Alg II Ect Livro Z Web

Álgebra Linear
Módulo 2
Autovalores e autovetores
Transformações lineares
Formas quádricas
Jossana Ferreira
Projeto Institucional
Edital nº 015/2010/CAPES/DED
Fomento ao uso de tecnologias de comunição e informação nos cursos de graduação
Jossana Ferreira
Módulo 2
Formas quádricas
Governo Federal
Presidenta da República
Dilma Vana Rousseff
Vice-Presidente da República
Michel Miguel Elias Temer Lulia
Ministro da Educação
Aloizio Mercadante Oliva
Reitora Comitê Gestor

Ângela Maria Paiva Cruz Presidente
Alexandre Augusto de Lara Menezes
Vice-Reitora
Maria de Fátima Freire Melo Ximenes Coordenação geral
Apuena Vieira Gomes
Secretária de Educação a Distância
Maria Carmem Freire Diógenes Rêgo Coordenadores
Apuena Vieira Gomes/CE
Secretária Adjunta de Educação a Distância Adir Luiz Ferreira/CE
Eugênia Maria Dantas Gleydson de Azevedo Ferreira Lima/SINFO
Marcos Aurélio Felipe/CE
Pró-Reitoria de Graduação
Maria Carmozi de Souza Gomes/PROGRAD
Alexandre Augusto de Lara Menezes
Rex Antonio da Costa de Medeiros/ECT
Secretaria de Educação a Distância (SEDIS)
FICHA TÉCNICA
Coordenador de Produção de Materiais Didáticos Revisora das Normas da ABNT Diagramadores
Marcos Aurélio Felipe Verônica Pinheiro da Silva Ana Paula Resende
Carolina Aires Mayer
Projeto Gráfico Revisora Técnica
Davi Jose di Giacomo Koshiyama
Ivana Lima Rosilene Alves de Paiva
Elizabeth da Silva Ferreira
Revisores de Estrutura e Linguagem Ilustradores Ivana Lima
Eugenio Tavares Borges Adauto Harley José Antonio Bezerra Junior
Janio Gustavo Barbosa Anderson Gomes do Nascimento Luciana Melo de Lacerda
Jeremias Alves de Araújo Carolina Costa de Oliveira Rafael Marques Garcia
Kaline Sampaio de Araújo Dickson de Oliveira Tavares
Luciane Almeida Mascarenhas de Andrade Leonardo dos Santos Feitoza
Thalyta Mabel Nobre Barbosa Roberto Luiz Batista de Lima
Rommel Figueiredo
Revisoras de Língua Portuguesa
Cristinara Ferreira dos Santos
Emanuelle Pereira de Lima Diniz
Janaina Tomaz Capistrano
Catalogação da publicação na fonte. Bibliotecária Verônica Pinheiro da Silva.
© Copyright 2005. Todos os direitos reservados a Editora da Universidade Federal do Rio Grande do Norte – EDUFRN.
Nenhuma parte deste material pode ser utilizada ou reproduzida sem a autorização expressa do Ministério da Educacão – MEC
Jossana Ferreira
Álgebra Linear
Módulo 2
Formas quádricas
Natal – RN
Abril/2012
Sumário
Apresentação Institucional 5
Aula 12 Autovalores e autovetores 7
Aula 13 Diagonalização de matrizes 21
Aula 14 Transformações lineares – definição 37
Aula 15 Transformações lineares e matrizes 57
Aula 16 Transformações lineares inversas 69
Aula 17 Transformações lineares e geometria do 2 83
Aula 18 Formas quádricas 101
Aula 19 Diagonalização de formas quádricas 115
Aula 20 Seções cônicas 125

Apresentação Institucional
A
Secretaria de Educação a Distância – SEDIS da Universidade Federal do Rio Grande
do Norte – UFRN, desde 2005, vem atuando como fomentadora, no âmbito local, das
Políticas Nacionais de Educação a Distância em parceira com a Secretaria de Educação
a Distância – SEED, o Ministério da Educação – MEC e a Universidade Aberta do Brasil –
UAB/CAPES. Duas linhas de atuação têm caracterizado o esforço em EaD desta instituição: a
primeira está voltada para a Formação Continuada de Professores do Ensino Básico, sendo
implementados cursos de licenciatura e pós-graduação lato e stricto sensu; a segunda volta-se
para a Formação de Gestores Públicos, através da oferta de bacharelados e especializações
em Administração Pública e Administração Pública Municipal.
Para dar suporte à oferta dos cursos de EaD, a Sedis tem disponibilizado um conjunto de
meios didáticos e pedagógicos, dentre os quais se destacam os materiais impressos que são
elaborados por disciplinas, utilizando linguagem e projeto gráfico para atender às necessidades
de um aluno que aprende a distância. O conteúdo é elaborado por profissionais qualificados e
que têm experiência relevante na área, com o apoio de uma equipe multidisciplinar. O material
impresso é a referência primária para o aluno, sendo indicadas outras mídias, como videoaulas,
livros, textos, filmes, videoconferências, materiais digitais e interativos e webconferências, que
possibilitam ampliar os conteúdos e a interação entre os sujeitos do processo de aprendizagem.
Assim, a UFRN através da SEDIS se integra o grupo de instituições que assumiram o
desafio de contribuir com a formação desse “capital” humano e incorporou a EaD como moda-
lidade capaz de superar as barreiras espaciais e políticas que tornaram cada vez mais seleto o
acesso à graduação e à pós-graduação no Brasil. No Rio Grande do Norte, a UFRN está presente
em polos presenciais de apoio localizados nas mais diferentes regiões, ofertando cursos de
graduação, aperfeiçoamento, especialização e mestrado, interiorizando e tornando o Ensino
Superior uma realidade que contribui para diminuir as diferenças regionais e o conhecimento
uma possibilidade concreta para o desenvolvimento local.
Nesse sentido, este material que você recebe é resultado de um investimento intelectual
e econômico assumido por diversas instituições que se comprometeram com a Educação e
com a reversão da seletividade do espaço quanto ao acesso e ao consumo do saber E REFLE-
TE O COMPROMISSO DA SEDIS/UFRN COM A EDUCAÇÃO A DISTÂNCIA como modalidade
estratégica para a melhoria dos indicadores educacionais no RN e no Brasil.
SECRETARIA DE EDUCAÇÃO A DISTÂNCIA

SEDIS/UFRN
5
Aula
12
Apresentação
Os autovalores e autovetores de uma matriz podem revelar muita informação a respeito
de sistemas e plantas que estejam por trás dessas matrizes. Esse recurso da Álgebra Linear é
bastante utilizado nas engenharias, física, química etc.
Objetivo
Calcular os autovalores e autovetores a partir de matrizes quadradas.
Aula 12 Álgebra Linear 9

Autovalor
Os autovalores de uma matriz também são chamados de valor próprio ou valor caracte-
rístico. Para entendermos sua definição, consideremos uma matriz A quadrada:
⎡ ⎤
a11 a12 · · · a1n
⎢ ⎥
⎢ a21 a22 · · · a2n ⎥
A=⎢ ⎢ ⎥
⎥
⎣ ⎦
an1 an2 · · · ann
⎡ ⎤
1
⎢ ⎥
⎢ ⎥
Ao multiplicarmos essa matriz A por um vetor v = ⎢ ⎥ não nulo, obtemos um outro
2
⎢ ⎥
⎣ ⎦
n
vetor também de dimensão n ×1. Por outro lado, se multiplicarmos o mesmo vetor v por uma
constante ¸, também obteremos como resultado um vetor de dimensão n×1:
A·v = vetor de dimensão n×1

¸·v = vetor de dimensão n×1
Será que existe algum valor para ¸ que torne esses dois resultados iguais? A.v = ¸.v ?
A resposta é sim. Esses valores são chamados de autovalores.
Portanto, autovalor é um número, real ou complexo, que de certa forma pode substituir
uma matriz quadrada, ou seja, ou autovalores podem representar essa matriz.
Observações
Só é possível obter autovalores e autovetores de matrizes quadradas.
O número de autovalores é definido pela ordem da matriz.

Exemplo 1

2 1 1
Se multiplicarmos a matriz A = pelo vetor 1 = temos:
1 2 1

2 1 1 3
A· 1 = · = . É notório que a constante que devemos multiplicar por v1 para
1 2 1 3
2 1 1 1 3
que a igualdade A.v = ¸.v seja satisfeita é ¸=3: λ = 3 : · =3· = .
1 2 1 1 3

2 1
Uma outra possibilidade é multiplicarmos a matriz A = pelo vetor
1 2
−1 2 1 −1 −1
v2 = . Assim, temos: A · 2 = · = logo, a constan-
1 1 2 1 1
te que devemos multiplicar por v 2 para que a igualdade A·v = ¸.v seja satisfeita é ¸=1:

2 1 −1 −1 −1
λ=1: · =1· = .
1 2 1 1 1
Encontrando os autovalores
No Exemplo 1, conseguimos identificar os autovalores da matriz A, porém, nem sempre
essa tarefa é possível de ser alcançada simplesmente analisando a matriz intuitivamente.
Para obtermos o procedimento a fim de encontrarmos os autovalores de uma matriz
quadrada, vamos partir da própria definição de autovalores:
Av =¸v
Vamos introduzir a matriz identidade sem alterar a igualdade:
Av =¸Iv
Vamos agora somar a ambos os lados da equação o termo –Av:
Av – v = ¸Iv – Av
0 = ¸Iv – Av
Colocando o vetor v em evidência: (¸I– A)v =0
Essa equação resulta em um sistema de equações com n equações e n incógnitas, onde

n é a ordem da matriz A. Note que o sistema é um sistema homogêneo, portanto, admite a
solução trivial (todas as variáveis iguais a zero). No sistema de equações, v é o vetor com as
incógnitas e a matriz (¸I–A) é a matriz dos coeficientes. Sabemos ainda que em um sistema
de equações, quando a matriz dos coeficientes apresenta determinante diferente de zero, isso
implica em um sistema possível determinado, ou seja, de única solução, e como esse sistema
12 Aula 12 Álgebra Linear

é homogêneo, se apresentar uma única solução, essa solução necessariamente será a trivial,
solução que não interessa, pois obteríamos qualquer valor para ¸. Para encontrarmos as
soluções não triviais dessa equação, devemos garantir que o determinante da matriz (¸I–A)
seja igual a zero: det(¸I–A)=0
Essa equação é chamada de equação característica.
Ao desenvolvermos a equação característica, nos deparamos com um polinômio em ¸,
chamado de polinômio característico.
¸n+c1¸n -1+c2¸n -2+ ... + cn -1¸+ cn
Exemplo 2

2 2
Encontre os autovalores da matriz A =
2 2
Fazendo det(¸I–A)=0

1 0 2 2
det λ − =0
0 1 2 2

λ − 2 −2
det =0
−2 λ − 2
(¸ – 2)2 – 4 = 0
¸2 – 4¸ = 0 →polinômio característico
¸(¸–4) = 0

λ1 = 0
autovalores de A
λ2 = 4

2 −4
Encontre os autovalores da matriz A =
−4 2

Autovetor
Quando partimos da definição Av =¸v encontramos os autovalores da matriz A, porém
quando substituímos o valor de ¸, a equação não é satisfeita para qualquer vetor v, apenas
para alguns vetores que são chamados de autovetores da matriz A.
Portanto, autovetor é o conjunto de vetores solução, não triviais, da equação Av =¸v
ou (¸I–A)v=0, para cada valor de ¸.
Exemplo 3

2 2
Encontre os autovetores da matriz A = .
2 2
Para encontrarmos os autovetores de uma matriz, antes precisamos conhecer seus autovalores,
como calculamos no Exemplo 2, sabemos que os autovalores de A são 0 e 4.
Então, vamos solucionar a equação (¸I–A)v=0 para ¸=0 e para ¸=4.
Para ¸=0 Para ¸=4
(λI − A)v = 0 (λI − A)v = 0

λ − 2 −2 x1 0 λ − 2 −2 x2 0
= =
−2 λ − 2 y1 0 −2 λ − 2 y2 0

0 − 2 −2 x1 0 4 − 2 −2 x2 0
= =
−2 0 − 2 y1 0 −2 4 − 2 y2 0

−2 −2 x1 0 2 −2 x2 0
= =
−2 −2 y1 0 −2 2 y2 0

−2x1 − 2y1 = 0 2x2 − 2y2 = 0
−2x1 − 2y1 = 0 −2x2 + 2y2 = 0
x1 = −y1 x 2 = y2

x1 −y1 −1 x2 y2 1
= = y1 = = y2
y1 y1 1 y2 y2 1
v 1 = (−1, 1) v 2 = (1, 1)

Autoespaço
Note que em toda situação obteremos um sistema possível indeterminado porque defi-
nimos no início que det(¸I–A)=0, o que caracteriza um sistema possível indeterminado ou
impossível, e como o sistema é sempre homogêneo, logo não pode ser impossível. Portanto,
sempre teremos infinitas soluções para os autovetores e, por essa razão, não dizemos que
apenas um determinado vetor é autovetor de uma matriz e sim todo espaço gerado por essa
base encontrada. Esse espaço solução para os autovalores possíveis é chamado de autoespaço
associado a um determinado autovalor.

2 −4
Encontre os autovetores da matriz A = .
−4 2
Observação:
O sistema tem soluções não triviais.
Se A é uma matriz triangular ou diagonal, então, os autovalores de A são os

elementos da diagonal principal.
Propriedades
Se v é um autovetor associado a um autovalor ¸ de A, então, kv também é

um autovetor de A associado ao mesmo autovalor.
Se ¸ é autovalor de A, então, ¸k é um autovalor de Ak.
Se ¸ é autovalor de A, então, ¸–1 é um autovalor de A–1.
Se ¸ é autovalor de A, então, k¸ é um autovalor de kA.
*k é um escalar.

Multiplicidade dos autovalores
Multiplicidade algébrica
A multiplicidade algébrica dos autovalores indica a quantidade de vezes que um determi-
nado autovalor aparece como solução do polinômio característico.
Multiplicidade geométrica
A multiplicidade geométrica dos autovalores indica a dimensão do autoespaço associado
a um determinado autovalor, ou seja, a quantidade de vetores na base do autoespaço.
Exemplo 4 ⎡ ⎤
0 0 1
⎢ ⎥
Encontre a multiplicidade algébrica e geométrica da matriz A = ⎣ 0 0 1 ⎦
Encontrando os autovalores de A: 0 0 1
det(λI − A) = 0
⎛ ⎞
λ 0 −1
⎜ ⎟
det ⎝ 0 λ −1 ⎠ = 0
0 0 λ−1
Escolhendo a terceira linha da matriz:
detM = m31 c31 + m32 c32 + m33 c33 = 0

detM = 0 · c31 + 0 · c32 + m33 c33 = 0

3+3 λ 0
detM = (λ − 1)(−1) =0
0 λ
2
(λ − 1)λ = 0
λ1 = 1 → M ult. Algébrica = 1

λ2 = 0
→ M ult. Algébrica = 2
λ3 = 0

Encontrando os autovetores de A:
Para ¸=1 Para ¸=0
(λI − A)v = 0 (λI − A)v = 0

⎛ ⎞⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎛ ⎞ ⎛ ⎞
λ 0 −1 x1 0 λ 0 −1 x2 0
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ 0 λ −1 ⎠ ⎝ y1 ⎠ = ⎝ 0 ⎠ ⎝ 0 λ −1 ⎠ ⎝ y2 ⎠ = ⎝ 0 ⎠
0 0 λ−1 z1 0 0 0 λ−1 z2 0
(λI − A)v = 0 (λI − A)v = 0

⎛ ⎞⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎛ ⎞ ⎛ ⎞
1 0 −1 x1 0 0 0 −1 x2 0
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ 0 1 −1 ⎠ ⎝ y1 ⎠ = ⎝ 0 ⎠ ⎝ 0 0 −1 ⎠ ⎝ y2 ⎠ = ⎝ 0 ⎠
0 0 0 z1 0 0 0 −1 z2 0

x1 − z 1 = 0 −z2 = 0
y 1 − z1 = 0 ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
x2 x2 1 0
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
x1 z1 1 ⎝ y2 ⎠ = ⎝ y2 ⎠ = x 2 ⎝ 0 ⎠ = y2 ⎝ 1 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ y 1 ⎠ = ⎝ z1 ⎠ = z 1 ⎝ 1 ⎠ z2 0 0 0
z1 z1 1 v 2 = (1, 0, 0), v 3 = (0, 1, 0)
v 1 = (1, 1, 1)
Multiplicidade geométrica de ¸=1 → 1 Multiplicidade geométrica de ¸=0 → 2
Encontre as multiplicidades algébricas e geométricas dos autovalores de

⎡ ⎤
0 0 1
⎢ ⎥
A = ⎣ 0 0 1 ⎦.
1 1 1

Desafio
1) Sabendo que o polinômio característico é p(¸)= ¸3 –¸2+2¸+4, encontre det(A).
2) Conhecendo os autovalores de A, então, conhecemos os autovalores de AT?
3) Uma matriz A é inversível se um dos seus autovalores for zero?
Resumo
O assunto de autovalores e autovetores é um dos mais usados da Álgebra

Linear e é importante que nesta aula você tenha aprendido como calculá-los,
assim como entender seu significado, pois esse conteúdo será amplamente
aplicado daqui em diante.
Autoavaliação
1 Encontre os autovalores e autovetores das seguintes matrizes.
⎡ ⎤
a) A= 4 0 1 1
⎢ ⎥
e) A=⎣ 1 1 0 ⎦
1 0 1
2 1
b) A=
⎡ ⎤
0 3
1 0 0
f) ⎢ ⎥
A=⎣ 0 0 0 ⎦
2 1
c) A= 0 0 0
2 3
⎡ ⎤
1 1 0 0 0 0
d) A= ⎢
⎢
⎥
⎥
1 −1 0 0 0 0
g) A=⎢
⎢
⎥
⎥
⎣ 0 0 0 0 ⎦
0 0 0 0

⎤ ⎡
−1 −2 −2
2 Encontre os autovalores e autovetores de A15, sendo A = ⎢
⎣ 1 2
⎥
1 ⎦.
−1 −1 0
3 Encontre uma matriz de ordem 4 onde seus autovalores sejam 1, 2, 3 e 4.
4 Encontre uma base para o autoespaço de:
⎡ ⎤
⎡ ⎤ 0 0 1 2
1 1 1 ⎢ ⎥
⎢ ⎥ ⎢ 1 0 0 0 ⎥
a) F =⎣ 0 0 0 ⎦ b) H=⎢
⎢
⎥
⎥
⎣ 1 0 0 0 ⎦
1 0 1
0 0 0 0

a b
5 Considere a matriz A = e responda:
c d
a) Que condição faz com que a matriz A tenha autovalores complexos?
b) Que condição faz com que os autovalores de A tenham multiplicidade algébrica diferente
de 1?
6 Se um dos autovalores de uma matriz B é zero, a matriz B é não singular?

