Escolar Documentos
Profissional Documentos
Cultura Documentos
MÓDULO 3 – AULA 19
Objetivos
• Compreender o conceito e as propriedades apresentadas sobre opera-
dores ortogonais.
Demonstração:
O teorema sobre mudança de base para operadores lineares, visto no
curso de Álgebra Linear I, nos garante que
[T ]β = P −1 [T ]α P,
onde P é a matriz mudança de base entre as bases ortonormais α e β. Como
α e β são duas bases ortonormais de Rn , temos que P é uma matriz ortogonal
e, pelo Teorema 1 da Aula 10, segue-se que
P −1 = P t ,
onde P t é a transposta da matriz P . Assim,
[T ]β = P t [T ]α P.
7 CEDERJ
Operadores ortogonais
Exemplo 1
Verifique que o operador linear T : R3 → R3
obtemos
T (e1 ) = (cos θ, senθ, 0)
T (e2 ) = (−senθ cos θ, 0)
T (e3 ) = (0, 0, 1).
Portanto, a matriz que representa T nesta base é dada por
cos θ −senθ 0
A = senθ cos θ 0 .
0 0 1
hT u, T vi = hu, vi .
CEDERJ 8
Operadores ortogonais
MÓDULO 3 – AULA 19
Exemplo 2
Seja T : R2 → R2 um operador ortogonal, então sua matriz na base
canônica é da forma
à ! à !
cos θ −senθ cos θ senθ
ou ,
senθ cos θ senθ − cos θ
onde θ ∈ [0 , 2π).
Solução
De fato, sendo T : R2 → R2 um operador ortogonal, sua matriz na base
canônica de R2 será uma matriz ortogonal de ordem 2. Mas, pelos Exemplos
1 e 2 da Aula 10, sabemos que toda matriz ortogonal de ordem 2 é da forma
à ! à !
cos θ −senθ cos θ senθ
ou .
senθ cos θ senθ − cos θ
Exemplo 3
y 6
2 2
x x
-6 -1 1
Solução
Assim, Ã !
3/5 4/5
[T ] = .
−4/5 3/5
Exercı́cios
1. Seja T : R3 → R3 uma reflexão num plano π de R3 tal que T (1, 0, −1) =
(−1, 0, 1). Determine a matriz que representa o operador T com res-
peito à base canônica.
CEDERJ 10
Projeções ortogonais – 1a Parte
MÓDULO 3 – AULA 20
Objetivos
• Compreender o conceito de projeção ortogonal em dimensão 2.
Exemplo 1
Determine a matriz que representa a projeção ortogonal sobre o eixo-x,
isto é, sobre a reta de equação cartesiana y = 0.
Solução
Geometricamente, essa transformação é representada pela Figura 20.1.
y
V= (x,y)
x
V'= (x,0)
T : R2 → R2
T (x, y) = (x, 0).
11 CEDERJ
Projeções ortogonais – 1a Parte
Exemplo 2
Determine a matriz que representa a projeção ortogonal sobre o eixo-y,
isto é, sobre a reta de equação cartesiana x = 0.
Solução
A projeção ortogonal no o eixo-y é dada pela transformação linear
T : R2 → R2
T (x, y) = (0, y).
CEDERJ 12
Projeções ortogonais – 1a Parte
MÓDULO 3 – AULA 20
T (x,y) (x,y)
13 CEDERJ
Projeções ortogonais – 1a Parte
u1
L
v
TV
CEDERJ 14
Projeções ortogonais – 1a Parte
MÓDULO 3 – AULA 20
T : R2 → R2
hv, u1 i
v 7→ T v = hu 1 , u1 i
u1 ,
= hv − ku1 , u1 i
= hv, u1 i − hku1 , u1 i
= hv, u1 i − k hu1 , u1 i ,
T v = hv, u1 i u1 .
15 CEDERJ
Projeções ortogonais – 1a Parte
u2 u1
T u1 = hu1 , u1 i u1 = u1 = 1 · u1 + 0 · u2
T u2 = hu2 , u1 i u1 = 0 · u1 = 0 · u1 + 0 · u2 .
[T ]α = P [T ]β P −1 ,
CEDERJ 16
Projeções ortogonais – 1a Parte
MÓDULO 3 – AULA 20
Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro exem-
plo e os dois primeiros. Isto se deve à escolha adequada de uma base orto-
normal de R2 .
Exercı́cios
√
1. Determine a matriz da projeção ortogonal sobre a reta y = 3x com
respeito à base canônica.
17 CEDERJ
Projeções ortogonais – 2a Parte
MÓDULO 3 – AULA 21
Objetivos
• Compreender o conceito de projeção ortogonal em dimensão 3.
Exemplo 1
Determine a matriz que representa a projeção ortogonal sobre o plano-xy,
isto é, sobre o plano de equação cartesiana z = 0.
Solução
Geometricamente, essa transformação é representada pela Figura 21.1.
z
V= (x,y,z)
u1
V'= (x,y,0)
x y
19 CEDERJ
Projeções ortogonais – 2a Parte
T : R3 → R3
T (x, y, z) = (x, y, 0).
Mais uma vez, chamamos a atenção do aluno para que compreenda bem
a geometria desse exemplo, pois ela será recorrente nos exemplos seguintes.
Vejamos outro exemplo de projeção ortogonal em um plano coordenado.
Exemplo 2
Determine a matriz que representa a projeção ortogonal sobre o plano-yz,
isto é, sobre o plano de equação cartesiana x = 0.
CEDERJ 20
Projeções ortogonais – 2a Parte
MÓDULO 3 – AULA 21
Solução
Geometricamente, essa transformação é representada pela Figura 21.2.
z
x y
Exemplo 3
Descreva a projeção ortogonal sobre um plano π de R3 que passa pela
origem.
Solução
Seja T : R3 → R3 a projeção ortogonal sobre o plano π. Geometrica-
mente, essa transformação é representada pela Figura 21.3.
CEDERJ 22
Projeções ortogonais – 2a Parte
MÓDULO 3 – AULA 21
k1 hu1 , u1 i = hv, u1 i
hv, u1 i
k1 = ,
hu1 , u1 i
e, portanto,
hv, u1 i hv, u2 i
T v = k1 u1 + k2 u2 = u1 + u2 .
hu1 , u1 i hu2 , u2 i
23 CEDERJ
Projeções ortogonais – 2a Parte
T v = hv, u1 i u1 + hv, u2 i u2 .
T u1 = hu1 , u1 i u1 + hu1 , u2 i u2 = u1 = 1 · u1 + 0 · u2 + 0 · u3
T u2 = hu2 , u1 i u1 + hu2 , u2 i u2 = u2 = 0 · u1 + 1 · u2 + 0 · u3
T u3 = hu3 , u1 i u1 + hu3 , u2 i u2 = 0 · u1 + 0 · u2 + 0 · u3 .
[T ]α = P [T ]β P −1 ,
Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro exem-
plo e os dois primeiros. Isso se deve à escolha adequada de uma base orto-
normal de R3 .
CEDERJ 24
Projeções ortogonais – 2a Parte
MÓDULO 3 – AULA 21
Exercı́cios
1. Determine a matriz da projeção ortogonal sobre o plano-xz com res-
peito à base canônica.
25 CEDERJ
Matrizes simétricas
MÓDULO 3 – AULA 22
Objetivos:
Definição 1
Uma matriz A ∈ Mn (R) é simétrica se At = A, onde At representa a
matriz transposta de A. Equivalentemente, a matriz A = (aij ) é simétrica se
aij = aji para todo i, j.
Exemplo 1
As duas matrizes a seguir são simétricas:
à ! 4 −1 0
2 1
A= e B = −1 2 3 .
1 3
0 3 −2
27 CEDERJ
Matrizes simétricas
Exemplo 2
6 −2 −1
Diagonalize, caso seja possı́vel, a matriz A = −2 6 −1 .
−1 −1 5
Solução
O polinômio caracterı́stico da matriz A é dado por:
p(x) = det(xI3 − A)
¯ ¯
¯ x−6 2 1 ¯¯
¯
¯ ¯
= ¯ 2 x−6 1 ¯
¯ ¯
¯ 1 1 x−5 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ x−6 1 ¯ ¯ 2 1 ¯ ¯ 2 1 ¯
¯ ¯ ¯ ¯ ¯ ¯
= (x − 6) · ¯ ¯−2·¯ ¯+1·¯ ¯
¯ 1 x−5 ¯ ¯ 1 x−5 ¯ ¯ x−6 1 ¯
(3 I3 − A)v = 0.
29 CEDERJ
Matrizes simétricas
λi hvi , vj i = hλi vi , vj i
= hAvi , vj i
= (Avi )t vj
= (vit At )vj
= (vit A)vj , pois A é simétrica
= vit (Avj )
= hvi , Avj i
= hvi , λj vj i
= λj hvi , vj i .
