i

i

i

Aula

AUTOVETORES DE M ATRIZES

1
E

AUTOVALORES

Objetivos
Ao final desta aula, vocˆ e dever´ a ser capaz de: 1 compreender os conceitos de autovalor e autovetor; 2 reconhecer um escalar como autovalor de uma matriz; 3 reconhecer um vetor como autovetor de uma matriz.

i i i

i

i

i

´ Algebra Linear II | Autovetores e Autovalores de Matrizes

AUTOVETORES E AUTOVALORES DE M ATRIZES
´ Bem-vindo ao seu pr´ oximo curso de Algebra Linear. Ele se desenvolver´ a em torno de conceitos fundamentais como autovalor e autovetor de uma matriz. Esses conceitos s˜ ao de fundamental importˆ ancia na Matem´ atica pura e aplicada e aparecem em situac ¸o ˜ es muito mais gerais que as consideradas aqui. Os conceitos de autovalor e autovetor tamb´ em s˜ ao usados no estudo das equac ¸o ˜ es diferenciais e sistemas dinˆ amicos: eles fornecem informac ¸o ˜ es cr´ ıticas em projetos de Engenharia e surgem de forma natural em a ´ reas como a F´ ısica e a Qu´ ımica.
Lembre que Mn (R) denota o conjunto das matrizes quadradas de ordem n com elementos reais.

Neste m´ odulo vamos continuar os estudos iniciados no curso de ´ Algebra Linear I, sobre as matrizes quadradas A = (ai j ) ∈ Mn (R) e as transformac ¸o ˜ es lineares definidas pela matriz A. O objetivo principal desta aula e ´ apresentar os conceitos fundamentais de autovalor e autovetor de uma matriz A. ˜ o 1.1. blablabla Definic ¸a Dada uma matriz A ∈ Mn (R), o n´ umero real λ e ´ chamado autovalor n de A se existe um vetor n˜ ao-nulo v ∈ R tal que Av = λ v . (1.1)

Todo vetor n˜ ao-nulo v que satisfac ¸ a (1.1) e ´ chamado um autovetor associado (ou correspondente) ao autovalor λ . Os autovalores tamb´ em s˜ ao chamados valores pr´ oprios ou valores caracter´ ısticos, e os autovetores s˜ ao chamados vetores pr´ oprios ou vetores caracter´ ısticos. Verificase que para todo vetor w = α v, α ∈ R∗ , temos Aw = λ w, isto e ´ , qualquer m´ ultiplo escalar n˜ ao-nulo de v tamb´ em e ´ um autovetor de A associado ao autovalor λ . De fato, Aw = A(α v) = α A(v) = α (λ v) = λ (α v) = λ w. Vale tamb´ em observar que na equac ¸a ˜ o (1.1) estaremos sempre considerando o vetor v na forma de uma matriz coluna n × 1. ´ f´ E acil determinar se um vetor e ´ autovetor de uma matriz e tamb´ em e ´ f´ acil decidir se um escalar e ´ autovalor de uma matriz. Vejamos como isso e ´ feito nos seguintes exemplos.
8 CEDERJ

i i i

i

i

i

Exemplo 1.1. ¦

¥

blablabl

§

Exemplo 1.2. ¦

¤ ¥

blablabl

Vamos verificar se os vetores u e v s˜ ao autovetores de A, onde −3 1 1 1 A= ,u= ev= . −5 3 1 2 ˜ o: Soluc ¸a
Para identificarmos se u e ´ autovetor de A devemos verificar se existe um escalar λ ∈ R tal que Au = λ 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 λ = −2. No caso do vetor v, temos Av = −3 1 −5 3 1 2 = −1 1 =λ 1 2 .

Assim, n˜ ao existe escalar λ ∈ R tal que Av = λ v e, consequentemente, v = (1, 2) n˜ ao e ´ um autovetor da matriz A.

Na Figura 1.1, podemos ver os vetores u = (1, 1), v = (1, 2) e a ac ¸a ˜ o geom´ etrica da transformac ¸a ˜ o w → Aw em cada um deles, onde w = (x, y).

CEDERJ 9

i i i

AULA

Se I e ´ a matriz identidade n × n, ent˜ ao o u ´ nico autovalor e ´ λ = 1. Qualquer vetor n˜ ao-nulo v de Rn e ´ um autovetor de A associado ao autovalor λ = 1, pois I v = v = 1 v.

´ 1 1 1 MODULO

§

¤

i i i ´ Algebra Linear II | Autovetores e Autovalores de Matrizes Figura 1. Primeiramente. y) ∈ R2 . calculemos a matriz A − 5I = 5 0 2 1 − 5 0 0 5 = 5−5 0 2 1−5 = 0 0 2 −4 .3. Portanto.1: Ac ¸a ˜ o geom´ etrica da transformac ¸a ˜ o w → Aw.2) possui uma soluc ¸a ˜ o n˜ ao-nula v = (x. Mas a equac ¸a ˜ o (1. o sistema linear homogˆ eneo (1. temos que o escalar 5 e ´ autovalor de A se e somente se a equac ¸a ˜o Av = 5v (1. ¦ ¤ ¥ blablabl Verifique se o escalar 5 e ´ um autovalor para a matriz 5 0 A= e determine os autovetores associados a esse autovalor. use as t´ ecnicas de escalonamento de ma´ trizes desenvolvidas no curso de Algebra Linear I. (1. § Exemplo 1. Escreva a matriz ampliada 10 C E D E R J i i i .3) pode ser escrito como 0 0 2 −4 x y = 0 0 . (1.3) Assim.2) e ´ equivalente a ` equac ¸a ˜o Av − 5 I v = (A − 5I )v = 0. 2 1 ˜ o: Soluc ¸a Usando diretamente a definic ¸a ˜ o de autovetor e autovalor de uma matriz. precisamos achar uma soluc ¸a ˜ o n˜ ao-nula para esse sistema linear homogˆ eneo.4) Para resolver esse sistema linear.

2) e (1. denotado por E(λ ).4) 0 2 0 −4 0 0 . e ´ um autovetor associado ao autovalor λ = 5. 5 0 do Exemplo 1. assim.i i i do sistema linear (1. 1) e pela origem. e ´ poss´ ıvel e indeterminado. t ) ∈ R2 . (1. este conjunto soluc ¸a ˜o e ´ um n subespac ¸ o vetorial de R chamado autoespac ¸ o da matriz A associado ao autovalor λ . Portanto. O conjunto de todas as soluc ¸o ˜ es do sistema (1. o autoespac ¸o 2 1 associado ao autovalor λ = 5 e ´ a reta formada por todos os m´ ultiplos escalares do autovetor v = (2. verifica-se que Av = para todo t ∈ R∗ .5) e ´ ´ 1 1 1 MODULO . (1. ´ pelo visto no curso de Algebra Linear I.3) vale. esse autoespac ¸o e ´ a reta que passa por (2. claramente. t ) ∈ R2 . No Exemplo 1.5) 1 0 −2 0 0 0 (1.6) e o sistema linear homogˆ eneo correspondente a essa matriz e ´ x − 2y = 0.2. λ ∈ R e ´ um autovalor da matriz A ∈ Mn (R) se e somente se o sistema linear homogˆ eneo (A − λ I )v = 0 (1.8) e ´ o n´ ucleo (ou espac ¸ o-nulo) da matriz A − λ I . 1). e ´ uma soluc ¸a ˜ o para o sistema (1. Geometricamente.2. podemos observar que a equivalˆ encia entre as equac ¸o ˜ es (1. com t ∈ R. vemos que a matriz escalonada correspondente a ` matriz (1. 5 0 2 1 2t t = 10t 5t =5 2t t = 5v No exemplo anterior. Portanto. temos que esse sistema possui infinitas soluc ¸o ˜ es e. 1) e pela origem. para qualquer escalar λ no lugar de λ = 5 e para qualquer matriz A. No caso da matriz A = C E D E R J 11 i i i AULA Aplicando as operac ¸o ˜ es elementares em linhas.7). como mostra a Figura 1. com t ∈ R∗ . vemos que o autoespac ¸ o associado ao autovalor λ = −2 e ´ a reta que passa por (1. todo vetor da forma v = (2t . De fato. Assim.3.8) possui uma soluc ¸a ˜ o n˜ ao-nula v ∈ Rn .7) Como todo vetor da forma (2t .

i

i

i

´ Algebra Linear II | Autovetores e Autovalores de Matrizes

Figura 1.2: Autoespac ¸ os para λ = 5 e λ = −2.
§

Exemplo 1.4. ¦

¤ ¥

blablabl

 4 −2 −3 5 3 . Verifique que λ = 3 e Seja a matriz A =  −1 ´ um 2 −4 −3 autovalor de A e determine uma base para o autoespac ¸ o associado. ˜ o: Soluc ¸a
Para verificar que λ = 3 e ´ um autovalor de A devemos encontrar uma soluc ¸a ˜ o n˜ ao-nula v = (x, y, z) ∈ R3 do sistema linear homogˆ eneo (A − 3I )v = 0. (1.9)

Para ver isso, consideremos primeiramente a matriz       4 −2 −3 1 0 0 1 −2 −3 5 3  − 3  0 1 0  =  −1 2 3 . A − 3I =  −1 2 −4 −3 0 0 1 2 −4 −6 Assim, o sistema (1.9) pode ser escrito como   x − 2y − 3z = 0 −x + 2y + 3z = 0  2x − 4y − 6z = 0

(1.10)

12 C E D E R J

i i i

i

i

i

ee ´ f´ acil ver que a matriz escalonada equivalente a essa matriz ampliada e ´   1 −2 −3 0  0 0 0 0 , 0 0 0 0 cujo sistema linear homogˆ eneo e ´ dado por x − 2y − 3z = 0.

(1.11)

Sabemos que as soluc ¸o ˜ es dos sistemas (1.10) e (1.11) s˜ ao as mesmas. Vemos que o sistema (1.11) possui duas vari´ aveis livres, logo, possui infinitas ´ um autovalor da matriz A. Expressando x em soluc ¸o ˜ es e, portanto, λ = 3 e termos das vari´ aveis y e z obtemos que x = 2y + 3z. Escrevendo y = k ∈ R e z = t ∈ R, temos que todo vetor n˜ ao nulo na forma (2k + 3t , k, t ) com k, t ∈ R e ´ um autovetor associado ao autovalor λ = 3. Assim, o conjunto S = {(2k + 3t , k, t ); k, t ∈ R} = {k (2, 1, 0) + t (3, 0, 1); k, t ∈ R} ⊂ R3 e ´ o autoespac ¸ o associado ao autovalor λ = 3. Vemos que esse subespac ¸o e ´ gerado pelos vetores u = (2, 1, 0) e v = (3, 0, 1) e, sendo linearmente independentes, formam uma base para o subespac ¸ o S. 3 Geometricamente, o subespac ¸ o S representa o plano do R que passa pela origem e e ´ gerado pelos dois autovetores u = (2, 1, 0) e v = (3, 0, 1).

C E D E R J 13

i i i

AULA

Novamente, resolvemos este sistema linear usando os m´ etodos e as t´ ecnicas ´ estudados na Aula 7 do curso de Algebra Linear I. A matriz ampliada do sistema linear (1.10) e ´   1 −2 −3 0  −1 2 3 0  2 −4 −6 0

´ 1 1 1 MODULO

i

i

i

´ Algebra Linear II | Autovetores e Autovalores de Matrizes

Multiplicação por A

Auto-esp aço para l=3

Auto-esp aço para l=3

Figura 1.3: A age como uma expans˜ ao no autoespac ¸ o S.
Observe, neste exemplo, que a imagem de qualquer elemento n˜ ao-nulo w ∈ S pela ac ¸a ˜ o da matriz A e ´ novamente um elemento do autoespac ¸ o S, isto e ´ , um autovetor de A associado ao autovalor λ = 3. De fato, sendo {u, v} base do autoespac ¸ o S, temos que existem escalares a, b ∈ R tais que w = au + bv Como u e v s˜ ao autovalores de S, associados ao autovalor λ = 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 autoespac ¸o S e ´ um autoespac ¸o invariante pela ac ¸a ˜ o da matriz A.

14 C E D E R J

i i i

determine o autovalor corresponden  4 3. isto e ´ . Verifique se λ = 2 e 5. 6. Determine os autovalores correspondentes. tal que Av = α v . Caso seja. 1. α = λ . Mostre que se λ e ´ um autovalor correspondente ao autovetor v. Dada a matriz A = 4 −2 com autovalor λ = 10. 4. ent˜ ao ele e ´u ´ nico.i i i Exerc´ ıcio 1. Caso seja. Verifique se v = A= 1 0 eu= 0 1 s˜ ao autovetores da matriz 0 0 . Verifique se v =  −3  e ´ autovetor da matriz 1   3 7 9 A =  −4 −5 1 .   4 −1 6 1 6 . Verifique se v = A= te.1. n˜ ao existe escalar α ∈ R. C E D E R J 15 i i i AULA ´ 1 1 1 MODULO . apesar de o vetor nulo n˜ ao poder ser autovetor. deter−3 9 mine uma base para o autoespac ¸ o associado a esse autovalor. Seja a matriz A =  2 ´ um au2 −1 8 tovalor de A e determine uma base para o autoespac ¸ o associado a esse autovalor. determine o autovalor corres2 4 4 pondente. 2. Este 0 1 exerc´ ıcio mostra que. −3 1 −3 8 1 4 e ´ autovetor da matriz . e ´ poss´ ıvel ter autovalor igual a zero.

i i i ´ Algebra Linear II | Autovetores e Autovalores de Matrizes – Casos Especiais 16 C E D E R J i i i .

vocˆ e dever´ a ser capaz de: 1 reconhecer casos especiais de autovalores. i i i .i i i Aula AUTOVETORES E AUTOVALORES M ATRIZES – C ASOS E SPECIAIS 2 DE Objetivos Ao final desta aula. ˜ es envolvendo auto3 familiarizar-se com demonstrac ¸o valores e autovetores. 2 caracterizar a existˆ encia de autovalor zero.

por sua vez. Nesta aula. z) ∈ R3 .1) Sabemos que o sistema (2. 18 C E D E R J i i i . E acil ver que isso acontece se e somente se pelo menos um dos coeficientes contendo λe ´ igual a zero (um dos elementos da diagonal principal da matriz associada e ´ zero). y. Exemplo 2. O sistema linear (2. Na verdade. este procedimento tamb´ em e ´ v´ alido no caso em que a matriz A ∈ Mn (R) e ´ matriz triangular inferior.2)  (3 − λ )z = 0 .i i i ´ Algebra Linear II | Autovetores e Autovalores de Matrizes – Casos Especiais AUTOVETORES E AUTOVALORES DE M ATRIZES – C ASOS E SPECIAIS Na Aula 1. E isso. vimos os conceitos de autovalor. que s˜ ao exatamente os valores da diagonal principal da matriz A. pela definic ¸a ˜ o.2) possui uma soluc ¸a ˜ o n˜ ao-nula ´ f´ (x. temos que o escalar λ ∈ R e ´ um autovalor da matriz A se e somente se o sistema linear homogˆ eneo (A − λ I )v = 0 (2. No primeiro exemplo. autovetor e autoespac ¸ o.1) pode ser rescrito como   ( 1 − λ ) x + 6y + 2z = 0 (2 − λ )y + z = 0 (2. a matriz A e ´ triangular superior e veremos que os autovalores s˜ ao facilmente calculados. y. ¦ § ¤ ¥ blablabl Calcule os autovalores da matriz   1 6 2 A= 0 2 1  0 0 3 Novamente. temos o seguinte teorema: possui uma soluc ¸a ˜ o n˜ ao-nula v = (x. z) ∈ R3 se e somente se existe uma vari´ avel livre. Assim.1. vamos continuar a explorar essa conceituac ¸a ˜ o em exemplos e casos particulares muito importantes. 2 ou 3. acontece se e somente se λ for igual a 1.

blablabla Os autovalores de uma matriz triangular (superior ou inferior) s˜ ao os elementos de sua diagonal principal. (2.3) e ´ claramente equivalente ao sistema homogˆ eneo n×n Av = 0 . Observe tamb´ em que. 0 0 5 ˜ o: Soluc ¸a Pelo Teorema 2. (2. No pr´ oximo teorema. os autovalores de A s˜ ao os elementos da diagonal principal. Teorema 2.1.4) possui soluc ¸a ˜ o n˜ ao.3) O sistema linear (2.2. sabemos que 0 e ´ um autovalor da matriz A se e somente se existe um vetor n˜ ao-nulo v tal que Av = 0 v . ou seja. 1 e 5.1. Demonstrac ¸a ˜o Usando as definic ¸o ˜ es de autovalor e autovetor.4) ´ Do curso de Algebra Linear I. ¤ ¥ matriz A. sendo 0 um C E D E R J 19 i i i AULA ´ 1 2 1 MODULO .Lembre que det(A) denota o nula se e somente se det(A) = 0. blablabl Calcule os autovalores da matriz   1 2 3 A =  0 0 4 .2. blablabla Uma matriz A de ordem n tem autovalor igual a zero se e somente se A e ´ uma matriz n˜ ao-invers´ ıvel. o sistema (2.i i i Teorema 2. os autovalores s˜ ao 0. § ¦ Exemplo 2. veremos em que condic ¸o ˜ es uma matriz possui algum autovalor igual a zero. E det(A) = 0 se e somente se a matriz determinante da Ae ´ n˜ ao-invers´ ıvel.

pelo Teorema 2. e isso significa que λ 3 e ´ autovalor da matriz A3 com autovetor correspondente v.6) Obtemos. ent˜ ao λ k e ´ autovalor da matriz ∗ para todo k ∈ N .5) por A. de (2. A2 v = λ Av = λ (λ v) = λ 2 v. 2 A e ´ a matriz nula. obtemos que Ak v = λ k v para todo k ∈ N∗ . 20 C E D E R J i i i .3. o que nos d´ a ou seja.i i i ´ Algebra Linear II | Autovetores e Autovalores de Matrizes – Casos Especiais autovalor de A. (2. Continuando esse procedimento. que λ 2 e ´ um autovalor da matriz A2 com autovetor correspondente v. § Exemplo 2.5) Multiplicando a equac ¸a ˜ o (2.3. blablabla Ak Se λ e ´ um autovalor de uma matriz A.6).2 a matriz A e ´ n˜ ao-invers´ ıvel. ent˜ ao existe vetor n˜ aonulo v tal que Av = λ v . Teorema 2. temos A(Av) = A(λ v). se λ e ´ autovalor da matriz A. Demonstrac ¸a ˜o Pela definic ¸a ˜ o. isto e ´. obtemos que A3 v = λ 3 v . Assim. Analogamente. ¦ ¤ ¥ blablabl Calcule os autovalores de uma matriz A que satisfaz A2 = 0. A2 v = λ 2 v . λ k e ´ autovalor da matriz Ak com o mesmo autovetor associado v. (2. assim.

vk autovetores de uma matriz A. . que A(c1 v1 + c2 v2 ) = A(c1 v1 ) + A(c2 v2 ) = c1 A(v1 ) + c2 A(v2 ) = c1 λ1 v1 + c2 λ2 v2 . . . obtemos. .i i i ˜ o: Soluc ¸a Se λ e ´ um autovalor da matriz A. Assim. respectivamente. se uma matriz A e ´ tal que A2 = 0. e. e ´ claro que o conjunto unit´ ario {v1 } e ´ linearmente independente. v2 . . ent˜ ao e ´ necess´ ario que λ 2 = 0 e.7) por λ2 . portanto. Ent˜ ao o conjunto {v1 . Vamos estabelecer que {v1 . Teorema 2. para o lado esquerdo da equac ¸a ˜ o. . λ2 . ent˜ ao seu u ´ nico autovalor e ´ λ = 0. ent˜ ao λ 2 v = 0. . pelo Teorema 2. v2 } tamb´ em e ´ linearmente independente. Sejam c1 e c2 constantes tais que c1 v1 + c2 v2 = 0. blablabla Sejam v1 . associados aos autovalores distintos λ1 .4.3. Mas A2 = 0 e ´ a matriz nula. v2 } e ´ um conjunto de vetores linearmente independentes. vk } e ´ linearmente independente. (2. portanto. que {v1 . Demonstrac ¸a ˜o Sendo v1 vetor n˜ ao-nulo. como v e ´ um vetor n˜ ao-nulo. (2. λk .7) Vamos mostrar que c1 = c2 = 0 e. obtivemos o resultado que afirma que. e usando que Av1 = λ1 v1 e Av2 = λ2 v2 . enquanto para o lado direito temos A0 = 0. ent˜ ao. o resultado de se C E D E R J 21 i i i AULA ´ 1 2 1 MODULO .7) por A. Multiplicando a equac ¸a ˜ o (2. . . . Uma das propriedades mais importantes dos autovalores e ´ apresentada no pr´ oximo teorema e sua demonstrac ¸a ˜ o ilustra um c´ alculo que e ´ t´ ıpico de autovalores e autovetores. .8) Multiplicando tamb´ em a equac ¸a ˜ o (2. obtemos c1 λ2 v1 + c2 λ2 v2 = 0. . Assim. v2 . λ = 0. λ 2 e ´ um auto2 valor da matriz A e. Este teorema ser´ a empregado em outras aulas mais a ` frente. existe vetor n˜ ao-nulo v tal que A2 v = λ 2 v. consequentemente.

sobrando 22 C E D E R J i i i . sobrando c1 (λ2 − λ1 )v1 = 0. v3 } e ´ conjunto linearmente independente.i i i ´ Algebra Linear II | Autovetores e Autovalores de Matrizes – Casos Especiais multiplicar a equac ¸a ˜ o (2. obtemos c1 λ3 v1 + c2 λ3 v2 + c3 λ3 v3 = 0.10) por λ3 .11) Multiplicando a equac ¸a ˜ o (2. v2 . conclu´ ımos que {v1 . ent˜ ao e ´ necess´ ario que c1 (λ2 − λ1 ) = 0. v2 .7) por A e ´ c1 λ1 v1 + c2 λ2 v2 = 0. Como v1 e ´ vetor n˜ ao-nulo. como v2 tamb´ em e ´ vetor n˜ aonulo. conclu´ ımos que {v1 .9) da equac ¸a ˜ o (2. para o lado esquerdo da equac ¸a ˜ o. Sejam c1 . vemos que as segundas parcelas se cancelam. v3 } e ´ conjunto de vetores linearmente independentes.12) Subtraindo a equac ¸a ˜ o (2. que A(c1 v1 + c2 v2 + c3 v3 ) = A(c1 v1 ) + A(c2 v2 ) + A(c3 v3 ) = c1 A(v1 ) + c2 A(v2 ) + c3 A(v3 ) = c1 λ1 v1 + c2 λ2 v2 + c3 λ3 v3 . (2. o resultado de se multiplicar a equac ¸a ˜ o (2.12) da equac ¸a ˜ o (2. Assim. enquanto para o lado direito temos A0 = 0. isto e ´ . ent˜ ao e ´ necess´ ario que c2 = 0. obtemos.8). E como λ1 = λ2 .10) tamb´ em por A. estabelecer que {v1 . v2 } e ´ linearmente independente.7). e usando que Av1 = λ1 v1 . Vamos agora dar o passo seguinte. (2.9) Subtraindo a equac ¸a ˜ o (2.10) por A e ´ c1 λ1 v1 + c2 λ2 v2 + c3 λ3 v3 = 0.10) Se mostrarmos que c1 = c2 = c3 = 0.11). vemos que as terceiras parcelas se cancelam. Av2 = λ2 v2 e Av3 = λ3 v3 . Multiplicando a equac ¸a ˜ o (2. Assim. c2 e c3 constantes tais que c1 v1 + c2 v2 + c3 v3 = 0. segue que c1 = 0. obtemos c2 v2 = 0 e. Substituindo esse valor de volta na equac ¸a ˜ o (2. (2. (2.

i i i c1 (λ3 − λ1 )v1 + c2 (λ3 − λ2 )v2 = 0.13) por A e ´ c1 λ1 v1 + . vemos que as u ´ ltimas parcelas se cancelam. . + +cn λn vn + cn+1 λn+1 vn+1 . cn+1 constantes tais que c1 v1 + .13) tamb´ em por A. vn . + cn vn + cn+1 vn+1 ) = A(c1 v1 ) + . . o resultado de se multiplicar a equac ¸a ˜ o (2. . E como λ3 = λ1 e λ3 = λ2 . . . cn .13) por λn+1 obtemos c1 λn+1 v1 + . como v3 tamb´ em e ´ vetor n˜ ao-nulo. . . . . vn+1 } tamb´ em e ´ linearmente independente. v3 } e ´ linearmente independente. obtemos. . Substituindo esses valores de volta na equac ¸a ˜o (2. (2. . + cn (λn+1 − λn )vn = 0. + +cn A(vn ) + cn+1 A(vn+1 ) = c1 λ1 v1 + .15) Subtraindo a equac ¸a ˜ o (2. . vamos mostrar. para o lado esquerdo da equac ¸a ˜ o. . + +A(cn vn ) + A(cn+1 vn+1 ) = c1 A(v1 ) + . enquanto para o lado direito temos A0 = 0. conclu´ ımos que {v1 . (2. . .13) Multiplicando a equac ¸a ˜ o (2. . .10). . e usando que Av1 = λ1 v1 . sabendo que {v1 . Assim. Assim. . + cn λn+1 vn + cn+1 λn+1 vn+1 = 0. . Avn+1 = λn+1 vn+1 . . . + cn λn vn + cn+1 λn+1 vn+1 = 0. .14) (2. ent˜ ao e ´ necess´ ario que c3 = 0. ent˜ ao e ´ necess´ ario que c1 (λ3 − λ1 ) = 0 e c2 (λ3 − λ2 ) = 0.15) da equac ¸a ˜ o (2. . da mesma forma como foi feito nos casos anteriores. C E D E R J 23 i i i AULA ´ 1 2 1 MODULO . Multiplicando a equac ¸a ˜ o (2. . . Como v1 e v2 s˜ ao linearmente independentes. Assim. que {v1 . Sejam c1 . . . + cn vn + cn+1 vn+1 = 0. obtemos c3 v3 = 0 e.14). .. v2 . segue que c1 = c2 = 0. vn } e ´ linearmente independente. que A(c1 v1 + . . . sobrando c1 (λn+1 − λ1 )v1 + .

Dada a matriz A =  0 2 4 .   −1 3 5 3. . . E como λn+1 = λ1 .1. Exerc´ ıcio 2. determine seus autovalores e uma 2 1 base para o autoespac ¸ o associado a cada autovalor. . 24 C E D E R J i i i . mostre que se λ 2 e negativo de A2 . . Dada a matriz A.13). conclu´ ımos que {v1 . . . cn (λn+1 − λn ) = 0. obtemos cn+1 vn+1 = 0 e. . . ´ um autovalor n˜ ao5. segue que c1 = . Assim. = cn = 0. . ent˜ ao λ ou −λ e ´ um autovalor para A.   1 0 0 1 0 . 5 0 . Dada a matriz A = 4. ent˜ ao e ´ necess´ ario que cn+1 = 0. . determine seus autovalores 2. ent˜ ao e ´ necess´ ario que c1 (λn+1 − λ1 ) = 0.i i i ´ Algebra Linear II | Autovetores e Autovalores de Matrizes – Casos Especiais Como v1 . . . vn s˜ ao linearmente independentes. Mostre que A e At tˆ em os mesmos autovalores. vn+1 } e ´ linearmente independente. . como vn+1 tamb´ em e ´ vetor n˜ ao-nulo. Dada a matriz A =  −3 4 −7 1 e uma base para o autoespac ¸ o associado a cada autovalor. .. . n × n. . . λn+1 = λn . 1. Substituindo esses valores de volta na equac ¸a ˜ o (2. calcule os autovalores das 0 0 1 matrizes A2 e A3 . vn .

3 desenvolver habilidades para calcular autoespac ¸ os associados a autovalores de uma matriz.i i i Aula 3 ˆ P OLIN OMIO C ARACTER ´ I STICO Objetivos Ao final desta aula. ˜ o entre as ra´ 2 compreender a relac ¸a ızes do polinˆ omio caracter´ ıstico e os autovalores de uma matriz. vocˆ e dever´ a ser capaz de: 1 compreender o conceito de polinˆ omio caracter´ ıstico de uma matriz. i i i .

se e somente se λ − 1 −1 = 0.3) As equac ¸o ˜ es anteriores (3.2) representa o sistema linear x1 + x2 = λ x1 −2x1 + 4x2 = λ x2 . 1 1 −2 4 x1 x2 =λ x1 x2 . Como j´ a foi visto no curso de Algebra Linear I. o sistema linear homogˆ eneo (3. x2 ) ∈ R2 satisfazendo a equac ¸a ˜o Av = λ v.2) (3.1. (3. 26 C E D E R J i i i . Antes de apresentarmos formalmente esse polinˆ omio.i i i ´ Algebra Linear II | Polinˆ omio Caracter´ ıstico ˆ P OLIN OMIO C ARACTER ´ I STICO Pr´ e-requisito: Sistema linear homogˆ eneo ´ (Algebra Linear I). (λ − 1)x1 − x2 = 0 2x1 + (λ − 4)x2 = 0 . ou ainda. ˜ o: Soluc ¸a 1 1 −2 4 e seus respectivos Queremos encontrar os n´ umeros reais λ e todos os vetores n˜ ao-nulos v = (x1 . (3. vejamos. A cada matriz A ∈ Mn (R) associaremos um polinˆ omio que tem a propriedade de suas ra´ ızes serem exatamente os autovalores de A. x2 ) se e somente se o determinante de sua matriz associada for nulo. Nesta aula. como ele surge naturalmente. ou seja.1) A equac ¸a ˜ o (3. ou seja.4) 2 λ −4 Isto significa que (λ − 1)(λ − 4) + 2 = 0. (3.3) formam um sistema linear homogˆ eneo de ´ duas equac ¸o ˜ es e duas inc´ ognitas. apresentaremos uma f´ ormula sistem´ atica de calcular os autovalores de uma matriz quadrada de ordem n.3) possui soluc ¸a ˜ o n˜ ao-nula (x1 . ¦ blablabl Determinar os autovalores de A = autovetores associados. § ¤ ¥ Exemplo 3. atrav´ es de um exemplo.

λ 2 − 5λ + 6 = 0. todos os autovetores associados ao autovalor λ1 = 2 s˜ ao dados por v = (t . (3.3).i i i ou ainda. ou tamb´ em. (λ − 2)(λ − 3) = 0. sendo t um n´ umero real n˜ ao nulo qualquer. x1 − x2 = 0 2x1 − 2x2 = 0 . o sistema linear homogˆ eneo (3 − 1)x1 − x2 = 0 2x1 + (3 − 4)x2 = 0 ou. 2x1 − x2 = 0 2x1 − x2 = 0 . v1 = (1. ou 1 1 −2 4 o que nos d´ a o sistema linear x1 + x2 = 2x1 −2x1 + 4x2 = 2x2 ou ainda. λ1 = 2 e λ2 = 3 s˜ ao os autovalores da matriz A. quando esta u ´ ltima equac ¸a ˜o e ´ satisfeita λ assume os valores 2 ou 3. 1). todos esses autovetores s˜ ao m´ ultiplos do vetor (1. (3. Observe que poder´ ıamos ter obtido este u ´ ltimo sistema linear homogˆ eneo ¸a ˜ o (3. Portanto. de (3. Assim. Assim. 1) e ´ um autovetor associado a λ1 = 2. (3. x2 ) ∈ R2 associados ao autovalor λ1 = 2.3). t ). para encontrarmos os autovetores associados com o autovalor λ2 = 3 obtemos.7) C E D E R J 27 i i i AULA Portanto. equivalentemente. substituindo simplesmente λ = 2 na equac obtemos que as soluc ¸o ˜ es do sistema homogˆ eneo (3. formamos o sistema Av = 2v. sendo t qualquer valor real. Escalonando o sistema.6) s˜ ao x1 = x2 e x2 = t .6) x1 x2 =2 x1 x2 . ´ 1 3 1 MODULO .5) Para encontrarmos os autovetores v = (x1 . Em particular. Analogamente.

