Equações diferenciais ordinárias

Sistemas de Equações Lineares de Primeira Ordem

Referências - Boyce e DiPrima (2006); Simmons Krantz (2008)

Sistemas lineares homogêneos com coeficientes constantes

Nossa atenção será concentrada em sistemas lineares homogêneos com coeficientes

constantes, na forma:
𝒙´ = 𝑨𝒙
Em que 𝐴 é uma matriz constante 𝑛 × 𝑛.

Se 𝑛 = 1, o sistema se reduz a uma única equação de primeira ordem:

𝑥´(𝑡) = [𝑎]𝑥(𝑡)

𝑑𝑥
= 𝑎𝑥
𝑑𝑡

Cuja solução, como sabemos, é do tipo 𝒙(𝑡) = 𝑐𝑒 𝑎𝑡 .

Para o caso geral, vamos supor que 𝒙(𝑡) = 𝒌𝑒 𝑟𝑡 seja solução procurada para o sistema
𝒙´ = 𝑨𝒙 (onde o vetor constante 𝑘 e o expoente 𝑟 devem ser determinados).

Dessa maneira, substituindo 𝒙(𝑡) = 𝒌𝑒 𝑟𝑡 em 𝒙´ = 𝑨𝒙, temos:

𝑟𝒌𝑒 𝑟𝑡 = 𝑨𝒌𝑒 𝑟𝑡
Como 𝑒 𝑟𝑡 é não-nulo, o cancelamos em ambos os lados:

𝑟𝒌 = 𝑨𝒌
(𝑨 − 𝑟𝑰)𝒌 = 𝟎
Onde 𝑰 é a matriz identidade 𝑛 × 𝑛 e 𝟎 é o vetor nulo.
A equação acima admite soluções não-nula se, e somente se, det(𝑨 − 𝑟𝑰) = 0.
A equação 𝑝(𝑟) = det(𝑨 − 𝑟𝑰) define um polinômio de grau 𝑛, chamado de polinômio
característico de 𝐴.

Relembrando...

Autovalores e autovetores. A equação

𝑨𝒙 = 𝒚
Pode ser vista como uma transformação linear que leva um dado vetor 𝒙 em um novo vetor
𝒚. O caso em que vetores que são transformados em um múltiplo de si mesmos são bastante
relevantes. Para esses casos, fazemos 𝒚 = 𝜆𝒙, em que 𝜆 é um fator escalar de
proporcionalidade, e procuramos soluções das equações:
𝑨𝒙 = 𝜆𝒙
Ou

1
 (𝑨 − 𝜆𝑰)𝒙 = 𝟎
Essa equação (𝑨 − 𝜆𝑰)𝒙 = 𝟎 tem soluções não-nulas se, e somente se, 𝜆 for escolhido de
modo que det(𝑨 − 𝜆𝑰) = 0.

Definição. Seja 𝐴 uma matriz quadrada qualquer. Dizemos que um escalar 𝜆 é um autovalor
de 𝐴 se existe um vetor (coluna) não nulo 𝑥 tal que:
𝑨𝒙 = 𝜆𝒙

Qualquer vetor que satisfaz essa relação é denominado autovetor de 𝐴 associado ao

autovalor 𝜆.

Observação. Um autovetor define uma direção na qual a matriz se comporta como um

escalar.

Exemplo1. Considere o sistema

1 1
𝒙′ = [ ]𝒙
4 1
Encontre sua solução geral.
Solução.
Vamos supor que 𝒙(𝑡) = 𝒌𝑒 𝑟𝑡 seja solução procurada para o sistema 𝒙´ = 𝑨𝒙.

