mais poderiam ser? Na tradi c ao dos tempos de col egio, vetores t em setinha e ponta, e se apoiam em algum lugar: vetores s ao representa c oes de for cas, incluindo sua dire c ao, sentido, intensidade e ponto de aplica c ao. Numa linguagem mais matem atica, os vetores do col egio s ao elementos do espa co tangente de R2 ou R3 , e n ao membros desses conjuntos. N ao h a perda substancial de signicado f sico ao interpretar vetores como pontos vetores continuam sendo for cas, todas aplicadas a um ponto s o e 11

ganha-se muito em simplicidade. Um erro t pico e achar que vetores de um plano s ao perpendiculares a um vetor normal do plano. O vetor do col egio e um segmento, possivelmente orientado. Coerentemente, n ao se deve dizer que dois vetores s ao paralelos, e sim, que eles est ao na mesma reta pela origem pontos n ao s ao paralelos. Neste texto, evito o abuso freq uente em livros de algebra linear: colinearidade e coplanaridade t em seu signicado habitual dois vetores s ao sempre colineares, tr es s ao sempre coplanares. Nesse texto, arma c oes do tipo tr es vetores s ao L.D. quando s ao coplanares est ao erradas 3 alguns planos de R n ao passam pela origem. Como freq uentemente nesse curso consideramos opera c oes ans, e conveniente ressaltar quando os objetos em discuss ao (retas, planos) cont em a origem ou n ao. Soma e multiplica c ao por escalar de vetores, espa cos vetoriais Obviamente, as opera c oes vetoriais b asicas devem ser apresentadas algebrica e geometricamente. Em particular, as duas diagonais do paralelogramo naturalmente associadas aos vetores u e v merecem considera c ao. Seguem alguns exemplos de complexidade did atica enganadora. 1. Somas s ao convenientes para descrever transla c oes. Desta forma, uma lista de 2-uplas representando um conjunto de pontos importantes de uma gura planar d a origem a outra lista de 2-uplas associadas a pontos de uma transla c ao desta gura . Em particular, padr oes peri odicos s ao f aceis de implementar, sem que cada componente (lista) seja guardada exaustivamente na mem oria. (O problema da fachada com janelas pode ser re-estudado). 2. A soma das cinco ra zes quintas da unidade e zero (estamos pensando nas cinco ra zes como sendo vetores do plano, obtidos em um exemplo acima) os alunos s ao facilmente convencidos disto pela interpreta c ao de for ca resultante. Essa ali as e uma oportunidade interessante para introduzir um argumento de simetria: o conjunto formado por esses cinco vetores e invariante por uma rota c ao de 2/5, logo a soma tamb em deve 12

ser: mas o u nico vetor invariante por uma rota c ao n ao trivial e o vetor 0. Esse fato geom etrico por sua vez implica em duas identidades trigonom etricas (uma em cada coordenada) que n ao s ao obvias. 3. Ao verbalizar a opera c ao v 2v , dizemos que cada vetor e duplicado, mas isso n ao quer dizer para os alunos que guras inteiras sejam duplicadas. Mais concretamente, alunos t em diculdades de aceitar que essa opera c ao leva todo e qualquer c rculo unit ario a outro c rculo de raio 2. Um bom exerc cio ali as e faz e-los obter o diagrama comutativo que combina transla c oes e dilata c oes (isto e, transladar de v e dilatar por k e a mesma coisa que dilatar por k e transladar por kv ). Composi c oes de fun c oes devem ser exaustivamente exploradas no curso, pela mesma raz ao que rotinas s ao escolhidas como pe cas fundamentais ao escrever programas de computa c ao gr aca. 4. Explique o funcionamento do pant ografo. 5. Divida segmentos no espa co em partes iguais. (Um problema como esse tem mais de uma interpreta c ao: alg ebrica? geom etrica? considere a maturidade da turma). Alunos que entram para a universidade n ao t em necessariamente uma compreens ao operacional da reta dos n umeros. N ao acho que valha a pena, entretanto, come car o curso com ela. Esse exerc cio e uma boa oportunidade para situar pontos na reta. Denir ou n ao espa cos vetoriais? Considerando a totalidade dos cursos de engenharia, n ao vejo porque ensinar as deni c oes de corpo e espa co vetorial nos primeiros cursos de algebra linear. E dif cil encontrar aplica c oes genu nas desses conceitos na generalidade al em dos espa cos euclideanos (se os alunos estudarem c odigos ou espa cos de fun c oes, a hist oria e outra, mas isso vem muito depois em suas vidas acad emicas, se vem). Historicamente, nossos av os zeram muito sem essa axiomatiza c ao (que ali as e desse s eculo). A frase ouvida com freq u encia de que o conceito de espa co vetorial e geom etrico e discut vel: o que e geom etrico 13

 e o conceito de espa co vetorial sobre R de dimens ao pequena. Ali as, em certos momentos do curso, quando as contas passam a envolver n umeros complexos, os argumentos geom etricos (no sentido matem atico da palavra) s ao uma fonte inesgot avel de confus ao, e os alunos n ao est ao sozinhos: j a vi matem aticos pouco ` a vontade quando se expressam em termos de retas complexas. Na verdade, existe um processo sutil no uso matem atico da palavra geometria, compar avel ao abuso no emprego da palavra intuitivo. Que duas retas diferentes em Rn se encontrem no m aximo em um ponto n ao e um fato geom etrico obvio a educa c ao matem atica n ao treina nossos olhos a ver em Rn . Ela em vez nos habitua a descobrir quais rela c oes entre palavras do vocabul ario geom etrico s ao pass veis de generaliza c ao: o jogo funciona t ao bem que passamos a considerar essas extens oes como evidentes. Esse, ali as, e um dos grandes testes de uma axiomatiza c ao. Raramente em cursos de matem atica consideramos quest oes dessa natureza, e provavelmente fazemos bem em evitar o assunto: talvez, para nossos alunos de gradua c ao em matem atica, exemplos eventuais podem ser interessantes. Para os alunos iniciantes, entretanto, certamente ino assunto pode ser conceitualmente dif cil. E teressante mostrar aos alunos durante os cursos como o procedimento que permite a um cego ou uma m aquina fazer geometria na verdade nos liberta para operar em situa c oes onde a nossa vis ao n ao alcan ca. Ironicamente, um dos objetivos desse curso e justamente ajudar os alunos a apreciar melhor o pr oprio espa co tridimensional. Axiomatizar espa cos vetoriais, ent ao, n ao vale a pena: n estaremos sempre em R . Por outro lado, e muito conveniente falar de subespa cos dos espa cos euclideanos, inclusive para ressaltar a id eia de dimens ao. A deni c ao ca muito mais f acil: s ao conjuntos fechados em rela c ao ` as duas opera c oes vetoriais. A.2 Dist ancia e angulo Dist ancia e Pit agoras, e os alunos em princ pio j a viram no colegial. O argumento tridimensional n ao e t ao f acil para eles. 14

Da , segue a deni c ao de norma de um vetor, sem diculdades, e as equa c oes para c rculo no plano e esfera. Um exemplo fundamental: a equa c ao x2 + y 2 = 1 n ao e uma esfera em tr es dimens oes. Angulo e bem mais complicado: obviamente, dena o produto interno habitual, e arme que u, v = ||u|| ||v || cos(u, v ), at e antes de mostrar a bilinearidade do produto interno. Com isso, ca claro que a estranha deni c ao de produto interno na verdade e muito conveniente: estamos calculando angulos fazendo contas simples, sem invocar a trigonometria que seria usada no colegial. O problema e que a demonstra c ao dessa equa c ao n ao e simples: sugiro que seja apresentada, se houver interesse, num ap endice a uma aula. 1. Liste as coordenadas dos v ertices de um cubo, em posi c oes simples em rela c ao aos eixos. Fa ca o mesmo para o tetraedro: deixe os alunos abordarem o problema colocando uma das faces no plano horizontal, calculando alturas etc. ,etc., e depois fa ca notar que um v ertice sim, outro n ao do cubo s ao os quatro v ertices do tetraedro. Se quiser, d e um passo al em: da mesma maneira que os tr es vetores can onicos do espa co s ao os v ertices de um tri angulo eq uil atero, com representa c ao em coordenadas muito simples, os quatro vetores can onicos de R4 induzem coordenadas ainda mais simples para os v ertices de um tetraedro regular. Ali as, o segmento ligando v ertices opostos do cubo unit ario n-dimensional cresce com n: talvez sua turma ache isso interessante (e o volume da bola inscrita vai a zero...). 2. Obtenha coordenadas para o octaedro. Corte pir amides a partir de cada v ertice do octaedro, de modo a obter um s olido cujas faces s ao quadrados e hex agonos regulares: obtenha os v ertices desse s olido. C opias iguais dele enchem o espa co, e s ao usadas como sub-c elulas dentro de petroleiros para minimizar vazamentos devidos a quebra dos tanques. 3. A mol ecula de metano, CH4 , tem seus quatro atomos de hidrog enio nos v ertices de um tetraedro regular, cujo centro e 15

ocupado pelo atomo de carbono. O que e maior, um angulo com v ertices HCH ou o angulo interno de um pent agono regular? 4. Os angulos das faces dos tetraedro e octaedro regulares s ao suplementares: verique o que isso quer dizer visualmente? 5. Passe um plano por um cubo de modo a obter como se c ao um hex agono regular. Mostre que as coordenadas desse hex agono no espa co podem ser descritas por n umeros mais simples do que as obtidas se desenharmos o hex agono no plano. 6. (dif cil) Os v ertices de um icosaedro regular s ao divididos de forma conveniente de modo a pertencerem a duas pir amides de base pentagonal (as bases est ao no interior do icosaedro), ligadas pr uma coroa de dez dentes triangulares, cinco saindo de cada pir amide. A partir dessa descri c ao, obtenha coordenadas para os v ertices do icosaedro. 7. Como obter coordenadas para os v ertices do dodecaedro regular a partir dos v ertices do icosaedro regular? 8. Como obter coordenadas para os v ertices do s olido mais importante de nossa cultura, a bola de futebol, a partir das coordenadas dos v ertices do icosaedro? A costura habitual da bola de futebol corresponde a um s olido cujas faces s ao hex agonos e pent agonos regulares, com dois hex agonos e um pent agono encontrando-se em cada v ertice. Para os puristas, essa e tamb em a disposi c ao dos atomos de carbono na mol ecula de fullereno, C60 : liga c oes duplas ocorrem em arestas entre hex agonos. Como obter coordenadas para os v ertices da bola de modo a sugerir movimentos rota c ao, afastamento? Isso vai ser respondido mais adiante. 9. Identidades do paralelogramo e de polariza c ao bons exemplos do emprego de nota c ao vetorial. Para alunos mais espertos, fa ca notar que quem sabe elevar ao quadrado, sabe multiplicar (que e o conte udo da identidade de polariza c ao para o produto interno). Em particular, e mais f acil obter a f ormula da derivada do produto de duas fun c oes sabendo a regra da cadeia (um fato geom etrico...) e a derivada de x x2 . Ou: para conhecer a Hessiana de uma fun c ao f num ponto p, 16

basta saber calcular segundas derivadas em p de f restrita a qualquer reta por p. 10. Descreva elipse, par abola e hip erbole de forma geom etrica e obtenha suas equa c oes, para disposi c oes simples das guras. Ortogonalidade pode esperar um pouco. A.3 Retas e planos parametrizados Depois que as duas opera c oes vetoriais est ao domesticadas, e natural ensinar as equa c oes param etricas de retas. Aqui, as diculdades s ao de outra natureza: 1. o fato que a mesma reta pode ser parametrizada de v arias maneiras, 2. a necessidade de explicitar em que dom nio est a o par ametro ( e freq uente encontrar alunos que acham que o par ametro e um inteiro positivo). Com um pouco de algebrismo, mostra-se que toda reta no plano e da forma ax + by = c: a ambiguidade da representa c ao tem que ser considerada explicitamente o tempo e bem usado. N ao h a necessidade nesse momento de descrever retas no espa co como um sistema de duas equa c oes. Vale a pena ressaltar a maravilhosa generalidade da descri c ao param etrica, um grande progresso em rela c ao ` a matem atica ensinada no colegial: uma reta e dada por um ponto e uma dire c ao em qualquer cen ario. 1. Medianas de um tri angulo se encontram em um u nico ponto, que divide cada mediana em dois segmentos, um duas vezes maior do que o outro (excelente exemplo de emprego de nota c ao vetorial). 2. Um exerc cio de visualiza c ao: inclinando a cabe ca, duas retas reversas cam em dois planos horizontais. 3. Ache retas tangentes a c rculos e esferas: aqui, falar de ortogonalidade pode ser conveniente. O problema a seguir pode ser interpretado de v arias formas, al em de admitir mais de um n vel de formalismo. 17

4. Rota c oes no plano levam retas em retas. Construa (regua e compasso? descri c ao alg ebrica?) um tri angulo eq uil atero, sabendo que cada v ertice pertence a uma de tr es retas dadas. Voc e pode at e escolher um dos v ertices. 5. Roubando um pouquinho, fale sobre espelhos parab olicos. Au nica diculdade e obter a reta tangente ` a par abola em um ponto. Para isso, basta puxar um limite do vetor dire c ao de retas secantes. Ali as, com um pouco de geometria cl assica, n ao e nem necess ario usar c alculo. Planos parametrizados s ao um pouco mais complicados: precisamos de dois vetores dire c ao. O sinnitos exerc cios poss veis s ao can onicos. Esse e o momento no curso para introduzir combina c oes lineares. Ressalte tamb em a diferen ca entre retas e planos pela origem e o caso geral: especique transla c oes de um para o outro. O passo seguinte e interpretar de forma geom etrica a equa c ao n ao param etrica de retas e planos. Agora sim, vamos usar ortogonalidade. A.4 Ortogonalidade e as equa c oes de reta e plano revisitadas 1. Submeta sua pobre turma ` a seguinte experi encia (que j a z v arias vezes em cursos de c alculo). Desenhe quadrados sobre os tr es lados de um tri angulo ret angulo e diga que eles s ao feitos de ouro, com a mesma espessura. Ao perguntar para aos alunos se eles preferem ganhar os dois pequenos ou somente o maior, a turma se divide em partes iguais poucos, muito poucos, percebem que, por Pit agoras, d a no mesmo. (A experi encia deveria contar como um teste estat stico para a validade do teorema!). A seguir, desenhe, sobre os tr es lados do mesmo tri angulo, tr es vers oes homot eticas da mesma gura, digamos, um busto de Pit agoras, e repita a pergunta ` a turma. Discuta. Depois da deni c ao obvia de ortogonalidade de vetores, o teorema de Pit agoras (em Rn ?) e um bom exemplo de manipula c ao simb olica (ou melhor, da boa escolha de axiomas de algebra linear). 18

