Algebra Linear

Francisco Duarte Moura Neto Instituto Politecnico

Luiz Mariano Paes de Carvalho Instituto de Matem atica e Estatstica
Universidade do Estado do Rio de Janeiro
21 de maio de 2011
Sumario
1 Metodo de Eliminacao de Gauss 1
1.1 Metodo de substituic ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Etapas do metodo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Fatorac ao LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Fatorac ao PA = LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Sistemas de equacoes com matrizes retangulares . . . . . . . . . . . . . . . 11
1.6 Sobre sistemas singulares e regulares . . . . . . . . . . . . . . . . . . . . . 13
2 Determinante 16
2.1 Propriedades do determinante . . . . . . . . . . . . . . . . . . . . . . . . . 17
3

Areas e Volumes 18
3.1 C alculo de areas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Volumes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Hipervolume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4 Paralelogramo em IR
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.5 Criterio do determinante para vetores l.i.s . . . . . . . . . . . . . . . . . . 21
4 Gram-Schmidt 23
4.1 Processo de ortogonalizacao . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2 Fatorac ao QR de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . 24
5 Teorema Fundamental da

Algebra Linear 26
5.1 Multiplicacao de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.2 A geometria dos sistemas lineares . . . . . . . . . . . . . . . . . . . . . . . 28
5.3 A geometria das transforma coes lineares . . . . . . . . . . . . . . . . . . . 28
5.4 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6 Autovalores e Autovetores 35
6.1 Motivacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.2 Determina cao analtica dos autovalores . . . . . . . . . . . . . . . . . . . . 38
6.3 Aplicac ao ao estudo de sistemas de EDOs . . . . . . . . . . . . . . . . . . 39
i
ii SUM

ARIO
7 Diagonalizacao de Matrizes 42
7.1 Resultado b asico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
7.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7.3 Func ao de matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
7.4 Aplicac ao a equa coes de diferencas . . . . . . . . . . . . . . . . . . . . . . 48
8 Teorema Espectral 52
8.1 Considera coes iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
8.2 Espacos vetoriais complexos . . . . . . . . . . . . . . . . . . . . . . . . . . 54
8.3 Equac oes diferenciais e a exponencial de matrizes . . . . . . . . . . . . . . 58
9 Massas e Molas em Equilbrio 62
9.1 Uma massa e uma mola . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
9.2 Duas molas e uma massa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
9.3 Uma massa suspensa por uma mola . . . . . . . . . . . . . . . . . . . . . . 64
9.4 Uma massa entre duas molas alinhadas com a forca da gravidade . . . . . 64
9.5 Duas massas e duas molas alinhadas com a gravidade . . . . . . . . . . . . 65
9.6 Uma linha de molas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
10 Projecoes e Quadrados Mnimos 71
10.1 Proje cao sobre linha reta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
10.2 Determinac ao da constante de elasticidade de uma mola . . . . . . . . . . 73
10.3 Soluc ao de sistemas impossveis: quadrados mnimos . . . . . . . . . . . . 74
10.4 Regressao linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
11 Agrupamento de Genes 79
11.1 Motivac ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
11.2 Particionamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
12 Exerccios I 80
12.1 Parte um . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
12.2 Parte dois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
12.3 Parte tres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
12.4 Parte quatro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
13 Exerccios II 90
13.1 Um . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
13.2 Dois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
13.3 Tres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Captulo 1
Metodo de Eliminacao de Gauss
1.1 Metodo de substituicao
O metodo de elimina cao de Gauss nada mais e do que uma vers ao algoritmica do metodo
de substituic ao. Recordamos o metodo de substituic ao. O metodo de substitui cao escreve
uma das incognitas em termos das outras (resolve para uma em func ao das outras),
e substitui a expressao dessa inc ognita nas restantes equac oes, eliminando-a, portanto.
Vejamos um exemplo, com tres equac oes a tres inc ognitas u, v e w,

2u + v + w = 5
4u 6v = 2
2u + 7v + 2w = 9
1
a
equac ao
2
a
equac ao
3
a
equac ao
(1.1)
Resolvemos a primeira equa cao para a inc ognita u em fun cao das outras inc ognitas, ob-
tendo
u =
1
2
(5 v w) (1.2)
A equac ao (1.2) e equivalente `a primeira equac ao em (1.1). Substituindo-se o valor de u
como expresso pelo lado direito da equac ao (1.2) nas 2
a
e 3
a
equac oes de (1.1) obtemos

4
2
(5 v w) 6v = 2
2
2
(5 v w) + 7v + 2w = 9
(1.3)
resultando em

8v 2w = 12
8v + 3w = 14
(1.4)
Chamemos o n umero que multiplica a incognita u, na 1
a
equac ao em (1.1) de pivo, isto e,
2 e o pivo da primeira equac ao em (1.1). Se multiplicarmos ambos os lados da 1
a
equac ao
em (1.1) por
4
2
, onde no denominador temos o pivo, e se da segunda equac ao subtrairmos
esse m ultiplo da primeira equacao, obtemos a equacao,
8v 2w = 12
1
2 CAP

ITULO 1. M

ETODO DE ELIMINAC

AO DE GAUSS
Analogamente, multiplicando-se ambos os lados da primeira equac ao em (1.1) por
2
2
,
onde novamente, no denominador temos o piv o da primeira equac ao e no numerador o
n umero que multiplica u, a vari avel que sera substituda, na terceira equac ao, e da terceira
equac ao subtrarmos esse m ultiplo da primeira equa cao, obtemos,
8v + 3w = 14
Em outras palavras, da segunda e da terceira equa coes subtramos m ultiplos da primeira
equac ao conseguindo eliminar a inc ognita u, e obtendo as mesmas equa coes derivadas por
substituic ao, equacao (1.4).

E nesta ideia que se baseia a primeira etapa do metodo de
eliminac ao de Gauss.
Reduzimos ent ao o sistema de tres equacoes a tres inc ognitas ao sistema

2u + v + w = 5

8v 2w = 12
8v + 3w = 14
formado por uma equacao a tres inc ognitas e um sub-sistema de duas equac oes a duas
inc ognitas, v e w. Sabendo-se a soluc ao do sub-sistema dois por dois, isto e, sabendo-se
o valor de v e w, pode-se recorrer `a primeira equac ao para determinar u.
Mas, ao sub-sistema dois por dois podemos aplicar a mesma ideia de substituic ao,
isto e, usa-se a segunda equa cao para determinar uma das inc ognitas, v, em funcao da
outra, w, e substitui-se na terceira equac ao, obtendo-se, esquematicamente, um sistema
na forma

equac ao a tres incognitas, u, v, e w

equac ao a duas inc ognitas, v e w

equac ao a uma inc ognita, w

concretamente dado neste caso por

2u + v + w = 5

8v 2w = 12
w = 2
Desta forma resolve-se a ultima equa cao, determinando-se w, depois substitui-se o valor
de w na segunda equac ao, determinando-se o valor de v, e nalmente usa-se na primeira
equac ao os valores j a determinados de v e w para obter-se o valor de u. A esta ultima
etapa da-se o nome de retrosubstituicao.
Claramente o procedimento pode ser seguido no caso de um sistema de n equac oes a n
inc ognitas, trocando-o inicialmente por uma equac ao com n inc ognitas e um sub-sistema
de n 1 equac oes a n 1 incognitas, e procedendo recursivamente, para diminuir o
tamanho do sub-sistema ate atingir um sub-sistema de uma equac ao a uma inc ognita.
1.2 Etapas do metodo de Gauss
O metodo de eliminac ao de Gauss e constitudo por duas etapas: (A) Eliminac ao avancada;
(B) Retrosubstituic ao.
1.2. ETAPAS DO M

ETODO DE GAUSS 3
(A) Eliminacao avancada A eliminacao avancada elimina vari aveis de equacoes mais
abaixo usando as de cima.

E um processo reversvel. O n umero (nao-nulo) que multiplica
a vari avel da equa cao acima a ser eliminada das equa coes abaixo e chamado de pivo.
No exemplo,

piv o
....
2 u + v + w = 5
4u 6v = 2
2u + 7v + 2w = 9
Usa a 1
a
equac ao para eliminar a
1
a
variavel (u) das equa coes restantes
subtraindo m ultiplos da 1
a
` a 2
a
e depois ` a 3
a
(1.5)

2u + v + w = 5

piv o
....
8 v 2w = 12
8v + 3w = 14
linha 1 e mantida
linha 2 linha 2 2linha 1
linha 3 linha 3 (1)linha 1
Observac oes
Para eliminar o 4u na 2
a
equac ao basta subtra-la de um m ultiplo da 1
a
linha. O
multiplicador da 1
a
linha e obtido dividindo-se o 4 pelo piv o. Assim, faz-se a troca
da 2
a
linha,
linha 2 linha 2 - 2linha 1
Note que este procedimento e reversvel. Por exemplo, para recuperar a 2
a
linha
original basta adicionar ` a 2
a
linha atual duas vezes a linha 1 atual (que, ali as, n ao
sofre alterac oes).
linha 2 linha 2 + 2linha 1
O procedimento gerou um subsistema de 2 equac oes a 2 inc ognitas (v, w). Sabendo-
se a soluc ao deste subsistema 2 por 2, sabemos a solu cao do sistema 3 por 3 original.
Aplicando-se este procedimento sistematicamente, o sistema vai gerando subsiste-
mas de tamanho cada vez menor: 3 por 3 2 por 2 1 por 1.
Usa-se, em seguida, a 2
a
equac ao para eliminar a 2
a
vari avel (v) da equac ao restante
(a 3
a
equac ao), subtraindo-se da 3
a
equac ao um m ultiplo da 2
a
.

2u + v + w = 5
8v 2w = 12
w = 2
mantem
mantem
linha 3 (1)linha 2
4 CAP

ITULO 1. M

ETODO DE ELIMINAC

AO DE GAUSS
(B) Retrosubstituicao A substituicao recuada ou retrosubstituicao procede da ultima
equac ao em dire cao `a primeira, como a seguir:

w = 2
8v 2(2) = 12 v = 1
2u + (1) + (2) = 5 u = 1
ultima equacao
substitui-se w da 3
a
equac ao na 2
a
equac ao
substituem-se os valores de w e v na 1
a
equac ao
Finalmente

u = 1
v = 1
w = 2
(1.6)
Observacao conceitualmente importante Esta ultima etapa tambem e reversvel.

E a reversibilidade das duas etapas, A e B, que garante logicamente que as solu coes do
sistema original, equa cao 1.1 (ou equac ao 1.5) e as soluc oes do sistema nal, equac ao 1.6,
s ao as mesmas. Pode-se ir de uma ` a outra e da outra ` a uma...
Pode-se utilizar uma notacao matricial para ressaltar ainda mais o car acter algortmico,
de processamento de n umeros, de que se reveste o metodo de Gauss. O objetivo e obter-se
uma matriz triangular superior
1
U, (upper triangular). Tem-se

2 1 1
4 6 0
2 7 2

b
. .. .
5
2
9

linha 1 linha 1
linha 2 linha 2 2 linha 1
linha 3 linha 3 + linha 1

2 1 1
8 2
8 3

5
12
14

linha 1 linha 1
linha 2 linha 2
linha 3 linha 3 + linha 2

2 1 1
8 2
1

5
12
2

1.3 Perspectiva matricial do procedimento: matrizes

elementares e fatoracao LU
Fatoracao LU
O metodo de eliminac ao de Gauss para a resolu cao de equac oes lineares procede usando
operac oes elementares sobre a matriz do sistema de forma a obter, no nal, uma matriz
triangular superior.
1
Uma matriz U e triangular superior, se suas entradas abaixo da diagonal principal sao nulas, isto e,
se U
ij
denota a entrada na linha i e coluna j da matriz U, entao, U
ij
= 0 sempre que i > j.
1.3. FATORAC

AO LU 5
Uma das operac oes elementares do metodo e a substitui cao de uma linha do sistema por
ela diminuda de um m ultiplo de uma outra linha. Essa operac ao pode ser representada
pela multiplicacao pela esquerda da matriz A do sistema, por uma matriz dita elementar,
E. A matriz elementar tem por caractersticas, ser triangular inferior, com 1s na diagonal
principal, e um unco valor n ao nulo abaixo da diagonal. Esse valor, representado por
m, est a localizado na mesma linha que e usada para modicar e na coluna com mesmo
ndice que a linha que est a sendo modicada, onde m representa o valor a ser multiplicado
` a linha a ser usada na modicacao e o chamado multiplicador.
Isto e um pouco complicado de descrever sem smbolos para denotar as linhas envol-
vidas, mas um pouco confuso (abstrato) se usarmos a notac ao. Vamos usar a notac ao
adequada e depois fazer um exemplo para facilitar a compreens ao.
Seja A
i
a i-esima linha da matriz A. No metodo de Gauss, tipicamente substitumos
a linha i, pela linha A
i
mA
j
, onde j < i, com o objetivo de usar a linha j, mais
precisamente o elemento A
jj
, chamado piv o, para eliminar (zerar) o elemento A
ij
da
linha i. Para tal, o multiplicador e m =
A
ij
A
jj
.
A matriz elementar que corresponde a essa operacao e a matriz cujos unicos elementos
n ao-nulos sao a diagonal principal, que so tem 1s, e o elemento
E
ij
= m
Como j < i, a matriz e triangular inferior.
Consideremos um exemplo.
E
. .. .

1 0 0
2 1 0
0 0 1

A
. .. .

2 1 1
4 6 0
2 7 2

=
EA
. .. .

A
1

A
2
2A
1

A
3

2 1 1
0 8 2
2 7 2

F
. .. .

1 0 0
0 1 0
1 0 1

EA
. .. .

2 1 1
0 8 2
2 7 2

=
FEA
. .. .

(EA)
1

(EA)
2

(EA)
3
+ (EA)
1

2 1 1
0 8 2
0 8 3

G
. .. .

1 0 0
0 1 0
0 1 1

FEA
. .. .

2 1 1
0 8 2
0 8 3

=
GFEA=U
. .. .

(FEA)
1

(FEA)
2

(FEA)
3
+ (FEA)
2

=
U
. .. .

2 1 1
0 8 2
0 0 1

A matriz U e triangular inferior. Denote por G

1
, F
1
, E
1
, as matrizes que representam
as operacoes elementares inversas. No exemplo, pode-se vericar que
G
1
=

1 0 0
0 1 0
0 1 1

, F
1
=

1 0 0
0 1 0
1 0 1

e E
1
=

1 0 0
2 1 0
0 0 1

6 CAP

ITULO 1. M

ETODO DE ELIMINAC

AO DE GAUSS
Calculando-se o produto obtem-se
L = E
1
F
1
G
1
=

1 0 0
2 1 0
1 1 1

que e uma matriz triangular inferior (por isso a escolha da letra L para representa-la, do
ingles lower triangular).
Como
GFEA = U
aplicando-se em ambos os lados da equacao acima, as operac oes inversas, comecando com
a inversa da ultima realizada, G, obtemos
G
1
GFEA = G
1
U donde FEA = G
1
U
e em seguida, a inversa de F e depois a inversa de E, chega-se a
A = E
1
F
1
G
1
GFEA = E
1
F
1
G
1
U = LU
isto e, a matriz foi fatorada num produto de uma matriz triangular inferior com 1

s na
diagonal, L, por uma matriz triangular superior com os piv os na diagonal, U.
Em resumo, as matrizes L e U ter ao o seguinte aspecto,
L =

1 0 0
m
21
1 0
m
31
m
32
1

e U =

piv o
1

0 piv o
2

0 0 pivo
3

onde, por exemplo, m

21
e o multiplicador utilizado para limpara posic ao 21, linha 2,
coluna 1, com a ajuda da linha 1.
`
A linha 2 subtrai-se m
21
vezes a linha 1, onde
m
21
=
elemento 21
piv o
1
e pivo
1
e o pivo da linha 1.
Resolucao de sistemas com a fatoracao LU
Considere um sistema de equac oes lineares na forma
Ax = b
onde se tenha conseguido fatorar A = LU. Ent ao, pode-se escrever
L
y
....
Ux = b

Ly = b
Ux = y
1.4. FATORAC

AO PA = LU 7
Assim, resolve-se primeiramente o sistema para y,
Ly = b
que e facil e rapido de se resolver, e uma substituicao avancada e em seguida,
resolve-se para x o sistema
Ux = y
que e uma retrosubstituic ao, igualmente f acil e r apida de executar.
Exemplo 1 No exemplo, resolve-se

1 0 0
2 1 0
1 1 1

y
1
y
2
y
3

5
2
9

donde, sucessivamente, da primeira equac ao y

1
= 5, da segunda equac ao, 2(5)+y
2
= 2
ou, y
2
= 12, e da terceira equac ao, 5 1(12) + y
3
= 9, resultando em y
3
= 2.
Em seguida, resolve-se

2 1 1
0 8 2
0 0 1

u
v
w

5
12
2

que resulta na soluc ao (u, v, w) = (1, 1, 2).

Observacao Depois de obter a fatorac ao LU de uma matriz A, quando existir, e possvel
resolver rapidamente Ax = b para diversos lados direitos b. Isso pode ser interessante
em aplicacoes onde se procure saber o comportamento de um sistema (com x sendo a
resposta do sistema), quando diferentes estmulos (representados por b) sejam aplicados
a ele.
1.4 Eliminacao, substituicao e permutacao: fatoracao
PA = LU
Quando a fatoracao LU falha
O algoritmo de Gauss pode falhar quando o sistema e singular, caso que ser a analisado
posteriormente, ou quando, apesar de ser regular (nao singular), o candidato a pivo e nulo.
Neste utimo caso, e simples modicar o algoritmo, permutando-se as linhas do sistema.
Exempliquemos.
8 CAP

ITULO 1. M

ETODO DE ELIMINAC

AO DE GAUSS
Exemplo 2 Exemplo de sistema singular. Assuma que ao aplicar o algoritmo de Gauss
a um sistema, obtenha:

u + v + w =
2u + 2v + 5w =
4u + 4v + 8w =

u + v + w =
3w = a
4w = b
O algoritmo n ao pode prosseguir, e temos as seguintes possibilidades para o conjunto
soluc ao do sistema:
a
3
=
b
4
o sistema tem innitas soluc oes;
a
3
=
b
4
o sistema n ao tem solu cao alguma
Exemplo 3 Exemplo de sistema nao singular, e algoritmo de Gauss, como apresentado
ate o momento, falha.

u + v + w =
2u + 2v + 5w =
4u + 6v = 8w =

u + v + w =
0u + 0v + 3w =
0u + 2v + 4w =
N ao ha como continuar o algoritmo uma vez que o candidato a piv o e nulo. A soluc ao
deste pequeno obst aculo e trocar as duas ultimas linhas de posic ao

u + v + w =
0u + 2v + 4w =
0u + 0v + 3w =
e o algoritmo pode prosseguir com a etapa B da retrosubstituicao.
Matrizes de permutacao
Uma matriz de permutac ao e obtida a partir da matriz identidade trocando-se suas linhas
ou colunas. Assim, uma matriz de permutacao, n n, tem apenas n entradas n ao-nulas,
iguais a 1, sendo que em cada linha e em cada coluna h a apenas uma entrada igual a 1.
A matriz P e um exemplo de matriz de permutac ao:
P =

0 1 0
1 0 0
0 0 1

Obtida da matriz identidade trocando
a 1
a
e a 2
a
colunas (ou linhas)
Uma matriz de permutacao pode ser representada por suas colunas ou linhas que s ao
vetores can onicos, como no exemplo a seguir:
Q =

0 1 0
0 0 1
1 0 0

[ [ [
e
3
e
1
e
2
[ [ [

e
T
2

e
T
3

e
T
1

1.4. FATORAC

AO PA = LU 9
Concentremo-nos na representac ao envolvendo as colunas. Dena a func ao
i : 1, 2, 3 1, 2, 3
j i(j) = i
j
onde i
1
= 3, i
2
= 1 e i
3
= 2. Ent ao
Q =

[ [ [
e
i
1
e
i
2
e
i
3
[ [ [

[ [ [
e
3
e
1
e
2
[ [ [

Ou seja, dada uma func ao bijetora (injetora e sobrejetora) de 1, 2, 3 em si mesmo, temos

uma matriz de permutac ao, bastando colocar na coluna j o vetor e
i
j
. E vice-versa.
Assim, o n umero de matrizes de permutac ao, n n, e igual ao de func oes bijetores de
1, 2, . . . n em 1, 2, . . . n. Ora, esse e n umero e o n umero de permutacoes de n objetos:
n!.
Uma propriedade das matrizes de permutac ao e que o produto dela com sua transposta
e a identidade (i.e. sua inversa e a sua transposta). Vejamos como vericar,
P
T
. .. .

e
T
i
1

e
T
i
2

.
.
.
.
.
.
.
.
.
e
T
i
n

P
. .. .