1 1 𝑥′ 1 1 𝑥1
𝒙′ = [ ]𝒙 ⟹ [ 1′ ] = [ ][ ]
4 1 𝑥2 4 1 𝑥2
𝑥 ′ = 𝑥1 + 𝑥2
{ ′1
𝑥2 = 4𝑥1 + 𝑥2

Sendo
(𝑨 − 𝑟𝑰)𝒌 = 𝟎

O polinômio característico da matriz 𝐴 é 𝑝(𝑟) = det(𝐴 − 𝑟𝐼)

1−𝑟 1
det(𝐴 − 𝑟𝐼) = | | = (1 − 𝑟)2 − 4
4 1−𝑟
Equação característica:
(1 − 𝑟)2 − 4 = 0
1 − 𝑟 = ±2
𝑟1 = 3 ; 𝑟2 = −1
Autovalores: −1 e 3.
Autovetores:
• Para 𝑟 = −1:
(𝑨 − (−1)𝑰)𝒌 = 𝟎
(𝑨 + 𝑰)𝒌 = 𝟎
1 1 1 0 𝑘 0
(( )+( )) ( 1 ) = ( )
4 1 0 1 𝑘2 0
2 1 𝑘 0
( ) ( 1) = ( )
4 2 𝑘2 0
2𝑘1 + 𝑘2 = 0
4𝑘1 + 2𝑘2 = 0
Ou seja, 𝑘2 = −2𝑘1

2
 𝑘 1
Assim, 𝒌(𝟏) = ( 1 ) = 𝑘1 ( ). Se 𝑘1 = 1:
−2𝑘1 −2
1
𝒌(𝟏) = ( )
−2

• Para 𝑟 = 3:
(𝑨 − 3𝑰)𝒌 = 𝟎
1 1 −3 0 𝑘 0
(( )+( )) ( 1 ) = ( )
4 1 0 −3 𝑘2 0
−2 1 𝑘 0
( ) ( 1) = ( )
4 −2 𝑘2 0
−2𝑘1 + 𝑘2 = 0
4𝑘1 − 2𝑘2 = 0
Logo,
𝑘2 = 2𝑘1
𝑘1 1
Assim, 𝒌(𝟐) =( ) = 𝑘1 ( ). Se 𝑘1 = 1:
2𝑘1 2
1
𝒌(𝟐) = ( )
2

Portanto, como as soluções são da forma 𝒙(𝑡) = 𝒌𝑒 𝑟𝑡 :

1
𝒙(𝟏) = ( ) 𝑒 −𝑡
−2
(𝟐) 1
𝒙 = ( ) 𝑒 3𝑡
2
Se fizermos o Wronskiano de 𝒙(𝟏) e 𝒙(𝟐), temos:
−𝑡 3𝑡
𝑊[𝒙(𝟏) , 𝒙(𝟐) ](𝑡) = [ 𝑒 −𝑡 𝑒 3𝑡 ] = −4𝑒 2𝑡
−2𝑒 2𝑒
(𝟏) (𝟐)
O wronskiano nunca se anula. Portanto, 𝒙 e 𝒙 formam um conjunto fundamental de
soluções e a solução geral do sistema é:
𝒙(𝑡) = 𝑐1 𝒙(𝟏) + 𝑐2 𝒙(𝟐)

1 1
𝒙(𝑡) = 𝑐1 ( ) 𝑒 −𝑡 + 𝑐2 ( ) 𝑒 3𝑡
−2 2
Onde 𝑐1 e 𝑐2 são constantes arbitrárias.

𝑥1′ = 𝑥1 + 𝑥2
Como exercício, poderíamos resolver { isolando 𝑥2 na primeira equação e
𝑥2′ = 4𝑥1 + 𝑥2
substituindo na segunda. Dessa maneira, encontraríamos:
𝑥1 (𝑡) = 𝑐1 𝑒 3𝑡 + 𝑐2 𝑒 −𝑡
𝑥2 (𝑡) = 2𝑐1 𝑒 3𝑡 − 2𝑐2 𝑒 −𝑡
𝑥 (𝑡)
Como 𝒙(𝑡) = [ 1 ], temos a resposta na notação vetorial:
𝑥2 (𝑡)
𝑥 (𝑡) 𝑐 𝑒 3𝑡 + 𝑐2 𝑒 −𝑡 1 1
𝒙(𝑡) = [ 1 ] = [ 1 3𝑡 ] = 𝑐1 [ ] 𝑒 3𝑡 + 𝑐2 [ ] 𝑒 −𝑡
𝑥2 (𝑡) 2𝑐1 𝑒 − 2𝑐2 𝑒 −𝑡 2 −2

Exemplo2. Considere o sistema

𝒙′ = [−3 √2 ] 𝒙
√2 −2
Encontre sua solução geral.

