Professional Documents
Culture Documents
Notas de Aula
Petronio Pulino
1 3 4 −4
t
3 1 0 = Q 1 Q
4 0 1 6
1
Qt Q = 1
1
PULINUS sq
Álgebra Linear e suas Aplicações
Notas de Aula
Petronio Pulino
Departamento de Matemática Aplicada
Instituto de Matemática, Estatı́stica e Computação Cientı́fica
Universidade Estadual de Campinas
E–mail: pulino@ime.unicamp.br
www.ime.unicamp.br/∼pulino/ALESA/
Janeiro de 2012
Conteúdo
1 Estruturas Algébricas 1
1.1 Operação Binária. Grupos . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Corpo Comutativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Corpo com Valor Absoluto . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Corpo Ordenado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Valor Absoluto num Corpo Ordenado . . . . . . . . . . . . . . . . . . . . . 15
1.6 Números Reais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.7 Números Complexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.8 Caracterı́stica do Corpo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.9 Métricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
i
ii CONTEÚDO
Bibliografia 735
iv CONTEÚDO
c
Petronio Pulino, 2011 DMA – IMECC – UNICAMP
Autovalores e Autovetores
6
Conteúdo
6.1 Autovalor e Autovetor de um Operador Linear . . . . . . . . 370
6.2 Autovalor e Autovetor de uma Matriz . . . . . . . . . . . . . . 379
6.3 Multiplicidade Algébrica e Geométrica . . . . . . . . . . . . . 394
6.4 Matrizes Especiais . . . . . . . . . . . . . . . . . . . . . . . . . . 399
6.5 Aplicação. Classificação de Pontos Crı́ticos . . . . . . . . . . . 411
6.6 Diagonalização de Operadores Lineares . . . . . . . . . . . . . 416
6.7 Diagonalização de Operadores Hermitianos . . . . . . . . . . . 438
369
370 Álgebra Linear e suas Aplicações: Notas de Aula
(x, y) −→ T (x, y) = (y , x)
é a reflexão em torno da reta r dada pela equação y = x
Assim, para qualquer elemento v = (x, y) ∈ r , não nulo, temos que
T (x, y) = T (x, x) = 1 (x , x) .
Portanto, qualquer elemento v = (x, y) ∈ r não–nulo é um autovetor de T associado
ao autovalor λ = 1.
De modo análogo, qualquer elemento v = (x, y) ∈ s , não nulo, onde s é a reta dada
pela equação y = −x, é um autovetor de T associado ao autovalor λ = −1. De fato,
T (x, y) = T (x, −x) = (−x , x) = −1 (x , y) .
Nos casos em que o autovalor λ ∈ IR, podemos dar uma interpretação geométrica para os
autovetores associados como sendo os elementos de V que tem suas direções preservadas
pelo operador T .
372 Álgebra Linear e suas Aplicações: Notas de Aula
Vλ = { v ∈ V / T (v) = λ v }
T (v) = λ1 v e T (v) = λ2 v .
Assim, obtemos
λ1 v − λ2 v = 0 V =⇒ ( λ1 − λ2 )v = 0V .
T : IR2 −→ IR2
Assim, podemos observar que para os elementos do tipo v = (0, y) ∈ IR2 temos que
T (x, 0) = (x , 0) = 1(x , 0) .
T : IR2 −→ IR2
Assim, para qualquer elemento v = (x, y) ∈ IR2 , não nulo, temos que
T : IR2 −→ IR2
(x, y) −→ T (x, y) = (x , 0)
T : IR2 −→ IR2
(x, y) −→ T (x, y) = λ (x , y)
com λ 6= 0 , tem λ como único autovalor e qualquer elemento v = (x, y) ∈ IR2 , não
nulo, como autovetor associado.
