Algebra Linear2 Aulas 19a32 Volume02

Operadores ortogonais
MÓDULO 3 – AULA 19
Aula 19 – Operadores ortogonais
Objetivos
• Compreender o conceito e as propriedades apresentadas sobre opera-
dores ortogonais.
• Aplicar os conceitos apresentados em exemplos importantes.

Pré-requisitos: Aulas 10 a 14,
n n 17 e 18.
Você deve se lembrar de que um operador T : R → R é dito ortogonal
se existe uma base ortonormal α de Rn tal que a matriz de T na base α é
uma matriz ortogonal, isto é, se a matriz [T ]α é ortogonal.
Veremos que os operadores ortogonais estão bem definidos no sentido
de que o fato de ser um operador ortogonal não depende da base ortonormal
escolhida, ou seja, se a matriz [T ]α , numa certa base ortonormal α de Rn , for
ortogonal, então a matriz [T ]β também será ortogonal para qualquer outra
base ortonormal β de Rn .
Na verdade, temos o seguinte resultado:
Teorema 1
Sejam T : Rn → Rn um operador ortogonal e α e β duas bases ortonor-
mais de Rn . Se a matriz [T ]α é ortogonal, então a matriz [T ]β também será
ortogonal.
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.
Como [T ]α é uma matriz ortogonal por hipótese e como o produto de

matrizes ortogonais é também uma matriz ortogonal, concluı́mos que [T ]β
também será uma matriz ortogonal. ¤
7 CEDERJ
O resultado anterior simplifica um problema crucial: para decidirmos se

um dado operador linear T : Rn → Rn é ortogonal, basta considerar qualquer
base ortonormal α de Rn e verificar se a matriz [T ]α é uma matriz ortogonal.
Exemplo 1
Verifique que o operador linear T : R3 → R3
T (x, y, z) = (x cos θ − y senθ, x senθ + y cos θ, z),
com θ ∈ [0, 2π), é um operador ortogonal.

Solução
De fato, escolhendo a base canônica {e1 , e2 , e3 } de R3 , dada por
e1 = (1, 0, 0), e2 = (0, 1, 0) e e3 = (0, 0, 1),
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
Sabemos que A é uma matriz ortogonal de R3 . Mais ainda, A é uma

rotação de θ radianos em torno do eixo-z (Exemplo 1 da Aula 17). Assim, o
operador linear T é um operador ortogonal.
O próximo teorema segue imediatamente do Teorema 2 da Aula 10.

Teorema 2
Seja T : Rn → Rn um operador ortogonal. Então as seguintes proprieda-
des são válidas:
1. T transforma bases ortonormais em bases ortonormais, ou seja, se

{v1 , v2 , . . . , vn } é uma base ortonormal de Rn , então {T v1 , T v2 , . . . , T vn }
também é uma base ortonormal de Rn .
2. T preserva o produto interno, ou seja, para todo u, v ∈ Rn vale que
hT u, T vi = hu, vi .
3. T preserva a norma, ou seja, para todo v ∈ Rn vale que
||T v|| = ||v||.
CEDERJ 8
Exemplo 2
Seja T : R2 → R2 um operador ortogonal, então sua matriz na base
canônica é da forma
Ã ! Ã !
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
Ã ! Ã !
cos θ −senθ cos θ senθ
ou .
senθ cos θ senθ − cos θ
Sabemos também que a primeira matriz representa uma rotação de θ

radianos, no sentido anti-horário, em torno da origem, e a segunda matriz
representa uma reflexão em torno da reta pela origem que forma um ângulo
de θ/2 radianos com o semi-eixo x positivo.
Exemplo 3
a) Determine a transformação linear T : R2 → R2 que leva o segmento de

reta de extremidades (−6, 2) e (−1, 2) ao segmento de reta de extremi-
dades (−2, 6) e (1, 2), respectivamente (veja a Figura 19.1).
b) Mostre que a transformação acima é uma rotação. Determine, também,

o ângulo dessa rotação.
y
y 6
2 2
x x
-6 -1 1
Figura 19.1: O operador T .

9 CEDERJ
Solução
a) Queremos encontrar escalares a, b, c, d ∈ R tais que a matriz que repre-

senta T na base canônica seja dada por
Ã !
a b
[T ] = .
c d
Da condição sobre as extremidades, temos

Ã !Ã ! Ã !
a b −6 −2
T (−6, 2) = = e
c d 2 6
Ã !Ã ! Ã !
a b −1 1
T (−1 , 2) = = ,
c d 2 2
o que nos dá o sistema linear


 −6a + 2b = −2

 −6c + 2d = 6
.

 −a + 2b = 1


−c + 2d = 2
É fácil ver que a solução desse sistema é dada por:
a = 3/5; b = 4/5; c = −4/5 e d = 3/5.
Assim, Ã !
3/5 4/5
[T ] = .
−4/5 3/5
b) Como as colunas da matriz [T ], representadas pelos vetores

v1 = (3/5 , −4/5) e v2 = (4/5 , 3/5), formam uma base ortonormal
de R2 , concluı́mos que a matriz [T ] é ortogonal e, conseqüentemente, o
operador linear T é um operador ortogonal. Além disso, det[T ] = 1 e,
assim, o operador T é uma rotação de R2 cujo ângulo θ é dado por
θ = − arccos(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.
2. Determine os autovalores e os autovetores associados da transformação

linear T do exercı́cio anterior.
CEDERJ 10
Projeções ortogonais – 1a Parte
Aula 20 – Projeções ortogonais – 1a Parte
Objetivos
• Compreender o conceito de projeção ortogonal em dimensão 2.

17, 18 e 19.
Nesta e na próxima aula vamos apresentar um tipo de transformação
usada em áreas como a Computação Gráfica e o Desenho Geométrico. Trata-
se das projeções ortogonais. Nesta primeira aula, trabalharemos com as
projeções ortogonais em R2 .
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)
Figura 20.1: A projeção ortogonal no eixo-x.
Assim, temos a transformação linear
T : R2 → R2
T (x, y) = (x, 0).
11 CEDERJ
Denotando por {e1 , e2 } a base canônica de R2 , temos que
T (e1 ) = T (1, 0) = (1, 0) = 1 · e1 + 0 · e2
T (e2 ) = T (0, 1) = (0, 0) = 0 · e1 + 0 · e2 .
Portanto, a matriz que representa a transformação T na base canônica

é dada por
Ã !
1 0
A= .
0 0
Vemos imediatamente algumas propriedades dessa projeção ortogonal.
1. A matriz A e, portanto, o operador T , não é invertı́vel, pois det(A) = 0.
2. Como T (e2 ) = 0 · e2 , então λ2 = 0 é um autovalor de T com autovetor

associado e2 = (0, 1). Não é difı́cil ver que o auto-espaço associado
a λ2 = 0 é exatamente o eixo-y, isto é, a reta de equação cartesiana
x = 0.

associado e1 = (1, 0). Não é difı́cil ver que o auto-espaço associado
a λ1 = 1 é exatamente o eixo-x, isto é, a reta de equação cartesiana
y = 0.
4. O operador T é diagonalizável e seu polinômio caracterı́stico é

p(x) = x (x − 1).
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).
Geometricamente, esta transformação é representada pela Figura 20.2.
CEDERJ 12
T (x,y) (x,y)
Figura 20.2: A projeção ortogonal no eixo-y.
Como no Exemplo 1, temos que
T (e1 ) = T (1, 0) = (0, 0) = 0 · e1 + 0 · e2
T (e2 ) = T (0, 1) = (0, 1) = 0 · e1 + 1 · e2 .

é dada por Ã !
0 0
A= .
0 1
Como antes, vemos que:
1. A matriz A e, portanto, o operador T , não é invertı́vel, pois det(A) = 0.

associado e1 = (1 , 0). Não é difı́cil ver que o auto-espaço associado
a λ1 = 0 é exatamente o eixo-x, isto é, a reta de equação cartesiana
y = 0.

associado e2 = (0 , 1). Não é difı́cil ver que o auto-espaço associado
a λ2 = 1 é exatamente o eixo-y, isto é, a reta de equação cartesiana
x = 0.
4. O operador T é diagonalizável com polinômio caracterı́stico

p(x) = x (x − 1).
13 CEDERJ
Os exemplos 1 e 2 são muito simples, porém são muito importantes a sua

compreensão e o seu significado geométrico. Especialmente, certifique-se de
que tenha entendido os auto-espaços associados a cada autovalor. Usaremos
essas idéias para apresentar a projeção ortogonal sobre uma reta L qualquer
do R2 passando pela origem. Se você compreendeu bem a geometria dos
exemplos anteriores, então não terá dificuldade em acompanhar o caso geral
a seguir.
Exemplo 3
Descreva a projeção ortogonal sobre uma reta L de R2 que passa pela
origem.
Solução
Suponhamos que a reta L seja paralela a um vetor unitário u1 ∈ R2 ,
como ilustra a Figura 20.3.
y
u1
Figura 20.3: A reta L paralela ao vetor unitário u1 .
O efeito geométrico da projeção ortogonal sobre a reta L é observado

na Figura 20.4.
y
L
v
TV
Figura 20.4: A projeção ortogonal na reta L.
CEDERJ 14
A projeção ortogonal de um vetor v na direção do vetor u1 é dada por
T : R2 → R2
hv, u1 i
v 7→ T v = hu 1 , u1 i
u1 ,
de onde vemos que T é uma transformação linear. Para obter a fórmula

acima observamos que desejamos um vetor T v da forma T v = ku1 de modo
que v − ku1 seja ortogonal a u1 , como indica a Figura 20.5.
Figura 20.5: A projeção ortogonal de v na direção de u1
Assim, da ortogonalidade entre v − ku1 e u1 temos
= hv − ku1 , u1 i
= hv, u1 i − hku1 , u1 i
= hv, u1 i − k hu1 , u1 i ,
o que nos dá

k hu1 , u1 i = hv, u1 i
hv, u1 i
k = ,
hu1 , u1 i
e, portanto,
hv, u1 i
T v = ku1 = u1 .
hu1 , u1 i
Observe que na fórmula acima o vetor u1 não precisa ser unitário, mas,
caso seja, como hu1 , u1 i = 1, então a fórmula acima se simplifica para
T v = hv, u1 i u1 .
Nosso problema agora é encontrar a matriz que represente a trans-

formação T . Veremos que, escolhendo uma base ortonormal adequada de
R2 , a matriz de T nessa base é muito similar à matriz do Exemplo 1, visto
anteriormente. Lembre que o problema da escolha de uma base ortonormal
adequada já foi tratado quando estudamos as reflexões de R2 com respeito a
uma reta qualquer passando pela origem. Veja a Aula 12.
15 CEDERJ
Seja β = {u1 , u2 } uma base ortonormal de R2 onde u1 é um vetor

unitário paralelo à reta L e u2 é um vetor unitário normal à reta L. Veja a
Figura 20.6.
y
u2 u1
Figura 20.6: A base ortonormal β = {u1 , u2 }.
Nesse caso, como hu1 , u1 i = 1 e pela observação acima temos que T v =

hv, u1 i u1 . Assim, vemos que
T u1 = hu1 , u1 i u1 = u1 = 1 · u1 + 0 · u2
T u2 = hu2 , u1 i u1 = 0 · u1 = 0 · u1 + 0 · u2 .
Portanto, a matriz que representa a transformação T na base β é dada

por Ã !
1 0
[T ]β = ,
0 0
que é exatamente da mesma forma que a matriz do Exemplo 1. Se quiser-
mos obter a matriz que representa T na base canônica, é só fazermos uma
mudança de base. Se α = {e1 , e2 } é a base canônica de R2 , então
[T ]α = P [T ]β P −1 ,
onde P é a matriz mudança de base. Como P = [u1 u2 ], isto é, suas

colunas são vetores ortonormais, então P é uma matriz ortogonal e, portanto,
P −1 = P t . Como nos exemplos 1 e 2, temos as seguintes propriedades.
1. As matrizes [T ]α e [T ]β e, portanto, o operador T , não são invertı́veis,

pois det [T ]β = 0.
CEDERJ 16
2. Como T (u2 ) = 0 · u2 , então λ2 = 0 é um autovalor de T com autovetor

associado u2 . Não é difı́cil ver que o auto-espaço associado a λ2 = 0 é
exatamente a reta pela origem ortogonal à reta L.

exatamente a reta L.
4. O operador T é diagonalizável e seu polinômio caracterı́stico é

p(x) = x (x − 1).
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.
2. Determine os autovalores e os auto-espaços associados da transformação

linear do exercı́cio 1.
17 CEDERJ
Aula 21 – Projeções ortogonais – 2a Parte
Objetivos
• Compreender o conceito de projeção ortogonal em dimensão 3.

17 a 20.
Nesta aula daremos continuidade ao estudo das projeções ortogonais,

estudando as projeções ortogonais em R3 . Apresentamos inicialmente os
casos mais simples das projeções ortogonais nos planos coordenados. Em
seguida, trataremos do caso geral de uma projeção ortogonal sobre um plano
passando pela origem.
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
z
V= (x,y,z)
u1
V'= (x,y,0)
x y
Figura 21.1: A projeção ortogonal no plano-xy.
19 CEDERJ
T : R3 → R3
T (x, y, z) = (x, y, 0).
Denotando por {e1 , e2 , e3 } a base canônica de R3 , temos que
T (e1 ) = T (1, 0, 0) = (1, 0, 0) = 1 · e1 + 0 · e2 + 0 · e3

T (e2 ) = T (0, 1, 0) = (0, 1, 0) = 0 · e1 + 1 · e2 + 0 · e3
T (e3 ) = T (0, 0, 1) = (0, 0, 0) = 0 · e1 + 0 · e2 + 0 · e3 .

é dada por  
1 0 0
 
A= 0 1 0 .
0 0 0
Como nos exemplos da Aula 20, vemos imediatamente algumas propri-

edades dessa projeção ortogonal.
1. A matriz A e, portanto, o operador T , não são invertı́veis, pois

det(A) = 0.

associado e3 . Não é difı́cil ver que o auto-espaço associado a λ2 = 0 é
exatamente o eixo-z, que é o espaço gerado por e3 .
3. Como T (e1 ) = 1 · e1 e T (e2 ) = 1 · e2 , então λ1 = 1 é um autovalor de

T de multiplicidade 2 com autovetores associados e1 e e2 . Não é difı́cil
ver que o auto-espaço associado a λ1 = 1 é exatamente o plano-xy, que
é o espaço gerado pelos vetores canônicos e1 e e2 .

p(x) = x (x − 1)2 .
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
Solução
z
(x,y,z) T(x,y,z)= (0,x,z)
x y
Figura 21.2: A projeção ortogonal no plano-yz.

T : R3 → R3
T (x, y, z) = (0, y, z).
Se você entendeu bem a geometria do Exemplo 1, então verá que neste
caso temos
T (e1 ) = T (1, 0, 0) = (0, 0, 0) = 0 · e1 + 0 · e2 + 0 · e3
T (e2 ) = T (0, 1, 0) = (0, 1, 0) = 0 · e1 + 1 · e2 + 0 · e3
T (e3 ) = T (0, 0, 1) = (0, 0, 1) = 0 · e1 + 0 · e2 + 1 · e3 .
é dada por  
0 0 0
 
A= 0 1 0 .
0 0 1
Seguem também as propriedades:
1. A matriz A e, portanto, o operador T , não são invertı́veis, pois

det(A) = 0.

associado e1 . Não é difı́cil ver que o auto-espaço associado a λ2 = 0 é
exatamente o eixo-x, que é o espaço gerado por e1 .
21 CEDERJ
3. Como T (e2 ) = 1 · e2 e T (e3 ) = 1 · e3 , então λ1 = 1 é um autovalor de

T de multiplicidade 2 com autovetores associados e2 e e3 . Não é difı́cil
ver que o auto-espaço associado a λ1 = 1 é exatamente o plano-yz, que
é o espaço gerado pelos vetores canônicos e2 e e3 .

p(x) = x (x − 1)2 .
O outro caso trivial, a projeção ortogonal sobre o plano-xz, é totalmente

análogo aos exemplos anteriores e deixamos como exercı́cio para você. Assim,
estando bem compreendidos os dois exemplos anteriores, podemos tratar da
projeção ortogonal sobre um plano qualquer de R3 passando pela origem.
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.
Figura 21.3: A projeção ortogonal no plano-π.
Vamos agora obter uma base ortonormal β de R3 de modo que a matriz

que representa a transformação T nessa base seja da mesma forma que a
matriz do Exemplo 1. Como conhecemos a equação cartesiana de plano
π, sabemos como obter um vetor normal a esse plano. Lembre: se π tem
equação ax + by + cz + d = 0, então o vetor u = (a, b, c) é um vetor normal
ao plano π. Seja, então, u3 um vetor unitário normal ao plano π. Usando
a equação cartesiana de π, como foi feito nas Aulas 17 e 18, facilmente
determinamos vetores unitários u1 e u2 de modo que β = {u1 , u2 , u3 } seja
uma base ortonormal de R3 . Observe que os vetores unitários u1 e u2 são
ortogonais e pertencem ao plano π. Veja a Figura 21.4.
CEDERJ 22
Figura 21.4: A base ortonormal β = {u1 , u2 , u3 }.
A projeção ortogonal de um vetor v sobre o plano π é dada por