3
Solução.
Vamos supor que 𝒙(𝑡) = 𝒌𝑒 𝑟𝑡 seja solução procurada para o sistema 𝒙´ = 𝑨𝒙.

−3 √2 ] 𝑥′ 𝑥1
𝒙′ = [ 𝒙 ⟹ [ 1′ ] = [−3 √2 ] [𝑥 ]
√2 −2 𝑥2 √2 −2 2

Sendo
(𝑨 − 𝑟𝑰)𝒌 = 𝟎

O polinômio característico da matriz 𝐴 é 𝑝(𝑟) = det(𝐴 − 𝑟𝐼)

det(𝐴 − 𝑟𝐼) = |−3 − 𝑟 √2 | = (𝑟 + 1)(𝑟 + 4)

√2 −2 − 𝑟
Equação característica:
(𝑟 + 1)(𝑟 + 4) = 0
𝑟1 = −1 ; 𝑟2 = −4
Autovalores: −1 , −4
Autovetores:
• 𝑟 = −1:
(𝑨 + 𝑰)𝒌 = 𝟎

(−2 √2 ) (𝑘1 ) = (0)

√2 −1 𝑘2 0
𝑘2 = √2𝑘1
Assim, o autovetor associado a 𝑟 = −1 pode ser escolhido como:

1
𝒌(𝟏) = ( )
√2
• 𝑟 = −4

(𝑨 + 4𝑰)𝒌 = 𝟎
𝑘 0
( 1 √2) ( 1 ) = ( )
√2 2 𝑘2 0

𝑘1 = −√2𝑘2

Assim, o autovetor associado a 𝑟 = −4 pode ser escolhido como:

𝒌(𝟐) = (−√2)
1
Portanto, um conjunto fundamental de soluções para o sistema é:
1
𝒙(𝟏) = ( ) 𝑒 −𝑡
√2
𝒙(𝟐) = (−√2) 𝑒 −4𝑡
1
E a solução geral é:

4
 𝒙(𝑡) = 𝑐1 𝒙(𝟏) + 𝑐2 𝒙(𝟐)

1
𝒙(𝑡) = 𝑐1 ( ) 𝑒 −𝑡 + 𝑐2 (−√2) 𝑒 −4𝑡
√2 1

Teorema. Suponha que 𝑣1 , 𝑣2 , … , 𝑣𝑛 sejam autovetores de uma matriz 𝐴 associados a

autovalores distintos 𝜆1 , 𝜆2 , ..., 𝜆𝑛 . Então, 𝑣1 , 𝑣2 , … , 𝑣𝑛 são linearmente independentes.

Quando a matriz 𝐴 possui 𝑛 autovalores reais distintos 𝜆1 , 𝜆2 , ..., 𝜆𝑛 , sempre podemos encontrar
𝑛 autovetores 𝒌𝟏 , 𝒌𝟐 , … , 𝒌𝒏 linearmente independentes e
𝑥 (1) = 𝑘1 𝑒 𝜆1 𝑡 , 𝑥 (2) = 𝑘2 𝑒 𝜆2 𝑡 , … . , 𝑥 (𝑛) = 𝑘𝑛 𝑒 𝜆𝑛 𝑡
′
São soluções de 𝒙 = 𝑨𝒙.