T : IR2 −→ IR2
Exemplo 6.1.11 Considere o espaço vetorial real IR3 e P o operador linear sobre IR3
definido da seguinte forma: P (x, y, z) = (x, y, 0) para (x, y, z) ∈ IR3 , que representa a
projeção sobre o plano xy.
Neste exemplo, temos que todo elemento v = (0, 0, z) ∈ IR3 , elementos sobre o eixo–oz,
é um autovetor de P associado ao autovalor λ1 = 0. De fato, P (0, 0, z) = (0, 0, 0).
Todo elemento v = (x, y, 0) ∈ IR3 , elementos do plano xy, é um autovetor de P
associado ao autovalor λ2 = 1. De fato, P (x, y, 0) = (x, y, 0).
Exemplo 6.1.12 Seja V o espaço vetorial real das funções contı́nuas f , definidas em
(a, b), que possuem derivadas contı́nuas de todas as ordens, que denotamos por C ∞ ((a, b)).
Considere o operador linear D sobre V definido da seguinte forma: D(f ) = f ′ . Os
autovetores do operador D são todas as funções contı́nuas não nulas f satisfazendo a
equação da forma: f ′ = λ f para algum λ ∈ IR. Assim, os autovetores são as funções
f (x) = c exp(λ x), onde c ∈ IR é uma constante não nula, associados aos autovalores
λ ∈ IR. Note que para λ = 0, os autovetores associados são as funções constantes não
nulas, isto é, f (x) = c, para c ∈ IR não nula.
Petronio Pulino 375
Exemplo 6.1.13 Considere o espaço vetorial real IR3 munido do produto interno usual
h · , · i e o subespaço S = [(1, −1, 2)]. Seja P o operador linear sobre IR3 onde
w = P (u), para u ∈ IR3 , é a projeção ortogonal do elemento u sobre o subespaço S.
Vamos determinar os autovalores e autovetores de P .
1
Fazendo v = −1 , temos que w = P (u) = α∗ v ∈ S com
2
hu, vi vt u
α∗ = = t
hv, vi v v
Assim, temos que w pode ser escrito da seguinte forma:
vt u v vt
w = P (u) = v = u
vt v vt v
Considerando o IR3 com a base canônica β, temos que
1 −1 2
β v vt 1
[P ]β = t = −1 1 −2
v v 6
2 −2 4
Sabemos que, para todo z ∈ S temos P (z) = z. Portanto, λ1 = 1 é um autovalor
de P com v1 = (1, −1, 2) o autovetor associado. Logo, o subespaço S é o subespaço
associado ao autovalor λ1 = 1.
S ⊥ = H = { u ∈ IR3 / h u , v i = 0 }
Exemplo 6.1.14 Considere o espaço vetorial real IR3 munido do produto interno usual
h · , · i e o subespaço S = [(1, −1, 2)]. Seja R o operador linear sobre IR3 onde
w = R(u), para u ∈ IR3 , é a reflexão do elemento u em torno do subespaço S ⊥ .
Vamos determinar os autovalores e autovetores de R.
vt u v vt
P (u) = v = u para todo u ∈ IR3
vt v vt v
Desse modo, o operador T de projeção ortogonal sobre o subespaço S ⊥ é dado por:
vt u v vt
T (u) = u − P (u) = u − t v = I − t u
v v v v
Note que podemos generalizar os dois últimos exemplos para o caso em que S = [v],
com v ∈ IRn não–nulo.
Petronio Pulino 377
Exercı́cios
Exercı́cio 6.1 Sejam V um espaço vetorial sobre o corpo IF , T um operador linear
sobre V , v um autovetor de T associado a um autovalor λ e α um escalar não–nulo.
Mostre que αλ é um autovalor do operador linear αT com v o autovetor associado.
Exercı́cio 6.3 Sejam V um espaço vetorial real e T um operador linear sobre V tal
que T 2 = T , isto é, T (T (v)) = T (v) para todo v ∈ V (operador idempotente).
Mostre que os autovalores de T são λ1 = 0 e λ2 = 1.
