You are on page 1of 162

Álgebra Linear

Módulo 2
Autovalores e autovetores
Transformações lineares
Formas quádricas

Jossana Ferreira

Projeto Institucional

Edital nº 015/2010/CAPES/DED
Fomento ao uso de tecnologias de comunição e informação nos cursos de graduação

Jossana Ferreira

Módulo 2
Autovalores e autovetores
Transformações lineares
Formas quádricas

Bibliotecária Verônica Pinheiro da Silva.Governo Federal Presidenta da República Dilma Vana Rousseff Vice-Presidente da República Michel Miguel Elias Temer Lulia Ministro da Educação Aloizio Mercadante Oliva Reitora Comitê Gestor Ângela Maria Paiva Cruz Presidente Alexandre Augusto de Lara Menezes Vice-Reitora Maria de Fátima Freire Melo Ximenes Coordenação geral Apuena Vieira Gomes Secretária de Educação a Distância Maria Carmem Freire Diógenes Rêgo Coordenadores Apuena Vieira Gomes/CE Secretária Adjunta de Educação a Distância Adir Luiz Ferreira/CE Eugênia Maria Dantas Gleydson de Azevedo Ferreira Lima/SINFO Marcos Aurélio Felipe/CE Pró-Reitoria de Graduação Maria Carmozi de Souza Gomes/PROGRAD Alexandre Augusto de Lara Menezes Rex Antonio da Costa de Medeiros/ECT Secretaria de Educação a Distância (SEDIS) FICHA TÉCNICA Coordenador de Produção de Materiais Didáticos Revisora das Normas da ABNT Diagramadores Marcos Aurélio Felipe Verônica Pinheiro da Silva Ana Paula Resende Carolina Aires Mayer Projeto Gráfico Revisora Técnica Davi Jose di Giacomo Koshiyama Ivana Lima Rosilene Alves de Paiva Elizabeth da Silva Ferreira Revisores de Estrutura e Linguagem Ilustradores Ivana Lima Eugenio Tavares Borges Adauto Harley José Antonio Bezerra Junior Janio Gustavo Barbosa Anderson Gomes do Nascimento Luciana Melo de Lacerda Jeremias Alves de Araújo Carolina Costa de Oliveira Rafael Marques Garcia Kaline Sampaio de Araújo Dickson de Oliveira Tavares Luciane Almeida Mascarenhas de Andrade Leonardo dos Santos Feitoza Thalyta Mabel Nobre Barbosa Roberto Luiz Batista de Lima Rommel Figueiredo Revisoras de Língua Portuguesa Cristinara Ferreira dos Santos Emanuelle Pereira de Lima Diniz Janaina Tomaz Capistrano Catalogação da publicação na fonte. Todos os direitos reservados a Editora da Universidade Federal do Rio Grande do Norte – EDUFRN. Nenhuma parte deste material pode ser utilizada ou reproduzida sem a autorização expressa do Ministério da Educacão – MEC . © Copyright 2005.

Jossana Ferreira Álgebra Linear Módulo 2 Autovalores e autovetores Transformações lineares Formas quádricas Natal – RN Abril/2012 .

.

Sumário Apresentação Institucional 5 Aula 12 Autovalores e autovetores 7 Aula 13 Diagonalização de matrizes 21 Aula 14 Transformações lineares – definição 37 Aula 15 Transformações lineares e matrizes 57 Aula 16 Transformações lineares inversas 69 Aula 17 Transformações lineares e geometria do 2 83 Aula 18 Formas quádricas 101 Aula 19 Diagonalização de formas quádricas 115 Aula 20 Seções cônicas 125 .

.

livros. dentre os quais se destacam os materiais impressos que são elaborados por disciplinas. Para dar suporte à oferta dos cursos de EaD. SECRETARIA DE EDUCAÇÃO A DISTÂNCIA SEDIS/UFRN 5 . No Rio Grande do Norte. materiais digitais e interativos e webconferências. como videoaulas. Duas linhas de atuação têm caracterizado o esforço em EaD desta instituição: a primeira está voltada para a Formação Continuada de Professores do Ensino Básico. vem atuando como fomentadora. Assim. O conteúdo é elaborado por profissionais qualificados e que têm experiência relevante na área. a UFRN está presente em polos presenciais de apoio localizados nas mais diferentes regiões. ofertando cursos de graduação. no âmbito local. especialização e mestrado. a UFRN através da SEDIS se integra o grupo de instituições que assumiram o desafio de contribuir com a formação desse “capital” humano e incorporou a EaD como moda- lidade capaz de superar as barreiras espaciais e políticas que tornaram cada vez mais seleto o acesso à graduação e à pós-graduação no Brasil. das Políticas Nacionais de Educação a Distância em parceira com a Secretaria de Educação a Distância – SEED. que possibilitam ampliar os conteúdos e a interação entre os sujeitos do processo de aprendizagem. O material impresso é a referência primária para o aluno. aperfeiçoamento. desde 2005. videoconferências. interiorizando e tornando o Ensino Superior uma realidade que contribui para diminuir as diferenças regionais e o conhecimento uma possibilidade concreta para o desenvolvimento local. textos. através da oferta de bacharelados e especializações em Administração Pública e Administração Pública Municipal. sendo implementados cursos de licenciatura e pós-graduação lato e stricto sensu. o Ministério da Educação – MEC e a Universidade Aberta do Brasil – UAB/CAPES. filmes. Nesse sentido.Apresentação Institucional A Secretaria de Educação a Distância – SEDIS da Universidade Federal do Rio Grande do Norte – UFRN. este material que você recebe é resultado de um investimento intelectual e econômico assumido por diversas instituições que se comprometeram com a Educação e com a reversão da seletividade do espaço quanto ao acesso e ao consumo do saber E REFLE- TE O COMPROMISSO DA SEDIS/UFRN COM A EDUCAÇÃO A DISTÂNCIA como modalidade estratégica para a melhoria dos indicadores educacionais no RN e no Brasil. a Sedis tem disponibilizado um conjunto de meios didáticos e pedagógicos. com o apoio de uma equipe multidisciplinar. sendo indicadas outras mídias. a segunda volta-se para a Formação de Gestores Públicos. utilizando linguagem e projeto gráfico para atender às necessidades de um aluno que aprende a distância.

.

Autovalores e autovetores Aula 12 .

.

física. Esse recurso da Álgebra Linear é bastante utilizado nas engenharias. Aula 12 Álgebra Linear 9 . Objetivo Calcular os autovalores e autovetores a partir de matrizes quadradas. química etc. Apresentação Os autovalores e autovetores de uma matriz podem revelar muita informação a respeito de sistemas e plantas que estejam por trás dessas matrizes.

.

 O número de autovalores é definido pela ordem da matriz. real ou complexo. que de certa forma pode substituir uma matriz quadrada. Observações  Só é possível obter autovalores e autovetores de matrizes quadradas. também obteremos como resultado um vetor de dimensão n×1: A·v = vetor de dimensão n×1 ¸·v = vetor de dimensão n×1 Será que existe algum valor para ¸ que torne esses dois resultados iguais? A. Esses valores são chamados de autovalores.v = ¸. Aula 12 Álgebra Linear 11 . obtemos um outro 2 ⎢ ⎥ ⎣ ⎦ n vetor também de dimensão n ×1. ou autovalores podem representar essa matriz. consideremos uma matriz A quadrada: ⎡ ⎤ a11 a12 · · · a1n ⎢ ⎥ ⎢ a21 a22 · · · a2n ⎥ A=⎢ ⎢ ⎥ ⎥ ⎣ ⎦ an1 an2 · · · ann ⎡ ⎤ 1 ⎢ ⎥ ⎢ ⎥ Ao multiplicarmos essa matriz A por um vetor v = ⎢ ⎥ não nulo.v ? A resposta é sim. Para entendermos sua definição. se multiplicarmos o mesmo vetor v por uma constante ¸. ou seja. Por outro lado. autovalor é um número.Autovalor Os autovalores de uma matriz também são chamados de valor próprio ou valor caracte- rístico. Portanto.

nem sempre essa tarefa é possível de ser alcançada simplesmente analisando a matriz intuitivamente. conseguimos identificar os autovalores da matriz A. No sistema de equações. Note que o sistema é um sistema homogêneo. e como esse sistema 12 Aula 12 Álgebra Linear . 1 2 1 1 1 Encontrando os autovalores No Exemplo 1. a constan- 1 1 2 1 1 te que devemos multiplicar por v 2 para que a igualdade A·v = ¸. v é o vetor com as incógnitas e a matriz (¸I–A) é a matriz dos coeficientes. Para obtermos o procedimento a fim de encontrarmos os autovalores de uma matriz quadrada. vamos partir da própria definição de autovalores: Av =¸v Vamos introduzir a matriz identidade sem alterar a igualdade: Av =¸Iv Vamos agora somar a ambos os lados da equação o termo –Av: Av – v = ¸Iv – Av 0 = ¸Iv – Av Colocando o vetor v em evidência: (¸I– A)v =0 Essa equação resulta em um sistema de equações com n equações e n incógnitas. Exemplo 1   2 1 1 Se multiplicarmos a matriz A = pelo vetor 1 = temos: 1 2 1    2 1 1 3 A· 1 = · = . admite a solução trivial (todas as variáveis iguais a zero). Assim. ou seja. onde n é a ordem da matriz A. isso implica em um sistema possível determinado.v seja satisfeita é ¸=3: λ = 3 : · =3· = . Sabemos ainda que em um sistema de equações.v seja satisfeita é ¸=1:     2 1 −1 −1 −1 λ=1: · =1· = . portanto. 1 2 1 1 3  2 1 Uma outra possibilidade é multiplicarmos a matriz A = pelo vetor      1 2 −1 2 1 −1 −1 v2 = . porém. É notório que a constante que devemos multiplicar por v1 para 1 2 1 3     2 1 1 1 3 que a igualdade A.v = ¸. de única solução. temos: A · 2 = · = logo. quando a matriz dos coeficientes apresenta determinante diferente de zero.

solução que não interessa. se apresentar uma única solução. essa solução necessariamente será a trivial.é homogêneo. Ao desenvolvermos a equação característica. Para encontrarmos as soluções não triviais dessa equação. devemos garantir que o determinante da matriz (¸I–A) seja igual a zero: det(¸I–A)=0 Essa equação é chamada de equação característica. pois obteríamos qualquer valor para ¸. chamado de polinômio característico.. + cn -1¸+ cn Exemplo 2  2 2 Encontre os autovalores da matriz A = 2 2 Fazendo det(¸I–A)=0   1 0 2 2 det λ − =0 0 1 2 2  λ − 2 −2 det =0 −2 λ − 2 (¸ – 2)2 – 4 = 0 ¸2 – 4¸ = 0 →polinômio característico ¸(¸–4) = 0 . nos deparamos com um polinômio em ¸. ¸n+c1¸n -1+c2¸n -2+ ..

λ1 = 0 autovalores de A λ2 = 4 1  2 −4 Encontre os autovalores da matriz A = −4 2 Aula 12 Álgebra Linear 13 .

Então. sabemos que os autovalores de A são 0 e 4. como calculamos no Exemplo 2. 1) 14 Aula 12 Álgebra Linear . autovetor é o conjunto de vetores solução. antes precisamos conhecer seus autovalores. Portanto. porém quando substituímos o valor de ¸. 1) v 2 = (1. Exemplo 3  2 2 Encontre os autovetores da matriz A = . apenas para alguns vetores que são chamados de autovetores da matriz A. para cada valor de ¸. vamos solucionar a equação (¸I–A)v=0 para ¸=0 e para ¸=4. Para ¸=0 Para ¸=4 (λI − A)v = 0 (λI − A)v = 0 λ − 2 −2 x1 0 λ − 2 −2 x2 0 = = −2 λ − 2 y1 0 −2 λ − 2 y2 0 0 − 2 −2 x1 0 4 − 2 −2 x2 0 = = −2 0 − 2 y1 0 −2 4 − 2 y2 0 −2 −2 x1 0 2 −2 x2 0 = = −2 −2 y1 0 −2 2 y2 0 −2x1 − 2y1 = 0 2x2 − 2y2 = 0 −2x1 − 2y1 = 0 −2x2 + 2y2 = 0 x1 = −y1 x 2 = y2 x1 −y1 −1 x2 y2 1 = = y1 = = y2 y1 y1 1 y2 y2 1 v 1 = (−1. 2 2 Para encontrarmos os autovetores de uma matriz. da equação Av =¸v ou (¸I–A)v=0. a equação não é satisfeita para qualquer vetor v. não triviais. Autovetor Quando partimos da definição Av =¸v encontramos os autovalores da matriz A.

não dizemos que apenas um determinado vetor é autovetor de uma matriz e sim todo espaço gerado por essa base encontrada. Propriedades  Se v é um autovetor associado a um autovalor ¸ de A. Esse espaço solução para os autovalores possíveis é chamado de autoespaço associado a um determinado autovalor. sempre teremos infinitas soluções para os autovetores e. por essa razão. 2  2 −4 Encontre os autovetores da matriz A = . e como o sistema é sempre homogêneo. k¸ é um autovalor de kA.  Se ¸ é autovalor de A.  Se ¸ é autovalor de A. o que caracteriza um sistema possível indeterminado ou impossível. então. então. −4 2 Observação:  O sistema tem soluções não triviais.  Se ¸ é autovalor de A. ¸–1 é um autovalor de A–1. ¸k é um autovalor de Ak. Portanto. então.  Se A é uma matriz triangular ou diagonal. kv também é um autovetor de A associado ao mesmo autovalor. *k é um escalar. então.Autoespaço Note que em toda situação obteremos um sistema possível indeterminado porque defi- nimos no início que det(¸I–A)=0. logo não pode ser impossível. os autovalores de A são os elementos da diagonal principal. então. Aula 12 Álgebra Linear 15 .

Multiplicidade geométrica A multiplicidade geométrica dos autovalores indica a dimensão do autoespaço associado a um determinado autovalor. ou seja. Exemplo 4 ⎡ ⎤ 0 0 1 ⎢ ⎥ Encontre a multiplicidade algébrica e geométrica da matriz A = ⎣ 0 0 1 ⎦ Encontrando os autovalores de A: 0 0 1 det(λI − A) = 0 ⎛ ⎞ λ 0 −1 ⎜ ⎟ det ⎝ 0 λ −1 ⎠ = 0 0 0 λ−1 Escolhendo a terceira linha da matriz: detM = m31 c31 + m32 c32 + m33 c33 = 0 detM = 0 · c31 + 0 · c32 + m33 c33 = 0    3+3  λ 0  detM = (λ − 1)(−1)  =0  0 λ  2 (λ − 1)λ = 0 λ1 = 1 → M ult. Multiplicidade dos autovalores Multiplicidade algébrica A multiplicidade algébrica dos autovalores indica a quantidade de vezes que um determi- nado autovalor aparece como solução do polinômio característico. Algébrica = 1 . a quantidade de vetores na base do autoespaço.

Algébrica = 2 λ3 = 0 16 Aula 12 Álgebra Linear . λ2 = 0 → M ult.