Solução geral de sistemas homogêneos. Considere 𝜆1 , 𝜆2 , … , 𝜆𝑛 como sendo 𝑛

autovalores reais e distintos da matriz de coeficientes 𝐴 do sistema homogêneo
𝒙′ (𝑡) = 𝑨. 𝒙 e 𝒌(𝟏) , 𝒌(𝟐) ,..., 𝒌(𝒏) os autovalores correspondentes.
Logo, a solução geral do sistema no intervalo (−∞, ∞) é definida como:
𝒙(𝑡) = 𝑐1 𝒌(𝟏) 𝑒 𝜆1 𝑡 + 𝑐2 𝒌(𝟐) 𝑒 𝜆2 𝑡 + ⋯ + 𝑐𝑛 𝒌(𝒏) 𝑒 𝜆𝑛 𝑡

A equação polinomial det(𝑨 − 𝜆𝑰) = 0 é uma equação de grau 𝑛 em 𝜆, de modo que alguns dos
autovalores 𝜆 podem ser repetidos. Se determinado autovalor aparece 𝑚 vezes como raiz da
equação polinomial, esse autovalor é disso de multiplicidade algébrica m. Cada autovalor tem
pelo menos um autovetor associado e um autovalor de multiplicidade algébrica 𝑚 pode ter 𝑞
autovetores linearmente independentes. O número 𝑞 é chamado de multiplicidade geométrica
do autovalor e:
1≤𝑞≤𝑚
Assim, se, por um lado, cada autovalor de 𝐴 é simples (tem multiplicidade algébrica 1), cada
autovalor também tem multiplicidade geométrica 1 e, portanto, os 𝑛 autovetores (um pra cada
autovalor) são linearmente independentes. Por outro lado, se 𝐴 tem um ou mais autovalores
repetidos, então pode ter menos do que 𝑛 autovetores linearmente independentes.

Antes de entrarmos nesses casos de autovalores repetidos, vamos fazer mais um exemplo em
que temos autovalores reais distintos:

Exemplo3. Resolva o sistema:

𝑥 ′ (𝑡) = 𝑥 + 3𝑦

𝑦 ′ (𝑡) = 5𝑥 + 3𝑦
Solução:
𝑥 ′ (𝑡) 1 3 𝑥
[ ]=[ ][ ]
𝑦′(𝑡) 5 3 𝑦
1 3
𝐴=[ ]
5 3

5
 det(𝐴 − 𝜆𝐼) = 𝜆2 − 4𝜆 − 12 = 0
𝜆1 = −2 e 𝜆2 = 6

• 𝜆1 = −2
1+2 3 𝑘 0
[ ] [ 1] = [ ]
5 3 + 2 𝑘2 0
𝑘2 = −𝑘1
Podemos escolher qualquer valor conveniente (com exceção de zero)

Para cada uma das variáveis. Fazendo 𝑘1 = 1, 𝑘2 = −1. Assim:

1
𝒌=[ ]
−1
• 𝜆2 = 6
1−6 3 𝑘 0
[ ] [ 1] = [ ]
5 3 − 6 𝑘2 0
3
𝑘1 = 𝑘2
5
Podemos escolher qualquer valor conveniente (com exceção de zero)

Para cada uma das variáveis. Fazendo 𝑘2 = 5, 𝑘1 = 3. Assim:

3
𝒌=[ ]
5
De modo que chegamos em duas soluções:
1 3
𝒙(𝟏) = [ ] 𝑒 −2𝑡 e 𝒙(𝟐) = [ ] 𝑒 6𝑡
−1 5
1 −2𝑡 3
A solução geral é: 𝒙(𝑡) = 𝑐1 [ ]𝑒 + 𝑐2 [ ] 𝑒 6𝑡
−1 5
Exercícios.

1. Escreva o sistema linear na forma matricial

𝑑𝑥
𝑑𝑡
= 𝑥−𝑦+𝑧+𝑡−1
𝑑𝑦
a) 𝑑𝑡
= 2𝑥 + 𝑦 − 𝑧 − 3𝑡 2
𝑑𝑧 2
{𝑑𝑡 = 𝑥 + 𝑦 + 𝑧 + 𝑡 − 𝑡 + 2
𝑑𝑥
𝑑𝑡
= −3𝑥 + 4𝑦 + 𝑒 −𝑡 𝑠𝑒𝑛(2𝑡)
𝑑𝑦
b) 𝑑𝑡
= 5𝑥 + 9𝑧 + 4𝑒 −𝑡 cos(2𝑡)
𝑑𝑧
{ 𝑑𝑡
= 𝑦 + 6𝑧 − 𝑒 −𝑡