[ [ [
e
i
1
e
i
2
e
i
n
[ [ [ [

= I
A entrada lm (linha l e coluna m) da matriz produto P
T
P e dada por e
T
i
l
e
i
m
=
lm
, isto
e, P
T
P = I.
Sistemas nao-singulares: fatoracao PA = LU
Por simplicidade, represente matriz de permutac ao da seguinte forma

0 0 1 0
0 1 0 0
1 0 0 0
0 0 0 1

e
T
3

e
T
2

e
T
1

e
T
4

3
2
1
4

Na obten cao da fatorac ao PA = LU, onde A e a matriz original do sistema linear, P

e uma matriz de permutac ao, L e uma matriz triangular inferior, com uns na diagonal
principal, e U uma matriz triangular superior, o algoritmo comeca com duas c opias da
identidade e a matriz A lado a lado e termina com as matrizes P, L e U. A primeira
identidade e a matriz P s ao representadas como anteriormente explicitado,
[I I A] [P L U]
10 CAP

ITULO 1. M

ETODO DE ELIMINAC

AO DE GAUSS
Ilustramos o processo atraves de um exemplo,

1
2
3
4

1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1

1 2 4 6
3 2 1 5
1 3 2 1
2 1 1 2

troca linha 1 com a 3 (para ver como registrar)

3
2
1
4

1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1

pivo
....
1 3 2 1
3 2 1 5
1 2 4 6
2 1 1 2

usa pivo para limpar coluna 1 abaixo dele,

coloca multiplicadores na segunda matriz
A
2
A
2
3A
1
; A
3
A
3
1A
1
;
A
4
A
4
(2)A
1
;

3
2
1
4

1 0 0 0
3 1 0 0
1 0 1 0
2 0 0 1

1 3 2 1
0 7 5 2
0 1 2 5
0 7 3 4

troca linhas 2 e 3 (facilita as contas)

3
1
2
4

1 0 0 0
1 1 0 0
3 0 1 0
2 0 0 1

1 3 2 1
0
pivo
....
1 2 5
0 7 5 2
0 7 3 4

piv o (1) para limpar coluna 2 abaixo dele;

multiplicadores na segunda matriz
A
3
A
3
7A
2
; A
4
A
4
(7)A
2

3
1
2
4

1 0 0 0
1 1 0 0
3 7 1 0
2 7 0 1

1 3 2 1
0 1 2 5
0 0 19 33
0 0 17 39

troca linhas 3 e 4 (para ilustrar o metodo)

3
1
4
2

1 0 0 0
1 1 0 0
2 7 1 0
3 7 0 1

1 3 2 1
0 1 2 5
0 0
pivo
....
17 39
0 0 19 33

usa pivo 17 (para zerar 19 abaixo dele)

A
4
A
4

19
17
)A
3

3
1
4
2

1 0 0 0
1 1 0 0
2 7 1 0
3 7
19
17
1

1 3 2 1
0 1 2 5
0 0 17 39
0 0 0
180
17

Obtem P, L e U
1.5. SISTEMAS DE EQUAC

OES COM MATRIZES RETANGULARES 11
Pode-se vericar que PA = LU, onde
P =

3
1
4
2

0 0 1 0
1 0 0 0
0 0 0 1
0 1 0 0

L =

1 0 0 0
1 1 0 0
2 7 1 0
3 7
19
17
1

e U =

1 3 2 1
0 1 2 5
0 0 17 39
0 0 0
180
17

1.5 Sistemas de equac oes com matrizes retangulares

1.5.1 Retas
Dados dois pontos distintos x
0
= (x
0
1
, x
0
2
, . . . x
0
n
)
T
, x
1
= (x
1
1
, x
1
2
, . . . x
1
n
)
T
IR
n
, x
0
= x
1
,
a reta que passa por esses pontos e denida por
r = x IR
n
tal que x = x
0
+ t(x
1
x
0
) para todo t IR (1.7)
A representac ao dada acima da reta r tambem e chamada de equac ao parametrica da
reta. O vetor x
1
x
0
(ou qualquer m ultiplo seu nao-nulo), e o vetor direcao da reta r.
Exemplo 4 Sejam (1, 3) e (2, 1) IR
2
. Determine: (a) a equac ao parametrica da reta;
(b) a equa cao da reta.
Solucao a) x
1
x
0
= (1, 2)
T
. Ent ao a equac ao parametrica e

x
y

= x = x(t) =

1 + t
3 2t

t IR
b) Como x = 1 + t e y = 3 2t, eliminando t, obtem-se y + 2x = 5.
Poder-se-ia ter feito a alnea b) usando a formula usual para a equa cao da reta em IR
2
passando pelos pontos x
0
= (x
0
, y
0
) e x
0
= (x
1
, y
1
):
y y
0
x x
0
=
y
1
y
0
x
1
x
0
(1.8)
Vale lembrar que enquanto a equac ao (1.7) e valida em IR
n
, para qualquer n 1, a
equac ao (1.8) s o e valida para IR
2
e nao h a f ormula analoga, com apenas uma equac ao,
para n = 2.
12 CAP

ITULO 1. M

ETODO DE ELIMINAC

AO DE GAUSS
1.5.2 Resolver sistemas
A quest ao que se coloca e sobre o signicado de resolver um sistema de equac oes. Quando
o sistema tem apenas uma solu cao, a questao e determinar a soluc ao. Quando o sistema
tem mais do que uma solucao, o que se quer e parametrizar o conjunto soluc ao, isto e,
determinar uma funcao cuja imagem seja o conjunto soluc ao do sistema de equacoes.
Vejamos alguns exemplos para entender o que se quer dizer.
Resolva a equacao 3x = 4. A soluc ao desta equac ao, em IRe unica e e x = 4/3. Resolva
agora a equac ao 3y + 4x = 12 em IR
2
. O conjunto de pontos que satisfaz esta equa cao
comp oe uma reta. A resolucao implica que se determine uma equacao parametrica da
reta. Bem
y =
12
3

4
3
x

x
y

x
4
4
3
x

4
3

0
4

x IR
ou seja e a reta que passa pelo ponto (0, 4)
T
e tem dire cao (3, 4)
T
.
Sistemas de m equacoes a n inc ognitas
Para resolver sistemas lineares de m equac oes a n inc ognitas, podemos aplicar proce-
dimento an alogo ao ja apresentado, usando permutac oes, e subtraindo a uma linha um
m ultiplo de outra.
O objetivo agora e que e um pouco modicado. Ao inves de realizar as operac oes
elementares para obter uma matriz triangular inferior, realizam-se essas opera coes com o
intuito de chegar a uma matriz escada. Uma matriz escada e tal que:
As linhas nulas aparecem embaixo;
Abaixo de qualquer piv o s o ha zeros;
Cada pivo est a ` a direita do piv o da linha acima.
Com esse objetivo em mente, dada uma matriz A, mn, e sempre possvel determinar
matrizes P, quadrada, mm, de permutacao, L, tambem quadrada, mm, triangular
inferior com uns na diagonal principal, e U, mn, matriz escada, contendo os pivos, tal
que PA = LU.
Considere a resolu cao do sistema Ax = b, onde, ap os as operac oes elementares,
A [ b U [

b
U [

b =
U
. .. .

pivo
....
1 3 2 1 0
0 0
pivo
....
3 1 2
0 0 0 0
pivo
....
2

b
. .. .

4
1
2

1.6. SOBRE SISTEMAS SINGULARES E REGULARES 13

Aqui temos 5 vari aveis, (x
1
, x
2
, . . . , x
5
, 3 piv os (= dim Im(A) associados ` as variaveis
x
1
, x
3
, x
5
, chamadas de basicas ou dependentes, 5 3 = 2 variaveis livres.
A resoluc ao do sistema se completa ao escrever as vari aveis basicas em funcao das
livres. Resolvendo da ultima em direcao ` a primeira equac ao,
x
1
+ 3x
2
+ 2x
3
+ x
4
= 4
3x
3
+ x
4
+ 2x
5
= 1
2x
5
= 2
obtemos
x
5
= 1
3x
3
+ x
4
= 1 x
3
=
1
3

1
3
x
4
x
1
+ 3x
2
+ 2

1
3

1
3
x
4

+ x
4
= 4 x
1
=
14
3
3x
2

1
3
x
4
donde as solu coes sao dadas por

x
1
x
2
x
3
x
4
x
5

14
3
3x
2

1
3
x
4
x
2

1
3

1
3
x
4
x
4
1

14
3
0

1
3
0
1

+ x
2

3
1
0
0
0

+ x
4

1
3
0

1
3
1
0

para todo x
2
, x
4
IR.
1.6 Sobre sistemas singulares e regulares
A palavra singular ja diz que se um sistema e singular e porque ele e, de alguma forma
diferente, ou melhor raro. O que e raro, e diferente, e singular. Ent ao os sistema singulares
s ao rarose os regulares s ao mais comuns. Vamos esclarecer isso um pouco. Considere os
sistemas de duas equac oes a duas incgnitas a seguir:

2x y = 1
x + y = 5
Tem uma unica solu cao: sistema regular

2x y = 1
4x 2y = 8
N ao tem nenhuma soluc ao: sistema singular

2x y = 1
4x + 2y = 2
Tem innitas soluc oes: sistema singular
14 CAP

ITULO 1. M

ETODO DE ELIMINAC

AO DE GAUSS
Um sistema de duas equac oes a duas incognitas e dito regular se tem uma e somente uma
soluc ao (sistema deteminado), caso contrario, se nao tiver nenhuma solu cao, ou innitas
soluc oes e chamado de singular (sistema impossvel ou indeterminado). Seja S o espa co
de todos os sistemas de duas equac oes a duas incognitas,

ax + by = c
dx + ey = f
Coomo cada equac ao representa uma reta, podemos pensar que S e o conjunto de pares
de retas, ou ainda, que e o conjunto dos coecientes,
S =

a b c
d e f

, para todo , a, b, c, d, e, f IR

Sejam
S
R
= conjunto dos sistemas regulares
S
S
= conjunto dos sistemas singulares
Ent ao,
S = S
R
d
S
S
onde designa a uni ao de conjuntos e d diz que a intersec ao dos conjuntos e vazia.
Observamos o seguinte com relacao aos sistemas regulares e singulares:
1. Um sistema regular corresponde a duas retas transversais. Se as perturbarmos um
pouquinho, isto e, se modicarmos um pouquinho os coecientes do sistema, as
duas retas continuar ao a ser transversais, logo o sistema resultante continuar a a ser
regular, a ter uma unica soluc ao;
2. Um sistema singular corresponde a (a) duas retas paralelas, ou (b) duas retas coin-
cidentes. A perturbarmos um pouquinho essas retas, e claro que podemos continuar
a ter retas paralelas, ou coincidentes, mas e possvel perturb a-las bem pouquinho e
elas passarem a ser transversais, correspondendo assim a um sistema regular, com
uma unica soluc ao.
O conjunto dos sistema regulares e dito:
aberto (ou estavel) porque satisfaz a propriedade 1. acima;
denso porque satisfaz a propriedade 2. acima
O conjunto dos sistema regulares e aberto porque sucientemente perto de qualquer
sistema regular so h a sistemas regulares, e e denso porque perto de qualquer sistema
(regular ou singular) h a um sistema regular.
1.6. SOBRE SISTEMAS SINGULARES E REGULARES 15
Sejamos um pouco mais formais. Uma perturbac ao de um sistema e simplesmente
uma perturba cao (modicacao) dos seus coecientes. Considere uma perturbac ao nos
sistemas singulares dados anteriormente,

(2 + )x y = 1
4x 2y = 8
(x, y) =

,
8

Tem uma unica solu cao: sistema regular

(2 + )x y = 1
4x + 2y = 2
(x, y) = (0, 1) Tem uma unica soluc ao: sistema regular
Assim, dado um sistema singular, haver a tao perto quanto se queira, bem pequeno, um
sistema regular (sistemas regulares sao densos).
Por outro lado, uma perturbacao pequena de um sistema regular nao destr oi sua
regularidade. Considere uma perturbacao geral do sistema regular dado,

(2 +
1
)x + (1 +
2
)y = (1 +
3
)
(1 +
4
)x + (1 +
5
)y = (5 +
6
)

Quando s forem bem pequenos, o sistema tem uma unica solu cao: sistema regular. De
fato,
det

2 +
1
1 +
2
1 +
4
1 +
5

= 3+

. .. .
(
1
+
4
+
5

2
+
1

4
) = 3 +
que e diferente de zero garantido a resolucao do sistema, desde que ou os s sejam
pequenos.
Porque o conjunto S
r
e aberto e denso em S e justicavel armar que, salvo raras (e
quica honrosas) excecoes, um sistema de n equac oes a n inc ognitas tem uma unica solucao.
Em matematica diz-se que genericamente um sistema de n equac oes a n inc ognitas, tem
uma unica soluc ao. Ou ainda, a existenca e unicidade de solucoes e uma propriedade
generica de sistemas de n equac oes a n inc ognitas.
Captulo 2
Determinante
Da lngua portuguesa, estudante signica, por incrvel que possa parecer, aquele que
estuda, como amante e aquele que ama, presidente aquele que preside e determinante
aquele que determina.
Para entender que em matematica o nome nao e incompatvel com o sentido da palavra
determinante, vamos primeiro ver o que e o determinante. Mais ` a frente, veremos porque
ele e o que determina.
O determinante, denotado por det, e uma funcao escalar (isto e, assume valores re-
ais) denida para matrizes quadradas com as seguintes propriedades (que a caracterizam
completamente):
i) det I = 1;
ii) det e multilinear nas linhas, isto e, escolhida uma linha, e mantidas inalteradas as
outras linhas, o det e linear nessa linha (aditiva e homogenea de grau 1);
iii) det e anti-simetrica, isto e, trocando-se duas linhas, o det troca de sinal.
Vejamos como essas propriedades especicam unicamente o determinante.
Exemplo 5 A partir das propriedades denidoras, calcule o determinante de uma matriz
2 2.
det

a b
c d

= det

(a 0) + (0 b)
c d

ii
= det

a 0
c d

+ det

0 b
c d

ii
= det

a 0
c 0

+ det

a 0
0 d

+ det

0 b
c 0

+ det

0 b
0 d

ii
= ac det

1 0
1 0

+ ad det

1 0
0 1

+ bc det

0 1
1 0

+ bd det

0 1
0 1

= ad bc
16
2.1. PROPRIEDADES DO DETERMINANTE 17
uma vez que por (iii)
det

1 0
1 0

= det

1 0
1 0

det

1 0
1 0

= 0
e analogamente,
det

0 1
0 1

= 0
e por (iii) e (i),
det

0 1
1 0

= det

1 0
0 1

= 1
2.1 Propriedades do determinante
Para facilitar o calculo do determinante de uma matriz e conveniente introduzir algu-
mas propriedades que agilizam o seu calculo. Se formos usar apenas as propriedades
denidoras, resultar a em um processo moroso.
a) Se duas linhas da matriz sao iguais, o determinante e nulo. Esta propriedade e uma
consequencia de (iii). Para n ao dicultar a notac ao, vamos ilustrar a demonstrac ao
no caso de uma matriz 3 3, que e sucientemente esclarecedora. De fato, assuma
que a primeira e a segunda linha se igualam, e troque-as entre si. Pela propriedade
(iii)

A
1

A
1

A
3

(iii)
....
=

A
1

A
1

A
3

vemos que o determinante se anula.

Captulo 3

Areas e Volumes
3.1 Calculo de areas
Dados dois vetores v
1
e v
2
em IR
n
, o paralelogramo gerado por eles tem a mesma area
que o paralelogramo gerado por v
1
e v
2
+ v
1
, para todo o valor de . Escolha entao
de tal sorte que v
1
e v
2
+ v
1
formem um retangulo, i.e., escolha de tal forma que esses
vetores sejam ortogonais,
v
1
v
2
+ v
1
Assim
(v
2
+ v
1
)
T
v
1
= 0
v
T
2
v
1
+ v
T
1
v
1
= 0 =
v
T
2
v
1
v
T
1
v
1
Agora, sejam u
1
= v
1
e u
2
= v
2

v
T
2
v
1
v
T
1
v
1
v
1
.

E claro que u
1
u
2
(foram construdos
para tal). Denote por
{(u, v) = paralelogramo gerado por u e v
Ent ao
area{(u
1
, u
2
) = [[u
1
[[ [[u
2
[[
e tambem
area{(v
1
, v
2
) = area{(u
1
, u
2
)
Seja
A =

[ [
u
1
u
2
[ [

18
3.1. C

ALCULO DE

AREAS 19
a matriz cujas colunas sao os vetores u
1
e u
2
. Ent ao,
A
T
A =

u
T
1

u
T
2

[ [
u
1
u
2
[ [

u
T
1
u
1
0
0 u
T
2
u
2

donde
det(A
T
A) = u
T
1
u
1
u
T
2
u
2
= [[u
1
[[
2
[[u
2
[[
2
logo
area{(u
1
, u
2
) = [[u
1
[[ [[u
2
[[ =

det(A
T
A)
quando u
1
u
2
.
Por outro lado, seja
B =

[ [
v
1
v
2
[ [

a matriz cujas colunas sao os vetores v

1
e v
2
e note que

[ [
u
1
u
2
[ [

[ [
v
1
v
2
v
1
[ [

[ [
v
1
v
2
[ [

R
. .. .

1
0 1

ou, em outras palavras,

A = BR
onde R e uma matriz quadrada, 2 2. Ent ao,
det(A
T
A) = det(R
T
B
T
BR) = det(R
T
) det(B
T
B) det(R) = det(B
T
B)
uma vez que det R = det R
T
= 1.
A matriz B
T
B e a matriz de Gram dos vetores v
1
e v
2
,
B
T
B =

v
T
1
v
1
v
T
1
v
2
v
T
2
v
1
v
T
2
v
2

e e instrumental na determinac ao da area do paralelogramo formado por v

1
e v
2
. De fato,
do que cou dito, temos, em geral,
area{(v
1
, v
2
) = [

det(B
T
B) [
Observacao 6 Note que, se os vetores v
1
e v
2
estiverem em IR
2
, a matriz B e quadrada
e, como o determinante de uma matriz e de sua transposta s ao iguais, temos det(B
T
B) =
det(B
T
) det(B) = (det B)
2
, donde,
area{(v
1
, v
2
) =

det(B
T
B) =

(det B)
2
= [ det B[
20 CAP

ITULO 3.

AREAS E VOLUMES
3.2 Volumes
Em IR
3
, sejam tres vetores l.i.s, v
1
, v
2
e v
3
. Seja
{(v
1
, v
2
, v
3
) = paraleleppedo gerado pelos vetores
Ent ao, analogamente ao que foi feito para dois vetores em IR
2
pode-se concluir que
volume ({(v
1
, v
2
, v
3
)) = [ det A[
onde A e a matriz cujas colunas sao os vetores v
1
, v
2
e v
3
.
3.3 Hipervolume
Em IR
4
, sejam quatro vetores l.i.s, v
1
, v
2
, v
3
e v
4
, gerando um hiper-paralelogramo de
16 = 2
4
= C
0
4
+ C
1
4
+ C
2
4
+ C
3
4
+ C
4
4
vertices dados por:
C
0
4
= 1 0 = (0, 0, 0, 0)
C
1
4
= 4 v
1
, v
2
, v
3
, v
4
C
2
4
= 6 v
1
+v
2
, v
1
+v
3
, v
1
+v
4
, v
2
+v
3
v
2
+v
4
v
3
+v
4
C
3
4
= 4 v
1
+v
2
+v
3
, v
1
+v
2
+v
4
, v
1
+v
3
+v
4
, v
2
+v
3
+v
4
C
4
4
= 1 v
1
+v
2
+v
3
+v
4
Seja
{(v
1
, v
2
, v
3
, v
4
) = hiper-paralelogramo gerado pelos vetores
Ent ao,
4-volume ({(v
1
, v
2
, v
3
, v
4
)) = [ det A[
onde A e a matriz cujas colunas sao os vetores v
1
, v
2
, v
3
e v
4
.
Note que os vetores sao l.i.s se e somente se det A = 0.
3.4 Paralelogramo em IR
3
Dados v
1
e v
2
IR
3
, tem-se o paralelogramo gerado, {(v
1
, v
2
). A matriz A cujas colunas
s ao os vetores v
1
e v
2
,
A =

[ [
v
1
v
2
[ [

a
11
a
12
a
21
a
22
a
31
a
32

3.5. CRIT

ERIO DO DETERMINANTE PARA VETORES L.I.S 21

tem tres submatrizes, escolhendo duas linhas em tres, (C
2
3
= 3),
A
12
=

a
11
a
12
a
21
a
22

, A
13
=

a
11
a
12
a
31
a
32

, A
23
=

a
21
a
22
a
31
a
32

Cada uma delas contem dois vetores correspondentes, respectivamente, ` a projec ao dos
vetores originais nos planos xy, xz e yz, gerando em cada plano, paralelogramos (casual-
mente as projecoes podem ser l.d.s e nao gerar paralelogramos). Mostramos o seguinte
Teorema de Pit agoras para as areas:
( area{)
2
= (area{
12
)
2
+ (area{
13
)
2
+ (area{
23
)
2
onde, por exemplo, {
12
representa o paralelogramo resultante da proje cao do paralelo-
gramo original no plano xy.
DemonstracaoVimos, anteriormente, que
( area{(v
1
, v
2
))
2
= det(A
T
A) (3.1)
= det

v
T
1
v
1
v
T
1
v
2
v
T
2
v
1
v
T
2
v
2

= det

a
2
11
+ a
2
21
+ a
2
31
a
11
a
12
+ a
21
a
22
+ a
31
a
23
a
11
a
12
+ a
21
a
22
+ a
31
a
32
a
2
12
+ a
2
22
+ a
2
32

a
2
11
+ a
2
21
+ a
2
31

a
2
12
+ a
2
22
+ a
2
32

(a
11
a
12
+ a
21
a
22
+ a
31
a
32
)
2
= a
2
11
a
2
12
+ a
2
11
a
2
22
+ a
2
11
a
2
32
+ a
2
21
a
2
12
+ a
2
21
a
2
22
+ a
2
21
a
2
32
+ a
2
31
a
2
12
+ a
2
31
a
2
22
+ a
2
31
a
2
32

a
2
11
a
2
12
+ a
2
21
a
2
22
+ a
2
31
a
2
32
+ 2a
11
a
12
a
21
a
22
+ 2a
11
a
12
a
31
a
32
+ 2a
21
a
22
a
31
a
32

= a
2
11
a
2
22
+ a
2
11
a
2
32
+ a
2
21
a
2
12
+ a
2
21
a
2
32
+ a
2
31
a
2
12
+ a
2
31
a
2
22
2a
11
a
12
a
21
a
22
2a
11
a
12
a
31
a
32
2a
21
a
22
a
31
a
32
Por outro lado
(det A
12
)
2
= det

a
11
a
12
a
21
a
22

2
= a
2
11
a
2
22
2a
11
a
12
a
21
a
22
+ a
2
12
a
2
21
(det A
13
)
2
= det

a
11
a
12
a
31
a
32

2
= a
2
11
a
2
32
2a
11
a
32
a
31
a
12
+ a
2
31
a
2
12
(3.2)
(det A
23
)
2
= det

a
21
a
22
a
31
a
32

2
= a
2
21
a
2
32
2a
21
a
32
a
31
a
22
+ a
2
31
a
2
22
(...horas depois...) comparando as equa coes (3.1) e (3.2), conclumos a demonstracao do
resultado.
3.5 Criterio do determinante para vetores l.i.s
Os vetores v
1
, v
2
, v
3
IR
n
s ao l.is se e somente se algum dos subdeterminantes 3 3, (e
h a C
3
n
tais subdeterminantes) da matriz A, n 3 cujas colunas sao os vetores dados, for
22 CAP

ITULO 3.