CEDERJ 30
Matrizes simétricas
MÓDULO 3 – AULA 22
Demonstração:
Uma das direções é muito simples de ser feita. Suponha que A seja
diagonalizável por matriz ortogonal, como na Definição 2; então
At = (P DP t )t = (P t )t Dt P t = P DP t = A,
Exemplo 3
Determine se a matriz
3 −2 4
A = −2 6 2
4 2 3
é diagonalizável por matriz ortogonal e, caso seja, determine uma matriz
ortogonal P e uma matriz diagonal D tal que A = P DP t .
Solução
Como A é uma matriz simétrica, então, pelo Teorema 3, ela é diago-
nalizável por matriz ortogonal. Vamos, agora, realizar o cálculo de diagona-
lização de A.
Os autovalores da matriz A são as raı́zes do polinômio caracterı́stico
p(x) = det(xI3 − A)
¯ ¯
¯ x−3 2 −4 ¯
¯ ¯
¯ ¯
= ¯ 2 x − 6 −2 ¯
¯ ¯
¯ −4 −2 x − 3 ¯
= x3 − 12x2 + 21x + 98 .
31 CEDERJ
Matrizes simétricas
(−2 I3 − A)v = 0.
CEDERJ 32
Matrizes simétricas
MÓDULO 3 – AULA 22
Exercı́cios
1. Mostre que se A é uma matriz simétrica, então A2 também é uma
matriz simétrica.
33 CEDERJ
O Teorema Espectral
MÓDULO 3 – AULA 23
Objetivos:
• Compreender o significado do Teorema Espectral.
(λ In − A)v = 0
A = P DP t
λ1 0 · · · 0
0 λ2 · · · 0
= [u1 u2 · · · un ]
.. . . . ..
[u1 u2 · · · un ]t
. .
0 0 · · · λn
= [λ1 u1 λ2 u2 · · · λn un ] [u1 u2 · · · un ]t
= λ1 u1 ut1 + λ2 u2 ut2 + · · · λn un utn .
Exemplo 1 Ã !
7 2
Obtenha uma decomposição espectral da matriz A = .
2 4
Solução
Sendo A uma matriz simétrica, essa decomposição existe. O polinômio
caracterı́stico de A é dado por
p(x) = det(xI2 − A)
= x2 − 11x + 24
= (x − 8)(x − 3) .
37 CEDERJ
O Teorema Espectral
Vλ = {v ∈ Rn | (λ In − A)v = 0 },
A = P DP t .
Exemplo 2
Aplique o processo de diagonalização acima à matriz
0 2 2
A= 2 0 2
2 2 0
V−2 = {v ∈ R3 | (A + 2 I3 )v = 0 }
= {(x, y, z) ∈ R3 |x + y + z = 0 }.
CEDERJ 38
O Teorema Espectral
MÓDULO 3 – AULA 23
V4 = {v ∈ R3 | (4 I3 − A)v = 0 }
= {(x, y, z) ∈ R3 |x = z e y = z } .
39 CEDERJ
O Teorema Espectral
Resumo
É muito importante que você entenda bem o significado deste Teorema
Espectral. Lembre do que aconteceu em exemplos vistos anteriormente, em
que a matriz considerada não era simétrica. Estudamos exemplos de ma-
trizes não-simétricas com autovalores repetidos que eram diagonalizáveis e
outros exemplos de matrizes não-simétricas que não eram diagonalizáveis.
Há algumas diferenças marcantes entre os casos simétrico e não-simétrico
que tentaremos resumir agora.
Se A for uma matriz não-simétrica, então nem todas as raı́zes de seu
polinômio caracterı́stico precisam ser números reais, o que é necessário no
caso de a matriz A ser simétrica. Se A for uma matriz não-simétrica e todas
as raı́zes de seu polinômio caracterı́stico forem números reais, então ainda é
possı́vel que A não seja diagonalizável. É o caso em que um autovalor λ de
multiplicidade algébrica k não possui k autovetores linearmente independen-
tes, isto é, quando o auto-espaço correspondente tem dimensão menor que
k, ou ainda, quando a multiplicidade geométrica do autovalor é menor que
sua multiplicidade algébrica. Agora, quando A é uma matriz simétrica, além
de todos os autovalores serem reais, são iguais a multiplicidade algébrica e a
multiplicidade geométrica de cada autovalor.
E, por fim, diferente do que ocorre no caso de matriz simétrica, se a
matriz A é não-simétrica, então autovetores associados a autovalores distintos
não precisam ser ortogonais. Estude e analise, com a ajuda de seu tutor,
exemplos já vistos em aulas anteriores em que ocorrem as diferenças descritas
aqui.
CEDERJ 40
O Teorema Espectral
MÓDULO 3 – AULA 23
Exercı́cios
1. Em cada caso, aplique o processo de diagonalização à matriz A, deter-
minando as matrizes ortogonal P e diagonal D tais que A = P DP t .
à !
2 2
a) A =
2 2
0 −1 −1
b) A = −1 0 −1
−1 −1 0
2 2 0 0
2 2 0 0
c) A =
0 0 2 2
0 0 2 2
3 1 1 −1
2. Sejam A = 1 3 1 e v = 1 . Verifique que λ = 5 é um
1 1 3 0
autovalor de A e que v é um autovetor A. Em seguida obtenha as
matrizes ortogonal P e diagonal D tais que A = P DP t .
41 CEDERJ
Operadores auto-adjuntos
MÓDULO 3 – AULA 24
Objetivos:
• Compreender o conceito de operador auto-adjunto.
Definição 3
Um operador linear T : Rn → Rn é denominado auto-adjunto se satisfaz
Teorema 1
Um operador linear T : Rn → Rn é auto-adjunto se e somente se a matriz
A, que representa T com respeito a qualquer base ortonormal α de Rn , é
uma matriz simétrica.
Demonstração:
Com respeito à base ortonormal α de Rn , temos que T (u) = Au para
todo u ∈ Rn . Assim, para todo u, v ∈ Rn , temos que
hT u, vi = hAu, vi = (Au)t v = ut At v
e
hu, T vi = hu, Avi = ut Av,
onde At é a transposta da matriz A. Assim,
43 CEDERJ
Operadores auto-adjuntos
É importante salientar que não existe uma relação tão simples entre o
operador linear T : Rn → Rn e sua representação matricial A = [T ]α quando
a base α não for ortonormal (veja a observação ao final do Exemplo 1).
O Teorema 1 também fornece um critério prático para determinar se
um dado operador linear T : Rn → Rn é auto-adjunto. Basta considerar
qualquer base ortonormal α de Rn e verificar se a matriz A = [T ]α é uma
matriz simétrica.
Exemplo 1
Determine se o operador linear
T : R2 → R2
T (x, y) = (x, 0)
é auto-adjunto.
Solução
Vimos, no Exemplo 1 da Aula 20, que T é a projeção ortogonal sobre
o eixo-x. Considerando a base canônica α = {e1 , e2 } de R2 , vimos que a
matriz que representa T nesta base é dada por
à !
1 0
A = [T ]α = .
0 0
Está claro que esta base não é ortonormal, e ainda temos que
√ ± √ ± √ ± √ ±
T u1 = T ( 2 2, 2 2) = ( 2 2, 0) = 1 · u1 + (− 2 2) · u2
T u2 = T (0, 1) = (0, 0) = 0 · u1 + 0 · u2 .
Observe que esta matriz não é simétrica, mas também a base β não é orto-
normal, o que não contradiz o Teorema 1.
CEDERJ 44
Operadores auto-adjuntos
MÓDULO 3 – AULA 24
Exemplo 2
Considere os operadores lineares
e
T2 : R2 → R2 , T2 (x, y) = (y, x).
que não é uma matriz simétrica. Assim, outra vez pelo Teorema 1, a com-
posição T1 ◦ T2 não é um operador auto-adjunto. Daı́, concluı́mos que a com-
posição de operadores auto-adjuntos não é, necessariamente, auto-adjunto.
Exemplo 3
Seja T : R3 → R3 dado por
Solução
CEDERJ 46
Operadores auto-adjuntos
MÓDULO 3 – AULA 24
p(x) = det(xI3 − A)
¯ ¯
¯ x−3 0 0 ¯
¯ ¯
¯ ¯
= ¯ 0 x − 2 −1 ¯
¯ ¯
¯ 0 −1 x − 2 ¯
= (x − 3)2 (x − 1) .
V3 = {v ∈ R3 |T v = 3v}
= {(x, y, z) ∈ R3 |y = z e x arbitrário} .
V1 = {v ∈ R3 | T v = v}
= {(x, y, z) ∈ R3 | x = 0 e y = −z} ,
±√ ±√
e uma base ortonormal de V1 é dada pelo vetor u3 = (0, 1 2, −1 2).
Conseqüentemente, β = {u1 , u2 , u3 } é uma base ortonormal de R3 formada
por autovetores de T e, nesta base, T é representado pela matriz diagonal
3 0 0
B = [T ]β = 0 3 0 .