Agora, interprete as equa c oes ax + by = 0 no plano e ax + by + cz = 0 no espa co como rela c oes de ortogonalidade. Retas (planos) paralelas s ao os conjuntos de vetores que fazem o mesmo produto interno com um vetor xo. Isto d a conta das equa c oes de retas e planos que n ao passam pela origem, interpreta geometricamente desigualdades lineares, e torna f acil apresentar os primeiros exemplos (planares) de programa c ao linear. Uma outra cole c ao habitual de problemas com esse material e o c alculo de dist ancia entre pontos, retas, planos. B. Entre a segunda e a terceira prova fun c oes e transforma c oes lineares (mais quatro semanas de teoria) O vocabul ario para falar de fun c oes no plano e no espa co j a est a dispon vel. B.1 Fun c oes em geral Conv em come car com exemplos de fun c oes naturais que admitam uma descri c ao geom etrica e que n ao sejam necessariamente lineares. Os exemplos cl assicos est ao em perspectiva c onica e confec c ao de mapas, mas o mundo e enorme. 1. Desenhe no quadro (e represente algebricamente) os tr es eixos coordenados, um plano vertical (a tela), um ponto (o olho), e calcule o ponto na tela onde passa a reta pelo olho e um ponto arbitr ario. Enfatize algumas distor c oes dessa proje c ao: igualdade de comprimentos n ao e preservada, angulo tamb em n ao. Aproveite para treinar o vocabul ario de fun c oes: dom nio, contradom nio, imagem, injetividade, sobrejetividade, invertibilidade. 2. Apresente alguma forma de representa c ao cartogr aca, por exemplo, proje c ao estereogr aca ou Mercator. Mais uma vez, chame a aten c ao para as distor c oes inevit aveis. B.2 Transforma c oes lineares O material dessa se c ao foi vertido para uma apostila entregue aos alunos: e o Ap endice 2. Comece com uma rota c ao pela origem no plano. Mostre geometricamente que somas v ao em somas, e que multiplica c ao 19

por escalares tamb em e preservada pela fun c ao. Explique porqu e, a partir desses fatos, basta saber onde dois vetores praticamente arbitr arios s ao mandados pela rota c ao para saber sua a c ao sobre um vetor qualquer. Detalhe a seq u encia de c alculos: a escolha de dois vetores (os dois can onicos, por exemplo), o c alculo de suas imagens, a representa c ao de um vetor arbitr ario como combina c ao linear dos dois vetores escolhidos, e nalmente o c alculo da imagem do vetor arbitr ario. Repita o processo com uma proje c ao ortogonal sobre um plano pela origem em R3 . Na aula seguinte, dena transforma c oes lineares. Enfatize sua rigidez: quem sabe onde uns poucos vetores s ao levados, sabe onde todos s ao. Apresente, como teorema, uma lista de transforma co es lineares (proje c oes, ortogonais ou n ao, sobre retas e planos pela origem, rota c oes pela origem, espelhamen bom mostrar geomettos por retas e planos pela origem). E ricamente a linearidade de alguns exemplares da lista, mas os desenhos associados em geral s ao confusos e s o tratam de casos particulares (ningu em escolhe dois vetores em lados opostos do espelho ao vericar linearidade do espelhamento). Em particular, em provas, s o e razo avel pedir para mostrar a linearidade de transforma c oes que constam na lista (o que e quase trivial: e s o vericar que a reta/plano na descri c ao passa pela origem), ou que s ao descritas algebricamente. Discuta geometricamente a exist encia de inversa para essas v arias opera c oes. Composi c oes v ao aparecer em breve. Ressalte que transla c oes ou espelhamentos por elementos que n ao passam pela origem n ao s ao transforma c oes lineares. 1. Um exemplo importante em aplica c oes e a reex ao por um plano dado por seu vetor normal n. A matriz resultante e chamada de matriz de Householder e pode ser obtida de duas maneiras de interesse did atico para o curso: a. a partir de tr es vetores cujas imagens s ao f aceis de calcular, b. a partir da f ormula v v 2 v, n n, que deve ser apresentada com cuidado. A segunda representa c ao merece coment arios (quantos, depende da turma): a f ormula faz sentido em dimens ao alta e 20

exige pouco c alculo essa e a primeira manifesta c ao de desacoplamento no curso, um tema que ser a tratado com detalhe mais adiante. Nesse caso, n ao e necess ario decompor o vetor em uma base ortogonal contendo n: o coeciente associado a n n ao depende da escolha da base! Mais geometricamente, decompondo o vetor v = n + u, onde u n, o espelhamento e dado por n + u n u. Alunos t em diculdade de obter a representa c ao matricial da transforma c ao a partir dessa f ormula: conv em fazer as contas em sala. Melhor: esse exerc cio mostra que nem sempre a representa c ao matricial e a melhor implementa c ao de uma transforma c ao linear uma rotina de espelhamento faz menos contas se zer uso da f ormula. Analistas num ericos sabem que freq uentemente o c alculo de v Av n ao passa pela matriz associada a A laplacianos discretizados s ao um exemplo. Espelhamentos s ao perturba c oes de posto um da identidade: todos os vetores no plano do espelho cam parados e isso que torna as contas mais f aceis. Da mesma maneira, vale a pena apresentar a f ormula correspondente a uma proje c ao ortogonal. Um problema para o professor: descreva explicitamente uma base ortogonal de Rn contendo o vetor (1, 1, . . . , 1). (Sugest ao: novamente Householder tente fazer o problema de outra maneira). 2. Encontre uma transforma c ao linear que preserva o tamanho dos vetores levando um vetor v a um outro vetor w satisfazendo ||w|| = ||v ||. (Considere um espelhamento que leve v em w: concretamente, reita pelo plano perpendicular ao vetor v w) Sistemas lineares Toda a informa c ao a respeito de resolu c ao de sistemas nesse curso se resume a esse fato: tire uma vari avel de uma equa c ao e jogue nas outras. N ao h a raz ao para ensinar escalonamento se todos os sistemas considerados s ao pequenos ou muito simples. Em ALII 21

escalonamento e levado a s erio, junto com aspectos superciais de sua programa c ao. Para inverter uma transforma c ao, resolva o sistema associado para um lado direito arbitr ario. B.3 Representa c oes matriciais, ou quase Transforma c oes lineares admitem representa c oes matriciais, e s o elas. Mais: a composi c ao de transforma c oes lineares corresponde ao produto de matrizes. Enalte ca a matriz identidade, fale de inversas. Essa e uma das transi c oes entre geometria e algebra. Deixe claro que transla c oes n ao t em representa c oes matriciais. Mais uma escolha, idiossincr atica para alguns: matrizes nesse curso representam apenas transforma c oes lineares sendo descritas em termos de bases can onicas. Em particular, n ao se fala de matrizes que mudam de base, nem de representar matrizes em outras bases. Os alunos t em muita diculdade com esses temas, e seu conte udo operacional n ao e maior do que a receita indicada acima para obter representa c oes alg ebricas de transforma c oes lineares (escolher uma base em que a representa c ao e simples e a mesma coisa que dizer que e f acil calcular a imagem de alguns vetores). Isso n ao elimina a discuss ao sobre diagonaliza c ao de matrizes, como veremos adiante. Proje c oes, espelhamentos, por subespa cos ans Agora e o momento de, por exemplo, espelhar no plano por uma reta r que n ao passa pela origem. Descreva a fun c ao empregando os dois ingredientes mais simples: uma transla c ao que leva r a uma reta r pela origem e o espelhamento E por r (uma transforma c ao linear) a fun c ao e 1 T : enfatize a ordem das opera c oes, fonte inesgot avel de erros. Todos os problemas envolvendo transforma c oes lineares podem ser transplantados para situa c oes ans. Nesse curso avaro de novas palavras, n ao conv em falar de subespa cos ans. 1. Rota c oes em torno de eixos pela origem no espa co s ao facilmente descritas usando composi c oes. Seja n o vetor normal indicativo do eixo de rota c ao e a o angulo de rota c ao. Um espelhamento E pode ser usado para levar n ao vetor, digamos 22

e3 : a rota c ao e ERa E , onde Ra gira de a em torno de e3 , o que e f acil de representar algebricamente. Note a troca de sinal do angulo de rota c ao: explique porque com cuidado. Espelhamentos e orienta c ao Alunos raramente s ao expostos nos cursos b asicos ao fen omeno de troca de orienta c ao: espelhamentos fornecem uma dif boa oportunidade para isso. E cil falar sobre orienta c ao de forma precisa e simples para isso, trapaceie e use as m aos direita e esquerda, tanto no plano quanto no espa co. Tendo tempo, fale sobre a pergunta cl assica: e poss vel explicar o que e direita/esquerda para uma forma de vida que n ao v e a parte do universo que n os vemos? Ou, dito de forma mais precisa (mais fascinante), as leis do universo s ao invariantes por espelhamento? Se algu em v e um lme num espelho, estranha isso? Alguns alunos cam muito intrigados com a pergunta (e sua resposta!). V a um pouco al em: depois de falar de orienta c ao no plano, e f acil mostrar que a faixa de M obius n ao e orient avel e se nosso universo n ao for orient avel? o que aconteceria se, depois de uma longa viagem, volt assemos do outro lado? Fale de mol eculas espelhadas de a cu cares, ressalte que orientabilidade e uma propriedade global do espa co. Tudo isso, claro, se houver tempo, condi c oes. B.4 Bases, ortogonais ou n ao Como o curso se limita ao plano e ao espa co, falar de bases em generalidade e pedante e desnecess ario. Uma base do plano (do espa co) s ao dois (tr es) vetores cujas combina c oes lineares preenchem o plano (espa co). Bases t em uma motiva c ao simples: s ao os conjuntos minimais de vetores a partir dos quais se descreve uma transforma c ao linear os exemplos j a vistos no curso s ao abundantes. O Ap endice 3 e uma apostila que os alunos receberam com o material de ortogonalidade. Ainda n ao temos determinantes: para decidir se tr es vetores do espa co formam uma base, tente escrever um vetor arbitr ario do espa co como combina c ao linear deles. O argumento e elementar, preciso (isto e, dispensa teoremas que provavelmente n ao seriam demonstrados) e n ao e computacionalmente t ao mais caro quanto calcular um determinante. 23

Esse e o momento para ressaltar as virtudes de bases ortogonais (ou ortonormais). Expressar um vetor numa base e resolver um sistema. Expressar um vetor numa base ortogonal e resolver v arias equa c oes lineares a uma vari avel: se v1 , v2 , v3 s ao vetores de uma base ortogonal do espa co, e u e qualquer, os n umeros x1 , x2 , x3 que resolvem u = x1 v1 + x2 v2 + x3 v3 s ao x1 = v2 , u v3 , u v1 , u , x2 = , x1 = , v1 , v1 v2 , v2 v3 , v3

como vemos tomando produtos internos na equa c ao em u. Freq uentemente no curso, bases ortogonais s ao obtidas a partir de um vetor normal a um plano, outro vetor arbitr ario no plano e um terceiro vetor, que pode ser obtido resolvendo um sistema linear (isto e, pedindo que este terceiro vetor seja ortogonal aos outros dois), ou fazendo o produto exterior dos dois vetores (que, de brinde, d a origem a uma base orientada positivamente). Dedique um pouco de tempo ao produto exterior, muito empregado em f sica e engenharia. Para deni-lo, procure um vetor perpendicular a (x, y, z ) e (a, b, c): armando o sistema, a solu c ao mais simples sem denominadores e o produto exterior dos dois vetores, a menos possivelmente de sinal. Essas contas motivam a deni c ao. A seguir, apresente um argumento memn onico (mas cuidado, voc e pode contaminar suas provas para o resto do semestre com i, j, k em absolutamente qualquer contexto!), e a lista das propriedades favoritas: ortogonalidade, orienta c ao e o fato que ||u v || = ||u|| ||v || sen , onde eo angulo entre u e v (que e diferente do angulo entre v e u). Produtos exteriores facilitam as contas em problemas de dist ancias m nimas envolvendo retas e planos. T opico extra: s eries de Fourier A proposta parece delirante, mas e poss vel como t opico facultativo, da maneira que o curso vem sendo apresentado: 24

em uma hora, obtenha a s erie de Fourier de uma fun c ao, e indique alguma aplica c ao em s ntese ou estudo de sinais. Para isso, puxe um limite do produto interno em Rn para o produto interno em L2 (0, 2 ). Fa ca notar que ortogonalidade continua a fazer sentido, e que sua base preferida (com senos, cossenos e constante, em [0, 2 ], talvez) forma um conjunto ortogonal, facilmente normalizavel. Pelas f ormulas dos coecientes na expans ao de um vetor numa base ortogonal, obtemos uma expans ao de uma fun c ao em termos desse conjunto de vetores. O material se torna muito mais expressivo se houver um computador em sala. C. Da segunda ` a u ltima prova (mais quatro semanas de teoria) Estamos prontos para autovalores ou autovetores, ou quase. Antes, e vantajoso passar uma semana em determinantes e outra em n umeros complexos o segundo grau n ao trata desses t opicos com o cuidado necess ario. C.1 Determinantes Comece com matrizes 2 2 (o caso 1 1 e confuso). Mais precisamente, resolva um sistema geral com duas inc ognitas e duas equa c oes e mostre que a resposta pode ser memorizada de forma f acil se for expressa em termos de determinantes isso serve de motiva c ao. Produto interno, exterior e determinantes foram motivados da mesma maneira: s ao seq u encias de s mbolos sucientemente freq uentes para merecer uma abrevia c ao isso dessacraliza um pouco esses objetos e indica a possibilidade de denir ainda outros. Informe que o m odulo |d| do determinante de uma matriz M e a taxa de amplia c ao da area da transforma c ao linear T associada ` a M , e que seu sinal indica se T preserva orienta c ao ou n ao. N ao vale a pena demonstrar o resultado, mas exemplos s ao indispens aveis. N ao e dif cil convencer aos alunos que o quadrado com v ertices (0, 0), (1, 0), (0, 1) e (1, 1) e levado a um paralelogramo de area |d|: passar desse quadrado para a gura geral envolve manipula c oes com linearidade (para tratar de quadrados de lados paralelos ao original em qualquer lugar do 25

