Escolar Documentos
Profissional Documentos
Cultura Documentos
Volume 2
Hernando Bedoya
Maria Lúcia T. Villela
Ricardo Camelier
Apoio:
Fundação Cecierj / Consórcio Cederj
Rua da Ajuda, 5 – Centro – Rio de Janeiro, RJ – CEP 20040-000
Tel.: (21) 2333-1112 Fax: (21) 2333-1116
Presidente
Carlos Eduardo Bielschowsky
Vice-presidente
Masako Oya Masuda
Coordenação do Curso de Matemática
Matemática (UFF) - Marcelo da Silva Corrêa
Matemática (UNIRIO) - Luiz Pedro San Gil Jutuca. Vice: Marcelo Rainha
Material Didático
Elaboração de Conteúdo Coordenação de Produção Programação Visual
Hernando Bedoya Marcelo Freitas Nilda Helena Lopes da Silva
Maria Lúcia T. Villela
Revisão Linguística e Tipográfica Produção Gráfica
Ricardo Camelier
Patrícia Paula Patrícia Esteves
Coordenação Geral Ulisses Schnaider
Ilustração
Marcelo Corrêa
Ronaldo d’Aguiar Silva
Biblioteca
Capa
Raquel Cristina da Silva Tiellet
Sami Souza
Simone da Cruz Correa de Souza
Vera Vani Alves de Pinho
Instituições Consorciadas
CEFET/RJ - Centro Federal de Educação Tecnológica Celso Suckow da Fonseca
Diretor-geral: Carlos Henrique Figueiredo Alves
Aula 19
O PERADORES O RTOGONAIS
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
O PERADORES O RTOGONAIS
Pré-requisitos
Aulas 10 a 14, 17 e Você deve se lembrar de que um operador linear T : Rn → Rn é dito
18. ortogonal se existe uma base ortonormal α de Rn tal que a matriz de T
na base α é uma matriz ortogonal, isto é, se a matriz [T ]α é ortogonal.
Veremos que os operadores ortogonais estão bem definidos no sen-
tido de que o fato de ser um operador ortogonal não depende da base
ortonormal escolhida, ou seja, se a matriz [T ]α , numa certa base ortonor-
mal α de Rn , for ortogonal, então a matriz [T ]β também será ortogonal
para qualquer outra base ortonormal β de Rn .
Na verdade, temos o seguinte resultado:
Demonstração
O teorema sobre mudança de base para operadores lineares, visto no
curso de Álgebra Linear I, nos garante que
[T ]β = P−1 [T ]α P,
P−1 = Pt ,
[T ]β = Pt [T ]α P.
8 CEDERJ
i i
i i
19 2 MÓDULO 2
Exemplo 19.1.
blablabl
AULA
com θ ∈ [0, 2π ), é um operador ortogonal.
Solução:
De fato, escolhendo a base canônica {e1 , e2 , e3 } de R3 , dada por
obtemos
T (e1 ) = (cos θ , sen θ , 0)
T (e2 ) = (− sen θ cos θ , 0)
T (e3 ) = (0, 0, 1).
cos θ − sen θ 0
A = sen θ cos θ 0 .
0 0 1
CEDERJ 9
i i
i i
Exemplo 19.2. blablabl
onde θ ∈ [0 , 2π ).
Solução:
De fato, sendo T : R2 → R2 um operador ortogonal, sua matriz na base
canônica de R2 será uma matriz ortogonal de ordem 2. Mas, pelos Exemplos
10.1 e 10.2 da Aula 10, sabemos que toda matriz ortogonal de ordem 2 é da
forma
cos θ − sen θ cos θ sen θ
ou .
sen θ cos θ sen θ − cos θ
10 C E D E R J
i i
i i
19 2 MÓDULO 2
y 6
2 2
x x
AULA
-6 -1 1
Solução:
Assim,
3/5 4/5
[T ] = .
−4/5 3/5
C E D E R J 11
i i
i i
θ = − arccos(3/5).
Exercı́cio 19.1.
12 C E D E R J
i i
i i
Aula 20
P ROJEÇ ÕES ORTOGONAIS – 1 A PARTE
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
T : R2 → R2
T (x, y) = (x, 0).
14 C E D E R J
i i
i i
20 2 MÓDULO 2
Vemos imediatamente algumas propriedades dessa projeção ortogonal.
AULA
3. Como T (e1 ) = 1 · e1 , então λ1 = 1 é um autovalor de T com autovetor
associado e1 = (1, 0). Não é difı́cil ver que o autoespaço associado a
λ1 = 1 é exatamente o eixo-x, isto é, a reta de equação cartesiana y = 0.
Exemplo 20.2.
blablabl
Solução:
A projeção ortogonal no o eixo-y é dada pela transformação linear
T : R2 → R2
T (x, y) = (0, y).
T(x,y) (x,y)
C E D E R J 15
i i
i i
Os Exemplos 20.1 e 20.2 são muito simples, porém são muito im-
portantes a sua compreensão e o seu significado geométrico. Especial-
mente, certifique-se de que tenha entendido os autoespaços associados
a cada autovalor. Usaremos essas ideias para apresentar a projeção or-
togonal sobre uma reta L qualquer do R2 passando pela origem. Se você
compreendeu bem a geometria dos exemplos anteriores, então não terá
dificuldade em acompanhar o caso geral a seguir.
Exemplo 20.3.
blablabl
16 C E D E R J
i i
i i
20 2 MÓDULO 2
L
AULA
u1
T : R2 → R2
hv,u1 i
v 7→ T v = hu1 ,u1 i u1 ,
de onde vemos que T é uma transformação linear. Para obter a fórmula acima,
observamos que desejamos um vetor T v da forma T v = ku1 de modo que
v − ku1 seja ortogonal a u1 , como indica a Figura 20.5.
C E D E R J 17
i i
i i
0 = hv − ku1 , u1 i
= hv, u1 i − hku1 , u1 i
= hv, u1 i − k hu1 , u1 i ,
Observe que na fórmula acima o vetor u1 não precisa ser unitário, mas,
caso seja, como hu1 , u1 i = 1, então a fórmula acima se simplifica para
T v = hv, u1 i u1 .
T u1 = hu1 , u1 i u1 = u1 = 1 · u1 + 0 · u2
T u2 = hu2 , u1 i u1 = 0 · u1 = 0 · u1 + 0 · u2 .
18 C E D E R J
i i
i i
20 2 MÓDULO 2
L
AULA
u2 u1
[T ]α = P [T ]β P−1 ,
Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro exemplo
C E D E R J 19
i i
i i
Exercı́cio 20.1.
√
1. Determine a matriz da projeção ortogonal sobre a reta y = 3x
com respeito à base canônica.
20 C E D E R J
i i
i i
Aula 21
P ROJEÇ ÕES O RTOGONAIS – 2 A PARTE
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
Solução:
Geometricamente, essa transformação é representada pela Figura 21.1.
v=(x,y,z)
y
v=(x,y,o)
´
T : R3 → R3
T (x, y, z) = (x, y, 0).
22 C E D E R J
i i
i i
21 2 MÓDULO 2
dada por
1 0 0
A = 0 1 0 .
0 0 0
AULA
1. A matriz A e, portanto, o operador T , não são inversı́veis, pois
det(A) = 0.
C E D E R J 23
i i
i i
z
v=(o,y,z)
´
v=(x,y,z)
x
Figura 21.2: A projeção ortogonal no plano-yz.
T : R3 → R3
T (x, y, z) = (0, y, z).
Se você entendeu bem a geometria do Exemplo 21.1, então verá que, neste
caso, temos
24 C E D E R J
i i
i i
21 2 MÓDULO 2
4. O operador T é diagonalizável com polinômio caracterı́stico
p(x) = x (x − 1)2 .
AULA
podemos tratar da projeção ortogonal sobre um plano qualquer de R3
passando pela origem.
Exemplo 21.3.
blablabl
Solução:
Seja T : R3 → R3 a projeção ortogonal sobre o plano π . Geometricamente,
essa transformação é representada pela Figura 21.3.
Vamos agora obter uma base ortonormal β de R3 de modo que a matriz que
representa a transformação T nessa base seja da mesma forma que a matriz do
Exemplo 21.1. Como conhecemos a equação cartesiana de plano π , sabemos
como obter um vetor normal a esse plano. Lembre: se π tem equação ax+ by+
cz+d = 0, então o vetor u = (a, b, c) é um vetor normal ao plano π . Seja, então,
u3 um vetor unitário normal ao plano π . Usando a equação cartesiana de π ,
como foi feito nas Aulas 17 e 18, facilmente determinamos vetores unitários u1
e u2 de modo que β = {u1 , u2 , u3 } seja uma base ortonormal de R3 . Observe
que os vetores unitários u1 e u2 são ortogonais e pertencem ao plano π .
C E D E R J 25
i i
i i
T : R3 → R3
hv, u1 i hv, u2 i
v 7→ T v = u1 + u2 ,
hu1 , u1 i hu2 , u2 i
de onde vemos que T é uma transformação linear. Para obter a fórmula acima,
observamos que desejamos um vetor T v da forma T v = k1 u1 + k2 u2 de modo
que v − k1 u1 − k2 u2 seja ortogonal a u1 e u2 , como indica a Figura 21.5.
0 = hv − k1 u1 − k2 u2 , u1 i
= hv, u1 i − hk1 u1 , u1 i − hk2 u2 , u1 i
= hv, u1 i − k1 hu1 , u1 i − k2 hu2 , u1 i
= hv, u1 i − k1 hu1 , u1 i ,
k1 hu1 , u1 i = hv, u1 i
hv, u1 i
k1 = .
hu1 , u1 i
26 C E D E R J
i i
i i
21 2 MÓDULO 2
Analogamente, da ortogonalidade entre v − k1 u1 − k2 u2 e u2 obtemos que
hv, u2 i
k2 = ,
hu2 , u2 i
e, portanto,
AULA
hv, u1 i hv, u2 i
T v = k1 u1 + k2 u2 = u1 + u2 .
hu1 , u1 i hu2 , u2 i
T u1 = hu1 , u1 i u1 + hu1 , u2 i u2 = u1 = 1 · u1 + 0 · u2 + 0 · u3
T u2 = hu2 , u1 i u1 + hu2 , u2 i u2 = u2 = 0 · u1 + 1 · u2 + 0 · u3
T u3 = hu3 , u1 i u1 + hu3 , u2 i u2 = 0 · u1 + 0 · u2 + 0 · u3 .
[T ]α = P [T ]β P−1 ,
C E D E R J 27
i i
i i
Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro
exemplo e os dois primeiros. Isso se deve à escolha adequada de uma
base ortonormal de R3 .
Exercı́cio 21.1.
