Você está na página 1de 160

Sumario

Aula 1 Autovetores e Autovalores de Matrizes . . . . . . . . . . 8


Aula 2 Autovetores e Autovalores de Matrizes Casos Especiais 17
Aula 3 Polin omio Caracterstico . . . . . . . . . . . . . . . . . 25
Aula 4 Calculo de Autovalores e Autovetores . . . . . . . . . . 33
Aula 5 Diagonalizac ao de Matrizes . . . . . . . . . . . . . . . . 43
Aula 6 Calculo de Matrizes Diagonalizaveis . . . . . . . . . . . 53
Aula 7 Processo de Diagonalizac ao de Matrizes . . . . . . . . . 61
Aula 8 Diagonalizac ao de Operadores Lineares . . . . . . . . . 67
Soluc oes de exerccios selecionados . . . . . . . . . . . . . . . . . 79
Aula 9 Matrizes ortogonais . . . . . . . . . . . . . . . . . . . . 81
Aula 10 Propriedades das Matrizes Ortogonais . . . . . . . . . 91
Aula 11 Rotac oes no Plano . . . . . . . . . . . . . . . . . . . . 99
Aula 12 Reexoes no Plano . . . . . . . . . . . . . . . . . . . . 105
Aula 13 Propriedades das Rotac oes e Reexoes no Plano 1
a
Parte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Aula 14 Propriedades das Rotac oes e Reexoes no Plano 2
a
Parte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Aula 15 Exerccios Resolvidos 1
a
Parte . . . . . . . . . . . . 131
Aula 16 Exerccios Resolvidos 2
a
Parte . . . . . . . . . . . . 137
Aula 17 Rotac oes no Espaco . . . . . . . . . . . . . . . . . . . 143
Aula 18 Reexoes no Espaco . . . . . . . . . . . . . . . . . . . 151
Soluc oes de exerccios selecionados . . . . . . . . . . . . . . . . . 161
7
Autovetores e Autovalores de Matrizes
Aula 1 Autovetores e Autovalores de
Matrizes
Objetivos:
Compreender os conceitos de autovalor e autovetor.
Reconhecer um escalar como autovalor de uma matriz.
Reconhecer um vetor como autovetor de uma matriz.
Bem-vindo ao seu proximo curso de

Algebra Linear. Ele se desenvolver a
em torno de conceitos fundamentais como autovalor e autovetor de uma
matriz. Esses conceitos sao de fundamental importancia na Matematica pura
e aplicada e aparecem em situacoes muito mais gerais que as consideradas
aqui. Os conceitos de autovalor e autovetor tambem sao usados no estudo das
equacoes diferenciais e sistemas dinamicos: eles fornecem informac oes crticas
em projetos de Engenharia e surgem de forma natural em areas como a Fsica
e a Qumica.
Neste modulo vamos continuar os estudos iniciados no curso de

Algebra
Linear I, sobre as matrizes quadradas A = (a
ij
) M
n
(R) e as transformacoes
lineares denidas pela matriz A.
Lembre que M
n
(R) denota o
conjunto das matrizes qua-
dradas de ordem n com ele-
mentos reais.
O objetivo principal desta aula e apresentar os conceitos fundamentais
de autovalor e autovetor de uma matriz A.
Denicao
Dada uma matriz A M
n
(R), o n umero real e chamado autovalor
de A se existe um vetor nao-nulo v R
n
tal que
Av = v. (1)
Todo vetor nao-nulo v que satisfaca (1) e chamado um autovetor as-
sociado (ou correspondente) ao autovalor . Os autovalores tambem sao
chamados valores proprios ou valores caractersticos, e os autovetores sao
chamados vetores proprios ou vetores caractersticos. Verica-se que para
todo vetor w = v, R

, temos Aw = w, isto e, qualquer m ultiplo


escalar nao-nulo de v tambem e um autovetor de A associado ao autovalor
. De fato,
Aw = A(v) = A(v) = (v) = (v) = w.
CEDERJ
8
Autovetores e Autovalores de Matrizes
M

ODULO 1 - AULA 1
Vale tambem observar que na equac ao (1) estaremos sempre conside-
rando o vetor v na forma de uma matriz coluna n 1.

E facil determinar se um vetor e autovetor de uma matriz e tambem e


facil decidir se um escalar e autovalor de uma matriz. Vejamos como isso e
feito nos seguintes exemplos.
Exemplo 1
Se I e a matriz identidade n n, ent ao o unico autovalor e = 1. Qualquer
vetor nao-nulo v de R
n
e um autovetor de A associado ao autovalor = 1,
pois
Iv = v = 1 v.
Exemplo 2
Vamos vericar se os vetores u e v sao autovetores de A, onde
A =
_
3 1
5 3
_
, u =
_
1
1
_
e v =
_
1
2
_
.
Solucao:
Para identicarmos se u e autovetor de A devemos vericar se existe
um escalar R tal que Au = u. Temos que
Au =
_
3 1
5 3
_ _
1
1
_
=
_
2
2
_
= 2
_
1
1
_
= 2u
Assim, u = (1, 1) e autovetor de A com autovalor correspondente
= 2.
No caso do vetor v, temos
Av =
_
3 1
5 3
_ _
1
2
_
=
_
1
1
_
,=
_
1
2
_
Assim, nao existe escalar R tal que Av = v e, conseq uentemente,
v = (1, 2) nao e um autovetor da matriz A.
9
CEDERJ
Autovetores e Autovalores de Matrizes
Na Figura 1.1, podemos ver os vetores u = (1, 1), v = (1, 2) e a acao
geometrica da transformacao x Ax em cada um deles.
u
v
Au
Av
Figura 1.1: Ac ao geometrica da transformac ao x Ax.
Exemplo 3
Verique se o escalar 5 e um autovalor para a matiz A =
_
5 0
2 1
_
e deter-
mine os autovetores associados a esse autovalor.
Solucao:
Usando diretamente a denic ao de autovetor e autovalor de uma matriz,
temos que o escalar 5 e autovalor de A se e somente se a equacao
Av = 5v (2)
possui uma soluc ao nao-nula v = (x, y) R
2
. Mas a equacao (2) e equiva-
lente `a equacao
Av 5 Iv = (A 5I)v = 0. (3)
Assim, precisamos achar uma solucao nao-nula para esse sistema linear
homogeneo. Primeiramente, calculemos a matriz
A 5I =
_
5 0
2 1
_

_
5 0
0 5
_
=
_
5 5 0
2 1 4
_
=
_
0 0
2 4
_
.
Portanto, o sistema linear homogeneo (3) pode ser escrito como
_
0 0
2 4
_ _
x
y
_
=
_
0
0
_
. (4)
CEDERJ
10
Autovetores e Autovalores de Matrizes
M

ODULO 1 - AULA 1
Para resolver esse sistema linear, use as tecnicas de escalonamento de
matrizes desenvolvidas no curso de

Algebra Linear I. Escreva a matriz am-
pliada do sistema linear (4)
_
0
2
0
4
0
0
_
. (5)
Aplicando as operacoes elementares em linhas, vemos que a matriz
escalonada correspondente `a matriz (5) e
_
1
0
2
0
0
0
_
(6)
e o sistema linear homogeneo correspondente a essa matriz e
x 2y = 0. (7)
Como todo vetor da forma (2t, t) R
2
, com t R, e uma soluc ao para
o sistema (7), temos que esse sistema possui innitas solucoes e, assim, e
possvel e indeterminado. Portanto, todo vetor da forma v = (2t, t) R
2
,
com t R

, e um autovetor associado ao autovalor = 5. De fato, verica-se


que
Av =
_
5 0
2 1
_ _
2t
t
_
=
_
10t
5t
_
= 5
_
2t
t
_
= 5v para todo t R

.
No exemplo anterior podemos observar que a equivalencia entre as
equacoes (2) e (3) vale, claramente, para qualquer escalar no lugar de
= 5 e para qualquer matriz A. Assim, R e um autovalor da matriz
A M
n
(R) se e somente se o sistema linear homogeneo
(A I)v = 0 (8)
possui uma solucao nao-nula v R
n
. O conjunto de todas as soluc oes do
sistema (8) e o n ucleo (ou espaco-nulo) da matriz A I. Portanto, pelo
visto no curso de

Algebra Linear I, este conjunto soluc ao e um subespaco
vetorial de R
n
chamado auto-espaco da matriz A associado ao autovalor ,
denotado por E().
No caso da matriz A =
_
5 0
2 1
_
do exemplo 3, o auto-espaco associado
ao autovalor = 5 e a reta formada por todos os m ultiplos escalares do
11
CEDERJ
Autovetores e Autovalores de Matrizes
autovetor v = (2, 1). Geometricamente, esse auto-espaco e a reta que passa
por (2, 1) e pela origem. No exemplo 2, vemos que o auto-espaco associado
ao autovalor = 2 e a reta que passa por (1, 1) e pela origem, como mostra
a Figura 1.2.
Auto-espao para 5 l=
Auto-espao para 2 l=-
M
u
l
t
.

p
o
r

5
M
u
l
t
.

p
o
r

-
2
1
1
Figura 1.2: Auto-espacos para = 5 e = 2.
Exemplo 4
Seja a matriz A =
_
_
_
4 2 3
1 5 3
2 4 3
_
_
_
. Verique que = 3 e um autovalor
de A e determine uma base para o auto-espaco associado.
Solucao:
Para vericar que = 3 e um autovalor de A devemos encontrar uma
solucao nao-nula v = (x, y, z) R
3
do sistema linear homogeneo
(A 3I)v = 0. (9)
Para ver isso, consideremos primeiramente a matriz
A 3I =
_
_
_
4 2 3
1 5 3
2 4 3
_
_
_
3
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
=
_
_
_
1 2 3
1 2 3
2 4 6
_
_
_
.
CEDERJ
12
Autovetores e Autovalores de Matrizes
M

ODULO 1 - AULA 1
Assim, o sistema (9) pode ser escrito como
_

_
x 2y 3z = 0
x + 2y + 3z = 0
2x 4y 6z = 0
(10)
Novamente, resolvemos este sistema linear usando os metodos e as
tecnicas estudados na aula 7 do curso de

Algebra Linear I. A matriz am-
pliada do sistema linear (10) e
_
_
_
1
1
2
2
2
4
3
3
6
0
0
0
_
_
_
e e facil ver que a matriz escalonada equivalente a essa matriz ampliada e
_
_
_
1
0
0
2
0
0
3
0
0
0
0
0
_
_
_
,
cujo sistema linear homogeneo e dado por
x 2y 3z = 0. (11)
Sabemos que as soluc oes dos sistemas (10) e (11) sao as mesmas. Vemos
que o sistema (11) possui duas variaveis livres, logo, possui innitas solucoes
e, portanto, = 3 e um autovalor da matriz A. Expressando x em termos
das vari aveis y e z obtemos que
x = 2y + 3z.
Escrevendo y = k R e z = t R, temos que todo vetor na forma
(2k + 3t, k, t) com k, t R
e um autovetor associado ao autovalor = 3. Assim, o conjunto
S = (2k + 3t, k, t); k, t R = k (2, 1, 0) + t (3, 0, 1); k, t R R
3
e o auto-espaco associado ao autovalor = 3. Vemos que esse subespaco e
gerado pelos vetores
u = (2, 1, 0) e v = (3, 0, 1)
e, sendo linearmente independentes, formam uma base para o subespaco S.
Geometricamente, o subespaco S representa o plano do R
3
que passa pela
origem e e gerado pelos dois autovetores u = (2, 1, 0) e v = (3, 0, 1).
13
CEDERJ
Autovetores e Autovalores de Matrizes
Auto-espao para
3 l=
Auto-espao para
3 l=
Multiplicao
por A
Figura 1.3: A age como uma expansao no auto-espaco S.
Observe, neste exemplo, que a imagem de qualquer elemento nao-nulo
w S pela ac ao da matriz A e novamente um elemento do auto-espaco S,
isto e, um autovetor de A associado ao autovalor = 3. De fato, sendo
u, v base do auto-espaco S, temos que existem escalares a, b R tais que
w = au + bv
Como u e v sao autovalores de S, associados ao autovalor = 3, temos
Aw = A(au + bv) = A(au) + A(bv)
= aA(u) + bA(v) = 3au + 3bv
= 3(au + bv) = 3w S.
Como Aw S para todo w S, diz-se que o auto-espaco S e um
auto-espaco invariante pela ac ao da matriz A.
CEDERJ
14
Autovetores e Autovalores de Matrizes
M

ODULO 1 - AULA 1
Exerccios
1. Verique se v =
_
1
0
_
e u =
_
0
1
_
sao autovetores da matriz
A =
_
0 0
0 1
_
. Determine os autovalores correspondentes. Este exerccio
mostra que, apesar de o vetor nulo nao poder ser autovetor, e possvel
ter autovalor igual a zero.
2. Verique se v =
_
1
4
_
e autovetor da matriz A =
_
3 1
3 8
_
. Caso
seja, determine o autovalor correspondente.
3. Verique se v =
_
_
_
4
3
1
_
_
_
e autovetor da matriz A =
_
_
_
3 7 9
4 5 1
2 4 4
_
_
_
.
Caso seja, determine o autovalor correspondente.
4. Dada a matriz A =
_
4 2
3 9
_
com autovalor = 10, determine
uma base para o auto-espaco associado a esse autovalor.
5. Seja a matriz A =
_
_
_
4 1 6
2 1 6
2 1 8
_
_
_
. Verique se = 2 e um autovalor de
A e determine uma base para o auto-espaco associado a esse autovalor.
6. Mostre que se e um autovalor correspondente ao autovetor v, ent ao
ele e unico, isto e, nao existe escalar R, ,= , tal que Av = v.
15
CEDERJ
Autovetores e Autovalores de Matrizes Casos Especiais
M

ODULO 1 - AULA 2
Aula 2 Autovetores e Autovalores de
Matrizes Casos Especiais
Objetivos:
Reconhecer casos especiais de autovalores.
Caracterizar a existencia de autovalor zero.
Familiarizar-se com demonstrac oes envolvendo autovalores e autoveto-
res.
Na aula 1 vimos os conceitos de autovalor, autovetor e auto-espaco.
Nesta aula vamos continuar a explorar essa conceituacao em exemplos e
casos particulares muito importantes.
No primeiro exemplo, a matriz A e triangular superior e veremos que
os autovalores sao facilmente calculados.
Exemplo 1
Calcule os autovalores da matriz
A =
_
_
_
1 6 2
0 2 1
0 0 3
_
_
_
Novamente, pela denic ao, temos que o escalar R e um autovalor
da matriz A se e somente se o sistema linear homogeneo
(A I)v = 0 (12)
possui uma soluc ao nao-nula v = (x, y, z) R
3
. O sistema linear (12) pode
ser rescrito como
_

_
(1 )x + 6y + 2z = 0
(2 )y + z = 0
(3 )z = 0 .
(13)
Sabemos que o sistema (13) possui uma solucao nao-nula (x, y, z) R
3
se e somente se existe uma vari avel livre.

E facil ver que isso acontece se e
somente se pelo menos um dos coecientes contendo e igual a zero (um dos
elementos da diagonal principal da matriz associada e zero). E isso, por sua
vez, acontece se e somente se for igual a 1, 2 ou 3, que sao exatamente os
valores da diagonal principal da matriz A.
17
CEDERJ
Autovetores e Autovalores de Matrizes Casos Especiais
Na verdade, este procedimento tambem e valido no caso em que a
matriz A M
n
(R) e matriz triangular inferior. Assim, temos o seguinte
teorema:
Teorema 1
Os autovalores de uma matriz triangular (superior ou inferior) sao os elemen-
tos de sua diagonal principal.
No proximo teorema veremos em que condicoes uma matriz possui al-
gum autovalor igual a zero.
Teorema 2
Uma matriz A de ordem n tem autovalor igual a zero se e somente se A e
uma matriz nao-inversvel.
Demonstracao:
Usando as denic oes de autovalor e autovetor, sabemos que 0 e um
autovalor da matriz A se e somente se existe um vetor nao-nulo v tal que
Av = 0v. (14)
O sistema linear (14) e claramente equivalente ao sistema homogeneo
n n
Av = 0. (15)
Do curso de

Algebra Linear I, o sistema (15) possui soluc ao nao-nula
se e somente se det(A) = 0. E det(A) = 0 se e somente se a matriz A e
nao-inversvel.
Lembre que det(A) denota o
determinante da matriz A.
Exemplo 2
Calcule os autovalores da matriz
A =
_
_
_
1 2 3
0 0 4
0 0 5
_
_
_
.
CEDERJ
18
Autovetores e Autovalores de Matrizes Casos Especiais
M

ODULO 1 - AULA 2
Solucao:
Pelo Teorema 1, os autovalores de A sao os elementos da diagonal prin-
cipal, ou seja, os autovalores sao 0, 1 e 5. Observe tambem que, sendo 0 um
autovalor de A, pelo Teorema 2 a matriz A e nao-inversvel.
Teorema 3
Se e um autovalor de uma matriz A, ent ao
k
e autovalor da matriz A
k
para todo k N

.
Demonstracao:
Pela denic ao, se e autovalor da matriz A, entao existe vetor nao-nulo
v tal que
Av = v. (16)
Multiplicando a equacao (16) por A temos
A(Av) = A(v),
o que nos da
A
2
v = Av = (v) =
2
v,
ou seja,
A
2
v =
2
v. (17)
Obtemos, assim, que
2
e um autovalor da matriz A
2
com autovetor
correspondente v. Analogamente, de (17) obtemos que
A
3
v =
3
v,
e isso signica que
3
e autovalor da matriz A
3
com autovetor correspondente
v. Continuando esse procedimento obtemos que
A
k
v =
k
v para todo k N

.
Assim,
k
e autovalor da matriz A
k
com o mesmo autovetor associado
v.
19
CEDERJ
Autovetores e Autovalores de Matrizes Casos Especiais
Exemplo 3
Calcule os autovalores de uma matriz A que satisfaz A
2
= 0, isto e, A
2
e a
matriz nula.
Solucao:
Se e um autovalor da matriz A, ent ao, pelo Teorema 3,
2
e um
autovalor da matriz A
2
e, portanto, existe vetor nao-nulo v tal que A
2
v =

2
v. Mas A
2
= 0 e a matriz nula, entao

2
v = 0,
e, como v e um vetor nao-nulo, entao e necessario que
2
= 0 e, portanto,
= 0. Assim, obtivemos o resultado que arma que, se uma matriz A e tal
que A
2
= 0, ent ao seu unico autovalor e = 0.
Uma das propriedades mais importantes dos autovalores e apresentada
no proximo teorema e sua demonstrac ao ilustra um calculo que e tpico de
autovalores e autovetores.
Teorema 4
Sejam v
1
, v
2
, . . . , v
k
autovetores de uma matriz A, associados aos autovalores
distintos
1
,
2
, . . . ,
k
, respectivamente. Ent ao o conjunto v
1
, v
2
, . . . , v
k

e linearmente independente.
Este teorema sera empregado
em outras aulas mais `a frente.
Demonstracao:
Sendo v
1
vetor nao-nulo, e claro que o conjunto unitario v
1
e linear-
mente independente. Vamos estabelecer que v
1
, v
2
tambem e linearmente
independente. Sejam c
1
e c
2
constantes tais que
c
1
v
1
+ c
2
v
2
= 0. (18)
Vamos mostrar que c
1
= c
2
= 0 e, conseq uentemente, que v
1
, v
2
e
um conjunto de vetores linearmente independentes.
Multiplicando a equac ao (18) por
2
obtemos
c
1

2
v
1
+ c
2

2
v
2
= 0. (19)
CEDERJ
20
Autovetores e Autovalores de Matrizes Casos Especiais
M

ODULO 1 - AULA 2
Multiplicando tambem a equac ao (18) por A, e usando que Av
1
=
1
v
1
e Av
2
=
2
v
2
, obtemos, para o lado esquerdo da equacao, que
A(c
1
v
1
+ c
2
v
2
) = A(c
1
v
1
) + A(c
2
v
2
)
= c
1
A(v
1
) + c
2
A(v
2
)
= c
1

1
v
1
+ c
2

2
v
2
,
enquanto para o lado direito temos A0 = 0. Assim, o resultado de se multi-
plicar a equacao (18) por A e
c
1

1
v
1
+c
2

2
v
2
= 0. (20)
Subtraindo a equac ao (20) da equac ao (19), vemos que as segundas
parcelas se cancelam, sobrando
c
1
(
2

1
)v
1
= 0.
Como v
1
e vetor nao-nulo, entao e necessario que c
1
(
2

1
) = 0.
E como
1
,=
2
, segue que c
1
= 0. Substituindo esse valor de volta na
equacao (18), obtemos c
2
v
2
= 0 e, como v
2
tambem e vetor nao-nulo, ent ao
e necessario que c
2
= 0. Assim, conclumos que v
1
, v
2
e linearmente inde-
pendente.
Vamos agora dar o passo seguinte, isto e, estabelecer que v
1
, v
2
, v
3
e
conjunto linearmente independente. Sejam c
1
, c
2
e c
3
constantes tais que
c
1
v
1
+ c
2
v
2
+ c
3
v
3
= 0. (21)
Se mostrarmos que c
1
= c
2
= c
3
= 0, conclumos que v
1
, v
2
, v
3
e
conjunto de vetores linearmente independentes.
Multiplicando a equacao (21) por
3
obtemos
c
1

3
v
1
+ c
2

3
v
2
+ c
3

3
v
3
= 0. (22)
Multiplicando a equac ao (21) tambem por A, e usando que Av
1
=
1
v
1
,
Av
2
=
2
v
2
e Av
3
=
3
v
3
, obtemos, para o lado esquerdo da equac ao, que
A(c
1
v
1
+ c
2
v
2
+ c
3
v
3
) = A(c
1
v
1
) + A(c
2
v
2
) + A(c
3
v
3
)
= c
1
A(v
1
) + c
2
A(v
2
) + c
3
A(v
3
)
= c
1

1
v
1
+ c
2

2
v
2
+ c
3

3
v
3
,
enquanto para o lado direito temos A0 = 0. Assim, o resultado de se multi-
plicar a equacao (21) por A e
c
1

1
v
1
+ c
2

2
v
2
+ c
3

3
v
3
= 0. (23)
21
CEDERJ
Autovetores e Autovalores de Matrizes Casos Especiais
Subtraindo a equacao (23) da equac ao (22), vemos que as terceiras
parcelas se cancelam, sobrando
c
1
(
3

1
)v
1
+ c
2
(
3

2
)v
2
= 0.
Como v
1
e v
2
sao linearmente independentes, ent ao e necessario que
c
1
(
3

1
) = 0 e c
2
(
3

2
) = 0. E como
3
,=
1
e
3
,=
2
, segue que
c
1
= c
2
= 0. Substituindo esses valores de volta na equacao (21), obtemos
c
3
v
3
= 0 e, como v
3
tambem e vetor nao-nulo, ent ao e necessario que c
3
= 0.
Assim, conclumos que v
1
, v
2
, v
3
e linearmente independente.
Assim, sabendo que v
1
, . . . , v
n
e linearmente independente, vamos
mostrar, da mesma forma como foi feito nos casos anteriores, que v
1
, . . . , v
n
, v
n+1

tambem e linearmente independente. Sejam c


1
, . . . , c
n
, c
n+1
constantes tais
que
c
1
v
1
+ . . . + c
n
v
n
+c
n+1
v
n+1
= 0. (24)
Multiplicando a equac ao (24) por
3
obtemos
c
1

n+1
v
1
+ . . . + c
n

n+1
v
n
+c
n+1

n+1
v
n+1
= 0. (25)
Multiplicando a equacao (24) tambem por A, e usando que
Av
1
=
1
v
1
, . . . , Av
n+1
=
n+1
v
n+1
, obtemos, para o lado esquerdo da
equacao, que
A(c
1
v
1
+ . . . + c
n
v
n
+ c
n+1
v
n+1
) = A(c
1
v
1
) + . . . +A(c
n
v
n
) + A(c
n+1
v
n+1
)
= c
1
A(v
1
) + . . . +c
n
A(v
n
) + c
n+1
A(v
n+1
)
= c
1

1
v
1
+ . . . + c
n

n
v
n
+c
n+1

n+1
v
n+1
,
enquanto para o lado direito temos A0 = 0. Assim, o resultado de se multi-
plicar a equac ao (24) por A e
c
1

1
v
1
+ . . . + c
n

n
v
n
+c
n+1

n+1
v
n+1
= 0. (26)
Subtraindo a equacao (26) da equacao (25), vemos que as ultimas par-
celas se cancelam, sobrando
c
1
(
n+1

1
)v
1
+ . . . + c
n
(
n+1

n
)v
n
= 0.
Como v
1
, . . . , v
n
sao linearmente independentes, ent ao e necessario que
c
1
(
n+1

1
) = 0, . . . , c
n
(
n+1

n
) = 0. E como
n+1
,=
1
, . . . ,
n+1
,=

n
, segue que c
1
= . . . = c
n
= 0. Substituindo esses valores de volta na
equacao (24), obtemos c
n+1
v
n+1
= 0 e, como v
n+1
tambem e vetor nao-nulo,
entao e necessario que c
n
= 0. Assim, conclumos que v
1
, . . . , v
n
, v
n+1
e
linearmente independente.
CEDERJ
22
Autovetores e Autovalores de Matrizes Casos Especiais
M

ODULO 1 - AULA 2
Exerccios
1. Dada a matriz A =
_
5 0
2 1
_
, determine seus autovalores e uma base
para o auto-espaco associado a cada autovalor.
2. Dada a matriz A =
_
_
_
1 0 0
3 1 0
4 7 1
_
_
_
, determine seus autovalores e
uma base para o auto-espaco associado a cada autovalor.
3. Dada a matriz A =
_
_
_
1 3 5
0 2 4
0 0 1
_
_
_
, calcule os autovalores das matrizes
A
2
e A
3
.
4. Mostre que A e A
t
tem os mesmos autovalores.
5. Dada a matriz A, nn, mostre que se
2
e um autovalor nao-negativo
de A
2
, entao ou e um autovalor para A.
23
CEDERJ
Polinomio Caracterstico
M

ODULO 1 - AULA 3
Aula 3 Polinomio Caracterstico
Objetivos:
Compreender o conceito de polinomio caracterstico de uma matriz.
Compreender a relac ao entre as razes do polinomio caracterstico e os
autovalores de uma matriz.
Desenvolver habilidades para calcular auto-espacos associados a auto-
valores de uma matriz.
Pre-requisito: Sistema linear
homogeneo (

Algebra Linear
I).
Nesta aula, apresentaremos uma formula sistematica de calcular os au-
tovalores de uma matriz quadrada de ordem n. A cada matriz A M
n
(R)
associaremos um polinomio que tem a propriedade de suas razes serem exa-
tamente os autovalores de A. Antes de apresentarmos formalmente esse po-
linomio, vejamos, atraves de um exemplo, como ele surge naturalmente.
Exemplo 1
Determinar os autovalores de A =
_
1 1
2 4
_
e seus respectivos autovetores
associados.
Solucao:
Queremos encontrar os n umeros reais e todos os vetores nao-nulos
v = (x
1
, x
2
) R
2
satisfazendo a equac ao
Av = v, (27)
ou seja,
_
1 1
2 4
_ _
x
1
x
2
_
=
_
x
1
x
2
_
. (28)
A equac ao (28) representa o sistema linear
_
x
1
+x
2
= x
1
2x
1
+ 4x
2
= x
2
,
ou ainda,
_
( 1)x
1
x
2
= 0
2x
1
+ ( 4)x
2
= 0 .
(29)
25
CEDERJ
Polinomio Caracterstico
As equacoes anteriores (29) formam um sistema linear homogeneo de
duas equacoes e duas incognitas. Como ja foi visto no curso de

Algebra
Linear I, o sistema linear homogeneo (29) possui solucao nao-nula (x
1
, x
2
) se
e somente se o determinante de sua matriz associada for nulo, ou seja, se e
somente se