1 1 1 Aula 12 Álgebra Linear 17 . 1. 0) v 1 = (1. 0.Encontrando os autovetores de A: Para ¸=1 Para ¸=0 (λI − A)v = 0 (λI − A)v = 0 ⎛ ⎞⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎛ ⎞ ⎛ ⎞ λ 0 −1 x1 0 λ 0 −1 x2 0 ⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎝ 0 λ −1 ⎠ ⎝ y1 ⎠ = ⎝ 0 ⎠ ⎝ 0 λ −1 ⎠ ⎝ y2 ⎠ = ⎝ 0 ⎠ 0 0 λ−1 z1 0 0 0 λ−1 z2 0 (λI − A)v = 0 (λI − A)v = 0 ⎛ ⎞⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎛ ⎞ ⎛ ⎞ 1 0 −1 x1 0 0 0 −1 x2 0 ⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎝ 0 1 −1 ⎠ ⎝ y1 ⎠ = ⎝ 0 ⎠ ⎝ 0 0 −1 ⎠ ⎝ y2 ⎠ = ⎝ 0 ⎠ 0 0 0 z1 0 0 0 −1 z2 0  x1 − z 1 = 0 −z2 = 0 y 1 − z1 = 0 ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ x2 x2 1 0 ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ x1 z1 1 ⎝ y2 ⎠ = ⎝ y2 ⎠ = x 2 ⎝ 0 ⎠ = y2 ⎝ 1 ⎠ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ y 1 ⎠ = ⎝ z1 ⎠ = z 1 ⎝ 1 ⎠ z2 0 0 0 z1 z1 1 v 2 = (1. v 3 = (0. 0). 1) Multiplicidade geométrica de ¸=1 → 1 Multiplicidade geométrica de ¸=0 → 2 3 Encontre as multiplicidades algébricas e geométricas dos autovalores de ⎡ ⎤ 0 0 1 ⎢ ⎥ A = ⎣ 0 0 1 ⎦. 1.

pois esse conteúdo será amplamente aplicado daqui em diante. Desafio 1) Sabendo que o polinômio característico é p(¸)= ¸3 –¸2+2¸+4.   ⎡ ⎤ a) A= 4 0 1 1 ⎢ ⎥ e) A=⎣ 1 1 0 ⎦  1 0 1 2 1 b) A= ⎡ ⎤ 0 3 1 0 0  f) ⎢ ⎥ A=⎣ 0 0 0 ⎦ 2 1 c) A= 0 0 0 2 3  ⎡ ⎤ 1 1 0 0 0 0 d) A= ⎢ ⎢ ⎥ ⎥ 1 −1 0 0 0 0 g) A=⎢ ⎢ ⎥ ⎥ ⎣ 0 0 0 0 ⎦ 0 0 0 0 18 Aula 12 Álgebra Linear . Autoavaliação 1 Encontre os autovalores e autovetores das seguintes matrizes. então. assim como entender seu significado. encontre det(A). conhecemos os autovalores de AT? 3) Uma matriz A é inversível se um dos seus autovalores for zero? Resumo O assunto de autovalores e autovetores é um dos mais usados da Álgebra Linear e é importante que nesta aula você tenha aprendido como calculá-los. 2) Conhecendo os autovalores de A.

p(¸)= ¸(¸–2)(¸+1)3 (¸–4). 3. a matriz B é não singular? Justifique. ed. São Paulo: Harper-Row. 2001. L. Chris. a) Qual o tamanho de A? b) A é inversível? Referências ANTON. −1 −1 0 3 Encontre uma matriz de ordem 4 onde seus autovalores sejam 1. Porto Alegre: Bookman. Aula 12 Álgebra Linear 19 . Álgebra linear. Álgebra linear com aplicações. 2. ed. 1980. sendo A = ⎢ ⎣ 1 2 ⎥ 1 ⎦. 7 Considere o polinômio característico de A. et al. David. ⎤ ⎡ −1 −2 −2 2 Encontre os autovalores e autovetores de A15. 4 Encontre uma base para o autoespaço de: ⎡ ⎤ ⎡ ⎤ 0 0 1 2 1 1 1 ⎢ ⎥ ⎢ ⎥ ⎢ 1 0 0 0 ⎥ a) F =⎣ 0 0 0 ⎦ b) H=⎢ ⎢ ⎥ ⎥ ⎣ 1 0 0 0 ⎦ 1 0 1 0 0 0 0  a b 5 Considere a matriz A = e responda: c d a) Que condição faz com que a matriz A tenha autovalores complexos? b) Que condição faz com que os autovalores de A tenham multiplicidade algébrica diferente de 1? 6 Se um dos autovalores de uma matriz B é zero. RORRES. Howard. 2. Álgebra linear e suas aplicações. LAY. BOLDRINI. 3 e 4. 2007. Rio de Janeiro: LTC. J.

Anotações 20 Aula 12 Álgebra Linear .

Diagonalização de matrizes Aula 13 .

.

em determinados casos. não sejam simples de serem manipuladas. então devemos encontrar matrizes o mais simples possível para representar esses sistemas e assim ganhar em tempo de processamento e custo operacional. e a esse processo chamamos de diagonalização de matrizes. Aula 13 Álgebra Linear 23 . Objetivos 1 Saber aplicar o processo de diagonalização de matrizes. 3 Calcular a matriz que diagonaliza outra. Imagine que essas matrizes. melhorias e cálculos desses sistemas. Apresentação S abemos que muitos sistemas podem ser representados por matrizes e a manipulação dessas matrizes implica em análise. Uma das formas de obter essa simplificação consiste em encontrarmos uma matriz diagonal que seja semelhante à original. Diferenciar a diagonalização convencional da diagonaliza- 2 ção ortogonal.

.

dizemos que duas matrizes A e B são semelhantes se existir uma matriz P. tal que: B = P–1AP Aula 13 Álgebra Linear 25 .  Os traços são iguais.Definição A diagonalização de matrizes consiste na obtenção de uma matriz diagonal que seja equivalente à matriz original. matematicamente. Matrizes equivalentes Para entender melhor como a matriz diagonal pode ser semelhante a uma matriz qualquer quadrada.  Os determinantes são iguais.  Os autovetores são correspondentes. vejamos a seguir o que é preservado em matrizes semelhantes. em uma redução significativa no custo de processamento dessa matriz.  Os autovalores são iguais. O que motiva a obtenção dessa matriz equivalente diagonal são as suas características.  Os polinômios característicos são iguais. Por apresentar todos os elementos fora da diagonal principal diferentes de zero. O desafio consiste então em encontrar uma matriz diagonal que preserve todos esses itens da matriz original. Considere duas matrizes A e B que sejam semelhantes:  As características (postos) são iguais.  As nulidades são iguais. então podemos afirmar que duas matrizes são semelhantes. Com esses pontos iguais. Por definição. isso implica. inversível.

pois P deve ser inversível. uma vez conhecidos os autovetores v1.. v3.. Matriz diagonal Se B é uma matriz diagonal semelhante à A e os autovalores são preservados quando as matrizes são semelhantes. devemos encontrar os autovetores da matriz A. Matriz que diagonaliza a matriz A Para encontrarmos a matriz que diagonaliza A. 26 Aula 13 Álgebra Linear . v2. então dizemos que A é diagonalizável. basta montar a matriz P com os autovetores por coluna: P = [v 1 |v 2 |v 3 | · · · |v n ] A única ressalva é que os autovetores sejam linearmente independentes (LI). se encontrarmos a matriz P.. vn. e B será uma matriz diagonal. estamos encontrando a matriz que diagonaliza A. uma vez que essa simplificação na matriz de trabalho implica em uma mudança de coordenadas e é muito provável que todos os dados envolvidos com o sistema original necessitem migrar para esse novo sistema de coordenadas. Portanto. Então. então basta encontrar- mos os autovalores da matriz A. então a única possibilidade de B ter os mesmos autovalores de A é se os elementos da diagonal de B forem os próprios autovalores de A: B = D = P –1AP ⎡ ⎤ λ1 0 0 · · · 0 ⎢ ⎥ ⎢ 0 λ2 0 · · · 0 ⎥ ⎢ ⎥ ⎢ 0 0 λ3 · · · 0 ⎥ D=⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ ⎦ 0 0 0 · · · λn Se quisermos apenas saber qual a matriz diagonal equivalente.. porém. muitos problemas requerem encontrar a matriz que diagonaliza A. se os autovetores forem LI e a quantidade de autovetores for igual à ordem da matriz A.

0) + k2 (0. 0) = 0 ⎧ ⎪ ⎨ k1 = 0 2k1 + k3 = 0 ⎪ ⎩ k3 = 0 k1 = k2 = k3 = 0 Como todas as constantes são iguais a zero. 1) + k3 (0. então o conjunto é LI.Exemplo 1 ⎡⎤ 1 0 0 Encontre a matriz que diagonaliza A = ⎢ ⎥ ⎣ 2 0 0 ⎦ 0 0 1 Resolução: Encontrando os autovalores: λ1 = λ2 = 1 det(λI− ) = 0 A= λ3 = 0 Encontrando os autovetores: λ=1 λ=1 (λI − A)X = 0 (λI − A)X = 0 ⎡ ⎤⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤ 1−1 0 0 x1 0 0−1 0 0 x1 0 ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎣ −2 1 0 ⎦ ⎣ x2 ⎦ = ⎣ 0 ⎦ ⎣ −2 0 0 ⎦ ⎣ x2 ⎦ = ⎣ 0 ⎦ 0 0 1−1 x3 0 0 0 0−1 x3 0 {−2x1 + x2 = 0 −x1 = 0 ⎛ ⎞ ⎛ ⎞ 1 0 −x3 = 0 ⎜ ⎟ ⎜ ⎟ ⎛ ⎞ v1 = ⎝ 2 ⎠ . Aula 13 Álgebra Linear 27 . 2. v2 = ⎝ 0 ⎠ 0 0 1 ⎜ ⎟ v3 = ⎝ 1 ⎠ 0 Verificando se os autovetores são LI: k1 v 1 + k2 v 2 + k3 v 3 = 0 k1 (1. 0. 1.

1 ⎡ ⎤ 2 0 1 ⎢ ⎥ Encontre a matriz que diagonaliza A=⎣ 1 0 1 ⎦ 0 0 1 Potenciação de matrizes A diagonalização de matrizes permite-nos calcular potências de matrizes. temos: 28 Aula 13 Álgebra Linear . teremos: D·D = (P–1AP)·(P–1AP) Eliminando os parênteses. Sabendo que D = P–1AP. Montando a matriz P: P = [ v1 v2 v3 ]  1 0 0 P = 2 0 1 0 1 0  1 0 0 −1 P = 0 0 1 −2 1 0 Verificando: D = P-1AP ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 0 0 1 0 0 1 0 0 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ D =⎣ 0 0 1 ⎦·⎣ 2 0 0 ⎦·⎣ 2 0 1 ⎦ −2 1 0 0 0 1 0 1 0 ⎡ ⎤ ⎡ ⎤ 1 0 0 1 0 0 ⎢ ⎥ ⎢ ⎥ D =⎣ 0 0 1 ⎦·⎣ 2 0 1 ⎦ 0 0 0 0 1 0 ⎡ ⎤ 1 0 0 ⎢ ⎥ D=⎣ 0 1 0 ⎦ 0 0 0 Matriz diagonal formada a partir dos autovalores de A. ao multiplicarmos a matriz diagonal por ela mesma. temos: D 2 = P–1A /AP = P–1A2P Multiplicando a expressão pela esquerda por P e pela direita por P –1.

então devemos encontrar D e P. Encontrando os autovalores: λ1 = 1 det(λI− ) = 0 λ2 = 0 Encontrando os autovetores: λ1 = 1 λ2 = 0 (λI − A)X = 0 (λI − A)X = 0       1 0 x1 0 0 0 x1 0 = = −1 1 − 1 x2 0 −1 0 − 1 x2 0   x1 = 0 −x1 − x2 = 0 0 1 v1 = v2 = 1 −1 Verificando se os autovetores são LI: Como não são múltiplos um do outro. chegaremos à conclusão que: Ak = PDkP–1 Onde k é qualquer expoente inteiro. podemos calcular qualquer potência de A. D15 = = 0 0 0 0 0 0   0 1 1 1 Matriz que diagonaliza A: P = .PD 2P –1 = A2 Se multiplicarmos novamente por D. Exemplo 2  0 0 Calcule A15. Dessa forma. se conhecemos a matriz diagonal e a matriz que diagonaliza A.    1 0 115 0 1 0 Matriz diagonal: D = . onde A = 1 1 Resolução: Sabemos que A15 = PD15P –1 . P −1 = 1 −1 1 0 Aula 13 Álgebra Linear 29 . então são LI.

então dizemos que A é ortogonalmente diagonalizável. 30 Aula 13 Álgebra Linear . 1 1 Diagonalização ortogonal de matrizes Uma particularidade no caso da diagonalização de matrizes é quando a matriz que dia- gonaliza A é uma matriz ortogonal: P t = P –1 Ou seja. O processo de obtenção da matriz que diagonaliza A ortogonalmente é inicialmente o mesmo do processo de diagonalização convencional. Então: Se At = A (simétrica). A diagonalização ortogonal permite que a transição de um sistema de coordenadas para outro ocorra sem perda de proporções.     15 15 −1 0 1 1 0 1 1 0 0 A =P P = · · = 1 −1 0 0 1 0 1 1 2  1 −1 Calcule A15. onde A = . caso contrário. os vetores que representam as linhas e as colunas de P são ortonormais entre si. Logo. estes devem ser ortonormais e. fato que comprovaremos ao estudarmos as cônicas. 2) Se os vetores forem LI. 3) Normalizar os vetores. A é diagonalizável ortogonalmente. devemos observar se A é uma matriz simétrica. aplicamos o processo de Gram-Schmidt e depois normalizamos os vetores para só então montarmos a matriz P. porém quando encontramos os autove- tores LI. tal que D = P–1AP = P tAP. aplicar o processo de ortogonalização de Gram-Schmidt. As etapas para a diagonalização ortogonal são: 1) Encontrar os autovetores. Portanto. Para saber se A pode ser diagonalizada ortogonalmente. já podemos descartar a possibilidade. se houver uma matriz P. para isso.

0.0.(0. então o conjunto é LI.0)> = 0 <(–1.1. v3 = ⎝ 1 ⎠ ⎜ ⎟ v1 = ⎝ 0 ⎠ 1 0 1 Verificando se os autovetores são LI: k1 v 1 + k2 v 2 + k3 v 3 = 0 k1 (1. 0) = 0 ⎧ ⎪ ⎨ k1 − k3 = 0 k2 = 0 ⎪ ⎩ k1 + k3 = 0 k1 = k2 = k3 = 0 Como todas as constantes são iguais a zero.1)> = 0 <(1. 0.1).1).0)> = 0 Aula 13 Álgebra Linear 31 . Analisando se os vetores são ortogonais: <(1.1).0.1. 0.(–1. 1) + k2 (−1.Exemplo 3 ⎡ ⎤ 1 0 1 ⎢ ⎥ Encontre a matriz que diagonaliza A = ⎣ 0 0 0 ⎦ ortogonalmente. 1. 1) + k3 (0.(0. 1 0 1 Resolução: Encontrando os autovalores: λ1 = 2 det(λI− ) = 0 λ2 = λ3 = 0 Encontrando os autovetores: λ1 = 2 λ2 = 0 (λI − A)X = 0 (λI − A)X = 0 ⎡ ⎤⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤ 2 − 1 0 −1 x1 0 0 − 1 0 −1 x1 0 ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎣ 0 2 0 ⎦ ⎣ x2 ⎦ = ⎣ 0 ⎦ ⎣ 0 0 0 ⎦ ⎣ x2 ⎦ = ⎣ 0 ⎦ −1 0 2 − 1 x3 0 −1 0 0 − 1 x3 0 ⎧ ⎪ ⎨ x1 − x3 = 0  x1 = −x3 {x1 = x3 −x1 − x3 = 0 x2 = 0 x2 ⎪ ⎩ −x1 + x3 = 0 ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ −1 0 1 ⎜ ⎟ ⎜ ⎟ v2 = ⎝ 0 ⎠ .0.

1) ⎜ ⎟ v3 = ⎝ 1 ⎠ v1 = = √ =⎜ ⎜ 0 ⎟ ⎟ v2 = = √ =⎜ ⎜ 0 ⎟ ⎟ v 1  2 ⎝ 1 ⎠ v 2  2 ⎝ 1 ⎠ 0 √ √ 2 2 Montando a matriz P: [ v 1 v 2 v 3 ] ⎤ P −1 = P P =⎡ ⎡ t ⎤ √1 √−1 0 √1 0 √1 ⎢ 2 2 ⎥ ⎢ 2 2 ⎥ P =⎢ ⎣ 0 0 1 ⎥ P −1 = ⎢ √ ⎦ ⎣ 2 −1 0 √1 ⎥ ⎦ 2 √1 √1 0 2 2 0 1 0 3 ⎡ ⎤ 0 0 1 Encontre a matriz que diagonaliza A = ⎢ ⎥ ⎣ 0 2 0 ⎦ ortogonalmente. A é diagonalizável? Justifique.  r s 3) Prove que A não é diagonalizável se s≠0. 1 0 0 Desafio ⎡ ⎤ 0 0 0 0 ⎢ ⎥ ⎢ 0 0 0 0 ⎥ 1) A matriz N = ⎢ ⎥ pode ser diagonalizada? E diagonalizada ortogonalmente? ⎢ 0 0 0 0 ⎥ ⎣ ⎦ 0 0 0 0 2) Se A é uma matriz quadrada de ordem 3. 1) ⎜ ⎟ v2 (−1. pois os vetores já são ortogonais. a qual possui dois autovalores distintos. 0. Não será necessário utilizar o processo de ortogonalização de Gram-Schmidt. A = 0 r 32 Aula 13 Álgebra Linear . onde cada autoespaço é unidimensional. é necessário então apenas normalizá-los: ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ 1 −1 0 ⎜ √ ⎟ ⎜ √ ⎟ 2 2 ⎜ ⎟ v1 (1. 0.

assim como obter a diagonalização ortogonal. ⎡ ⎤ ⎡ ⎤  0 0 1 2 1 ⎢ ⎥ 0 0 0 1 a) A= c) A=⎣ 0 0 1 ⎦ ⎢ ⎥ 0 1 ⎢ 0 0 0 1 ⎥ 1 1 1 e) A=⎢ ⎢ ⎥ ⎥ ⎣ 1 1 1 1 ⎦ ⎡ ⎤ ⎡ ⎤ 0 0 0 1 3 0 0 2 0 2 ⎢ ⎥ ⎢ ⎥ b) A=⎣ 1 3 0 ⎦ d) A=⎣ 0 0 0 ⎦ 0 1 3 2 0 2 Aula 13 Álgebra Linear 33 . Resumo Nesta aula. você aprendeu como obter uma matriz diagonal equivalente a uma matriz qualquer. encontre a matriz 1 que diagonaliza A. Autoavaliação Determine se a matriz A é diagonalizável. 2 encontre a matriz que diagonaliza A ortogonalmente. Em caso afirmativo. Em caso afirmativo. Viu ainda como identificar quais os requisitos para que determinada matriz possa ser diagonalizada e diagonalizada ortogonalmente.  ⎡ ⎤ ⎡ ⎤ 0 0 1 0 0 0 1 2 1 ⎢ ⎥ a) A= c) A=⎣ 0 0 1 ⎦ ⎢ ⎥ 0 1 ⎢ 0 0 0 1 ⎥ 1 1 1 e) A=⎢ ⎢ ⎥ ⎥ ⎣ 1 1 1 1 ⎦ ⎡ ⎤ ⎡ ⎤ 0 0 0 1 3 0 0 2 0 2 ⎢ ⎥ ⎢ ⎥ b) A=⎣ 1 3 0 ⎦ d) A=⎣ 0 0 0 ⎦ 0 1 3 2 0 2 Determine se a matriz A é diagonalizável ortogonalmente.