0 0 1
Exemplo 4
Determine valores de a, b ∈ R de modo que o operador T : R3 → R3 ,
definido por
47 CEDERJ
Operadores auto-adjuntos
Solução
Considerando a base canônica {e1 , e2 , e3 } de R3 , temos que
T e1 = T (1, 0, 0) = (1, 4, 2) = 1 · e1 + 4 · e2 + 2 · e3 ,
T e2 = T (0, 1, 0) = (2a, −5, −4) = 2a · e1 + (−5) · e2 + (−4) · e3 ,
T e3 = T (0, 0, 1) = (2, −b, 1) = 2 · e1 + (−b) · e2 + 1 · e3 .
p(x) = det(xI3 − A)
= (x + 9)(x − 3)2 .
V−9 = {v ∈ R3 | T v = −9v}
= {(x, y, z) ∈ R3 | x = −z e y = 2z} ,
e
V3 = {v ∈ R3 | T v = 3v}
= {(x, y, z) ∈ R3 | − x + 2y + z = 0} .
±√ ±√
Uma base ortonormal de V−9 é dada pelo vetor u1 = (1 6, −2 6,
±√
−1 6), enquanto uma base ortonormal de V3 é dada pelos vetores
±√ ±√ ±√ ±√ ±√
u2 = (1 2, 0, 1 2) e u3 = (1 3, 1 3, 1 3). Conseqüentemente,
CEDERJ 48
Operadores auto-adjuntos
MÓDULO 3 – AULA 24
Exemplo 5
Dados os vetores u = (4, 4, −2), v = (4, −2, 4) e w = (1, −2, −2), seja
T : R3 → R3 o operador linear dado por
u
u1 = = (2/3 , 2/3 , −1/3),
||u||
v
u2 = = (2/3 , −1/3 , 2/3) e
||v||
w
u3 = = (1/3 , −2/3 , −2/3)
||w||
49 CEDERJ
Operadores auto-adjuntos
Agora, não é difı́cil ver que os vetores T (u1 ), T (u2 ) e T (u3 ) se expressam
em função da base β = {u1 , u2 , u3 } como:
Auto-avaliação:
É de suma importância que você reveja e entenda muito bem a relação
que existe entre as matrizes simétricas, estudadas nas aulas anteriores, e os
operadores auto-adjuntos vistos nesta aula. Compare os conceitos e estude
os exemplos. Em caso de dúvidas não hesite em consultar o seu tutor.
Exercı́cios
1. Verifique que o operador T : R3 → R3 , dado por
é auto-adjunto.
CEDERJ 50
Formas bilineares
MÓDULO 3 – AULA 25
Objetivos:
• Compreender o conceito de forma bilinear.
i) para todo u , v , w ∈ V e a ∈ R,
B(u + w, v) = B(u , v) + B(w, v)
B(a u , v) = a B(u , v);
Exemplo 1
Seja F o produto escalar em Rn , isto é, dados u = (u1 , u2 , . . . , un ),
v = (v1 , v2 , . . . , vn ) ∈ Rn , considere a aplicação
F :V ×V →R
(u , v) 7→ F (u , v) = u1 v1 + u2 v2 + · · · + un vn .
Verifique que F é uma forma bilinear em Rn .
51 CEDERJ
Formas bilineares
Solução
De fato, considerando outro vetor w = (w1 , w2 , . . . , wn ) ∈ Rn e
a ∈ R, temos que
Exemplo 2
Seja a matriz
2 0 0
A = 4 2 0 .
0 0 3
Mostre que podemos associar à matriz A uma forma bilinear B : R3 × R3 →
R dada por
2 0 0 y1
B((x1 , x2 , x3 ), (y1 , y2 , y3 )) = (x1 x2 x3 ) 4 2 0 y2
0 0 3 y3
= 2 x1 y1 + 4 x2 y1 + 2 x2 y2 + 3 x3 y3 .
Solução
Observe que para todo par de vetores u , v ∈ R3
x1 y1
u = x2 e v = y2 ,
x3 y3
podemos reescrever
B(u , v) = ut A v,
CEDERJ 52
Formas bilineares
MÓDULO 3 – AULA 25
Teorema 1
Seja A = (aij ) ∈ Mn (R), isto é, uma matriz de ordem n. Podemos
associar à matriz A uma forma bilinear F : Rn × Rn → R dada por
F (u , v) = ut A v,
onde u , v ∈ Rn .
Observe que, reescrevendo os vetores u e v na forma
x1 y1
x2 y2
u= . e v=
..
,
.. .
xn yn
então
F (u , v) = ut A v
a11 a12 · · · a1n y1
a21 a22 · · · a2n y2
= (x1 x2 · · · xn )
.. .. .. ..
..
. . . . .
an1 an2 · · · ann yn
= a11 x1 y1 + a12 x1 y2 + · · · + ann xn yn
P
n
= aij xi yj .
i, j=1
u = u1 e1 + u2 e2 + · · · + un en
e
v = v1 e 1 + v2 e 2 + · · · + vn e n .
Então,
F (u , v) = F (u1 e1 + u2 e2 + · · · + un en , v1 e1 + v2 e2 + · · · + vn en )
= u1 v1 F (e1 , e1 ) + u1 v2 F (e1 , e2 ) + · · · + un vn F (en , en )
P
n
= ui vj F (ei , ej ) .
i, j=1
53 CEDERJ
Formas bilineares
Definição 5
A matriz A = (aij ), com aij = F (ei , ej ), é chamada de representação
matricial da forma bilinear F com relação à base α, ou, simplesmente, de
matriz de F com relação a α.
Esta matriz representa F no sentido que
n
X
F (u , v) = ui vj F (ei , ej ) = [u]tα A [v]α
i, j=1
Exemplo 3
Seja a forma bilinear F : R2 × R2 → R dada por
F (u , v) = F ((x1 , x2 ), (y1 , y2 )) = x1 y1 − x1 y2 + 3 x2 y1 − 5 x2 y2 ,
Solução
Primeiramente, façamos o cálculo da matriz de F com respeito à
base canônica:
F (e1 , e1 ) = F ((1 , 0), (1 , 0)) = 1
F (e1 , e2 ) = F ((1 , 0), (0 , 1)) = −1;
F (e2 , e1 ) = F ((0 , 1), (1 , 0)) = 3;
F (e2 , e2 ) = F ((0 , 1), (0 , 1)) = −5.
Portanto, temos que a matriz de F na base canônica é
à !
1 −1
A= .
3 −5
Para a matriz de F na base β, temos
F ((1 , 0), (1 , 0)) = 1;
F ((1 , 0), (1 , 1)) = 0;
F ((1 , 1), (1 , 0)) = 4;
F ((1 , 1), (1 , 1)) = −2.
Portanto, temos que a matriz de F na base β = {(1 , 0) , (1 , 1)} é
à !
1 0
B= .
4 −2
CEDERJ 54
Formas bilineares
MÓDULO 3 – AULA 25
B = P t A P,
F (u , v) = F (v , u)
Demonstração:
Por F ser uma forma bilinear em V , temos que
F (u , v) = ut A v
= (ut A v)t , pois ut A v é um escalar
= vt A t u .
55 CEDERJ
Formas bilineares
vt At u = F (u , v) = F (v , u) = vt A u
At = A,
F (u , v) = ut A v
= (ut A v)t , pois ut A v é um escalar
= vt At u
= vt A u , pois At = A
= F (v , u)
Auto-avaliação
Você deve ter compreendido que o conceito de forma bilinear é
uma generalização do conceito de transformação linear já bastante estu-
dado. É de extrema importância rever todos os conceitos e tentar resolver os
exercı́cios propostos. Caso surjam dificuldades, consulte as notas de aula ou
peça ajuda ao seu tutor. Os conceitos desta aula ainda serão bastante utili-
zados. Por isso, não deixe de fazer uma boa revisão de matrizes simétricas.
Exercı́cios
1. Seja A ∈ Mn (R). Verifique que a aplicação F : Rn × Rn → R, definida
por F (u , v) = ut A v é uma forma bilinear.
CEDERJ 56
Formas bilineares
MÓDULO 3 – AULA 25
F (u , v) = F ((x1 , x2 ), (y1 , y2 )) = 2 x1 y1 − 3 x1 y2 + x2 y2 ,
para todo u = (x1 , x2 ) , v = (y1 , y2 ) ∈ R2 .
57 CEDERJ
Formas quadráticas
MÓDULO 3 – AULA 26
Objetivos:
• Compreender o conceito de forma quadrática.
Definição 7
Seja V um espaço vetorial real. Uma aplicação q : V → R é chamada de
forma quadrática se existe uma forma bilinear simétrica F : V × V → R tal
que q(v) = F (v , v) para todo v ∈ V .
Seja A a matriz que representa a forma bilinear F na base α ⊂ V .