28 C E D E R J
i i
i i
Aula 22
M ATRIZES S IM ÉTRICAS
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
M ATRIZES S IM ÉTRICAS
Pré-requisitos
Aulas 6, 7, 8, 9, 10, Em muitas aplicações da Álgebra Linear, as matrizes simétricas
20 e 21 aparecem com maior frequência que qualquer outra classe de matrizes
importantes. A teoria correspondente a essas matrizes é muito rica e
elegante, e depende, de maneira especial, das teorias de diagonalização
e ortogonalidade, vistas em aulas anteriores. Veremos, nesta aula, que
a diagonalização de uma matriz simétrica é um fundamento essencial
e necessário à discussão das formas quadráticas que estudaremos no
próximo módulo.
Lembramos que todas as matrizes e vetores considerados têm so-
mente elementos e componentes reais. Antes de começarmos a estudar
a teoria de diagonalização de matrizes simétricas, convém lembrarmos
de algumas definições que serão essenciais a este conteúdo.
30 C E D E R J
i i
i i
22 2 MÓDULO 2
−1 4 −1
2 1 −1
C= e D= 4 2 2 .
1 3 0
1 2 3
AULA
Vamos rever algumas propriedades das matrizes simétricas.
6 −2 −1
Diagonalize, caso seja possı́vel, a matriz A = −2 6 −1 .
−1 −1 5
C E D E R J 31
i i
i i
Solução:
O polinômio caracterı́stico da matriz A é dado por:
p(x) = det(xI3 − A)
x−6 2 1
= 2 x−6 1
1
1 x−5
x−6 1 2 1 +1· 2 1
= (x − 6) ·
− 2 ·
1 x−5 1 x−5 x−6 1
= x3 − 17x2 + 90x − 144 .
(3 I3 − A)v = 0.
32 C E D E R J
i i
i i
22 2 MÓDULO 2
Assim, as matrizes P e D são dadas por:
√ √ √
1/√3 −1/√6 −1/√ 2 3 0 0
P = 1/√3 −1/√ 6 1/ 2 e D = 0 6 0 .
1/ 3 2/ 6 0 0 0 8
AULA
Sabemos, das Aulas 6 e 7, que A = PDP−1 . Agora, como as colunas de
P formam vetores ortonormais, então, pelo Teorema 9.2 da Aula 9, P é uma
matriz ortogonal, isto é, P−1 = Pt . Assim, temos também que A = PDPt .
Demonstração
Sejam v1 , v2 , . . . , vk autovetores da matriz A associados aos autova-
lores distintos λ1 , λ2 , . . . , λk . Assim, dados λi 6=
λ j , e observando que
Avi = λi vi e Av j = λ j v j , queremos mostrar que vi , v j = 0. Para isto,
observamos que
λi vi , v j =
λi vi , v j
= Avi , v j
= (Avi )t v j
= (vti At )v j
= (vti A)v j , pois A é simétrica
= v
ti (Av j )
=
vi , Av j
= vi
, λ j v j
= λ j vi , v j .
C E D E R J 33
i i
i i
Demonstração
Uma das direções é muito simples de ser feita. Suponha que A seja
diagonalizável por matriz ortogonal, como na Definição 22.2, então
Exemplo 22.3.
blablabl
Determine se a matriz
3 −2 4
A = −2 6 2
4 2 3
34 C E D E R J
i i
i i
22 2 MÓDULO 2
Solução:
Como A é uma matriz simétrica, então, pelo Teorema 22.3, ela é diago-
nalizável por matriz ortogonal. Vamos, agora, realizar o cálculo de diagonali-
zação de A.
AULA
p(x) = det(xI3 − A)
x−3 2 −4
= 2
x − 6 −2
−4 −2 x − 3
= x3 − 12x2 + 21x + 98 .
(−2 I3 − A)v = 0.
C E D E R J 35
i i
i i
Exercı́cio 22.1.
1 2 0 0
2 1 0 0
A= .
0 0 1 −2
0 0 −2 1
36 C E D E R J
i i
i i
Aula 23
O T EOREMA E SPECTRAL
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
O T EOREMA E SPECTRAL
Pré-requisitos
Aulas 5 e 22. Nesta aula, continuaremos estudando as matrizes simétricas e fare-
mos uma breve discussão do chamado Teorema Espectral para Matrizes
Simétricas, mencionado na demonstração do Teorema 22.3 da aula pas-
sada. Os detalhes da demonstração desse importante teorema serão
omitidos nestas notas. Uma versão simples do Teorema Espectral é
apresentada a seguir.
Seja A ∈ Mn (R) uma matriz simétrica (isto é, At = A). Então vale:
38 C E D E R J
i i
i i
23 2 MÓDULO 2
do Teorema Espectral mostra-se que as n raı́zes do polinômio ca-
racterı́stico são, de fato, raı́zes reais.
Se A é uma matriz simétrica e tem n autovalores distintos, então
pelo Teorema 5.2 da Aula 5 e pelo Teorema 22.2 da Aula 22,
vemos que A é diagonalizável por matriz ortogonal.
Se A é uma matriz simétrica e tem algum autovalor com multipli-
AULA
cidade algébrica maior que 1, ainda é verdade que podemos di-
agonalizá-la. Na verdade, podemos mostrar que se A é simétrica
e tem um autovalor λ de multiplicidade k, então o autoespaço
associado tem dimensão k. Isto significa que o sistema linear
(λ In − A)v = 0
A = PDPt
λ1 0 · · · 0
0 λ2 · · · 0
= [u1 u2 · · · un ] .. t
. [u1 u2 · · · un ]
..
. . ..
0 0 · · · λn
= [λ1 u1 λ2 u2 · · · λn un ] [u1 u2 · · · un ]t
C E D E R J 39
i i
i i
7 2
Obtenha uma decomposição espectral da matriz A = .
2 4
Solução:
Sendo A uma matriz simétrica, essa decomposição existe. O polinômio
caracterı́stico de A é dado por
p(x) = det(xI2 − A)
= x2 − 11x + 24
= (x − 8)(x − 3) .
√ λ1 =√
Então os autovalores são 8 e λ2 = 3, e ainda√podemos
√ obter os respec-
tivos autovetores u1 = (2/ 5, 1/ 5) e u2 = (−1/ 5, 2/ 5). Assim, temos
que
A = PDPt
2 −1 2 1
√ √ √ √
7 2 5 5 8 0 5 5
=
−1
2 4 1 2 0 3 2
√ √ √ √
5 5 5 5
2 4 2
√
5 2 1
5 5
u1 ut1 = √ √ =
1
5 5 2 1
√
5 5 5
−1
1
−2
√
−1
5 2 5 5
u2 ut2 = √ √ =
2 5 5 −2 4
√
5 5 5
e, finalmente,
40 C E D E R J
i i
i i
23 2 MÓDULO 2
32 16 3 −6
7 2
5 5 5 5
8u1 ut1 + 3u2 ut2 =
+ = = A.
16 8 −6 12 2 4
5 5 5 5
AULA
P ROCESSO DE D IAGONALIZAÇ ÃO DE UMA M ATRIZ
S IM ÉTRICA A ∈ Mn(R)
1o Passo: Obtenha o polinômio caracterı́stico da matriz A,
E(λ ) = {v ∈ Rn | (λ In − A)v = 0 },
A = PDPt .
Exemplo 23.2.
blablabl
C E D E R J 41
i i
i i
0 2 2
A= 2 0 2
2 2 0
e obtenha sua decomposição espectral.
Solução:
Observe, inicialmente, que A é uma matriz simétrica e, portanto, se aplica
o processo de diagonalização acima. Não é difı́cil determinar que o polinômio
caracterı́stico da matriz A é dado por
E(−2) = {v ∈ R3 | (A + 2 I3 )v = 0 }
= {(x, y, z) ∈ R3 | x + y + z = 0 }.
v1 √ √
u1 = = (1/ 2 , 0 , −1/ 2) e
kv1 k
v2 √ √ √
u2 = = (1/ 6 , −2/ 6 , 1/ 6).
kv2 k
42 C E D E R J
i i
i i
23 2 MÓDULO 2
Por outro lado, o autoespaço associado a λ2 = 4 é dado por
E(4) = {v ∈ R3 | (4 I3 − A)v = 0 }
= {(x, y, z) ∈ R3 | x = z e y = z } .
AULA
que
v3 √ √ √
u3 = = (1/ 3 , 1/ 3 , 1/ 3)
kv3 k
representa uma base ortonormal do autoespaço E(4). Como A é matriz simé-
trica, os autovetores associados a autovalores distintos são ortogonais e, assim,
u3 é ortogonal a u1 e u2 . Portanto, {u1 , u2 , u3 } é uma base ortonormal de R3
formada por autovetores de A. Com esses autovetores, obtemos a matriz P e,
com os autovalores obtemos a matriz D:
√ √ √
1/ 2 1/√6 1/√3
P = [u1 u2 u3 ] = 0√ −2/√6 1/√3 ;
−1/ 2 1/ 6 1/ 3
−2 0 0
D = 0 −2 0 ,
0 0 4
de modo que A = PDPt . A decomposição espectral da matriz A é dada por:
ou ainda,
1
1
2 0 − 12 6 − 26 1
6
1 1 1
3 3 3
0 − 2 − 26 4
− 26
A = −2 0 0 6 + 4 1 1 1
3 3 3
−1 0 1 1 − 26 1 1 1 1
2 2 6 6
3 3 3
−1 0 1 − 13 2
3 − 13 4
3
4
3
4
3
0 + 23 − 43 2 4 4 4
= 0 0 3 + 3 3 3
1 0 −1 − 13 2
3 − 13 4
3
4
3
4
3
0 2 2
= 2 0 2 .
2 2 0
C E D E R J 43
i i
i i
Resumo
É muito importante que você entenda bem o significado deste Teo-
rema Espectral. Lembre do que aconteceu em exemplos vistos an-
teriormente, em que a matriz considerada não era simétrica. Estu-
damos exemplos de matrizes não-simétricas com autovalores repeti-
dos que eram diagonalizáveis e outros exemplos de matrizes não-
simétricas que não eram diagonalizáveis. Há algumas diferenças
marcantes entre os casos simétrico e não-simétrico que tentaremos
resumir agora.
Se A for uma matriz não-simétrica, então nem todas as raı́zes de
seu polinômio caracterı́stico precisam ser números reais, o que é
necessário no caso de a matriz A ser simétrica. Se A for uma matriz
não-simétrica e todas as raı́zes de seu polinômio caracterı́stico forem
números reais, então ainda é possı́vel que A não seja diagonalizável.
É o caso em que um autovalor λ de multiplicidade algébrica k não
possui k autovetores linearmente independentes, isto é, quando o
autoespaço correspondente tem dimensão menor que k, ou ainda,
quando a multiplicidade geométrica do autovalor é menor que sua
multiplicidade algébrica. Agora, quando A é uma matriz simétrica,
além de todos os autovalores serem reais, são iguais a multiplicidade
algébrica e a multiplicidade geométrica de cada autovalor.