Álgebra linear. BOLDRINI. São Paulo: Harper-Row. L. Chris. 2. ed. 1980. LAY. Anotações 34 Aula 13 Álgebra Linear . 2001. 2007. et al. Álgebra linear com aplicações. 3. ed. Rio de Janeiro: LTC. RORRES. Howard. Álgebra linear e suas aplicações. A = ⎣ 0 0 1 ⎦ 0 1 0 4 Para que valores de x a matriz B é diagonalizável? E ortogonalmente diagonalizável?  1 1 B= 0 x Referências ANTON. Porto Alegre: Bookman. ⎡ ⎤ 0 2 2 3 ⎢ ⎥ Calcule A21. David. J.

Anotações Aula 13 Álgebra Linear 35 .

Anotações 36 Aula 13 Álgebra Linear .

Transformações lineares – definição Aula 14 .

.

2 Calcular núcleo e imagem de transformações lineares. são chamadas de transformações lineares. Encontrar vetores de espaços distintos que estão relacio- 3 nados através da transformação linear. Apresentação No estudo de espaços vetoriais é comum que espaços distintos se relacionem entre si e essa interação ocorre através de funções que. Aula 14 Álgebra Linear 39 . Objetivos 1 Reconhecer os espaços evolvidos na transformação linear. em se tratando de espaços vetoriais.

.

A Figura 1 mostra os espaços vetoriais V e W relacionados através da transformação linear T.Definição Transformação linear é um tipo particular de função entre dois espaços vetoriais que preservam a adição vetorial e a multiplicação por escalar. onde a variável independente x é um vetor em V (espaço domínio) e a variável dependente w é um vetor em W (espaço imagem). sendo v um elemento de V e w um elemento de W. Também pode ser chamada de aplicação linear ou mapa linear. onde T(v)=w. Notação: Uma transformação T de um espaço vetorial V em um espaço vetorial W será denotada por T :V →W. Considerando funções da forma w =F(x). tem-se que a função é dita uma transformação linear F: V →W se satisfizer as seguintes condições: i) F(x1 + x2) = F(x1)+ F(x2) ii) F(k·x1) = k·F(x1) onde x1 e x2= elementos quaisquer de V e k = constante. T:V →W o Domín o Image paç io paç m Es Es Espaço Espaço vetorial vetorial V T(V1 ) =W1 W V1 W1 T(V2 ) =W2 V2 W2 T(Vn ) =Wn Vn Wn Figura 1 – Transformação linear de V em W Aula 14 Álgebra Linear 41 .

y.v4) T(u)=(u1 + u2 + 1. u3–u4) T(v)=(v1 + v2 + 1. onde u =(u1. Resolução: Para que a transformação seja uma transformação linear. primeira condição satisfeita. Exemplo 2 Explique se T: 4→2. Resolução: Para que T(x)= 8x seja uma transformação linear T: →.u2. a transformação não é linear.z. T(x)= 8x é uma transformação linear.T(x1) T(k·x1)=8(k·x1)= k. u3+v3–u4 – v4)= (u1+v1+u2+v2+2. u3+v3–u4–v4) Como T(u + v) ≠T(u)+ T(v). é uma transformação linear.u3. T(x. é necessário que sejam satisfeitas as duas condições: i) T(x1 + x2) = T(x1) + T(x2) T(x1) = 8x1 T(x2) = 8x2 T(x1)+ T(x2) = 8x1+8x2 = 8(x1 + x2) T(x1 + x2) = 8(x1 + x2) Como T(x1 + x2) = T(x1)+ T(x2). Exemplo 1 Explique se T: →. v =(v1. 42 Aula 14 Álgebra Linear . a primeira condição não foi satisfeita.T(x1). a transformação é uma transformação linear.v3– v4) T(u)+ T(v) = (u1+v1+u2+v2+1+1.w)=(x+y+1.v2.z–w). ii) T(k·x1) = k.8(x1) k ·T(x1)= k·8(x1) Satisfaz também a segunda condição T(k·x1) = k.u4). Logo.v3. u3+v3–u4–v4) T(u + v) =(u1+v1+u2+v2+1. é necessário que sejam satisfeitas as duas condições: i) T(u + v) = T(u)+ T(v). Logo.

Avaliando os exemplos anteriores.0. T(0)=0. logo. T(x. caso T(0) seja diferente de zero. x–y) b) T: →. T(x) = 8x (é uma transformação linear) T(0)=8·0=0 Exemplo 2 T: 4→2. T(0)≠0.z–w) (não é uma transformação linear) T(0.0.0.w)=(x+y+1. Já no exemplo 2. foi verificado que a transformação não é linear.–2y. sem que seja feita nenhuma outra avaliação. 1 Explique se as transformações são lineares.y. Mas quando a transformação T(0) é nula. não é possível afirmar que a transformação é linear. tem-se que T(0)=0. T(x)= 3x2 Aula 14 Álgebra Linear 43 . verificamos que a transformação é linear. tem-se que: Exemplo 1 T: →. a) T: 2→3.0)=(0+0+1. T(x. Em toda transformação linear T:V→W. Essa característica da transformação linear pode ser usada para provar que uma determinada transformação não é linear.0-0)=(1.0) No exemplo 1.y)=(3x.z.

.1)+¸3(1. determine T(v)... sabendo que v =(5.1.. ¸1+¸3..0) v=(¸2+¸3.2). ¸1= –4 ¸2= –2 ¸3= 7 Assim.v2. ¸n pertencem a .0.–2). aplicaremos as características de adição e multiplicação por escalar das transformações lineares.1) e T(v3)=(0..vn } é base de V e ¸1..3. T(v2)=(3. Exemplo 3 Seja T: 3→2 uma transformação linear e B={v1. v =¸1v1+¸2v2+¸3v3 v= –4 v1–2v2+7v3 44 Aula 14 Álgebra Linear . T(v 1)=(1.. T:V→W é uma transformação linear.1.v2.. ¸2) (5. ¸2..0. {v1. então: T(¸1v1+¸2v2+.3.v3} uma base do 3. Princípio da superposição O princípio da superposição nos permite “separar” transformações lineares de somas de vetores. onde v1=(0.1) e v 3=(1. isso faz com que usemos parcelas mais simples de serem resolvidas.0)+¸2(1. Na realidade.1. ¸1+¸3.–2)= (¸2+¸3.. assim como deslocar constantes para fora da transformação..–2).1. ¸2) ¸2+¸3=5 ¸1+¸3=3 ¸2=–2 Logo. Resolução: O vetor v pode ser escrito como combinação linear dos elementos da base B. consi- dere ¸ constantes: V=¸1v1+¸2v2+¸3v3 v =¸1(0. v 2=(1.0).¸nvn)= ¸1T(v1)+ ¸2T(v2)+.+ ¸nT(vn) O princípio da superposição possibilita encontrarmos as expressões das transformações a partir de pares de vetores relacionados por essa transformação linear.0).

encontramos T(v)=T(5. então a transformação existe.(0. 1) + (0. −2)   x−y (x.–2)=(0.-2)} é a base do 2. Como é base. queremos encontrar agora a regra da transformação linear.–2.Aplicando a transformação em ambos os lados da equação.–2) ¸1=x ¸1–2¸2=y Logo. y) = x(1. a equação que nos permite achar a transformação de qualquer vetor do domínio. −2) 2 Aplicamos então a transformação em ambos os lados da equação:   x−y T (x. O passo seguinte é considerar um vetor genérico do espaço domínio v=(x.1) e T(0.1)+¸2(0. λ1 = x x−y λ2 = 2 Depois que encontramos os pesos.y) e escrevê-lo como combinação linear dos elementos da base: v =(x.–2)=(–10.2) T(V)=(–10.1. y) = λ1 (1.1)+7(0.3. Exemplo 4 Encontre. −2) 2 Aula 14 Álgebra Linear 45 .20) Dessa forma.0). y) = T x(1. escrevemos o vetor v como combinação linear dos vetores da base com os respectivos pesos ¸1 e ¸2: (x. temos: T(v)=T(–4v1–2v2+7v3) Usando agora o princípio da superposição podemos separar as somas e colocar as constantes para fora da transformação: T(v)=–4T(v1)–2T(v2)+7T(v3) T(v)=–4(1.1). Resolução: A primeira coisa a ser verificada é se {(1. Nesse exercício.20). 1) + λ2 (0.y)=¸1(1.–2)–2(3. caso exista.1)=(3. T: 2→3 tal que T(1. 1) + (0.

x 2 Logo. 1 = (3.1)=(1. y) = 3x.0. 0 = (0. . −2x + .0)=(1. a transformação está correta. 46 Aula 14 Álgebra Linear . −2. −2) 2 x−y T (x.1. 1) T (0. caso exista. −2. 2 Encontre.0. −2) = 3 · 0.0. encontramos a transformação linear. as transformações fornecidas no enunciado da questão devem valer para a regra: T (1. T: 3→3 tal que T(0. 0) 2 Logo. 1. 0) 2   x−y T (x. 1. 1) = 3 · 1. . Conferindo: Se a regra está correta. −2. y) = x · T (1. 1) 2   (−0) · 1 − (−2) T (0. 1) = (3. 1.1). temos: x−y T (x.x 2   −3x − y T (x. y) = 3x.0). −2) = (0.1)=(–1.–1. 1) + · T (0.0) e T(–1. Usando o teorema da superposição.1. y) = x(3. 1) + (0. . 0)   (−3) · 1 − 1 T (1. T(1.

Núcleo De uma maneira simples. quando aplicados na transformação. o núcleo da transformação linear corresponde ao conjunto de todos os elementos do espaço domínio que. T:V →W Espaço V ço Espa W V3 W3 V2 N(T) V4 0 V1 W1 V5 W5 Vn Wn Figura 2 – Núcleo de uma transformação linear Note que o núcleo da transformação está contido em V. pois 0 ∈ N(T). T(v)=0} A Figura 2 mostra a relação dos espaços com o núcleo da transformação. o resultado é o vetor nulo do espaço imagem. Aula 14 Álgebra Linear 47 . uma vez que a transformação é linear e T(0)=0. N(T)=Ker(T)={v ∈V. Considerando a transformação linear T:V→W. N(T) ⊂ V. O núcleo é também chamado de Kernel de uma transformação linear. chamamos de núcleo da transformação linear todos os vetores de V tal que T(v)=0. e N(T) ≠ ∅.

considere que v1 e v2 ∈ N(T). Para provarmos. então o núcleo contém o elemento nulo do espaço. logo: T(v1)=0 T(v2)=0 Para o subconjunto ser um subespaço. então N(T) é um subespaço vetorial de V. v1 +v2 ∈ N(T) III) Multiplicação por escalar: Seja ¸ ∈ . então T(¸v1) = ¸T(v1) = ¸· 0 = 0 ∴ ¸·v1 ∈ N(T) 48 Aula 14 Álgebra Linear . II) Adição: T(v1+v2) = T(v1)+T(v2) = 0+0 = 0 logo. devemos verificar três pontos: I) Deve conter o elemento nulo do espaço: Como T(0)=0. Propriedades do núcleo Seja T:V→W uma transformação linear.

Im(T) ⊂ W. T(v)=w. chamamos de imagem de uma transformação linear o conjunto de vetores w ∈ W que são imagens de pelo menos um vetor v ∈ V. pois T(0) = 0 e o vetor nulo pertencem e imagem de T. 0 ∈ Im(T). T:V →W Espaço V ço Espa W V3 W3 V2 W2 V4 Im(T) W4 W1 V1 W5 V5 Wn Vn Figura 3 – Imagem de uma transformação linear Note que a imagem da transformação está contida em W. para algum v ∈ V } A Figura 3 mostra a relação da imagem com os espaços vetoriais envolvidos. tem-se: dim(U) = dim(N(T)) + dim(Im(T)) Aula 14 Álgebra Linear 49 . Seja T:V→W. Im(T)= {w ∈ W.Imagem A imagem de uma transformação linear consiste no subconjunto do espaço imagem que contém os vetores resultantes da aplicação das transformações lineares quando inserimos os elementos do domínio. Teorema Sejam U e V espaços vetoriais de dimensão finita e T:U→V uma transforma- ção linear. e Im(T) ≠ ∅.

um para cada variável.0) são LI.x). N(T)={(0.(1. então separaremos em dois vetores.y)=0.0)} Imagem Para encontrar a imagem. caso fossem LD. y) = (x + y. x e y. x) = (0. y) = (x + y.y)=(x+y. logo T (x. 1 1 T (x. y) = x +y 1 0 Os vetores que aparecem são os que formam a base da imagem. desde que sejam linearmente independentes (LI). Exemplo 5 Encontre o núcleo e a imagem da transformação T(x. teríamos que retirar mais um vetor e fazer a verificação quantas vezes forem necessárias. teríamos a base da imagem e.0)} *Se os vetores não fossem LI. Caso afirmativo. x) = x Como aparecem duas incógnitas. Como (1. 50 Aula 14 Álgebra Linear .1). vamos escrever a transformação em coluna: x+y T (x. teríamos que retirar um vetor e verificar se o conjunto rema- nescente seria LI. 0) x+y = 0 x = 0 x=y=0 Portanto. então: Im(T)={(1.1) e (1. Resolução: Núcleo Sabemos que para o núcleo T(x.

então dim(N(T)) = 1. −3) N (T ) = (1. –x+z). 3x + z) = 0 ⎧ ⎧ ⎪ ⎨ x − y + 2z = 0 ⎪ ⎨ x 2x + y − z = 0 z = −3x ⎪ ⎩ 3x + z ⎪ ⎩ y = 0 = −5x (x. 2x + y − z. encontre T(ax+b).y. a imagem.z)=(x–y+2z . onde T(x.y. 3 Encontre o núcleo. Usando o teorema das dimensões: dim(3) = dim(N(T)) + dim(Im(T)) 3 = 1 + dim(Im(T)) dim(Im(T)) = 2.z)=0 (x − y + 2z. Desafio 1) Encontre uma transformação linear cujo núcleo seja P2. −5.y. 3x+z). 2x+y–z .Exemplo 6 Encontre o núcleo e a dimensão da imagem da transformação linear T:3→3. T(x+1)=2x+3 e T(x–1)=3x–2. −3) Como o núcleo da transformação tem apenas um vetor na base. a dimensão do núcleo e a dimensão da imagem da transformação linear T:3→2. −5. onde T(x. 2) Seja T:P1→P1. y. Resolução: Encontrando o núcleo: Sabemos que para o núcleo T(x. z) = x(1.   a b a+b b+c T = c d c+d d+c Aula 14 Álgebra Linear 51 .z)=(x–y+z. sendo T:M22→M22. 3) Encontre N(T) e escreva dois vetores pertencentes à Im(T).

w) = (x–y+2z+3. T(x. y+2z) b) T:5→. Ann.0) d) T:4→2.w) = (x+3y–2z–w) c) T:3→3. T (A) = det(A) ⎡ ⎤  a 0 0 0 ⎢ 0 b 0 0 ⎥ a b ⎢ ⎥ f) T : M22 → M44 . T(x. Viu ainda a definição de núcleo e imagem de uma transformação linear e como calculá-los.x.z.y.y. T(a2x2 + a1x + a0) = (a2 – a0)x 2 + (a0 +a1 +a2) dP2 j) T : P3 → P2 . T(A) = At h) T:P2→R. Autoavaliação 1 Verifique se as transformações são lineares. P2(x) =a2x 2 + a1x + a0. a) T:3→3.z) = (0. T(p(x)) = p(x) + xp(x) + x 2p´ (x) 52 Aula 14 Álgebra Linear . . A= c d .x 2+z.T(P2) = a2a1a0 i) T:P2→ P2. T (P2 ) = dx k) T:P2→ P3. T(x.y. T(v.z) = (x–y. T c d =⎢ ⎣ 0 0 c 0 ⎥ ⎦ 0 0 0 d g) T:Mnn→ Mnn.0.y. 3x–w+4z)  a b e) T : M22 → .z. Resumo Nesta aula. você viu uma introdução às transformações lineares e descobriu que é através delas que os espaços vetoriais se relacionam.