Exercı́cio 6.4 Sejam V um espaço vetorial real e T um operador linear sobre V tal
que T 2 = IV , isto é, T (T (v)) = v para todo v ∈ V (operador auto–reflexivo).
Mostre que os autovalores de T são λ1 = 1 e λ2 = −1.
Exercı́cio 6.7 Considere o espaço vetorial IR4 munido do produto interno usual e W
o subespaço vetorial gerado pelos elementos w1 = (1, −1, 0, 1) e w2 = (−1, 0, 1, 1).
Sejam P o operador de projeção ortogonal sobre o subespaço W e R o operador de
reflexão sobre o subespaço W . Pede–se:
(a) Determine os autovalores e os autovetores do operador P .
Exercı́cio 6.11 Seja T um operador linear sobre o espaço vetorial real IMn (IR) definido
por: T (A) = At . Mostre que os autovalores de T são λ1 = 1 e λ2 = −1,
descrevendo os subespaços associados a cada um dos autovalores.
Exercı́cio 6.14 Considere o espaço vetorial real IR4 e o operador T sobre o IR4
definido da seguinte forma: T (x, y, z, t) = (−y , x , −t , z). Mostre que T satisfaz
T 2 (v) = −v para todo v = (x, y, z, t) ∈ IR4 . Determine a matriz [T ]ββ , onde β é a
base canônica de IR4 . O operador linear T possui autovalores e autovetores ?
A equação acima terá solução v não nula se, e somente se, Ker(T − λ IV ) 6= { 0V }.
Assim, se A = [T ]ββ é a representação matricial do operador T , com relação a alguma
base ordenada de V , então a matriz A − λ In é a representação matricial para o operador
T − λ IV . Desse modo, a matriz A − λ In deve ser singular, isto é, det( A − λ In ) = 0.
Esta propriedade nos leva ao seguinte resultado, que é muito importante no estudo de
autovalores.
= det( P −1 AP − λ P −1 P )
= det( P −1 ( A − λ In )P )
= det( A − λ In ) ,
o que completa a demonstração.
O Teorema 6.2.1 nos permite definir o polinômio caracterı́stico do operador linear T como
sendo o polinômio caracterı́stico da matriz A = [T ]ββ , que é a representação matricial do
operador T em relação a qualquer base ordenada β de V . Para isso, vamos precisar
do seguinte resultado.
[T (u)]β = [I]αβ [T (u)]α = [I]αβ [T ]αα [I]βα [u]β =⇒ [T ]ββ = [I]αβ [T ]αα [I]βα .
Portanto, mostramos que [T ]ββ = P −1 [T ]αα P , isto é, as matrizes [T ]ββ e [T ]αα são
similares, o que completa a demonstração.
Petronio Pulino 381
Assim, a equação acima terá solução não nula se, e somente se, Ker(T − λ IV ) 6= { 0V }.
Desse modo, se A = [T ]ββ é a representação matricial do operador linear T , com relação
a alguma base ordenada β de V , então A − λ In é a matriz do operador T − λ IV .
Desse modo, a matriz A − λ In deve ser singular, isto é, det( A − λ In ) = 0.
Vλ1 = Ker(T ) .
Exemplo 6.2.3 Considere o espaço vetorial real IR2 com a base canônica β e T o
operador linear definido por:
T : IR2 −→ IR2
p(λ) = det( A − λ I ) = (2 − λ) (1 − λ) = λ2 − 3λ + 2 .
Exemplo 6.2.4 No Exemplo 6.2.3 considere o espaço vetorial real IR2 com a base
ordenada γ = { (1, 1), (−1, 1) } .
TA (x, y, z) = ( 2x + y + z , 2x + 3y + 4z , −x − y − 2z )
Assim, A = [TA ]ββ , onde β é a base canônica do IR3 . Desse modo, os autovalores da
matriz A são os autovalores do operador linear TA , e os autovetores são os autovetores
do operador TA , representados como matriz coluna.