AREAS E VOLUMES
n ao nulo. Caso contr ario, isto e, se todos os subdeterminantes 3 3 forem nulos, ent ao
os vetores sao l.d.s.
Este resultado se generaliza para k vetores em IR
n
, k n. Os vetores v
1
, v
2
, . . . v
k

IR
n
s ao l.i.s se somente se algum subdeterminante k k da matriz A cujas colunas s ao
os vetores dados, for nao nulo. Se todos os C
k
n
subdeterminantes forem nulos, entao os
vetores ser ao l.d.s.
Tambem,
k volume{ (v
1
, v
2
, . . . v
k
) =

klinhas
(det A
k linhas
)
2
Observacao 7 Hiper-volume ou k-volume
k = 1 comprimento
k = 2 area
k = 3 volume (usual)
(k = 0 n umero de elementos)
Captulo 4
Gram-Schmidt
4.1 Processo de ortogonalizacao
Considere o seguinte problema. Dados os vetores l.i.s, obtenha uma base para o espaco
gerado. Para ilustrar, consideremos tres vetores, a, b e c em IR
n
, independentes, e
U = span a, b, c, deseja-se obter uma base ortonormal para U. Uma forma de se
resolver este problema e atraves do processo de Gram-Schmidt ou algum de seus variantes.
Pode-se inicialmente ortogonalizar (1
0
passo) e em seguida normalizar (2
0
passo).
1
0
passo: ortogonalizacao. Sejam
q
1
= a
q
2
= b
q
1
q
1
T
q
1
T
q
1
b (4.1)
q
3
= c
q
1
q
1
T
q
1
T
q
1
c +
q
2
q
2
T
q
2
T
q
2
c (4.2)
Pode-se vericar que os vetores q
1
, q
2
e q
3
s ao ortogonais entre si (i.e. dois a dois). Isto
e natural se observarmos como foram obtidos. O vetor q
2
e obtido de b, retirando-se a
componente paralela ao vetor q
1
, que e a projec ao ortogonal de b sobre a dire cao de q
1
,
q
1
q
1
T
q
1
T
q
1
b
Analogamente, o vetor q
3
, e obtido retirando-se as componentes paralelas a q
1
e q
2
.
2
0
passo: normalizacao. Sejam
q
1
=
q
1
[[ q
1
[[
q
2
=
q
2
[[ q
2
[[
(4.3)
q
3
=
q
3
[[ q
3
[[
Os vetores q
1
, q
2
e q
3
, formam uma base ortonormal de U.
23
24 CAP

ITULO 4. GRAM-SCHMIDT
4.2 Fatoracao QR de uma matriz
Da equac ao (4.1) podemos reescrever
a = q
1
b =
s
12
. .. .
q
1
T
b
q
1
T
q
1
q
1
+ q
2
c =
s
13
. .. .
q
1
T
c
q
1
T
q
1
q
1
+
s
23
. .. .
q
2
T
c
q
2
T
q
2
q
2
+ q
3
ou, agrupando em forma matricial,

[ [ [
a b c
[ [ [

[ [ [
q
1
q
2
q
3
[ [ [

1 s
12
s
13
0 1 s
23
0 0 1

Da equac ao (4.3), temos

q
1
= [[ q
1
[[q
1
q
2
= [[ q
2
[[q
2
q
3
= [[ q
3
[[q
3
temos,

[ [ [
q
1
q
2
q
3
[ [ [

[ [ [
[[ q
1
[[q
1
[[ q
2
[[q
2
[[ q
3
[[q
3
[ [ [

[ [ [
q
1
q
2
q
3
[ [ [

[[ q
1
[[ 0 0
0 [[ q
2
[[ 0
0 0 [[ q
3
[[

Sendo ent ao R a seguinte matriz,

R =

r
11
r
12
r
13
0 r
22
r
23
0 0 r
33

[[ q
1
[[ 0 0
0 [[ q
2
[[ 0
0 0 [[ q
3
[[

1 s
12
s
13
0 1 s
23
0 0 1

[[ q
1
[[ [[ q
1
[[s
12
[[ q
1
[[s
13
0 [[ q
2
[[ [[ q
2
[[s
23
0 0 [[ q
3
[[

pode-se escrever (qualquer matriz com colunas l.i.s) A como o produto

A = QR
onde Q e uma matriz com colunas ortonormais, possivelmente retangular, e R matriz
quadrada triangular superior. Essa e a fatoracao QR de uma matriz.
4.2. FATORAC

AO QR DE UMA MATRIZ 25
Assuma que A e uma matriz quadrada, e tenhamos a fatorac ao QR de A. Neste caso,
a matriz Q tambem sera quadrada, logo e uma matriz ortogonal, i.e., Q
T
Q = I. Neste
caso, para resolver o sistema Ax = b, notamos que
Q
y
....
Rx = b
donde, resolvemos primeiramente para y o sistema,
Qy = b
cuja soluc ao e obtida simplesmente por multiplicac ao de matrizes, y = Q
T
b, e em seguida
resolve-se
Rx = y
que so envolve retro-substitui cao (igualmente f acil).
Captulo 5
Teorema Fundamental da

Algebra
Linear
5.1 Multiplicacao de matrizes
Sejam A uma matriz mp e B uma matriz q n. Se p = q e possvel multiplicar A por
B; se p = q n ao e possvel.
Exemplo 8 Considere A, matriz 2 3 e B, matriz 3 4.

1 1 1 0
2 1 1 0
0 1 1 0

2 2 3
1 5 2

1
8

Em geral, seja:
A
i
= i-esima linha da matriz A;
B
j
= j-esima coluna da matriz B;
C
ij
= elemento da matriz C na i-esima linha e j-esima coluna.
Seja ainda C = AB. Dene-se
C
ij
=
p

k=1
A
ik
B
kj
para todo i = 1, . . . m e j = 1, . . . n.
Com essa deni cao de produto de matrizes, e notando que A
i
e uma matriz 1 p e
B
j
e uma matriz p 1, entao, C
ij
= A
i
B
j
, e uma matriz 1 1.
26
5.1. MULTIPLICAC

AO DE MATRIZES 27
Algoritmo para calculo de C = A B A = A
75
; B = B
58
; C = C
78
BeginAlgorithm
. Faca C 0, a matriz nula.
. For i = 1 : 7 (escolhe a linha do resultado)
. For j = 1 : 8 (escolhe a coluna do resultado)
. For k = 1 : 5 (calcula o resultado como acumulac ao progressiva)
. C
ij
C
ij
+ A
ik
B
kj
. EndFor
. EndFor
. EndFor
EndAlgorithm
O que acontece se trocarmos a ordem dos Fors ? Quantas trocas existem?
Algumas formas de olhar a multiplicacao de matrizes Podemos organizar a
multiplica cao de matrizes por diferentes blocos: elementos, linhas, colunas, etc, Vejamos
algumas possibilidades.

. . . . . . . . .
A
i

. . . . . . . . .

.
.
.
.
.
. [
.
.
.
.
.
.
.
.
. B
j
.
.
.
.
.
.
.
.
. [
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. C
ij
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

Observamos que C
ij
= A
i
B
j
.

[ [ [ [
[ [ [ [
[ [ [ [
[ [ [ [
[ [ [ [

.
.
. [
.
.
.
.
.
. B
l
.
.
.
.
.
. [
.
.
.
.
.
. [
.
.
.

.
.
. [
.
.
.
.
.
. C
l
.
.
.
.
.
. [
.
.
.
.
.
. [
.
.
.

Notamos que C
l
e combinac ao linear das colunas de A com coecientes dados pelas coluna
B
l
.
Vejamos uma ultima e importante estruturac ao do produto de duas matrizes:

[ [ [
A
1
A
2
A
3
[ [ [

B
1

B
2

B
3

= A
1
B
1
+ A
2
B
2
+ A
3
B
3
28 CAP

ITULO 5. TEOREMA FUNDAMENTAL DA

ALGEBRA LINEAR
5.2 A geometria dos sistemas lineares
Intersec ao de conjuntos lineares:

2x y + z = 2
x + y 2z = 0
x 2y z = 2
Neste caso, o conjunto soluc ao representa a interse cao de tres planos (tres conjuntos
lineares):
plano
1
: plano perpendicular ao vetor (2, 1, 1) e passando pelo ponto (4, 2, 0);
plano
2
: plano perpendicular ao vetor (1, 1, 2) e passando pelo ponto (0, 0, 0);
plano
3
: plano perpendicular ao vetor (1, 2, 1) e passando pelo ponto (0, 1, 1)
A unica soluc ao e (1, 1, 1).
Representa cao de vetor por combinac ao linear das colunas da matriz:

2 1 1
1 1 2
1 2 1

x
y
z

2
0
1

2
1
1

1
1
2

1
2
1

x
y
z

2
0
2

2
1
1

+ y

1
1
2

+ z

1
2
1

2
0
2

5.3 A geometria das transformac oes lineares

Uma func ao (ou transformac ao) T : IR
n
IR
m
e linear se
T(u +v) = T(u) + T(v) para todo u, v IR
n
(T da soma e a soma dos Ts);
T(u) = T(u) para todo IR e todo u IR
n
(T do m ultiplo e o m ultiplo do
T).
Em particular, T(0) = 0, (T(vetor nulo em IR
n
) = vetor nulo em IR
m
). Em outras
palavras: e condi cao necessaria, mas n ao suciente, para T ser linear que leve o zero no
zero.
5.3. A GEOMETRIA DAS TRANSFORMAC

OES LINEARES 29
Uma fun cao linear e confundvel com uma matriz, a matriz cujas colunas s ao as
imagens dos vetores canonicos. Seja A uma matriz mn e u um vetor em IR
n
. Ent ao a
func ao
u Au
cujo domnio e IR
n
e contradomnio e IR
m
e linear. Ademais,
Ae
1
= A
1
= a primeira coluna de A
Ae
2
= A
2
= a segunda coluna de A
.
.
.
Ae
n
= A
n
= a n-esima coluna de A
Dois subespacos importantes associados a uma transforma cao linear A s ao o n ucleo,
N(A), um subespaco do domnio, e a imagem, Im(A), um subespaco do contradomnio,
N(A) = x IR
n
[ Ax = 0 = n ucleo da transformac ao A
Im(A) = y = Ax IR
m
para algum x IR
n
= imagem da transforma cao A
O n ucleo e tambem chamado de espaco nulo, e a imagem de espaco coluna. Se apli-
carmos os mesmos conceitos ` a matriz A
T
teremos, o n ucleo de A
T
, que para a matriz A
e chamado de espaco nulo `a esquerda de A, isto porque,
A
T
y = 0 (A
T
y)
T
= 0 y
T
(A
T
)
T
= 0 y
T
A = 0
e o espa co coluna de A
T
e o chamado espaco linha de A. Estes espacos vetoriais sao
conhecidos como os quatro espacos fundamentais de A.
Pela deni cao, observamos que para se saber se x pertenca a N(A) basta calcular Ax
e vericar se e nulo, ao passo que se quisermos saber se determinado y pertence a Im(A),
e necess ario resolver, para x, o sistema de equac oes Ax = y.
Por outro lado, se quisermos determinar todos os elementos de N(A), devemos resolver
o sistema de equa coes Ax = 0, ao passo que para gerar um elemento de Im(A) basta
escolher um qualquer elemento x de IR
n
e calcular Ax, que pertencer a a Im(A).
Denicao Dados vetores u
1
, u
2
, . . . , u
k
IR
n
, o espaco gerado por eles e o subespaco
contendo todas as combina coes lineares desses vetores,
spanu
1
, u
2
, . . . , u
k
= c
1
u
1
+ c
2
u
2
+ . . . c
k
u
k
, c
1
, c
2
. . . c
k
IR
A imagem de A e ent ao o espaco gerado pelas colunas de A,
Im(A) = spanA
1
, A
2
, . . . A
n

Uma matriz A, (i.e., uma func ao linear), leva subespacos em subespacos. Em parti-
cular, como uma reta passando pela origem e um subespaco, se colecionarmos as imagens
30 CAP

ITULO 5. TEOREMA FUNDAMENTAL DA

ALGEBRA LINEAR
dos pontos de uma reta passando pela origem, como este conjunto tem que ser um su-
bespaco vetorial, entao s o poder a ser uma nova reta passando pela origem ou a pr opria
origem.
Mas mais ainda. Transformac oes lineares levam translacoes de subespacos em transla coes
de subespacos. Assim,
pontos v ao em pontos (esta armacao e sem gra ca: cada ponto do domnio vai em
um e um s o ponto do contradomnio por denic ao de func ao);
retas vao em retas ou em pontos;
planos vao em planos, retas ou pontos.
Como exemplo muito simples, considere a transformac ao linear
P : IR
3
IR
3
(x, y, z) P(x, y, z) = (x, y, 0)
que representa uma projec ao ortogonal sobre o plano xy, e e dada pela matriz P
P

x
y
z

1 0 0
0 1 0
0 0 0

x
y
z

x
y
0

Ent ao,
a reta t(1, 1, 1), t IR tem por imagem a reta dada pela equac oes x = y e z = 0,
ou parametricamente, por (t, t, 0), t IR;
J a a reta (0, 0, t), t IR tem por imagem a origem (0, 0, 0);
o plano z = 3 tem por imagem o plano z = 0, ou seja o plano xy;
o plano x + y = 1 tem por imagem a reta (1, 0) + t(1, 1), t IR.
Exemplo 9 Dada a transformacao linear denida pela matriz T,
T =

1 0 1/2
0 1 2

determine a imagem por T da reta denida pelos pontos (1, 1, 1) e (3, 2, 1).
Podemos fazer este problema determinando a reta e depois sua imagem, ou determinando
a imagem dos pontos e depois o conjunto (reta ou ponto) que eles denem.
5.4. ORTOGONALIDADE 31
Primeiro a reta e depois a imagem. A reta tem por direc ao o vetor diferenca
(3, 2, 1) (1, 1, 1) = (2, 1, 2), e a equac ao parametrica e:
t (1 + 2t, 1 + t, 1 2t)
Assim, calculando a imagem do ponto generico,
T

1 + 2t
1 + t
1 2t

1 0 1/2
0 1 2

1 + 2t
1 + t
1 2t

3
2
+
3
2
t
3 3t

que e a reta pelo ponto (

3
2
, 3) com dire cao denida pelo vetor (
3
2
, 3).
As imagens dos pontos dados s ao:
T

1
1
1

3
2
3

e T

3
2
1

5
2
1

Vemos ent ao estes pontos correspondem a fazer t = 0 e t = 2/3, na reta obtida

anteriormente. Como a imagem e uma reta, e passa pelos pontos obtidos, e a
mesma.
5.4 Ortogonalidade
Recordamos alguns conceitos sobre produto interno. O produto interno ou escalar de dois
vetores em IR
n
e dado por
'u, v` =
n

i=1
u
i
v
i
= u
1
v
1
+ u
2
v
2
+ . . . u
n
v
n
e a norma de um vetor e dada por:
[[u[[ =

'u, u` =

u
2
1
+ u
2
2
+ u
2
3
+ . . . u
2
n
Dois vetores sao chamados ortogonais se e somente se
u
1
v
1
+ u
2
v
2
+ . . . u
n
v
n
= 0
Neste caso denota-se u v (e le-se u e perpendicular a v). A motiva cao para esta
denic ao, e que para vu ser a hipotenusa do tri angulo com outros lados u e v, devemos
ter o teorema de Pitagoras satisfeito, i.e.,
[[u[[
2
+[[v[[
2
= [[v u[[
2
e usando as denic oes esta equacao implica que u
1
v
1
+ u
2
v
2
+ . . . u
n
v
n
= 0.
32 CAP

ITULO 5. TEOREMA FUNDAMENTAL DA

ALGEBRA LINEAR
Denicao Subespacos U e V IR
n
s ao ortogonais se e somente se para todos u U e
v V , tem-se u v (i.e. u
T
v = 0).
Exemplo 10 Em IR
3
o plano xy (U = (a, b, 0), a, b IR)e o eixo dos zs (V =
(0, 0, c), c IR)s ao espa cos ortogonais. De fato,
u
T
v = (a b 0)

0
0
c

= 0
Exemplo 11 Os espacos
U = plano xy;
V = plano xz,
n ao s ao espacos ortogonais. Verique.
Denicao Dado um subespaco U, o espaco perpendicular ou ortogonal a U, denotado
por U

(le-se U perp) e o subespaco formado por todos os vetores w que sejam ortogonais
a cada um dos vetores de U, i.e., em smbolos,
w U

w u, u U
No exemplo 10, tem-se que U

= V e V

= U. No exemplo 11 tem-se que V

=
(0, y, 0), y IR = eixo dos ys.
Observacao Pode-se vericar que (U

= U, isto e, calculando-se o perp do perp de

um subespa co em IR
n
obtem-se novamente o subespa co original. (O perp do perp e o
pr oprio espa co).
Denicao Dados dois subespa cos U e V , ortogonais, denimos o subespaco U V =
u + v, u U, v V , chamado soma direta ortogonal. Dados dois subespacos U e
V , ortogonais, dizemos que s ao complementares ortogonais se, dado qualquer vetor do
espaco, w, ele puder ser escrito, de forma unica, como a soma de um elemento de U e um
de V . Denota-se isto escrevendo U V = IR
n

E fato que dim(U V ) = dim(U) + dim(V ).

No exemplo 10, U e V s ao complementares ortogonais. De fato, em geral, dado U, seu
complementar ortogonal e U

.
Em IR
3
, o eixo dos xs e o eixo dos zs s ao subespa cos ortogonais, mas n ao s ao com-
plementares ortogonais.
Com a nota cao introduzida, podemos enunciar o
5.4. ORTOGONALIDADE 33
Teorema Fundamental da

Algebra Linear Dada uma matriz A, mn,
O espaco nulo de uma matriz A e o complementar ortogonal do espa co linha de A,
em IR
n
;
O espaco nulo ` a esquerda e o complementar ortogonal do espaco coluna de A em
IR
m
.
Como
o espaco nulo de A e o n ucleo de A, N(A);
o espaco coluna de A e a imagem de A, Im(A);
o espaco linha de A e Im(A
T
);
e o espa co nulo a esquerda de A, e o n ucleo da transposta, N(A
T
),
podemos escrever o TEFAL da seguinte forma simb olica:
(Im(A
T
))

= N(A)
(Im(A))

= N(A
T
)
Podemos ainda escrever:
N(A) Im(A
T
) = IR
n
N(A
T
) Im(A) = IR
m
Como consequencia temos que
dim N(A) + dim Im(A
T
) = n = dim Dom(A)
dim N(A
T
) + dim Im(A) = m = dim ContraDom(A)
Observamos que dim Im(A) = dim Im(A
T
) que e o posto da matriz e e o n umero de pivos.
Assim, pode-se esvrever
dim N(A) + dim Im(A) = n = dim Dom(A)
Este ultimo resultado e mais conhecido como o teorema do n ucleo e da imagem. Qua-
litativamente podemos expressar o resultado da seguinte forma: Tendo n dimens oes no
domnio da transformac ao linear A, algumas s ao anuladas (dim N(A)) e outras sobrevi-
vem na imagem de A, de forma a que todas as dimensoes iniciais est ao contabilizadas.
Poder-se-ia dizer que este resultado e uma lei de balanco de dimensoes.
Como consequencia to TEFAL, Im(A) = N(A
T
)

, e como o sistema linear Ax = b

tem solucao se e somente se b Im(A) ou seja b N(A
T
)

, isto e b tem que ser ortogonal

ao n ucleo da transposta, ou aos elementos de uma base desse espaco. Se v
1
, . . . , v
l
forem
uma base de N(A
T
), deve-se ter:
'b, v
i
` = 0 i = 1, . . . l
Estas equac oes s ao chamadas de condicoes de compatibilidade.
34 CAP

ITULO 5. TEOREMA FUNDAMENTAL DA

ALGEBRA LINEAR
Exemplo 12 Considere o sistema

1 1 0
0 1 1
1 0 1

x
1
x
2
x
3

b
1
b
2
b
3

Como N(A
T
) = span(1, 1, 1), ent ao o sistema tem solucao se e somente se b satiszer a
seguinte condic ao de compatibilidade:
b
1
+ b
2
+ b
3
= 0
Observacao
Assuma que A e uma matriz real simetrica. Ent ao existe matriz ortogonal Q e matriz
diagonal D tal que:
AQ = QD
ou
A = QDQ
T
Sendo Q
1
, . . . , Q
n
as colunas de Q e d
1
, . . . d
n
as entradas da diagonal principal de D,
pode-se vericar que:
A = d
1
Q
1
(Q
1
)
T
+ d
2
Q
2
(Q
2
)
T
+ . . . d
n
Q
n
(Q
n
)
T
(5.1)
Uma vez que as colunas (e as linhas) de Q s ao vetores com norma 1, notamos que a matriz
P
1
= Q
1
(Q
1
)
T
e uma matriz de projec ao, isto e, (P
1
)
2
= P
1
. Ali as, como P
1
e uma matriz
simetrica, ent ao P
1
e uma projec ao ortogonal. Como tambem e uma matriz com posto 1,
a imagem e gerada pelo vetor Q
1
, P
1
e a matriz da projec ao ortogonal sobre a direc ao de
Q
1
. Resultado analogo vale para P
i
, i = 1, 2, . . . , n.
A equac ao (5.1) revela como funciona uma matriz real simetrica. Calculando Ax o
resultado e
Ax = d
1
Q
1
(Q
1
)
T
x + d
2
Q
2
(Q
2
)
T
x + . . . d
n
Q
n
(Q
n
)
T
x
= d
1
P
1
x + d
2
P
T
2
x + . . . d
n
P
n
x (5.2)
Dado x, a componente de x no eixo denido por Q
i
,
P
i
x = Q
i
(Q
i
)
T
x
e multiplicada por d
i
para produzir a imagem; a soma dessas componentes amplia-
das/reduzidas, espelhadas ou n ao, e o vetor resultante, como mostra a equacao (5.2).
A ampliac ao versus reduc ao e denida por [ d
i
[. Se [ d
i
[ > 1 tem-se uma ampliacao,
se 0 <[ d
i
[ < 1 tem-se uma redu cao, se d
i
= 0 tem uma anulacao, e se [ d
i
[ = 1
n ao h a nem reduc ao, nem ampliacao, tem-se uma manutencao. Ja se d
i
< 0 tem-se um
espelhamento, caso contrario nao.
Captulo 6
Autovalores e Autovetores
6.1 Motivacao
Considere o problema de valor inicial (PVI) para uma equacao diferencial ordinaria (EDO)
linear de 1
a
ordem

dx
dt
= ax , t > 0
x(0) = x
0
A solucao geral da EDO e
x(t) = ce
at
onde c e uma constante qualquer, e assim,
x
0
= x(0) ce
a0
= c x
0
= c
a soluc ao do PVI e dada por
x(t) = x
0
e
at
Quando
a > 0 o PVI e um modelo para o crescimento populacional;
a < 0 tem-se um modelo para o decaimento radiativo;
a = tem-se um modelo para uma situac ao constante, que n ao varia com o tempo
(estacion aria).
No primeiro caso temos uma escala de tempo naturalmente associada ao fen omeno sendo
modelado,
t
d
= o tempo necess ario para que a quantidade x dobre de valor
35
36 CAP