Dizemos que matriz A é a representação matricial da forma quadrática q
com espeito a essa mesma base α ⊂ V . Como a forma bilinear F é simétrica,
então, pelo Teorema 3 da Aula 25, a matriz A é uma matriz simétrica. Com
respeito à base α, denotamos A = (aij ) e v = (x1 , x2 , . . . , xn ) ∈ V ; então
q(v) = F (v , v)
= vt A v
a11 a12 · · · a1n x1
a21 a22 · · · a2n x2
= (x1 x2 · · · xn )
.. .. ... ..
..
. . . .
an1 an2 · · · ann xn
P
n
= aij xi xj .
i, j=1
59 CEDERJ
Formas quadráticas
Observe ainda que, se A for uma matriz diagonal, isto é aij = 0 para
i 6= j, então teremos
X n
aij xi yj = 0,
i<j
Exemplo 1
Seja a forma quadrática q : R2 → R dada por
q(x , y) = x2 − 10xy + y 2 .
Solução
Como A é uma matriz simétrica, podemos denotar
à !
a b
A= ;
b c
temos então à !à !
a b x
q(x , y) = (x y)
b c y
= ax2 + 2bxy + cy 2 .
Então, vale que
ax2 + 2bxy + cy 2 = x2 − 10xy + y 2 ,
de onde concluı́mos que
a = 1, b = −5 e c = 1,
obtendo à !
1 −5
A= .
−5 1
CEDERJ 60
Formas quadráticas
MÓDULO 3 – AULA 26
Exemplo 2
Seja q : R3 → R a forma quadrática dada por
Solução
Os coeficientes de x21 , x22 e x23 formam a diagonal principal da matriz
A, como indica a equação (6). Como A é matriz simétrica, o coeficiente de
xi xj , para i 6= j, é a soma dos coeficientes iguais aij = aji , como indica outra
vez a equação (6). Portanto,
1
aij = aji = · (coeficiente de xi xj ).
2
Assim, é fácil ver que
5 −1/2 0
A = −1/2 3 4 .
0 4 2
E, finalmente,
5 −1/2 0 x1
q(x1 , x2 , x3 ) = (x1 x2 x3 ) −1/2 3 4 x2 .
0 4 2 x3
61 CEDERJ
Formas quadráticas
Exemplo 3
Determine uma mudança de variável P que transforma a forma quadrática
q : R2 → R, dada por
Solução
Observando os coeficientes de q, vemos que a matriz A que representa
q na base canônica é dada por
à !
1 −4
A= .
−4 −5
CEDERJ 62
Formas quadráticas
MÓDULO 3 – AULA 26
onde D = P t A P .
A forma diagonal de q é dada por
à !à !
3 0 y1
q(y1 , y2 ) = (y1 y2 )
0 −7 y2
= 3y12 − 7y22 ,
onde à ! à !
x1 y1
v= e w= ,
x2 y2
e
v = P w, ou w = P t v
é a mudança de variáveis.
Veja que
q(v) = q(x1 , x2 ) = x21 − 8x1 x2 − 5x22
à ! x1
1 −4
= (x1 x2 ) x2
−4 −5
= vt A v
= (P w)t A (P w)
= wt (P t AP )w
= wt D w
à !à !
3 0 y1
= (y1 y2 )
0 −7 y2
= 3y12 − 7y22
= q(y1 , y2 ) = q(w) .
63 CEDERJ
Formas quadráticas
Exemplo 4
Determine uma mudança de variável P que transforme a forma quadrática
q : R3 → R, dada por
Solução
Observando os coeficientes de q, vemos que a matriz A que representa
q na base canônica é dada por
3 2 0
A = 2 2 2 .
0 2 1
CEDERJ 64
Formas quadráticas
MÓDULO 3 – AULA 26
2/3
u1 = 2/3 autovetor associado ao autovalor λ1 = 5;
1/3
−2/3
u2 = 1/3 autovetor associado ao autovalorλ2 = 2;
2/3
1/3
u3 = −2/3 autovetor associado ao autovalorλ3 = −1.
2/3
Como {u1 , u2 , u3 } forma uma base ortonormal de R3 , então
2/3 −2/3 1/3
P = [u1 u2 u3 ] = 2/3 1/3 −2/3
1/3 2/3 2/3
é uma matriz ortogonal e a matriz diagonal correspondente será
5 0 0
D = 0 2 0 ,
0 0 −1
onde D = P t A P .
A forma diagonal de q é dada por
5 0 0 y1
q(y1 , y2 , y3 ) = (y1 y2 y3 ) 0 2 0 y2
0 0 −1 y3
65 CEDERJ
Cônicas
MÓDULO 3 – AULA 27
Aula 27 – Cônicas
Objetivos:
• Compreender o conceito de cônica.
ax2 + bxy + cy 2 + dx + ey + f = 0,
Exemplo 1
Identifique o conjunto dos pontos (x , y) ∈ R2 que satisfazem a equação
x2 + y 2 − 4 = 0.
67 CEDERJ
Cônicas
Solução
Comparando a equação
x2 + y 2 − 4 = 0
Exemplo 2
Identifique o conjunto dos pontos (x , y) ∈ R2 que satisfazem a equação
y 2 − kx = 0,
Solução
Comparando a equação
y 2 − kx = 0
CEDERJ 68
Cônicas
MÓDULO 3 – AULA 27
Exemplo 3
Identifique o conjunto dos pontos (x , y) ∈ R2 que satisfazem a equação
x2 y 2
− 2 = 0,
a2 b
com a , b ∈ R, a , b > 0.
Solução
Comparando a equação
x2 y 2
− 2 =0
a2 b
com a equação (6), vemos que ela também representa uma cônica. Reescre-
vendo a equação na forma
y2 x2
= ,
b2 a2
temos
b
y = ± x,
a
o que representa um par de retas concorrentes que passa pela origem, como
ilustra a Figura 27.3.
69 CEDERJ
Cônicas
Exemplo 4
Identifique a cônica representada pela equação 5x2 − 4xy + 8y 2 − 36 = 0.
Solução
Precisamos, inicialmente, eliminar o termo misto (−4xy); para isto,
realizamos diagonalização da forma quadrática correspondente,
vt A v = 36,
com à ! à !
x 5 −2
v= ∈ R2 e A = .
y −2 8
CEDERJ 70
Cônicas
MÓDULO 3 – AULA 27
= 4x21 + 9y12 ,
onde
à ! à !
x x1
v= e v1 = ,
y y1
com
v = P v1 , ou v1 = P t v.
q(x1 , y1 ) = 36,
ou ainda,
4x21 + 9y12 = 36,
x
–3 0 3
–2
x21 y12
Figura 27.4: A elipse 9
+ 4
= 1.
71 CEDERJ
Cônicas
Exemplo 5
√
Identifique a cônica representada pela equação 2x2 +4xy +2y 2 +4 2 x+
√
12 2 y − 8 = 0.
Solução
√
Observe que neste exemplo a forma linear `(x, y) = dx + ey = 4 2 x +
√
12 2 y é não-nula. Reescrevendo a cônica na forma matricial, obtemos
vt A v + Bv − 8 = 0, (3)
onde à !
x
v= ∈ R2 ,
y
à !
5 −2
A=
−2 8
e
√ √
B = (4 2 12 2 ).
à ±√ !
1 2
u1 = ±√ , autovetor associado ao autovalor λ1 = 4,
1 2
e à ±√ !
−1 2
u2 = ±√ , autovetor associado ao autovalor λ2 = 0.
1 2
CEDERJ 72
Cônicas
MÓDULO 3 – AULA 27
= BP v1
à ±√ ±√ ! à !
√ √
1 2 −1 2 x1
= (4 2 12 2 ) ±√ ±√
1 2 1 2 y1
à !
x1
= (16 8 )
y1
= 16x1 + 8y1 .
Substituindo
vt A v = 4x21 e Bv = 16x1 + 8y1
em (7), obtemos
4x21 + 16x1 + 8y1 − 8 = 0, (4)
ou, simplificando,
x21 + 4x1 + 2y1 − 2 = 0.
Completando o quadrado na variável x1 ,
73 CEDERJ
Cônicas
ou
(x1 + 2)2 + 2(y1 − 3) = 0. (5)
Essa equação já é uma forma bem mais simples da cônica inicial e já se
pode identificar a equação de uma parábola, mas ela ainda pode ser mais
simplificada. Realizando a mudança de variáveis em (9) dada por
(
x 2 = x1 + 2
y2 = y1 − 3 ,
x22 = −2y2 ,
que representa a cônica inicial aos novos eixos-x2 y2 . Nessa forma, identifica-
mos facilmente a equação de uma parábola, como ilustra a Figura 27.5.
ax2 + bxy + cy 2 + dx + ey + f = 0.
vt A v + Bv + f = 0,
CEDERJ 74
Cônicas
MÓDULO 3 – AULA 27
onde
= vt A v ,
e
`(x, y) = dx + ey
à !
x
= (d e)
y
= Bv ,
com à !
a b/2
A = ,
b/2 c
B = (d e)
e à !
x
v = .
y
à !