Justifique.
7 Considere o polinômio característico de A, p(¸)= ¸(¸–2)(¸+1)3 (¸–4).
a) Qual o tamanho de A?
b) A é inversível?
Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre:
Bookman, 2001.
BOLDRINI, J. L. et al. Álgebra linear. 3. ed. São Paulo: Harper-Row, 1980.
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.

Anotações

Diagonalização de matrizes
Aula
13
Apresentação
S
abemos que muitos sistemas podem ser representados por matrizes e a manipulação
dessas matrizes implica em análise, melhorias e cálculos desses sistemas. Imagine que
essas matrizes, em determinados casos, não sejam simples de serem manipuladas,
então devemos encontrar matrizes o mais simples possível para representar esses sistemas e
assim ganhar em tempo de processamento e custo operacional. Uma das formas de obter essa
simplificação consiste em encontrarmos uma matriz diagonal que seja semelhante à original,
e a esse processo chamamos de diagonalização de matrizes.
Objetivos
1 Saber aplicar o processo de diagonalização de matrizes.
Diferenciar a diagonalização convencional da diagonaliza-

2 ção ortogonal.
3 Calcular a matriz que diagonaliza outra.

Definição
A diagonalização de matrizes consiste na obtenção de uma matriz diagonal que seja
equivalente à matriz original. O que motiva a obtenção dessa matriz equivalente diagonal
são as suas características. Por apresentar todos os elementos fora da diagonal principal
diferentes de zero, isso implica, matematicamente, em uma redução significativa no custo de
processamento dessa matriz.
Matrizes equivalentes
Para entender melhor como a matriz diagonal pode ser semelhante a uma matriz qualquer
quadrada, vejamos a seguir o que é preservado em matrizes semelhantes.
Considere duas matrizes A e B que sejam semelhantes:
As características (postos) são iguais.
As nulidades são iguais.
Os polinômios característicos são iguais.
Os determinantes são iguais.
Os traços são iguais.
Os autovalores são iguais.
Os autovetores são correspondentes.
Com esses pontos iguais, então podemos afirmar que duas matrizes são semelhantes.
O desafio consiste então em encontrar uma matriz diagonal que preserve todos esses itens
da matriz original.
Por definição, dizemos que duas matrizes A e B são semelhantes se existir uma matriz
P, inversível, tal que:
B = P–1AP

Então, se encontrarmos a matriz P, estamos encontrando a matriz que diagonaliza A, e
B será uma matriz diagonal.
Matriz diagonal
Se B é uma matriz diagonal semelhante à A e os autovalores são preservados quando
as matrizes são semelhantes, então a única possibilidade de B ter os mesmos autovalores de
A é se os elementos da diagonal de B forem os próprios autovalores de A:
B = D = P –1AP
⎡ ⎤
λ1 0 0 · · · 0
⎢ ⎥
⎢ 0 λ2 0 · · · 0 ⎥
⎢ ⎥
⎢ 0 0 λ3 · · · 0 ⎥
D=⎢ ⎥
⎢ ⎥
⎢ ⎥
⎣ ⎦
0 0 0 · · · λn
Se quisermos apenas saber qual a matriz diagonal equivalente, então basta encontrar-
mos os autovalores da matriz A, porém, muitos problemas requerem encontrar a matriz que
diagonaliza A, uma vez que essa simplificação na matriz de trabalho implica em uma mudança
de coordenadas e é muito provável que todos os dados envolvidos com o sistema original
necessitem migrar para esse novo sistema de coordenadas.
Matriz que diagonaliza a matriz A

Para encontrarmos a matriz que diagonaliza A, devemos encontrar os autovetores da
matriz A, uma vez conhecidos os autovetores v1, v2, v3,..., vn, basta montar a matriz P com os
autovetores por coluna:
P = [v 1 |v 2 |v 3 | · · · |v n ]
A única ressalva é que os autovetores sejam linearmente independentes (LI), pois P deve
ser inversível. Portanto, se os autovetores forem LI e a quantidade de autovetores for igual à
ordem da matriz A, então dizemos que A é diagonalizável.

Exemplo 1 ⎡⎤
1 0 0
Encontre a matriz que diagonaliza A = ⎢ ⎥
⎣ 2 0 0 ⎦
0 0 1
Resolução:
Encontrando os autovalores:

λ1 = λ2 = 1
det(λI− ) = 0 A=
λ3 = 0
Encontrando os autovetores:
λ=1 λ=1
(λI − A)X = 0 (λI − A)X = 0
⎡ ⎤⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤
1−1 0 0 x1 0 0−1 0 0 x1 0
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣ −2 1 0 ⎦ ⎣ x2 ⎦ = ⎣ 0 ⎦ ⎣ −2 0 0 ⎦ ⎣ x2 ⎦ = ⎣ 0 ⎦
0 0 1−1 x3 0 0 0 0−1 x3 0

{−2x1 + x2 = 0 −x1 = 0
⎛ ⎞ ⎛ ⎞
1 0 −x3 = 0
⎜ ⎟ ⎜ ⎟ ⎛ ⎞
v1 = ⎝ 2 ⎠ , v2 = ⎝ 0 ⎠ 0
0 1 ⎜ ⎟
v3 = ⎝ 1 ⎠
0
Verificando se os autovetores são LI:
k1 v 1 + k2 v 2 + k3 v 3 = 0
k1 (1, 2, 0) + k2 (0, 0, 1) + k3 (0, 1, 0) = 0
⎧
⎪
⎨ k1 = 0
2k1 + k3 = 0
⎪
⎩
k3 = 0
k1 = k2 = k3 = 0
Como todas as constantes são iguais a zero, então o conjunto é LI.

Montando a matriz P:
P = [ v1 v2 v3 ]

1 0 0
P = 2 0 1
0 1 0

1 0 0
−1
P = 0 0 1
−2 1 0
Verificando:
D = P-1AP
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 1 0 0 1 0 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
D =⎣ 0 0 1 ⎦·⎣ 2 0 0 ⎦·⎣ 2 0 1 ⎦
−2 1 0 0 0 1 0 1 0
⎡ ⎤ ⎡ ⎤
1 0 0 1 0 0
⎢ ⎥ ⎢ ⎥
D =⎣ 0 0 1 ⎦·⎣ 2 0 1 ⎦
0 0 0 0 1 0
⎡ ⎤
1 0 0
⎢ ⎥
D=⎣ 0 1 0 ⎦
0 0 0
Matriz diagonal formada a partir dos autovalores de A.
1
⎡ ⎤
2 0 1
⎢ ⎥
Encontre a matriz que diagonaliza A=⎣ 1 0 1 ⎦
0 0 1
Potenciação de matrizes
A diagonalização de matrizes permite-nos calcular potências de matrizes. Sabendo que
D = P–1AP, ao multiplicarmos a matriz diagonal por ela mesma, teremos:
D·D = (P–1AP)·(P–1AP)
Eliminando os parênteses, temos:
D 2 = P–1A /AP = P–1A2P
Multiplicando a expressão pela esquerda por P e pela direita por P –1, temos:

PD 2P –1 = A2
Se multiplicarmos novamente por D, chegaremos à conclusão que:
Ak = PDkP–1
Onde k é qualquer expoente inteiro.
Dessa forma, se conhecemos a matriz diagonal e a matriz que diagonaliza A, podemos calcular
qualquer potência de A.
Exemplo 2

0 0
Calcule A15, onde A =
1 1
Resolução:
Sabemos que A15 = PD15P –1 , então devemos encontrar D e P.

λ1 = 1
det(λI− ) = 0
λ2 = 0
λ1 = 1 λ2 = 0
(λI − A)X = 0 (λI − A)X = 0

1 0 x1 0 0 0 x1 0
= =
−1 1 − 1 x2 0 −1 0 − 1 x2 0

x1 = 0 −x1 − x2 = 0

0 1
v1 = v2 =
1 −1

Como não são múltiplos um do outro, então são LI.

1 0 115 0 1 0
Matriz diagonal: D = , D15 = =
0 0 0 0 0 0

0 1 1 1
Matriz que diagonaliza A: P = , P −1 =
1 −1 1 0

Logo,

15 15 −1 0 1 1 0 1 1 0 0
A =P P = · · =
1 −1 0 0 1 0 1 1

1 −1
Calcule A15, onde A = .
1 1
Diagonalização ortogonal
de matrizes
Uma particularidade no caso da diagonalização de matrizes é quando a matriz que dia-
gonaliza A é uma matriz ortogonal:
P t = P –1
Ou seja, os vetores que representam as linhas e as colunas de P são ortonormais entre si.
A diagonalização ortogonal permite que a transição de um sistema de coordenadas para
outro ocorra sem perda de proporções, fato que comprovaremos ao estudarmos as cônicas.
Portanto, se houver uma matriz P, tal que D = P–1AP = P tAP, então dizemos que A é
ortogonalmente diagonalizável.
Para saber se A pode ser diagonalizada ortogonalmente, devemos observar se A é uma
matriz simétrica, caso contrário, já podemos descartar a possibilidade. Então:
Se At = A (simétrica), A é diagonalizável ortogonalmente.
O processo de obtenção da matriz que diagonaliza A ortogonalmente é inicialmente o
mesmo do processo de diagonalização convencional, porém quando encontramos os autove-
tores LI, estes devem ser ortonormais e, para isso, aplicamos o processo de Gram-Schmidt e
depois normalizamos os vetores para só então montarmos a matriz P.
As etapas para a diagonalização ortogonal são:
1) Encontrar os autovetores.
2) Se os vetores forem LI, aplicar o processo de ortogonalização de Gram-Schmidt.
3) Normalizar os vetores.

Exemplo 3 ⎡ ⎤
1 0 1
⎢ ⎥
Encontre a matriz que diagonaliza A = ⎣ 0 0 0 ⎦ ortogonalmente.
1 0 1
Resolução:

λ1 = 2
det(λI− ) = 0
λ2 = λ3 = 0
λ1 = 2 λ2 = 0
(λI − A)X = 0 (λI − A)X = 0
⎡ ⎤⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤
2 − 1 0 −1 x1 0 0 − 1 0 −1 x1 0
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣ 0 2 0 ⎦ ⎣ x2 ⎦ = ⎣ 0 ⎦ ⎣ 0 0 0 ⎦ ⎣ x2 ⎦ = ⎣ 0 ⎦
−1 0 2 − 1 x3 0 −1 0 0 − 1 x3 0
⎧
⎪
⎨ x1 − x3 = 0 x1 = −x3
{x1 = x3 −x1 − x3 = 0
x2 = 0 x2
⎪
⎩
−x1 + x3 = 0 ⎛ ⎞ ⎛ ⎞
⎛ ⎞ −1 0
1 ⎜ ⎟ ⎜ ⎟
v2 = ⎝ 0 ⎠ , v3 = ⎝ 1 ⎠
⎜ ⎟
v1 = ⎝ 0 ⎠ 1 0
1

k1 v 1 + k2 v 2 + k3 v 3 = 0
k1 (1, 0, 1) + k2 (−1, 0, 1) + k3 (0, 1, 0) = 0
⎧
⎪
⎨ k1 − k3 = 0
k2 = 0
⎪
⎩
k1 + k3 = 0
k1 = k2 = k3 = 0
Como todas as constantes são iguais a zero, então o conjunto é LI.

Analisando se os vetores são ortogonais:
<(1,0,1),(–1,0,1)> = 0
<(1,0,1),(0,1,0)> = 0
<(–1,0,1),(0,1,0)> = 0

Não será necessário utilizar o processo de ortogonalização de Gram-Schmidt, pois os vetores
já são ortogonais, é necessário então apenas normalizá-los:
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 −1 0
⎜ √ ⎟ ⎜ √ ⎟
2 2 ⎜ ⎟
v1 (1, 0, 1) ⎜ ⎟ v2 (−1, 0, 1) ⎜ ⎟ v3 = ⎝ 1 ⎠
v1 = = √ =⎜
⎜ 0 ⎟
⎟ v2 = = √ =⎜
⎜ 0 ⎟
⎟
v 1 2 ⎝ 1 ⎠ v 2 2 ⎝ 1 ⎠ 0
√ √
2 2
Montando a matriz P:
[ v 1 v 2 v 3 ] ⎤ P −1 = P
P =⎡ ⎡
t
⎤
√1 √−1
0 √1 0 √1
⎢ 2 2 ⎥ ⎢ 2 2 ⎥
P =⎢
⎣ 0 0 1 ⎥ P −1 = ⎢ √
⎦ ⎣ 2
−1
0 √1 ⎥
⎦
2
√1 √1 0
2 2 0 1 0
⎡ ⎤
0 0 1
Encontre a matriz que diagonaliza A = ⎢ ⎥
⎣ 0 2 0 ⎦ ortogonalmente.
1 0 0
Desafio
⎡ ⎤
0 0 0 0
⎢ ⎥
⎢ 0 0 0 0 ⎥
1) A matriz N = ⎢ ⎥ pode ser diagonalizada? E diagonalizada ortogonalmente?
⎢ 0 0 0 0 ⎥
⎣ ⎦
0 0 0 0
2) Se A é uma matriz quadrada de ordem 3, a qual possui dois autovalores distintos, onde
cada autoespaço é unidimensional. A é diagonalizável? Justifique.

r s
3) Prove que A não é diagonalizável se s≠0. A =
0 r

Resumo
Nesta aula, você aprendeu como obter uma matriz diagonal equivalente a
uma matriz qualquer, assim como obter a diagonalização ortogonal. Viu ainda
como identificar quais os requisitos para que determinada matriz possa ser
diagonalizada e diagonalizada ortogonalmente.
Autoavaliação
Determine se a matriz A é diagonalizável. Em caso afirmativo, encontre a matriz
1 que diagonaliza A.
⎡ ⎤ ⎡ ⎤
0 0 1 0 0 0 1
2 1 ⎢ ⎥
a) A= c) A=⎣ 0 0 1 ⎦ ⎢ ⎥
0 1 ⎢ 0 0 0 1 ⎥
1 1 1 e) A=⎢
⎢
⎥
⎥
⎣ 1 1 1 1 ⎦
⎡ ⎤ ⎡ ⎤ 0 0 0 1
3 0 0 2 0 2
⎢ ⎥ ⎢ ⎥
b) A=⎣ 1 3 0 ⎦ d) A=⎣ 0 0 0 ⎦
0 1 3 2 0 2
Determine se a matriz A é diagonalizável ortogonalmente. Em caso afirmativo,

2 encontre a matriz que diagonaliza A ortogonalmente.
⎡ ⎤ ⎡ ⎤
0 0 1
2 1 ⎢ ⎥ 0 0 0 1
a) A= c) A=⎣ 0 0 1 ⎦ ⎢ ⎥
0 1 ⎢ 0 0 0 1 ⎥
1 1 1 e) A=⎢
⎢
⎥
⎥
⎣ 1 1 1 1 ⎦
⎡ ⎤ ⎡ ⎤ 0 0 0 1
3 0 0 2 0 2
⎢ ⎥ ⎢ ⎥
b) A=⎣ 1 3 0 ⎦ d) A=⎣ 0 0 0 ⎦
0 1 3 2 0 2

⎡ ⎤
0 2 2
3 ⎢ ⎥
Calcule A21. A = ⎣ 0 0 1 ⎦
0 1 0
4 Para que valores de x a matriz B é diagonalizável? E ortogonalmente diagonalizável?