E, por fim, diferente do que ocorre no caso de matriz simétrica, se a
matriz A é não-simétrica, então autovetores associados a autovalores
distintos não precisam ser ortogonais. Estude e analise, com a ajuda
de seu tutor, exemplos já vistos em aulas anteriores em que ocorrem
as diferenças descritas aqui.
44 C E D E R J
i i
i i
23 2 MÓDULO 2
Exercı́cio 23.1.
AULA
2 2
a. A =
2 2
0 −1 −1
b. A = −1 0 −1
−1 −1 0
2 2 0 0
2 2 0 0
c. A =
0 0 2 2
0 0 2 2
3 1 1 −1
2. Sejam A = 1 3 1 e v = 1 . Verifique que λ = 5
1 1 3 0
é um autovalor de A e que v é um autovetor de A. Em seguida
obtenha matrizes ortogonal P e diagonal D, tais que A = PDPt .
C E D E R J 45
i i
i i
46 C E D E R J
i i
i i
Aula 24
O PERADORES AUTOADJUNTOS
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
O PERADORES AUTOADJUNTOS
Pré-requisitos
Aulas 8 e 20 a 23. Nesta aula vamos definir os operadores lineares T : Rn → Rn asso-
ciados às matrizes simétricas e estudar suas propriedades. Como estare-
mos trabalhando sempre com bases ortonormais, é de suma importância
que o espaço vetorial Rn esteja munido de um produto interno, o qual
estaremos sempre supondo que seja o produto interno canônico de Rn .
Demonstração
Com respeito à base ortonormal α de Rn , temos que T (u) = Au para
todo u ∈ Rn . Assim, para todo u, v ∈ Rn , temos que
hT u, vi = hAu, vi = (Au)t v = ut At v
e
hu, T vi = hu, Avi = ut Av,
onde At é a transposta da matriz A. Assim,
T é autoadjunto ⇔ hT (u), vi = hu, T (v)i para todo u, v ∈ Rn
⇔ hAu, vi = hu, Avi para todo u, v ∈ Rn
⇔ ut At v = ut Av para todo u, v ∈ Rn
⇔ At = A
⇔ A é uma matriz simétrica .
É importante salientar que não existe uma relação tão simples entre
48 C E D E R J
i i
i i
24 2 MÓDULO 2
o operador linear T : Rn → Rn e sua representação matricial A = [T ]α
quando a base α não for ortonormal (veja a observação ao final do
Exemplo 24.1).
O Teorema 24.1 também fornece um critério prático para determinar
se um dado operador linear T : Rn → Rn é autoadjunto. Basta considerar
qualquer base ortonormal α de Rn e verificar se a matriz A = [T ]α é uma
AULA
matriz simétrica.
Exemplo 24.1.
blablabl
T : R2 → R2
T (x, y) = (x, 0)
é autoadjunto.
Solução:
Vimos, no Exemplo 20.1 da Aula 20, que T é a projeção ortogonal sobre o
eixo-x. Considerando a base canônica α = {e1 , e2 } de R2 , vimos que a matriz
que representa T nesta base é dada por
1 0
A = [T ]α = .
0 0
Está claro que esta base não é ortonormal, e ainda temos que
√ √ √ √
T u1 = T ( 2/2, 2/2) = ( 2/2, 0) = 1 · u1 + (− 2/2) · u2
T u2 = T (0, 1) = (0, 0) = 0 · u1 + 0 · u2 .
Observe que esta matriz não é simétrica, mas também a base β não é ortonor-
C E D E R J 49
i i
i i
e
T2 : R2 → R2 , T2 (x, y) = (y, x).
Como essas duas matrizes são matrizes simétricas, concluı́mos, pelo Teo-
rema 24.1, que T1 e T2 são operadores autoadjuntos. No entanto, o operador
obtido pela composição
que não é uma matriz simétrica. Assim, outra vez pelo Teorema 24.1, a
composição T1 ◦ T2 não é um operador autoadjunto. Daı́, concluı́mos que a
composição de operadores autoadjuntos não é, necessariamente, autoadjunto.
50 C E D E R J
i i
i i
24 2 MÓDULO 2
Teorema 24.2. blablabla
AULA
gonais.
2. O operador T possui n autovalores reais, contando suas multipli-
cidades.
3. A dimensão do autoespaço associado a cada autovalor λ é igual à
multiplicidade de λ como raiz do polinômio caracterı́stico de T ,
isto é, a multiplicidade geométrica de cada autovalor λ é igual à
sua multiplicidade algébrica.
4. Os autoespaços de T são ortogonais entre si.
5. Existe uma base ortonormal {u1 , u2 , . . ., un } de Rn formada por
autovetores de T .
Solução:
C E D E R J 51
i i
i i
p(x) = det(xI3 − A)
x−3 0 0
= 0 x − 2 −1
0 −1 x − 2
= (x − 3)2 (x − 1) .
E(3) = {v ∈ R3 | T v = 3v}
= {(x, y, z) ∈ R3 | y = z e x arbitrário} .
E(1) = {v ∈ R3 | T v = v}
= {(x, y, z) ∈ R3 | x = 0 e y = −z} ,
1 −1
e uma base ortonormal de E(1) é dada pelo vetor u3 = 0, √ , √ . Con-
2 2
sequentemente, β = {u1 , u2 , u3 } é uma base ortonormal de R3 formada por
autovetores de T e, nesta base, T é representado pela matriz diagonal
3 0 0
B = [T ]β = 0 3 0 .
0 0 1
52 C E D E R J
i i
i i
24 2 MÓDULO 2
Exemplo 24.4.
blablabl
AULA
seja autoadjunto. Determine, também, uma base ortonormal de R3 for-
mada por autovetores de T e a matriz que representa T nesta base.
Solução:
Considerando a base canônica {e1 , e2 , e3 } de R3 , temos que
T e1 = T (1, 0, 0) = (1, 4, 2) = 1 · e1 + 4 · e2 + 2 · e3 ,
T e2 = T (0, 1, 0) = (2a, −5, −4) = 2a · e1 + (−5) · e2 + (−4) · e3 ,
T e3 = T (0, 0, 1) = (2, −b, 1) = 2 · e1 + (−b) · e2 + 1 · e3 .
p(x) = det(xI3 − A)
= (x + 9)(x − 3)2 .
E(−9) = {v ∈ R3 | T v = −9v}
= {(x, y, z) ∈ R3 | x = −z e y = 2z} ,
C E D E R J 53
i i
i i
e
E(3) = {v ∈ R3 | T v = 3v}
= {(x, y, z) ∈ R3 | − x + 2y + z = 0} .
−2 √
Uma base ortonormal de E(−9) é dada pelo vetor u1 = ( √16 , √6
, −16 ), en-
quanto uma base ortonormal de E(3) é dada pelos vetores u2 = ( √12 , 0, √1 )
2
e u3 = ( √13 , √1 ,
3
− √13 ). Consequentemente, β = {u1 , u2 , u3 } é uma base
ortonormal de R3 formada por autovetores de T e, nessa base ordenada, T
é representado pela matriz diagonal
−9 0 0
B = [T ]β = 0 3 0 .
0 0 3
54 C E D E R J
i i
i i
24 2 MÓDULO 2
u 1 1 1
T (u1 ) = T =T u = T (u) = (10, −2, −2) =
kuk 6 6 6
5 −1 −1
= , , ;
3 3 3
AULA
v 1 1 1
T (u2 ) = T =T v = T (v) = (−2, 10, −2) =
kvk 6 6 6
−1 5 −1
= , , ;
3 3 3
w 1 1 1
T (u3 ) = T =T w = T (w) = (1, 1, −5) =
kwk 3 3 3
1 1 −5
= , , .
3 3 3
Agora, não é difı́cil ver que os vetores T (u1 ), T (u2 ) e T (u3 ) se expressam
em função da base β = {u1 , u2 , u3 } como:
Autoavaliação
É de suma importância que você reveja e entenda muito bem a
relação que existe entre as matrizes simétricas, estudadas nas aulas
anteriores, e os operadores autoadjuntos vistos nesta aula. Compare
os conceitos e estude os exemplos. Em caso de dúvidas, não hesite
em consultar o seu tutor.
C E D E R J 55
i i
i i
Exercı́cio 24.1.
é autoadjunto.
56 C E D E R J
i i
i i
Aula 25
F ORMAS B ILINEARES
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
F ORMAS B ILINEARES
Pré-requisito
Aula 22. Nesta aula vamos introduzir um conceito que generaliza a noção
de aplicação linear num espaço vetorial. Mais especificamente, va-
mos desenvolver o conceito de forma bilinear, que dá origem às formas
quadráticas que serão estudadas na próxima aula. Veremos a definição
de formas bilineares e estudaremos algumas de suas propriedades, prin-
cipalmente sua relação com as matrizes, o que constitui o aspecto mais
importante para fins práticos.
i. para todo u , v , w ∈ V e a ∈ R,
Exemplo 25.1.
blablabl
F : V ×V → R
(u , v) 7→ F(u , v) = u1 v1 + u2 v2 + · · · + un vn .
58 C E D E R J
i i
i i
25 2 MÓDULO 2
Solução:
De fato, considerando outro vetor w = (w1 , w2 , . . . , wn ) ∈ Rn e a ∈ R,
temos que
AULA
= (u1 v1 + u2 v2 + · · · + un vn ) + a (w1 v1 + w2 v2 + · · · + wn vn )
= F(u , v) + a F(w, v) ,
Seja a matriz
2 0 0
A = 4 2 0 .
0 0 3
Mostre que podemos associar à matriz A uma forma bilinear
B : R3 × R3 → R dada por
2 0 0 y1
B((x1 , x2 , x3 ), (y1 , y2 , y3 )) = (x1 x2 x3 ) 4 2 0 y2
0 0 3 y3
= 2 x1 y1 + 4 x2 y1 + 2 x2 y2 + 3 x3 y3
Solução:
Observe que para todo par de vetores u , v ∈ R3
x1 y1
u = x2 e v = y2 ,
x3 y3
podemos reescrever
B(u , v) = ut A v,
onde ut é a matriz transposta de u. Assim, a bilinearidade da aplicação B(u, v)
decorre facilmente das propriedades do produto e da soma de matrizes.
C E D E R J 59
i i
i i
F(u , v) = ut A v,
onde u , v ∈ Rn .
Observe que, reescrevendo os vetores u e v na forma
x1 y1
x2 y2
u = .. e v = .. ,
. .
xn yn
então
F(u , v) = ut A v
a11 a12 · · · a1n y1
a21 a22 · · · a2n y2
= (x1 x2 · · · xn ) ..
.. . . .. ..
. . . . .
an1 an2 · · · ann yn
= a11 x1 y1 + a12 x1 y2 + · · · + ann xn yn
n
= ∑ ai j xi y j .
i, j=1
u = u1 e1 + u2 e2 + · · · + un en
e
v = v1 e1 + v2 e2 + · · · + vn en .