T : R3 → R3
hv, u1 i hv, u2 i
v 7→ T v = u1 + u2 ,
hu1 , u1 i hu2 , u2 i
de onde vemos que T é uma transformação linear. Para obter a fórmula
acima observamos que desejamos um vetor T v da forma T v = k1 u1 + k2 u2
de modo que v − k1 u1 − k2 u2 seja ortogonal a u1 e u2 , como indica a
Figura 21.5.
Figura 21.5: A projeção ortogonal de v no plano π.
Assim, da ortogonalidade entre v − k1 u1 − k2 u2 e u1 , temos

0 = hv − k1 u1 − k2 u2 , u1 i
= hv, u1 i − hk1 u1 , u1 i − hk2 u2 , u1 i
= hv, u1 i − k1 hu1 , u1 i − k2 hu2 , u1 i
= hv, u1 i − k1 hu1 , u1 i ,
já que hu2 , u1 i = 0, o que nos dá
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
Usando o fato de u1 e u2 serem vetores unitários, isto é,

hu1 , u1 i = hu2 , u2 i = 1, obtemos
T v = hv, u1 i u1 + hv, u2 i u2 .
Portanto, vemos que
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 .
Portanto, a matriz que representa a transformação T na base β é

dada por  
1 0 0
 
[T ]β =  0 1 0 ,
0 0 0
que é exatamente da mesma forma que a matriz do Exemplo 1. Se quiser-
mos obter a matriz que representa T na base canônica, é só fazermos uma
mudança de base. Se α = {e1 , e2 , e3 } é a base canônica de R3 , então
[T ]α = P [T ]β P −1 ,
onde P é a matriz mudança de base. Como P = [u1 u2 u3 ], isto é, suas

colunas são vetores ortonormais, então P é uma matriz ortogonal e, portanto,
P −1 = P t . Como nos exemplos 1 e 2, temos as seguintes propriedades:
1. As matrizes [T ]α e [T ]β e, portanto, o operador T , não são invertı́veis,

pois det [T ]β = 0.

exatamente a reta pela origem ortogonal a π.
3. Como T (u1 ) = 1 · u1 e T (u2 ) = 1 · u2 , então λ1 = 1 é um autovalor de T

com autovetores associados u1 e u2 . Não é difı́cil ver que o auto-espaço
associado a λ1 = 1 é exatamente o plano π.

p(x) = x (x − 1)2 .
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
Exercı́cios
1. Determine a matriz da projeção ortogonal sobre o plano-xz com res-
peito à base canônica.
2. Determine a matriz da projeção ortogonal sobre o plano x − z = 0 com

respeito à base canônica.
3. Determine a matriz da projeção ortogonal sobre o plano gerado pelos

vetores v1 = (1, 1, 0) e v2 = (−1, 1, 1), com respeito à base canônica.
25 CEDERJ
Matrizes simétricas
Aula 22 – Matrizes simétricas
Objetivos:
• Compreender o conceito de matriz simétrica.

Pré-requisitos: Aulas 6, 7, 8,
9, 10, 20 e 21
Em muitas aplicações da Álgebra Linear, as matrizes simétricas apare-

cem com maior freqüência que qualquer outra classe de matrizes importantes.
A teoria correspondente a essas matrizes é muito rica e elegante, e depende,
de maneira especial, das teorias de diagonalização e ortogonalidade, vistas
em aulas anteriores. Veremos, nesta aula, que a diagonalização de uma ma-
triz simétrica é um fundamento essencial e necessário à discussão das formas
quadráticas que estudaremos no próximo módulo.
Lembramos que todas as matrizes e vetores considerados têm somente
elementos e componentes reais. Antes de começarmos a estudar a teoria
de diagonalização de matrizes simétricas, convém lembrarmos de algumas
definições que serão essenciais a este conteúdo.
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.
Observe, primeiramente, que o conceito de matriz simétrica se aplica

apenas a matrizes quadradas. Observe também que os elementos da diagonal
principal de uma matriz simétrica A podem assumir valores arbitrários; no
entanto, elementos simétricos com respeito à diagonal principal têm o mesmo
valor.
Exemplo 1
As duas matrizes a seguir são simétricas:
 
Ã ! 4 −1 0
2 1  
A= e B =  −1 2 3 .
1 3
0 3 −2
27 CEDERJ
No entanto, as matrizes abaixo não são simétricas:

 
Ã ! −1 4 −1
2 1 −1  
C= e D =  4 2 2 .
1 3 0
1 2 3
A matriz C não é simétrica porque ela não é matriz quadrada, e a

matriz D não é simétrica porque d31 = 1 6= −1 = d13 .
Vamos rever algumas propriedades das matrizes simétricas.

Teorema 1
Sejam A, B ∈ Mn (R) matrizes simétricas. Então A + B e cA, onde c ∈ R,
também são matrizes simétricas.
Vale observar que o produto de duas matrizes simétricas não é necessa-

riamente uma matriz simétrica. Por exemplo, dadas as matrizes simétricas
Ã ! Ã !
1 2 4 5
A= e B=
2 3 5 6
temos que a matriz produto
Ã !Ã ! Ã !
1 2 4 5 14 17
AB = =
2 3 5 6 23 28
não é uma matriz simétrica, pois (AB)21 = 23 6= 17 = (AB)12 .
Vamos rever o processo de diagonalização de matrizes, descrito nas

Aulas 6 e 7, agora aplicado a um caso particular de uma matriz simétrica.
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 ¯
= x3 − 17x2 + 90x − 144 .

CEDERJ 28
As possı́veis raı́zes racionais de p(x) são, obrigatoriamente, divisores de

144. Por inspeção, vemos que 3 é uma raiz e, depois, completando fatoração
de p(x), descobrimos que 6 e 8 também são raı́zes. Assim,
p(x) = (x − 3)(x − 6)(x − 8).
Assim, os autovalores da matriz A são λ1 = 3, λ2 = 6 e λ3 = 8. Como

a matriz A possui 3 autovalores distintos, já podemos concluir que ela é uma
matriz diagonalizável.
Para o autovalor λ1 = 3, temos que os seus autovetores associados,
v = (x, y, z), satisfazem o sistema linear
(3 I3 − A)v = 0.
Um cálculo rotineiro, como foi visto na Aula 7, mostra que o auto-

espaço V3 é um subespaço de dimensão 1 e é gerado pelo vetor v1 = (1, 1, 1).
Analogamente, o auto-espaço V6 , associado ao autovalor λ2 = 6, é o su-
bespaço de dimensão 1 gerado pelo vetor v2 = (−1, −1, 2), e o auto-espaço
V8 , associado ao autovalorλ3 = 8, é o subespaço de dimensão 1 gerado pelo
vetor v3 = (−1, 1, 0). Esses três vetores, v1 , v2 e v3 , formam uma base de R3
e poderiam ser usados para construir uma matriz P que diagonaliza a matriz
A. É fácil ver que {v1 , v2 , v3 } é um conjunto ortogonal de R3 e que obtere-
mos uma matriz ortogonal P se usarmos uma base ortonormal {u1 , u2 , u3 },
obtida de {v1 , v2 , v3 }, normalizando cada um dos vetores v1 , v2 e v3 . Como
um múltiplo não-nulo de um autovetor também é um autovetor, a nova base
{u1 , u2 , u3 } também seria uma base de autovetores de R3 . Os vetores assim
obtidos são: √ √ √
u1 = (1/ 3, 1/ 3, 1/ 3);
√ √ √
u2 = (−1/ 6, −1/ 6, 2/ 6) e
√ √
u3 = (−1/ 2, 1/ 2, 0).
Assim, as matrizes P e D são dadas por:

 ±√ ±√ ±√   
1 3 −1 6 −1 2 3 0 0
 ±√ ±√ ±√   
P =  1 3 −1 6 1 2  e D =  0 6 0 .
±√ ±√
1 3 2 6 0 0 0 8
Sabemos, das Aulas 6 e 7, que A = P DP −1 . Agora, como as colunas de

P formam vetores ortonormais, então, pelo Teorema 2 da Aula 9, P é uma
matriz ortogonal, isto é, P −1 = P t . Assim, temos também que A = P DP t .
29 CEDERJ
Vimos, no Exemplo 2, que os autovetores da matriz simétrica A, asso-

ciados a autovalores distintos, são ortogonais. Isso é uma propriedade geral,
como mostra o próximo teorema.
Teorema 2
Seja A ∈ Mn (R) uma matriz simétrica; então qualquer conjunto de auto-
vetores associados a autovalores distintos são ortogonais.
Demonstração:
Sejam v1 , v2 , . . . , vk autovetores da matriz A associados aos autovalores
distintos λ1 , λ2 , . . . , λk . Assim, dados λi 6= λj , e observando que Avi = λi vi
e Avj = λj vj , queremos mostrar que hvi , vj i = 0. Para isto, observamos que
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 .
Portanto, (λi − λj ) hvi , vj i = 0. Como λi − λj 6= 0, segue que hvi , vj i =

0, isto é, os vetores vi e vj são ortogonais.
O tipo de diagonalização que aparece no Exemplo 2 é muito importante
na teoria das matrizes simétricas. Por isso, temos a seguinte definição.
Definição 2
Uma matriz A ∈ Mn (R) é dita diagonalizável por matriz ortogonal se
existe uma matriz ortogonal P (lembre, P −1 = P t ) e uma matriz diagonal D
tais que A = P DP t .
Da discussão do Exemplo 2 vimos que, para diagonalizar uma matriz

A ∈ Mn (R) utilizando uma matriz ortogonal P , foi preciso encontrar n auto-
vetores linearmente independentes e ortogonais. A questão é: quando é que
isso é possı́vel de ser realizado? O próximo teorema caracteriza o tipo de
matriz que pode ser diagonalizada por matriz ortogonal.
Teorema 3
Uma matriz A ∈ Mn (R) é diagonalizável por matriz ortogonal se e so-
mente se A é uma matriz simétrica.
CEDERJ 30
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,
onde (P t )t = P e Dt = D, já que D é uma matriz diagonal. Assim, con-

cluı́mos que A é uma matriz simétrica.
A recı́proca é muito mais complicada e será omitida nestas notas. A
idéia básica desta parte da demonstração será apresentada na próxima aula
e envolve um dos teoremas mais importantes da Álgebra Linear. ¤
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
¯ ¯
¯ x−3 2 −4 ¯
¯ ¯
¯ ¯
= ¯ 2 x − 6 −2 ¯
¯ ¯
¯ −4 −2 x − 3 ¯
= x3 − 12x2 + 21x + 98 .
Observando, por inspeção, que λ1 = −2 é uma raiz de p(x), temos que
p(x) = (x + 2) (x2 − 14x + 49) = (x + 2) (x − 7)2 .
Assim, os autovalores da matriz A são λ1 = −2, com multiplicidade

algébrica 1, e λ2 = 7, com multiplicidade algébrica 2.
31 CEDERJ
Para o autovalor λ1 = −2, temos que os autovetores associados,

v = (x, y, z), satisfazem o sistema linear
(−2 I3 − A)v = 0.
Completando os cálculos temos, que o auto-espaço V−2 é um subespaço

de dimensão 1 e é gerado pelo vetor v1 = (−2, −1, 2).
Para o autovalor λ2 = 7, como já sabemos que a matriz A é diagona-
lizável, o auto-espaço V7 tem dimensão igual a 2. O fato interessante é que
podemos construir uma base ortogonal de autovetores para esse subespaço
V7 . Os autovetores v = (x, y, z) associados ao autovalor λ2 = 7 satisfazem o
sistema linear
(7 I3 − A)v = 0.
Usando as técnicas usuais para a resolução de sistemas lineares, obte-

mos que:
V7 = {v ∈ R3 |Av = 7v }
= {v ∈ R3 |(7 I3 − A)v = 0 }
= {(x, y, z) ∈ R3 |2x + y − 2z = 0 }.
Para obter uma base ortogonal de V7 , observamos facilmente que

v2 = (1, 0, 1) ∈ V7 . O outro vetor v3 = (a, b, c) ∈ V7 deve satisfazer
2a + b − 2c = 0 e ainda ser ortogonal a v2 , isto é, hv2 , v3 i = 0, ou seja,
a + c = 0. Portanto, v3 = (a, b, c) deve satisfazer o sistema linear
(
2a + b − 2c = 0
a + c = 0.
Completando os cálculos, obtemos, por exemplo, v3 = (−1, 4, 1). Ob-

serve que, pelo Teorema 2, o autovetor v1 é ortogonal aos autovetores v2
e v3 , já que eles correspondem a autovalores distintos da matriz simétrica
A. Assim, {v1 , v2 , v3 } é um conjunto ortogonal de autovetores da matriz A.
Normalizando esses vetores, obtemos:
v1
u1 = = (−2/3, −1/3, 2/3);
||v1 ||
v2 ±√ ±√
u2 = = (1 2, 0, 1 2);
||v2 ||
v3 ±√ ±√ ±√
u3 = = (−1 18, 4 18, 1 18).
||v3 ||
CEDERJ 32
Portanto, {u1 , u2 , u3 } é uma base ortonormal de autovetores de A.

Com esses autovetores, obtemos a matriz P e com os autovalores, obtemos a
matriz D:  ±√ ±√ 
−2/3 1 2 −1 18
 ±√ 
P =  −1/3 0 4 18  ;
±√ ±√
2/3 1 2 1 18
 
2 0 0
 
D =  0 7 0 ,
0 0 7
de modo que A = P DP t .
Exercı́cios
1. Mostre que se A é uma matriz simétrica, então A2 também é uma
matriz simétrica.
2. Mostre que se A é uma matriz diagonalizável por matriz ortogonal

então A2 também é.
3. Determine uma matriz ortogonal P e uma matriz diagonal D tal que

A = P DP t , onde a matriz A é dada por
 
1 2 0 0
 2 1 0 0 
 
A= .
 0 0 1 −2 
0 0 −2 1
33 CEDERJ
O Teorema Espectral
Aula 23 – O Teorema Espectral
Objetivos:
• Compreender o significado do Teorema Espectral.
• Compreender a decomposição espectral de matrizes simétricas.

Pré-requisitos: Aulas 5 e 22
Nesta aula, continuaremos estudando as matrizes simétricas e fare-

mos uma breve discussão do chamado Teorema Espectral para Matrizes
Simétricas, mencionado na demonstração do Teorema 3 da aula passada. Os
detalhes da demonstração desse importante teorema serão omitidos nestas
notas. Uma versão simples do Teorema Espectral é apresentada a seguir.
Teorema 1 (Teorema Espectral para Matrizes Simétricas)

Seja A ∈ Mn (R) uma matriz simétrica (isto é, At = A). Então vale:
1. A matriz A possui n autovalores reais, contando suas multiplicidades.
2. A dimensão do auto-espaço associado a cada autovalor λ é igual à

multiplicidade de λ como raiz do polinômio caracterı́stico de A, isto é,
a multiplicidade geométrica de λ é igual à sua multiplicidade algébrica.
3. Os auto-espaços são ortogonais entre si, isto é, os autovetores associados

a autovalores distintos são ortogonais.
4. A matriz A é diagonalizável por matriz ortogonal, isto é, existem uma

matriz ortogonal P e uma matriz diagonal D tal que A = P DP t .
Observações:
1. Como já foi observado anteriormente, o polinômio caracterı́stico de uma
matriz A não possui necessariamente apenas raı́zes reais. Por exemplo,
dada a matriz Ã !
0 −1
A= ,
1 0
seu polinômio caracterı́stico, dado por p(x) = x2 + 1, não possui raı́zes
reais. Mas isso não acontece se A for uma matriz simétrica. O item
1 do Teorema Espectral afirma que o polinômio caracterı́stico de uma
matriz simétrica possui apenas raı́zes reais. A demonstração desse fato,
embora simples, é bem trabalhosa e utiliza o Teorema Fundamental
da Álgebra, que diz que todo polinômio de grau n com coeficientes
35 CEDERJ
O Teorema Espectral
reais possui n raı́zes reais ou complexas, contando suas multiplicidades.

Na demonstração do Teorema Espectral mostra-se que as n raı́zes do
polinômio caracterı́stico são, de fato, raı́zes reais.
2. Se A é uma matriz simétrica e tem n autovalores distintos, então pelo

Teorema 2 da Aula 5 e pelo Teorema 2 da Aula 22, vemos que A é
diagonalizável por matriz ortogonal.
3. Se A é uma matriz simétrica e tem algum autovalor com multiplicidade

algébrica maior que 1, ainda é verdade que podemos diagonalizá-la. Na
verdade, podemos mostrar que se A é simétrica e tem um autovalor λ
de multiplicidade k, então o auto-espaço associado tem dimensão k.
Isto significa que o sistema linear
(λ In − A)v = 0
admite k soluções linearmente independentes, isto é, a matriz A tem

k autovetores linearmente independentes associados ao autovalor λ.
Usando o processo de ortogonalização de Gram-Schmidt, podemos ob-
ter uma base ortonormal para este auto-espaço. Obtemos assim um
conjunto de k autovetores ortonormais associados ao autovalor λ. Como
autovetores associados a autovalores distintos são ortogonais, então,
considerando o conjunto de todos os autovalores de A, obtemos uma
base ortonormal de autovetores para Rn . Conseqüentemente, A é uma
matriz diagonalizável, e a matriz diagonalizadora P , formada pela base
de autovetores de A, é uma matriz ortogonal.
Decomposição espectral de uma matriz simétrica

Seja A ∈ Mn (R) uma matriz simétrica e {u1 , u2 , . . . , un } uma base
ortonormal de autovetores associados aos autovalores λ1 , λ2 , . . . , λn da matriz
A. Seja P a matriz ortogonal tendo esses autovetores como colunas e D a
matriz diagonal tal que A = P DP t . Então
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 .
Esta representação é chamada uma decomposição espectral de A.