λ e v. que tem uma vari´ avel s´ o. . x − ann (3.8) e ´ chamado de polinˆ omio caracter´ ıstico da matriz A. 28 C E D E R J i i i .4).1. o polinˆ omio caracter´ ıstico da matriz A = e ´ p(x) = det(xI2 − A) = x − 1 −1 = x2 − 5x + 6. Em particular. 2) e ´ um autovetor associado ao autovalor λ2 = 3. 2 x−4 1 1 −2 4 Como p(x) = (x − 2)(x − 3).. . . 2). v2 = (1. Usaremos o processo apresentado neste exemplo como o m´ etodo padr˜ ao para determinar os autovalores de uma matriz A ∈ Mn (R). do exemplo anterior.. os autovetores de A associados ao autovetor λ2 = 3 s˜ ao dados por sendo t um n´ umero real n˜ ao nulo qualquer. calculamos os autovalores de uma matriz por inspec ¸a ˜ o. enquanto no exemplo acima procedemos de uma forma mais sistem´ atica..t Observe que o determinante (3. na equac ¸a ˜ o polinomial λ 2 − 5λ + 6 = 0. . t 2. −a2n . transformou a equac ¸a ˜ o matricial (λ I − A)v = 0. vemos que 2 e 3 s˜ ao as ra´ ızes do polinˆ omio caracter´ ıstico e. 2 Portanto. os autovalores da matriz A.i i i ´ Algebra Linear II | Polinˆ omio Caracter´ ıstico Todas as soluc ¸o ˜ es deste sistema linear homogˆ eneo s˜ ao dadas por 1 x1 = x2 e x2 = t qualquer valor real. ˜ o 3. todos esses autovetores s˜ ao m´ ultiplos do vetor (1.. −an1 −an2 .1. tamb´ em. . No Exemplo 3. .. . O determinante p(x) = det(xIn − A) = x − a11 −a12 −a21 x − a22 . −a1n .. . Assim. . Nos exemplos apresentados na aula anterior. que cont´ em duas inc´ ognitas.. blablabla Definic ¸a Seja A = (ai j ) ∈ Mn (R)..

o polinˆ omio caC E D E R J 29 i i i AULA ´ 1 3 1 MODULO § ¤ . no Exemplo 3. 3. 1. que o autovalor 5 tem multiplicidade alg´ ebrica 2. ˜ o 3. 5 e 5.2. blablabla Definic ¸a Seja A uma matriz de ordem n com autovalor λ . Portanto. 3.1. Dizemos. −2 −4 x − 3 0 2 2 0 x−3 p(x) = det(xI4 − A) = Como a matriz xI4 − A e ´ triangular superior. as ra´ ızes do polinˆ omio caracter´ ıstico de A s˜ ao 3.2.i i i Exemplo 3. ¦ ¥ blablabl Determine o polinˆ omio caracter´ ıstico e os autovalores da matriz   5 0 0 0  0 5 0 0  . sabemos que seu determinante e ´ igual a p(x) = (x − 5)(x − 5)(x − 3)(x − 3) = (x − 3)2 (x − 5)2 . nesse caso. ´ 2. No Exemplo 3. e o subespac ¸ o gerado por todos os autovetores associados a λ . pois o fator (x − 5) aparece duas vezes como fator do polinˆ omio p(x).2. que s˜ ao exatamente os autovalores da matriz A. vimos que o polinˆ omio caracter´ ıstico de uma matriz 2 × 2 e ´ um polinˆ omio de grau 2 e. denotado por E (λ ). Analogamente para o autovalor λ = 3. A multiplicidade geom´ etrica do autovalor λ e ´ a dimens˜ ao do autoespac ¸ o E (λ ). O autoespac ¸ o associado ao autovalor λ . A multiplicidade alg´ ebrica do autovalor λ e ´ a sua multiplicidade como raiz do polinˆ omio caracter´ ıstico p(x) = det(xIn − A). A=  2 4 3 0  −2 −2 0 3 ˜ o: Soluc ¸a Temos que o polinˆ omio caracter´ ıstico de A e ´ dado por x−5 0 0 0 0 x−5 0 0 .

1. de (x − a11 )(x − a22 ) . . aquele contendo xn . e obtenha a multiplicidade geom´ etrica de cada autovalor. § Exemplo 3. os autovetores correspondentes s˜ ao obtidos substituindo o valor de λ na equac ¸a ˜ o Av = λ v e resolvendo o sistema linear homogˆ eneo (λ In − A)v = 0. dizemos que o polinˆ omio e ´ mˆ onico. ou seja. como no Exemplo 3. Sendo assim. Em geral. . para encontrarmos os autovalores de uma matriz A devemos encontrar as ra´ ızes do seu polinˆ omio caracter´ ıstico. por isso. blablabla Um escalar λ e ´ autovalor de uma matriz A de ordem n se e somente se λ e ´ uma raiz do polinˆ omio caracter´ ıstico de A. e ´ verdade que para uma matriz de ordem n o polinˆ omio caracter´ ıstico tem grau n.8). podemos concluir o resultado a seguir. observe que o termo do polinˆ omio caracter´ ıstico de A contendo n x prov´ em do produto dos elementos da diagonal principal. se e somente se λ satisfaz a equac ¸a ˜ o det(λ In − A) = 0.3. ˜ o: Soluc ¸a Vimos que o polinˆ omio caracter´ ıstico da matriz   5 0 0 0  0 5 0 0   A=  2 4 3 0  −2 −2 0 3 30 C E D E R J i i i . Vemos isso facilmente quando desenvolvemos o determinante (3. e ´ igual a 1 e.2. Teorema 3.1. Pela forma como foi definido o polinˆ omio caracter´ ıstico. isto e ´ . E. (x − ann ).i i i ´ Algebra Linear II | Polinˆ omio Caracter´ ıstico racter´ ıstico de uma matriz 4 × 4 e ´ um polinˆ omio de grau 4. Observe que o coeficiente do termo de mais alto grau. ¦ ¤ ¥ blablabl Determine bases para os autoespac ¸ os da matriz A do Exemplo 3.

t ).   0  0  Escalonando a matriz ampliada do sistema. formam uma base para esse autoespac ¸ o. y. e. z + t . z. Para obter os autovetores associados ao autovalor λ = 5. Portanto. a multiplicidade geom´ etrica do autovalor λ = 5 tamb´ em e ´ igual a 2. −1.i i i e ´ dado por p(x) = (x − 5)2 (x − 3)2 . portanto. para determinarmos os autovetores v = (x. vemos que os vetores v1 = (1. Observe que. tem dimens˜ ao 2. z. λ2 = 5. λ3 = 3 e λ4 = 3. z = 0 e t = −1. z e t . Novamente. como s˜ ao linearmente independentes. 0) e v2 = (2. os autovalores de A s˜ ao λ1 = 5. y. o sistema anterior pode ser reescrito como  0 0  0 0   −2 −4 2 2 0 0 2 0  0 x   0  y 0  z 2 t   0   0   =  . t ) associados ao autovalor λ = 3. igual a ` multiplicidade alg´ ebrica. Assim. obtemos o sistema linear equivalente  1  0   0 0  x 0 1 2  y 1 −1 −1   0 0 0  z 0 0 0 t   0   0  =    0  0  e a soluc ¸a ˜ o geral deste sistema e ´ dada pelos vetores da forma v = (−z − 2t . devemos resolver o sistema homogˆ eneo (3I4 − A)v = 0. −1) pertencem ao autoespac ¸ o associado a λ = 5 e. Agora. os dois autovalores distintos tˆ em multiplicidade alg´ ebrica 2. Vamos determinar os autovetores associados a cada um deles. Neste caso. t ∈ R. Considerando z = −1 e t = 0 e. neste caso. resolvemos o sistema linear homogˆ eneo (5I4 − A)v = 0. −1. 0. −1. Considerando v = (x. ou seja. z. depois. o autoespac ¸ o associado ao autovalor λ = 5 tem duas vari´ aveis livres. t ) com z. este sistema homogˆ eneo e ´ equivalente ao sistema C E D E R J 31 i i i AULA ´ 1 3 1 MODULO .

coincidindo mais uma vez com a multiplicidade geom´ etrica. que a soluc ¸a ˜ o geral deste sistema e ´ dada pelos vetores da forma v = (0. 0. a multiplicidade geom´ etrica de λ = 3 tamb´ em e ´ igual a 2. Os autovetores v3 = (0. o autoespac ¸ o associado ao autovalor λ = 3 tem dimens˜ ao 2. facilmente. Outra vez. t ∈ R. Vemos.i i i ´ Algebra Linear II | Polinˆ omio Caracter´ ıstico  −2 0 0  0 −2 0   −2 −4 0 2 2 0  x 0  y 0   0  z 0 t   0   0  =    0  0  e. 1) s˜ ao linearmente independentes e. 0. 32 C E D E R J i i i . escalonando a matriz ampliada desse equivalente   1 0 0 0 x  0 1 0 0  y    0 0 0 0  z 0 0 0 0 t sistema. 1. 0) e v4 = (0. formam uma base do autoespac ¸o associado ao autovalor λ = 3. Logo. z. portanto. obtemos o sistema linear   0   0  =    0  0  . t ) com z. 0. 0.

Considere a matriz A =  1 −1 1 2 a. Determine as multiplicidades alg´ ebrica e geom´ etrica de cada autovalor. −1. c. 4 1   4 0 1 3. 1. Considere a matriz A =  −2 1 0 . Determine os autovalores e bases para os autoespac ¸ os correspon3 0 dentes da matriz . b. 0. 1) .1. −2 0 1 a. de modo que v1 = ( 1. Determine os valores de a. Determine os autovalores e bases para os autoespac ¸ os correspon3 2 dentes da matriz . C E D E R J 33 i i i AULA ´ 1 3 1 MODULO . d . Determine os autovalores e bases para os autoespac ¸ os correspondentes da matriz A. b. −1   1 1 1 da matriz A =  a b c . 0) sejam autovetores 2 = (1. d e f v2 e v3 . 4.i i i Exerc´ ıcio 3. 1. b.   2 −1 −1 0 −1 . 5. Determine os autovalores e bases para os autoespac ¸ os correspondentes da matriz A. Determine as multiplicidades alg´ ebrica e geom´ etrica de cada autovalor. v ) e v3 = (1. e e f . e dˆ e os autovalores associados a v1 . 8 −1 2.

i i i ´ Algebra Linear II | C´ alculo de Autovalores e Autovetores 34 C E D E R J i i i .

i i i Aula ´ C ALCULO DE AUTOVALORES AUTOVETORES 4 E Objetivos Ao final desta aula. a multiplicidade geom´ etrica e ` multiplicidade alg´ menor ou igual a ebrica. i i i . vocˆ e dever´ a ser capaz de: 1 obter autovalores a partir do polinˆ omio caracter´ ıstico. 3 observar que existem matrizes que n˜ ao possuem autovalores nem autovetores. 2 observar que nem sempre a multiplicidade alg´ ebrica de um autovalor coincide com sua multiplicidade geom´ e´ trica e que. geralmente.

y. ´ C ALCULO DE AUTOVALORES E AUTOVETORES No Exemplo 3.4 da Aula 2.3. z. agora. temos que os autovetores associados v = (x. Infelizmente. isto e ´ . vimos o caso de autovalores com multiplicidade alg´ ebrica igual a ` multiplicidade geom´ etrica. Vamos. os autovalores da matriz A s˜ ao 0. isso nem sempre e ´ poss´ ıvel. . Os autovalores 0 e 3 tˆ em multiplicidade alg´ ebrica 1 enquanto o autovalor 5 aparece com multiplicidade alg´ ebrica 2. calcular os autovetores associados em cada caso. vimos que seus autovalores s˜ ao exatamente os elementos da diagonal principal ou. pudemos obter. 5 e 5. analogamente. observe que o polinˆ omio caracter´ ıstico de A e ´ x−5 2 −1 −2 0 x−3 6 −3 0 0 x−5 5 0 0 0 x p(x) = det(xI4 − A) = ou seja. ¦ ¤ ¥ blablabl Determine os autovalores e os autovetores da matriz   5 −2 1 2  0 3 −6 3  .1. t ) 36 C E D E R J i i i . Portanto. § Exemplo 4. Para o autovalor λ = 0. p(x) = x(x − 3)(x − 5)2 . dois autovetores linearmente independentes. A=  0 0 5 −5  0 0 0 0 Verifique a relac ¸a ˜ o entre a multiplicidade alg´ ebrica e a multiplicidade geom´ etrica para cada autovalor. formando uma base do autoespac ¸o correspondente. como mostra o pr´ oximo exemplo. em cada um dos dois casos.i i i ´ Algebra Linear II | C´ alculo de Autovalores e Autovetores Pr´ e-requisito: Aula 3. Consequentemente como a multiplicidade alg´ ebrica e a multiplicidade geom´ etrica eram iguais a 2. 3. da Aula 3. o n´ umero de vezes que o autovalor comparece como raiz do polinˆ omio caracter´ ıstico e ´ igual a ` dimens˜ ao do autoespac ¸ o correspondente. Teorema 2. ˜ o: Soluc ¸a Como a matriz e ´ triangular.

sendo gerado pelo −1 autovetor v1 = 5 . 1. E acil ver que este sistema e ´ equivalente a  0 0  . obtemos o sistema homogˆ eneo  1  0   0 0 0 1 0 0  0 1/5 x  y 0 −1   1 −1   z 0 0 t  0   0   =  . t . 0. o autoespac ¸ o associado a λ = 0 tem dimens˜ ao 1. 0  0 C E D E R J 37 i i i AULA ´ 1 4 1 MODULO .i i i satisfazem o sistema linear (0I4 − A)v = 0. a multiplicidade geom´ etrica tamb´ em e ´ igual a 1. 1. tamb´ em. t . o autoespac ¸ o associado ao autovalor λ = 3 tem dimens˜ ao 1 e e ´ gerado pelo autovetor v2 = (1. Ou seja. Escalonando a matriz desse sistema. t . Aqui. Finalmente. com t ∈ R∗ . os autovetores associados ao autovalor λ = 0 s˜ ao da forma v= −t . que e ´ equivalente ao sistema linear homogˆ eneo     1 −1 0 0 x  0    0 1 0  y   =  0     0 0 1 z 0 0 0 0 t cujas soluc ¸o ˜ es s˜ ao da forma v = (x. 1 . coincidindo com o valor da multiplicidade alg´ ebrica. os autovetores associados ao autovalor λ = 3 satisfazem o sistema homogˆ eneo (3I4 − A)v = 0.   0  0   Assim. Portanto. resolvendo o sistema linear homogˆ eneo (5I4 − A)v = 0. 0). Analogamente. 5 Logo. a multiplicidade geom´ etrica e ´ igual a 1. com x ∈ R. 0). 1. ´ f´ obtemos os autovetores associados ao autovalor λ = 5. 0. x.

alguns deles mais eficientes do que outros. e ´ suficiente procurar entre ´ os divisores inteiros do termo constante a0 .4 da Aula 2. A soma das ra´ ızes de p(x) e ´ igual a −an−1 e o seu produto e ´ igual n a (−1) a0 . . podemos afirmar que: 1. . .   0  0  v = (x. sua multiplicidade geom´ etrica e ´ 1. + a1 x + a0 . O problema de encontrar ra´ ızes de um polinˆ omio de grau n n˜ ao e ´ um problema f´ acil. 0. a1 . sendo gerado pelo autovetor v3 = (1. 0.i i i ´ Algebra Linear II | C´ alculo de Autovalores e Autovetores  de onde obtemos soluc ¸o ˜ es da forma 0  0   0 0 1 0 0 0 0 1 0 0  x 0  y 0   1  z 0 t   0   0   =  . 3 e 5. com x ∈ R. Mais ainda. Se a0 . 0.1.. o autoespac ¸ o associado ao autovalor λ = 5 tem dimens˜ ao 1. v2 e v3 . . 0). E claro que p(x) pode muito bem ter apenas ra´ ızes irracionais ou complexas. No entanto. Teorema 4. respectivamente. para encontrarmos as poss´ ıveis ra´ ızes racionais de um polinˆ omio mˆ onico p(x) com coeficientes inteiros. Portanto. 0. associados aos autovalores 0. Enunciaremos dois resultados gerais a respeito de ra´ ızes reais de polinˆ omios. an−1 ∈ Z. A mul´ sempre menor ou igual a ` sua tiplicidade geom´ etrica de um autovalor e multiplicidade alg´ ebrica. Assim. s˜ ao linearmente independentes. embora o autovalor λ = 5 tenha multiplicidade alg´ ebrica 2. blablabla Dado o polinˆ omio p(x) = xn + an−1 xn−1 + an−2 xn−2 + . Assim. . Vimos que para obtermos os autovalores de uma matriz A ∈ Mn (R) precisamos encontrar as ra´ ızes do seu polinˆ omio caracter´ ıstico. 2. Observe que os autovetores v1 . se r e ´ uma raiz inteira de p(x) ent˜ ao r e ´ divisor de a0 . Existem muitos m´ etodos para se obter aproximac ¸o ˜ es num´ ericas das ra´ ızes reais de um polinˆ omio. 0). como afirma o Teorema 2. como este 38 C E D E R J i i i . ent˜ ao toda raiz racional do polinˆ omio p(x) e ´ inteira.

§ Exemplo 4. de ordem 3. cujo polinˆ omio caracter´ ıstico e ´ p(x) = x3 − 6x2 + 11x − 6. s˜ ao ±1. temos que 1 e ´ raiz de p(x) e. que e ´ -6. ou seja. ou mesmo racionais.2. e ´ preciso test´ a-las para saber quais de fato s˜ ao ra´ ızes. ¦ ¤ ¥ blablabl ´ 1 4 1 MODULO . quando existirem. obtemos p(x) = (x − 1)(x2 − 5x + 6). As outras duas ra´ ızes de p(x) s˜ ao as ra´ ızes do polinˆ omio quadr´ atico x2 − 5x + 6. Mas. para cada autovalor. § Determine os autovalores de uma matriz A. ±3 e ±6. a saber. de p(x) s˜ ao os divisores do termo constante. o polinˆ omio (x − 1) divide p(x). 1. tamb´ em. ent˜ ao -1 n˜ ao e ´ raiz de p(x). Portanto. Observe que s˜ ao mais dois divisores de -6. 2 e 3 2 3 s˜ ao as ra´ ızes de p(x) = x − 6x + 11x − 6 e. pelo que vimos. Assim. ±2. Efetuando a divis˜ ao de p(x) por (x − 1). s˜ ao os autovalores da matriz A. Como p(−1) = −24 = 0. cada uma dessas ra´ ızes ser´ a um divisor do termo constante de p(x). A= 0 2 1 3 Verifique. Como p(1) = 0. portanto. portanto.3. ˜ o: Soluc ¸a Primeiramente. 2 e 3. os candidatos a ra´ ızes inteiras. obtemos o polinˆ omio caracter´ ıstico da matriz A: C E D E R J 39 i i i AULA Exemplo 4. ¦ ¤ ¥ blablabl Determine os autovalores e uma base de autovetores para cada autoespac ¸o correspondente da matriz   2 −1 1 3 −1  . se a multiplicidade alg´ ebrica e ´ igual a ` geom´ etrica. todos os polinˆ omios caracter´ ısticos considerados ter˜ ao apenas coeficientes inteiros e suas ra´ ızes reais. ser˜ ao inteiras. Agora. ˜ o: Soluc ¸a Sabemos que os autovalores de A s˜ ao as ra´ ızes de p(x).i i i e ´ um primeiro curso sobre autovalores.

z) satisfazem o sistema linear (4I3 − A)v = 0. os autovalores da matriz A s˜ ao 2. ±8 e ±16. Para o autovalor λ = 4. os autovetores associados ao autovalor λ = 4 s˜ ao da forma v = (z. ou mesmo racional. calcular os autovetores associados em cada caso. obtemos p(x) = (x − 2)(x2 − 6x + 8) = (x − 2)(x − 2)(x − 4) = (x − 2)2 (x − 4) . logo 2 e ´ raiz do polinˆ omio caracter´ ıstico. desse polinˆ omio s˜ ao os divisores de -16: ±1. sendo gerado pelo autovetor v1 = (1. 2 e 4. Dividindo p(x) por (x − 2). Escalonando a matriz desse sistema. z) satisfazem o sistema linear (2 I3 − A)v = 0. Vamos. 0 0 0 z 0 Assim. temos que os autovetores associados v = (x. obtemos o sistema homogˆ eneo      1 0 −1 x 0  0 1 1   y  =  0 . com z ∈ R∗ . p(2) = 0. O autovalor 4 tem multiplicidade alg´ ebrica 1. Como p(−1) = −45. −1. Agora. ±2. 1). Como p(1) = −3. temos que os autovetores associados v = (x. a multiplicidade geom´ etrica tamb´ em e ´ igual a 1. Agora. o autoespac ¸ o associado a λ = 4 tem dimens˜ ao 1. z). enquanto o autovalor 2 tem multiplicidade alg´ ebrica 2. Os candidatos a ` raiz inteira. Portanto. e ´ preciso test´ a-los. y. Analogamente. para saber se algum desses valores e ´ raiz do polinˆ omio caracter´ ıstico.i i i ´ Algebra Linear II | C´ alculo de Autovalores e Autovetores p(x) = det(xI3 − A) = x−2 1 −1 0 x−3 1 −2 −1 x − 3 = x3 − 8x2 + 20x − 16. agora. y. Logo. para o autovalor λ = 2. 40 C E D E R J i i i . −z. ent˜ ao 1 tamb´ em n˜ ao e ´ raiz. Ou seja. ent˜ ao -1 n˜ ao e ´ raiz de p(x). ±4.

z). se as multiplicidades alg´ ebricas e geom´ etricas coincidem. e ´ f´ acil verificar que p(−1) = 0. 0 0 0 z 0 Assim. observe que os autovetores v1 e v2 s˜ ao linearmente independentes. desse polinˆ omio s˜ ao os divisores de 2: ±1 e ±2.4. obtemos o polinˆ omio caracter´ ıstico da matriz A:  p(x) = det(xI3 − A) = x − 1 −2 1 2 x + 3 −1 −2 −2 x + 2 = x3 + 4x2 + 5x + 2. Agora. Como os coeficientes de p(x) s˜ ao todos positivos. ou seja. com z ∈ R∗ . ¦ ¤ ¥ blablabl Determine os autovalores e uma base de autovetores para cada autoespac ¸o correspondente da matriz  1 2 −1 1 . Os candidatos a ` raiz inteira. No entanto. obtemos C E D E R J 41 i i i AULA ´ 1 4 1 MODULO . tamb´ em. o autoespac ¸ o associado a λ = 2 tem dimens˜ ao 1. −1). os autovetores associados ao autovalor λ = 2 s˜ ao da forma v = (−z. obtemos o sistema homogˆ eneo      1 0 1 x 0  0 1 −1   y  =  0  . Portanto. ˜ o: Soluc ¸a Primeiramente. § Exemplo 4. Dividindo p(x) por (x + 1). a multiplicidade geom´ etrica desse autovalor e ´ igual a 1. −1. menor que sua multiplicidade alg´ ebrica.i i i Escalonando a matriz desse sistema. z. A =  −2 −3 2 2 −2 Verifique. ou mesmo racional. ou seja. sendo gerado pelo autovetor v2 = (1. Logo. podemos descartar os candidatos positivos 1 e 2. -1 e ´ raiz de p(x).

y. 0 0 0 z 0 ao da forma Assim. z) satisfazem o sistema linear (−1 I3 − A)v = 0. o autoespac ¸ o associado a λ = −1 tem dimens˜ ao 2. o autoespac ¸ o associado a λ = −2 tem dimens˜ ao 1. para o autovalor λ = −1. temos que os autovetores associados v = (x. O autovalor -2 tem multiplicidade alg´ ebrica 1 enquanto o autovalor -1 tem multiplicidade alg´ ebrica 2. Portanto.i i i ´ Algebra Linear II | C´ alculo de Autovalores e Autovetores p(x) = (x + 1)(x2 + 3x + 2) = (x + 1)(x + 1)(x + 2) = (x + 1)2 (x + 2) . a multiplicidade geom´ etrica tamb´ em e ´ igual a 1. obtemos o sistema homogˆ eneo      1 0 −1 x 0  0 1 1   y  =  0 . temos que os autovetores associados v = (x. 0 0 0 z 0 Assim. Vamos. Analogamente. y. os autovetores associados ao autovalor λ = −1 s˜ v = (x. Para o autovalor λ = −2. Escalonando a matriz desse sistema. Logo. agora. calcular os autovetores associados em cada caso. Logo. os autovalores da matriz A s˜ ao -1. 1). sendo gerado pelo autovetor v1 = (1. y. z) satisfazem o sistema linear (−2I3 − A)v = 0. 2x + 2y) com x ∈ R∗ ou y ∈ R∗ . obtemos o sistema homogˆ eneo      2 2 −1 x 0  0 0 0   y  =  0 . -1 e -2. z) com z ∈ R∗ . Ou seja. −z. −1. os autovetores associados ao autovalor λ = −2 s˜ ao da forma v = (z. Escalonando a matriz desse sistema. sendo gerado 42 C E D E R J i i i .

i e -i. 0. Portanto. 1. ao. 2) e v3 = (0. segue que a matriz A n˜ ao possui autovalores. No entanto. ent˜ ao n˜ ao h´ a tamb´ em autovetores. ent˜ ao. a saber. ent˜ ao esta matriz teria dois autovalores complexos. ou seja. § Exemplo 4. ao possui ra´ ızes reais (suas ra´ ızes s˜ ao i Como o polinˆ omio p(x) = x2 + 1 n˜ e -i). 2). pelo Teorema 3. v2 e v3 s˜ independentes. mais uma vez. C E D E R J 43 i i i AULA ´ 1 4 1 MODULO .5. N˜ ao havendo autovalores. Veja o pr´ oximo exemplo. n˜ ao trataremos de autovalores complexos neste curso introdut´ orio. nenhum autovetor. O polinˆ omio caracter´ ıstico dessa matriz e ´ p(x) = det(xI2 − A) = x 1 −1 x = x2 + 1. Por´ em. consequentemente. igual a ` sua multiplicidade alg´ ebrica. a multiplicidade geom´ etrica desse autovalor e ´ igual a 2. Tamb´ em e ´ interessante observar que uma matriz n˜ ao precisa ter nenhum autovalor (real) e.1 da Aula 3. se considerarmos o conjunto dos escalares como sendo os n´ umeros complexos.i i i pelos autovetores v2 = (1. linearmente Observe que os autovetores v1 . ¦ ¤ ¥ blablabl Verifique que a matriz A = ˜ o: Soluc ¸a 0 −1 1 0 n˜ ao possui autovalores.

5. Considere a matriz A =  −1 3 −6 −4 a. 2.1. Seja A uma matriz de ordem n. Considere a matriz A = 4 2 −2 8 . Determine as multiplicidades alg´ ebrica e geom´ etrica de cada autovalor. a. Determine os autovalores e bases para os autoespac ¸ os correspondentes da matriz A. b. Determine as multiplicidades alg´ ebrica e geom´ etrica de cada autovalor. Prove que A e sua transposta At tˆ em o mesmo polinˆ omio caracter´ ıstico.i i i ´ Algebra Linear II | C´ alculo de Autovalores e Autovetores Exerc´ ıcio 4. b. 4 −7 1 a. Determine os autovalores e bases para os autoespac ¸ os correspondentes da matriz A. b. 3. Determine as multiplicidades alg´ ebrica e geom´ etrica de cada autovalor. Determine os autovalores e bases para os autoespac ¸ os correspondentes da matriz A. a.   5 −6 −6 4 2 . Considere a matriz A =  −3 1 0 .   1 0 0 4. 1 1 0 1 1. Determine as multiplicidades alg´ ebrica e geom´ etrica de cada autovalor. b. Determine os autovalores e bases para os autoespac ¸ os correspondentes da matriz A. Considere a matriz A = . 44 C E D E R J i i i .

vocˆ e dever´ a ser capaz de: ˜ o de matrizes semelhantes. i i i . autovalores e autovetores. ˜ o entre matriz diagonaliz´ 3 observar a relac ¸a avel. 1 compreender a conceituac ¸a ˜ o de matriz diagonaliz´ 2 compreender a conceituac ¸a avel.i i i Aula 5 DE ˜ D IAGONALIZAC ¸ AO M ATRIZES Objetivos Ao final desta aula.

blablabla Definic ¸a Sejam A.4. temos pA (x) = det(xI2 − A) = x − 1 −1 2 x−4 = (x − 1)(x − 4) + 2 = = x2 − 5x + 6 = (x − 2)(x − 3) . os autovalores e os autovetores das matrizes A e B. da Aula 2. Teorema 4. Existe uma relac ¸a ˜ o entre matrizes que e ´ muito importante no estudo de operadores lineares e que. temos que os autovetores associados v = (x. Para o autovalor λ = 2. −2 4 1 1 Determine o polinˆ omio caracter´ ıstico. observe que A e B s˜ ao matrizes semelhantes.1. 46 C E D E R J i i i . ˜ o 5.1. se torna importante no estudo de autovalores. Portanto. obtemos o sistema homogˆ eneo 1 −1 0 0 x y 0 0 = . Considere as matrizes A = ˜ o: Soluc ¸a Inicialmente. Teorema 2. da Aula 4. x) com x ∈ R∗ . Trata-se da relac ¸a ˜ o de semelhanc ¸ a de matrizes.1. os autovetores associados ao autovalor λ = 2 s˜ ao da forma v = (x. Assim. ¦ ¤ ¥ blablabl 1 1 2 1 . Escalonando a matriz desse sistema. a matriz A possui dois autovalores distintos: 2 e 3. B ∈ Mn (R). y) satisfazem o sistema linear (2I2 − A)v = 0.i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Matrizes ˜ DE M ATRIZES D IAGONALIZAC ¸ AO Pr´ e-requisitos: Matriz mudanc ¸a de ´ base (de Algebra linear I). § Exemplo 5. tamb´ em. As matrizes A e B s˜ ao semelhantes se existe uma terceira matriz invers´ ıvel P ∈ Mn (R) tal que B = P−1 AP ou − 1 A = P BP.P= e B = P−1 AP. Para a matriz A.