2. Resolva os sistemas:

6
 𝑑𝑥
𝑑𝑡
= 𝑥 + 2𝑦
a) {𝑑𝑦
𝑑𝑡
= 4𝑥 + 3𝑦

0 6 0
b) 𝒙′ = [1 0 1] 𝒙
1 1 0

𝑥 ′ = −4𝑥 + 2𝑦
c) { ′ 5
𝑦 = − 2 𝑥 + 2𝑦

3) Resolva o PVI:
1 2 −1
𝒙′ = [ 1 0 1 ]𝒙
4 −4 5
−1
𝒙(0) = [ 0 ]
0

Resposta:

6 − 3  2
1  1   −t   − 2t   3t
2) a) X = C1   e5t + C2   e − t b) X = C1 − 1 e + C 2 1 e + C 3 1 e
     
2  −1 − 5  1  1 

 2  2
c) X =C   e −3t + C 2   e t
1  5 
1

Autovalores repetidos

Considerando um sistema de 𝑛 equações lineares homogêneas de coeficientes

constantes

𝒙′ = 𝑨𝒙 (1)

Onde 𝐴 é uma matriz real. Nossa procura por soluções do tipo 𝒙 = 𝒌𝑒 𝑟𝑡 , como já vimos,
nos mostra que 𝒌 será um autovetor associado ao autovalor 𝑟. Os autovalores 𝑟1 , … , 𝑟𝑛 são raízes
do polinômio característico

𝑝(𝑟) = det(𝑨 − 𝑟𝑰)

Já os autovetores associados satisfazem (𝑨 − 𝑟𝑰)𝒌 = 𝟎

7
Pode ser que encontremos autovalores repetidos, com multiplicidade algébrica 𝑘 ≥ 2; além
disso, esse autovalor com multiplicidade algébrica 𝑘 ≥ 2 pode ter multiplicidade geométrica
menor do que 𝑘.

Se 𝜆 é um autovalor de 𝑇 (ou de uma matriz A), então a multiplicidade algébrica de 𝜆 é

definida como a multiplicidade de 𝜆 como raiz do polinômio característico de 𝐴 e a
multiplicidade geométrica de 𝜆 é a dimensão do autoespaço, isto é, dim 𝑉(𝜆). A
multiplicidade geométrica de um autovalor 𝜆 de uma transformação (ou uma matriz A) não é
maior que a multiplicidade algébrica.

Vamos ver casos por meio de exemplos.

Exemplo1. Encontre os autovalores e autovetores da matriz

1 −1
𝐴=( )
1 3
Solução.

Polinômio característico 𝑝(𝑟) = 𝑟 2 − 4𝑟 = 4 = 0

𝑟 = 2 (raiz dupla) é um autovalor com multiplicidade algébrica 2.

Fazendo (𝑨 − 𝑟𝑰)𝒌 = 𝟎, temos:

−1 −1 𝑘1 0
( )( ) = ( )
1 1 𝑘2 0
Resolvemos, chegamos que 𝑘1 = −𝑘2

Portanto, o único autovetor associado ao autovalor 2 é:

1
𝒌=( )
−1
Ou qualquer múltiplo não nulo desse vetor. Portanto, a multiplicidade geométrica do autovalor
2 é 1 (existe apenas um autovetor LI associado a esse autovalor duplo).

Exemplo2. Encontre um conjunto fundamental de soluções para

1 −1
𝒙′ = ( )𝒙
1 3
Solução. Com base no exemplo anterior, chegamos que

8
 1
𝒙(𝟏) (𝒕) = ( ) 𝑒 2𝑡
−1
É uma solução, mas precisamos encontrar outra solução que, junto com 𝒙(𝟏), forme um
conjunto fundamental de soluções.