1 1
B=
0 x
Referências
Bookman, 2001.
Anotações

Anotações

Anotações

Transformações
lineares – definição
Aula
14
Apresentação
No estudo de espaços vetoriais é comum que espaços distintos se relacionem entre
si e essa interação ocorre através de funções que, em se tratando de espaços vetoriais, são
chamadas de transformações lineares.
Objetivos
1 Reconhecer os espaços evolvidos na transformação linear.
2 Calcular núcleo e imagem de transformações lineares.
Encontrar vetores de espaços distintos que estão relacio-

3 nados através da transformação linear.

Definição
Transformação linear é um tipo particular de função entre dois espaços vetoriais que
preservam a adição vetorial e a multiplicação por escalar. Também pode ser chamada de
aplicação linear ou mapa linear.
Considerando funções da forma w =F(x), onde a variável independente x é um vetor em
V (espaço domínio) e a variável dependente w é um vetor em W (espaço imagem), tem-se
que a função é dita uma transformação linear F: V →W se satisfizer as seguintes condições:
i) F(x1 + x2) = F(x1)+ F(x2)
ii) F(k·x1) = k·F(x1)
onde
x1 e x2= elementos quaisquer de V e k = constante.
Notação: Uma transformação T de um espaço vetorial V em um espaço vetorial W será

denotada por
T :V →W,
onde T(v)=w,
sendo v um elemento de V e w um elemento de W. A Figura 1 mostra os espaços vetoriais V

e W relacionados através da transformação linear T.
T:V →W
o Domín o Image
paç io paç m
Es Es
Espaço Espaço
vetorial vetorial
V T(V1 ) =W1 W
V1 W1
T(V2 ) =W2
V2 W2
T(Vn ) =Wn
Vn Wn
Figura 1 – Transformação linear de V em W

Exemplo 1
Explique se T: →, T(x)= 8x é uma transformação linear.
Resolução:
Para que T(x)= 8x seja uma transformação linear T: →, é necessário que sejam satisfeitas
as duas condições:
i) T(x1 + x2) = T(x1) + T(x2)

T(x1) = 8x1
T(x2) = 8x2
T(x1)+ T(x2) = 8x1+8x2 = 8(x1 + x2)
T(x1 + x2) = 8(x1 + x2)
Como T(x1 + x2) = T(x1)+ T(x2), primeira condição satisfeita.
ii) T(k·x1) = k.T(x1)

T(k·x1)=8(k·x1)= k.8(x1)
k ·T(x1)= k·8(x1)
Satisfaz também a segunda condição T(k·x1) = k.T(x1). Logo, a transformação é uma

transformação linear.
Exemplo 2
Explique se T: 4→2, T(x,y,z,w)=(x+y+1,z–w), é uma transformação linear.
Resolução:
Para que a transformação seja uma transformação linear, é necessário que sejam satisfeitas
as duas condições:
i) T(u + v) = T(u)+ T(v),
onde u =(u1,u2,u3,u4), v =(v1,v2,v3,v4)
T(u)=(u1 + u2 + 1, u3–u4)
T(v)=(v1 + v2 + 1,v3– v4)
T(u)+ T(v) = (u1+v1+u2+v2+1+1, u3+v3–u4 – v4)= (u1+v1+u2+v2+2, u3+v3–u4–v4)
T(u + v) =(u1+v1+u2+v2+1, u3+v3–u4–v4)
Como T(u + v) ≠T(u)+ T(v), a primeira condição não foi satisfeita. Logo, a transformação
não é linear.

Em toda transformação linear T:V→W, tem-se que T(0)=0.
Essa característica da transformação linear pode ser usada para provar que
uma determinada transformação não é linear, caso T(0) seja diferente de zero.
Mas quando a transformação T(0) é nula, sem que seja feita nenhuma outra
avaliação, não é possível afirmar que a transformação é linear.
Avaliando os exemplos anteriores, tem-se que:
Exemplo 1
T: →, T(x) = 8x (é uma transformação linear)
T(0)=8·0=0
Exemplo 2
T: 4→2, T(x,y,z,w)=(x+y+1,z–w) (não é uma transformação linear)
T(0,0,0,0)=(0+0+1,0-0)=(1,0,0)
No exemplo 1, verificamos que a transformação é linear, logo, T(0)=0. Já no exemplo 2, foi

verificado que a transformação não é linear, T(0)≠0.
Explique se as transformações são lineares.
a) T: 2→3, T(x,y)=(3x,–2y, x–y)
b) T: →, T(x)= 3x2

Princípio da superposição
O princípio da superposição nos permite “separar” transformações lineares de somas de
vetores, assim como deslocar constantes para fora da transformação, isso faz com que usemos
parcelas mais simples de serem resolvidas. Na realidade, aplicaremos as características de
adição e multiplicação por escalar das transformações lineares.
T:V→W é uma transformação linear, {v1,v2,...,vn } é base de V e ¸1, ¸2,..., ¸n pertencem a , então:
T(¸1v1+¸2v2+...¸nvn)= ¸1T(v1)+ ¸2T(v2)+...+ ¸nT(vn)
O princípio da superposição possibilita encontrarmos as expressões das transformações

a partir de pares de vetores relacionados por essa transformação linear.
Exemplo 3
Seja T: 3→2 uma transformação linear e B={v1,v2,v3} uma base do 3, onde v1=(0,1,0),
v 2=(1,0,1) e v 3=(1,1,0); determine T(v), sabendo que v =(5,3,–2), T(v 1)=(1,–2),
T(v2)=(3,1) e T(v3)=(0,2).
Resolução:
O vetor v pode ser escrito como combinação linear dos elementos da base B, consi-
dere ¸ constantes:
V=¸1v1+¸2v2+¸3v3
v =¸1(0,1,0)+¸2(1,0,1)+¸3(1,1,0)
v=(¸2+¸3, ¸1+¸3, ¸2)
(5,3,–2)= (¸2+¸3, ¸1+¸3, ¸2)
¸2+¸3=5
¸1+¸3=3
¸2=–2
Logo,
¸1= –4
¸2= –2
¸3= 7
Assim,
v =¸1v1+¸2v2+¸3v3
v= –4 v1–2v2+7v3

Aplicando a transformação em ambos os lados da equação, temos:
T(v)=T(–4v1–2v2+7v3)
Usando agora o princípio da superposição podemos separar as somas e colocar as constantes

para fora da transformação:
T(v)=–4T(v1)–2T(v2)+7T(v3)
T(v)=–4(1,–2)–2(3,1)+7(0,2)
T(V)=(–10,20)
Dessa forma, encontramos

T(v)=T(5,3,–2)=(–10,20).
Exemplo 4
Encontre, caso exista, T: 2→3 tal que T(1,1)=(3,–2,1) e T(0,–2)=(0,1,0).
Resolução:
A primeira coisa a ser verificada é se {(1,1),(0,-2)} é a base do 2. Como é base, então a
transformação existe.
Nesse exercício, queremos encontrar agora a regra da transformação linear, a equação que
nos permite achar a transformação de qualquer vetor do domínio.
O passo seguinte é considerar um vetor genérico do espaço domínio v=(x,y) e escrevê-lo
como combinação linear dos elementos da base:
v =(x,y)=¸1(1,1)+¸2(0,–2)
¸1=x
¸1–2¸2=y
Logo,
λ1 = x
x−y
λ2 =
2
Depois que encontramos os pesos, escrevemos o vetor v como combinação linear dos vetores
da base com os respectivos pesos ¸1 e ¸2:
(x, y) = λ1 (1, 1) + λ2 (0, −2)

x−y
(x, y) = x(1, 1) + (0, −2)
2
Aplicamos então a transformação em ambos os lados da equação:

x−y
T (x, y) = T x(1, 1) + (0, −2)
2
Usando o teorema da superposição, temos:
x−y
T (x, y) = x · T (1, 1) + · T (0, −2)
2
x−y
T (x, y) = x(3, −2, 1) + (0, 1, 0)
2

x−y
T (x, y) = 3x, −2x + ,x
2

−3x − y
T (x, y) = 3x, ,x
2
Logo, encontramos a transformação linear.
Conferindo:
Se a regra está correta, as transformações fornecidas no enunciado da questão devem valer
para a regra:
T (1, 1) = (3, −2, 1)

T (0, −2) = (0, 1, 0)

(−3) · 1 − 1
T (1, 1) = 3 · 1, , 1 = (3, −2, 1)
2

(−0) · 1 − (−2)
T (0, −2) = 3 · 0, , 0 = (0, 1, 0)
2
Logo, a transformação está correta.
Encontre, caso exista, T: 3→3 tal que

T(0,1,1)=(1,–1,1), T(1,0,0)=(1,1,0) e T(–1,0,1)=(–1,0,0).

Núcleo
De uma maneira simples, o núcleo da transformação linear corresponde ao conjunto de
todos os elementos do espaço domínio que, quando aplicados na transformação, o resultado
é o vetor nulo do espaço imagem.
Considerando a transformação linear T:V→W, chamamos de núcleo da transformação
linear todos os vetores de V tal que T(v)=0. O núcleo é também chamado de Kernel de uma
transformação linear.
N(T)=Ker(T)={v ∈V; T(v)=0}
A Figura 2 mostra a relação dos espaços com o núcleo da transformação.
T:V →W
Espaço V ço
Espa W
V3 W3
V2
N(T)
V4
0
V1 W1
V5 W5
Vn Wn
Figura 2 – Núcleo de uma transformação linear
Note que o núcleo da transformação está contido em V, N(T) ⊂ V, e N(T) ≠ ∅, pois

0 ∈ N(T), uma vez que a transformação é linear e T(0)=0.

Propriedades do núcleo
Seja T:V→W uma transformação linear, então N(T) é um subespaço vetorial de V.
Para provarmos, considere que v1 e v2 ∈ N(T), logo:
T(v1)=0
T(v2)=0
Para o subconjunto ser um subespaço, devemos verificar três pontos:
I) Deve conter o elemento nulo do espaço:
Como T(0)=0, então o núcleo contém o elemento nulo do espaço.
II) Adição:
T(v1+v2) = T(v1)+T(v2) = 0+0 = 0
logo, v1 +v2 ∈ N(T)
III) Multiplicação por escalar:
Seja ¸ ∈ , então
T(¸v1) = ¸T(v1) = ¸· 0 = 0
∴ ¸·v1 ∈ N(T)

Imagem
A imagem de uma transformação linear consiste no subconjunto do espaço imagem que
contém os vetores resultantes da aplicação das transformações lineares quando inserimos os
elementos do domínio.
Seja T:V→W, chamamos de imagem de uma transformação linear o conjunto de vetores
w ∈ W que são imagens de pelo menos um vetor v ∈ V.
Im(T)= {w ∈ W; T(v)=w, para algum v ∈ V }
A Figura 3 mostra a relação da imagem com os espaços vetoriais envolvidos.
T:V →W
Espaço V ço
Espa W
V3
W3
V2
W2
V4 Im(T)
W4
W1
V1 W5
V5 Wn
Vn
Figura 3 – Imagem de uma transformação linear
Note que a imagem da transformação está contida em W, Im(T) ⊂ W, e Im(T) ≠ ∅,

pois T(0) = 0 e o vetor nulo pertencem e imagem de T, 0 ∈ Im(T).
Teorema
Sejam U e V espaços vetoriais de dimensão finita e T:U→V uma transforma-

ção linear, tem-se:
dim(U) = dim(N(T)) + dim(Im(T))

Exemplo 5
Encontre o núcleo e a imagem da transformação T(x,y)=(x+y,x).
Resolução:
Núcleo
Sabemos que para o núcleo T(x,y)=0, logo
T (x, y) = (x + y, x) = (0, 0)

x+y = 0
x = 0
x=y=0
Portanto, N(T)={(0,0)}
Imagem
Para encontrar a imagem, vamos escrever a transformação em coluna:

x+y
T (x, y) = (x + y, x) =
x
Como aparecem duas incógnitas, x e y, então separaremos em dois vetores, um para

cada variável.

1 1
T (x, y) = x +y
1 0
Os vetores que aparecem são os que formam a base da imagem, desde que sejam linearmente
independentes (LI).
Como (1,1) e (1,0) são LI, então:
Im(T)={(1,1),(1,0)}
*Se os vetores não fossem LI, teríamos que retirar um vetor e verificar se o conjunto rema-
nescente seria LI. Caso afirmativo, teríamos a base da imagem e, caso fossem LD, teríamos
que retirar mais um vetor e fazer a verificação quantas vezes forem necessárias.

Exemplo 6
Encontre o núcleo e a dimensão da imagem da transformação linear T:3→3, onde
T(x,y,z)=(x–y+2z , 2x+y–z , 3x+z).
Resolução:
Encontrando o núcleo:
Sabemos que para o núcleo T(x,y,z)=0
(x − y + 2z, 2x + y − z, 3x + z) = 0
⎧ ⎧
⎪
⎨ x − y + 2z = 0 ⎪
⎨ x
2x + y − z = 0 z = −3x
⎪
⎩ 3x + z ⎪
⎩ y
= 0 = −5x
(x, y, z) = x(1, −5, −3)
N (T ) = (1, −5, −3)
Como o núcleo da transformação tem apenas um vetor na base, então

dim(N(T)) = 1.
Usando o teorema das dimensões:
dim(3) = dim(N(T)) + dim(Im(T))
3 = 1 + dim(Im(T))
dim(Im(T)) = 2.
Encontre o núcleo, a imagem, a dimensão do núcleo e a dimensão da imagem

da transformação linear T:3→2, onde T(x,y,z)=(x–y+z, –x+z).
Desafio
1) Encontre uma transformação linear cujo núcleo seja P2.
2) Seja T:P1→P1, T(x+1)=2x+3 e T(x–1)=3x–2, encontre T(ax+b).
3) Encontre N(T) e escreva dois vetores pertencentes à Im(T), sendo T:M22→M22,

a b a+b b+c
T =
c d c+d d+c

Resumo
Nesta aula, você viu uma introdução às transformações lineares e descobriu

que é através delas que os espaços vetoriais se relacionam. Viu ainda a definição
de núcleo e imagem de uma transformação linear e como calculá-los.
Autoavaliação
1 Verifique se as transformações são lineares.
a) T:3→3, T(x,y,z) = (x–y,x 2+z, y+2z)
b) T:5→, T(v,x,y,z,w) = (x+3y–2z–w)
c) T:3→3, T(x,y,z) = (0,0,0)
d) T:4→2, T(x,y,z,w) = (x–y+2z+3, 3x–w+4z)

a b
e) T : M22 → , A=
c d
, T (A) = det(A)
⎡ ⎤

a 0 0 0
⎢ 0 b 0 0 ⎥
a b ⎢ ⎥
f) T : M22 → M44 , T
c d
=⎢
⎣ 0 0 c 0
⎥
⎦
0 0 0 d
g) T:Mnn→ Mnn, , Ann, T(A) = At
h) T:P2→R, P2(x) =a2x 2 + a1x + a0,T(P2) = a2a1a0
i) T:P2→ P2, T(a2x2 + a1x + a0) = (a2 – a0)x 2 + (a0 +a1 +a2)
dP2
j) T : P3 → P2 , T (P2 ) =
dx
k) T:P2→ P3, T(p(x)) = p(x) + xp(x) + x 2p´ (x)

2 Encontre a regra para a transformação linear, sabendo que:
a) T:2→2, Base do 2 = {(2,1),(0,1)}, T(2,1) = (3,7) e T(0,1) = (–1,1)
b) T:3→2, Base do 3 = {(1,0,1),(0,1,2),(1,1,1)}, T(1,0,1) = (3,1), T(0,1,2) = (1,2)

e T(1,1,1) = (4,2)
c) T:2→4, Base do 2 = {(–1,1),(1,1)}, T(–1,1) = (0, –4, 0, –1) e T(1,1) = (4,2,2,1)
Sejam as transformações T(v1) = (1,1,1), T(v2) = (1,0,1) e T(v3) = (–1,2,0),

3 encontre T(3v1 – v2 + 5v3).
4 Sabendo que Q(u) = x 2–2 e Q(v) = 2–3x, encontre Q(3u–2v).
5 Encontre a imagem do vetor u nas seguintes transformações:
a) T:5→, T(v,x,y,z,w) = (x+3y–2z–w), onde u = (1,1,2,0,1)

a b −a 0 3 2
b) T : M22 → M22 , T
c d
=
0 −b
,u =
7 −2
dP2
c) T : P2 → P1 , T (P2 ) = , u = 5x2 − 3x + 2
dx
6 Encontre o núcleo e a imagem das transformações:
a) T:5→, T(v,x,y,z,w) = (x+3y –2z –w)
b) T:2→2, T(x,y) = (x+3y,3y)
c) T:→3, T(x) = (x,0,3x)
d) T:3→2, T(x,y,z) = (x+y, x+z)

a b −a 0
e) T : M22 → M22 , T
c d
=
0 −b
dP2
f) T : P2 → P1 , T (P2 ) =
dx
g) T: P2→ P2, T(p(x))= xp´ (x)

7 Encontre a dimensão do núcleo e da imagem das transformações:
a) T:5→, T(v,x,y,z,w) = (3x–w)
b) T:2→2, T(x,y) = (x–y, 3x+y)
c) T:→3, T(x) = (0,0,5x)
d) T:3→2, T(x,y,z) = (y,x+y+z)

a b −a a+b+c
e) T:M22→ M22, T : M22 → M22 , T
c d
=
−a − b − c −b
d 2 P3
f) T : P3 → P1 , T (P3 ) =
dx2
g) T: P2→ P3, T(p(x))= xp(x)

1
h) T : 2 → 2 , T (x, y) = √ (x + y, x − y)
2
O que é o núcleo de uma transformação linear? E a imagem de uma transformação

8 linear?
Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre: Bookman, 2001.