plano) e o argumento do busto de Pit agoras, discutido na Se c ao A.4 enm, o detalhamento ca por conta da compet encia da turma. Conclua o inevit avel quando o determinante e zero: que a transforma c ao T e a matriz M n ao s ao invers veis (essa palavra n ao existe no Aur elio, mas deveria ningu em quer um carro convert vel), que as colunas de M n ao formam uma base do plano. Agora, refa ca o que quiser para matrizes 3 3: motiva c ao, processo memn onico para calcular o determinante, interpreta c ao geom etrica e d e o salto: dena o determinante para matrizes n n expandindo por uma linha. Conte pacientemente quantas multiplica c oes s ao necess arias para calcular um determinante por essa deni c ao, e deixe claro que determinantes em geral n ao s ao calculados de forma t ao incompetente: os alunos ver ao formas alternativas em ALII, junto com formas de resolver sistemas mais ecientes do que a famigerada regra de Cramer (ali as, porqu e ningu em ensina a contra-partida da regra de Cramer para c alculo de autovetores? pergunta ret orica: n ao vale a pena nesse curso). Agora que os fundamentos est ao apresentados, ainda que sem demonstra c ao, apresente alguns atalhos para o c alculo de determinantes. Em particular, expanda por linhas (colunas) com muitos zeros trate de matrizes triangulares e diagonais e some m ultiplos de uma linha (coluna) ` a outra. Enfatize que n ao h a nada de sagrado em passar de linhas para colunas durante o c alculo. N ao exagere: os alunos v ao se confundir com a abund ancia de alternativas, e o assunto e gigantesco. 1. Essa e uma segunda oportunidade no curso para falar de transforma c oes (matrizes) invers veis, n ucleo, etc. 2. Calcule areas e volumes mais dif ceis quadril ateros no plano, tetraedros dados por seus quatro v ertices, um icosaedro regular?! 3. Expresse a equa c ao da reta por dois pontos no plano usando um determinante. O mesmo para a equa c ao de um plano no espa co. Mais dif cil: escreva a equa c ao do c rculo por tr es pontos do plano usando um determinante. Problemas desse tipo fazem surgir determinantes grandes: decida se um ponto 26

do plano est a sobre o gr aco de um polin omio de grau cinco passando por seis pontos dados, sem calcular o polin omio (isto e, descreva o polin omio interpolador com um determinante). 4. Calcule a area da imagem do c rculo por uma transforma c ao linear dada por uma matriz diagonal melhor ainda, identique essa imagem como sendo uma elipse (certique-se de que os alunos conhe cam elipses). C.2 N umeros complexos Seja paciente: os alunos provavelmente nunca viram n umeros complexos. Em princ pio, tudo decorre do fato que um s mbolo novo, i, tem a estranha propriedade que i2 = 1. O assunto ca mais palat avel, se voc e apresentar outros s mbolos como maneiras formais de resolver equa c oes anteriormente insol uveis (o sinal 2 de raiz quadrada resolve x = 2, o sinal de menos resolve x + 2 = 0). Preservando as propriedades habituais das quatro opera c oes sobre os reais, seguem as deni c oes das opera c oes complexas. Ensine a inverter n umeros complexos e gaste boa parte da aula com interpreta c oes geom etricas, especialmente multiplica c ao. Empregue os termos partes real e imagin aria, e n ao esconda o jogo: complexos s ao os pontos do plano, com uma opera c ao de multiplica c ao que n ao tinha sido considerada antes. T opico extra muito chique: multiplica c oes em Rn . 1. Resolva o seguinte problema (de pesquisa operacional...) com nota c ao complexa. Piratas enterram um tesouro numa ilha da seguinte forma. As pedras A e B e o coqueiro C determinam novos pontos A e B , obtidos por rota c ao de AC e BC de 90 graus nos sentidos anti-hor ario e hor ario respectivamente. O tesouro ent ao e enterrado no ponto m edio de A B . Agora, recupere o tesouro sem fazer uso da posi c ao do coqueiro, marco ef emero. 2. Calcule as ra zes quintas da unidade. Fale sobre o teorema fundamental da algebra, enfatizando o fechamento alg ebrico dos n umeros complexos. Observe que ra zes de polin omios reais v em em pares conjugados. 27

3. Rota c oes no plano s ao f aceis de ser descritas com n umeros complexos. 4. Somas s ao mais r apidas de fazer que multiplica c oes. Mostre que a multiplica c ao de dois complexos pode ser realizada com apenas tr es multiplica c oes reais, em vez das quatro necess arias no procedimento habitual. Sugest ao: para calcular (a + bi)(c + di), realize as multiplica c oes ac, bd e obtenha ad + bc via (a b)(c d) ac bd. Levada a s erio, a id eia abre um mundo de algoritmos r apidos para multiplica c ao, mesmo sobre os reais. H a um certo interese did atico em mostrar aos alunos que nem os processos ensinados no come co de suas vidas matem aticas s ao isentos de melhoria. 5. Como t opico especial, demonstre o teorema de Napole ao como apresentado no in cio do texto.primeiro ap endice. A segunda raz ao profunda para considerar n umeros complexos e a f ormula ei = cos + isen . A primeira diculdade e denir os objetos na express ao. Chame a aten c ao dos alunos que o problema e t ao dif cil quanto a situa c ao para reais: o que quer dizer e1 ?, e2 , e , cos 1? Depois de falar da s erie de pot encias para a exponencial, apresente as s eries para seno e cosseno, e mostre a f ormula expandindo tudo. Fale de argumento e m odulo, fases. 6. Muita gente motiva s erie de Taylor dizendo aos alunos que assim se calculam certas fun c oes transcendentes em m aquina. Essa e uma mentira em v arias dire c oes. Para sugerir uma delas, mostre como n ao faz sentido calcular e10 usando a s erie (ali as, o que fazer, ent ao?). Ainda assim, e imposs vel exagerar a import ancia da aproxima c ao de opera c oes transcendentes por um n umero nito de opera c oes elementares. 7. Um dos desenhos mais interessantes que pode ser mostrado a um aluno e a justaposi c ao dos gr acos de seno, x, x x3 /6, x x3 /6 + x5 /120, perto da origem de novo, aqui um computador em sala seria otimo. 28

8. Fa ca alguma aplica c ao alg ebrica de n umeros complexos: por exemplo, some cos x + cos 2x + . . . + cos nx. A id eia de combinar essa soma com sua g emea envolvendo senos, e da proceder usando exponenciais, e uma das raz oes que tornam n umeros complexos interessantes para engenheiros el etricos. C.3 Autovalores e autovetores Comece com a deni c ao e sua interpreta c ao geom etrica. Exemplique fazendo uso de proje c oes, espelhamentos, etc. Apresente a caracteriza c ao dos autovalores como ra zes do polin omio caracter stico (para isto preparamos o material sobre determinante), e fa ca as primeiras contas: matrizes sim etricas de espectro simples, matrizes triangulares, matrizes com espectro duplo mas admitindo base de autovetores. Finalmente, mostre exemplos de matrizes sem base de autovetores. Certas contas banais confundem os alunos: pe ca os autovalores de 1 M , para alguma matriz expl cita M e poucos en3 contrar ao a resposta. Outra diculdade computacional: saber uma raiz de um polin omio de grau tr es reduz o c alculo das outras ra zes a um problema envolvendo um polin omio de grau dois esse fato, combinado com o algoritmo de divis ao de polin omios, exige treino. Os tantos pequenos truques para identicar ra zes inteiras (ou racionais) de polin omios tamb em s ao desconhecidos, e provavelmente n ao conv em ensin a-los. Discuta o que acontece a autovalores e autovetores de uma matriz quando ela e multiplicada por uma constante, ou quando a ela soma-se um m ultiplo da identidade, ou quando ela e elevada a uma pot encia. 1. Como comparam os autovalores e autovetores de uma matriz e de sua inversa? H a duas raz oes para falar de autovalores e autovetores nesse curso. A primeira e de natureza geom etrica: os vetores usados no ter co anterior do curso para descrever algebricamente transforma c oes lineares freq uentemente s ao autovetores. 29

A outra e a possibilidade de implementar um c alculo funcional. Esse tema e tratado no curso de forma supercial, mas e important ssimo. Em ALII, essa motiva c ao e ainda outra ser ao exploradas com mais detalhe. C.4 C alculo funcional, diagonaliza c ao e o teorema espectral Desenhe no quadro pacientemente as matrizes necess arias para mostrar o seguinte fato alg ebrico: a equa c ao M v i = i v i , i = 1, . . . , n

e equivalente ` a equa c ao matricial M V = V , onde as colunas de V s ao os autovetores de M e e uma matriz diagonal com entradas diagonais dadas pelos autovalores de M . Logo, se V e 1 invers vel, M = V V . Da , para qualquer polin omio p, vale p(M ) = V p()V 1 : diagonalizar uma matriz torna poss vel fazer contas dif ceis com ela. Polin omios n ao s ao especiais: p pode ser substitu do, por exemplo, por exponenciais, inversa, seno... Se tiver f olego, voc e pode apresentar uma vers ao mais competente do c alculo funcional (veja o Ap endice 6: a apostila sobre c alculo funcional distribu da aos alunos de ALII). Para dar um exemplo, vamos supor que queremos calcular a exponencial de uma matriz M com autovalores 1, 2 e 4. Para isso, encontre um polin omio p que leva 1, 2 e 4 a e1 , e2 e e4 , respectivamente. Ent ao exp M = p(M ) note que a conta foi feita sem obter os autovetores de M ! O processo se aplica para matrizes diagonaliz aveis, mas com pequenas altera c oes vale para o caso geral: isso ca para um outro curso (na PUCRio, isto tem sido ensinado no curso de c alculo que trata de equa c oes diferenciais). 1. A inversa de uma matriz n n sim etrica M que tenha s o dois autovalores distintos e da forma aM + bI, para escolha adequada de a e b. 2. Quem aprendeu a exponenciar complexos via Taylor n ao deve ter diculdade em aceitar a deni c ao de exponencial de matriz: o c alculo funcional permite calcular uma exponencial de outra forma. 30

Aqui surgem algumas diculdades. Em princ pio, podemos pedir como exerc cio que os alunos calculem uma pot encia de M , mas n ao h a condi c oes de motivar este tipo de contas em ALI. Da mesma maneira, os alunos n ao v ao saber porqu e conv em exponenciar uma matriz. Essas motiva c oes v ao ser desenvolvidas em ALII e no curso de c alculo que trata de equa c oes diferenciais. 3. O c alculo de pot encias de matrizes surge na obten c ao de uma f ormula para o n- esimo n umero de Fibonacci, quando o problema e fraseado como uma itera c ao vetorial vn+1 = Avn , onde A e uma matriz 2 2 contas cam mais simples se as condi c oes iniciais forem bem escolhidas. Esse exemplo e especialmente interessante porqu e nele dois autovetores coexistem, regidos por autovalores diferentes, mas s o um tem inu encia a longo prazo, um tema explorado com mais cuidado em ALII. Outra diculdade e o fato que autovalores complexos n ao admitem interpreta c ao geom etrica simples n ao tente nada: diga aos alunos, se quiser, que de fato existe uma interpreta c ao mais sosticada, que n ao vai ser considerada no curso, mas que podemos encarar a situa c ao como uma quest ao matem atica para a qual os olhos n ao bastam (assim como a teoria espectral de matrizes 4 4), mas cujas contas s ao absolutamente an alogas. Chame a aten c ao do fato que autovalores conjugados est ao associados a autovetores conjugados isso poupa contas e muitos erros de algebra complexa. Ainda mais uma diculdade e o c alculo da inversa V 1 , que pode ser efetuado resolvendo um sistema linear (as matrizes nunca s ao grandes) ou enfatizando a escolha de autovalores ortonormais quando poss vel. Isto motiva os u ltimos aspectos te oricos do curso: diagonaliza c ao e o teorema espectral. Nem sempre e poss vel obter colunas de V para que esta seja invers vel. Isso acontece exatamente quando a matriz e diagonaliz avel. Enuncie o fato que matrizes com autovalores distintos s ao diagonaliz aveis. Finalmente, enuncie o teorema espectral: realce a conveni encia computacional de lidar com matrizes sim etricas em particular, mostre que a inversa de 31

uma matriz ortogonal (isto e, uma matriz cujas colunas s ao vetores ortonormais) e sua transposta. Ap endice 1: Transforma c oes lineares e representa c oes matriciais Um uso freq uente de matrizes e a representa c ao alg ebrica de transforma c oes lineares. Nesse texto, voc e n ao vai encontrar teoremas o importante e entender a t ecnica de constru c ao, que vai ser a mesma em todos os exemplos. Exemplo 1: Uma rota c ao no plano Considere o plano habitual com seus eixos x e y desenhados como sempre. Vamos procurar uma descri c ao simples da fun c ao que leva todo vetor v (=ponto) do plano a outro vetor Rv obtido girando v em torno da origem de um angulo , no sentido anti-hor ario (essa informa c ao e importante: voc e em princ pio pode girar v em dois sentidos). A id eia fundamental da constru c ao e observar que essa fun c ao R e o que chamamos uma transforma c ao linear. Isso quer dizer duas coisas: a. R leva a soma de dois vetores v e u para a soma dos vetores para onde v e u s ao levados. Em s mbolos, R(v + u) = R(v ) + R(u), para quaisquer vetores v e u. b. R leva um m ultiplo cv de um vetor v para o mesmo m ultiplo cR(v ) de Rv , isto e, R(cv ) = cR(v ), para qualquer vetor v e n umero c. Para se convencer disso, olhe as guras abaixo.