Então,
F(u, v) = F(u1 e1 + u2 e2 + · · · + un en , v1 e1 + v2 e2 + · · · + vn en )
= u1 v1 F(e1 , e1 ) + u1 v2 F(e1 , e2 ) + · · · + un vn F(en , en )
n
= ∑ ui v j F(ei , e j ) .
i, j=1
60 C E D E R J
i i
i i
25 2 MÓDULO 2
Definição 25.2. blablabla
AULA
n
F(u , v) = ∑ ui v j F(ei , e j ) = [u]tα A [v]α
i, j=1
Exemplo 25.3. blablabl
C E D E R J 61
i i
i i
1 0
B= .
4 −2
Um problema interessante é saber qual a relação entre as matrizes A e B que
representam uma mesma forma bilinear F em duas bases α e β , respectiva-
mente.
Daı́,
1 0 1 0 1 −1 1 1
B = =
4 −2 1 1 3 −5 0 1
= Pt A P .
B = Pt A P,
62 C E D E R J
i i
i i
25 2 MÓDULO 2
Demonstração
Por F ser uma forma bilinear em V , temos que
F(u , v) = ut A v
= (ut A v)t , pois ut A v é um escalar
= vt At u .
AULA
Se, ainda, F for uma forma bilinear simétrica, então
vt At u = F(u , v) = F(v , u) = vt A u
At = A,
F(u , v) = ut A v
= (ut A v)t , pois ut A v é um escalar
= vt At u
= vt A u , pois At = A
= F(v , u)
Autoavaliação
Você deve ter compreendido que o conceito de forma bilinear é uma
generalização do conceito de transformação linear já bastante estu-
dado. É de extrema importância rever todos os conceitos e tentar
resolver os exercı́cios propostos. Caso surjam dificuldades, consulte
as notas de aula ou peça ajuda ao seu tutor. Os conceitos desta aula
ainda serão bastante utilizados. Por isso, não deixe de fazer uma boa
revisão de matrizes simétricas.
C E D E R J 63
i i
i i
Exercı́cio 25.1.
64 C E D E R J
i i
i i
Aula 26
F ORMAS Q UADR ÁTICAS
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
q(v) = F(v , v)
= vt A v
a11 a12 · · · a1n x1
a21 a22 · · · a2n x2
= (x1 x2 · · · xn )
.. .. .. . ..
. ..
. . .
an1 an2 · · · ann xn
n
= ∑ ai j xi x j .
i, j=1
66 C E D E R J
i i
i i
26 2 MÓDULO 2
n n
q(v) = ∑ ai j xi x j = a11 x21 + a22 x22 + · · · + ann x2n + 2 ∑ ai j xi x j . (26.1)
i, j=1 i< j
Observe ainda que, se A for uma matriz diagonal, isto é, ai j = 0 para
AULA
i 6= j, então teremos
n
∑ ai j xi x j = 0,
i< j
q(x , y) = x2 − 10xy + y2 .
temos, então,
a b x
q(x , y) = (x y)
b c y
2 2
= ax + 2bxy + cy .
Então, vale que
ax2 + 2bxy + cy2 = x2 − 10xy + y2 ,
de onde concluı́mos que
a = 1, b = −5 e c = 1,
obtendo
C E D E R J 67
i i
i i
1 −5
A= .
−5 1
Observe que q é a forma quadrática associada à forma bilinear
1 −5 y1
F(u , v) = (x1 x2 )
−5 1 y2
= x1 y1 − 5x2 y1 − 5x1 y2 + x2 y2 ,
E, finalmente,
5 −1/2 0 x1
q(x1 , x2 , x3 ) = (x1 x2 x3 ) −1/2 3 4 x2 .
0 4 2 x3
Queremos agora estudar o efeito de uma mudança de base sobre uma forma
quadrática. Assim, sejam q : V → R uma forma quadrática e α e β duas bases
do espaço vetorial V . Seja P a matriz mudança de base, da base β para a base
α . Se A é a matriz que representa a forma quadrática q na base α e B é a matriz
68 C E D E R J
i i
i i
26 2 MÓDULO 2
de q na base β , então, pelo Teorema 25.2, da Aula 25, sabemos que
B = Pt A P.
AULA
Exemplo 26.3.
blablabl
C E D E R J 69
i i
i i
onde D = Pt A P.
= 3y21 − 7y22 ,
onde
x1 y1
v= e w= ,
x2 y2
e
v = Pw, ou w = Pt v
é a mudança de variáveis.
Veja que
70 C E D E R J
i i
i i
26 2 MÓDULO 2
na forma diagonal q(w) = wt D w, onde v = Pw e D = Pt A P.
AULA
lunas de P são chamadas eixos principais da forma quadrática q. Uma
interpretação geométrica deste teorema será vista nas próximas aulas,
mais precisamente no estudo da classificação de curvas cônicas e na
classificação de superfı́cies quádricas.
Exemplo 26.4. blablabl
C E D E R J 71
i i
i i
onde D = Pt A P.
onde
x1 y1
v = x2 e w = y2 ,
x3 y3
e
v = Pw, ou w = Pt v
é a mudança de variáveis requerida.
72 C E D E R J
i i
i i
Aula 27
C ÔNICAS
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
C ÔNICAS
Pré-requisitos
Aulas 22, 25 e 26. Nesta aula estudaremos algumas figuras importantes do R2 , ou seja,
determinados conjuntos de pontos do plano cujas coordenadas satisfa-
zem certas propriedades. Mais precisamente, consideraremos subcon-
juntos de R2 cujas coordenadas (x, y) satisfazem uma equação do tipo
74 C E D E R J
i i
i i
27 2 MÓDULO 2
Solução:
Comparando a equação
x2 + y2 − 4 = 0
AULA
b = d = e = 0 e f = −4, e, portanto, representa uma cônica. Reescrevendo a
equação na forma
x2 + y2 = 4,
identificamos os pontos (x, y) como pertencendo à circunferência de centro
(0, 0) e raio 2, como ilustra a Figura 27.1.
Exemplo 27.2. blablabl
y2 = kx,
C E D E R J 75
i i
i i
Exemplo 27.3.
blablabl
76 C E D E R J
i i
i i
27 2 MÓDULO 2
AULA
Figura 27.3: As retas y = ± ba x.
Solução:
Precisamos, inicialmente, eliminar o termo misto (−4xy); para isto, reali-
zamos diagonalizaç ão da forma quadrática correspondente,
vt A v = 36,
com
x 2 5 −2
v= ∈R e A= .
y −2 8
C E D E R J 77
i i
i i
e √
−1/√ 5
u2 = , autovetor associado ao autovalor λ2 = 9.
2/ 5
= 4x21 + 9y21 ,
onde
x x1
v= e v1 = ,
y y1
com
v = Pv1 , ou v1 = Pt v.
q(x1 , y1 ) = 36,
ou ainda,
4x21 + 9y21 = 36,
o que nos dá a equação
x21 y21
+ = 1,
9 4
que representa uma elipse de semieixo maior 3 e semieixo menor 2, como
ilustra a Figura 27.4.
78 C E D E R J
i i
i i
27 2 MÓDULO 2
y1
AULA
-3 0 3 x1
-2
x21 y21
Figura 27.4: A elipse 9 + 4 = 1.
Exemplo 27.5. blablabl
Solução:
√
1/√2
u1 = , autovetor associado ao autovalor λ1 = 4,
1/ 2
C E D E R J 79
i i
i i
e √
−1/√ 2
u2 = , autovetor associado ao autovalor λ2 = 0.
1/ 2
isto é,
vt A v = 4x21 ,
onde
x x1
v= e v1 = ,
y y1
com
v = Pv1 , ou v1 = Pt v.
= BPv1
√ √
√ √
1/√2 −1/√ 2 x1
= (4 2 12 2 )
1/ 2 1/ 2 y1
x1
= (16 8 )
y1
= 16x1 + 8y1 .
Substituindo
vt A v = 4x21 e Bv = 16x1 + 8y1
80 C E D E R J
i i
i i
27 2 MÓDULO 2
em (27.2), obtemos
4x21 + 16x1 + 8y1 − 8 = 0,
ou, simplificando,
x21 + 4x1 + 2y1 − 2 = 0. (27.3)
Completando o quadrado na variável x1 ,
AULA
x21 + 4x1 = (x1 + 2)2 − 4.
ou
(x1 + 2)2 + 2(y1 − 3) = 0. (27.4)
Essa equação já é uma forma bem mais simples da cônica inicial e já se pode
identificar a equação de uma parábola, mas ela ainda pode ser mais simplifi-
cada. Realizando a mudança de variáveis em (27.4) dada por
x2 = x1 + 2
y2 = y1 − 3 ,
x22 = −2y2 ,
que representa a cônica inicial aos novos eixos-x2 y2 . Nessa forma, identifi-
camos facilmente a equação de uma parábola, como ilustra a Figura 27.5.
C E D E R J 81
i i
i i
vt A v + Bv + f = 0,
onde
q(x , y) = ax2 + bxy + cy2
a b/2 x
= (x y)
b/2 c y
= vt A v ,
e
ℓ(x, y) = dx + ey
x
= (d e)
y
= Bv ,
com
a b/2
A = ,
b/2 c
B = (d e)
e
x
v = .
y
λ1 0
t
D = P A P com D = ,
0 λ2
82 C E D E R J
i i
i i
27 2 MÓDULO 2
onde λ 1 e λ 2 são os autovalores da matriz A associados aos autovetores
u1 e u2 , respectivamente.
2o Passo: Permutar as colunas de P, caso seja necessário, de modo
que se tenha det(P) = 1. Isso garante que a transformação ortogonal
x1
AULA
v = Pv1 , com v1 = ,
y1
e
dx + ey = Bv
= B(Pv1 ) ; onde v = Pv1
= (BP) v1 ; onde BP = (d1 e1 )
x1
= (d1 e1 )
y1
= d1 x1 + e1 y1 .
Assim, a equação vt A v + Bv + f = 0 se transforma em
λ1 x21 + λ2 y21 + d1 x1 + e1 y1 + f = 0,
C E D E R J 83
i i
i i
λ1 x21 + λ2 y21 + d1 x1 + e1 y1 + f =
= λ1 x22 + λ2 y22 + F ,
λ1 x21 + λ2 y21 + d1 x1 + e1 y1 + f = 0
é transformada em
λ1 x22 + λ2 y22 + F = 0.
Note que
= λ2 y22 + d1 x2 + F .
λ2 y22 + d1 x2 + F = 0.
Note que
84 C E D E R J
i i
i i
27 2 MÓDULO 2
3. O caso λ2 = 0 e λ1 6= 0 é análogo ao anterior.
É importante observar que nunca poderemos ter λ1 = λ2 = 0, pois
estamos supondo que a forma quadrática associada é não-nula.
Veja, também, que
λ 0
AULA
λ1 · λ2 = 1
0 λ2
= det D
= det A
a b/2
=
b/2 c
b2
= ac − .