1 1
2 4

= 0. (30)
Isto signica que
( 1)( 4) + 2 = 0,
ou ainda,

2
5 + 6 = 0, (31)
ou tambem,
( 2)( 3) = 0.
Portanto, quando esta ultima equac ao e satisfeita assume os valores
2 ou 3. Assim,
1
= 2 e
2
= 3 sao os autovalores da matriz A.
Para encontrarmos os autovetores v = (x
1
, x
2
) R
2
associados ao
autovalor
1
= 2, formamos o sistema
Av = 2v,
ou
_
1 1
2 4
_ _
x
1
x
2
_
= 2
_
x
1
x
2
_
,
o que nos da o sistema linear
_
x
1
+x
2
= 2x
1
2x
1
+ 4x
2
= 2x
2
ou ainda,
_
x
1
x
2
= 0
2x
1
2x
2
= 0 .
(32)
Observe que poderamos ter obtido este ultimo sistema linear homogeneo
substituindo simplesmente = 2 na equacao (29). Escalonando o sistema,
obtemos que as solucoes do sistema homogeneo (32) sao
x
1
= x
2
e x
2
= t, sendo t qualquer valor real.
CEDERJ
26
Polinomio Caracterstico
M

ODULO 1 - AULA 3
Portanto, todos os autovetores associados ao autovalor
1
= 2 sao da-
dos por v = (t, t), sendo t um n umero real qualquer. Assim, todos esses
autovetores sao m ultiplos do vetor (1, 1). Em particular, v
1
= (1, 1) e um
autovetor associado a
1
= 2.
Analogamente, para encontrarmos os autovetores associados com o au-
tovalor
2
= 3 obtemos, de (29), o sistema linear homogeneo
_
(3 1)x
1
x
2
= 0
2x
1
+ (3 4)x
2
= 0
ou, equivalentemente,
_
2x
1
x
2
= 0
2x
1
x
2
= 0 .
(33)
Todas as soluc oes deste sistema linear homogeneo sao dadas por
x
1
=
1
2
x
2
e x
2
= t qualquer valor real.
Portanto, os autovalores de A associados ao autovetor
2
= 3 sao dados
por
_
t
2
, t
_
sendo t um n umero real qualquer. Assim, todos esses autovalores
sao m ultiplos do vetor (1, 2). Em particular, v
2
= (1, 2) e um autovetor
associado ao autovalor
2
= 3.
Observe que o determinante (30), do exemplo anterior, transformou
a equacao matricial (I A)v = 0, que contem duas incognitas, e v,
na equac ao polinomial
2
5 + 6 = 0, que tem uma vari avel so. Nos
exemplos apresentados na aula anterior, calculamos os autovalores de uma
matriz por inspec ao, enquanto no exemplo acima procedemos de uma forma
mais sistematica. Usaremos o processo apresentado neste exemplo como o
metodo padrao para determinar os autovalores de uma matriz A M
n
(R).
Denicao
Seja A = (a
ij
) M
n
(R). O determinante
p(x) = det(xI
n
A) =

x a
11
a
12
. . . a
1n
a
21
x a
22
. . . a
2n
. . . . . . . . . . . .
a
n1
a
n2
. . . x a
nn

(34)
e chamado de polinomio caracterstico da matriz A.
27
CEDERJ
Polinomio Caracterstico
No Exemplo 1, o polinomio caracterstico da matriz A =
_
1 1
2 4
_
e
p(x) = det(xI
2
A) =

x 1 1
2 x 4

= x
2
5x + 6.
Como p(x) = (x 2)(x 3), vemos que 2 e 3 sao as razes do polinomio
caracterstico e, tambem, os autovalores da matriz A.
Exemplo 2
Determine o polinomio caracterstico e os autovalores da matriz
A =
_
_
_
_
_
5 0 0 0
0 5 0 0
2 4 3 0
2 2 0 3
_
_
_
_
_
.
Solucao:
Temos que o polinomio caracterstico de A e dado por
p(x) = det(xI
4
A) =

x 5 0 0 0
0 x 5 0 0
2 4 x 3 0
2 2 0 x 3

.
Como a matriz xI
4
A e triangular superior, sabemos que seu deter-
minante e igual a
p(x) = (x 5)(x 5)(x 3)(x 3) = (x 3)
2
(x 5)
2
.
Portanto, as razes do polinomio caracterstico de A sao 3, 3, 5 e 5,
que sao exatamente os autovalores da matriz A. Dizemos, nesse caso, que o
autovalor 5 tem multiplicidade algebrica 2, pois o fator (x 5) aparece duas
vezes como fator do polinomio p(x). Analogamente para o autovalor = 3.
CEDERJ
28
Polinomio Caracterstico
M

ODULO 1 - AULA 3
Denic oes
Seja A uma matriz de ordem n com autovalor .
1. A multiplicidade algebrica do autovalor e a sua multiplicidade como
raiz do polinomio caracterstico p(x) = det(xI
n
A).
2. O auto-espaco associado ao autovalor , denotado por E(), e o su-
bespaco gerado por todos os autovetores associados a .
3. A multiplicidade geometrica do autovalor e a dimensao do auto-espaco
E().
No Exemplo 1, vimos que o polinomio caracterstico de uma matriz
2 2 e um polinomio de grau 2 e, no Exemplo 2, o polinomio caracterstico
de uma matriz 4 4 e um polinomio de grau 4. Em geral, e verdade que
para uma matriz de ordem n o polinomio caracterstico tem grau n. Vemos
isso facilmente quando desenvolvemos o determinante (34); observe que o
termo do polinomio caracterstico de A contendo x
n
provem do produto dos
elementos da diagonal principal, ou seja, de
(x a
11
)(x a
22
) . . . (x a
nn
).
Observe que o coeciente do termo de mais alto grau, aquele contendo
x
n
, e igual a 1 e, por isso, dizemos que o polinomio e monico.
Pela forma como foi denido o polinomio caracterstico, podemos con-
cluir o resultado a seguir.
Teorema 1
Um escalar e autovalor de uma matriz A de ordem n se e somente se e
uma raiz do polinomio caracterstico de A, isto e, se e somente se satisfaz
a equac ao det(I
n
A) = 0.
Sendo assim, para encontrarmos os autovalores de uma matriz A deve-
mos encontrar as razes do seu polinomio caracterstico. E, como no Exemplo
1, os autovetores correspondentes sao obtidos substituindo o valor de na
equacao Av = v e resolvendo o sistema linear homogeneo
(I
n
A)v = 0.
29
CEDERJ
Polinomio Caracterstico
Exemplo 3
Determine bases para os auto-espacos da matriz A do Exemplo 2, e obtenha
a multiplicidade geometrica de cada autovalor.
Solucao:
Vimos que o polinomio caracterstico da matriz
A =
_
_
_
_
_
5 0 0 0
0 5 0 0
2 4 3 0
2 2 0 3
_
_
_
_
_
e dado por
p(x) = (x 5)
2
(x 3)
2
.
Portanto, os autovalores de A sao
1
= 5,
2
= 5,
3
= 3 e

4
= 3. Neste caso, os dois autovalores distintos tem multiplicidade algebrica
2. Vamos determinar os autovetores associados a cada um deles.
Para obter os autovetores associados ao autovalor = 5, resolvemos o
sistema linear homogeneo
(5I
4
A)v = 0.
Considerando v = (x, y, z, t), o sistema anterior pode ser reescrito como
_
_
_
_
_
0 0 0 0
0 0 0 0
2 4 2 0
2 2 0 2
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
.
Escalonando a matriz ampliada do sistema, obtemos o sistema linear
equivalente
_
_
_
_
_
1 0 1 2
0 1 1 1
0 0 0 0
0 0 0 0
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
e a soluc ao geral deste sistema e dada pelos vetores da forma
v = (z 2t, z + t, z, t) com z, t R.
CEDERJ
30
Polinomio Caracterstico
M

ODULO 1 - AULA 3
Observe que, neste caso, o auto-espaco associado ao autovalor = 5
tem duas vari aveis livres, z e t, e, portanto, tem dimensao 2. Considerando
z = 1 e t = 0 e, depois, z = 0 e t = 1, vemos que os vetores
v
1
= (1, 1, 1, 0) e v
2
= (2, 1, 0, 1)
pertencem ao auto-espaco associado a = 5 e, como sao linearmente inde-
pendentes, formam uma base para esse auto-espaco. Assim, a multiplicidade
geometrica do autovalor = 5 tambem e igual a 2, ou seja, igual `a multipli-
cidade algebrica.
Agora, para determinarmos os autovetores v = (x, y, z, t) associados ao
autovalor = 3, devemos resolver o sistema homogeneo
(3I
4
A)v = 0.
Novamente, este sistema homogeneo e equivalente ao sistema
_
_
_
_
_
2 0 0 0
0 2 0 0
2 4 0 0
2 2 0 0
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
e, escalonando a matriz ampliada desse sistema, obtemos o sistema linear
equivalente
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
.
Vemos, facilmente, que a solucao geral deste sistema e dada pelos ve-
tores da forma
v = (0, 0, z, t) com z, t R.
Outra vez, o auto-espaco associado ao autovalor = 3 tem dimensao
2. Os autovetores
v
3
= (0, 0, 1, 0) e v
4
= (0, 0, 0, 1)
sao linearmente independentes e, portanto, formam uma base do auto-espaco
associado ao autovalor = 3. Logo, a multiplicidade geometrica de = 3
tambeme igual a 2, coincidindo mais uma vez com a multiplicidade geometrica.
31
CEDERJ
Polinomio Caracterstico
Exerccios
1. Determine os autovalores e bases para os auto-espacos correspondentes
da matriz
_
3 0
8 1
_
.
2. Determine os autovalores e bases para os auto-espacos correspondentes
da matriz
_
3 2
4 1
_
.
3. Considere a matriz A =
_
_
_
4 0 1
2 1 0
2 0 1
_
_
_
.
(a) Determine os autovalores e bases para os auto-espacos correspon-
dentes da matriz A.
(b) Determine as multiplicidades algebrica e geometrica de cada au-
tovalor.
4. Considere a matriz A =
_
_
_
2 1 1
1 0 1
1 1 2
_
_
_
.
(a) Determine os autovalores e bases para os auto-espacos correspon-
dentes da matriz A.
(b) Determine as multiplicidades algebrica e geometrica de cada au-
tovalor.
5. Determine os valores de a, b, c, d, e e f de modo que v
1
= (1, 1, 1),
v
2
= (1, 0, 1) e v
3
= (1, 1, 0) sejam autovetores da matriz
A =
_
_
_
1 1 1
a b c
d e f
_
_
_
e os autovalores associados.
CEDERJ
32
Calculo de Autovalores e Autovetores
M

ODULO 1 - AULA 4
Aula 4 Calculo de Autovalores e
Autovetores
Objetivos:
Obter autovalores a partir do polinomio caracterstico.
Observar que nem sempre a multiplicidade algebrica de um autova-
lor coincide com sua multiplicidade geometrica e que, geralmente, a
multiplicidade geometrica e menor ou igual `a multiplicidade algebrica.
Observar que existem matrizes que nao possuem autovalores nem au-
tovetores.
Pre-requisito: Aula 3; Teo-
rema 4 da aula 2.
No Exemplo 3 da aula 3 vimos o caso de autovalores com multiplici-
dade algebrica igual `a multiplicidade geometrica, isto e, o n umero de vezes
que o autovalor comparece como raiz do polinomio caracterstico e igual `a
dimensao do auto-espaco correspondente. Conseq uentemente, como a multi-
plicidade algebrica e a multiplicidade geometrica eram iguais a 2, pudemos
obter, em cada um dos dois casos, dois autovetores linearmente independen-
tes, formando uma base do auto-espaco correspondente. Infelizmente, isso
nem sempre e possvel, como mostra o proximo exemplo.
Exemplo 1
Determine os autovalores e os autovetores da matriz
A =
_
_
_
_
_
5 2 1 2
0 3 6 3
0 0 5 5
0 0 0 0
_
_
_
_
_
.
Verique a relac ao entre a multiplicidade algebrica e a multiplicidade
geometrica para cada autovalor.
33
CEDERJ
Calculo de Autovalores e Autovetores
Solucao:
Como a matriz e triangular, vimos que seus autovalores sao exatamente
os elementos da diagonal principal ou, analogamente, observe que o polinomio
caracterstico de A e
p(x) = det(xI
4
A) =

x 5 2 1 2
0 x 3 6 3
0 0 x 5 5
0 0 0 x

,
ou seja,
p(x) = x(x 3)(x 5)
2
.
Portanto, os autovalores da matriz A sao 0, 3, 5 e 5. Os autovalores
0 e 3 tem multiplicidade algebrica 1 enquanto o autovalor 5 aparece com
multiplicidade algebrica 2. Vamos, agora, calcular os autovetores associados
em cada caso.
Para o autovalor = 0, temos que os autovetores associados
v = (x, y, z, t) satisfazem o sistema linear
(0I
4
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
_
_
_
_
1 0 0 1/5
0 1 0 1
0 0 1 1
0 0 0 0
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
.
Assim, os autovetores associados ao autovalor = 0 sao da forma
v =
_
t
5
, t, t, t
_
, com t R.
Logo, o auto-espaco associado a = 0 tem dimensao 1, sendo ge-
rado pelo autovetor v
1
=
_
1
5
, 1, 1, 1
_
. Ou seja, a multiplicidade geometrica
tambem e igual a 1.
Analogamente, os autovetores associados ao autovalor = 3 satisfazem
o sistema homogeneo
(3I
4
A)v = 0,
CEDERJ
34
Calculo de Autovalores e Autovetores
M

ODULO 1 - AULA 4
que e equivalente ao sistema linear homogeneo
_
_
_
_
_
1 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
,
cujas soluc oes sao da forma
v = (x, x, 0, 0), com x R.
Portanto, o auto-espaco associado ao autovalor = 3 tem dimensao 1
e e gerado pelo autovetor v
2
= (1, 1, 0, 0). Aqui, tambem, a multiplicidade
geometrica e igual a 1, coincidindo com o valor da multiplicidade algebrica.
Finalmente, resolvendo o sistema linear homogeneo
(5I
4
A)v = 0,
obtemos os autovetores associados ao autovalor = 5.

E facil ver que este
sistema e equivalente a
_
_
_
_
_
0 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
,
de onde obtemos soluc oes da forma
v = (x, 0, 0, 0), com x R.
Assim, o auto-espaco associado ao autovalor = 5 tem dimensao 1,
sendo gerado pelo autovetor v
3
= (1, 0, 0, 0). Portanto, embora o autovalor
= 5 tenha multiplicidade algebrica 2, sua multiplicidade geometrica e 1.
A multiplicidade geometrica de um autovalor e sempre menor ou
igual `a sua multiplicidade algebrica.
Observe que os autovetores v
1
, v
2
e v
3
, associados aos autovalores 0, 3
e 5, respectivamente, sao linearmente independentes, como arma o Teorema
4 da aula 2.
Vimos que para obtermos os autovalores de uma matriz A M
n
(R)
precisamos encontrar as razes do seu polinomio caracterstico. O problema
de encontrar razes de um polinomio de grau n nao e um problema facil.
35
CEDERJ
Calculo de Autovalores e Autovetores
Existem muitos metodos para se obter aproximac oes numericas das razes
reais de um polinomio, alguns deles mais ecientes do que outros.
Enunciaremos dois resultados gerais a respeito de razes reais de po-
linomios.
Teorema 1
Dado o polinomio p(x) = x
n
+a
n1
x
n1
+a
n2
x
n2
+. . . +a
1
x+a
0
, podemos
armar que:
1. A soma das razes de p(x) e igual a a
n1
e o seu produto e igual a
(1)
n
a
0
.
2. Se a
0
, a
1
, . . . , a
n1
Z, ent ao toda raiz racional do polinomio p(x) e
inteira. Mais ainda, se r e uma raiz inteira de p(x) entao r e divisor de
a
0
.
Assim, para encontrarmos as possveis razes racionais de um polinomio
monico p(x) com coecientes inteiros, e suciente procurar entre os divisores
inteiros do termo constante a
0
.

E claro que p(x) pode muito bem ter apenas
razes irracionais ou complexas. No entanto, como este e um primeiro curso
sobre autovalores, todos os polinomios caractersticos considerados terao ape-
nas coecientes inteiros e suas razes reais, quando existirem, serao inteiras.
Portanto, cada uma dessas razes sera um divisor do termo constante de p(x).
Exemplo 2
Determine os autovalores de uma matriz A, de ordem 3, cujo polinomio
caracterstico e p(x) = x
3
6x
2
+ 11x 6.
Solucao:
Sabemos que os autovalores de A sao as razes de p(x). Mas, pelo que
vimos, os candidatos a razes inteiras, ou mesmo racionais, de p(x) sao os
divisores do termo constante, que e -6, ou seja, sao 1, 2, 3 e 6. Agora, e
preciso testa-las para saber quais de fato sao razes. Como p(1) = 24 ,= 0,
entao -1 nao e raiz de p(x). Como p(1) = 0, temos que 1 e raiz de p(x) e,
portanto, o polinomio (x 1) divide p(x). Efetuando a divisao de p(x) por
(x 1), obtemos
p(x) = (x 1)(x
2
5x + 6).
CEDERJ
36
Calculo de Autovalores e Autovetores
M

ODULO 1 - AULA 4
As outras duas razes de p(x) sao as razes do polinomio quadratico
x
2
5x + 6, a saber, 2 e 3. Observe que sao mais dois divisores de -6. As-
sim, 1, 2 e 3 sao as razes de p(x) = x
3
6x
2
+ 11x 6 e, portanto, sao os
autovalores da matriz A.
Exemplo 3
Determine os autovalores e uma base de autovetores para cada auto-espaco
correspondente da matriz
A =
_
_
_
2 1 1
0 3 1
2 1 3
_
_
_
.
Verique, tambem, para cada autovalor, se a multiplicidade algebrica
e igual `a geometrica.
Solucao:
Primeiramente obtemos o polinomio caracterstico da matriz A:
p(x) = det(xI
3
A) =

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

= x
3
8x
2
+ 20x 16.
Os candidatos `a raiz inteira, ou mesmo racional, desse polinomio sao
os divisores de -16: 1, 2, 4, 8 e 16. Agora, para saber se algum
desses valores e raiz do polinomio caracterstico, e preciso testa-los. Como
p(1) = 45, entao -1 nao e raiz de p(x). Como p(1) = 3, entao 1
tambem nao e raiz. Agora, p(2) = 0, logo 2 e raiz do polinomio caracterstico.
Dividindo p(x) por (x 2), obtemos
p(x) = (x 2)(x
2
6x + 8)
= (x 2)(x 2)(x 4)
= (x 2)
2
(x 4) .
Portanto, os autovalores da matriz A sao 2, 2 e 4. O autovalor 4
tem multiplicidade algebrica 1, enquanto o autovalor 2 tem multiplicidade
algebrica 2. Vamos, agora, calcular os autovetores associados em cada caso.
Para o autovalor = 4, temos que os autovetores associados
v = (x, y, z) satisfazem o sistema linear
(4I
3
A)v = 0.
37
CEDERJ
Calculo de Autovalores e Autovetores
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
_
_
1 0 1
0 1 1
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
.
Assim, os autovetores associados ao autovalor = 4 sao da forma
v = (z, z, z), com z R

.
Logo, o auto-espaco associado a = 4 tem dimensao 1, sendo gerado
pelo autovetor v
1
= (1, 1, 1). Ou seja, a multiplicidade geometrica tambem
e igual a 1.
Analogamente, para o autovalor = 2, temos que os autovetores asso-
ciados v = (x, y, z) satisfazem o sistema linear
(2 I
3
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
_
_
1 0 1
0 1 1
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
.
Assim, os autovetores associados ao autovalor = 2 sao da forma
v = (z, z, z), com z R

.
Logo, o auto-espaco associado a = 2 tem dimensao 1, sendo gerado
pelo autovetor v
2
= (1, 1, 1). Portanto, a multiplicidade geometrica desse
autovalor e igual a 1, ou seja, menor que sua multiplicidade algebrica.
No entanto, observe que os autovetores v
1
e v
2
sao linearmente inde-
pendentes.
Exemplo 4
Determine os autovalores e uma base de autovetores para cada auto-espaco
correspondente da matriz
A =
_
_
_
1 2 1
2 3 1
2 2 2
_
_
_
.
Verique, tambem, se as multiplicidades algebricas e geometricas coin-
cidem.
CEDERJ
38
Calculo de Autovalores e Autovetores
M

ODULO 1 - AULA 4
Solucao:
Primeiramente obtemos o polinomio caracterstico da matriz A:
p(x) = det(xI
3
A) =

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

= x
3
+ 4x
2
+ 5x + 2.
Os candidatos `a raiz inteira, ou mesmo racional, desse polinomio sao
os divisores de 2: 1 e 2. Como os coecientes de p(x) sao todos positivos,
podemos descartar os candidatos positivos 1 e 2. Agora, e facil vericar que
p(1) = 0, ou seja, -1 e raiz de p(x). Dividindo p(x) por (x + 1), obtemos
p(x) = (x + 1)(x
2
+ 3x + 2)
= (x + 1)(x + 1)(x + 2)
= (x + 1)
2
(x + 2) .
Portanto, os autovalores da matriz A sao -1, -1 e -2. O autovalor -2
tem multiplicidade algebrica 1 enquanto o autovalor -1 tem multiplicidade
algebrica 2. Vamos, agora, calcular os autovetores associados em cada caso.
Para o autovalor = 2, temos que os autovetores associados
v = (x, y, z) satisfazem o sistema linear
(2I
3
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
_
_
1 0 1
0 1 1
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
.
Assim, os autovetores associados ao autovalor = 2 sao da forma
v = (z, z, z) com z R

.
Logo, o auto-espaco associado a = 2 tem dimensao 1, sendo gerado
pelo autovetor v
1
= (1, 1, 1). Ou seja, a multiplicidade geometrica tambem
e igual a 1.
Analogamente, para o autovalor = 1, temos que os autovetores
associados v = (x, y, z) satisfazem o sistema linear
(1 I
3
A)v = 0.
39
CEDERJ
Calculo de Autovalores e Autovetores
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
_
_
2 2 1
0 0 0
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
.
Assim, os autovetores associados ao autovalor = 1 sao da forma
v = (x, y, 2x + 2y) com x, y R.
Logo, o auto-espaco associado a = 1 tem dimensao 2, sendo gerado
pelos autovetores v
2
= (1, 0, 2) e v
3
= (0, 1, 2). Portanto, a multiplicidade
geometrica desse autovalor e igual a 2, ou seja, igual `a sua multiplicidade
algebrica.
Observe que os autovetores v
1
, v
2
e v
3
sao, mais uma vez, linearmente
independentes.
Tambem e interessante observar que uma matriz nao precisa ter nenhum
autovalor (real) e, conseq uentemente, nenhum autovetor. Veja o proximo
exemplo.
Exemplo 5
Verique que a matriz A =
_
0 1
1 0
_
nao possui autovalores.
Solucao:
O polinomio caracterstico dessa matriz e
p(x) = det(xI
2
A) =

x 1
1 x

= x
2
+ 1.
Como o polinomio p(x) = x
2
+1 nao possui razes reais (suas razes sao
i e -i), entao, pelo Teorema 1 da aula 3, segue que a matriz A nao possui
autovalores. Nao havendo autovalores, entao nao ha tambem autovetores.
Porem, se considerarmos o conjunto dos escalares como sendo os n umeros
complexos, ent ao esta matriz teria dois autovalores complexos, a saber, i e
-i. No entanto, nao trataremos de autovalores complexos neste curso intro-
dutorio.
CEDERJ
40
Calculo de Autovalores e Autovetores
M

ODULO 1 - AULA 4
Exerccios
1. Considere a matriz A =
_
1 1
0 1
_
.
(a) Determine os autovalores e bases para os auto-espacos correspon-
dentes da matriz A.
(b) Determine as multiplicidades algebrica e geometrica de cada au-
tovalor.
2. Considere a matriz A =
_
4 2
2 8
_
.
(a) Determine os autovalores e bases para os auto-espacos correspon-
dentes da matriz A.
(b) Determine as multiplicidades algebrica e geometrica de cada au-
tovalor.
3. Considere a matriz A =
_
_
_
5 6 6
1 4 2
3 6 4
_
_
_
.
(a) Determine os autovalores e bases para os auto-espacos correspon-
dentes da matriz A.
(b) Determine as multiplicidades algebrica e geometrica de cada au-
tovalor.
4. Considere a matriz A =
_
_
_
1 0 0
3 1 0
4 7 1
_
_
_
.
(a) Determine os autovalores e bases para os auto-espacos correspon-
dentes da matriz A.
(b) Determine as multiplicidades algebrica e geometrica de cada au-
tovalor.
5. Seja A uma matriz de ordem n. Prove que A e sua transposta A
t
tem
o mesmo polinomio caracterstico.
41
CEDERJ
Diagonalizacao de Matrizes
M

ODULO 1 - AULA 5
Aula 5 Diagonalizacao de Matrizes
Objetivos:
Compreender a conceituac ao de matrizes semelhantes.
Compreender a conceituac ao de matriz diagonalizavel.
Observar a relacao entre matriz diagonalizavel, autovalores e autoveto-
res.
Pre-requisitos: Matriz mu-
danca de base (de

Algebra li-
near I); teorema 4 da aula 2;
teorema 1 da aula 4.
Existe uma relacao entre matrizes que e muito importante no estudo
de operadores lineares e que, tambem, se torna importante no estudo de
autovalores. Trata-se da relacao de semelhanca de matrizes.
Denicao 1
Sejam A, B M
n
(R). As matrizes A e B sao semelhantes se existe uma
terceira matriz inversvel P M
n
(R) tal que B = P
1
AP ou A = P
1
BP.
Exemplo 1
Considere as matrizes A =
_
1 1
2 4
_
, P =
_
2 1
1 1
_
e B = P
1
AP.
Determine o polinomio caracterstico, os autovalores e os autovetores das
matrizes A e B.
Solucao:
Inicialmente, observe que A e B sao matrizes semelhantes. Para a
matriz A, temos
p
A
(x) = det(xI
2
A) =

x 1 1
2 x 4

= (x 1)(x 4) + 2
= x
2
5x + 6 = (x 2)(x 3) .
Portanto, a matriz A possui dois autovalores distintos: 2 e 3.
Para o autovalor = 2, temos que os autovetores associados v = (x, y)
satisfazem o sistema linear
(2I
2
A)v = 0.
43
CEDERJ
Diagonalizacao de Matrizes
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
1 1
0 0
_ _
x
y
_
=
_
0
0
_
.
Assim, os autovetores associados ao autovalor = 2 sao da forma
v = (x, x) com x R

.
Logo, o auto-espaco associado a = 2 tem dimensao 1, sendo gerado
pelo autovetor v
1
= (1, 1).
Para o autovalor = 3, temos que os autovetores associados v = (x, y)
satisfazem o sistema linear
(3I
2
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
2 1
0 0
_ _
x
y
_
=
_
0
0
_
.
Assim, os autovetores associados ao autovalor = 3 sao da forma
v = (x, 2x) com x R

.
Logo, o auto-espaco associado a = 3 tem dimensao 1, sendo gerado
pelo autovetor v
2
= (1, 2).
Quanto `a matriz B, temos
B =
_
1 1
1 2
_ _
1 1
2 4
_ _
2 1
1 1
_
=
_
3 3
5 7
_ _
2 1
1 1
_
=
_
3 0
3 2
_
Sendo B uma matriz triangular superior, seus autovalores sao os ele-
mentos da diagonal principal, a saber, 2 e 3. Seu polinomio caracterstico e
dado por
p
B
(x) = det(xI
2
B) =

x 3 0
3 x 2

= (x 3)(x 2)
= x
2
5x + 6 .
CEDERJ
44
Diagonalizacao de Matrizes
M

ODULO 1 - AULA 5
Para o autovalor = 2, temos que os autovetores associados v = (x, y)
satisfazem o sistema linear
(2I
2
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
1 0
0 0
_ _
x
y
_
=
_
0
0
_
.
Assim, os autovetores associados ao autovalor = 2 sao da forma
v = (x, 0) com x R

.
Logo, o auto-espaco associado a = 2 tem dimensao 1, sendo gerado
pelo autovetor v
1
= (1, 0).
Para o autovalor = 3, temos que os autovetores associados v = (x, y)
satisfazem o sistema linear
(3I
2
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
3 1
0 0
_ _
x
y
_
=
_
0
0
_
.
Assim, os autovetores associados ao autovalor = 3 sao da forma
v = (x, 3x) com x R

.
Logo, o auto-espaco associado a = 3 tem dimensao 1, sendo gerado
pelo autovetor v
2
= (1, 3).
Observe que as duas matrizes, A e B, tem os mesmos autovalores e o
mesmo polinomio caracterstico. Isto e uma propriedade geral de matrizes
semelhantes. No entanto, os auto-espacos nao precisam coincidir, como este
exemplo mostra.
45
CEDERJ
Diagonalizacao de Matrizes
Teorema 1
Sejam A e B matrizes semelhantes. Entao A e B tem o mesmo polinomio
caracterstico e, conseq uentemente, os mesmos autovalores.
Demonstracao:
Sendo A e B matrizes semelhantes, existe uma matriz inversvel P tal
que B = P
1
AP. Assim,
p
B
(x) = det(xI B)
= det(xP
1
IP P
1
AP)
= det(P
1
(xI A)P)
= det(P
1
) det(xI A) det(P)
= det(xI A)
= p
A
(x) .
Sendo os polinomios caractersticos iguais e como os autovalores sao as
razes desse polinomio, segue que A e B tem os mesmos autovalores.
Vejamos, agora, o conceito de diagonalizac ao de matrizes.
Denicao 2
Uma matriz A M
n
(R) e dita diagonalizavel se for semelhante a uma
matriz diagonal. Nesse caso, tambem dizemos que a matriz A pode ser dia-
gonalizada.
Exemplo 2
Mostre que a matriz A =
_
1 1
2 4
_
do Exemplo 1 e diagonalizavel.
Solucao:
Vimos que a matriz A =
_
1 1
2 4
_
tem como autovetores v
1
= (1, 1),
associado ao autovalor = 2, e v
2
= (1, 2), associado ao autovalor = 3.
Como os vetores v
1
e v
2
sao linearmente independentes, veja o Teorema 4
da aula 2, eles formam uma base de autovetores do R
2
. Considere a base
canonica, e
1
= (1, 0) e e
2
= (0, 1), e observe que
v
1
= (1, 1) = 1 e
1
+ 1 e
2
v
2
= (1, 2) = 1 e
1
+ 2 e
2
,
CEDERJ
46
Diagonalizacao de Matrizes
M

ODULO 1 - AULA 5
ou seja, a matriz
P =
_
1 1
1 2
_
,
cujas colunas sao formadas pelas componentes de v
1
e v
2
, e a matriz mudanca
de base da base de autovetores v
1
, v
2
para a base canonica e
1
, e
2
.