R(v+u) R(u) v R(v) u v+u

R(cv) cv R(v) v

32

Agora que sabemos isso da rota c ao R, para descobrirmos o valor de Rv para um vetor qualquer v = (x, y )T , basta saber os valores de R((1, 0)T ) e R((0, 1)T ). (Todos esses T servem para lembrar a voc e que os vetores devem ser pensados na vertical escrev e-los assim, entretanto, poupa espa co). De fato, como T todo vetor v = (x, y ) pode ser escrito como x y temos que R( x 1 0 ) = xR( ) + yR( ), y 0 1 =x 1 0 +y 0 1 ,

usando as propriedades (a) e (b) que caracterizam a linearidade de R. Note que poucas fun c oes t em essa propriedade: para saber onde R leva um vetor qualquer, basta saber onde dois vetores est ao sendo levados! Nesse caso, um pouco de trigonometria na gura abaixo nos mostra onde os vetores (1, 0)T e (0, 1)T v ao parar.

sen

R(v) R(v) cos v = (1,0) -sen

v = (0,1) cos

Assim, R( 1 )= 0 cos sen e R( 0 )= 1 sen cos .

Jogando esses valores na equa c ao acima, R( x )= y x cos y sen xsen + x cos 33 ,

ou, em forma matricial, R( x )= y cos sen sen cos x y .

Enm, calculamos R para qualquer vetor v fazendo uso de uma matriz cos sen R = . sen cos Exerc cio: Sejam e angulos (em radianos, como nas contas acima). Entenda porque a equa c ao abaixo e obvia: R R = R+ . Escreva por extenso as matrizes envolvidas nessa express ao para demonstrar duas das f ormulas mais dif ceis dos seus tempos de col egio: sen ( + ) = sen cos + sen cos , cos( + ) = cos cos sen sen . Ali as, quanto e a matriz (R/3 )6 ? Exemplo 2: Uma rota c ao em torno do eixo vertical no espa co Agora, vamos girar vetores no espa co de um angulo em torno do eixo vertical, no sentido anti-hor ario em rela c ao ao plano horizontal. Vamos chamar o eixo vertical de z , como habitualmente o plano horizontal cont em por sua vez os eixos x e y . Mais uma vez, o problema ca f acil se voc e perceber que essa opera c ao tamb em e uma transforma c ao linear (fa ca guras para convencer-se disso) se voc e souber onde tr es vetores convenientes s ao levados, voc e sabe onde qualquer vetor e levado. Chamando mais uma vez essa opera c ao de R, note que, colando do exemplo anterior, voc e j a sabe tr es vetores especiais e suas imagens por R: 34

(1, 0, 0)T vai para (cos , sen , 0)T , (0, 1, 0)T vai para (sen , cos , 0)T e (0, 0, 1)T vai para (0, 0, 1)T . Note que o vetor vertical (0, 0, 1)T ca parado pela a c ao de R. Como, mais uma vez, 0 0 1 x y = x0 + y1 + z0, 1 0 z 0 vemos que, em representa c ao matricial, cos sen 0 x R( y ) = sen cos 0 . 0 0 1 z Nos dois exemplos acima, os vetores que empregamos para, a partir deles, obter a a c ao da transforma c ao linear em um vetor qualquer, eram vetores muito simples - os chamados vetores can onicos. Vamos ver um exemplo um pouco mais complicado. Exemplo 3: Uma reex ao no plano Considere a reta no plano passando pela origem e pelo ponto (1, 2). Imagine que essa reta e um espelho vamos descrever a transforma c ao T que leva cada ponto do plano a sua imagem nesse espelho. Para come car, conven ca-se fazendo guras de que T e linear (isto e, verique que (a) e (b) s ao satisfeitas pela reex ao). Agora, vamos procurar dois vetores para os quais a reex ao e especialmente simples de descrever j a que podemos escolher praticamente qualquer dois vetores, conv em ser espertos nessa escolha. Por exemplo, e f acil ver o que a reex ao T faz com o vetor (1, 2)T simplesmente nada, isto e, 1 1 T( )= . 2 2 Um outro vetor no qual a reex ao age de forma simples e um vetor que seja perpendicular ao espelho, por exemplo, 35

(2, 1)T (voc e entende porqu e esse vetor e perpendicular ` a reta-espelho?). Uma gura deve convencer voc e de que R( 2 )= 1 2 1 .

espelho

A pergunta seguinte e como decompor um vetor do plano numa soma de dois ingredientes, um m ultiplo de (1, 2)T T e um m ultiplo de (2, 1) ? Isto e, dado um vetor (x, y )T qualquer do plano, ache n umeros a e b tais que x y =a 1 2 +b 2 1 .

Note que as inc ognitas s ao a e b, e n ao x e y ! Bom, essas equa c oes correspondem a resolver o sistema x = 1.a + 2.b y = 2.a + (1).b e depois de contas que n ao explicitaremos (resolva voc e!), obtemos 2x y x + 2y eb= . a= 5 5 36

Mais uma vez, usando a linearidade de T , T( x 1 2 ) = aT ( ) + bT ( ) y 2 1 =a = 1 5 1 2 +b 2 1

3x + 4y 4x + 3y

e agora estamos prontos para a representa c ao matricial de T , T( 1 x )= y 5 3 4 4 3 .

Para conferir as contas, verique que a f ormula acima realmente faz o que deve com os vetores (1, 2)T e (2, 1)T . Exerc cio: Seja M = 3 4 . Por qu e M 1000 = M ? 4 3 (como nos exerc cios anteriores, pense visualmente)
1 5

Exemplo 4: Uma proje c ao em tr es dimens oes O conjunto de pontos (x, y, z ) no espa co satisfazendo a equa c ao 2x + 3y z = 0 forma um plano passando pela origem. Considere a reta r passando pela origem e pelo ponto (0, 1, 2)T (que ali as n ao pertence ao plano por qu e?). Procure a representa c ao matricial da fun c ao que projeta um ponto do espa co sobre o plano ao longo da reta r (isto quer dizer o seguinte: dado um ponto v do espa co, trace a reta por v paralela a r a proje c ao e o ponto de encontro dessa reta com o plano). De novo, conven ca-se antes de que essa proje c ao e uma transforma c ao linear. Depois encontre tr es vetores para os quais a proje c ao e f acil de descrever, e escreva um vetor arT bitr ario v = (x, y, z ) numa soma de m ultiplos dos tr es vetores obtidos. Aplique P em toda a express ao e represente P (v ) de forma matricial. Ali as, por qu e P 1000 = P ? 37

Para que representar transforma c oes de forma matricial? Uma resposta poss vel e que isso facilita programa c ao: uma rotina que multiplica vetores pela matriz do exemplo 2, por exemplo, pode fazer girar todos os pontos relevantes de uma planta tridimensional de um pr edio. Outra resposta, mais ex otica, e que usando matrizes podemos pensar em opera c oes geom etricas (reex oes, proje c oes) em dimens oes grandes, imposs veis de visualizar, simplesmente seguindo um procedimento alg ebrico. Nas pr oximas aulas, v arios dos ingredientes nessa constru c ao ser ao estudados com mais cuidado neste resto de par agrafo, vamos pin car algumas palavras que surgir ao no resto do curso. Por exemplo, nem toda escolha de dois vetores no Exemplo 3 serviria: se, por pregui ca, voc e tivesse T T escolhido os vetores (1, 2) e (2, 4) (nos quais a reex ao n ao faz nada), voc e n ao conseguiria escrever um vetor qualquer do plano como uma combina c ao linear dos dois vetores. Isso entretanto e poss vel para quase toda a escolha de dois vetores escolhas boas ser ao chamadas de bases. Note que qualquer base nesse problema deve ter dois vetores, assim como qualquer base no exemplo 4 deve ter tr es vetores. Esse n umero, que s o depende do espa co em que estamos atuando, e o que chamaremos de dimens ao do espa co. Retas e planos pela origem s ao exemplos de subespa cos. No exemplo 4, a reta r foi mandada ` a origem pela transforma c ao linear P ela e o n ucleo de P , e o plano e a imagem de P . Nos exemplos 2, 3 e 4, alguns vetores n ao sairam do lugar. No exemplo 3, um vetor foi simplesmente multiplicado por -1. Vetores que s o s ao multiplicados por um n umero pela a c ao de uma transforma c ao s ao chamados de autovetores e o fator multiplicativo, autovalor. Ap endice 2: Produto interno e ortogonalidade Associe aos vetores u = (u1 , u2 , . . . , un )T e v (v1 , v2 , . . . , vN )T , com coordenadas reais, o n umero
n

u, v = u v =
i=1

ui vi ,

38

o produto interno de u e v . Conven ca-se de que voc e entendeu a linha acima ela come ca com uma nota c ao nova, que estamos denindo de duas formas: a. ou como o produto de uma matriz 1 n (o vetor uT : lembre que vetores est ao sempre de p e e a transposi c ao os deita) por uma matriz n 1 (o vetor v ), que tem que dar uma matriz 1 1 (um n umero!), b. ou como a soma indicada (que d a o mesmo que multiplicar T as matrizes u e v ). Bom, e o que o produto interno faz por n os? Duas coisas fundamentais: com ele, podemos falar do tamanho de um vetor, ou como se diz em matem atica, da norma ||v || de um vetor v, 1 ||v || = v, v 2 , (antes de continuar, verique que se v = (3, 4)T ,ent ao ||v || = 5) e do angulo entre dois vetores u e v , ou mais precisamente, de seu cosseno, dado por cos(u, v ) = u, v . ||u|| ||v ||

Assim, por exemplo, os vetores (1, 3, 2)T e (2, 3, 4)T no espa co tridimensional formam um angulo cujo cosseno e 1.(2) + 3.3 + 2.(4) 14 29, e se voc e tivesse uma tabela de cossenos (ou uma calculadora com uma tecla arccos), voc e poderia obter o angulo a partir desse valor do coseno. (Ali as, desenhe o gr aco do coseno para se convencer de que quem sabe o coseno de um angulo, sabe o angulo se ele estiver, por exemplo, no intervalo [0, ]). Outra coisa: por alguma raz ao que n ao e obvia (e que tem nome, a desigualdade de Cauchy-Schwartz), esse quociente que dene o coseno sempre d a um n umero entre -1 e 1 (ainda bem, e um cosseno...). 39

Exerc cio: Todos os vetores de norma 1 do plano s ao da T forma (cos , sin ) para alguma escolha do angulo (e formam um c rculo qual?) Assim, e muito f acil decidir se dois vetores s ao perpendiculares entre si como o cosseno de /2 (ou, em graus, 90o ) e zero, basta ver se o produto interno dos dois vetores e zero. Outra coisa: essa e uma maneira pr atica de falar de vetores perpendiculares (ou, usando um sin onimo matem atico, ortogonais) em espa cos de qualquer dimens ao, e n ao s o aqueles nos quais enxergamos algo. Note que, no plano ou no espa co tridimensional, no qual j a temos um conceito de angulo, ter amos que demonstrar que a f ormula para o cosseno dada acima coincide com nossa interpreta c ao habitual de angulo, mas n ao vamos fazer isso nesse texto. Note tamb em que essa f ormula ajuda muito certas contas: dados tr es pontos A, B e C de R3 , ca muito f acil calcular o angulo ABC (ou pelo menos seu cosseno). Exerc cio: Ache um vetor do plano perpendicular ao vetor (a, b)T . Supondo a, b, c = 0, ache dois vetores independentes no espa co ortogonais a (a, b, c)T . Exemplo: Em R3 , o conjunto {(x, y, z ) | 2x + 3y z = 0} e um plano passando pela origem. A equa c ao do plano, pode ser escrita como x (2, 3, 1) y = 0, z ou, usando a nota c ao de produto interno, (2, 3, 1)T , (x, y, z )T = 0. Agora, leia alto essa u ltima linha: os vetores do plano s ao os T T (x, y, z ) que s ao perpendiculares ao vetor (2, 3, 1) ent ao um vetor que e perpendicular a todos os vetores do plano e justamente (2, 3, 1)T (e qualquer m ultiplo seu). Um vetor desses e o que se costuma chamar um vetor normal ao plano. 40

Certas propriedades do produto interno s ao f aceis de vericar e muito pr aticas: I. u1 + u2 , v = u1 , v + u2 , v , para vetores quaisquer u1 , u2 , v. II. u, v1 + v2 u, v1 , v2 . = u, v1 + u, v2 , para vetores quaisquer

III. au, v = u, av = a u, v para quaisquer vetores u, v e n umero real a. IV. u, v = v, u , para quaisquer vetores u, v. Ali as, as tr es primeiras propriedades simplesmente dizem que o produto interno e linear em cada coordenada. Vetores {v1 , . . . , vk } formam um conjunto ortogonal se eles forem ortogonais dois a dois. Note que em tr es dimens oes, n ao existem mais do que tr es vetores n ao nulos ortogonais entre si. Uma propriedade cl assica (400-500 A.C. na Gr ecia) de vetores ortogonais e a seguinte. Teorema (Pit agoras) : Seja {v1 , . . . , vk } um conjunto ortogonal, e v = v1 + . . . + vk . Ent ao ||v ||2 = ||v1 ||2 + . . . + ||vk ||2 .