CEDERJ 36
O Teorema Espectral
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
= x2 − 11x + 24
= (x − 8)(x − 3) .
Então os autovalores são λ1 = 8 e λ2 = 3, e ainda podemos obter os

±√ ±√ ±√ ±√
respectivos autovetores u1 = (2 5, 1 5) e u2 = (−1 5, 2 5). Assim,
temos que
t
Ã A = P
! ÃDP±√ ±√ ! Ã ! Ã ±√ ±√ !
7 2 2 5 −1 5 8 0 2 5 1 5
= ±√ ±√ ±√ ±√
2 4 1 5 2 5 0 3 −1 5 2 5
Denotando a matriz P = [u1 u2 ], temos, pela decomposição espectral,

que:
A = 8u1 ut1 + 3u2 ut2 .
Para verificar essa decomposição da matriz A, observe que:

Ã ±√ ! Ã !
2 5 ³ ±√ ±√ ´ 4/5 2/5
u1 ut1 = ±√ 2 5 2 5 =
1 5 2/5 1/5
Ã ±√ ! ³ Ã !
−1 5 ±√ ±√ ´ 1/5 −2/5
u2 ut2 = ±√ −1 5 2 5 =
2 5 −2/5 4/5
e, finalmente,
Ã ! Ã ! Ã !
32/5 16/5 3/5 −6/5 7 2
8u1 ut1 + 3u2 ut2 = + = = A.
16/5 8/5 −6/5 12/5 2 4
Processo de diagonalização de uma matriz simétrica

A ∈ Mn (R)
1o Passo: Obtenha o polinômio caracterı́stico da matriz A,
p(x) = det(xIn − A).
2o Passo: Encontre as raı́zes do polinômio caracterı́stico de A. Elas são

todas reais e existem exatamente n delas, contando suas multiplicidades.
37 CEDERJ
O Teorema Espectral
3o Passo: Para cada autovalor λ da matriz A, de multiplicidade algébrica

k, determine seu auto-espaço associado
Vλ = {v ∈ Rn | (λ In − A)v = 0 },
que é um subespaço vetorial de dimensão k. Para cada Vλ assim obtido,

determine uma base ortonormal que consistirá de k autovetores. Se desejar,
pode utilizar o processo de ortogonalização de Gram-Schmidt. A reunião
dessas bases determina uma base ortonormal de autovetores para Rn .
4o Passo: Seja P a matriz cujas colunas são os n autovetores da base or-

tonormal de Rn obtida no terceiro passo. Portanto, P é uma matriz orto-
gonal. Seja D a matriz diagonal cuja diagonal principal é formada pelos
n autovalores da matriz A, tomados na mesma ordem de seus autovetores
correspondentes na matriz P . Temos, então,
A = P DP t .
Exemplo 2
Aplique o processo de diagonalização acima à matriz
 
0 2 2
 
A= 2 0 2 
2 2 0
e obtenha sua decomposição espectral.

Solução
Observe, inicialmente, que A é uma matriz simétrica e, portanto, se
aplica o processo de diagonalização acima. Não é difı́cil determinar que o
polinômio caracterı́stico da matriz A é dado por
p(x) = det(xI3 − A) = (x + 2)2 (x − 4),
de modo que os autovalores de A são:
λ1 = −2 com multiplicidade algébrica 2, e

λ2 = 4 com multiplicidade algébrica 1.
O auto-espaço associado a λ1 = −2 é dado por
V−2 = {v ∈ R3 | (A + 2 I3 )v = 0 }
= {(x, y, z) ∈ R3 |x + y + z = 0 }.
CEDERJ 38
O Teorema Espectral
Para escolhermos uma base ortogonal de V−2 , podemos usar o pro-

cesso de ortogonalização de Gram-Schmidt a partir de uma base qualquer de
V−2 ou podemos tentar obter diretamente dois vetores ortonormais de V−2 ,
como já foi feito anteriormente. Faremos o cálculo diretamente. Da equação
x + y + z = 0 podemos ver facilmente que v1 = (1, 0, −1) ∈ V−2 . O outro
vetor, v2 = (a, b, c) ∈ V−2 , deve satisfazer a + b + c = 0 e ainda ser ortogonal
a v1 , isto é, hv2 , v1 i = 0, ou seja, a − c = 0. Portanto, v2 = (a, b, c) deve
satisfazer o sistema linear
(
a+b+c=0
a − c = 0.
Completando os cálculos, obtemos, por exemplo, v2 = (1, −2, 1). Nor-

malizando esses dois vetores, obtemos:
v1 ±√ ±√
u1 = = (1 2 , 0 , −1 2) e
||v1 ||
v2 ±√ ±√ ±√
u2 = = (1 6 , −2 6 , 1 6).
||v2 ||
Assim, {u1 , u2 } forma uma base ortonormal do auto-espaço V−2 .

Por outro lado, o auto-espaço associado a λ2 = 4 é dado por
V4 = {v ∈ R3 | (4 I3 − A)v = 0 }
= {(x, y, z) ∈ R3 |x = z e y = z } .
É fácil ver que v3 = (1, 1, 1) ∈ V4 . Normalizando esse vetor, obtemos

que .√ .√ .√
v3
u3 = = (1 3, 1 3, 1 3)
||v3 ||
representa uma base ortonormal do auto-espaço V4 . Como A é matriz simétrica,
os autovetores associados a autovalores distintos são ortogonais e, assim, u3
é ortogonal a u1 e u2 . Portanto, {u1 , u2 , u3 } é uma base ortonormal de R3
formada por autovetores de A. Com esses autovetores obtemos a matriz P ,
e com os autovalores obtemos a matriz D:
 ±√ ±√ ±√ 
1 2 1 6 1 3
 ±√ ±√ 
P = [u1 u2 u3 ] =  0 −2 6 1 3  ;
±√ ±√ ±√
−1 2 1 6 1 3
 
−2 0 0
 
D =  0 −2 0  ,
0 0 4
39 CEDERJ
O Teorema Espectral
de modo que A = P DP t . A decomposição espectral da matriz A é dada por:

A = −2u1 ut1 − 2u2 ut2 + 4u3 ut3 ,
ou ainda,
     
1/2 0 −1/2 1/6 −2/6 1/6 1/3 1/3 1/3
     
A = −2 0 0 0 − 2 −2/6 4/6 −2/6 + 4 1/3 1/3 1/3 
−1/2 0 1/2 1/6 −2/6 1/6 1/3 1/3 1/3
     
−1 0 −1 −1/3 2/3 −1/3 4/3 4/3 4/3
     
=  0 0 0  +  2/3 −4/3 2/3  +  4/3 4/3 4/3 
1 0 −1 −1/3 2/3 −1/3 4/3 4/3 4/3
 
0 2 2
 
=  2 0 2 .
2 2 0
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
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 .
Ã !
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
Aula 24 – Operadores auto-adjuntos
Objetivos:
• Compreender o conceito de operador auto-adjunto.

Pré-requisitos: Aulas 8 e 20 a
23
Nesta aula vamos definir os operadores lineares T : Rn → Rn associ-
ados às matrizes simétricas e estudar suas propriedades. Como estaremos
trabalhando sempre com bases ortonormais, é de suma importância que o
espaço vetorial Rn esteja munido de um produto interno, o qual estaremos
sempre supondo que seja o produto interno canônico de Rn .
Definição 3
Um operador linear T : Rn → Rn é denominado auto-adjunto se satisfaz
hT (u), vi = hu, T (v)i para todo u, v ∈ Rn .
O resultado que segue relaciona os operadores auto-adjuntos com as

matrizes simétricas.
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,
T é auto-adjunto ⇔ hT (u), vi = hu, T (v)i para todo u, v ∈ Rn

⇔ hAu, vi = hu, Avi para todo u, v ∈ Rn
⇔ ut At v = ut Av para todo u, v ∈ Rn
⇔ At = A
⇔ A é uma matriz simétrica.
43 CEDERJ
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
Ã !
1 0
A = [T ]α = .
0 0
Como a base canônica é ortonormal e a matriz A é simétrica, então,

pelo Teorema 1, o operador T é auto-adjunto.
Vejamos o que acontece quando escolhemos um base β de R2 que não
é ortonormal. Considere a base β = {u1 , u2 } dada por
√ . √ .
u1 = ( 2 2, 2 2) e u2 = (0, 1).
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 .
Daı́, segue que a matriz que representa T na base β é dada por

Ã !
1 0
B = [T ]β = √ ± .
− 2 2 0
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
Exemplo 2
Considere os operadores lineares
T1 : R2 → R2 , T1 (x, y) = (x, 2y)
e
T2 : R2 → R2 , T2 (x, y) = (y, x).
Verifique que T1 e T2 são operadores auto-adjuntos e verifique se a

composição T1 ◦ T2 também é operador auto-adjunto.
Solução
Considerando a base canônica de R2 , verificamos que as matrizes A1 e
A2 que representam respectivamente, os operadores T1 e T2 nesta base, são
dadas por Ã ! Ã !
1 0 0 1
A1 = e A2 = .
0 2 1 0
Como essas duas matrizes são matrizes simétricas, concluı́mos, pelo

Teorema 1, que T1 e T2 são operadores auto-adjuntos. No entanto, o operador
obtido pela composição
T1 ◦ T2 : R2 → R2 , (T1 ◦ T2 )(x, y) = (y, 2x)
é representado, na base canônica, pela matriz

Ã !
0 2
B= ,
1 0
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.
O próximo teorema segue imediatamente dos resultados sobre matrizes

simétricas estudados nas Aulas 22 e 23.
Teorema 2
Seja T : Rn → Rn um operador auto-adjunto. Então
1. Autovetores correspondentes a autovalores distintos de T são ortogo-

nais, isto é, se v1 , v2 , . . . , vk são k autovetores associados aos autova-
lores distintos λ1 , λ2 , . . . , λk , então v1 , v2 , . . . , vk são ortogonais.
2. O operador T possui n autovalores reais, contando suas multiplicidades.

45 CEDERJ
3. A dimensão do auto-espaço associado a cada autovalor λ é igual à mul-

tiplicidade de λ como raiz do polinômio caracterı́stico de T , isto é, a
multiplicidade geométrica de cada autovalor λ é igual à sua multiplici-
dade algébrica.
4. Os auto-espaços de T são ortogonais entre si.
5. Existe uma base ortonormal {u1 , u2 , . . . , un } de Rn formada por auto-

vetores de T .
A última afirmação do Teorema 2 também é conhecida como Teorema

Espectral para Operadores Auto-Adjuntos Reais e diz, simplesmente, que
estes operadores são diagonalizáveis.
Exemplo 3
Seja T : R3 → R3 dado por
T (x, y, z) = (3x, 2y + z, y + 2z).
a) Verifique que T é um operador auto-adjunto.
b) Determine os autovalores e os autovetores de T e verifique que T é

diagonalizável.
Solução
a) Considerando a base canônica {e1 , e2 , e3 } de R3 , temos que
T e1 = T (1, 0, 0) = (3, 0, 0),

T e2 = T (0, 1, 0) = (0, 2, 1),
T e3 = T (0, 0, 1) = (0, 1, 2).
Assim, a matriz que representa o operador linear T na base canônica é

dada por
 
3 0 0
 
A= 0 2 1 .
0 1 2
Observando que A é uma matriz simétrica, temos, pelo Teorema 1, que T é
um operador auto-adjunto.
CEDERJ 46
b) O polinômio caracterı́stico do operador T é dado por
¯ ¯
¯ x−3 0 0 ¯
¯ ¯
¯ ¯
= ¯ 0 x − 2 −1 ¯
¯ ¯
¯ 0 −1 x − 2 ¯
= (x − 3)2 (x − 1) .
Assim, os autovalores de T são λ1 = 3, com multiplicidade algébrica 2,

e λ2 = 1 com multiplicidade algébrica 1. Não é difı́cil obter que o auto-espaço
V3 , associado a λ1 = 3, é dado por
V3 = {v ∈ R3 |T v = 3v}
= {(x, y, z) ∈ R3 |y = z e x arbitrário} .
Portanto, uma base ortonormal de V3 é dada por

.√ .√
u1 = (1, 0, 0) e u2 = (0, 1 2, 1 2).
Analogamente, o auto-espaço V1 , associado a λ2 = 1, é dado por
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
Portanto, T é um operador diagonalizável.
Exemplo 4
Determine valores de a, b ∈ R de modo que o operador T : R3 → R3 ,
definido por
T (x, y, z) = (x + 2ay + 2z, 4x − 5y − bz, 2x − 4y + z),
seja auto-adjunto. Determine, também, uma base ortonormal de R3 formada

por autovetores de T e a matriz que representa T nesta base.
47 CEDERJ
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 .
Assim, a matriz que representa o operador linear T na base canônica é

dada por
 
1 2a 2
 
A= 4 −5 −b  .
2 −4 1
Para que T seja um operador auto-adjunto é necessário que a matriz A

seja simétrica, isto é, que At = A. Para isso, é preciso que 2a = 4 e −b = −4,
ou seja, que
a = 2 e b = 4.
Assim, obtemos a matriz simétrica

 
1 4 2
 
A =  4 −5 −4  ,
2 −4 1
garantindo que o operador T é auto-adjunto. Não é difı́cil verificar que o

polinômio caracterı́stico de T é dado por
= (x + 9)(x − 3)2 .
Os auto-espaços correspondentes são dados por
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
β = {u1 , u2 , u3 } é uma base ortonormal de R3 formada por autovetores

de T e, nessa base ordenada, T é representado pela matriz diagonal
 
−9 0 0
 
B = [T ]β =  0 3 0  .
0 0 3
Observe que T é um operador diagonalizável.
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
T u = (10 , −2 , −2), T v = (−2, 10, −2) e T w = (1, 1, −5).
Verifique que T é um operador auto-adjunto.

Solução
É fácil ver que T é uma base ortogonal, pois
hu, vi = 4 · 4 + 4 · (−2) + (−2) · 4 = 0 ;

hu, wi = 4 · 1 + 4 · (−2) + (−2) · (−2) = 0 ;
hv, wi = 4 · 1 + (−2) · (−2) + 4 · (−2) = 0 .
Assim, os vetores normalizados
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||
formam uma base ortonormal de R3 . Como ||u|| = ||v|| = 6 e ||w|| = 3,

temos µ ¶ µ ¶
u 1 1 1
T (u1 ) = T =T ||u|| = T (u) = (10, −2, −2) = (5/3, −1/3, −1/3);
||u|| 6 6 6
µ ¶ µ ¶
v 1 1 1
T (u2 ) = T =T ||v|| = T (v) = (−2, 10, −2) = (−1/3, 5/3, −1/3);
||v|| 6 6 6
µ ¶ µ ¶
w 1 1 1
T (u3 ) = T =T ||w|| = T (w) = (1, 1, −5) = (1/3, 1/3, −5/3).
||w|| 3 3 3
49 CEDERJ
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:
T (u1 ) = (5/3, −1/3, −1/3) = 1 · u1 + 1 · u2 + 1 · u3 ;

T (u2 ) = (−1/3, 5/3, −1/3) = 1 · u1 + (−1) · u2 + (−1) · u3 ;
T (u3 ) = (1/3, 1/3, −5/3) = 1 · u1 + (−1) · u2 + 1 · u3 .
Portanto, a matriz que representa o operador T com respeito à base

ortonormal {u1 , u2 , u3 } é dada por
 
1 1 1
 
B = [T ]β =  1 −1 −1  .
1 −1 1
Como B é uma matriz simétrica, concluı́mos, pelo Teorema 1, que o

operador T é auto-adjunto. Observe que neste exemplo usamos uma base
ortonormal que não é a base canônica nem é uma base de autovetores.
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
T (x, y, z) = (2x + y + z, x + 2y − z, x − y + 2z),
é auto-adjunto.
2. Determine uma base ortonormal de autovetores do operador T dado no

exercı́cio anterior.
CEDERJ 50
Formas bilineares
Aula 25 – Formas bilineares
Objetivos:
• Compreender o conceito de forma bilinear.
• Aplicar os conceitos apresentados em casos particulares.
Pré-requisito: Aula 22.