Anotações

Anotações

Transformações
lineares e matrizes
Aula
15
Apresentação
Temos visto ao logo de nossas aulas o quanto a representação matricial de sistemas
pode facilitar seu manuseio, cálculo e entendimento, quando tratamos com transformações
lineares não é diferente. Toda transformação linear pode ser representada na forma matricial,
o que implica nas mesmas facilidades da representação matricial dos sistemas.
Objetivos
1 Obter transformações lineares na forma matricial.
Efetuar cálculos com transformações lineares na forma

2 matricial.

Definição
Consideremos uma transformação linear T:n →m definida pelas equações da forma:
w1 = a11 x1 + a12 x2 + ··· a1n xn

w2 = a21 x1 + a22 x2 + ··· a2n xn
wm = am1 x1 + am2 x2 + ··· amn xn
Podemos escrever essas equações como um produto de matrizes, separando as matrizes

dos termos independentes W, dos coeficientes A e das incógnitas X, onde
W=A.X
⎡ ⎤ ⎡ ⎤⎡ ⎤
w1 a11 a12 ··· a1n x1
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎢ w2 ⎥ ⎢ a21 a22 ··· a2n ⎥ ⎢ x2 ⎥
⎢ ⎥=⎢ ⎥⎢ ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣ ⎦ ⎣ ⎦⎣ ⎦
wm am1 am2 ··· amn xn
Onde A é chamada matriz canônica da transformação linear.

Prova que T(x)=A.X é uma transformação linear:
i) F(x1 + x2) = F(x1) + F(x2)
F(x1 + x2) = A(x1 + x2) = Ax1 + Ax2 = F(x1) + F(x2)
ii) F(k.x) = k.F(x)
F(k.x) = A(k.x) = A.k.x = k.A.x = k(Ax) = k.F(x)
As duas regras são satisfeitas, logo, é uma transformação linear.
Exemplo 1
A transformação linear T:4→3, definida por:
T(x1, x2, x3, x4) = (2x1 – 3x2 + x3 – 5x4, 4x1 + x2 – 2x3 + x4, 5x1 – x2 + 4x3)
Pode ser representada da seguinte forma; ⎡ ⎤
⎡ ⎤ ⎡ ⎤
x1
w1 2 −3 1 −5 ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ x2 ⎥
⎣ w2 ⎦ = ⎣ 4 1 −2 1 ⎦⎢ ⎥→W =A·X
⎣ x3 ⎦
w3 5 −1 4 0
x4
Note que na primeira coluna da matriz A aparecem os coeficientes da primeira variável, x1, na
segunda de x2 e assim sucessivamente.
Encontrando a matriz
transformação com as bases canônicas
Podemos encontrar a matriz transformação com a aplicação dos vetores da base canônica
à transformação linear. A matriz é montada a partir da entrada por coluna dos vetores imagem
dos vetores da base canônica.
Exemplo 2
A transformação linear T:4→3, definida por:
T(x1, x2, x3, x4) = (2x1 – 3x2 + x3 – 5x4, 4x1 + x2 – 2x3 + x4, 5x1 – x2 + 4x3)
Resolução
O primeiro passo é identificar a base canônica do espaço domínio, nesse exemplo é o 4,
logo, a base canônica é:
e1 = (1,0,0,0)
e2 = (0,1,0,0)
e3 = (0,0,1,0)
e4 = (0,0,0,1)
Em seguida, aplicamos a transformação aos vetores da base canônica:
T(e1) = (2.1 – 3.0 + 0 – 5.0,4.1 + 0 – 2.0 + 0,5 .1– 0 + 4.0) = (2,4,5)

T(e2) = (2.0 – 3,1 + 0 – 5.0,4.0 + 1 – 2.0 + 0,5.0 – 1 + 4.0) = (–3,1,–1)
T(e3) = (2.0 – 3.0 + 1 – 5.0,4.0 + 0 – 2.1 + 0,5.0 – 0 + 4.1) = (1, –2, 4)
T(e4) = (2.0 – 3.0 + 0 – 5.1,4.0 + 0 – 2.0 + 1,5.0 – 0 + 4.0) = (-5,1,0)
Agora, montamos a matriz transformação A com os vetores T(e1), T(e2), T(e3) e T(e4)
por coluna:
⎡⎤
2 −3 1 −5
⎢ ⎥
A = [T (e1)|T (e2)|T (e3)|T (e4)] = ⎣ 4 1 −2 1 ⎦
5 −1 4 0
⎡ ⎤
⎡ ⎤ ⎡ ⎤ x1
w1 2 −3 1 −5 ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ x2 ⎥
Logo, ⎣ w2 ⎦ = ⎣ 4 1 −2 1 ⎦ ⎢⎣ x3
⎥→W =A·X
⎦
w3 5 −1 4 0
x4

1
Encontre a forma matricial da transformação linear T:2→5, definida por:

T(x1, x2) = (x1+2x2, 0, –3x1, –x1–x2, x2)
Núcleo e Imagem de uma

transformação linear na forma matricial
A forma matricial de uma transformação linear facilita as operações envolvidas e com o
processo de obtenção do núcleo e da imagem ocorre a mesma coisa.
Exemplo 3
Encontre o núcleo e a imagem da transformação linear T:4→3, definida por:
⎡ ⎤
⎡ ⎤ x1
2 0 1 0 ⎢ ⎥
⎢ ⎥⎢ x2 ⎥
T (X) = W = ⎣ 1 1 0 1 ⎦⎢ ⎥ W ∈ 3 e X ∈ 4
⎣ x3 ⎦
0 0 −1 0
x4
Resolução
Núcleo
Devemos investigar que vetores do 4 resultam em um vetor nulo do 3 quando aplicados
à transformação:
⎡ ⎤
⎡ ⎤ x1 ⎡ ⎤
2 0 1 0 ⎢ ⎥ 0
⎢ ⎥⎢ x2 ⎥ ⎢ ⎥
⎣ 1 1 0 1 ⎦⎢ ⎥=⎣ 0 ⎦
⎣ x3 ⎦
0 0 −1 0 0
x4
Ou seja, nesse caso, corresponde a encontrarmos o espaço nulo da matriz dos coeficientes A.

Usando a eliminação gaussiana, chegamos a:
⎡ ⎤
⎡ ⎤ x1 ⎡ ⎤ ⎧
1 0 0 0 ⎢ ⎥ 0 ⎪
⎨ x1 = 0
⎢ ⎥ ⎢ x2 ⎥ ⎢ ⎥
⎣ 0 1 0 1 ⎦⎢ ⎥=⎣ 0 ⎦ x2 + x4 = 0
⎣ x3 ⎦ ⎪
⎩
0 0 1 0 0 x3 = 0
x4
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
x1 0 0
⎢ ⎥ ⎢ −x4 ⎥ ⎢ −1 ⎥
⎢ x2 ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥=⎢ ⎥ = x4 ⎢ ⎥, logo N (T (X)) = {(0, −1, 0, 1)}
⎣ x3 ⎦ ⎣ 0 ⎦ ⎣ 0 ⎦
x4 x4 1
Imagem
Para encontrar a imagem, separaremos os vetores:
⎤ ⎡ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 0 1 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
T (X) = x1 ⎣ 1 ⎦ + x2 ⎣ 1 ⎦ + x3 ⎣ 0 ⎦ + x4 ⎣ 1 ⎦
0 0 −1 0
Aparecem multiplicados por x1 todos os seus coeficientes e o mesmo acontece para x2, x3 e x4.
Analisando os vetores resultantes, a base da Imagem será a maior quantidade possível de
vetores LI desse conjunto.
Ao tomarmos os quatro vetores resultantes, percebemos que o conjunto é LD, pois temos
quatro vetores de dimensão 3. Devemos então descartar um e analisar o conjunto resultante.
Escolhendo os três primeiros vetores (2, 1, 0), (0, 1, 0) e (1, 0, –1), quando calculamos
percebemos que o conjunto é LI, logo é uma base para a Imagem da transformação.
Im = (2,1,0),(0,1,0),(1,0,-1)
Encontre o núcleo e a imagem da transformação linear T:3→3, definida por:

⎡ ⎤⎡ ⎤
2 0 1 x1
⎢ ⎥⎢ ⎥
T (X) = ⎣ −1 0 0 ⎦ ⎣ x2 ⎦
1 1 0 x3

Desafio
1 Mostre que as transformações T1 e T2 T:3→3 têm o mesmo núcleo e Imagem.

⎡ ⎤⎡ ⎤
0 0 0 x
⎢ ⎥⎢ ⎥
T 1(x, y, z) = ⎣ 0 1 0 ⎦ ⎣ y ⎦
0 0 1 z
⎡ ⎤⎡ ⎤
0 0 0 x
⎢ ⎥⎢ ⎥
T 2(x, y, z) = ⎣ 0 1 1 ⎦ ⎣ y ⎦
0 2 1 z
Encontre o valor de a para que a dimensão do núcleo seja a mesma da imagem de

2
T, onde T:2→2

1 1 x
T (x, y) =
a 1 y
Resumo
Na aula sobre transformações lineares e matrizes você aprendeu como obter

a forma matricial de uma transformação linear, assim como realizar operações
características dessas transformações na forma matricial.

Autoavaliação
1 Escreva a transformação na forma matricial e encontre seu Núcleo e Imagem:
a) T:5→, T(v,x,y,z,w) = (x+3y–2z –w)
b) T:2→2, T(x,y) = (x+3y, 3y)
c) T:→3, T(x) = (x, 0, 3x)
d) T:3→2, T(x,y,z) = (x+y, x+z)
d 2 P3
e) T : P3 → P1 , T (P3 ) =
dx2
f) T:P2→P3, T(p(x)) = xp(x)
1
g) T : 2 → 2 , T (x, y) = √ (x + y, x − y)
2
Sabendo que a transformação envolve polinômios, encontre a forma por extenso

2 da transformação e diga qual o espaço domínio e qual o imagem:

1 0
a) T (P ) = P
1 1

1 −1 2
b) T (P ) =
2 0 1
P
⎡ ⎤
1 0
⎢ 2 −1 ⎥
⎢ ⎥
c) T (P ) = ⎢
⎣ 3
⎥P
0 ⎦
4 −2
⎡ ⎤
1 0 0 −1 1
⎢ ⎥
d) T (P ) = ⎣ −1 2 0 1 1 ⎦P
1 0 0 0 1

Referências
Anotações

Anotações

Transformações
lineares inversas
Aula
16
Apresentação
Vimos nas aulas anteriores que uma transformação Linear é uma função que associa
espaços vetoriais distintos ou não. Imaginemos que essa associação, em muitos casos, deva
permitir o caminho de volta, ou seja, se a transformação que leva um vetor de uma espaço V
para um espaço W permitir a transformação inversa, então, é possível partir do vetor resultante
em W e voltar ao mesmo vetor em V de partida.
Objetivos
1 Saber reconhecer quando uma transformação admite inversa.
2 Aplicar a definição de inversa.
Calcular a inversa de uma Transformação Linear.

3

Definição
Consideremos a Transformação Linear deV em W, T:V→W. Partindo do ponto que
o domínio da transformação corresponde ao conjunto de vetores de V que são aplicados à
transformação e que a imagem de T é o subespaço composto por todos os vetores em W
gerados a partir de V através da transformação, então, se a transformação permitir o caminho
inverso, o que era imagem da transformação T passa a ser domínio da transformação inversa
e o que era domínio passa a ser imagem, como mostrado na Figura 1.
Notação para Transformação Linear inversa de T:T –1
T:V →W
Espaço Espaço
vetorial vetorial
V W
-1
T :V →W
Figura 1 – Transformação Linear inversa
Relações entre T e T –1
Sendo v um vetor de V e w um vetor de W, então, teremos:
T(v) = w T –1(T(v)) = v
T –1(w) = v T(T –1(w)) = w

Relembrando...
Funções Injetoras, Sobrejetora e Bijetora
Uma função é dita injetora se para cada elemento do domínio existe um cor-
respondente exclusivo no contradomínio. Uma função é classificada como so-
brejetora se a imagem corresponder a todo o contradomínio. Já no caso de
a função ser injetora e sobrejetora ao mesmo tempo, ela é classificada como
bijetora. A Figura 2 mostra a diferença entre os tipos de funções.
Domínio Imagem Domínio Imagem Domínio Imagem
1 A 1 A 1 A
2 D
2 D 2
B 3 B 3 B
3 C
C 4 C 4
Função injetora Função sobrejetora Função bijetora

e não sobrejetora e não injetora
Figura 2 – Função injetora, sobrejetora e bijetora
Critérios para transformação inversa

Para que uma Transformação Linear admita inversa ela deve ser bijetora, ou seja, deve
ser injetora e sobrejetora ao mesmo tempo.
Transformação Injetora
Dada uma transformação linear T:V→W, e dados os vetores u e v, ambos pertencentes a

V, diz-se que T é injetora se T(u) = T(v) apenas para u = v. Ou seja, T é injetora se as ima-
gens de vetores distintos são distintas. Uma transformação linear é injetora quando Ker(T )=0.
Transformação Sobrejetora
Dada uma transformação linear T:V→W, tem-se que a transformação é sobrejetora se

a imagem de T coincidir com W.

Transformação Bijetora
A transformação é bijetora se for injetora e sobrejetora.

Quando uma transformação linear T:V→W for injetora e sobrejetora ao mesmo tempo,
tem-se um isomorfismo.
Se T é bijetora, então, cada vetor w pertencente à Im(T) é imagem de um único

vetor v em V. Essa unicidade é que permite definir essa nova função, chamada
transformação inversa de T, que leva w de volta em v.
Exemplo 1
Verifique se a transformação é bijetora: T: 2→2 T(x,y)=(x +y, x).
Resolução
Para que a transformação seja bijetora, ela deve ser injetora e sobrejetora.
Injetora
Uma transformação é injetora se o núcleo da transformação for apenas o vetor nulo.
Encontrando o núcleo:
T(x,y) = (0,0)
(x + y, x) = (0, 0)

x+y = 0
x = 0
Logo, x = y = 0 , portanto, N(T(x,y))={(0,0)} → A transformação é injetora.
Sobrejetora
A transformação é sobrejetora se a imagem corresponder a todo o contradomínio, ou seja, o 2.
Encontrando a imagem:

x+y 1 1
T (x, y) = (x + y, x) = =x +y
x 1 0
Analisando os dois vetores resultantes, (1,1) e (1,0), verifica-se que são LI, logo, a imagem
corresponde ao espaço gerado por esses dois vetores, o próprio 2.
Im(T(x,y)) = 2
Assim sendo, a imagem é igual ao contradomínio e a transformação é sobrejetora. Como a

transformação é injetora e sobrejetora, logo é bijetora.