λ1 0
D = P t A P com D = ,
0 λ2
75 CEDERJ
Cônicas
ax2 + bxy + cy 2 = vt A v
= (P v1 )t A (P v1 ) ; onde v = P v1
= vt1 (P t A P ) v1
= vt1 D v1
à !à !
λ1 0 x1
= (x1 y1 )
0 λ2 y1
= λ1 x21 + λ2 y12 ,
e
dx + ey = Bv
= B(P v1 ) ; onde v = P v1
= d1 x1 + e1 y1 .
λ1 x21 + λ2 y12 + d1 x1 + e1 y1 + f = 0,
que é uma equação que representa a cônica Γ e não contém termos cruzados
(em xy).
CEDERJ 76
Cônicas
MÓDULO 3 – AULA 27
= λ1 x22 + λ2 y22 + F ,
λ1 x21 + λ2 y12 + d1 x1 + e1 y1 + f = 0
é transformada em
λ1 x22 + λ2 y22 + F = 0.
Note que
= λ2 y22 + d1 x2 + F .
λ2 y22 + d1 x2 + F = 0.
Note que
77 CEDERJ
Cônicas
= det P
= det A
¯ ¯
¯ a b/2 ¯
¯ ¯
=¯ ¯
¯ b/2 c ¯
b2
= ac − .
4
b2
Portanto, λ1 · λ2 tem o mesmo sinal de ac − , que por sua vez tem o
4
mesmo sinal de 4ac − b2 . Assim, podemos refazer a análise anterior em
função do discriminante b2 − 4ac da forma quadrática.
Teorema 1
Dada a cônica de equação ax2 + bxy + cy 2 + dx + ey + f = 0, então esta
cônica representa:
b) uma parábola, duas retas paralelas ou uma única reta, caso b2 −4ac = 0;
Auto-avaliação:
Esta aula constitui uma excelente aplicação dos conceitos vistos nas
aulas anteriores. No entanto, pressupomos que você tenha alguns conheci-
mentos acerca das equações de cônicas tradicionais, como elipses, parábolas e
CEDERJ 78
Cônicas
MÓDULO 3 – AULA 27
Exercı́cio
1. Dada a cônica de equação 2x2 − 4xy − y 2 − 4x − 8y + 14 = 0, aplique
o procedimento apresentado nesta aula, simplificando a equação ao
máximo e identificando a cônica apresentada.
Resposta
x22 y22
1. A hipérbole de equação − = 1.
12 8
79 CEDERJ
Quádricas
MÓDULO 3 – AULA 28
Aula 28 – Quádricas
Objetivos:
• Compreender o conceito generalizado de uma quádrica.
Esta aula é uma continuação da aula anterior sobre cônicas; nela es-
tudaremos as superfı́cies quádricas no espaço R3 . Mais precisamente, va-
mos estudar alguns conjuntos de R3 cujas coordenadas, com respeito à base
canônica, satisfazem uma equação do tipo
`(x , y , z) = gx + hy + kz,
81 CEDERJ
Quádricas
x2 y 2 z 2 x2 y 2 z 2
( + 2 + 2 = 1) ( + 2 − 2 = 1)
a2 b c a2 b c
x2 y 2 z 2 x2 y 2 z 2
(− + 2 − 2 = 1) ( + 2 − 2 = 0)
a2 b c a2 b c
CEDERJ 82
Quádricas
MÓDULO 3 – AULA 28
x2 y 2
( + 2 = 1) (y = ax2 )
a2 b
83 CEDERJ
Quádricas
a d/2 e/2 x
= (x y z) d/2 b f /2 y
e/2 f /2 c z
= vt A v ,
onde
x a d/2 e/2
v = y e A = d/2 b f /2 .
z e/2 f /2 c
CEDERJ 84
Quádricas
MÓDULO 3 – AULA 28
`(x , y , z) = gx + hy + kz
x
= (g h k) y
z
= Bv ,
onde
B = (g h k).
vt A v + Bv + p = 0. (7)
vt A v + Bv + p = 0.
λ1 0 0
D = P t A P com D = 0 λ2 0 ,
0 0 λ3
85 CEDERJ
Quádricas
x1
v = P v1 , com v1 = y1 ,
z1
= (P v1 )t A (P v1 ) ; onde v = P v1
= vt1 (P t A P ) v1
= vt1 D v1
λ1 0 0 x1
= (x1 y1 z1 ) 0 λ2 0 y1
0 0 λ3 z1
e
gx + hy + kz = Bv
= B(P v1 ) ; onde v = P v1
x1
= (g1 h1 k1 ) y 1
z1
= g1 x1 + h1 y1 + k1 z1 .
Assim, a equação
vt A v + Bv + p = 0
CEDERJ 86
Quádricas
MÓDULO 3 – AULA 28
se transforma em
g1 h1 k1
λ1 (x21 + x1 ) + λ2 (y12 + y1 ) + λ3 (z12 + z1 ) + p = 0
λ1 λ2 λ3
g1 2 h1 2 k1 2
λ1 (x1 + ) + λ2 (y1 + ) + λ3 (z1 + ) + p1 = 0.
2λ1 2λ2 2λ3
Passando para as novas variáveis
g1 h1 k1
x2 = x1 + ; y2 = y1 + ; z2 = z1 + ,
2λ1 2λ2 2λ3
obtemos a equação
Exemplo 1
Descreva a superfı́cie quádrica cuja equação é dada por
Solução
Reescrevendo essa equação na forma matricial, temos
vt A v − 3 = 0, (8)
onde
x 4 2 2
v = y e A = 2 4 2 .
z 2 2 4
87 CEDERJ
Quádricas
±√ ±√
−1 2 −1 6
±√ ±√
u1 = 1 2 e u2 = −1 6 ;
±√
0 2 6
±√
1 3
±√
u3 = 1 3 .
±√
1 3
±√ ±√ ±√
−1 2 −1 6 1 3
±√ ±√ ±√
P = [u1 u2 u3 ] = 1 2 −1 6 1 3
±√ ±√
0 2 6 1 3
CEDERJ 88
Quádricas
MÓDULO 3 – AULA 28
e substituindo v = P v1 em vt A v, obtemos
vt A v = (P v1 )t A (P v1 )
= vt1 (P t AP )v1
= vt1 D v1 onde P t AP = D
2 0 0 x1
= (x1 y1 z1 ) 0 2 0 y1
0 0 8 z1
Portanto, substituindo
ou, equivalentemente,
x21 y2 z2
+ 1 + 1 = 1.
3/2 3/2 3/8
Exemplo 2
Identifique a superfı́cie quádrica cuja equação é dada por
√
−x2 + 2yz − 2 y − 101 = 0.
Solução
Inicialmente, observe que a presença do termo cruzado yz nos levará
a realizar uma rotação de eixos, e a presença dos termos lineares z e y, a
realizar uma translação de eixos.
Reescrevendo essa equação na forma matricial, temos
vt A v + Bv − 101 = 0, (9)
89 CEDERJ
Quádricas
onde
x −1 0 0
√ √
v= y , A = 0 0 1 e B = (0 − 2 2).
z 0 1 0
0
±√
u3 = 1 2 .
±√
1 2
CEDERJ 90
Quádricas
MÓDULO 3 – AULA 28
e substituindo v = P v1 em vt A v, obtemos
vt A v = (P v1 )t A (P v1 )
= vt1 (P t AP )v1
= vt1 D v1 , onde P t AP = D
−1 0 0 x1
= (x1 y1 z1 ) 0 −1 0 y1
0 0 1 z1
Bv = B(P v1 )
= BP v1
1 0 0 x1
√ √ ±√ ±√
= (0 − 2 2) 0 1 2 1 2 y1
±√ ±√
0 −1 2 1 2 z1
x1
= (0 − 2 0) y1
z1
= −2y1 .
Portanto, substituindo
91 CEDERJ
Quádricas
e, portanto,
−x21 − (y1 + 1)2 + z12 = 100,
ou, equivalentemente,
x21 (y1 + 1)2 z12
− − + = 1. (10)
102 102 102
Essa equação já é uma forma canônica para a quádrica inicial e já
se pode identificar a equação de um hiperbolóide de duas folhas, mas ela
ainda pode ser mais simplificada. Realizando a mudança de variáveis dada
por
x2 = x1
y2 = y1 + 1
z2 = z1 ,
que representa uma translação no R3 , a equação (10) se transforma em
x22 y22 z22
− − + = 1,
102 102 102
que representa a quádrica inicial aos novos eixos x2 y2 z2 . Nessa forma, identi-
ficamos novamente a equação de um hiperbolóide de duas folhas, como ilustra
a Figura 28.1.c.
Auto-avaliação:
Terminamos o estudo das cônicas em R2 e das quádricas em R3 , que
constituem uma excelente aplicação da diagonalização das formas quadráticas.
É importante que você reveja o procedimento de simplificação dessas equações
e compreenda os cálculos realizados nos exemplos. Também é importante
que fique clara a interpretação geométrica de cada mudança de variáveis
realizada.