E hora de rever a matriz mu-
danca de base, do curso de

Algebra Linear I.
Agora, temos que a matriz
D = P
1
AP =
_
2 1
1 1
_ _
1 1
2 4
_ _
1 1
1 2
_
=
_
4 2
3 3
_ _
1 1
1 2
_
=
_
2 0
0 3
_
e uma matriz diagonal semelhante `a matriz A, isto e, a matriz A e diagona-
lizavel. Veja que a matriz diagonal D obtida tem os autovalores da matriz
A em sua diagonal principal.
Observe que tambem podemos expressar a matriz A em func ao da ma-
triz diagonal D. Multiplicando a equac ao D = P
1
AP por P
1
do lado
direito, obtemos
DP
1
= P
1
A(PP
1
) = P
1
AI = P
1
A,
e multiplicando DP
1
= P
1
A por P `a esquerda, obtemos
(PP
1
)A = PDP
1
IA = PDP
1
A = PDP
1
.
Uma das vantagens de termos uma matriz A semelhante a uma matriz
diagonal D e que as potencias de A se tornam mais faceis de serem calculadas.
De fato, da equac ao A = PDP
1
obtida anteriormente, temos
A
2
= (PDP
1
)
2
= (PDP
1
)(PDP
1
)
= PD(P
1
P)DP
1
= PD
2
P
1
,
A
3
= A
2
A
= (PD
2
P
1
)(PDP
1
)
= PD
2
(P
1
P)DP
1
= PD
3
P
1
.
47
CEDERJ
Diagonalizacao de Matrizes
De um modo geral, temos A
k
= PD
k
P
1
para qualquer inteiro positivo
k. E sendo a matriz diagonal D dada por
D =
_
_
_
_
_
_

1
0 . . . 0
0
2
. . . 0
.
.
.
0 0 . . .
n
_
_
_
_
_
_
,
temos que
D
k
=
_
_
_
_
_
_

k
1
0 . . . 0
0
k
2
. . . 0
.
.
.
0 0 . . .
k
n
_
_
_
_
_
_
.
O teorema a seguir fornece condicoes sucientes para que uma matriz
A seja diagonalizavel.
Teorema 2
Se uma matriz A M
n
(R) tem n autovalores distintos, entao ela e diagona-
lizavel.
No Teorema 2, a matriz diagonal D, semelhante a A, e formada pelos
autovalores de A em sua diagonal principal,
D =
_
_
_
_
_
_

1
0 . . . 0
0
2
. . . 0
.
.
.
0 0 . . .
n
_
_
_
_
_
_
,
sendo cada autovalor
k
associado ao k-esimo vetor v
k
da base de autovetores
v
1
, . . . , v
n
. A matriz P, em D = P
1
AP ou A = PAP
1
, e a matriz
que realiza a mudanca de base da base de autovetores v
1
, . . . , v
n
para a
base canonica do R
n
, e cujas colunas sao formadas pelas componentes dos
autovetores, ou seja, a k-esima coluna de P e formada pelas componentes do
k-esimo autovetor v
k
dessa base. Denotamos essa relacao entre a matriz P
e os vetores v
1
, . . . , v
n
por
P = [ v
1
v
2
. . . v
n
].

E muito importante observar que a ordem dos vetores da base de auto-


vetores v
1
, . . . , v
n
determina a ordem das colunas da matriz P e a ordem
dos elementos da diagonal da matriz D.
CEDERJ
48
Diagonalizacao de Matrizes
M

ODULO 1 - AULA 5
Exemplo 3
Mostre que a matriz
A =
_
_
_
2 1 0
9 4 6
8 0 3
_
_
_
e diagonalizavel. Determine uma matriz diagonal D e uma matriz P tais que
D = P
1
AP.
Solucao:
Vamos vericar se a matriz A tem tres autovalores distintos, o que
garante, pelo Teorema 2, que Ae diagonalizavel. Seu polinomio caracterstico
e dado por
p(x) = det(xI
3
A) =

x 2 1 0
9 x 4 6
8 0 x + 3

= x
3
3x
2
x 3.
Pelo Teorema 1 da aula 4, os candidatos a razes racionais de p(x) sao
os divisores de -3: 1 e 3. Vericamos rapidamente que p(1) = p(1) =
p(3) = 0, isto e,
p(x) = (x + 1)(x 1)(x 3),
ou seja, os autovalores da matriz A sao 1, 1 e 3. Portanto, pelo teorema
anterior, a matriz A e diagonalizavel e semelhante `a matriz diagonal
D =
_
_
_
1 0 0
0 1 0
0 0 3
_
_
_
.
Para obter uma matriz P tal que D = P
1
AP, precisamos encontrar
uma base de autovetores. Para o autovalor
1
= 1, temos que os autovetores
associados v = (x, y, z) satisfazem o sistema linear
(1 I
3
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
_
_
3 1 0
4 0 1
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
,
49
CEDERJ
Diagonalizacao de Matrizes
cujas soluc oes sao da forma
v = (x, 3x, 4x), com x R.
Logo, um autovetor associado ao autovalor
1
= 1 e v
1
= (1, 3, 4).
Para o autovalor
2
= 1, temos que os autovetores associados
v = (x, y, z) satisfazem o sistema linear
(1 I
3
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
_
_
1 1 0
2 0 1
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
,
cujas soluc oes sao da forma
v = (x, x, 2x), com x R.
Portanto, um autovetor associado ao autovalor
2
= 1 e v
2
= (1, 1, 2).
Finalmente, para o autovalor
3
= 3, os autovetores associados
v
3
= (x, y, z) satisfazem o sistema linear
(3 I
3
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
_
_
1 1 0
4 0 3
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
,
cujas soluc oes sao da forma
v = (x, x, 4x/3), com x R.
Logo, um autovetor associado ao autovalor
3
= 3 e v
3
= (3, 3, 4).
Como foi observado antes deste exemplo, a matriz P e obtida posicio-
nando em suas colunas os autovetores v
1
= (1, 3, 4), v
2
= (1, 1, 2) e v
3
=
(3, 3, 4):
P =
_
_
_
1 1 3
3 1 3
4 2 4
_
_
_
.
CEDERJ
50
Diagonalizacao de Matrizes
M

ODULO 1 - AULA 5
Exerccios
1. Considere a matriz A =
_
1 0
6 1
_
.
(a) Mostre que a matriz A e diagonalizavel e determine a matriz dia-
gonal D correspondente.
(b) Determine uma matriz P tal que D = P
1
AP.
2. Considere a matriz A =
_
5 4
1 2
_
.
(a) Mostre que a matriz A e diagonalizavel e determine a matriz dia-
gonal D correspondente.
(b) Determine uma matriz P tal que D = P
1
AP.
3. Considere a matriz A =
_
_
_
2 1 1
2 2 4
1 1 2
_
_
_
.
(a) Mostre que a matriz A e diagonalizavel e determine a matriz dia-
gonal D correspondente.
(b) Determine uma matriz P tal que D = P
1
AP.
4. Mostre que se A e B sao matrizes semelhantes, ent ao det(A) = det(B).
51
CEDERJ
Calculo de Matrizes Diagonalizaveis
M

ODULO 1 - AULA 6
Aula 6 Calculo de Matrizes Diagonalizaveis
Objetivos:
Apresentar um criterio geral de diagonalizacao de matrizes.
Observar a existencia de matrizes diagonalizaveis com autovalores re-
petidos.
Observar a existencia de matrizes nao diagonalizaveis com autovalores
reais.
Nos exemplos da aula 5, tratamos de matrizes diagonalizaveis A
M
n
(R) que apresentavam n autovalores distintos. Nesta aula, vamos consi-
derar matrizes A M
n
(R) com autovalores repetidos. No caso de a matriz
A apresentar n autovetores linearmente independentes, ent ao a matriz con-
tinuara sendo diagonalizavel. Caso contr ario, a matriz A nao sera diagona-
lizavel.

E o que arma o proximo teorema.
Teorema 1
Uma matriz A M
n
(R) e diagonalizavel se e somente se a matriz A tem n
autovetores linearmente independentes.
Neste teorema, a matriz diagonal D, semelhante a A, e formada pelos
autovalores de A em sua diagonal principal,
D =
_
_
_
_
_
_

1
0 . . . 0
0
2
. . . 0
.
.
.
0 0 . . .
n
_
_
_
_
_
_
,
sendo cada autovalor
k
associado ao k-esimo vetor v
k
da base de autovetores
v
1
, . . . , v
n
. A matriz P, em D = P
1
AP ou A = PDP
1
, e a matriz que
realiza a mudanca de base, da base de autovetores v
1
, . . . , v
n
para a base
canonica do R
n
, e cujas colunas sao formadas pelos autovetores v
1
, . . . , v
n
,
ou seja, a k-esima coluna de P e formada pelas componentes do k-esimo
autovetor v
k
dessa base. Denotamos essa relac ao entre a matriz P e os
vetores v
1
, . . . , v
n
por
P = [ v
1
v
2
. . . v
n
]

E muito importante observar que a ordem dos vetores da base de auto-


vetores v
1
, . . . , v
n
determina a ordem das colunas da matriz P e a ordem
dos elementos da diagonal da matriz D.
53
CEDERJ
Calculo de Matrizes Diagonalizaveis
Observe, no Teorema 1, que a existencia dos n autovetores linearmente
independentes e equivalente `a existencia de uma base de autovetores para o
R
n
. Observe, tambem, que o Teorema 1 arma que, caso a matriz A nao
admita uma base de autovetores, ou seja, nao possua n autovetores linear-
mente independentes, ent ao a matriz A nao sera diagonalizavel.
Exemplo 1
Verique que a matriz
A =
_
_
_
0 1 0
0 1 0
1 1 1
_
_
_
e diagonalizavel. Determine uma matriz diagonal D e uma matriz P tais que
D = P
1
AP.
Solucao:
Primeiramente, devemos calcular o polinomio caracterstico de A. Esse
polinomio caracterstico e dado por
p(x) = det(xI
3
A) =

x 1 0
0 x 1 0
1 1 x 1

= (x 1)

x 1
0 x 1

= x(x 1)
2
,
ou seja, o polinomio caracterstico da matriz A e
p(x) = x(x 1)
2
,
e, portanto, seus autovalores sao 0 e 1, o primeiro com multiplicidade algebrica
1 e o segundo com multiplicidade algebrica 2. Contando as multiplicidades,
seus tres autovalores sao
1
= 0 e
2
=
3
= 1.
Para concluir que a matriz A e diagonalizavel, precisamos vericar se
existem tres autovetores linearmente independentes, ou seja, se existe uma
base de autovetores para R
3
.
Para o autovalor
1
= 0, nao e difcil ver que o sistema linear
(0 I
3
A)v = 0, (35)
CEDERJ
54
Calculo de Matrizes Diagonalizaveis
M

ODULO 1 - AULA 6
com v = (x, y, z) e equivalente ao sistema linear
_
y = 0
x z = 0 .
Assim, todas as soluc oes do sistema (35) sao da forma
(x, 0, x) = x (1, 0, 1), com x R.
Portanto, v
1
= (1, 0, 1) e um autovetor associado ao autovalor
1
= 0.
Em particular, a multiplicidade geometrica desse autovalor e igual a 1, ou
seja, igual `a sua multiplicidade algebrica.
Analogamente, para o autovalor
2
=
3
= 1, o sistema linear
(1 I
3
A)v = 0 (36)
e equivalente ao sistema
x y = 0
Assim, todas as soluc oes do sistema (36) sao da forma
(x, x, z) = x (1, 1, 0) + z (0, 0, 1), para todo x, z R.
Portanto, v
2
= (1, 1, 0) e v
3
= (0, 0, 1) sao dois autovetores linearmente
independentes associados ao autovalor
2
=
3
= 1. Aqui, tambem, a mul-
tiplicidade geometrica do autovalor 1 e igual `a sua multiplicidade algebrica,
ou seja, igual a 2.
Pelo Teorema 4 da aula 2, autovetores associados a autovalores dis-
tintos sao linearmente independentes. Da, conclumos que o conjunto de
autovetores v
1
, v
2
, v
3
tem que ser linearmente independente, garantindo
que a matriz A e, de fato, diagonalizavel. Observe que v
1
, v
2
, v
3
e uma
base do R
3
formada por autovetores da matriz A.
A matriz diagonal D, semelhante a A, e dada por
D =
_
_
_
0 0 0
0 1 0
0 0 1
_
_
_
,
enquanto a matriz P tal que D = P
1
AP e dada por
P =
_
_
_
1 1 0
0 1 0
1 0 1
_
_
_
.
55
CEDERJ
Calculo de Matrizes Diagonalizaveis
Observe que os elementos da diagonal principal de D sao os autovalores
da matriz A e que as colunas de P sao os autovetores associados v
1
, v
2
e
v
3
. Observe, tambem, que a ordem em que autovalores e autovetores apa-
recem esta correta: a primeira coluna de P e o autovetor correspondente ao
autovalor
1
= 0, enquanto as duas ultimas colunas de P sao os autovetores
correspondentes ao autovalor
2
=
3
= 1.
Vejamos, agora, um exemplo de matriz nao diagonalizavel.
Exemplo 2
Verique que a matriz
A =
_
_
_
0 0 1
0 1 1
0 0 1
_
_
_
nao e diagonalizavel.
Solucao:
Como a matriz A e matriz triangular superior, seus autovalores sao os
elementos da diagonal principal, ou seja, 0, 1 e 1. Para o autovalor
1
= 0,
temos que os autovetores associados v = (x, y, z) satisfazem o sistema linear
(0 I
3
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
_
_
0 1 0
0 0 1
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
,
portanto, os autovetores associados ao autovalor
1
= 0 sao da forma
v = (x, 0, 0), com x R

.
Logo, um autovetor associado ao autovalor
1
= 0 e v
1
= (1, 0, 0). Observe
que a multiplicidade geometrica do autovalor
1
= 0 e igual `a sua multipli-
cidade algebrica, que e igual a 1.
No caso do autovalor
2
= 1, temos que os autovetores associados
v = (x, y, z) satisfazem o sistema linear
(1 I
3
A)v = 0.
CEDERJ
56
Calculo de Matrizes Diagonalizaveis
M

ODULO 1 - AULA 6
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
_
_
1 0 0
0 0 1
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
,
portanto, os autovetores associados ao autovalor
2
= 1 sao da forma
v = (0, y, 0), com y R

.
Em particular, v
2
= (0, 1, 0) e um autovetor associado ao autovalor

2
= 1. Observe, tambem, que a multiplicidade geometrica do autovalor

2
= 1 e igual a 1, enquanto sua multiplicidade algebrica e igual a 2.
Como a multiplicidade geometrica do autovalor
2
= 1 e igual a 1,
nao existem dois autovetores linearmente independentes associados a esse
autovalor. Podemos obter, no maximo, dois autovetores da matriz A que
sao linearmente independentes: um associado ao autovalor
1
= 0 e outro
associado ao autovalor
2
= 1, por exemplo, os autovetores v
1
= (1, 0, 0)
e v
2
= (0, 1, 0), respectivamente. Logo, nao e possvel formar uma base de
autovetores para R
3
. Portanto, pelo Teorema 1, a matriz A nao e diagona-
lizavel.
Vejamos mais um exemplo do caso de matriz diagonalizavel.
Exemplo 3
Verique que a matriz
A =
_
_
_
_
_
4 1 0 0
2 3 0 0
1 1 2 3
1 1 0 5
_
_
_
_
_
e diagonalizavel. Determine uma matriz diagonal D e uma matriz P tais que
D = P
1
AP.
57
CEDERJ
Calculo de Matrizes Diagonalizaveis
Solucao:
Primeiramente, devemos calcular o polinomio caracterstico de A. Este
polinomio caracterstico e dado por
p(x) = det(xI
4
A) =

x 4 1 0 0
2 x 3 0 0
1 1 x 2 3
1 1 0 x 5

.
Resolvendo o determinante acima, temos
p(x) = (x 2)

x 4 1 0
2 x 3 0
1 1 x 5

= (x 2)(x 5)

x 4 1
2 x 3

= (x 2)(x 5)[(x 4)(x 3) 2]


= (x 2)(x 5)(x
2
7x + 10)
= (x 2)(x 5)(x 2)(x 5) .
Assim, o polinomio caracterstico da matriz A e
p(x) = (x 2)
2
(x 5)
2
,
e, portanto, seus autovalores sao 2 e 5, ambos com multiplicidade algebrica
2. Contando as multiplicidades, seus quatro autovalores sao
1
=
2
= 2 e

3
=
4
= 5.
Para concluir que a matriz A e diagonalizavel, precisamos vericar se
existem quatro autovetores linearmente independentes, ou seja, se existe uma
base de autovetores para R
4
.
Para o autovalor
1
=
2
= 2, temos que os autovetores associados
v = (x, y, z, t) satisfazem o sistema linear
(2I
4
A)v = 0, (37)
que e equivalente ao sistema
_
x + t = 0
y 2t = 0 .
CEDERJ
58
Calculo de Matrizes Diagonalizaveis
M

ODULO 1 - AULA 6
Assim, todas as soluc oes do sistema (37) sao da forma
(t, 2t, z, t) = t (1, 2, 0, 1) + z (0, 0, 1, 0), para todot, z R.
Portanto, v
1
= (1, 2, 0, 1) e v
2
= (0, 0, 1, 0) sao dois autovetores linear-
mente independentes associados ao autovalor
1
=
2
= 2. Em particular,
a multiplicidade geometrica desse autovalor e igual a 2, ou seja, igual `a sua
multiplicidade algebrica.
Analogamente, para o autovalor
3
=
4
= 5, os autovetores associados
v = (x, y, z, t) satisfazem o sistema linear
(5I
4
A)v = 0, (38)
que e equivalente ao sistema
_
x y = 0
z + t = 0 .
Assim, todas as soluc oes do sistema (38) sao da forma
(x, x, z, z) = x (1, 1, 0, 0) + z (0, 0, 1, 1), para todo x, z R.
Portanto, v
3
= (1, 1, 0, 0) e v
4
= (0, 0, 1, 1) sao dois autovetores linear-
mente independentes associados ao autovalor
3
=
4
= 5. Aqui, tambem, a
multiplicidade geometrica do autovalor 5 e igual a 2, novamente coincidindo
com o valor de sua multiplicidade algebrica.
Pelo Teorema 4 da aula 2, autovetores associados a autovalores distintos
sao linearmente independentes. Da, conclumos que o conjunto de autoveto-
res v
1
, v
2
, v
3
, v
4
tem que ser linearmente independente, garantindo que a
matriz A e, de fato, diagonalizavel. Observe que v
1
, v
2
, v
3
, v
4
e uma base
de R
4
formada por autovetores da matriz A.
A matriz diagonal D, semelhante a A, e dada por
D =
_
_
_
_
_
2 0 0 0
0 2 0 0
0 0 5 0
0 0 0 5
_
_
_
_
_
,
enquanto a matriz P tal que D = P
1
AP e dada por
P =
_
_
_
_
_
1 0 1 0
2 0 1 0
0 1 0 1
1 0 0 1
_
_
_
_
_
.
59
CEDERJ
Calculo de Matrizes Diagonalizaveis
Observe que os elementos da diagonal principal de D sao os autovalores
da matriz A e que as colunas de P sao os autovetores associados v
1
, v
2
, v
3
e v
4
. Observe, tambem, que a ordem em que autovalores e autovetores
aparecem esta correta: as primeiras duas colunas de P sao os autovetores
correspondentes ao autovalor
1
=
2
= 2, enquanto as duas ultimas colunas
de P sao os autovetores correspondentes ao autovalor
3
=
4
= 5.
Exerccios
1. Considere a matriz A =
_
_
_
2 1 1
1 0 1
1 1 2
_
_
_
.
(a) Determine se a matriz A e diagonalizavel e, caso seja, determine
uma matriz diagonal D semelhante a A.
(b) Determine uma matriz P tal que D = P
1
AP.
2. Considere a matriz A =
_
_
_
_
_
1 2 0 0
2 1 0 0
0 0 1 2
0 0 2 1
_
_
_
_
_
.
(a) Determine se a matriz A e diagonalizavel e, caso seja, determine
uma matriz diagonal D semelhante a A.
(b) Determine uma matriz P tal que D = P
1
AP.
3. Considere a matriz A =
_
_
_
4 0 0
1 4 0
0 0 5
_
_
_
. Determine se a matriz A e dia-
gonalizavel e, caso seja, determine uma matriz diagonal D semelhante
a A.
CEDERJ
60
Processo de Diagonalizacao de Matrizes
M

ODULO 1 - AULA 7
Aula 7 Processo de Diagonalizacao de
Matrizes
Objetivos:
Descrever o processo de diagonalizac ao de uma matriz atraves de um
procedimento formal.
Aplicar o procedimento de diagonalizac ao de matrizes apresentado.
Pre-requisitos: Determinan-
tes de matriz (

Algebra linear
I); teorema 1 da aula 6; teo-
rema 1 da aula 4; teorema 4
da aula 2.
Durante as aulas 5 e 6, desenvolvemos um processo de diagonalizac ao
de matrizes que queremos, agora, formalizar. As condic oes exigidas devem
satisfazer as condicoes do Teorema 1 da aula 6, ou seja, consideremos uma
matriz A M
n
(R) com n autovetores linearmente independentes. Ent ao,
sabemos que a matriz A e diagonalizavel.
O processo de diagonalizar uma matriz A consiste em encontrar uma
matriz diagonalizada D, semelhante a A, D = P
1
AP, e a matriz diagonali-
zante P. Descrevemos esse processo nos quatro passos seguintes.
Passo 1: Determinar os autovalores da matriz A.
Verique se a matriz A e uma matriz triangular. Caso seja, entao seus
autovalores ja sao os elementos de sua diagonal principal.
Se a matriz A nao e triangular, entao precisamos calcular seu polinomio
caracterstico, que e dado por
p(x) = det(xI
n
A),
onde I
n
e a matriz identidade de ordem n. Para o calculo do polinomio
caracterstico, e preciso lembrar do processo de calculo de determinante de
matriz visto no curso de

Algebra Linear I.
Como ja sabemos, os autovalores de A sao exatamente as razes do
polinomio caracterstico, ou seja, as solucoes da equacao
p(x) = det(xI
n
A) = 0.
61
CEDERJ
Processo de Diagonalizacao de Matrizes
Como ja foi observado anteriormente, o calculo das razes de um po-
linomio e muito difcil se o grau do polinomio for maior que dois.

E preciso
salientar que esse metodo de obter os autovalores de uma matriz, por meio
das razes do seu polinomio caracterstico, nao e muito pratico devido `a ne-
cessidade de se calcular um determinante e devido `a diculdade de obter as
razes de um polinomio de grau n > 2. No entanto, no decorrer deste curso,
todos os polinomios caractersticos encontrados terao coecientes inteiros e,
na maioria das vezes, suas razes serao racionais ou mesmo inteiras. Em par-
ticular, poderemos aplicar o Teorema 1 da aula 4 para ajudar a encontrar as
razes do polinomio caracterstico.
Sejam
1
,
2
, . . . ,
n
os n autovalores da matriz A, ou seja, as n razes do
polinomio caracterstico. Cada autovalor comparece nesta relacao tantas
vezes quanto for sua multiplicidade algebrica, isto e, o n umero maximo de
vezes que o fator (x ) aparece na fatorac ao do polinomio caracterstico
p(x).
Passo 2: Determinar uma base de autovetores da matriz A.
Para cada autovalor
k
, de multiplicidade n
k
, n
k
n, devemos obter
uma base de autovetores para seu auto-espaco E(
k
) que, como ja foi visto,
coincide com o espaco-solucao do sistema linear homogeneo
(
k
I
n
A)v = 0.
Devemos, assim, obter n
k
autovetores linearmente independentes asso-
ciados ao autovalor
k
. Observe que a dimensao deste subespaco deve ser
igual a n
k
, isto e, a multiplicidade geometrica do autovalor
k
deve ser igual
`a sua multiplicidade algebrica. Lembre que, se nao existirem n
k
autovetores
linearmente independentes associados ao autovalor
k
, entao a matriz A nao
e diagonalizavel.
Procedendo dessa forma, obtemos uma base de autovetores v
1
, . . . , v
n

para o R
n
, onde cada autovetor v
k
esta associado ao autovalor
k
.
Passo 3: Montar a matriz diagonalizada D.
CEDERJ
62
Processo de Diagonalizacao de Matrizes
M

ODULO 1 - AULA 7
A matriz D e uma matriz diagonal e sua diagonal principal consiste
exatamente dos autovalores
1
,
2
, . . . ,
n
da matriz A,
D =
_
_
_
_
_
_

1
0 . . . 0
0
2
. . . 0
.
.
.
0 0 . . .
n
_
_
_
_
_
_
.
Passo 4: Montar a matriz diagonalizante P.
A matriz P, que satisfaz D = P
1
AP, e a matriz que realiza a mudanca
de base da base de autovetores v
1
, . . . , v
n
para a base canonica de R
n
, e
cujas colunas sao formadas pelas componentes dos autovetores v
1
, . . . , v
n
,
ou seja, a k-esima coluna de P e formada pelas componentes do k-esimo
autovetor v
k
dessa base. Denotamos essa relac ao entre a matriz P e os
vetores v
1
, . . . , v
n
por
P = [ v
1
v
2
. . . v
n
].