É importante observar que como A é uma matriz quadrada de ordem 3, seus autovetores
são matrizes coluna de ordem 3 × 1.
Petronio Pulino 387
Exemplo 6.2.6 Seja C2 um espaço vetorial complexo com a base β = { (1, 0), (0, 1) }.
O operador linear
T : C2 −→ C2
(x, y) −→ T (x, y) = ( −y , x )
π
é uma rotação de um ângulo θ = no sentido anti–horário.
2
Temos que o polinômio caracterı́stico da matriz [T ]ββ é dado por p(λ) = λ2 + 1 para
λ ∈ C. Assim, o operador T possui os autovalores λ1 = −i e λ2 = i.
É importante observar que, neste caso, não temos a interpretação geométrica para o
autovetor como sendo o elemento que tem sua direção preservada pelo operador T .
388 Álgebra Linear e suas Aplicações: Notas de Aula
T : IR3 −→ IR3
(x, y, z) −→ T (x, y, z) = ( x , −z , y )
π
que representa uma rotação de um ângulo θ = no sentido anti–horário no plano yz.
2
Desse modo, como estamos considerando o operador linear T sobre o espaço vetorial
real IR3 , temos que λ1 = 1 é o único autovalor de T .
Neste caso, podemos verificar facilmente que v2 = (0, 1, −i) é um autovetor associado ao
autovalor λ2 = i. De modo análogo, temos que v3 = (0, 1, i) é um autovetor associado
ao autovalor λ2 = −i.
Petronio Pulino 389
onde p1 (x) , p2 (x) e p3 (x) são os autovetores do operador linear T associados aos
autovalores λ1 = 2 , λ2 = 1 e λ3 = 0 , respectivamente. Logo, obtemos
Exercı́cios
Exercı́cio 6.16 Considere o operador linear T sobre P2 (IR) definido por:
T (p(x)) = p(x) + (x + 1)p′ (x) .
Determine os autovalores e os autovetores do operador T .
Exercı́cio 6.22 Considere o operador linear T sobre IM2 (IR) definido por:
" #! " #
a b 2a + b 2b
T = .
c d 2c 3d
Determine os autovalores e os autovetores do operador T .
Petronio Pulino 391
Exercı́cio 6.24 Seja D ∈ IMn (IR) uma matriz Diagonal. Mostre que D possui um
conjunto de n autovetores linearmente independentes.
Exercı́cio 6.26 Considere o operador linear T sobre o IR4 cuja matriz em relação à
base canônica β de IR4 é dada por:
3 1 0 0
0 3 0 0
[T ]ββ =
0 0 4 0
0 0 0 1
Determine os autovalores e os autovetores do operador linear T . O operador linear T é
um automorfismo de IR4 ?
Exercı́cio 6.31 Seja V o subespaço vetorial de IM2 (IR) das matrizes triangulares
superiores. Pede–se:
(a) Exiba uma base ordenada para V .
Exercı́cio 6.34 Seja A uma matriz de ordem n triangular superior (inferior) ou uma
matriz diagonal. Mostre que os autovalores de A são os elementos da diagonal principal
da matriz A.
Exercı́cio 6.38 Considere a matriz diagonal em blocos T ∈ IM4 (IR) dada por:
" #
U 02
T = ,
02 D
onde U ∈ IM2 (IR) é uma matriz triangular superior e D ∈ IM2 (IR) é uma matriz
diagonal, representadas por:
" # " #
a b d 0
U = e D = ,
0 c 0 e
com a, b, c, d, e ∈ R. Mostre que
λ1 = a , λ2 = c , λ3 = d e λ4 = e
Exercı́cio 6.41 Sejam A, B ∈ IMn (IR) matrizes similares, isto é, existe uma matriz
invertı́vel P ∈ IMn (IR) tal que B = P −1 AP . Mostre que se A é invertı́vel, então B
é invertı́vel e as matrizes A−1 e B −1 são similares.