1).1). 2 Encontre a regra para a transformação linear. 5 Encontre a imagem do vetor u nas seguintes transformações: a) T:5→.1.y.(1.1. –4.z. Base do 2 = {(–1. onde u = (1. T(v.1.1).1) = (–1.7) e T(0.1)}.z. T(2. T(x.0.2.(0.1) Sejam as transformações T(v1) = (1.w) = (x+3y–2z–w).1) e T(v3) = (–1. 0.w) = (x+3y –2z –w) b) T:2→2.1. T(–1.1)    a b −a 0 3 2 b) T : M22 → M22 .1.(0.1) = (4.(1.1) = (3. T(v.z) = (x+y.3x) d) T:3→2.2) = (1. T c d = 0 −b dP2 f) T : P2 → P1 . T(x.1)}.0). Base do 3 = {(1.2). T c d = 0 −b .2.y) = (x+3y.1) b) T:3→2.2.1) = (3. T (P2 ) = . 4 Sabendo que Q(u) = x 2–2 e Q(v) = 2–3x. x+z)   a b −a 0 e) T : M22 → M22 .y.2) e T(1.1)}. T(0. T(1.2.1).1.u = 7 −2 dP2 c) T : P2 → P1 . encontre Q(3u–2v). T(x) = (x. Base do 2 = {(2. T (P2 ) = dx g) T: P2→ P2.0.3y) c) T:→3.y.0.1).0.1) = (4.1) = (0.x. 3 encontre T(3v1 – v2 + 5v3). –1) e T(1.2) c) T:2→4. sabendo que: a) T:2→2.x. T(p(x))= xp´ (x) Aula 14 Álgebra Linear 53 . u = 5x2 − 3x + 2 dx 6 Encontre o núcleo e a imagem das transformações: a) T:5→. T(v2) = (1.0.

T (P3 ) = dx2 g) T: P2→ P3. 2001. LAY. 2007. Álgebra linear com aplicações. 7 Encontre a dimensão do núcleo e da imagem das transformações: a) T:5→.x. 54 Aula 14 Álgebra Linear . T(x. Rio de Janeiro: LTC.y) = (x–y.y. L. Chris. y) = √ (x + y. 3. RORRES. T(v. Porto Alegre: Bookman.z.x+y+z)   a b −a a+b+c e) T:M22→ M22. David. T : M22 → M22 . T (x. ed. et al.5x) d) T:3→2. Álgebra linear. Álgebra linear e suas aplicações. J. São Paulo: Harper-Row.y. T(x. 3x+y) c) T:→3. T(p(x))= xp(x) 1 h) T : 2 → 2 . T(x) = (0. ed. 1980. x − y) 2 O que é o núcleo de uma transformação linear? E a imagem de uma transformação 8 linear? Referências ANTON. T c d = −a − b − c −b d 2 P3 f) T : P3 → P1 . BOLDRINI.0.w) = (3x–w) b) T:2→2. 2. Howard.z) = (y.

Anotações Aula 14 Álgebra Linear 55 .

Anotações 56 Aula 14 Álgebra Linear .

Transformações lineares e matrizes Aula 15 .

.

Apresentação
Temos visto ao logo de nossas aulas o quanto a representação matricial de sistemas
pode facilitar seu manuseio, cálculo e entendimento, quando tratamos com transformações
lineares não é diferente. Toda transformação linear pode ser representada na forma matricial,
o que implica nas mesmas facilidades da representação matricial dos sistemas.

Objetivos
1 Obter transformações lineares na forma matricial.

Efetuar cálculos com transformações lineares na forma
2 matricial.

Aula 15 Álgebra Linear 59

Definição
Consideremos uma transformação linear T:n →m definida pelas equações da forma:

w1 = a11 x1 + a12 x2 + ··· a1n xn
w2 = a21 x1 + a22 x2 + ··· a2n xn

wm = am1 x1 + am2 x2 + ··· amn xn

Podemos escrever essas equações como um produto de matrizes, separando as matrizes
dos termos independentes W, dos coeficientes A e das incógnitas X, onde

W=A.X
⎡ ⎤ ⎡ ⎤⎡ ⎤
w1 a11 a12 ··· a1n x1
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎢ w2 ⎥ ⎢ a21 a22 ··· a2n ⎥ ⎢ x2 ⎥
⎢ ⎥=⎢ ⎥⎢ ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣ ⎦ ⎣ ⎦⎣ ⎦
wm am1 am2 ··· amn xn

Onde A é chamada matriz canônica da transformação linear.
Prova que T(x)=A.X é uma transformação linear:

i) F(x1 + x2) = F(x1) + F(x2)

F(x1 + x2) = A(x1 + x2) = Ax1 + Ax2 = F(x1) + F(x2)

ii) F(k.x) = k.F(x)

F(k.x) = A(k.x) = A.k.x = k.A.x = k(Ax) = k.F(x)

As duas regras são satisfeitas, logo, é uma transformação linear.

Exemplo 1
A transformação linear T:4→3, definida por:
T(x1, x2, x3, x4) = (2x1 – 3x2 + x3 – 5x4, 4x1 + x2 – 2x3 + x4, 5x1 – x2 + 4x3)
Pode ser representada da seguinte forma; ⎡ ⎤
⎡ ⎤ ⎡ ⎤
x1
w1 2 −3 1 −5 ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ x2 ⎥
⎣ w2 ⎦ = ⎣ 4 1 −2 1 ⎦⎢ ⎥→W =A·X
⎣ x3 ⎦
w3 5 −1 4 0
x4

Note que na primeira coluna da matriz A aparecem os coeficientes da primeira variável, x1, na
segunda de x2 e assim sucessivamente.
Aula 15 Álgebra Linear 61

1. definida por: T(x1.1 – 3.0. nesse exemplo é o 4.0. T(e2).1 + 0 – 2.0) Agora. 4x1 + x2 – 2x3 + x4.1.1) Em seguida.0) = (–3.0 – 3.0. x2.0) e3 = (0.0) = (2.0 + 0 – 5.5 .5.0 + 0 – 5.1 + 0.0) e4 = (0.0 + 0 – 2. 5x1 – x2 + 4x3) Resolução O primeiro passo é identificar a base canônica do espaço domínio.0 + 0 – 2. ⎣ w2 ⎦ = ⎣ 4 1 −2 1 ⎦ ⎢⎣ x3 ⎥→W =A·X ⎦ w3 5 −1 4 0 x4 62 Aula 15 Álgebra Linear .0) e2 = (0.0.1) = (1.5) T(e2) = (2. a base canônica é: e1 = (1.0) = (-5. montamos a matriz transformação A com os vetores T(e1).0 – 1 + 4. Exemplo 2 A transformação linear T:4→3.1.0.0 + 1 – 5.0 – 3.–1) T(e3) = (2. x3.4.1– 0 + 4. logo.1 + 0 – 5. 4) T(e4) = (2.0 – 0 + 4. aplicamos a transformação aos vetores da base canônica: T(e1) = (2.0 + 1.4.0.4. –2.0.1.0 – 0 + 4. x4) = (2x1 – 3x2 + x3 – 5x4. Encontrando a matriz transformação com as bases canônicas Podemos encontrar a matriz transformação com a aplicação dos vetores da base canônica à transformação linear.0 – 3.0 + 0.0.1. T(e3) e T(e4) por coluna: ⎡⎤ 2 −3 1 −5 ⎢ ⎥ A = [T (e1)|T (e2)|T (e3)|T (e4)] = ⎣ 4 1 −2 1 ⎦ 5 −1 4 0 ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ x1 w1 2 −3 1 −5 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ x2 ⎥ Logo.4. A matriz é montada a partir da entrada por coluna dos vetores imagem dos vetores da base canônica.5.0 + 0.0.5.4.0 + 1 – 2.

–x1–x2. definida por: T(x1. 1 Encontre a forma matricial da transformação linear T:2→5. Aula 15 Álgebra Linear 63 . 0. –3x1. Exemplo 3 Encontre o núcleo e a imagem da transformação linear T:4→3. x2) Núcleo e Imagem de uma transformação linear na forma matricial A forma matricial de uma transformação linear facilita as operações envolvidas e com o processo de obtenção do núcleo e da imagem ocorre a mesma coisa. nesse caso. x2) = (x1+2x2. definida por: ⎡ ⎤ ⎡ ⎤ x1 2 0 1 0 ⎢ ⎥ ⎢ ⎥⎢ x2 ⎥ T (X) = W = ⎣ 1 1 0 1 ⎦⎢ ⎥ W ∈  3 e X ∈ 4 ⎣ x3 ⎦ 0 0 −1 0 x4 Resolução Núcleo Devemos investigar que vetores do 4 resultam em um vetor nulo do 3 quando aplicados à transformação: ⎡ ⎤ ⎡ ⎤ x1 ⎡ ⎤ 2 0 1 0 ⎢ ⎥ 0 ⎢ ⎥⎢ x2 ⎥ ⎢ ⎥ ⎣ 1 1 0 1 ⎦⎢ ⎥=⎣ 0 ⎦ ⎣ x3 ⎦ 0 0 −1 0 0 x4 Ou seja. corresponde a encontrarmos o espaço nulo da matriz dos coeficientes A.

0).0.(1. (0. 1. definida por: ⎡ ⎤⎡ ⎤ 2 0 1 x1 ⎢ ⎥⎢ ⎥ T (X) = ⎣ −1 0 0 ⎦ ⎣ x2 ⎦ 1 1 0 x3 64 Aula 15 Álgebra Linear . Escolhendo os três primeiros vetores (2.-1) 2 Encontre o núcleo e a imagem da transformação linear T:3→3. pois temos quatro vetores de dimensão 3. −1. 0.(0. logo N (T (X)) = {(0.1. chegamos a: ⎡ ⎤ ⎡ ⎤ x1 ⎡ ⎤ ⎧ 1 0 0 0 ⎢ ⎥ 0 ⎪ ⎨ x1 = 0 ⎢ ⎥ ⎢ x2 ⎥ ⎢ ⎥ ⎣ 0 1 0 1 ⎦⎢ ⎥=⎣ 0 ⎦ x2 + x4 = 0 ⎣ x3 ⎦ ⎪ ⎩ 0 0 1 0 0 x3 = 0 x4 ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ x1 0 0 ⎢ ⎥ ⎢ −x4 ⎥ ⎢ −1 ⎥ ⎢ x2 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥=⎢ ⎥ = x4 ⎢ ⎥. a base da Imagem será a maior quantidade possível de vetores LI desse conjunto.1. 0. Analisando os vetores resultantes. –1). Ao tomarmos os quatro vetores resultantes. Usando a eliminação gaussiana. 1)} ⎣ x3 ⎦ ⎣ 0 ⎦ ⎣ 0 ⎦ x4 x4 1 Imagem Para encontrar a imagem. logo é uma base para a Imagem da transformação. 1. Im = (2.0). quando calculamos percebemos que o conjunto é LI. x3 e x4. separaremos os vetores: ⎤ ⎡ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 2 0 1 0 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ T (X) = x1 ⎣ 1 ⎦ + x2 ⎣ 1 ⎦ + x3 ⎣ 0 ⎦ + x4 ⎣ 1 ⎦ 0 0 −1 0 Aparecem multiplicados por x1 todos os seus coeficientes e o mesmo acontece para x2. Devemos então descartar um e analisar o conjunto resultante. 0) e (1. percebemos que o conjunto é LD.0).

z) = ⎣ 0 1 1 ⎦ ⎣ y ⎦ 0 2 1 z Encontre o valor de a para que a dimensão do núcleo seja a mesma da imagem de 2 T. assim como realizar operações características dessas transformações na forma matricial. z) = ⎣ 0 1 0 ⎦ ⎣ y ⎦ 0 0 1 z ⎡ ⎤⎡ ⎤ 0 0 0 x ⎢ ⎥⎢ ⎥ T 2(x. onde T:2→2   1 1 x T (x. ⎡ ⎤⎡ ⎤ 0 0 0 x ⎢ ⎥⎢ ⎥ T 1(x. y) = a 1 y Resumo Na aula sobre transformações lineares e matrizes você aprendeu como obter a forma matricial de uma transformação linear. Desafio 1 Mostre que as transformações T1 e T2 T:3→3 têm o mesmo núcleo e Imagem. Aula 15 Álgebra Linear 65 . y. y.

y) = √ (x + y.y. T(p(x)) = xp(x) 1 g) T : 2 → 2 .z.x.w) = (x+3y–2z –w) b) T:2→2. T(v. x+z) d 2 P3 e) T : P3 → P1 . encontre a forma por extenso 2 da transformação e diga qual o espaço domínio e qual o imagem:  1 0 a) T (P ) = P 1 1  1 −1 2 b) T (P ) = 2 0 1 P ⎡ ⎤ 1 0 ⎢ 2 −1 ⎥ ⎢ ⎥ c) T (P ) = ⎢ ⎣ 3 ⎥P 0 ⎦ 4 −2 ⎡ ⎤ 1 0 0 −1 1 ⎢ ⎥ d) T (P ) = ⎣ −1 2 0 1 1 ⎦P 1 0 0 0 1 66 Aula 15 Álgebra Linear . T (P3 ) = dx2 f) T:P2→P3. Autoavaliação 1 Escreva a transformação na forma matricial e encontre seu Núcleo e Imagem: a) T:5→.y.z) = (x+y. 3x) d) T:3→2. T(x.y) = (x+3y. 0. T (x. 3y) c) T:→3. T(x) = (x. x − y) 2 Sabendo que a transformação envolve polinômios. T(x.

2. São Paulo: Harper-Row. RORRES. et al. BOLDRINI. 2001. Anotações Aula 15 Álgebra Linear 67 . 3. Howard. Álgebra linear e suas aplicações. Álgebra linear. ed. David. 2007.Referências ANTON. Porto Alegre: Bookman. Álgebra linear com aplicações. Chris. ed. LAY. L. 1980. Rio de Janeiro: LTC. J.

Anotações 68 Aula 15 Álgebra Linear .

Transformações lineares inversas Aula 16 .

.

deva permitir o caminho de volta. 3 Aula 16 Álgebra Linear 71 . Objetivos 1 Saber reconhecer quando uma transformação admite inversa. Imaginemos que essa associação. se a transformação que leva um vetor de uma espaço V para um espaço W permitir a transformação inversa. então. ou seja. em muitos casos. Apresentação Vimos nas aulas anteriores que uma transformação Linear é uma função que associa espaços vetoriais distintos ou não. 2 Aplicar a definição de inversa. Calcular a inversa de uma Transformação Linear. é possível partir do vetor resultante em W e voltar ao mesmo vetor em V de partida.

.

Definição
Consideremos a Transformação Linear deV em W, T:V→W. Partindo do ponto que
o domínio da transformação corresponde ao conjunto de vetores de V que são aplicados à
transformação e que a imagem de T é o subespaço composto por todos os vetores em W
gerados a partir de V através da transformação, então, se a transformação permitir o caminho
inverso, o que era imagem da transformação T passa a ser domínio da transformação inversa
e o que era domínio passa a ser imagem, como mostrado na Figura 1.

Notação para Transformação Linear inversa de T:T –1

T:V →W

Espaço Espaço
vetorial vetorial
V W

-1
T :V →W

Figura 1 – Transformação Linear inversa

Relações entre T e T –1

Sendo v um vetor de V e w um vetor de W, então, teremos:

T(v) = w T –1(T(v)) = v
T –1(w) = v T(T –1(w)) = w

Aula 16 Álgebra Linear 73

Relembrando...
Funções Injetoras, Sobrejetora e Bijetora
Uma função é dita injetora se para cada elemento do domínio existe um cor-
respondente exclusivo no contradomínio. Uma função é classificada como so-
brejetora se a imagem corresponder a todo o contradomínio. Já no caso de
a função ser injetora e sobrejetora ao mesmo tempo, ela é classificada como
bijetora. A Figura 2 mostra a diferença entre os tipos de funções.

Domínio Imagem Domínio Imagem Domínio Imagem

1 A 1 A 1 A
2 D
2 D 2
B 3 B 3 B
3 C
C 4 C 4

Função injetora Função sobrejetora Função bijetora
e não sobrejetora e não injetora

Figura 2 – Função injetora, sobrejetora e bijetora

Critérios para transformação inversa
Para que uma Transformação Linear admita inversa ela deve ser bijetora, ou seja, deve
ser injetora e sobrejetora ao mesmo tempo.

Transformação Injetora

Dada uma transformação linear T:V→W, e dados os vetores u e v, ambos pertencentes a
V, diz-se que T é injetora se T(u) = T(v) apenas para u = v. Ou seja, T é injetora se as ima-
gens de vetores distintos são distintas. Uma transformação linear é injetora quando Ker(T )=0.

Transformação Sobrejetora

Dada uma transformação linear T:V→W, tem-se que a transformação é sobrejetora se
a imagem de T coincidir com W.

74 Aula 16 Álgebra Linear

Transformação Bijetora

A transformação é bijetora se for injetora e sobrejetora.
Quando uma transformação linear T:V→W for injetora e sobrejetora ao mesmo tempo,
tem-se um isomorfismo.

Se T é bijetora, então, cada vetor w pertencente à Im(T) é imagem de um único
vetor v em V. Essa unicidade é que permite definir essa nova função, chamada
transformação inversa de T, que leva w de volta em v.

Exemplo 1
Verifique se a transformação é bijetora: T: 2→2 T(x,y)=(x +y, x).

Resolução
Para que a transformação seja bijetora, ela deve ser injetora e sobrejetora.

Injetora
Uma transformação é injetora se o núcleo da transformação for apenas o vetor nulo.
Encontrando o núcleo:
T(x,y) = (0,0)
(x + y, x) = (0, 0)

x+y = 0
x = 0

Logo, x = y = 0 , portanto, N(T(x,y))={(0,0)} → A transformação é injetora.

Sobrejetora
A transformação é sobrejetora se a imagem corresponder a todo o contradomínio, ou seja, o 2.
Encontrando a imagem:




x+y 1 1
T (x, y) = (x + y, x) = =x +y
x 1 0

Analisando os dois vetores resultantes, (1,1) e (1,0), verifica-se que são LI, logo, a imagem
corresponde ao espaço gerado por esses dois vetores, o próprio 2.