E muito importante observar que a ordem dos vetores da base de auto-


vetores v
1
, . . . , v
n
determina a ordem das colunas da matriz P e a ordem
dos elementos
1
,
2
, . . . ,
n
da diagonal principal da matriz D.
Exemplo 1
Verique que a matriz
A =
_
_
_
1 3 3
3 5 3
3 3 1
_
_
_
e diagonalizavel. Determine uma matriz diagonalizada D e uma matriz P
tais que D = P
1
AP.
Solucao:
Vamos detalhar cada um dos passos sugeridos anteriormente.
Passo 1: Determinar os autovalores da matriz A.
Como a matriz A nao e matriz triangular, devemos calcular seu po-
linomio caracterstico para obter os autovalores de A. O polinomio carac-
63
CEDERJ
Processo de Diagonalizacao de Matrizes
terstico da matriz A e dado por
p(x) = det(xI
3
A) =

x 1 3 3
3 x + 5 3
3 3 x 1

,
cujo calculo nos leva a
p(x) = x
3
+ 3x 4.
Observe que, pelo Teorema 1 da aula 4, os candidatos a razes racionais
do polinomio p(x) sao os divisores de -4: 1, 2 e 4. Vericamos rapi-
damente que p(1) = 0, logo, o polinomio (x 1) divide p(x). Efetuando a
divisao polinomial, obtemos
p(x) = (x 1)(x
2
+ 4x + 4)
= (x 1)(x + 2)
2
.
Portanto, os autovalores da matriz A sao 1 e 2, o primeiro com multi-
plicidade algebrica 1 e o segundo com multiplicidade algebrica 2. Contando
as multiplicidades, seus tres autovalores sao
1
= 1 e
2
=
3
= 2.
Passo 2: Determinar uma base de autovetores da matriz A.
Para o autovalor
1
= 1, temos que os autovetores associados
v = (x, y, z) satisfazem o sistema linear
(1 I
3
A)v = 0,
ou seja, o sistema
_
_
_
0 3 3
3 6 3
3 3 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
.
Este sistema e equivalente ao sistema escalonado
_
_
_
1 1 0
0 1 1
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
,
ou seja, ao sistema
_
x + y = 0
y + z = 0 .
CEDERJ
64
Processo de Diagonalizacao de Matrizes
M

ODULO 1 - AULA 7
Todas as soluc oes desse sistema sao da forma
(x, x, x) = x (1, 1, 1), com x R.
Portanto, v
1
= (1, 1, 1) e um autovetor associado ao autovalor
1
= 1, logo,
uma base do auto-espaco correspondente. Em particular, a multiplicidade
geometrica desse autovalor e igual a 1, ou seja, igual `a sua multiplicidade
algebrica.
Analogamente, para o autovalor
2
=
3
= 2, os autovetores associa-
dos v = (x, y, z) satisfazem o sistema linear
(2 I
3
A)v = 0
ou seja, o sistema
_
_
_
3 3 3
3 3 3
3 3 3
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
.
Este sistema e equivalente ao sistema escalonado
_
_
_
1 1 1
0 0 0
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
,
ou seja, ao sistema
x + y +z = 0 .
Assim, todas as soluc oes desse sistema sao da forma
(x, y, x y) = x (1, 0, 1) + y (0, 1, 1), com x, y R.
Portanto, v
2
= (1, 0, 1) e v
3
= (0, 1, 1) sao dois autovetores linearmente
independentes associados ao autovalor
2
=
3
= 2, formando uma base do
auto-espaco correspondente. Assim, a multiplicidade geometrica do autovalor

2
=
3
= 2 e igual `a sua multiplicidade algebrica, ou seja, igual a 2.
Pelo Teorema 4 da aula 2, autovetores associados a autovalores dis-
tintos sao linearmente independentes. Da, conclumos que o conjunto de
autovetores v
1
, v
2
, v
3
tem que ser linearmente independente, garantindo
que a matriz A e, de fato, diagonalizavel. Observe que v
1
, v
2
, v
3
e uma
base do R
3
formada por autovetores da matriz A.
65
CEDERJ
Processo de Diagonalizacao de Matrizes
Passo 3: Montar a matriz diagonalizada D.
A matriz diagonal D, semelhante a A, e dada por
D =
_
_
_
1 0 0
0 2 0
0 0 2
_
_
_
.
Observe que os elementos da diagonal principal de D sao os autovalores
da matriz A.
Passo 4: Montar a matriz diagonalizante P.
A matriz P tal que D = P
1
AP e dada por
P =
_
_
_
1 1 0
1 0 1
1 1 1
_
_
_
.
Observe que as colunas de P sao os autovetores associados v
1
, v
2
e v
3
.
Observe, tambem, que a ordem em que autovalores e autovetores aparecem
esta correta: a primeira coluna de P e o autovetor correspondente ao au-
tovalor
1
= 1, enquanto as duas ultimas colunas de P sao os autovetores
correspondentes ao autovalor
2
=
3
= 2.
CEDERJ
66
Diagonalizacao de Operadores Lineares
M

ODULO 1 - AULA 8
Aula 8 Diagonalizacao de Operadores
Lineares
Objetivos:
Compreender os conceitos de autovalor e autovetor de um operador
linear.
Compreender o conceito de operador linear diagonalizavel.
Reconhecer quando um operador linear e diagonalizavel.
Pre-requisito: Aula 5
Vamos comecar lembrando alguns conceitos do curso de

Algebra Linear
I. Uma transformacao linear de R
n
em R
m
e uma func ao T : R
n
R
m
que
satisfaz
T(c
1
v
1
+ c
2
v
2
) = c
1
T(v
1
) + c
2
T(v
2
)
para todo v
1
, v
2
R
n
e todo c
1
, c
2
R.
Chamamos operador linear uma transformac ao linear de R
n
em R
n
,
T : R
n
R
n
. Observe que, neste caso, tanto o domnio quanto o contra-
dommio tem a mesma dimensao n. Lembre que, xando a base canonica de
R
n
, o operador linear T : R
n
R
n
ca representado pela matriz A = (a
ij
)
M
n
(R), chamada matriz canonica, atraves de multiplicacao de matrizes da
seguinte forma:
v Av,
_
_
_
_
_
_
v
1
v
2
.
.
.
v
n
_
_
_
_
_
_

_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
v
1
v
2
.
.
.
v
n
_
_
_
_
_
_
,
onde v = (v
1
, v
2
, . . . , v
n
) e o vetor v descrito na base canonica. Deno-
tando esta base por e
1
, e
2
, . . . , e
n
, entao as colunas da matriz A sao as
componentes dos vetores T(e
1
), T(e
2
), . . . , T(e
n
) na base canonica:
A = [ T(e
1
) T(e
2
) . . . T(e
n
) ].
Lembre que a base canonica
de R
n
e composta pelos ve-
tores e
1
, e
2
, . . . , e
n
onde cada
e
k
= (0, . . . , 0, 1, 0, . . . , 0)
tem como unica componente
nao-nula a k-esima compo-
nente com valor 1.
67
CEDERJ
Diagonalizacao de Operadores Lineares
Vamos trocar a base canonica de R
n
para uma outra base u
1
, u
2
, . . . , u
n
.
Seja P M
n
(R) a matriz que realiza a mudan ca da nova base u
1
, u
2
, . . . , u
n

para a base canonica e


1
, e
2
, . . . , e
n
. Lembre que a matriz P e obtida de
modo que suas colunas sao as componentes de u
1
, u
2
, . . . , u
n
com respeito `a
base canonica e
1
, e
2
, . . . , e
n
:
P = [ u
1
u
2
. . . u
n
].
Sabemos tambem que, com respeito `a nova base u
1
, u
2
, . . . , u
n
, o
operador linear T : R
n
R
n
ca representado pela matriz B M
n
(R)
atraves de multiplicacao de matrizes da seguinte forma:
v Bv,
_

_
v
1
v
2
.
.
.
v
n
_

_
b
11
b
12
b
1n
b
21
b
22
b
2n
.
.
.
.
.
.
.
.
.
.
.
.
b
n1
b
n2
b
nn
_

_
_

_
v
1
v
2
.
.
.
v
n
_

,
onde v = [v
1
, v
2
, . . . , v
n
]

e o vetor v descrito na nova base = u


1
, u
2
, u
n
.
Lembre tambem que as colunas da matriz B sao as componentes dos vetores
T(u
1
), T(u
2
), . . . , T(u
n
) com respeito `a base :
B = [ T(u
1
) T(u
2
) T(u
n
) ].
Por m, tambem sabemos que a relacao entre as matrizes A e B, que
representam o operador linear T : R
n
R
n
na base canonica e
1
, e
2
, . . . , e
n

e na nova base u
1
, u
2
, . . . , u
n
, e dada por:
B = P
1
AP,
ou seja, as matrizes A e B sao semelhantes.
Exemplo 1
Em R
2
, consideremos as seguintes bases:
= e
1
= (1, 0), e
2
= (0, 1) e = u
1
= (1, 2), u
2
= (2, 5),
e o operador linear T : R
2
R
2
dado por
T(x, y) = (2x 3y, 4x + y).
Determine as matrizes A e B, que representam o operador linear T,
com respeito `as bases e , respectivamente.
CEDERJ
68
Diagonalizacao de Operadores Lineares
M

ODULO 1 - AULA 8
Solucao:
Para obtermos a matriz A M
n
(R) que representa o operador linear
T na base canonica, calculamos:
T(e
1
) = T(1, 0) = (2, 4) = 2 e
1
+ 4 e
2
T(e
2
) = T(0, 1) = (3, 1) = 3 e
1
+ 1 e
2
;
portanto, a matriz A, tendo como colunas T(e
1
) e T(e
2
), e dada por
A =
_
2 3
4 1
_
.
As colunas da matriz P sao os vetores u
1
= (1, 2) e u
2
= (2, 5):
P =
_
1 2
2 5
_
.
Da, obtemos facilmente que
P
1
=
_
5 2
2 1
_
,
e, portanto, a matriz B, que representa o operador linear T na base , e
dada por
B = P
1
AP =
_
5 2
2 1
_ _
2 3
4 1
_ _
1 2
2 5
_
=
_
44 101
18 41
_
.
Lembre que, se a matriz
A =

a b
c d
!
e in-
versvel com determinante
det A = ad bc, ent ao sua
matriz inversa e dada por
A
1
=
1
det A

d b
c a
!
.
Temos o seguinte resultado geral.
Teorema 1
Duas matrizes A, B M
n
(R) denem o mesmo operador linear T : R
n
R
n
se e somente se A e B sao matrizes semelhantes, isto e, se e somente se existe
matriz inversvel P tal que B = P
1
AP.
Se A M
n
(R) e a matriz canonica do operador T : R
n
R
n
, isto e,
a matriz que representa este operador com respeito `a base canonica, entao,
pelo Teorema 1 da aula 5, toda matriz B, semelhante a A, tem o mesmo
polinomio caracterstico e os mesmos autovalores que A. E em vista do
Teorema 1 acima, como todas as matrizes B, semelhantes a A, representam
o mesmo operador linear T : R
n
R
n
, podemos considerar as seguintes
denicoes de polinomio caracterstico e autovalor do operador linear T:
69
CEDERJ
Diagonalizacao de Operadores Lineares
Denicoes
1. Um n umero real e chamado um autovalor do operador linear T :
R
n
R
n
se existe um vetor nao-nulo v R
n
tal que
T(v) = v. (39)
Todo vetor nao-nulo v que satisfaca (39) e chamado autovetor asso-
ciado(ou correspondente) ao autovalor . Os autovalores tambem sao
chamados valores proprios ou valores caractersticos, e os autovetores
sao chamados vetores proprios ou vetores caractersticos. Observe que,
se A M
n
(R) e a matriz que representa o operador T numa base
qualquer de R
n
, isso equivale a dizer que e autovalor da matriz A,
pois
T(v) = Av = v.
2. Chamamos auto-espaco do operador linear T, associado ao autovalor
, ao subespaco vetorial de R
n
gerado por todos os autovetores de T
associados a . Denotamos este auto-espaco por
E() = v R
n
[ T(v) = v.
3. O polinomio caracterstico do operador linear T : R
n
R
n
e o po-
linomio caracterstico de qualquer matriz A M
n
(R) que representa o
operador linear T com respeito a uma base qualquer de R
n
.
4. O operador linear T : R
n
R
n
e diagonalizavel se existe uma base
u
1
, u
2
, . . . , u
n
de R
n
com respeito `a qual o operador T e representado
por uma matriz diagonal D M
n
(R).
Temos agora os seguintes resultados, conseq uencias dos resultados analogos
vistos para o caso de matrizes.
Teorema 2
1. Sejam v
1
, v
2
, . . . , v
m
autovetores do operador linear T : R
n
R
n
asso-
ciados aos autovalores distintos
1
,
2
, . . . ,
m
, respectivamente, ent ao
os autovetores v
1
, v
2
, . . . , v
m
sao linearmente independentes.
2. O escalar e um autovalor do operador linear T : R
n
R
n
se e
somente se e uma raiz do polinomio caracterstico de T.
CEDERJ
70
Diagonalizacao de Operadores Lineares
M

ODULO 1 - AULA 8
3. O operador linear T : R
n
R
n
e diagonalizavel se e somente se existe
base u
1
, u
2
, . . . , u
n
de R
n
formada por autovetores de T. Nesse caso,
se a matriz diagonal
D =
_
_
_
_
_
_

1
0 . . . 0
0
2
. . . 0
.
.
.
0 0 . . .
n
_
_
_
_
_
_
representa o operador T com respeito `a base u
1
, u
2
, . . . , u
n
, ent ao
T(u
k
) =
k
u
k
para todo k = 1, . . . , n, ou seja, os elementos da diagonal
principal da matriz D sao os autovalores do operador T.
4. Seja A M
n
(R) a matriz que representa o operador linear T : R
n
R
n
numa base qualquer de R
n
. Ent ao o operador linear T e diagonalizavel
se e somente se a matriz A e diagonalizavel.
Esse ultimo resultado reduz a investiga cao da diagonalizac ao de ope-
radores lineares T : R
n
R
n
ao estudo da diagonalizac ao de matrizes
A M
n
(R), que foi discutido em detalhes nas aulas anteriores. Vejamos
mais alguns exemplos.
Exemplo 2
Determine todos os autovalores e autovetores do operador linear T : R
2
R
2
dado por
T(x, y) = (6x y, 3x + 2y).
Determine se o operador T e diagonalizavel e, caso seja, determine sua
representacao diagonal, ou seja, a matriz diagonal D M
2
(R) que representa
o operador T.
Solucao:
Primeiramente vamos calcular a matriz A M
2
(R) que representa o
operador T com respeito `a base canonica de R
2
. Como
T(e
1
) = T(1, 0) = (6, 3) = 6 e
1
+ 3 e
2
T(e
2
) = T(0, 1) = (1, 2) = 1 e
1
+ 2 e
2
,
a matriz A, tendo como colunas T(e
1
) e T(e
2
), e dada por
A =
_
6 1
3 2
_
.
71
CEDERJ
Diagonalizacao de Operadores Lineares
O polinomio caracterstico de T sera o polinomio caracterstico da ma-
triz A que e dado por
p(x) = det(xI
2
A)
=

x 6 1
3 x 2

= x
2
8x + 15
= (x 3)(x 5).
Assim, os autovalores de T sao
1
= 3 e
2
= 5. A essa altura, ja
podemos concluir que o operador T : R
2
R
2
e diagonalizavel, pois, como
ele tem dois autovalores distintos, ent ao, pelo Teorema 2, qualquer par de
autovetores correspondentes e linearmente independente e, portanto, forma
base de autovetores para o R
2
.
Vamos determinar os autovetores. Para o autovalor
1
= 3, temos que
os autovetores associados v = (x, y) satisfazem o sistema linear
(3I
2
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
3 1
0 0
_ _
x
y
_
=
_
0
0
_
.
Assim, os autovetores de T associados ao autovalor
1
= 3 sao da forma
v = (x, 3x) com x R

.
Em particular, v
1
= (1, 3) e um autovetor de T associado ao autovalor

1
= 3.
Analogamente, os autovetores v = (x, y), associados ao autovalor

2
= 5, satisfazem o sistema linear
(5I
2
A)v = 0.
Escalonando a matriz desse sistema, obtemos o sistema homogeneo
_
1 1
0 0
_ _
x
y
_
=
_
0
0
_
.
Assim, os autovetores de T associados ao autovalor
2
= 5 sao da forma
v = (x, x) com x R

.
CEDERJ
72
Diagonalizacao de Operadores Lineares
M

ODULO 1 - AULA 8
Em particular, v
2
= (1, 1) e um autovetor de T associado ao autovalor

2
= 5. Assim, = v
1
, v
2
e uma base de R
2
formada por autovetores de T,
e a representac ao diagonal de T e a matriz diagonal de ordem 2 cuja diagonal
principal e formada pelos autovalores
1
= 3 e
2
= 5:
D =
_
3 0
0 5
_
.
Exemplo 3
Seja T : R
2
R
2
o operador linear que reete pontos com respeito `a reta
pela origem y = kx, onde k R

. Veja a gura 8.1.


Figura 8.1: Reexao com respeito `a reta y = kx.
Mostre que:
a) v
1
= (k, 1) e v
2
= (1, k) sao autovetores de T;
b) T e diagonalizavel e encontre a representac ao diagonal D de T.
Solucao:
a) Como nao conhecemos as equacoes que denem a transformacao T,
procedemos geometricamente como segue.
Observe que o vetor v
1
= (k, 1) pertence `a reta y = kx, logo ele e
mantido xo pela acao do operador T, isto e, T(v
1
) = v
1
. Assim, v
1
e um
autovetor de T associado ao autovalor
1
= 1.
Por outro lado, observamos que o vetor v
2
= (1, k) e ortogonal ao
vetor v
1
, pois
v
1
v
2
= 1 k + k (1) = 0,
e, conseq uentemente, v
2
e perpendicular `a reta y = kx. Assim, o operador
T transforma o vetor v
2
em seu negativo v
2
, isto e, T(v
2
) = v
2
. Logo,
v
2
e um autovetor de T associado ao autovalor
2
= 1.
73
CEDERJ
Diagonalizacao de Operadores Lineares
b) Como os vetores v
1
= (k, 1) e v
2
= (1, k) sao linearmente inde-
pendentes, temos que = v
1
, v
2
e uma base ordenada de R
2
formada por
autovetores de T. Portanto, o operador T e diagonalizavel com representac ao
diagonal dada por
D =
_
1 0
0 1
_
.
Exemplo 4
Determine todos os autovalores e autovetores do operador linear T : R
3
R
3
dado por
T(x, y, z) = (2x + y, y z, 2y + 4z).
Determine se o operador T e diagonalizavel e, caso seja, determine sua
representacao diagonal, ou seja, a matriz diagonal D M
3
(R) que representa
o operador T e a base de autovetores correspondente.
Solucao:
O procedimento e semelhante ao do exemplo 2. Primeiramente vamos
calcular a matriz A M
3
(R) que representa o operador T com respeito `a
base canonica de R
3
. Como
T(e
1
) = T(1, 0, 0) = (2, 0, 0) = 2 e
1
+ 0 e
2
+ 0 e
3
T(e
2
) = T(0, 1, 0) = (1, 1, 2) = 1 e
1
+ 1 e
2
+ 2 e
3
T(e
3
) = T(0, 0, 1) = (0, 1, 4) = 0 e
1
+ (1) e
2
+ 4 e
3
,
a matriz A, tendo como colunas T(e
1
), T(e
2
) e T(e
3
), e dada por
A =
_
_
_
2 1 0
0 1 1
0 2 4
_
_
_
.
CEDERJ
74
Diagonalizacao de Operadores Lineares
M

ODULO 1 - AULA 8
O polinomio caracterstico de T sera o polinomio caracterstico da ma-
triz A que e dado por
p(x) = det(xI
3
A)
=

x 2 1 0
0 x 1 1
0 2 x 4

= (x 2)

x 1 1
2 x 4

= (x 2)[(x 1)(x 4) + 2]
= (x 2)(x
2
5x + 6)
= (x 2)(x 2)(x 3)
= (x 2)
2
(x 3).
Assim, os autovalores de T sao
1
=
2
= 2 e
3
= 3. Como temos
apenas dois autovalores distintos, ainda nao podemos decidir se T e diago-
nalizavel. Vamos, primeiramente, determinar uma base do auto-espaco
E(2) = v R
3
[ T(v) = 2 v
associado ao autovalor
1
=
2
= 2. Sabemos que um vetor v = (x, y, z)
pertence ao auto-espaco E(2) se e somente se ele e solucao do sistema linear
(2I
3
A)v = 0,
isto e, de
_
_
_
0 1 0
0 1 1
0 2 2
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
.
Escalonando a matriz associada desse sistema, obtemos o sistema
_
_
_
0 1 0
0 0 1
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
,
cujas soluc oes sao v = (x, 0, 0), x R. Como a solucao geral depende apenas
de uma vari avel independente, ent ao o auto-espaco E(2) e unidimensional.
Temos que v
1
= (1, 0, 0) e um autovetor de T associado ao autovalor
1
= 2
e, portanto, forma uma base de E(2).
75
CEDERJ
Diagonalizacao de Operadores Lineares
Vamos agora procurar uma base do auto-espaco
E(3) = v R
3
[ T(v) = 3 v,
associado ao autovalor
3
= 3. Sabemos que um vetor v = (x, y, z) pertence
ao auto-espaco E(3) se e somente se ele e soluc ao do sistema linear
(3I
3
A)v = 0,
isto e, do sistema
_
_
_
1 1 0
0 2 1
0 2 1
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
.
Escalonando a matriz associada desse sistema, obtemos o sistema
_
_
_
1 0 1/2
0 1 1/2
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
,
cujas soluc oes sao v = (z, z, 2z), z R. Como a solucao geral depende,
novamente, apenas de uma variavel independente, entao o auto-espaco E(3)
tambem e unidimensional. Nesse caso, v
2
= (1, 1, 2) e um autovetor de
T associado ao autovalor
3
= 3 e, portanto, forma uma base de E(3).
Como T possui apenas dois autovetores linearmente independentes,
entao nao existe base de autovetores de T para o R
3
e, portanto, pelo Teo-
rema 2, o operador linear T nao e diagonalizavel.
Auto-avaliacao:
Terminamos o primeiro modulo do curso de

Algebra Linear II. Nao
deixe de fazer uma boa revisao dos conceitos vistos neste primeiro modulo
antes de iniciar o segundo. Faca os exerccios desta aula e reveja os das aulas
anteriores. Se voce car com alguma d uvida, procure o tutor no seu polo.
CEDERJ
76
Diagonalizacao de Operadores Lineares
M

ODULO 1 - AULA 8
Exerccios
1. Seja A =
_
1 1
1 3
_
e dena T : R
2
R
2
por T(v) = Av. Mostre
que v
1
= (1, 1) e autovetor de T e que o operador linear T nao e
diagonalizavel.
2. Verique se o operador linear T : R
3
R
3
dado por
T(x, y, z) = (z, y, x)
e diagonalizavel e, caso seja, determine sua representac ao diagonal, ou
seja, a matriz diagonal D M
3
(R) que representa o operador T e a
base de autovetores correspondente.
3. Verique se o operador linear T : R
4
R
4
dado por
T(x, y, z, t) = (3x 4z, 3y + 5z, z, t)
e diagonalizavel e, caso seja, determine sua representac ao diagonal, ou
seja, a matriz diagonal D M
4
(R) que representa o operador T e a
base de autovetores correspondente.
4. Mostre que 0 e autovalor do operador T : R
n
R
n
se e somente se T
e nao-inversvel.
77
CEDERJ
Solucoes de exerccios selecionados
Solu coes de exerccios selecionados
Aula 1
1. v =
_
1
0
_
tem autovalor = 0 e u =
_
0
1
_
tem autovalor = 1.
2. Nao e autovetor.
3. Sim, = 0.
4.
__
1
3
__
.
5. Uma base para o auto-espaco e
_

_
_
_
_
1
2
0
_
_
_
,
_
_
_
3
0
1
_
_
_
_

_
.
Aula 2
1. = 1 :
__
0
1
__
; = 5 :
__
2
1
__
.
2. = 1 :
_

_
_
_
_
0
0
1
_
_
_
_

_
.
3. A
2
: 1 e 4; A
3
: 1, 1 e 8.
4. Use que A
t
I = (A I)
t
e calcule o determinante.
5. Use que A
2

2
I = (A I)(A + I) e calcule o determinante.
Aula 3
1.
1
= 1 : v
1
= (0, 1),
2
= 3 : v
2
= (1, 2).
2.
1
= 1 : v
1
= (1, 2),
2
= 5 : v
2
= (1, 1).
3. a)
1
= 1 : v
1
= (0, 1, 0),
2
= 2 : v
2
= (1, 2, 2),
3
= 3 :
v
3
= (1, 1, 1).
79
CEDERJ
Solucoes de exerccios selecionados
4. a)
1
=
2
= 1 : v
1
= (1, 1, 0), v
2
= (1, 0, 1),
3
= 2 : v
3
= (1, 1, 1).
b)
1
= 1 tem multiplicidade algebrica e geometrica igual a 2 e
3
= 2
tem multiplicidade algebrica e geometrica igual a 1.
5. a = b = c = d = e = f = 1, v
1
= (1, 1, 1) :
1
= 3, v
2
= (1, 0, 1) :

2
= 0, v
3
= (1, 1, 0) :
3
= 0.
Aula 4
1. a)
1
=
2
= 1 : v
1
= (1, 0)
b)
1
= 1 apresenta multiplicidade algebrica 2 e multiplicidade geome-
trica 1.
2. a)
1
=
2
= 6 : v
1
= (1, 1)
b)
1
= 6 apresenta multiplicidade algebrica 2 e multiplicidade geome-
trica 1.
3. a)
1
= 1 : v
1
= (3, 1, 3)
2
=
3
= 2 : v
2
= (2, 2, 1)
b)
1
= 1 apresenta multiplicidade algebrica 1 e multiplicidade geome-
trica 1;
2
= 2 apresenta multiplicidade algebrica 2 e multiplicidade
geometrica 1
4. a) = 1 : v
1
= (0, 0, 1)
b) = 1 apresenta multiplicidade algebrica 3 e multiplicidade geome-
trica 1.
5. det(xI A) = det((xI A)
t
) = det(xI
t
A
t
) = det(xI A
t
)
Aula 5
1. a) D =
_
1 0
0 1
_
b) P =
_
1 0
3 1
_
2. a) D =
_
1 0
0 6
_
b) P =
_
1 4
1 1
_
CEDERJ
80
Solucoes de exerccios selecionados
3. a) D =
_
_
_
1 0 0
0 1 0
0 0 3
_
_
_
b) P =
_
_
_
0 1 2
1 1 3
1 0 1
_
_
_
4. det(B) = det(P
1
AP) = det(P
1
) det(A) det(P) = det(A)
Aula 6
1. a) D =
_
_
_
1 0 0
0 1 0
0 0 2
_
_
_
b) P =
_
_
_
1 1 1
1 0 1
0 1 1
_
_
_
2. a) D =
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 3 0
0 0 0 3
_
_
_
_
_
b) P =
_
_
_
_
_
1 0 1 0
1 0 1 0
0 1 0 1
0 1 0 1
_
_
_
_
_
3. Nao e diagonalizavel.
Aula 8
1. O operador T nao e diagonalizavel, pois T so possui o autovalor = 2
e o auto-espaco correspondente E(2) tem dimensao 1, uma base sendo
formada por v
1
= (1, 1).
2. O operador T e diagonalizavel,
D =
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
;
uma base de autovetores e formada por v
1
= (1, 0, 1), v
2
= (0, 1, 0) e
v
3
= (1, 0, 1).
81
CEDERJ
Solucoes de exerccios selecionados
3. O operador T e diagonalizavel,
D =
_
_
_
_
_
3 0 0 0
0 3 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
;
uma base de autovetores e formada por v
1
= (1, 0, 0, 0), v
2
= (0, 1, 0, 0),
v
3
= (0, 0, 0, 1) e v
4
= (4, 5, 4, 0).
4. Temos que 0 e autovalor de T se e somente se existe vetor nao-nulo
v R
n
tal que T(v) = 0 v = 0. Assim, o n ucleo de T e nao-nulo, isto
e, N(T) ,= 0. Logo, T nao e inversvel.
Aula 9
1. A =
_
a b
b a
_
ou A =
_
a b
b a
_
2. k = 4/3
3. Por exemplo, u
1
= u; u
2
= (1, 0, 0, 0); u
3
= (0, 2, 1, 0) e
u
4
= (0, 1, 2, 1). No entanto, existem muitas outras possibilidades.
4. Base ortonormal:
u
1
= (1/