Nesta aula vamos introduzir um conceito que generaliza a noção de
aplicação linear num espaço vetorial. Mais especificamente, vamos desenvol-
ver o conceito de forma bilinear, que dá origem às formas quadráticas que
serão estudadas na próxima aula. Veremos a definição de formas bilineares e
estudaremos algumas de suas propriedades, principalmente sua relação com
as matrizes, o que constitui o aspecto mais importante para fins práticos.
Definição 4
Seja V um espaço vetorial real. Uma forma bilinear em V é uma apli-

cação
B :V ×V →R
(u , v) →
7 B(u , v)
que é linear em cada uma das duas variáveis u e v, isto é, que satisfaz:
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);
ii) para todo u , v , w ∈ V e a ∈ R,

B(u , w + v) = B(u , w) + B(u , v)
B(u , a 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
F (u + a w, v) = B((u1 + aw1 , u2 + aw2 , . . . , un + awn ) , (v1 , v2 , . . . , vn ))

= (u1 + aw1 )v1 + (u2 + aw2 )v2 + · · · + (un + awn )vn
= (u1 v1 + u2 v2 + · · · + un vn ) + a (w1 v1 + w2 v2 + · · · + wn vn )
= F (u , v) + a F (w, v) ,
o que mostra que F (u , v) é uma transformação linear na primeira variável

u. Um argumento análogo, deixado a cargo do aluno, mostra que F (u , v)
também é uma transformação linear na segunda variável v. Assim, podemos
concluir que F (u , v) é uma aplicação bilinear de Rn .
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,
onde ut é a matriz transposta de u. Assim, a bilinearidade da aplicação

B(u, v) decorre facilmente das propriedades do produto e da soma de
matrizes.
Este exemplo é facilmente generalizado.
CEDERJ 52
Formas bilineares
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
Seja V um espaço vetorial real, F : V × V → R uma forma bilinear em V , e

α = {e1 , e2 , . . . , en } uma base de V . Sejam u , v ∈ V com
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
Assim, a forma bilinear F fica completamente determinada pela n2 valores

F (vi , vj ).
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
para todo par de vetores u , v ∈ V . Como de costume, [u]α denota o vetor

das coordenadas de u com respeito à base α.
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 ,
para todo u = (x1 , x2 ) , v = (y1 , y2 ) ∈ R2 . Considere α = {e1 , e2 } a

base canônica de R2 e β = {(1 , 0) , (1 , 1)} outra base de R2 . Determine
a matriz de F com respeito a essas bases.
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
Ã !
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
Ã !
1 0
B= .
4 −2
CEDERJ 54
Formas bilineares
Um problema interessante é saber qual a relação entre as matrizes A e

B que representam uma mesma forma bilinear F em duas bases α e β,
respectivamente.
No caso do exemplo anterior, se P representa a matriz mudança de
base, da base α para a base β, temos
Ã !
1 1
P = .
0 1
Daı́, Ã ! Ã !Ã !Ã !
1 0 1 0 1 −1 1 1
B = =
4 −2 1 1 3 −5 0 1
= P tA P .
De um modo geral, temos o seguinte teorema:
Teorema 2
Seja F uma forma bilinear de um espaço vetorial V . Se A é a matriz

de F numa base α e B é matriz de F numa base β de V , então
B = P t A P,
onde P é a matriz mudança de base, da base α para a base β.

Definição 6
Uma forma bilinear F no espaço vetorial V é denominada simétrica se
F (u , v) = F (v , u)
para todo par de vetores u , v ∈ V .

Teorema 3
Seja F uma forma bilinear no espaço vetorial V e A a matriz que

representa F numa base α de V . Então F é uma forma bilinear simétrica se
e somente se A é uma matriz simétrica.
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
Se, ainda, F for uma forma bilinear simétrica, então
vt At u = F (u , v) = F (v , u) = vt A u
para todo u , v ∈ V . Portanto, temos
At = A,
isto é, a matriz A é simétrica.

Reciprocamente, se A é uma matriz simétrica (isto é, At = A), então a
forma bilinear F também é simétrica, pois
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)
para todo par de vetores u , v ∈ V .
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.
2. Seja F : R3 × R3 → R, definida por F (u , v) = hu , vi, o produto

escalar em R3 .
(a) Determine a matriz A que representa a forma bilinear F com

respeito à base canônica α ⊂ R3 .
(b) Determine a matriz B que representa a forma bilinear F com
respeito à base β = {(1 , 1 , 0) , (−1 , 0 , 1) , (0 , 2 , 1)}.
CEDERJ 56
Formas bilineares
3. Seja a forma bilinear F : R2 × R2 → R definida por
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 .
a) Determine a matriz A que representa F com respeito à base α =

{(1 , 0) , (1 , 1)}.
b) Determine a matriz B que representa F com respeito à base β =

{(2 , 1) , (1 , −1)}.
c) Determine a matriz mudança de base P , da base α para a base β, e

verifique que B = P t A P .
57 CEDERJ
Formas quadráticas
Aula 26 – Formas quadráticas
Objetivos:
• Compreender o conceito de forma quadrática.
Pré-requisitos: Aulas 22 e 25.
As formas bilineares, vistas na aula anterior, dão origem às formas

quadráticas que serão estudadas nesta aula. As formas quadráticas ocorrem
com grande destaque em aplicações da Álgebra Linear à Engenharia, como
em critérios para projetos, em problemas de otimização e em processamento
de sinais. Elas também ocorrem na Fı́sica, em descrições de energia potencial
e energia cinética; em Economia, nas funções de utilidade; e, também, em
Estatı́stica. Em todas essas situações é muito importante o conhecimento do
sinal (positivo ou negativo) que a forma quadrática pode assumir, assim como
o conhecimento de seus autovalores associados. Uma parte muito importante
da base matemática para o estudo das formas quadráticas segue facilmente
do nosso estudo prévio sobre matrizes simétricas.
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
E agora, sendo A simétrica, vale que aij = aji . Portanto,

n
X n
X
q(v) = aij xi xj = a11 x21 + a22 x22 + ··· + ann x2n +2 aij xi yj . (1)
i, j=1 i<j
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
o que nos dá

q(v) = a11 x21 + a22 x22 + · · · + ann x2n ,
que será denominada representação diagonal da forma quadrática q. Vere-
mos, mais à frente, que toda forma quadrática sempre admite uma repre-
sentação diagonal.
Exemplo 1
Seja a forma quadrática q : R2 → R dada por
q(x , y) = x2 − 10xy + y 2 .
Determine a matriz A que representa a forma quadrática q com respeito à

base canônica.
Solução
Como A é uma matriz simétrica, podemos denotar
Ã !
a b
A= ;
b c
temos então Ã !Ã !
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 Ã !
1 −5
A= .
−5 1
CEDERJ 60
Observe que q é a forma quadrática associada à forma bilinear

Ã !Ã !
1 −5 y1
F (u , v) = (x1 x2 )
−5 1 y2
= x1 y1 − 5x2 y1 − 5x1 y2 + x2 y2 ,
onde u = (x1 , x2 ) , v = (y1 , y2 ) ∈ R2 , com respeito à base canônica.
Exemplo 2
Seja q : R3 → R a forma quadrática dada por
q(v) = q(x1 , x2 , x3 ) = 5 x21 + 3 x22 + 2 x23 − x1 x2 + 8 x2 x3 ,
onde v = (x1 , x2 , x3 ) ∈ R3 . Determinar a matriz A que representa a forma

quadrática q com respeito à base canônica e expresse a forma quadrática na
forma matricial q(v) = vt A v.
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
Queremos agora estudar o efeito de uma mudança de base sobre uma

forma quadrática. Assim, sejam q : V → R uma forma quadrática e α e β
duas bases do espaço vetorial V . Seja P a matriz mudança de base da base
α para a base β. Se A é a matriz que representa a forma quadrática q na
61 CEDERJ
base α e B é a matriz de q na base β, então, pelo Teorema 2 da Aula 25,

sabemos que
B = P t A P.
Observe que, se P é a matriz ortogonal que diagonaliza a matriz A,

então B = P t A P = P −1 A P é uma matriz diagonal. Nesse caso, a ma-
triz P também é chamada mudança de variáveis. Usaremos esses fatos no
próximo exemplo.
Exemplo 3
Determine uma mudança de variável P que transforma a forma quadrática
q : R2 → R, dada por
q(x1 , x2 ) = x21 − 8x1 x2 − 5x22
na base canônica, em uma forma diagonal. Obtenha, também, a expressão

dessa forma diagonal.
Solução
Observando os coeficientes de q, vemos que a matriz A que representa
q na base canônica é dada por
Ã !
1 −4
A= .
−4 −5
Diagonalizar a forma quadrática q é equivalente a diagonalizar a matriz

simétrica A. Usando os procedimentos já conhecidos sobre diagonalização de
matrizes simétricas, os autovalores da matriz A são λ1 = 3 e λ2 = −7.
A matriz P será obtida a partir de uma base ortonormal de autovetores.
Efetuando os cálculos, que é um exercı́cio para você, obtemos
Ã ±√ !
2 5
u1 = ±√ , autovetor associado ao autovalor λ1 = 3, e
−1 5
Ã ±√ !
1 5
u2 = ±√ , autovetor associado ao autovalorλ2 = −7.
2 5
Como {u1 , u2 } forma uma base ortonormal de R2 , então

Ã ±√ ±√ !
2 5 1 5
P = [u1 u2 ] = ±√ ±√ ,
−1 5 2 5
CEDERJ 62
e a matriz diagonal correspondente será

Ã !
3 0
D= ,
0 −7
onde D = P t A P .
A forma diagonal de q é dada por
Ã !Ã !
3 0 y1
q(y1 , y2 ) = (y1 y2 )
0 −7 y2
= 3y12 − 7y22 ,
onde Ã ! Ã !
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
 
Ã ! 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
Ã !Ã !
3 0 y1
= (y1 y2 )
0 −7 y2
= 3y12 − 7y22
= q(y1 , y2 ) = q(w) .
63 CEDERJ
Observe que a forma diagonal
q(y1 , y2 ) = 3y12 − 7y22
não contém o termo cruzado y1 y2 .

Este exemplo anterior ilustra o teorema a seguir. A parte essencial de
sua demonstração foi apresentada nos cálculos do Exemplo 3 e consiste na
mudança de variáveis efetuada.
Teorema 1 (Teorema dos Eixos Principais)

Seja q : V → R uma forma quadrática. Então, sempre existe uma
mudança de variáveis P que transforma a forma quadrática q(v) = vt A v na
forma diagonal q(w) = wt D w, onde v = P w e D = P t A P .
O nome Teorema dos Eixos Principais segue do fato de que as colunas
de P são chamadas eixos principais da forma quadrática q. Uma inter-
pretação geométrica deste teorema será vista nas próximas aulas, mais pre-
cisamente no estudo da classificação de curvas cônicas e na classificação de
superfı́cies quádricas.
Exemplo 4
Determine uma mudança de variável P que transforme a forma quadrática
q : R3 → R, dada por
q(x1 , x2 , x3 ) = 3x21 + 2x22 + x23 + 4x1 x2 + 4x2 x3
na base canônica, em uma forma diagonal. Obtenha também a expressão

dessa forma diagonal.
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
Procedendo à diagonalização da matriz simétrica A, deixamos os deta-

lhes dos cálculos como um exercı́cio para você, obtemos os autovalores λ1 = 5,
λ2 = 2 e λ3 = −1. A matriz mudança de variável P será obtida a partir de
uma base ortonormal de autovetores. Efetuando os cálculos, obtemos:
CEDERJ 64
 
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 .
  
5 0 0 y1
  
q(y1 , y2 , y3 ) = (y1 y2 y3 )  0 2 0   y2 
0 0 −1 y3
= 5y12 + 2y22 − y32 ,

onde Ã ! Ã !
x1 y1
v= e w= ,
x2 y2
e
v = P w, ou w = P t v
é a mudança de variáveis requerida.
Observe, mais uma vez, que a forma diagonal
q(y1 , y2 , y3 ) = 5y12 + 2y22 − y32
não contém os termos cruzados y1 y2 , y1 y3 e y2 y3 , isto é, os termos yi yj

com i 6= j.
65 CEDERJ
Cônicas
Aula 27 – Cônicas
Objetivos:
• Compreender o conceito de cônica.
Pré-requisitos: Aulas 22, 25 e 26.

Nesta aula estudaremos algumas figuras importantes do R2 , ou seja,
determinados conjuntos de pontos do plano cujas coordenadas satisfazem
certas propriedades. Mais precisamente, consideraremos subconjuntos de R2
cujas coordenadas (x, y) satisfazem uma equação do tipo
ax2 + bxy + cy 2 + dx + ey + f = 0,
onde a, b, c, d, e e f são constantes reais (com pelo menos um dos números

a, b ou c diferente de zero). A idéia toda é simplificar e classificar equações
desse tipo e, para isso, usaremos os resultados sobre diagonalização de formas
quadráticas apresentados na aula anterior.
Definição 8
Uma cônica é um conjunto de pontos do R2 cujas coordenadas (x, y),
em relação à base canônica, satisfazem uma equação do tipo
ax2 + bxy + cy 2 + dx + ey + f = 0, (2)
onde os coeficientes a, b, c, d, e e f são números reais e pelo menos um dos

números a, b ou c é não-nulo.
Observe que a equação (6) contém uma forma quadrática,
q(x , y) = ax2 + bxy + cy 2 ,
uma forma linear,

`(x, y) = dx + ey,
e o termo constante f .
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
com a equação (6), vemos que o valor dos coeficientes são a = c = 1, b =

d = e = 0 e f = −4, e, portanto, representa uma cônica. Reescrevendo a
equação na forma
x2 + y 2 = 4,
identificamos os pontos (x, y) como pertencendo à circunferência de centro
(0, 0) e raio 2, como ilustra a Figura 27.1.
Figura 27.1: A circunferência x2 + y 2 = 4.
Exemplo 2
y 2 − kx = 0,
onde k é um número real não-nulo.
Solução
y 2 − kx = 0
com a equação (6), vemos que o valor dos coeficientes são c = 1, a = b =

e = f = 0 e d = −k 6= 0, e, portanto, representa uma cônica. Reescrevendo
a equação na forma
y 2 = kx,
identificamos os pontos (x, y) como pertencendo a uma parábola com eixo
coincidindo com o eixo-y, como ilustra a Figura 27.2.
CEDERJ 68
Cônicas
Figura 27.2: A parábola y 2 = kx.
Exemplo 3
x2 y 2
− 2 = 0,
a2 b
com a , b ∈ R, a , b > 0.
Solução
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.
Figura 27.3: As retas y = ± ab x.
69 CEDERJ
Cônicas
Os próximos exemplos mostram como procedemos para simplificar uma

equação de uma cônica.
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,
q(x , y) = 5x2 − 4xy + 8y 2 .
Escrevemos a equação 5x2 − 4xy + 8y 2 − 36 = 0 na forma matricial
vt A v = 36,
com Ã ! Ã !
x 5 −2
v= ∈ R2 e A = .
y −2 8
Lembre, da Aula 26, que a matriz A é a matriz simétrica que representa

a forma quadrática q(x , y) = 5x2 − 4xy + 8y 2 com respeito à base canônica.
Não é difı́cil ver que os autovalores da matriz A são λ1 = 4 e λ2 = 9, e os
autovetores normalizados são
Ã ±√ !
2 5
u1 = ±√ , autovetor associado ao autovalor λ1 = 4
1 5
e Ã ±√ !
−1 5
u2 = ±√ , autovetor associado ao autovalor λ2 = 9.
2 5

Ã ±√ ±√ !
2 5 −1 5
P = [u1 u2 ] = ±√ ±√
1 5 2 5
é a matriz ortogonal que diagonaliza a matriz A e a matriz diagonal corres-

pondente será Ã !
4 0
D= .
0 9
Temos que D = P t A P .
CEDERJ 70
Cônicas

Ã !Ã !
4 0 x1
q(x1 , y1 ) = (x1 y1 )
0 9 y1
= 4x21 + 9y12 ,
onde
Ã ! Ã !
x x1
v= e v1 = ,
y y1
com
v = P v1 , ou v1 = P t v.
Portanto, a equação da cônica pode ser reescrita como
q(x1 , y1 ) = 36,
ou ainda,
4x21 + 9y12 = 36,
o que nos dá a equação

x21 y12
+ = 1,
9 4
que representa uma elipse de semi-eixo maior 3 e semi-eixo menor 2, como
ilustra a Figura 27.4.
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 Ã !
x
v= ∈ R2 ,
y
Ã !
5 −2
A=
−2 8
e
√ √
B = (4 2 12 2 ).
A matriz A é a matriz simétrica que representa a forma quadrática q(x , y) =

2x2 +4xy +2y 2 com respeito à base canônica. Não é difı́cil ver (exercı́cio para
o aluno) que os autovalores da matriz A são λ1 = 4 e λ2 = 0, e os autovetores
normalizados são
Ã ±√ !
1 2
u1 = ±√ , autovetor associado ao autovalor λ1 = 4,
1 2
e Ã ±√ !
−1 2
u2 = ±√ , autovetor associado ao autovalor λ2 = 0.
1 2

Ã ±√ ±√ !
1 2 −1 2
P = [u1 u2 ] = ±√ ±√ ,
1 2 1 2
é a matriz ortogonal que diagonaliza a matriz A, e a matriz diagonal corres-

pondente será Ã !
4 0
D= .
0 0
E, também, D = P t A P .
CEDERJ 72
Cônicas

Ã !Ã !
4 0 x1
q(x1 , y1 ) = (x1 y1 )
0 0 y1
= 4x21 ,
isto é,
vt A v = 4x21 ,
onde Ã ! Ã !
x x1
v= e v1 = ,
y y1
com
v = P v1 , ou v1 = P t v.
Como det(P ) = 1, observe que v = P v1 é uma rotação. A forma linear

se transforma em
Bv = B(P v1 )
= BP v1
Ã ±√ ±√ ! Ã !
√ √
1 2 −1 2 x1
= (4 2 12 2 ) ±√ ±√
1 2 1 2 y1
Ã !
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 ,
x21 + 4x1 = (x1 + 2)2 − 4.
E, substituindo em (8), obtemos
(x1 + 2)2 − 4 + 2y1 − 2 = 0,
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 ,
que representa uma translação no R2 , obtemos
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.
Figura 27.5: A parábola x22 = −2y2 .
Procedimento para simplificar a equação de uma cônica

Seja a cônica Γ dada pela equação
ax2 + bxy + cy 2 + dx + ey + f = 0.
Podemos reescrevê-la na forma matricial,
vt A v + Bv + f = 0,
CEDERJ 74
Cônicas
onde
q(x , y) = ax2 + bxy + cy 2

