Escolar Documentos
Profissional Documentos
Cultura Documentos
Alg II Ect Livro Z Web
Alg II Ect Livro Z Web
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
Autovalores e autovetores
Transformações lineares
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
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
© 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
Autovalores e autovetores
Transformações lineares
Formas quádricas
Natal – RN
Abril/2012
Sumário
Apresentação Institucional 5
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.
5
Autovalores e autovetores
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.
⎡ ⎤
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:
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
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
Av =¸Iv
Av – v = ¸Iv – Av
0 = ¸Iv – Av
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
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.
v 1 = (−1, 1) v 2 = (1, 1)
2 −4
Encontre os autovetores da matriz A = .
−4 2
Observação:
Propriedades
*k é um escalar.
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
Resumo
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
⎡ ⎤
⎡ ⎤ 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
b) Que condição faz com que os autovalores de A tenham multiplicidade algébrica diferente
de 1?
a) Qual o tamanho de A?
b) A é inversível?
Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre:
Bookman, 2001.
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
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.
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.
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
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.
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.
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
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
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
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:
Exemplo 2
0 0
Calcule A15, onde A =
1 1
Resolução:
Sabemos que A15 = PD15P –1 , então devemos encontrar D e P.
Encontrando os autovalores:
λ1 = 1
det(λI− ) = 0
λ2 = 0
Encontrando os autovetores:
λ1 = 1 λ2 = 0
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
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.
3) Normalizar os vetores.
Encontrando os autovetores:
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
<(1,0,1),(–1,0,1)> = 0
<(1,0,1),(0,1,0)> = 0
<(–1,0,1),(0,1,0)> = 0
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
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
Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre:
Bookman, 2001.
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
Anotações
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.
onde
x1 e x2= elementos quaisquer de V e k = constante.
onde T(v)=w,
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
Resolução:
Para que T(x)= 8x seja uma transformação linear T: →, é necessário que sejam satisfeitas
as duas condições:
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:
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.
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)
T:V→W é uma transformação linear, {v1,v2,...,vn } é base de V e ¸1, ¸2,..., ¸n pertencem a , então:
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
T(v)=T(–4v1–2v2+7v3)
T(v)=–4T(v1)–2T(v2)+7T(v3)
T(v)=–4(1,–2)–2(3,1)+7(0,2)
T(V)=(–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:
Conferindo:
Se a regra está correta, as transformações fornecidas no enunciado da questão devem valer
para a regra:
T:V →W
Espaço V ço
Espa W
V3 W3
V2
N(T)
V4
0
V1 W1
V5 W5
Vn Wn
T(v1)=0
T(v2)=0
II) Adição:
Seja ¸ ∈ , então
T(¸v1) = ¸T(v1) = ¸· 0 = 0
∴ ¸·v1 ∈ N(T)
T:V →W
Espaço V ço
Espa W
V3
W3
V2
W2
V4 Im(T)
W4
W1
V1 W5
V5 Wn
Vn
Teorema
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
Os vetores que aparecem são os que formam a base da imagem, desde que sejam linearmente
independentes (LI).
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.
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
Desafio
Autoavaliação
1 Verifique se as transformações são lineares.
i) T:P2→ P2, T(a2x2 + a1x + a0) = (a2 – a0)x 2 + (a0 +a1 +a2)
dP2
j) T : P3 → P2 , T (P2 ) =
dx
Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre: Bookman, 2001.
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
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.
W=A.X
⎡ ⎤ ⎡ ⎤⎡ ⎤
w1 a11 a12 ··· a1n x1
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎢ w2 ⎥ ⎢ a21 a22 ··· a2n ⎥ ⎢ x2 ⎥
⎢ ⎥=⎢ ⎥⎢ ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣ ⎦ ⎣ ⎦⎣ ⎦
wm am1 am2 ··· amn xn
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.
Aula 15 Álgebra Linear 61
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)
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
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.
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
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)
1 1 x
T (x, y) =
a 1 y
Resumo
d 2 P3
e) T : P3 → P1 , T (P3 ) =
dx2
1
g) T : 2 → 2 , T (x, y) = √ (x + y, x − y)
2
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
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
Anotações
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.
T:V →W
Espaço Espaço
vetorial vetorial
V W
-1
T :V →W
Relações entre T e T –1
T(v) = w T –1(T(v)) = v
T –1(w) = v T(T –1(w)) = w
1 A 1 A 1 A
2 D
2 D 2
B 3 B 3 B
3 C
C 4 C 4
Transformação Injetora
Transformação Sobrejetora
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
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
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
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.