4
b2
Portanto, λ1 · λ2 tem o mesmo sinal de ac − , que por sua
4
vez tem o mesmo sinal de 4ac − b2 . Assim, podemos refazer a
análise anterior em função do discriminante b2 − 4ac da forma
quadrática.
b2 − 4ac < 0;
b2 − 4ac = 0;
b2 − 4ac > 0.
C E D E R J 85
i i
i i
Autoavaliação
Esta aula constitui uma excelente aplicação dos conceitos vistos
nas aulas anteriores. No entanto, pressupomos que você tenha al-
guns conhecimentos acerca das equações de cônicas tradicionais,
como elipses, parábolas e hipérboles. Conhecendo essas equações
e com o conhecimento adquirido das últimas aulas, você não deve
encontrar muita dificuldade para compreender os conceitos apre-
sentados aqui. No entanto, como esta aula reúne muitos conheci-
mentos matemáticos, você deve ser persistente na leitura dos exem-
plos e do procedimento apresentado, sempre recorrendo ao tutor no
caso de encontrar uma dificuldade maior. Na próxima aula, tratare-
mos de equações semelhantes, agora com três variáveis ao invés de
duas, mas o procedimento será exatamente o mesmo, ou seja, diago-
nalizar uma forma quadrática e completar quadrados até simplificar
a equação ao máximo.
Exercı́cio 27.1.
86 C E D E R J
i i
i i
Aula 28
Q U ÁDRICAS
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
Q U ÁDRICAS
Pré-requisitos
Aulas 22, 25, 26 e Esta aula é uma continuação da aula anterior sobre cônicas; nela
27. estudaremos as superfı́cies quádricas no espaço R3 . Mais precisamente,
vamos estudar alguns conjuntos de R3 cujas coordenadas, com respeito
à base canônica, satisfazem uma equação do tipo
ℓ(x , y , z) = gx + hy + kz,
e o termo constante p.
Apresentaremos a seguir os exemplos mais comuns de superfı́cies
quádricas.
88 C E D E R J
i i
i i
28 2 MÓDULO 2
AULA
a. Elipsóide b. Hiperbolóide de uma folha
x2 y2 z2 x2 y2 z2
+ + =1 . + − =1 .
a 2 b 2 c2 a 2 b 2 c2
2
y2 z2 x2 y2 z2
x
− 2 + 2 − 2 =1 . + − =0 .
a b c a 2 b 2 c2
C E D E R J 89
i i
i i
x2 y2
2
y2
x
+ =z . − 2 + 2 =z .
a2 b2 a b
x2 y2
+ = 1 . (y = ax2 ).
a2 b2
90 C E D E R J
i i
i i
28 2 MÓDULO 2
Observe que a equação (28.1) também pode representar um con-
junto vazio (por exemplo, x2 + y2 + 1 = 0), um único ponto (por exem-
plo, x2 +y2 +(z −1)2 = 0), um plano (por exemplo, z2 = 0), dois planos
paralelos (por exemplo, z2 = 4) ou dois planos secantes (por exemplo,
xz = 0). Nestes casos, as quádricas são ditas degeneradas.
Assim como foi feito para as cônicas, mostraremos que através de
AULA
uma mudança de coordenadas podemos reduzir a equação (28.1) de
modo que a quádrica seja identificada como sendo de um dos tipos des-
critos. Esse problema é o de classificar a quádrica.
Sempre que a quádrica for representada por uma equação que não
contém termos em xy, xz, yz, x, y e z, dizemos que a equação está na
forma canônica e que a quádrica está na posição canônica. A presença
de termos cruzados da forma xy, xz ou yz na equação (28.1) indica que
a quádrica sofreu uma rotação com respeito à posição canônica, e a
presença de termos da forma x, y ou z indica que a quádrica sofreu uma
translação com respeito à posição canônica.
Como foi feito no caso das cônicas, vamos desenvolver um pro-
cedimento para representar uma quádrica na forma canônica. A ideia
principal do procedimento consiste em obter um novo sistema de co-
ordenadas x1 y1 z1 de modo que não apareçam os termos cruzados x1 y1 ,
x1 z1 e y1 z1 .
Vamos, primeiramente, expressar a equação (28.1) na forma matri-
cial. Temos,
= vt A v ,
onde
x a d/2 e/2
v = y e A = d/2 b f /2 .
z e/2 f /2 c
Observe também que
C E D E R J 91
i i
i i
ℓ(x , y , z) = gx + hy +
kz
x
= (g h k) y
z
= Bv ,
onde
B = (g h k).
Substituindo q(x , y , z) = vt A v e ℓ(x , y , z) = Bv em (28.1), obtemos a
forma vetorial da quádrica,
vt A v + Bv + p = 0. (28.2)
vt A v + Bv + p = 0.
λ1 0 0
D = Pt A P com D = 0 λ2 0 ,
0 0 λ3
92 C E D E R J
i i
i i
28 2 MÓDULO 2
x1
v = Pv1 , com v1 = y1 ,
z1
seja uma rotação no plano.
3o Passo: Obter a equação que representa a quádrica Γ no novo
AULA
sistema de eixos x1 y1 z1 . Para isso, observe que
g1 h1 k1
λ1 (x21 + x1 ) + λ2 (y21 + y1 ) + λ3 (z21 + z1 ) + p = 0
λ1 λ2 λ3
C E D E R J 93
i i
i i
g1 2 h1 2 k1 2
λ1 (x1 + ) + λ2 (y1 + ) + λ3 (z1 + ) + p1 = 0.
2λ 1 2λ 2 2λ 3
Passando para as novas variáveis
g1 h1 k1
x2 = x1 + ; y2 = y1 + ; z2 = z1 + ,
2λ 1 2λ 2 2λ 3
obtemos a equação
Solução:
Reescrevendo essa equação na forma matricial, temos
vt A v − 3 = 0, (28.3)
onde
x 4 2 2
v = y e A = 2 4 2 .
z 2 2 4
94 C E D E R J
i i
i i
28 2 MÓDULO 2
sociado √
1/√3
u3 = 1/√3 .
1/ 3
AULA
√ √ √
−1/√ 2 −1/√6 1/√3
P = [u1 u2 u3 ] = 1/ 2 −1/√ 6 1/√3
0 2/ 6 1/ 3
vt A v = (Pv1 )t A (Pv1 )
= vt1 (Pt AP)v1
= vt1 D v1 onde Pt AP = D
2 0 0 x1
= (x1 y1 z1 ) 0 2 0 y1
0 0 8 z1
2 2 2
= 2x1 + 2y1 + 8z1 .
Portanto, substituindo
ou, equivalentemente,
x21 y2 z2
+ 1 + 1 = 1.
3/2 3/2 3/8
C E D E R J 95
i i
i i
Solução:
Inicialmente, observe que a presença do termo cruzado yz nos levará a
realizar uma rotação de eixos, e a presença dos termos lineares z e y, a realizar
uma translação de eixos.
vt A v + Bv − 101 = 0, (28.4)
onde
x −1 0 0 √ √
v = y , A = 0 0 1 e B = (0 − 2 2).
z 0 1 0
96 C E D E R J
i i
i i
28 2 MÓDULO 2
1 0√ 0√
P = [u1 u2 u3 ] = 0 1/ √2 1/√2
0 −1/ 2 1/ 2
é uma matriz ortogonal que diagonaliza a matriz A e a matriz diagonal corres-
pondente será
−1
AULA
0 0
D = 0 −1 0 .
0 0 1
vt A v = (Pv1 )t A (Pv1 )
= vt1 (Pt AP)v1
= vt1 D v1 , onde Pt AP = D
−1 0 0 x1
= (x1 y1 z1 ) 0 −1 0 y1
0 0 1 z1
2 2 2
= −x1 − y1 + z1 ,
Bv = B(Pv1 )
= BPv1
√ √ 1 0√ 0√ x1
= (0 − 2 2) 0 1/ √2 1/√2 y1
0 −1/ 2 1/ 2
z1
x1
= (0 − 2 0) y1
z1
= −2y1 .
Portanto, substituindo
C E D E R J 97
i i
i i
Essa equação já é uma forma canônica para a quádrica inicial e já se pode
identificar a equação de um hiperbolóide de duas folhas, mas ela ainda pode
ser mais simplificada. Realizando a mudança de variáveis dada por
x2 = x1
y = y1 + 1
2
z2 = z1 ,
Autoavaliação
Terminamos o estudo das cônicas em R2 e das quádricas em R3 ,
que constituem uma excelente aplicação da diagonalização das for-
mas quadráticas. É importante que você reveja o procedimento de
simplificação dessas equações e compreenda os cálculos realizados
nos exemplos. Também é importante que fique clara a interpretação
geométrica de cada mudança de variáveis realizada.
98 C E D E R J
i i
i i
28 2 MÓDULO 2
Exercı́cio 28.1.
Obtenha uma forma canônica de cada quádrica abaixo e identifique
a quádrica.
√ √
1. 2xy − 4 2 x + 2 2y + z − 9 = 0.
AULA
2. 2xy + 2xz + 2yz − 6x − 6y − 4z − 9 = 0.
C E D E R J 99
i i
i i
100 C E D E R J
i i
i i
Aula 29
AUTOVALORES C OMPLEXOS
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
AUTOVALORES C OMPLEXOS
Pré-requisitos
Aulas 3 e 5. Vimos logo na Aula 3 que, dada uma matriz A ∈ Mn (R), seu polinô-
mio caracterı́stico p(x) é um polinômio de grau n com coeficientes reais
e, portanto, possui um total de n raı́zes, contando suas multiplicidades
e as raı́zes complexas. Nesta aula, estudaremos alguns exemplos de
matrizes reais com autovalores complexos.
Inicialmente, vamos relembrar alguns conceitos sobre números com-
plexos. Denotamos o conjunto dos números complexos por C e repre-
sentamos por
n √ o
C = a + b i | a, b ∈ R e i = −1
a. (a + b i) + (c + d i) = (a + c) + (b + d) i;
onde z, z1 , w1 , z2 , w2 ∈ C.
102 C E D E R J
i i
i i
29 2 MÓDULO 2
Assim, dada uma matriz A ∈ Mn (C), um número complexo λ ∈ C
é um autovalor (complexo) da matriz A se existe um vetor não-nulo
v ∈ Cn tal que
Av = λ v.
Dizemos que v é um autovetor (complexo) associado ao autovalor
λ ∈ C.
AULA
Exemplo 29.1.
blablabl
Solução:
Sabemos, do nosso estudo de rotações no plano, que essa matriz correspon-
de a uma rotação de π /2 radianos no sentido anti-horário em torno da origem
do plano cartesiano R2 . Assim, fica claro que nenhum vetor não-nulo v ∈ R2 é
transformado, pela ação da matriz A, num múltiplo dele mesmo. Assim, a ma-
triz A não possui autovetores em R2 e, consequentemente, não tem autovalores
reais. De fato, o polinômio caracterı́stico de A é
p(x) = det(xI2 − A)
x 1
=
−1 x
= x2 + 1 .