394 Álgebra Linear e suas Aplicações: Notas de Aula
Seja TA o operador linear sobre IR3 associado a matriz A, isto é, , isto é,
TA (x, y, z) = ( 2x − y + z , 3y − z , 2x + y + 3z ) .
Assim, A = [TA ]ββ , onde β é a base canônica do IR3 . Desse modo, os autovalores da
matriz A são os autovalores do operador linear TA , e os autovetores são os autovetores
do operador TA , representados como matriz coluna.
Seja TA o operador linear sobre IR3 associado a matriz A, isto é, , isto é,
TA (x, y, z) = ( 2x + y + z , 2x + 3y + 2z , 3x + 3y + 4z ) .
Assim, A = [TA ]ββ , onde β é a base canônica do IR3 . Desse modo, os autovalores da
matriz A são os autovalores do operador linear TA , e os autovetores são os autovetores
do operador TA , representados como matriz coluna.
Exercı́cios
Exercı́cio 6.42 Considere a matriz A dada por:
1 1 1
A = 0 2 1 .
0 0 1
Determine a multiplicidade algébrica e a multiplicidade geométrica dos autovalores da
matriz A.
Exercı́cio 6.43 Sejam A, B ∈ IMn (IR) matrizes similares, isto é, existe uma matriz
invertı́vel P ∈ IMn (IR) tal que A = P −1 B P . Estabeleça a relação entre os autovalores
e autovetores das matrizes A e B.
De modo análogo, considere o espaço vetorial complexo Cn com a base canônica. Desse
modo, podemos escrever o produto interno usual da seguinte forma:
Xn
hx, yi = xi y i = Y ∗ X
i=1
n
para todos x, y ∈ C .
400 Álgebra Linear e suas Aplicações: Notas de Aula
Teorema 6.4.1 Seja A ∈ IMn (IR). Então, para todos x, y ∈ IRn temos que
h Ax , y i = h x , At y i .
Corolário 6.4.1 Seja A ∈ IMn (IR) simétrica. Então, para todos x, y ∈ IRn tem–se
h Ax , y i = h x , Ay i .
Teorema 6.4.2 Seja A ∈ IMn (C). Então, para todos x, y ∈ Cn temos que
h Ax , y i = h x , A∗ y i .
h Ax , y i = y ∗ Ax = (A∗ y)∗ x = h x , A∗ y i ,
Corolário 6.4.2 Seja A ∈ IMn (C) Hermitiana. Então, para todos x, y ∈ Cn tem–se
h Ax , y i = h x , Ay i .
Teorema 6.4.3 Seja A ∈ IMn (C) uma matriz Hermitiana. Então, seus autovalores
são todos reais. Além disso, autovetores associados a autovalores distintos são ortogonais.
TA (v) = Av
Como a matriz A = [TA ]ββ , onde β é a base canônica do Cn , temos que um autovalor
de A é um autovalor do operador TA .
Como, por hipótese, a matriz A = [TA ]ββ é Hermitiana, sabemos que o operador TA é
Hermitiano.
λh v , v i = h TA (v) , v i = h v , TA (v) i = h v , λv i = λh v , v i .
(λ − λ)h v , v i = 0 .
λ1 h v1 , v2 i = h TA (v1 ) , v2 i = h v1 , TA (v2 ) i = h v1 , λ2 v2 i = λ2 h v1 , v2 i .
(λ1 − λ2 )h v1 , v2 i = 0 .
Portanto, tem–se
h v1 , v2 i = 0 ,
pois os autovalores λ1 e λ2 são distintos, o que completa a demonstração.
402 Álgebra Linear e suas Aplicações: Notas de Aula
Corolário 6.4.3 Seja A ∈ IMn (C) uma matriz simétrica. Então, seus autovalores são
todos reais. Além disso, autovetores associados a autovalores distintos são ortogonais.