Ã !Ã !
a b/2 x
= (x y)
b/2 c y
= vt A v ,
e
`(x, y) = dx + ey
Ã !
x
= (d e)
y
= Bv ,
com Ã !
a b/2
A = ,
b/2 c
B = (d e)
e Ã !
x
v = .
y
A idéia principal do procedimento a seguir consiste em realizar uma

rotação nos eixos-xy, de modo a eliminar o termo cruzado bxy.
1o Passo: Encontrar uma matriz ortogonal P = [u1 u2 ] que diagonalize A. Lem-

bre que as colunas de P formam uma base {u1 , u2 } ortogonal de au-
tovetores da matriz A para o R2 . Assim,
Ã !
λ1 0
D = P t A P com D = ,
0 λ2
onde λ1 e λ2 são os autovalores da matriz A associados aos autovetores

u1 e u2 , respectivamente.
75 CEDERJ
Cônicas
2o Passo: Permutar as colunas de P , caso seja necessário, de modo que se tenha

det(P ) = 1. Isso garante que a transformação ortogonal
Ã !
x1
v = P v1 , com v1 = ,
y1
seja uma rotação no plano.
3o Passo: Obter a equação que representa a cônica Γ no novo sistema de eixos-

x2 y2 . Para isso, observe que
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
Ã !Ã !
λ1 0 x1
= (x1 y1 )
0 λ2 y1
= λ1 x21 + λ2 y12 ,
e
dx + ey = Bv
= B(P v1 ) ; onde v = P v1
= (BP ) v1 ; onde BP = (d1 e1 )

Ã !
x1
= (d1 e1 )
y1
= d1 x1 + e1 y1 .
Assim, a equação vt A v + Bv + f = 0 se transforma em
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
Vamos fazer uma breve análise dessa equação.
1. Considere o caso em que os autovalores são não-nulos: λ1 , λ2 6= 0. Neste

caso, podemos completar os quadrados nas variáveis x1 e y1 , obtendo
λ1 x21 + λ2 y12 + d1 x1 + e1 y1 + f = (λ1 x21 + d1 x1 ) + (λ2 y12 + e1 y1 )
= λ1 x22 + λ2 y22 + F ,
com F ∈ R2 . Assim, a equação
λ1 x21 + λ2 y12 + d1 x1 + e1 y1 + f = 0
é transformada em
λ1 x22 + λ2 y22 + F = 0.
Note que
(a) Se λ1 , λ2 > 0, então a cônica Γ será uma elipse, caso F < 0; ou

um ponto ((x2 , y2 ) = (0 , 0)), caso F = 0; ou o conjunto vazio,
caso F > 0.
(b) Se λ1 , λ2 < 0, então a cônica Γ será uma elipse, caso F > 0; ou
um ponto ((x2 , y2 ) = (0 , 0)), caso F = 0; ou o conjunto vazio,
caso F < 0.
(c) Se λ1 < 0 < λ2 , então a cônica Γ será uma hipérbole, caso F 6= 0;
ou um par de retas concorrentes, casoF = 0.
2. Considere o caso de um autovalor nulo, digamos, λ1 = 0 e λ2 6= 0

(necessariamente λ2 6= 0). Novamente, completando o quadrado na
variável y1 , obtemos
λ2 y12 + d1 x1 + e1 y1 + f = (λ2 y12 + e1 y1 ) + d1 x1 + f
= λ2 y22 + d1 x2 + F .
Assim, a equação inicial da cônica Γ fica transformada em
λ2 y22 + d1 x2 + F = 0.
Note que
(a) Se d1 6= 0, então Γ será uma parábola.
77 CEDERJ
Cônicas
(b) Se d1 = 0, então Γ será um par de retas paralelas, caso λ2 · F < 0;

ou uma única reta, caso F = 0; ou o conjunto vazio, caso λ2 ·F > 0.
3. O caso λ2 = 0 e λ1 6= 0 é análogo ao anterior.

É importante observar que nunca poderemos ter λ1 = λ2 = 0, pois
estamos supondo que a forma quadrática associada é não-nula.
Veja, também, que
¯ ¯
¯ λ 0 ¯
¯ 1 ¯
λ1 · λ2 =¯ ¯
¯ 0 λ2 ¯
= 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:
a) uma elipse, um ponto ou o conjunto vazio, caso b2 − 4ac < 0;
b) uma parábola, duas retas paralelas ou uma única reta, caso b2 −4ac = 0;
c) uma hipérbole ou duas retas concorrentes, 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
hipérboles. Conhecendo essas equações e com o conhecimento adquirido das

últimas aulas, você não deve encontrar muita dificuldade para compreender
os conceitos apresentados aqui. No entanto, como esta aula reúne muitos
conhecimentos matemáticos, você deve ser persistente na leitura dos exem-
plos e do procedimento apresentado, sempre recorrendo ao tutor no caso de
encontrar uma dificuldade maior. Na próxima aula, trataremos de equações
semelhantes, agora com três variáveis ao invés de duas, mas o procedimento
será exatamente o mesmo, ou seja, diagonalizar uma forma quadrática e
completar quadrados até simplificar a equação ao máximo.
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
Aula 28 – Quádricas
Objetivos:
• Compreender o conceito generalizado de uma quádrica.
Pré-requisitos: Aulas 22, 25, 26 e 27.
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
ax2 + by 2 + cz 2 + dxy + exz + f yz + gx + hy + kz + p = 0.
Usando novamente os resultados sobre diagonalização de formas quadráticas,

iremos simplificar essa equação e descrever as superfı́cies mais simples que
ela pode representar.
Definição 9
Uma superfı́cie quádrica, ou, simplesmente, uma quádrica, é o conjunto
de pontos de R3 cujas coordenadas (x, y, z) satisfazem uma equação da
forma
ax2 + by 2 + cz 2 + dxy + exz + f yz + gx + hy + kz + p = 0, (6)
onde os coeficientes a, b, c,..., k, p são números reais e pelo menos um dos

coeficientes a, b, c, d, e, f é não-nulo.
Observe que a equação (6) contém uma forma quadrática não-nula em

R3 ,
q(x , y , z) = ax2 + by 2 + cz 2 + dxy + exz + f yz,
uma forma linear em R3 ,
`(x , y , z) = gx + hy + kz,
e o termo constante p. Apresentaremos a seguir os exemplos mais comuns de

superfı́cies quádricas.
Figura 28.1: Gráficos de quádricas
81 CEDERJ
Quádricas
(a) Elipsóide (b) Hiperbolóide de uma folha
x2 y 2 z 2 x2 y 2 z 2
( + 2 + 2 = 1) ( + 2 − 2 = 1)
a2 b c a2 b c
(c) Hiperbolóide de duas folhas (d) Cone elı́ptico
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
(e) Parabolóide elı́ptico (f) Parabolóide hiperbólico

x2 y 2 x2 y 2
( + 2 = z) (− + 2 = z)
a2 b a2 b
(g) Cilindro elı́ptico (h) Cilindro parabólico
x2 y 2
( + 2 = 1) (y = ax2 )
a2 b
83 CEDERJ
Quádricas
Observe que a equação (6) também pode representar um conjunto vazio

(por exemplo, x2 + y 2 + 1 = 0), um único ponto (por exemplo, x2 + y 2 +
(z − 1)2 = 0), um plano (por exemplo, z 2 = 0), dois planos paralelos (por
exemplo, z 2 = 4) ou dois planos secantes (por exemplo, xz = 0). Nestes
casos, as quádricas são ditas degeneradas.
Assim como foi feito para as cônicas, mostraremos que através de uma
mudança de coordenadas podemos reduzir a equação (6) de modo que a
quádrica seja identificada como sendo de um dos tipos descritos. Esse pro-
blema é o de classificar a quádrica.
Sempre que a quádrica for representada por uma equação que não
contém termos em xy, xz, yz, x, y e z, dizemos que a equação está na forma
canônica e que a quádrica está na posição canônica. A presença de termos
cruzados da forma xy, xz ou yz na equação (6) indica que a quádrica sofreu
uma rotação com respeito à posição canônica, e a presença de termos da
forma x, y ou z indica que a quádrica sofreu uma translação com respeito à
posição canônica.
Como foi feito no caso das cônicas, vamos desenvolver um procedimento
para representar uma quádrica na forma canônica. A idéia principal do pro-
cedimento consiste em obter um novo sistema de coordenadas x1 y1 z1 de modo
que não apareçam os termos cruzados x1 y1 , x1 z1 e y1 z1 .
Vamos, primeiramente, expressar a equação (6) na forma matricial.
Temos,
q(x , y , z) = ax2 + by 2 + cz 2 + dxy + exz + f yz
  
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
Observe também que
`(x , y , z) = gx + hy + kz
 
x
 
= (g h k)  y 
z
= Bv ,
onde
B = (g h k).
Substituindo q(x , y , z) = vt A v e `(x , y , z) = Bv em (6), obtemos a

forma vetorial da quádrica,
vt A v + Bv + p = 0. (7)
PROCEDIMENTO PARA SIMPLIFICAR A EQUAÇÃO DE UMA

QUÁDRICA
Seja Γ a quádrica representada pela equação (6),
ax2 + by 2 + cz 2 + dxy + exz + f yz + gx + hy + kz + p = 0,
cuja forma vetorial é a equação (7),
vt A v + Bv + p = 0.
1o Passo: Encontrar uma matriz ortogonal P = [u1 u2 u3 ] que diagonaliza A.

Como já foi visto várias vezes ao longo do curso, lembre que as colunas
de P formam uma base ortonormal {u1 , u2 , u3 } de autovetores da
matriz A para o R3 . Assim,
 
λ1 0 0
 
D = P t A P com D =  0 λ2 0  ,
0 0 λ3
onde λ1 , λ2 e λ3 são os autovalores da matriz A associados aos autove-

tores u1 , u2 e u2 , respectivamente.
85 CEDERJ
Quádricas
2o Passo: Permutar as colunas de P , caso seja necessário, de modo que se tenha

det(P ) = 1. Isso garante que a transformação ortogonal


x1
 
v = P v1 , com v1 =  y1  ,
z1
seja uma rotação no plano.
3o Passo: Obter a equação que representa a quádrica Γ no novo sistema de eixos

x1 y1 z1 . Para isso, observe que
ax2 + by 2 + cz 2 + dxy + exz + f yz = vt A v
= (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
= λ1 x21 + λ2 y12 + λ3 z12
e
gx + hy + kz = Bv
= B(P v1 ) ; onde v = P v1
= (BP ) v1 ; onde BP = (g1 h1 k1 )
 
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
se transforma em
λ1 x21 + λ2 y12 + λ3 z12 + g1 x1 + h1 y1 + k1 z1 + p = 0.
Essa equação representa a quádrica Γ e não contém os termos cruzados

x1 y1 , x1 z1 e y1 z1 .
4o Passo: Completando os quadrados em x1 , y1 e z1 , obtemos
(λ1 x21 + g1 x1 ) + (λ2 y12 + h1 y1 ) + (λ3 z12 + +k1 z1 ) + p = 0
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
λ1 x22 + λ2 y22 + λ3 z22 + p1 = 0.
Essa equação representa a quádrica Γ e não contém os termos cruzados

x2 y2 , x2 z2 e y2 z2 nem os termos em x2 , y2 e z2 . Portanto, é uma equação
na forma canônica.
Exemplo 1
Descreva a superfı́cie quádrica cuja equação é dada por
4x2 + 4y 2 + 4z 2 + 4xy + 4xz + 4yz − 3 = 0.
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
Deixamos para você o exercı́cio de calcular os autovalores e os autove-

tores correspondentes da matriz A. Obtemos:
• λ1 = 2: é um autovalor com multiplicidade algébrica 2 e autovetores

associados
 ±√   ±√ 
−1 2 −1 6
 ±√   ±√ 
u1 =  1 2  e u2 =  −1 6  ;
±√
0 2 6
• λ2 = 8: é um autovalor com multiplicidade algébrica 1 e autovalor

associado
 ±√ 
1 3
 ±√ 
u3 =  1 3  .
±√
1 3
Como {u1 , u2 , u3 } forma uma base ortonormal de R3 , temos que
 ±√ ±√ ±√ 
−1 2 −1 6 1 3
 ±√ ±√ ±√ 
P = [u1 u2 u3 ] =  1 2 −1 6 1 3 
±√ ±√
0 2 6 1 3

pondente será
 
2 0 0
 
D= 0 2 0 .
0 0 8
Vale também que D = P t A P .

Observe que det(P ) = 1, logo P representa uma rotação em R3 . Con-
siderando
   
x x1
   
v =  y  e v1 =  y1 
z z1
CEDERJ 88
Quádricas
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
= 2x21 + 2y12 + 8z12 .
Portanto, substituindo
vt A v = 2x21 + 2y12 + 8z12
na equação (8), obtemos
2x21 + 2y12 + 8z12 = 3,
ou, equivalentemente,
x21 y2 z2
+ 1 + 1 = 1.
3/2 3/2 3/8
Observe que essa equação não contém os termos cruzados x1 y1 , x1 z1

e y1 z1 nem os termos em x1 , y1 e z1 . Portanto, é uma equação na forma
canônica. Identificamos, facilmente, que essa equação representa um elipsóide,
como ilustra a Figura 28.1.a.
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
Deixamos para você, novamente, o exercı́cio de calcular os autovalores

e os autovetores correspondentes da matriz A. Obtemos:
• λ1 = −1 : autovalor com multiplicidade algébrica 2 e autovetores asso-

ciados
   
1 0
   ±√ 
u1 =  0  e u2 =  1 2 ;
±√
0 −1 2
• λ2 = 1 : autovalor com multiplicidade algébrica 1 e autovalor associado
 
0
 ±√ 
u3 =  1 2  .
±√
1 2

 
1 0 0
 ±√ ±√ 
P = [u1 u2 u3 ] =  0 1 2 1 2 
±√ ±√
0 −1 2 1 2

pondente será
 
−1 0 0
 
D= 0 −1 0  .
0 0 1

Como no Exemplo 1, det(P ) = 1, logo P representa uma rotação em
3
R . Considerando
   
x x1
   
v =  y  e v1 =  y1  ,
z z1
CEDERJ 90
Quádricas
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
= −x21 − y12 + z12 ,

e, substituindo v = P v1 em B v, obtemos
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 .
vt A v = −x21 − y12 + z12 e Bv = −2y1

em (9), obtemos
−x21 − y12 + z12 − 2y1 = 101.
Agora, completando o quadrado na variável y1 , temos
−x21 + z12 − (y12 + 2y1 ) = 101,
o que nos dá

−x21 − [(y1 + 1)2 − 1] + z12 = 101,
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.
2. 2xy + 2xz + 2yz − 6x − 6y − 4z − 9 = 0.
3. 7x2 + 7y 2 + 10z 2 − 2xy − 4xz + 4yz − 12x + 12y + 60z − 24 = 0.
CEDERJ 92
Autovalores complexos
Aula 29 – Autovalores complexos
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.
A adição e a multiplicação de números complexos são definidas por:

i. (a + b i) + (c + d i) = (a + c) + (b + d) i;
ii. (a + b i) · (c + d i) = (ac − bd) + (ad + bc) i,
para todos os a, b, c, d ∈ R. É fácil verificar que todas as propriedades

de corpo dos números reais continuam válidas para os números complexos.
Definimos o conjugado de um número complexo z = a + b i como sendo

o número complexo z̄ = a − b i.
A teoria de espaços vetoriais e de álgebra matricial desenvolvida no caso
de componentes reais e escalares reais se aplica também para componentes e
escalares complexos. Por exemplo, o espaço vetorial C2 é definido por
C2 = {(z , w) | z, w ∈ C },
com as operações usuais

i. (z1 , w1 ) + (z2 , w2 ) = (z1 + z2 , w1 + w2 );
93 CEDERJ
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
Ã !
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
¯ ¯
¯ x 1 ¯¯
¯
=¯ ¯
¯ −1 x ¯
= x2 + 1 .
Esse polinômio só possui as raı́zes complexas λ1 = i e λ2 = − i.
No entanto, considerando A com matriz complexa, isto é, A ∈ M2 (C),

λ1 = i e λ2 = − i são autovalores complexos da matriz A, pois os vetores
v1 = (1 , − i) , v2 = (1 , i) ∈ C2 , e satisfazem
Ã ! !Ã
Ã !
0 −1
1 1
Av1 = =i = i v1 ;
1 0
−i −i
Ã !Ã ! Ã !
0 −1 1 1
Av2 = = −i = − i v2 .
1 0 i i
CEDERJ 94
Assim, v1 = (1 , − i) é um autovetor associado ao autovalor λ1 = i, e

v2 = (1 , i) é um autovetor associado ao autovalor λ2 = − i.
Como a matriz não possui autovalores reais, ela não é diagonalizável
enquanto matriz real. No entanto, como ela possui dois autovalores comple-
xos distintos, a matriz A é diagonalizável quando considerada como matriz
complexa. Mais ainda, considerando as matrizes P, D ∈ M2 (C) dadas por
Ã ! Ã !
1 1 i 0
P = [v1 v2 ] = e D= ,
−i i 0 −i
temos
Ã !Ã !Ã !
1 1 i 0 1/2 i/2
P DP −1 =
−i i 0 −i 1/2 − i/2
Ã !Ã !
i −i 1/2 i/2
=
1 1 1/2 − i/2
Ã !
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
Ã !
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
Calculando as raı́zes desse polinômio quadrático, obtemos

λ1 = 0, 8 − 0, 6 i e λ2 = 0, 8 + 0, 6 i.
Considerando o autovalor λ1 = 0, 8−0, 6 i, queremos obter v = (z , w) ∈

2
C não-nulo tal que
Av = λ1 v,
ou seja, Ã !Ã ! Ã !
0, 5 − 0, 6 z z
= (0, 8 − 0, 6 i) ,
0, 75 1, 1 w w
o que nos dá o sistema linear
(
(0, 8 − 0, 6 i) z − 0, 6 w = 0
0, 75 z + (0, 8 + 0, 6 i) w = 0 .
Como os autovalores são distintos, cada auto-espaço tem dimensão 1; por-
tanto, as equações do sistema anterior são dependentes. Assim, basta consi-
derar uma das equações; por exemplo, da segunda equação, temos
z = (− 0, 4 − 0, 8 i) w.
Escolhendo w = 5 (para eliminar a parte decimal), obtemos z = −2 − 4 i.