1
Verifique se a transformação é bijetora: T: 3→2 T(x,y,z)=(0, x –y+z, 2x–z).
Forma matricial e transformação inversa

Uma maneira mais simples de verificar se uma Transformação Linear admite inversa é
proceder a análise sob a forma vetorial. Uma vez obtida a matriz canônica da transformação,
basta verificar se essa matriz admite inversa, caso afirmativo, a transformação também ad-
mite e sua transformação inversa tem a matriz canônica definida pela inversa da matriz da
transformação original.
Exemplo 2
Verifique se a transformação admite inversa: T: 2→2 T(x,y)=(x+y,x).
Resolução
Passando para a forma matricial:
T (x, y) = (x + y, x)

1 1 x
T (x, y) =
1 0 y

1 1
Analisando a matriz canônica da transformação A = verifica-se que a matriz admite
1 0
inversa, pois det(A) = –1, logo, a transformação também admite inversa.
Calculando a inversa de A temos:

−1 0 1
A = , portanto, a transformação inversa é dada por:
1 −1

−1 0 1 x
T (x, y) = = (y, x − y)
1 −1 y

Uma Transformação Linear admite inversa se for bijetora e uma transformação
apenas será bijetora se a matriz que a representa for inversível.
Exemplo 3
Encontre a inversa da transformação caso exista.
T:2→3, T(x,y)=(2x–y,y +3x, x+y)
Resolução
Passando para a forma matricial:
T (x, y) = (2x − y, y + 3x, x + y)
⎛ ⎞
2 −1

⎜ ⎟ x
T (x, y) = ⎝ 3 1 ⎠
y
1 1
Como a matriz canônica da transformação não admite inversa por não ser uma matriz quadrada,
então, a transformação também não admite inversa.
Para investigarmos porque não admite inversa, vamos averiguar se ela é injetora e sobrejetora.
Verificando se a transformação é Injetora

T (x, y) = (0, 0, 0)
T (x, y) = (2x − y, y + 3x, x + y) = (0, 0, 0)

⎧
⎪
⎨ 2x − 1 = 0
y + 3x = 0 x=y=0
⎪
⎩ x+y = 0
N (T (x, y)) = {(0, 0)} → é injetora
N(T(x,y)) = {(0,0)} → é injetora.
Verificando se a transformação é Sobrejetora

⎛ ⎞ ⎛ ⎞ ⎛ ⎞
2x − y 2 −1
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
T (x, y) = (2x − y, y + 3x, x + y) = ⎝ y + 3x ⎠ = x ⎝ 3 ⎠ + y ⎝ 1 ⎠
x+y 1 1
Os dois vetores que obtemos são LI, logo, são a base da Imagem.
Im(T(x,y)) = {(2,3,1),(-1,1,1)}
O espaço correspondente à Imagem que é gerado por esses dois vetores não compreende todo
o 3 e sim um plano dentro do 3. Dessa forma, a transformação não é sobrejetora, portanto,
não admitindo inversa.

2
Encontre a inversa da transformação, caso exista.

T: 3→3, T(x,y,z)=(2x – y – z, 2z – y +3x, x+3z)
Desafio
Seja T uma transformação linear do espaço dos polinômios reais de grau menor
1
ou igual a 2, definida por:
T (1) =1+x
T (x) = 3 −x2
T (x2) = 4 + 2x –3x2
A transformação T tem inversa? Justifique.
2 Seja T uma transformação linear T: 3→3, definida por:
T(x1,x2,x3) =(a1x1,a2x2,a3x3), ai ∈ .
Determine as condições que a1,a2 e a3 devem satisfazer para T admitir inversa.

Obtenha a expressão de T –1.
3 Por que é necessário que a transformação seja bijetora para possuir inversa?
Resumo
Nesta aula, você aprendeu a identifi car quando uma Transformação

Linear admite inversa e como encontrar a transformação inversa. Aprendeu
ainda a relacionar os vetores dos espaços ligados por transformações que
apresentam inversa.

Autoavaliação
1 O que é uma transformação linear injetora? E sobrejetora?
2 Verifique se as transformações são injetoras e/ou sobrejetoras.
a) T: 2 → 4, T(x,y) = (x + y, 3x, x –2y, –y)
b) T: 4 → 4, T(x,y,z,w) = (x + y, 3w, z –2y, –x)
c) T: 2 → 2, T(x,y) = (x + y,0)

2 0
d) T (u) =
−2 −1
u
⎡ ⎤
1 0 1 0
⎢ 2 −2 0 0 ⎥
⎢ ⎥
e) T −1 (u) = ⎢
⎣ 0
⎥u
⎦
1 1 3
2 0 0 −3

1 0 −1
f) T (u) = u
0 1 0
g) T:P 2 → P2 , T(a2x2 + a1x + a0) = (a2 – a0)x2
3 Indique a inversa das transformações, por extenso, caso existam.
a) T: 4 → 4, T(x, y, z, w) = (x, y, z, 0)
b) T:2 → 2, T(x, y) = (x, 2y)

2 0
c) T (u) =
1 −1
u
⎡ ⎤
1 1 2
⎢ ⎥
d) −1
T (u) = ⎣ 0 1 0 ⎦u
−1 1 1
e) T:P2 → P3, T(a2x2 + a1x + a0) = –x (a2x2 + a1x + a0)
f) T:P1 → P3, T(a1x + a0) = ((a1+a0)x3 + a1x2 + a0x)

d(a2 x2 + a1 x + a0 )
g) T : P2 → P2 , T (a2 x2 + a1 x + a0 ) = x
dx
h) T:P2 → P2 , T(p(x)) = p(x +1)
Seja T: :3→3 uma transformação linear definida por T(x,y,z)=(ax,by,cz), a,b

4 e c ∈ . Determine as condições que a,b e c devem satisfazer para que T admita
inversa. Para esses casos, encontre T –1 se possível.
5 Seja T:2→2 definida por T (x,y)=(k·x,x+y), k ∈ .
a) Determine k de modo a que a transformação T admita inversa e, para esses valores,

obtenha a transformação inversa T–1.
b) Considere k = 0. Determine a dimensão e uma base para o núcleo de T.
Referências
Bookman, 2001.
Anotações

Anotações

Anotações

e geometria do 2
Aula
17
Apresentação
U
ma das formas mais comuns de utilizar as Transformações Lineares é a aplicação a
vetores no plano. Modificações como expansão, rotação, reflexão etc. são utilizadas cor-
riqueiramente e servem de base para a manipulação de imagens. Veremos a aplicação
de transformações lineares no plano, porém, os princípios vistos aqui podem ser expandidos
a espaços com dimensão superior.
Objetivos
1 Identificar matrizes transformações e aplicar a vetores
no plano.
2 Utilizar combinações de Transformações Lineares.

Definição
As Transformações Lineares permitem modificarmos vetores utilizando apenas multipli-
cação de matrizes, ou seja, aplicando uma Transformação Linear a um vetor, o que resulta em
outro vetor com uma, ou várias, alterações previamente definidas. Aqui, serão analisadas algumas
dessas transformações no 2, as quais podem ser expandidas para outros espaços euclidianos.
Operações sobre vetores

Para todos os casos, considere o vetor u = (x,y).
1) Semelhança (Expansão e contração)
Nessa operação, o vetor aumenta ou diminui de tamanho sendo mantidos a direção e

o sentido.
Forma por extenso Forma matricial

k 0 x
T (x, y) = k(x, y) T (x, y) =
0 k y
A Figura 1 mostra o vetor u e o resultado da transformação k.u para os possíveis valores

de k. Note que as duas coordenadas são alteradas do fator k.
y
u
y y y
u ku u u
ku
x x
-ku
K >1 0 <K <1 K< 0
Figura 1 – Vetor u e suas alterações de semelhança

2) Reflexão em torno do eixo Y

1 0 x
T (x, y) = (−x, y) T (x, y) =
0 −1 y
A Figura 2 mostra o vetor u e sua reflexão em torno do eixo Y. Nesse caso, apenas a
coordenada x é modificada, permanecendo a mesma coordenada y.
y y
u u
T(u)
x x
Figura 2 – Vetor u e sua reflexão em torno do eixo Y
3) Reflexão em torno do eixo X

1 0 x
T (x, y) = (x, −y) T (x, y) =
0 −1 y
A Figura 3 mostra o vetor u e sua reflexão em torno do eixo X. Nesse caso, a coordenada
y é modificada e a coordenada x permanece a mesma.

y y
u u
x x
T(u)
Figura 3 – Vetor u e sua reflexão em torno do eixo X
4) Reflexão em torno da reta Y = X

0 1 x
T (x, y) = (y, x) T (x, y) =
1 0 y
A Figura 4 mostra o vetor u e sua reflexão em torno da reta Y = X. Aqui as coordenada

x e y são invertidas.
y y
u u
T(u)
x x
Figura 4 – Vetor u e sua reflexão em torno da reta Y = X
5) Projeção ortogonal sobre o eixo Y

0 0 x
T (x, y) = (0, y) T (x, y) =
0 1 y

A Figura 5 mostra o vetor u e sua projeção ortogonal sobre o eixo Y. No caso da
projeção ortogonal, uma das coordenadas é zerada, se for a projeção sobre o eixo Y, a
coordenada x é descartada.
y y
u
T(u) u
x x
Figura 5 – Vetor u e sua projeção ortogonal sobre o eixo Y
6) Projeção ortogonal sobre o eixo X

1 0 x
T (x, y) =
T(x,y) = (x,0) 0 0 y
A Figura 6 mostra o vetor u e sua projeção ortogonal sobre o eixo Y. Nesse caso, a
coordenada y é descartada.
y y
u u
x T(u) x
Figura 6 – Vetor u e sua projeção ortogonal sobre o eixo X

7) Rotação de um vetor de um ângulo θ

cos(θ) −sen(θ) x
T (x, y) = (x · cos(θ) − y · sen(θ), x · sen(θ) + y · cos(θ)) T (x, y) =
sen(θ) cos(θ) y
A Figura 7 mostra o vetor u e sua rotação de um ângulo θ.
y y
u T(u)
θ u
x x
Figura 7 – Vetor u e sua rotação de um ângulo θ
8) Cisalhamento de um fator k na direção X

1 k x
T (x, y) = (x + ky, y) T (x, y) =
0 1 y
A Figura 8 mostra o vetor u e seu cisalhamento de um fator k maior e menor que zero no
eixo X. Note que, à medida que o vetor se afasta do eixo y, a distorção é maior, perceba que,
para um mesmo k, quando o vetor tem sua coordenada y próximo de zero, o cisalhamento é
menor, porém, se y for grande, então, essa distorção será maior.

y
u
y y
u
T(u) u T(u)
K< 0 K>0
Figura 8 – Vetor u e seu cisalhamento de um fator k no eixo X
9) Cisalhamento de um fator k na direção Y

1 0 x
T (x, y) = (x, kx + y) T (x, y) =
k 1 y
A Figura 9 mostra o vetor u e seu cisalhamento de um fator k maior e menor que zero no
eixo Y. Nesse caso, acontece a mesma proporcionalidade que foi comentada no cisalhamento
no eixo X, para um mesmo k, quando o vetor tem sua coordenada x próximo de zero, o cisa-
lhamento é menor, porém, se x for grande, então, essa distorção será maior.

y
u
T(u)
y y
u u
T(u)
K< 0 K>0
Figura 9 – Vetor u e seu cisalhamento de um fator k no eixo Y
Exemplo 1
Obtenha a projeção ortogonal sobre o eixo x do vetor (3,–5).
Resolução
Para obter a projeção de qualquer vetor do 2 sobre o eixo x, basta usar a transformação:

1 0 x
T (x, y) = 1 0 3 3
0 0 y , logo, T (3, −5) = =
0 0 −5 0
Portanto, a projeção do vetor (3,5) sobre o eixo x é o vetor (3,0).
Encontre o vetor resultante da rotação do vetor (1,4) de um ângulo de 90º.

Composição de
transformações lineares
Em muitas situações, há a necessidade de aplicarmos não apenas uma, mas uma sequ-
ência de transformações a um conjunto de vetores. Nessa situação, ao invés de multiplicarmos
uma matriz transformação e depois outra e outra, o melhor a fazer é encontrar uma única matriz
que represente a aplicação de todas as transformações desejadas. Para obtermos essa matriz
equivalente, basta que multipliquemos as matrizes às transformações envolvidas.
Consideremos que se deseja aplicar a transformação T 1(u) e depois T 2(u), nessa
ordem, onde T 1 é a matriz transformação de T 1(u), T 2 é a matriz transformação de T 2(u)
e u um vetor, então, teremos:
T2 ◦ T1 (u) = T2 (T1 (u)) = T2 · T1
Onde: T2 ◦ T1 = T1 ◦ T2
Exemplo 2
Obtenha o vetor resultante da rotação de 90º seguida de reflexão sobre o eixo y do vetor (–4,3).
Resolução
Primeiro encontramos as duas matrizes transformações:

cos(θ) −sen(θ) x cos(90 ) −sen(90 ) x
Rotação de 90º: T (x, y) = sen(θ) cos(θ) y
=
sen(90 ) cos(90 ) y

0 −1 x
T1 (x, y) =
1 0 y
Reflexão sobre o eixo Y:

−1 0 x
T2 (x, y) =
0 1 y
Obtendo a combinação:

−1 0 0 −1 0 1
T2 ◦ T1 (x, y) = T2 · T1 = =
0 1 1 0 1 0

0 1 x
T2 ◦ T1 (x, y) =
1 0 y

0 1 −4 3
T2 ◦ T1 (−4, 3) = =
1 0 3 −4

Verificando graficamente, podemos comprovar o resultado, conforme mostrado na Figura 10.
y y y
u
3
-3 3
-4 x x x
-4 -4
T1(u) T2(T1(u))
Vetor u Rotação de 90° Reflexão em torno do eixo y
Figura 10 – Vetor u e a aplicação de duas transformações seguidas
Obtenha o vetor resultante da reflexão em torno da reta y=x seguida da projeção

ortogonal sobre o eixo x do vetor (–5,–3).
Exemplo 3
Obtenha a transformação resultante da composição de duas rotações, primeiro por um ângulo
θ1 e depois por θ2.
Resolução
As transformações são:

cos(θ1 ) −sen(θ1 ) x cos(θ2 ) −sen(θ2 ) x
T1 (x, y) = T2 (x, y) =
sen(θ1 ) cos(θ1 ) y sen(θ2 ) cos(θ2 ) y
A composição das duas é dada por:

cos(θ2 ) −sen(θ2 ) cos(θ1 ) −sen(θ1 )
TR = T2 ◦ T1 = T2 · T1 =
sen(θ2 ) cos(θ2 ) sen(θ1 ) cos(θ1 )

cos(θ1 )cos(θ2 ) − sen(θ1 )sen(θ2 ) −cos(θ1 )sen(θ2 ) − sen(θ1 )cos(θ2 )
TR =
sen(θ1 )cos(θ2 ) + cos(θ1 )sen(θ2 ) −sen(θ1 )sen(θ2 ) + cos(θ1 )cos(θ2 )

cos(θ1 + θ2 ) −sen(θ1 + θ2 )
TR =
sen(θ1 + θ2 ) cos(θ1 + θ2 )

Como era de se esperar, a composição das duas rotações resulta em fazer uma transformação
apenas com a rotação da soma dos ângulos. NESSE CASO, a ordem não influência.
Transformações Lineares no 3
Para as Transformações Lineares sobre vetores no 3, não serão feitas as
demonstrações, porém, o raciocínio é o mesmo visto para o 2.
Transformação Forma por extenso Forma matricial

⎡ ⎤
k 0 0
⎢ ⎥
Expanção-contração T (x, y, z) = (kx, ky, kz) ⎣ 0 k 0 ⎦
0 0 k
⎡ ⎤
1 0 0
⎢ ⎥
Reflexão em torno do plano xy T (x, y, z) = (x, y, −z) ⎣ 0 1 0 ⎦
0 0 −1
⎡ ⎤
1 0 0
⎢ ⎥
Reflexão em torno do plano xz T (x, y, z) = (x, −y, z) ⎣ 0 −1 0 ⎦
0 0 1
⎡ ⎤
−1 0 0
⎢ ⎥
Reflexão em torno do plano yz T (x, y, z) = (−x, y, z) ⎣ 0 1 0 ⎦
0 0 1
⎡ ⎤
1 0 0
Projeção ortogonal ⎢ ⎥
T (x, y, z) = (x, y, 0) ⎣ 0 1 0 ⎦
sobre o plano xy
0 0 0
⎡ ⎤
1 0 0
T (x, y, z) = (x, 0, z) ⎣ 0 0 0 ⎦
sobre o plano xz
0 0 1
⎡ ⎤
0 0 0
T (x, y, z) = (0, y, z) ⎣ 0 1 0 ⎦
sobre o plano yz
0 0 1

Desafio
1) Considerando as Transformações Lineares no plano T1, T2, T3 e T4, determine as matri-

zes associadas e esboce no plano a figura determinada pela aplicação das Transformações
Lineares em sequência, T1 até T4, sobre o quadrado com vértices (0,0),(1,0),(0,1) e(1,1).
T 1(x, y) = (3x − y, −y − 2x) T 3(x, y) = (x + y, 0)

x+y x−y
T 2(x, y) = , T 4(x, y) = (x − y, x)
2 2

x+y x−y
2) A Transformação Linear T (x, y) = 2
,
2
é bijetora? Justifique.
3) Utilizando a matriz transformação que define a rotação de um vetor no 2 de um ângulo

θ, determine os vértices de um triângulo retângulo e isósceles que tem um dos lados
coincidente com o vetor A=(2,1).
Resumo
Nesta aula, você aprendeu a aplicar Transformações Lineares a vetores

no plano, assim como a obter suas respectivas matrizes transformações. Esta
aula contemplou ainda a composição de transformações e a determinação
de uma matriz resultante que represente a aplicação dessas transformações
em sequência.