Im(T(x,y)) = 2

Assim sendo, a imagem é igual ao contradomínio e a transformação é sobrejetora. Como a
transformação é injetora e sobrejetora, logo é bijetora.

Aula 16 Álgebra Linear 75

x). x) 1 1 x T (x. Exemplo 2 Verifique se a transformação admite inversa: T: 2→2 T(x. a transformação inversa é dada por: 1 −1 −1 0 1 x T (x.y. y) = (x + y. Forma matricial e transformação inversa Uma maneira mais simples de verificar se uma Transformação Linear admite inversa é proceder a análise sob a forma vetorial. a transformação também admite inversa. portanto. basta verificar se essa matriz admite inversa.y)=(x+y. Resolução Passando para a forma matricial: T (x. x –y+z. 2x–z). a transformação também ad- mite e sua transformação inversa tem a matriz canônica definida pela inversa da matriz da transformação original. Uma vez obtida a matriz canônica da transformação. logo. caso afirmativo. pois det(A) = –1.z)=(0. 1 Verifique se a transformação é bijetora: T: 3→2 T(x. Calculando a inversa de A temos: −1 0 1 A = . y) = 1 0 y 1 1 Analisando a matriz canônica da transformação A = verifica-se que a matriz admite 1 0 inversa. x − y) 1 −1 y 76 Aula 16 Álgebra Linear . y) = = (y.

x + y) ⎛ ⎞ 2 −1 ⎜ ⎟ x T (x. Aula 16 Álgebra Linear 77 . Verificando se a transformação é Sobrejetora ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ 2x − y 2 −1 ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ T (x. 0.(-1. a transformação também não admite inversa. não admitindo inversa. y + 3x. Uma Transformação Linear admite inversa se for bijetora e uma transformação apenas será bijetora se a matriz que a representa for inversível. a transformação não é sobrejetora. Verificando se a transformação é Injetora T (x. y + 3x. são a base da Imagem. y) = (2x − y. y) = ⎝ 3 1 ⎠ y 1 1 Como a matriz canônica da transformação não admite inversa por não ser uma matriz quadrada. x+y) Resolução Passando para a forma matricial: T (x.y)) = {(2. Dessa forma. portanto. 0)} → é injetora N(T(x. 0. x + y) = (0.1. y)) = {(0.3.y +3x. 0) ⎧ ⎪ ⎨ 2x − 1 = 0 y + 3x = 0 x=y=0 ⎪ ⎩ x+y = 0 N (T (x. 0) T (x. então.0)} → é injetora. vamos averiguar se ela é injetora e sobrejetora. y) = (0. Exemplo 3 Encontre a inversa da transformação caso exista. y) = (2x − y. y) = (2x − y. Im(T(x. logo.y)) = {(0. x + y) = ⎝ y + 3x ⎠ = x ⎝ 3 ⎠ + y ⎝ 1 ⎠ x+y 1 1 Os dois vetores que obtemos são LI. T(x.1)} O espaço correspondente à Imagem que é gerado por esses dois vetores não compreende todo o 3 e sim um plano dentro do 3. T:2→3. Para investigarmos porque não admite inversa.1).y)=(2x–y. y + 3x.

a2x2.x3) =(a1x1. 2z – y +3x.y. 3 Por que é necessário que a transformação seja bijetora para possuir inversa? Resumo Nesta aula. Obtenha a expressão de T –1.z)=(2x – y – z. definida por: T(x1. T: 3→3.a3x3). você aprendeu a identifi car quando uma Transformação Linear admite inversa e como encontrar a transformação inversa. ai ∈ . Aprendeu ainda a relacionar os vetores dos espaços ligados por transformações que apresentam inversa. 2 Seja T uma transformação linear T: 3→3.x2. 2 Encontre a inversa da transformação. x+3z) Desafio Seja T uma transformação linear do espaço dos polinômios reais de grau menor 1 ou igual a 2. 78 Aula 16 Álgebra Linear . definida por: T (1) =1+x T (x) = 3 −x2 T (x2) = 4 + 2x –3x2 A transformação T tem inversa? Justifique. caso exista. Determine as condições que a1.a2 e a3 devem satisfazer para T admitir inversa. T(x.

Autoavaliação
1 O que é uma transformação linear injetora? E sobrejetora?

2 Verifique se as transformações são injetoras e/ou sobrejetoras.

a) T: 2 →  4, T(x,y) = (x + y, 3x, x –2y, –y)

b) T: 4 →  4, T(x,y,z,w) = (x + y, 3w, z –2y, –x)

c) T: 2 →  2, T(x,y) = (x + y,0)

2 0
d) T (u) =
−2 −1
u
⎡ ⎤
1 0 1 0
⎢ 2 −2 0 0 ⎥
⎢ ⎥
e) T −1 (u) = ⎢
⎣ 0
⎥u

1 1 3
2 0 0 −3

1 0 −1
f) T (u) = u
0 1 0

g) T:P 2 → P2 , T(a2x2 + a1x + a0) = (a2 – a0)x2

3 Indique a inversa das transformações, por extenso, caso existam.

a) T: 4 →  4, T(x, y, z, w) = (x, y, z, 0)

b) T:2 → 2, T(x, y) = (x, 2y)

2 0
c) T (u) =
1 −1
u

⎡ ⎤
1 1 2
⎢ ⎥
d) −1
T (u) = ⎣ 0 1 0 ⎦u
−1 1 1

e) T:P2 → P3, T(a2x2 + a1x + a0) = –x (a2x2 + a1x + a0)

f) T:P1 → P3, T(a1x + a0) = ((a1+a0)x3 + a1x2 + a0x)

Aula 16 Álgebra Linear 79

d(a2 x2 + a1 x + a0 )
g) T : P2 → P2 , T (a2 x2 + a1 x + a0 ) = x
dx

h) T:P2 → P2 , T(p(x)) = p(x +1)

Seja T: :3→3 uma transformação linear definida por T(x,y,z)=(ax,by,cz), a,b
4 e c ∈ . Determine as condições que a,b e c devem satisfazer para que T admita
inversa. Para esses casos, encontre T –1 se possível.

5 Seja T:2→2 definida por T (x,y)=(k·x,x+y), k ∈ .

a) Determine k de modo a que a transformação T admita inversa e, para esses valores,
obtenha a transformação inversa T–1.

b) Considere k = 0. Determine a dimensão e uma base para o núcleo de T.

Referências
ANTON, Howard; RORRES, Chris. Álgebra linear com aplicações. Porto Alegre:
Bookman, 2001.

BOLDRINI, J. L. et al. Álgebra linear. 3. ed. São Paulo: Harper-Row, 1980.

LAY, David. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 2007.

Anotações

80 Aula 16 Álgebra Linear

Anotações

Aula 16 Álgebra Linear 81

Anotações

82 Aula 16 Álgebra Linear

Transformações lineares e geometria do 2 Aula 17 .

.

rotação. porém. Apresentação U ma das formas mais comuns de utilizar as Transformações Lineares é a aplicação a vetores no plano. reflexão etc. são utilizadas cor- riqueiramente e servem de base para a manipulação de imagens. Aula 17 Álgebra Linear 85 . Modificações como expansão. Veremos a aplicação de transformações lineares no plano. Objetivos 1 Identificar matrizes transformações e aplicar a vetores no plano. 2 Utilizar combinações de Transformações Lineares. os princípios vistos aqui podem ser expandidos a espaços com dimensão superior.

.

Definição As Transformações Lineares permitem modificarmos vetores utilizando apenas multipli- cação de matrizes. y) = k(x. Note que as duas coordenadas são alteradas do fator k. o que resulta em outro vetor com uma. serão analisadas algumas dessas transformações no 2. Forma por extenso Forma matricial   k 0 x T (x.y). considere o vetor u = (x. Aqui. aplicando uma Transformação Linear a um vetor. 1) Semelhança (Expansão e contração) Nessa operação. alterações previamente definidas. ou várias. y u x y y y u ku u u ku x x -ku K >1 0 <K <1 K< 0 Figura 1 – Vetor u e suas alterações de semelhança Aula 17 Álgebra Linear 87 . y) T (x.u para os possíveis valores de k. Operações sobre vetores Para todos os casos. ou seja. y) = 0 k y A Figura 1 mostra o vetor u e o resultado da transformação k. as quais podem ser expandidas para outros espaços euclidianos. o vetor aumenta ou diminui de tamanho sendo mantidos a direção e o sentido.

−y) T (x. y) = 0 −1 y A Figura 2 mostra o vetor u e sua reflexão em torno do eixo Y. permanecendo a mesma coordenada y. y) T (x. y) = (x. y) = (−x. a coordenada y é modificada e a coordenada x permanece a mesma. 88 Aula 17 Álgebra Linear . apenas a coordenada x é modificada. y) = 0 −1 y A Figura 3 mostra o vetor u e sua reflexão em torno do eixo X. Nesse caso. y y u u T(u) x x Figura 2 – Vetor u e sua reflexão em torno do eixo Y 3) Reflexão em torno do eixo X Forma por extenso Forma matricial   1 0 x T (x. 2) Reflexão em torno do eixo Y Forma por extenso Forma matricial   1 0 x T (x. Nesse caso.

y) T (x. x) T (x. y y u u x x T(u) Figura 3 – Vetor u e sua reflexão em torno do eixo X 4) Reflexão em torno da reta Y = X Forma por extenso Forma matricial   0 1 x T (x. y) = (y. y) = 0 1 y Aula 17 Álgebra Linear 89 . y) = 1 0 y A Figura 4 mostra o vetor u e sua reflexão em torno da reta Y = X. y y u u T(u) x x Figura 4 – Vetor u e sua reflexão em torno da reta Y = X 5) Projeção ortogonal sobre o eixo Y Forma por extenso Forma matricial   0 0 x T (x. Aqui as coordenada x e y são invertidas. y) = (0.

y y u u x T(u) x Figura 6 – Vetor u e sua projeção ortogonal sobre o eixo X 90 Aula 17 Álgebra Linear . se for a projeção sobre o eixo Y.y) = (x. uma das coordenadas é zerada. y) = T(x. A Figura 5 mostra o vetor u e sua projeção ortogonal sobre o eixo Y. No caso da projeção ortogonal. a coordenada x é descartada.0) 0 0 y A Figura 6 mostra o vetor u e sua projeção ortogonal sobre o eixo Y. Nesse caso. a coordenada y é descartada. y y u T(u) u x x Figura 5 – Vetor u e sua projeção ortogonal sobre o eixo Y 6) Projeção ortogonal sobre o eixo X Forma por extenso Forma matricial   1 0 x T (x.

o cisalhamento é menor. à medida que o vetor se afasta do eixo y. y) T (x. quando o vetor tem sua coordenada y próximo de zero. então. se y for grande. para um mesmo k. y) = (x + ky. porém. essa distorção será maior. a distorção é maior. y) = sen(θ) cos(θ) y A Figura 7 mostra o vetor u e sua rotação de um ângulo θ. perceba que.7) Rotação de um vetor de um ângulo θ Forma por extenso Forma matricial   cos(θ) −sen(θ) x T (x. x · sen(θ) + y · cos(θ)) T (x. y) = 0 1 y A Figura 8 mostra o vetor u e seu cisalhamento de um fator k maior e menor que zero no eixo X. y y u T(u) θ u x x Figura 7 – Vetor u e sua rotação de um ângulo θ 8) Cisalhamento de um fator k na direção X Forma por extenso Forma matricial   1 k x T (x. y) = (x · cos(θ) − y · sen(θ). Note que. Aula 17 Álgebra Linear 91 .

então. acontece a mesma proporcionalidade que foi comentada no cisalhamento no eixo X. para um mesmo k. y) = k 1 y A Figura 9 mostra o vetor u e seu cisalhamento de um fator k maior e menor que zero no eixo Y. 92 Aula 17 Álgebra Linear . quando o vetor tem sua coordenada x próximo de zero. o cisa- lhamento é menor. Nesse caso. y) = (x. se x for grande. y u x y y u T(u) u T(u) x K< 0 K>0 Figura 8 – Vetor u e seu cisalhamento de um fator k no eixo X 9) Cisalhamento de um fator k na direção Y Forma por extenso Forma matricial   1 0 x T (x. kx + y) T (x. essa distorção será maior. porém.

Aula 17 Álgebra Linear 93 . basta usar a transformação:   1 0 x    T (x.–5).4) de um ângulo de 90º. logo.0). a projeção do vetor (3. Resolução Para obter a projeção de qualquer vetor do 2 sobre o eixo x. y u x T(u) y y u u x T(u) K< 0 K>0 Figura 9 – Vetor u e seu cisalhamento de um fator k no eixo Y Exemplo 1 Obtenha a projeção ortogonal sobre o eixo x do vetor (3. −5) = = 0 0 −5 0 Portanto. T (3. y) = 1 0 3 3 0 0 y . 1 Encontre o vetor resultante da rotação do vetor (1.5) sobre o eixo x é o vetor (3.

Nessa situação. nessa ordem. Resolução Primeiro encontramos as duas matrizes transformações:     cos(θ) −sen(θ) x cos(90 ) −sen(90 ) x Rotação de 90º: T (x. mas uma sequ- ência de transformações a um conjunto de vetores. 3) = = 1 0 3 −4 94 Aula 17 Álgebra Linear . y) = 0 1 y Obtendo a combinação:    −1 0 0 −1 0 1 T2 ◦ T1 (x. teremos: T2 ◦ T1 (u) = T2 (T1 (u)) = T2 · T1 Onde: T2 ◦ T1 = T1 ◦ T2 Exemplo 2 Obtenha o vetor resultante da rotação de 90º seguida de reflexão sobre o eixo y do vetor (–4. então. ao invés de multiplicarmos uma matriz transformação e depois outra e outra. T 2 é a matriz transformação de T 2(u) e u um vetor. y) = sen(θ) cos(θ) y = sen(90 ) cos(90 ) y   0 −1 x T1 (x. Composição de transformações lineares Em muitas situações. há a necessidade de aplicarmos não apenas uma. o melhor a fazer é encontrar uma única matriz que represente a aplicação de todas as transformações desejadas. y) = 1 0 y Reflexão sobre o eixo Y:   −1 0 x T2 (x. y) = 1 0 y    0 1 −4 3 T2 ◦ T1 (−4.3). basta que multipliquemos as matrizes às transformações envolvidas. onde T 1 é a matriz transformação de T 1(u). Consideremos que se deseja aplicar a transformação T 1(u) e depois T 2(u). Para obtermos essa matriz equivalente. y) = T2 · T1 = = 0 1 1 0 1 0   0 1 x T2 ◦ T1 (x.

y) = T2 (x. y y y u 3 -3 3 -4 x x x -4 -4 T1(u) T2(T1(u)) Vetor u Rotação de 90° Reflexão em torno do eixo y Figura 10 – Vetor u e a aplicação de duas transformações seguidas 2 Obtenha o vetor resultante da reflexão em torno da reta y=x seguida da projeção ortogonal sobre o eixo x do vetor (–5. podemos comprovar o resultado.–3). y) = sen(θ1 ) cos(θ1 ) y sen(θ2 ) cos(θ2 ) y A composição das duas é dada por:   cos(θ2 ) −sen(θ2 ) cos(θ1 ) −sen(θ1 ) TR = T2 ◦ T1 = T2 · T1 = sen(θ2 ) cos(θ2 ) sen(θ1 ) cos(θ1 )  cos(θ1 )cos(θ2 ) − sen(θ1 )sen(θ2 ) −cos(θ1 )sen(θ2 ) − sen(θ1 )cos(θ2 ) TR = sen(θ1 )cos(θ2 ) + cos(θ1 )sen(θ2 ) −sen(θ1 )sen(θ2 ) + cos(θ1 )cos(θ2 )  cos(θ1 + θ2 ) −sen(θ1 + θ2 ) TR = sen(θ1 + θ2 ) cos(θ1 + θ2 ) Aula 17 Álgebra Linear 95 . conforme mostrado na Figura 10. Exemplo 3 Obtenha a transformação resultante da composição de duas rotações. Resolução As transformações são:     cos(θ1 ) −sen(θ1 ) x cos(θ2 ) −sen(θ2 ) x T1 (x. primeiro por um ângulo θ1 e depois por θ2.Verificando graficamente.

y. z) = (0. o raciocínio é o mesmo visto para o 2. z) = (x. kz) ⎣ 0 k 0 ⎦ 0 0 k ⎡ ⎤ 1 0 0 ⎢ ⎥ Reflexão em torno do plano xy T (x. z) = (x. y. Transformações Lineares no 3 Para as Transformações Lineares sobre vetores no 3. y. z) ⎣ 0 −1 0 ⎦ 0 0 1 ⎡ ⎤ −1 0 0 ⎢ ⎥ Reflexão em torno do plano yz T (x. z) = (kx. z) ⎣ 0 1 0 ⎦ sobre o plano yz 0 0 1 96 Aula 17 Álgebra Linear . z) = (x. −y. y. −z) ⎣ 0 1 0 ⎦ 0 0 −1 ⎡ ⎤ 1 0 0 ⎢ ⎥ Reflexão em torno do plano xz T (x. Transformação Forma por extenso Forma matricial ⎡ ⎤ k 0 0 ⎢ ⎥ Expanção-contração T (x. z) ⎣ 0 0 0 ⎦ sobre o plano xz 0 0 1 ⎡ ⎤ 0 0 0 Projeção ortogonal ⎢ ⎥ T (x. não serão feitas as demonstrações. y. y. y. 0) ⎣ 0 1 0 ⎦ sobre o plano xy 0 0 0 ⎡ ⎤ 1 0 0 Projeção ortogonal ⎢ ⎥ T (x. ky. y. a composição das duas rotações resulta em fazer uma transformação apenas com a rotação da soma dos ângulos. 0. NESSE CASO. a ordem não influência. z) ⎣ 0 1 0 ⎦ 0 0 1 ⎡ ⎤ 1 0 0 Projeção ortogonal ⎢ ⎥ T (x. z) = (x. y. porém. y. Como era de se esperar. y. z) = (−x.

determine as matri- zes associadas e esboce no plano a figura determinada pela aplicação das Transformações Lineares em sequência. y) = (x + y.(0. T 1(x.1). −y − 2x) T 3(x. y) = (x − y. x) 2 2   x+y x−y 2) A Transformação Linear T (x. Desafio 1) Considerando as Transformações Lineares no plano T1.1). Resumo Nesta aula. você aprendeu a aplicar Transformações Lineares a vetores no plano. assim como a obter suas respectivas matrizes transformações. determine os vértices de um triângulo retângulo e isósceles que tem um dos lados coincidente com o vetor A=(2. T2. y) = 2 . Esta aula contemplou ainda a composição de transformações e a determinação de uma matriz resultante que represente a aplicação dessas transformações em sequência.1) e(1.0).(1. 3) Utilizando a matriz transformação que define a rotação de um vetor no 2 de um ângulo θ. 2 é bijetora? Justifique. 0)   x+y x−y T 2(x. T 4(x. y) = . y) = (3x − y. Aula 17 Álgebra Linear 97 . sobre o quadrado com vértices (0. T3 e T4.0). T1 até T4.