3, 1/

3, 1/

3); u
2
= (1/

14, 2/

14, 3/

14) e
u
3
= (5/

42, 4/

42, 1/

42).
5. Por exemplo: P =
_
_
_
1/

3 0 4/3

2
2/

3 1/

2 1/3

2
2/

3 1/

2 1/3

2
_
_
_
.
Aula 10
1. a) Observe que as colunas de A e B formam bases ortonormais de
R
3
.
b) AB =
_
_
_
1 0 0
0 0 1
0 1 0
_
_
_
. Seu polinomio caracterstico e
p(x) = (x 1)(x
2
+ 1); logo, seu unico autovalor real e = 1.
CEDERJ
82
Matrizes ortogonais
M

ODULO 2 - AULA 9
Aula 9 Matrizes ortogonais
Objetivos:
Fazer uma revisao de conceitos importantes de ortogonalidade.
Compreender o conceito de matriz ortogonal.
Praticar calculos com matrizes ortogonais.
Pre-requisitos: Produto in-
terno entre dois vetores.
Neste modulo, estaremos considerando o espaco vetorial R
n
munido do
produto interno usual, tambem chamado de produto escalar. Ou seja, dados
os vetores u = (u
1
, . . . , u
n
) e v = (v
1
, . . . , v
n
), o produto escalar de u e v e
dado por
u v = u
1
v
1
+ . . . +u
n
v
n
,
que tambem denotamos por u, v).
Na linguagem de matrizes, consideramos u e v como matrizes colunas
n 1, que denotamos por
u =
_
_
_
_
_
_
u
1
u
2
.
.
.
u
n
_
_
_
_
_
_
e v =
_
_
_
_
_
_
v
1
v
2
.
.
.
v
n
_
_
_
_
_
_
.
Denotando por u
t
a matriz transposta de u, o produto interno de u e
v pode ser expresso na forma:
u, v) = u
t
v = (u
1
, u
2
, . . . , u
n
)
_
_
_
_
_
_
v
1
v
2
.
.
.
v
n
_
_
_
_
_
_
= u
1
v
1
+ . . . +u
n
v
n
.
Vamos relembrar algumas denic oes.
81
CEDERJ
Matrizes ortogonais
Denicao 1
1. A norma de um vetor v = (v
1
, . . . , v
n
) R
n
e dada por
[[v[[ =
_
v, v) =
_
v
2
1
+v
2
2
+ . . . +v
2
n
,
e o vetor v e unitario se [[v[[ = 1.
2. Dado um vetor nao-nulo v, o vetor unitario na direcao de v e o vetor
dado por
v =
v
[[v[[
,
e dizemos que o vetor v foi normalizado.
3. O angulo entre os vetores nao-nulos u e v e dado por
cos =
u, v)
[[u[[ [[v[[
.
4. Dois vetores nao-nulos u e v sao ortogonais se o angulo entre eles e de
90
0
. Pela formula anterior, isso equivale a dizer que u, v) = 0.
Veremos que muitas matrizes possuem propriedades geometricas especi-
ais que sao caracterizadas pela forma como sua ac ao em vetores se comporta
com respeito ao produto interno. Por exemplo, quando a acao da matriz
preserva a norma dos vetores ou quando a acao preserva o angulo entre dois
vetores.
Na discussao que se segue, um papel central e desempenhado pelos
conjuntos de vetores ortogonais de R
n
.
Denicao 2
1. Um conjunto v
1
, v
2
, . . . , v
p
de vetores nao-nulos de R
n
e dito con-
junto ortogonal se cada par de vetores distintos e ortogonal, isto e, se
v
i
, v
j
) = 0 para todo i ,= j. Chamamos de base ortogonal a toda base
que tambem e conjunto ortogonal.
2. Um conjunto v
1
, v
2
, . . . , v
p
de vetores nao-nulos de R
n
e dito con-
junto ortonormal se e conjunto ortogonal e se todos os seus vetores
sao unitarios, isto e, se v
i
, v
j
) = 0 para todo i ,= j e se [[v
i
[[ = 1
para todo i. Chamamos de base ortonormal a toda base que tambem
e conjunto ortonormal.
CEDERJ
82
Matrizes ortogonais
M

ODULO 2 - AULA 9
O conjunto mais simples de base ortonormal de R
n
e a base canonica
e
1
, e
2
, . . . , e
n
de R
n
. Os seguintes resultados foram vistos no curso de

Algebra Linear I:
83
CEDERJ
Matrizes ortogonais
Teorema 1
1. Todo conjunto ortogonal de vetores e linearmente independente.
2. Todo conjunto de n vetores ortogonais de R
n
forma uma base (ortogo-
nal) de R
n
.
Exemplo 1
Mostre que v
1
, v
2
, v
3
e uma base ortonormal de R
3
, onde
v
1
=
_
_
_
3/

11
1/

11
1/

11
_
_
_
, v
2
=
_
_
_
1/

6
2/

6
1/

6
_
_
_
e v
3
=
_
_
_
1/

66
4/

66
7/

66
_
_
_
.
Solucao:
Calculando os produtos internos:
v
1
, v
2
) =
3

66
+
2

66
+
1

66
= 0;
v
1
, v
3
) =
3

726

726
+
7

726
= 0;
v
2
, v
3
) =
1

396

396
+
7

396
= 0,
temos que v
1
, v
2
, v
3
e conjunto ortogonal formado por 3 vetores em R
3
.
Pelo Teorema 1, antes apresentado, v
1
, v
2
, v
3
e base ortogonal de R
3
. Alem
disso,
v
1
, v
1
) =
9
11
+
1
11
+
1
11
= 1;
v
2
, v
2
) =
1
6
+
4
6
+
1
6
= 1;
v
3
, v
3
) =
1
66
+
16
66
+
49
66
= 1,
o que mostra que v
1
, v
2
e v
3
sao vetores unitarios. Logo, v
1
, v
2
, v
3
e
conjunto ortonormal e, portanto, base ortonormal de R
3
.
Vale a pena destacar que, quando os vetores de um conjunto ortogonal
sao normalizados, o conjunto permanece ortogonal, sendo, agora, tambem,
conjunto ortonormal. Portanto, quando uma base ortogonal e normalizada,
obtemos uma base ortonormal que preserva as mesmas direcoes dos vetores
da base ortogonal original.
CEDERJ
84
Matrizes ortogonais
M

ODULO 2 - AULA 9
Exemplo 2
Obtenha uma base ortonormal de R
2
na qual um dos vetores tenha a direc ao
do vetor v = (3, 4).
Solucao:
Precisamos encontrar um vetor w = (x, y) que seja ortogonal a
v = (3, 4). Assim, temos que
(3, 4), (x, y)) = 0
3x + 4y = 0,
isto e,
3x = 4y,
ou,
y =
3
4
x.
Assim, todo vetor da forma w = (t, 3t/4), com t R

, e orto-
gonal a v = (3, 4). Em particular, os vetores w = (4, 3) (t = 4) e
w = (4, 3) (t = 4), como mostra a Figura 9.1.
(4, 3)
(4, 3)
(3, 4)
Figura 9.1: Vetores ortogonais.
Como (3, 4), (4, 3) e um conjunto ortogonal formado por 2 vetores
de R
2
, ent ao, pelo Teorema 1, e uma base ortogonal de R
2
. Normalizando
esta base, obtemos
v
1
=
v
[[v[[
=
1
5
(3, 4) = (3/5, 4/5)
v
2
=
w
[[w[[
=
1
5
(4, 3) = (4/5, 3/5).
Assim, o conjunto v
1
, v
2
e uma base ortonormal de R
2
em que o vetor
v
1
= (3/5, 4/5) preserva a direcao de v = (3, 4).
85
CEDERJ
Matrizes ortogonais
De um modo geral, dado um vetor nao-nulo v = (a, b) R
2
, o vetor
w = (b, a) e um vetor ortogonal a v, representado por uma rotacao em v
de 90
0
no sentido anti-horario, como e ilustrado na Figura 9.1 pelos vetores
v = (3, 4) e w = (4, 3).
O proximo exemplo descreve a construcao de uma base ortonormal para
R
3
.
Exemplo 3
Obtenha uma base ortonormal de R
3
na qual um dos vetores tenha a direc ao
do vetor v = (1, 2, 1).
Solucao:
Um vetor u = (x, y, z) e ortogonal a v = (1, 2, 1) se e somente se
(1, 2, 1), (x, y, z)) = 0,
ou seja,
x + 2y + z = 0,
o que nos da
z = x 2y.
Assim, todo vetor da forma
u = (x, y, x 2y) = (1, 0, 1) x + (0, 1, 2) y,
x, y R (x ou y ,= 0), e ortogonal a v. Em particular, escolhendo x = 1,
y = 0, obtemos o vetor u = (1, 0, 1) ortogonal a v = (1, 2, 1).
Queremos, agora, um vetor w = (a, b, c) que seja ortogonal a
v = (1, 2, 1) e a u = (1, 0, 1). Assim, queremos que sejam satisfeitas as
condicoes
_
(1, 2, 1), (a, b, c)) = 0
(1, 0, 1), (a, b, c)) = 0 ,
o que nos da o sistema linear
_
a + 2b + c = 0
a + c = 0 .
Resolvendo o sistema, obtemos
c = a e b = a,
CEDERJ
86
Matrizes ortogonais
M

ODULO 2 - AULA 9
o que nos da vetores da forma
w = (a, a, a) = (1, 1, 1) a, a R

.
Escolhendo a = 1, obtemos o vetor w = (1, 1, 1) ortogonal a
v = (1, 2, 1) e a u = (1, 0, 1). Como v, u, w e um conjunto de 3 ve-
tores ortogonais de R
3
, ent ao esse conjunto forma uma base ortogonal de R
3
.
Normalizando esses vetores, temos:
v
1
=
v
[[v[[
= (1/6, 2/6, 1/6);
v
2
=
u
[[u[[
= (1/

2, 0, 1/

2);
v
3
=
w
[[w[[
= (1/

3, 1/

3, 1/

3),
e, assim, v
1
, v
2
, v
3
e uma base ortogonal de R
3
.
Depois de revermos esses fatos importantes sobre conjuntos ortogonais,
vamos introduzir um tipo especial de matriz cujas colunas formam um con-
junto ortonormal de vetores. Este tipo de matriz e muito importante em
varias aplicacoes e em algoritmos computacionais.
Denicao 3
Uma matriz A M
n
(R) e chamada ortogonal se A
t
A = I
n
, onde A
t
e
a matriz transposta de A e I
n
e a matriz identidade de ordem n.
Vamos ver, inicialmente, uma propriedade que facilitara nossos calculos
posteriormente.
Teorema 2
Uma matriz A M
n
(R) e ortogonal se e somente se suas colunas formam um
conjunto de n vetores ortonormais, e, portanto, formam uma base ortonormal
de R
n
.
Demonstracao:
Sejam v
1
, v
2
, . . . , v
n
as colunas da matriz A, isto e,
A = [ v
1
v
2
v
n
].
87
CEDERJ
Matrizes ortogonais
Entao,
A
t
A =
_

_
v
t
1
v
t
2
.
.
.
v
t
n
_

_
[ v
1
v
2
v
n
] =
_

_
v
t
1
v
1
v
t
1
v
2
v
t
1
v
n
v
t
2
v
1
v
t
2
v
2
v
t
2
v
n
.
.
.
.
.
.
.
.
.
.
.
.
v
t
n
v
1
v
t
n
v
2
v
t
n
v
n
_

_
=
_

_
v
1
, v
1
) v
1
, v
2
) v
1
, v
n
)
v
2
, v
1
) v
2
, v
2
) v
2
, v
n
)
.
.
.
.
.
.
.
.
.
.
.
.
v
n
, v
1
) v
n
, v
2
) v
n
, v
n
)
_

_
. (1)
As colunas da matriz A formam um conjunto de n vetores ortogonais
se e somente se v
i
, v
j
) = 0 para todo i ,= j. E essas colunas sao vetores
unitarios se e somente se v
i
, v
i
) = 1 para todo i. Assim, as colunas da
matriz A formam uma base de vetores ortonormais se e somente se a matriz
em (1) e a matiz identidade, isto e, se e somente se A
t
A = I
n
, ou seja, se e
somente se a matriz A e ortogonal.
Exemplo 4
Verique se a matriz A =
_
3/5 4/5
4/5 3/5
_
e uma matriz ortogonal.
Solucao:
Vimos, no Exemplo 2, que os vetores formados pelas colunas da
matriz A,
v
1
=
_
3/5
4/5
_
e v
2
=
_
4/5
3/5
_
,
sao ortonormais. Logo, pelo Teorema 2, a matriz A e matriz ortogonal.
Exemplo 5
Verique se a matriz A =
_

_
1/

6 1/

2 1/

3
2/

6 0 1/

3
1/

6 1/

2 1/

3
_

_
e uma matriz orto-
gonal.
Solucao:
Vimos, no Exemplo 3, que os vetores formados pelas colunas da matriz
A,
v
1
=
_
_
_
1/

6
2/

6
1/

6
_
_
_
, v
2
=
_
_
_
1/

2
0
1/

2
_
_
_
e v
3
=
_
_
_
1/

3
1/

3
1/

3
_
_
_
,
sao ortonormais. Logo, pelo Teorema 2, a matriz A e matriz ortogonal.
CEDERJ
88
Matrizes ortogonais
M

ODULO 2 - AULA 9
Auto-avaliacao
Estude bem os conceitos apresentados nesta aula, pois serao exaustiva-
mente explorados nas proximas aulas. Nao deixe de trabalhar os exerccios
que seguem. Se voce tiver qualquer d uvida, consulte seu tutor.
Exerccios
1. Seja v = (a, b) R
2
um vetor unitario, isto e, que satisfaz a
2
+b
2
= 1.
Obtenha todas as matrizes ortogonais A, de ordem 2, cuja primeira
coluna e o vetor v = (a, b).
2. Determine o valor de k R tal que os vetores
u = (1, 2, k, 3) e u = (3, k, 7, 5)
sejam ortogonais.
3. Dado u = (0, 1, 2, 5) R
4
, determine uma base ortogonal de R
4
que
contenha o vetor u.
4. Seja S o subconjunto de R
3
formado pelos vetores
u
1
= (1, 1, 1), u
2
= (1, 2, 3) e u
3
= (5, 4, 1).
Mostre que S e uma base ortogonal de R
3
e transforme essa base numa
base ortonormal.
5. Determine uma matriz ortogonal cuja primeira coluna e o vetor
u
1
= (1/3, 2/3, 2/3).
89
CEDERJ
Propriedades das Matrizes Ortogonais
M

ODULO 2 - AULA 10
Aula 10 Propriedades das Matrizes
Ortogonais
Objetivos:
Compreender algumas propriedades geometricas das matrizes ortogo-
nais.
Conhecer exemplos importantes de matrizes ortogonais.
Praticar a leitura de demonstracoes matematicas de propriedades im-
portantes em

Algebra Linear.
Pre-requisitos: Autovalores e
autovetores de matrizes, Aula
9.
Nesta aula, veremos algumas propriedades geometricas das matrizes
ortogonais. Lembre que as matrizes ortogonais foram abordadas na aula
passada.
Teorema 1
Seja A M
n
(R) uma matriz ortogonal. Ent ao
1. det(A) = 1
2. A e matriz invertvel e A
1
= A
t
.
3. Se R e autovalor da matriz A, ent ao = 1 ou = 1.
4. Se B M
n
(R) e matriz ortogonal, ent ao o produto AB tambem e
matriz ortogonal.
Demonstracao:
1. Lembrando que Aortogonal signica A
t
A = I
n
e que det(A
t
) = det(A),
temos
(det(A))
2
= det(A) det(A)
= det(A
t
) det(A)
= det(A
t
A)
= det(I
n
) = 1 ,
donde se conclui que det(A) = 1.
2. Como det(A) ,= 0, a matriz A e invertvel. E, de A
t
A = I
n
, segue que
A
1
= A
t
.
91
CEDERJ
Propriedades das Matrizes Ortogonais
3. Se R e autovalor da matriz A, ent ao existe um vetor nao-nulo
v R
n
tal que Av = v. Assim, temos que

2
v, v) = v, v) = Av, Av)
= (Av)
t
(Av) = (v
t
A
t
) (Av)
= v
t
(A
t
A)v = v
t
(I
n
v)
= v
t
v = v, v) ,
e, como v, v) ,= 0, segue que
2
= 1. Logo, = 1.
4. Como a matriz B tambem e ortogonal, entao B
t
B = I
n
. Para concluir
que AB e ortogonal, devemos mostrar que (AB)
t
(AB) = I
n
. Temos
(AB)
t
(AB) = (B
t
A
t
)(AB)
= B
t
(A
t
A)B
= B
t
I
n
B
= B
t
B
= I
n
,
como queramos demonstrar.
Gostaramos de ressaltar que a propriedade 3, mencionada antes, diz
que caso uma matriz ortogonal A possua autovalor entao = 1. Mas
nao e necessario que uma matriz ortogonal A tenha algum autovalor, como
veremos num proximo exemplo.
Exemplo 1
Vimos, no Exerccio 1 da Aula 9 que se a
2
+ b
2
= 1, ent ao as matrizes
A =
_
a b
b a
_
e B =
_
a b
b a
_
sao matrizes ortogonais. Observe que
det(A) = a
2
+ b
2
= 1 e
det(B) = a
2
b
2
= (a
2
+ b
2
) = 1.
CEDERJ
92
Propriedades das Matrizes Ortogonais
M

ODULO 2 - AULA 10
Exemplo 2
Sejam , [0, 2), ent ao as matrizes
A =
_
cos sen
sen cos
_
e B =
_
cos sen
sen cos
_
sao matrizes ortogonais com determinantes
det(A) = cos
2
+ sen
2
= 1 e
det(B) = cos
2
sen
2
= (cos
2
+ sen
2
) = 1.
Estas matrizes serao estudadas mais detalhadamente nas proximas
aulas.
O proximo teorema fornece algumas propriedades geometricas das ma-
trizes ortogonais.
Teorema 2
Seja A M
n
(R) uma matriz ortogonal e sejam u, v R
n
. Ent ao:
1. A matriz A preserva o produto interno, isto e, Au, Av) = u, v). Em
particular, se u e v sao vetores ortogonais, entao Au e Av tambem sao
ortogonais.
2. A matriz A preserva a norma, isto e, [[Av[[ = [[v[[.
3. A matriz A transforma bases ortonormais em bases ortonormais, isto e,
se u
1
, u
2
, . . . , u
n
e uma base ortonormal de R
n
, entao
Au
1
, Au
2
, . . . , Au
n
tambem e base ortonormal de R
n
.
Demonstracao:
1. Dados u, v R
n
, temos
Au, Av) = (Au)
t
(Av)
= (u
t
A
t
)(Av)
= u
t
(A
t
A)v
= u
t
(I
n
v)
= u
t
v
= u, v) .
Em particular, se u e v sao ortogonais, isto e, se u, v) = 0, entao
Au, Av) = u, v) = 0,
ou seja, Au e Av tambem sao ortogonais.
93
CEDERJ
Propriedades das Matrizes Ortogonais
2. Utilizando a propriedade 1, no caso u = v, temos
[[Av[[
2
= Av, Av)
= v, v)
= [[v[[
2
,
logo, temos que [[Av[[ = [[v[[.
3. Seja u
1
, u
2
, . . . , u
n
uma base ortonormal de R
n
. Entao u
i
, u
j
) = 0
para todo i ,= j e [[u
i
[[ = 1 ara todo i. Pelas propriedades anteriores,
temos
Au
i
, Au
j
) = u
i
, u
j
) = 0 para todo i ,= j, e
[[Au
i
[[ = [[u
i
[[ = 1 para todo i.
Logo, Au
1
, Au
2
, . . . , Au
n
e um conjunto ortonormal de n vetores de
R
n
e, portanto, forma uma base ortonormal de R
n
.
A propriedade 1 do Teorema 2 arma que o angulo entre dois vetores e
preservado, e a propriedade 2 arma que o comprimento e a distancia entre
vetores e preservada. Essas propriedades sao cruciais para a implementacao
de algoritmos computacionais.
Exemplo 3
Sejam
A =
_

_
1/

2 1/

2 0
1/

2 1/

2 0
0 0 1
_

_
, u =
_

_
1
0
1
_

_
e v =
_

_
1
1
0
_

_
.
Verique se:
a) a matriz A e ortogonal;
b) [[Au[[ = [[u[[;
c) Au, Av) = u, v).
Solucao:
a) Note que as colunas da matriz A sao ortogonais portanto, pelo
Teorema 2 da Aula 9, segue que A e matriz ortogonal. Tambem pode-
mos vericar diretamente pela denicao:
A
t
A =
_

_
1/

2 1/

2 0
1/

2 1/

2 0
0 0 1
_

_
1/

2 1/

2 0
1/

2 1/

2 0
0 0 1
_

_
=
_

_
1 0 0
0 1 0
0 0 1
_

_
= I
3
.
CEDERJ
94
Propriedades das Matrizes Ortogonais
M

ODULO 2 - AULA 10
b) Temos que
[[u[[ =

1
2
+ 0
2
+ 1
2
=

2.
Para calcular [[Au[[, vamos primeiro calcular Au:
Au =
_

_
1/

2 1/

2 0
1/

2 1/

2 0
0 0 1
_

_
_
_
_
1
0
1
_
_
_
_

_
1/

2
1/

2
1
_

_
.
Da, segue que
[[Au[[ =
_
(1/

2)
2
+ (1/

2)
2
+ (1)
2
=
_
(1/2) + (1/2) + 1 =

2.
Portanto, [[Au[[ =

2 = [[u[[.
c) Vamos primeiro calcular u, v):
u, v) = 1 1 + 0 1 + (1) 0 = 1.
Calculemos, agora, Av:
Av =
_

_
1/

2 1/

2 0
1/

2 1/

2 0
0 0 1
_

_
_
_
_
1
1
0
_
_
_
=
_
_
_
0
2/

2
0
_
_
_
=
_
_
_
0

2
0
_
_
_
.
Finalmente, calculando Au, Av), obtemos
Au, Av) =
1

2
0 +
1

2 + (1) 0 = 1.
Assim, Au, Av) = 1 = u, v).
Exemplo 4
Determine os autovalores da matriz A do Exemplo 3.
Solucao:
Lembre que os autovalores da matriz A sao as razes do seu polinomio
caracterstico, e esse polinomio e dado por:
p(x) = det (xI
3
A) =
_

_
x 1/

2 1/

2 0
1/

2 x 1/

2 0
0 0 x 1
_

_
= (x 1)
_
x 1/

2 1/

2
1/

2 x 1/

2
_
= (x 1)
_ _
x
1

2
_
+
1
2
_
= (x 1)(x
2

2x + 1).
95
CEDERJ
Propriedades das Matrizes Ortogonais
Agora, a unica raiz real de p(x) = (x 1)(x
2

2x + 1) e = 1, pois
o polinomio x
2

2x + 1 nao possui razes reais. Assim, a matriz A possui


um unico autovalor real, = 1.
Exemplo 5
Sejam = u
1
, u
2
, u
3
e = v
1
, v
2
, v
3
duas bases ortonormais de R
3
.
Mostre que a matriz A que realiza a mudanca de base de para e uma
matriz ortogonal.
Solucao:
A matriz que realiza a mudanca de base de para e a matriz A = (a
ij
)
denida por
v
1
= a
11
u
1
+ a
21
u
2
+ a
31
u
3
v
2
= a
12
u
1
+ a
22
u
2
+ a
32
u
3
v
3
= a
13
u
1
+ a
23
u
2
+ a
33
u
3
.
Sendo = u
1
, u
2
, u
3
uma base ortonormal de R
3
, temos que
u
1
, u
1
) = u
2
, u
2
) = u
3
, u
3
) = 1
u
1
, u
2
) = u
1
, u
3
) = u
2
, u
3
) = 0.
Usando estas igualdades e o fato de = v
1
, v
2
, v
3
ser base ortonor-
mal, temos
1 = v
1
, v
1
) = a
11
u
1
+ a
21
u
2
+ a
31
u
3
, a
11
u
1
+a
21
u
2
+ a
31
u
3
) =
= a
2
11
+ a
2
21
+ a
2
31
,
e, analogamente,
1 = v
2
, v
2
) = a
2
12
+ a
2
22
+a
2
32
1 = v
3
, v
3
) = a
2
13
+ a
2
23
+a
2
33
.
Temos, tambem,
0 = v
1
, v
2
) = a
11
u
1
+ a
21
u
2
+ a
31
u
3
, a
12
u
1
+a
22
u
2
+ a
32
u
3
) =
= a
11
a
12
+ a
21
a
22
+a
31
a
32
,
e, analogamente,
0 = v
1
, v
3
) = a
11
a
13
+ a
21
a
23
+ a
31
a
33
0 = v
2
, v
3
) = a
12
a
13
+ a
22
a
23
+ a
32
a
33
.
Portanto, estas igualdades mostram que as colunas da matriz
A =
_

_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_

_
formam uma base de vetores ortonormais. Logo, pelo Teorema 2 da Aula 9,
A e matriz ortogonal.
CEDERJ
96
Propriedades das Matrizes Ortogonais
M

ODULO 2 - AULA 10
Auto-avaliacao:
Nesta aula apresentamos alguns resultados que caracterizam as matri-
zes ortogonais. Voce deve resolver os exerccios que se seguem com a ajuda
do seu tutor, se necessario. Nas proximas aulas vamos usar exaustivamente
todos os resultados apresentados nesta aula; portanto, e importante que voce
compreenda o signicado geometrico deles.
Exerccios
1. Considere as matrizes
A =
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
e B =
_
_
_
1 0 0
0 0 1
0 1 0
_
_
_
.
a) Verique que A e B sao matrizes ortogonais.
b) Verique que o produto AB e ortogonal e calcule seus autovalores.
97
CEDERJ
Rotacoes no Plano
M

ODULO 2 - AULA 11
Aula 11 Rotacoes no Plano
Objetivos
Compreender o efeito das rotac oes no plano em torno da origem.
Vericar que estas rotac oes sao exemplos de matrizes ortogonais.
Pre-requisito: Aula 10.
Neste captulo vamos construir um tipo de matriz ortogonal muito im-
portante de ordem 2. Sao as matrizes que representam as rotacoes no plano
em torno da origem. Primeiro, vejamos uma denic ao que generaliza um
pouco o conceito de matriz ortogonal.
Denicao 1
Um operador linear T : R
n
R
n
e chamado operador ortogonal se, em
alguma base ortogonal, ele e representado por uma matriz ortogonal.
Vamos considerar, no plano cartesiano, uma rotacao de radianos em
torno da origem O = (0, 0). Denotaremos esta rotacao por A

. O operador
A

transforma o ponto (x, y) no novo ponto (x

, y

) = A

(x, y). A Figura


11.1 ilustra a ac ao de A

, onde v = (x, y) e o vetor posicao do ponto (x, y).