Como a matriz não possui autovalores reais, ela não é diagonalizável en-
C E D E R J 103
i i
i i
quanto matriz real. No entanto, como ela possui dois autovalores complexos
distintos, a matriz A é diagonalizável quando considerada como matriz com-
plexa. Mais ainda, considerando as matrizes P, D ∈ M2 (C) dadas por
1 1 i 0
P = [v1 v2 ] = e D= ,
−i i 0 −i
temos
1 1 i 0 1/2 i/2
PDP−1 =
−i i 0 −i 1/2 − i/2
i −i 1/2 i/2
=
1 1 1/2 − i/2
0 −1
=
1 0
= A,
isto é, A = PDP−1 . Portanto, no caso complexo, a matriz A é semelhante à
matriz diagonal D.
Exemplo 29.2. blablabl
Dada a matriz
0, 5 −0, 6
A= ,
0, 75 1, 1
determine os autovalores de A e uma base para cada autoespaço.
Solução:
Obtendo o polinômio caracterı́stico da matriz A,
p(x) = det(xI2 − A)
x − 0, 5 0, 6
=
−0, 75 x − 1, 1
= (x − 0, 5)(x − 1, 1) − (0, 6)(−0, 75)
= x2 − 1, 6 x + 1 .
Calculando as raı́zes desse polinômio quadrático, obtemos
λ1 = 0, 8 − 0, 6 i e λ2 = 0, 8 + 0, 6 i.
104 C E D E R J
i i
i i
29 2 MÓDULO 2
Considerando o autovalor λ1 = 0, 8−0, 6 i, queremos obter v = (z , w) ∈ C2
não-nulo tal que
Av = λ1 v,
ou seja,
0, 5 − 0, 6 z z
= (0, 8 − 0, 6 i) ,
0, 75 1, 1 w w
AULA
o que nos dá o sistema linear
(−0, 3 + 0, 6 i) z − 0, 6 w = 0
0, 75 z + (0, 3 + 0, 6 i) w = 0 .
z = (− 0, 4 − 0, 8 i) w.
pois
0, 5 − 0, 6 −2 + 4 i
Av2 =
0, 75 1, 1 5
−4 + 2 i
=
4 + 3i
−2 + 4 i
= (0, 8 + 0, 6 i)
5
= λ2 v2 .
λ1 0
0, 8 − 0, 6 i 0
D= = .
0 λ2 0 0, 8 + 0, 6 i
C E D E R J 105
i i
i i
Autoavaliação
Não é nosso objetivo generalizar toda a teoria de diagonalização de
matrizes reais para o caso complexo; apesar disso, desejamos pro-
porcionar novas e importantes aplicações da Álgebra Linear. Muitos
problemas envolvendo matrizes com autovalores complexos apare-
cem naturalmente em Engenharia Elétrica, em Fı́sica e na área de
Sistemas Dinâmicos de um modo geral. Essa discussão costuma ser
feita num curso avançado de Álgebra Linear. Portanto, nosso obje-
tivo foi apenas o de apresentar a você alguns exemplos elementares.
Exercı́cio 29.1.
onde a , b ∈ R com a 6= 0 ou b 6= 0.
106 C E D E R J
i i
i i
Aula 30
E XERC ÍCIOS R ESOLVIDOS – 3a PARTE
Objetivo
Ao final desta aula, você deverá ser capaz de:
i i
i i
Exercı́cio 30.1.
6. Dados a, b ∈ R, com b 6=
0, encontre
uma matriz ortogonal P que
a b
diagonaliza a matriz A = , isto é, tal que D = Pt A P.
b a
108 C E D E R J
i i
i i
30 2 MÓDULO 2
8. Para cada matriz abaixo, determine uma matriz ortogonal P e uma
matriz diagonal D tais que A = PDPt .
3 1 0 0 0
3 1 0 0 1 3 0 0 0
1 3 0 0
a. A =
0 0 0 0
b. A = 0 0 2 1 1
0 0 1 2 1
AULA
0 0 0 0
0 0 1 1 2
S OLUC ÕES
y
y=x
C E D E R J 109
i i
i i
temos que
1 0
B = [T ]β = .
0 0
Assim, a matriz A que representa T com respeito à base canônica
é dada por
A = P B P−1 ,
onde √ √
1/√2 −1/√2
P = [u1 u2 ] = .
1/ 2 1/ 2
Como P é uma matriz ortogonal, temos que
√ √
−1 t 1/√2 1/√2
P =P = ,
−1/ 2 1/ 2
portanto,
A = P B P−1
√ √ √ √
1/√2 −1/√2 1 0 1/√2 1/√2
=
1/ 2 1/ 2 0 0 −1/ 2 1/ 2
1/2 1/2
= .
1/2 1/2
Considere√os seguintes
√ vetores:
u1 = (1/ √ √ vetor unitário paralelo ao plano π ,
2 , 0 , 1/√ 2) um
u2 = (−1/ 6 , 2/ 6 , 1/ 6) um vetor unitário ortogonal a u1 e
110 C E D E R J
i i
i i
30 2 MÓDULO 2
√ plano√π e
paralelo ao √
u3 = (1/ 3 , 1/ 3 , −1/ 3) um vetor unitário normal ao plano
π.
Como
T (u1 ) = u1 = 1 · u1 + 0 · u2 + 0 · u3 ;
AULA
T (u2 ) = u2 = 0 · u1 + 1 · u2 + 0 · u3 ;
e
T (u3 ) = 0 = 0 · u1 + 0 · u2 + 0 · u3 ,
temos que
1 0 0
B = [T ]β = 0 1 0 .
0 0 0
Assim, a matriz A que representa T com respeito à base canônica
é dada por
A = P B P−1 ,
onde
√ √ √
1/ 2 −1/√6 1/√3
P = [u1 u2 u3 ] = 0√ 2/√6 1/√3 .
1/ 2 1/ 6 −1/ 3
portanto
A = PBP −1
√ √ √
1/ 2 −1/√6 1/√3 1 0 0
= 0√ 2/√6 1/√3 0 1 0 .
1/ 2 1/ 6 −1/ 3 0 0 0
√ √
1/√2 0√ 1/√2
. −1/√6 2/√6 1/√6
1/ 3 1/ 3 −1/ 3
2/3 −1/3 1/3
= −1/3 2/3 1/3 .
1/3 1/3 2/3
C E D E R J 111
i i
i i
2/3 −1/3 1/3 1 1
A P1 = −1/3 2/3 1/3 0 = 0 ;
1/3 1/3 2/3 1 1
2/3 −1/3 1/3 1 2/3
A P2 = −1/3 2/3 1/3 1 = 2/3 .
1/3 1/3 2/3 1 4/3
temos A = At se e somente se
1 a+b b 1 2 3
2 0 4 = a+b 0 4 ,
3 4 3 b 4 3
Para a matriz
5 b − c 2d + 3
B= 3 5 1 ,
d b+c 0
temos B = Bt se e somente se
5 b − c 2d + 3 5 3 d
3 5 1 = b −c 5 b +c ,
d b+c 0 2d + 3 1 0
112 C E D E R J
i i
i i
30 2 MÓDULO 2
4. Sendo A e B matrizes simétricas, temos A = At e B = Bt . Portanto,
AULA
Portanto, a AB + BA também é uma matriz simétrica.
p(x) = det(xI2 − A)
x − a −b
=
−b x − a
= (x − a)2 − (−b)2
= x2 − 2ax + (a2 − b2 ) .
(λ1 I2 − A) u1 = 0,
ou seja,
b −b x 0
= .
−b b y 0
Como b 6= 0, obtemos x = y. Assim, uma escolha
√ de√u1 = (x , y)
que seja vetor unitário é dada por u1 = (1/ 2 , 1/ 2). Como
λ1 6= λ2 e a matriz A é simétrica, então todo autovetor
u2 = (x , y) ∈ R2 associado ao autovalor λ2 = a − b é ortogonal
C E D E R J 113
i i
i i
√ √
ao vetor u1 . Portanto, podemos escolher u2 = (−1/ 2 , 1/ 2).
Assim, a matriz
√ √
1/√2 −1/√2
P = [u1 u2 ] =
1/ 2 1/ 2
logo, v1 e v2 não são ortogonais entre si. Para construir uma base
ortogonal de autovetores, consideramos os vetores v2 , v3 e um
novo vetor w, com w ortogonal a v2 e v3 , por exemplo,
w = v2 × v3 = (−1 , 5 , 2).
114 C E D E R J
i i
i i
30 2 MÓDULO 2
autovetores β = {u1 , u2 , u3 }, dada por:
w −1 5 2
u1 = = √ , √ , √ ;
k wk 30 30 30
v2 2 1
u2 = = √ , 0, √ ;
k v2 k
AULA
5 5
v3 1 1 −1
u3 = = √ , √ , √ .
k v3 k 6 6 6
8. a. Sendo
3 1 0 0
1 3 0 0
A=
0
,
0 0 0
0 0 0 0
seu polinômio caracterı́stico é dado por
p(x) = det(xI4 − A)
x − 3 −1 0 0
−1 x − 3 0 0
=
0 0 x 0
0 0 0 x
= x2 (x2 − 6x + 8)
= x2 (x − 2)(x − 4) .
(0 · I4 − A)v = 0
−A v = 0
C E D E R J 115
i i
i i
x = 0, y = 0 e z, t arbitrários .
u1 = (0 , 0 , 1 , 0) u2 = (0 , 0 , 0 , 1)
(2 · I4 − A)v = 0,
y = −x e z = t = s = 0, com x arbitrário.
√
Portanto,√ escolhendo x = 1/ 2 e, consequentemente,
y = −1/ 2, obtemos que
1 −1
u3 = √ , √ , 0 , 0
2 2
forma uma base ortonormal do autoespaço associado ao au-
tovalor λ2 = 2. Finalmente, para o autovalor λ3 = 4, os au-
116 C E D E R J
i i
i i
30 2 MÓDULO 2
tovetores associados v = (x , y , z , t) ∈ R4 satisfazem
(4 · I4 − A)v = 0,
AULA
−1 1 0 0 y 0
0 = .
0 4 0 z 0
0 0 0 4 t 0
y = x e z = t = 0, com x arbitrário.
√
Portanto,
√ escolhendo x = 1/ 2 e, consequentemente,
y = 1/ 2, obtemos que
1 1
u4 = √ , √ , 0 , 0
2 2
forma uma base ortonormal do autoespaço associado ao au-
tovalor λ3 = 4. Como a matriz A é simétrica, observe que
os autovetores associados a autovalores distintos são ortogo-
nais. Assim, β = {u1 , u2 , u3 , u4 } é uma base ortonormal
de R4 formada por autovetores da matriz A. Portanto, a ma-
triz ortogonal P,
√ √
0 0 1/√2 1/√2
0 0 −1/ 2 1/ 2
P = [u1 u2 u3 u4 ] = 1 0
,
0 0
0 1 0 0
e a matriz diagonal D,
0 0 0 0
0 0 0 0
D=
0
,
0 2 0
0 0 0 4
satisfazem A = PDPt .