1) b) (Tb ◦ Ta )(0. y) e) T (x. y) x b) T (x.y.y) = (x.z)=(2x. 2) d) (Tc ◦ Tb ◦ Ta )(1. y) = (−x. b) Reflete cada vetor em relação ao eixo x e depois roda o vetor refletido de 90° no sentido trigonométrico.z)=(y. a) T (x. 2y. Conhecendo as transformações T:3→3 .y. Qual a transformação linear resultante? Considere o sentido positivo como sendo o sentido anti-horário. 0) 2 f) T (x. seguida de uma expansão por um fator k = 2. Considerando as transformações lineares do 2 . −1. depois roda o vetor obtido de 30° no sentido trigonomé- trico. onde Ta(x. encontre: a) (Tc ◦ Ta )(1. −1. y) = (x. 1. y –2z). Autoavaliação Encontre a representação matricial canônica para cada um dos operadores lineares 1 em 2 descritos a seguir.z)=(x+z.y) c) T (x. 1) 98 Aula 17 Álgebra Linear . descreva geometricamente o que 2 elas fazem com o vetor. seguida de refle- xões em torno do eixo X e Y. −1. d) Reflete cada vetor em relação à reta x = y e depois projeta o vetor refletido sobre o eixo x.z.x). 4 Tb(x.2z) e Tc(x.y. 0) d) T (x. y) = y(e1 ) Uma transformação linear T:2→2 é obtida a partir da rotação de um vetor de um 3 ângulo de –90º. c) Dobra o comprimento do vetor. exatamente nessa sequência. a) Gira cada vetor de 45° no sentido antitrigonométrico.5. y) = ( . y) = (−x. 2x–z. 1) c) (Ta ◦ Tb ◦ Tc )(1.

Álgebra linear e suas aplicações. L. 3. J. Chris. 2.Referências ANTON. LAY. et al. BOLDRINI. ed. Howard. Álgebra linear. RORRES. Porto Alegre: Bookman. São Paulo: Harper-Row. Álgebra linear com aplicações. 2001. 1980. Anotações Aula 17 Álgebra Linear 99 . ed. 2007. Rio de Janeiro: LTC. David.

Anotações 100 Aula 17 Álgebra Linear .

Formas quádricas Aula 18 .

.

Aula 18 Álgebra Linear 103 . na Geometria. Apresentação A Álgebra Linear pode ser usada. Objetivos Saber manipular as formas quádricas da forma por extenso 1 para forma matricial e o contrário. além de muitos outros casos. veremos como equações quádricas podem ser reescritas visando uma mudança de coorde- nadas que facilitará o traçado do seu gráfico futuramente. 2 Reconhecer a matriz associada das formas quádricas. Nesta aula.

.

Forma linear Todas as variáveis aparecem na primeira potência e não há produto de variáveis na expressão.. Exemplo: a2x1x2. Aula 18 Álgebra Linear 105 .. a1x1 + a2x2 + . + anxn Forma bilinear As variáveis aparecem na primeira potência e há produto de variáveis distintas na expressão. a1x1y1 + a2x2y2 + . + anxnyn Forma quádrica É possível aparecer quadrados de variáveis ou produto de duas variáveis: No 2 → a1x21 + a2x22 + a3x1 x2 No 3 → a1x21 + a2x22 + a3x23 + a4x1 x2 + a5x1 x3 + a6x2x3 Onde os termos que envolvem variáveis distintas são chamados de produto misto ou termo cruzado. fato que não ocorre nas funções lineares.Definição Formas quádricas ou quadráticas são funções em que aparecem termos com multiplica- ção de variáveis...

Representação matricial Seja x um vetor de dimensão n. Resolução: Conhecendo a matriz que é associada à forma quádrica. Exemplo 1  3 2 Seja A = a matriz associada à forma quádrica. então o vetor X só pode pertencer ao 2:  x1 X= x2 Substituindo:     3 2 x1 T Q(x) = x Ax = x1 x2 −2 7 x2  x1 Q(x) = [(3x1 − 2x2 )(2x1 + 7x2 )] x2 Q(x) = 3x21 + 7x22 − 2x1 x2 + 2x1 x2 Q(x) = 3x21 + 7x22 106 Aula 18 Álgebra Linear . basta substituir na expressão Q(x) = XTAx. Como a matriz A tem ordem 2x2. encontre sua expressão −2 7 por extenso. ⎤ ⎡ ⎡ ⎤ ⎡ ⎤ x1 y1 a11 a12 ··· a1n ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ x2 ⎥ ⎢ y2 ⎥ ⎢ a21 a22 ··· a2n ⎥ ⎢ x=⎢ ⎥ ⎢ y=⎢ ⎥ A=⎢ ⎥ ⎥ ⎥ ⎢ ⎥ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ xn yn an1 an2 ··· ann Uma forma linear pode ser associada a uma matriz na forma: L(x) = Ax Uma forma bilinear pode ser associada a uma matriz na forma: B(x) = xTAy Uma forma quadrática pode ser associada a uma matriz na forma: Q(x) = xTAx Onde A é a matriz associada à forma quádrica. y um vetor de dimensão n e A uma matriz n×n.

Resolução: Primeiro. onde a12+a21 corresponde ao coeficiente do termo x1x2. a posição ij + a posição ji na matriz corresponde ao coeficiente do termo cruzado xixj . Como apenas aparecem como variáveis x1 e x2.. Procedimento:  Definimos a ordem da matriz associada de acordo com a quantidade de variáveis envolvidas. vistas mais adiante. Exemplo 2 Considere a forma quádrica Q(x) = x21 – 2x22 + 5x1 x2 e obtenha uma forma matricial equivalente.  Alocamos na diagonal principal esses coeficientes.. Nesse caso.  − − A= − − Os elementos dos termos ao quadrado são os elementos da diagonal principal. os coeficientes são: 1 e –2  1 A= −2 Os elementos a12 e a21 partem dos termos cruzados.5). 5 A= 2. a12+ a21 = 5 Existe uma infinidade de possibilidades: (2 e 3). então a matriz associada terá ordem 2x2. (1 e 4). (0 e 5).Obtendo a forma matricial Quando se conhece a matriz associada à forma quádrica é fácil obter a forma por extenso. o contrário também pode ser obtido. 5 −2 Aula 18 Álgebra Linear 107 .5 e 2. requer um pouco mais de atenção.  Identificamos os coeficientes dos termos ao quadrado. O que ocorre é que sempre se tende a utilizar matrizes simétricas. (2.  As demais entradas da matriz dependem dos coeficientes dos termos cruzados. porém. pelo fato destas apresentarem algumas facilidades. definiremos a ordem da matriz. portanto:  1 2.

5 −2 x2 É possível observar que para cada função existe uma infinidade de matrizes que se encaixariam na sua representação. Então. 5x1 x2 − 2x22 Q(x) = x21 + 5x1 x2 − 2x22 Exatamente a forma quádrica inicial. os coeficientes são: 1. teremos a12 = 2. Verificando se a matriz é associada de fato à forma quádrica dada: Q(x) = xTAx     1 2. 5x1 x2 + 2. x2 e x3. Q(x) = x21 + 2x22 + 3x23 + 5x1x2 – x1x3 + 2x2x3 encontre a matriz associada. Nesse caso. ⎡ ⎤ 1 ⎢ ⎥ A=⎣ −2 ⎦ 3 Os demais elementos partem dos termos cruzados: Coeficiente do termo cruzado da variável 1 com 2 : 5. Resolução: Primeiro. ⎡ ⎤ − − − ⎢ ⎥ A=⎣ − − − ⎦ − − − Os elementos dos termos ao quadrado são os elementos da diagonal principal. a matriz associada terá ordem 3x3. 5 −2 ⎦ 3 108 Aula 18 Álgebra Linear .     1 2. os elementos a12 e a21 devem ter a soma igual a 5: a12 + a21 = 5. então. Como aparecem as variáveis x1. 5x2 )(2. Exemplo 3 Seja.5 e a21 = 2. Optando pela matriz simétrica. 5 x1 Q(x) = xT Ax = x1 x2 2. 5x1 − 2x2 )] x2 Q(x) = x21 + 2. 5 ⎢ ⎥ A = ⎣ 2. ⎡ ⎤ 1 2. 5 −2 x2  x1 Q(x) = [(x1 + 2. 5 x1 Forma matricial: Q(x) = xT Ax = x1 x2 2.5. definiremos a ordem da matriz. cabe escolher então a mais adequada. –2 e 3.

Optando pela matriz simétrica. 5 −2 1 ⎦ ⎣ x2 ⎦ −0. 5 −0. verifique se a matriz está correta. 5 1 3 x3 Verificando: ⎡ ⎤⎡ ⎤   1 2. 5 1 3 ⎡ ⎤⎡ ⎤   1 2. 5 −0. 5 3 Os elementos a23 e a32 devem ter a soma igual a 2: a23 + a32 = 2. ao final. 5x1 − 2x2 x3 )(−0. Optando pela matriz simétrica.5 e a31 = –0. 5 1 3 x3 ⎤ ⎡ x1 ⎢ ⎥ Q(x) = [(x1 + 2. 5 x1 ⎢ ⎥⎢ ⎥ Q(x) = xT Ax = x1 x2 x3 ⎣ 2. 5 ⎢ ⎥ A = ⎣ 2. 5 x1 ⎢ ⎥⎢ ⎥ Forma matricial: Q(x) = xT Ax = x1 x2 x3 ⎣ 2. 5 −2 1 ⎦ −0. 5x1 + x2 + 3x3 )] ⎣ x2 ⎦ x3 Q(x) = x21 + 2.Os elementos a13 e a31 devem ter a soma igual a –1: a13 + a31 = –1. teremos a13 = –0. 5 −2 ⎦ −0. 5x3 )(2. teremos a23 = 1 e a32 = 1. 5x1 x3 + x2 x3 + 3x23 Q(x) = x21 − 2x22 + 3x23 + 5x1 x2 − x1 x3 + 2x2 x3 Forma quádrica original. 5 −0. 5x2 − 0. ⎡ ⎤ 1 2. 5x1 x2 − 0. 5 −2 1 ⎦ ⎣ x2 ⎦ −0. 5 −0. 5x1 x3 + 2.5. 1 Encontre a forma matricial das formas quádricas e. ⎡ ⎤ 1 2. 5 ⎢ ⎥ A = ⎣ 2. 5x1 x2 − 2x22 + x2 x3 − 0. a) Q(x) = –3x 21 – x22 – 6x1 x2 b) Q(x) = 3x 21 – 3x 22 + x23 + 4x1x2 + 3x1x3 – 8x2x3 Aula 18 Álgebra Linear 109 .

f (0.. Formas quádricas positivas Uma forma quádrica Q(x) = xT Ax é chamada positiva definida se xT Ax>0 qualquer x diferente de zero. onde A é uma matriz simétrica. 1) = 4. determine a expressão da forma quadrática. todos seus T autovalores forem positivos.. + bnxn)2 na notação matricial Q(x) = xTAx. x2 . 2) Expresse a forma quádrica (b1x1 + b2x2 + . você aprendeu a identificar formas quádricas assim como diferenciá-las de formas lineares e bilineares. 0. é chamada positiva se x AX é uma forma quádrica positiva. e indefinida. associada a uma forma quádrica. quando xT Ax<0 para todo x diferente de zero. Existe ainda a nomenclatura negativa definida. 0) = 2. Resumo Nesta aula. f (0. aprendeu ainda a mudar sua representação de matricial para extensa e também o contrário. x3 ) = x1 x2 x3 ⎣ 0 d e ⎦ ⎣ x2 ⎦ 0 e f x3 Sabendo que f (1. 1. e somente se. Uma matriz simétrica A. 0 ) = 3. quando xT Ax pode assumir tanto valores positivos quanto negativos para todo x diferente de zero. e a matriz A será positiva se. Desafio 1) Considere a seguinte forma quadrática: ⎡ ⎤⎡ ⎤   a 0 0 x1 ⎢ ⎥⎢ ⎥ Q(x1 . 1) = f ( 0. 110 Aula 18 Álgebra Linear . 1. 0.

a) Q(x)= 2x 21 + 2x 22 + 2x1x2 b) Q(x)= –5x 1x2x3 c) Q(x)= 3x 21x 22 + 4x1x2 d) Q(x)= x 21 – x 22 + x 23 – 2x 24 + 8x 1x2x3 +x3x4 e) Q(x)= 2x 31 + x 32 + x 33 Transforme a forma matricial em forma quádrica. tomando a matriz A como a 2 matriz associada à forma quádrica. ⎡ ⎤ 1 4 3 ⎡ ⎤ ⎢ ⎥ 1 0 1 −2 a) A=⎣ 2 3 2 ⎦ ⎢3 2 1 −3⎥ ⎢ ⎥ 1 0 −2 d) A=⎢ ⎣1 2 0 ⎥ 0⎦ 0 −2 6 −2  3 7 b) A= 4 −3 ⎡ ⎤ 2 −2 0 7 −5 ⎢ 4 −1 2 4 6⎥ ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ 1 3 2 e) A=⎢ 0 ⎢ 3 4 1 0⎥ ⎥ ⎢ ⎥ ⎣ 1 0 1 0 1⎦ c) A=⎣ 3 3 1 ⎦ 2 1 −2 −1 2 6 1 −2 3 Escreva a forma quádrica na forma matricial.Autoavaliação 1 Identifique quais das equações são formas quádricas. Justifique. a) Q(x)= 3x 21 – x 22 + 4x1x2 b) Q(x)= –2x 21 + x1x2 c) Q(x)= –4x 21 – 2x 22 – x 23 + 4x1x2 – 6x1x3 + 8x2x3 d) Q(x)= 4x 24 e) Q(x)= 3x 21 + x 22+ 4x1x2 f) Q(x)= 4x1x2 – x2x4– 2x2x5 Aula 18 Álgebra Linear 111 .

São Paulo: Harper-Row. 2001. Álgebra linear. 3. ed. L. ed. LAY. et al. RORRES. Referências ANTON. Rio de Janeiro: LTC. BOLDRINI. Álgebra linear e suas aplicações. David. 1980. Chris. Porto Alegre: Bookman. J. Álgebra linear com aplicações. 2. 2007. Anotações 112 Aula 18 Álgebra Linear . Howard.

Anotações Aula 18 Álgebra Linear 113 .

Anotações 114 Aula 18 Álgebra Linear .

Diagonalização de formas quádricas Aula 19 .

.

2 Relacionar sistemas de coordenadas. mostramos uma aplicação direta da Álgebra Linear na geometria. uma vez que utilizaremos esse recurso para a facilitação do traçado do seu gráfico futuramente. Apresentação A Álgebra Linear quando aplicada às formas quádricas permite obter matrizes associadas simplificadas. Ao lançar mão da dia- gonalização. Aula 19 Álgebra Linear 117 . facilitando cálculos e reduzindo custo computacional. Compreender a relação entre os sistemas de coordenadas 3 envolvidos. Objetivos Aplicar o processo de diagonalização de matrizes às formas 1 quádricas.