Note que quando o conjunto tem dois elementos, isso e o teorema de Pit agoras do col egio: fa ca uma gura para convencer-se disso. Com tr es elementos, o resultado calcula a diagonal maior de um paralelep pedo em termos dos lados. Fazendo uso de um conjunto ortogonal muito obvio T T os vetores e1 = (1, 0, 0, . . . , 0) , e2 = (0, 1, 0, . . . , 0) , . . . , en = (0, 0, . . . , 0, 1)T mostre que o teorema de Pit agoras diz que a norma de um vetor v = (v1 , v2 , . . . , vn )T e sua dist ancia ` a origem. 41

A demonstra c ao e quase obvia, fazendo uso das deni c oes e propriedades do produto interno: ||v ||2 = v, v = v1 + . . . + vk , v1 + . . . + vk = a soma de todos os produtos internos entre vi e vj = v1 , v1 + . . . + vk , v k , j a que todos os produtos internos cruzados s ao nulos (os vetores s ao ortogonais dois a dois!). Mas essa u ltima express ao 2 2 e exatamente ||v1 || + . . . + ||vk || . Note que demonstramos um resultado que vale para vetores em qualquer dimens ao, e ainda assim a demonstra c ao foi muito mais simples do que a demonstra c ao do teorema de Pit agoras bidimensional ensinada no col egio. Esse resultado deve convencer voc e do poder da deni c oes de produto interno e ortogonalidade: geometria ca muito mais f acil expressa dessa forma. Agora, vamos ver uma aplica c ao muito importante de conjuntos ortogonais. Suponha que {v1 , . . . , vn } e uma base ortogonal do espa co de n dimens oes (isto e, o conjunto de vetores, al em de ser uma base, e ortogonal). Vamos tentar representar um vetor v qualquer do espa co numa combina c ao linear dos vetores da base: v = a1 v1 + a2 v2 + . . . + an vn , para uma escolha adequada dos n umeros ai . Em geral, isso exige a solu c ao de um sistema com n equa c oes e n inc ognitas. Nesse caso, n ao calcule o produto interno dos dois lados da equa c ao acima com o vetor v1 : v, v1 = a1 v1 , v1 + a2 v2 , v1 + . . . + an vn , v1 = a 1 v1 , v1 , j a que os vetores s ao ortogonais entre si. Em geral, a1 = v, vn v, v1 , . . . , an = , v1 , v1 vn , v n 42

que e uma conta muito mais r apida que resolver um sistema n n. Note algo surpreendente: para saber o coeciente ai , basta saber quem e vi os outros vetores da base s ao irrelevante para esse c alculo! Frequentemente, dizemos que o problema desacoplou: em vez de resolver um sistema n n, temos s o que resolver n sistemas 1 1! Exemplo: Vamos usar desacoplamento para simplicar as contas do c alculo da representa c ao alg ebrica da proje c ao ortogonal P sobre o plano {(x, y, z ) | 2x + 3y z = 0}. Como de costume, procuramos tr es vetores para os quais conhecemos a a c ao de P , mas agora vamos escolh e-los ortogonais enT tre si. O vetor normal (2, 3, 1) e levado por P a (0, 0, 0)T . Os vetores no plano cam parados: um deles, por exemplo, e T T (0, 1, 3) . Agora, vamos procurar um vetor (a, b, c) no plano que seja ortogonal a esse: isso exige 0.a + 1.b + 3.c = 0. Como esse vetor pertence ao plano, (ou, o que e a mesma coisa, esse vetor tem que ser ortogonal ao vetor normal ao plano), 2.a + 3.b 1.c = 0 essas duas equa c oes t em muitas solu c oes: T uma delas e (5, 3, 1) . A simplica c ao nas contas acontece agora: para expandir um vetor arbitr ario do plano nessa base ortogonal, 2 0 5 x y = r 3 + s 1 + t 3 , z 1 3 1 e s o fazer os produtos internos: s= t= (x, y, z )T , (0, 1, 3)T y + 3z = , T T (0, 1, 3) , (0, 1, 3) 10 5x 3y + z 2x + 3y z , r= . 35 14

(As contas foram feitas em uma seq u encia inesperada para convencer voc e do desacoplamento). Assim, para encerrar o exemplo, a proje c ao P leva v = (x, y, z )T para 5x 3y + z y + 3z (0, 1, 3)T + (5, 3, 1)T . 10 35 43

A representa c ao matricial ca por sua conta. Uma base que al em de ser ortogonal tem todos seus vetores de norma igual a um e chamada base ortonormal as contas para calcular componentes nessa base s ao ainda mais f f aceis: todos os denominadores s ao iguais a 1. E acil passar de uma base ortogonal para uma ortonormal basta dividir cada vetor da base por sua norma. Exerc cio important ssimo: Seja Q uma matriz n n tal que suas colunas s ao n vetores ortonormais. Mostre que QQT = I, a matriz identidade. Isto quer dizer que a inversa de Q e muito f acil de calcular, Q1 = QT matrizes com essa propriedade s ao chamadas de matrizes ortogonais. Neste caso, ali as, tamb em e verdade que QT Q = I isto e, se as colunas de Q formam uma base ortonormal, as linhas tamb em formam. Exerc cio: Escreva todas as matrizes ortogonais 2 2. Exerc cio dif cil ou f acil: satisfazendo Sejam a, b, c, d n umeros reais

a2 + b2 = 1, c2 + d2 = 1, ac + bd = 0. Mostre que, ent ao, a2 + c2 = 1, b2 + d2 = 1, ab + cd = 0.

Ap endice 3: Alguns exerc cios . Encontre uma representa c ao alg ebrica do plano passando pelos pontos A = (1, 2, 3) e B = (2, 3, 4) que seja paralelo ` a reta {(x, y, z ) | (x, y, z ) = (1, 2, 4) + t (1, 0, 1), t R}. . Encontre uma representa c ao param etrica da interse c ao dos planos {(x, y, z ) | x + y + z = 1} e {(x, y, z ) | 2x z = 3}. 44

. Ache a dist ancia entre o ponto P = (1, 2, 4) e o plano que passa pelos pontos A = (1, 0, 0), B = (0, 1, 2) e C = (2, 0, 1). . Seja T o tri angulo com v ertices A = (0, 1), B = (0, 2) e C = (1000, 0). Decida se o ponto P = (400, 2/3) est a no interior de T. . Encontre uma transla c ao do plano f : R2 R2 que leva a reta r = {(x, y ) R2 | 2x + y = 3} a uma reta r0 pela origem. Descreva r0 algebricamente. Descreva algebricamente a proje c ao ortogonal p0 : R2 R2 sobre a reta r0 . Escreva em termos de f e p0 a proje c ao ortogonal p : R2 R2 sobre a reta r. . Considere os vetores v1 = (1, 2, 1), v2 = (2, 1, 3) e v3 = (8, 7, a). Determine os valores de a para os quais n ao e poss vel escrever um vetor arbitr ario de R3 como combina c ao linear de v1 , v2 e v3 . Descreva a situa c ao geom etrica satisfeita por v1 , v2 e v3 nesse caso.
t . Seja R a rota c ao em R3 em torno do eixo t (que no nosso caso vai ser x ou y ) de um angulo no sentido indicado pela regra da m ao direita. Mostre ou d e um contra-exemplo: aplicar x y y R e depois R d a o mesmo resultado que aplicar R e depois x R .

. Verdadeiro ou falso: a fun c ao abaixo e uma rota c ao pela origem: f : R2 R2 (x, y ) (x, y ) . Considere o espelhamento em R3 pelo plano {(x, y, z ) R3 | x + 2y + z = b}, onde b R e uma constante. Para que valores de b esse espelhamento e uma transforma c ao linear? Para esse valor de b, obtenha a representa c ao matricial dessa transforma c ao. . Seja M= 1 1 1 1 .

Calcule os autovalores de M . Encontre um autovetor para cada autovalor de M . 45

. Calcule os autovalores 0 0 1 0

da matriz 0 1 0 0 0 1 . 0 0 0 1 0 0

. Sabendo que os autovalores de A abaixo s ao 5, 0 e 2, ache um autovetor associado a cada autovetor. 5 0 0 A = 4 4 2 . 2 12 6 . Dado que Av = v e Aw = 2w, onde v = (3, 2) e w = (4, 3), calcule A10 . . Seja 2 1 1 M= 3 1 1 2 1 1 1 . 2

Encontre uma matriz ortogonal P e uma matriz diagonal D tais que M = P DP 1 . Explicite P 1 . . Considere a transforma c ao linear T : R2 R2 que projeta vetores ortogonalmente sobre a reta x + 2y = 0. Quem s ao os autovalores de T ? Determine um autovetor para cada autovalor de T . . Um agricultor pode empregar dois tipos de adubo. O primeiro cont em 3 gramas de A, 1 grama de B e 8 gramas de C por quilo e custa R$ 10 por quilo. O segundo, por quilo, tem 2g de A, 3g de B e 2g de C, a um pre co de R$ 8. Um quilo 2 de adubo d a para 10 m de terra, e a demanda m nima deste solo e de 3g de A, 1.5g de B e 4g de C a cada 10 m2 . Quanto adubo de cada tipo deve ser comprado para cada 10m2 , de modo a obter o custo m nimo? . (puxado) Determine a equa c ao da esfera que passa pelos pontos (0, 0, 1), (1, 0, 0), (0, 1, 0) e (2, 0, 3). . Verique se a equa c ao 4x2 + 4y 2 + 4z 2 8x 8y 24z 5 = 0 46

representa uma esfera em R3 e, caso armativo, determine seu centro e seu raio. . Sejam A = (1, 0) e B = (0, 1). Encontre a equa c ao dos pontos C = (x, y ) para os quais a soma das medidas dos segmentos AC e BC e igual a 3. . Dados os pontos A = (0, 0) e B = (1, 0) encontre a equa c ao dos pontos C do plano para os quais 2 dist(C, A) = 5 dist(C, B ).

47

 Algebra Linear II Cada semana deste curso tem uma aula te orica de duas horas e uma aula em laborat orio de computa c ao de uma hora. Os laborat orios empregados t em uma m aquina ligada a uma televis ao grande, muito conveniente. Usamos MAPLE, para o qual a PUC-Rio tem direito de uso em todo o campus. H a raz oes did aticas fortes para empregar MAPLE: o ambiente de computa c ao e simples, uma eventual programa c ao segue de perto os comandos habituais, o sistema de ajuda e otimo, e f acil passar de contas simb olicas para num ericas e, nalmente, os c odigos fonte s ao dispon veis: em princ pio, nenhum programa e uma caixa preta. II.A O primeiro ter co do curso (quatro semanas) V ao ser apresentadas tr es fontes de grandes matrizes, isto e, tr es problemas considerados atrav es de teoria linear. Esses problemas servir ao de motiva c ao para o restante do curso. A.1 Caminhos em grafos Dena grafo (n ao orientado) G e a matriz de adjac encia AG associada a um grafo. A seguir, mostre como a n- esima pot encia de AG conta os caminhos de comprimento n entre dois pontos do grafo. O Ap endice 4 cont em um pequeno texto distribu do aos alunos sobre isso. H a dois aspectos interessantes a considerar. O primeiro e que multiplica c ao de matrizes e perfeita para esse problema: gaste tempo mostrando que o resultado e verdadeiro para caminhos de tamanho 2. O outro e indu c ao, n ao necessariamente explicitada: os caminhos de comprimento n podem ser contados a partir dos caminhos de comprimento n 1 e os de comprimento 1 mais verbalmente, todo caminho de comprimento n parte de forma u nica em um caminho de comprimento n 1 seguido de uma aresta do grafo. A primeira sess ao com Maple deve ser usada para criar o m nimo de familiaridade com o software. Os alunos devem aprender as quatro opera c oes (e isso inclui a posibilidade de operar com n umero arbitr ario de d gitos, tanto em aritm etica inteira, quanto em ponto utuante), a invoca c ao with(linalg), 48

a construir matrizes (n ao exagere: entre linha a linha - operar com blocos, zerar muitas posi c oes, etc., pode ser visto mais tarde), e a somar e multiplicar matrizes (isso inclui o comando evalm). Isso basta para um primeiro problema. Conte caminhos entre v ertices do cubo e do tetraedro, e tente explicar as anidades entre os resultados. A.2 Modelos populacionais Descreva o seguinte modelo. Certa popula c ao e dividida num n umero xo de faixas et arias, cada uma com suas0 taxas de natalidade e mortalidade. Expresse a transi c ao entre as faixas antes num grafo, depois como um conjunto de equa c oes, e nalmente como a a c ao de uma matriz sobre um vetor de popula c oes. O Ap endice 5 cont em um pequeno texto introdut orio. Com o MAPLE, mostre experimentalmente que a pir amide et aria estabiliza a partir de praticamente qualquer distribui c ao inicial de popula c oes. Esse resultado vai se manter misterioso at e o estudo de autovalores e autovetores note o potencial teatral do tema: cada aluno escolhe sua condi c ao inicial e todos encontram o mesmo comportamento assint otico, se tudo der certo. A programa c ao vai exigir alguma forma de normaliza c ao de um vetor (n ao necessariamente euclideana: por qu e n ao fazer suas coordenadas somarem 100?), e possivelmente uma itera c ao, para estudar o comportamento assint otico. A.3 O problema de Sturm-Liouville e sua discretiza c ao Apresente o problema de Sturm-Liouville mais elementar, u (t) + q (t)u(t) = f (t), u(0) = 0, u(1) = 1. Discretize o intervalo [0, 1] nos pontos x0 = 0, x1 = 1 , . . . , xn+1 = 1, n+1

e aproxime a segunda derivada por u (t) u(t + h) 2u(t) + u(t h) , h2 49

para obter uma aproxima c ao da solu c ao u por valores ui nos pontos xi satisfazendo ao sistema linear habitual. Isto motiva a resolu c ao de grandes sistemas, desde que os alunos admitam que equa c oes diferenciais de segunda ordem s ao importantes. Talvez os alunos sejam t ao jovens que n ao saibam porque equa c oes diferenciais s ao importantes. Uma motiva c ao pequena mas plaus vel e mostrar que o seno e a solu c ao para uma equa c ao desse tipo: assim, resolver a equa c ao e tabelar o seno. Esse pode ser o tema da sess ao de MAPLE da semana: calcular senos resolvendo o sistema linear associado ` a discretiza c ao. H a dois aspectos computacionais a considerar: as matrizes envolvidas s ao tridiagonais, e podem ser introduzidas no programa de forma mais compacta. Os alunos s ao apresentados, ainda que supercialmente, ` as rotinas de resolu c ao de sistemas. A4. Problemas Cada assunto das semanas anteriores e uma caixa de Pandora. Aqui v ao extens oes, um pouco mais elaboradas nos exerc cios do Ap endice 7. As sugest oes abaixo podem se estender para muito al em de uma semana s o. 1. Caminhos de comprimento n num tetraedro s ao de dois tipos: os abertos e os fechados. Escreva rela c oes recursivas para o n umero de caminhos de cada tipo. Chame a aten c ao que equa c oes lineares recursivas est ao sendo resolvidas potenciando matrizes. De fato, esses n umeros s ao obtidos atrav es da matriz de adjac encia do tetraedro, mas uma matriz 2 2 j a d a conta do problema. Se quiser, mostre que o mesmo pode ser feito para calcular o n- esimo n umero de Fibonacci (ali as, o primeiro modelo populacional com um m nimo de sostica c ao). 2. Aumente a complexidade do modelo populacional: considere dois sexos, por exemplo. Em vez de falar de taxas de fertilidade, interprete os pesos das arestas do grafo como sendo probabilidades de transi c ao. Um problema interessante: monte as matrizes correspondendo a caminhos aleat orios pelas arestas de um tetraedro e de um cubo: o que h a para dizer sobre pot encias altas dessas matrizes? 50