ITULO 6. AUTOVALORES E AUTOVETORES

Neste caso, t
d
satisfaz,
x
0
e
at
d
= x(t
d
) = 2x
0
donde, aplicando o logaritmo natural em ambos os lados da equac ao anterior, obtemos
t
d
=
ln(2)
a
Analogamente, para o segundo caso, dene-se a seguinte escala de tempo,
t
m
= vida media
o tempo necess ario para a quantidade x se reduzir ` a metade do seu valor inicial,
t
m
=
ln(2)
a
que tambem e uma quantidade positiva, uma vez que, neste caso, a < 0.
Considere agora um PVI para um sistema de duas equacoes diferenciais ordinarias a
duas funcoes incognitas, lineares de 1
a
ordem

dx
dt
= ax + by
dy
dt
= cx + dy
t > 0

x(0) = x
0
y(0) = y
0
onde as equac oes est ao no lado esquerdo e as condic oes iniciais no lado direito da equa cao
em destaque anterior.
Utilizando notac ao matricial o sistema pode ser reescrito como
dv
dt
. .. .
d
dt

x
y

=
A
. .. .

a b
c d

v
. .. .

x
y

,
v(0)
. .. .

x(0)
y(0)

=
v
0
. .. .

x
0
y
0

Assim, em nota cao vetorial, temos:

d
dt
v = Av , v(0) = v
0
(6.1)
Procuremos solucoes na forma de separacao de variaveis,
v(t) =

e
t
(6.2)
(onde temos a separac ao das vari aveis de estado, (, )
T
, e a variavel temporal, e
t
). Com
v dada pela equac ao (6.2), temos
d
dt
v =
d
dt

e
t
e
t

e
t
e
t

= e
t

(6.3)
6.1. MOTIVAC

AO 37
Av(t) = e
t
A

(6.4)
Impondo que os lados direitos de (6.3) e (6.4) se igualem, (i.e., que v(t) dada em (6.2)
satisfaca a equacao (6.1), obtemos,
e
t
A

= e
t

, t,
ou, uma vez que e
t
= 0, t,
A

(6.5)
Resumindo temos: v = v(t) dado na equac ao (6.2) e soluc ao do sistema de EDOs
(6.1) se e s o se , , e satisfazem equacao (6.5). Assim, e natural estudar equac oes do
tipo da equac ao (6.5).
Denicao 13 Dada uma matriz quadrada A, n n, procura-se (escalar pertencente a
IR ou C) e vetor v = 0 (pertencente a IR
n
ou a C
n
, tais que
Av = v (6.6)
Os s que satisfazem esta equa cao sao chamados de autovalores da matriz, e os corres-
pondentes vs sao chamados de autovetores.
Observacao 14 a) As inc ognitas, neste problema, s ao e v;
b) O conjunto dos autovalores de uma matriz e o espectro da matriz,
(A) = , tal que existe v = 0 satisfazendo Av = v
c) O problema (6.6) nao e linear uma vez que envolve produtos das inc ognitas, v.
Exemplo 15 Reex ao por reta. Considere a reex ao, R, pela reta passando pela origem
e com dire cao dada pelo vetor (3, 2)
T
. Temos:
R

3
2

3
2

3
2

e autovetor de R associado ao autovalor = 1

R

2
3

2
3

2
3

e autovetor de R associado ao autovalor = 1

Note que os vetores

4
6

2
3

4
6

10
15

2/3
1

tambem sao autovetores de R associados ao autovalor 1 uma vez que sao todos eles
m ultiplos n ao nulos do autovetor (2, 3)
T
.
38 CAP

ITULO 6. AUTOVALORES E AUTOVETORES

Exemplo 16 Projec ao sobre reta. Considere a proje cao ortogonal, , sobre a reta dada
no exemplo anterior. Entao

2
3

0
0

3
2

3
2

logo (2, 3)
T
e autovetor de associado ao autovalor 0 e (3, 2)
T
e autovetor de associado
ao autovalor 1.
Observacao 17 a) Todo o vetor u = 0 que esteja no n ucleo da matriz A e um autovetor
associado ao autovalor 0. Em outras palavras, zero e um autovalor de uma matriz se e
somente se seu n ucleo for n ao-trivial;
b) Se u = 0 e autovetor da matriz A relativo ao autovalor , entao todo o seu m ultipli
n ao-nulo, ku, com k = 0 tambem sera autovetor de A para o mesmo autovalor ;
c) Recordamos que uma matriz quadrada A e inversvel se e s o se N(A) = 0. Assim,
A e inversvel se e s o se 0 nao for autovalor de A.
d) O problema de determinac ao dos autovalores, envolvendo o determinante, e altamente
n ao-linear. Conhecidos os autovalores, a determinac ao dos autovetores e um problema
linear.
6.2 Determinacao analtica dos autovalores
Para resolver
Av = v
escrevemos
Av Iv = 0
ou, ainda, colocando em evidencia o v,
(A I)v = 0
Procuramos soluc oes n ao-triviais (ie., v = 0) desta equacao. Isto ocorre se e so se AI
for nao-inversvel, ou seja, se e so se det(A I) = 0.
Observacao 18 a) p
c
() = det(A I) e um polin omio de grau n em , chamado de
polinomio caracterstico de A.
b) p
c
() tem n razes se forem contadas as multiplicidades;
c) As razes podem ser complexas;
d) e um autovetor de A se e s o se e raiz do polin omio caracterstico.
6.3. APLICAC

AO AO ESTUDO DE SISTEMAS DE EDOS 39
Exemplo 19 Dada a matriz
A =

4 5
2 3

calcule os autovalores e correspondentes autovetores.

Solucao Polin omio caracterstico de A,
p
c
() = det(A I) = det

4 5
2 3

= (4 )(3 ) 2(5)
=
2
2
As razes sao = 2 e = 1, isto e, (A) = 1, 2.
Calculo do autovetor associado a = 2
(A I)v = 0

2 5
2 5

x
y

0
0

2x 5y = 0

x
y

= k

5
2

para todo k = 0, ou seja, (5, 2)

T
ou qualquer m ultiplo nao-nulo e autovetor associado ao
autovalor = 2.
Calculo do autovetor associado a = 1

5 5
2 2

x
y

0
0

x
y

= k

1
1

Exerccio 20 Interprete geometricamente a transformacao linear associada ` a matriz A,

vendo como e transformado o paralelogramo gerado pelos autovetores (5, 2)
T
e (1, 1)
T
.
6.3 Aplicacao ao estudo de sistemas de EDOs
Considere o PVI para um sistema de EDOs

dv
dt
= 4v 5w, t > 0, v = 8 em t = 0
dv
dt
= 2v 3w, t > 0, w = 5 em t = 0
Sejam
u =

v(t)
w(t)

, u
0
= u(0) =

v(0)
w(0)

8
5

e A =

4 5
2 3

Ent ao, em forma vetorial o problema se escreve

du
dt
= Au, t > 0, sistema de EDOs (6.7)
u(0) = u
0
, condic oes iniciais (6.8)
40 CAP

ITULO 6. AUTOVALORES E AUTOVETORES

Procure soluc oes da forma u(t) = xe
t
, com x um vetor e um escalar (uma constante).
Soluc oes n ao-triviais somente quando (, x) e um par (autovalor, autovetor) da matriz A.
Usando os c alculos realizados na sec ao anterior, conclumos que
u
1
= e
t

1
1

e u
2
= e
2t

5
2

s ao duas soluc oes do sistema de equacoes (6.7).

Observamos que a combinac ao linear de solucoes do sistema (6.7) tambem e soluc ao
do sistema. De fato,
d
dt
u(t)
. .. .
(c
1
u
1
(t) + c
2
u
2
(t)) = c
1
du
1
dt
+ c
2
du
2
dt
= c
1
Au
1
+ c
2
Au
2
= A
u
. .. .
(c
1
u
1
+ c
2
u
2
)
isto e,
du
dt
= Au
Assim, para resolver o PVI, procuramos c
1
e c
2
tais que
c
1
u
1
(0) + c
2
u
2
(0) =

8
5

ou seja,
c
1

1
1

+c
2

5
2

8
5

1 5
1 2

x
y

8
5

c
1
+ 5c
2
= 8
c
1
+ 2c
2
= 5

c
1
= 3
c
2
= 1
Soluc ao do sistema (6.7) satisfazendo as condic oes iniciais (6.8) e:
u(t) = 3e
t

1
1

+ 1

5
2

e
2t
=

3e
t
+ 5e
2t
3e
t
+ 2e
2t

Observacao 21 a) Seja um autovalor de A, nn. O conjunto de todos os vetores v que

s ao autovetores de A correspondendo ao autovalor , juntamente com o vetor nulo, v = 0,
(que n ao e autovetor), forma um subespaco de IR
n
, chamado de autoespaco associado ao
autovalor , V

, i.e.,
V

= v tal que Av = v
e um subespaco, o autoespaco do autovalor .
b) O traco de uma matriz A e:
tr (A) =
n

i=1
a
ii
6.3. APLICAC

AO AO ESTUDO DE SISTEMAS DE EDOS 41

E fato que
tr (A) =
n

i=1

i
=
1
+
2
+ . . .
n
(6.9)
det(A) =
n

i=1

i
=
1

2
. . .
n
(6.10)
No exemplo,
V
1
= span (1, 1)
T

V
2
= span (5, 2)
T

Tambem
tr (A) = a
11
+ a
22
= 4 + (3) = 1 = 2 + (1) =
1
+
2
det(A) = a
11
a
22
a
21
a
12
= 4 (3) (5) 2 = 2 = 2 (1) =
1

2
Exemplo 22 Vamos demonstrar os resultados das equa coes (6.9), (6.10) no caso 2 2.
O polinomio caracterstico da matriz
A =

a b
c d

e
p
c
() = (a )(d ) bc =
2
(a + d) + (ad bc)
=
2
tr (A) + det(A)
Se
1
e
2
s ao as razes de p
c
, ent ao, p
c
pode ser escrito como
p
c
() = (
1
)(
2
) =
2
(
1
+
2
) +
1

2
Aassim, igualando os coecientes, temos

1
+
2
= tr (A) = a
11
+ a
22

1

2
= det(A) = a
11
a
22
a
21
a
12
Captulo 7
Diagonalizacao de Matrizes
7.1 Resultado basico
Denicao 23 Uma matriz A, nn, e diagonalizavel se e s o se existe matriz P, inversvel,
e matriz D diagonal, (i.e. fora da diagonal principal os elementos s ao nulos), tais que
A = PDP
1
(ou AP = PD)
Teorema 24 Dada matriz A, n n, com n autovetores l.i.s, ent ao A e diagonalizavel,
e se
1
, . . . ,
n
s ao os autovalores e v
1
, . . . , v
n
s ao os correspondentes autovetores, ent ao
podemos tomar
D =

1
O

.
.
.


.
.
.

O
n

e P =

[
.
.
.
.
.
. [
v
1
.
.
.
.
.
. v
n
[
.
.
.
.
.
. [
[
.
.
.
.
.
. [

onde O representa os zeros da matriz.

Exemplo 25 Seja a matriz A do exemplo (19). Entao,
D =

1 0
0 2

P =

1 5
1 2

donde,
P
1
=
1
3

2 5
1 1

2
3
5
3
1
3

1
3

Ent ao

4 5
2 3

1 5
1 2

1 0
0 2

2/3 5/3
1/3 1/3

42
7.1. RESULTADO B

ASICO 43
DemonstracaoEscrevendo a condic ao de autovalor-autovetor temos,
Av
1
=
1
v
1
.
.
.
.
.
.
Av
n
=
n
v
n
Organizando em forma matricial
AP =

[ [
.
.
. [
Av
1
Av
2
.
.
. Av
n
[ [
.
.
. [
[ [
.
.
. [

[ [
.
.
. [

1
v
1

2
v
2
.
.
.
n
v
n
[ [
.
.
. [
[ [
.
.
. [

[ [
.
.
. [
v
1
v
2
.
.
. v
n
[ [
.
.
. [
[ [
.
.
. [

1
O
.
.
.
.
.
.
O
n

= PD
Assim, AP = PD e como P e inversvel (pois P tem colunas l.i.s), ultiplicando ambos
os lados pela direita por P
1
temos
AP = PD APP
1
= PDP
1
A = PDP
1
Observacao 26 a) A e diagonaliz avel se e s o se A admite uma base de autovetores.
b) Se A tem n autovalores distintos ent ao ter a n autovetores l.i.s e automaticamente ser a
diagonaliz avel.
c) A n ao precisa ter n autovalores distintos para ser diagonaliz avel. Os exemplos mais
simples sao a matriz a matriz identidade e a matriz nula, nn. Mais geralmente qualquer
matriz diagonal e diagonalizavel, basta escolher P = I. Pode ter ou n ao todos os elementos
distintos na diagonal principal.
d) A matriz P que diagonaliza uma matriz n ao e unica. Por exemplo, para a matriz
identidade, qualquer matriz inversvel serve.
Exemplo 27 Nem todas as matrizes sao diagonaliz aveis. Por exemplo, as matrizes
A =

0 1
0 0

e B =

3 1
0 3

n ao s ao diagonalizaveis.
44 CAP

ITULO 7. DIAGONALIZAC

AO DE MATRIZES
A matriz A tem zero como unico autovalor, com multiplicidade 2. Os autovetores s ao
m ultiplos n ao-nulos de (1, 0)
T
, (nao h a outros autovetores), i.e.
V
0
= span (1, 0)
T

Similarmente, a matriz B tem tres como unico autovalor, com multiplicidade 2; V

3
=
span (1, 0)
T
.
Diz-se que a multiplicidade algebrica e 2 (a raiz e dupla) e a multiplicidade geometrica
e um (pois a dimens ao o autoespaco associado ao autovalor e um).
Observacao 28 a) Seja A uma matriz n n e assuma que seus autovalores sejam

1
,
2
. . . ,
k
com multiplicidades n
1
, n
2
, . . . n
k
, respectivamente. Neste caso, o n umero
de razes
n = n
1
+ n
2
+ . . . n
k
e, tambem
p
c
() = (1)
n
(
1
)
n
1
(
2
)
n
2
. . . (
k
)
n
k
Sejam ainda d
1
= dimV

1
, d
2
= dimV

2
. . . e d
n
k
= dimV

n
k
. Dene-se:
n
i
= multiplicidade algebrica do autovalor
i

d
i
= multiplicidade geometrica do autovalor
i

Em geral,
multiplicidade algebrica de
i
multiplicidade geometrica de
i

E fato que a matriz A e diagonaliz avel se e s o se n

i
= d
i
, para todo i = 1, . . . k,
multiplicidade algebrica de
i
= multiplicidade geometrica de
i

b) A e diagonalizavel se e somente se os autovetores formarem uma base (i.e., existir base

de autovetores).
c) A e inversvel se e somente se os autovalores forem nao-nulos.
d) Autovalores distintos implica autovetores l.i.s
DemonstracaoDe fato, sejam v
1
, v
2
autovetores de A, cujos respectivos autovalores
s ao denotados por
1
e
2
. Ent ao,
c
1
v
1
+ c
2
v
2
= 0 0 = A(c
1
v
1
+ c
2
v
2
) = c
1
Av
1
+ c
2
Av
2
= c
1

1
v
1
+ c
2

2
v
2
Assim,

c
1
v
1
+ c
2
v
2
= 0
c
1

1
v
1
+ c
2

2
v
2
= 0

c
1

1
v
1
+ c
2

1
v
2
= 0
c
1

1
v
1
+ c
2

2
v
2
= 0
c
2
(
1

2
)v
2
= 0
Mas
1
=
2
e v
2
= 0, donde c
2
= 0. De forma analoga conclui-se que c
1
= 0, logo a
unica combinac ao linear de v
1
e v
2
nula e quando os coecientes s ao nulos, ou seja, v
1
e
v
2
s ao l.i.s.
7.2. EXEMPLOS 45
7.2 Exemplos
Exemplo 29 Cizalhamento
A =

1
1
3
0 1

Polin omio caracterstico: p

c
() = (1 )
2
V
1
= span (1, 0)
T

Multiplicidade algebrica do autovalor 1 e 2; multiplicidade geometrica do autovalor 1 e 1.

Assim, a matriz A n ao e diagonalizavel.
Exemplo 30 Reex ao pelo plano x + y + z = 0. Polinomio caracterstico: p
c
() =
(1 )
2
(1 )
V
1
= (x, y, z) tal que x + y + z = 0
V
1
= span (1, 1, 1)
T

Multiplicidade algebrica do autovalor 1 e 2; multiplicidade geometrica do autovalor 1 e 2.

Multiplicidade algebrica do autovalor 1 e 1; multiplicidade geometrica do autovalor 1
e 1. Assim, a matriz da reexao e diagonaliz avel.
Exemplo 31 Matriz A,
A =

0 1 0 0
0 0 0 0
0 0 0 1
0 0 0 0

Polin omio caracterstico: p

c
() =
4
V
0
= span (1, 0, 0, 0)
T
, (0, 0, 1, 0)
T

Multiplicidade algebrica do autovalor 0 e 4; multiplicidade geometrica do autovalor 1 e 2.

A n ao e diagonalizavel.
Exemplo 32 Matriz de rota cao por /2.
K =

0 1
1 0

Polin omio caracterstico: p

c
() =
2
+ 1. Autovalores:

= i.
V
i
= span (i, 1)
T

K =
P
. .. .

i i
1 1

D
. .. .

i 0
0 i

P
1
. .. .

i i
1 1

1
2i
K e diagonaliz avel.
46 CAP

ITULO 7. DIAGONALIZAC

AO DE MATRIZES
Observacao 33 Se uma matriz, A, com entradas reais admitir um autovalor, , com-
plexo (mais claramente, com parte imaginaria n ao-nula), ent ao o autovetor associado, v,
tambem tera entradas complexas. Alem disso,

, o complexo conjugado do autovalor, e
v, o complexo conjugado do autovetor, tambem s ao um par de autovalor, autovetor de
A. De fato,
Av = v

Av =

v

A v =

v A v =

v
Este resultado pode ser empregado no exemplo anterior, para a determina cao do autovetor
associado a i, quando se tiver calculado o autovetor associado a i.
7.3 Funcao de matriz
Potencias
A = PDP
1
A
2
= PDP
1
PDP
1
= PD
2
P
1
D
2
=

2
1
O
.
.
.
O
2
n

Exemplo 34 Para a matriz A do exemplo 19 temos

A
5
=
P
. .. .

1 5
1 2

D
5
. .. .

(1)
5
0
0 2
5

P
1
. .. .

1
3

2 5
1 1

54 55
22 23

Inversas
A
1
= PD
1
P
1
De fato,
PD
I
. .. .
P
1
P D
1
P
1
= P
I
. .. .
DD
1
P
1
= PP
1
= I
No exemplo,
A
1
=

1 5
1 2

1 0
0 1/2

2 5
1 1

1
3

3
2
5
2
1 2

1 0
0 1

7.3. FUNC

AO DE MATRIZ 47

4 5
2 3

3
2
5
2
1 2

1 0
0 1

Polin omio em A Dado um polin omio, por exemplo q(x) = x

2
3x + 2, denota-se por
q(A) a matriz
q(A) = A
2
3A + 2I
Se A e diagonaliz avel, pode-se calcular q(A) da seguinte forma,
q(A) = PD
2
D
1
3PDP
1
+ 2PP
1
= P

D
2
3D + 2I

P
1
= Pq(D)P
1
Para a matriz dada no exemplo 19,
q(A) =

1 5
1 2

q(1) 0
0 q(2)

2 5
1 1

1
3

1 5
1 2

6 0
0 0

2 5
1 1

1
3

4 10
4 10

1
3

Denicao 35 Espectro de A, (A), e o conjunto dos autovalores de A.

Observacao 36 Se (A) =
1
,
2
, . . .
n
ent ao,
(A
1
) =
1
1
,
1
2
, . . .
1
n
para A ter inversa, zero nao e autovalor
(A + cI) =
1
+ c,
2
+ c, . . .
n
+ c
(kA) = k
1
, k
2
, . . . k
n
onde k e um n umero real ou complexo
(A
k
) =
k
1
,
k
2
, . . .
k
n
onde k e um inteiro
(q(A)) = q(
1
), q(
2
), . . . q(
n
), onde q e um polinomio
.
Demonstracao(apenas uma das propriedades)
(A) v = 0 tal que Av = v Av + cv = v + cv
(A + cI)v = ( + c)v + c (A + cI)
Exemplo 37 Sendo A a matriz do exemplo 19, (A) = 1, 2, e
(A I) =

4 5
2 4

= 2, 1
Teorema 38 Se A e B s ao diagonaliz aveis, ent ao elas possuem a mesma matriz de au-
tovetores, P, se e s o se comutam, i.e., AB = BA. Neste caso, os autovalores de AB
48 CAP

ITULO 7. DIAGONALIZAC

AO DE MATRIZES
(ou de BA) s ao dados pelo prodto dos autovalores de A e de B associados aos mesmos
autovetores. Mais especicamente, se
Av
i
=
i
v
i
e Bv
i
=
i
v
i
, ent ao ABv
i
= (
i

i
)v
i
Demonstracao(, se diagonalizam com a mesma P, ent ao comutam) Se A =
PDP
1
e B = PP
1
ent ao
AB = PD
I
. .. .
P
1
P P
1
= P
diagonais comutam
....
D P
1
(AB e diagonaliz avel com P; diagonal
i

i
= PDP
1
= PP
1
PDP
1
= BA
(, se comutam, ent ao diagonalizam com a mesma P) Assuma que os autovetores sejam
distintos. Ent ao
Av = v BAv = Bv A(Bv) = (Bv)
Bv e um autovetor de A (ou e nulo). Em qualquer dos casos, v e autovetor de B,
Se Bv = 0, v e autovetor associado ao autovalor nulo;
Se Bv = 0 , como s s ao distintos, o autoespaco tem dimens ao 1, logo Bv = v,
logo v e autovetor de B, assim, P e o mesmo.
7.4 Aplicacao a equacoes de diferencas
Exemplo 39 juros a 6% ao ano; capital a investir R$ 1000,00
Denote por
P
0
principal ou capital inicial
P
k
capital no k-esimo ano
a) Juros simples (calculado uma vez ao ano):
P
k
= (1 + 0, 06)
k
P
0
Por exemplo, P
5
= capital ap os 5 anos = (1 + 0, 06)
5
P
0
1338, 23.
b) Juros compostos todos os meses (composto 12 vezes ao ano)
P
k+1
=

1 +
0, 06
12

P
k
, k indica mes
donde P
k
=

1 +
0, 06
12

k
P
0
7.4. APLICAC

AO A EQUAC

OES DE DIFERENC AS 49
5 anos correspondem a 60 meses, assim,
P
60
=

1 +
0, 06
12

60
1000 =

1 +
0, 06
12

12

5
1000 1348, 85
c) Juros compostos diariamente (365 dias ao ano)
P
k
=

1 +
0, 06
365

k
P
0
P
5365
=

1 +
0, 06
365

365

5
1000 1349, 83
c) Juros compostos instant aneamente. Inicialmente calcule o valor quando o ano e dividido
em N partes iguais, assim 5 anos corresponde a 5N divis oes,
P
5N
=

1 +
0, 06
N

5
1000
Assim, para saber o valor quando os juros s ao calculados instantaneamente, basta calcular
o limite quando N ,
lim
N
P
5N
=

e
0,06

5
1000 1349, 87
Mais formalmente, se t representa o tempo em anos, tem-se que
P(t +
1
N
) = P(t)

1 +
0, 06
N

ou, denotando por t = 1/N, tem-se que

P(t + t) P(t)
t
= 0, 06P(t)
e passando ao limite, quando t 0,
lim
t0
P(t + t) P(t)
t
= 0, 06P(t)
obtem-se a equa cao diferencial que P(t) satisfaz,
P

(t) = 0, 06P(t)
cuja soluc ao geral e
P(t) = P
0
e
0,06t
50 CAP

ITULO 7. DIAGONALIZAC

AO DE MATRIZES
Exemplo 40 Sequencia de Fibonacci A sequencia de Fibonacci e denida como a
soluc ao da seguinte equacao de diferencas linear de 2
a
ordem

F
k+2
= F
k+1
+ F
k
F
0
= 0, F
1
= 1
Considere o vetor
U
k
=

F
k+1
F
k

Ent ao, U
k
satisfaz o seguinte sistema de equacoes de diferencas, linear de 1
a
ordem,
U
k+1
=

F
k+2
F
k+1

F
k+1
+ F
k
F
k+1

=
A
. .. .