Assim. ao 1. temos que os autovetores associados v = (x. o autoespac ¸ o associado a λ = 3 tem dimens˜ autovetor v2 = (1. Quanto a ` matriz B. o autoespac ¸ o associado a λ = 2 tem dimens˜ ao 1. Escalonando a matriz desse sistema. Para o autovalor λ = 3. y) satisfazem o sistema linear (3I2 − A)v = 0. 2 e 3. sendo gerado pelo Logo.i i i Logo. C E D E R J 47 i i i AULA ´ 1 5 1 MODULO . y) satisfazem o sistema linear (2I2 − B)v = 0. obtemos o sistema homogˆ eneo 2 −1 0 0 x y 0 0 = . 2x) com x ∈ R∗ . sendo gerado pelo autovetor v1 = (1. a saber. temos B = = = 1 −1 3 −5 3 −3 −1 2 −3 7 0 2 1 1 −2 4 2 1 1 1 2 1 1 1 Sendo B uma matriz triangular inferior. Escalonando a matriz desse sistema. seus autovalores s˜ ao os elementos da diagonal principal. os autovetores associados ao autovalor λ = 3 s˜ ao da forma v = (x. temos que os autovetores associados v = (x. Seu polinˆ omio caracter´ ıstico e ´ dado por pB (x) = det(xI2 − B) = = (x − 3)(x − 2) = x2 − 5x + 6 . obtemos o sistema homogˆ eneo 1 0 0 0 x y = 0 0 . 2). x−3 0 3 x−2 Para o autovalor λ = 2. 1).

os mesmos autovalores. 1). No entanto. Logo. como este exemplo mostra. i i i . consequentemente.i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Matrizes Assim. −3). Assim. Escalonando a matriz desse sistema. temos que os autovetores associados v = (x. Assim. tˆ em os mesmos autovalores e o mesmo polinˆ omio caracter´ ıstico. Logo. Para o autovalor λ = 3. Observe que as duas matrizes. os autovetores associados ao autovalor λ = 3 s˜ ao da forma v = (x. sendo gerado pelo autovetor v1 = (0. Teorema 5. −3x) com x ∈ R∗ . obtemos o sistema homogˆ eneo 3 1 0 0 x y = 0 0 . o autoespac ¸ o associado a λ = 2 tem dimens˜ ao 1. blablabla Sejam A e B matrizes semelhantes. Ent˜ ao A e B tˆ em o mesmo polinˆ omio caracter´ ıstico e. os autovetores associados ao autovalor λ = 2 s˜ ao da forma v = (0. o autoespac ¸ o associado a λ = 3 tem dimens˜ ao 1. y) satisfazem o sistema linear (3I2 − B)v = 0.1. existe uma matriz invers´ ıvel P − 1 tal que B = P AP. os autoespac ¸ os n˜ ao precisam coincidir. Isto e ´ uma propriedade geral de matrizes semelhantes. sendo gerado pelo autovetor v2 = (1. y) com y ∈ R∗ . pB (x) = = = = = = 48 C E D E R J 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) pA (x) . Demonstrac ¸a ˜o Sendo A e B matrizes semelhantes. A e B.

e v2 = (1. Vejamos. 0) e e2 = (0. blablabla Definic ¸a Uma matriz A ∈ Mn (R) e ´ dita diagonaliz´ avel se for semelhante a uma matriz diagonal. e observe que Vimos que a matriz A = v1 = (1.2.i i i Sendo os polinˆ omios caracter´ ısticos iguais e como os autovalores s˜ ao as ra´ ızes desse polinˆ omio. do curso de ´ Algebra Linear I. 1). temos que a matriz D = P−1 AP = = = 4 −2 −3 3 2 0 0 3 2 −1 −1 1 1 1 1 2 1 1 −2 4 1 1 1 2 C E D E R J 49 i i i AULA ´ 1 5 1 MODULO . −2 4 associado ao autovalor λ = 2. ˜ o: Soluc ¸a 1 1 −2 4 do Exemplo 5. a matriz P= 1 1 1 2 . associado ao autovalor λ = 3.2. cujas colunas s˜ ao formadas pelas componentes de v1 e v2 . ou seja.1 e ´ diagonali- 1 1 tem como autovetores v1 = (1. agora. Agora. tamb´ em dizemos que a matriz A pode ser diagonalizada. 1). Como os vetores v1 e v2 s˜ ao linearmente independentes. v2 } para a base canˆ onica {e1 . ˜ o 5. § ¤ ¥ Exemplo 5. 2). e ´ a matriz mudanc ¸a de base. da base de autovetores {v1 .4 da Aula 2. o conceito de diagonalizac ¸a ˜ o de matrizes. ´ hora de rever a E matriz mudanc ¸a de base. ¦ blablabl Mostre que a matriz A = z´ avel. Considere a base canˆ onica. e1 = (1. e2 }. veja o Teorema 2. segue que A e B tˆ em os mesmos autovalores. Nesse caso. eles formam uma base de autovetores do R2 . 1) = 1 · e1 + 1 · e2 v2 = (1. 2) = 1 · e1 + 2 · e2 .

k 0 0 .. . De um modo geral. temos Ak = PDk P−1 para qualquer inteiro positivo k. . a matriz A e ´ diagonaliz´ avel. Observe que tamb´ em podemos expressar a matriz A em func ¸a ˜ o da matriz diagonal D.  k λ1 0 . 50 C E D E R J i i i . . Veja que a matriz diagonal D obtida tem os autovalores da matriz A em sua diagonal principal..  ... E sendo a matriz diagonal D dada por temos que λ1 0  0 λ2  D=  0 0    0 0   . 0  0 λk . Multiplicando a equac ¸a ˜ o D = P−1 AP por P−1 do lado direito.. Uma das vantagens de termos uma matriz A semelhante a uma matriz diagonal D e ´ que as potˆ encias de A se tornam mais f´ aceis de serem calculadas. De fato. A2 A (PD2 P−1 )(PDP−1 ) PD2 (P−1 P)DP−1 PD3 P−1 . . obtemos (PP−1 )A = PDP−1 IA = PDP−1 A = PDP−1 . da equac ¸a ˜ o A = PDP−1 obtida anteriormente. temos A2 = = = = A3 = = = = (PDP−1 )2 (PDP−1 )(PDP−1 ) PD(P−1 P)DP−1 PD2 P−1 . .. 0 2  Dk =  . .i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Matrizes e ´ uma matriz diagonal semelhante a ` matriz A.    .  . .. isto e ´ ... λn O teorema a seguir fornece condic ¸o ˜ es suficientes para que uma matriz A seja diagonaliz´ avel. 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. λn ..

i i i Teorema 5. Determine uma matriz diagonal D e uma matriz P tais − 1 que D = P AP.   . blablabla Se uma matriz A ∈ Mn (R) tem n autovalores distintos. ent˜ ao ela e ´ diagonaliz´ avel. . A matriz P. e ´ formada pelos autovalores de A em sua diagonal principal. vn } para a base canˆ onica do Rn . ´ muito importante observar que a ordem dos vetores da base de E autovetores {v1 . . e ´a matriz que realiza a mudanc ¸ a de base. a k-´ esima coluna de P e ´ formada pelas componentes do k-´ esimo autovetor vk dessa base. vn }. . .3. Denotamos essa relac ¸a ˜ o entre a matriz P e os vetores v1 . a matriz diagonal D. sendo cada autovalor λk associado ao k-´ esimo vetor vk da base de autovetores {v1 . da base de autovetores {v1 . . vn por P = [ v1 v2 . . 0    D= . . pelo Teorema 2. . . . Seu polinˆ omio caracter´ ıstico e ´ dado C E D E R J 51  2 −1 0 4 6  A= 9 −8 0 −3  i i i AULA ´ 1 5 1 MODULO . em D = P−1 AP ou A = PAP−1 . . ˜ o: Soluc ¸a Vamos verificar se a matriz A tem trˆ es autovalores distintos. .   λ1 0 . . . 0  0 λ2 .2. . 0 0 . que A e ´ diagonaliz´ avel. . . e cujas colunas s˜ ao formadas pelas componentes dos autovetores. . vn } determina a ordem das colunas da matriz P e a ordem dos elementos da diagonal da matriz D. . . . λn Exemplo 5. . vn ] . ou seja. § No Teorema 5. ¦ Mostre que a matriz ¤ ¥ blablabl e ´ diagonaliz´ avel.2. . semelhante a A. . . . o que garante.

um autovetor associado ao autovalor λ1 = −1 e Para o autovalor λ2 = 1. ´ v1 = (1. Escalonando a matriz desse sistema. Verificamos rapidamente que p(−1) = p(1) = p(3) = 0. 3. Pelo Teorema 4. ou seja. precisamos encontrar uma base de autovetores. a matriz A e ´ diagonaliz´ avel e semelhante a ` matriz diagonal   −1 0 0 D =  0 1 0 . y. 0 0 0 z 0 v = (x. isto e ´. 3x. z) satisfazem o sistema linear (−1 I3 − A)v = 0. 1 e 3. com x ∈ R. temos que os autovetores associados v = (x. y. pelo teorema anterior. os autovalores da matriz A s˜ ao –1. Logo. obtemos o sistema homogˆ eneo      1 −1 0 x 0  2     0 1 y 0 . = 0 0 0 z 0 52 C E D E R J cujas soluc ¸o ˜ es s˜ ao da forma i i i .1 da Aula 4. obtemos o sistema homogˆ eneo      3 −1 0 x 0  4 0 1   y  =  0 . −4). os candidatos a ra´ ızes racionais de p(x) s˜ ao os divisores de -3: ±1 e ±3. z) satisfazem o sistema linear (1 I3 − A)v = 0. Para o autovalor λ1 = −1.i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Matrizes por p(x) = det(xI3 − A) = x−2 1 0 −9 x − 4 −6 8 0 x+3 = x3 − 3x2 − x + 3. −4x). temos que os autovetores associados v = (x. Escalonando a matriz desse sistema. p(x) = (x + 1)(x − 1)(x − 3). 0 0 3 Para obter uma matriz P tal que D = P−1 AP. Portanto.

−3. com x ∈ R. obtemos o sistema homogˆ eneo      1 1 0 x 0  4 0 3   y  =  0 . −4). com x ∈ R. −4 −2 −4  cujas soluc ¸o ˜ es s˜ ao da forma C E D E R J 53 i i i AULA ´ 1 5 1 MODULO . os autovetores associados v3 = (x. z) satisfazem o sistema linear (3 I3 − A)v = 0. Logo. −2) e v3 = (3. 1. Escalonando a matriz desse sistema. −2x). −2). 3. Portanto. 1. −x. −4x/3). para o autovalor λ3 = 3. x. v2 = (1.i i i cujas soluc ¸o ˜ es s˜ ao da forma v = (x. 0 0 0 z 0 v = (x. ´ v2 = (1. um autovetor associado ao autovalor λ2 = 1 e Finalmente. y. −3. um autovetor associado ao autovalor λ3 = 3 e ´ v3 = (3. −4). Como foi observado antes deste exemplo. a matriz P e ´ obtida posicionando em suas colunas os autovetores v1 = (1. −4):  1 1 3 P= 3 1 −3  .

a. 2. Mostre que se A e B s˜ ao matrizes semelhantes. a. Determine uma matriz P tal que D = P−1 AP. 1.1. b. 3. 4. Considere a matriz A = 5 4 1 2 . Considere a matriz A = 1 0 6 −1 . ent˜ ao det(A) = det(B).i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Matrizes Exerc´ ıcio 5. b. Mostre que a matriz A e ´ diagonaliz´ avel e determine uma matriz diagonal D correspondente. Determine uma matriz P tal que D = P−1 AP. Mostre que a matriz A e ´ diagonaliz´ avel e determine uma matriz diagonal D correspondente. 54 C E D E R J i i i . Mostre que a matriz A e ´ diagonaliz´ avel e determine uma matriz diagonal D correspondente.   2 1 1 2 4 . Considere a matriz A =  2 −1 −1 −2 b. Determine uma matriz P tal que D = P−1 AP. a.

2 observar a existˆ encia de matrizes diagonaliz´ aveis com autovalores repetidos.i i i Aula ´ C ALCULO 6 ´ M ATRIZES D IAGONALIZ AVEIS DE Objetivos Ao final desta aula. vocˆ e dever´ a ser capaz de: ˜ o de ma1 apresentar um crit´ erio geral de diagonalizac ¸a trizes. i i i . 3 observar a existˆ encia de matrizes n˜ ao diagonaliz´ aveis com autovalores reais.

tamb´ em. e ´a matriz que realiza a mudanc ¸ a de base. ou seja. . . vn }. . 0 0 . vamos considerar matrizes A ∈ Mn (R) com autovalores repetidos. . . .   . n˜ ao possua n autovetores linearmente independentes. que a existˆ encia dos n autovetores linearmente independentes e ´ equivalente a ` existˆ encia de uma base de aun tovetores para o R . a k-´ esima coluna de P e ´ formada pelas componentes do k-´ esimo autovetor vk dessa base. . . ent˜ ao a matriz A n˜ ao ser´ a 56 C E D E R J i i i .1. Nesta aula. e ´ formada pelos autovalores de A em sua diagonal principal. . tratamos de matrizes diagonaliz´ aveis A ∈ Mn (R) que apresentavam n autovalores distintos. .. 0  0 λ2 . A matriz P. E oximo teorema. vn por P = [ v1 v2 . Observe. no Teorema 6. . . Teorema 6. em D = P−1 AP ou A = PDP−1 . . a matriz A n˜ ao ´ o que afirma o pr´ ser´ a diagonaliz´ avel. . caso a matriz A n˜ ao admita uma base de autovetores. ent˜ ao a matriz continuar´ a sendo diagonaliz´ avel. vn ] ´ muito importante observar que a ordem dos vetores da base de E autovetores {v1 . . vn } para a base canˆ onica do Rn . . 0    D= . cujas colunas s˜ ao formadas pelos autovetores {v1 . . . vn }. . Denotamos essa relac ¸a ˜o entre a matriz P e os vetores v1 . λn sendo cada autovalor λk associado ao k-´ esimo vetor vk da base de autovetores {v1 . . blablabla Uma matriz A ∈ Mn (R) e ´ diagonaliz´ avel se e somente se a matriz A tem n autovetores linearmente independentes.. que o Teorema 6. . vn } determina a ordem das colunas da matriz P e a ordem dos elementos da diagonal da matriz D. Caso contr´ ario. . . ou seja. da base de autovetores {v1 . Neste teorema.   λ1 0 . a matriz diagonal D. .1. semelhante a A.1 afirma que. . Observe. . . No caso de a matriz A apresentar n autovetores linearmente independentes. .i i i ´ Algebra Linear II | C´ alculo de Matrizes Diagonaliz´ aveis ´ C ALCULO DE M ATRIZES ´ D IAGONALIZ AVEIS Nos exemplos da Aula 5.

1) C E D E R J 57 i i i ´ 1 6 1 MODULO . § Exemplo 6. n˜ ao e ´ dif´ ıcil ver que o sistema linear (0 I3 − A)v = 0. Para concluir que a matriz A e ´ diagonaliz´ avel.i i i diagonaliz´ avel. o polinˆ omio caracter´ ıstico da matriz A e ´ p(x) = x(x − 1)2 .1. ou seja. z) e ´ equivalente ao sistema linear y=0 x − z = 0. devemos calcular o polinˆ omio caracter´ ıstico de A. y. Contando as multiplicidades. se existe uma base de autovetores para R3 . com v = (x. precisamos verificar se existem trˆ es autovetores linearmente independentes. ¦ ¤ ¥ blablabl Verifique que a matriz  0 1 0 A= 0 1 0  −1 1 1  AULA e ´ diagonaliz´ avel. ˜ o: Soluc ¸a Primeiramente. ou seja. portanto. Para o autovalor λ1 = 0. o primeiro com multiplicidade alg´ ebrica 1 e o segundo com multiplicidade alg´ ebrica 2. Esse polinˆ omio caracter´ ıstico e ´ dado por p(x) = det(xI3 − A) = = (x − 1) x −1 0 x−1 x −1 0 0 x−1 0 1 −1 x − 1 = x(x − 1)2 . (6. e. Determine uma matriz diagonal D e uma matriz P tais que D = P−1 AP. seus trˆ es autovalores s˜ ao λ1 = 0 e λ2 = λ3 = 1. seus autovalores s˜ ao 0 e 1.

Observe. A matriz diagonal D. Analogamente. Observe que {v1 . todas as soluc ¸o ˜ es do sistema (6. v3 } e ´ uma base do R3 formada por autovetores da matriz A. 0. com x ∈ R. e ´ dada por   0 0 0 D =  0 1 0 . v2 = (1. para o autovalor λ2 = λ3 = 1. 0. z ∈ R. Aqui. Da´ ı. v2 . 1) e ´ um autovetor associado ao autovalor λ1 = 0. enquanto as duas u ´ ltimas colunas de P s˜ ao os autovetores correspon58 C E D E R J i i i . igual a 2. diagonaliz´ avel. de fato. v1 = (1. 1) s˜ ao dois autovetores linearmente independentes associados ao autovalor λ2 = λ3 = 1. ou seja. 1). tamb´ em. v2 e v3 .i i i ´ Algebra Linear II | C´ alculo de Matrizes Diagonaliz´ aveis Assim.2) s˜ ao da forma (x. todas as soluc ¸o ˜ es do sistema (6. 0. autovetores associados a autovalores distintos s˜ ao linearmente independentes. 1). Pelo Teorema 2.1) s˜ ao da forma (x. Portanto. para todo x. v3 } tem que ser linearmente independente. 0 0 1 (6. garantindo que a matriz A e ´ . x) = x (1. semelhante a A. 0) e v3 = (0.4 da Aula 2. a multiplicidade geom´ etrica desse autovalor e ´ igual a 1. igual a ` sua multiplicidade alg´ ebrica.2) enquanto uma matriz P tal que D = P−1 AP e ´ dada por   1 1 0 P =  0 1 0 . 1. 1 0 1 Observe que os elementos da diagonal principal de D s˜ ao os autovalores da matriz A e que as colunas de P s˜ ao os autovetores associados v1 . 0. ou seja. que a ordem em que autovalores e autovetores aparecem est´ a correta: a primeira coluna de P e ´ o autovetor correspondente ao autovalor λ1 = 0. conclu´ ımos que o conjunto de autovetores {v1 . o sistema linear (1 I3 − A)v = 0 e ´ equivalente ao sistema x−y = 0 Assim. 1. a multiplicidade geom´ etrica do autovalor 1 e ´ igual a ` sua multiplicidade alg´ ebrica. 0) + z (0. tamb´ em. Em particular. z) = x (1. 0. Portanto. v2 . x.

0. 0). Para o autovalor λ1 = 0. No caso do autovalor λ2 = 1. ¦ blablabl ´ 1 6 1 MODULO . temos que os autovetores associados v = (x. 0 0 0 z 0 v = (x. 0. 0. os autovetores associados ao autovalor λ1 = 0 s˜ ao da forma C E D E R J 59 i i i AULA Exemplo 6. Logo. que e ´ igual a 1. z) satisfazem o sistema linear (0 I3 − A)v = 0. Observe que a multiplicidade geom´ etrica do autovalor λ1 = 0 e ´ igual a ` sua multiplicidade alg´ ebrica. obtemos o sistema homogˆ eneo portanto. 1 e 1. Vejamos. ˜ o: Soluc ¸a Como a matriz A e ´ matriz triangular superior.2. agora. z) satisfazem o sistema linear (1 I3 − A)v = 0. um exemplo de matriz n˜ ao diagonaliz´ avel. seus autovalores s˜ ao os elementos da diagonal principal. um autovetor associado ao autovalor λ1 = 0 e ´ v1 = (1. obtemos o sistema homogˆ eneo      0 1 0 x 0  0 0 1   y  =  0 . com x ∈ R∗ . Escalonando a matriz desse sistema. 0).i i i dentes ao autovalor λ2 = λ3 = 1. ou seja. y. § ¤ ¥ Verifique que a matriz  0 0 1 A= 0 1 1  0 0 1  n˜ ao e ´ diagonaliz´ avel. y. Escalonando a matriz desse sistema. temos que os autovetores associados v = (x.

Em particular.3. 0) e ´ um autovetor associado ao autovalor λ2 = 1. n˜ ao e ´ poss´ ıvel formar uma base de autovetores para ao e ´ diagonaliz´ avel. Portanto. a matriz A n˜     1 0 0 x 0  0 0 1   y  =  0 . temos 60 C E D E R J i i i . v2 = (0. devemos calcular o polinˆ omio caracter´ ıstico de A. 1 −1 x − 2 3 −1 1 0 x−5 p(x) = det(xI4 − A) = Resolvendo o determinante acima. os autovetores associados ao autovalor λ2 = 1 s˜ ao da forma v = (0.1. respectivamente. 1. Este polinˆ omio caracter´ ıstico e ´ dado por x − 4 −1 0 0 −2 x − 3 0 0 . y. que a multiplicidade geom´ etrica do autovalor λ2 = 1 e a 1.i i i ´ Algebra Linear II | C´ alculo de Matrizes Diagonaliz´ aveis  portanto. 0). Determine uma matriz diagonal D e uma matriz P tais que D = P−1 AP. 1. Logo. ˜ o: Soluc ¸a Primeiramente. enquanto sua multiplicidade alg´ ebrica e ´ igual a 2. R3 . ´ igual Observe. 0). Podemos obter. com y ∈ R∗ . pelo Teorema 6. dois autovetores da matriz A que s˜ ao linearmente independentes: um associado ao autovalor λ1 = 0 e outro associado ao autovalor λ2 = 1. tamb´ em. Como a multiplicidade geom´ etrica do autovalor λ2 = 1 e ´ igual a 1. 0. os autovetores v1 = (1. 0) e v2 = (0. § Exemplo 6. ¦ ¤ ¥ blablabl Verifique que a matriz 4 1  2 3 A=  −1 1 1 −1   0 0 0 0   2 −3  0 5 e ´ diagonaliz´ avel. 0 0 0 z 0 Vejamos mais um exemplo do caso de matriz diagonaliz´ avel. no m´ aximo. n˜ ao existem dois autovetores linearmente independentes associados a esse autovalor. por exemplo.

se existe uma base de autovetores para R4 . igual a ` sua multiplicidade alg´ ebrica. z. Assim. precisamos verificar se existem quatro autovetores linearmente independentes. 1. 2t . Analogamente. Para o autovalor λ1 = λ2 = 2. o polinˆ omio caracter´ ıstico da matriz A e ´ p(x) = (x − 2)2 (x − 5)2 . ambos com multiplicidade alg´ ebrica 2. seus autovalores s˜ ao 2 e 5. z ∈ R. para o autovalor λ3 = λ4 = 5. ou seja. 2. y. 0. para todo t . z. Assim. Portanto. y. seus quatro autovalores s˜ ao λ1 = λ2 = 2 e λ3 = λ4 = 5.i i i p(x) = (x − 2) x − 4 −1 0 −2 x − 3 0 −1 1 x−5 x − 4 −1 −2 x − 3 = (x − 2)(x − 5) = (x − 2)(x − 5)[(x − 4)(x − 3) − 2] = (x − 2)(x − 5)(x2 − 7x + 10) = (x − 2)(x − 5)(x − 2)(x − 5) . portanto. ou seja. 1) + z (0. Em particular. t ) satisfazem o sistema linear (5I4 − A)v = 0. 2. 0. os autovetores associados v = (x. (6. z. e. t ) = t (−1. 0) s˜ ao dois autovetores linearmente independentes associados ao autovalor λ1 = λ2 = 2. a multiplicidade geom´ etrica desse autovalor e ´ igual a 2.3) s˜ ao da forma (−t . que e ´ equivalente ao sistema x+t = 0 y − 2t = 0 . temos que os autovetores associados v = (x. Para concluir que a matriz A e ´ diagonaliz´ avel. 0.4) (6. v1 = (−1. 0). 1) e v2 = (0. 1. t ) satisfazem o sistema linear (2I4 − A)v = 0.3) C E D E R J 61 i i i AULA ´ 1 6 1 MODULO . todas as soluc ¸o ˜ es do sistema (6. 0. Contando as multiplicidades.

4 da Aula 2. 0) e v4 = (0. Da´ ı. Assim.4) s˜ ao da forma (x. 62 C E D E R J i i i . que a ordem em que autovalores e autovetores aparecem est´ a correta: as primeiras duas colunas de P s˜ ao os autovetores correspondentes ao autovalor λ1 = λ2 = 2. z ∈ R. 1. x. 0. 0) + z (0. semelhante a A. Pelo Teorema 2. v3 e v4 . v3 = (1. P=  0 1 0 1  1 0 0 −1 Observe que os elementos da diagonal principal de D s˜ ao os autovalores da matriz A e que as colunas de P s˜ ao os autovetores associados v1 . v4 } tem que ser linearmente independente.i i i ´ Algebra Linear II | C´ alculo de Matrizes Diagonaliz´ aveis que e ´ equivalente ao sistema x−y = 0 z +t = 0. z. enquanto as duas u ´ ltimas colunas de P s˜ ao os autovetores correspondentes ao autovalor λ3 = λ4 = 5. diagonaliz´ avel. a multiplicidade geom´ etrica do autovalor 5 e ´ igual a 2. tamb´ em. 1. para todo x. Portanto. novamente coincidindo com o valor de sua multiplicidade alg´ ebrica. v2 . autovetores associados a autovalores distintos s˜ ao linearmente independentes. −1) s˜ ao dois autovetores linearmente independentes associados ao autovalor λ3 = λ4 = 5. 0. −1). 1. Aqui. de fato. 0. conclu´ ımos que o conjunto de autovetores {v1 . todas as soluc ¸o ˜ es do sistema (6. garantindo que a matriz Ae ´ . −z) = x (1. v3 . v2 . 0. v4 } e ´ uma base de R4 formada por autovetores da matriz A. 1. v2 . e ´ dada por   2 0 0 0  0 2 0 0   D=  0 0 5 0 . 0 0 0 5 enquanto uma matriz P tal que D = P−1 AP e ´ dada por   −1 0 1 0  2 0 1 0  . A matriz diagonal D. Observe que {v1 . tamb´ em. v3 . Observe.

determine uma matriz diagonal D semelhante a A. caso seja. b. Determine uma matriz P tal que D = P−1 AP. caso seja. Considere a matriz A =   0 0 1 −2  0 0 −2 1 a. Considere a matriz A =  1 −1 1 2  a. Determine se a matriz A e ´ diagonaliz´ avel e.   1 2 0 0  2 1 0 0  .  2 −1 −1 0 −1 . C E D E R J 63 i i i AULA ´ 1 6 1 MODULO .   4 0 0 3. Determine se a matriz A e ´ diagonaliz´ avel e.i i i Exerc´ ıcio 6. 1. determine uma matriz diagonal D semelhante a A. b. Determine uma matriz P tal que D = P−1 AP. Determine se a matriz A 0 0 5 e ´ diagonaliz´ avel e. Considere a matriz A =  1 4 0 . determine uma matriz diagonal D semelhante a A. 2. caso seja.1.

i i i ´ Algebra Linear II | Processo de Diagonalizac ¸a ˜ o de Matrizes 64 C E D E R J i i i .

vocˆ e dever´ a ser capaz de: ˜ o de uma matriz 1 descrever o processo de diagonalizac ¸a atrav´ es de um procedimento formal. i i i . ˜ o de matrizes 2 aplicar o procedimento de diagonalizac ¸a apresentado.i i i Aula ˜ P ROCESSO DE D IAGONALIZAC ¸ AO DE M ATRIZES 7 Objetivos Ao final desta aula.

1 da Aula 4. Como j´ a sabemos. suas ra´ ızes ser˜ ao racionais ou mesmo inteiras. Como j´ a foi observado anteriormente. As condic ¸o ˜ es exigidas devem satisfazer as condic ¸o ˜ es do Teorema 6. o c´ alculo das ra´ ızes de um ´ polinˆ omio e ´ muito dif´ ıcil se o grau do polinˆ omio for maior que dois. ent˜ ao precisamos calcular seu polinˆ omio caracter´ ıstico. ˜ DE P ROCESSO DE D IAGONALIZAC ¸ AO M ATRIZES Durante as Aulas 5 e 6. agora. Passo 1: Determinar os autovalores da matriz A. Teorema 4. ou seja. semelhante a A. Verifique se a matriz A e ´ uma matriz triangular. todos os polinˆ omios caracter´ ısticos encontrados ter˜ ao coeficientes inteiros e. que e ´ dado por p(x) = det(xIn − A). desenvolvemos um processo de diagonalizac ¸a ˜ o de matrizes que queremos. as soluc ¸o ˜ es da equac ¸a ˜o p(x) = det(xIn − A) = 0. Teorema 2.1 da Aula 6. os autovalores de A s˜ ao exatamente as ra´ ızes do polinˆ omio caracter´ ıstico. onde In e ´ a matriz identidade de ordem n. Se a matriz A n˜ ao e ´ triangular. No entanto.i i i ´ Algebra Linear II | Processo de Diagonalizac ¸a ˜ o de Matrizes Pr´ e-requisitos: Determinantes de ´ matriz (Algebra linear I). Descrevemos esse processo nos quatro passos seguintes. n˜ ao e ´ muito pr´ atico devido a ` necessidade de se calcular um determinante e devido a ` dificuldade de obter as ra´ ızes de um polinˆ omio de grau n > 2. Caso seja. por meio das ra´ ızes do seu polinˆ omio caracter´ ıstico. ent˜ ao seus autovalores j´ a s˜ ao os elementos de sua diagonal principal. Para o c´ alculo do polinˆ omio caracter´ ıstico. sabemos que a matriz A e ´ diagonaliz´ avel. consideremos uma matriz A ∈ Mn (R) com n autovetores linearmente independentes. e a matriz diagonalizante P. E preciso salientar que esse m´ etodo de obter os autovalores de uma matriz.1 da Aula 6. D = P−1 AP. no decorrer deste curso. Em particular. poderemos aplicar o Teorema 4. e ´ preciso lembrar do processo de c´ alculo de determinante ´ de matriz visto no curso de Algebra Linear I. Teorema 6. O processo de diagonalizar uma matriz A consiste em encontrar uma matriz diagonalizada D. Ent˜ ao. formalizar. na maioria das vezes. ou seja. 66 C E D E R J i i i .1 da Aula 4 para ajudar a encontrar as ra´ ızes do polinˆ omio caracter´ ıstico.4 da Aula 2.

. de multiplicidade nk . obtemos uma base de autovetores {v1 . .. a multiplicidade geom´ etrica do autovalor λk deve ser igual a ` sua multiplicidade alg´ ebrica. devemos obter uma base de autovetores para seu autoespac ¸ o E (λk ) que. Cada autovalor λ comparece nesta relac ¸a ˜o tantas vezes quanto for sua multiplicidade alg´ ebrica.. as n ra´ ızes do polinˆ omio caracter´ ıstico. . λ1 0  0 λ2  D=  0 0   0 0   .  . Observe que a dimens˜ ao deste subespac ¸o deve ser igual a nk . isto e ´ .. . . . . coincide com o espac ¸ o-soluc ¸a ˜ o do sistema linear homogˆ eneo (λk In − A)v = 0. . . λk . . λ2 . assim. Para cada autovalor λk . . λn . vn } para o Rn . nk ≤ n. λn da matriz A. . . λn os n autovalores da matriz A. onde cada autovetor vk est´ a associado ao autovalor λk . isto e ´ . .i i i Sejam λ1 .. da base de autovetores {v1 . ent˜ Procedendo dessa forma. . λ2 . Lembre que. e ´ a matriz que realiza a mudanc ¸ a de base. que satisfaz D = P−1 AP. A matriz P. o n´ umero m´ aximo de vezes que o fator (x − λ ) aparece na fatorac ¸a ˜ o do polinˆ omio caracter´ ıstico p(x).. obter nk autovetores linearmente independentes associados ao autovalor λk . Devemos. se n˜ ao existirem nk autovetores linearmente independentes associados ao autovalor ao a matriz A n˜ ao e ´ diagonaliz´ avel. . Passo 2: Determinar uma base de autovetores da matriz A. . A matriz D e ´ uma matriz diagonal e sua diagonal principal consiste exatamente dos autovalores λ1 . . . . Passo 3: Montar a matriz diagonalizada D. . Passo 4: Montar a matriz diagonalizante P. vn } para a base canˆ onica C E D E R J 67 i i i AULA ´ 1 7 1 MODULO . como j´ a foi visto. ou seja.

i i i ´ Algebra Linear II | Processo de Diagonalizac ¸a ˜ o de Matrizes de Rn . . pelo Teorema 4. ˜ o: Soluc ¸a Vamos detalhar cada um dos passos sugeridos anteriormente. § ¤ ¥ Exemplo 7. . ´ muito importante observar que a ordem dos vetores da base de E autovetores {v1 . o polinˆ omio (x − 1) divide p(x). λ2 . λn da diagonal principal da matriz D. . vn }. a k-´ esima coluna de P e ´ formada pelas componentes do k-´ esimo autovetor vk dessa base. . ±2 e ±4. . logo. vn por P = [ v1 v2 .1. . O polinˆ omio caracter´ ıstico da matriz A e ´ dado por p(x) = det(xI3 − A) = cujo c´ alculo nos leva a p(x) = x3 + 3x2 − 4. . . . Passo 1: Determinar os autovalores da matriz A. os candidatos a ra´ ızes racionais do polinˆ omio p(x) s˜ ao os divisores de -4: ±1. . ou seja. . vn } determina a ordem das colunas da matriz P e a ordem dos elementos λ1 .1 da Aula 4. Determine uma matriz diagonalizada D e uma matriz P tais que D = P−1 AP. ¦ blablabl Verifique que a matriz  1 3 3 A =  −3 −5 −3  3 3 1  e ´ diagonaliz´ avel. . . devemos calcular seu polinˆ omio caracter´ ıstico para obter os autovalores de A. vn ] . Como a matriz A n˜ ao e ´ matriz triangular. . Efetuando a divis˜ ao polinomial. .. Denotamos essa relac ¸a ˜o entre a matriz P e os vetores v1 . . Observe que. . Verificamos rapidamente que p(1) = 0. −3 −3 x − 1 68 C E D E R J i i i . obtemos x − 1 −3 −3 3 x+5 3 . e cujas colunas s˜ ao formadas pelas componentes dos autovetores {v1 .

ou seja. x) = x (1. Para o autovalor λ1 = 1. temos que os autovetores associados v = (x. os autovetores associados v = (x. com x ∈ R. o sistema      −3 −3 −3 x 0  3 3 3   y  =  0 . −3 −3 0 z 0 Este sistema e ´ equivalente ao sistema escalonado      1 1 0 x 0  0 1 1   y  =  0 . y. Todas as soluc ¸o ˜ es desse sistema s˜ ao da forma (x. a multiplicidade geom´ etrica desse autovalor e ´ igual a 1. v1 = (1. −x. y. logo.i i i p(x) = (x − 1)(x2 + 4x + 4) = (x − 1)(x + 2)2 . Em particular. 0 0 0 z 0 ou seja. o primeiro com multiplicidade alg´ ebrica 1 e o segundo com multiplicidade alg´ ebrica 2. o sistema      0 −3 −3 x 0  3     6 3 y = 0 . Portanto. os autovalores da matriz A s˜ ao 1 e –2. para o autovalor λ2 = λ3 = −2. 1) e ´ um autovetor associado ao autovalor λ1 = 1. igual a ` sua multiplicidade alg´ ebrica. −1. seus trˆ es autovalores s˜ ao λ1 = 1 e λ2 = λ3 = −2. −3 −3 −3 z 0 C E D E R J 69 i i i AULA ´ 1 7 1 MODULO . Portanto. z) satisfazem o sistema linear (1 I3 − A)v = 0. uma base do autoespac ¸ o correspondente. 1). Analogamente. z) satisfazem o sistema linear (−2 I3 − A)v = 0 ou seja. ou seja. ao sistema x+y = 0 y + z = 0. Contando as multiplicidades alg´ ebricas. Passo 2: Determinar uma base de autovetores da matriz A. −1.

com x. y ∈ R. a multiplicidade geom´ etrica do autovalor λ2 = λ3 = − 2 e ´ igual a ` sua multiplicidade alg´ ebrica. v2 . v2 = (1. Pelo Teorema 2. garantindo que a matriz A e ´ . −1) e v3 = (0. v3 } e ´ uma base do R3 formada por autovetores da matriz A. de fato. semelhante a A. Da´ ı. −1).i i i ´ Algebra Linear II | Processo de Diagonalizac ¸a ˜ o de Matrizes Este sistema e ´ equivalente ao sistema escalonado      1 1 1 x 0  0 0 0   y  =  0 . P =  −1 1 −1 −1 Observe que as colunas de P s˜ ao os autovetores associados v1 . v3 } tem que ser linearmente independente. ´ dada por A matriz P tal que D = P−1 AP e   1 1 0 0 1 . Portanto.4 da Aula 2. v2 . 0 0 0 z 0 ou seja. tamb´ em. conclu´ ımos que o conjunto de autovetores {v1 . que a ordem em que autovalores e autovetores aparecem  70 C E D E R J i i i . Observe. −1) + y (0. 1. v2 e v3 . A matriz diagonal D. e ´ dada por  1 0 0 D =  0 −2 0 . Assim. 1. ou seja. Assim. 0 0 −2 Observe que os elementos da diagonal principal de D s˜ ao os autovalores da matriz A. y. Observe que {v1 . ao sistema x + y + z = 0. −1) s˜ ao dois autovetores linearmente independentes associados ao autovalor λ2 = λ3 = −2. igual a 2. −x − y) = x (1. formando uma base do autoespac ¸ o correspondente. 0. diagonaliz´ avel. Passo 4: Montar a matriz diagonalizante P. Passo 3: Montar a matriz diagonalizada D. 0. autovetores associados a autovalores distintos s˜ ao linearmente independentes. todas as soluc ¸o ˜ es desse sistema s˜ ao da forma (x.

i

i

i

est´ a correta: a primeira coluna de P e ´ o autovetor correspondente ao autovalor λ1 = 1, enquanto as duas u ´ ltimas colunas de P s˜ ao os autovetores correspondentes ao autovalor λ2 = λ3 = −2.