.

porém. Aplicando a mudança de variável: XT AX = (P Y)T A(P Y) XT AX = YT P T AP Y XT AX = YT (P T AP )Y A nova matriz associada à forma quádrica no novo sistema de coordenadas é (PTAP). ⎥ ⎣ ⎦ yn P é uma matriz ortogonal que diagonaliza A. Processo de diagonalização Inicialmente é utilizada a função na forma padrão: ⎡ ⎤⎡ ⎤ a11 a12 ··· a1n x1  ⎢ ⎢ a21 a22 ··· ⎥⎢ ⎥ a2n ⎥ ⎢ x2 ⎥ Q(x) = xT Ax = x1 x2 ··· xn ⎢ ⎥⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎣ ⎦⎣ ⎦ an1 an2 ··· ann xn O que faremos é mudar de sistema de coordenadas. a matriz pode ser uma matriz “cheia” o que implica em vá- rias dificuldades de manipulação. então. os quais se relacionam através da matriz P. de X para Y. que é uma matriz que diagonaliza A ortogonalmente. X = PY Onde: ⎡ ⎤ x1 ⎢ ⎥ ⎢ x2 ⎥ X é o vetor variável do n X=⎢ ⎢ ⎥. Como P é uma matriz que diagonaliza A ortogonalmente.Definição Como vimos na aula anterior. Uma matriz associada diagonal implica em uma forma quádrica sem termos cruzados. a forma matricial da forma quádrica é obtida facilmente a partir da forma por extenso. ⎥ ⎣ ⎦ xn ⎡ ⎤ y1 ⎢ ⎥ ⎢ y2 ⎥ Y é o novo vetor variável do n Y=⎢ ⎢ ⎥. O que faremos nesta aula é diagonalizar essa matriz associada para dispor de uma matriz simplificada. o que de fato faremos é eliminar os termos cruzados. então PT=P –1 Aula 19 Álgebra Linear 119 .

encontre uma mudança de variável que transforme a forma quádrica em uma sem termos cruzados. Resolução:     1 −4 x1 T Passando para a forma matricial. XT AX = YT DY Exemplo 1 2 2 Seja Q(x) = x1 − 5x2 − 8x1 x2 . onde x = y= D=⎢ ⎣ −1 ⎥ x2 y2 2 ⎦ √ √ 5 5 120 Aula 19 Álgebra Linear . ⎦ √ √ 5 5 Como os autovetores já são ortonormais. temos: Q(x) = x Ax = x1 x2 . cujos elementos da diagonal principal são os autovalores de A. ⎡ ⎤ λ1 0 ··· 0 ⎢ ⎥ ⎢ 0 λ2 ··· 0 ⎥ D=⎢ ⎢ ⎥ ⎥ ⎣ ⎦ 0 0 ··· λn Logo. não será necessário diagonalizá-los nem ortonor- malizá-los. −4 −5 Devemos diagonalizar a matriz A: Autovalores de A: 3 e –7 ⎡2 ⎤ 1⎡ ⎤ √ √ ⎢ 5 ⎥ ⎢ 5 ⎥ Autovetores de A: vλ=3 =⎢ ⎣ −1 ⎥ ⎦ vλ=7 =⎢ ⎣ 2 ⎥. e PTAP = P –1AP = D Onde D é a matriz diagonalizada. x = Py . ⎡ ⎤   2 1 √ √ x1 y1 ⎢ 5 5 ⎥ Então. −4 −5 x2  1 −4 A matriz associada é: A = .

Para calcular Q(x1 . −2) = 22 − 5 · (−2)2 − 8 · 2 · (−2) = 16 Para encontrar o mesmo no sistema equivalente. −2). Q(x) = x21 − 5x22 − 8x1 x2 Q(2. então a forma expandida fica: Q(y) = 3y12 − 7y22 → Forma quádrica no novo sistema de coordenadas. Para relacionarmos os dois sistemas de coordenadas. basta obter o correspondente em y. x2 ) = Q(2.Mudando de coordenadas: Q(x) = x21 − 5x22 − 8x1 x2 = xT Ax = yT Dy     3 0 y1 T Q(y) = y Dy = y1 y2 0 −7 y2 Como a nova matriz associada é D. aplicamos à expressão em Y: Q(y) = 3y12 − 7y22  2  2 6 −2 Q(2. basta utilizarmos a expressão x = Py. −2) = 3 √ −7 √ = 16 5 5 Aula 19 Álgebra Linear 121 . primeiro encontramos seu correspondente em Y: X = PY Y = P −1 X P −1 = P T ⎡ ⎤ ⎡ ⎤ 2 −1  √6 √ √ ⎢ 5 5 ⎥ 2 ⎢ ⎥ Y = P −1 X = ⎢ ⎥ ⎢ 5 ⎥ ⎣ 1 2 ⎦ −2 ⎣ −2 ⎦ √ √ √ 5 5 5 6 −2 y1 = √ y2 = √ 5 5 Então. então para calcularmos um determinado vetor em Q(x).

encontre uma mudança de variável que transforme a forma quádrica em uma sem termos cruzados. Você aprendeu não apenas a aplicar a diagonalização às formas quádricas como a relacionar vetores entre os sistemas de coordenadas envolvidos. 122 Aula 19 Álgebra Linear . Qual o valor de xT Ax? Resumo Nesta aula. Seja Q(x) = 3x21 + 3x22 + 2x1 x2 . você viu que o processo de diagonalização é de essencial importância na simplificação de formas quádricas. 2) Suponha que x é um autovetor unitário de dimensão 5 associado ao autovalor ¸=3. Desafio 2 2 2 1) Diagonalize a forma quádrica Q(x) = 3x1 − 2x1 x2 + 2x2 − 2x2 x3 + 3x3 .

1980. 2001.Autoavaliação Elimine o termo cruzado das formas quádricas. RORRES. BOLDRINI. Álgebra linear com aplicações. LAY. ed. Aula 19 Álgebra Linear 123 . Álgebra linear. Chris. São Paulo: Harper-Row. Howard. Rio de Janeiro: LTC. a) Q(x) = x21 + x22 + 10x1 x2 b) Q(x) = 2x1 x2 c) Q(x) = 9x21 + 7x22 + 11x23 − 8x1 x2 + 8x1 x3 d) Q(x) = 2x1 x3 + 6x2 x3 Referências ANTON. et al. David. Encontre as matrizes que relacionam os dois sistemas. x2 = 2. J. 2. Álgebra linear e suas aplicações. Para cada caso encontre a coordenada correspondente a x1 = −1. Porto Alegre: Bookman. ed. L. x3 = 1 no novo sistema de coordenadas. 2007. escrevendo-as em um novo sistema de coordenadas. 3.

Anotações 124 Aula 19 Álgebra Linear .

Seções cônicas Aula 20 .

.

o que facilita. e muito. Uma vez aprendida a diagonalização de formas quádricas. o desenho do seu gráfico. Aula 20 Álgebra Linear 127 . Objetivo Traçar gráficos de seções cônicas rotacionados e deslocados horizontal e/ou verticalmente em relação à origem. Faremos uma mudança de sistema de co- ordenadas para trazer um gráfico deslocado em relação à origem para a posição centralizada. usaremos esse recurso para traçar seus gráficos no plano. Apresentação A Álgebra Linear quando empregada na Geometria traz benefícios e facilidades ao traçado de gráficos.

.

Uma série de figuras chaves pode ser obtida a partir das formas quádricas. temos então as superfícies cônicas. Ao expandirmos. através da diagonalização. que são elipses. teremos uma expressão da forma: rx 12 + sx 22 + tx1x2 = c Sendo r. s e t ∈  obtidas a partir dos coeficientes da matriz A. O termo “cônicas” se dá porque as figuras. Ao eliminarmos o termo cruzado. hipérboles e parábolas. Quando analisamos os gráficos das quádricas do 3. podem ser obtidas a partir de cortes feitos em cones. Elipse Hipérbole Parábola Figura 1 – Cônicas Interpretação geométrica do 2 Partindo da equação das formas quádricas: Q(x ) = xTAx = c onde A é uma matriz 2×2 simétrica e inversível. A Figura 1 mostra como o plano corta o cone para formar as figuras. teremos apenas: fx 12 + gx 22 = c Aula 20 Álgebra Linear 129 .Definição Chamamos de seção cônica a forma gráfica que as quádricas do 2 assumem. c uma constante e x um vetor do 2. as quais variam de acordo com os parâmetros da equação analisada. que não serão alvos do nosso estudo.

–a. Dividindo toda a equação por c teremos: f x21 gx2 + 2 =1 c c E arrumando. Para desenhar o gráfico da elipse devemos marcar as delimitações definidas por a. A Figura 2 mostra o gráfico de elipses para relações distintas de a e b. na forma como sabemos traçar seu gráfico. temos: x21 x22 + =1 a2 b2 Onde a e b são obtidas a partir de c. a >b >0 b >a >0 a =b >0 x2 x2 x2 b b b a x1 a x1 a x1 Figura 2 – Gráficos de elipses 130 Aula 20 Álgebra Linear . Formas quádricas sem o termo cruzado Veremos a seguir a forma padrão e a forma degenerada de cada uma das cônicas. Elipse A equação da elipse. f e g. já a forma dege- nerada ocorre quando alguma das constantes apresenta valores fora do padrão e com isso transforma a figura em uma outra forma. A forma padrão. temos o círculo. b e –b. é: x21 x22 + =1 a2 b2 No caso particular onde a =b. onde f e g também são constantes. então completar o gráfico. não degenerada. é a forma como a equação da figura se apresenta.

Círculo degenerado: Como o círculo vem da elipse quando a=b. traçar um retângulo passando por esses pontos e então gerar as assíntotas. Para traçarmos uma hipérbole. as quais o gráfico tangencia. primeiro devemos marcar no gráfico os valores de a. –a. então também teremos apenas um ponto. porém. x 12 + x 22 = 0 Hipérbole A equação da hipérbole é bem parecida com a da elipse. a >b >0 b >a >0 x2 x2 b b a x1 a x1 Figura 3 – Gráficos de hipérboles Aula 20 Álgebra Linear 131 . b e –b. muda um dos sinais dos termos com variáveis para negativo: x21 x22 + =1 a2 b2 A Figura 3 mostra o gráfico de hipérboles para relações distintas de a e b.Elipse degenerada: Quando a equação tem a forma ax 12 + bx 22 = c Implica dizer que a figura obtida é apenas um ponto.

132 Aula 20 Álgebra Linear . 2 x 22 − ax 1 = 0 x 12 − ax 2 = 0 x2 x2 Diretriz a 4 F a F 4 a x1 a x1 4 a 4 Diretriz 4 a 4 Figura 4 – Gráficos de parábolas Parábola degenerada: Quando caímos na forma x 12 – a = 0 ou x 12 = 0. O foco da parábola está situado a do 4 vértice e a diretriz a a do foco. Parábola A equação da parábola é obtida a partir da expressão a seguir. a b b O que implica em retas concorrentes. ou invertendo-se as variáveis: x 12 – ax2 = 0 a A Figura 4 mostra parábolas sobre os eixos x1 e x2. O que implica em retas paralelas no primeiro caso e em reta coincidente com o eixo x2 no segundo. Hipérbole degenerada: 2 2 Quando caímos na forma x21 − x22 = 0 ⇒ x1 = ± a x2 .

temos a equação de uma elipse com a = 2 (associado a x ) e b =3 (associa- 4 9 1 do a x2). primeiro marcamos os pontos a. x2 x2 3 3 -2 -2 2 x1 2 x1 -3 -3 x21 x2 Figura 5 – Gráfico da elipse + 2 =1 4 9 b) Arrumando a equação x 12 – 4x 22 = 2 x21 4x2 2 Dividindo por 2: − 2 = 2 2 2 x21 x2 x21 x2 − 2 =1 → − 2 =1 2 2 2 1 4 2 Temos a equação de uma hipérbole com √  a= 2 ( x1 ) e b = 1 ( x2 ) 2 Aula 20 Álgebra Linear 133 . como mostrado na Figura 5. desenhamos a elipse. em seguida. –a.Exemplo 1 Encontre o gráfico de: a) 9x 21 + 4x 22 = 36 b) x 21 – 4x 22 = 2 c) 16x 1 – x 22 = 0 Resolução: a) Arrumando a equação 9x 21 + 4x 22 = 36 9x21 4x2 36 Dividindo tudo por 36: + 2 = 36 36 36 x21 x2 + 2 = 1. Para traçar o gráfico. b e –b e.

ou seja. x2 x2 2 2 . concluímos que o valor x1 não pode ser zero.2 2 x1 x1 2 . Para traçar o gráfico. Portanto.2 . então o gráfico está sobre o eixo x1.2 . como mostrado na Figura 6. x21 x2 Note que na equação − 2 = 1 a variável x2 pode assumir o valor x2=0 que o x1 apre- 2 1 2 sentará valores reais. por fim. o gráfico não pode cortar o eixo x2. se a variável x1 assumir o valor x1=0 então os valores para x2 serão complexos. b e –b e. porém.2 x1 x1 2 . como na Figura 7. x2 x2 2 2 2 2 .2 2 x21 x2 Figura 7 – Gráfico da hipérbole − 2 =1 2 1 2 Para saber se a hipérbole cruza o eixo x1 ou o eixo x2.2 2 2 x21 x2 Figura 6 – Passos intermediários do gráfico da hipérbole − 2 =1 2 1 2 Traçamos as assíntotas passando pelas “quinas” do retângulo e. marcamos um quadrado passando por esses pontos. desenhamos a hi- pérbole. valores que não fazem parte do nosso estudo neste momento. em seguida. 134 Aula 20 Álgebra Linear . primeiro marcamos os pontos a. devemos observar o sinal da equação. –a.

0). ou seja. temos: r(x 1– p)2 + s(x 2–q)2 + t(x 1– p)(x 2– q) = c Arrumando. essas figuras podem aparecer com vários deslocamentos possíveis. x 22 = 16x 1. é a forma completa da equação quádrica. veremos como considerar e eliminar cada parcela a fim de obtermos a forma reduzida e então desenhar o gráfico de uma forma simples. pois a parábola está sobre o eixo x1 (variável sem o quadrado). Quando consideramos a equação da forma quádrica rx 21 – sx 22 + tx 1x 2 = c deslocada. Foco no ponto (4. Conhecendo alguns pontos fica simples traçar o gráfico. temos a equação de uma parábola com a =16. Vértice no ponto (0. teremos uma equação com os seguintes termos: a1x 21 + a2x 22 + a3x 1x 2 + a4x 1+ a5x 2 + a6 = 0 Essa forma. centrada no ponto (p. na prática. Vamos atribuir os valores 1 e 3 a x1: X1 X2 1 ±4 √ 3 ± 48 x2 x2 48 48 4 4 V F V F 1 3 x1 1 3 x1 -4 -4 . Portanto. Porém.c) Arrumando a equação 16x 1 – x 22 = 0.48 . Aula 20 Álgebra Linear 135 . com termo cruzado e os termos lineares.q).48 Figura 8 – Gráfico de parábola x 22 = 16x 1 Forma quádrica completa No exemplo anterior. vimos como traçar o gráfico das cônicas sem alterações. A equação da forma quádrica não aparece “limpa”. na forma como sabemos traçar seu gráfico.0).