Exercı́cios
Obtenha uma forma canônica de cada quádrica abaixo e identifique a
quádrica.
√ √
1. 2xy − 4 2 x + 2 2y + z − 9 = 0.
CEDERJ 92
Autovalores complexos
MÓDULO 3 – AULA 29
Objetivos:
• Compreender o conceito de autovalor complexo.
Pré-requisitos: Aulas 3 e 5.
Vimos logo na Aula 3 que, dada uma matriz A ∈ Mn (R), seu polinômio
caracterı́stico p(x) é um polinômio de grau n com coeficientes reais e, por-
tanto, possui um total de n raı́zes, contando suas multiplicidades e as raı́zes
complexas. Nesta aula, estudaremos alguns exemplos de matrizes reais com
autovalores complexos.
Inicialmente, vamos relembrar alguns conceitos sobre números comple-
xos. Denotamos o conjunto dos números complexos por C e representamos
por
√
C = {a + b i | a, b ∈ R e i = −1 }
A igualdade de números complexos é definida por
a + b i = c + d i se e somente se a = c e b = d.
C2 = {(z , w) | z, w ∈ C },
93 CEDERJ
Autovalores complexos
ii. z · (z1 , w1 ) = (z z1 , z z2 ),
onde z, z1 , w1 , z2 , w2 ∈ C.
Assim, dada uma matriz A ∈ Mn (C), um número complexo λ ∈ C é
um autovalor (complexo) da matriz A se existe um vetor não-nulo v ∈ Cn
tal que
Av = λv.
Dizemos que v é um autovetor (complexo) associado ao autovalor λ ∈ C.
Exemplo 1
Discuta a diagonalização da matriz
à !
0 −1
A= .
1 0
Solução
Sabemos, do nosso estudo de rotações no plano, que essa matriz cor-
responde a uma rotação de π/2 radianos no sentido anti-horário em torno da
origem do plano cartesiano R2 . Assim, fica claro que nenhum vetor não-nulo
v ∈ R2 é transformado, pela ação da matriz A, num múltiplo dele mesmo.
Assim, a matriz A não possui autovetores em R2 e, conseqüentemente, não
tem autovalores reais. De fato, o polinômio caracterı́stico de A é
p(x) = det(xI2 − A)
¯ ¯
¯ x 1 ¯¯
¯
=¯ ¯
¯ −1 x ¯
= x2 + 1 .
CEDERJ 94
Autovalores complexos
MÓDULO 3 – AULA 29
à ! à !
1 1 i 0
P = [v1 v2 ] = e D= ,
−i i 0 −i
temos
à !à !à !
1 1 i 0 1/2 i/2
P DP −1 =
−i i 0 −i 1/2 − i/2
à !à !
i −i 1/2 i/2
=
1 1 1/2 − i/2
à !
0 −1
=
1 0
= A,
isto é, A = P DP −1 . Portanto, no caso complexo, a matriz A é semelhante à
matriz diagonal D.
Exemplo 2
Dada a matriz
à !
0, 5 − 0, 6
A= ,
0, 75 1, 1
determine os autovalores de A e uma base para cada auto-espaço.
Solução
Obtendo o polinômio caracterı́stico da matriz A,
p(x) = det(xI
¯ 2 − A) ¯
¯ 0, 5 − x −0, 6 ¯
¯ ¯
=¯ ¯
¯ 0, 75 1, 1 − x ¯
= (0, 5 − x)(1, 1 − x) − (−0, 6)(0, 75)
= x2 − 1, 6 x + 1 .
95 CEDERJ
Autovalores complexos
z = (− 0, 4 − 0, 8 i) w.
= λ2 v2 .
CEDERJ 96
Autovalores complexos
MÓDULO 3 – AULA 29
Auto-avaliação:
Não é nosso objetivo generalizar toda a teoria de diagonalização de ma-
trizes reais para o caso complexo; apesar disso, desejamos proporcionar novas
e importantes aplicações da Álgebra Linear. Muitos problemas envolvendo
matrizes com autovalores complexos aparecem naturalmente em Engenharia
Elétrica, em Fı́sica e na área de Sistemas Dinâmicos de um modo geral. Essa
discussão costuma ser feita num curso avançado de Álgebra Linear. Portanto,
nosso objetivo foi apenas o de apresentar a você alguns exemplos elementares.
Exercı́cios
1. Determine os autovalores e uma base para cada auto-espaço da matriz
à !
1 −2
A= .
1 3
onde a , b ∈ R com a 6= 0 ou b 6= 0.
97 CEDERJ
Exercı́cios resolvidos – 3a Parte
MÓDULO 3 – AULA 30
Objetivo:
• Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29.
Exercı́cios
99 CEDERJ
Exercı́cios resolvidos – 3a Parte
Solução
CEDERJ 100
Exercı́cios resolvidos – 3a Parte
MÓDULO 3 – AULA 30
onde à ±√ ±√ !
1 2 −1 2
P = [u1 u2 ] = ±√ ±√ .
1 2 1 2
Como P é uma matriz ortogonal, temos que
à ±√ ±√ !
1 2 1 2
P −1 = P t = ±√ ±√ ,
−1 2 1 2
portanto,
A =ÃP B P −1
±√ ±√ ! Ã ! Ã ±√ ±√ !
1 2 −1 2 1 0 1 2 1 2
= ±√ ±√ ±√ ±√
1 2 1 2 0 0 −1 2 1 2
à !
1/2 1/2
= .
1/2 1/2
101 CEDERJ
Exercı́cios resolvidos – 3a Parte
T (u2 ) = u2 = 0 · u1 + 1 · u2 + 0 · u3 ;
e
T (u3 ) = 0 = 0 · u1 + 0 · u2 + 0 · u3 ,
temos que
1 0 0
B = [T ]β = 0 1 0 .
0 0 0
onde ±√ ±√ ±√
1 2 −1 6 1 3
±√ ±√
P = [u1 u2 u3 ] = 0 2 6 1 3 .
±√ ±√ ±√
1 2 1 6 −1 3
portanto
A = P B P −1
±√ ±√ ±√
1 2 −1 6 1 3 1 0 0
±√ ±√
= 0 2 6 1 3 0 1 0 .
±√ ±√ ±√
1 2 1 6 −1 3 0 0 0
±√ ±√
1 2 0 1 2
±√ ±√ ±√
. −1 6 2 6 1 6
±√ ±√ ±√
1 3 1 3 −1 3
2/3 −1/3 1/3
= −1/3 2/3 1/3 .
1/3 1/3 2/3
CEDERJ 102
Exercı́cios resolvidos – 3a Parte
MÓDULO 3 – AULA 30
2/3 −1/3 1/3 0 1/3
A P1 = −1/3 2/3 1/3 0 = 1/3 ;
1/3 1/3 2/3 1 2/3
2/3 −1/3 1/3 1 2/3
A P2 = −1/3 2/3 1/3 1 = 2/3 .
1/3 1/3 2/3 1 1
103 CEDERJ
Exercı́cios resolvidos – 3a Parte
(B t AB)t = B t At (B t )t
= B t AB;
= (a − x)2 − (−b)2
= x2 − 2ax + (a2 − b2 ) .
ou seja,
à !à ! à !
−b b x 0
= .
b −b y 0
CEDERJ 104
Exercı́cios resolvidos – 3a Parte
MÓDULO 3 – AULA 30
D = P tA P
à ±√ ±√ ! à ! à ±√ ±√ !
1 2 1 2 a b 1 2 −1 2
= ±√ ±√ ±√ ±√
−1 2 1 2 b a 1 2 1 2
à !
a+b 0
=
0 a−b
v3 = v1 × v2 = (1 , 1 , −2).
w = v2 × v3 = (−1 , 5 , 2).
w −1 5 2
u1 = = ( √ , √ , √ );
|| w|| 30 30 30
v2 2 1
u2 = = ( √ , 0 , √ );
|| v2 || 5 5
v3 1 1 −1
u3 = = ( √ , √ , √ ).
|| v3 || 6 6 6
105 CEDERJ
Exercı́cios resolvidos – 3a Parte
8. a) Sendo
3 1 0 0
1 3 0 0
A= ,
0 0 0 0
0 0 0 0
seu polinômio caracterı́stico é dado por
¯ ¯
¯ 3−x 1 0 0 ¯
¯ ¯
¯ 1 3−x 0 0 ¯
¯ ¯
=¯ ¯
¯ 0 0 −x 0 ¯
¯ ¯
¯ 0 0 0 −x ¯
= x2 (x2 − 6x + 8)
= x2 (x − 2)(x − 4) .
(A − 0 · I4 )v = 0
Av = 0
isto é, satisfazem o sistema linear homogêneo
3 1 0 0 x 0
1
3 0 0 y 0
= .
0 0 0 0 z 0
0 0 0 0 t 0
x = 0, y = 0 e z, t arbitrários.
CEDERJ 106
Exercı́cios resolvidos – 3a Parte
MÓDULO 3 – AULA 30
(A − 2 · I4 )v = 0,
y = −x e z = t = 0, com x arbitrário.