C E D E R J 71

i i i

AULA

´ 1 7 1 MODULO

i

i

i

´ Algebra Linear II | Diagonalizac ¸a ˜ o de Operadores Lineares

72 C E D E R J

i i i

i

i

i

Aula

˜ D IAGONALIZAC ¸ AO L INEARES

8

DE

O PERADORES

Objetivos
Ao final desta aula, vocˆ e dever´ a ser capaz de: 1 compreender os conceitos de autovalor e autovetor de um operador linear; 2 compreender o conceito de operador linear diagonaliz´ avel; ´ diagonaliz´ 3 reconhecer quando um operador linear e avel.

i i i

. un com respeito a ` base canˆ onica {e1 . en onde cada ek = (0. . un }. T (en ) na base canˆ onica: A = [ T (e1 ) T (e2 ) .. . Lembre que a matriz P e ´ obtida de modo que suas colunas s˜ ao as componentes de u1 . . . . . . Chamamos operador linear uma transformac ¸a ˜ o linear de Rn em n n T : R → R . Seja P ∈ Mn (R) a matriz que realiza a mudanc ¸ a da nova base {u1 . .  v1 v2 . . .  · · · ann v1 v2 . fixando a n base canˆ onica de R . 74 C E D E R J i i i . . . .i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Operadores Lineares ˜ DE O PERADORES D IAGONALIZAC ¸ AO L INEARES Pr´ e-requisito: Aula 5. . u2 . . Uma transformac ¸a ´ uma func ¸a ˜o ˜ o linear de R em R e n m T : R → R que satisfaz T (c1 v1 + c2 v2 ) = c1 T (v1 ) + c2 T (v2 ) para todo v1 . . . T (en ) ]. c2 ∈ R. 1. un } para a base canˆ onica {e1 . v → Av . e  Vamos trocar a base canˆ onica de Rn para uma outra base {u1 . . 0. . . an1 an2        onde    v1 v2 . . en }. . u2 . Observe que. . u n ]. .  vn Denotando esta base por {e1 . . .   ´ o vetor v = (v1 . tanto o dom´ ınio quanto o contra-dom´ ımio tˆ em a mesma dimens˜ ao n. . . . . . . chamada matriz canˆ onica. . . ´ Vamos comec ¸ ar lembrando alguns conceitos do curso de Algebra n m Linear I. . o operador linear T : Rn → Rn fica representado pela matriz A = (ai j ) ∈ Mn (R). vn    . . e2 . . . a11 a12 a21 a22 . en }: P = [ u 1 u 2 . . . . 0) tem como u ´ nica componente n˜ ao-nula a k-´ esima componente com valor 1. T (e2 ). .. Lembre que. vn ) descrito na base canˆ onica.. . u2 . . . . ent˜ ao as colunas da matriz A s˜ ao as componentes dos vetores T (e1 ). . . . v2 . e2 . . neste caso. . . e2 . v2 ∈ Rn e todo c1 . en }. vn  Lembre que a base canˆ onica de Rn e ´ composta pelos vetores e1 . 0. atrav´ es de multiplicac ¸a ˜ o de matrizes da seguinte forma: Rn . . . . . e2 . . .  .     →     · · · a1n  · · · a2n   . .

. . consideremos as seguintes bases: α = {e1 = (1. ¦ ¤ ¥ blablabl Em R2 . bn1 bn2  · · · b1n  · · · b2n   . com respeito a ` s bases α e β . . . respectivamente. un } e [v]β → B[v]β . ent˜ ao [v]β =  . 0). . . escreva v = a1 u1 + a2 u2 + .. .  Lembre tamb´ em que as colunas da matriz B s˜ ao as componentes dos vetores T (u1 ). . e2 . § Exemplo 8. en } e na nova base {u1 . . . e o operador linear T : R2 → R2 dado por T (x. . −5)}. .i i i Sabemos tamb´ em que. . . Por fim. . u2 . . 1)} e β = {u1 = (1. . . tamb´ em sabemos que a relac ¸a ˜ o entre as matrizes A e B. . . 4x + y). .1. y) = (2x − 3y. u2 . + an un . an    . T (un ) com respeito a ` base β : B = [ T (u1 ) T (u2 ) · · · T (un ) ]. .  ´o v ∈ Rn . com respeito a ` nova base {u1 . un }. ou seja. e ´ dada por: B = P−1 AP.. . C E D E R J 75 i i i AULA ´ 1 8 1 MODULO . . . . que representam o operador linear T : Rn → Rn na base canˆ onica {e1 . e an vetor v descrito na base β = {u1 . Determine as matrizes A e B. T (u2 ). . . o n n operador linear T : R → R fica representado pela matriz B ∈ Mn (R) atrav´ es de multiplicac ¸a ˜ o de matrizes da seguinte forma: para cada  vetor a1  . . an      →    b11 b12 b21 b22 . as matrizes A e B s˜ ao semelhantes.  · · · bnn a1 a2 . .. −2).      a1 a2 . . u2 . . e2 = (0. u2 = (2. que representam o operador linear T . . un }.  .

−2) e u2 = (2.1 acima. isto e ´ . toda matriz B. ´ dada por portanto. a matriz B. se a matriz a b A= e ´ c d invers´ ıvel com determinante det A = ad − bc. B ∈ Mn (R) definem o mesmo operador linear T : Rn → Rn se e somente se A e B s˜ ao matrizes semelhantes. semelhantes a A. As colunas da matriz P s˜ ao os vetores u1 = (1. blablabla Duas matrizes A.1 da Aula 5. 1) = (−3. e ´ dada por B = P−1 AP = . Temos o seguinte resultado geral. 0) = (2. podemos considerar as seguintes definic ¸o ˜ es de polinˆ omio caracter´ ıstico e autovalor do operador linear T : 76 C E D E R J i i i . como todas as matrizes B. isto e ´.1. Teorema 8. que representa o operador linear T na base β . e A= 2 −3 4 1 . 1) = −3 e1 + 1 e2 . ent˜ ao sua matriz inversa e ´ dada por A−1 = 1 d −b − c a det A 1 2 −2 −5 .i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Operadores Lineares ˜ o: Soluc ¸a Para obtermos a matriz A ∈ Mn (R) que representa o operador linear T na base canˆ onica. Se A ∈ Mn (R) e ´ a matriz canˆ onica do operador T : Rn → Rn . tendo como colunas T (e1 ) e T (e2 ). e. 4) = 2 e1 + 4 e2 T (e2 ) = T (0. representam o mesmo operador linear T : Rn → Rn . semelhante a A. Da´ ı. calculamos: T (e1 ) = T (1. E em vista do Teorema 8. − 1 se e somente se existe matriz invers´ ıvel P tal que B = P AP. −5): P= Lembre que. pelo Teorema 5. a matriz A. ent˜ ao. 5 2 −2 −1 2 −3 4 1 1 2 −2 −5 = 44 101 −18 −41 . tem o mesmo polinˆ omio caracter´ ıstico e os mesmos autovalores que A. a matriz que representa este operador com respeito a ` base canˆ onica. portanto. obtemos facilmente que P−1 = 5 2 −2 −1 .

. Chamamos autoespac ¸ o do operador linear T . 2.i i i ˜ o 8. Sejam v1 . . v2 .1. . λ2 . un } de R com respeito a ` qual o operador T e ´ representado por uma matriz diagonal D ∈ Mn (R). 4. . . . . Temos agora os seguintes resultados. Observe que. . ao subespac ¸ o vetorial de Rn gerado por todos os autovetores de T associados a λ . . . (8. . . blablabla 1. . blablabla Definic ¸a 1. ent˜ ao os autovetores v1 . vm s˜ ao linearmente independentes. O operador linear T : Rn → Rn e ´ diagonaliz´ avel se existe uma n base {u1 .1) e ´ chamado autovetor associado (ou correspondente) ao autovalor λ . C E D E R J 77 i i i AULA ´ 1 8 1 MODULO .1) Todo vetor n˜ ao-nulo v que satisfac ¸ a (8. associado ao autovalor λ . consequˆ encias dos resultados an´ alogos vistos para o caso de matrizes. Teorema 8. λm . . pois T (v) = Av = λ v. respectivamente. Denotamos este autoespac ¸o por E (λ ) = {v ∈ Rn | T (v) = λ v}. O polinˆ omio caracter´ ıstico do operador linear T : Rn → Rn e ´ o polinˆ omio caracter´ ıstico de qualquer matriz A ∈ Mn (R) que representa o operador linear T com respeito a uma base qualquer de Rn . v2 . Um n´ umero real λ e ´ chamado um autovalor do operador lin n near T : R → R se existe um vetor n˜ ao-nulo v ∈ Rn tal que T (v) = λ v. u2 . Os autovalores tamb´ em s˜ ao chamados valores pr´ oprios ou valores caracter´ ısticos. e os autovetores s˜ ao chamados vetores pr´ oprios ou vetores caracter´ ısticos. vm autovetores do operador linear T : Rn → Rn associados aos autovalores distintos λ1 . 3. . se A ∈ Mn (R) e ´ a matriz que representa o operador T numa base qualquer de Rn . .2. isso equivale a dizer que λ e ´ autovalor da matriz A.

Como T (e1 ) = T (1. un }.. . O operador linear T : Rn → Rn e ´ diagonaliz´ avel se e somente se n existe base {u1 .. u2 . . 78 C E D E R J i i i . 4. ou seja. . caso seja. Vejamos mais alguns exemplos. . uma matriz diagonal D ∈ M2 (R) que representa o operador T . . determine uma representac ¸a ˜ o diagonal. se a matriz diagonal representa o operador T com respeito a ` base {u1 . ˜ o: Soluc ¸a Primeiramente. . . 2) = −1 e1 + 2 e2 . Determine se o operador T e ´ diagonaliz´ avel e. n.2. . 1) = (−1. . u2 . os elementos da diagonal principal da matriz D s˜ ao os autovalores do operador T . . § λ1 0  0 λ2  D=  0 0  .. vamos calcular a matriz A ∈ M2 (R) que representa o operador T com respeito a ` base canˆ onica de R2 . .. y) = (6x − y.  0 0     .. Nesse caso.i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Operadores Lineares 2. . ent˜ ao T (uk ) = λk uk para todo k = 1. O escalar λ e ´ um autovalor do operador linear T : Rn → Rn se e somente se λ e ´ uma raiz do polinˆ omio caracter´ ıstico de T . . Seja A ∈ Mn (R) a matriz que representa o operador linear T : Rn → Rn numa base qualquer de Rn . . ou seja. 3x + 2y). λn Exemplo 8. 3. que foi discutido em detalhes nas aulas anteriores. Ent˜ ao o operador linear Te ´ diagonaliz´ avel se e somente se a matriz A e ´ diagonaliz´ avel. Esse u ´ ltimo resultado reduz a investigac ¸a ˜ o da diagonalizac ¸a ˜ o de operadores lineares T : Rn → Rn ao estudo da diagonalizac ¸a ˜ o de matrizes A ∈ Mn (R). . ¦ ¤ ¥ blablabl Determine todos os autovalores e autovetores do operador linear T : R2 → R2 dado por T (x. un } de R formada por autovetores de T . 0) = (6. . . 3) = 6 e1 + 3 e2 T (e2 ) = T (0.

Para o autovalor λ1 = 3. temos que os autovetores associados v = (x. ent˜ ao. O polinˆ omio caracter´ ıstico de T ser´ a o polinˆ omio caracter´ ıstico da matriz A que e ´ dado por p(x) = det(xI2 − A) x−6 1 = −3 x − 2 = x2 − 8x + 15 = (x − 3)(x − 5). C E D E R J 79 i i i AULA ´ 1 8 1 MODULO . Em particular.2. 3) e ´ um autovetor de T associado ao autovalor λ1 = 3. Escalonando a matriz desse sistema. Assim. obtemos o sistema homogˆ eneo 1 −1 0 0 x y = 0 0 . Analogamente. obtemos o sistema homogˆ eneo 3 −1 0 0 x y = 0 0 . pelo Teorema 8. associados ao autovalor λ2 = 5. forma base de autovetores para o R2 . e ´ dada por A= 6 −1 3 2 . qualquer par de autovetores correspondentes e ´ linearmente independente e.i i i a matriz A. satisfazem o sistema linear (5I2 − A)v = 0. 3x) com x ∈ R∗ . A essa altura. portanto. j´ a podemos concluir que o operador T : R2 → R2 e ´ diagonaliz´ avel. pois. os autovetores v = (x. y). Assim. como ele tem dois autovalores distintos. Escalonando a matriz desse sistema. os autovalores de T s˜ ao λ1 = 3 e λ2 = 5. v1 = (1. tendo como colunas T (e1 ) e T (e2 ). y) satisfazem o sistema linear (3I2 − A)v = 0. os autovetores de T associados ao autovalor λ1 = 3 s˜ ao da forma v = (x. Vamos determinar os autovetores.

x) com x ∈ R∗ . procedemos geometricamente como segue. Observe que o vetor v1 = (1. v2 } e ´ uma base de R2 formada por autovetores de T . ¦ ¤ ¥ blablabl Seja T : R2 → R2 o operador linear que reflete pontos com respeito a ` reta pela origem y = kx. os autovetores de T associados ao autovalor λ2 = 5 s˜ ao da forma v = (x. onde k ∈ R. logo ele e ´ mantido 80 C E D E R J i i i . k) e v2 = (−k.3. 1) e ´ um autovetor de T associado ao autovalor λ2 = 5. e a representac ¸a ˜ o diagonal de T e ´ a matriz diagonal de ordem 2 cuja diagonal principal e ´ formada pelos autovalores λ1 = 3 e λ2 = 5: D= 3 0 0 5 . ˜ o: Soluc ¸a a) Como n˜ ao conhecemos as equac ¸o ˜ es que definem a transformac ¸a ˜o T . v2 = (1. 1) s˜ ao autovetores de T . Em particular.1: Reflex˜ ao com respeito a ` reta y = kx. § Exemplo 8. Veja a Figura 8. Assim. k) pertence a ` reta y = kx. Mostre que: a) v1 = (1. b) T e ´ diagonaliz´ avel e encontre uma representac ¸a ˜ o diagonal D de T. Figura 8.i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Operadores Lineares Assim. β = {v1 .1.

ou seja. v2 e ´ um autovetor de T associado ao autovalor λ2 = −1. Logo. 2) = 1 e1 + 1 e2 + 2 e3 T (e3 ) = T (0. vamos calcular a matriz A ∈ M3 (R) que representa o operador T com respeito a ` base canˆ onica de R3 . 1) e ´ ortogonal ao vetor v1 . tendo como colunas T (e1 ). 1) s˜ dentes. consequentemente. determine uma representac ¸a ˜ o diagonal. Assim. ¦ ¤ ¥ blablabl Determine todos os autovalores e autovetores do operador linear T : R3 → R3 dado por T (x. Primeiramente.i i i fixo pela ac ¸a ˜ o do operador T . ´ dada por a matriz A. Portanto. Assim. isto e ´ . T (e2 ) e T (e3 ). Como T (e1 ) = T (1. a matriz diagonal D ∈ M3 (R) que representa o operador T e a base de autovetores correspondente. caso seja. 0 2 4 C E D E R J 81 i i i AULA ´ 1 8 1 MODULO .2. 1. y. 0) = (2. 2y + 4z). T (v2 ) = −v2 . k) e v2 = (−k.4. 0) = 2 e1 + 0 e2 + 0 e3 T (e2 ) = T (0. temos que β = {v1 . 0 −1 § Exemplo 8. 0. v2 e ´ perpendicular a ` reta y = kx. −1. ˜ o: Soluc ¸a O procedimento e ´ semelhante ao do Exemplo 8. e. 0) = (1. isto e ´ . o operador T e ´ diagonaliz´ avel com representac ¸a ˜o diagonal dada por 1 0 D= . 4) = 0 e1 + (−1) e2 + 4 e3 . v1 e ´ um autovetor de T associado ao autovalor λ1 = 1. y − z. 1. e   2 1 0 A =  0 1 −1  . v2 } e ´ uma base ordenada de R2 formada por autovetores de T . Determine se o operador T e ´ diagonaliz´ avel e. observamos que o vetor v2 = (−k. Por outro lado. 0. z) = (2x + y. pois v1 · v2 = 1 · (−k) + k · 1 = 0. o operador T transforma o vetor v2 em seu negativo −v2 . 0. ao linearmente indepenb) Como os vetores v1 = (1. 1) = (0. T (v1 ) = v1 .

de      0 −1 0 x 0  0 1 1   y  =  0 . x ∈ R. Sabemos que um vetor v = (x. y. portanto. 0). forma uma base de E (2). 0. Como temos apenas dois autovalores distintos. Vamos. primeiramente. Assim. obtemos o sistema      0 1 0 x 0  0 0 1   y  =  0 . ent˜ ao o autoespac ¸ o E (2) e ´ unidimensional. Vamos agora procurar uma base do autoespac ¸o E (3) = {v ∈ R3 | T (v) = 3 v}. z) pertence ao autoespac ¸ o E (2) se e somente se ele e ´ soluc ¸a ˜ o do sistema linear (2I3 − A)v = 0. 0) e ´ um autovetor de T associado ao autovalor λ1 = 2 e. Como a soluc ¸a ˜ o geral depende apenas de uma vari´ avel independente.i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Operadores Lineares O polinˆ omio caracter´ ıstico de T ser´ a o polinˆ omio caracter´ ıstico da matriz A que e ´ dado por p(x) = det(xI3 − 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)(x2 − 5x + 6) (x − 2)(x − 2)(x − 3) (x − 2)2 (x − 3). y. 0. ainda n˜ ao podemos decidir se T e ´ diagonaliz´ avel. Temos que v1 = (1. 0 −2 −2 z 0 Escalonando a matriz associada desse sistema. determinar uma base do autoespac ¸o E (2) = {v ∈ R3 | T (v) = 2 v} associado ao autovalor λ1 = λ2 = 2. 0 0 0 z 0 cujas soluc ¸o ˜ es s˜ ao v = (x. associado ao autovalor λ3 = 3. isto e ´ . z) pertence ao autoespac ¸ o E (3) se e somente se ele e ´ soluc ¸a ˜ o do sistema linear 82 C E D E R J i i i . os autovalores de T s˜ ao λ1 = λ2 = 2 e λ3 = 3. Sabemos que um vetor v = (x.

0 −2 −1 z 0 Escalonando a matriz associada desse sistema. Como a soluc ¸a ˜ o geral depende. procure o tutor no seu polo. ent˜ ao 3 n˜ ao existe base de autovetores de T para o R e. portanto. Fac ¸ a os exerc´ ıcios desta aula e reveja os das aulas anteriores. z ∈ R. obtemos o sistema      1 0 1 2 x 0  0 1 1 2   y  =  0 . ent˜ ao o autoespac ¸ o E (3) ´ um autovetor de T tamb´ em e ´ unidimensional. pelo Teorema 8. 2) e associado ao autovalor λ3 = 3 e. o operador linear T n˜ ao e ´ diagonaliz´ avel. ¥ C E D E R J 83 i i i AULA ´ 1 8 1 MODULO . −z. novamente. Se vocˆ e ficar com alguma d´ uvida. forma uma base de E (3). portanto. isto e ´ . § ˜o Autoavaliac ¸a ¤ ¦ ´ Terminamos o primeiro m´ odulo do curso de Algebra Linear II.2. 0 0 0 z 0 cujas soluc ¸o ˜ es s˜ ao v = (−z. v2 = (−1. apenas de uma vari´ avel independente. 2z). Nesse caso. Como T possui apenas dois autovetores linearmente independentes. N˜ ao deixe de fazer uma boa revis˜ ao dos conceitos vistos neste primeiro m´ odulo antes de iniciar o segundo. do sistema      1 −1 0 x 0  0     2 1 y = 0 . −1.i i i (3I3 − A)v = 0.

84 C E D E R J i i i . Verifique se o operador linear T : R3 → R3 dado por T (x. 2. 4. determine uma representac ¸a ˜ o diagonal. 3. determine uma representac ¸a ˜ o diagonal. y. uma matriz diagonal D ∈ M4 (R) que representa o operador T e uma base de autovetores correspondente. caso seja. uma matriz diagonal D ∈ M3 (R) que representa o operador T e uma base de autovetores correspondente. t ) = (3x − 4z. −t ) e ´ diagonaliz´ avel e.i i i ´ Algebra Linear II | Diagonalizac ¸a ˜ o de Operadores Lineares Exerc´ ıcio 8. Mostre que 0 e ´ autovalor do operador T : Rn → Rn se e somente se T e ´ n˜ ao-invers´ ıvel. 3y + 5z. z. −z. ou seja. z) = (z. y. ou seja. x) e ´ diagonaliz´ avel e. caso seja. 1) e ´ autovetor de T e que o operador linear T n˜ ao e ´ diagonaliz´ avel. y. Mostre −1 3 que v1 = (1. Seja A = 1 1 e defina T : R2 → R2 por T (v) = Av. Verifique se o operador linear T : R4 → R4 dado por T (x.1. 1.

2 compreender o conceito de matriz ortogonal. 3 praticar c´ alculos com matrizes ortogonais.i i i Aula 9 M ATRIZES O RTOGONAIS Objetivos Ao final desta aula. i i i . vocˆ e dever´ a ser capaz de: 1 fazer uma revis˜ ao de conceitos importantes de ortogonalidade.

. . un ) e v = (v1 . consideramos u e v como matrizes colunas n × 1. . . o produto escalar de u e v e ´ dado por u · v = u1 v1 + . . .  = u1 v1 + . estaremos considerando o espac ¸ o vetorial Rn munido do produto interno usual. . 86 C E D E R J i i i . . Na linguagem de matrizes.  vn Vamos relembrar algumas definic ¸o ˜ es. + un vn . tamb´ em chamado de produto escalar. Neste m´ odulo. . . que denotamos por     u1 v1  u2   v2      u= . . . . dados os vetores u = (u1 . un )  . + un vn .  un vn Denotando por ut a matriz transposta de u. . . v = u v = (u1 . e v =   .i i i ´ Algebra Linear II | Matrizes Ortogonais M ATRIZES O RTOGONAIS Pr´ e-requisitos: Produto interno entre dois vetores.  . . v . que tamb´ em denotamos por u. Ou seja. . o produto interno de u e v pode ser expresso na forma:   v1  v2    t u. .   . . . vn ). u2 .  .

. v = 2 2 v2 1 + v 2 + . um papel central e ´ desempenhado pelos n conjuntos de vetores ortogonais de R .i i i ˜ o 9. Dado um vetor n˜ ao-nulo v. . blablabla Definic ¸a 1.. O a ˆ ngulo θ ∈ [0. Por exemplo. quando a ac ¸a ˜ o da matriz preserva a norma dos vetores ou quando a ac ¸a ˜ o preserva oa ˆ ngulo entre dois vetores. cos θ = u v 4. Veremos que muitas matrizes possuem propriedades geom´ etricas especiais que s˜ ao caracterizadas pela forma como sua ac ¸a ˜ o em vetores se comporta com respeito ao produto interno. isso equivale a dizer que u. ao-nulos u e v e ´ dado 3.1. Na discuss˜ ao que se segue. v . π ] entre os vetores n˜ por u. A norma de um vetor v = (v1 . . C E D E R J 87 i i i AULA ´ 1 9 1 MODULO . v = 0. v e dizemos que o vetor v foi normalizado. . . o vetor unit´ ario na direc ¸a ˜ o e sentido de v e ´ o vetor dado por ˆ= v v . + vn . 2. e o vetor v e ´ unit´ ario se v = 1. Dois vetores n˜ ao-nulos u e v s˜ ao ortogonais se o a ˆ ngulo entre o eles e ´ de 90 . vn ) ∈ Rn e ´ dada por v = v. Pela f´ ormula anterior.

§ Exemplo 9. O conjunto mais simples de base ortonormal de Rn e ´ a base canˆ onica n {e1 . v3 } e ´ uma base ortonormal de R3 . Os seguintes resultados foram vistos no curso de ´ Algebra Linear I: Teorema 9. Um conjunto {v1 .1. . . se vi . 726 726 726 88 C E D E R J i i i . Todo conjunto ortogonal de n vetores de Rn forma uma base (ortogonal) de Rn . . e2 . . . blablabla Definic ¸a 1. blablabla 1. . Chamamos de base ortonormal a toda base que tamb´ em e ´ conjunto ortonormal. Um conjunto {v1 . Todo conjunto ortogonal de vetores e ´ linearmente independente. en } de R . v p } de vetores n˜ ao-nulos de Rn e ´ dito conjunto ortogonal se cada par de vetores distintos e ´ ortogonal. 1/ 11 1/ 6 7/ 66 ˜ o: Soluc ¸a Calculando os produtos internos: −3 2 1 v1 . v2 . isto e ´ . 2.2. v2 = √ + √ + √ = 0. v3 = √ −√ +√ = 0. isto e ´ . v p } de vetores n˜ ao-nulos de Rn e ´ dito conjunto ortonormal se e ´ conjunto ortogonal e se todos os seus vetores s˜ ao unit´ arios. . . 2. onde √  √   √    3/√11 −1/ 6 − 1 / √ √66       v1 = e v3 = 1/√11 . v2 .1.i i i ´ Algebra Linear II | Matrizes Ortogonais ˜ o 9. . Chamamos de base ortogonal a toda base que tamb´ em e ´ conjunto ortogonal. v2 . 66 66 66 4 7 −3 v1 . ¦ ¤ ¥ blablabl Mostre que {v1 . v j = 0 para todo i = j e se vi = 1 para todo i. . . v j = 0 para todo i = j. v2 = 2/√6 −4/ √ 66 . . se vi .

v1 . 3) (t = −4) e w = (4. 4 Assim. ˜ o: Soluc ¸a Precisamos encontrar um vetor w = (x. temos que (3. ¦ ¤ ¥ blablabl Obtenha uma base ortonormal de R2 na qual um dos vetores tenha a direc ¸a ˜ o do vetor v = (3. antes apresentado. base ortonormal de R3 .1. 6 6 6 1 16 49 v3 . Logo. Em particular.1. v3 = √ 1 8 7 −√ +√ = 0. v2 e v3 s˜ ao vetores unit´ arios. quando os vetores de um conjunto ortogonal s˜ ao normalizados. 4). 3 y = − x. portanto. 4). com t ∈ R∗ . sendo. v1 = 11 11 11 1 4 1 v2 . Vale a pena destacar que. C E D E R J 89 i i i AULA ´ 1 9 1 MODULO . 396 396 396 temos que {v1 . v3 } e disso. quando uma base ortogonal e ´ normalizada. 4). {v1 . conjunto ortonormal. 66 66 66 o que mostra que v1 . v2 . § Exemplo 9. todo vetor da forma w = (t . Portanto. v2 . isto e ´. 4). tamb´ em.2. os vetores w = (−4. Al´ em Teorema 9. (x. −3t /4). 9 1 1 + + = 1. como mostra a Figura 9. v3 } e ´ conjunto ortonormal e. y) que seja ortogonal a v = (3. v2 . o conjunto permanece ortogonal. e ´ ortogonal a v = (3. Assim. agora. v2 = + + = 1. 3x = −4y. ou. {v1 . obtemos uma base ortonormal que preserva as mesmas direc ¸o ˜ es dos vetores da base ortogonal original. Pelo ´ base ortogonal de R3 .i i i v2 . y) = 0 3x + 4y = 0. −3) (t = 4). v3 = + + = 1. v3 } e ´ conjunto ortogonal formado por 3 vetores em R3 .

90 C E D E R J i i i . 2. w 5 Assim. 4/5) preserva a direc ¸a ˜ o de v = (3. a) e ´ um vetor ortogonal a v. 4) = (3/5. 4). z) e ´ ortogonal a v = (−1.1. 1). ent˜ ao. 2. 3)} e ´ um conjunto ortogonal formado por 2 vetores de R2 . 4/5) v 5 w 1 = (−4. obtemos v1 = v2 = v 1 = (3.1: Vetores ortogonais. (−4. ¦ § ¤ ¥ blablabl Obtenha uma base ortonormal de R3 na qual um dos vetores tenha a direc ¸a ˜ o do vetor v = (−1. b) ∈ R2 . 3) = (−4/5. o vetor w = (−b. pelo Teorema 9. como e ´ ilustrado na Figura 9.1 pelos vetores v = (3. 2. o conjunto {v1 . e ´ uma base ortogonal de R2 . 3). 4) e w = (−4. v2 } e ´ uma base ortonormal de R2 em que o vetor v1 = (3/5. ˜ o: Soluc ¸a Um vetor u = (x.i i i ´ Algebra Linear II | Matrizes Ortogonais Figura 9. Como {(3. 4). dado um vetor n˜ ao-nulo v = (a. Exemplo 9. 3/5). Normalizando esta base. O pr´ oximo exemplo descreve a construc ¸a ˜ o de uma base ortonormal para R3 . (x. 1) se e somente se (−1. 1). z) = 0. y. representado por uma rotac ¸a ˜ o em v de 90o no sentido anti-hor´ ario. De um modo geral.3. y.

1/ 2). 0. o que nos d´ a z = x − 2y. (a. 2. b. c) que seja ortogonal a v = (−1. obtemos o vetor u = (1. queremos que sejam satisfeitas as condic ¸o ˜ es (−1. 0. w e. Assim. a. 1/ 3. v2 . agora. 0. 1) e a u = (1. −2) y. ent˜ ao esse conjunto forma uma base ortogonal de R3 . um vetor w = (a. e ´ ortogonal a v. Assim. 0. temos: √ √ √ v v1 = = (−1/ 6. a ∈ R∗ . 1. 1) ortogonal a v = (−1. 1). 1). b. Depois de revermos esses fatos importantes sobre conjuntos ortogo- C E D E R J 91 i i i AULA ´ 1 9 1 MODULO . v3 } e ´ uma base ortogonal de R3 . todo vetor da forma u = (x. Em particular. y ∈ R (x = 0 ou y = 0). x − 2y) = (1. Resolvendo o sistema. w} e ´ um conjunto de 3 vetores ortogonais de R3 . u √ √ √ w v3 = = (1/ 3. Queremos. b. 1. −1) ortogonal a v = (−1. assim. obtemos c = −a e b = a. y = 0. 2/ 6. 1). o que nos d´ a o sistema linear −a + 2b + c = 0 a+c = 0 . Como {v. 1). −1/ 3). −a) = (1. 1. 1) x + (0. 0. Escolhendo a = 1. x. 2. 2. u. 1). −1) a. escolhendo x = 1. c) = 0 . 1) e a u = (1. 1/ 6). obtemos o vetor w = (1. (a.i i i ou seja. c) = 0 (1. o que nos d´ a vetores da forma w = (a. {v1 . 2. −x + 2y + z = 0. y. v √ √ u v2 = = (1/ 2. 0. Normalizando esses vetores.