Autoavaliação
Encontre a representação matricial canônica para cada um dos operadores lineares
1
em 2 descritos a seguir.
a) Gira cada vetor de 45° no sentido antitrigonométrico.
b) Reflete cada vetor em relação ao eixo x e depois roda o vetor refletido de 90° no sentido
trigonométrico.
c) Dobra o comprimento do vetor, depois roda o vetor obtido de 30° no sentido trigonomé-
trico.
d) Reflete cada vetor em relação à reta x = y e depois projeta o vetor refletido sobre o eixo x.
Considerando as transformações lineares do 2 , descreva geometricamente o que

2 elas fazem com o vetor.
a) T (x, y) = (−x, y) e) T (x, y) = (x, y)
x
b) T (x, y) = ( , 0)
2
f) T (x,y) = (x,y)
c) T (x, y) = (−x, 0)
d) T (x, y) = y(e1 )
Uma transformação linear T:2→2 é obtida a partir da rotação de um vetor de um

3 ângulo de –90º, seguida de uma expansão por um fator k = 2,5, seguida de refle-
xões em torno do eixo X e Y, exatamente nessa sequência. Qual a transformação
linear resultante? Considere o sentido positivo como sendo o sentido anti-horário.
Conhecendo as transformações T:3→3 , onde Ta(x,y,z)=(x+z, 2x–z, y –2z),

4 Tb(x,y,z)=(2x, 2y,2z) e Tc(x,y,z)=(y,z,x), encontre:
a) (Tc ◦ Ta )(1, 1, 1) c) (Ta ◦ Tb ◦ Tc )(1, −1, 1)
b) (Tb ◦ Ta )(0, −1, 2) d) (Tc ◦ Tb ◦ Ta )(1, −1, 1)

Referências
Anotações

Anotações

Formas quádricas
Aula
18
Apresentação
A Álgebra Linear pode ser usada, além de muitos outros casos, na Geometria. Nesta aula,
veremos como equações quádricas podem ser reescritas visando uma mudança de coorde-
nadas que facilitará o traçado do seu gráfico futuramente.
Objetivos
Saber manipular as formas quádricas da forma por extenso
1
para forma matricial e o contrário.
2 Reconhecer a matriz associada das formas quádricas.

Definição
Formas quádricas ou quadráticas são funções em que aparecem termos com multiplica-
ção de variáveis, fato que não ocorre nas funções lineares.
Forma linear
Todas as variáveis aparecem na primeira potência e não há produto de variáveis
na expressão.
a1x1 + a2x2 + ... + anxn
Forma bilinear
As variáveis aparecem na primeira potência e há produto de variáveis distintas
na expressão.
a1x1y1 + a2x2y2 + ... + anxnyn
Forma quádrica
É possível aparecer quadrados de variáveis ou produto de duas variáveis:
No 2 → a1x21 + a2x22 + a3x1 x2
No 3 → a1x21 + a2x22 + a3x23 + a4x1 x2 + a5x1 x3 + a6x2x3
Onde os termos que envolvem variáveis distintas são chamados de produto misto ou
termo cruzado. Exemplo: a2x1x2.

Representação matricial
Seja x um vetor de dimensão n, y um vetor de dimensão n e A uma matriz n×n.
⎤ ⎡ ⎡ ⎤ ⎡ ⎤
x1 y1 a11 a12 ··· a1n
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ x2 ⎥ ⎢ y2 ⎥ ⎢ a21 a22 ··· a2n ⎥
⎢
x=⎢ ⎥ ⎢
y=⎢ ⎥ A=⎢ ⎥
⎥ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
xn yn an1 an2 ··· ann
Uma forma linear pode ser associada a uma matriz na forma:

L(x) = Ax
Uma forma bilinear pode ser associada a uma matriz na forma:

B(x) = xTAy
Uma forma quadrática pode ser associada a uma matriz na forma:

Q(x) = xTAx
Onde A é a matriz associada à forma quádrica.
Exemplo 1

3 2
Seja A = a matriz associada à forma quádrica, encontre sua expressão
−2 7
por extenso.
Resolução:
Conhecendo a matriz que é associada à forma quádrica, basta substituir na expressão
Q(x) = XTAx. Como a matriz A tem ordem 2x2, então o vetor X só pode pertencer ao 2:

x1
X=
x2
Substituindo:

3 2 x1
T
Q(x) = x Ax = x1 x2
−2 7 x2

x1
Q(x) = [(3x1 − 2x2 )(2x1 + 7x2 )]
x2
Q(x) = 3x21 + 7x22 − 2x1 x2 + 2x1 x2

Q(x) = 3x21 + 7x22

Obtendo a forma matricial
Quando se conhece a matriz associada à forma quádrica é fácil obter a forma por extenso,
o contrário também pode ser obtido, porém, requer um pouco mais de atenção.
Procedimento:
Definimos a ordem da matriz associada de acordo com a quantidade de variáveis

envolvidas.
Identificamos os coeficientes dos termos ao quadrado.
Alocamos na diagonal principal esses coeficientes.
As demais entradas da matriz dependem dos coeficientes dos termos cruzados, a posição
ij + a posição ji na matriz corresponde ao coeficiente do termo cruzado xixj .
Exemplo 2
Considere a forma quádrica Q(x) = x21 – 2x22 + 5x1 x2 e obtenha uma forma matricial equivalente.
Resolução:
Primeiro, definiremos a ordem da matriz. Como apenas aparecem como variáveis x1 e x2, então
a matriz associada terá ordem 2x2.

− −
A=
− −
Os elementos dos termos ao quadrado são os elementos da diagonal principal. Nesse caso,
os coeficientes são: 1 e –2

1
A=
−2
Os elementos a12 e a21 partem dos termos cruzados, onde a12+a21 corresponde ao coeficiente
do termo x1x2.
a12+ a21 = 5
Existe uma infinidade de possibilidades: (2 e 3), (1 e 4), (0 e 5), (2,5 e 2,5)...
O que ocorre é que sempre se tende a utilizar matrizes simétricas, pelo fato destas apresentarem
algumas facilidades, vistas mais adiante, portanto:

1 2, 5
A=
2, 5 −2

1 2, 5 x1
Forma matricial: Q(x) = xT Ax = x1 x2
2, 5 −2 x2
É possível observar que para cada função existe uma infinidade de matrizes que se encaixariam
na sua representação, cabe escolher então a mais adequada.
Verificando se a matriz é associada de fato à forma quádrica dada:
Q(x) = xTAx
1 2, 5 x1
Q(x) = xT Ax = x1 x2
2, 5 −2 x2

x1
Q(x) = [(x1 + 2, 5x2 )(2, 5x1 − 2x2 )]
x2
Q(x) = x21 + 2, 5x1 x2 + 2, 5x1 x2 − 2x22

Q(x) = x21 + 5x1 x2 − 2x22
Exatamente a forma quádrica inicial.
Exemplo 3
Seja, Q(x) = x21 + 2x22 + 3x23 + 5x1x2 – x1x3 + 2x2x3 encontre a matriz associada.
Resolução:
Primeiro, definiremos a ordem da matriz. Como aparecem as variáveis x1, x2 e x3, então, a
matriz associada terá ordem 3x3.
⎡ ⎤
− − −
⎢ ⎥
A=⎣ − − − ⎦
− − −
Os elementos dos termos ao quadrado são os elementos da diagonal principal. Nesse caso,
os coeficientes são: 1, –2 e 3.
⎡ ⎤
1
⎢ ⎥
A=⎣ −2 ⎦
3
Os demais elementos partem dos termos cruzados:

Coeficiente do termo cruzado da variável 1 com 2 : 5.
Então, os elementos a12 e a21 devem ter a soma igual a 5: a12 + a21 = 5.
Optando pela matriz simétrica, teremos a12 = 2,5 e a21 = 2,5.
⎡ ⎤
1 2, 5
⎢ ⎥
A = ⎣ 2, 5 −2 ⎦
3

Os elementos a13 e a31 devem ter a soma igual a –1: a13 + a31 = –1.
Optando pela matriz simétrica, teremos a13 = –0,5 e a31 = –0,5.
⎡ ⎤
1 2, 5 −0, 5
⎢ ⎥
A = ⎣ 2, 5 −2 ⎦
−0, 5 3
Os elementos a23 e a32 devem ter a soma igual a 2: a23 + a32 = 2.

Optando pela matriz simétrica, teremos a23 = 1 e a32 = 1.
⎡ ⎤
1 2, 5 −0, 5
⎢ ⎥
A = ⎣ 2, 5 −2 1 ⎦
−0, 5 1 3
⎡ ⎤⎡ ⎤
1 2, 5 −0, 5 x1
⎢ ⎥⎢ ⎥
Forma matricial: Q(x) = xT Ax = x1 x2 x3 ⎣ 2, 5 −2 1 ⎦ ⎣ x2 ⎦
−0, 5 1 3 x3
Verificando: ⎡ ⎤⎡ ⎤
1 2, 5 −0, 5 x1
⎢ ⎥⎢ ⎥
Q(x) = xT Ax = x1 x2 x3 ⎣ 2, 5 −2 1 ⎦ ⎣ x2 ⎦
−0, 5 1 3 x3
⎤ ⎡
x1
⎢ ⎥
Q(x) = [(x1 + 2, 5x2 − 0, 5x3 )(2, 5x1 − 2x2 x3 )(−0, 5x1 + x2 + 3x3 )] ⎣ x2 ⎦
x3
Q(x) = x21 + 2, 5x1 x2 − 0, 5x1 x3 + 2, 5x1 x2 − 2x22 + x2 x3 − 0, 5x1 x3 + x2 x3 + 3x23
Q(x) = x21 − 2x22 + 3x23 + 5x1 x2 − x1 x3 + 2x2 x3
Forma quádrica original.
Encontre a forma matricial das formas quádricas e, ao final, verifique se a

matriz está correta.
a) Q(x) = –3x 21 – x22 – 6x1 x2
b) Q(x) = 3x 21 – 3x 22 + x23 + 4x1x2 + 3x1x3 – 8x2x3

Formas quádricas positivas
Uma forma quádrica Q(x) = xT Ax é chamada positiva definida se xT Ax>0 qualquer
x diferente de zero.
Existe ainda a nomenclatura negativa definida, quando xT Ax<0 para todo x diferente
de zero, e indefinida, quando xT Ax pode assumir tanto valores positivos quanto negativos
para todo x diferente de zero.
Uma matriz simétrica A, associada a uma forma quádrica, é chamada positiva se
x AX é uma forma quádrica positiva, e a matriz A será positiva se, e somente se, todos seus
T
autovalores forem positivos.
Desafio
1) Considere a seguinte forma quadrática: ⎡ ⎤⎡ ⎤

a 0 0 x1
⎢ ⎥⎢ ⎥
Q(x1 , x2 , x3 ) = x1 x2 x3 ⎣ 0 d e ⎦ ⎣ x2 ⎦
0 e f x3
Sabendo que f (1, 0, 0 ) = 3, f (0, 1, 0) = 2, f (0, 1, 1) = f ( 0, 0, 1) = 4, determine

a expressão da forma quadrática.
2) Expresse a forma quádrica (b1x1 + b2x2 + ... + bnxn)2 na notação matricial

Q(x) = xTAx, onde A é uma matriz simétrica.
Resumo
Nesta aula, você aprendeu a identificar formas quádricas assim como

diferenciá-las de formas lineares e bilineares, aprendeu ainda a mudar sua
representação de matricial para extensa e também o contrário.

Autoavaliação
1 Identifique quais das equações são formas quádricas. Justifique.
a) Q(x)= 2x 21 + 2x 22 + 2x1x2
b) Q(x)= –5x 1x2x3
c) Q(x)= 3x 21x 22 + 4x1x2
d) Q(x)= x 21 – x 22 + x 23 – 2x 24 + 8x 1x2x3 +x3x4
e) Q(x)= 2x 31 + x 32 + x 33
Transforme a forma matricial em forma quádrica, tomando a matriz A como a

2 matriz associada à forma quádrica.
⎡ ⎤
1 4 3 ⎡ ⎤
⎢ ⎥ 1 0 1 −2
a) A=⎣ 2 3 2 ⎦ ⎢3 2 1 −3⎥
⎢ ⎥
1 0 −2 d) A=⎢
⎣1 2 0
⎥
0⎦
0 −2 6 −2

3 7
b) A=
4 −3 ⎡ ⎤
2 −2 0 7 −5
⎢ 4 −1 2 4 6⎥
⎡ ⎤ ⎢ ⎥
⎢ ⎥
1 3 2 e) A=⎢ 0
⎢
3 4 1 0⎥
⎥
⎢ ⎥ ⎣ 1 0 1 0 1⎦
c) A=⎣ 3 3 1 ⎦
2 1 −2 −1 2 6 1 −2
3 Escreva a forma quádrica na forma matricial.
a) Q(x)= 3x 21 – x 22 + 4x1x2
b) Q(x)= –2x 21 + x1x2
c) Q(x)= –4x 21 – 2x 22 – x 23 + 4x1x2 – 6x1x3 + 8x2x3
d) Q(x)= 4x 24
e) Q(x)= 3x 21 + x 22+ 4x1x2
f) Q(x)= 4x1x2 – x2x4– 2x2x5

Referências
Bookman, 2001.
Anotações

Anotações

Anotações

Diagonalização de
formas quádricas
Aula
19
Apresentação
A Álgebra Linear quando aplicada às formas quádricas permite obter matrizes associadas
simplificadas, facilitando cálculos e reduzindo custo computacional. Ao lançar mão da dia-
gonalização, mostramos uma aplicação direta da Álgebra Linear na geometria, uma vez que
utilizaremos esse recurso para a facilitação do traçado do seu gráfico futuramente.
Objetivos
Aplicar o processo de diagonalização de matrizes às formas
1
quádricas.
2 Relacionar sistemas de coordenadas.
Compreender a relação entre os sistemas de coordenadas

3 envolvidos.

Definição
Como vimos na aula anterior, a forma matricial da forma quádrica é obtida facilmente a
partir da forma por extenso, porém, a matriz pode ser uma matriz “cheia” o que implica em vá-
rias dificuldades de manipulação. O que faremos nesta aula é diagonalizar essa matriz associada
para dispor de uma matriz simplificada. Uma matriz associada diagonal implica em uma forma
quádrica sem termos cruzados, então, o que de fato faremos é eliminar os termos cruzados.
Processo de diagonalização
Inicialmente é utilizada a função na forma padrão:
⎡ ⎤⎡ ⎤
a11 a12 ··· a1n x1
⎢
⎢ a21 a22 ···
⎥⎢ ⎥
a2n ⎥ ⎢ x2 ⎥
Q(x) = xT Ax = x1 x2 ··· xn ⎢ ⎥⎢ ⎥
⎢ ⎥⎢ ⎥
⎣ ⎦⎣ ⎦
an1 an2 ··· ann xn
O que faremos é mudar de sistema de coordenadas, de X para Y, os quais se relacionam

através da matriz P, que é uma matriz que diagonaliza A ortogonalmente.
X = PY
Onde: ⎡
⎤
x1
⎢ ⎥
⎢ x2 ⎥
X é o vetor variável do n X=⎢
⎢
⎥,
⎥
⎣ ⎦
xn
⎡ ⎤
y1
⎢ ⎥
⎢ y2 ⎥
Y é o novo vetor variável do n Y=⎢
⎢
⎥,
⎥
⎣ ⎦
yn
P é uma matriz ortogonal que diagonaliza A.

Aplicando a mudança de variável:
XT AX = (P Y)T A(P Y)
XT AX = YT P T AP Y
XT AX = YT (P T AP )Y
A nova matriz associada à forma quádrica no novo sistema de coordenadas é (PTAP).