Assim, uma base para o auto-espaço associado ao autovalor λ1 = 0, 8 − 0, 6 i
é dada pelo vetor
Ã !
−2 − 4 i
v1 = .
5
Analogamente, para o autovalor λ2 = 0, 8 + 0, 6 i, obtemos o autovetor

Ã !
−2 + 4 i
v2 = ,
5
pois
Ã !Ã !
0, 5 − 0, 6 −2 + 4 i
Av2 =
0, 75 1, 1 5
Ã !
−4 + 2 i
=
4 + 3i
Ã !
−2 + 4 i
= (0, 8 + 0, 6 i)
5
= λ2 v2 .
CEDERJ 96
Observe que a matriz A é semelhante à matriz diagonal

Ã ! Ã !
λ1 0 0, 8 − 0, 6 i 0
D= = .
0 λ2 0 0, 8 + 0, 6 i
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
Ã !
1 −2
A= .
1 3
2. Calcule os autovalores e autovetores da matriz

Ã !
a −b
A= ,
b a
onde a , b ∈ R com a 6= 0 ou b 6= 0.
3. Dada a matriz A ∈ Mn (R) com autovalor λ ∈ C, mostre que λ̄ também

é autovalor da matriz A.
97 CEDERJ
Exercı́cios resolvidos – 3a Parte
Aula 30 – Exercı́cios resolvidos – 3a Parte
Objetivo:
• Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29.
Pré-requisitos: Aulas 17 a 29.

Nas próximas aulas apresentaremos uma série de exercı́cios resolvidos
sobre a segunda parte do curso. Esses exercı́cios o ajudarão a consolidar os
conceitos apresentados nas aulas anteriores.
A nossa orientação é que você primeiro tente resolver cada um dos
exercı́cios, usando, se necessário, as anotações das aulas anteriores, e, só
depois de obtida a sua própria solução, compará-la com a solução apresentada
aqui. Caso você não consiga resolver algum exercı́cio, não se aflija, leia
atentamente a solução correspondente. Se você ainda tiver dificuldade, não
hesite em procurar ajuda de seu tutor.
Exercı́cios
1. Determine a matriz, com respeito à base canônica, da projeção ortogo-

nal sobre a reta y = x.
2. Determine as projeções ortogonais dos pontos P1 = (1 , 0 , 1) e P2 =

(1 , 1 , 1) sobre o plano x + y − z = 0.
3. Determine o valor das constantes a, b, c, d ∈ R para que

   
1 a+b b 5 b − c 2d + 3
   
A= 2 0 4  e B= 3 5 1 
3 4 3 d b+c 0
sejam matrizes simétricas.
4. Dadas as matrizes simétricas A, B ∈ Mn (R), mostre que AB + BA

também é uma matriz simétrica.
5. Dadas as matrizes A, B ∈ Mn (R) tal que A uma é matriz simétrica,

verifique que B t A B é uma matriz simétrica.
6. Dados a, b ∈ R, com b 6= Ã 0, encontre

! uma matriz ortogonal P que
a b
diagonaliza a matriz A = , isto é, tal que D = P t A P .
b a
99 CEDERJ
7. Seja T : R3 → R3 um operador auto-adjunto com autovalores associ-

ados λ1 = 3 e λ2 = 4; suponha que v1 = (1 , 1 , 1) e v2 = (2 , 0 , 1)
são dois autovetores associados ao autovalor λ1 = 3. Determine um
autovetor associado ao autovalor λ2 = 4 e uma base ortonormal de
autovetores de T .
8. Para cada matriz abaixo, determine uma matriz ortogonal P e uma

matriz diagonal D tais que A = P DP t .
 
  3 1 0 0 0
3 1 0 0  
 1 3 0 0   1 3 0 0 0 
   
a) A =   b) A = 
 0 0 2 1 1 

 0 0 0 0   
 0 0 1 2 1 
0 0 0 0
0 0 1 1 2
Solução
1. Denotamos por T : R2 → R2 a projeção ortogonal sobre a reta y = x,

como ilustra a Figura 30.1
Figura 30.1: A projeção ortogonal sobre a reta y = x e a base ortonormal β.
Vamos primeiro determinar uma matriz que representa T com respeito

a uma base ortonormal β = {u1 , u2 }. Sejam:
±√ ±√
u1 = (1 2 , 1 2) vetor unitário paralelo à reta y = x; e u2 =
±√ ±√
(−1 2 , 1 2) um vetor unitário normal à reta y = x.
Como
T (u1 ) = u1 = 1 · u1 + 0 · u2
e
T (u2 ) = 0 = 0 · u1 + 0 · u2 ,
temos que Ã !
1 0
B = [T ]β = .
0 0
CEDERJ 100
Assim, a matriz A que representa T com respeito à base canônica é

dada por
A = P B P −1 ,
onde Ã ±√ ±√ !
1 2 −1 2
P = [u1 u2 ] = ±√ ±√ .
1 2 1 2
Como P é uma matriz ortogonal, temos que
Ã ±√ ±√ !
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
Ã !
1/2 1/2
= .
1/2 1/2
2. Seja T : R3 → R3 a projeção ortogonal sobre o plano π : x + y −

z = 0; precisamos determinar a matriz A que representa essa projeção
com respeito à base canônica. Novamente, vamos primeiro obter a
matriz que representa T com respeito a uma base ortonormal β =
{u1 , u2 , u3 }. Veja a Figura 30.2
Figura 30.2: Uma base ortonormal β.

±√ ±√
Considere os seguintes vetores: u1 = (1 2 , 0 , 1 2) um vetor
±√ ±√ ±√
unitário paralelo ao plano π, u2 = (−1 6 , 2 6 , 1 6) um vetor
±√ ±√ ±√
unitário ortogonal a u1 e paralelo ao plano π e u3 = (1 3 , 1 3 , −1 3)
um vetor unitário normal ao plano π.
Como
T (u1 ) = u1 = 1 · u1 + 0 · u2 + 0 · u3 ;
101 CEDERJ
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
Assim, a matriz A que representa T com respeito à base canônica é

dada por
A = P B P −1 ,
onde  ±√ ±√ ±√ 
1 2 −1 6 1 3
 ±√ ±√ 
P = [u1 u2 u3 ] =  0 2 6 1 3 .
±√ ±√ ±√
1 2 1 6 −1 3
Como P é uma matriz ortogonal, temos que

 ±√ ±√ 
1 2 0 1 2
 ±√ ±√ ±√ 
P −1 = P t =  −1 6 2 6 1 6  ;
±√ ±√ ±√
1 3 1 3 −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
Assim, as imagens dos pontos P1 e P2 , sob a ação da projeção or-

togonal sobre o plano π, são obtidas por multiplicação de matrizes:
CEDERJ 102
    
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
Portanto, temos A P1 = (1/3 , 1/3 , 2/3) e A P2 = (2/3 , 2/3 , 1).
3. Lembre que uma matriz A é simétrica se e somente se A = At . Assim,

para a matriz  
1 a+b b
 
A= 2 0 4 ,
3 4 3
temos A = At se e somente se
   
1 a+b b 1 2 3
   
 2 0 4  =  a + b 0 4 ,
3 4 3 b 4 3
ou seja, se e somente se a + b = 2 e b = 3, ou, ainda, a = −1 e b = 3.

Para a matriz  
5 b − c 2d + 3
 
B= 3 5 1 ,
d b+c 0
temos B = B t se e somente se
   
5 b − c 2d + 3 5 3 d
   
 3 5 1  =  b − c 5 b + c ,
d b+c 0 2d + 3 1 0
ou seja, se e somente se b − c = 3 , b + c = 1 e 2d + 3 = d, ou, ainda,

b = 2 , c = −1 e d = −3.
4. Sendo A e B matrizes simétricas, temos A = At e B = B t . Portanto,
(AB + BA)t = (AB)t + (BA)t

= B t At + At B t
= BA + AB
= AB + BA .
Portanto, a AB + BA também é uma matriz simétrica.
103 CEDERJ
5. De fato, temos que
(B t AB)t = B t At (B t )t
= B t AB;
logo, B t AB também é uma matriz simétrica.
6. Como A é matriz simétrica, existe uma matriz ortogonal P que di-

agonaliza a matriz A. Lembre que as colunas de P são autovetores
unitários da matriz A. Portanto, precisamos calcular os autovalores e
os respectivos autovetores da matriz A. Seu polinômio caracterı́stico é
dado por
p(x) = det(A − xI2 )
¯ ¯
¯ a − x −b ¯
¯ ¯
=¯ ¯
¯ −b a−x ¯
= (a − x)2 − (−b)2
= x2 − 2ax + (a2 − b2 ) .
Portanto, os autovalores são λ1 = a + b e λ2 = a − b. Como b 6= 0, segue

que λ1 6= λ2 . Vamos, agora, ao cálculo dos autovetores. O autovetor
associado ao autovalor λ1 = a + b é um vetor u1 = (x , y) ∈ R2 que
satisfaz
(A − λ1 I2 ) u1 = 0,
ou seja,
Ã !Ã ! Ã !
−b b x 0
= .
b −b y 0
Como b 6= 0, obtemos x = y. Assim, uma escolha de u1 = (x , y)

±√ ±√
que seja vetor unitário é dada por u1 = (1 2 , 1 2). Como λ1 6= λ2
e a matriz A é simétrica, então todo autovetor u2 = (x , y) ∈ R2 as-
sociado ao autovalor λ2 = a − b é ortogonal ao vetor u1 . Portanto,
±√ ±√
podemos escolher u2 = (−1 2 , 1 2). Assim, a matriz
Ã ±√ ±√ !
1 2 −1 2
P = [u1 u2 ] = ±√ ±√
1 2 1 2
CEDERJ 104
diagonaliza a matriz A, isto é,
D = P tA P
Ã ±√ ±√ ! Ã ! Ã ±√ ±√ !
1 2 1 2 a b 1 2 −1 2
= ±√ ±√ ±√ ±√
−1 2 1 2 b a 1 2 1 2
Ã !
a+b 0
=
0 a−b
é uma matriz diagonal semelhante à matriz A.
7. Seja v3 ∈ R3 um autovetor associado ao autovalor λ2 = 4. Como

T é um operador auto-adjunto e os vetores v1 e v2 são linearmente
independentes, devemos ter v3 ortogonal a v1 e v2 . Como estamos em
R3 , v3 é paralelo ao vetor v1 × v2 ; portanto, podemos considerar
v3 = v1 × v2 = (1 , 1 , −2).
Observe que para os autovetores v1 e v2 associados ao autovalor λ1 = 3

temos
hv1 , v2 i = h(2 , 0 , 1), (1 , 1 , 1)i
=2·1+0·1+1·1
= 3 6= 0;
logo, v1 e v2 não são ortogonais entre si. Para construir uma base
ortogonal de autovetores, consideramos os vetores v2 , v3 e um novo
vetor w, com w ortogonal a v2 e v3 , por exemplo,
w = v2 × v3 = (−1 , 5 , 2).
Normalizando esses vetores, obtemos uma base ortonormal de autove-

tores β = {u1 , u2 , u3 }, dada por:
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
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) .
Logo, seus autovalores são:

• λ1 = 0, com multiplicidade algébrica 2;
• λ2 = 2, com multiplicidade algébrica 1; e
• λ3 = 4, com multiplicidade algébrica 1.
Vamos, agora, calcular uma base ortonormal de autovetores de A.
Para o autovalor λ1 = 0, sabemos que os autovetores associados
v = (x , y , z , t) ∈ R4 satisfazem
(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
Escalonando a matriz associada desse sistema linear, no caso, a

própria matriz A, obtemos as soluções
x = 0, y = 0 e z, t arbitrários.
CEDERJ 106
Portanto, escolhendo ora z = 1, t = 0, e ora z = 0, t = 1, obtemos

que
u1 = (0 , 0 , 1 , 0) u2 = (0 , 0 , 0 , 1)
formam uma base ortonormal do auto-espaço associado ao auto-
valor λ1 = 0.
v = (x , y , z , t) ∈ R4 satisfazem
(A − 2 · I4 )v = 0,

    
1 1 0 0 x 0
 1 1 0 0  y 
   0 
   
  = .
 0 0 −2 0   z   0 
0 0 0 −2 t 0
Escalonando a matriz associada desse sistema linear, obtemos as

soluções
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,
ou seja, satisfazem o sistema linear homogêneo

    
−1 1 0 0 x 0
 1 −1 0 0  y 
   0 
   
  = .
 0 0 −4 0   z   0 
0 0 0 −4 t 0

soluções
y = x e z = t = 0, comx arbitrário.
107 CEDERJ
±√ ±√
Portanto, escolhendo x = 1 2 e, conseqüentemente, y = 1 2,
obtemos que
µ ¶
1 1
u4 = √ , √ , 0, 0
2 2
forma uma base ortonormal do auto-espaço associado ao autovalor

λ3 = 4. Como a matriz A é simétrica, observe que os autovetores
associados a autovalores distintos são ortogonais. Assim, β =
{u1 , u2 , u3 , u4 } é uma base ortonormal de R4 formada por
autovetores da matriz A. Portanto, a matriz ortogonal P ,
 ±√ ±√ 
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
seu polinômio caracterı́stico é dado por
¯ ¯
¯ 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 ¯
= (x2 − 6x + 8)(x3 − 6x2 + 9x − 4)
= (x − 1)2 (x − 2)(x − 4)2 .
Logo, os autovalores da matriz A são:

• λ1 = 1, com multiplicidade algébrica 2;
• λ2 = 2, com multiplicidade algébrica 1; e
• λ3 = 4, com multiplicidade algébrica 2.
Vamos, agora, calcular uma base ortonormal de autovetores de A.
v = (x , y , z , t , s) ∈ R5 satisfazem
(A − 2 · I5 )v = 0,

    
−2 −1 0 0 0 x 0
    
 −1 −2 0 0 0  y   0 
    
 0 0 −1 −1 −1  z = 0 .
    
    
 0 0 −1 −1 −1   t   0 
0 0 −1 −1 −1 s 0

soluções
x = 0, y = 0, z = −t − s com t e s arbitrários.
109 CEDERJ
Portanto, escolhendo t = 0 e s = −1, obtemos o autovetor
v1 = (0 , 0 , 1 , 0 , −1).
Para obter um segundo autovetor v2 = (a , b , c , d , e) associado

ao autovalor λ1 = 1 e que seja ortogonal a v1 , devemos ter


 a=b=0
c+d+e=0


c − e = 0,
sendo que a última equação segue da condição hv1 , v2 i = 0. Uma

solução desse sistema linear é dada por v2 = (0 , 0 , 1 , −2 , 1).
Assim, {v1 , v2 } é uma base ortogonal do auto-espaço associado a
λ1 = 1.
(A − 2 · I5 )v = 0,

    
−1 −1 0 0 0 x 0
    
 −1 −1 0 0 0  y   0 
    
 0 0 0 −1 −1  z = 0 .
    
    
 0 0 −1 0 −1   t   0 
0 0 −1 −1 0 s 0
Escalonando a matriz associada desse sistema linear, obtemos

as soluções
y = −x e z = t = 0, com x arbitrário.
Portanto, escolhendo x = 1, obtemos o autovetor
v3 = (1 , −1 , 0 , 0 , 0),
que forma uma base do auto-espaço associado ao autovalor λ2 = 2.