3. Considere discretiza c oes com condi c oes de fronteira peri odicas. B. Entre a segunda e a terceira prova sistemas lineares (quatro semanas) Vamos resolver sistemas lineares por escalonamento, e interpretar as conseq u encias das opera c oes em termos geom etricos. B.1 Escalonamento Escreva um sistema com tr es inc ognitas e tr es equa c oes explicitamente, ao lado de sua representa c ao por uma matriz estendida. Mostre que as opera c oes obvias para quem resolve um sistema (multiplicar uma linha por uma constante, somar uma linha ` a outra, trocar duas linhas de lugar) correspondem a opera c oes simples na matriz aumentada. Deixe claro que a soma de linhas e apenas uma forma conveniente de ocasionalmente eliminar de uma equa c ao uma vari avel que foi explicitada em outra. Interprete em termos do sistema a seq u encia de opera c oes na matriz aumentada que corresponde a zerar todas as entradas acima e abaixo de uma entrada n ao nula xa. Escalone simbolicamente: tente, por exemplo, contar o n umero de multiplica c oes necess arias para resolver um sistema Ax = b onde A e uma matriz 5 5 tridiagonal. Mostre como resolver v arios sistemas Ax = bi ao mesmo tempo. Inverta uma matriz. Na aula computacional, apresente as rotinas que fazem escalonamento (addrow, por exemplo), e escalone passo a passo na pr oxima aula, os alunos podem ser confrontados com as rotinas de decomposi c ao LU. B.2 Escalonamento revisitado: a decomposi c ao LU Interprete as opera c oes da semana anterior sobre a matriz do sistema como o efeito de multiplica c oes por matrizes elementares: apresente a decomposi c ao LU de uma matriz. Explique porque sistemas associados a matrizes triangulares s ao simples. 51

Compare escalonamento e decomposi c ao LU: conte multiplica c oes, se tiver tempo. Na aula computacional, fa ca uso das rotinas de decomposi c ao LU. Talvez essa seja uma boa oportunidade ali as para acostumar os alunos a operar em aritm etica racional e em ponto utuante. Fa ca resolver sistemas lineares grandes: por exemplo, calcule o seno usando a aproxima c ao via SturmLiouville discretizado por matrizes 200 200. B.3 Escalonamento e geometria Considere o problema fundamental: dado um conjunto de vetores v1 , . . . , vk , decidir se eles geram o mesmo subespa co que um conjunto de vetores com menos elementos. Resolva assim: monte uma matriz M cujas linhas s ao esses vetores; mostre que as opera c oes elementares n ao alteram o espa co gerado pelas linhas; escalone at e obter vetores obviamente linearmente independentes. Os conceitos de base e dimens ao passam a ter um signicado concreto. Mostre que a imagem de uma transforma c ao linear e o espa co gerado pelas colunas da matriz que a representa (anal, as colunas s ao a imagem da base can onica). Em particular, o algoritmo acima obt em uma base para a imagem de uma transforma c ao (o que costuma ser chamado de posto). Na aula computacional, e interessante fazer notar que a rotina LU do MAPLE calcula o posto da matriz sendo decomposta. Vale a pena mostrar que decidir se um conjunto de vetores e linearmente dependente e uma tarefa numericamente inst avel. B.4 Representando vetores em bases Lembre que expressar um vetor numa base e resolver um sistema linear, o que nesse segundo curso pode ser pensado em dimens ao arbitr aria. Volte a tratar de um dos temas importantes de ALI: as vantagens de operar com bases ortogonais. Se achar oportuno, fale da decomposi c ao QR de uma matriz (uma vers ao numericamente est avel do m etodo de Gram-Schmidt). A aula computacional pode ser dedicada ` a instabilidade da resolu c ao de certos sistemas lineares. N ao seja ambicioso: 52

apresente uma matriz M mal condicionada (isto ` e, uma matriz que leva a bola unit aria a um elips oide muito exc entrico), e mostre como os erros de resolu c ao variam dependendo da escolha do lado direito do sistema (para isso, e conveniente poder alterar o n umero de d gitos das contas). Resolva depois esse sistema usando uma decomposi c ao QR (isto e, escreva M = QR e proceda ` a resolu c ao de dois sistemas) e compare os erros. C. O ter co nal do curso autovalores e autovetores C.1 Determinantes e n umeros complexos Essa aula deveria ser apenas uma revis ao de material estudado em ALI. H a uma novidade muito interessante: levando em conta que det AB = det A det B , aprendemos que a decomposi c ao LU e um processo muito mais eciente para calcular determinantes do que as expans oes por linha. Na aula computacional, calcule alguns determinantes interessantes (por exemplo, Vandermonde aproveite para ensinar comandos de fatora c ao e simplica c ao), opere com n umeros complexos. C.2 Autovalores e autovetores De novo, lembre aos alunos da deni c ao atrav es de um exemplo. Apresente o m etodo de pot encias para c alculo do autovalor de maior m odulo. Explique a relev ancia do autovalor de maior m odulo no comportamento assint otico de An v . Na aula computacional, voc e pode fazer contas com o m etodo de pot encias e mostrar como o resultado a respeito de distribui c oes et arias apresentado no primeiro ter co do curso se explica parcialmente atrav es dele (faltaria demonstrar que o autovalor de maior m odulo de uma matriz de taxas de fertilidade e mortalidade e de fato um n umero positivo, tem multiplicidade alg ebrica igual a um, e o autovetor associado tem todas as suas coordenadas positivas, o que garante interpreta c ao f sica razo avel para o comportamento assint otico do sistema esse e o teorema de Perron-Frobenius, que vai al em do objetivo do curso).

53

C.3 Matrizes diagonaliz aveis e c alculo funcional Repasse os fatos b asicos sobre matrizes diagonaliz aveis e apresente o c alculo funcional veja o Ap endice 6. Na aula computacional, apresente rotinas de interpola c ao polinomial. Aproveite e mostre como matrizes de Vandermonde est ao associadas ao problema de interpola c ao. C.4 Outras itera c oes e o c alculo de outros autovalores O m etodo de pot encias e conveniente apenas para calcular o autovalor de maior m odulo de uma matriz diagonaliz avel. Supondo a matriz M diagonaliz avel, decomponha um vetor v arbitr ario em uma base de autovetores, v = a1 v1 + a2 v2 + . . . + an vn , e fazendo contas parecidas com as empregadas na apresenta c ao do m etodo de pot encias, mostre que f (M )v = a1 f (1 )v1 + . . . + an f (n )vn , o que permite, fazendo escolhas adequadas de f , ressaltar qualquer regi ao do plano complexo. Em particular, use par abolas voltadas para baixo para enfatizar intervalos reais e inversas 1 (f (x) = x oximos de a. Se a ), para enfatizar autovalores pr tiver oportunidade, fale de itera c oes com shifts. Esta aula e uma janela para algoritmos fundamentais em algebra linear num erica: n ao seja ambicioso tentando cobrir mat eria demais. Ap endice 4: Matrizes de adjac encia Um grafo e simplesmente um conjunto de pontos, os v ertices, ligados por alguns segmentos, as arestas. Dois v ertices s ao chamados adjacentes se s ao ligados por uma aresta. A gura abaixo, por exemplo, e um grafo com cinco v ertices, que foram rotulados 1, 2, . . . , 5, e sete arestas (sem nome), e nele os v ertices 1 e 4 n ao s ao adjacentes. Note ali as que existe uma aresta come cando e terminando no mesmo v ertice 4. Um caminho entre dois v ertices e exatamente o que voc e est a pensando: 1243444315 e um caminho entre 1 e 5 de comprimento (isto e, o n umero de arestas percorridas) igual a 9. Um caminho pode 54

1 2 5

3 4

ir e voltar sobre si mesmo muitas vezes, ou car rodando por uma aresta. Um outro exemplo e o grafo que tem por v ertices e arestas os oito v ertices e as doze arestas de um cubo. Grafos s ao t ao simples que e dif cil imaginar que existam perguntas interessantes associadas a eles a situa c ao e exatamente o contr ario: para a maioria das perguntas, n ao se conhece uma resposta satisfat oria. Um exemplo de pergunta (que n ao e t ao simples, mas vai ser respondida nesse texto) e a seguinte: quantos caminhos de comprimento 20 existem ligando os v ertices 1 e 5 do grafo acima? Outra: quantos caminhos fechados (isto e, come cando e terminando no mesmo v ertice) de comprimento 100 existem no grafo associado ao cubo? Note, ali as, que esses n umeros s ao provavelmente muito grandes, e que n ao s ao f aceis de escrever em termos dos objetos combinat orios que voc e aprendeu no col egio (arranjos, combina c oes...) na verdade, esses objetos s ao in uteis para abordar esse problema. N ao e nada obvio que matrizes possam ajudar a responder a essa pergunta: o procedimento, que descrevemos a seguir, e muito empregado em problemas de otimiza c ao, matem atica discreta, teoria de grafos (!), etc. Dado um grafo G com n v ertices, rotule seus v ertices com os n umeros 1, 2, . . . , n e monte a matriz de adjac encia de G essa matriz, que vamos chamar de A, e n n, e s o tem os n umeros 0 e 1 em suas posi c oes: mais precisamente, na posi c ao (i, j ) de A (isto e, no cruzamento da linha i com a coluna j 55

de A), colocamos um 0, se os v ertices i e j n ao s ao adjacentes, e um 1, se o s ao. Por exemplo, para o grafo G da gura, a matriz A e 0 1 1 0 1 1 0 0 1 0 1 0 0 1 0. 0 1 1 1 0 1 0 0 0 0 Note que a matriz A e sim etrica (isto e, suas posi c oes (i, j ) e (j, i) s ao iguais) anal, se o v ertice i e adjacente a j , o j e adjacente a i. Estamos prontos para responder ` a primeira pergunta: o n umero de caminhos de comprimento 20 ligando os v ertices 1 e 5 do grafo da gura e dado pela posi c ao (5, 1) 20 (que o mesmo que a posi c ao (1, 5)) da matriz A . De maneira mais geral, vale o seguinte teorema, bastante inesperado. Teorema: Seja G um grafo com n pontos rotulados pelos n umeros 1, 2, . . . , n, e com matriz de adjac encia A. O n umero de caminhos de comprimento c ligando os v ertices i e j e a c posi c ao (j, i) da matriz A . Note que a pr opria matriz de adjac encia conta os caminhos de comprimento c = 1 entre os v ertices i e j : em outras palavras, o teorema para esse caso segue diretamente da deni c ao de matriz de adjac encia. Para entender um pouco mais o teorema, vamos considerar o caso c = 2 isto e, vamos ver porque o n umero de caminhos ligando i a j com um u nico v ertice intermedi ario e dado pela posi c ao (i, j ) da ma2 triz A . Para facilitar a nota c ao, vamos escrever Mi,j para representar a posi c ao (i, j ) da matriz arbitr aria M . Note que 2 2 a posi c ao (i, j ) de A (isto e, (A )i,j ) e dada pela express ao
n