C E D E R J 117
i i
i i
b. No caso
3 1 0 0 0
1 3 0 0 0
A=
0 0 2 1 1 ,
0 0 1 2 1
0 0 1 1 2
seu polinômio caracterı́stico é dado por
p(x) = det(xI5 − A)
x − 3 −1 0 0 0
−1 x − 3 0 0 0
=
0 0 x − 2 −1 −1
0
0 −1 x − 2 −1
0 0 −1 −1 x − 2
x − 2 −1 −1
x − 3 −1
= · −1 x − 2 −1
−1 x − 3
−1
−1 x − 2
(1 · I5 − A)v = 0,
118 C E D E R J
i i
i i
30 2 MÓDULO 2
mos as soluções
x = 0, y = 0, z = −t − s com t e s arbitrários.
v1 = (0 , 0 , 1 , 0 , −1).
AULA
Para obter um segundo autovetor v2 = (a , b , c , d , e) asso-
ciado ao autovalor λ1 = 1 e que seja ortogonal a v1 , devemos
ter
a=b=0
c+d +e = 0
c−e = 0,
(2 · I5 − A)v = 0,
y = −x e z = t = s = 0, com x arbitrário.
v3 = (1 , −1 , 0 , 0 , 0),
(4 · I5 − A)v = 0,
C E D E R J 119
i i
i i
y = x, s = z e t = z, com x e z arbitrários.
√1 , −1
u1 = 0 , 0 , 2
0, √
2
;
−2 √1
√1 , √
u2 = 0 , 0 , , ;
6 6 6
−1
√1 , √
u3 = , 0, 0, 0 ;
2 2
u4 = √1 , √1 , 0, 0, 0 ;
2 2
e
u5 = 0 , 0 , √1 , √1 , √1 .
3 3 3
120 C E D E R J
i i
i i
30 2 MÓDULO 2
P = [u1 u2 u3 u4 u5 ] =
√ √
0 0 1/√2 1/√2 0
0√ 0√ −1/ 2 1/ 2 0√
= 1/ 2 1/√6 0 0 ,
1/√3
AULA
0√ −2/√6 0 0 1/√3
−1/ 2 1/ 6 0 0 1/ 3
e a matriz diagonal D,
1 0 0 0 0
0 1 0 0 0
D=
0 0 2 0 0 ,
0 0 0 4 0
0 0 0 0 4
satisfazem A = PDPt . Lembre que a ordem dos elementos
da diagonal principal da matriz D depende da ordem das
colunas da matriz ortogonal P e vice-versa.
C E D E R J 121
i i
i i
122 C E D E R J
i i
i i
Aula 31
E XERC ÍCIOS R ESOLVIDOS – 4a PARTE
Objetivo
Ao final desta aula, você deverá ser capaz de:
i i
i i
Exercı́cio 31.1.
a. q(x , y) = 2xy
b. q(x , y , z) = 2xy + 2xz + 2yz
124 C E D E R J
i i
i i
31 2 MÓDULO 2
Em cada caso, determine uma matriz ortogonal que diagonaliza a
forma quadrática.
AULA
a. 2x2 + 5y2 = 20
b. x2 − 16y2 + 8x + 128y = 256
c. 4x2 − 20xy + 25y2 − 15x − 6y = 0
C E D E R J 125
i i
i i
S OLUC ÕES
126 C E D E R J
i i
i i
31 2 MÓDULO 2
a11 = F(e1 , e1 ) = he1 , ai · he1 , bi =
= h(1 , 0) , (a1 , a2 )i · h(1 , 0) , (b1 , b2 )i = a1 b1 ;
a12 = F(e1 , e2 ) = he1 , ai · he2 , bi =
= h(1 , 0) , (a1 , a2 )i · h(0 , 1) , (b1 , b2 )i = a1 b2 ;
a21 = F(e2 , e1 ) = he2 , ai · he1 , bi =
AULA
= h(0 , 1) , (a1 , a2 )i · h(1 , 0) , (b1 , b2 )i = a2 b1 ;
a22 = F(e2 , e2 ) = he2 , ai · he2 , bi =
= h(0 , 1) , (a1 , a2 )i · h(0 , 1) , (b1 , b2 )i = a2 b2 .
Portanto,
a1 b1 a1 b2
A= .
a2 b1 a2 b2
a.
3 0 x1
q(x1 , x2 ) = (x1 x2 ) = 3x21 + 7x22
0 7 x2
b.
q(x1 , x2 , x3 , x4 )
=
1 1 2 7/2 x1
1 2 3 −1 x2
= (x1 x2 x3 x4 )
2
3 3 0 x3
7/2 −1 0 1 x4
c.
q(x1 , x2 , x3 ) =
1 1 −3/2 x1
= (x1 x2 x3 ) 1 1 1/2 x2
−3/2 1/2 −1 x3
d.
0 −7/2 x1
q(x1 , x2 ) = (x1 x2 ) = −7x1 x2
−7/2 0 x2
C E D E R J 127
i i
i i
e.
q(x1 , x2 , . . ., xn ) = (c1 x1 + c2 x2 + · · · + cn xn )2 =
= c21 x21 + c22 x22 + · · · + c2n x2n + 2 c1 c2 x1 x2 + 2 c1 c3 x1 x3 + · · · · · · +
+2 cn−1 cn xn−1 xn
c21 c1 c2 c1 c3
· · · c1 cn x1
c1 c2 c22 c2 c3 · · · c2 cn
x2
= (x1 x2 · · · xn )
c1 c3 c2 c3 c23 · · · c3 cn x3
.. .. .. .. .. ..
. . . . . .
c1 cn c2 cn c3 cn · · · cn 2 xn
128 C E D E R J
i i
i i
31 2 MÓDULO 2
b. Observando os coeficientes de q, vemos que a matriz A que repre-
senta q na base canônica é dada por
0 1 1
A = 1 0 1 .
1 1 0
AULA
Procedendo à diagonalização da matriz simétrica A, deixamos os
detalhes dos cálculos como um exercı́cio para você, obtemos os
autovalores λ1 = −1, com multiplicidade algébrica 2, e λ2 = 2.
A matriz mudança de variável P será obtida a partir de uma base
ortonormal de autovetores de A. Efetuando os cálculos, obtemos
√
1/ √6
u1 = −2/√ 6 autovetor associado ao autovalor λ1 = −1;
1/ 6
√
1/ 2
u2 = 0√ autovetor associado ao autovalor λ1 = −1;
−1/ 2
√
1/√3
u3 = 1/√3 autovetor associado ao autovalor λ2 = 2.
1/ 3
Como {u1 , u2 , u3 } forma uma base ortonormal de R3 , então
√ √ √
1/ √6 1/ 2 1/√3
P = [u1 u2 u3 ] = −2/√ 6 0√ 1/√3
1/ 6 −1/ 2 1/ 3
onde D = Pt A P.
A forma diagonal de q é dada por
−1 0 0 x1
q(x1 , y1 , z1 ) = (x1 y1 z1 ) 0 −1 0 y1
0 0 2 z1
2 2 2
= −x1 − y1 + 2 z1 .
C E D E R J 129
i i
i i
rotação em R3 .
2
x2
Figura 31.1: A elipse 10 + y4 = 1.
Efetuando a translação
x1 = x + 4
y1 = y − 4 ,
x21 y21
− = 1.
16 1
130 C E D E R J
i i
i i
31 2 MÓDULO 2
Podemos identificar a hipérbole na Figura 31.2.
AULA
x1 y 2 2
Figura 31.2: A hipérbole 16 − 11 = 1.
B = (−15 − 6 ).
C E D E R J 131
i i
i i
vt A v = (Pv1 )t A (Pv1 )
= vt1 (Pt AP)v1
= vt1 D v1 ; onde Pt AP = D
0 0 x1
= (x1 y1 )
0 29 y1
= 29y21 .
Substituindo
√
vt A v = 29y21 e Bv = −3 29 x1
em vt A v + Bv = 0, obtemos
√
29y21 − 3 29 x1 = 0.
ou, ainda, √
29 2
x1 = y ,
3 1
132 C E D E R J
i i
i i
31 2 MÓDULO 2
onde identificamos facilmente a equação de uma parábola. Veja a
Figura 31.3.
y1
AULA
x1
√
29 2
Figura 31.3: A parábola x1 = 3 y1 .
vt A v + B v = −9,
onde
x 0 1 1
v = y , A = 1 0 1 e B = (−6 − 6 − 4).
z 1 1 0
A matriz
A já√foi diagonalizada
no Exercı́cio 3.b. Encontramos:
1/ √6
u1 = −2/√ 6 autovetor associado ao autovalor λ1 = −1;
1/ 6
√
1/ 2
u2 = 0√ autovetor associado ao autovalor λ1 = −1;
−1/ 2
√
1/√3
u3 = 1/√3 autovetor associado ao autovalor λ2 = 2.
1/ 3
Como {u1 , u2 , u3 } forma uma base ortonormal de R3 , temos que
√ √ √
1/ √6 1/ 2 1/√3
P = [u1 u2 u3 ] = −2/√ 6 0√ 1/√3
1/ 6 −1/ 2 1/ 3
C E D E R J 133
i i
i i
vt A v = (Pv1 )t A (Pv1 )
= vt1 (Pt AP)v1
= vt1 D v1 ; onde Pt AP = D
−1 0 0 x1
= (x1 y1 z1 ) 0 −1 0 y1
0 0 2 z1
2 2 2
= −x1 − y1 + 2z1 .
Bv = B(Pv1 )
= BPv1 √ √ √
1/ √6 1/ 2 1/√3 x1
= (−6 − 6 − 4) −2/√ 6 0√ 1/√3 y1
1/ 6 −1/ 2 1/ 3 z1
2 2 16
= √ x1 − √ y1 − √ z1 .
6 2 3
Portanto, substituindo
2 2 16
vt A v = −x21 − y21 + 2z21 e Bv = √ x1 − √ y1 − √ z1
6 2 3
134 C E D E R J
i i
i i
31 2 MÓDULO 2
na equação vt A v + B v = −9, obtemos
2 2 16
−x21 − y21 + 2z21 + √ x1 − √ y1 − √ z1 = −9.
6 2 3
AULA
quádrica
2
1 2 4 2
1
− x1 − √ − y1 + √ + 2 z1 + √ = 1.
6 2 3
√1
x2 = x1 − 6
y2 = y1 + √1
2
z = z + √4 ,
2 1 3
obtemos
−x22 − y22 + 2z22 = 1,
que representa um hiperbolóide de duas folhas.
√ √
b. Reescrevendo a equação 2xy− 6 2 x+ 10 2 y+ z− 31 = 0 na forma
matricial, temos
vt A v + B v = 31,
onde
x 0 1 0 √ √
v = y , A = 1 0 0 e B = (− 6 2 10 2 1).
z 0 0 0
C E D E R J 135
i i
i i
onde D = Pt A P.