2. vn  As colunas da matriz A formam um conjunto de n vetores ortogonais 92 C E D E R J   . .3. A = [ v1 v2 · · · vn ] . Este tipo de matriz e ´ muito importante em v´ arias aplicac ¸o ˜ es e em algoritmos computacionais. .  At A =     vt1 vt2 . v1 . t · · · vn · vn ··· ··· . . . blablabla Uma matriz A ∈ Mn (R) e ´ ortogonal se e somente se suas colunas formam um conjunto de n vetores ortonormais. e. . v2 v1 . . .i i i ´ Algebra Linear II | Matrizes Ortogonais nais. ... Demonstrac ¸a ˜o Sejam v1 . . vamos introduzir um tipo especial de matriz cujas colunas formam um conjunto ortonormal de vetores. isto e ´. inicialmente. vn . vn v2 . . . onde At e ´ a matriz transposta de A e In e ´ a matriz identidade de ordem n. ···      v1 . v2 v2 .. . . . . Ent˜ ao. Teorema 9. . blablabla Definic ¸a Uma matriz A ∈ Mn (R) e ´ chamada ortogonal se At · A = In . v2 . uma propriedade que facilitar´ a nossos c´ alculos posteriormente. v2 . vn . . vn as colunas da matriz A. ˜ o 9. vn . . v1 v2 . portanto. v1 · · · vt1 · vn · · · vt2 · vn . vtn     · [ v1 v2 · · · vn ] =    =    =    vt1 · v1 vt1 · v2 vt2 · v1 vt2 · v2 . t t vn · v1 vn · v2 v1 . vn . Vamos ver.  ( 1) i i i . . . formam uma base ortonormal de Rn . .

Logo. N˜ ao deixe de trabalhar os exerc´ ıcios que seguem. a matriz A e ´ matriz ortogonal. a matriz A e ´ matriz ortogonal. pois ser˜ ao exaustivamente explorados nas pr´ oximas aulas. as colunas da matriz A formam uma base de vetores ortonormais se e somente se a matriz em (1) e ´ a matriz identidade. s˜ ao ortonormais. § Exemplo 9. no Exemplo 9. que os vetores formados pelas colunas da matriz A. se e somente se At A = In .i i i se e somente se vi . isto e ´ .3. ¦ ¤ ¥ blablabl √ √ √  −1/√6 1/ 2 1 / √3 ´ uma maVerifique se a matriz A =  2/√6 0 1 / √3  e √ 1/ 6 1/ 2 −1/ 3 triz ortogonal.2.2. Se vocˆ e tiver qualquer d´ uvida. Vimos. consulte seu ¦tutor. v2 =  0 √ √ 1/ 2 −1/ 3 1/ 6  s˜ ao ortonormais. √  √   √   −1/ 6 1 / 1 / 2 √3 √  e v3 =  1/ 3  . no Exemplo 9. ou seja. Assim. v1 = 3/5 4/5 e v2 = −4/5 3/5 . ¦ ¥ blablabl Verifique se a matriz A = ˜ o: Soluc ¸a 3/5 −4/5 4/5 3/5 e ´ uma matriz ortogonal. § Exemplo 9. vi = 1 para todo i. Logo. E essas colunas s˜ ao vetores unit´ arios se e somente se vi . se e somente se a matriz A e ´ ortogonal.  ˜ o: Soluc ¸a Vimos.4. ¥ C E D E R J 93 i i i AULA ¤ ´ 1 9 1 MODULO .2. que os vetores formados pelas colunas da matriz A. pelo Teorema 9. v1 =  2/√6  . § ˜o Autoavaliac ¸a ¤ Estude bem os conceitos apresentados nesta aula. pelo Teorema 9. v j = 0 para todo i = j.5.

k. 5. cuja primeira coluna e ´ o vetor v = (a. 1. 5) ∈ R4 . 1. 4. Seja v = (a. de ordem 2. Determine uma matriz ortogonal cuja primeira coluna e ´ o vetor u1 = (1/3. isto e ´ . 1.1. −3) e u3 = (5. 2/3). 7. que satisfaz 2 2 a + b = 1. 1). determine uma base ortogonal de R4 que contenha o vetor u.i i i ´ Algebra Linear II | Matrizes Ortogonais Exerc´ ıcio 9. Determine o valor de k ∈ R tal que os vetores u = (1. 2. Mostre que S e ´ uma base ortogonal de R3 e transforme essa base numa base ortonormal. 2. k. Seja S o subconjunto de R3 formado pelos vetores u1 = (1. 2/3. Dado u = (0. −5) sejam ortogonais. 94 C E D E R J i i i . −4. 3) e u = (3. u2 = (1. 3. Obtenha todas as matrizes ortogonais A. b) ∈ R2 um vetor unit´ ario. −2. b). 2. −1).

vocˆ e dever´ a ser capaz de: 1 compreender algumas propriedades geom´ etricas das matrizes ortogonais.i i i Aula P ROPRIEDADES O RTOGONAIS 10 DAS M ATRIZES Objetivos Ao final desta aula. ˜ es matem´ 3 praticar a leitura de demonstrac ¸o aticas de pro´ priedades importantes em Algebra Linear. i i i . 2 conhecer exemplos importantes de matrizes ortogonais.

Aula 9. det(A) = ±1 2. Como det(A) = 0. 3. donde se conclui que det(A) = ±1. como v. v = λ v . Nesta aula. Lembre que as matrizes ortogonais foram abordadas na aula passada.1. 3. Se λ ∈ R e 4. 2. Teorema 10. e. Lembrando que A ortogonal significa At · A = In e que det(At ) = det(A). ent˜ ao λ = 1 ou λ = −1. Av = (Av)t · (Av) = (vt At ) · (Av) = vt (At A)v = vt (In v) = vt v = v. temos (det(A))2 = = = = det(A) · det(A) det(At ) · det(A) det(At A) det(In ) = 1 . ent˜ ao existe um vetor n˜ ao-nulo n v ∈ R tal que Av = λ v. ent˜ ao o produto AB tamb´ em e ´ matriz ortogonal. veremos algumas propriedades geom´ etricas das matrizes ortogonais. de At · A = In . Demonstrac ¸a ˜o 1.i i i ´ Algebra Linear II | Propriedades das Matrizes Ortogonais P ROPRIEDADES DAS M ATRIZES O RTOGONAIS Pr´ e-requisitos: Autovalores e autovetores de matrizes. segue − 1 t que A = A . λ = ±1. segue que λ 2 = 1. a matriz A e ´ invers´ ıvel. Se λ ∈ R e ´ autovalor da matriz A. temos que λ 2 v. λ v = Av . A e ´ matriz invers´ ıvel e A−1 = At . Logo. v . blablabla Seja A ∈ Mn (R) uma matriz ortogonal. 96 C E D E R J i i i . Assim. v = 0. Ent˜ ao 1. Se B ∈ Mn (R) e ´ matriz ortogonal. E. ´ autovalor da matriz A.

CQD Gostar´ ıamos de ressaltar que a propriedade 3.i i i 4. no Exerc´ ıcio 1 da Aula 9.1. como veremos num pr´ oximo exemplo. mencionada antes. ent˜ ao as matrizes A= cos θ − sen θ sen θ cos θ e B= cos ϕ sen ϕ sen ϕ − cos ϕ s˜ ao matrizes ortogonais com determinantes det(A) = cos2 θ + sen2 θ = 1 e det(B) = − cos2 ϕ − sen2 ϕ = −(cos2 ϕ + sen2 ϕ ) = −1. Estas matrizes ser˜ ao estudadas mais detalhadamente nas pr´ oximas aulas. diz que caso uma matriz ortogonal A possua autovalor λ ent˜ ao λ = ±1. Observe que det(A) = a2 + b2 = 1 e det(B) = −a2 − b2 = −(a2 + b2 ) = −1. ent˜ ao as matrizes a −b a b A= e B= b a b −a s˜ ao matrizes ortogonais. Como a matriz B tamb´ em e ´ ortogonal. Para concluir que AB e ´ ortogonal. Temos (AB)t · (AB) = (Bt At )(AB) = Bt (At A)B = Bt In B = Bt B = In . ¦ ¤ ¥ blablabl Vimos. Mas n˜ ao e ´ necess´ ario que uma matriz ortogonal A tenha algum autovalor. devemos mostrar que (AB)t · (AB) = In . ¦ blablabl Sejam θ . ent˜ ao Bt · B = In . C E D E R J 97 i i i AULA ´ 1 10 1 MODULO . como quer´ ıamos demonstrar. ϕ ∈ [0. que se a2 + b2 = 1.2. 2π ). § ¤ ¥ Exemplo 10. § Exemplo 10.

Demonstrac ¸a ˜o 1. isto e ´ . Em particular. 2. A matriz A preserva a norma. isto e ´ . temos Au. Au.. 98 C E D E R J i i i .i i i ´ Algebra Linear II | Propriedades das Matrizes Ortogonais O pr´ oximo teorema fornece algumas propriedades geom´ etricas das matrizes ortogonais. A matriz A preserva o produto interno. Em particular. Au e Av tamb´ em s˜ ao ortogonais. 2. se u e v s˜ ao ortogonais. temos Av 2 = = = Av .2. logo. se u. isto e ´ . Av = = = = = = (Au)t (Av) (ut At )(Av) ut (At A)v ut (In v) ut v u. isto e ´ . Aun } tamb´ em e ´ base ortonormal de R . . ent˜ ao Au e Av tamb´ em s˜ ao ortogonais. . A matriz A transforma bases ortonormais em bases ortonormais. v v 2. ent˜ ao Au. Ent˜ ao: 1. . blablabla Seja A ∈ Mn (R) uma matriz ortogonal e sejam u. . Av v. se u e v s˜ ao vetores ortogonais. Av = v . un } e ´ uma base ortonormal de Rn . Av = u. Dados u. . v = 0. v = 0. v . no caso u = v. u2 . . ou seja. . Av = u. v . Au2 . 3. v ∈ Rn . ent˜ ao n {Au1 . Teorema 10. se {u1 . temos que Av = v . v ∈ Rn . Utilizando a propriedade 1.

v . forma uma base ortonormal de Rn . segue que A e ´ matriz ortogonal. . CQD A propriedade 1 do Teorema 10. Au = u . Ent˜ ao ui . u j = 0 para todo i = j. Seja {u1 . . −1 0 0 0 1  Verifique se: a. . Essas propriedades s˜ ao cruciais para a implementac ¸a ˜ o de algoritmos computacionais. u =  0  e v =  1  . a matriz A e ´ ortogonal. Note que as colunas da matriz A s˜ ao ortogonais portanto. Av = u. un } uma base ortonormal de Rn .2 da Aula 9. Aun } e ´ um conjunto ortonormal de n vetores n de R e. . {Au1 . ¦ Sejam √ √      1/√2 −1/√2 0 1 1 A =  1/ 2 1/ 2 0  . ˜ o: Soluc ¸a a.2 afirma que o a ˆ ngulo entre dois vetores e ´ preservado. c.i i i 3. . temos Aui . . Tamb´ em podemos verificar diretamente pela definic ¸a ˜ o: C E D E R J 99 § ¤ ¥ blablabl i i i AULA ´ 1 10 1 MODULO . Exemplo 10.3. Pelas propriedades anteriores. Au. Au2 . u2 . pelo Teorema 9. . u j = 0 para todo i = j e ui = 1 ara todo i. Au j = ui . Logo. e Aui = ui = 1 para todo i. e a propriedade 2 afirma que o comprimento e a distˆ ancia entre vetores e ´ preservada. . b. portanto.

vamos primeiro calcular Au: √  √    √  1/√2 −1/√2 0 1 1/√2 Au =  1/ 2 1/ 2 0   0  =  1/ 2  . 2 2 Assim. Av: √  √       0 0 1/√2 −1/√2 0 1 √ √ Av =  1/ 2 1/ 2 0   1  =  2/ 2  =  2  . 0 0 0 0 0 1 Finalmente. Vamos primeiro calcular u. v : u. calculando Au. agora. obtemos 1 1 √ Au. c. 0 0 1  b. v = 1 · 1 + 0 · 1 + (−1) · 0 = 1. segue que Au = √ √ (1/ 2)2 + (1/ 2)2 + (−1)2 = √ (1/2) + (1/2) + 1 = √ = 2. Au. 100 C E D E R J i i i . Portanto. Calculemos. Au = 2= u . Para calcular Au . Av . v . Temos que u = 12 + 02 + 12 = √ 2. −1 0 0 1 −1 Da´ ı.i i i ´ Algebra Linear II | Propriedades das Matrizes Ortogonais √ √ √   √  1/√2 1/√2 0 1/√2 −1/√2 0 At · A =  −1/ 2 1/ 2 0  ·  1/ 2 1/ 2 0  = 0 0 1 0 0 1   1 0 0  = 0 1 0  = I3 . Av = 1 = u. Av = √ · 0 + √ · 2 + (−1) · 0 = 1.

5. u1 = u2 . v2 .3. Sendo α = {u1 . e esse polinˆ omio e ´ dado por: √ √   x − 1/ 1/ √ 2 0 √2 p(x) = det (xI3 − A) =  −1/ 2 x − 1/ 2 0  0 0 x−1 √ √ x − 1/ 1/ √ 2 √2 = (x − 1) −1/ 2 x − 1/ 2 = (x − 1) 1 2 1 √ x− +2 2 √ = (x − 1)(x2 − 2x + 1). u3 } e β = {v1 . √ 2 − 2x + 1) e Agora. v2 . u3 = 1 u1 . temos que u1 . ˜ o: Soluc ¸a Lembre que os autovalores da matriz A s˜ ao as ra´ ızes do seu polinˆ omio caracter´ ıstico. u2 = u1 .i i i Exemplo 10. a u ´ nica raiz real de p ( x ) = ( x − 1 )( x ´ λ = 1. § Exemplo 10. Usando estas igualdades e o fato de β = {v1 . Assim. u2 . temos C E D E R J 101 i i i AULA ´ 1 10 1 MODULO § ¤ . ¦ ¥ blablabl Determine os autovalores da matriz A do Exemplo 10. u2 . λ = 1. pois o √ polinˆ omio x2 − 2x + 1 n˜ ao possui ra´ ızes reais. a matriz A possui um u ´ nico autovalor real. u3 = u2 . u3 = 0. Mostre que a matriz A que realiza a mudanc ¸ a de base de β para αe ´ uma matriz ortogonal. u3 } uma base ortonormal de R3 . v3 } ser base ortonormal. ¦ ¤ ¥ blablabl Sejam α = {u1 . ˜ o: Soluc ¸a A matriz que realiza a mudanc ¸ a de base de β para α e ´ a matriz A = (ai j ) definida por v1 = a11 u1 + a21 u2 + a31 u3 v2 = a12 u1 + a22 u2 + a32 u3 v3 = a13 u1 + a23 u2 + a33 u3 . u2 = u3 . v3 } duas bases ortonormais de R3 .4.

Logo. a12 u1 + a22 u2 + a32 u3 = = a11 a12 + a21 a22 + a31 a32 . Portanto. se necess´ ario. vamos usar exaustivamente todos os resultados apresentados nesta aula. v3 = a12 a13 + a22 a23 + a32 a33 . estas igualdades mostram que as colunas da matriz   a11 a12 a13 A =  a21 a22 a23  a31 a32 a33 formam uma base de vetores ortonormais. Nas pr´ oximas aulas. v2 = a2 12 + a22 + a32 2 2 1 = v3 . tamb´ em. v3 = a11 a13 + a21 a23 + a31 a33 0 = v2 . analogamente.2. e. v1 = a11 u1 + a21 u2 + a31 u3 . e. a11 u1 + a21 u2 + a31 u3 = 2 2 = a2 11 + a21 + a31 . Vocˆ e deve resolver os exerc´ ıcios que se seguem com a ajuda do seu tutor. da Aula 9. ˜o Autoavaliac ¸a ¨ Nesta aula apresentamos alguns resultados que caracterizam as matrizes ortogonais. v2 = a11 u1 + a21 u2 + a31 u3 . 2 2 1 = v2 . 0 = v1 . Ae ´ matriz ortogonal.i i i ´ Algebra Linear II | Propriedades das Matrizes Ortogonais 1 = v1 . pelo Teorema 9. portanto. © 102 C E D E R J i i i . Temos. e ´ importante que vocˆ e compreenda o significado geom´ etrico deles. 0 = v1 . analogamente. v3 = a2 13 + a23 + a33 .

1.i i i Exerc´ ıcio 10. Considere as matrizes     1 0 0 1 0 0 0  e B =  0 0 −1  . A= 0 1 0 1 0 0 0 −1 a. Verifique que A e B s˜ ao matrizes ortogonais. Verifique que o produto AB e ´ ortogonal e calcule seus autovalores. b. C E D E R J 103 i i i AULA ´ 1 10 1 MODULO . 1.

i i i ´ Algebra Linear II | Rotac ¸o ˜ es no Plano 104 C E D E R J i i i .

˜ es s˜ 2 verificar que estas rotac ¸o ao exemplos de matrizes ortogonais. i i i . vocˆ e dever´ a ser capaz de: ˜ es no plano em torno 1 compreender o efeito das rotac ¸o da origem.i i i Aula ˜ ROTAC ¸ OES 11 NO P LANO Objetivos Ao final desta aula.

y) sofre uma rotac ¸a ˜ o de θ radianos em torno da origem. 0). O operador Aθ transforma o ponto (x. geometricamente.i i i ´ Algebra Linear II | Rotac ¸o ˜ es no Plano ˜ R OTAC ¸ OES NO P LANO Pr´ e-requisito: Aula 10. § Exemplo 11. ˜ o 11. Neste cap´ ıtulo vamos construir um tipo de matriz ortogonal muito importante de ordem 2.1. Denotaremos esta rotac ¸a ˜ o por Aθ . Convencionaremos que a rotac ¸a ˜ o ser´ a no sentido antihor´ ario quando θ for positivo e no sentido hor´ ario quando θ for negativo. y). Primeiro.1. ¦ ¤ ¥ blablabl Vamos verificar. y) e ´ o vetor posic ¸a ˜ o do ponto (x.1: Rotac ¸a ˜ o de θ radianos. em alguma base ortogonal. onde v = (x. ele e ´ representado por uma matriz ortogonal. y). A Figura 11. Vamos considerar. no plano cartesiano. Figura 11. y) no novo ponto (x′ . uma rotac ¸a ˜ o de θ radianos em torno da origem O = (0. vejamos uma definic ¸a ˜ o que generaliza um pouco o conceito de matriz ortogonal. blablabla Definic ¸a Um operador linear T : Rn → Rn e ´ chamado operador ortogonal se. S˜ ao as matrizes que representam as rotac ¸o ˜ es no plano em torno da origem. a ac ¸a ˜ o de uma rotac ¸a ˜ o sobre um 106 C E D E R J i i i . y′ ) = Aθ (x.1 ilustra a ac ¸a ˜ o de Aθ . Observe que o vetor v = (x.

1) e v3 = (0. Teorema 11. Vamos verificar isto na pr´ oxima propriedade.1. v2 = (1. sua imagem Aθ v ter´ a o mesmo comprimento do vetor v. que continuaremos denotando por Aθ . Portanto. v1 = (1. Aθ (v1 ). blablabla A rotac ¸a ˜ o de θ radianos em torno da origem e ´ representada pela matriz cos θ − sen θ Aθ = . 0). 0). Aθ (v2 ) eAθ (v3 ). que formam os v´ ertices de um novo quadrado de lado 1. sen θ cos θ Demonstrac ¸a ˜o Queremos expressar as coordenadas do ponto (x′ . Como as rotac ¸o ˜ es s˜ ao operadores lineares. Inicialmente. C E D E R J 107 i i i AULA ´ 1 11 1 MODULO . Aθ v = v . Aθ e ´ representado por um matriz de ordem 2. y).i i i quadrado unit´ ario de v´ ertice na origem. Figura 11. y′ ) = Aθ (x. y) em func ¸a ˜ o do a ˆ ngulo θ e das coordenadas do ponto v = (x. A ac ¸a ˜ o da rotac ¸a ˜ o Aθ sobre os v´ ertices desse quadrado s˜ ao os pontos Aθ (v0 ) = (0. e ´ de se esperar que Aθ seja uma matriz ortogonal.2: Rotac ¸a ˜ o de um quadrado unit´ ario. como indica a Figura 11. 1). 0).2. ˜ o: Soluc ¸a Vamos considerar o quadrado unit´ ario de v´ ertices v0 = (0. Quando aplicamos a matriz Aθ ao vetor v ∈ R2 . isto e ´.

i i i ´ Algebra Linear II | Rotac ¸o ˜ es no Plano representamos o ponto (x.3: Coordenadas polares. y) em coordenadas polares: x = r cos ϕ y = r sen ϕ onde r = v = x2 + y2 y tg ϕ = ( x = 0) . y) forma com o semieixo-x positivo. ´ a imagem do vetor v = (x.4. y) ap´ os a rotac ¸a ˜o Agora. temos: x′ y′ = Aθ x y . conforme a Figura 11. y′ ) = Aθ (v) e de θ radianos no sentido anti-hor´ ario (que consideraremos como o sentido positivo). (x′ . observando a Figura 11. Mas. x onde ϕ e ´oa ˆ ngulo que o vetor v = (x. (11. Em forma matricial.1) Figura 11.3. 108 C E D E R J i i i .

3) (11. obtemos que x′ = r cos(ϕ + θ ) = r cos ϕ cos θ − r sen ϕ sen θ y′ = r sen (ϕ + θ ) = r sen ϕ cos θ + r cos ϕ sen θ . e aplicando-as em (11.2).i i i Figura 11. vemos que Aθ v = v = r. Lembrando das f´ ormulas trigonom´ etricas de adic ¸a ˜ o de arcos. substituindo (11. a matriz Aθ . (11. forC E D E R J 109 i i i AULA ´ 1 11 1 MODULO .4: Componentes de (x′ .3) podem ser representadas por x′ cos θ − sen θ x . y′ ) = Aθ (v).2) Usando a notac ¸a ˜ o matricial. as equac ¸o ˜ es (11. da rotac ¸a ˜ o de θ radianos em torno da origem. cos θ ). x′ = r cos(ϕ + θ ) y = r sen (ϕ + θ ) . − sen θ ) e (sen θ . cos(a ± b) = cos a cos b ∓ sen a sen b sen (a ± b) = sen a cos b ± sen b cos a . x′ = x cos θ − y sen θ y′ = y cos θ + x cos θ .1) nas equac ¸o ˜ es acima. = y′ sen θ cos θ y Assim. sen θ cos θ Observe que as linhas de Aθ : (cos θ . e ´ dada por cos θ − sen θ Aθ = . o que nos d´ a. assim.

A Figura 11. CQD § Exemplo 11. Os v´ ertices do quadrado s˜ ao: v0 = (0. u2 = (0. 110 C E D E R J i i i . a matriz rotac Soluc ¸a ¸a ˜o e ´ dada por: A = Aπ /4 = cos π /4 − sen π /4 sen π /4 cos π /4 = √ √ 2 / 2 − √ √ 2/2 2/2 2/2 . 0). 1).i i i ´ Algebra Linear II | Rotac ¸o ˜ es no Plano mam uma base ortonormal de R2 . 2/2). u1 = Av1 .2. Aθ e ´ uma matriz ortogonal. ap´ os este sofrer uma rotac ¸a ˜ o de π /4 radianos (45 graus) em torno da origem e no sentido anti-hor´ ario. v2 = (1. assim como as suas colunas. ¦ ¤ ¥ blablabl Determine as coordenadas dos v´ ertices do quadrado unit´ ario da Figura 11. 0 2/2 2/2 2/2 √ √ 0 2 / 2 − 1 √ 2/2 = √ . u2 = Av2 = √ 1 2 2/2 2/2 √ √ √ 2 / 2 − 2 / 2 0 − √ √ 2/2 . antes e ap´ os a rotac ¸a ˜ o. u3 = Av3 = √ = 1 2/2 2/2 2/2 Portanto. 2/2). 2) e u3 = (− 2/2. 0 0 2/2 2/2 √ √ √ 2/2 − 2/2 1 2/2 √ √ √ u1 = Av1 = = .5 ilustra os dois quadrados. v1 = (1. 0). as coordenadas dos v´ ertices do quadrado unit´ ario. 1) e v3 = (0. u1 = ( 2/2. s˜ √ √ √ √ √ u0 = (0. Denotamos as imagens desses v´ ertices por: u0 = Av0 . 0). u2 = Av2 e u3 = Av3 . Consequentemente. Assim. ap´ os sofrer a ao: rotac ¸a ˜ o de π /4 radianos (45 graus). temos que √ √ 2/2 − 2/2 0 0 √ √ u0 = Av0 = = . ˜ o: No caso θ = π /4.2.

Com relac ¸a ˜ o a este u ´ ltimo exemplo. C E D E R J 111 i i i AULA ´ 1 11 1 MODULO . v1 . Vemos que a imagem dos v´ ertices desse quadril´ atero pela ac ¸a ˜ o da matriz A = Aπ /4 e ´ simplesmente um produto de matrizes: A · D = C. vale a pena fazer a seguinte observac ¸a ˜o sobre notac ¸a ˜ o. Observe que C e ´ uma matriz 2 × 4 e suas colunas s˜ ao exatamente os v´ ertices do quadril´ atero imagem. √ √ 2/2 − 2/2 0 1 1 0 √ √ A·D = 0 0 1 1 2/2 2/2 √ √ 0 √2/2 √ 0 − √ 2/2 . = 0 2/2 2 2/2 Esta notac ¸a ˜ o tem a vantagem de acelerar os c´ alculos a serem efetuados e ser´ a utilizada novamente no pr´ oximo cap´ ıtulo.5: Rotac ¸a ˜ o de π /4 radianos do quadrado unit´ ario. v2 e v3 do quadril´ atero inicial atrav´ es da matriz 2 × 4 dada por D = [ v0 v1 v2 v3 ] = 0 1 1 0 0 0 1 1 .i i i Figura 11. Denotando os v´ ertices v0 . De fato.

i i i ´ Algebra Linear II | Rotac ¸o ˜ es no Plano Exerc´ ıcio 11. Verifique que duas matrizes de rotac ¸a ˜ o no plano comutam. v5 = ( 3. 2. v2 = (5. 3) . 1. Determine a imagem dos v´ ertices da figura abaixo ap´ os uma rotac ¸a ˜ o de π /4 radianos. v4 = ( 4.1. 1). 2) . 1). Qual oa ˆ ngulo resultante desta composic ¸a ˜ o? 112 C E D E R J i i i . v3 = ( 5. 3) . 3) . 3) e v7 = ( 1. Os v´ ertices s˜ ao: v1 = (1. v6 = ( 2.

i i i .i i i Aula ˜ R EFLEX OES 12 NO P LANO Objetivos Ao final desta aula. vocˆ e dever´ a ser capaz de: 1 compreender o efeito das reflex˜ oes no plano com respeito a uma reta. 2 verificar que estas reflex˜ oes s˜ ao exemplos de matrizes ortogonais.

y) ∈ R2 . Estudaremos as matrizes ortogonais que representam as reflex˜ oes no plano com respeito a uma reta L passando pela origem. Mostre que as matrizes A = ˜ o: Soluc ¸a Lembre que o eixo-x e ´ a reta de equac ¸a ˜ o cartesiana y = 0 e o eixo-y e ´a reta de equac ¸a ˜ o x = 0. como ilustra a Figura 12. y FL(v) v x Figura 12.1 abaixo. Observe que a reflex˜ ao FL preserva o comprimento do vetor v. Dado v = (x. Se v ∈ R2 e ´ um vetor qualquer.i i i ´ Algebra Linear II | Reflex˜ oes no Plano ˜ NO P LANO R EFLEX OES Pr´ e-requisitos: Aulas 10 e 11. temos que Av = 114 C E D E R J 1 0 0 −1 x y = x −y e i i i . e.1: Reflex˜ ao com respeito a ` reta L.1. isto e ´. portanto. denotaremos por FL (v) a reflex˜ ao do vetor v com respeito a ` reta L. respectivamente. veremos que essa reflex˜ ao e ´ mais um exemplo de uma matriz ortogonal. estudaremos mais um importante exemplo de matriz ortogonal de ordem 2. ¦ ¤ ¥ blablabl 1 0 −1 0 eB= repre0 −1 0 1 sentam reflex˜ oes com respeito ao eixo-x e com respeito ao eixo-y. Nesta aula. § Exemplo 12. FL (v) = v .

A(x.2. y v xy Bv -x y y v xy x x Av x -y Figura 12.b: Reflex˜ ao no eixo-y.2: O quadrado unit´ ario. E. ¦ ¤ ¥ blablabl Verifique a ac ¸a ˜ o das reflex˜ oes do Exemplo 12. como ilustra a Figura 12. v2 = (1.i i i Bv = −1 0 0 1 x y = −x y .a: Reflex˜ ao no eixo-x. como mostra a Figura 12. Portanto. v1 = (1. ˜ o: Soluc ¸a O quadrado unit´ ario da Figura 12. 0).2. y) = (−x.2. § Exemplo 12.1 sobre um quadrado unit´ ario de v´ ertice na origem. o que caracteriza uma reflex˜ ao com respeito ao eixo-x. 1) e v3 = (0.a. 1). y) caracteriza a reflex˜ ao com respeito ao eixo-y. −y).b. Figura 12. Vamos representar esses quatro v´ ertices pela matriz C E D E R J 115 i i i AULA ´ 1 12 1 MODULO . analogamente. y) = (x. como mostra a Figura 12. B(x.2. y v3 v2 v0 v1 x Figura 12. 0).2 tem como v´ ertices v0 = (0.

como mostra a Figura 12. 0). 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 . 2o Caso: Reflex˜ ao com respeito ao eixo-y. 0 1 116 C E D E R J i i i . −1).i i i ´ Algebra Linear II | Reflex˜ oes no Plano D = [ v0 v1 v2 v3 ] = como foi visto no final da Aula 11. Sabemos que essa reflex˜ ao e ´ representada pela matriz 1 0 A= . a imagem e ´ um novo quadrado de lado unit´ ario e de v´ ertices Av0 = (0. ou seja.3. 0 −1 y Av0 Av1 x Av3 Av2 Figura 12. 0). Av2 = (1. Sabemos que essa reflex˜ ao e ´ representada pela matriz −1 0 B= . −1) e Av3 = (0. Av1 = (1. pela ac ¸a ˜ o da reflex˜ ao com respeito ao eixo-x.3: Reflex˜ ao no eixo-x do quadrado unit´ ario. 1o Caso: Reflex˜ ao com respeito ao eixo-x. 0 1 1 0 0 0 1 1 . A imagem dos v´ ertices do quadrado.

Obtenha a matriz que representa a reflex˜ ao com respeito a ` reta L : y = −x.2. ou seja. C E D E R J 117 i i i AULA ´ 1 12 1 MODULO . Bv1 = (−1. y) = (−y. 1). pela ac ¸a ˜ o da reflex˜ ao com respeito ao eixo-y.5. 0). como ilustra a Figura 12. a imagem e ´ um novo quadrado de lado unit´ ario e de v´ ertices Bv0 = (0.i i i y Bv2 Bv3 Bv1 Bv0 x Figura 12. 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 .3. A imagem dos v´ ertices do quadrado.4: Reflex˜ ao no eixo-y do quadrado unit´ ario. b. ¦ ¤ ¥ blablabl a. § Exemplo 12. 1) e Bv3 = (0. A transformac ¸a ˜ o que representa a reflex˜ ao com respeito a ` reta L : y = −x e ´ dada por FL : R2 → R2 FL (x. Verifique a ac ¸a ˜ o desta reflex˜ ao sobre o quadrado unit´ ario da Figura 12. como mostra a Figura 12. ˜ o: Soluc ¸a a. −x) . Bv2 = (−1.4. 0).