Finalmente, para o autovalor λ3 = 4, os autovetores associados
(A − 4 · I5 )v = 0,
CEDERJ 110
ou seja, satisfazem o sistema linear homogêneo

    
1 −1 0 0 0 x 0
    
 −1 1 0 0 0  y   0 
    
 0 2 −1 −1     .
 0  z = 0 
    
 0 0 −1 2 −1   t   0 
0 0 −1 −1 2 s 0

soluções
y = x, s = z e t = z, com x e z arbitrários.
Agindo como no caso do autovalor λ1 = 1, obtemos os seguintes

autovetores associados ao autovalor λ3 = 4:
v4 = (1 , 1 , 0 , 0 , 0) e v5 = (0 , 0 , 1 , 1 , 1), e eles formam uma
base ortogonal para o auto-espaço associado ao autovalor λ3 = 4.
Assim, {v1 , v2 , v3 , v4 , v5 } é uma base ortogonal de R5 formada
por autovetores da matriz A. Normalizando os vetores dessa base,
obtemos ³ ´
u1 = 0 , 0 , √12 , 0 , √ −1
2
;
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
Observe, agora, que β = {u1 , u2 , u3 , u4 , u5 } é uma base orto-

normal de R5 formada por autovetores da matriz A. Portanto, a
matriz ortogonal P ,
 ±√ ±√ 
0 0 1 2 1 2 0
 ±√ ±√ 
 0 0 −1 2 1 2 0 
 ±√ ±√ ±√ 
P = [u1 u2 u3 u4 u5 ] =   1 2 1 6 0 0 1 3 
,
 ±√ ±√ 
 0 −2 6 0 0 1 3 
±√ ±√ ±√
−1 2 1 6 0 0 1 3
111 CEDERJ
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
satisfazem A = P DP t . Lembre que a ordem dos elementos da

diagonal principal da matriz D depende da ordem das colunas
da matriz ortogonal P e vice-versa.
CEDERJ 112
Aula 31 – Exercı́cios resolvidos – 4a Parte
Objetivo:
• Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29.
Pré-requisitos: Aulas 17 a 30.
Nesta aula, vamos dar continuidade à apresentação de exercı́cios resol-

vidos sobre a segunda parte do curso. Estes exercı́cios o ajudarão a consolidar
os conceitos apresentados nas aulas anteriores.
Mais uma vez, ressaltamos que você deve primeiro tentar resolver cada
um dos exercı́cios, usando, se necessário, as anotações das aulas anteriores,
e, só depois de obtida a sua própria solução, compará-la com a solução apre-
sentada aqui. Caso você não consiga resolver algum exercı́cio, não se aflija,
leia atentamente a solução correspondente e, se ainda tiver dificuldade, não
hesite em procurar ajuda de seu tutor. Uma discussão entre alunos e tutor
sobre as soluções encontradas é sempre muito proveitosa.
Exercı́cios
1. Para cada caso abaixo, determine a matriz que representa a forma
bilinear com respeito à base ordenada especificada.
a) F : R3 × R3 → R dada por F (u , v) = hu , vi com respeito à

base β = {u1 , u2 , u3 }, u1 = (−2 , 0 , 1), u2 = (1 , 2 , 1) e
u3 = (0 , 1 , −2).
b) F : R2 × R2 → R dada por F (u , v) = hu , ai · hv , bi, com
a , b ∈ R2 , com respeito à base canônica.
2. Expresse as formas quadráticas abaixo na forma vt A v, onde a matriz

A é uma matriz simétrica.
a) q(x1 , x2 ) = 3 x21 + 7 x22

b) q(x1 , x2 , x3 , x4 ) = x21 + x22 + 3 x23 + x24 + 2 x1 x2 + 4 x1 x3 + 6 x2 x3 +
7 x1 x4 − 2 x2 x4
c) q(x1 , x2 , x3 ) = x21 + x22 − x23 + 2 x1 x2 − 3 x1 x3 + x2 x3
113 CEDERJ
d) q(x1 , x2 ) = −7x1 x2
e) q(x1 , x2 , . . . , xn ) = (c1 x1 +c2 x2 +· · ·+cn xn )2 , com c1 , c2 , . . . , cn ∈
R.
3. Diagonalize as seguintes formas quadráticas:
a) q(x , y) = 2xy
b) q(x , y , z) = 2xy + 2xz + 2yz
Em cada caso, determine a matriz ortogonal que diagonaliza a forma

quadrática.
4. Identifique as cônicas representadas pelas equações abaixo. Em cada

caso, determine a matriz ortogonal que diagonaliza a forma quadrática.
a) 2x2 + 5y 2 = 20
b) x2 − 16y 2 + 8x + 128y = 256
c) 4x2 − 20xy + 25y 2 − 15x − 6y = 0
5. Identifique as quádricas representadas pelas equações abaixo. Em cada

caso, determine a matriz ortogonal que diagonaliza a forma quadrática.
a) 2xy + 2xz + 2yz − 6x − 6y − 4z = −9

√ √
b) 2xy − 6 2 x + 10 2 y + z − 31 = 0
6. Seja F a forma bilinear de R2 definida por
F ((x1 , x2 ), (y1 , y2 )) = 2x1 y1 − 3x1 y2 + x2 y2 .
a) Determine a matriz A que representa F com respeito à base α =

{(1 , 0) , (1 , 1)}.
b) Determine a matriz B que representa F com respeito à base β =
{(2 , 1) , (1 , −1)}.
c) Determine a matriz mudança de base P , da base α para a base β,
e verifique que B = P t A P .
CEDERJ 114
Solução
1. a) Lembre-se da Aula 25, na qual a matriz que representa a forma

bilinear com respeito à base β = {u1 , u2 , u3 } é dada pela matriz
A = (aij ), onde aij = F (ui , uj ). Neste caso, temos:
a11 = F (u1 , u1 ) = hu1 , u1 i = h(−2 , 0 , 1) , (−2 , 0 , 1)i = 5;

a12 = F (u1 , u2 ) = hu1 , u2 i = h(−2 , 0 , 1) , (1 , 2 , 1)i = −1;
a13 = F (u1 , u3 ) = hu1 , u3 i = h(−2 , 0 , 1) , (0 , 1 , −2)i = −2;
a21 = F (u2 , u1 ) = hu2 , u1 i = h(1 , 2 , 1) , (−2 , 0 , 1)i = −1;
a22 = F (u2 , u2 ) = hu2 , u2 i = h(1 , 2 , 1) , (1 , 2 , 1)i = 6;
a23 = F (u2 , u3 ) = hu2 , u3 i = h(1 , 2 , 1) , (0 , 1 , −2)i = 0;
a31 = F (u3 , u1 ) = hu3 , u1 i = h(0 , 1 , −2) , (−2 , 0 , 1)i = −2;
a32 = F (u3 , u2 ) = hu3 , u2 i = h(0 , 1 , −2) , (1 , 2 , 1)i = 0;
a33 = F (u3 , u3 ) = hu3 , u3 i = h(0 , 1 , −2) , (0 , 1 , −2)i = 5.
Assim, a matriz A é dada por

 
5 −1 −2
 
A =  −1 6 0 .
−2 0 5
Observe que A é uma matriz simétrica.
b) Sejam a = (a1 , a2 ) e b = (b1 , b2 ) vetores com respeito à base

canônica. Seja A = (aij ) a matriz que representa a forma bilinear
F (u , v) = hu , ai · hv , bi com respeito à base canônica. Assim,
temos:
a11 = F (e1 , e1 ) = he1 , ai · he1 , bi = h(1 , 0) , (a1 , a2 )i · h(1 , 0) , (b1 , b2 )i = a1 b1 ;
a22 = F (e2 , e2 ) = he2 , ai · he2 , bi = h(0 , 1) , (a1 , a2 )i · h(0 , 1) , (b1 , b2 )i = a2 b2 .
Portanto,
Ã !
a1 b1 a1 b2
A= .
a2 b1 a2 b2
Observe que, em geral, a matriz A não é uma matriz simétrica.
115 CEDERJ
2. Como foi visto na Aula 26, temos:
a)
Ã !Ã !
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
= x21 + x22 + 3 x23 + x24 + 2 x1 x2 + 4 x1 x3 + 6 x2 x3 + 7 x1 x4 − 2 x2 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
= x21 + x22 − x23 + 2 x1 x2 − 3 x1 x3 + x2 x3
d)
Ã !Ã !
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 x21 + c22 x22 + · · · + c2n x2n + 2 c1 c2 x1 x2 + 2 c1 c3 x1 x3 + · · ·

· · · + 2 cn−1 cn xn−1 xn
   
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
3. a) Observando os coeficientes de q, vemos que a matriz A que repre-

senta q na base canônica é dada por
Ã !
0 1
A= .
1 0
Diagonalizar a forma quadrática q é equivalente a diagonalizar a

matriz simétrica A. Usando os procedimentos já conhecidos sobre
diagonalização de matrizes simétricas, os autovalores da matriz A
são λ1 = 1 e λ2 = −1. A matriz P será obtida a partir de uma
base ortonormal de autovetores de A. Efetuando os cálculos, o
que é um exercı́cio para você, obtemos
Ã ±√ !
1 2
u1 = ±√ autovetor associado ao autovalor λ1 = 1, e
1 2
Ã ±√ !
−1 2
u2 = ±√ autovetor associado ao autovalorλ2 = −1.
1 2
Ã ±√ ±√ !
1 2 −1 2
P = [u1 u2 ] = ±√ ±√ ,
1 2 1 2
que representa uma rotação de π/4 radianos, e a matriz diagonal

correspondente será
Ã !
1 0
D= ,
0 −1
onde D = P t A P . Observe que a forma diagonal de q é dada por

Ã !Ã !
1 0 x1
q(x1 , y1 ) = (x1 y1 )
0 −1 y1
= x21 − y12 .
b) Observando os coeficientes de q, vemos que a matriz A que repre-

senta q na base canônica é dada por
 
0 1 1
 
A =  1 0 1 .
1 1 0
Procedendo à diagonalização da matriz simétrica A, deixamos

os detalhes dos cálculos como um exercı́cio para você, obtemos
117 CEDERJ
os autovalores λ1 = −1, com multiplicidade algébrica 2, e λ2 = 2.

A matriz mudança de variável P será obtida a partir de uma base
ortonormal de autovetores de A. Efetuando os cálculos, obtemos
 ±√ 
1 6
 ±√ 
u1 =  −2 6  autovetor associado ao autovalor λ1 = −1;
±√
1 6
 ±√ 
1 2
 
u2 =  0  autovetor associado ao autovalorλ1 = −1;
±√
−1 2
 ±√ 
1 3
 ±√ 
u3 =  1 3  autovetor associado ao autovalorλ2 = 2.
±√
1 3
 ±√ ±√ ±√ 
1 6 1 2 1 3
 ±√ ±√ 
P = [u1 u2 u3 ] =  −2 6 0 1 3 
±√ ±√ ±√
1 6 −1 2 1 3
é uma matriz ortogonal e a matriz diagonal correspondente será

 
−1 0 0
 
D =  0 −1 0  ,
0 0 2
onde D = P t A P .
  
−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 .
Como P é uma matriz ortogonal e det(P ) = 1, então P é uma

rotação em R3 .
4. a) Como a forma quadrática q(x , y) = 2x2 + 5y 2 não contém ter-

mos em xy, a equação da cônica já está diagonalizada. Podemos
escrevê-la na forma
x2 y 2
+ = 1,
10 4
e, daı́, identificar a cônica como uma elipse de semi-eixos
√
10 e 2. Veja a Figura 31.1.
CEDERJ 118
x2 y2
Figura 31.1: A elipse 10
+ 4
= 1.
b) Como a equação x2 −16y 2 +8x+128y = 256 não contém termos em

xy, ela já se encontra diagonalizada, restando apenas completar os
quadrados em x e y:
(x2 + 8x) − 16(y 2 − 8y) = 256

(x + 4)2 − 16 − 16 [(y − 4)2 − 16] = 256
(x + 4)2 − 16(y − 4)2 = 16
(x + 4)2 (y − 4)2
− =1.
16 1
Efetuando a translação
(
x1 = x + 4
y1 = y − 4 ,
a equação que representa a cônica se transforma, no sistema de

coordenadas x1 y1 , em
x21 y12
− = 1.
16 1
Podemos identificar a hipérbole na Figura 31.2.
x21 y12
Figura 31.2: A hipérbole 16
− 1
= 1.
c) Reescrevendo a cônica 4x2 − 20xy + 25y 2 − 15x − 6y = 0 na forma

matricial, obtemos
vt A v + Bv = 0,
119 CEDERJ
onde Ã !
x
v= ∈ R2 ,
y
Ã !
4 −10
A= e
−10 25
B = (−15 − 6 ).
A matriz A é a matriz simétrica que representa a forma quadrática

q(x , y) = 4x2 − 20xy + 25y 2 com respeito à base canônica. Não
é difı́cil ver – os cálculos ficam para você – que os autovalores da
matriz A são λ1 = 0 e λ2 = 29, e os autovetores normalizados são
Ã ±√ !
5 29
u1 = ±√ autovetor associado ao autovalor λ1 = 0, e
2 29
Ã ±√ !
−2 29
u2 = ±√ autovetor associado ao autovalorλ2 = 29.
5 29

Ã ±√ ±√ !
5 29 −2 29
P = [u1 u2 ] = ±√ ±√
2 29 5 29
é a matriz ortogonal que diagonaliza a matriz A, e a matriz dia-
gonal correspondente será
Ã !
0 0
D= ,
0 29
com D = P t A P . Como det(P ) = 1, a matriz ortogonal P repre-
senta uma rotação em R2 .
Considerando
Ã ! Ã !
x x1
v= e v1 = ,
y y1
vt A v = (P v1 )t A (P v1 )
= vt1 (P t AP )v1
= vt1 D v1 ;Ã onde P t
! AP
Ã =! D
0 0 x1
= (x1 y1 )
0 29 y1
= 29y12 .
CEDERJ 120
A forma linear se transforma em
Bv = B(P v1 )
= BP v1 Ã ±√ ±√ ! Ã !
5 29 −2 29 x1
= (−15 − 6 ) ±√ ±√
2 29 5 29 y1
Ã !
√ 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 .
5. a) Reescrevendo a equação 2xy + 2xz + 2yz − 6x − 6y − 4z = −9 na

forma matricial, temos
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
A matriz A já foi diagonalizada no exercı́cio 3b. Encontramos:

 ±√ 
1 6
 ±√ 
u1 =  −2 6  autovetor associado ao autovalor λ1 = −1;
±√
1 6
 ±√ 
1 2
 
u2 =  0  autovetor associado ao autovalor λ1 = −1;
±√
−1 2
 ±√ 
1 3
 ±√ 
u3 =  1 3  autovetor associado ao autovalor λ2 = 2.
±√
1 3
 ±√ ±√ ±√ 
1 6 1 2 1 3
 ±√ ±√ 
P = [u1 u2 u3 ] =  −2 6 0 1 3 
±√ ±√ ±√
1 6 −1 2 1 3

 
−1 0 0
 
D =  0 −1 0 .
0 0 2

Observe que det(P ) = 1, logo P representa uma rotação em R3 .
Considerando
   
x x1
   
v =  y  e v1 =  y1  ,
z z1
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
Agora, substituindo v = P v1 em B v, obtemos
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
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
Deixamos para você, novamente, o exercı́cio de calcular os auto-

valores e os autovetores correspondentes da matriz A. Obtemos:
 
0
 
u1 =  0  autovetor associado ao autovalor λ1 = 0;
1
 ±√ 
1 2
 ±√ 
u2 =  1 2  autovetor associado ao autovalor λ2 = 1;
0
 ±√ 
−1 2
 ±√ 
u3 =  1 2  autovetor associado ao autovalor λ3 = −1.
0

 ±√ ±√ 
0 1 2 −1 2
 ±√ ±√ 
P = [u1 u2 u3 ] =  0 1 2 1 2 
1 0 0
 
0 0 0
 
D =  0 1 0 ,
0 0 −1
onde D = P t A P .
Observe que det(P ) = 1, logo P representa uma rotação em R3 ,
a saber, uma rotação de π/4 radianos em torno do eixo-z. Consi-
derando    
x x1
   
v =  y  e v1 =  y1  ,
z z1
vt A v = (P v1 )t A (P v1 )
= vt1 (P t AP )v1
= vt1 D v1 ; pois P t AP = D
  
0 0 0 x1
  
= (x1 y1 z1 )  0 1 0   y1 
0 0 −1 z1
= y12 − z12 .
CEDERJ 124
Agora, substituindo v = P v1 em B v, obtemos
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 .
vt A, v = y12 − z12 e Bv = x1 + 4y1 + 16z1
na equação vt A v + B v = − 9, obtemos
y12 − z12 + x1 + 4y1 + 16z1 = 31.
Completando os quadrados nas variáveis y1 e z1 , obtemos
(y12 + 4y1 ) − (z12 − 16z1 ) + x1 = 31
(y1 + 2)2 − 4 − (z1 − 8)2 + 64 + x1 = 31

e, por fim,
x1 + 29 = −(y1 + 2)2 + (z1 − 8)2 .
Agora, aplicando a translação



 x2 = x1 + 29
y2 = y1 + 2


z2 = z1 − 8 ,
obtemos
x2 = −y22 + z22 ,
que representa um parabolóide hiperbólico.
6. a) Queremos montar a matriz A = (aij ), onde aij = F (ui , uj ),

u1 = (1 , 0) e u2 = (1 , 1). Temos:
a11 = F (u1 , u1 ) = F ((1 , 0), (1 , 0)) = 2;
125 CEDERJ
a12 = F (u1 , u2 ) = F ((1 , 0), (1 , 1)) = −1;

a21 = F (u2 , u1 ) = F ((1 , 1), (1 , 0)) = 2;
a22 = F (u2 , u2 ) = F ((1 , 1), (1 , 1)) = 0.
Logo, Ã !
2 −1
A= .
2 0
b) Queremos montar a matriz B = (bij ), onde bij = F (vi , vj ), v1 =

(2 , 1) e v1 = (1 , −1). Temos:
b11 = F (v1 , v1 ) = F ((2 , 1), (2 , 1)) = 3;
b12 = F (v1 , v2 ) = F ((2 , 1), (1 , −1)) = 9;

b21 = F (v2 , v1 ) = F ((1 , −1), (2 , 1)) = 0;
b22 = F (v2 , v2 ) = F ((1 , −1), (1 , −1)) = 6.
Logo, Ã !
3 9
B= .
0 6
c) Expressando v1 e v2 em função de u1 e u2 (os detalhes ficam para

você), obtemos:
v 1 = 1 · u1 + 1 · u2 ;
v2 = 2 · u1 + (−1) · u2 ,
Ã ! Ã !
1 2 1 1
e, portanto, P = e Pt = ,
1 −1 2 −1
onde
Ã !Ã !Ã ! Ã !
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
Aula 32 – Um caso prático
Um modelo de crescimento populacional
Nesta última aula, vamos ilustrar como a teoria de autovalores e auto-

vetores de matrizes com coeficientes reais pode ser usada para analisar um
modelo de crescimento populacional.
Iniciaremos nossa discussão com a apresentação de um modelo simples
de crescimento populacional. Para isso, vamos supor que certas espécies têm
uma taxa de crescimento constante. Isso significa que a população cresce a
percentuais iguais em intervalos de tempos iguais.
Vamos considerar uma espécie em que cada indivı́duo de uma geração
produz r novos descendentes e, logo em seguida, morre. Assim, se pn denota
o número de indivı́duos da população da n-ésima geração, supondo que as
gerações se sucedem a intervalos de tempos iguais, temos que
pn = r pn−1 .
Por exemplo, se r = 2, temos: p0 é a população inicial da espécie;
p1 = 2 p0 ;
p2 = 2 p1 = 2 (2 p0 ) = 22 p0 ;
p3 = 2 p2 = 2 (22 p0 ) = 23 p0 .
De modo geral, temos pn = 2n p0 . E para r arbitrário, temos pn = rn p0 .