Figura 11.1: Rotac ao de radianos.
Observe que o vetor v = (x, y) sofre uma rotac ao de radianos em
torno da origem. Convencionaremos que a rotac ao sera no sentido anti-
horario quando for positivo e no sentido horario quando for negativo.
99
CEDERJ
Rotacoes no Plano
Exemplo 1
Vamos vericar, geometricamente, a ac ao de uma rotac ao sobre um
quadrado unitario de vertice na origem.
Solucao:
Vamos considerar o quadrado unitario de vertices v
0
= (0, 0), v
1
=
(1, 0), v
2
= (1, 1) e v
3
= (0, 1). A ac ao da rotac ao A

sobre os vertices
desse quadrado sao os pontos A

(v
0
) = (0, 0), A

(v
1
), A

(v
2
) e A

(v
3
), que
formam os vertices de um novo quadrado de lado 1, como indica a Figura
11.2.
Figura 11.2: Rotac ao de um quadrado unitario.
Como as rotacoes sao operadores lineares, A

e representado por um
matriz de ordem 2, que continuaremos denotando por A

. Quando aplicamos
a matriz A

ao vetor v R
2
, sua imagem A

v tera o mesmo comprimento


do vetor v, isto e,
[A

v[ = [v[.
Portanto, e de se esperar que A

seja uma matriz ortogonal. Vamos


vericar isto na proxima propriedade.
Teorema 1
A rotac ao de radianos em torno da origem e representada pela matriz
A

=
_
cos sen
sen cos
_
.
CEDERJ
100
Rotacoes no Plano
M

ODULO 2 - AULA 11
Demonstracao:
Queremos expressar as coordenadas do ponto (x

, y

) = A

(x, y) em
funcao do angulo e das coordenadas do ponto v = (x, y). Inicialmente,
representamos o ponto (x, y) em coordenadas polares:
_
x = r cos
y = r sen
(40)
onde
_
r = [v[ =
_
x
2
+ y
2
tg =
y
x
(x ,= 0) ,
onde e o angulo que o vetor v = (x, y) forma com o semi-eixo-x positivo,
conforme a Figura 11.3.
Figura 11.3: Coordenadas polares.
Agora, (x

, y

) = A

(v) e a imagem do vetor v = (x, y) apos a rotacao


de radianos no sentido anti-horario (que consideraremos como o sentido
positivo). Em forma matricial, temos:
_
x

_
= A

_
x
y
_
.
Mas, observando a Figura 11.4,
Figura 11.4: Componentes de (x

, y

) = A

(v).
101
CEDERJ
Rotacoes no Plano
vemos que [A

v[ = [v[ = r, assim,
_
x

= r cos( + )
y = r sen ( + ) .
(41)
Lembrando das formulas trigonometricas de adic ao de arcos,
_
cos(a b) = cos a cos b sen a sen b
sen (a b) = sen a cos b sen b cos a ,
e aplicando-as em (41), obtemos que
_
x

= r cos( + ) = r cos cos r sen sen


y

= r sen ( +) = r sen cos +r sen cos ,


o que nos da, substituindo (40) nas equacoes acima,
_
x

= x cos y sen
y

= y cos +x cos .
(42)
Usando a notacao matricial, as equacoes (42) podem ser representadas
por
_
x

_
=
_
cos sen
sen cos
_ _
x
y
_
.
Assim, a matriz A

, da rotac ao de radianos em torno da origem, e


dada por
A

=
_
cos sen
sen cos
_
.
Observe que as colunas de A

: (cos , sen ) e (sen , cos ), formam


uma base ortonormal de R
2
. Conseq uentemente, A

e uma matriz ortogonal.

Exemplo 2
Determine as coordenadas dos vertices do quadrado unitario da Figura
11.2, apos este sofrer uma rotac ao de /4 radianos (45 graus) em torno da
origem e no sentido anti-hor ario.
Solucao:
No caso = /4, a matriz rotac ao e dada por:
A = A
/4
=
_
cos /4 sen/4
sen/4 cos /4
_
=
_

2
_
2

2
_
2

2
_
2

2
_
2
_
.
CEDERJ
102
Rotacoes no Plano
M

ODULO 2 - AULA 11
Os vertices do quadrado sao: v
0
= (0, 0), v
1
= (1, 0), v
2
= (1, 1) e
v
3
= (0, 1). Denotamos as imagens desses vertices por: u
0
= Av
0
,
u
1
= Av
1
, u
2
= Av
2
e u
3
= Av
3
. Assim, temos que
u
0
= Av
0
=
_

2/2

2/2

2/2

2/2
__
0
0
_
=
_
0
0
_
;
u
1
= Av
1
=
_

2/2

2/2

2/2

2/2
__
1
0
_
=
_

2/2

2/2
_
;
u
2
= Av
2
=
_

2/2

2/2

2/2

2/2
__
1
1
_
=
_
0

2
_
;
u
3
= Av
3
=
_

2/2

2/2

2/2

2/2
__
0
1
_
=
_

2/2

2/2
_
;
Portanto, coordenadas dos vertices do quadrado unitario, apos sofrer a
rotacao de /4 radianos (45 graus), sao:
u
0
= (0, 0); u
1
= (

2
_
2 , 0); u
2
= (0,

2) e u
3
= (

2
_
2 ,

2
_
2).
A Figura 11.5 ilustra os dois quadrados, antes e apos a rotac ao.
Figura 11.5: Rotac ao de /4 radianos do quadrado unitario.
Com relacao a este ultimo exemplo, vale a pena fazer a seguinte ob-
servacao sobre notac ao. Denotando os vertices v
0
, v
1
, v
2
e v
3
do quadrilatero
inicial atraves da matriz 2 4 dada por
D = [ v
0
v
1
v
2
v
3
] =
_
0 1 1 0
0 0 1 1
_
.
Vemos que a imagem dos vertices desse quadrilatero pela ac ao da matriz
A = A
/4
e simplesmente um produto de matrizes:
A D = C.
103
CEDERJ
Rotacoes no Plano
Observe que C e uma matriz 2 4 e suas colunas sao exatamente os
vertices do quadrilatero imagem. De fato,
A D =
_

2
_
2

2
_
2

2
_
2

2
_
2
_ _
0 1 1 0
0 0 1 1
_
=
_
0

2
_
2 0

2
_
2
0

2
_
2

2
_
2
_
.
Esta notac ao tem a vantagem de acelerar os calculos a serem efetuados
e sera utilizada novamente no proximo captulo.
Exerccios
1. Determine a imagem dos vertices da gura abaixo apos uma rotac ao
de /4 radianos. Os vertices sao: v
1
= (1, 1); v
2
= (5, 1); v
3
= (5, 3);
v
4
= (4, 3); v
5
= (3, 2); v
6
= (2, 3) e v
7
= (1, 3).
2. Verique que duas matrizes de rotacao no plano comutam. Qual o
angulo resultante desta composic ao?
CEDERJ
104
Reexoes no Plano
M

ODULO 2 - AULA 12
Aula 12 Reexoes no Plano
Objetivos
Compreender o efeito das reexoes no plano com respeito a uma reta.
Vericar que estas reexoes sao exemplos de matrizes ortogonais.
Pre-requisitos: Aulas 10 e 11.
Nesta aula, estudaremos mais um importante exemplo de matriz or-
togonal de ordem 2. Estudaremos as matrizes ortogonais que representam
as reexoes no plano com respeito a uma reta L passando pela origem. Se
v R
2
e um vetor qualquer, denotaremos por F
L
(v) a reexao do vetor v
com respeito `a reta L, como ilustra a Figura 12.1 abaixo.
Figura 12.1: Reexao com respeito `a reta L.
Observe que a reexao F
L
preserva o comprimento do vetor v, isto e,
[F
L
(v)[ = [v[,
e, portanto, veremos que essa reexao e mais um exemplo de uma matriz
ortogonal.
Exemplo 1
Mostre que as matrizes A =
_
1 0
0 1
_
e B =
_
1 0
0 1
_
represen-
tam reexoes com respeito ao eixo-x e com respeito ao eixo-y, respectiva-
mente.
105
CEDERJ
Reexoes no Plano
Solucao:
Lembre que o eixo-x e a reta de equac ao cartesiana y = 0 e o eixo-y e
a reta de equacao x = 0. Dado v = (x, y) R
2
, temos que
Av =
_
1 0
0 1
_ _
x
y
_
=
_
x
y
_
e
Bv =
_
1 0
0 1
_ _
x
y
_
=
_
x
y
_
.
Figura 12.2a: Reexao no eixo-x. Figura 12.2b: Reexao no eixo-y.
Portanto, A(x, y) = (x, y), o que caracteriza uma reexao com res-
peito ao eixo-x, como ilustra a Figura 12.2a. E, analogamente, B(x, y) =
(x, y) caracteriza a reexao com respeito ao eixo-y, como mostra a Figura
12.2b.
Exemplo 2
Verique a ac ao das reexoes do Exemplo 1 sobre um quadrado unitario
de vertice na origem, como mostra a Figura 12.3.
Figura 12.3: O quadrado unitario
CEDERJ
106
Reexoes no Plano
M

ODULO 2 - AULA 12
Solucao:
O quadrado unitario da Figura 12.3 tem como vertices v
0
= (0, 0),
v
1
= (1, 0), v
2
= (1, 1) e v
3
= (0, 1). Vamos representar esses quatro vertices
pela matriz
D = [ v
0
v
1
v
2
v
3
] =
_
0 1 1 0
0 0 1 1
_
,
como foi visto no nal da Aula 11.
1
o
Caso: Reexao com respeito ao eixo-x. Sabemos que essa
reexao e representada pela matriz
A =
_
1 0
0 1
_
.
Figura 12.4: Reexao no eixo-x do quadrado unitario.
A imagem dos vertices do quadrado, pela acao da reexao com respeito
ao eixo-x, e dada pela matriz
A D =
_
1 0
0 1
_ _
0 1 1 0
0 0 1 1
_
=
_
0 1 1 0
0 0 1 1
_
,
ou seja, a imagem e um novo quadrado de lado unitario e de vertices
Av
0
= (0, 0), Av
1
= (1, 0), Av
2
= (1, 1) e Av
3
= (0, 1), como mostra
a Figura 12.4.
2
o
Caso: Reexao com respeito ao eixo-y. Sabemos que essa
reexao e representada pela matriz
B =
_
1 0
0 1
_
.
107
CEDERJ
Reexoes no Plano
Figura 12.5: Reexao no eixo-y do quadrado unitario.
A imagem dos vertices do quadrado, pela acao da reexao com respeito
ao eixo-y, e dada pela matriz
B D =
_
1 0
0 1
_ _
0 1 1 0
0 0 1 1
_
=
_
0 1 1 0
0 0 1 1
_
,
ou seja, a imagem e um novo quadrado de lado unitario e de vertices
Bv
0
= (0, 0), Bv
1
= (1, 0), Bv
2
= (1, 1) e Bv
3
= (0, 1), como mos-
tra a Figura 12.5.
Exemplo 3
a) Obtenha a matriz que representa a reexao com respeito `a reta
L : y = x.
b) Verique a ac ao desta reexao sobre o quadrado unitario da Figura
12.3.
Solucao:
a) A transformac ao que representa a reexao com respeito `a reta
L : y = x e dada por
F
L
: R
2
R
2
F
L
(x, y) = (y, x) ,
como ilustra a Figura 12.6.
Figura 12.6: Reexao na reta L : y = x.
CEDERJ
108
Reexoes no Plano
M

ODULO 2 - AULA 12
Como
_
y
x
_
=
_
0 1
1 0
_ _
x
y
_
,
entao, a matriz que representa esta reexao e dada por
E =
_
0 1
1 0
_
.
b) O quadrado unitario da Figura 12.3 tem como vertices v
0
= (0, 0),
v
1
= (1, 0), v
2
= (1, 1) e v
3
= (0, 1). Como no Exemplo 2, podemos
representa-los pela matriz
D = [ v
0
v
1
v
2
v
3
] =
_
0 1 1 0
0 0 1 1
_
.
A imagem dos vertices do quadrado, pela ac ao da reexao E, e dada
pela matriz
E D =
_
0 1
1 0
_ _
0 1 1 0
0 0 1 1
_
=
_
0 0 1 1
0 1 1 0
_
,
ou seja, a imagem e um novo quadrado de lado unitario e de vertices
Ev
0
= (0, 0), Ev
1
= (0, 1), Ev
2
= (1, 1) e Ev
3
= (1, 0), como mostra
a Figura 12.7.
Figura 12.7: Reexao do quadrado unitario na reta L : y = x.
Uma observac ao interessante sobre a matriz E do exemplo anterior e
que ela pode ser escrita na forma
E =
_
0 1
1 0
_
=
_

2
_
2

2
_
2

2
_
2

2
_
2
_ _
1 0
0 1
_ _

2
_
2

2
_
2

2
_
2

2
_
2
_
.
Neste produto, a matriz
A
/4
=
_

2
_
2

2
_
2

2
_
2

2
_
2
_
109
CEDERJ
Reexoes no Plano
representa uma rotac ao de /4 radianos (45 graus) em torno da origem e,
conseq uentemente,
A
1
/4
=
_

2
_
2

2
_
2

2
_
2

2
_
2
_
= A
/4
= A
t
/4
.
Geometricamente, a matriz A
/4
transforma a reta reta L : y = x no
eixo-x, isto e, na reta y = 0, e a matriz
F =
_
1 0
0 1
_
representa a reexao com respeito ao eixo-x, como foi visto no Exemplo 1.
Portanto, a matriz
E = A
1
/4
F A
/4
(43)
e o resultado de se aplicar uma rotacao de /4 radianos, seguida de reexao
no eixo-x e seguida de outra rotac ao de /4 radianos, como ilustra a Figura
12.8.
Fig. 12.8a: A reta L : y = x. Fig. 12.8b: Apos a rotac ao A
/4
.
Fig. 12.8c: Apos a reexao no eixo-x. Fig. 12.8d: Apos a rotacao A
1
/4
= A
/4
.
CEDERJ
110
Reexoes no Plano
M

ODULO 2 - AULA 12
Assim, expressamos a reexao E como um produto de tres matrizes
ortogonais. No entanto, essa nao e a unica forma de expressar a matriz
E como um produto de matrizes ortogonais. Observe que se zermos uma
rotacao de = /4, a reta L : y = x sera transformada no eixo-y (isto
e, na reta x = 0). Assim, a matriz E que representa a reexao na reta
L : y = x pode ser escrita como
E =
_

2
_
2

2
_
2

2
_
2

2
_
2
_ _
1 0
0 1
_ _

2
_
2

2
_
2

2
_
2

2
_
2
_
,
ou seja, E = A

BA

e um outro produto de tres matrizes ortogonais, onde


B =
_
1 0
0 1
_
e a reexao no eixo-y. Portanto, essa forma de expressar a
matriz E como um produto de tres matrizes ortogonais nao e unica.
Exemplo 4
Determine a matriz F que representa a reexao com respeito `a reta
L : y =

3x. Determine, tambem, a imagem do ponto P = (

3, 1) por esta
reexao.
Solucao:
Vamos proceder de forma analoga `a do exerccio anterior. Primeira-
mente, vamos fazer uma rotacao em torno da origem de modo que a reta
L : y =

3x seja transformada no eixo-x. Nao e difcil ver que precisamos


fazer uma rotac ao de = /3 radianos. Observe que o angulo que a reta
L forma com o semi-eixo-x positivo e /3 radianos, conforme a Figura 12.9.
y
x
L:y= 3x
q
Figura 12.9: Rotac ao de = /3 radianos.
Esta rotac ao e representada pela matriz
A
/3
=
_
1/2

3
_
2

3
_
2 1/2
_
,
111
CEDERJ
Reexoes no Plano
cuja inversa e dada por
A
1
/3
=
_
1/2

3
_
2

3
_
2 1/2
_
= A
/3
.
Agora, a matriz que representa a reexao no eixo-x e dada por
F =
_
1 0
0 1
_
.
Portanto, a matriz que representa a reexao na reta L : y =

3x e
dada por
E = A
1
/3
F A
/3
= A
/3
F A
/3
=
_
1/2

3
_
2

3
_
2 1/2
_ _
1 0
0 1
_ _
1/2

3
_
2

3
_
2 1/2
_
=
_
1/2

3
_
2

3
_
2 1/2
_
.
A imagem do ponto P = (

3, 1), apos uma reexao na reta


L : y =

3x, e
E(P) =
_
1/2

3
_
2

3
_
2 1/2
_ _

3
1
_
=
_
0
2
_
.
y
x
P=( ,1) 3
P=(0,2)
L
Figura 12.10: Reexao de P = (

3/1) na reta L : y =

3x.
Observacao: Dada uma reta L passando pela origem, nem sempre e
facil obter uma expressao simples para o angulo que ela forma como o eixo-x.
Por isso, vejamos uma outra forma para se obter a matriz E que representa
a reexao nessa reta L. Inicialmente, vamos analisar como isso e feito para o
exemplo anterior, ou seja, determinar a matriz E que representa uma reexao
na reta L : y =

3x.
CEDERJ
112
Reexoes no Plano
M

ODULO 2 - AULA 12
Escolhemos a seguinte base ortonormal = v
1
, v
2
de R
2
, onde
v
1
= (1/2,

3/2) e um vetor tangente `a reta L : y =

3x e
v
1
= (

3/2, 1/2) e um vetor normal `a reta L, como indica a Figura 12.11.


Figura 12.11: Base ortonormal = v
1
, v
2
.
Como a matriz E representa a reexao com respeito `a reta L, temos
que
Ev
1
= v
1
= 1 v
1
+ 0 v
2
e
Ev
2
= v
2
= 0 v
1
+ (1) v
2
,
conforme a Figura 12.11.
Assim, F =
_
1 0
0 1
_
e a matriz que representa a reexao na reta L
com respeito `a base . A matriz
A =
_
1/2

3
_
2

3
_
2 1/2
_
= [v
1
v
2
]
e a matriz mudanca de base da base canonica e
1
, e
2
para a base
= v
1
, v
2
. Logo, pela teoria de mudanca de base vista no curso de

Algebra Linear I, a matriz E e dada por


E = A F
1
A
1
=
_
1/2

3
_
2

3
_
2 1/2
_ _
1 0
0 1
_ _
1/2

3
_
2

3
_
2 1/2
_
=
_
1/2

3
_
2

3
_
2 1/2
_
.
De um modo geral, a matriz E que representa a reexao, com respeito
a uma reta L passando pela origem, e dada por
E = P [E]

P
t
,
113
CEDERJ
Reexoes no Plano
onde = v
1
, v
2
e uma base ortonormal de R
2
em que
v
1
e um vetor unitario tangente `a reta L,
v
2
e um vetor unitario normal `a reta L,
e a matriz
P = [v
1
v
2
],
cujas colunas sao os vetores v
1
e v
2
, e a matriz mudanca de base da base
canonica e
1
, e
2
para a base = v
1
, v
2
, e a matriz [E]

e a matriz que
representa a reexao na reta L com respeito `a base = v
1
, v
2
, dada por
[E]

=
_
1 0
0 1
_
,
pois,
Ev
1
= v
1
= 1 v
1
+ 0 v
2
e
v
2
= v
2
= 0 v
1
+ (1) v
2
,
como ilustra a Figura 12.11. Observe tambem que sendo P uma matriz
ortogonal ent ao P
1
= P
t
.
Exerccios
1. Determine a matriz E que representa a reexao na reta L : 3x+2y = 0.
2. Determine a matriz B que representa a reexao com respeito `a reta
y = 2x.
3. Determine a imagem dos vertices da gura abaixo apos uma reexao
na reta y = 2x. Os vertices sao: v
1
= (1, 1), v
2
= (4, 1) e v
3
= (1, 3).
CEDERJ
114
Propriedades das Rotacoes e Reexoes no Plano 1
a
Parte
M

ODULO 2 - AULA 13
Aula 13 Propriedades das Rotac oes e
Reexoes no Plano 1
a
Parte
Objetivos
Compreender algumas propriedades geometricas das matrizes de rotac ao
e reexao.
Compreender a diagonalizac ao das matrizes de rotac ao e reexao.
Pre-requisitos: Aulas 10, 11 e
12.
Nesta aula, vamos mostrar algumas propriedades elementares das ma-
trizes ortogonais 2 2. Nas aulas anteriores, vimos que as rotac oes e as
reexoes sao exemplos de matrizes ortogonais. Veremos que estas sao as
unicas matrizes ortogonais de R
2
.
Vamos considerar o espaco vetorial R
2
junto com o produto interno
usual, visto na Aula 9. Queremos ent ao responder `a seguinte pergunta: quais
sao as matrizes ortogonais de ordem 2, isto e, quais as matrizes de ordem 2
que preservam o produto interno ou, ainda, para quais matrizes A M
2
(R)
vale que
Au, Av) = u, v) para todo u, v R
2
?
Dada uma matriz ortogonal A de ordem 2, sejam e
1
= (1, 0) e e
2
=
(0, 1) os vetores unitarios da base canonica de R
2
. Denotamos Ae
1
a imagem
do vetor e
1
pela matriz A. Sendo A uma matriz ortogonal, vale que
[Ae
1
[ = [e
1
[ = 1,
isto e, Ae
1
tambem e um vetor unitario, como ilustra a Figura 13.1.
Fig. 13.1: A imagem Ae
1
do vetor e
1
.
115
CEDERJ
Propriedades das Rotacoes e Reexoes no Plano 1
a
Parte
Denotamos por o angulo formado pelo vetor Ae
1
e o semi-eixo-x
positivo (Figura 13.1). Assim,
Ae
1
= (cos , sen )
e a primeira coluna da matriz ortogonal A M
2
(R), isto e,
A =
_
cos
sen
_
.
Vejamos, agora, o que acontece com o outro vetor e
2
da base canonica.
Se Ae
2
denota a imagem do vetor e
2
pela matriz ortogonal A, temos que
[Ae
2
[ = [e
2
[ = 1.
Alem disso,
Ae
1
, Ae
2
) = e
1
, e
2
) = 0,
e isto quer dizer que o vetor Ae
2
e ortogonal ao vetor Ae
1
. Assim, teremos
duas possibilidades para este vetor, como mostra a Figura 13.2.
a. Primeiro caso b. Segundo caso
Fig. 13.2: As duas possibilidades para o vetor Ae
2
.
Podemos observar que o angulo que o vetor Ae
2
forma com o eixo-x e
igual a +

2
(Figura 13.2a) ou igual a

2
(Figura 13.2b). Sendo assim, o
vetor unitario Ae
2
pode ser escrito na forma
Ae
2
= (cos( +/2), sen( + /2) )
ou
Ae
2
= (cos( /2), sen( /2) ).
CEDERJ
116
Propriedades das Rotacoes e Reexoes no Plano 1
a
Parte
M

ODULO 2 - AULA 13
Aplicando as formulas de adic ao de arcos da Trigonometria, temos que
cos( + /2) = sen
sen( + /2) = cos
cos( /2) = sen
sen( /2) = cos ,
logo, o vetor Ae
2
pode ser escrito na forma
Ae
2
= (sen , cos )
ou
Ae
2
= (sen , cos ).
Conseq uentemente, a segunda coluna da matriz A e dada por
_
sen
cos
_
ou
_
sen
cos
_
.
Assim, temos duas possibilidades para a matriz ortogonal A de or-
dem 2:
A =
_
cos sen
sen cos
_
ou A =
_
cos sen
sen cos
_
.
Portanto, esta discussao responde `a nossa pergunta inicial que pode ser
resumida no seguinte teorema.
Teorema 1
Uma matriz A M
n
(R) e ortogonal se e somente se existe um n umero
tal que
A =
_
cos sen
sen cos
_
ou
A =
_
cos sen
sen cos
_
.
Geometricamente, considerada como uma transformacao linear de R
2
em R
2
, a matriz
A =
_
cos sen
sen cos
_
descreve uma rotacao em torno da origem, mais especicamente, descreve
uma rotacao de um angulo em torno da origem, respeitando a conven cao
da rotac ao ser no sentido anti-horario quando for positivo e no sentido
horario quando for negativo. Veja a Figura 13.3.
117
CEDERJ
Propriedades das Rotacoes e Reexoes no Plano 1
a
Parte
Fig. 13.3: Rotacao de um angulo entre e
1
e Ae
1
.
Por outro lado, a matriz
B =
_
cos sen
sen cos
_
descreve a reexao com respeito `a reta que faz angulo de /2 com o semi-eixo
positivo dos x. Veja a Figura 13.4.
Fig. 13.4: Reexao na reta que bissecta o angulo entre e
1
e Ae
1
.
Vejamos, agora, algumas propriedades elementares das matrizes orto-
gonais de ordem 2. No que segue, denotaremos por
A

=
_
cos sen
sen cos
_
a matriz que representa a rotac ao de radianos em torno da origem, e por
B

=
_
cos sen
sen cos
_
a matriz que representa a reexao com respeito `a reta que forma um angulo
de /2 com o semi-eixo-x positivo.
CEDERJ
118
Propriedades das Rotacoes e Reexoes no Plano 1
a
Parte
M

ODULO 2 - AULA 13
Teorema 2
1. det(A

) = 1 e det(B

) = 1.
2. A
1

= A

e B
1

= B

.
Demonstracao:
1. Sendo
A

=
_
cos sen
sen cos
_
e B

=
_
cos sen
sen cos
_
,
temos que
det(A

) = cos
2
+ sen
2
= 1
e
det(B

) = cos
2
+ sen
2
= 1.
2. Do curso de

Algebra Linear I sabemos que se
A =
_
a b
c d
_
,
entao sua inversa e dada por
A
1
=
1
det A
_
d b
c a
_
.
Aplicando essa formula `a matriz A

, obtemos
A
1

=
_
cos sen
sen cos
_
,
pois det(A

) = 1.
Como
cos() = cos e sen() = sen ,
entao, obtemos
A
1

=
_
cos sen
sen cos
_
=
_
cos() sen()
sen() cos()
_
= A

.
Isto e, A
1

e uma rotac ao de angulo radianos.


Analogamente, como det(B

) = 1, temos
B
1

=
1
1
_
cos sen
sen cos
_
=
_
cos sen
sen cos
_
= B

119
CEDERJ
Propriedades das Rotacoes e Reexoes no Plano 1
a
Parte
Exemplo 1
Mostre que A

possui apenas autovalores reais se e somente se = n


com n Z.
Solucao:
O polinomio caracterstico de A

e dado por
det(xI
2
A

) =

x cos sen
sen x cos

= (x cos )
2
+ sen
2

= x
2
2 (cos ) x + cos
2
+ sen
2

= x
2
2 (cos ) x + 1 .
Este polinomio possui razes reais se e somente se = 4 cos
2
4 0,
ou seja, se e somente se cos
2
1. E como cos
2
assume valor maximo 1,
entao cos
2
1 se e somente se cos
2
= 1. E cos
2
= 1 se e somente se
cos = 1 ou cos = 1. E isto acontece se e somente se = n com n Z.
Portanto, a matriz A

tem de ser da forma


A

=
_
1 0
0 1
_
ou A

=
_
1 0
0 1
_
,
cujos autovalores sao 1 e -1, respectivamente. Logo, se o angulo nao for
m ultiplo de , a matriz rotacao A

nao possui autovalores reais e, portanto,


nao e diagonalizavel. Quando = n, com n Z, temos que a matriz A

e
diagonalizavel.
Exemplo 2
Calcule os autovalores da matriz reexao B

e mostre que ela e diago-


nalizavel.
Solucao:
O polinomio caracterstico de B

e dado por
det(xI
2
B

) =

x cos sen
sen x + cos

= (x cos )(x + cos ) sen


2

= x
2
cos
2
sen
2

= x
2
1 .
Portanto, os autovalores de B

sao
1
= 1 e
2
= 1. Como B

possui
dois autovalores distintos, segue que B

e diagonalizavel.
CEDERJ
120
Propriedades das Rotacoes e Reexoes no Plano 1
a
Parte
M

ODULO 2 - AULA 13
Exerccios
1. Verique que toda matriz de reexao B

pode ser escrita como o pro-


duto da matriz de reexao no eixo-x por uma matriz de rotacao.
121
CEDERJ
Propriedades das Rotacoes e Reexoes no Plano 2
a
Parte
M

ODULO 2 - AULA 14
Aula 14 Propriedades das Rotac oes e
Reexoes no Plano 2
a
Parte
Objetivos
Compreender algumas propriedades geometricas das matrizes de rotac ao
e reexao.
Compreender a diagonalizac ao das matrizes de rotac ao e reexao.
Pre-requisitos: Aulas 10, 11,
12 e 13.
Nesta aula veremos como se comportam as transformac oes de rotacao e
reexao no plano quando combinadas entre si.