−1) e E v3 = (−1. 1).2 tem como v´ ertices v0 = (0. O quadrado unit´ ario da Figura 12. ou seja. ent˜ ao a matriz que representa esta reflex˜ ao e ´ dada por E= 0 −1 −1 0 .5: Reflex˜ ao na reta L : y = −x. 1) e v3 = (0. −1). 0). podemos represent´ a-los pela matriz D = [ v0 v1 v2 v3 ] = 0 1 1 0 0 0 1 1 . 0). v1 = (1. v2 = (1. Como −y −x = 0 −1 −1 0 x y . A imagem dos v´ ertices do quadrado. b. 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 . E v1 = (0. a imagem e ´ um novo quadrado de lado unit´ ario e de v´ ertices E v0 = (0. como mostra a Figura 12. E v2 = (−1.6.2. pela ac ¸a ˜ o da reflex˜ ao E . 0).i i i ´ Algebra Linear II | Reflex˜ oes no Plano v y FL(v) x L Figura 12. 0). 118 C E D E R J i i i . Como no Exemplo 12.

e a matriz F= 1 0 0 −1 representa a reflex˜ ao com respeito ao eixo-x.i i i y Ev3 Ev0 x Ev2 Ev1 L Figura 12. Uma observac ¸a ˜ o interessante sobre a matriz E do exemplo anterior e ´ que ela pode ser escrita na forma E = 0 −1 −1 0 = 1 0 0 −1 √ √ 2 / 2 − √2/2 √ 2/2 2/2 √ √ √2/2 −√2/2 2/2 2/2 = √ √ √2/2 √2/2 − 2/2 2/2 . − 2/2 2/2 Geometricamente. a matriz Aπ /4 = representa uma rotac ¸a ˜ o de π 4 radianos (45 graus) em torno da origem e. a matriz 1 E = A− π /4 · F · Aπ /4 (12. como foi visto no Exemplo 12.1) e ´ o resultado de se aplicar uma rotac ¸a ˜ o de π /4 radianos. consequentemente. Portanto.1. na reta y = 0. seguida de C E D E R J 119 i i i AULA ´ 1 12 1 MODULO .6: Reflex˜ ao do quadrado unit´ ario na reta L : y = −x. a matriz Aπ /4 transforma a reta L : y = −x no eixo-x. Neste produto. √ √ 2/2 √2/2 −1 √ Aπ /4 = = A−π /4 = Atπ /4 . isto e ´ .

1 A− π /4 = A−π /4 . Assim. essa forma de 0 1 120 C E D E R J i i i . Observe que se fizermos uma rotac ¸a ˜ o de θ = −π /4. y y L x v x Ev Figura 12.c: Ap´ os a reflex˜ ao no eixo-x. a reta L : y = −x ser´ a transformada no eixo-y (isto e ´ . No entanto.8. −1 0 onde B = e ´ a reflex˜ ao no eixo-y. Portanto.i i i ´ Algebra Linear II | Reflex˜ oes no Plano reflex˜ ao no eixo-x e seguida de outra rotac ¸a ˜ o de −π /4 radianos. na reta x = 0).8. y y v x x L v L Figura 12.a: A reta L : y = −x. a matriz E que representa a reflex˜ ao na reta L : y = −x pode ser escrita como √ √ √ √ 2 / 2 − 2 / 2 − 1 0 2 / 2 √ √ √2/2 .8. L Figura 12. E= √ 0 1 2/2 2/2 − 2/2 2/2 ou seja.d: Ap´ os a rotac ¸a ˜o Assim. expressamos a reflex˜ ao E como um produto de trˆ es matrizes ortogonais. Figura 12.b: Ap´ os a rotac ¸a ˜o Aπ /4 . E = A−θ · B · Aθ e ´ um outro produto de trˆ es matrizes ortogonais. como ilustra a Figura 12.8. essa n˜ ao e ´au ´ nica forma de expressar a matriz E como um produto de matrizes ortogonais.8.

tamb´ em. a imagem do ponto P = ( 3. Determine. conforme a Figura 12.9.9: Rotac ¸a ˜ o de θ = −π /3 radianos. C E D E R J 121 i i i AULA ´ 1 12 1 MODULO . N˜ ao e ´ dif´ ıcil ver que precisamos fazer uma rotac ¸a ˜ o de θ = −π /3 radianos. = √ √1/2 − 3/2 3/2 1/2 = Aπ /3 . § Exemplo 12. √ vamos fazer uma rotac ¸a ˜ o em torno da origem de modo que a reta L : y = 3x seja transformada no eixo-x.4. Figura 12. Observe que o a ˆ ngulo que a reta L forma com o semi-eixo-x positivo e ´ π /3 radianos.i i i expressar a matriz E como um produto de trˆ es matrizes ortogonais n˜ ao e ´u ´ nica. Primeiramente. Agora. a matriz que representa a reflex˜ ao no eixo-x e ´ dada por F= 1 0 0 −1 . Esta rotac ¸a ˜o e ´ representada pela matriz A−π /3 = cuja inversa e ´ dada por 1 A− −π /3 √1/2 − 3/2 √ 3/2 1/2 . ˜ o: Soluc ¸a Vamos proceder de forma an´ aloga a ` do exerc´ ıcio anterior. 1) por esta reflex˜ ao. ¦ ¤ ¥ blablabl Determine a matriz F que representa a reflex˜ ao com respeito ` reta √ √ a L : y = 3x.

11. determinar a matriz E que representa uma reflex˜ ao na reta L : y = 3x.10: Reflex˜ ao de P = ( 3.i i i ´ Algebra Linear II | Reflex˜ oes no Plano √ Portanto. vamos analisar como isso e ´ feito para o exemplo anterior. 1/2) e ´ um vetor normal a ` reta L. vejamos uma outra forma para se obter a matriz E que representa a reflex˜ ao nessa reta L.2) L P=( 3. 1).1) x Figura 12. 2 1 3/2 1/2 y P’=(0. onde Escolhemos √ a seguinte base ortonormal β = {v1 . a matriz que representa a reflex˜ ao na reta L : y = 1 E = A− −π /3 · F · A−π /3 = Aπ /3 · F · A−π√ /3 1 / 2 − 3/2 √ = 3/2 √ 1/2 −1/2 3/2 √ = . 1) na reta L : y = 3x. ap´ √ √ −1/2 3/2 0 3 √ E (P) = = . nem sempre e ´ f´ acil obter uma express˜ ao simples para o a ˆ ngulo que ela forma como o eixo-x. e ´ A imagem do ponto P = ( 3. v2 } de R √ v1 = (1√ /2. √ √ Dada uma reta L passando pela origem. 3/2) e ´ um vetor tangente a ` reta L : y = 3x e v2 = ( − 3/2. Inicialmente. como indica a Figura 12. 2 . 3/2 1/2 3x e ´ dada por 1 0 0 −1 √1/2 − 3/2 √ 3/2 1/2 √ √ os uma reflex˜ ao na reta L : y = 3x. Por isso. ou √ seja. 122 C E D E R J i i i .

pela teoria de mudanc ¸ a de base vista no curso de Algebra Linear I. conforme a Figura 12. e ´ dada por E = P · [E ]β · Pt . Como a matriz E representa a reflex˜ ao com respeito a ` reta L. A matriz Assim.11: Base ortonormal β = {v1 . a matriz E que representa a reflex˜ ao. da base β = {v1 . a matriz E e ´ dada por E = A · F · A−1 = √ A · F · At √1 / 2 − 3 / 2 = 3/2 √ 1/2 −1/2 3/2 √ = .11. temos que E v1 = v1 = 1 · v1 + 0 · v2 e E v2 = −v2 = 0 · v1 + (−1) · v2 . C E D E R J 123 i i i AULA v2 v1 ´ 1 12 1 MODULO . 3/2 1/2 √ 1/2 − 3/2 √ 3/2 1/2 1 0 0 −1 De um modo geral. 1 0 e ´ a matriz que representa a reflex˜ ao na reta 0 −1 L com respeito a ` base β . F = A= √ √1 / 2 − 3 / 2 3/2 1/2 = [ v1 v2 ] e ´ a matriz mudanc ¸ a de base.i i i y L: y 3x x Figura 12. v2 } para a base canˆ onica ´ {e1 . com respeito a uma reta L passando pela origem. e2 }. v2 }. Logo.

E v1 = v1 = 1 · v1 + 0 · v2 e E v2 = −v2 = 0 · v1 + (−1) · v2 . 2. e2 }. Observe tamb´ em que sendo P uma matriz ortogonal ent˜ ao. 1) . da base β = {v1 . Os v´ ertices s˜ ao: v1 = ( 1. v2 e ´ um vetor unit´ ario normal a ` reta L. 1. e a matriz [E ]β e ´ a matriz que representa a reflex˜ ao na reta L com respeito a ` base β = {v1 . v2 } e ´ uma base ortonormal de R2 em que v1 e ´ um vetor unit´ ario tangente a ` reta L. 3) . como ilustra a Figura 12. Determine a matriz E que representa a reflex˜ ao na reta L : 3x + 2y = 0. Exerc´ ıcio 12.1. e ´ a matriz mudanc ¸ a de base. dada por [E ]β = pois.11. e a matriz P = [ v1 v2 ] .i i i ´ Algebra Linear II | Reflex˜ oes no Plano onde β = {v1 . v2 = ( 4. 124 C E D E R J i i i . cujas colunas s˜ ao os vetores v1 e v2 . 3. 1) e v3 = ( 1. Determine a matriz B que representa a reflex˜ ao com respeito a ` reta y = −2x. v2 } para a base canˆ onica {e1 . P−1 = Pt . Determine a imagem dos v´ ertices da figura abaixo ap´ os uma reflex˜ ao na reta y = −2x. v2 }. 1 0 0 −1 .

˜ o das matrizes de rotac ˜o 2 compreender a diagonalizac ¸a ¸a e reflex˜ ao. i i i .i i i Aula ˜ P ROPRIEDADES DAS ROTAC ¸ OES E ˜ R EFLEX OES NO P LANO – 1A PARTE 13 Objetivos Ao final desta aula. vocˆ e dever´ a ser capaz de: 1 compreender algumas propriedades geom´ etricas das ma˜ o e reflex˜ trizes de rotac ¸a ao.

ainda. isto e ´ . Nesta aula. Assim. Denotamos por θ o a ˆ ngulo formado pelo vetor Ae1 e o semieixo-x positivo (Figura 13. 1) os vetores unit´ arios da base canˆ onica de R2 .1). Ae1 tamb´ em e ´ um vetor unit´ ario. isto e ´ .1: A imagem Ae1 do vetor e1 . Veremos que estas s˜ ao as u ´ nicas matrizes ortogonais de R2 . sen θ ) 126 C E D E R J i i i . vimos que as rotac ¸o ˜ es e as reflex˜ oes s˜ ao exemplos de matrizes ortogonais. v ∈ R2 ? Dada uma matriz ortogonal A de ordem 2. vamos mostrar algumas propriedades elementares das matrizes ortogonais 2 × 2. sejam e1 = (1. Vamos considerar o espac ¸ o vetorial R2 junto com o produto interno usual. Ae1 = (cos θ .i i i ´ Algebra Linear II | Propriedades das Rotac ¸o ˜ es e Reflex˜ oes no Plano – 1a Parte ˜ P ROPRIEDADES DAS R OTAC ¸ OES E A ˜ NO P LANO – 1 PARTE R EFLEX OES Pr´ e-requisitos: Aulas 10. v para todo u. 11 e 12. como ilustra a Figura 13. para quais matrizes A ∈ M2 (R) vale que Au. Queremos ent˜ ao responder a ` seguinte pergunta: quais s˜ ao as matrizes ortogonais de ordem 2. quais as matrizes de ordem 2 que preservam o produto interno ou. 0) e e2 = (0.1 Figura 13. Av = u. Sendo A uma matriz ortogonal. Denotamos Ae1 a imagem do vetor e1 pela matriz A. Nas aulas anteriores. visto na Aula 9. vale que Ae1 = e1 = 1.

A= cos θ ∗ sen θ ∗ . isto e ´.2. agora. Assim. como mostra a Figura 13. Al´ em disso. sen(θ + π /2) ) ou Ae2 = (cos(θ − π /2). teremos duas possibilidades para este vetor.b). Se Ae2 denota a imagem do vetor e2 pela matriz ortogonal A. Ae2 = e2 = 1. Primeiro caso. temos que ´ 1 13 1 MODULO . o que acontece com o outro vetor e2 da base canˆ onica. Segundo caso. Podemos observar que o a ˆ ngulo que o vetor Ae2 forma com o eixo-x π e ´ igual a θ + 2 (Figura 13. sen(θ − π /2) ).i i i e ´ a primeira coluna da matriz ortogonal A ∈ M2 (R). e2 = 0. e isto quer dizer que o vetor Ae2 e ´ ortogonal ao vetor Ae1 . temos C E D E R J 127 i i i AULA Vejamos. Ae1 .2. a. Sendo assim. o vetor unit´ ario Ae2 pode ser escrito na forma Ae2 = (cos(θ + π /2). Figura 13.a) ou igual a θ − π 2 (Figura 13.2. b. Ae2 = e1 . Aplicando as f´ ormulas de adic ¸a ˜ o de arcos da Trigonometria.2: As duas possibilidades para o vetor Ae2 .

temos duas possibilidades para a matriz ortogonal A de ordem 2: A= cos θ − sen θ sen θ cos θ ou A = sen θ cos θ sen θ − cos θ . descreve uma rotac ¸a ˜ o de um a ˆ ngulo θ em torno da origem. a segunda coluna da matriz A e ´ dada por − sen θ cos θ ou sen θ − cos θ . considerada como uma transformac ¸a ˜ o linear de 2 em R . − cos θ ). mais especificamente. blablabla Uma matriz A ∈ M2 (R) e ´ ortogonal se e somente se existe um n´ umero θ tal que cos θ − sen θ A= sen θ cos θ ou sen θ cos θ A= . cos θ ) ou Ae2 = (sen θ . Teorema 13. sen θ − cos θ Geometricamente. Consequentemente. o vetor Ae2 pode ser escrito na forma Assim. Portanto.i i i ´ Algebra Linear II | Propriedades das Rotac ¸o ˜ es e Reflex˜ oes no Plano – 1a Parte que cos(θ + π /2) = − sen θ sen(θ + π /2) = cos θ cos(θ − π /2) = sen θ sen(θ − π /2) = − cos θ . logo. esta discuss˜ ao responde a ` nossa pergunta inicial que pode ser resumida no seguinte teorema. Ae2 = (− sen θ .1. respeitando a 128 C E D E R J i i i . a matriz A= cos θ − sen θ sen θ cos θ R2 descreve uma rotac ¸a ˜ o em torno da origem.

4: Reflex˜ ao na reta que bissecta o a ˆ ngulo θ entre e1 e Ae1 . Veja a Figura 13. Veja a Figura 13. algumas propriedades elementares das matrizes orC E D E R J 129 i i i AULA ´ 1 13 1 MODULO . Por outro lado.3: Rotac ¸a ˜ o de um a ˆ ngulo θ entre e1 e Ae1 . Vejamos.3. Figura 13.i i i convenc ¸a ˜ o da rotac ¸a ˜ o ser no sentido anti-hor´ ario quando θ for positivo e no sentido hor´ ario quando θ for negativo. Figura 13. agora.4. a matriz B= sen θ cos θ sen θ − cos θ descreve a reflex˜ ao com respeito a ` reta que faz a ˆ ngulo de θ /2 com o semieixo positivo dos x.

obtemos 1 A− θ = cos θ sen θ − sen θ cos θ . Do curso de Algebra Linear I sabemos que se A= ent˜ ao sua inversa e ´ dada por A−1 = 1 det A d −b −c a . Teorema 13. No que segue. Sendo Aθ = temos que e cos θ − sen θ sen θ cos θ e Bϕ = cos ϕ sen ϕ sen ϕ − cos ϕ .i i i ´ Algebra Linear II | Propriedades das Rotac ¸o ˜ es e Reflex˜ oes no Plano – 1a Parte togonais de ordem 2. denotaremos por Aθ = cos θ − sen θ sen θ cos θ a matriz que representa a rotac ¸a ˜ o de θ radianos em torno da origem. 130 C E D E R J i i i . A− θ = A−θ e Bϕ = Bϕ . det(Aθ ) = cos2 θ + sen2 θ = 1 det(Bϕ ) = − cos2 ϕ + sen2 ϕ = −1.2. a b c d . ´ 2. det(Aθ ) = 1 e det(Bϕ ) = −1. Demonstrac ¸a ˜o 1. 1 −1 2. e por cos ϕ sen ϕ Bϕ = sen ϕ − cos ϕ a matriz que representa a reflex˜ ao com respeito a ` reta que forma um a ˆ ngulo de ϕ /2 com o semieixo-x positivo. Aplicando essa f´ ormula a ` matriz Aθ . blablabla 1.

se o a ˆ ngulo θ n˜ ao for m´ ultiplo de π . se e somente se cos θ ≥ 1. Analogamente. cos(−θ ) − sen(−θ ) sen(−θ ) cos(−θ ) ent˜ ao. temos 1 B− = ϕ 1 −1 = Bϕ . ou 2 seja. Logo. Como cos(−θ ) = cos θ e sen(−θ ) = − sen θ . − cos ϕ − sen ϕ − sen ϕ cos ϕ = cos ϕ sen ϕ sen ϕ − cos ϕ = § Exemplo 13. ent˜ ao 2 2 2 cos θ ≥ 1 se e somente se cos θ = 1. E cos θ = 1 se e somente se cos θ = 1 ou cos θ = −1. obtemos −1 Aθ = = = −1 Isto e ´ . a matriz rotac ¸a ˜ o Aθ n˜ ao possui autovalores reais e. ¦ ¤ ¥ blablabl Mostre que Aθ possui apenas autovalores reais se e somente se θ = nπ com n ∈ Z. portanto. cujos autovalores s˜ ao 1 e -1. ˜ o: Soluc ¸a O polinˆ omio caracter´ ıstico de Aθ e ´ dado por det(xI2 − Aθ ) = x − cos θ − sen θ sen θ x − cos θ = (x − cos θ )2 + sen2 θ = x2 − 2 (cos θ ) x + cos2 θ + sen2 θ = x2 − 2 (cos θ ) x + 1 . a matriz Aθ tem de ser da forma Aθ = 1 0 0 1 ou Aθ = −1 0 0 −1 . C E D E R J 131 i i i AULA ´ 1 13 1 MODULO . E como cos2 θ assume valor m´ aximo 1.1. respectivamente. como det(Bϕ ) = −1. Este polinˆ omio possui ra´ ızes reais se e somente se ∆ = 4 cos2 θ − 4 ≥ 0. cos θ sen θ − sen θ cos θ = A−θ . E isto acontece se e somente se θ = nπ com n ∈ Z. Aθ e ´ uma rotac ¸a ˜ o do a ˆ ngulo −θ radianos. Portanto.i i i pois det(Aθ ) = 1.

i

i

i

´ Algebra Linear II | Propriedades das Rotac ¸o ˜ es e Reflex˜ oes no Plano – 1a Parte

n˜ ao e ´ diagonaliz´ avel. Quando θ = nπ , com n ∈ Z, temos que a matriz Aθ e ´ diagonaliz´ avel.
§

Exemplo 13.2. ¦

¤ ¥

blablabl

Calcule os autovalores da matriz reflex˜ ao Bϕ e mostre que ela e ´ diagonaliz´ avel. ˜ o: Soluc ¸a
O polinˆ omio caracter´ ıstico de Bϕ e ´ dado por det(xI2 − Bϕ ) = x − cos ϕ − sen ϕ − sen ϕ x + cos ϕ = (x − cos ϕ )(x + cos ϕ ) − sen2 ϕ = x2 − cos2 ϕ − sen2 ϕ = x2 − 1 .

Portanto, os autovalores de Bϕ s˜ ao λ1 = 1 e λ2 = −1. Como Bϕ possui dois autovalores distintos, segue que Bϕ e ´ diagonaliz´ avel.

Exerc´ ıcio 13.1. 1. Verifique que toda matriz de reflex˜ ao Bϕ pode ser escrita como o produto de uma matriz de rotac ¸a ˜ o pela matriz de reflex˜ ao no eixo-x.

132 C E D E R J

i i i

i

i

i

Aula

˜ P ROPRIEDADES DAS ROTAC ¸ OES E ˜ R EFLEX OES NO P LANO – 2A PARTE

14

Objetivos
Ao final desta aula, vocˆ e dever´ a ser capaz de: 1 compreender algumas propriedades geom´ etricas das ma˜ o e reflex˜ trizes de rotac ¸a ao; ˜ o das matrizes de rotac ˜o 2 compreender a diagonalizac ¸a ¸a e reflex˜ ao.

i i i

i

i

i

´ Algebra Linear II | Propriedades das Rotac ¸o ˜ es e Reflex˜ oes no Plano – 2a Parte

˜ P ROPRIEDADES DAS R OTAC ¸ OES E A ˜ NO P LANO – 2 PARTE R EFLEX OES
Pr´ e-requisitos: Aulas 10, 11, 12 e 13.

Nesta aula veremos como se comportam as transformac ¸o ˜ es de ro´ tac ¸a ˜ o e reflex˜ ao no plano quando combinadas entre si. E f´ acil verificar que o produto de matrizes ortogonais e ´ novamente uma matriz ortogonal (Exerc´ ıcio 1). Mas no caso espec´ ıfico de matrizes de ordem 2 e ´ poss´ ıvel calcular estes produtos e interpret´ a-los geometricamente. Nas aulas anteriores, para cada θ ∈ R, trabalhamos com as matrizes Aθ = cos θ − sen θ sen θ cos θ e Bϕ = cos ϕ sen ϕ sen ϕ − cos ϕ .

Geometricamente, a matriz Aθ representa uma rotac ¸a ˜ o de θ radianos ao com respeito a ` reta que forma um e a matriz Bϕ representa uma reflex˜ a ˆ ngulo de ϕ /2 radianos com o semieixo-x positivo. Queremos determinar como essas matrizes se comportam com respeito a ` multiplicac ¸a ˜ o, isto e ´ , como se comportam as matrizes Aθ Aϕ , Aθ Bϕ , Bϕ Aθ e Bθ Bϕ . Vamos ver, inicialmente, o que estes produtos significam geometricamente e, em seguida, vamos determinar sua descric ¸a ˜ o alg´ ebrica: 1. Aθ Aϕ : Temos uma rotac ¸a ˜ o de um a ˆ ngulo de ϕ radianos seguida de outra rotac ¸a ˜ o de θ radianos. Vemos, ent˜ ao, que o resultado ser´ a uma rotac ¸a ˜ o de θ + ϕ radianos. Veja a Figura 14.1.

a. Os vetores da base canˆ onica.

b. Uma rotac ¸a ˜ o de ϕ .

c. Depois, uma rotac ¸a ˜ o de θ .

Figura 14.1

134 C E D E R J

i i i

i i i Para obter a descric ¸a ˜ o alg´ ebrica de Aθ Aϕ . Uma reflex˜ ao em ϕ /2. b.2 C E D E R J 135 i i i AULA ´ 1 14 1 MODULO . uma rotac ¸a ˜ o de θ . uma reflex˜ ao com respeito a ` reta que forma um a ˆ ngulo de ϕ /2 radianos com o semieixo-x positivo seguida de uma rotac ¸a ˜ o de θ radianos. das f´ ormulas de adic ¸a ˜ o de arcos: cos(a + b) = cos a cos b − sen a sen b e sen(a + b) = sen a cos b + sen b cos a.2 . Algebricamente. 2. vamos precisar. mais uma vez. Os vetores da base canˆ onica. Figura 14. Tamb´ em s˜ ao v´ alidas as igualdades A2 θ = Aθ Aθ = Aθ +θ = A2θ 2 A3 θ = Aθ Aθ = A2θ +θ = A3θ e. Veja a Figura 14. aqui. pois Aθ Aϕ = = = cos θ − sen θ sen θ cos θ cos ϕ − sen ϕ sen ϕ cos ϕ cos(θ + ϕ ) − sen(θ + ϕ ) sen(θ + ϕ ) cos(θ + ϕ ) = Aθ +ϕ . a. Aθ Bϕ : Temos. cos θ cos ϕ − sen θ sen ϕ − cos θ sen ϕ − sen θ cos ϕ sen θ cos ϕ + cos θ sen ϕ − sen θ sen ϕ + cos θ cos ϕ Observe que Aθ Aϕ = Aθ +ϕ = Aϕ +θ = Aϕ Aθ e isto quer dizer que as matrizes Aθ e Aφ comutam. sucessivamente. c. Depois. temos que Aθ Aϕ = Aθ +ϕ . assim.

o que nos d´ a uma nova reflex˜ ao.. uma rotac ¸a ˜ o de θ radianos seguida de uma reflex˜ ao com respeito a ` reta que forma um a ˆ ngulo de ϕ /2 radianos com o semieixo-x positivo. agora. o que nos d´ a uma nova reflex˜ ao. agora. Figura 14. Depois.i i i ´ Algebra Linear II | Propriedades das Rotac ¸o ˜ es e Reflex˜ oes no Plano – 2a Parte Algebricamente.3 Algebricamente. uma reflex˜ ao em ϕ /2. temos que Aθ Bϕ = Bθ +ϕ . Bϕ Aθ : Temos. a. temos que Bϕ Aθ = Bϕ −θ . Os vetores da base canˆ onica. b.3. Veja a Figura 14. Uma rotac ¸a ˜ o de θ . em torno da reta que forma um a ˆ ngulo de (θ + ϕ )/2 radianos com o semieixo-x positivo. em torno da reta que forma um a ˆ ngulo de (ϕ − θ )/2 radianos com o semieixo-x positivo. cos θ cos ϕ − sen θ sen ϕ cos θ sen ϕ + sen θ cos ϕ sen θ cos ϕ + cos θ sen ϕ sen θ sen ϕ − cos θ cos ϕ 3. Vamos verificar isso: 136 C E D E R J i i i . agora. c. Vamos verificar isso: Aθ Bϕ = = = cos θ − sen θ sen θ cos θ sen ϕ cos ϕ sen ϕ − cos ϕ sen(θ + ϕ ) cos(θ + ϕ ) sen(θ + ϕ ) − cos(θ + ϕ ) = Bθ +ϕ .

temos que Aθ Bϕ = Bϕ Aθ . a. o que nos d´ a uma rotac ¸a ˜ o de θ − ϕ radianos. Bθ Bϕ : Nesse u que forma um a ˆ ngulo de ϕ /2 radianos com o semieixo-x positivo seguida de outra reflex˜ ao com respeito a ` reta que forma um a ˆ ngulo de θ /2 radianos com o semieixo-x positivo.4 Algebricamente. pois C E D E R J 137 i i i AULA cos ϕ cos θ + sen ϕ sen θ − cos ϕ sen θ + sen ϕ cos θ sen ϕ cos θ − cos ϕ sen θ − sen ϕ sen θ − cos ϕ cos θ cos ϕ sen ϕ sen ϕ − cos ϕ cos θ − sen θ sen θ cos θ ´ 1 14 1 MODULO . temos uma reflex˜ ao com respeito a ` reta 4. as matrizes Aθ e Bϕ n˜ ao comutam em geral. Veja a Figura 14. Os vetores da base canˆ onica.4. ou seja. em geral. ´ ltimo caso. Reflex˜ ao em ϕ /2. temos que Bθ Bϕ = Aθ −ϕ . Figura 14. Bϕ +θ = Bϕ −θ . c. Depois. b.i i i Bϕ Aθ = = = sen(ϕ − θ ) cos(ϕ − θ ) sen(ϕ − θ ) − cos(ϕ − θ ) = Bϕ −θ . Como. reflex˜ ao em θ /2.

1). v1 = (1. as quais podemos interpretar como: rotac ¸a ˜ o seguida de rotac ¸a ˜o e ´ uma rotac ¸a ˜ o. ˜ o: Soluc ¸a O quadrado unit´ ario tem v´ ertices v0 = (0. temos que Bθ Bϕ = Bϕ Bθ .i i i ´ Algebra Linear II | Propriedades das Rotac ¸o ˜ es e Reflex˜ oes no Plano – 2a Parte Bθ Bϕ = = = cos(θ − ϕ ) − sen(θ − ϕ ) sen(θ − ϕ ) cos(θ − ϕ ) = Aθ −ϕ . reflex˜ ao seguida de rotac ¸a ˜o e ´ reflex˜ ao. veja a Figura 14.1. ¦ blablabl Calcule a imagem do quadrado unit´ ario. 0). Resumindo. Veja a Figura 14. as matrizes Bθ e Bϕ n˜ ao comutam em geral. em seguida. cos θ cos ϕ + sen θ sen ϕ cos θ sen ϕ − sen θ cos ϕ sen θ cos ϕ − cos θ sen ϕ sen θ sen ϕ + cos θ cos ϕ cos θ sen θ sen θ − cos θ cos ϕ sen ϕ sen ϕ − cos ϕ Como. rotac ¸a ˜o seguida de reflex˜ ao e ´ reflex˜ ao e reflex˜ ao seguida de reflex˜ ao e ´ rotac ¸a ˜ o. 1) e v3 = (0.5. temos as seguintes igualdades:  A Aϕ    θ Aθ Bϕ Bϕ Aθ    Bθ Bϕ = Aθ +ϕ = Bθ +ϕ = Bϕ −θ = Aθ −ϕ .5. ou seja. v2 = (1. rodado de um a ˆ ngulo de π /3 radianos. § ¤ ¥ Exemplo 14. quando √ refletido na reta y = 3x e. 138 C E D E R J i i i . em geral. Aϕ +θ = Aθ −ϕ . 0).

C E D E R J 139 i i i AULA ´ 1 14 1 MODULO . A um a ˆ ngulo de inclinac ¸a ˜ o de ϕ /2 = π /3 radianos da reta de reflex˜ ao. Figura 14.i i i Figura 14. ela forma um a ˆ ngulo de π /3 radianos com o semieixo-x positivo.6. Veja a Figura 14.5: O quadrado unit´ ario. corresponde uma matriz de reflex˜ ao Bϕ com ϕ = 2π /3.6: Inclinac ¸a ˜ o com a ˆ ngulo de ϕ /2 = π /3. sabemos que √ a matriz que representa a reflex˜ ao com respeito a ` reta y = 3x e ´ dada por √ cos(2π /3) sen (2π /3) − 1 / 2 3/2 √ B2π /3 = = . √ √ Como a reta y = 3x tem coeficiente angular 3 = tg (π /3). Assim. sen (2π /3) − cos(2π /3) 3/2 1/2 A matriz de rotac ¸a ˜ o de a ˆ ngulo θ = π /3 radianos e ´ dada por √ cos(π /3) − sen (π /3) 1/2 − 3/2 √ Aπ /3 = = sen (π /3) cos(π /3) 3/2 1/2 .

(−1.7. 140 C E D E R J i i i . 0). 1) e (0. Aπ /3 B2π /3 = B π + 2π = Bπ = 3 3 −1 0 0 1 .i i i ´ Algebra Linear II | Propriedades das Rotac ¸o ˜ es e Reflex˜ oes no Plano – 2a Parte Agora. Veja a Figura 14. 1). do que acabamos de ver. que e ´ a reflex˜ ao no eixo-y. (−1. 0). a imagem e ´ o quadrado unit´ ario de v´ ertices (0. Se representarmos o quadrado unit´ ario pela matriz 2×4 D = [v0 v1 v2 v3 ]. 1 Ou seja. Figura 14. sua imagem e ´ dada por (Aπ /3 B2π /3 )(D) = Bπ D −1 0 = 0 1 0 −1 −1 = 0 0 1 0 1 1 0 0 0 1 1 0 . cujas colunas s˜ ao os v´ ertices do quadrado.7: Quadrado imagem.

C E D E R J 141 i i i AULA ´ 1 14 1 MODULO . 2) e v6 = ( 1.1. v4 = ( 3. 1). Mostre que o produto de duas matrizes ortogonais e ´ matriz ortogonal. 2. 2) . v2 = (4. 1. Determine a imagem dos v´ ertices da figura abaixo ap´ os uma reflex˜ ao com respeito a ` reta y = −x. 3) . v5 = ( 3. v3 = ( 4. 1). seguida de uma rotac ¸a ˜ o de π /4 radianos.i i i Exerc´ ıcio 14. Os v´ ertices s˜ ao: v1 = (1. 3) .

i i i ´ Algebra Linear II | Exerc´ ıcios Resolvidos – 1a Parte 142 C E D E R J i i i .

i i i . vocˆ e dever´ a ser capaz de: 1 aplicar os conceitos de ortogonalidade vistos nas Aulas 9 a 14. 2 aplicar as propriedades de ortogonalidade vistas nas Aulas 9 a 14.i i i Aula 15 E XERC ´ I CIOS R ESOLVIDOS – 1A PARTE Objetivos Ao final desta aula.