Como P é uma matriz que diagonaliza A ortogonalmente, então
PT=P –1

e
PTAP = P –1AP = D
Onde D é a matriz diagonalizada, cujos elementos da diagonal principal são os autovalores
de A.
⎡ ⎤
λ1 0 ··· 0
⎢ ⎥
⎢ 0 λ2 ··· 0 ⎥
D=⎢
⎢
⎥
⎥
⎣ ⎦
0 0 ··· λn
Logo, XT AX = YT DY
Exemplo 1
2 2
Seja Q(x) = x1 − 5x2 − 8x1 x2 , encontre uma mudança de variável que transforme a forma
quádrica em uma sem termos cruzados.
Resolução:

1 −4 x1
T
Passando para a forma matricial, temos: Q(x) = x Ax = x1 x2 .
−4 −5 x2

1 −4
A matriz associada é: A = .
−4 −5
Devemos diagonalizar a matriz A:
Autovalores de A: 3 e –7
⎡2 ⎤ 1⎡ ⎤
√ √
⎢ 5 ⎥ ⎢ 5 ⎥
Autovetores de A: vλ=3 =⎢
⎣ −1
⎥
⎦ vλ=7 =⎢
⎣ 2
⎥.
⎦
√ √
5 5
Como os autovetores já são ortonormais, não será necessário diagonalizá-los nem ortonor-
malizá-los.
⎡ ⎤
2 1
√ √
x1 y1 ⎢ 5 5 ⎥
Então, x = Py , onde x = y= D=⎢
⎣ −1
⎥
x2 y2 2 ⎦
√ √
5 5

Mudando de coordenadas:
Q(x) = x21 − 5x22 − 8x1 x2 = xT Ax = yT Dy

3 0 y1
T
Q(y) = y Dy = y1 y2
0 −7 y2
Como a nova matriz associada é D, então a forma expandida fica:
Q(y) = 3y12 − 7y22 → Forma quádrica no novo sistema de coordenadas.
Para relacionarmos os dois sistemas de coordenadas, basta utilizarmos a expressão x = Py,

então para calcularmos um determinado vetor em Q(x), basta obter o correspondente em y.
Para calcular
Q(x1 , x2 ) = Q(2, −2),

Q(x) = x21 − 5x22 − 8x1 x2
Q(2, −2) = 22 − 5 · (−2)2 − 8 · 2 · (−2) = 16
Para encontrar o mesmo no sistema equivalente, primeiro encontramos seu correspondente

em Y:
X = PY
Y = P −1 X
P −1 = P T ⎡ ⎤ ⎡ ⎤
2 −1 √6
√ √
⎢ 5 5 ⎥ 2 ⎢ ⎥
Y = P −1 X = ⎢ ⎥ ⎢ 5 ⎥
⎣ 1 2 ⎦ −2 ⎣ −2 ⎦
√ √ √
5 5 5
6 −2
y1 = √ y2 = √
5 5
Então, aplicamos à expressão em Y:
Q(y) = 3y12 − 7y22

2 2
6 −2
Q(2, −2) = 3 √ −7 √ = 16
5 5

Seja Q(x) = 3x21 + 3x22 + 2x1 x2 , encontre uma mudança de variável que
transforme a forma quádrica em uma sem termos cruzados.
Desafio
2 2 2
1) Diagonalize a forma quádrica Q(x) = 3x1 − 2x1 x2 + 2x2 − 2x2 x3 + 3x3 .
2) Suponha que x é um autovetor unitário de dimensão 5 associado ao autovalor ¸=3.

Qual o valor de xT Ax?
Resumo
Nesta aula, você viu que o processo de diagonalização é de essencial

importância na simplificação de formas quádricas. Você aprendeu não apenas a
aplicar a diagonalização às formas quádricas como a relacionar vetores entre os
sistemas de coordenadas envolvidos.

Autoavaliação
Elimine o termo cruzado das formas quádricas, escrevendo-as em um novo sistema de
coordenadas. Encontre as matrizes que relacionam os dois sistemas. Para cada caso encontre
a coordenada correspondente a x1 = −1, x2 = 2, x3 = 1 no novo sistema de coordenadas.
a) Q(x) = x21 + x22 + 10x1 x2
b) Q(x) = 2x1 x2
c) Q(x) = 9x21 + 7x22 + 11x23 − 8x1 x2 + 8x1 x3
d) Q(x) = 2x1 x3 + 6x2 x3
Referências
Bookman, 2001.

Anotações

Seções cônicas
Aula
20
Apresentação
A
Álgebra Linear quando empregada na Geometria traz benefícios e facilidades ao traçado
de gráficos. Uma vez aprendida a diagonalização de formas quádricas, usaremos esse
recurso para traçar seus gráficos no plano. Faremos uma mudança de sistema de co-
ordenadas para trazer um gráfico deslocado em relação à origem para a posição centralizada,
o que facilita, e muito, o desenho do seu gráfico.
Objetivo
Traçar gráficos de seções cônicas rotacionados e deslocados horizontal
e/ou verticalmente em relação à origem.

Definição
Chamamos de seção cônica a forma gráfica que as quádricas do 2 assumem. Uma série
de figuras chaves pode ser obtida a partir das formas quádricas, as quais variam de acordo
com os parâmetros da equação analisada.
Quando analisamos os gráficos das quádricas do 3, temos então as superfícies cônicas,
que não serão alvos do nosso estudo.
O termo “cônicas” se dá porque as figuras, que são elipses, hipérboles e parábolas,
podem ser obtidas a partir de cortes feitos em cones. A Figura 1 mostra como o plano corta
o cone para formar as figuras.
Elipse Hipérbole Parábola
Figura 1 – Cônicas
Interpretação geométrica do 2
Partindo da equação das formas quádricas:
Q(x ) = xTAx = c
onde A é uma matriz 2×2 simétrica e inversível, c uma constante e x um vetor do 2.
Ao expandirmos, teremos uma expressão da forma:
rx 12 + sx 22 + tx1x2 = c
Sendo r, s e t ∈ obtidas a partir dos coeficientes da matriz A. Ao eliminarmos o termo

cruzado, através da diagonalização, teremos apenas:
fx 12 + gx 22 = c
onde f e g também são constantes. Dividindo toda a equação por c teremos:
f x21 gx2
+ 2 =1
c c
E arrumando, temos:
x21 x22
+ =1
a2 b2
Onde a e b são obtidas a partir de c, f e g.
Formas quádricas sem o termo cruzado

Veremos a seguir a forma padrão e a forma degenerada de cada uma das cônicas. A forma
padrão, não degenerada, é a forma como a equação da figura se apresenta, já a forma dege-
nerada ocorre quando alguma das constantes apresenta valores fora do padrão e com isso
transforma a figura em uma outra forma.
Elipse
A equação da elipse, na forma como sabemos traçar seu gráfico, é:
x21 x22
+ =1
a2 b2
No caso particular onde a =b, temos o círculo. A Figura 2 mostra o gráfico de elipses para
relações distintas de a e b. Para desenhar o gráfico da elipse devemos marcar as delimitações
definidas por a, –a, b e –b, então completar o gráfico.
a >b >0 b >a >0 a =b >0
x2 x2 x2
b b b
a x1 a x1 a x1
Figura 2 – Gráficos de elipses

Elipse degenerada:
Quando a equação tem a forma
ax 12 + bx 22 = c
Implica dizer que a figura obtida é apenas um ponto.
Círculo degenerado:
Como o círculo vem da elipse quando a=b, então também teremos apenas um ponto.
x 12 + x 22 = 0
Hipérbole
A equação da hipérbole é bem parecida com a da elipse, porém, muda um dos sinais dos
termos com variáveis para negativo:
x21 x22
+ =1
a2 b2
A Figura 3 mostra o gráfico de hipérboles para relações distintas de a e b. Para traçarmos uma
hipérbole, primeiro devemos marcar no gráfico os valores de a, –a, b e –b, traçar um retângulo
passando por esses pontos e então gerar as assíntotas, as quais o gráfico tangencia.
a >b >0 b >a >0
x2 x2
b b
a x1 a x1
Figura 3 – Gráficos de hipérboles

Hipérbole degenerada:
2 2
Quando caímos na forma x21 − x22 = 0 ⇒ x1 = ± a x2 .
a b b
O que implica em retas concorrentes.
Parábola
A equação da parábola é obtida a partir da expressão a seguir, ou invertendo-se as variáveis:
x 12 – ax2 = 0
a
A Figura 4 mostra parábolas sobre os eixos x1 e x2. O foco da parábola está situado a do
4
vértice e a diretriz a a do foco.
2
x 22 − ax 1 = 0 x 12 − ax 2 = 0
x2 x2
Diretriz
a
4 F a
F 4
a x1 a x1
4
a 4
Diretriz
4 a
4
Figura 4 – Gráficos de parábolas
Parábola degenerada:
Quando caímos na forma

x 12 – a = 0 ou x 12 = 0.
O que implica em retas paralelas no primeiro caso e em reta coincidente com o eixo x2
no segundo.

Exemplo 1
Encontre o gráfico de:
a) 9x 21 + 4x 22 = 36
b) x 21 – 4x 22 = 2
c) 16x 1 – x 22 = 0
Resolução:
a) Arrumando a equação 9x 21 + 4x 22 = 36
9x21 4x2 36
Dividindo tudo por 36: + 2 =
36 36 36
x21 x2
+ 2 = 1, temos a equação de uma elipse com a = 2 (associado a x ) e b =3 (associa-
4 9 1
do a x2). Para traçar o gráfico, primeiro marcamos os pontos a, –a, b e –b e, em seguida,
desenhamos a elipse, como mostrado na Figura 5.
x2 x2
3 3
-2 -2
2 x1 2 x1
-3 -3
x21 x2
Figura 5 – Gráfico da elipse + 2 =1
4 9
b) Arrumando a equação x 12 – 4x 22 = 2
x21 4x2 2
Dividindo por 2: − 2 =
2 2 2
x21 x2 x21 x2
− 2 =1 → − 2 =1
2 2 2 1
4 2
Temos a equação de uma hipérbole com
√
a= 2 ( x1 ) e b = 1 ( x2 )
2

Para traçar o gráfico, primeiro marcamos os pontos a, –a, b e –b e, em seguida, marcamos
um quadrado passando por esses pontos, como mostrado na Figura 6.
x2 x2
2 2
2 2
- 2 - 2
2 x1 x1
2
- 2 - 2
2 2
x21 x2
Figura 6 – Passos intermediários do gráfico da hipérbole − 2 =1
2 1
2
Traçamos as assíntotas passando pelas “quinas” do retângulo e, por fim, desenhamos a hi-
pérbole, como na Figura 7.
x2 x2
2
2
- 2
x1 x1
2
- 2
2
x21 x2
Figura 7 – Gráfico da hipérbole − 2 =1
2 1
2
Para saber se a hipérbole cruza o eixo x1 ou o eixo x2, devemos observar o sinal da equação.
x21 x2
Note que na equação − 2 = 1 a variável x2 pode assumir o valor x2=0 que o x1 apre-
2 1
2
sentará valores reais, porém, se a variável x1 assumir o valor x1=0 então os valores para x2
serão complexos, valores que não fazem parte do nosso estudo neste momento. Portanto,
concluímos que o valor x1 não pode ser zero, ou seja, o gráfico não pode cortar o eixo x2, então
o gráfico está sobre o eixo x1.

c) Arrumando a equação 16x 1 – x 22 = 0,
x 22 = 16x 1, temos a equação de uma parábola com a =16.

Vértice no ponto (0,0).
Foco no ponto (4,0), pois a parábola está sobre o eixo x1 (variável sem o quadrado).
Conhecendo alguns pontos fica simples traçar o gráfico. Vamos atribuir os valores 1 e 3 a x1:
X1 X2
1 ±4
√
3 ± 48
x2 x2
48 48
4 4
V F V F
1 3 x1 1 3 x1
-4 -4
- 48 - 48
Figura 8 – Gráfico de parábola x 22 = 16x 1
Forma quádrica completa

No exemplo anterior, vimos como traçar o gráfico das cônicas sem alterações. Porém, na
prática, essas figuras podem aparecer com vários deslocamentos possíveis. A equação da
forma quádrica não aparece “limpa”, na forma como sabemos traçar seu gráfico. Portanto,
veremos como considerar e eliminar cada parcela a fim de obtermos a forma reduzida e então
desenhar o gráfico de uma forma simples.
Quando consideramos a equação da forma quádrica rx 21 – sx 22 + tx 1x 2 = c deslocada, ou
seja, centrada no ponto (p,q), temos:
r(x 1– p)2 + s(x 2–q)2 + t(x 1– p)(x 2– q) = c
Arrumando, teremos uma equação com os seguintes termos:
a1x 21 + a2x 22 + a3x 1x 2 + a4x 1+ a5x 2 + a6 = 0
Essa forma, com termo cruzado e os termos lineares, é a forma completa da equação quádrica.

Influência dos termos
Observando a equação completa – da forma quádrica a1x 21 + a2x 22 + a3x 1x 2 + a4x 1+ a5x 2 + a6 = 0,
percebemos 3 tipos de termos adicionais:
Os termos quadráticos – a1x 21 + a2x 22 , os termos cruzados (ou produto misto) – a3x 1x 2 e os
termos lineares – a4x 1 + a5x 2. Cada um deles influencia o gráfico de uma maneira.
Termos quadráticos – a1x 21 + a2x 22

Quando na forma quádrica aparecem apenas esses termos, o que implica em uma figura
centralizada na origem e livre de deslocamentos ou rotações, dizemos que ela está na posição
canônica, conforme Figura 9.
x2
x1
Figura 9 – Cônica centralizada
Termos cruzados – a3x 1x 2

Quando o termo cruzado (ou produto misto) aparece na equação, a figura é rotacionada em
relação à sua posição canônica, como mostrado na Figura 10.
x2
x1
Figura 10 – Cônica rotacionada

Termos lineares – a4x 1 + a5x 2
Quando na forma quádrica surgem os termos lineares, isso indica deslocamentos horizontais
e/ou verticais, mostrados na Figura 11.
x2
x1
Figura 11 – Cônica deslocada horizontal e verticalmente
Uma cônica que apresenta todos os termos possíveis terá todas as modificações, a rotação e
os deslocamentos horizontais e verticais, como exemplificado na Figura 12.
x2
x1
Figura 12 – Cônica rotacionada e deslocada horizontal e verticalmente
O desafio é como traçar o gráfico de uma forma quádrica que apresenta todos os termos:
a1x 21 + a2x 22 + a3x 1x 2 + a4x 1+ a5x 2 + a6 = 0

Traçando o gráfico com a influência dos termos
Equação com termo cruzado (rotacionado)
Para desenharmos uma cônica rotacionada, o que fazemos na realidade é uma mudança de
sistema de coordenadas. Imagine que conhecemos a equação da cônica que tem o gráfico
mostrado na Figura 10. De posse da equação, é possível descobrir e relacionar um novo sistema
de coordenadas x`1x`2 que tem a cônica na posição canônica. Dessa forma fica fácil traçar o
gráfico no novo sistema de coordenadas x`1x`2 e sobrepor ao sistema antigo x1x2.
x2
x'
x'
2
1
x1
Figura 13 – Relação entre sistemas de coordenadas distintos
Partindo da equação a1x 21 + a2x 22 + a3x 1x 2 + a6 = 0 e escrevendo-a na forma matricial, temos:

xT Ax + c =0
a a12 x1
11
x1 x2 +c=0
a21 a22 x2

a11 a12 x1
Onde A = a21 a22
x=
x2
c = constante
Para eliminarmos o termo cruzado, vamos passar a quádrica pelo processo de diagonalização.
Para tanto, devemos encontrar a matriz P que diagonaliza A ortogonalmente, onde
X=PY.
Deve-se substituir na equação
xT Ax + c = 0
(P y)T A(P y) + c = 0
yT P T AP y + c = 0
yT (P T AP )y + c = 0
yT Dy + c = 0

Dessa forma, teremos um novo sistema de coordenadas Y livre do termo cruzado, o qual se
relaciona com o sistema X através da equação X=PY.

d1 0 y1
y1 y2 +c=0
0 d2 y2
d1 y12 + d2 y22 + c = 0
O gráfico no novo sistema de coordenadas é fácil de ser obtido, pois está na posição canônica.
O próximo passo é então relacionar os gráficos dos dois sistemas de coordenadas, onde os
eixos do novo sistema de coordenadas estão sobre o antigo na direção dos autovetores de A.
Exemplo 2
Encontre o gráfico da elipse 5x 21 + 8x 22 – 4x 1x 2 – 36 = 0.
Resolução:
Primeiro escrevemos na forma matricial: x TAx + c = 0

5 −2 x1
A= x= c = −36
−2 8 x2
Encontrando os autovalores de A: 4 e 9

2 −1
Encontrando os autovetores de A: vλ=4 e vλ=9
1 2
São ortogonais,⎡devemos
⎤ então apenas normalizá-los:
⎡ ⎤
2 −1
√ √
vλ=4 ⎢ 5 ⎥ vλ=9 ⎢ 5 ⎥
v1 = =⎢ ⎥ v2 = =⎢ ⎥
vλ=4 ⎣ 1 ⎦ vλ=9 ⎣ 2 ⎦
√ √
5 5
⎡ ⎤ ⎡ ⎤
2 −1 2 1
√ √ √ √
⎢ 5 5 ⎥ ⎢ 5 5 ⎥
P =⎢
⎣ 1
⎥ P −1 =⎢ ⎥
2 ⎦ ⎣ −1 2 ⎦
√ √ √ √
5 5 5 5
A ordem adequada para os autovetores na matriz é tal qual o determinante da

matriz P seja 1 e não –1. Segundo esse raciocínio, então v1 deve corresponder à
primeira coluna e v2 à segunda.