(A )i,j =
k=1

Ai,k Ak,j

(para convencer-se disso, eleve uma matriz pequena ao quadrado explicitamente note, ali as, que essa express ao seria o comando central de um programa que eleva uma matriz ao quadrado). S o h a uma maneira do produto Ai,k Ak,j ser 56

diferente de zero: as posi c oes Ai,k e Ak,j t em que ser iguais a 1, o que quer dizer que o grafo original tem uma aresta ligando i a k e outra ligando k a j mas isto e exatamente dizer que existe um caminho entre i e j de comprimento 2 passando por k . Como k pode ser qualquer ponto do grafo (isto e o que quer dizer que no somat orio k vai de 1 a n), e cada caminho deste tipo contribui com o n umero 1 = 1 1 para o somat orio, o termo direito da express ao e o n umero total de caminhos de i a j de comprimento 2, e o teorema est a demonstrado ent ao para esse caso. Para comprimentos arbitr arios, a demonstra c ao e muito parecida, combinando esse argumento com indu c ao. A moral e que um problema combinat orio bastante complicado se reduziu a calcular pot encias de matrizes. Claro, a diculdade agora e saber calcular pot encias de forma competente, e para isso temos um curso pela frente. Exerc cio: Que multiplica c oes matriciais voc e faria para calcu20 lar A ? Procure uma seq u encia de poucas mutiplica c oes use o MAPLE para fazer essas contas. Essas id eias se estendem para outros tipos de grafos. Por exemplo, poder amos supor que as arestas s ao orientadas (e representar isso colocando setinhas em cada aresta), de maneira que seja poss vel ir de i a j , mas n ao voltar. Ou poder amos supor que existem v arias arestas ligando i a j . Em cada situa c ao dessas, o problema de contar caminhos continua fazendo sentido, e uma maneira de resolv e-lo e considerar a deni c ao adequada de matriz adjac encia em cada caso. Ap endice 5: Um modelo populacional Esse e um exemplo de uma situa c ao em que algebra linear tem muito a dizer. Aos poucos, voc e vai perceber a enorme aplicabilidade do assunto algebra linear serve para tratar de modelos lineares (!), e, francamente, quase tudo que se modela na vida real tem que ser feito assim: a teoria n ao linear em geral e muito mais dif cil. Queremos fazer um modelo de crescimento populacional que tenha alguma sostica c ao. Vamos come car com um primeiro modelo, simples demais. Imagine que voc e sabe a 57

taxa de fertilidade de uma popula c ao, usualmente dada por uma porcentagem por unidade de tempo. Assim, por exemplo, se a taxa e de 2% ao ano, e a popula c ao em um ano e 500, no ano seguinte ela ser a 510 (isto e, 1.02 500 ali as, e dois anos depois?). Em geral, modelos desse tipo fazem uso de informa c ao obtida atrav es de um recenseamento realizado em um certo momento, como e o caso da popula c ao e da taxa de fertilidade, e a partir delas esses modelos especulam sobre o comportamento populacional um pouco antes, ou um pouco depois desse momento. O modelo que queremos estudar e mais complexo. Vamos supor que estamos interessados em prever a distribui c ao por idades de uma popula c ao isto e, gostar amos de saber como muda a quantidade de indiv duos de uma certa faixa et aria a medida que o tempo passa. Por exemplo, vamos considerar uma popula c ao dividida em cinco faixas et arias, dadas em anos por intevalos temporais [0, 1), [1, 2), [2, 3).[3, 4) e [4, ). Au ltima faixa inclui todos os indiv duos com idade maior ou igual a quatro anos isso nos dispensa de xar um prazo de vida terminal para os indiv duos dessa popula c ao. Vamos tamb em supor que um recenseamento no tempo t = 0 obteve as popula c oes p1 (0), p2 (0), p3 (0), p4 (0) e p5 (0), e vamos pensar como podemos fazer uso dessas informa c oes para aproximar as v arias popula c oes alguns anos adiante. Note que chamar o tempo inicial de 0 deve ser irrelevante: o crescimento da popula c ao n ao tem nada a ver com o nome que damos a esse momento. As observa c oes de que necessitamos s ao quase obvias: 1. Depois de um ano, cada indiv duo passa de uma faixa et aria para a seguinte, a n ao ser que ele perten ca ` a u ltima faixa. Para ser um pouco mais realista, vamos empregar taxas de mortalidade i para indicar que fra c ao da popula c ao de uma faixa i sobrevive at e o ano seguinte. 2. A cada ano, nascem novos indiv duos, que s ao acrescentados ` a primeira faixa et aria. Mais uma vez, vamos supor que cada faixa i contribui com uma fra c ao i , a taxa de fertilidade, para a primeira faixa. Pode parecer que o modelo n ao esteja levando em conta a possibilidade de apenas poucas faixas et arias serem realmente 58

f erteis: por exemplo, poder amos imaginar que, depois de uma certa idade, os indiv duos n ao se reproduzissem. Isso n ao e problema basta fazer com que as taxas de fertilidade de algumas faixas et arias tenham o valor zero. Da mesma forma, o modelo e sucientemente vers atil para tamb em levar em conta que infantes e idosos morrem mais basta ajustar adequadamente as taxas de mortalidade associadas. Outra possibilidade seria tratar separadamente do crescimento populacional por idade e por sexo (supondo, por exemplo, que a esp ecie tenha, digamos, dois sexos), mas vamos deixar isso de lado. O importante e que estamos supondo que, assim como dispomos das popula c oes em tempo t = 0, somos capazes de obter suas taxas de fertilidade e mortalidade, que, pelo menos por alguns anos, s ao supostas constantes.

Os itens acima descrevem o modelo, mas existem tr es outras formas de transmitir a mesma informa c ao, que s ao de grande interesse em situa c oes desse tipo. A primeira e o gr aco abaixo. As caixas devem conter os valores das popula c oes, e as setas indicam visualmente como indiv duos contribuem para as popula c oes no ano seguinte. Certique-se de que o gr aco abaixo, devidamente interpretado, cont em exatamente a informa c ao descrita nesses itens.

4 2 p 1 1 p 2 2 3 p 3 3 5 p 4 4 p 5 5

A segunda maneira de descrever o modelo e atrav es das 59

equa c oes abaixo: p1 (t + 1) = 2 p2 (t) + 3 p3 (t) + 4 p4 (t) + 5 p5 (t), p2 (t + 1) = 1 p1 (t), p3 (t + 1) = 2 p2 (t), p4 (t + 1) = 3 p3 (t), p5 (t + 1) = 4 p4 (t) + 5 p5 (t). Mais uma vez, conven ca-se de que essas equa c oes dizem a mesma coisa que os itens ou o gr aco acima. A terceira maneira e simplesmente escrever as equa c oes acima em nota c ao matricial: p1 (t + 1) 0 p2 (t + 1) 1 p3 (t + 1) = 0 p4 (t + 1) 0 p5 (t + 1) 0 5 p1 (t) 0 p2 (t) 0 p3 (t) . 0 p4 (t) 5 p5 (t)

2 0 2 0 0

3 0 0 3 0

4 0 0 0 4

Para facilitar a nota c ao, dena um vetor com cinco coordenadas, p(t) = (p1 (t), p2 (t), p3 (t), p4 (t), p5 (t))T , onde o T indica que o vetor est a sendo pensado na vertical, e seja M a matriz 5 5 acima. O modelo ent ao e equivalente a equa c ao p(t + 1) = M p(t). claro, ali E as, que p(t + 2) = M 2 p(t), ou, se quisermos avan car n anos, p(t + n) = M n p(t). As duas u ltimas representa c oes do modelo s ao implement aveis em m aquina. Desta forma, em princ pio, podemos estudar computacionalmente a evolu c ao temporal de uma popula c ao com os dados iniciais indicados acima. Note que esse modelo s o e satisfat orio enquanto n ao houver altera c ao substancial das taxas de fertilidade e mortalidade. Por exemplo, 60

numa situa c ao de super-popula c ao, esses par ametros mudam drasticamente. Um modelo desse tipo, ali as, foi empregado por alguns anos para estabelecer uma largura conveniente dos buracos das redes de pesca no Mediterr aneo pense como. Se todas as descri c oes acima s ao equivalentes, por qu e interessar-se pela representa c ao matricial? A primeira raz ao e simples de entender: usando vetores e matrizes, e mais f acil programar modelos desse tipo em computador. A outra raz ao e que, a partir de algebra linear, podemos deduzir fatos que n ao s ao evidentes a respeito dessas evolu c oes vamos dar um exemplo. Em vez de considerarmos a popula c ao em cada faixa et aria, vamos estudar como muda a fra c ao correspondente a cada faixa et aria na popula c ao total: isso e equivalente a, dada uma popula c ao (vetorial!) p(t), dividirmos todas as coordenadas de p(t) pelo mesmo n umero de modo a obter um novo vetor, digamos q (t), cuja soma de todas as coordenadas seja igual a 1: as coordenadas de q (t) s ao n umeros entre 0 e 1, denotando as fra c oes que nos interessam. O vetor q (t), ent ao, descreve a distribui c ao et aria da popula c ao no tempo t. Como sempre, vamos xar as taxas de fertilidade e mortalidade e estudar os vetores p(t) e q (t), que obviamente dependem fortemente da condi c ao inicial p(0) (a partir da qual podemos obter q (0)). O fato surpreendente e que, para hip oteses muito gerais, a medida que t aumenta, o vetor q (t) converge (isto e, aproxima-se mais e mais) de um vetor xo que n ao tem nada a ver com a distribui c ao et aria inicial!. Isto quer dizer, por exemplo, que distribui c oes et arias muito diferentes v ao dar origem a longo prazo a praticamente a mesma distribui c ao. A demonstra c ao disso usa um teorema bastante dif cil de algebra linear, mas na terceira parte do curso veremos algumas situa c oes parecidas com essa. Ap endice 6: Aproximando solu c oes de equa c oes diferenciais simples Quase todas as equa c oes diferenciais n ao podem ser resolvidas explicitamente com os s mbolos habituais de matem atica. O que se faz para contornar essa diculdade e 61

tentar encontrar aproxima c oes para as respostas, e isso pode ser feito bastante bem, e de forma f acil. Como exemplo muito simples de uma t ecnica muito geral (a palavra-chave desse assunto e discretiza c ao), vamos aproximar a solu c ao da equa c ao f (x) + q (x) = r(x), x (0, 1), f (0) = 0 = f (1),

onde q (x) e r(x) s ao fun c oes dadas, estamos procurando a fun c ao f (x) e f denota a segunda derivada de f na vari avel x. O primeiro passo parece ing enuo, de t ao simples: de C alculo I, sabemos que f (x) = lim f (x + h) f (x) , h0 h

e isso torna bastante razo avel que, para h pequeno, f (x) f (x + h) f (x) . h

Essa, ali as, n ao e a u nica aproxima c ao que se pode fazer de f (x), mas para o que vamos fazer outras ainda n ao interessam. A segunda derivada tamb em pode ser aproximada por um quociente esperto, f (x) = lim f (x + h) 2f (x) + f (x h) , h 0 h2

o que pode ser mostrado aplicando LH opital duas vezes para calcular o limite. Ent ao, de novo para h pequeno, f (x) f (x + h) 2f (x) + f (x h) . h2

O segundo passo e colocar n n umeros igualmente espa cados no intervalo aberto (0, 1), 0 = x0 < x1 < x2 < . . . < xn1 < xn , xn+1 = 1. Note que a dist ancia entre dois pontos seguidos e dada por h = 1/(n + 1) (repare bem: esses n pontos quebram o intervalo em n + 1 sub-intervalos de mesmo tamanho), e de quebra, 62

 e f acil ver que xi = ih. O que vamos fazer para aproximar a solu c ao da equa c ao diferencial original e o seguinte. Em vez de procurar por f (x), vamos xar um certo n umero de pontos n e procurar aproxima c oes f (xi ) da fun c ao f s o nos pontos xi . A boa not cia nesse mundo cheio de inseguran cas e que as aproxima c oes j a s ao bastante boas com uns poucos pontos, e que podem se tornar arbitrariamente boas, escolhendo n grande, em princ pio. A m a not cia e que isso pode levar a ter que fazer muitas contas. Que contas, ali as? Vamos ver isso agora. Para facilitar, suponha que n = 4 e escreva a equa c ao de interesse nesses quatro pontos: f (x1 ) + q (x1 )f (x1 ) = r(x1 ), f (x2 ) + q (x2 )f (x2 ) = r(x2 ), f (x3 ) + q (x3 )f (x3 ) = r(x3 ), f (x4 ) + q (x4 )f (x4 ) = r(x4 ). Lembre que q e r s ao fun c oes dadas, logo todos os valores dessas fun c oes s ao conhecidos. O pr oximo passo e substituir as segundas derivadas por suas aproxima c oes. Escolhendo h como sendo o espa camento entre dois xi seguidos, temos que f (xi ) f (xi+1 ) 2f (xi ) + f (xi1 ) . h2

Agora, jogando as v arias aproxima c oes de f (xi ) nas quatro equa c oes acima, obtemos equa c oes aproximadas f (x2 ) 2f (x1 ) + f (x0 ) + q (x1 )f (x1 ) r(x1 ), h2 f (x3 ) 2f (x2 ) + f (x1 ) + q (x2 )f (x2 ) r(x2 ), h2 f (x4 ) 2f (x3 ) + f (x2 ) + q (x3 )f (x3 ) r(x3 ), h2 f (x5 ) 2f (x4 ) + f (x3 ) + q (x4 )f (x4 ) r(x4 ), h2 63

onde f (x0 ) = f (0) = 0 e f (x5 ) = f (1) = 0. Finalmente, ou ltimo truque: se tudo der certo, as equa c oes aproximadas acima viram equa c oes se trocarmos os valores corretos f (xi ) (xi ): por aproxima c oes adequadas f (x2 ) 2f (x1 ) f (x1 ) = r(x1 ), + q (x1 )f h2 (x3 ) 2f (x2 ) + f (x1 ) f (x2 ) = r(x2 ), + q (x2 )f h2 (x4 ) 2f (x3 ) + f (x2 ) f (x3 ) = r(x3 ), + q (x3 )f h2 (x4 ) + f (x3 ) 2f (x4 ) = r(x4 ). + q (x4 )f h2 Escrevendo em nota c ao matricial, essas equa c oes viram

f (x1 ) r(x ) 2/(h2 ) + q (x1 ) 1/(h2 ) 0 0 1 (x2 ) r(x2 ) 1/(h2 ) 2/(h2 ) + q (x2 ) 1/(h2 ) 0 f f (x3 ) = r(x3 ) 0 1/(h2 ) 2/(h2 ) + q (x3 ) 1/(h2 ) (x4 ) 0 0 1/(h2 ) 2/(h2 ) + q (x4 ) r(x4 ) f Daqui para a frente, e quest ao de aprender a resolver sistemas de equa c oes esse e o material do segundo ter co do (xi ) curso. Na aula computacional, vamos ver que n ao s o os f s ao de fato boas aproxima c oes da solu c ao, mas que escolher o n maior faz obter aproxima c oes realmente melhores. Ap endice 7: C alculo Funcional Vamos mostrar um procedimento para calcular fun c oes f (A) de uma matriz A. Os exemplos que nos interessam especialmente s ao f (x) = xn e f (x) = ex : pot encias e exponencia c ao de matrizes. A primeira vers ao, mais simples, basta para matrizes diagonaliz aveis. Lembre que uma matriz e diagonaliz avel quando tem uma base de autovetores: duas classes s ao f aceis de identicar, matrizes sim etricas e matrizes cujos autovalores s ao todos diferentes. 64