1 1
1 0

U
k
. .. .

F
k+1
F
k

isto e,
U
k+1
= AU
k
com U
0
= (F
1
, F
0
)
T
= (1, 0)
T
A forma da soluc ao pode ser obtida notando que
U
1
= AU
0
U
2
= AU
1
= A(AU
0
) = A
2
U
0
U
3
= AU
2
= A(A
2
U
0
) = A
3
U
0
.
.
.
U
k
= A
k
U
0
Podemos vericar que a matriz A tem 2 autovalores distintos,

=
1

(5)
2
logo A e diagonaliz avel. A quantidade
+
e conhecida como a razao aurea
1
Assim, A =
PDP
1
onde
P =

1 1

D =

+
0
0

P
1
=,
1

+
1

1
Seja um retangulo de lados L e l, com L > l, e considere o quadrado de lado l includo no retangulo.
O retangulo menor que sobra tem lados l e Ll. Estes serao proporcionais aos lados do retangulo maior,
respectivamente L e l, se a razao r = L/l for a razao aurea.
L
l
=
l
L l

l
2
= L
2
Ll
L
2
l
2

L
l
= 1 r
2
r 1 = 0
7.4. APLICAC

AO A EQUAC

OES DE DIFERENC AS 51
Pode-se vericar que
A
k
= PD
k
P
1
Ainda,
F
k
=

0 1

F
k+1
F
k

0 1

U
k
=

0 1

A
k
U
0
=
1

k
+

E interessante notar que F

k
, pela denic ao e a condic ao inicial, e necessariamente um
n umero inteiro, mas olhando a express ao desse n umero usando a raz ao aurea e difcil
acreditar em tal.
Observacao 41 Para o calculo de potencias de matrizes diagonalizaveis em geral, temos,
U
k
= A
k
U
0
= PD
k
c
. .. .
P
1
U
0
= P

k
1
.
.
.

k
n

c
1
.
.
.
c
n

= P

c
1

k
1
.
.
.
c
n

k
n

= c
1

k
1
v
1
+ c
2

k
2
v
2
. . . c
n

k
n
v
n
Denicao 42 Dada equac ao de diferencas
U
k+1
= AU
k
diz-se que e:
a) estavel se os autovalores satisfazem [
i
[ < 1;
b) neutramente estavel se [
j
[ = 1 para algum j e [
i
[ < 1, para os restantes is;
c) instavel se, para algum autovalor, [
j
[ > 1
Teorema 43 (Perron-Frobenius) Seja A uma matriz cujas entradas s ao todas positivas.
Ent ao o maior autovalor
1
de A e real e positivo, e os componentes do autovetor corres-
pondente podem ser escolhidos positivos.
Denicao 44 Uma matriz e de Markov, se todas suas entradas sao n ao-negativas e a
soma dos elementos de cada coluna e um.
Toda a matriz de Markov tem 1 como autovalor. O vetor com todas as entradas iguais a
1 e autovetor da transposta de uma matriz de Markov, associado ao autovalor 1.
Captulo 8
Teorema Espectral
8.1 Considerac oes iniciais
Exemplo 45 Diagonalize a matriz abaixo, com uma matriz inversvel e depois com uma
matriz ortogonal.
A =

5 1 1
1 5 1
1 1 5

(Note que o segundo problema e possvel porque A e simetrica.) Autovalores

p
c
() = det(A I) =
3
+ 15
2
72 + 108
= ( 3)( 6)
2
As razes sao 3, com multiplicidade 1, e 6, com multiplicidade (algebrica) dois.
Autovetores para = 3 (A 3I)v = 0, i.e.,

2 1 1
1 2 1
1 1 2

x
y
z

0
0
0

A solucao e,

x y z

T
= z

1 1 1

T
z
Autovetores para = 6 (A 6I)v = 0, i.e.,

1 1 1
1 1 1
1 1 1

x
y
z

0
0
0

Tem-se que x = y z donde a solu cao e,

x y z

T
=

y z 1 1

T
= y

1 1 1

T
+ z

1 1 1

T
y, z
52
8.1. CONSIDERAC

OES INICIAIS 53
Assim, a matriz dos autovetores,
S =

1 1 1
1 1 0
1 0 1

e inversvel, e
AS = SD
D =

3 0 0
0 6 0
0 0 6

Agora, podemos construir uma matriz ortogonal para diagonalizar A. Aplicamos o pro-
cesso de Gram-Schmidt (G-S) ` as colunas de S.

1 1 1

3
3

1 1 1

T
Os vetores b = (1, 1, 0)
T
e c = (1, 0, 1)
T
s ao ortogonais ao vetor (1, 1, 1)
T
, mas
n ao s ao ortogonais entre si. No entanto os vetores b e c pertencem ao autoespaco V
6
.
Combina coes lineares dos dois continuam a pertencer ao mesmo espaco. De fato, como
Ab = 6b, e Ac = 6c,
A(b + c) = A(b) + A(c) = 6b + 6c = 6(b + c) V
6
Como o processo de Gram-Schmidt troca vetores por combinacoes lineares deles, se com-
binarmos vetores do mesmo autoespaco, eles continuar ao no mesmo autoespaco e podem
ser escolhidos (e isso que G-S faz) de forma a serem vetores ortonormais. Facamos,
c = c P
b
c =

1 0 1

1
[[(1, 1, 0)[[
2

1 1 0

T
=

1/2 1/2 1

T
Agora normalize c, obtendo (

6/6,

6/6, 2

6/6)
T
. Ent ao, a matriz
Q =

3
3

2
2

6
6
3
3

2
2

6
6
3
3
0
2

6
6

e ortogonal e A = QDQ
T
.
Teorema 46 Teorema Espectral Matrizes simetricas reais tem autovalores reais e seus
autovetores podem ser escolhidos ortonormais, formando base, isto e, se A = A
T
, existe
matriz diagonal real, D, e matriz ortogonal, Q, (QQ
T
= I), tal que
A = QDQ
T
onde as colunas de Q s ao formadas pelos autovetores e a diagonal principal de D e formada
pelos autovalores de A.
54 CAP

ITULO 8. TEOREMA ESPECTRAL

8.2 Espacos vetoriais complexos
Denotamos por IC
n
o conjunto das n-uplas ordenadas de n umeros complexos.
x IC
n
, x =

x
1
x
2
. . . x
n

T
, com x
i
IC
Denotamos a norma em IC
n
por, [[ [[, onde
[[x[[
2
= [x
1
[
2
+ . . . [x
n
[
2
Vale recordar que se z = a+ib IC, com a, b IR, e i
2
= 1, entao o complexo conjugado
de z e
z = a ib
e
z z = [z[
2
= a
2
+ b
2
Um n umero complexo z e dito complexo unitario se [z[ = 1. Recordamos ainda a formula
de Euler,
e
a+ib
= e
a
(cos b + isen b)
Dado x C
n
, i.e. uma matriz n1, denota-se por x

ou por x
H
, e le-se x hermitiano,
a matriz 1 n
x
H
= x
T
=

x
1
x
2
. . . x
n

O produto interno em IC
n
e dado por
(x, y) = x
H
y = x
1
y
1
+ x
2
y
2
+ . . . x
n
y
n
Exemplo 47 Sejam
x =

1 + i
3i

e y =

4 i
2

Temos
x
H
= x
T
=

1 i 3i

Assim,
x
H
y =

1 i 3i

4 i
2

= (1 i)(4 i) + (3i)2 = 3 11i

e
x
H
x =

1 i 3i

1 + i
3i

= (1 i)(1 + i) + (3i)(3i) = 11 = [[x[[

2
8.2. ESPAC OS VETORIAIS COMPLEXOS 55
Dada uma matriz A dene-se A
H
(tambem denotada por A

), A hermitiana ou A estrela
ou a adjunta de A, por
A
H
=

T
a transposta conjugada da matriz A.
Pode-se vericar que
(AB)
H
= B
H
A
H
e (A
H
)
H
= A
Assim,
(x, Ay) = x
H
Ay = (A
H
x)
H
y = (A
H
x, y)
e este resultado mostra como A muda de posic ao no produto interno. No caso real, A
muda de posic ao no produto interno, pela transposta, e no caso complexo pela transposta
conjugada.
Denicao 48 Uma matriz e dita hermitiana ou auto-adjunta se A
H
= A, i.e. se A
hermitiana e ela propria.
Em particular, uma matriz hermitiana, quando muda de posic ao no produto interno,
continua ela pr opria. O mesmo ocorre com matrizes simetricas reais e o produto interno
e o produto interno em IR
n
, que ao trocar de posic ao no produto interno, se mantem
inalteradas.
Exemplo 49 A matriz
A =

2 3 3i
3 + 3i 5

e hermitiana.
Exemplo 50 Seja A uma matriz anti-simetrica real, A
T
= A. Entao, iA e uma matriz
hermitiana.
Observacao 51 a) Uma matriz A e hermitiana se e somente se a
ij
= a
ji
e ao longo da
diagonal principal so ha n umeros reais.
b) Se A e real, A
H
= A
T
e A ser a hermitiana se e s o se A for simetrica.
c) Os autovalores de matrizes hermitianas s ao reais e os autovetores (de autovalores dis-
tintos) sao ortogonais.
Demonstracao(c) Seja v e um par autovetor-autovalor de A, Av = v. Ent ao,
v
H
v = v
H
Av = (A
H
v)
H
v
A
H
=A
= (Av)
H
v = (v)
H
v =

v
H
v
Como v
H
v = 0 pois v e um autovetor, ent ao, =

, isto e, e real.
56 CAP

ITULO 8. TEOREMA ESPECTRAL

Esta mesma demonstra cao mostra que se A e simetrica real, ent ao seus autovalores
s ao reais.
d) Se = forem autovalores de A, u e v forem os respectivos autovetores, (Au = u
e Av = v, com u = 0 = v) e A auto-adjunta, A
H
= A, entao u v.
Demonstracao
Au = u v
H
u = v
H
Au
v
H
u = (A
H
v)
H
u = (Av)
H
u = (v)
H
u =

v
H
u = v
H
u
Assim,
( )v
H
u = 0
e como = , conclui-se que v
H
u = 0 isto e, que u v.
Denicao 52 a) Uma matriz U e unitaria se U
H
U = I ou, o que e o mesmo, UU
H
= I.
b) Uma matriz A e anti-hermitiana ou anti-autoadjunta se A
H
= A.
c) Uma matriz A e normal se A
H
A = AA
H
(isto e, se comuta com a sua transposta
conjugada). No caso de A ser real, A e normal de A
T
A = AA
T
.
Matriz Denic ao Teorema Espectral Autovalores
Hermitiana A
H
= A A = UDU
H
, U
H
U = I reais
Simetrica real A = A
T
e

A = A A = QDQ
T
, QQ
T
= I,

Q = Q reais
Anti-hermitiana A
H
= A A = UDU
T
, UU
H
= I imagin arios puros
Anti-simetrica real A
T
= A e

A = A A = UDU
T
, UU
H
= I imagin arios puros
Ortogonal (real) A
T
A = I, e

A = A A = UDU
T
, UU
H
= I complexos unitarios
Unit aria A
H
A = I A = UDU
T
, UU
H
= I complexos unitarios
Normal A
H
A = AA
H
A = UDU
T
, UU
H
= I complexos em geral
Observacao 53 a) Todas as classes de matrizes apresentadas na tabela anterior s ao
normais.
b) Se A = UDU
H
, entao,
A = UDU
H
=

[
.
.
. [
u
1
.
.
. u
n
[
.
.
. [

1
.
.
.

u
H
1

.
.
.
u
H
n

[
.
.
. [

1
u
1
.
.
.
n
u
n
[
.
.
. [

u
H
1

.
.
.
u
H
n

=
1
u
1
u
H
1
+
2
u
2
u
H
2
+ . . .
n
u
n
u
H
n
8.2. ESPAC OS VETORIAIS COMPLEXOS 57
c) Dados vetores ortonormais, u
1
, . . . , u
k
, a matriz de proje cao ortogonal no espaco gerado
por eles e:
P = u
1
u
H
1
+u
2
u
H
2
+ . . . u
k
u
H
k
d) Todas as classes de matrizes acima sao diagonalizaveis, admitindo base ortonormal de
autovetores.
e) Se A e anti-hermitiana, ent ao B = iA e hermitiana.
DemonstracaoDe fato,
B
H
= (iA)
H
= iA
H
= i(A) = iA = B
f) Se A e hermitiana, ent ao iA e anti-hermitiana.
g) Se A e unit aria, entao seus autovalores s ao complexos unit arios.
DemonstracaoComo
Av = v [[Av[[ = [[v[[ [[Av[[
2
= [[v[[
2
(Av)
H
Av = (v)
H
v v
H
I
. .. .
A
H
A v =

v
H
v
v
H
v =

v
H
v
Como v
H
v = [[v[[
2
= 0, ent ao [[ = 1, i.e., os autovalores s ao unit arios.
h) tr (A
T
) = tr (A), tr (A
H
) =

tr (A).
i) det(A
T
) = det(A) e det(A
H
) =

det(A)
j) det(e
A
) = e
tr (A)
.
Demonstracao
det(e
A
) = det(Ue
D
U
H
) = det(U) det(e
D
) det(U
H
)
= det(U) det(U
H
) det(e
D
) = e

1
+
2
+...
n
= e
tr (A)
= 0
logo e
A
e sempre inversvel. Note que det(U) det(U
H
) = det(UU
H
) = det(I) = 1 e que
e
D
=

1
.
.
.
e

Duas matrizes A e B s ao similares se existe P, inversvel tal que

A = PBP
1
Assim, uma matriz e diagonalizavel se for similar a uma matriz diagonal.
58 CAP

ITULO 8. TEOREMA ESPECTRAL

Exemplo 54 Considere a funcao
F : IR
3
IR
(x, y, z) F(x, y, z) =

x y z

8 2 0
2 6 1
0 1 4

x
y
z

x y z

PDP
T

x
y
z

u v w

u
v
w

=
1
u
2
+
2
v
2
+
3
w
2
onde
D =

1
0 0
0
2
0
0 0
3

u
v
w

= P
T

x
y
z

representa uma mudanca de vari avel.

Matrizes similares tem os mesmos autovalores (mesmo espectro). De fato, os respec-
tivos polinomios caractersticos se igualam,
det(A I) = det(PBP
1
PP
1
) = det(P(B I)P
1
)
= det(P) det(B I) det(P
1
) = det(P) det(P
1
) det(B I)
= det(PP
1
) det(B I) = det(I) det(B I) = det(B I)
Teorema 55 Lema de Schur Toda a matriz quadrada A e similar, por uma matriz
unit aria, U, a uma matriz triangular superior, T, isto e,
A = UTU
T
Os autovalores de A s ao os mesmos de T e os de T s ao as entradas na diagonal principal.
8.3 Equac oes diferenciais e a exponencial de matrizes
Recordamos que a func ao exponencial para n umeros reais (ou complexos) pode ser denida
atraves da serie convergente
e
x
= 1 + x +
x
2
2!
+
x
3
3!
+
x
4
4!
+ . . .
8.3. EQUAC

OES DIFERENCIAIS E A EXPONENCIAL DE MATRIZES 59
Em particular, tomando x = at temos
e
at
= 1 + at +
a
2
t
2
2!
+
(a
3
t
3
3!
+
a
4
t
4
4!
+ . . .
Derivando termo a termo, obtem-se Em particular, tomando x = at temos
d
dt
e
at
=
d
dt

1 + at +
a
2
t
2
2!
+
(a
3
t
3
3!
+
a
4
t
4
4!
+ . . .

= 0 + a + a
2
t + a
3
t
2
2!
+ a
4
t
3
3!
+ . . .
= a

1 + at +
a
2
t
2
2!
+
a
3
t
3
3!
+
a
4
t
4
4!
+ . . .

= ae
at
Assim, a fun cao x(t) = x
0
e
at
satisfaz a equa cao diferencial ordinaria
dx
dt
= ax
e a condi cao inicial x(0) = x
0
.
Analogamente, considere o PVI associado a um sistema de equa coes diferenciais line-
ares, homogeneas de 1
a
ordem,
dx
dt
= Ax, t > 0 (8.1)
x(0) = x
0
onde x = x(t).
Se denirmos a exponencial de matrizes
1
,
e
At
= 1 + At + A
2
t
2
2!
+ A
3
t
3
3!
+ A
4
t
4
4!
+ . . .
Exemplo 56 Sendo A = diag(1, 2),
e
At
=

1 0
0 1

1 0
0 2

t +

1 0
0 4

t
2
2!
+ . . .
=

e
t
0
0 e
2t

Note que
d
dt
e
At
= A + A
2
t + A
3
t
2
2!
+ . . .
= A

I + At + A
2
t
2
2!
+ . . .

= Ae
At
1
A exponencial de matrizes quadradas e uma funcao bem denida uma vez que a serie e convergente
em sentido apropriado, mas cuja discussao foge aos objetivos destas notas
60 CAP

ITULO 8. TEOREMA ESPECTRAL

Assim, se x(t) = e
At
x
0
, tem-se que
d
dt
x = A
x
. .. .
e
At
x
0
= Ax
e, x(0) = e
A0
x
0
= e
0
x
0
= Ix
0
= x
0
, ou seja x(t) = e
At
x
0
satisfaz o problema (8.1).
No caso em que A e diagonaliz avel, A = PDP
1
, temos:
e
At
= I+
A
. .. .
PDP
1
t+
A
2
. .. .
PD
2
P
1
t
2
2!
+
A
. .. .
PD
3
P
1
t
3
3!
+ . . .
= P

I + Dt + D
2
t
2
2!
+ D
2
t
3
3!
+ . . .