Nas pr´ oximas duas aulas. 2. Repita o exerc´ ıcio anterior no caso de u = (1. Mostre que a matriz A = e ´ ortogonal. 0. Exerc´ ıcio 15. depois. Caso vocˆ e n˜ ao consiga resolver algum exerc´ ıcio. se necess´ ario. k. 1. 3) e v = (3. Tamb´ em n˜ ao hesite em procurar ajuda do tutor. Determine todos os valores x . 144 C E D E R J i i i . identifique se −1 0 a matriz A representa uma rotac ¸a ˜ o ou uma reflex˜ ao. Mostre que S e ´ um subespac ¸ o vetorial de R2 e determine uma base para S. 2. 3. 1) ∈ R3 . 1) e u3 = (2. 4. primeiro. u2 = (−1. Construa uma base ortonormal 3 de R partindo de u1 . −5) sejam ortogonais. 7. e s´ o depois de obtida a sua pr´ opria soluc ¸a ˜ o. conferir com as soluc ¸o ˜ es apresentadas. 2. Mostre que u1 = (2. 4. n˜ ao se aflija e leia atentamente a soluc ¸a ˜ o correspondente. Construa uma base ortonormal de R2 usando os vetores u1 e u2 . tente resolver cada um dos exerc´ ıcios. Seja u = (1. 1. usando. −2) s˜ ao ortogonais. 2) ∈ R2 . 8. vocˆ e ter´ a a sua disposic ¸a ˜ o uma lista de exerc´ ıcios para tentar resolver e.i i i ´ Algebra Linear II | Exerc´ ıcios Resolvidos – 1a Parte E XERC ´ I CIOS R ESOLVIDOS – 1A PARTE Pr´ e-requisitos: Vocˆ e deve ter claras as ideias apresentadas nas Aulas 9 a 14. Determine as componentes de w = (9. u2 e u3 . faremos uma pequena pausa na apresentac ¸a ˜ o para exercitarmos o conte´ udo visto at´ e agora. v = 0}. Em cada caso. Descreva o conjunto S = {v ∈ R2 | u.1. Mostre que A =  4/9 −4/9 −7/9  e ´ uma matriz ortogo8/9 1/9 4/9 nal. −3) e u2 = (6. √ √ −1/√5 2/√5 6. Verifique que os vetores u1 = (1. −7) nesta base. A ideia e ´ que vocˆ e. Antes de prosseguirmos com o estudo das matrizes ortogonais de ordem 3. compare-a com a soluc ¸a ˜ o apresentada aqui. k. as anotac ¸o ˜ es das aulas anteriores. 1). 5. y ∈ R. Determine o valor da constante k ∈ R para que os vetores u = (1. de modo que a matriz x y A= seja ortogonal. 2/ 5 1/ 5   1/9 8/9 −4/9 7. 4) formam uma base ortogonal de R2 .

ent˜ ao os vetores v1 = v2 = u1 = u1 u2 = u2 2 −3 √ . −7) = a (2. 4) = 2 · 6 + (−3) · 4 = 0. Como √ 2 = 13 e u1 = √ 22 + (−3)√ √ u2 = 62 + 42 = 52 = 2 13. basta normalizar u1 e u2 . k. 1/2] β . temos que u. Como u. o que nos leva ao sistema 2a + 6b = 9 −3a + 4b = −7 . u2 }. −3) + b (6. −5) . ent˜ ao 9k − 12 = 0 4 k= . 7. ou seja. Portanto. −3). Sendo u e v ortogonais. 2 isto e ´ . Para determinarmos as componentes de w = (9. cuja soluc ¸a ˜o e ´ a = 3 e b = 1/2. temos 1 w = 3u1 + u2 . 4). Sendo R2 um espac ¸o 2 vetorial de dimens˜ ao 2. Para transform´ a-la numa base ortonormal. segue que {u1 . (9. 2. u2 = (2. w = [ 3. J´ a sabemos que {u1 . k. √ 13 13 3 2 √ . √ 13 13 C E D E R J 145 e i i i AULA ´ 1 15 1 MODULO . devemos encontrar escalares a e b. u2 } e ´ uma base ortogonal de R2 . −7) nesta base. na base β = {u1 . 3 2. v = 0. eles s˜ ao linearmente independentes em R2 . 3). (3. Como os vetores u1 e u2 s˜ ao ortogonais. pois u1 . tais que w = au1 + bu2 . u2 } e ´ uma base de R .i i i ˜ S OLUC ¸ OES 1. v = (1. (6.

u2 . y. (x. √ . 0. 3. Logo. u1 . u3 } e ´ uma base ortogonal de R3 . eles s˜ ao 3 linearmente independentes e. 1) |t ∈ R}. (2. (1. 2. 2. x + 2y + z = 0. e. tais que u. O complemento ortogonal de u = (1. u2 = (1. ou seja. 2)). Assim. y. y ∈ R. 4. Da´ ı. 2). z ∈ R 146 C E D E R J i i i .i i i ´ Algebra Linear II | Exerc´ ıcios Resolvidos – 1a Parte formam uma base ortonormal de R2 . ou seja. portanto. isto e ´ . todos os vetores da forma v = (−2y − z. u3 = (−1. para obter agora uma base ortonor3 mal de R basta normalizar os vetores u1 . portanto e ´ um subespac ¸ o vetorial de dimens˜ ao 1 (chamado complemento ortogonal do subespac ¸ o gerado por (1. Assim. 1. Temos que u1 . u2 = 3 2 e u3 = 3. v2 = u2 u2 = − 1 4 1 √ . 1). 1. 1). (−1. 1). (2. √ 2 2 2 1 2 3. 4. −2) = −2 + 4 − 2 = 0. se e somente se x + 2y = 0. z) com y. ou seja. ou seja. 1) ∈ R3 e ´ composto dos 3 vetores v = (x. como R e ´ um espac ¸ o vetorial de dimens˜ ao 3. 5. Como no exerc´ ıcio anterior. 4. y. os vetores u1 . y). quando x = −2y. tem como uma base {(−2. Verificamos que √ √ u1 = 2. 1). S e ´ formado por todos os vetores da forma v = (−2y. segue que {u1 . Assim. −2) = 2 + 0 − 2 = 0. vemos que S e ´ gerado pelo vetor (−2. u2 e u3 . temos que v1 = v3 = u1 u1 u3 u3 = = 1 1 √ . v = 0. 0. 1). onde u = (1. Portanto. v = 0. √ 3 2 3 2 3 2 e formam uma base ortonormal de R3 . 1)}. u2 e u3 s˜ ao ortogonais. 0. z) = 0. S = {t (−2. u3 = (1. u2 . ou x = −2y − z. z) ∈ R . 3. 1) = −1 + 0 + 1 = 0.−3 . y) ∈ S se e somente se u. Temos que v = (x.

1). 0) e (−1. portanto. z) | y. Logo.−9 . 0. u1 . A e ´ ortogonal. 81 81 81 Assim. C E D E R J 147 i i i AULA ´ 1 15 1 MODULO . 7. 1. 0. 4 8 u1 = 1 9. u1 u2 .i i i s˜ ao ortogonais a u = (1. 0) + z (−1. 6. z ∈ R} = {y(−2. 9 . 1). {u1 .9 .−9 . 0) e (−1. 1. u3 8 16 8 − + =0 81 81 81 4 28 32 =− − + =0 81 81 81 32 28 4 =− + + =0 81 81 81 1 16 64 = + + =1 81 81 81 64 16 1 = + + =1 81 81 81 16 49 16 = + + = 1. 2. √ √ −1/√5 2/√5 2/ 5 1/ 5 = logo. u3 u1 . S = {v ∈ R3 | u. 9 . u2 . u2 = u1 . Veja que o subespac ¸o S e ´ gerado pelos vetores linearmente independentes (−2. u2 u3 . Geometricamente. 0. Portanto. y. 1. S e ´ o plano de R pela origem gerado pelos vetores (−2. 7 4 u3 = − 4 9 . u3 u2 . Temos que A·A t = = √ √ −1/√5 2/√5 2/ 5 1/ 5 1 0 0 1 . Observe tamb´ em que as colunas de A s˜ ao vetores ortonormais de R2 . u3 } e ´ uma base ortonormal de R3 e. satisfazem: u2 = 8 4 1 9 . 1) | y. z ∈ R} . Observe que as colunas da matriz A. 1). a matriz A e ´ ortonormal.9. S e ´ um subespac ¸ o de 3 dimens˜ ao 2. v = 0} = {(−2y − z.

x = 0. Logo. θ = 3π /2. A1 = 0 1 −1 0 = cos θ − sen θ sen θ cos θ . Mas esta e ´ a reta 2 4 de equac ¸a ˜ o y = −x. uma rotac ¸a ˜ o de −π /2. logo. Observando esta igualdade. ´ uma rotac ¸a ˜ o de 3π /2 ou. devemos ter (x. (x. equivalenlogo. Observando a igualdade anterior. Assim. −1) = x2 + 1 = 1. Por outro lado. Como det(A1 ) = 1. 148 C E D E R J i i i . 0). logo. y = ±1. A2 e ´ uma reflex˜ ao. temos que: sen θ = −1 cos θ = 0 . temos que: sen θ = −1 cos θ = 0 . (y. logo. 0) = y2 = 1. θ = 3π /2. Para que a matriz A = x y −1 0 seja ortogonal. temos que A1 representa uma rotac ¸a ˜ o. Portanto. A1 e temente. (y. obtemos as duas matrizes A1 = 0 1 −1 0 e A2 = 0 −1 −1 0 . assim. Assim. Logo. −1). A2 e ´ uma reflex˜ ao com respeito a ` reta θ 3π que forma com o eixo-x um a ˆ ngulo de = .i i i ´ Algebra Linear II | Exerc´ ıcios Resolvidos – 1a Parte 8. A2 = 0 −1 −1 0 = cos θ sen θ sen θ − cos θ . det(A2 ) = −1 e.

i i i . 2 aplicar as propriedades de ortogonalidade vistas nas Aulas 9 a 14.i i i Aula 16 E XERC ´ I CIOS R ESOLVIDOS – 2A PARTE Objetivos Ao final desta aula. vocˆ e dever´ a ser capaz de: 1 aplicar os conceitos de ortogonalidade vistos nas Aulas 9 a 14.

as anotac ¸o ˜ es das aulas anteriores. −1.i i i ´ Algebra Linear II | Exerc´ ıcios Resolvidos – 2a Parte E XERC ´ I CIOS R ESOLVIDOS – 2A PARTE Nesta aula. 3. 1) e (0. Obtenha uma matriz ortogonal de ordem 3. tais que suas duas primeiras colunas sejam vetores paralelos aos vetores (1. e s´ o depois de obtida a sua pr´ opria soluc ¸a ˜ o. 2). compare-a com a soluc ¸a ˜o apresentada aqui. Determine todas as matrizes ortogonais de ordem 2 da forma 1/3 x A= .1.    2. Responda a ` s seguintes per−1 4 2 guntas: a. 7. A2 . Suas linhas formam vetores ortogonais? c.  m n 2 2 √ 2 2 √  1. se necess´ ario. Seja a matriz A =  1 3 −5 . 1. 2) .   1 1 7 4. y z 6. Tamb´ em n˜ ao hesite em procurar ajuda do tutor. Suas colunas formam vetores ortogonais de R3 ? b. tais que: 150 C E D E R J i i i . Exerc´ ıcio 16. tais que sua primeira coluna seja um vetor paralelo e com o mesmo sentido de u = ( 1. Sejam A1 . n ∈ R para que a matriz A =  seja ortogonal. Determine todas as matrizes ortogonais de ordem 3. tal que sua primeira coluna seja um vetor paralelo a u = (1. continuaremos a sequˆ encia de exerc´ ıcios iniciada na aula anterior. Salientamos que vocˆ e primeiro tente resolver cada um dos exerc´ ıcios usando. Determine os valores m . B1 e B2 matrizes de ordem 2. 2. A e ´ uma matriz ortogonal? 5. 1). Obtenha todas as matrizes ortogonais de ordem 2. n˜ ao se aflija e leia atentamente a soluc ¸a ˜ o correspondente. Caso vocˆ e n˜ ao consiga resolver algum exerc´ ıcio. respectivamente.

i i i a. A1 e B2 . 2 2 2 . A2 e ´ uma rotac ¸a ˜ o de 5π /6 radianos. A1 =  √  e A2 =  2 2 2 2   −    2 2 2 2 Observe que A1 e ´ uma rotac ¸a ˜ o e A2 e ´ uma reflex˜ ao. Normalizando o vetor u = (1. b. o que nos d´ a o sistema m2 + n 2 = 1 m+n = 0. n). o que nos d´ a m = ± 22 . Mostre que: a. v = (m. 2 2 . substituindo √ na primeira 2 equac ¸a ˜ o. c. B1 A1 . 2 . duas matrizes:  √  √ √  √  2 2 2 2    −  2 2  2 2       √ √ √ . ´ 1 16 1 MODULO . n) tem que ser ortogonal a u. 8. 2). 1 5 5 C E D E R J 151 i i i AULA −1 −1 3 2 Calcule as matrizes A2 1 . A2 B2 . obtemos os vetores √ . b. A1 e ´ uma rotac ¸a ˜ o de π /6 radianos. Como a segunda colu−2 √ na (m. d. temos n = −m e. Sejam A e B matrizes ortogonais de ordem n. A1 B1 . que 5 5 ser´ a a primeira coluna da matriz desejada. assim. A−1 e At s˜ ao matrizes ortogonais. obtemos o vetor √ . B2 e ´ uma reflex˜ ao com respeito a ` reta y = √ 3 2 x. Obtemos. Para = 0. AB e ´ uma matriz ortogonal. obtemos 2m = 1. B1 e ´ uma reflex˜ ao com respeito a ` reta y = x. devemos ter: √ u = m2 + n 2 = 1 e √ √ u. 1 √ 2. 2 √ √ 2 2 . A1 . As colunas de A s˜ ao os vetores u = (m. n) e v = que A seja ortogonal. Da segunda equac ¸a ˜ o. B1 . ˜ S OLUC ¸ OES 1.

b. b. 1. y. 1). obtemos 0. respectivamente. que e ´ equivalente a x = −4y z = y. 1. y. 2). 1. obtemos o vetor 1 3. −1 5 5 .i i i ´ Algebra Linear II | Exerc´ ıcios Resolvidos – 2a Parte e 2 √ √ . z) = (−4y. y. √ . 1). v = 0. As colunas da matriz A podem ser representadas pelos ve- i i i . z) agora tem que satisfazer u. Podemos escolher (a. w = 0 e v. Assim. c) = (0. −1) e (−4. 1. Portanto. y. Normalizando o vetor u = (1. normaliz´ a-los. Podemos escolher y = 1. √ 2 2 −4 1 1 √ . 3 . √ . y) = (−4. depois. 2. ou seja. y ∈ R. que ser´ a a primeira coluna da matriz A. uma matriz e 3 2 3 2 3 2 ortogonal A desejada e ´ dada por √   1/3 0√ −4/3√2 A =  2/3 1/√2 1/3√2  2/3 −1/ 2 1/3 2 4. obtendo (x. vamos procurar dois vetores ortogonais a u que sejam ortogonais entre si e. O vetor v = (a. quando a + 2b + 2c = 0. z) = (−4. w = 0. 2 2 3. obtemos (x. Para obter as outras duas colunas de A. √ . tem que satisfazer o sistema x + 2y + 2z = 0 y−z = 0. 1. O terceiro vetor w = (x. 1)y. Assim. Normali1 −1 zando os vetores (0. c) ser´ a ortogonal a u se e somente se u. 152 C E D E R J a. −1). isto e ´. 3. obtemos as duas matrizes ortogonais  1 √ 5 2 √ 5 2 −√ 5 1 √ 5  A1 =      e A2 =   1 √ 5 2 √ 5 2 √ 5 1 −√ 5   .

9 √ u 2 = 8 o que nos d´ a y2 = 9 . 3. 1. −5) = 1 + 3 − 35 = 0. −1). mas n˜ ao s˜ ao vetores unit´ arios. 7). Como as colunas de A n˜ ao formam vetores ortonormais. temos as quatro C E D E R J 153 i i i AULA ´ 1 16 1 MODULO . a primeira coluna da matriz A pode ser representada por u= √ 1 2 2 . c. As colunas de A formam vetores ortogonais. (1. −5. 1. portanto. u2 = (1. as linhas de A n˜ ao formam vetores ortogonais. pois u1 = 12 + 12 + (−1)2 = √ 3 = 1. temos que 1 + y2 = 1. ou y = ± 2 3 2 . Da condic ¸a ˜ o de u ter que ser vetor unit´ ario. y) e v = (x. 3 3 ou u = √ 1 −2 2 . u3 = 7 − 5 − 2 = 0 u2 . as colunas de A formam um conjunto de vetores ortogonais. e. Assim. z). u2 = 1 + 3 − 4 = 0 u1 . 3 3 Sendo v = (x. z) vetor ortogonal a u e unit´ ario. 4) e u3 = (7. Assim. As colunas da matriz A s˜ ao representadas pelos vetores u = (1/3. 3. Temos u1 . b. ent˜ ao A n˜ ao e ´ matriz ortogonal. obtemos (1. u3 = 7 − 15 + 8 = 0.i i i tores u1 = (1. Calculando o produto interno entre a primeira e segunda linhas. 5. . 2).

154 C E D E R J i i i . 1. Para que a matriz A seja u= √ 3 3 2 ortogonal. 1) e (0. w ou -w. v ou -v e a terceira coluna. que denotaremos. 13 . por exemplo. √ . uma das possibilidades e ´  1 √ 0  3  1 −1  √ A= √  3 2  1 1 √ √ 3 2 2 √ 6 −1 √ 6 −1 √ 6     .   1 3 √ 2 2 3 √ 2 2 3 −1 3     ou   1 3 √ −2 2 3 √ −2 2 3 1 −3  .   H´ a 8 matrizes. Lembre que na Aula 9 vimos que todos os vetores unit´ arios ortogonais ao vetor unit´ ario (a. 12 . 1) normalizados.   . 6 6 6 Assim.√ . −a). −1. As primeiras duas colunas da matriz A ser˜ ao os vetores (1. a segunda coluna. √ e v = 0. respectivamente. a) ou (b. por 1 −1 √ 1 √ . b) s˜ ao (−b. pois a primeira coluna pode ser u ou -u.i i i ´ Algebra Linear II | Exerc´ ıcios Resolvidos – 2a Parte possibilidades para a matriz A:       1 3 √ 2 2 3 1 3 √ −2 2 3 √ −2 2 3 1 3 √ 2 2 3 1 3     .√ . a terceira coluna dever´ a ser representada por um vetor unit´ ario w ortogonal a u e a v. 6. i 1 √ 3 0 j 1 √ 3 −1 √ 2 k 1 √ 3 1 √ 2 w = u×v = = 2 −1 −1 √ .

C E D E R J 155 i i i AULA π cos 56 − sen =    −1 2 √ 3 1 2 2  √ − 23 √ 3 2   e −1 2  ´ 1 16 1 MODULO . θ = . −1 2  . Por outro lado. temos θ θ = 32 = e. Logo. Logo. a reta y = x forma uma a ˆ ngulo de π /4 com o eixo-x. 1 0 . vale que √   3 1 − 2 2 2 . 2 4 2 B1 = Bπ /2 = cos π /2 sen π /2 sen π /2 − cos π /2 = 0 1 1 0 . 2 4 B2 = B3π /2 = cos 3π /2 sen 3π /2 sen 3π /2 − cos 3π /2 = 0 −1 −1 0 Agora. 0 1  −1 2 = B2π /3 =  √3 2 √ 3 2 1 2  √ 3 2 A2 · B2 = A5π /6 · B3π /2 = B 5π 6 π + 32 = Bπ /3 =   1 2 √ 3 2 . usando a notac ¸a ˜ o da Aula 14 para reflex˜ oes. pelas propriedades de composic ¸a ˜ o vistas na Aula 14. portanto. . portanto. Assim. A1 = Aπ /6 · Aπ /6 = A2π /6 = Aπ /3 =  √3 1 2 2 A3 1 = Aπ /6 · Aπ /6 · Aπ /6 = A3π /6 = Aπ /2 = B2 1 = Bπ /2 · Bπ /2 = A π − π = A0 = 2 2 A1 · B1 = Aπ /6 · Bπ /2 = B π + π 6 2 0 −1 1 0 . Como foi visto na Aula 11. Assim. Analogamente.i i i 7. temos θ π π = e.   cos π 6 sen π 6 A1 = Aπ /6 =  − sen π 6 cos π 6  5π 6 A2 = A5π /6 =  sen 5π 6 π cos 56 =  1 2 − √ 3 2  . a reta y = −x forma uma a ˆ ngulo de 3π /4 com o 3π π eixo-x.

b. 8.i i i ´ Algebra Linear II | Exerc´ ıcios Resolvidos – 2a Parte √ 3 2 B1 · A1 = Bπ /2 · Aπ /6 = B π − π = Bπ /3 =  2 6 1 −1  A− 1 = Aπ /6 = A−π /6 = 1 2 B− 2 = B2 . Assim. 156 C E D E R J i i i . e. temos que A−1 = At . Como B e ´ matriz ortogonal. (A−1 )−1 = (At )−1 = (A−1 )t .  1 2 √ 3 2 −1 2   √ 3 2 −1 2 1 2 √ 3 2  . AB e ´ matriz ortogonal. pois B2 = I2 . At tamb´ em e ´ matriz ortogonal. logo. . vale que B−1 = Bt . logo. (AB)−1 = B−1 A−1 = Bt At = (AB)t . (At )−1 = (A−1 )t = (At )t . A−1 e ´ matriz ortogonal. Analogamente. portanto. a. Como A e ´ matriz ortogonal. Assim.

i i i .i i i Aula ˜ ROTAC ¸ OES 17 NO E SPAC ¸O Objetivos Ao final desta aula. ˜ es s˜ 2 verificar que essas rotac ¸o ao exemplos de matrizes ortogonais. vocˆ e dever´ a ser capaz de: ˜ es no espac 1 compreender o efeito das rotac ¸o ¸ o em torno dos eixos cartesianos.

Veja a Figura 17. Nesta aula. 158 C E D E R J i i i . faremos um estudo de matrizes ortogonais de ordem 3. nos limitaremos a ` s rotac ¸o ˜ es em torno dos eixos cartesianos. Comec ¸ aremos estudando as rotac ¸o ˜ es do espac ¸ o euclidiano R3 . vejamos alguns exemplos. por´ em. vamos estudar algumas transformac ¸o ˜ es ortogonais em Mais precisamente. 9.1. R3 . y′ . y.i i i ´ Algebra Linear II | Rotac ¸o ˜ es no Espac ¸o ˜ R OTAC ¸ OES NO E SPAC ¸O Pr´ e-requisitos: Aulas 8. ¦ ¤ ¥ blablabl Uma rotac ¸a ˜ o de θ radianos em torno do eixo-z. 10. Inicialmente.2. z′ ) o resultado da aplicac ¸a ˜ o em v de uma rotac ¸a ˜ o de θ radianos em torno do eixo-z. § Exemplo 17. 11.1. ˜ o: Soluc ¸a Figura 17. z) um vetor de R e por v′ = (x′ . Convencionamos que o sentido positivo da rotac ¸a ˜o e ´ o indicado pela Figu3 ra 17. 13 e 14.1: Sentido positivo da rotac ¸a ˜ o em torno do eixo-z. Denotaremos por v = (x.

Observe que a terceira coordenada de v′ = (x′ . ¸a ˜o Nosso objetivo.i i i z Ө v=(x. 0) e ´ o resultado de aplicarmos uma rotac ¸a ˜ o de θ radianos ao vetor (x. quando trabalhamos no plano a matriz rotac ¸a ˜ o de θ radianos e ´ dada por Aθ = cos θ sen θ − sen θ cos θ . z′ 0 0 1 z Portanto. ou seja. y′ . pelo visto. na Aula 11. sabemos que x′ = x cos θ − y sen θ y′ = y cos θ + x cos θ . a matriz de ordem 3 que representa uma rotac ¸a ˜ o de θ radianos em torno do eixo-z e ´ dada por:   cos θ − sen θ 0 Az (θ ) =  sen θ cos θ 0  . pois. z′ ) deve ser igual a ` terceira coordenada de v. y. y. y. Assim. z ) ´ ´ ´ ´ y x Figura 17. 0 0 1 C E D E R J 159 i i i AULA v=(x. z′ = z. 0). Para isso. y′ .2: Rotac ¸a ˜ o de θ radianos em torno do eixo-z. usando notac ¸a ˜ o matricial e o fato de que z′ = z. Como esses dois vetores pertencem ao plano-xy ent˜ ao. y e z de v e do a ˆ ngulo θ . z) ´ 1 17 1 MODULO . temos  ′     x cos θ − sen θ 0 x  y′  =  sen θ cos θ 0   y  . agora. e ´ calcular as coordenadas x′ e y′ de v′ em func das coordenadas x. observe que o vetor (x′ .

1). 1.i i i ´ Algebra Linear II | Rotac ¸o ˜ es no Espac ¸o cos θ − sen θ .e ´ uma masen θ cos θ ´ f´ triz de rotac ¸a ˜ o no plano-xy. E acil identificarmos algumas propriedades da matriz Az (θ ): Observe que o bloco superior da matriz. a u ´ nica raiz real de p(x) e ´ λ = 1. De fato. ¦ ¤ ¥ blablabl Uma rotac ¸a ˜ o de θ radianos em torno do eixo-y. O polinˆ omio caracter´ ıstico de Az (θ ) e p(x) = det(xI3 − Az(θ )) = = sen θ 0 x − cos θ − sen θ x − cos θ 0 0 0 x−1 = (x − 1)(x2 − 2 cos θ x + 1) J´ a vimos que o polinˆ omio x2 − 2 cos θ x + 1 possui ra´ ızes reais se e somente se θ = 2nπ . ou seja. Assim.2. Nesse caso. § Exemplo 17. n ∈ Z (que representa o caso trivial x = 1).3: Sentido positivo da rotac ¸a ˜ o em torno do eixo-y. det Az (θ ) = 1 ´ dado por: 3. um autovetor associado ao autovalor λ = 1 e ´ exatamente e3 = (0. as colunas formam uma base ortonormal de R3 . 160 C E D E R J i i i . em torno da qual ocorre a rotac ¸a ˜ o. Figura 17. 2. Az (θ ) e ´ uma matriz ortogonal. que corresponde a ` direc ¸a ˜ o determinada pelo eixo-z. 0. λ = 1 e ´ou ´ nico autovalor real de Az (θ ).

sendo o sentido positivo da rotac ¸a ˜ o dado pela Figura 17. 1. C E D E R J 161 i i i AULA ´ 1 17 1 MODULO .  1 0 0 Ax (θ ) =  0 cos θ − sen θ  0 sen θ cos θ  Figura 17. 0). obtemos que a matriz que representa uma rotac ¸a ˜ o de θ radianos em torno do eixo-y e ´ dada por:   cos θ 0 − sen θ . caso. Os Exemplos 17.2 tornam bastante previs´ ıvel o que acontece com a rotac ¸a ˜ o em torno do eixo-x. O ´ dado por: polinˆ omio caracter´ ıstico de Ay (θ ) e p(x) = (x − 1)(x2 − 2 cos θ x + 1). um autovetor associado ao autovalor λ = 1 e que corresponde a ` direc ¸a ˜ o determinada pelo eixo-y.1 e 17. em torno da qual ocorre a rotac ¸a ˜ o. assim.i i i ˜ o: Soluc ¸a O sentido positivo da rotac ¸a ˜o e ´ indicado na Figura 17. ¦ A matriz ¤ ¥ blablabl determina uma rotac ¸a ˜ o de θ radianos em torno do eixo-x. e. Procedendo de forma an´ aloga ao que foi feito no Exemplo 17. λ = 1. Nesse ´ exatamente e2 = (0.4.1.3.4: Sentido positivo da rotac ¸a ˜ o em torno do eixo-x.3. a matriz Ay (θ ) possui tamb´ em um u ´ nico autovalor real. § Exemplo 17. Ay (θ ) =  0 1 0 sen θ 0 cos θ Observe que Ay (θ ) e ´ uma matriz ortogonal com determinante igual a 1.

e somente se.1 (Rotac Definic ¸a ¸a ˜ o no sentido positivo). Para isto. consideremos a seguinte definic ¸a ˜ o: ˜ o 17. trataremos brevemente das rotac ¸o ˜ es que s˜ ao realizadas em torno de um eixo passando pela origem de R3 . Vamos verificar que. Seja π o plano pela origem perpendicular a L. 162 C E D E R J i i i . blablabla Seja L uma reta no espac ¸ o passando pela origem O e gerada pelo vetor v. que corresponde a ` direc ¸a ˜ o determinada pelo eixo-x. 0. No pr´ oximo exemplo. Observe que o bloco inferior da matriz Ax (θ ) e ´ exatamente uma matriz de rotac ¸a ˜ o no plano-yz. 0). ao escolher uma base ortonormal adequadamente. Podemos descrever o sentido positivo da rotac ¸a ˜ o em torno da reta orientada por v usando o produto vetorial. Um autovetor associado ao autovalor λ = 1 e ´ e1 = (1. Uma rotac ¸a ˜o em torno de L e ´ dita no sentido positivo se. um observador com os p´ es em O e os olhos na extremidade final de v vˆ e os pontos do plano π serem girados em torno da origem O no sentido anti-hor´ ario (j´ a considerado como sentido positivo das rotac ¸o ˜ es no plano). em torno da qual ocorre a rotac ¸a ˜ o.5: Sentido positivo da rotac ¸a ˜ o em torno da reta L gerada pelo vetor v. a matriz que define essa rotac ¸a ˜ o tem a mesma forma das matrizes dos exemplos anteriores. L v 0 π Figura 17.i i i ´ Algebra Linear II | Rotac ¸o ˜ es no Espac ¸o Vemos que det Ax (θ ) = 1 e que o u ´ nico autovalor real de Ax (θ ) e ´ λ = 1.

j. u3 } do R3 constru´ ıda da seguinte maneira: v com mesma direc ¸a ˜ o e mesmo sentido de v. usamos a regra da m˜ ao direita para determinar a direc ¸a ˜ o e sentido de u1 × u2 . convencionado como o sentido positivo das rotac ¸o ˜ es no plano. escolhemos u1 . Tendo estas trˆ es propriedades. onde k = i × j . que foi identificado com a origem do sistema de coordenadas. u1 × u2 = u3 . Observamos que o sentido da rotac ¸a ˜ o em torno da origem para fazermos u1 coincidir com u2 e ´ o mesmo sentido indicado na figura e chamado o sentido positivo da rotac ¸o ˜ es. tomamos uma base ortonormal {u1 . o eixo x e ´ gerado por i = e1 . v 1. 3. L v u3= u1x u2 u2 0 π u1 Figura 17. Assim. C E D E R J 163 i i i AULA ´ 1 17 1 MODULO . Essa situac ¸a ˜o e ´ a motivac ¸a ˜ o para a definic ¸a ˜ o acima do caso geral.i i i Para isto.6: Sentido positivo da rotac ¸a ˜ o em torno da reta L gerada pelo vetor v. O sentido da rotac ¸a ˜ o no plano xy em torno da origem e ´ o sentido anti-hor´ ario. tomamos u3 = 2. O sistema de coordenadas Oxyz que trabalhamos foi constru´ ıdo usando a base ortonormal {i. k} num ponto O. u2 . o eixo y e ´ gerado por j = e2 e o eixo z e ´ gerado por k = e3 . u2 vetores ortonormais no plano π .

3. k }. No Exemplo 17. No Exemplo 17. eixo x gerado (orientado) por i. i × j = k. nesta base. tenha a mesma forma que as matrizes dos exemplos anteriores. eixo z gerado (orientado) por k. i}. j × k = i.2 (rotac ¸a ˜ o no sentido positivo em torno do eixo y): 1.4. j }. Com isso em mente. 2. Por isso. 3. plano perpendicular ao eixo z e ´ o plano xy e uma base ortonormal do plano xy e ´ {i . ˜ o: Soluc ¸a Como foi mencionado anteriormente. procedemos a ` construc ¸a ˜ o de uma base ortonormal conforme estudado na Aula 10. No Exemplo 17. plano perpendicular ao eixo x e ´ o plano yz e uma base ortonormal do plano yz e ´ { j .1 (rotac ¸a ˜ o no sentido positivo em torno do eixo z): 1. eixo y gerado (orientado) por j. ¦ ¤ ¥ blablabl Vamos determinar a matriz A ∈ M3 (R) que define a rotac ¸a ˜ o de θ radianos em torno da reta L paralela ao vetor v = (1. 1. 2. 2. 1) e que passa pela origem. k × i = j.i i i ´ Algebra Linear II | Rotac ¸o ˜ es no Espac ¸o Verifiquem como a regra da m˜ ao direita funciona nas rotac ¸o ˜ es em torno dos eixos coordenados. 3.3 (rotac ¸a ˜ o no sentido positivo em torno do eixo x): 1. e ´ muito importante que vocˆ e tenha compreendido bem como as matrizes desses exemplos foram constru´ ıdas. 164 C E D E R J i i i . § Exemplo 17. precisamos escolher uma base ortonormal adequada para que a matriz. plano perpendicular ao eixo y e ´ o plano xz e uma base ortonormal do plano xz e ´ {k.