E facil vericar que o produto
de matrizes ortogonais e novamente uma matriz ortogonal (Exerccio 1). Mas
no caso especco de matrizes de ordem 2 e possvel calcular estes produtos
e interpret a-los geometricamente.
Nas aulas anteriores, para cada R, trabalhamos com as matrizes
A

=
_
cos sen
sen cos
_
e B

=
_
cos sen
sen cos
_
.
Geometricamente, a matriz A

representa uma rotac ao de radianos


e a matriz B

representa uma reexao com respeito `a reta que forma um


angulo de /2 radianos com o semi-eixo-x positivo.
Queremos determinar como essas matrizes se comportam com respeito
`a multiplicacao, isto e, como se comportam as matrizes
A

, A

, B

e B

.
Vamos ver, inicialmente, o que estes produtos signicam geometrica-
mente e, em seguida, vamos determinar sua descric ao algebrica:
1. A

: Temos uma rotac ao de um angulo de radianos seguida de


outra rotac ao de radianos. Vemos, ent ao, que o resultado sera uma
rotacao de + radianos. Veja a Figura 14.1.
123
CEDERJ
Propriedades das Rotacoes e Reexoes no Plano 2
a
Parte
a. Os vetores da
base canonica.
b. Uma rotacao de . c. Depois, uma
rotac ao de .
Fig. 14.1
Para obter a descric ao algebrica de A

vamos precisar, mais uma


vez, das formulas de adic ao de arcos:
cos(a + b) = cos a cos b sena senb e
sen(a + b) = sen a cos b + sen b cos a.
Algebricamente, temos que A

= A
+
, pois
A

=
_
cos sen
sen cos
_ _
cos sen
sen cos
_
=
_
cos cos sen sen cos sen sen cos
sen cos + cos sen sen sen + cos cos
_
=
_
cos( + ) sen( + )
sen( + ) cos( + )
_
= A
+
.
Observe que A

= A
+
= A
+
= A

e isto quer dizer que as


matrizes A

e A

comutam. Tambem sao validas as igualdades


A
2

= A

= A
+
= A
2
A
3

= A
2

= A
2+
= A
3
e, assim, sucessivamente.
2. A

: Temos, aqui, uma reexao com respeito `a reta que forma um


angulo de /2 radianos com o semi-eixo-x positivo seguida de uma
rotac ao de radianos. Veja a Figura 14.2.
CEDERJ
124
Propriedades das Rotacoes e Reexoes no Plano 2
a
Parte
M

ODULO 2 - AULA 14
a. Os vetores da
base canonica.
b. Uma reexao em /2. c. Depois, uma
rotac ao de .
Fig. 14.2
Algebricamente, temos que A

= B
+
, o que nos da uma nova
reexao, agora, em torno da reta que forma um angulo de ( +)/2 radianos
com o semi-eixo-x positivo. Vamos vericar isso:
A

=
_
cos sen
sen cos
_ _
cos sen
sen cos
_
=
_
cos cos sen sen cos sen + sen cos
sen cos + cos sen sen sen cos cos
_
=
_
cos( +) sen( + )
sen( + ) cos( + )
_
= B
+
.
3. B

: Temos, agora, uma rotacao de radianos seguida de uma re-


exao com respeito `a reta que forma um angulo de /2 radianos com
o semi-eixo-x positivo. Veja a Figura 14.3.
a. Os vetores da
base canonica.
b. Uma rotacao de . c. Depois, uma
reexao de /2.
Fig. 14.3
125
CEDERJ
Propriedades das Rotacoes e Reexoes no Plano 2
a
Parte
Algebricamente, temos que B

= B

, o que nos da uma nova


reexao, agora, em torno da reta que forma um angulo de ( )/2 radianos
com o semi-eixo-x positivo. Vamos vericar isso:
B

=
_
cos sen
sen cos
_ _
cos sen
sen cos
_
=
_
cos cos + sen sen cos sen + sen cos
sen cos cos sen sen sen cos cos
_
=
_
cos( ) sen( )
sen( ) cos( )
_
= B

.
Como, em geral, B
+
,= B

, temos que A

,= B

, ou seja, as
matrizes A

e B

nao comutam em geral.


4. B

: Nesse ultimo caso, temos uma reexao com respeito `a reta que
forma um angulo de /2 radianos com o semi-eixo-x positivo seguida de
outra reexao com respeito `a reta que forma um angulo de /2 radianos
com o semi-eixo-x positivo. Veja a Figura 14.3.
a. Os vetores da
base canonica.
b. Reexao de /2. c. Depois, reexao
de /2.
Fig. 14.4
Algebricamente, temos que B

= A

, o que nos da uma rotac ao


de radianos, pois
B

=
_
cos sen
sen cos
_ _
cos sen
sen cos
_
=
_
cos cos + sen sen cos sen sen cos
sen cos cos sen sen sen + cos cos
_
=
_
cos( ) sen( )
sen( ) cos( )
_
= A

.
CEDERJ
126
Propriedades das Rotacoes e Reexoes no Plano 2
a
Parte
M

ODULO 2 - AULA 14
Como, em geral, A
+
,= A

, temos que B

,= B

, ou seja, as
matrizes B

e B

nao comutam em geral.


Resumindo, temos as seguintes igualdades:
_

_
A

= A
+
A

= B
+
B

= B

= A

,
as quais podemos interpretar como: rotac ao seguida de rotac ao e uma rotacao;
reexao seguida de rotac ao e reexao; rotacao seguida de reexao e reexao
e reexao seguida de reexao e rotac ao.
Exemplo 1
Calcule a imagem do quadrado unitario, veja a Figura 14.5, quando
reetido na reta y =

3x e, em seguida, rodado de um angulo de /3


radianos.
Solucao:
O quadrado unitario tem vertices V
0
= (0, 0), V
1
= (1, 0), V
2
= (1, 1)
e V
3
= (0, 1). Veja a Figura 14.5.
Figura 14.5: O quadrado unitario.
Como a reta y =

3x tem coeciente angular

3 = tg /3, ela forma


um angulo de /3 radianos com o semi-eixo-x positivo. Veja a Figura 14.6.
Figura 14.6: Inclinac ao com angulo de /2 = /3..
127
CEDERJ
Propriedades das Rotacoes e Reexoes no Plano 2
a
Parte
A um angulo de inclinac ao de /2 = /3 radianos da reta de reexao,
corresponde uma matriz de reexao B

com = 2/3. Assim, sabemos que


a matriz que representa a reexao com respeito `a reta y =

3x e dada por
B
2/3
=
_
cos 2/3 sen2/3
sen2/3 cos 2/3
_
=
_
1/2

3
_
2

3
_
2 1/2
_
.
.
A matriz de rotacao de angulo = /3 radianos e dada por
A
/3
=
_
cos /3 sen /3
sen/3 cos /3
_
=
_
1/2

3
_
2

3
_
2 1/2
_
.
Agora, do que acabamos de ver,
A
/3
B
2/3
= B
3
+
2
3
= B

=
_
1 0
0 1
_
,
que e a reexao no eixo-y. Se representarmos o quadrado unitario pela matriz
2 4
D = [V
0
V
1
V
2
V
3
],
cujas colunas sao os vertices do quadrado, sua imagem e dada por
(A
/3
B
2/3
)(D) = B

D
=
_
1 0
0 1
_ _
0 1 1 0
0 0 1 1
_
=
_
0 1 1 0
0 0 1 1
_
.
Ou seja, a imagem e o quadrado unitario de vertices (0, 0), (1, 0),
(1, 1) e (0, 1). Veja a Figura 14.7.
Figura 14.7: Quadrado imagem.
CEDERJ
128
Propriedades das Rotacoes e Reexoes no Plano 2
a
Parte
M

ODULO 2 - AULA 14
Exerccios
1. Mostre que o produto de duas matrizes ortogonais e matriz ortogonal.
2. Determine a imagem dos vertices da gura abaixo apos uma reexao
com respeito `a reta y = x, seguida de uma rotac ao de /4 radianos.
Os vertices sao: v
1
= (1, 1); v
2
= (4, 1); v
3
= (4, 3); v
4
= (3, 3);
v
5
= (3, 2) e v
6
= (1, 2).
129
CEDERJ
Exerccios Resolvidos 1
a
Parte
M

ODULO 2 - AULA 15
Aula 15 Exerccios Resolvidos 1
a
Parte
Objetivos
Aplicar os conceitos de ortogonalidade vistos nas Aulas de 9 a 14.
Aplicar as propriedades de ortogonalidade vistas nas Aulas 9 a 14.
Pre-requisitos: Voce deve ter
claras as ideias apresentadas
nas Aulas 9 a 14.
Antes de prosseguirmos com o estudo das matrizes ortogonais de ordem
3, faremos uma pequena pausa na apresentac ao para exercitarmos o conte udo
visto ate agora. Nas proximas duas aulas, voce tera a sua disposicao uma
lista de exerccios para tentar resolver e, depois, conferir com as solucoes
apresentadas.
A ideia e que voce, primeiro, tente resolver cada um dos exerccios,
usando, se necessario, as anotac oes das aulas anteriores, e so depois de obtida
a sua propria solucao, compare-a com a soluc ao apresentada aqui. Caso voce
nao consiga resolver algum exerccio, nao se aija e leia atentamente a soluc ao
correspondente. Tambem nao hesite em procurar ajuda do tutor.
Exerccios
1. Determine o valor da constante k R para que os vetores u = (1, 2, k, 3)
e v = (3, k, 7, 5) sejam ortogonais.
2. Mostre que u
1
= (2, 3) e u
2
= (6, 4) formam uma base ortogonal de
R
2
. Determine as componentes de w = (9, 7) nesta base. Construa
uma base ortonormal de R
2
usando os vetores u
1
e u
2
.
3. Verique que os vetores u
1
= (1, 0, 1), u
2
= (1, 4, 1) e u
3
= (2, 1, 2)
sao ortogonais. Construa uma base ortonormal de R
3
partindo de u
1
,
u
2
e u
3
.
4. Seja u = (1, 2) R
2
. Descreva o conjunto S = v R
2
[ u, v) = 0.
Mostre que S e um subespaco vetorial de R
2
e determine uma base
para S.
5. Repita o exerccio anterior no caso de u = (1, 2, 1) R
3
.
6. Mostre que a matriz A =
_
1
_
5 2
_
5
2
_
5 1
_
5
_
e ortogonal.
131
CEDERJ
Exerccios Resolvidos 1
a
Parte
7. Mostre que A =
_
_
_
1/9 8/9 4/9
4/9 4/9 7/9
8/9 1/9 4/9
_
_
_
e uma matriz ortogonal.
8. Determine todos os valores x, y R, de modo que a matriz
A =
_
x y
1 0
_
seja ortogonal. Em cada caso, identique se a matriz
A representa uma rotac ao ou uma reexao.
Solucoes:
1. Sendo u e v ortogonais, temos que u, v) = 0. Como
u, v) = (1, 2, k, 3), (3, k, 7, 5)) ,
ent ao
9k 12 = 0
k =
4
3
.
2. Como os vetores u
1
e u
2
sao ortogonais, pois
u
1
, u
2
) = (2, 3), (6, 4)) = 2 6 + (3) 4 = 0,
eles sao linearmente independentes emR
2
. Sendo R
2
um espaco vetorial
de dimensao 2, segue que u
1
, u
2
e uma base de R
2
.
Para determinarmos as componentes de w = (9, 7) nesta base,
devemos encontrar escalares a e b, tais que w = au
1
+ bu
2
, ou seja,
(9, 7) = a (2, 3) + b (6, 4),
o que nos leva ao sistema
_
2a + 6b = 9
3a + 4b = 7 ,
cuja solucao e a = 3 e b = 1/2. Portanto, na base = u
1
, u
2
, temos
w = 3u
1
+
1
2
u
2
,
isto e, w = [3, 1/2]

.
CEDERJ
132
Exerccios Resolvidos 1
a
Parte
M

ODULO 2 - AULA 15
Ja sabemos que u
1
, u
2
e uma base ortogonal de R
2
. Para
transforma-la numa base ortonormal, basta normalizar u
1
e u
2
. Como
[[u
1
[[ =
_
2
2
+ (3)
2
=

13 e
[[u
2
[[ =

6
2
+ 4
2
=

52 = 2

13,
entao os vetores
v
1
=
u
1
[[u
1
[[
=
_
2

13
,
3

13
_
e v
2
=
u
2
[[u
2
[[
=
_
3

13
,
2

13
_
formam uma base ortonormal de R
2
.
3. Temos que
u
1
, u
2
) = (1, 0, 1), (1, 4, 1)) = 1 + 0 + 1 = 0;
u
1
, u
3
) = (1, 0, 1), (2, 1, 2)) = 2 + 0 2 = 0;
u
2
, u
3
) = (1, 4, 1), (2, 1, 2)) = 2 + 4 2 = 0.
Assim, os vetores u
1
, u
2
e u
3
sao ortogonais. Portanto, eles
sao linearmente independentes e, como R
3
e um espaco vetorial de
dimensao 3, segue que u
1
, u
2
, u
3
e uma base ortogonal de R
3
. Como
no exerccio anterior, para obter agora uma base ortonormal de R
3
basta normalizar os vetores u
1
, u
2
e u
3
. Vericamos que
[[u
1
[[ =

2; [[u
2
[[ = 3

2 e [[u
3
[[ = 3.
Da, temos que
v
1
=
u
1
||u
1
||
=
_
1

2
, 0,
1

2
_
; v
2
=
u
2
||u
2
||
=
_
1
3

2
,
4
3

2
,
1
3

2
_
e v
3
=
u
3
||u
3
||
=
_
2
3
,
1
3
,
2
3
_
formam uma base ortonormal de R
3
.
4. Temos que v = (x, y) S se e somente se u, v) = 0, onde u = (1, 2),
isto e, se e somente se
x + 2y = 0,
ou seja, quando x = 2y. Logo, S e formado por todos os vetores da
forma v = (2y, y), y R, ou seja, S = t(2, 1) [t R. Assim,
vemos que S e gerado pelo vetor (2, 1), ou seja, tem como uma base
(2, 1); portanto, e um subespaco vetorial de dimensao 1 (chamado
complemento ortogonal do subespaco gerado por (1, 2)).
5. O complemento ortogonal de u = (1, 2, 1) R
3
e composto dos vetores
v = (x, y, z) R
3
, tais que u, v) = 0, ou seja,
(1, 2, 1), (x, y, z)) = 0,
133
CEDERJ
Exerccios Resolvidos 1
a
Parte
e, portanto, x + 2y + z = 0, ou x = 2y z. Assim, todos os vetores
da forma
v = (2y z, y, z) com y, z R
sao ortogonais a u = (1, 2, 1). Logo,
S = v R
3
[ u, v) = 0
= (2y z, y, z) [ y, z R
= y(2, 1, 0) + z (1, 0, 1) [ y, z R .
Veja que o subespaco S e gerado pelos vetores linearmente in-
dependentes (2, 1, 0) e (1, 0, 1). Portanto, S e um subespaco de
dimensao 2. Geometricamente, S e o plano de R
3
pela origem gerado
pelos vetores (2, 1, 0) e (1, 0, 1).
6. Temos que
A A
t
=
_
1
_
5 2
_
5
2
_
5 1
_
5
_ _
1
_
5 2
_
5
2
_
5 1
_
5
_
=
_
1 0
0 1
_
,
logo, A e ortogonal. Observe tambem que as colunas de A sao vetores
ortonormais de R
2
.
7. Observe que as colunas da matriz A,
u
1
=
_
1
9
,
4
9
,
8
9
_
, u
2
=
_
8
9
,
4
9
,
1
9
_
, u
3
=
_

4
9
,
7
9
,
4
9
_
,
satisfazem:
u
1
, u
2
) =
8
81

16
81
+
8
81
= 0
u
1
, u
3
) =
4
81

28
81
+
32
81
= 0
u
2
, u
3
) =
32
81
+
28
81
+
4
81
= 0
u
1
, u
1
) =
1
81
+
16
81
+
64
81
= 1
u
2
, u
2
) =
64
81
+
16
81
+
1
81
= 1
u
3
, u
3
) =
16
81
+
49
81
+
16
81
= 1.
Assim, u
1
, u
2
, u
3
e uma base ortonormal de R
3
e, portanto, a
matriz A e ortonormal.
CEDERJ
134
Exerccios Resolvidos 1
a
Parte
M

ODULO 2 - AULA 15
8. Para que a matriz A =
_
x y
1 0
_
seja ortogonal, devemos ter
(x, 1), (x, 1)) = x
2
+ 1 = 1, logo, x = 0;
(y, 0), (y, 0)) = y
2
= 1, logo, y = 1.
Assim, obtemos as duas matrizes
A
1
=
_
0 1
1 0
_
e A
2
=
_
0 1
1 0
_
.
Como det(A
1
) = 1, temos que A
1
representa uma rotacao. Logo,
A
1
=
_
0 1
1 0
_
=
_
cos sen
sen cos
_
.
Observando esta igualdade, temos que:
_
sen = 1
cos = 0 ,
logo, = 3/2. Assim, A
1
e uma rotac ao de 3/2 ou, equivalentemente,
uma rotac ao de /2.
Por outro lado, det(A
2
) = 1 e, assim, A
2
e uma reexao. Logo,
A
2
=
_
0 1
1 0
_
=
_
cos sen
sen cos
_
,
Observando a igualdade anterior, temos que:
_
sen = 1
cos = 0 ,
logo, = 3/2. Portanto, A
2
e uma reexao com respeito `a reta que
forma com o eixo-x um angulo de

2
=
3
4
. Mas esta e a reta de
equacao y = x.
135
CEDERJ
Exerccios Resolvidos 2
a
Parte
M

ODULO 2 - AULA 16
Aula 16 Exerccios Resolvidos 2
a
Parte
Nesta aula daremos continuidade `a seq uencia de exerccios iniciada na
aula anterior. Salientamos que voce primeiro tente resolver cada um dos
exerccios usando, se necessario, as anotac oes das aulas anteriores, e so de-
pois de obtida a sua propria solucao, compare-a com a soluc ao apresentada
aqui. Caso voce nao consiga resolver algum exerccio, nao se aija e leia aten-
tamente a solucao correspondente. Tambem nao hesite em procurar ajuda
do tutor.
Exerccios
9. Determine os valores m, n R para que a matriz A =
_
m

2
_
2
n

2
_
2
_
seja ortogonal.
10. Obtenha todas as matrizes ortogonais de ordem 2, tais que sua primeira
coluna seja um vetor paralelo a u = (1, 2).
11. Obtenha uma matriz ortogonal de ordem 3, tal que sua primeira coluna
seja um vetor paralelo a u = (1, 2, 2).
12. Seja a matriz A =
_
_
_
1 1 7
1 3 5
1 4 2
_
_
_
. Responda `as seguintes perguntas:
a) Suas colunas formam vetores ortogonais de R
3
?
b) Suas linhas formam vetores ortogonais?
c) A e uma matriz ortogonal?
13. Determine todas as matrizes ortogonais de ordem 2 da forma
A =
_
1/3 x
y z
_
.
14. Determine todas as matrizes ortogonais de ordem 3, tais que suas
duas primeiras colunas sejam vetores paralelos aos vetores (1, 1, 1) e
(0, 1, 1), respectivamente.
15. Sejam A
1
, A
2
, B
1
e B
2
matrizes de ordem 2, tais que:
A
1
e uma rotacao de /6 radianos;
A
2
e uma rotacao de 5/6 radianos;
137
CEDERJ
Exerccios Resolvidos 2
a
Parte
B
1
e uma reexao com respeito `a reta y = x;
B
2
e uma reexao com respeito `a reta y =

3
2
x.
Calcule as matrizes A
2
1
; A
3
2
; B
2
1
; A
1
B
1
; A
2
B
2
; B
1
A
1
; A
1
2
e B
1
2
.
16. Sejam A e B matrizes ortogonais de ordem n. Mostre que:
a) A
1
e A
t
sao matrizes ortogonais;
b) AB e uma matriz ortogonal.
Solucoes:
9. As colunas de A sao os vetores u = (m, n) e v = (

2
_
2,

2
_
2). Para
que A seja ortogonal devemos ter:
[[u[[ =

m
2
+ n
2
= 1
e
u, v) =

(m, n), (

2
_
2,

2
_
2)
_
= 0,
o que nos da o sistema
_
m
2
+ n
2
= 1
m + n = 0 .
Da segunda equac ao temos n = m e, substituindo na primeira
equac ao, obtemos 2m
2
= 1, o que nos da m =

2
2
. Obtemos, assim,
duas matrizes:
A
1
=
_

2
_
2

2
_
2

2
_
2

2
_
2
_
e A
2
=
_

2
_
2

2
_
2

2
_
2

2
_
2
_
.
Observe que A
1
e uma rotac ao e A
2
e uma reexao.
10. Normalizando o vetor u = (1, 2) obtemos o vetor
_
1

5
,
2

5
_
, que sera
a primeira coluna da matriz desejada. Como a segunda coluna (m, n)
tem que ser ortogonal a u, obtemos os vetores
_
2

5
,
1

5
_
e
_
2

5
,
1

5
_
.
Assim, obtemos as duas matrizes ortogonais
A
1
=
_
1
_
5 2
_
5
2
_
5 1
_
5
_
e A
2
=
_
1
_
5 2
_
5
2
_
5 1
_
5
_
.
CEDERJ
138
Exerccios Resolvidos 2
a
Parte
M

ODULO 2 - AULA 16
11. Normalizando o vetor u = (1, 2, 2) obtemos o vetor
_
1
3
,
2
3
,
2
3
_
, que sera a
primeira coluna da matriz A. Para obter as outras duas colunas de A,
vamos procurar dois vetores ortogonais a u que sejam ortogonais entre
si e, depois, normaliza-los. O vetor v = (a, b, c) sera ortogonal a u se e
somente se u, v) = 0, isto e, quando
a + 2b + 2c = 0.
Podemos escolher (a, b, c) = (0, 1, 1). O terceiro vetor w =
(x, y, z) agora tem que satisfazer u, w) = 0 e v, w) = 0, ou seja, tem
que satisfazer o sistema
_
x + 2y + 2z = 0
y z = 0 ,
que e equivalente a
_
x = 4y
z = y .
Assim, obtemos (x, y, z) = (4y, y, y) = (4, 1, 1)y, y R.
Podemos escolher y = 1, obtendo (x, y, z) = (4, 1, 1). Normalizando
os vetores (0, 1, 1) e (4, 1, 1), obtemos
_
0,
1

2
,
1

2
_
e
_
4
3

2
,
1
3

2
,
1
3

2
_
,
respectivamente. Portanto, uma matriz ortogonal A desejada e dada
por
A =
_
_
_
1/3 0 4
_
3

2
2/3 1
_
2 1
_
3

2
2/3 1
_
2 1
_
3

2
_
_
_
12. a) As colunas da matriz A podem ser representadas pelos vetores
u
1
= (1, 1, 1), u
2
= (1, 3, 4) e u
3
= (7, 5, 2).
Temos
u
1
, u
2
) = 1 + 3 4 = 0
u
1
, u
3
) = 7 5 2 = 0
u
2
, u
3
) = 7 15 + 8 = 0.
Assim, as colunas de A formam um conjunto de vetores ortogonais.
b) Calculando o produto interno entre a primeira e segunda linhas
obtemos
(1, 1, 7), (1, 3, 5)) = 1 + 3 35 ,= 0,
e, portanto, as linhas de A nao formam vetores ortogonais.
139
CEDERJ
Exerccios Resolvidos 2
a
Parte
c) As colunas de A formam vetores ortogonais mas nao sao vetores
unitarios, pois
[[u
1
[[ =
_
1
2
+ 1
2
+ (1)
2
=

3 ,= 1.
Como as colunas de A nao formam vetores ortonormais entao A
nao e matriz ortogonal.
13. As colunas da matriz A sao representadas pelos vetores u = (1/3, y) e
v = (x, z). Da condicao de u ter que ser vetor unitario, temos que
[[u[[
2
=
1
9
+ y
2
= 1,
o que nos da y
2
=
8
9
, ou y =
2

2
3
. Assim, a primeira coluna da matriz
A pode ser representada por
u =
_
1
3
,
2

2
3
_
ou u =
_
1
3
,
2

2
3
_
.
Sendo v = (x, z) vetor ortogonal a u e unitario, temos as quatro
possibilidades para a matriz A:
_
1/3 2

2
_
3
2

2
_
3 1/3
_
;
_
1/3 2

2
_
3
2

2
_
3 1/3
_
;
_
1/3 2

2
_
3
2

2
_
3 1/3
_
ou
_
1/3 2

2
_
3
2

2
_
3 1/3
_
.
Obs.: Lembre que na Aula 9 vimos que todos os vetores unitarios
ortogonais ao vetor unitario (a, b) sao (b, a) ou (b, a).
14. As primeiras duas colunas da matriz A serao os vetores (1, 1, 1) e
(0, 1, 1) normalizados, que denotaremos, respectivamente, por
u =
_
1

3
,
1

3
,
1

3
_
e u =
_
0,
1

2
,
1

2
_
. Para que a matriz A seja ortogo-
nal, a terceira coluna devera ser representada por um vetor unitario w
ortogonal a u e a v, por exemplo,
w = u v =

i j k
1

3
1

3
1

3
0
1

2
1

=
_
2

6
,
1

6
,
1

6
_
.
CEDERJ
140
Exerccios Resolvidos 2
a
Parte
M

ODULO 2 - AULA 16
Assim,
A =
_
_
_
_
_
_
_
1

3
0
2

6
1

3
1

2
1

6
1

3
1

2
1

6
_
_
_
_
_
_
_
.
15. Como foi visto na Aula 11,
A
1
= A
/6
=
_
cos /6 sen/6
sen/6 cos /6
_
=
_

3
_
2 1/2
1/2

3
_
2
_
e
A
2
= A
5/6
=
_
cos 5/6 sen5/6
sen5/6 cos 5/6
_
=
_

3
_
2 1/2
1/2

3
_
2
_
.
Por outro lado, a reta y = x forma uma angulo de /4 com o
eixo-x. Assim, usando a notacao da aula 14 para reexoes, temos

2
=

4
e, portanto, =

2
. Logo,
B
1
= B
/2
=
_
cos /2 sen/2
sen/2 cos /2
_
=
_
0 1
1 0
_
.
Analogamente, a reta y = x forma uma angulo de 3/4 com o
eixo-x. Assim, temos

2
=
3
4
e, portanto, =
3
2
. Logo,
B
2
= B
3/2
=
_
cos 3/2 sen3/2
sen3/2 cos 3/2
_
=
_
0 1
1 0
_
Agora, pelas propriedades de composicao vistas na aula 14, vale
que
A
2
1
= A
/6
A
/6
= A
2/6
= A
/3
=
_
1/2

3
_
2

3
_
2 1/2
_
;
A
3
1
= A
/6
A
/6
A
/6
= A
3/6
= A
/2
=
_
0 1
1 0
_
;
B
2
1
= B
/2
B
/2
= A
2


2
= A
0
=
_
1 0
0 1
_
;
A
1
B
1
= A
/6
B
/2
= B
6
+

2
= B
2/3
=
_
1/2

3
_
2

3
_
2 1/2
_
;
A
2
B
2
= A
5/6
B
3/2
= B
5
6
+
3
2
= B
/3
=
_
1/2

3
_
2

3
_
2 1/2
_
;
141
CEDERJ
Exerccios Resolvidos 2
a
Parte
B
1
A
1
= B
/2
A
/6
= B
2


6
= B
/3
=
_
1/2

3
_
2

3
_
2 1/2
_
;
A
1
2
= A
1
/6
= A
/6
=
_

3
_
2 1/2
1/2

3
_
2
_
;
B
1
2
= B
2
, pois B
1
2
= I
2
.
16. a) Como A e matriz ortogonal, temos que A
1
= A
t
. Assim,
(A
1
)
1
= (A
t
)
1
= (A
1
)
t
,
logo, A
1
e matriz ortogonal. Analogamente,
(A
t
)
1
= (A
1
)
t
= (A
t
)
t
,
e, portanto, A
t
tambem e matriz ortogonal.
b) Como B e matriz ortogonal, vale que B
1
= B
t
. Assim,
(AB)
1
= B
1
A
1
= B
t
A
t
= (AB)
t
,
logo, AB e matriz ortogonal.
CEDERJ
142
Rotacoes no Espaco
M

ODULO 2 - AULA 17
Aula 17 Rotac oes no Espaco
Objetivos
Compreender o efeito das rotac oes no espaco em torno dos eixos carte-
sianos.
Vericar que essas rotac oes sao exemplos de matrizes ortogonais.
Pre-requisitos: Aulas 08, 09,
10, 11, 13 e 14.
Nesta aula, vamos estudar algumas transformac oes ortogonais em R
3
.
Mais precisamente, faremos um estudo de matrizes ortogonais de ordem 3.
Comecaremos estudando as rotac oes do espaco euclidiano R
3
, porem, nos
limitaremos `as rotacoes em torno dos eixos cartesianos. Inicialmente, vejamos
alguns exemplos.
Exemplo 1
Uma rotac ao de radianos em torno do eixo-z.
Solucao:
Fig. 17.1: Sentido positivo da rotac ao em torno do eixo-z.
Convencionamos que o sentido positivo da rotacao e o indicado
pela Figura 17.1. Denotaremos por v = (x, y, z) um vetor de R
3
e por
v
1
= (x

, y

, z

) o resultado da aplicacao em v de uma rotacao de radianos


em torno do eixo-z. Veja a Figura 17.2.
143
CEDERJ
Rotacoes no Espaco
Fig. 17.2: Rotac ao de radianos em torno do eixo-z.
Observe que a terceira coordenada de v
1
= (x

, y

, z

) deve ser igual `a


terceira coordenada de v, ou seja, z

= z.
Nosso objetivo, agora, e calcular as coordenadas x

e y

de v
1
em funcao
das coordenadas x, y e z de v e do angulo . Para isso, observe que o vetor
(x

, y

, 0) e o resultado de aplicarmos uma rotacao de radianos ao vetor


(x, y, 0). Como estes dois vetores pertencem ao plano-xy entao, pelo visto na
Aula 11, sabemos que
_
x

= x cos y sen
y

= y cos +x cos ,
pois quando trabalhamos no plano a matriz rotac ao de radianos e dada por
A

=
_
cos sen
sen cos
_
.
Assim, usando notac ao matricial e o fato de que z

= z, temos
_
_
_
x

_
_
_
=
_
_
_
cos sen 0
sen cos 0
0 0 1
_
_
_
_
_
_
x
y
z
_
_
_
.
Portanto, a matriz de ordem 3 que representa uma rotacao de radianos
em torno do eixo-z e dada por:
A
z
() =
_
_
_
cos sen 0
sen cos 0
0 0 1
_
_
_
.
CEDERJ
144
Rotacoes no Espaco
M

ODULO 2 - AULA 17
Observe que o bloco superior da matriz,
_
cos sen
sen cos
_
, e uma
matriz de rotacao no plano-xy.