±√ ±√
Portanto, escolhendo x = 1 2 e, conseqüentemente, y = −1 2,
obtemos que µ ¶
1 −1
u3 = √ , √ , 0 , 0
2 2
forma uma base ortonormal do auto-espaço associado ao autovalor
λ2 = 2. Finalmente, para o autovalor λ3 = 4, os autovetores
associados v = (x , y , z , t) ∈ R4 satisfazem
(A − 4 · I4 )v = 0,
107 CEDERJ
Exercı́cios resolvidos – 3a Parte
±√ ±√
Portanto, escolhendo x = 1 2 e, conseqüentemente, y = 1 2,
obtemos que
µ ¶
1 1
u4 = √ , √ , 0, 0
2 2
±√ ±√
0 0 1 2 1 2
±√ ±√
0 0 −1 2 1 2
P = [u1 u2 u3 u4 ] = ,
1 0 0 0
0 1 0 0
e a matriz diagonal D,
0 0 0 0
0 0 0 0
D= ,
0 0 2 0
0 0 0 4
satisfazem A = P DP t .
b) No caso
3 1 0 0 0
1 3 0 0 0
A=
0 0 2 1 1 ,
0 0 1 2 1
0 0 1 1 2
CEDERJ 108
Exercı́cios resolvidos – 3a Parte
MÓDULO 3 – AULA 30
p(x) = det(xI5 − A)
¯ ¯
¯ x−3 −1 0 0 0 ¯
¯ ¯
¯ ¯
¯ −1 x−3 0 0 0 ¯
¯ ¯
= ¯¯ 0 0 x−2 −1 −1 ¯
¯
¯ ¯
¯ 0 0 −1 x−2 −1 ¯
¯ ¯
¯ 0 0 −1 −1 x−2 ¯
¯ ¯
¯ ¯ ¯ x − 2 −1 −1 ¯
¯ x − 3 −1 ¯ ¯ ¯
¯ ¯ ¯ ¯
=¯ ¯ · ¯ −1 x − 2 −1 ¯
¯ −1 x−3 ¯ ¯ ¯
¯ −1 −1 x−2 ¯
(A − 2 · I5 )v = 0,
x = 0, y = 0, z = −t − s com t e s arbitrários.
109 CEDERJ
Exercı́cios resolvidos – 3a Parte
v1 = (0 , 0 , 1 , 0 , −1).
(A − 2 · I5 )v = 0,
y = −x e z = t = 0, com x arbitrário.
v3 = (1 , −1 , 0 , 0 , 0),
(A − 4 · I5 )v = 0,
CEDERJ 110
Exercı́cios resolvidos – 3a Parte
MÓDULO 3 – AULA 30
y = x, s = z e t = z, com x e z arbitrários.
³ ´
u2 = 0 , 0 , √1 , −2
√ , √1 ;
6 6 6
³ ´
u3 = √1 , −1
√ , 0, 0, 0 ;
2 2
³ ´
u4 = √1 , √1 , 0, 0, 0 ;
2 2
e ³ ´
u2 = 0 , 0 , √1 , √1 , √1 .
3 3 3
111 CEDERJ
Exercı́cios resolvidos – 3a Parte
e a matriz diagonal D,
1 0 0 0 0
0 1 0 0 0
D=
0 0 2 0 0 ,
0 0 0 4 0
0 0 0 0 4
CEDERJ 112
Exercı́cios resolvidos – 4a Parte
MÓDULO 3 – AULA 31
Objetivo:
• Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29.
Exercı́cios
1. Para cada caso abaixo, determine a matriz que representa a forma
bilinear com respeito à base ordenada especificada.
113 CEDERJ
Exercı́cios resolvidos – 4a Parte
d) q(x1 , x2 ) = −7x1 x2
e) q(x1 , x2 , . . . , xn ) = (c1 x1 +c2 x2 +· · ·+cn xn )2 , com c1 , c2 , . . . , cn ∈
R.
a) q(x , y) = 2xy
b) q(x , y , z) = 2xy + 2xz + 2yz
a) 2x2 + 5y 2 = 20
b) x2 − 16y 2 + 8x + 128y = 256
c) 4x2 − 20xy + 25y 2 − 15x − 6y = 0
CEDERJ 114
Exercı́cios resolvidos – 4a Parte
MÓDULO 3 – AULA 31
Solução
Portanto,
à !
a1 b1 a1 b2
A= .
a2 b1 a2 b2
115 CEDERJ
Exercı́cios resolvidos – 4a Parte
a)
à !à !
3 0 x1
q(x1 , x2 ) = (x1 x2 ) = 3x21 + 7x22
0 7 x2
b)
1 1 2 7/2 x1
1 2
3 −1 x2
q(x1 , x2 , x3 , x4 ) = (x1 x2 x3 x4 )
2 3 3 0 x3
7/2 −1 0 1 x4
c)
1 1 −3/2 x1
q(x1 , x2 , x3 ) = (x1 x2 x3 ) 1 1 1/2 x2
−3/2 1/2 −1 x3
d)
à !à !
0 −7/2 x1
q(x1 , x2 ) = (x1 x2 ) = −7x1 x2
−7/2 0 x2
e)
q(x1 , x2 , . . . , xn ) = (c1 x1 + c2 x2 + · · · + cn xn )2 =
c21 c1 c2 c1 c3 · · · c1 cn x1
c1 c2 c22 c2 c3 · · · c 2 c n x2
= (x1 x2 · · · xn )
c1 c3 c2 c3 c23 · · · c3 cn
x3
.. .. .. ... .. ..
. . . . .
c1 cn c2 cn c3 cn · · · c2n xn
CEDERJ 116
Exercı́cios resolvidos – 4a Parte
MÓDULO 3 – AULA 31
117 CEDERJ
Exercı́cios resolvidos – 4a Parte
onde D = P t A P .
A forma diagonal de q é dada por
−1 0 0 x1
q(x1 , y1 , z1 ) = (x1 y1 z1 ) 0 −1 0 y1
0 0 2 z1
2 2 2
= −x1 − y1 + 2 z1 .
CEDERJ 118
Exercı́cios resolvidos – 4a Parte
MÓDULO 3 – AULA 31
x2 y2
Figura 31.1: A elipse 10
+ 4
= 1.
Efetuando a translação
(
x1 = x + 4
y1 = y − 4 ,
x21 y12
− = 1.
16 1
Podemos identificar a hipérbole na Figura 31.2.
x21 y12
Figura 31.2: A hipérbole 16
− 1
= 1.
119 CEDERJ
Exercı́cios resolvidos – 4a Parte
onde à !
x
v= ∈ R2 ,
y
à !
4 −10
A= e
−10 25
B = (−15 − 6 ).
CEDERJ 120
Exercı́cios resolvidos – 4a Parte
MÓDULO 3 – AULA 31
Bv = B(P v1 )
= BP v1 Ã ±√ ±√ ! Ã !
5 29 −2 29 x1
= (−15 − 6 ) ±√ ±√
2 29 5 29 y1
à !
√ x1
= (−3 29 0 )
y1
√
= −3 29 x1 .
Substituindo
√
vt A v = 29y12 e Bv = −3 29 x1
em vt A v + Bv = 0, obtemos
√
29y12 − 3 29 x1 = 0.
ou, ainda, √
29 2
x1 = y ,
3 1
onde identificamos facilmente a equação de uma parábola. Veja a
Figura 31.3.
y1
x1
√
29 2
Figura 31.3: A parábola x1 = 3
y1 .
vt A v + B v = −9,
onde
x 0 1 1
v = y , A = 1 0 1 e B = (−6 −6 − 4).
z 1 1 0
121 CEDERJ
Exercı́cios resolvidos – 4a Parte
e substituindo v = P v1 em vt A v, obtemos
vt A v = (P v1 )t A (P v1 )
= vt1 (P t AP )v1
= vt1 D v1 ; onde P t AP =D
−1 0 0 x1
= (x1 y1 z1 ) 0 −1 0 y1
0 0 2 z1
= −x21 − y12 + 2z12 .
CEDERJ 122
Exercı́cios resolvidos – 4a Parte
MÓDULO 3 – AULA 31
Bv = B(P v1 )
= BP v1
±√ ±√ ±√
1 6 1 2 1 3 x1
±√ ±√
= (−6 −6 − 4) −2 6 0 1 3 y1
±√ ±√ ±√
1 6 −1 2 1 3 z1
2 2 16
= √ x1 − √ y1 − √ z1 .
6 6 6
Portanto, substituindo
2 2 16
vt A v = −x21 − y12 + 2z12 e Bv = √ x1 − √ y1 − √ z1
6 6 6
na equação vt A v + B v = −9, obtemos
2 2 16
−x21 − y12 + 2z12 + √ x1 − √ y1 − √ z1 = −9.