Uma maneira poss vel de fazer essas contas seria calcular autovalores e autovetores de A, e escrev e-la na forma familiar, A = P DP 1 , onde P tem os autovetores de A em suas colunas, e D e uma matriz diagonal, com os autovalores de A em sua diagonal. Ent ao A2 = (P DP 1 )2 = P DP 1 P DP 1 = P D2 P 1 , ou de forma mais geral, f (A) = P f (D)P 1 . Isso e f acil de ver se f e um polin omio, e precisa de uma demonstra c ao mais cuidadosa quando f e uma s erie de Taylor (como no caso da exponencial), mas nem por isso deixa de ser verdade. Finalmente, note que f (D), tamb em uma matriz diagonal como D, e muito f acil de calcular: basta aplicar f a cada posi c ao diagonal de D. Agora, vamos ver o procedimento que nos interessa, para o qual n ao e nem necess ario calcular os autovetores de A. Recapitulando, suponha que voc e quer calcular f (A), onde A e uma matriz diagonaliz avel. Comece calculando seus autovalores 1 , 2 , . . . , k , descartando os autovalores repetidos. A seguir, procure um polin omio p tal que p(1 ) = f (1 ), . . . , p(k ) = f (k ). A matriz procurada, f (A), e simplesmente p(A). Exemplo: Se 2 2 A= 2 5 3 6 3 6 , 10

seus autovalores s ao 1 e 15 (conra; qual e o autovalor duplo?). Como A e sim etrica, e diagonaliz avel. Para calcular A1000 , vamos procurar um polin omio levando 1 a 11000 = 1 e 15 a 1000 15 . Uma mera reta faz isso: p(x) = x + , 65

onde = Ent ao

151000 1 14

15 151000 . 14

A1000 = p(A) = A + I 2 + 2 5 + = 2 3 6

3 6 . 10 +

Note que um pequeno milagre aconteceu no exemplo acima: para calcular uma matriz ` a mil esima pot encia, bastou calcular um polin omio linear dela. Exerc cio: Usando o MAPLE, se quiser, mostre que os autovalores da matriz de adjac encia do grafo associado ao cubo s ao os n umeros 3, 1, 1 e 3, ali as, com multiplicidade 1, 3, 3 e 1. Calcule o n umero de caminhos fechados de comprimento 1000 nesse grafo. Isto responde de forma muito satisfat oria a uma pergunta feita na primeira aula do curso. Por qu e esse procedimento funciona? No caso do c alculo de uma pot encia de uma matriz diagonaliz avel, e muito f acil explicar. Suponha que voc e quer calcular An . Diagonalizando A = P DP 1 , temos que An = P Dn P 1 , onde Dn e a matriz diagonal obtida elevando a n as posi c oes diagonais de D, que s ao ali as os autovalores de A. Agora, se p e um polin omio que no autovalor i de A toma o valor n , temos i que p(A) = P p(D)P 1 , e p(D) = Dn , j a que as duas matrizes s ao matrizes diagonais cujas posi c oes diagonais s ao da forma p(i ) = n . Em uma frase, o argumento e quase banal: se i A e diagonaliz avel, duas fun c oes f e g que tomam os mesmos valores nos autovalores de A v ao ser tais que f (A) = g (A)! Essa id eia elementar e uma fonte de simplica c oes em c alculos envolvendo matrizes, e por alguma raz ao misteriosa, n ao tem a divulga c ao merecida. Vamos ver agora o procedimento para uma matriz A geral note que agora n ao e sequer poss vel escrever A = P DP 1 , j a que A n ao e necessariamente diagonaliz avel, mas o procedimento, como no caso anterior, n ao vai precisar dessa express ao. 66

Nesse caso, calcule os autovalores 1 . . . , k , e suas multiplicidades m1 , . . . , mk . Agora, procure um polin omio p tal que p(1 ) = f (1 ), p (1 ) = f (1 ), . . . , p(m1 1) (1 ) = f (m1 1) (1 ), ... p(k ) = f (k ), p (k ) = f (k ), . . . , p(mk 1) (k ) = f (mk 1) (k ). De novo, a matriz procurada, f (A), e p(A). Exemplo: Se 3 A = 3 21 4 5 32 1 1 , 7

os autovalores s ao 1 = 1, 2 = 0, com multiplicidades m1 = 1, m2 = 2. Para calcular eA , procure p tal que p(1) = e1 , p(0) = e0 , p (0) = e0 , j a que a derivada de ex e ex . Para satisfazer esses tr es pedidos, um polin omio de grau dois deve bastar, p(x) = ax2 + bx + c. De fato, tome c = 1, b = 1 e a = e 2. Ent ao eA = (e 2)A2 + A + 1.I, que poderia ser escrita por extenso em forma matricial, mas ca por sua conta. Mais uma vez, um pequeno milagre: a exponencial da matriz A e polin omio de grau 2 dela. A demonstra c ao desse procedimento mais geral e mais dif cil: as duas trilhas naturais fazem uso de resultados que n ao vimos no curso o teorema de Cayley-Hamilton ou a forma de Jordan. Fica para um outro... Em vez disso, vamos terminar esse texto apresentando um atalho para o procedimento geral, que pode de interesse 67

para matrizes maiores. Para isso, vamos usar o conceito de polin omio minimal, sem deni-lo (mais uma vez: se voc e tiver curiosidade, pergunte a seu professor, ou consulte um livro, ou fa ca mais um curso de algebra linear). Seja A uma matriz com polin omio minimal ( 1 )1 . . . ( k )k ) . Ent ao o procedimento geral vale trocando as multiplicidades mi pelos expoentes i . Isso pode fazer com que o polin omio interpolador tenha que satisfazer menos exig encias, e seja ent ao mais f acil de calcular. O procedimento para matrizes diagonaliz aveis segue do procedimento geral ao notar que nesse caso todos os expoentes i s ao iguais a 1: de novo, voc e s o pode entender isso com um pouco mais de teoria. Exemplo: Se 1 0 A= 0 0 0 2 0 0 1 0 1 0 0 0 , 0 2

os autovalores s ao 1 = 1 e 2 = 2, com multiplicidades m1 = 2, m2 = 2, e expoentes do polin omio m nimo 1 = 2, 2 = 1. Para calcular, por exemplo, eA , basta ent ao procurar um polin omio satisfazendo p(1) = e, p (1) = e e p(2) = e2 , sem exigir que p (2) = e2 . Para isto, um polin omio de grau 2 basta daqui para a frente, ca por sua conta. Ap endice 8: Alguns exerc cios . Seja F (n) o n umero de caminhos de comprimento n que come cam e terminam no mesmo v ertice V de um tetraedro. Seja A(n) o n umero de caminhos de comprimento n que come cam em V e terminam em outro v ertice W , W = V . Mostre que F (n) = 3A(n1) e que A(n) = F (n1)+2A(n1). Quem s ao A(1) e F (1)? Quanto e F (5)? Mostre como obter A(n) e F (n) usando pot encias de matrizes. Sugest ao: Considere o vetor coluna cujas componentes s ao F (n) e A(n) e escreva, com base nas equa c oes acima, uma 68

rela c ao matricial entre este vetor e o vetor coluna cujas componentes s ao F (n 1) e A(n 1). Seja T a matriz de adjac encia do tetraedro, onde rotulamos os seus v ertices de uma maneira qualquer. O que T n tem a ver com F (n) e A(n)? . Considerados como grafos, os poliedros regulares (o tetraedro, o cubo, o octaedro, o icosaedro e o dodecaedro) gozam da seguinte propriedade: o n umero de arestas incidentes em cada v ertice e o mesmo para todos os v ertices. Assim, por exemplo, h a tr es arestas incidentes em cada v ertice do cubo e 3 em cada v ertice do tetraedro. Grafos com essa propriedade s ao chamados regulares, e chamamos de val encia do grafo esse n umero. Desenhe alguns grafos regulares que n ao sejam grafos de poliedros. Seja A a matriz de adjac encia de um grafo regular de val encia , e denote por v o vetor coluna com posi c oes, todas iguais a 1. Quem e o vetor Av ? . Considere a matriz A cuja distribui c ao de entradas n ao nulas e dada abaixo. x x x x x x 0 0 0 0 x x 0 x x x 0 0 0 0 x 0 x x x x x x x x 0 0 0 0 x x Que permuta c oes das linhas (e colunas, por qu e n ao?) em princ pio diminuem o n umero de contas na solu c ao de Ax = b por elimina c ao gaussiana? . Ache a decomposi c ao LU da matriz a 0 A = 0 b e f e f , c

permutando linhas se necess ario, nos seguintes casos. 1. As entradas a e b s ao diferentes de zero 2. A entrada a e zero, mas e, junto com b, n ao s ao. 69

. Seja G um grafo com cinco v ertices, A, B, C, D e E , onde A e adjacente aos outros quatro v ertices, e as outras arestas s ao BC , CD, DE e EB . Chame de C(V,n) o n umero de caminhos come cando e terminando no v ertice V passando por n arestas. Mostre que C (A, 4) > C (B, 4). Mais dif cil: Seja A a matriz de adjac encia de G. Mostre que as 25 posi c oes de An s ao no m aximo quatro n umeros diferentes. . Considere a equa c ao diferencial d2 u du + = f (x), x [0, 1] dx2 dx com condi c oes adicionais u(0) = u(1) = 0. Discretize essa equa c ao, dividindo o intervalo [0, 1] em cinco sub-intervalos iguais, e usando aproxima c oes d2 u u(x + h) 2u(x) + u(x h) (x) , 2 dx h2 du u(x + h) u(x h) (x) . dx 2h Escreva as equa c oes obtidas em forma matricial. . Uma determinada popula c ao de coelhos foi dividida por sexo e faixa et aria: de 0 a 1 ano, de 1 a 2 , de 2 a 3, de 3 a 4, e de mais de 4 anos. Suponha os fatos abaixo. a.O percentual de machos da faixa et aria i que morre ap os um ano e i , e o percentual de f emeas da mesma faixa et aria que morre ap os um ano e i . b. As f emeas da faixa et aria i geram um percentual i da faixa et aria i de lhotes, e o n umero de lhotes de cada sexo e igual. Denote o vetor de popula c oes no tempo t por p(t) = (m1 (t), . . . , m5 (t), f1 (t), . . . , f5 (t))T , onde mi (t), fi (t) s ao respectivamente as popula c oes de machos e f emeas da faixa et aria i no tempo t. Determine a equa c ao matricial relacionando os vetores p(t + 1) e p(t). Que rela c ao matricial existe entre p(t + 5) e p(t)? 70

. Uma popula c ao de peixes em um determinado lago foi dividida em cinco faixas et arias: 0 a 2 anos, 2 a 4, 4 a 6, 6 a 8 e mais de 8 anos. Os peixes s ao de dois tipos: pintados e listrados. Ap os um ano de pesquisa, colheram-se as informa c oes abaixo. a. Os peixes na primeira faixa et aria, tanto listrados quanto pintados, n ao se reproduzem. J a a taxa de mortalidade observada variou de acordo com o tipo: 20% para os pintados, 24% para os listrados. b. Da segunda faixa et aria at e a quarta, os peixes apresentam a mesma taxa de fertilidade, 16% para os pintados, 18% para os listrados. Peixes de tipos diferentes n ao se cruzam. c. As taxas de mortalidade tamb em s ao constantes nas segunda, terceira e quarta faixa et aria: 11% para os pintados, 13% para os listrados. d. Na u ltima faixa et aria, os peixes apresentam uma fertilidade baixa, 2% para os pintados, 5% para os listrados. A taxa de mortalidade e a mesma nos dois tipos, 40%. A popula c ao inicial de peixes pintados e dada por p(0) = T (p1 , p2 , p3 , p4 , p5 ) e a dos peixes listrados e l(0) = (l1 , l2 , l3 , l4 , l5 )T . Suponhamos tamb em que as taxas de fertilidade e mortalidade apresentados acima s ao constantes. Qual e a equa c ao matricial que fornece as popula c oes de peixes pintados por faixa et aria ap os 10 anos? Qual e a equa c ao matricial para as popula c oes por faixa et aria dos dois tipos de peixe ap os 10 anos? Como se distribuem a longo prazo as pop poss ula c oes por faixa et aria? E vel estabelecer a longo prazo uma taxa de crescimento para as duas popula c oes? Haver a uma esp ecie predominante? Qual a dimensao do n ucleo de T ? Escreva uma base para esse n ucleo. . Dados dois vetores linearmente independentes v1 e v2 em R3 , considere a transforma c ao linear v, v1 v v, v2 . v, v2 71

Qual e a matriz que representa esta transforma c ao? Qual ea dimens ao do n ucleo desta transforma c ao? Ache uma base para a sua imagem. . Seja P a proje c ao sobre o plano de R3 gerado pelos vetores v1 = (1, 0, 1) e v2 = (1, 0, 1) que leva um vetor ortogonal a este plano a zero. Calcule os autovetores e autovalores de P . Ache uma base ortonormal de autovetores de P . Decida se a matriz que representa P e diagonaliz avel ou n ao. Exiba 1 matrizes S e D tais que P = SDS . . Considere a matriz A= a b b a ,

onde a e b s ao n umeros reais. Calcule os autovalores e autovetores de A. Calcule An , para n inteiro. . Seja A uma matriz 4 4 tal que a dimens ao de sua imagem e 1. O que voc e pode armar sobre os autovalores de A? E sobre os autovetores? . Seja A uma matriz diagonaliz avel que tem 5 entre os seus autovalors, e tal que todos os seus outros autovalores satisfazem || < 5. Descreva alguma propriedade interessante da seq u encia v, Av, A2 v, . . . , An v, . . . , onde v e um vetor gen erico. . Calcule uma matriz A para 3 3 A = 2 1 Fa ca o mesmo para 1 2 A3 = 1 2 1 1 2 1 . 4 a qual 1 1 4 2. 1 3

. Calcule pot encias arbitr arias (positivas ou negativas) de A= 1 1 72 1 1 .

Use estas contas para calcular d4 t (e sen t et cos t) dt4 e (3et sen t + 5et cos t ).

Sugest ao: veja como a derivada atua em v1 = et sen t e v2 = t e cos t . . Calcule etA e An para A= 2/2 2/2 2/2 2/2 0 2 0 1 0 ,A = 0 2 2 0 0 3, 2

2 A= 0 2

1 1 0 3 ,A = 1 1 1 1 2 1 0 0 A = 0 0 1 . 0 1 0

1 1, 1

. Diagonalize as matrizes abaixo. A= a b b a a b ,B = b a 0 b 0 b. a

73