Esse modelo pode ser usado, por exemplo, para descrever a população de uma
certa bactéria, na qual, a cada perı́odo de tempo, cada bactéria se divide em
duas outras. Para esse modelo, a população cresce para o infinito se r > 1,
decresce para zero se 0 < r < 1 e permanece constante se r = 1.
Como você pode notar, esse modelo populacional é muito simples. Por
exemplo, para a maioria das espécies o número de descendentes depende
da idade dos pais. No caso da espécie humana, uma mulher com 50 anos de
idade tem mais dificuldade de ter filhos que uma de 20 anos. Estudaremos
um modelo que leva em consideração esse tipo de complexidade.
Vamos considerar uma certa espécie de pássaros em que o número de
127 CEDERJ
Um caso prático
machos é igual ao número de fêmeas. Assim, basta controlar o número de

fêmeas. Vamos supor, ainda, que o perı́odo de reprodução é de um ano e
que, após o nascimento de uma nova fêmea, ela só poderá se reproduzir após
um ano de vida. Antes de um ano ela será considerada uma fêmea jovem e
após um ano será considerada uma fêmea adulta. Podemos, então, denotar
por:
pj,n a população de fêmeas jovens após n anos (n perı́odos de re-
produção);
pa,n a população de fêmeas adultas após n anos.
Vamos também assumir que, a cada ano, uma fração α de fêmeas jovens
sobrevive e se torna fêmeas adultas, que cada fêmea adulta produz k novas
fêmeas jovens e que uma fração β de fêmeas adultas sobrevive.
A suposição de taxa de sobrevivência constante significa que a sobre-
vivência dos adultos independe da sua idade, o que nem sempre se aplica.
Com as suposições anteriores, podemos relacionar a população de fêmeas
jovens e adultas da seguinte forma:
(
pj,n = k pj,n−1
pa,n = α pj,n−1 + β pa,n−1 ,
o que nos dá um sistema linear de ordem 2. Em notação matricial, podemos
reescrevê-lo como
Pn = A Pn−1 ,
onde Ã ! Ã !
pj,n 0 k
Pn = e A= .
pa,n α β
Observe que
P1 = A P 0 ;
P2 = A P1 = A (A P0 ) = A2 P0 ;
P3 = A P2 = A (A2 P0 ) = A3 P0 ;
P4 = A P3 = A (A3 P0 ) = A4 P0 ,
e, assim, de um modo geral,
Pn = An P0 ,
onde Ã !
pj,0
P0 =
pa,0
é a matriz que representa a população inicial de fêmeas (jovens e adultas).
CEDERJ 128
Um caso prático
Exemplo 1
Vamos considerar o modelo descrito anteriormente durante um perı́odo de
20 anos com matriz A dada por
Ã !
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,
Ã !
0
P0 = .
10
Assim, após um ano, temos

Ã !Ã ! Ã !
0 2 0 20
P1 = A P 0 = = .
0, 3 0, 5 10 5
Como pj,1 = 20 e pa,1 = 5, a população total de fêmeas é de 25 in-

divı́duos após um ano e a razão entre fêmeas jovens e adultas é
pj,1 20
= = 4.
pa,1 5
Após o segundo ano, temos

Ã !Ã ! Ã !
0 2 20 10
P2 = A P1 = = .
0, 3 0, 5 5 8, 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
Procedendo dessa forma, obtemos a seguinte tabela de valores:
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
Retornando ao modelo geral, suponhamos que a matriz A tenha dois

autovalores reais distintos, λ1 e λ2 , com autovetores correspondentes v1 e v2 ,
respectivamente. Como v1 e v2 são linearmente independentes, eles formam
uma base de R2 e, portanto, podemos escrever
P0 = a1 v1 + a2 v2 , com a1 , a2 ∈ R.
Como Pn = An P0 , temos que

Pn = An P0
= An (a1 v1 + a2 v2 ) ,
e, portanto,
Pn = a1 An v1 + a2 An v2 .
Agora, como v1 é autovetor associado ao autovalor λ1 , temos
Av1 = λ1 v1 ;
A2 v1 = A(Av1 )
= A(λ1 v1 )
= λ1 (Av1 )
= λ1 (λ1 v1 )
= λ21 v1 ;
A3 v1 = λ31 v1 ;
CEDERJ 130
Um caso prático
e, de um modo geral, An v1 = λn1 v1 . Analogamente, An v2 = λn2 v2 . Portanto,

podemos reescrever a equação
Pn = a1 An v1 + a2 An v2
na forma
Pn = a1 λn1 v1 + a2 λn2 v2 .
Ã !
0 k
O polinômio caracterı́stico da matriz A = é dado por
α β

= x2 − βx − kα ,
cujas raı́zes são

1³ p ´
λ= β ± β 2 + 4αk .
2
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 .
Isso significa que, após um tempo grande, a população fica proporcional

a 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.
Assim, os autovalores são

1³ p ´
λ1 = 0, 5 + 2, 65 ≈ 1, 06
2
e
1³ p ´
λ2 = 0, 5 − 2, 65 ≈ − 0, 56.
2
Efetuando contas rotineiras que você pode conferir, obtemos os respec-
tivos autovetores:
Ã ! Ã !
1 1
v1 = e v2 = .
0, 53 − 0, 28
Observe, do autovetor v1 , que

1
≈ 1, 88,
0, 53
o que explica a razão pj,n /pa,n na quinta coluna da tabela do Exemplo 1.
No exemplo anterior, trabalhamos com precisão de duas casas deci-

mais nas aproximações numéricas. É claro que obteremos informações mais
precisas se usarmos um número maior de casas decimais.
Devemos, também, esclarecer algumas limitações desse modelo. As
taxas de nascimento e morte de uma população de pássaros variam de ano
para ano e, em particular, dependem do clima da região. Em nossa discussão,
assumimos um meio ambiente constante.
Muitos ecologistas também têm observado que as taxas de nascimento e
morte variam com o tamanho da população. Em particular, a população não
pode crescer mais depois de atingir um certo tamanho limite, pois incorre no
problema da falta de alimento. E, ainda, se a população crescesse indefini-
damente a uma taxa constante, ela iria superpovoar qualquer ecossistema.
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
20 anos. Em cada caso, calcule também a razão pj,n /pa,n . Considere

Ã !
0
P0 = , k = 3, α = 0, 4 e β = 0, 6.
12
Esperamos que você tenha apreciado os conhecimentos matemáticos

desenvolvidos neste curso. Eles são, realmente, de ampla aplicação prática.
Na medida em que você desenvolver outras ferramentas matemáticas, você
verá esses conceitos ressurgindo em muitos contextos diferentes. No mais,
nós, autores, desejamos a você toda a sorte e sucesso na sua caminhada pelo
maravilhoso mundo da Matemática.
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
Ã da projeção ortogonal com respeito à base canônica:
√ ± !
1/4 3 4
A= √ ± .
3 4 1/4
A diagonalização da matriz A é dada por

Ã √ ± !Ã !Ã √ ± !
1/2 − 3 2 1 0 1/2 3 2
A = P DP t = √ ± √ ± .
3 2 1/2 0 0 − 3 2 1/2
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
3. É dada pelo produto de matrizes

 ±√ ±√ ±√     ±√ ±√ 
1 2 −1 3 1 6 1 0 0 1 2 1 2 0
 ±√ ±√ ±√    ±√ ±√ ±√ 
 1 2 1 3 −1 6   0 1 0   −1 3 1 3 1 3  .
±√ ±√ ±√ ±√ ±√
0 1 3 2 6 0 0 1 1 6 −1 6 2 6
135 CEDERJ
Aula 22
1. Como At = A, temos
(A2 )t = (AA)t = At At = (At )2 = A2 ,
garantindo que A2 é uma matriz simétrica.
2. Sejam P matriz ortogonal (P −1 = P t ) e D matriz diagonal tais que

A = P DP t . Então
A2 = AA = (P DP t ) (P DP t ) = P D(P t P )DP t = P DIDP t = P D2 P t ,
mostrando que A2 também é diagonalizável por matriz ortogonal.
3. Como A é uma matriz simétrica, temos, pelo Teorema 3, que A é

diagonalizável por matriz ortogonal. Os autovalores de A são:
λ1 = 3 com multiplicidade algébrica2;

λ2 = −1 com multiplicidade algébrica2.
Uma base ortonormal para o auto-espaço V3 é dada por:

±√ ±√
u1 = (1 2, 1 2, 0, 0);
±√ ±√
u2 = (0, 0, 1 2, −1 2),
enquanto uma base para o auto-espaço V−1 é dada por:

±√ ±√
u3 = (1 2, −1 2, 0, 0);
±√ ±√
u4 = (0, 0, 1 2, 1 2).
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
Aula 23
Ã ±√ ±√ ! Ã !
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
2. Observe que λ = 5 é um autovalor de A, mas v = (−1, 1, 0) não é um

autovetor correspondente ao autovalor λ = 5. Temos:
 ±√ ±√ ±√   
1 3 −1 2 −1 6 5 0 0
 ±√ ±√ ±√   
P =  1 3 1 2 −1 6  ; D =  0 2 0 
±√ ±√
1 3 0 2 6 0 0 2
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
Como A é uma matriz simétrica, segue que o operador T é auto-adjunto.
2. A base pode ser β = {u1 , u2 , u3 }, dada por

±√ ±√ ±√ ±√ ±√ ±√
u1 = (−1 3, 1 3 , 1 3); u2 = (1 2, 1 2 , 0) e u3 = (−1 6,
±√ ±√
1 6 , −2 6) .
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
Assim, F é linear na primeira variável. De forma análoga, mostra-se que F

também é linear na segunda variável.
   
1 0 0 2 −1 2
   
2. a) A = I3 =  0 1 0  b) B =  −1 2 1 
0 0 1 2 1 5
Ã ! Ã ! Ã !
2 −1 3 9 1 2
3. a) A = b) B = c) P =
2 0 0 6 1 −1
Aula 28
1. z22 = x22 − y22 ; parabolóide hiperbólico.
2. x22 + y22 − 2z22 = −1; hiperbolóide de duas folhas.

x22 y22 z22
3. 4
+ 4
+ 2
= 1; elipsóide.
Aula 29
1. λ1 = 2 + i; v1 = (−1 + i , 1)
λ2 = 2 − i; v2 = (−1 − i , 1)
2. O polinômio caracterı́stico é p(x) = x2 − 2a x + b, cujas raı́zes são

λ1 = a + b i e λ2 = a − b i, com autovetores associados v1 = (1 , − i) e
v2 = (1 , i), respectivamente.
3. Basta observar que, se A é matriz real, então seu polinômio carac-

terı́stico p(x) tem coeficientes reais. Logo, se λ é uma raiz complexa de
p(x), então λ̄ também é raiz de p(x).
Aula 32
1. Os autovalores são λ1 ≈ 1, 44 e λ2 ≈ − 0, 836, com autovalores corres-
pondentes
Ã ! Ã !
2, 09 − 3, 57
v1 = e v2 = .
1 1
Valores:
Tabela 32.2
CEDERJ 138
Ano Fêmeas jovens Fêmeas adultas Total de fêmeas pj,n /pa,n

n pj,n pa,n Pj,n + pa,n
0 0 12 12 0
1 36 7 43 5,14
2 21 19 40 1,11
5 104 45 149 2,31
10 600 291 981 2,06
19 16,090 7,737 23,827 2,08
20 23,170 11,140 34,310 2,08
139 CEDERJ

Algebra Linear2 Aulas 19a32 Volume02

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Algebra Linear2 Aulas 19a32 Volume02

Enviado por

Direitos autorais:

Formatos disponíveis

Operadores ortogonais

Aula 19 – Operadores ortogonais

• Aplicar os conceitos apresentados em exemplos importantes.

Como [T ]α é uma matriz ortogonal por hipótese e como o produto de

O resultado anterior simplifica um problema crucial: para decidirmos se

T (x, y, z) = (x cos θ − y senθ, x senθ + y cos θ, z),

com θ ∈ [0, 2π), é um operador ortogonal.

e1 = (1, 0, 0), e2 = (0, 1, 0) e e3 = (0, 0, 1),

Sabemos que A é uma matriz ortogonal de R3 . Mais ainda, A é uma

O próximo teorema segue imediatamente do Teorema 2 da Aula 10.

1. T transforma bases ortonormais em bases ortonormais, ou seja, se

2. T preserva o produto interno, ou seja, para todo u, v ∈ Rn vale que

3. T preserva a norma, ou seja, para todo v ∈ Rn vale que

||T v|| = ||v||.

Sabemos também que a primeira matriz representa uma rotação de θ

a) Determine a transformação linear T : R2 → R2 que leva o segmento de

b) Mostre que a transformação acima é uma rotação. Determine, também,

Figura 19.1: O operador T .

a) Queremos encontrar escalares a, b, c, d ∈ R tais que a matriz que repre-

Da condição sobre as extremidades, temos

b) Como as colunas da matriz [T ], representadas pelos vetores

2. Determine os autovalores e os autovetores associados da transformação

Aula 20 – Projeções ortogonais – 1a Parte

• Aplicar os conceitos apresentados em exemplos importantes.

Figura 20.1: A projeção ortogonal no eixo-x.

Assim, temos a transformação linear

Denotando por {e1 , e2 } a base canônica de R2 , temos que

T (e1 ) = T (1, 0) = (1, 0) = 1 · e1 + 0 · e2

T (e2 ) = T (0, 1) = (0, 0) = 0 · e1 + 0 · e2 .

Portanto, a matriz que representa a transformação T na base canônica

Vemos imediatamente algumas propriedades dessa projeção ortogonal.

1. A matriz A e, portanto, o operador T , não é invertı́vel, pois det(A) = 0.

2. Como T (e2 ) = 0 · e2 , então λ2 = 0 é um autovalor de T com autovetor

3. Como T (e1 ) = 1 · e1 , então λ1 = 1 é um autovalor de T com autovetor

4. O operador T é diagonalizável e seu polinômio caracterı́stico é

Geometricamente, esta transformação é representada pela Figura 20.2.

Figura 20.2: A projeção ortogonal no eixo-y.

Como no Exemplo 1, temos que

T (e1 ) = T (1, 0) = (0, 0) = 0 · e1 + 0 · e2

T (e2 ) = T (0, 1) = (0, 1) = 0 · e1 + 1 · e2 .

Portanto, a matriz que representa a transformação T na base canônica

Como antes, vemos que:

1. A matriz A e, portanto, o operador T , não é invertı́vel, pois det(A) = 0.

2. Como T (e1 ) = 0 · e1 , então λ1 = 0 é um autovalor de T com autovetor

3. Como T (e2 ) = 1 · e2 , então λ2 = 1 é um autovalor de T com autovetor

4. O operador T é diagonalizável com polinômio caracterı́stico

Os exemplos 1 e 2 são muito simples, porém são muito importantes a sua

Figura 20.3: A reta L paralela ao vetor unitário u1 .

O efeito geométrico da projeção ortogonal sobre a reta L é observado

Figura 20.4: A projeção ortogonal na reta L.

A projeção ortogonal de um vetor v na direção do vetor u1 é dada por

de onde vemos que T é uma transformação linear. Para obter a fórmula

Figura 20.5: A projeção ortogonal de v na direção de u1

Assim, da ortogonalidade entre v − ku1 e u1 temos

o que nos dá

Nosso problema agora é encontrar a matriz que represente a trans-

Seja β = {u1 , u2 } uma base ortonormal de R2 onde u1 é um vetor

Figura 20.6: A base ortonormal β = {u1 , u2 }.

Nesse caso, como hu1 , u1 i = 1 e pela observação acima temos que T v =

Portanto, a matriz que representa a transformação T na base β é dada

onde P é a matriz mudança de base. Como P = [u1 u2 ], isto é, suas

1. As matrizes [T ]α e [T ]β e, portanto, o operador T , não são invertı́veis,

2. Como T (u2 ) = 0 · u2 , então λ2 = 0 é um autovalor de T com autovetor