P
1
= P

1
t
.
.
.
e

n
t

Assim,
x(t) = P

1
t
.
.
.
e

n
t

c
. .. .
P
1
x
0
= P

c
1
e

1
t
.
.
.
c
n
e

n
t

= c
1
e

1
t
v
1
+ c
2
e

2
t
v
2
+ . . . c
n
e

n
t
v
n
Exemplo 57 Determine a solucao do PVI dado a seguir,
du
dt
=

2 1
1 2

u u(0) =

2
3

Autovalores da matriz do sistema

det

2 1
1 2

= (2 )
2
1 = 0
Autovalores: = 1 e = 3.
Autovetores associados ao autovalor = 1, (1, 1)
t
, .
Autovetores associados ao autovalor = 3, (1, 1)
t
, .
Soluc ao da forma
u(t) = c
1

1
1

e
1t
+ c
2

1
1

e
3t
8.3. EQUAC

OES DIFERENCIAIS E A EXPONENCIAL DE MATRIZES 61
Para satisfazer a condi cao inicial,

2
3

= u
0
= c
1

1
1

+ c
2

1
1

donde

c
1
+ c
2
= 2
c
1
c
2
= 3

c
1
= 5/2
c
2
= 1/2
A solucao ent ao e dada por
u(t) =
5
2

1
1

e
1t
+
1
2

1
1

e
3t
=
1
2

5e
t
e
3t
e
t
+ e
3t

Captulo 9
Massas e Molas em Equilbrio
9.1 Uma massa e uma mola
Considere uma mola na horizontal com uma das extremidades (a da esquerda) presa a
uma parede e em cuja outra extremidade est a ligada uma massa pontual. O movimento
desse sistema e regido pela 2
a
lei de Newton. Denotemos por m a massa da partcula
pontual, por L o comprimento livre da mola, e por y = y(t) a posi cao da massa com
relac ao ` a parede, e por F a forca exercida pela mola na massa. Entao, pela 2
a
lei de
Newton, temos:
m
d
2
y
dt
2
= F
A forca que a mola exerce sobre a massa e proporcional `a alteracao do comprimento da
mola (Hook),
F variacao do comprimento
A varia cao do comprimento da mola e dado por y L, que e positivo se a mola est a
sendo alongada (sofrendo distens ao) e negativo se ela estiver sendo diminuda (sofrendo
compress ao). A forca que a mola exerce, sobre a massa e no sentido de diminuir seu
tamanho, caso esteja sendo alongada, e de aumentar caso esteja menor que seu tamanho
natural. Neste caso, pode-se entao escrever que
F = c(y L)
onde c denota a constante de elasticidade da mola, ou constante de Hook.
A situac ao de equilbrio ocorre quando y(t) e constante, donde d
2
y/dt
2
= 0, e, pela
segunda lei de Newton, e necess ario que F = 0 donde y = L, isto e, quando a mola estiver
com o seu comprimento natural.
Se x(t) for a posic ao da mola, no tempo t, em rela cao `a posic ao de equilbrio,
x = y L
62
9.2. DUAS MOLAS E UMA MASSA 63
ent ao F = cx e
m
d
2
x
dt
2
= cx
que e a forma usual da equac ao do sistema massa-mola.
9.2 Duas molas e uma massa
Seja uma massa pontual entre duas molas cada uma das molas presa uma parede. Seja
y = y(t) a posic ao da massa, marcada com relac ao ` a parede da esquerda, e denote a mola
da esquerda por 1 e a da direita por 2.
Alguns informac oes sobre o sistema s ao dados na tabela a seguir, onde
c
> 0 denota
a variac ao do comprimento de uma mola e D representa a distancia entre as paredes.
mola comp. const. Hook pto inicial pto nal
c
1 L
1
c
1
0 y(t) y L
1
2 L
2
c
2
y(t) D D y L
2
N ao se faz a-priori nenhuma rela cao entre L
1
, L
2
e D. Assim, quando o sistema estiver
em equibrio, e D > L
1
+ L
2
, as molas estar ao sendo distendidas, e caso D < L
1
+ L
2
as
molas estarao sendo comprimidas. Denote por
F
1
= forca exercida pela mola 1 na massa = c
1
(y L
1
)
F
2
= forca exercida pela mola 2 na massa = c
2
(D y L
2
)
A equacao de movimento continua sendo a expressao da 2
a
lei de Newton, m
d
2
y
dt
2
= F
onde F = F
1
+ F
2
e o somat orio das forcas exercidas sobre a massa. Assim, a condicao
de equilbrio continua sendo a nulidade de F, isto e,
c
1
(y L
1
) + c
2
(D y L
2
) = 0
Resolvendo-se para y, a solu cao de equilbrio ocorre quando a massa se encontra em
y =
c
1
L
1
+ c
2
(D L
2
)
c
1
+ c
2
Como casos particulares temos:
c
1
= c
2
y =
D+L
1
L
2
2
L
1
= L
2
y =
c
2
D+(c
1
c
2
)L
1
c
1
+c
2
c
1
= c
2
e L
1
= L
2
y =
D
2
64 CAP

ITULO 9. MASSAS E MOLAS EM EQUIL

IBRIO
Observacao Se D = L
1
+ L
2
, ent ao quando c
1
= c
2
, y = L
1
e quando L
1
= L
2
,
y =
c
1
L
1
+c
2
L
2
c
1
+c
2
=
c
1
c
1
+c
2
L
1
+
c
2
c
1
+c
2
L
2
que e a media ponderada dos comprimentos por pesos
referentes ` a elasticidade relativa das molas.
9.3 Uma massa suspensa por uma mola
Quando uma massa esta suspensa por uma mola, e o eixo esta apontando para baixo,
seja y o deslocamento da massa em relac ao ao ponto de suporte da mola. Tipicamente,
os valores que y assume s ao positivos. Esta situacao representa um sistema com uma
extremidade xa e a outra livre (FL).
A soma das for cas, uma devido ` a gravidade e a outra devido ` a forca de restaura cao
da mola, e dada por,
F = c(y L) + mg
e a equa cao de movimento escreve-se como
m
d
2
y
dt
2
= F = c(y L) + mg
Em equilbrio, c(y L) + mg = 0, ou
y = L +
mg
c

E usual utilizar vari avel para descrever posic ao em rela cao ` a posi cao de equilbrio, isto
e,
x = y

L +
mg
c

Neste caso, a equac ao diferencial para x e dada por

m
d
2
x
dt
2
= cx
e, claro,
y = x +

L +
mg
c

9.4 Uma massa entre duas molas alinhadas com a

forca da gravidade
Consideramos uma massa presa a duas molas, na vertical, com cada uma das molas
presas, uma ao teto e a outra ao chao. Esta situac ao representa um sistema com as duas
extremidade xas (FF).
Temos as seguintes forcas atuando sobre a massa:
9.5. DUAS MASSAS E DUAS MOLAS ALINHADAS COM A GRAVIDADE 65
Forca da gravidade: F
g
= mg;
Forca exercida pela mola 1 (a mais acima): F
1
= c
1
(y L
1
);
Forca exercida pela mola 2 (a de baixo): F
2
= c
2
(D y L
2
).
Quando em equilbrio,
0 = F
g
+ F
1
+ F
2
= mg c
1
(y L
1
) + c
2
(D y L
2
)
que e uma equac ao linear em y, a posic ao da massa, e cuja solu cao e
y =
mg
c
1
+ c
2
+
c
1
L
1
+ c
2
(D L
2
)
c
1
+ c
2
9.5 Duas massas e duas molas alinhadas com a gra-
vidade
Nesta situac ao temos duas molas e duas massas, com uma das molas presa a uma parede
e o sistema todo pendurado.

E o caso de uma extremidade xa e a outra livre.
As forcas atuando sobre a massa 1 (a mais acima) s ao:
Forca da gravidade: F
g1
= m
1
g;
Forca exercida pela mola 1 (a mais acima) sobre a massa 1: F
11
= c
1
(y
1
L
1
);
Forca exercida pela mola 2 (a de baixo) sobre a massa 1: F
21
= c
2
(y
2
y
1
L
2
).
As seguintes forcas atuam sobre a massa 2 (a de baixo):
Forca da gravidade: F
g2
= m
2
g;
Forca exercida pela mola 2 sobre a massa 2: F
22
= c
2
(y
2
y
1
L
2
).
As condic oes de equilbrio s ao:
0 = F
1
= F
g1
+ F
11
+ F21 = m
1
g c
1
(y
1
L
1
) + c
2
(y
2
y
1
L
2
)
0 = F
2
= F
g2
+ F
22
= m
2
g c
2
(y
2
y
1
L
2
)
Este e um sistema de equac oes lineares para (y
1
, y
2
), que pode ser re-escrito como
c
1
(y
1
L
1
) c
2
(y
2
y
1
L
2
) = m
1
g
c
2
(y
2
y
1
L
2
) = m
2
g
ou, em forma matricial,

c
1
+ c
2
c
2
c
2
c
2

y
1
y
2

c
1
L
1
c
2
L
2
c
2
L
2

m
1
g
m
2
g

66 CAP

ITULO 9. MASSAS E MOLAS EM EQUIL

IBRIO
ou, ainda,

1 1
0 1

c
1
0
0 c
2

1 0
1 1

y
1
y
2

L
1
L
2

= g

m
1
m
2

Denotando as matrizes,
A =

1 1
0 1

e C =

c
1
0
0 c
2

e os vetores
y, =

y
1
y
2

, m =

m
1
m
2

e / =

L
1
L
2

a equac ao para y pode ser escrita como

A
T
CAy = gm+ A
T
C/
9.6 Uma linha de molas
Considere uma linha de molas e massas entre elas, penduradas por uma das molas presa
ao teto. Com rela cao ` a outra extremidade do sistema, podemos ter duas possibilidades:
xa ou livre. O sistema entao

do tipo xo-xo (FF) ou xo-livre(FL).
Assuma que o sistema seja constitudo por tres massas. H a ent ao quatro molas no
sistema FF e tres no FL. Vamos obter as equac oes relacionando o deslocamento das massas
e a tens ao nas molas, primeiro no caso FF e depois no FL.
Sistema Fixo-Fixo
Em geral, no sistema FF, se h a n massas, ent ao haverao n + 1 molas. Consideremos o
caso em que n = 3. Denotemos por
y = (y
1
, y
2
, y
3
) posic ao das massas
u = (u
1
, u
2
, u
3
) deslocamento das massas do equilbrio sem gravidade
e = (e
1
, e
2
, e
3
, e
4
) alongamento das molas
w = (w
1
, w
2
, w
3
, w
4
) tens ao nas molas: forca interna
f = (f
1
, f
2
, f
3
) forca nas massas
A obtenc ao das equac oes ser a realizada em tres etapas:
1
a
etapa Relaciona a posic ao (ou o deslocamento) das massas ao alongamento das
molas (condic ao geometrica);
y e
9.6. UMA LINHA DE MOLAS 67
2
a
etapa Relaciona o alongamento das molas `as forcas internas nas molas (lei de
Hook);
e w
3
a
etapa Relaciona as for cas internas das molas ` as for cas (externas) sobre as massas
(lei de balan co).
w f
1
a
etapa Relac ao geometrica: alongamento das molas dependendo das posi coes das
mesmas
e
1
= y
1
L
1
e
2
= y
2
y
1
L
2
(9.1)
e
3
= y
3
y
2
L
3
e
4
= D y
3
L
4
Alternativamente, podemos obter o alongamento das molas dependendo do desloca-
mento das massas da posic ao de equilbrio quando sob a ausencia da forca da gravidade
(sistema na horizontal),
e
i
= alongamento da mola i = u
i
u
i1
= deslocamento da massa i deslocamento da massa i 1
Assim,
e
1
= u
1
e
2
= u
2
u
1
(9.2)
e
3
= u
3
u
2
e
4
= y
3
As equacoes (9.2) e (9.2) podem ser reapresentadas matricialmente, dando:

e
1
e
2
e
3
e
4

1 0 0
1 1 0
0 1 1
0 0 1

y
1
y
2
y
3

L
1
L
2
L
3
L
4
D

ou seja,
e = Ay /
onde / = (L
1
, L
2
, L
3
, L
4
D)
T
e A e a matriz de diferencas, 4 3,
A =

1 0 0
1 1 0
0 1 1
0 0 1

68 CAP

ITULO 9. MASSAS E MOLAS EM EQUIL

IBRIO
2
a
etapa A lei de Hook (uma lei constitutiva ou material) conecta os alongamentos das
molas `a tens ao interna das mesmas
w
1
= c
1
e
1
w
2
= c
2
e
2
w
3
= c
3
e
3
w
4
= c
4
e
4
ou, simplesmente,
w = Ce
onde a matriz da materialidade e dada por
C = diag(c
1
, c
2
, c
3
, c
4
) =

c
1
0 0 0
0 c
2
0 0
0 0 c
3
0
0 0 0 c
4

3
a
etapa Equac ao de balan co (armacao do estado de equilbrio): as forcas internas
(w) das molas devem balancear as forcas externas sobre as massas (f). A massa i tem
acima a mola i e abaixo a mola i + 1:
0 = F
i
= Forca da gravidade + forca da mola i + forca da mola i + 1
= m
i
g w
i
+ w
i+1
Assim,
w
2
w
1
= m
1
g
w
3
w
2
= m
2
g
w
4
w
3
= m
3
g
ou, pondo em evidencia as matrizes,

1 1 0 0
0 1 1 0
0 0 1 1

w
1
w
2
w
3
w
4

= g

m
1
m
2
m
3

ou ainda,
A
T
w = gm
9.6. UMA LINHA DE MOLAS 69
A matriz de rigidez do sistema xo-xo
Finalmente, das tres etapas, conclumos:
A
T
w = gm A
T
(Ce) = gm A
T
(C(Au)) = gm
isto e A
T
CAu = gm ou
A
T
C(Ay /) = gm A
T
CAy = gm+ A
T
C/
A matriz K = A
T
CA e chamada de matriz de rigidez do sistema. Ela e o analogo
discreto do operador laplaciano que tanto aparece nas equac oes da Fsica-Matematica.
Podemos determinar qual a estrutura de K = A
T
CA. De fato,
A =

1 1 0 0
0 1 1 0
0 0 1 1

c
1
0 0 0
0 c
2
0 0
0 0 c
3
0
0 0 0 c
4

1 0 0
1 1 0
0 1 1
0 0 1

c
1
+ c
2
c
2
0
c
2
c
2
+ c
3
c
3
0 c
3
c
3
+ c
4

Como caso particular, tomemos molas com constante de elasticidade unit aria, c
1
= c
2
=
c
3
= c
4
= 1, C = I. Ent ao,
K =

2 1 0
1 2 1
0 1 2

ou seja, K = K
3
, que novamente reencontramos.
Sistema Fixo-Livre
No sistema FL, h a o mesmo n umero de massas e molas. Consideremos o caso em que h a
tres massas. Analogamente ao caso do sistema FF, denotemos por
y = (y
1
, y
2
, y
3
) posic ao das massas
u = (u
1
, u
2
, u
3
) deslocamento das massas do equilbrio sem gravidade
e = (e
1
, e
2
, e
3
) alongamento das molas
w = (w
1
, w
2
, w
3
) tens ao nas molas: forca interna
f = (f
1
, f
2
, f
3
) forca nas massas
A obtenc ao das equac oes e realizada nas tres etapas descritas anteriormente.
70 CAP

ITULO 9. MASSAS E MOLAS EM EQUIL

IBRIO
1
a
etapa Deslocamentos das massas alongamento de molas
Quando em equilbrio, na horizontal, o sistema satisfaz
y = (y
1
, y
2
, y
3
) = (L
1
, L
1
+ L
2
, L
1
+ L
2
+ L
3
)
e a variavel u e medida a partir desses pontos, resultando em
u = (u
1
, u
2
, u
3
) = (y
1
L
1
, y
2
(L
1
+ L
2
), y
3
(L
1
+ L
2
+ L
3
))
o que reescrito fornece,
(y
1
, y
2
, y
3
) = (u
1
+ L
1
, u
2
+ L
1
+ L
2
, u
3
+ L
1
+ L
2
+ L
3
)
donde
e
1
= y
1
L
1
= u
1
e
2
= y
2
y
1
L
2
= u
2
u
1
(9.3)
e
3
= y
3
y
2
L
3
= u
3
u
2
ou ainda,

e
1
e
2
e
3

1 0 0
1 1 0
0 1 1

u
1
u
2
u
3

2
a
etapa Alongamento de molas tens ao interna

w
1
w
2
w
3

c
1
0 0
0 c
2
0
0 0 c
3

e
1
e
2
e
3

3
a
etapa Tensao interna de molas forcas sobre massas
w
2
w
1
= m
1
g
w
3
w
2
= m
2
g
w
3
= m
3
g
ou

1 1 0
0 1 1
0 0 1

w
1
w
2
w
3

= g

m
1
m
2
m
3

Captulo 10
Projec oes e Quadrados Mnimos
para Matrizes Retangulares
10.1 Projecao sobre linha reta
Sejam dados um ponto b e uma reta r, que passa pela origem e que tem direc ao denida
pelo vetor a. Como veremos, os dois problemas a seguir sao equivalentes:
Determinar ponto p da reta r, mais pr oximo de b;
Determinar a projec ao ortogonal de b sobre a reta r.
Ponto mais proximo O ponto generico da reta e dado por ta, com t IR. Seja f(t)
a distancia de ta a b,
f(t) = dist(ponto da reta, b) = dist(ta, b) = [[ta b[[
=

(a
1
t b
1
)
2
+ (a
2
t b
2
)
2
+ . . . (a
n
t b
n
)
2
Observamos que achar o ponto de mnimo de f e equivalente a achar o ponto de mnimo
da func ao g =
f
2
2
, dada explicitamente por
g : IR IR
t g(t) =
1
2

(a
1
t b
1
)
2
+ (a
2
t b
2
)
2
+ . . . (a
n
t b
n
)
2

Procuramos o ponto de mnimo entre os pontos crticos de g (i.e., quando g

= 0). Deri-
vando g em relac ao t, e igualando a zero temos
g

(t) = (a
1
t b
1
) a
1
+ (a
2
t b
2
) a
2
+ . . . (a
n
t b
n
) a
n
= 0
donde, resolvendo para t obtemos
t =
a
1
b
1
+ a
2
b
2
+ . . . a
n
b
n
a
2
1
+ a
2
2
+ . . . a
2
n
=
a
T
b
a
T
a
71
72 CAP

ITULO 10. PROJEC

OES E QUADRADOS M

INIMOS
Recordamos aqui que a e um vetor coluna,
a =

a
1
a
2
.
.
.
a
n

Assim, o ponto mais proximo e dado por

p = t a =
a
T
b
a
T
a
a =
aa
T
a
T
a
b = P
a
b
onde a matriz
P
a
=
aa
T
a
T
a
,
n n, e chamada de matriz de projecao ortogonal sobre a dire cao do vetor a.
Note que o ponto mais pr oximo n ao deveria depender do tamanho de a, nem de seu
sentido, e apenas de sua dire cao. Isso e o que de fato ocorre pois se substituirmos a por
a, = 0, a matriz permanece inalterada, P
a
= P
a
.
Observacao Dados vetores u e v IR, (vetores em pe), e usual denotar a matriz uv
T
,
n n, por u v, i.e.,
u v = uv
T
,
o chamado produto tensorial de u e de v. Assim, P
a
=
aa
||a||
2
=
a
||a||

a
||a||
.
Projecao ortogonal sobre uma linha reta Para que ta seja a proje cao ortogonal de
b sobre r, e necess ario que o vetor indo de ta a b, isto e, o vetor diferenca, b ta, seja
ortogonal a a,
b ta a
isto e, que o produto escalar entre os dois seja nulo,
(a, b ta) = a
T
(b ta) = 0
Assim,
a
T
b ta
T
a = 0 t =
a
T
b
a
T
a
Logo, P
a
b, a projec ao ortogonal de b sobre a linha gerada por a e dada por
P
a
b = ta =
a
T
b
a
T
a
a =
aa
T
a
T
a
b
10.2. DETERMINAC

AO DA CONSTANTE DE ELASTICIDADE DE UMA MOLA73
Observacao A matriz P = P
a
=
aa
T
a
T
a
satisfaz: (i) P e simetrica; (ii) P
2
= P; (iii)
posto de P e igual a um; (iv) Im(P) = spana; (v) N(P) = spana

.
O ultimo destes resultados depende do Teorema Fundamental da

Algebra Linear (TE-
FAL). Demonstracao:
N(P)
TEFAL
= Im(P
T
)

= spana

10.2 Determinacao da constante de elasticidade de

uma mola
Consideramos a seguir uma aplica cao da tecnica de quadrados mnimos desenvolvida
anteriormente ao problema inverso de determinar a constante de elasticidade de uma
mola.
Assuma que lhe seja fornecida uma tabela de dados experimentais relacionando forca
aplicada sobre uma mola, denotada por b, e o respectivo alongamento da mola, denotado
por a,
a a
1
a
2
a
n
b b
1
b
2
b
n
Uma lei fsica (lei constitutiva) diz que b e proporcional a a,
b a
isto e, existe uma constante, a constante de proporcionalidade, neste caso chamada de
constante de elasticidade da mola ou constante de Hook, denotada por c, tal que
b = ca
Em particular, se quisermos dobrar o alongamento da mola, devemos dobrar a forca
aplicada sobre sua extremidade.
Nosso interesse entao e determinar c tal que
b
1
= ca
1
b
2
= ca
2
.
.
.
b
n
= ca
n
ou seja, queremos resolver o sistema de n equac oes a uma inc ognita, c, dado por

b
1
b
2
.
.
.
b
n

a
1
a
2
.
.
.
a
n

c
74 CAP

ITULO 10. PROJEC

OES E QUADRADOS M

INIMOS
Em geral este sistema e impossvel, isto e, salvo raras excec oes o sistema nao tem soluc ao.
Sejam a = (a
1
a
2
. . . a
n
)
T
e b = (b
1
b
2
. . . b
n
)
T
. Alternativamente, o que se procura fazer
e determinar o valor de c de forma a que o vetor erro, b ca, seja o vetor de menor
tamanho possvel. Isto e, procura-se minimizar a soma de quadrados,
E(c) = (b
1
ca
1
)
2
+ (b
2
ca
2
)
2
+ . . . (b
n
ca
2
)
2
A solucao, j a sabemos, e:
c =
a
T
b
a
T
a
=

n
i=1
a
i
b
i

n
i=1
a
2
i
10.3 Solucao de sistemas impossveis: quadrados mnimos
Seja Ax = b um sistema impossvel. Geralmente, troca-se este problema pelo problema
de minimizar, em algum sentido, o vetor Ax b.
A solucao de quadrados mnimos de um sistema impossvel e, por denic ao, o valor da
inc oginta x tal que o vetor de discrepancia d = Ax b tenha a menor norma euclideana
possvel.
Esta soluc ao e conseguida quando o vetor b Ax seja ortogonal ao espaco coluna de
A, isto e, se as colunas de A forem A
1
, A
2
, . . . , A
k
,
A =

[ [
.
.
. [
A
1
A
2
.
.
. A
k
[ [
.
.
. [

devemos ter que

A
1
b Ax
A
2
b Ax
.
.
.
A
n
b Ax
ou ainda,
(A
1
)
T
(b Ax) = 0
(A
2
)
T
(b Ax) = 0
.
.
.
(A
k
)
T
(b Ax) = 0
donde
(A
1
)
T
Ax = (A
1
)
T
b
(A
2
)
T
Ax = (A
2
)
T
b
.
.
.
(A
k
)
T
Ax = (A
k
)
T
b
10.3. SOLUC

AO DE SISTEMAS IMPOSS

IVEIS: QUADRADOS M

INIMOS 75
que pode ser reorganizado em forma matricial,

(A
1
)
T

(A
2
)
T

(A
k
)
T

Ax =

(A
1
)
T

(A
2
)
T

(A
k
)
T

b
o que notoriamente pode ser escrito simplesmente como a chamada equacao normal,
A
T
Ax = A
T
b
cuja soluc ao e a solucao de quadrados mnimos de um sistema impossvel.
Apresentamos uma deduc ao alternativa, baseada no Teorema Fundamental da

Algebra
Linear. Queremos determinar x de tal forma que
b Ax Im(A)
Isto e, queremos que
b Ax Im(A)

Mas, pelo TEFAL, Im(A) = N(A

T
)

, donde, Im(A)

= (N(A
T
)

= N(A
T
), uma vez
que o perp do perp de um espaco vetorial de dimensao nita e o pr oprio espa co. Ent ao,
basta que b Ax N(A
T
), isto e,
A
T
(b Ax) = 0 A
T
Ax = A
T
b
obtendo novamente a equac ao normal.
Observacao (1)

E um fato que se A tem colunas linearmente independentes (lis), entao
A
T
A e inversvel. Neste caso, podemos representar a soluc ao de quadrados mnimos por
x =

A
T
A

1
A
T
b
e a projec ao ortogonal de b sobre o espa co coluna de A por
Pb = Ax = A

A
T
A

1
A
T
b
A matriz
P = A

A
T
A

1
A
T
e a matriz da projec ao ortogonal de b sobre o espa co coluna de A.
(ii) Quando A n ao tem colunas lis, basta reduzir o problema escolhendo colunas lis.
76 CAP

ITULO 10. PROJEC

OES E QUADRADOS M

INIMOS
Um exemplo Considere
A =

1 2
1 3
0 0

e b =

4
5
6

O sistema Ax = b e impossvel. A soluc ao de quadrados mnimos e obtida resolvendo-se

a equac ao normal, A
T
Ax = A
T
b,

1 1 0
2 3 0

1 2
1 3
0 0

x
y

1 1 0
2 3 0

4
5
6

ou, efetuando as multiplica coes,

2 5
5 13

x
y

9
23

cuja soluc ao e (x, y) = (2, 1).