Com o que já estudamos em conteúdos anteriores nessa disciplina, poderíamos supor que uma
segunda solução possível seja do tipo:

𝒙(𝑡) = 𝒌𝑡𝑒 2𝑡
Substituindo 𝒙 na equação 𝒙′ = 𝑨𝒙, temos

2𝒌𝑡𝑒 2𝑡 + 𝒌𝑒 2𝑡 − 𝑨𝒌𝑡𝑒 2𝑡 = 0

Para isso, é necessário que os coeficientes de 𝑡𝑒 2𝑡 e de 𝑒 2𝑡 sejam nulos. Isso nos leva a 𝒌 = 0

Logo, não existe solução não-nula da forma 𝒙(𝑡) = 𝒌𝑡𝑒 2𝑡 .

Notemos que a equação 2𝒌𝑡𝑒 2𝑡 + 𝒌𝑒 2𝑡 − 𝑨𝒌𝑡𝑒 2𝑡 = 0 tem termos 𝑡𝑒 2𝑡 e 𝑒 2𝑡 . Assim, uma

suposição é que, além de 𝒌𝑡𝑒 2𝑡 , a segunda solução deve conter 𝛈𝑒 2𝑡 . Assim:

𝒙(𝑡) = 𝒌𝑡𝑒 2𝑡 + 𝛈𝑒 2𝑡
Onde 𝒌 e 𝛈 são vetores constantes.

Substituindo na equação 𝒙′ = 𝑨𝒙, temos:

2𝒌𝑡𝑒 2𝑡 + (𝒌 + 𝛈)𝑒 2𝑡 = 𝑨(𝒌𝑡𝑒 2𝑡 + 𝛈𝑒 2𝑡 )

Igualando os coeficientes de 𝑡𝑒 2𝑡 e de 𝑒 2𝑡 , temos:

(𝑨 − 2𝑰)𝒌 = 0

(𝑨 − 2𝑰)𝜼 = 𝒌
1
A equação (𝑨 − 2𝑰)𝒌 = 0 é satisfeita para 𝒌 = ( )
−1
Para a segunda equação ((𝑨 − 2𝑰)𝜼 = 𝒌), temos:
−1 −1 | 1
( )
1 1 | −1
Como a segunda linha é proporcional à primeira, esse sistema é SPI (já que det(𝑨 − 2𝑰) = 0 e o
sistema na forma escalonada tem mais equações do que incógnitas).

−𝜂1 − 𝜂2 = 1
𝜂2 = −𝜂1 − 1

Seja 𝜂1 = 𝐶 (em que 𝐶 é uma constante qualquer), 𝜂2 = −1 − 𝐶

Assim,
𝐶 0 1
𝜼=( ) = ( )+𝐶( )
−1 − 𝐶 −1 −1

9
 1 0 1
Portanto, 𝒙(𝟐)(𝑡) = 𝒌𝑡𝑒 2𝑡 + 𝛈𝑒 2𝑡 = ( ) 𝑡𝑒 2𝑡 + (( ) + 𝐶 ( )) 𝑒 2𝑡
−1 −1 −1

1 0 1
𝒙(𝟐) (𝑡) = ( ) 𝑡𝑒 2𝑡 + ( ) 𝑒 2𝑡 + 𝐶 ( ) 𝑒 2𝑡
−1 −1 −1
1
Repare que o termo 𝐶 ( ) 𝑒 2𝑡 é um múltiplo de 𝒙(𝟏) (𝑡) e pode ser descartado. Assim,
−1
1 0
𝒙(𝟐) (𝑡) = ( ) 𝑡𝑒 2𝑡 + ( ) 𝑒 2𝑡
−1 −1
Se fizermos 𝑊[𝒙(𝟏) , 𝒙(𝟐) ], veremos que 𝑊[𝒙(𝟏) , 𝒙(𝟐) ] = −𝑒 4𝑡 e, portanto, {𝒙(𝟏), 𝒙(𝟐) } é LI.

1 1 0
𝒙(𝑡) = ( ) 𝑒 2𝑡 𝑐1 + 𝑐2 (( ) 𝑡𝑒 2𝑡 + ( ) 𝑒 2𝑡 )
−1 −1 −1

10