6 6 6
Completando os quadrados nas variáveis x1 , y1 e z1 , obtemos a
quádrica
µ ¶2 µ ¶2 µ ¶2
1 1 4
− x1 − √ − y1 + √ + 2 z1 + √ = 1.
6 2 3
Agora, aplicando a translação
1
x2 = x1 − √ 6
y2 = y1 + √12
z2 = z1 + √43 ,
obtemos
−x22 − y22 + 2z22 = 1,
que representa um hiperbolóide de duas folhas.
√ √
b) Reescrevendo a equação 2xy − 6 2 x + 10 2 y + z − 31 = 0 na
forma matricial, temos
vt A v + B v = 31,
onde
x 0 1 0
√ √
v= y , A = 1 0 0 e B = (− 6 2 10 2 1).
z 0 0 0
123 CEDERJ
Exercı́cios resolvidos – 4a Parte
= y12 − z12 .
CEDERJ 124
Exercı́cios resolvidos – 4a Parte
MÓDULO 3 – AULA 31
Bv = B(P v1 )
= BP v1
±√ ±√
0 1 2 −1 2 x1
√ √ ±√ ±√
= (−6 2 10 2 1) 0 1 2 1 2 y1
1 0 0 z1
x1
= (1 4 16) y1
z1
= x1 + 4y1 + 16z1 .
Portanto, substituindo
na equação vt A v + B v = − 9, obtemos
obtemos
x2 = −y22 + z22 ,
que representa um parabolóide hiperbólico.
125 CEDERJ
Exercı́cios resolvidos – 4a Parte
Logo, Ã !
2 −1
A= .
2 0
Logo, Ã !
3 9
B= .
0 6
v 1 = 1 · u1 + 1 · u2 ;
v2 = 2 · u1 + (−1) · u2 ,
à ! à !
1 2 1 1
e, portanto, P = e Pt = ,
1 −1 2 −1
onde
à !à !à ! à !
t 1 1 2 −1 1 2 3 9
P AP = = = B.
2 −1 2 0 1 −1 0 6
CEDERJ 126
Um caso prático
MÓDULO 3 – AULA 32
pn = r pn−1 .
p1 = 2 p0 ;
p2 = 2 p1 = 2 (2 p0 ) = 22 p0 ;
p3 = 2 p2 = 2 (22 p0 ) = 23 p0 .
127 CEDERJ
Um caso prático
Pn = An P0 ,
onde à !
pj,0
P0 =
pa,0
é a matriz que representa a população inicial de fêmeas (jovens e adultas).
CEDERJ 128
Um caso prático
MÓDULO 3 – AULA 32
Exemplo 1
Vamos considerar o modelo descrito anteriormente durante um perı́odo de
20 anos com matriz A dada por
à !
0 2
A= .
0, 3 0, 5
Essa matriz informa que cada fêmea adulta gera k = 2 fêmeas jovens a
cada ano e que as taxas de sobrevivência são α = 0, 3 para fêmeas jovens e β =
0, 5 para fêmeas adultas. Observe que α < β significa que as fêmeas jovens
têm menos chances de sobreviver que as adultas. Vamos supor, inicialmente,
que temos 10 fêmeas adultas e nenhuma jovem; portanto,
à !
0
P0 = .
10
pj,1 20
= = 4.
pa,1 5
O valor de 8,5 para fêmeas adultas pode ser interpretado como um total
de 8 indivı́duos. No entanto, como pj,2 = 10 e pa,2 = 8, 5, a população
total de fêmeas é de 18 indivı́duos após dois anos, e a razão entre fêmeas
jovens e adultas é
pj,2 10
= = 1, 18.
pa,2 8, 5
129 CEDERJ
Um caso prático
Tabela 32.1
Ano Fêmeas jovens Fêmeas adultas Total de fêmeas pj,n /pa,n
n pj,n pa,n Pj,n + pa,n
0 0 10 10 0
1 20 5 25 4,00
2 10 8 18 1,18
3 17 7 24 2,34
4 14 8 22 1,66
5 17 8 25 2,00
10 22 12 34 1,87
11 24 12 36 1,88
12 25 13 38 1,88
20 42 22 64 1,88
A2 v1 = A(Av1 )
= A(λ1 v1 )
= λ1 (Av1 )
= λ1 (λ1 v1 )
= λ21 v1 ;
A3 v1 = λ31 v1 ;
CEDERJ 130
Um caso prático
MÓDULO 3 – AULA 32
Pn = a1 An v1 + a2 An v2
na forma
Pn = a1 λn1 v1 + a2 λn2 v2 .
à !
0 k
O polinômio caracterı́stico da matriz A = é dado por
α β
Como k > 0, 0 < α < 1 e 0 < β < 1, temos que β 2 + 4αk > 0 e,
portanto, a matriz A de fato possui dois autovalores reais distintos, λ1 e λ2 ,
como supusemos inicialmente. Vemos também que
1³ p ´
λ1 = β + β 2 + 4αk > 0
2
e
1³ p ´
λ2 = β − β 2 + 4αk < 0,
2
e, ainda, que |λ1 | > |λ2 |. Assim, neste caso, o vetor Pn pode ser reescrito
como · µ ¶n ¸
n λ2
Pn = λ1 a1 v1 + a2 v2 .
λ1
¯ ¯ ³ ´n
¯ ¯
Agora, já que ¯ λλ12 ¯ < 1, temos que λλ21 → 0 quando n → +∞, ou
λ2
seja, λ1
≈ 0 quando n é muito grande. Nesse caso, teremos
Pn ≈ a1 λn1 v1 .
131 CEDERJ
Um caso prático
Exemplo 2 Ã !
0 2
Dando continuidade ao Exemplo 1, como A = , temos que o
0, 3 0, 5
polinômio caracterı́stico é
p(x) = x2 − 0, 5 x − 0, 6.
Exercı́cios
1. Usando o modelo populacional desenvolvido neste capı́tulo, determine
o número de fêmeas jovens e adultas após perı́odos de 1, 2, 5, 10, 19 e
CEDERJ 132
Um caso prático
MÓDULO 3 – AULA 32
133 CEDERJ
Soluções de exercı́cios selecionados
Aula 19
0 0 1
1. [T ] = 0 1 0 .
1 0 0
±√ ±√
2. autovalorλ1 = 1 com multiplicidade 2: autovetores u1 = (1 2, 0, 1 2)
e u2 = (0, 1, 0);
±√ ±√
autovalor λ2 = −1 com multiplicidade 1: autovetor u3 = (1 2, 0, −1 2).
Aula 20
1. Matriz
à da projeção ortogonal com respeito à base canônica:
√ ± !
1/4 3 4
A= √ ± .
3 4 1/4
Aula 21
1 0 0
1. [T ] = 0 0 0
0 0 1
1/2 0 1/2
2. [T ] = 0 1 0
1/2 0 1/2
135 CEDERJ
Soluções de exercı́cios selecionados
Aula 22
1. Como At = A, temos
Assim, as matrizes
±√ ±√
1 2 0 1 2 0 3 0 0 0
1±√2 0
±√
−1 2 0 0 3 0 0
P = ±√ ±√ e D=
0 1 2 0 1 2 0 0 −1 0
±√ ±√
0 −1 2 0 1 2 0 0 0 −1
satisfazem A = P DP t .
CEDERJ 136
Soluções de exercı́cios selecionados
Aula 23
à ±√ ±√ ! à !
1 2 1 2 0 0
1. a) P = ±√ ±√ ;D=
−1 2 1 2 0 4
±√ ±√ ±√
1 3 −1 2 −1 6 −2 0 0
±√ ±√ ±√
b) P = 1 3 1 2 −1 6 ; D = 0 1 0
±√ ±√
1 3 0 2 6 0 0 1
±√ ±√
1 2 0 1 2 0 0 0 0 0
±√ ±√
−1 2 0 1 2 0
0 0 0 0
c) P = ±√ ±√ ; D =
0 1 2 0 1 2 0 0 4 0
±√ ±√
0 −1 2 0 1 2 0 0 0 4
Aula 24
1. A matriz que representa o operador T com respeito à base canônica é
2 1 1
A = 1 2 −1 .
1 −1 2
Aula 25
1. Para todo u , v , w ∈ Rn e a ∈ R,
F (u + a w, v) = (u + a w)t A v
= (ut + a wt ) A v
= ut A v + a (wt A v)
= F (u , v) + a F (w, v) .
137 CEDERJ
Soluções de exercı́cios selecionados
Aula 28
1. z22 = x22 − y22 ; parabolóide hiperbólico.
Aula 29
1. λ1 = 2 + i; v1 = (−1 + i , 1)
λ2 = 2 − i; v2 = (−1 − i , 1)
Aula 32
1. Os autovalores são λ1 ≈ 1, 44 e λ2 ≈ − 0, 836, com autovalores corres-
pondentes
à ! à !
2, 09 − 3, 57
v1 = e v2 = .
1 1
Valores:
Tabela 32.2
CEDERJ 138
Soluções de exercı́cios selecionados
139 CEDERJ