Termos quadráticos – a1x 21 + a2x 22 Quando na forma quádrica aparecem apenas esses termos. percebemos 3 tipos de termos adicionais: Os termos quadráticos – a1x 21 + a2x 22 . x2 x1 Figura 10 – Cônica rotacionada 136 Aula 20 Álgebra Linear . x2 x1 Figura 9 – Cônica centralizada Termos cruzados – a3x 1x 2 Quando o termo cruzado (ou produto misto) aparece na equação. a figura é rotacionada em relação à sua posição canônica. como mostrado na Figura 10. dizemos que ela está na posição canônica. Influência dos termos Observando a equação completa – da forma quádrica a1x 21 + a2x 22 + a3x 1x 2 + a4x 1+ a5x 2 + a6 = 0. conforme Figura 9. os termos cruzados (ou produto misto) – a3x 1x 2 e os termos lineares – a4x 1 + a5x 2. Cada um deles influencia o gráfico de uma maneira. o que implica em uma figura centralizada na origem e livre de deslocamentos ou rotações.

x2 x1 Figura 11 – Cônica deslocada horizontal e verticalmente Uma cônica que apresenta todos os termos possíveis terá todas as modificações.Termos lineares – a4x 1 + a5x 2 Quando na forma quádrica surgem os termos lineares. x2 x1 Figura 12 – Cônica rotacionada e deslocada horizontal e verticalmente O desafio é como traçar o gráfico de uma forma quádrica que apresenta todos os termos: a1x 21 + a2x 22 + a3x 1x 2 + a4x 1+ a5x 2 + a6 = 0 Aula 20 Álgebra Linear 137 . isso indica deslocamentos horizontais e/ou verticais. como exemplificado na Figura 12. mostrados na Figura 11. a rotação e os deslocamentos horizontais e verticais.

vamos passar a quádrica pelo processo de diagonalização. Dessa forma fica fácil traçar o gráfico no novo sistema de coordenadas x`1x`2 e sobrepor ao sistema antigo x1x2. o que fazemos na realidade é uma mudança de sistema de coordenadas. Para tanto. devemos encontrar a matriz P que diagonaliza A ortogonalmente. onde X=PY. é possível descobrir e relacionar um novo sistema de coordenadas x`1x`2 que tem a cônica na posição canônica. temos: xT Ax + c =0    a a12 x1 11 x1 x2 +c=0 a21 a22 x2   a11 a12 x1 Onde A = a21 a22 x= x2 c = constante Para eliminarmos o termo cruzado. Traçando o gráfico com a influência dos termos Equação com termo cruzado (rotacionado) Para desenharmos uma cônica rotacionada. De posse da equação. Imagine que conhecemos a equação da cônica que tem o gráfico mostrado na Figura 10. Deve-se substituir na equação xT Ax + c = 0 (P y)T A(P y) + c = 0 yT P T AP y + c = 0 yT (P T AP )y + c = 0 yT Dy + c = 0 138 Aula 20 Álgebra Linear . x2 x' x' 2 1 x1 Figura 13 – Relação entre sistemas de coordenadas distintos Partindo da equação a1x 21 + a2x 22 + a3x 1x 2 + a6 = 0 e escrevendo-a na forma matricial.

    d1 0 y1 y1 y2 +c=0 0 d2 y2 d1 y12 + d2 y22 + c = 0 O gráfico no novo sistema de coordenadas é fácil de ser obtido. onde os eixos do novo sistema de coordenadas estão sobre o antigo na direção dos autovetores de A. o qual se relaciona com o sistema X através da equação X=PY. teremos um novo sistema de coordenadas Y livre do termo cruzado. Exemplo 2 Encontre o gráfico da elipse 5x 21 + 8x 22 – 4x 1x 2 – 36 = 0.Dessa forma. pois está na posição canônica. Resolução: Primeiro escrevemos na forma matricial: x TAx + c = 0   5 −2 x1 A= x= c = −36 −2 8 x2 Encontrando os autovalores de A: 4 e 9   2 −1 Encontrando os autovetores de A: vλ=4 e vλ=9 1 2 São ortogonais. O próximo passo é então relacionar os gráficos dos dois sistemas de coordenadas.⎡devemos ⎤ então apenas normalizá-los: ⎡ ⎤ 2 −1 √ √ vλ=4 ⎢ 5 ⎥ vλ=9 ⎢ 5 ⎥ v1 = =⎢ ⎥ v2 = =⎢ ⎥ vλ=4  ⎣ 1 ⎦ vλ=9  ⎣ 2 ⎦ √ √ 5 5 ⎡ ⎤ ⎡ ⎤ 2 −1 2 1 √ √ √ √ ⎢ 5 5 ⎥ ⎢ 5 5 ⎥ P =⎢ ⎣ 1 ⎥ P −1 =⎢ ⎥ 2 ⎦ ⎣ −1 2 ⎦ √ √ √ √ 5 5 5 5 A ordem adequada para os autovetores na matriz é tal qual o determinante da matriz P seja 1 e não –1. então v1 deve corresponder à primeira coluna e v2 à segunda. Segundo esse raciocínio. Aula 20 Álgebra Linear 139 .

Escala 1:1 Para traçarmos o gráfico no sistema X. y2 2 -3 3 y1 -2 Figura 14 – Gráfico da cônica na posição canônica – Sistema y1y2. devemos primeiro escrever os eixos y1y2. como mostrado na Figura 15. A expressão x TAx + c = 0 é equivalente a y TDy + c = 0     4 0 y1 y1 y2 − 36 = 0 0 9 y2 4y12 + 9y22 − 36 = 0 A equação nessa forma é fácil percebemos que se trata de uma elipse. 140 Aula 20 Álgebra Linear . 4y12 + 9y 22 = 36 Dividindo toda a equação por 36: 4y12 9y 2 36 + 2 = 36 36 36 2 2 y1 y + 2 =1 9 4 a=3 b=2 O gráfico no sistema de coordenas Y é mostrado na Figura 14. Marcamos os autovetores no sistema X e então traçamos o eixo y1 para coincidir com o primeiro autovetor e o y2 com o segundo.

Aula 20 Álgebra Linear 141 . como na Figura 16. Escala 1:1 1 Encontre o gráfico da elipse 2x 21 + 2x 22 – 2x 1x 2 – 8 = 0. x2 1 y 2 y V2 V1 x1 Figura 15 – Relação entre sistemas de coordenadas Então. é só sobrepor o gráfico já traçado no sistema y1y2. x2 1 y 3 2 y 2 x1 -2 -3 Figura 16 – Gráfico da cônica na posição original – Sistema x1x2.

Para desenharmos uma cônica deslocada horizontal ou verticalmente. fazemos também uma mudança de sistema de coordenadas. Consideremos a forma quádrica: a1x 21 + a2x 22 +a3x 1 + a4x 2 + a 5 = 0 O que devemos fazer é agrupar os termos com as mesmas variáveis e completar os quadrados. fica:   x12 − 2x22 = 6   x12 2x 2 6 − 2 = 6 6 6   x12 x22 − =1 6√ 3 √ a= 6 b= 3 142 Aula 20 Álgebra Linear . Façamos com um exemplo. mas está fora da sua posição. completando os quadrados. Para isso. Resolução: Agrupando os termos: (x 21 + 4x 1) – (2x 22 + 4x 2) – 4 = 0 Completando os quadrados: (x1 + 2)2 − 4 − 2 (x2 + 1)2 − 1 − 4 = 0 (x1 + 2)2 − 2(x2 + 1)2 − 6 = 0 Mudando de variáveis: x`1 = x 1+ 2 x`2 = x 2+ 1 Logo. a nova equação é: x`12 – 2x`22 – 6 = 0 Ao organizar. Exemplo 3 Encontre o gráfico de x 21 + 2x 22 + 4x 1– 4x 2 – 4 = 0. significa que a cônica não está rotacionada. vamos apenas rees- crever a quádrica de uma forma diferente. Equação com termos lineares (deslocado horizontal e/ou verticalmente) Como não há a presença de produto misto.

devemos relacionar os dois sistemas de coor- denadas. Traçando a hipérbole no sistema de coordenadas x`1x`2. x'2 3 . Escala 1:1 Para traçarmos o gráfico no sistema original. conforme mostrado na Figura 18.0) do sistema x`1 x`2 ocorre no ponto (–2. temos que o ponto (0. x2 x'2 x1 x'1 Figura 18 – Relação entre sistemas de coordenadas.–1) do sistema x1x2. Escala 1:1 Aula 20 Álgebra Linear 143 . obtemos o gráfico da Figura 17 na posição canônica.Pelo exposto.3 Figura 17 – Gráfico da cônica na posição canônica – sistema x`1x`2. Como: x`1 = x1 + 2 x`2 = x2 + 1 Então.6 6 x'1 . observamos que é a equação de uma hipérbole.

o qual se relaciona com o sistema X através da matriz P que diagonaliza A ortogonalmente: X=PY Devemos substituir na equação matricial: x TAx + Bx + c = 0 144 Aula 20 Álgebra Linear . como mostrado na Figura 19. Agora. então é só sobrepor a figura já traçada no sistema x`1x`2. Equação completa – produto misto e termos lineares O problema do traçado do gráfico da equação a1x 21 + a2x 22 + a3x 1x 2 + a4x 1 + a5x 2 + a6 = 0 se resume então a eliminar o termo cruzado e depois reescrever a equação de forma adequada. Escala 1:1 2 Encontre o gráfico de 2x 21 + x 22 – 8x 1 + 2x 2 + 5 = 0. x2 x'2 x1 x'1 Figura 19 – Gráfico da cônica na posição original – sistema x1x2. A equação quádrica a1x 21 + a2x 22 + a3x 1x 2 + a4x 1 + a5x 2 + a6 = 0 pode ser escrita na forma matricial:      a11 a12 x1   x1 x1 x2 + b1 b2 +c=0 a21 a22 x2 x2 xT Ax + Bx + c = 0   a11 a12 x1   Onde A = x= B= b1 b2 c = constante a21 a22 x2 Devemos promover uma mudança de coordenadas para um novo sistema Y.

(Py)T A(Py) +B(Py) + c = 0 yTPT APy + BPy + c = 0 yT(PT AP)y + (BP)y + c = 0 yTDy + (BP)y + c = 0 Portanto. pois det(P)=1. Exemplo 4 √ √ Encontre o gráfico de 5x21 + 8x22 − 4x1 x2 + 4 5x1 − 16 5x2 + 4 = 0. Caso fosse –1. O segredo é então relacionar adequadamente os três sistemas. basta normalizar: v1 = =⎢ e v2 = =⎢ ⎥ vλ=4  ⎣ 1 ⎦ vλ=9  ⎣ 2 ⎦ √ √ 5 5 ⎡ ⎤ ⎡ ⎤ 2 −1 2 1 √ √ √ √ ⎢ 5 5 ⎥ ⎢ 5 5 ⎥ Matriz P: P = ⎢ ⎣ 1 2 ⎦ ⎥ P −1 =⎢ ⎣ −1 2 ⎦ ⎥ √ √ √ √ 5 5 5 5 A ordem dos autovetores está correta. Resolução: Primeiro passo é sempre escrever na forma matricial: x TAx + Bx + c = 0   5 −2 x1  √ √  A= x= B= 4 5 −16 5 c=4 −2 8 x2 Autovalores de A: 4 e 9   2 −1 Autovetores de A: vλ=4 = vλ=9 = 1 2 ⎤ ⎡ ⎡ ⎤ 2 −1 √ √ vλ=4 ⎢ 5 vλ=9 ⎢ 5 ⎥ Como são ortogonais. Note que para traçar o gráfico a partir dessa equação. depois de diagonalizada. ⎡ ⎤   2 −1      √ √ 4 0 y1 √ √ ⎢ 5 5 ⎥ y −16 5 ⎢ ⎥ 1 y1 y2 + 4 5 ⎣ 1 +4=0 0 9 y2 2 ⎦ y2 √ √ 5 5  y1 4y12 + 9y22 + [−8 − 36] +4=0 y2 4y12 + 9y22 − 8y1 − 36y2 + 4 = 0 Aula 20 Álgebra Linear 145 . basta que completemos os quadrados e migremos para um terceiro sistema de coordenadas. A expressão x TAx + Bx + c = 0 é equivalente a yTDy + (BP)y + c = 0. deveríamos trocar as colunas de P e considerar o primeiro autovalor 9 e o segundo 4. temos a nova equação matricial escrita no novo sistema de coordenadas sem o termo cruzado.

conforme mostrado na Figura 21. Escala 1:1 Relacionando o sistema Y com o sistema Y`. livre dos termos cruzados.0) do sistema Y` ocorre no ponto (1. temos que o ponto (0. Que é a expressão da forma quádrica no sistema Y. y`1 = y1 – 1 y`2 = y2 – 2 146 Aula 20 Álgebra Linear . Devemos então agora manipular a equação para eliminar os termos lineares: 4y12 − 8y1 + 9y22 − 36y2 + 4 = 0 4(y12 − 2y1 ) + 9(y22 − 4y2 ) + 4 = 0 4(y12 − 2y1 ) + 4 − 4 + 9(y22 − 4y2 ) + 36 − 36 = −4 4(y12 − 2y1 + 1) − 4 + 9(y22 − 4y2 + 4) − 36 = −4 4(y1 − 1)2 + 9(y2 − 2)2 = 36 Mudando para o sistema de coordenadas y`1 y`2: y`1 = y1 – 1 e y`2 = y2 – 2 Logo. e seu gráfico pode ser visto na Figura 20. y'2 y'1 Figura 20 – Gráfico da cônica na posição original – sistema y`1 y`2. a expressão da cônica no sistema y`1 y`2 é: 4y`12 + 9y`22 = 36 Colocando na forma padrão da elipse: 2 2 y 1 y + 2 =1 9 4 √ √ Onde a = 9 = 3 b= 4 = 2 .2) do sistema Y.

sistema y1y2. Aula 20 Álgebra Linear 147 .11 1 0 Para escrever o sistema Y no sistema X. basta que sobreponhamos o gráfico da Figura 21 na posição adequada dentro do sistema X. fazer com que os eixos y1 e y2 coincidam com eles. devemos primeiro marcar os autovetores v1 e v2 e. como desenhado na Figura 23. y2 x2 y1 V2 V1 x1 Figura 22 – Relação entre sistema X e sistema Y Agora. Escala 1:1 Analisando o gráfico no sistema Y. é fácil observar que: 4y`12 + 9y22 – 8y1 – 36y2 + 4 = 0 y1 y2 0 3. como mostrado na Figura 22. em seguida.88 e 0. y'2 y2 y'1 y1 Figura 21 – Gráfico da cônica considerados os deslocamentos horizontais e verticais .

2 2 3) Analisando a cônica a seguir. não rotacionadas.89 0 3 Encontre o gráfico de 2x 2 + 2y 2 – 8x – 10y + 2xy + 11 = 0.11 –0. Desafio 1) Encontre uma equação geral para todas as elipses. Escala 1:1 Analisando o gráfico no sistema X. 148 Aula 20 Álgebra Linear .358 e 0.3). 2) Encontre o gráfico de 1 x2 + 1 y 2 + xy − y = 0. é fácil observar que: √ √ 5x21 + 8x22 − 4x1 x2 + 4 5x1 − 16 5x2 + 4 = 0 x1 x2 0 4. encontre: a) os autovalores da matriz associada à quádrica nas coordenadas X1X2. com centro em (–2. y' 2 y2 x2 y' 1 y1 x1 Figura 23 – Gráfico da cônica no sistema X.

Aula 20 Álgebra Linear 149 . que tamanho ela teria? Resumo Nesta aula. matrizes ortogonais. 3 x1 *A escala do sistema X1X2 é 1:1(cada quadrado tem -3 a dimensão 1x1). Você aprendeu também a traçar gráficos de cônicas com deslocamentos e rotações. x2 -4 *Os números indicados na figura dizem respeito ao y2 sistema Y1Y2.b) os autovetores ortonormais da matriz associada à quádrica nas coordenadas X1X2. 4 y1 4) Considere que a trajetória da borda da montanha do Cânion da figura pode ser descrita pela hipérbole x 2 + y 2 – 4xy – 30 = 0. autovalores e autovetores. tais como diagonalização de matrizes. você compreendeu as relações entre os sistemas de coordenadas envolvidos no estudo sobre gráficos de cônicas. por meio de mu- danças de sistemas de coordenadas os quais recorrem a assuntos da Álgebra Linear. Se fosse construída uma ponte unindo o Lado Oeste e o Lado Leste.

3) com k1 = 2 e k2 = 1. Autoavaliação 1 Descubra que forma têm as seguintes cônicas: a) Q(x) = 9x 21 + 4x 22 + 36x1 – 16x2 + 16 = 0 b) Q(x) = 9x 21 – 4x 22 + 36x1 + 16x2 – 16 = 0 c) Q(x) = x 21 – 25x 22 – 4x1 + 150x2 – 246 = 0 d) Q(x) = x 21 + 25x 22 – 4x1 – 150x2 – 204 = 0 e) Q(x) = 3x 21 + 6x 22 – 12x1x2 – 12 = 0 f) Q(x) = 3x 21 + 6x 22 + 4x1x2 – 16 = 0 2 Encontre uma expressão para a cônica descrita (não rotacionada): k1 k2 k2 k1 a) Elipse centrada no ponto (–3. 150 Aula 20 Álgebra Linear .4) com k1 = 4 e k2 = 2. d) Hipérbole centrada em (–2.1) com k1 = 4 e k2 = 2. b) Hipérbole centrada em (0.–2) com k1 = 6 e k2 = 6. c) Elipse centrada no ponto (5.

Howard. 2001. Rio de Janeiro: LTC. J. ed. et al. BOLDRINI. 2. Álgebra linear. Porto Alegre: Bookman. São Paulo: Harper-Row. Chris. Se duas pessoas andam sobre a trajetória de uma mesma elipse definida pela 3 equação 2x 21 + 2x 22 + 2x1x2 – 3 = 0. David. a) Q(x) = 2x 21 + 2x 22 + 2x1x2 + 4x1 – 4x2 – 4 = 0 b) Q(x) = 2x 21 – x 22 – 4x1x2 – 4x1 – 8x2 + 14 = 0 c) Q(x) = 9x 21 + 6x 22 – 4x1x2 – 10x1 – 20x2 – 5 = 0 d) Q(x) = x 21 – 7x 22 – 6x1x2 + 10x1 + 2x2 – 9 = 0 Referências ANTON. ed. Álgebra linear com aplicações. qual a maior distância possível que as duas podem estar uma da outra? 4 Trace o gráfico das seguintes cônicas. 2007. Anotações Aula 20 Álgebra Linear 151 . RORRES. L. Álgebra linear e suas aplicações. 1980. 3. LAY.

Anotações 152 Aula 20 Álgebra Linear .

Anotações Aula 20 Álgebra Linear 153 .

Anotações 154 Aula 20 Álgebra Linear .

.

000 exemplares desta edição.br | www.sedis.ufrn.Esta edição foi produzida em mês de 2012 no Rio Grande do Norte.ufrn.078-970 | sedis@sedis. Impresso na nome da gráfica Foram impressos 1.br . pela Secretaria de Educação a Distância da Universidade Federal do Rio Grande do Norte (SEDIS/UFRN). SEDIS Secretaria de Educação a Distância – UFRN | Campus Universitário Praça Cívica | Natal/RN | CEP 59. Utilizando-se Helvetica Lt Std Condensed para corpo do texto e Helvetica Lt Std Condensed Black títulos e subtítulos sobre papel offset 90 g/m2.