E facil identicarmos algumas propriedades
da matriz A
z
():
1. A
z
() e uma matriz ortogonal.
De fato, as colunas formam uma base ortonormal de R
3
.
2. det A
z
() = 1
3. O polinomio caracterstico de A
z
() e dado por:
p(x) = det(xI
3
A
z
())
=

x cos sen 0
sen x cos 0
0 0 x 1

= (x 1)(x
2
2 cos x + 1)
Ja vimos que o polinomio x
2
2 cos x + 1 possui razes reais se e
somente se = 2n, n Z (que representa o caso trivial x = 1). Assim, a
unica raiz real de p(x) e = 1, ou seja, = 1 e o unico autovalor real de
A
z
(). Nesse caso, um autovetor associado ao autovalor = 1 e exatamente
e
3
= (0, 0, 1), que corresponde `a direc ao determinada pelo eixo-z, em torno
da qual ocorre a rotacao.
Exemplo 2
Uma rotac ao de radianos em torno do eixo-y.
Fig. 17.3: Sentido positivo da rotac ao em torno do eixo-y.
145
CEDERJ
Rotacoes no Espaco
Solucao:
O sentido positivo da rotac ao e indicado na Figura 17.3. Procedendo
de forma analoga ao que foi feito no Exemplo 1, obtemos que a matriz que
representa uma rotac ao de radianos em torno do eixo-y e dada por:
A
y
() =
_
_
_
cos 0 sen
0 1 0
sen 0 cos
_
_
_
.
Observe que A
y
() e uma matriz ortogonal com determinante igual a
1. O polinomio caracterstico de A
y
() e dado por:
p(x) = (x 1)(x
2
2 cos x + 1),
e, assim, a matriz A
y
() possui tambem um unico autovalor real, = 1. Nesse
caso, um autovetor associado ao autovalor = 1 e exatamente e
2
= (0, 1, 0),
que corresponde `a direcao determinada pelo eixo-y, em torno da qual ocorre
a rotac ao.
Os exemplos 1 e 2 tornam bastante previsvel o que acontece com a
rotacao em torno do eixo-x.
Exemplo 3
A matriz
A
x
() =
_
_
_
1 0 0
0 cos sen
0 sen cos
_
_
_
determina uma rotacao de radianos em torno do eixo-x, sendo o sentido
positivo da rotacao dado pela Figura 17.4.
Fig. 17.4: Sentido positivo da rotac ao em torno do eixo-x.
CEDERJ
146
Rotacoes no Espaco
M

ODULO 2 - AULA 17
Vemos que det A
x
() = 1 e que o unico autovalor real de A
x
() e = 1.
Um autovetor associado ao autovalor = 1 e e
1
= (1, 0, 0), que corresponde `a
direcao determinada pelo eixo-x, em torno da qual ocorre a rotac ao. Observe
que o bloco inferior da matriz A
x
() e exatamente uma matriz de rotacao no
plano-yz.
No proximo exemplo, trataremos brevemente das rotacoes que sao
realizadas em torno de um eixo passando pela origem de R
3
. Vamos ve-
ricar que, ao escolher uma base ortonormal adequadamente, a matriz que
dene essa rotacao tem a mesma forma das matrizes dos exemplos anteriores.
Exemplo 4
Vamos determinar a matriz A M
3
(R) que dene a rotac ao de
radianos em torno da reta L paralela ao vetor v = (1, 1, 1) e que passa pela
origem.
Solucao:
Como foi mencionado anteriormente, precisamos escolher uma base or-
tonormal adequada para que a matriz, nesta base, tenha a mesma forma
que as matrizes dos exemplos anteriores. Por isso, e muito importante que
voce tenha compreendido bem como as matrizes desses exemplos foram cons-
trudas. Com isso em mente, procedemos `a construcao de uma base ortonor-
mal conforme estudado na Aula 10.
Denotaremos por v
3
= (1, 1, 1) o vetor que determina a reta em torno
da qual faremos a rotac ao de radianos. O sentido positivo dessa rotac ao e
dado pela Figura 17.5.
Fig. 17.5: Sentido positivo da rotac ao em torno do vetor v
3
= (1, 1, 1).
A ideia, primeiramente, e construir uma base ortogonal de R
3
contendo
este vetor. Claramente, os outros dois vetores desta base, v
1
e v
2
, pertencem
ao plano que passa pela origem e cujo vetor normal e v
3
. Veja a Figura
17.6.
147
CEDERJ
Rotacoes no Espaco
Fig. 17.6: O plano com vetor normal v
3
e a base ortogonal v
1
, v
2
, v
3
.
Do curso de Geometria Analtica, sabemos que o plano e descrito
pela equac ao
x + y z = 0.
O vetor v
1
pode ser qualquer vetor que pertenca a esse plano, por
exemplo,
v
1
= (1, 1, 2).
Conseq uentemente, o vetor v
2
= (x, y, z), alem de pertencer ao plano
, deve ser ortogonal a v
1
. Assim, devemos ter
_
x +y z = 0
v
1
, v
2
) = 0 ,
ou,
_
x +y z = 0
x +y + 2z = 0 .
Escalonando o sistema linear acima, obtemos que suas soluc oes sao da
forma:
_
x = y
z = 0 , y R.
Temos, ent ao, que o vetor v
2
pode ser obtido tomando y = 1:
v
1
= (1, 1, 0).
Portanto, o conjunto v
1
, v
2
, v
3
e uma base ortonormal de R
3
. Nor-
malizando esta base, obtemos os vetores
u
1
=
v
1
[[v
1
[[
=
_
1

6
,
1

6
,
2

6
_
;
u
2
=
v
2
[[v
2
[[
=
_
1

2
,
1

2
, 0
_
;
u
3
=
v
3
[[v
3
[[
=
_
1

3
,
1

3
,
1

3
_
.
CEDERJ
148
Rotacoes no Espaco
M

ODULO 2 - AULA 17
Assim, = u
1
, u
2
, u
3
e uma base ortonormal de R
3
. Dado um vetor
arbitrario v R
3
, seja [v]

= (v
1
, v
2
, v
3
) suas componentes na base .
Denotando por A

a matriz que representa essa rotacao na base , devemos


ter
A[v]

=
_
_
_
cos sen 0
sen cos 0
0 0 1
_
_
_
_
_
_
v
1
v
2
v
3
_
_
_
,
pois a rotacao e realizada em torno do eixo determinado por u
3
, isto e,
A

u
3
= u
3
= 0 u
1
+ 0 u
2
+ 1 u
3
.

E importante salientar a analogia com o Exemplo 1. Neste contexto,


o vetor u
3
faz o papel do vetor e
3
= (0, 0, 1), que determina o eixo-z e o
plano , gerado pelos vetores u
1
e u
2
, faz o papel do plano-xy. Observe que
A

possui um unico autovalor real, = 1, com autovetor associado u


3
, que
corresponde `a direc ao do eixo de rotac ao.
Exerccios
1. Sejam A
x
(
1
) e A
x
(
2
) duas matrizes de rotac ao em torno do eixo-x.
Calcule o produto A
x
(
1
) A
x
(
2
) e mostre que esse produto representa
uma rotacao de
1
+
2
radianos em torno do eixo-x. Conclua que o
produto de matrizes de rotac ao em torno de um mesmo eixo comuta.
2. Considere as rotacoes A
x
(/2) e A
z
(/2) de /2 radianos em torno dos
eixos x e z, respectivamente. Calcule os produtos A
x
(/2) A
z
(/2) e
A
z
(/2) A
x
(/2) e conclua que rotac oes em torno de eixos diferentes
nao comutam.
149
CEDERJ
Reexoes no Espaco
M

ODULO 2 - AULA 18
Aula 18 Reexoes no Espaco
Objetivos
Compreender o efeito das reexoes no espaco com respeito aos planos
cartesianos.
Vericar que estas reexoes sao exemplos de matrizes ortogonais.
Pre-requisitos: Aulas 08, 09,
10, 12, 13 e 14.
Nesta aula, continuaremos nosso estudo de matrizes ortogonais de or-
dem 3. Agora, estudaremos reexoes no espaco. No entanto, nos limitaremos
`as reexoes com respeito aos planos cartesianos do R
3
.
Exemplo 1
A reexao com respeito ao plano-xy (ou seja, o plano de equac ao
cartesiana z = 0).
Fig. 18.1: Reexao no plano xy.
Solucao:
Seja v
1
= (x

, y

, z

) o vetor obtido quando reetimos o vetor


v = (x, y, z) no plano-xy. [Veja a Figura 18.1.] Observe que os vetores
v e v
1
pertencem `a mesma reta e que
_

_
x

= x
y

= y
z

= z .
151
CEDERJ
Reexoes no Espaco
Assim, usando a notacao matricial, temos que
_
_
_
x

_
_
_
=
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
_
_
x
y
z
_
_
_
.
Logo, a matriz
B =
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
e a matriz que representa a reexao no plano-xy. Facilmente obtemos algu-
mas propriedades interessantes da matriz B. Por exemplo,
1. B e uma matriz ortogonal. De fato, observe que suas colunas formam
uma base ortonormal de R
3
;
2. det(B) = 1;
3. O polinomio caracterstico de B e dado por
p(x) = (x 1)
2
(x + 1).
Basta observar que
p(x) = det(xI
3
B)
=

x 1 0 0
0 x 1 0
0 0 x + 1

= (x 1)
2
(x + 1) .
4. A matriz B possui dois autovalores reais,

1
= 1, com multiplicidade 2; e

2
= 1, com multiplicidade 1.
Vamos calcular os respectivos auto-espacos, a saber,
V
1
= w R
3
[Bw = w e V
1
= w R
3
[Bw = w.
Para obter o auto-espaco V
1
, precisamos resolver o sistema linear ho-
mogeneo
(B I) w = 0,
CEDERJ
152
Reexoes no Espaco
M

ODULO 2 - AULA 18
onde w = (x, y, z) R
3
. Mas este sistema e equivalente ao sistema linear
_
_
_
0 0 0
0 0 0
0 0 2
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
.

E facil ver que a soluc ao deste ultimo sistema e dada por


z = 0 e x, y R,
o que nos da exatamente o plano-xy, como era de se esperar. Temos, entao,
V
1
= (x, y, 0) R
3
[x, y R.
Como uma escolha de base ortonormal desse auto-espaco sera impor-
tante mais `a frente, podemos escolher facilmente os vetores
e
1
= (1, 0, 0) e e
2
= (0, 1, 0)
para base de V .
Por outro lado, para calcularmos efetivamente o auto-espaco V
1
, asso-
ciado ao autovalor
2
= 1, temos que resolver o sistema linear
(B + I) w = 0,
com w = (x, y, z) R
3
, que e equivalente ao sistema escalonado
_
_
_
1 0 0
0 1 0
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
0
0
0
_
_
_
,
cuja soluc ao geral e dada por
x = 0, y = 0 e z R.
Obtemos, assim, que
V
1
= (0, 0, z) R
3
[z R,
ou seja, V
1
e representado pelo eixo-z e, como base desse auto-espaco, po-
demos escolher o vetor e
3
= (0, 0, 1).
Vale destacar que V
1
e o complemento ortogonal de V
1
, como ja foi
estudado no curso de

Algebra Linear I.
153
CEDERJ
Reexoes no Espaco
Exemplo 2
A reexao com respeito ao plano-xz (ou seja, o plano de equac ao
cartesiana y = 0).
Fig. 18.2: Reexao no plano xz.
Solucao:
Seguindo a mesma estrategia do Exemplo 1, seja v
1
= (x

, y

, z

) o vetor
obtido quando reetimos o vetor v = (x, y, z) no plano-xz. [Veja a Figura
18.2.] Portanto,
_

_
x

= x
y

= y
z

= z .
Assim, usando a notacao matricial, temos que
_
_
_
x

_
_
_
=
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
_
_
x
y
z
_
_
_
,
e, portanto,
B =
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
e a matriz que representa a reexao no plano-xz, com respeito `a base canonica.
CEDERJ
154
Reexoes no Espaco
M

ODULO 2 - AULA 18
Como no Exemplo 1, temos que a matriz B e ortogonal com determi-
nante igual a -1 e seu polinomio caracterstico e dado por
p(x) = det(xI
3
B)
=

x 1 0 0
0 x + 1 0
0 0 x 1

= (x 1)
2
(x + 1) .
Assim, seus dois autovalores sao

1
= 1, com multiplicidade 2; e

2
= 1, com multiplicidade 1.
Sem diculdades, como no Exemplo 1, conclumos que os auto-espacos
associados
V
1
= w R
3
[Bw = w e V
1
= w R
3
[Bw = w
sao, respectivamente, o plano-xz e o eixo-y.

E facil ver que e
1
, e
3
e uma
base ortonormal de V
1
e e
2
e uma base ortonormal de V
1
.
Observe, novamente, que o subespaco V
1
e o complemento ortogonal do
subespaco V
1
.
Exemplo 3
A reexao com respeito ao plano-yz (ou seja, o plano de equacao
cartesiana x = 0).
Fig. 18.3: Reexao com respeito ao plano-yz.
155
CEDERJ
Reexoes no Espaco
Solucao:
Seguindo a mesma estrategia dos exemplos 1 e 2, seja v
1
= (x

, y

, z

)
o vetor obtido quando reetimos o vetor v = (x, y, z) no plano-yz. [Veja a
Figura 18.3.] Temos ent ao
_

_
x

= x
y

= y
z

= z .
Assim, usando a notacao matricial, temos que
_
_
_
x

_
_
_
=
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
_
_
x
y
z
_
_
_
,
e, portanto,
B =
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
e a matriz que representa a reexao no plano-yz, com respeito `a base canonica.
Observe que as matrizes dos exemplos 1, 2 e 3, que denem as reexoes
nos planos xy, xz e yz, respectivamente, sao bem parecidas: sua diagonal
principal e formada por 1 e -1 e deve-se destacar a posicao do valor -1.
Como nos exemplos 1 e 2, temos que a matriz B e ortogonal com
determinante igual a -1 e seu polinomio caracterstico e dado por
p(x) = det(xI
3
B)
=

x + 1 0 0
0 x 1 0
0 0 x 1

= (x 1)
2
(x + 1) .
Assim, seus dois autovalores sao

1
= 1, com multiplicidade 2; e

2
= 1, com multiplicidade 1.
Sem diculdades, como nos exemplos anteriores, conclumos que os
auto-espacos associados
V
1
= w R
3
[Bw = w e V
1
= w R
3
[Bw = w
sao, respectivamente, o plano-yz e o eixo-x. Assim, e
2
, e
3
e uma base
ortonormal de V
1
e e
1
e uma base ortonormal de V
1
.
CEDERJ
156
Reexoes no Espaco
M

ODULO 2 - AULA 18
Nos exemplos anteriores, exibimos as matrizes que denem as reexoes
nos chamados planos coordenados, ou seja, nos planos xy, xz e yz, cujas
equacoes sao z = 0, y = 0 e x = 0, respectivamente. No proximo exemplo,
veremos uma reexao num plano diferente pela origem.
Exemplo 4
A reexao com respeito ao plano : 2x + 3y z = 0.
Fig. 18.4: Reexao com respeito ao plano .
Solucao:
Pela Figura 18.4, o ponto P

e a imagem do ponto P sob a reexao no


plano . Observamos que escolhendo adequadamente uma base ortonormal
de R
3
, a matriz que representa essa reexao e analoga `a dos exemplos ante-
riores. Assim, com a experiencia acumulada nos exemplos 1, 2 e 3, vamos
construir esta base ortonormal.
Sabemos, do estudo de Geometria Analtica, que v
3
= (2, 3, 1) e um
vetor normal ao plano . Vamos construir uma base ortogonal de R
3
contendo
esse vetor v
3
.

E claro que os outros dois vetores dessa base, v
1
e v
2
, devem
pertencer ao plano e devem ser ortogonais entre si. Assim, seja v
1
um
vetor qualquer pertencente ao plano , por exemplo, v
1
= (1, 1, 1). Agora,
o vetor v
2
= (x, y, z) deve pertencer ao plano e deve ser ortogonal a v
1
.
Assim, suas componentes, x, y e z, devem satisfazer
_
2x + 3y z = 0
v
1
, v
2
) = 0 ,
ou seja,
_
2x + 3y z = 0
x + y + z = 0 .
157
CEDERJ
Reexoes no Espaco
Escalonando esse sistema, vemos que a solucao e
_

_
x =
4
5
z
y =
1
5
z, z R.
Podemos escolher z = 5 para obter v
2
= (4, 1, 5). Assim, v
1
, v
2
, v
3

e uma base ortogonal de R


3
. Normalizando essa base, obtemos os vetores
u
1
=
v
1
[[v
1
[[
=
_
1

3
,
1

3
,
1

3
_
pertencente ao plano ,
u
2
=
v
2
[[v
2
[[
=
_
4

42
,
1

42
,
5

42
_
pertencente ao plano ,
u
3
=
v
3
[[v
3
[[
=
_
2

14
,
3

14
,
1

14
_
vetor normal ao plano .
Portanto, = u
1
, u
2
, u
3
e uma base ortonormal de R
3
. Assim, a
matriz A que representa a reexao no plano com respeito `a base deve
satisfazer (veja a Figura 18.5)
Au
1
= u
1
= 1 u
1
+ 0 u
2
+ 0 u
3
, pois u
1
pertence ao plano ,
Au
2
= u
2
= 0 u
1
+ 1 u
2
+ 0 u
3
, pois u
2
pertence ao plano ,
Au
3
= u
3
= 0 u
1
+ 0 u
2
+ (1) u
3
, pois u
3
e um vetor normal ao plano .
Fig. 18.5: A base ortonormal = u
1
, u
2
, u
3
e o plano .
Logo, a matriz A, na base , e dada por
A =
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
,
que e a mesma matriz do Exemplo 1. Observamos que a posicao do ele-
mento -1 na diagonal principal de A depende da ordem dos elementos de
= u
1
, u
2
, u
3
.
CEDERJ
158
Reexoes no Espaco
M

ODULO 2 - AULA 18
Exerccios
1. Determine a matriz da reexao no plano : 2x + 3y z = 0, do
Exemplo 4, com respeito `a base canonica de R
3
.
2. Determine os autovalores e auto-espacos associados `a matriz obtida no
Exerccio 1.
159
CEDERJ
Solucoes de exerccios selecionados
Solu coes de exerccios selecionados
Aula 9
1. A =
_
a b
b a
_
ou A =
_
a b
b a
_
2. k = 4/3
3. Por exemplo, u
1
= u; u
2
= (1, 0, 0, 0); u
3
= (0, 2, 1, 0) e
u
4
= (0, 1, 2, 1). No entanto, existem muitas outras possibilidades.
4. Base ortonormal:
u
1
= (1/

3, 1/

3, 1/

3); u
2
= (1/

14, 2/

14, 3/

14) e
u
3
= (5/

42, 4/

42, 1/

42).
5. Por exemplo: P =
_
_
_
1/

3 0 4/3

2
2/

3 1/

2 1/3

2
2/

3 1/

2 1/3

2
_
_
_
.
Aula 10
1. a) Observe que as colunas de A e B formam bases ortonormais de
R
3
.
b) AB =
_
_
_
1 0 0
0 0 1
0 1 0
_
_
_
. Seu polinomio caracterstico e
p(x) = (x 1)(x
2
+ 1); logo, seu unico autovalor real e = 1.
Aula 11
1. Considerando as matrizes
A = A
/4
=
_

2/2

2/2

2/2

2/2
_
e
D =
_
v
1
v
2
v
3
v
4
v
5
v
6
v
7
_
=
_
1 5 5 4 3 2 1
1 1 3 3 2 3 3
_
,
temos que a imagem dos vertices da gura e dada pelas colunas da
matriz
AD =
_
0 2

2
_
2

2
_
2

2
_
2

2 3

2 4

2 7

2
_
2 5

2
_
2 5

2
_
2 2

2
_
.
161
CEDERJ
Solucoes de exerccios selecionados
2. A

= A
+
= A
+
= A

. O angulo resultante e +.
Aula 12
1. Pela observac ao nal, temos que
E = P F
1
P
t
=
_
2
_
13 3
_
13
3
_
13 2
_
13
_ _
1 0
0 1
_ _
2
_
13 3
_
13
3
_
13 2
_
13
_
,
pois, = v
1
, v
2
e uma base ortonormal de R
2
, onde
v
1
=
_
2

13
,
3

13
_
e um vetor unitario tangente `a reta L : 3x + 2y = 0 e
v
2
=
_
3

13
,
2

13
_
e um vetor unitario normal `a retaL : 3x + 2y = 0.
2. Como no exerccio anterior, escolhendo base ortonormal = v
1
, v
2

de R
2
, onde
v
1
=
_
1

5
,
2

5
_
e um vetor unitario tangente `a reta L : 2x + y = 0 e
v
2
=
_
2

5
,
1

5
_
e um vetor unitario normal `a reta L : 2x + y = 0.
Assim,
B =
_
1
_
5 2
_
5
2
_
5 1
_
5
_ _
1 0
0 1
_ _
1
_
5 2
_
5
2
_
5 1
_
5
_
=
_
3/5 4/5
4/5 3/5
_
.
3. Representando os vertices pela matriz
D = [v
1
v
2
v
3
] =
_
1 4 1
1 1 3
_
,
ent ao suas imagens pela reexao sao dadas pela matriz
BD =
_
3/5 4/5
4/5 3/5
_ _
1 4 1
1 1 3
_
=
_
7/5 16/5 3
1/5 13/5 1
_
.
Aula 13
1. Temos a igualdade
B

=
_
cos sen
sen cos
_
=
_
cos sen
sen cos
_ _
1 0
0 1
_
= A

A,
onde A

e a matriz rotac ao de radianos e A e a matriz reexao no


eixo-x.
CEDERJ
162
Solucoes de exerccios selecionados
Aula 14
1. Como B e matriz ortogonal, vale que B
1
= B
t
. Assim,
(AB)
1
= B
1
A
1
= B
t
A
t
= (AB)
t
,
logo, AB e matriz ortogonal.
2. Representando os vertices pela matriz
D = [v
1
v
2
v
3
v
4
v
5
v
6
] =
_
1 4 4 3 3 1
1 1 3 3 2 2
_
.
Representamos por
B =
_
0 1
1 0
_
a matriz que faz a reexao na reta y = x e por
A
/4
=
_

2
_
2

2
_
2

2
_
2

2
_
2
_
a matriz rotac ao de /4 radianos. Ent ao
A
/4
B =
_

2
_
2

2
_
2

2
_
2

2
_
2
_
e
A
/4
BD =
_

2
_
2

2
_
2

2
_
2

2
_
2
_ _
1 4 4 3 3 1
1 1 3 3 2 2
_
=
_
0 3

2
_
2

2
_
2 0

2
_
2

2
_
2

2 5

2
_
2 7

2
_
2 3

2 5

2
_
2 3

2
_
2
_
.
Aula 17
1. Usando as formulas de adic ao de arcos, temos que
A
x
(
1
) A
x
(
2
) =
_
_
_
1 0 0
0 cos
1
sen
1
0 sen
1
cos
1
_
_
_
_
_
_
1 0 0
0 cos
2
sen
2
0 sen
2
cos
2
_
_
_
=
_
_
_
1 0 0
0 cos
1
cos
2
sen
1
sen
2
cos
1
sen
2
cos
2
sen
1
0 cos
1
sen
2
+ cos
2
sen
1
cos
1
cos
2
sen
1
sen
_
_
_
=
_
_
_
1 0 0
0 cos(
1
+
2
) sen(
1
+
2
)
0 sen(
1
+
2
) cos(
1
+
2
)
_
_
_
= A
x
(
1
+
2
)
163
CEDERJ
Solucoes de exerccios selecionados
Conseq uentemente,
A
x
(
1
) A
x
(
2
) = A
x
(
1
+
2
) = A
x
(
2
+
1
) = A
x
(
2
) A
x
(
1
).
2. Temos que
A
x
(/2) =
_
_
_
1 0 0
0 0 1
0 1 0
_
_
_
; A
z
(/2) =
_
_
_
0 1 0
1 0 0
0 0 1
_
_
_
.
Logo,
A
x
(/2) A
z
(/2) =
_
_
_
1 0 0
0 0 1
0 1 0
_
_
_
_
_
_
0 1 0
1 0 0
0 0 1
_
_
_
=
_
_
_
0 1 0
0 0 1
1 0 0
_
_
_
e
A
y
(/2) A
x
(/2) =
_
_
_
0 1 0
1 0 0
0 0 1
_
_
_
_
_
_
1 0 0
0 0 1
0 1 0
_
_
_
=
_
_
_
0 0 1
1 0 0
0 1 0
_
_
_
.
Assim,
A
x
(/2) A
z
(/2) ,= A
z
(/2) A
x
(/2)
e, portanto, as matrizes nao comutam.
Aula 18
1. Dada
P =
_
_
_
1
_
3 4
_
42 2
_
14
1
_
3 1
_
42 3
_
14
1
_
3 5
_
42 1
_
14
_
_
_
,
temos
B = PAP
1
= PAP
t
=
_
_
_
3/7 6/7 2/7
6/7 2/7 3/7
2/7 3/7 6/7
_
_
_
.
2. Autovalores: 1, 1 e -1;
Auto-espaco A
1
: subespaco gerado por u
1
=
_
1

3
,
1

3
,
1

3
_
e
u
2
=
_
4

42
,
1

42
,
5

42
_
;
Auto-espaco A
1
: subespaco gerado por u
3
=
_
2

14
,
3

14
,
1

14
_
.
CEDERJ
164