O erro cometido e dado por
b Ax =

4
5
6

1 2
1 3
0 0

2
1

0
0
6

A matriz de projec ao P e dada por

P A

A
T
A

1
A
T
=

1 0 0
0 1 0
0 0 0

uma matriz de proje cao sobre o plano xy como era natural esperar se notarmos como s ao
as colunas da matriz A.
Observacao Dada uma matriz A qualquer, a matriz P = A

A
T
A

1
A
T
satisfaz as
seguintes propriedades: (i) P
2
= P (idempotencia); (ii) P
T
= P (simetria).
Denicao Uma matriz e chamada de matriz de projecao se e so se satisfaz a condi cao
(i) acima. Quando, alem de (i) satisfaz (ii), ent ao e chamada de matriz de projec ao
ortogonal.
Existe motivac ao geometrica para o uso dessa nomenclatura.
Observacao Dados k vetores lis em IR
n
, v
1
, v
2
, . . . v
k
, com n k, entao, para deter-
minar a matriz de proje cao sobre o espa co U gerado pelos vetores,
U = spanv
1
, v
2
, . . . v
k

basta construir a matriz A cujas k colunas sao os vetores dados, e a matriz de proje cao e
ent ao dada por P = A

A
T
A

1
A
T
.
10.4. REGRESS

AO LINEAR 77
10.4 Regressao linear
Considere a tabela dada a seguir referente a dados experimentais. Assume-se que as
vari aveis denotadas por x sejam livres (explicativas) e que a variavel y seja dependente
(vari avel resposta)
x
1
x
2
x
3
. . . x
n
y
1
a
observacao x
1
1
x
1
2
x
1
3
. . . x
1
n
y
1
2
a
observacao x
2
1
x
2
2
x
2
3
. . . x
2
n
y
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
observacao k x
k
1
x
k
2
x
k
3
. . . x
k
n
y
k
Assuma agora que tem motivos para achar que os dados sao razoavelmente representados
pelo seguinte modelo linear,
y =
0
+
1
x
1
+
2
x
2
+ . . .
n
x
n
A questao e determinar os coecientes
0
,
1
, . . .
n
de forma a que a soma dos quadrados
dos erros seja mnima. Temos:
d
1
= y
1

0
+
1
x
1
1
+
2
x
1
2
+ . . .
n
x
1
n

erro na 1
a
observa cao
d
2
= y
2

0
+
1
x
2
1
+
2
x
2
2
+ . . .
n
x
2
n

erro na 2
a
observa cao
.
.
.
d
k
= y
k

0
+
1
x
k
1
+
2
x
k
2
+ . . .
n
x
k
n

erro na k-esima observac ao

Quer-se ent ao minimizar a soma dos quadrados,
E(
0
,
1
, . . .
n
) = (d
1
)
2
+ (d
2
)
2
+ . . . (d
k
)
2
=
k

i=1

y
i

j=1

j
x
i
j

2
Qual a soluc ao? Pode derivar a func ao E com relac ao a cada
i
e obter um sistema linear
para determinar os pontos crticos. Alternativamente, pense a equac ao (10.1) matricial-
mente,
Denotemos por d = (d
1
d
2
. . . d
k
)
T
o vetor de discrep ancia, y = (y
1
y
2
. . . y
k
)
T
,
= (
0

1
. . .
n
)
T
, e
X =

1 x
1
1
. . . x
1
n
1 x
2
1
. . . x
2
n
.
.
.
.
.
. . . .
.
.
.
1 x
k
1
. . . x
k
n

78 CAP

ITULO 10. PROJEC

OES E QUADRADOS M

INIMOS
A equac ao (10.1) pode ent ao ser escrita simplesmente como
d = y X
A situacao ideal seria determinar de tal forma que d pudesse ser escolhido igual ao
vetor nulo. Como isto quase nunca e possvel, vemos que estamos perante um problema
impossvel, e partimos para obter a soluc ao de quadrados mnimos. Assim, o valor do
vetor que procuramos e solucao da equac ao normal,
X
T
X = X
T
y
Captulo 11
Agrupamento de Genes
11.1 Motivacao
Um microarray de DNA mede os nveis de express ao de milhares de genes em um experi-
mento unico. Essa informac ao pode ser armazenada em um vetor coluna longo. Se temos
20 indivduos, e 1000 nveis, podemos formar a matriz G, 1000 20,
G =

[ [ [
[ [ [
G
1
G
2
.
.
. G
20
[ [ [
[ [ [

Uma quest ao basica (etapa inicial) para o entendimento deste conjunto de dados e
agrupar os genes que apresentem nveis de express ao altamente correlacionados (e algumas
vezes anti-correlacionados). Esses genes podem estar no mesmo caminho celular.
O projeto do Genoma Humano nos disse quais s ao as pecas no quebra-cabeca da vida:
as linhas de G.
Questao de que forma essas pecas se mobilizam para produzir funcao como, por
exemplo, criar protenas?
11.2 Particionamento
Interesse em particionar um grafo em duas partes, isto e, a partir de um grafo conexo,
retirar alguns arcos de forma a obter dois subgrafos desconexos.
79
Captulo 12
Exerccios I
12.1 Parte um
1
a
Questao: a) Dada a matriz
P =

2
3

1
3

1
3

1
3
2
3

1
3

1
3

1
3
2
3

mostre que e uma matriz de proje cao (isto e, que P

2
= P) ortogonal (isto e, que P = P
t
).
b) Considere o tri angulo em IR
3
cujos vertices s ao dados pelos pontos
a =

3
0
3

, b =

6
6
6

e c =

6
3
6

e calcule a imagem de cada um desses pontos (vetores) pela transformac ao P.

c) Sejam a,

b e c as imagens dos pontos a, b e c por P. Determine a equa cao da reta r
(por extensao parametrica) que passa pelos pontos a e

b.
d) O ponto c pertence a r?
2
a
Questao: Seja P a matriz da 1
a
quest ao. Determine: a) o n ucleo de P; b) a imagem
de P.
3
a
Questao: Dado o problema de valor na fronteira (ou de contorno) para a funcao
y = y(x),
d
2
y
dx
2
+ 2y = 4x 3, para x ]0, 2[
sujeito ` as condic oes de Dirichlet, y(0) = 3 e de Neumann,
dy
dx
(2) = 4, obtenha um sistema
de tres equacoes a tres incognitas que o aproxime, pelo metodo de diferencas nitas,
usando que
dy
dx
(x)
y(x + h) y(x h)
2h
e
d
2
y
dx
2
(x)
y(x + h) 2y(x) + y(x h)
h
2
80
12.1. PARTE UM 81
quando h, que representa o tamanho da malha, e pequeno.
4
a
Questao: a) Determine uma fatorac ao PA = LU da matriz
A =

0 1 1 2
1 2 1 2
2 7 6 1
2 6 4 8

b) Usando o resultado na alnea a), determine a soluc ao do sistema

Ax =

4
6
16
20

5
a
Questao: a) Dado o plano de equa cao x + 2y + z = 0, determine a matriz R da
reex ao em rela cao ao plano . b) De os vertices de um tri angulo cuja imagem pela
transformac ao R seja ele pr oprio.
6
a
Questao: a) Determine a fatorac ao PA = LU da matriz
A =

1 1 1 2
1 1 2 1
2 1 1 1
2 3 4 6

b) Determine o espaco nulo de A.

c) Determine o espa o coluna de A.
d) Determine a soluc ao do sistema Ax = b onde b = [1, 3, 3, 3]
T
.
7
a
Questao: a) Determine a matriz Q da projec ao sobre o plano de equac ao xy+z = 0
segundo a dire cao denida pelo vetor [2, 1, 2]
T
.
b) Calcule Q
7
.
8
a
Questao: Dado o problema de valor na fronteira (ou de contorno) para a funcao
y = y(x),
d
2
y
dx
2
3
dy
dx
= 4x 3, para x ] 1, 1[
sujeito ` as condi coes de Dirichlet, y(1) = 5 e de Robin, y(1) + 3
dy
dx
(1) = 0, obtenha um
sistema de cinco equacoes a cinco inc ognitas que o aproxime, pelo metodo de diferencas
nitas, usando que
dy
dx
(x)
y(x + h) y(x h)
2h
e
d
2
y
dx
2
(x)
y(x + h) 2y(x) + y(x h)
h
2
na equac ao,
82 CAP

ITULO 12. EXERC

ICIOS I
e dy/dx (y(x + h) y(x))/h, na condicao de fronteira de Robin, quando h, que
representa o tamanho da malha, e pequeno. Use h = 1/2 = 0, 5. Explicite a matriz do
sistema de equa coes.
9
a
Questao: a) Obtenha a matriz de incidencia A do grafo dado na gura. b) Determine
o espa co nulo de A; c) Determine o espaco nulo ` a esquerda de A; d) Explique o que o
Teorema Fundamental da

Algebra Linear arma para A; e) Determine A
T
A e AA
T
.
12.2 Parte dois
1
a
Questao: Determine uma expressao simples para
det

a a a a
a b b b
a b c c
a b c d

2
a
Questao: Um fabricante de perfumes, desejando determinar o preco de venda que
maximizaria o seu lucro, quer expressar as suas vendas semanais y (em milhares de vidros)
como uma fun cao linear do preco x (em reais por vidro), y = a + bx. Com este objetivo
em mente, ele realizou vendas experimentais do perfume em quatro cidades semelhantes,
tendo obtido os seguintes resultados:
Cidade 1 Cidade 2 Cidade 3 Cidade 4
x 6,25 6,75 8,00 8,75
y 6,03 5,62 4,78 4,34
a) Obtenha o sistema indeterminado que a e b devem satisfazer.
b) Determine a e b que melhor se ajustam aos dados, no sentido dos mnimos quadrados.
3
a
Questao: Dados dois polin omios de grau menor ou igual a 2, p e q, dena o seguinte
produto interno,
'p, q` = p(0)q(0) + p(1)q(1) + p(2)q(2)
Utilize o metodo de Gram-Schmidt ` a base 1, x, x
2
com este produto interno.
4
a
Questao: Dados os vetores
v
1
=

1
1
0
1

v
2
=

1
0
1
1

v
3
=

0
1
1
1

a) Determine uma base ortonormal para

V = spanv
1
, v
2
, v
3

12.2. PARTE DOIS 83

b) Obtenha a matriz da projec ao ortogonal sobre V .
c) Dado o vetor
c =

7
0
7
0

determine vetores a e b tais que

c = a +b
com a spanv
1
, v
2
, v
3
e b a.
5
a
Questao: a) Dados dois n umeros reais, u e v, mostre que (uv)
2
+(u+v)
2
= 2(u
2
+v
2
).
b) Considere o paralelogramo { gerado pelos vetores u e v, digamos em IR
2
, isto e, o
paralelogramo tem os vertices (0, 0), u = (u
1
, u
2
), v e u+v. Assuma que o produto interno
e a norma de vetores sao os usuais, respectivamente, u
T
v = u
1
v
1
+ u
2
v
2
e [ [u[ [ =

u
T
u.
Mostre que
[ [u +v[ [
2
+[ [u v[ [
2
= 2

[ [u[ [
2
+[ [v[ [
2

c) (Regra do paralelogramo) Interprete, geometricamente, o resultado obtido acima.

(Dica: O comprimento do segmento que liga a origem ao vetor u + v, uma diagonal
do paralelogramo, e [ [u +v[ [. O que representa [ [u v[ [ ? E [ [u[ [ ?)
6
a
Questao: Um homem da idade media foi esticado, em um aparelho de tortura, a
comprimentos L = 5, 6 e 7 pes, sob forcas aplicadas F = 1, 2 e 4 toneladas. Assumindo
a lei de Hook, L = a + bF, determine o comprimento normal do sujeito, a, por mnimos
quadrados.
7
a
Questao: Calcule o determinante da matriz
A =

1 t t
2
t
3
t 1 t t
2
t
2
t 1 t
t
3
t
2
t 1

(Sugestao: Utilize a elimina cao de Gauss para calcular o determinante.)

8
a
Questao: [Algumas alneas sao independentes das outras]. a) A distancia de
um (hiper)plano a
T
x = c, em um espaco de dimensao m, `a origem e [c[/[[a[[. Qual a
dist ancia do plano x
1
+ x
2
x
3
x
4
= 8 ` a origem, e que ponto no plano e o mais perto
da origem.
b) Determine uma base ortonormal para o espaco coluna da matriz
A =

1 6
3 6
4 8
5 0
7 8

84 CAP

ITULO 12. EXERC

ICIOS I
c) Escreva A como QR, onde Q tem colunas ortonormais e R e triangular superior.
d) Determine a matriz de projec ao sobre o espaco gerado pela colunas de A. (Sugestao:
Faca isso a partir da matriz Q.
e) Determine a soluc ao de mminos quadrados de Ax = b, se b = (3, 7, 1, 0, 4).
9
a
Questao: a) Determine os coecientes de Fourier a
0
, a
1
, b
1
da func ao degrau y(x),
que e 1 no intervalo 0 x e 0 no restante do intervalo < x 2:
a
0
=
(y, 1)
(1, 1)
a
1
=
(y, cos x)
(cos x, cos x)
b
1
=
(y, sen x)
(sen x, sen x)
b) Represente gracamente a func ao y(x) e a func ao aproximada, z(x), obtida atraves do
polin omio de Fourier,
z(x) = a
0
+ a
1
cos x
com apenas dois termos.
10
a
Questao: a) Aplique o metodo de Gram-Schmidt aos vetores (1, 1, 0), (0,1,-1), e
(1,0,-1), para encontrar uma base ortonormal para o plano x
1
+ x
2
+ x
3
= 0 (ao qual os
vetores anteriores pertencem). Qual e a dimens ao deste subespaco, e quantos vetores n ao
nulos resultam do metodo de Gram-Schmidt?
b) Obtenha as matrizes da projecao ortogonal sobre o subespa co V denido pelo plano,
e sobre o subespaco V

(V perp).
12.3 Parte tres
1
a
Questao: Considere o problema de valor inicial para o sistema de equacoes diferenciais
ordin arias:
x

1
= 3x
1
+ 3x
2
x

2
= 4x
1
+ 2x
2
, t > 0 (12.1)
onde x
1
= x
1
(t) e x
2
= x
2
(t), e as condic oes iniciais s ao
x
1
(0) = 1 , x
2
(0) = 2 (12.2)
a) Represente o sistema matricialmente.
b) Determine as solucoes da equac ao (12.1) da forma

x
1
(t)
x
2
(t)

u
v

e
t
, onde u, v
e s ao constantes.
c) Determine a soluc ao de (12.5) sujeita `as condic oes da equac ao (12.2).
2
a
Questao: Diagonalize a matriz
A =

0 1 1
1 0 1
1 1 0

12.3. PARTE TR

ES 85
atraves de uma matriz ortogonal, sabendo que os autovalores sao -1 e 2.
3
a
Questao: Sejam a, b, c e d n umeros reais tais que

a
2
+ b
2
= 1
c
2
+ d
2
= 1
ac + bd = 0
(12.3)
Mostre que

a
2
+ c
2
= 1
b
2
+ d
2
= 1
ab + cd = 0
(12.4)
(Sugest ao: Lembre-se, esta disciplina e de

Algebra Linear vetores e matrizes.)
4
a
Questao: [ Calculo Funcional] Note bem: v arias alneas nao dependem das anteri-
ores. Dada a matriz
A =

0 2
1 3

a) Determine o polin omio caracterstico de A.

b) Diagonalize A.
c) Use a alnea anterior para calcular A
8
.
d) Dado um polin omio q(x) = x
3
7x
2
+ 3x + 5, dena a avaliac ao de q na matriz A,
como sendo
q(A) = A
3
7A
2
+ 3A + 5I (n ao precisa calcular)
O teorema de Cayley-Hamilton diz que uma matriz anula o seu polin omio caracterstico,
isto e,
p
c
(A) = 0
onde o zero no lado direito da equac ao e a matriz nula. Verique, no caso da matriz A
dada e usando o polinomio determinado na alnea a), a veracidade do teorema de Cayley-
Hamilton neste caso.
e) Use o resultado acima para dar uma f ormula para A
2
atraves de um polin omio de grau
menor ou igual a 1.
f) Determine um polin omio de grau 1, r(x) = ax + b, que interpole a funcao x
8
nos
autovalores de A. Isto e, se
1
e
2
forem os autovalores de A, determine a e b tais que
a
1
+ b =
8
1
a
2
+ b =
8
2
g) Calcule r(A).
h)Verique que A
8
= r(A).
86 CAP

ITULO 12. EXERC

ICIOS I
-
Lembrete:

r s
u v

1
=
1
rv su

v s
u r

Obs.: O resultado exibido na alnea h) e bastante geral. Conhecendo-se o espectro

de uma matriz e possvel achar-se potencias arbitr arias de uma matriz e portanto
resolver diversos problemas avaliando polin omios interpolantes simples, sem ter que
achar autovetores nem diagonalizar a matriz. A conseq uencia do Teorema de Cayley-
Hamilton exibida na alnea e) indica porque isso e possvel troca potencias maiores por
menores.
5
a
Questao: Sejam
1
e
2
n umeros reais nao-nulos, e v
1
e v
2
vetores em IR
5
, com norma
1 e ortogonais. Dena a matriz
A =
1
v
1
v
T
1
+
2
v
2
v
T
2
a) Mostre que a matriz A e simetrica.
b) A matriz A e diagonaliz avel? Justique.
c) Calcule Av
1
.
d) O que voce pode concluir sobre a relac ao entre A e v
1
?
e) Mostre que zero e autovalor de A.
f) O que voce sabe dizer sobre o auto-espaco associado ao autovalor zero? Em particular,
qual e a sua dimens ao?
6
a
Questao: Uma empresa de mudan cas que opera no tri angulo Rio, Sampa e BH tem
em cada uma das cidades uma garagem. Todo o mes metade dos caminh oes que estao
em BH e no Rio v ao para Sampa, e a outra metade cam nas respectivas cidades, e os
camin oes que est ao em Sampa se dividem igualmente entre BH e o Rio. Monte a matriz
de transic ao T, 3 3, e obtenha o estado estacion ario u

correspondendo ao autovalor
= 1. Assuma que o n umero de caminh oes total e de 1000 unidades.
7
a
Questao: Uma quest ao importante relativamente a matrizes que modelam situac oes
fsicas e a localizac ao dos autovalores de uma matriz; por vezes mesmo quando nao e
possvel determina-los facilmente, saber algo a respeito e suciente. O teorema a seguir e
uma ferramenta importante nesse contexto.
Teorema (dos crculos) de Gerschgorin. Todo autovalor de uma matriz A, nn, com
entradas reais ou complexas, esta na uniao dos crculos (de Gerschgorin) C
1
, C
2
, . . . , C
n
,
onde C
i
e o crculo, no plano complexo
1
de centro a
ii
, o i-esimo elemento da diagonal
principal da matriz, e raio dado pela f ormula r
i
=

n
j=1;j=i
[b
ij
[ que se iguala ` a soma dos
valores absolutos dos restantes elementos da i-esima linha.
1
O plano complexo e, essencialmente, o IR
2
, com o eixo dos x

s sendo o eixo real e o eixo dos y

s o
eixo imaginario.
12.4. PARTE QUATRO 87
a) Dada a matriz
D =

4 2 1
1 5 3
2 4 7

determine os centros e os raios dos quatro crculos de Gerschgorin.

b) Uma matriz e chamada diagonalmente dominante quando cada entrada da diagonal
excede a soma dos valores absolutos dos restantes elementos da linha. A matriz D e
diagonal dominante?
c) Observe que nenhum crculo de Gerschgorin da matriz D contem o n umero real = 0.
Mostre, ent ao que D e inversvel.
8
a
Questao: Considere o problema de valor inicial para o sistema de equacoes diferenciais
ordin arias:
x

1
= 3x
1

1
2
x
2
x

2
= 2x
1
+ 3x
2
, t > 0 (12.5)
onde x
1
= x
1
(t) e x
2
= x
2
(t), e as condic oes iniciais s ao
x
1
(0) = 3 , x
2
(0) = 2 (12.6)
a) Represente o sistema matricialmente.
b) Determine as solucoes da equac ao (12.5) da forma

x
1
(t)
x
2
(t)

u
v

e
t
, onde u, v
e s ao constantes.
c) Determine a soluc ao de (12.5) sujeita `as condic oes da equac ao (12.6).
9
a
Questao: Diagonalize a matriz
A =

2 1 0
1 1 1
0 1 2

atraves de uma matriz ortogonal, sabendo que zero e um dos autovalores de A.

12.4 Parte quatro
1
a
Questao: Dada a matriz tridiagonal
A =

a
1
c
1
b
1
a
2
c
2
b
2
a
3
c
3
b
3
a
4
c
4
b
4
a
5
c
5
b
5
a
6

88 CAP

ITULO 12. EXERC

ICIOS I
onde os espacos vazios s ao preenchidos por zeros, obtenha a decomposic ao A = LU,
fazendo as hip oteses adequadas sobre as entradas da matriz A.
2
a
Questao: Companhias multinacionais nos EUA, Japao e Europa detem recursos no
valor de US$ 4 trilhoes (4 10
12
). No incio, $ 2 trilhoes est ao nos EUA, e $ 2 trilhoes
est ao na Europa. Cada ano, 1/2 do dinheiro dos EUA cam no pas, e o restante vai para
o Japao e para a Europa em quantidades iguais. No caso do Jap ao e da Europa, metade
dos recursos ca nos respectivos pases e o restante vai para os EUA.
a) Obtenha a matriz A tal que

E
J
E

ano k + 1
= A

E
J
E

ano k
b) Determine a distribuic ao limite dos $ 4 trilh oes quando o mundo terminar.
c) Determine a distribuic ao dos recursos no ano k.
3
a
Questao: Dado o sistema

0 0 0 0 1 1
0 0 0 0 2 1
0 0 3 1 5 1
0 0 1 3 2 5
2 1 2 3 1 0
1 2 1 1 2 1

x
1
x
2
x
3
x
4
x
5
x
6

0
3
10
11
9
4

calcule a solu cao ap os obter a decomposi cao PA = LU.