Claramente. 1) o vetor que determina a reta em torno da qual faremos a rotac ¸a ˜ o de θ radianos. v2 . Veja a Figura 17. al´ em de pertencer ao plano π . −1. y.8: O plano π com vetor normal v3 e a base ortogonal {v1 .7. C E D E R J 165 i i i AULA ´ 1 17 1 MODULO . os outros dois vetores desta base. z). pertencem ao plano π que passa pela origem e cujo vetor normal e ´ v3 . Figura 17. O sentido positivo dessa rotac ¸a ˜o e ´ dado pela Figura 17.7: Sentido positivo da rotac ¸a ˜ o em torno do vetor v3 = (1. Do curso de Geometria Anal´ ıtica. v3 }. primeiramente. A ideia. e ´ construir uma base ortogonal de R3 contendo este vetor. v1 = (−1. Figura 17. por exemplo. 1). 1. Consequentemente. sabemos que o plano π e ´ descrito pela equac ¸a ˜o x + y + z = 0. 1. 2). O vetor v1 pode ser qualquer vetor que pertenc ¸ a a esse plano. o vetor v2 = (x. v1 e v2 .i i i Denotaremos por v3 = (1.8.

i i i ´ Algebra Linear II | Rotac ¸o ˜ es no Espac ¸o deve ser ortogonal a v1 .√ . o conjunto {v1 . u3 } e ´ 3 . Denotando por Aβ x3 a matriz que representa essa rotac ¸a ˜ o na base β .−√ . devemos ter    cos θ − sen θ 0 x1 Aβ [v]β =  sen θ cos θ 0   x2  . obtemos os vetores v1 1 1 2 u1 = = −√ . u2 = ||v2 || 2 2 v3 1 1 1 = √ . v3 } e que v1 × v2 = 2v3 . u2 . Temos. v2 = 0 . Dado um vetor arbitr´ uma base ortonormal de R a rio   x1 v ∈ R3 .√ .0 . √ . obtemos que suas soluc ¸o ˜ es s˜ ao da forma: x = −y z = 0 . que o vetor v2 pode ser obtido tomando y = −1: v2 = (1. v2 . Verificamos Portanto. v2 . 0). −1. orientada positivamente. ´ uma base ortogonal de R3 .8. ||v1 || 6 6 6 v2 1 −1 = √ . temos que u1 × u2 = u3 . ou. Assim. ent˜ ao. 0 0 1 x3 pois a rotac ¸a ˜o e ´ realizada em torno do eixo determinado por u3 . Escalonando o sistema linear acima. conforme mostra a Figura 17. u3 = ||v3 || 3 3 3 Como v1 × v2 = 2v3 . isto e ´. a base ortogonal {v1 . x+y+z = 0 −x − y + 2z = 0 . seja [v]β =  x2  suas componentes na base β . Assim. y ∈ R.   0 Aβ [u3 ]β =  0  . Logo. 1 166 C E D E R J i i i . v3 } est´ a orientada positivamente. Normalizando esta base. √ . β = {u1 . devemos ter x+y+z = 0 v1 .

Calcule os produtos Ax (π /2) · Az(π /2) e Az (π /2) · Ax(π /2) e conclua que rotac ¸o ˜ es em torno de eixos diferentes n˜ ao comutam. u3 } do R3 tal que: 1. gerado pelos vetores u1 e u2 . onica. Conclua que o produto de matrizes de rotac ¸a ˜ o em torno de um mesmo eixo comuta. u1 e u2 tˆ em que ser escolhidos de modo que u1 × u2 = u3 . e ´ Como a matriz de mudanc   ¸ a de base. u3 = v v . Sejam Ax (θ1 ) e Ax (θ2 ) duas matrizes de rotac ¸a ˜ o em torno do eixox. da base β para a base canˆ 1 1 1 √ √ −√ 3 6 2    −√ 1 1 1  √ √ − P= e P−1 = Pt . 0. λ = 1.   Na resoluc ¸a ˜ o dos exerc´ ıcios sobre rotac ¸a ˜ o (no sentido positivo) no espac ¸ o em torno de uma reta L gerada por v devemos construir uma base ortonormal β = {u1 . que corresponde a ` direc ¸a ˜ o do eixo de rotac ¸a ˜ o. que determina o eixo-z e o plano π . a rotac ¸a ˜ o de u3 e ´ 0 · u1 + 0 · u2 + 1 · u3 = u3 . faz o papel do plano-xy. com autovetor associado u3 . u1 e u2 est˜ ao no plano pela origem perpendicular a ` reta L. Considere as rotac ¸o ˜ es Ax (π /2) e Az (π /2) de π /2 radianos em torno dos eixos x e z. Neste contexto. quando θ = 0 e θ = π . u2 . Calcule o produto Ax (θ1 ) · Ax (θ2 ) e mostre que esse produto representa uma rotac ¸a ˜ o de θ1 + θ2 radianos em torno do eixo-x. 1).i i i equivalentemente. 2. Observe que Aβ . C E D E R J 167 i i i AULA ´ 1 17 1 MODULO . 3.1. 2. ´ importante salientar a analogia com o Exemplo 17. 1. ent˜ ao dado θ determinamos a matriz 6 2 3    1 2 √ 0 √ 3 6 A da rotac ¸a ˜ o na base canˆ onica fazendo o produto a seguir   1 =  −√ 6  2 √ 6  1 −√ 6 1 √ 2 1 −√ 2 1 √ 3 1 √ 3 1 √ 3  A = PAβ Pt  − sen θ cos θ 0  0  cos θ   sen θ  0 0   0   1  1 −√ 6 1 √ 2 1 √ 3 1 −√ 6 1 −√ 2 1 √ 3 2 √ 6 1 √ 3  0  . respectivamente. Exerc´ ıcio 17. possui um u ´ nico autovalor real.1. o E vetor u3 faz o papel do vetor e3 = (0.

i i i ´ Algebra Linear II | Reflex˜ oes no Espac ¸o 168 C E D E R J i i i .

i i i Aula ˜ R EFLEX OES 18 NO E SPAC ¸O Objetivos Ao final desta aula. 2 verificar que estas reflex˜ oes s˜ ao exemplos de matrizes ortogonais. vocˆ e dever´ a ser capaz de: 1 compreender o efeito das reflex˜ oes no espac ¸ o com respeito aos planos cartesianos. i i i .

§ Exemplo 18.1: Reflex˜ ao no plano xy. Agora.-z) ´ ´ ´ ´ x Figura 18. ˜ o: Soluc ¸a Seja v′ = (x′ . y. 9. usando a notac ¸a ˜ o matricial. 13 e 14. Assim. z) =(x. vamos nos limitar a ` s reflex˜ oes com respeito aos planos cartesianos do R3 .z) y v=(x. continuaremos nosso estudo de matrizes ortogonais de ordem 3.y. estudaremos reflex˜ oes no espac ¸ o. 12. o plano de equac ¸a ˜o cartesiana z = 0).1. z) ` no plano-xy. z′ 0 0 −1 z 170 C E D E R J i i i . No entanto.i i i ´ Algebra Linear II | Reflex˜ oes no Espac ¸o ˜ NO E SPAC R EFLEX OES ¸O Pr´ e-requisitos: Aulas 8. y.y. z v=(x. Nesta aula. ¦ ¤ ¥ blablabl A reflex˜ ao com respeito ao plano-xy (ou seja. 10.1.] Observe que os vetores v e v′ pertencem a mesma reta e que  ′  x =x y′ = y  ′ z = −z . temos que  ′     x 1 0 0 x  y′  =  0 1 0   y . z′ ) o vetor obtido quando refletimos o vetor v = (x. y′ . [Veja a Figura 18.

y ∈ R. a saber. 1. Facilmente. 0 −2 z 0 ´ f´ E acil ver que a soluc ¸a ˜ o deste u ´ ltimo sistema e ´ dada por z = 0 e x.  0  0 0 Mas este sistema e ´ equivalente ao sistema linear     0 0 x 0     0 0 y = 0 . Vamos calcular os respectivos autoespac ¸ os. C E D E R J 171 i i i AULA ´ 1 18 1 MODULO . λ1 = 1. det(B) = −1. precisamos resolver o sistema linear homogˆ eneo (B − I ) w = 0. observe que suas colunas formam uma base ortonormal de R3 . com multiplicidade 2. 2. y. a matriz  1 0 0 B= 0 1 0  0 0 −1  e ´ a matriz que representa a reflex˜ ao no plano-xy. onde w = (x. e λ2 = −1. z) ∈ R3 . B e ´ uma matriz ortogonal.i i i Logo. com multiplicidade 1. E (1) = {w ∈ R3 |Bw = w} e E (−1) = {w ∈ R3 |Bw = −w}. 3. Basta observar que p(x) = det(xI3 − B) x−1 0 0 = 0 x−1 0 0 0 x+1 = (x − 1)2 (x + 1) . De fato. obtemos algumas propriedades interessantes da matriz B. Para obter o autoespac ¸ o E (1). 4. O polinˆ omio caracter´ ıstico de B e ´ dado por p(x) = (x − 1)2 (x + 1). Por exemplo. A matriz B possui dois autovalores reais.

i

i

i

´ Algebra Linear II | Reflex˜ oes no Espac ¸o

o que nos d´ a exatamente o plano-xy, como era de se esperar. Temos, ent˜ ao, E (1) = {(x, y, 0) ∈ R3 |x, y ∈ R}. Como uma escolha de base ortonormal desse autoespac ¸ o ser´ a importante mais a ` frente, podemos escolher facilmente os vetores e1 = (1, 0, 0) e e2 = (0, 1, 0) para base de E (1). Por outro lado, para calcularmos efetivamente o autoespac ¸ o E (−1), associado ao autovalor λ2 = −1, temos que resolver o sistema linear (B + I ) w = 0, com w = (x, y, z) ∈ R3 , que e ´ equivalente ao sistema escalonado      1 0 0 x 0  0 1 0   y  =  0 , 0 0 0 z 0 x = 0, y = 0 e z ∈ R. Obtemos, assim, que E (−1) = {(0, 0, z) ∈ R3 |z ∈ R}, ou seja, E (−1) e ´ representado pelo eixo-z e, como base desse autoespac ¸ o, podemos escolher o vetor e3 = (0, 0, 1). Vale destacar que E (1) e ´ o complemento ortogonal de E (−1), como j´ a ´ foi estudado no curso de Algebra Linear I.
§ ¤ ¥

cuja soluc ¸a ˜ o geral e ´ dada por

Exemplo 18.2. ¦

blablabl

A reflex˜ ao com respeito ao plano-xz (ou seja, o plano de equac ¸a ˜o cartesiana y = 0).

172 C E D E R J

i i i

i

i

i

z
v=(x,-y,z)
´

v=(x,y,z)

y

x
Figura 18.2: Reflex˜ ao no plano xz.

˜ o: Soluc ¸a
Seguindo a mesma estrat´ egia do Exemplo 18.1, seja v′ = (x′ , y′ , z′ ) o vetor obtido quando refletimos o vetor v = (x, y, z) no plano-xz. [Veja a Figura18.2] Portanto,  ′  x =x y′ = −y  ′ z = z. Assim, usando a notac ¸a ˜ o matricial, temos que  ′     x 1 0 0 x  y′  =  0 −1 0   y  , z′ 0 0 1 z  1 0 0 B =  0 −1 0  0 0 1 

e, portanto,

e ´ a matriz que representa a reflex˜ ao no plano-xz , com respeito a ` base canˆ onica. Como no Exemplo 18.1, temos que a matriz B e ´ ortogonal com determinante igual a −1 e seu polinˆ omio caracter´ ıstico e ´ dado por p(x) = det(xI3 − B) x−1 0 0 = 0 x+1 0 0 0 x−1 2 = (x − 1) (x + 1) . C E D E R J 173

i i i

AULA

´ 1 18 1 MODULO

i

i

i

´ Algebra Linear II | Reflex˜ oes no Espac ¸o

Assim, seus dois autovalores s˜ ao

λ1 = 1, com multiplicidade 2; e λ2 = −1, com multiplicidade 1.
Sem dificuldades, como no Exemplo 18.1, conclu´ ımos que os autoespac ¸ os associados E (1) = {w ∈ R3 |Bw = w} e E (−1) = {w ∈ R3 |Bw = −w} ´ f´ s˜ ao, respectivamente, o plano-xz e o eixo-y. E acil ver que {e1 , e3 } e ´ uma base ortonormal de E (1) e {e2 } e ´ uma base ortonormal de E (−1). Observe, novamente, que o subespac ¸ o E (1) e ´ o complemento ortogonal do subespac ¸ o E (−1).
§

Exemplo 18.3. ¦

¤ ¥

blablabl

A reflex˜ ao com respeito ao plano-yz (ou seja, o plano de equac ¸a ˜o cartesiana x = 0).

z

v=(-x,y,z)
´

v=(x,y,z)

y

x
Figura 18.3: Reflex˜ ao com respeito ao plano-yz.

˜ o: Soluc ¸a
Seguindo a mesma estrat´ egia dos Exemplos 18.1 e 18.2, seja v′ = (x′ , y′ , z′ ) o vetor obtido quando refletimos o vetor v = (x, y, z) no plano-yz. [Veja a 174 C E D E R J

i i i

1.] Temos. xz C E D E R J 175 i i i AULA ´ 1 18 1 MODULO . seus dois autovalores s˜ ao λ1 = 1.2 e 18. com respeito a ` base canˆ onica. respectivamente. e3 } e ´ uma base ortonormal de E (1) e {e1 } e ´ uma base ortonormal de E (−1).1 e 18. Sem dificuldades. z′ 0 0 1 z  −1 0 0 B= 0 1 0  0 0 1  e ´ a matriz que representa a reflex˜ ao no plano-yz. 18. e λ2 = −1. Assim. o plano-yz e o eixo-x. Observe que as matrizes dos Exemplos 18. s˜ ao bem parecidas: sua diagonal principal e ´ formada por 1 e −1 e deve-se destacar a posic ¸a ˜ o do valor −1.3. com multiplicidade 2.i i i Figura 18. com multiplicidade 1. respectivamente. que definem as reflex˜ oes nos planos xy.3. portanto. exibimos as matrizes que definem as reflex˜ oes nos chamados planos coordenados.  ′  x = −x y′ = y  ′ z = z. ou seja. ent˜ ao. temos que  ′     x −1 0 0 x  y′  =  0 1 0   y  . temos que a matriz B e ´ ortogonal com determinante igual a −1 e seu polinˆ omio caracter´ ıstico e ´ dado por p(x) = det(xI3 − B) x+1 0 0 = 0 x−1 0 0 0 x−1 = (x − 1)2 (x + 1) . Assim. Nos exemplos anteriores. Como nos Exemplos 18. nos planos xy. e.2. Assim. usando a notac ¸a ˜ o matricial. conclu´ ımos que os autoespac ¸ os associados E (1) = {w ∈ R3 |Bw = w} e E (−1) = {w ∈ R3 |Bw = −w} s˜ ao. como nos exemplos anteriores. xz e yz. {e2 .

devem satisfazer 2x + 3y − z = 0 v1 . o vetor v2 = (x. y = 0 e x = 0. Sabemos. que v3 = (2. 1. por exemplo. v1 = (−1. z) deve pertencer ao plano π e deve ser ortogonal a v1 .1. Agora.3. do estudo de Geometria Anal´ ıtica.4. o ponto P′ e ´ a imagem do ponto P sob a reflex˜ ao no plano π . ˜ o: Soluc ¸a Pela Figura 18. x. No pr´ oximo exemplo. a matriz que representa essa reflex˜ ao e ´ an´ aloga a ` dos exemplos anteriores. 176 C E D E R J i i i . v1 e v2 . cujas equac ¸o ˜ es s˜ ao z = 0.4. Vamos construir uma base ortogonal de R3 contendo ´ claro que os outros dois vetores dessa base.4: Reflex˜ ao com respeito ao plano π . seja v1 um vetor qualquer pertencente ao plano π . suas componentes.i i i ´ Algebra Linear II | Reflex˜ oes no Espac ¸o e yz. veremos uma reflex˜ ao num plano diferente pela origem. respectivamente. 18. v2 = 0 . ¦ ¤ ¥ blablabl A reflex˜ ao com respeito ao plano π : 2x + 3y − z = 0. Assim. y e z. Observamos que escolhendo adequadamente uma base ortonormal de R3 . E pertencer ao plano π e devem ser ortogonais entre si. 1). Assim. Assim. −1) e ´ um vetor normal ao plano π . Figura 18. vamos construir esta base ortonormal.2 e 18. y. devem esse vetor v3 . § Exemplo 18. com a experiˆ encia acumulada nos Exemplos 18. 3.

v2 . Assim.5: A base ortonormal β = {u1 .i i i ou seja.√ . 5).√ . u3 } e ´ uma base ortonormal de R3 . 5 Podemos escolher z = 5 para obter v2 = (4. β = {u1 .5). a reflex˜ ao no plano π deve satisfazer (veja a Figura 18. que representa a reflex˜ ao na base β . vemos que a soluc ¸a ˜o e ´    x= 4 z 5 1   y = − z. 42 42 42 2 3 −1 √ . v3 } e ´ uma base ortogonal de R3 . Escalonando esse sistema. u2 .√ . Au3 = −u3 = 0 · u1 + 0 · u2 + (−1) · u3 . pois u1 pertence ao plano π . Normalizando essa base.√ pertencente ao plano π . obtemos os vetores v1 = v1 v2 u2 = = v2 v3 u3 = = v3 u1 = −1 1 1 √ .√ vetor normal ao plano π . u2 . Au2 = u2 = 0 · u1 + 1 · u2 + 0 · u3 . pois u3 e ´ um vetor normal ao plano π . 2x + 3y − z = 0 −x + y + z = 0 . e ´ dada por C E D E R J 177 i i i AULA ´ 1 18 1 MODULO . Logo. Au1 = u1 = 1 · u1 + 0 · u2 + 0 · u3 . a matriz A que representa na. Figura 18. −1. a matriz Aβ . base canˆ onica. 3 3 3 4 −1 5 √ . u3 } e o plano π . z ∈ R .√ pertencente ao plano π . pois u2 pertence ao plano π . 14 14 14 Portanto. Assim. {v1 .

i i i ´ Algebra Linear II | Soluc ¸o ˜ es de Exerc´ ıcios Selecionados  1 0 0 Aβ =  0 1 0  . 178 C E D E R J i i i .1. u3 }. do Exemplo 18.1.  Exerc´ ıcio 18. 1. que e ´ a mesma matriz do Exemplo 18. u2 . 2. Observa0 0 −1 mos que a posic ¸a ˜ o do elemento −1 na diagonal principal de Aβ depende da ordem dos elementos de β = {u1 .4. Determine os autovalores e autoespac ¸ os associados a ` matriz obtida no Exerc´ ıcio 1. com respeito a ` base canˆ onica de R3 . Determine a matriz A da reflex˜ ao no plano π : 2x + 3y − z = 0.

A2 : 1 e 4. 1 e 8. 5.   1 3.    0  2. −1 3 . A3 : −1.   0 1 AULA 2 Exerc´ ıcio 2.i i i AULA 1 Exerc´ ıcio 1. 4.1. Uma base para o autoespac ¸o e ´  2 . λ = 1 : 0 1 .     −3   1 5. Use que At − λ I = (A − λ I )t e calcule o determinante.  0  . λ = 0.1. 3. C E D E R J 179 i i i AULA 1. 2. N˜ ao e ´ autovetor. 1. λ =5 : 2 1 . v = tem autovalor ´ 1 18 1 MODULO . 1 0 tem autovalor λ = 0 e u = 0 1 λ = 1. λ = 1 :  0  . Use que A2 − λ 2 I = (A − λ I )(A + λ I ) e calcule o determinante. Sim. 4.

3. λ1 = 1 : v1 = (0. v3 = (1.1. 3. 1. 0). v2 = (1. 1) b. λ2 = 5 : v2 = (1.1. 1. AULA 4 Exerc´ ıcio 4. −1. 1). v2 = (1. 0. 5. λ1 = −1 : v1 = (1. λ2 = 2 apresenta multiplicidade alg´ ebrica 2 e multiplicidade geom´ etrica 2. 4. 1) : λ1 = 3. 1. λ1 = λ2 = 6 : v1 = (1. λ1 = λ2 = 1 : v1 = (1. λ1 = −1 : v1 = (0. a. a. λ3 = 2 : v3 = (−1. 1). λ = 1 apresenta multiplicidade alg´ ebrica 3 e multiplicidade geom´ etrica 1. 2. 2. 2). 2). a. −1. −1) : λ2 = 0. a. a. λ1 = 1 : v1 = (3. λ1 = 1 tem multiplicidade alg´ ebrica e geom´ etrica igual a 2 e λ3 = 2 tem multiplicidade alg´ ebrica e geom´ etrica igual a 1. 1. a = b = c = d = e = f = 1. 1) . λ = 1 : v1 = (0. 0) : λ3 = 0. 1. 1). λ3 = 3 : v3 = (−1. 0) b. 0. λ2 = 2 : v2 = (−1. 4. λ1 = 1 apresenta multiplicidade alg´ ebrica 2 e multiplicidade geom´ etrica 1. λ1 = 1 apresenta multiplicidade alg´ ebrica 1 e multiplicidade geom´ etrica 1. 1). 3) λ2 = λ3 = 2 : v2 = (2. b. 0. v1 = (1. 1. 1. det(xI − A) = det((xI − A)t ) = det(xI t − At ) = det(xI − At ) 180 C E D E R J i i i . 1).i i i ´ Algebra Linear II | Soluc ¸o ˜ es de Exerc´ ıcios Selecionados AULA 3 Exerc´ ıcio 3. 0). 5. 0) e v3 = ( 2. −2). 1) b. 0. λ1 = λ2 = 1 : v1 = (1. b. 2. −1. a. λ1 = 6 apresenta multiplicidade alg´ ebrica 2 e multiplicidade geom´ etrica 1. λ2 = 3 : v2 = (1.

P = 2. P =   0 1 0 1 0 1 0 −1       C E D E R J 181    i i i AULA ´ 1 18 1 MODULO . D = b.1. P =  1 0 −1  0 1 1  −1 0 0 0  0 −1 0 0 2. a. det(B) = det(P−1 AP) = det(P−1 ) det(A) det(P) = det(A) AULA 6 Exerc´ ıcio 6. D = b.  1 0 0 1.1. a. a.i i i AULA 5 Exerc´ ıcio 5. a. a. D =  0 1 0  0 0 2   1 1 −1 b. P = −1 4. 1. P =  1 0 0 −1 1 0 3 1 1 0 0 6 1 4 −1 1  0 0 1 0  0 3  1 2 −1 3  0 −1 −1  3. D = 0 0  0  1 b. D =   0 0 3 0 0 0 0 3  1 0 1 0  −1 0 1 0 b.

i i i ´ Algebra Linear II | Soluc ¸o ˜ es de Exerc´ ıcios Selecionados 3.1. N (T ) = {0}. 182 C E D E R J i i i . pois T s´ o possui o autovalor λ = 2 e o autoespac ¸ o correspondente E (2) tem dimens˜ ao 1. v2 = (0. 1.  3. isto e ´ . 1. uma base sendo formada por v1 = (1. O operador T e ´ diagonaliz´ avel. 2. 0) e v3 = (1. Logo. 1).  4. Assim. o n´ ucleo de T e ´ n˜ ao-nulo. T n˜ ao e ´ invers´ ıvel. 1). O operador T e ´ diagonaliz´ avel. 0). 0. O operador T n˜ ao e ´ diagonaliz´ avel. D= 0 1 0 0 −1 uma base de autovetores e ´ formada por v1 = (1. v3 = (0. N˜ ao e ´ diagonaliz´ avel. 4. −5. 0. AULA 8 Exerc´ ıcio 8.  3 0 0 0  0 3 0 0 D=  0 0 −1 0 0 0 0 −1 uma base de autovetores e ´ formada por v1 = (1. 0. 0). 0. 1) e v4 = (4. 0. −1). 0. 0). v2 = (0.   1 0 0 0 .  . Temos que 0 e ´ autovalor de T se e somente se existe vetor n˜ aonulo v ∈ Rn tal que T (v) = 0 v = 0. 1. 0.

Base ortonormal: √ √ √ ˆ 1 = ( 1/ 3.1. existem muitas outras possibilidades. 1/ 3) . k = 4/3 3. 1. 0) e u4 = (0. 2/3 −1/ 2 −1/3 2 AULA 10 Exerc´ ıcio 10. u √ √ √ ˆ 2 = (1/ 14. Observe que as colunas de A e B formam bases ortonormais de R3 . a −b b a a b b −a 2. AB =  0 omio caracter´ ıstico e ´ 0 −1 0 p(x) = (x − 1)(x2 + 1). u2 = (1. No entanto. Seu polinˆ b. u1 = u. 0. 2/ 14. 0). −1/ 42). u3 = (0. −1). 2. 1. logo. a.i i i AULA 9 Exerc´ ıcio 9.   1 0 0 0 −1 . A = ou A = ´ 1 18 1 MODULO . 4. −4/ 42. Por exemplo: P =  2/3 1/√2 −1/3√2 . 1/ 3.1. −3/ 14) e u √ √ √ ˆ 3 = (5/ 42. C E D E R J 183 i i i AULA 1. Por exemplo. seu u ´ nico autovalor real e ´ λ = 1. u √   1/3 0 4 / 3 √2 √ 5. 0. −2. 1.

temos que −1 t E = P · F · P −2 √ 13 3 √ 13 −3 √ 13 − √2 13 pois. β = {v1 . −3 −2 √ . Aθ Aϕ = Aθ +ϕ = Aϕ +θ = Aϕ Aθ . Como no exerc´ ıcio anterior.1. Pela observac ¸a ˜ o final. 1. √ 13 13 =    1 0 0 −1   −2 √ 13 − √3 13 √3 13 − √2 13   e ´ um vetor unit´ ario normal a ` 2. 1. v2 = reta L : 3x + 2y = 0. escolhendo base ortonormal 1 √ −2 β = {v1 . v2 } e ´ uma base ortonormal de R2 . AULA 12 Exerc´ ıcio 12. onde v1 = √ e ´ um vetor unit´ ario tan5 5 184 C E D E R J i i i . Considerando as matrizes √ √ 2 / 2 − √ 2/2 A = Aπ /4 = √ 2/2 2/2 D= v1 v2 v3 v4 v5 v6 v7 e = 1 5 5 4 3 2 1 1 1 3 3 2 3 3 . onde −2 √3 v1 = √ e ´ um vetor unit´ ario tangente a ` reta 13 13 L : 3x + 2y = 0 e. Oa ˆ ngulo resultante e ´ θ + ϕ. √  2 2 2. v2 } de R2 .1. temos que a imagem dos v´ ertices da figura e ´ dada pelas colunas da matriz  0 AD =   √ √ √ 2 3 2 4 2  √ 2 2 √ 2 2 2 √ 7 2 2 √ 2 2 √ 5 2 2 √ √ − 2 2 √ 5 2 2  √ − 2  .i i i ´ Algebra Linear II | Soluc ¸o ˜ es de Exerc´ ıcios Selecionados AULA 11 Exerc´ ıcio 11.

i i i gente a ` reta L:2x+y=0 e v2 = normal a ` reta L : 2x + y = 0. 1. BD =  4 3 13 1 1 3 −5 −5 1 5 5 AULA 13 Exerc´ ıcio 13. Temos a igualdade Bϕ = = sen ϕ cos ϕ sen ϕ − cos ϕ = 1 0 0 −1 = Aϕ A. Representando os v´ ertices pela matriz D = [ v1 v2 v3 ] = . ent˜ ao suas imagens pela reflex˜ ao s˜ ao dadas pela matriz  3    7  16 −5 −4 1 4 1 − − − 3 5 5 5  =  1 . Assim. cos ϕ − sen ϕ sen ϕ cos ϕ onde Aϕ e ´ a matriz rotac ¸a ˜ o de ϕ radianos e A e ´ a matriz reflex˜ ao no eixo-x.   1 √ 5 2 −√ 5 2 −√ 5 −2 √ −1 √ 5 5 e ´ um vetor unit´ ario  B =  1 −√ 5 0 −1 2 −√ 5 1 −√ 5  =  4 −3 5 −5 4 −5 3 5   . C E D E R J 185 i i i AULA    1 0    1 √ 5 2 −√ 5    ´ 1 18 1 MODULO . 1 4 1 1 1 3 3.1.

(AB)−1 = B−1 A−1 = Bt At = (AB)t . Representando os v´ ertices pela matriz D = [ v1 v2 v3 v4 v5 v6 ] = Representamos por B= 0 −1 −1 0 1 4 4 3 3 1 1 1 3 3 2 2 .i i i ´ Algebra Linear II | Soluc ¸o ˜ es de Exerc´ ıcios Selecionados AULA 14 Exerc´ ıcio 14. 1. logo. vale que B−1 = Bt . a matriz que faz a reflex˜ ao na reta y = −x e por √ √ 2 / 2 − √ 2/2 Aπ /4 = √ 2/2 2/2 a matriz rotac ¸a ˜ o de π /4 radianos.1. 186 C E D E R J i i i . AB e ´ matriz ortogonal. Ent˜ ao √ √ 2 / 2 − √ √ 2/2 Aπ /4 B = − 2/2 − 2/2 e 2 2  Aπ /4 BD =  −√2 2  √ 3 2 0 2  =  √ −5√2 − 2 2  √ √ − 2 2 √ − 2 2 √ 2 2 √ −7 2 2    1 4 4 3 3 1 1 1 3 3 2 2 2 2 √ −5 2 2 √ √ − 2 2 √ −3 2 2    0 √ −3 2  . Assim. 2. Como B e ´ matriz ortogonal.

0 1 0 Logo.i i i AULA 17 Exerc´ ıcio 17. Temos que  1 0 0 Ax (π /2) =  0 0 −1  . 2. 1.1. A x ( θ1 ) · A x ( θ2 ) = A x ( θ1 + θ2 ) = A x ( θ2 + θ1 ) = A x ( θ2 ) · A x ( θ1 ) . 0 0 1    1 0 0 0 −1 0 0 0 = Ax (π /2) · Az(π /2) =  0 0 −1   1 0 1 0 0 0 1   0 −1 0  0 0 −1  = 1 0 0 C E D E R J 187 i i i AULA ´ 1 18 1 MODULO . temos que 1 0 0     0 cos θ − sen θ  2 2 Ax (θ1 ) · Ax (θ2 ) =   0 cos θ1 − sen θ1    0 sen θ2 cos θ2 0 sen θ1 cos θ1  1 0 0   0 cos θ cos θ − sen θ sen θ − cos θ sen θ − cos θ sen θ 1 2 1 2 1 2 2 1 =   0 cos θ1 sen θ2 + cos θ2 sen θ1 cos θ1 cos θ2 − sen θ1 sen θ   1 0 0    0 cos(θ + θ ) − sen(θ + θ )    1 2 1 2 =    0 sen(θ1 + θ2 ) cos(θ1 + θ2 ) = Ax (θ1 + θ2 )    1 0 0             Consequentemente. Usando as f´ ormulas de adic ¸a ˜ o de arcos.    0 −1 0 Az ( π / 2 ) =  1 0 0 .

Autoespac ¸ o E (1): subespac ¸ o gerado por −1 1 1 4 −1 5 u1 = √ . Dada √ √ √  −1/ 3 4 / 42 2 / √ √ √14 P =  1/√3 −1/ 14  .i i i ´ Algebra Linear II | Soluc ¸o ˜ es de Exerc´ ıcios Selecionados e   0 −1 0 1 0 0 0 0   0 0 −1  Ay ( π / 2 ) · Ax ( π / 2 ) =  1 0 0 1 0 1 0   0 0 1  1 0 0 . √ . √ . √ . 1. √ . portanto. Autovalores: 1. 1 e −1. 2/7 3/7 6/7 2. √ . √ 42 3/ √ 5/ 42 −1/ 14 1/ 3   3/7 −6/7 2/7 B = PAP−1 = PAPt =  −6/7 −2/7 3/7  . √ e u2 = √ . Ax ( π / 2 ) · Az ( π / 2 ) = Az ( π / 2 ) · Ax ( π / 2 )  e. 3 3 3 42 42 42 Autoespac ¸ o E (−1): subespac ¸ o gerado por 2 3 −1 u3 = √ . 14 14 14  temos 188 C E D E R J i i i .1. as matrizes n˜ ao comutam. = 0 1 0 Assim. AULA 18 Exerc´ ıcio 18.