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.
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
T(x1,x2,x3) =(a1x1,a2x2,a3x3), ai ∈ .
3 Por que é necessário que a transformação seja bijetora para possuir inversa?
Resumo
⎡ ⎤
1 1 2
⎢ ⎥
d) −1
T (u) = ⎣ 0 1 0 ⎦u
−1 1 1
Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre:
Bookman, 2001.
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
Anotações
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.
y
u
y y y
u ku u u
ku
x x
-ku
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
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.
x x
T(u)
y y
u u
T(u)
x x
y y
u
T(u) u
x x
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
y y
u T(u)
θ u
x x
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 y
u
T(u) u T(u)
K< 0 K>0
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.
T(u)
y y
u u
T(u)
K< 0 K>0
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
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
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
y y y
u
3
-3 3
-4 x x x
-4 -4
T1(u) T2(T1(u))
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
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 )
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.
⎡ ⎤
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
Projeção ortogonal ⎢ ⎥
T (x, y, z) = (x, 0, z) ⎣ 0 0 0 ⎦
sobre o plano xz
0 0 1
⎡ ⎤
0 0 0
Projeção ortogonal ⎢ ⎥
T (x, y, z) = (0, y, z) ⎣ 0 1 0 ⎦
sobre o plano yz
0 0 1
x+y x−y
2) A Transformação Linear T (x, y) = 2
,
2
é bijetora? Justifique.
Resumo
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.
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 )
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
Anotações
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.
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:
Onde os termos que envolvem variáveis distintas são chamados de produto misto ou
termo cruzado. Exemplo: a2x1x2.
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
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
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
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
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
⎡ ⎤⎡ ⎤
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
Desafio
Resumo
a) Q(x)= 2x 21 + 2x 22 + 2x1x2
e) Q(x)= 2x 31 + x 32 + x 33
a) Q(x)= 3x 21 – x 22 + 4x1x2
d) Q(x)= 4x 24
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
Anotações
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.
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
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
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
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
Para calcular
Desafio
2 2 2
1) Diagonalize a forma quádrica Q(x) = 3x1 − 2x1 x2 + 2x2 − 2x2 x3 + 3x3 .
Resumo
b) Q(x) = 2x1 x2
Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre:
Bookman, 2001.
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
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.
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
fx 12 + gx 22 = c
Aula 20 Álgebra Linear 129
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.
Elipse
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.
x2 x2 x2
b b b
a x1 a x1 a x1
ax 12 + bx 22 = c
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.
x2 x2
b b
a x1 a x1
Parábola
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
Parábola degenerada:
O que implica em retas paralelas no primeiro caso e em reta coincidente com o eixo x2
no segundo.
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
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.
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
Essa forma, com termo cruzado e os termos lineares, é a forma completa da equação quádrica.
x2
x1
x2
x1
x2
x1
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
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
x2
x'
x'
2
1
x1
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
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:
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
4y12 + 9y22 − 36 = 0
4y12 + 9y 22 = 36
y2
-3
3 y1
-2
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.
1
y
2
y
V2 V1
x1
x2
1
y
3
2
y
x1
-2
-3
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:
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
Mudando de variáveis:
x`1 = x 1+ 2
x`2 = x 2+ 1
Ao organizar, fica:
x12 − 2x22 = 6
x12 2x 2 6
− 2 =
6 6 6
x12 x22
− =1
6√ 3 √
a= 6 b= 3
x'2
3
- 6
6 x'1
- 3
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
x2
x'2
x1
x'1
Encontre o gráfico de 2x 21 + x 22 – 8x 1 + 2x 2 + 5 = 0.
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
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.
y`1 = y1 – 1 e y`2 = y2 – 2
4y`12 + 9y`22 = 36
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
y2
y'1
y1
Figura 21 – Gráfico da cônica considerados os deslocamentos horizontais e verticais - sistema y1y2. Escala 1:1
y1 y2
0 3,88 e 0,11
1 0
y2 x2
y1
V2 V1
x1
Agora, basta que sobreponhamos o gráfico da Figura 21 na posição adequada dentro do sistema
X, como desenhado na Figura 23.
y2 x2
y' 1
y1
x1
x1 x2
0 4,358 e 0,11
–0,89 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
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
e) Q(x) = 3x 21 + 6x 22 – 12x1x2 – 12 = 0
f) Q(x) = 3x 21 + 6x 22 + 4x1x2 – 16 = 0
k1
k2
k2
k1
Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre:
Bookman, 2001.
LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.
Anotações