4
a
Questao: Um fabricante de perfumes, desejando determinar o preco de venda que
maximizaria o seu lucro, quer expressar as suas vendas semanais y (em milhares de vidros)
como uma fun cao linear do preco x (em reais por vidro), y = a + bx. Com este objetivo
em mente, ele realizou vendas experimentais do perfume em quatro cidades semelhantes,
tendo obtido os seguintes resultados:
Cidade 1 Cidade 2 Cidade 3 Cidade 4
x 6,25 6,75 8,00 8,75
y 6,03 5,62 4,78 4,34
a) Obtenha o sistema indeterminado que a e b devem satisfazer.
b) Determine a e b que melhor se ajustam aos dados, no sentido dos mnimos quadrados.
5
a
Questao: Dados dois polin omios de grau menor ou igual a 2, p e q, dena o seguinte
produto interno,
'p, q` = p(0)q(0) + p(1)q(1) + p(2)q(2)
Utilize o metodo de Gram-Schmidt ` a base 1, x, x
2
com este produto interno.
12.4. PARTE QUATRO 89
6
a
Questao: Diagonalize a matriz A por intermedio de uma matriz ortogonal,
A =

3 3 1 1
3 3 1 1
1 1 3 3
1 1 3 3

7
a
Questao: a) Quais os valores de a e b que tornam a seguinte equac ao uma cadeia de
Markov?
u
k+1
= Au
k
=

a b
1 a 1 b

u
k
, u
0
=

1
1

b) Calcule u
k
= SS
1
u
0
para valores arbitr arios de a e b.
c) Sob quais condicoes em a e b, u
k
se aproxima de um limite nito quando k e
quale o limite?

E necessario que A seja uma matriz de Markov?

8
a
Questao: a) Determine a func ao do tipo a cos x + b sen x mais pr oxima da fun cao
f = sen 2x no intervalo [, ]. Lembre que, neste caso, o produto interno e dado por

. (Dica: Lembre que o mais proximo, e dado pela projec ao ortogonal).

9
a
Questao: a) Determine o posto da matriz A e escreva-a na forma A = uv
T
:
A =

1 0 0 3
0 0 0 0
2 0 0 6

b)Para a matriz A determine a base dos quatro sub-espacos associados (n ucleo, imagem
[espaco coluna], n ucleo a esquerda, espaco linha.
10
a
Questao: Diagonalize a matriz
A =

2 1 0
1 1 1
0 1 2

atraves de uma matriz ortogonal, sabendo que zero e um dos autovalores de A.

11
a
Questao: a) Obtenha o polin omio caracterstico da matriz
A =

1 3 1
3 3 3
1 3 1

b) Determine os autovalores de A sabendo que 3 e um dos autovalores.

c) Obtenha autovetores relativos a cada autovalor encontrado.
12
a
Questao: Dado o plano de equa cao xy +2z = 0, determine a matriz da proje cao
sobre segundo a dire cao denida pelo vetor (1,1,1).
13
a
Questao: Considere a projec ao ortogonal sobre a reta x2y = 0, aqui denotada por
T : IR
2
IR
2
. Sem determinar explicitamente a matriz que representa T, de:
a) os autovalores de T;
b) autovetores para cada um dos autovalores.
Captulo 13
Exerccios II
13.1 Um
1
a
Questao: Dada a matriz tridiagonal
A =

a
1
c
1
b
1
a
2
c
2
b
2
a
3
c
3
b
3
a
4
c
4
b
4
a
5
c
5
b
5
a
6

onde os espacos vazios s ao preenchidos por zeros, obtenha a decomposic ao A = LU,

fazendo as hip oteses adequadas sobre as entradas da matriz A.
2
a
Questao: a) Mostre que
lim
h0
f(x + h) f(x h)
2h
= f

(x)
b) Dado o problema de valor na fronteira (ou de contorno)
d
2
y
dx
2
+ 3
dy
dx
+ y = 5x
2
+ 3x, para x [0, 2]
sujeito `as condic oes y(0) = 2 e y(2) = 1, obtenha um sistema de quatro equac oes a 4
inc ognitas que o aproxime, utilizando para esquema de discretizacao o metodo de dife-
rencas nitas.
3
a
Questao: Dado o sistema

0 0 0 0 1 1
0 0 0 0 2 1
0 0 3 1 5 1
0 0 1 3 2 5
2 1 2 3 1 0
1 2 1 1 2 1

x
1
x
2
x
3
x
4
x
5
x
6

0
3
10
11
9
4

90
13.1. UM 91
calcule a solu cao ap os obter a decomposi cao PA = LU.
4
a
Questao: Dado o plano de equac ao x 2y + z = 0, determine
a) a matriz A da reexao em relac ao ao plano ;
b) a matriz B da proje cao ortogonal sobre ;
c) a matriz C da proje cao segundo a direc ao do vetor (1, 1, 1).
5
a
Questao: a) Determine o posto das matrizes A, B, C da questao anterior.
b) Determine os espacos nulos de A, B e C.
c) Determine os espacos coluna de A, B e C.
d) Determine, sem fazer contas, atraves de um argumento geometrico, A
2
, B
2
e C
2
.
Tambem AB.
6
a
Questao: Dados os vetores (verticais) u IR
m
e v IR
n
, dene-se o produto
tensorial u v pelo produto de matrizes,
u v = uv
T
onde o superescrito T denota a transposic ao.
a) Dados u = (1, 2, 1)
T
e v = (2, 3 4)
T
determine u v e u
T
v.
Uma matriz A e decomponvel quando e possvel escolher vetores u e v tais que A = uv.
b) Dadas as matrizes
A =

2 7
6 21
4 14

e B =

4 16
5 25
6 36

decida se s ao decomponveis e, em caso armativo, obtenha os correspondentes u e v.

c) Dada A = uv, determine base para o espaco nulo e o espaco coluna de A e verique
o teorema fundamental da algebra linear neste caso.
7
a
Questao: Diz-se dos vetores u
1
, u
2
, . . . , u
k
que sao ortogonais se 'u
i
, u
j
` = 0, i = j.
a) Calcule B
2
onde B = u
1
u
1
.
b) Calcule A
2
e (I A)
2
quando A = u
1
u
1
+u
2
u
2
+ . . . u
k
u
k
.
8
a
Questao: Diz-se que a matriz B e obtida de A por uma perturba cao de posto 1 ou que
B e uma perturbac ao de posto 1 da matriz A quando B = A + C onde C e uma matriz
de posto 1. Analogamente poder-se-ia denir perturbacoes de posto 2 ou superiores.

E
claro que quando u, v = 0 e C = u v, C ter a posto 1 (como vericado anteriormente
na questao 6c).
a) Mostre que a matriz cheia

4 1 1 1
1 5 1 1
1 1 3 1
1 1 1 2

pode ser obtida como uma perturbac ao de posto 1 de uma matriz diagonal com entradas
(3,4,2,1), e a perturbac ao e da forma u u.
92 CAP

ITULO 13. EXERC

ICIOS II
b) Dadas as matrizes
A =

2 1 0 0 1
1 2 1 0 0
0 1 2 1 0
0 0 1 2 1
1 0 0 1 2

e

A =

2 1 0 0 0
1 2 1 0 0
0 1 2 1 0
0 0 1 2 1
0 0 0 1 2

mostre que A e obtida de

A por uma perturbac ao de posto 2 que pode ser escrita como
u
1
v
1
+u
2
v
2
. Obtenha u
1
, u
2
, v
1
, v
2
.
c) Considere a matriz tridiagonal abaixo
A =

a
1
c
1
b
1
a
2
c
2
b
2
a
3
c
3
b
3
a
4
c
4
b
4
a
5
c
5
b
5
a
6

e mostre que esta pode ser escrita como uma perturbac ao de posto 2 da matriz em blocos

A =

a
1
c
1
b
1
a
2
c
2
b
2
a
3
a
4
c
4
b
4
a
5
c
5
b
5
a
6

d) Mostre que se C, m n, tem posto 1, ent ao existem u IR

m
e v IR
n
tais que
C = u v. (Este resultado e a volta da questao 6c).
9
a
Questao: (Sherman-Morrison) a) A inversa da matriz B = I v w tem a forma
B
1
= I cv w. Multiplicando, determine o valor de c.
b) Se A e inversvel e B = A vw
T
e inversvel, ent ao a inversa de B e B
1
=
A
1
cA
1
vw
T
A
1
. Multiplicando (e procurando por um escalar em vw
T
A
1
vw
T
A
1
)
encontre o n umero c.
10
a
Questao: a) Dada a matriz da quest ao 8a), determine sua inversa.
b) Faca o mesmo exerccio usando o resultado da questao 9b).
c) Se voce subtrair 1 da 1
a
entrada, a
11
de A, que matriz sera de A
1
para obter-se a
inversa da nova matriz? Em A
1
seja q a primeira coluna, r
T
a primeira linha, e s a
primeira entrada.
13.2 Dois
1
a
Questao: Para se estudar a inuencia das vari aveis capital investido (x
1
) e gasto em
publicidade (x
2
) no lucro anual (y) de empresas, foram observadas essas vari aveis em doze
13.2. DOIS 93
empresas em um mesmo ano. Os seguintes resultados foram registrados, na unidade de
100.000 reais,
y 12 13 3 3 11 19 1 14 15 17 2 15
x
1
31 16 29 19 27 21 24 11 26 18 12 3
x
2
4 5 3 0 2 6 2 3 6 6 1 5
Ajuste a estes dados um modelo do tipo y = a + bx
1
+ cx
2
, pelo metodo dos mnimos
quadrados.
2
a
Questao: Um experimento foi realizado para se estudar a relac ao entre o grau de
corros ao de um metal, y, e o tempo de exposi cao (em semanas), x, desse metal ` a acao da
acidez do solo. Foram obtidos os seguintes resultados:
x 1 2 3 4 5 6 7 8 9 10
y 0,08 0,18 0,32 0,53 0,88 1,30 1,95 2,80 3,90 4,60
Ajuste a esses dados o modelo y = a + bx + cx
2
, pelo metodo dos mnimos quadrados.
3
a
Questao: Encontre a curva y = C+D2
t
que d a o melhor ajuste por mnimos quadrados
para as medidas y = 6 em t = 0, y = 4 em t = 1 e y = 0 em t = 2. Escreva as tres
equac oes que seriam resolvidas se a curva passasse por esses tres pontos, e encontre os
melhores valores para C e D.
4
a
Questao: O teorema fundamental da algebra linear e freq uentemente apresentado
como a alternativa de Fredholm: Para quaisquer A e b, um e apenas um dos seguintes
problemas tem solucao:
(1) Ax = b (2) A
T
y = 0, y
T
b = 0.
Em outras palavras, ou (a) b est a no espaco coluna de A e assim (1) tem solucao, ou (b)
existe y no n ucleo de A
T
, y A(A
T
), tal que y
T
b = 0. Conseq uentemente, note que se
todo y que pertencer ao n ucleo de A
T
satiszer y
T
b = 0 ent ao (2) n ao tem soluc ao, e (1)
ter a.
a) Mostre que e contradit orio que os problemas (1) e (2) tenham soluc ao ao mesmo tempo.
b) Determine uma base para o espaco nulo da matriz
A =

1 0 2
1 1 4

e verique que este e ortogonal ao espaco linha. Dado x = (3, 3, 3), decomponha-o em
uma componente no espaco linha, x
r
e um componente no espaco nulo, x
n
.
5
a
Questao: a) A dist ancia de um (hiper)plano a
T
x = c, em um espaco de dimens ao m,
` a origem e [c[/[[a[[. Qual a dist ancia do plano x
1
+x
2
x
3
x
4
= 8 `a origem, e que ponto
94 CAP

ITULO 13. EXERC

ICIOS II
no plano e o mais perto da origem.
b) Determine uma base ortonormal para o espaco coluna da matriz
A =

1 6
3 6
4 8
5 0
7 8

c) Escreva A como QR, onde Q tem colunas ortonormais e R e triangular superior.

d) Determine a matriz de projec ao sobre o espaco gerado pela colunas de A, a partir da
matriz Q.
e) Determine a soluc ao de mminos quadrados de Ax = b, se b = (3, 7, 1, 0, 4).
6
a
Questao: Se A e uma matriz quadrada e inversvel mostre que AB tem o mesmo
espaco nulo (e o mesmo espaco linha e o mesmo posto) que a matriz B.
7
a
Questao: a) Projete o vetor b = (1, 2) na direcao dos vetores ortogonais (1, 1) e (1,-1)
e verique que a soma dessas projec oes e o pr oprio vetor b.
b) Faca o mesmo mas agora projete na dire cao dos vetores nao ortogonais (1,0) e (1,1).
Mostre que, diferentemente do que ocorre com o caso ortogonal, a soma das duas proje coes
unidimensionais nao se iguala ao vetor b.
8
a
Questao: a) Determine o comprimento do vetor v = (1/

2, 1/

4, 1/

8, . . .) e da
func ao f(x) = e
x
(no intervalo 0 x 1). Qual e o produto interno, neste intervalo, de
e
x
e e
x
?
b) Determine os coecientes de Fourier a
0
, a
1
, b
1
da fun cao degrau y(x), que e 1 no
intervalo 0 x e 0 no restante do intervalo < x 2:
a
0
=
(y, 1)
(1, 1)
a
1
=
(y, cos x)
(cos x, cos x)
b
1
=
(y, sen x)
(sen x, sen x)
c) Determine a linha reta mais perto da parabola y = x
2
no intervalo 1 x 1 no
sentido de /
2
[1, 1].
d) Determine o proximo polinomio de Legendre - um polin omio c ubico ortogonal a 1, x e
a x
2

1
3
sobre o intervalo 1 x 1.
e) Aplique o metodo de Gram-Schmidt aos vetores (1, 1, 0), (0,1,-1), e (1,0,-1), para
encontrar uma base ortonormal para o plano x
1
+ x
2
+ x
3
= 0 (ao qual os vetores acima
pertencem). Qual e a dimensao deste subespaco, e quantos vetores n ao nulos resultam do
metodo de Gram-Schmidt?
9
a
Questao: a) Eliminac ao por blocos d a, se o bloco piv o A for inversvel,

I 0
CA
1
I

A B
C D

A B
0 D CA
1
B

A matriz DCA
1
B e chamada de complemento de Schur. Mostre que seu determinante
13.3. TR

ES 95
vezes det A se iguala ao determinante da matriz em blocos original,

A B
C D

Mais ainda, mostre que se AC = CA, ent ao esse determinante se iguala a det(ADCB).
b) Neste caso, o sistema de equac oes para (v, p) dado por:
Av + Bp =
Cv + Dp =
pode ser desacoplado em equa coes que primeiramente devem ser resolvidas para p e em
seguida para v. Determine essas equacoes.
10
a
Questao: Se C =

a b
c d

e D =

u v
w z

ent ao a equac ao para a determinac ao

de matrizes C e D tais que CD = DC se torna equivalente a:
CD + DC = 0 ou

2a c b 0
b a + d 0 b
c 0 a + d c
0 c b 2d

u
v
w
z

0
0
0
0

a) Determine o determinante da matriz A, 4 por 4, dos coecientes.

b) Mostre que det A = 0 apenas em dois casos: a + d = 0 ou ad bc = 0.
Em todos os outros casos, CD = DC s o ser a possvel com D = 0.
c) Construa exemplos n ao triviais de matrizes C e D satisfazendo CD = DC.
13.3 Tres
1
a
Questao: Dada a matriz
A =

1 2 1
1 0 1
4 4 5

Determine:
(a) o polinomio caracterstico de A e os autovalores de A, sabendo-se que = 1 e uma
raiz do polin omio caracterstico de A.
(b) um autovetor correspondente a cada autovalor e diagonalize A.
2
a
Questao: Dado o plano de equac ao xy +2z = 0, considere a matriz A da proje cao
sobre segundo a direc ao denida pelo vetor (1,1,1). Sem determinar explicitamente A,
obtenha:
a) Os autovalores de A;
b) Uma base de autovetores.
96 CAP

ITULO 13. EXERC

ICIOS II
c) A base e ortogonal?
d) A matriz A e diagonaliz avel?
Uma questao importante e a localizac ao dos autovalores de uma matriz; por vezes mesmo
quando nao e possvel determin a-los facilmente, saber algo a respeito e suciente. O
teorema a seguir e uma ferramenta importante nesse contexto.
Teorema (dos crculos) de Gerschgorin. Todo autovalor de uma matriz A, n n,
est a em pelo menos um dos crculos (de Gerschgorin) C
1
, C
2
, . . . , C
n
, onde C
i
e o crculo
de centro a
ii
e raio r
i
=

n
j=1;j=i
[b
ij
[ igual ` a soma dos valores absolutos dos restantes
elementos da i-esima linha.
3
a
Questao: a) A matriz
A =

4 2 1
1 5 3
2 4 7

e chamada diagonalmente dominante porque cada entrada da diagonal excede a soma dos
valores absolutos dos restantes elementos da linha. Esboce os crculos de Gerschgorin
para esta matriz.
b) Nenhum crculo contem = 0. Mostre que as matrizes diagonalmente dominantes sao
sempre inversveis.
c) Conclua, justicando, que A e inversvel.
d) Lembrando que todos os autovalores de matrizes simetricas reais s ao reais, use o te-
orema de Gerschgorin para obter um intervalo que contenha (C), o espectro da matriz
C, onde
C =

2 0 1
0 3 2
1 2 2

e) Considere uma matriz B cujas linhas satisfazem

[b
i1
[ +[b
i2
[ +[b
i3
[ + . . . +[b
in
[ < 1 i
Mostre, a partir do teorema de Gerschgorin, que todos os autovalores de B satisfazem[[ <
1. (Sugest ao: Aqui e conveniente escrever a equa cao do i-esimo crculo de Gerschgorin,
[b
ii
z[ [b
i1
[ +[b
i2
[ + . . . +[b
i i1
[ + . . . +[b
i i1
[ +[b
in
[
e trabalhe o lado esquerdo.)
4
a
Questao: a) Dada uma matriz A anti-Hermitiana, A
H
= A, mostre que se u e v
s ao autovetores de A, associados respectivamente a autovalores distintos e , ( = ),
ent ao u e ortogonal a v (u
H
v = 0).
b) Dada matriz anti-Hermitiana, mostre que B = A +
1
2
I e inversvel. (Sugest ao: Qual
e a relacao entre (B) e (A)? Ou melhor, qual a relac ao entre os autovalores das duas
13.3. TR

ES 97
matrizes?)
c) Mostre que a relac ao de similaridade de matrizes, A B se e s o se existir S inversvel
tal que A = SBS
1
, e uma relacao de equivalencia.
5
a
Questao: Uma matriz simetrica real A e chamada de positiva denida se x
T
Ax > 0,
para todo x = 0.
a) Escolhendo adequadamente x, mostre que a
11
> 0. Mostre tambem que todas as
entradas da diagonal principal de A s ao positivas.
b) Mostre que os autovalores de A s ao positivos (sugest ao: escolha x). Conclua que A e
inversvel.
c) Determine os autovalores da matriz
C =

1 1
1 1

e decida se A e positiva denida.

d) Dada a func ao quadratica
f(x, y, z) = 5x
2
+ 4y
2
+ 3z
2
2xy 2xz + 2yz
escreva-a na forma x
T
Ax onde x
T
= (x y z) e A e uma matriz simetrica.
e) Decida se a matriz A e positiva denida. (Sugest ao: Gerschgorin).
6
a
Questao: Suponha que a popula cao de coelhos, c, e de lobos, l, s ao governadas pelo
sistema de equa coes diferenciais ordinarias:
dc
dt
= 4c 2l
dl
dt
= c + l
a) Explique porque e razo avel que o coeciente de c na 1
a
equac ao seja positivo e o
coeciente de l seja negativo.
b) Explique o signicado dos sinais dos coecientes de c e l na 2
a
equac ao.
c) Se inicialmente c = 300 e l = 200, quais s ao as populac oes de coelhos e lobos no tempo
t?
d) Depois de um tempo longo, qual e a proporcao de coelhos e lobos? (c(t)/l(t) quando
t +).
7
a
Questao: a) Dada a func ao quadratica
f(x
1
, x
2
, x
3
) = 3x
2
1
+ 5x
2
2
+ 2x
2
3
2x
1
x
2
+ 2x
1
x
3
2x
2
x
3
escreva-a na forma x
T
Ax onde x
T
= (x
1
x
2
x
3
) e A e uma matriz simetrica.
b) Diagonalize A atraves de uma matriz ortogonal Q, A = QDQ
T
com D diagonal,
sabendo que 2 e um dos autovalores de A.
c) Faca a mudanca de vari aveis y = Q
T
x e obtenha h(y) = f(Qy).
d) Considere a equac ao f(x) = 1 nas novas variaveis (h(y) = 1). Identique este conjunto.
98 CAP

ITULO 13. EXERC

ICIOS II
Note que a transformac ao y = Q
T
x preserva angulos e dist ancias, assim, o conjunto
geometrico obtido e o mesmo que nas variaveis x, mas mudado de posic ao.
e) Ja agora, a partir de A = QDQ
T
e escolhendo direito , obtenha uma raiz quadrada
de A, B, com B
2
= A, B na forma QQ
T
.
8
a
Questao: Considere a matriz tridiagonal
A =

a b
b a b
b a
.
.
.
.
.
.
.
.
.
b
b a

Seja X
k
= det(A
(k)
) o determinante da k-esima sub-matriz principal de A, isto e, a matriz
k k no canto superior esquerdo da matriz A.
a) Expandindo pela k-esima linha, mostre que
X
k
= aX
k1
b
2
X
k2
b) Resolva esta equacao de diferen cas, para obter o valor de X
k
para k arbitr ario. (Se for
muito difcil em geral, faca apenas para quando a = 2 e b = 1).
9
a
Questao: Seja A uma matriz tridiagonal simetrica de tamanho (n + m) (n + m).
a) Verique que A pode ser escrita como uma matriz diagonal em blocos,
A =

T
1
0
0 T
2

+ (e
n
+e
n+1
) (e
n
+e
n+1
)
onde T
1
e uma matriz n n e T
2
e uma matriz mm. Ilustre essa decomposic ao com a
matriz dada na quest ao anterior (a = 2 e b = 1, e n = m = 3.)
b) Se T
1
= Q
1
D
1
Q
T
1
e T
2
= Q
2
D
2
Q
T
2
, mostre que
A =

Q
1
0
0 Q
2

D
1
0
0 D
2

+ z z

Q
T
1
0
0 Q
T
2

com z
T
= (q
T
1
, q
T
2
) onde q
T
1
e a ultima linha de Q
1
e q
T
2
e a primeira linha de Q
2
.
c) Ilustre explicitamente esta construc ao com o exemplo referido.
10
a
Questao: Exerccios 5.3.5, 5.3.9 e 5.3.11 do livro Linear Algebra and its Applications
by G. Strang.