A expressão x TAx + c = 0 é equivalente a y TDy + c = 0

4 0 y1
y1 y2 − 36 = 0
0 9 y2
4y12 + 9y22 − 36 = 0
A equação nessa forma é fácil percebemos que se trata de uma elipse.
4y12 + 9y 22 = 36
Dividindo toda a equação por 36:

4y12 9y 2 36
+ 2 =
36 36 36
2 2
y1 y
+ 2 =1
9 4
a=3 b=2
O gráfico no sistema de coordenas Y é mostrado na Figura 14.
y2
-3
3 y1
-2
Figura 14 – Gráfico da cônica na posição canônica – Sistema y1y2. Escala 1:1
Para traçarmos o gráfico no sistema X, devemos primeiro escrever os eixos y1y2. Marcamos os
autovetores no sistema X e então traçamos o eixo y1 para coincidir com o primeiro autovetor
e o y2 com o segundo, como mostrado na Figura 15.

x2
1
y
2
y
V2 V1
x1
Figura 15 – Relação entre sistemas de coordenadas
Então, é só sobrepor o gráfico já traçado no sistema y1y2, como na Figura 16.
x2
1
y
3
2
y
x1
-2
-3
Figura 16 – Gráfico da cônica na posição original – Sistema x1x2. Escala 1:1
Encontre o gráfico da elipse 2x 21 + 2x 22 – 2x 1x 2 – 8 = 0.

Equação com termos lineares (deslocado horizontal e/ou verticalmente)
Como não há a presença de produto misto, significa que a cônica não está rotacionada, mas
está fora da sua posição. Para desenharmos uma cônica deslocada horizontal ou verticalmente,
fazemos também uma mudança de sistema de coordenadas. Para isso, vamos apenas rees-
crever a quádrica de uma forma diferente, completando os quadrados.
Consideremos a forma quádrica:
a1x 21 + a2x 22 +a3x 1 + a4x 2 + a 5 = 0
O que devemos fazer é agrupar os termos com as mesmas variáveis e completar os quadrados.
Façamos com um exemplo.
Exemplo 3
Encontre o gráfico de x 21 + 2x 22 + 4x 1– 4x 2 – 4 = 0.
Resolução:
Agrupando os termos:
(x 21 + 4x 1) – (2x 22 + 4x 2) – 4 = 0
Completando os quadrados:

(x1 + 2)2 − 4 − 2
(x2 + 1)2 − 1 − 4 = 0
(x1 + 2)2 − 2(x2 + 1)2 − 6 = 0
Mudando de variáveis:
x`1 = x 1+ 2
x`2 = x 2+ 1
Logo, a nova equação é:

x`12 – 2x`22 – 6 = 0
Ao organizar, fica:

x12 − 2x22 = 6

x12 2x 2 6
− 2 =
6 6 6

x12 x22
− =1
6√ 3 √
a= 6 b= 3

Pelo exposto, observamos que é a equação de uma hipérbole. Traçando a hipérbole no sistema
de coordenadas x`1x`2, obtemos o gráfico da Figura 17 na posição canônica.
x'2
3
- 6
6 x'1
- 3
Figura 17 – Gráfico da cônica na posição canônica – sistema x`1x`2. Escala 1:1
Para traçarmos o gráfico no sistema original, devemos relacionar os dois sistemas de coor-
denadas. Como:
x`1 = x1 + 2
x`2 = x2 + 1
Então, temos que o ponto (0,0) do sistema x`1 x`2 ocorre no ponto (–2,–1) do sistema x1x2,
conforme mostrado na Figura 18.
x2
x'2
x1
x'1
Figura 18 – Relação entre sistemas de coordenadas. Escala 1:1

Agora, então é só sobrepor a figura já traçada no sistema x`1x`2, como mostrado na Figura 19.
x2
x'2
x1
x'1
Figura 19 – Gráfico da cônica na posição original – sistema x1x2. Escala 1:1
Encontre o gráfico de 2x 21 + x 22 – 8x 1 + 2x 2 + 5 = 0.
Equação completa – produto misto e termos lineares
O problema do traçado do gráfico da equação a1x 21 + a2x 22 + a3x 1x 2 + a4x 1 + a5x 2 + a6 = 0 se

resume então a eliminar o termo cruzado e depois reescrever a equação de forma adequada.
A equação quádrica a1x 21 + a2x 22 + a3x 1x 2 + a4x 1 + a5x 2 + a6 = 0 pode ser escrita na forma matricial:

a11 a12 x1 x1
x1 x2 + b1 b2 +c=0
a21 a22 x2 x2
xT Ax + Bx + c = 0

a11 a12 x1
Onde A = x= B= b1 b2 c = constante
a21 a22 x2
Devemos promover uma mudança de coordenadas para um novo sistema Y, o qual se relaciona
com o sistema X através da matriz P que diagonaliza A ortogonalmente:
X=PY
Devemos substituir na equação matricial:

x TAx + Bx + c = 0

(Py)T A(Py) +B(Py) + c = 0
yTPT APy + BPy + c = 0
yT(PT AP)y + (BP)y + c = 0
yTDy + (BP)y + c = 0
Portanto, temos a nova equação matricial escrita no novo sistema de coordenadas sem o
termo cruzado. Note que para traçar o gráfico a partir dessa equação, depois de diagonalizada,
basta que completemos os quadrados e migremos para um terceiro sistema de coordenadas.
O segredo é então relacionar adequadamente os três sistemas.
Exemplo 4
√ √
Encontre o gráfico de 5x21 + 8x22 − 4x1 x2 + 4 5x1 − 16 5x2 + 4 = 0.
Resolução:
Primeiro passo é sempre escrever na forma matricial: x TAx + Bx + c = 0

5 −2 x1 √ √
A= x= B= 4 5 −16 5 c=4
−2 8 x2
Autovalores de A: 4 e 9

2 −1
Autovetores de A: vλ=4 = vλ=9 =
1 2
⎤ ⎡ ⎡ ⎤
2 −1
√ √
vλ=4 ⎢ 5 vλ=9 ⎢ 5 ⎥
Como são ortogonais, basta normalizar: v1 = =⎢ e v2 = =⎢ ⎥
vλ=4 ⎣ 1 ⎦ vλ=9 ⎣ 2 ⎦
√ √
5 5
⎡ ⎤ ⎡ ⎤
2 −1 2 1
√ √ √ √
⎢ 5 5 ⎥ ⎢ 5 5 ⎥
Matriz P: P = ⎢
⎣ 1 2 ⎦
⎥ P −1 =⎢
⎣ −1 2 ⎦
⎥
√ √ √ √
5 5 5 5
A ordem dos autovetores está correta, pois det(P)=1. Caso fosse –1, deveríamos trocar as
colunas de P e considerar o primeiro autovalor 9 e o segundo 4.
A expressão x TAx + Bx + c = 0 é equivalente a yTDy + (BP)y + c = 0.

⎡ ⎤
2 −1
√ √
4 0 y1 √ √ ⎢ 5 5 ⎥ y
−16 5 ⎢ ⎥ 1
y1 y2 + 4 5 ⎣ 1 +4=0
0 9 y2 2 ⎦ y2
√ √
5 5

y1
4y12 + 9y22 + [−8 − 36] +4=0
y2
4y12 + 9y22 − 8y1 − 36y2 + 4 = 0

Que é a expressão da forma quádrica no sistema Y, livre dos termos cruzados.
Devemos então agora manipular a equação para eliminar os termos lineares:

4y12 − 8y1 + 9y22 − 36y2 + 4 = 0
4(y12 − 2y1 ) + 9(y22 − 4y2 ) + 4 = 0
4(y12 − 2y1 ) + 4 − 4 + 9(y22 − 4y2 ) + 36 − 36 = −4
4(y12 − 2y1 + 1) − 4 + 9(y22 − 4y2 + 4) − 36 = −4
4(y1 − 1)2 + 9(y2 − 2)2 = 36
Mudando para o sistema de coordenadas y`1 y`2:
y`1 = y1 – 1 e y`2 = y2 – 2
Logo, a expressão da cônica no sistema y`1 y`2 é:
4y`12 + 9y`22 = 36
Colocando na forma padrão da elipse:

2 2
y 1 y
+ 2 =1
9 4
√ √
Onde a = 9 = 3 b= 4 = 2 , e seu gráfico pode ser visto na Figura 20.
y'2
y'1
Figura 20 – Gráfico da cônica na posição original – sistema y`1 y`2. Escala 1:1
Relacionando o sistema Y com o sistema Y`, temos que o ponto (0,0) do sistema Y` ocorre
no ponto (1,2) do sistema Y, conforme mostrado na Figura 21.
y`1 = y1 – 1
y`2 = y2 – 2

y'2
y2
y'1
y1
Figura 21 – Gráfico da cônica considerados os deslocamentos horizontais e verticais - sistema y1y2. Escala 1:1
Analisando o gráfico no sistema Y, é fácil observar que:
4y`12 + 9y22 – 8y1 – 36y2 + 4 = 0
y1 y2
0 3,88 e 0,11
1 0
Para escrever o sistema Y no sistema X, devemos primeiro marcar os autovetores v1 e v2 e,

em seguida, fazer com que os eixos y1 e y2 coincidam com eles, como mostrado na Figura 22.
y2 x2
y1
V2 V1
x1
Figura 22 – Relação entre sistema X e sistema Y
Agora, basta que sobreponhamos o gráfico da Figura 21 na posição adequada dentro do sistema
X, como desenhado na Figura 23.

y' 2
y2 x2
y' 1
y1
x1
Figura 23 – Gráfico da cônica no sistema X. Escala 1:1
Analisando o gráfico no sistema X, é fácil observar que:

√ √
5x21 + 8x22 − 4x1 x2 + 4 5x1 − 16 5x2 + 4 = 0
x1 x2
0 4,358 e 0,11
–0,89 0
Encontre o gráfico de 2x 2 + 2y 2 – 8x – 10y + 2xy + 11 = 0.
Desafio
1) Encontre uma equação geral para todas as elipses, não rotacionadas, com centro em (–2,3).
2) Encontre o gráfico de 1 x2 + 1 y 2 + xy − y = 0.
2 2
3) Analisando a cônica a seguir, encontre:
a) os autovalores da matriz associada à quádrica nas coordenadas X1X2.

b) os autovetores ortonormais da matriz associada à quádrica nas coordenadas X1X2.
x2
-4
*Os números indicados na figura dizem respeito ao
y2
sistema Y1Y2.
3 x1
*A escala do sistema X1X2 é 1:1(cada quadrado tem
-3
a dimensão 1x1).
4
y1
4) Considere que a trajetória da borda da montanha do Cânion da figura pode ser descrita pela
hipérbole x 2 + y 2 – 4xy – 30 = 0. Se fosse construída uma ponte unindo o Lado Oeste e
o Lado Leste, que tamanho ela teria?
Resumo
Nesta aula, você compreendeu as relações entre os sistemas de coordenadas

envolvidos no estudo sobre gráficos de cônicas. Você aprendeu também a
traçar gráficos de cônicas com deslocamentos e rotações, por meio de mu-
danças de sistemas de coordenadas os quais recorrem a assuntos da Álgebra
Linear, tais como diagonalização de matrizes, matrizes ortogonais, autovalores
e autovetores.

Autoavaliação
1 Descubra que forma têm as seguintes cônicas:
a) Q(x) = 9x 21 + 4x 22 + 36x1 – 16x2 + 16 = 0
b) Q(x) = 9x 21 – 4x 22 + 36x1 + 16x2 – 16 = 0
c) Q(x) = x 21 – 25x 22 – 4x1 + 150x2 – 246 = 0
d) Q(x) = x 21 + 25x 22 – 4x1 – 150x2 – 204 = 0
e) Q(x) = 3x 21 + 6x 22 – 12x1x2 – 12 = 0
f) Q(x) = 3x 21 + 6x 22 + 4x1x2 – 16 = 0
2 Encontre uma expressão para a cônica descrita (não rotacionada):
k1
k2
k2
k1
a) Elipse centrada no ponto (–3,1) com k1 = 4 e k2 = 2.
b) Hipérbole centrada em (0,4) com k1 = 4 e k2 = 2.
c) Elipse centrada no ponto (5,3) com k1 = 2 e k2 = 1.
d) Hipérbole centrada em (–2,–2) com k1 = 6 e k2 = 6.

Se duas pessoas andam sobre a trajetória de uma mesma elipse definida pela
3 equação 2x 21 + 2x 22 + 2x1x2 – 3 = 0, qual a maior distância possível que as duas
podem estar uma da outra?
4 Trace o gráfico das seguintes cônicas.
a) Q(x) = 2x 21 + 2x 22 + 2x1x2 + 4x1 – 4x2 – 4 = 0
b) Q(x) = 2x 21 – x 22 – 4x1x2 – 4x1 – 8x2 + 14 = 0
c) Q(x) = 9x 21 + 6x 22 – 4x1x2 – 10x1 – 20x2 – 5 = 0
d) Q(x) = x 21 – 7x 22 – 6x1x2 + 10x1 + 2x2 – 9 = 0
Referências
Bookman, 2001.
Anotações

Anotações

Anotações

Anotações

Esta edição foi produzida em mês de 2012 no Rio Grande do Norte, pela Secretaria de
Educação a Distância da Universidade Federal do Rio Grande do Norte (SEDIS/UFRN).
Utilizando-se Helvetica Lt Std Condensed para corpo do texto e Helvetica Lt Std Condensed
Black títulos e subtítulos sobre papel offset 90 g/m2.
Impresso na nome da gráfica
Foram impressos 1.000 exemplares desta edição.
SEDIS Secretaria de Educação a Distância – UFRN | Campus Universitário

Praça Cívica | Natal/RN | CEP 59.078-970 | sedis@sedis.ufrn.br | www.sedis.ufrn.br

Alg II Ect Livro Z Web

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

Alg II Ect Livro Z Web

Enviado por

Direitos autorais:

Formatos disponíveis

Álgebra Linear

Reitora Comitê Gestor

Secretaria de Educação a Distância (SEDIS)

Catalogação da publicação na fonte. Bibliotecária Verônica Pinheiro da Silva.

Aula 12 Autovalores e autovetores 7

Aula 13 Diagonalização de matrizes 21

Aula 14 Transformações lineares – deﬁnição 37

Aula 15 Transformações lineares e matrizes 57

Aula 16 Transformações lineares inversas 69

Aula 17 Transformações lineares e geometria do 2 83

Aula 18 Formas quádricas 101

Aula 19 Diagonalização de formas quádricas 115

Aula 20 Seções cônicas 125

SECRETARIA DE EDUCAÇÃO A DISTÂNCIA

Aula 12 Álgebra Linear 9

A·v = vetor de dimensão n×1

Só é possível obter autovalores e autovetores de matrizes quadradas.

O número de autovalores é deﬁnido pela ordem da matriz.

Aula 12 Álgebra Linear 11

Vamos introduzir a matriz identidade sem alterar a igualdade:

Vamos agora somar a ambos os lados da equação o termo –Av:

Colocando o vetor v em evidência: (¸I– A)v =0

Essa equação resulta em um sistema de equações com n equações e n incógnitas, onde

12 Aula 12 Álgebra Linear

Aula 12 Álgebra Linear 13

Para ¸=0 Para ¸=4

(λI − A)v = 0 (λI − A)v = 0

14 Aula 12 Álgebra Linear

O sistema tem soluções não triviais.

Se A é uma matriz triangular ou diagonal, então, os autovalores de A são os

Se v é um autovetor associado a um autovalor ¸ de A, então, kv também é

Se ¸ é autovalor de A, então, ¸k é um autovalor de Ak.

Se ¸ é autovalor de A, então, ¸–1 é um autovalor de A–1.

Se ¸ é autovalor de A, então, k¸ é um autovalor de kA.

Aula 12 Álgebra Linear 15

Escolhendo a terceira linha da matriz:

detM = m31 c31 + m32 c32 + m33 c33 = 0

16 Aula 12 Álgebra Linear

Para ¸=1 Para ¸=0

(λI − A)v = 0 (λI − A)v = 0

(λI − A)v = 0 (λI − A)v = 0

Multiplicidade geométrica de ¸=1 → 1 Multiplicidade geométrica de ¸=0 → 2

Encontre as multiplicidades algébricas e geométricas dos autovalores de

Aula 12 Álgebra Linear 17

1) Sabendo que o polinômio característico é p(¸)= ¸3 –¸2+2¸+4, encontre det(A).

2) Conhecendo os autovalores de A, então, conhecemos os autovalores de AT?

3) Uma matriz A é inversível se um dos seus autovalores for zero?

O assunto de autovalores e autovetores é um dos mais usados da Álgebra

18 Aula 12 Álgebra Linear

3 Encontre uma matriz de ordem 4 onde seus autovalores sejam 1, 2, 3 e 4.

4 Encontre uma base para o autoespaço de:

a) Que condição faz com que a matriz A tenha autovalores complexos?

6 Se um dos autovalores de uma matriz B é zero, a matriz B é não singular?

7 Considere o polinômio característico de A, p(¸)= ¸(¸–2)(¸+1)3 (¸–4).

BOLDRINI, J. L. et al. Álgebra linear. 3. ed. São Paulo: Harper-Row, 1980.

Aula 12 Álgebra Linear 19

20 Aula 12 Álgebra Linear

Diferenciar a diagonalização convencional da diagonaliza-

3 Calcular a matriz que diagonaliza outra.

Aula 13 Álgebra Linear 23

Considere duas matrizes A e B que sejam semelhantes:

As características (postos) são iguais.

As nulidades são iguais.