Observe que det(P) = 1, logo 3
P representa uma rotação em R ,
a saber, uma rotação de π 4 radianos em torno do eixo-z. Con-
siderando
x x1
v = y e v1 = y1 ,
z z1
e substituindo v = Pv1 em vt A v, obtemos
vt A v = (Pv1 )t A (Pv1 )
= vt1 (Pt AP)v1
= vt1 D v1 ; pois Pt AP = D
0 0 0 x1
= (x1 y1 z1 ) 0 1 0 y1
0 0 −1 z1
= y21 − z21 .
Bv = B(Pv1 )
= BPv1 √ √
√ √ 0 1/√2 −1/√ 2 x1
= (−6 2 10 2 1) 0 1/ 2 1/ 2 y1
z1
1 0 0
x1
= (1 4 16) y1
z1
= x1 + 4y1 + 16z1 .
136 C E D E R J
i i
i i
31 2 MÓDULO 2
Portanto, substituindo
na equação vt A v + B v = − 9, obtemos
AULA
y21 − z21 + x1 + 4y1 + 16z1 = 31.
obtemos
x2 = −y22 + z22 ,
que representa um parabolóide hiperbólico.
Logo,
2 −1
A= .
2 0
C E D E R J 137
i i
i i
v1 = (2 , 1) e v1 = (1 , −1). Temos:
Logo,
3 9
B= .
0 6
v1 = 1 · u1 + 1 · u2 ;
v2 = 2 · u1 + (−1) · u2 ,
1 2 1 1
e, portanto, P = e Pt = ,
1 −1 2 −1
onde
t 1 1 2 −1 1 2 3 9
P AP = = = B.
2 −1 2 0 1 −1 0 6
138 C E D E R J
i i
i i
Aula 32
U M C ASO P R ÁTICO
Objetivos
Ao final desta aula, você deverá ser capaz de:
i i
i i
U M M ODELO DE C RESCIMENTO
P OPULACIONAL
Nesta última aula, vamos ilustrar como a teoria de autovalores e au-
tovetores de matrizes com coeficientes reais pode ser usada para analisar
um modelo de crescimento populacional.
Iniciaremos nossa discussão com a apresentação de um modelo sim-
ples de crescimento populacional. Para isso, vamos supor que certas
espécies têm uma taxa de crescimento constante. Isso significa que a
população cresce a percentuais iguais em intervalos de tempos iguais.
Vamos considerar uma espécie em que cada indivı́duo de uma gera-
ção produz r novos descendentes e, logo em seguida, morre. Assim, se
pn denota o número de indivı́duos da população da n-ésima geração,
supondo que as gerações se sucedem a intervalos de tempos iguais,
temos que
pn = r pn−1 .
p1 = 2 p0 ;
p2 = 2 p1 = 2 (2 p0 ) = 22 p0 ;
p3 = 2 p2 = 2 (22 p0 ) = 23 p0 .
140 C E D E R J
i i
i i
32 2 MÓDULO 2
se reproduzir após um ano de vida. Antes de um ano ela será considera-
da uma fêmea jovem e após um ano será considerada uma fêmea adulta.
Podemos, então, denotar por:
p j,n a população de fêmeas jovens após n anos (n perı́odos de repro-
dução);
AULA
pa,n a população de fêmeas adultas após n anos.
Vamos também assumir que, a cada ano, uma fração α de fêmeas
jovens sobrevive e se torna fêmeas adultas, que cada fêmea adulta pro-
duz k novas fêmeas jovens e que uma fração β de fêmeas adultas sobre-
vive.
A suposição de taxa de sobrevivência constante significa que a so-
brevivência dos adultos independe da sua idade, o que nem sempre se
aplica.
Com as suposições anteriores, podemos relacionar a população de
fêmeas jovens e adultas da seguinte forma:
p j,n = k p j,n−1
pa,n = α p j,n−1 + β pa,n−1 ,
Pn = A Pn−1 ,
onde
p j,n 0 k
Pn = e A= .
pa,n α β
Observe que
P1 = A P0;
P2 = A P1 = A (A P0) = A2 P0 ;
P3 = A P2 = A (A2 P0) = A3 P0 ;
P4 = A P3 = A (A3 P0) = A4 P0 ,
e, assim, de um modo geral,
Pn = An P0 ,
onde
p j,0
P0 =
pa,0
C E D E R J 141
i i
i i
Essa matriz informa que cada fêmea adulta gera k = 2 fêmeas jovens
a cada ano e que as taxas de sobrevivência são α = 0, 3 para fêmeas
jovens e β = 0, 5 para fêmeas adultas. Observe que α < β significa
que as fêmeas jovens têm menos chances de sobreviver que as adultas.
Vamos supor, inicialmente, que temos 10 fêmeas adultas e nenhuma
jovem; portanto,
0
P0 = .
10
142 C E D E R J
i i
i i
32 2 MÓDULO 2
p j,2 10
= = 1, 18.
pa,2 8, 5
AULA
Tabela 32.1
P0 = a1 v1 + a2 v2 , com a1 , a2 ∈ R.
Pn = An P0
= An (a1 v1 + a2 v2 ) ,
e, portanto,
Pn = a1 An v1 + a2 An v2 .
C E D E R J 143
i i
i i
Av1 = λ 1 v1 ;
A2 v1 = A(Av1 )
= A(λ1 v1 )
= λ1 (Av1 )
= λ 1 ( λ 1 v1 )
= λ12 v1 ;
A3 v1 = λ13 v1 ;
Pn = a1 An v1 + a2 An v2
na forma
Pn = a1 λ1n v1 + a2 λ2n v2 .
0 k
O polinômio caracterı́stico da matriz A = é dado por
α β
p(x) = det(xI2 − A)
= x2 − β x − kα ,
1
q
λ= β ± β 2 + 4α k .
2
e
1
q
λ2 = β − β + 4α k < 0,
2
2
144 C E D E R J
i i
i i
32 2 MÓDULO 2
ainda, que |λ1 | > |λ2 |. Assim, neste caso, o vetor Pn pode ser reescrito
como
λ2
n
Pn = λ1n a1 v1 + a2 v2 .
λ1
AULA
n
Agora, já que λ1 < 1, temos que λλ21 → 0 quando n → +∞, ou
λ2
λ2
seja, λ1 ≈ 0 quando n é muito grande. Nesse caso, teremos
Pn ≈ a1 λ1n v1 .
0 2
Dando continuidade ao Exemplo 32.1, como A = ,
0, 3 0, 5
temos que o polinômio caracterı́stico é
p(x) = x2 − 0, 5 x − 0, 6.
C E D E R J 145
i i
i i
Exercı́cio 32.1.
146 C E D E R J
i i
i i
32 2 MÓDULO 2
AULA
C E D E R J 147
i i
i i
AULA 19
Exercı́cio 19.1
0 0 1
1. [T ] = 0 1 0 .
1 0 0
2. autovalor√λ1 = 1 com
√ multiplicidade 2: autovetores
u1 = (1/ 2, 0, 1/ 2) e u2 = (0, 1, 0);
autovalor√λ2 = −1 com
√ multiplicidade 1: autovetor
u3 = (1/ 2, 0, −1/ 2).
AULA 20
Exercı́cio 20.1
1. Matriz
da projeção
√ ortogonal
com respeito à base canônica:
1/4 3/4
A= √ .
3/4 3/4
A diagonalização da matriz A é dada por
A = PDPt =
√ √
√1/2 − 3/2 1 0 1/2
√ 3/2
= .
3/2 1/2 0 0 − 3/2 1/2
AULA 21
Exercı́cio 21.1
1 0 0
1. [T ] = 0 0 0
0 0 1
1/2 0 1/2
2. [T ] = 0 1 0
1/2 0 1/2
148 C E D E R J
i i
i i
32 2 MÓDULO 2
3. É dada pelo produto de matrizes
√1 −1
√ √1
√1 √1
2 3 6 2 2
0
1 0 0
1 1 −1 −1 1 √1
√ √ √ √ √
0 1 0 =
2 3 6 3 3 3
0 0 0
1
√ √2 √1 −1
√ √2
0 3 6 6 6 6
AULA
5 1
− 13
6 6
1 5 1
=
6 6 3
− 13 1
3
1
3
AULA 22
Exercı́cio 22.1
1. Como At = A, temos
C E D E R J 149
i i
i i
Assim, as matrizes
√ √
1/√2 0 1/ √2 0
1/ 2 0√ −1/ 2 0√
P =
0
1/ √2 0 1/√2
0 −1/ 2 0 1/ 2
3 0 0 0
0 3 0 0
e D=
0 0 −1 0
0 0 0 −1
satisfazem A = PDPt .
AULA 23
Exercı́cio 23.1
√ √ !
1/ √2 1/√2 0 0
1. a. P = ; D= 0 4
−1/ 2 1/ 2
√ √ √
1/√3 −1/√ 2 −1/√6
b. P = 1/√3 1/ 2 −1/√ 6 ;
1/ 3 0 2/ 6
−2 0 0
D= 0 1 0
0 0 1
√ √
1/ √2 0 1/√2 0
−1/ 2 0√ 1/ 2 0√
c. P = ;
0 1/ √2 0 1/√2
0 −1/ 2 0 1/ 2
0 0 0 0
0 0 0 0
D= 0 0 4 0
0 0 0 4
150 C E D E R J
i i
i i
32 2 MÓDULO 2
2. Observe que λ = 5 é um autovalor de A, mas v = (−1, 1, 0) não é
um autovetor correspondente ao autovalor λ = 5. Temos:
√ √ √
1/√3 −1/√ 2 −1/√6 5 0 0
P = 1/√3 1/ 2 −1/√ 6 ; D = 0 2 0
1/ 3 0 2/ 6 0 0 2
AULA
AULA 24
Exercı́cio 24.1
AULA 25
Exercı́cio 25.1
1. Para todo u , v , w ∈ Rn e a ∈ R,
F(u + a w, v) = (u + a w)t A v
= (ut + a wt ) A v
= ut A v + a (wt A v)
= F(u , v) + a F(w, v) .
C E D E R J 151
i i
i i
2 −1 3 9
3. a. A = b. B =
2 0 0 6
1 2
c. P =
1 −1
AULA 27
Exercı́cio 27.1
x22 y22
1. A hipérbole de equação − = 1.
12 8
AULA 28
Exercı́cio 28.1
AULA 29
Exercı́cio 29.1
1. λ1 = 2 + i; v1 = (−1 + i , 1)
λ2 = 2 − i; v2 = (−1 − i , 1)
152 C E D E R J
i i
i i
32 2 MÓDULO 2
AULA 32
Exercı́cio 32.1
AULA
2, 09 − 3, 57
v1 = e v2 = .
1 1
Valores:
Tabela 32.2
C E D E R J 153
i i