Seja TA o operador linear sobre IR2 associado a matriz A. Sabemos que A = [TA ]ββ ,
onde β é a base canônica do IR2 . Desse modo, os autovalores da matriz A são os
autovalores do operador linear TA , e os autovetores são os autovetores do operador TA ,
representados na forma de matriz coluna.
Definição 6.4.1 Seja A ∈ IMn (IR) uma matriz simétrica. Dizemos que A é uma
matriz positiva–definida se
n X
X n
aij xj xi = xt Ax = h Ax , x i > 0
j=1 i=1
No caso em que existe um elemento não–nulo x ∈ IRn tal que xt Ax = 0, dizemos que
A é uma matriz semipositiva–definida.
para todo x = (x1 , x2 ) ∈ IR2 não–nulo, representado na forma de matriz coluna. Desse
modo, mostramos que a matriz A é positiva–definida.
404 Álgebra Linear e suas Aplicações: Notas de Aula
Definição 6.4.2 Seja A ∈ IMn (C) uma matriz Hermitiana. Dizemos que A é uma
matriz positiva–definida se
Xn Xn
aij xj xi = x∗ Ax = h Ax , x i > 0
j=1 i=1
Teorema 6.4.4 Seja A ∈ IMn (C) positiva–definida. Então, seus autovalores são todos
positivos. Além disso, autovetores associados a autovalores distintos são ortogonais.
Demonstração – Como A é uma matriz Hermitiana, do Teorema 6.4.3, sabemos
que seus autovalores são reais. Tomando λ uma autovalor da matriz A com v o
autovetor associado, isto é, Av = λv, e utilizando a hipótese que U é uma matriz
positiva–definida, temos que
h Av , v i = λh v , v i > 0 .
Como h v , v i > 0, pois v é não-nulo, provamos que o autovalor λ > 0.
Como A é uma matriz Hermitiana, do Teorema 6.4.3, sabemos que autovetores associados
a autovalores distintos são ortogonais, o que completa a demonstração.
Corolário 6.4.4 Seja A ∈ IMn (IR) positiva–definida. Então, seus autovalores são todos
positivos. Além disso, autovetores associados a autovalores distintos são ortogonais.
Demonstração – A prova segue do Teorema 6.4.4, e do fato que a matriz simétrica real
é um caso particular de uma matriz Hermitiana.
Seja TA o operador linear sobre IR2 associado a matriz A. Sabemos que A = [TA ]ββ ,
onde β é a base canônica do IR2 . Desse modo, os autovalores da matriz A são os
autovalores do operador linear TA , e os autovetores são os autovetores do operador TA ,
representados na forma de matriz coluna.
Petronio Pulino 405
Na seção 6.7 vamos provar o resultado abaixo, que é muito importante na teoria de
autovalores e autovetores, e nas suas aplicações, que é a caracterização de uma matriz
positiva–definida.
Teorema 6.4.5 Seja A ∈ IMn (C) uma matriz Hermitiana. Então, A é uma matriz
positiva–definida se, e somente se, seus autovalores são todos positivos.
Corolário 6.4.5 Seja A ∈ IMn (IR) uma matriz simétrica. Então, A é uma matriz
positiva–definida se, e somente se, seus autovalores são todos positivos.
Exemplo 6.4.4 Fazendo uso do Corolário 6.4.5, podemos verificar que a matriz simétrica
do Exemplo 6.4.1 não é positiva–definida, pois seus autovalores são λ1 = 3 e λ2 = −1.
Teorema 6.4.6 Seja Q ∈ IMn (IR) uma matriz ortogonal. Então, det(Q) = ±1 .
det(Qt Q) = det(I) = 1 .
Teorema 6.4.7 Seja Q ∈ IMn (IR) ortogonal. Então, para todos x, y ∈ IRn temos que
1. h Q x , Q y i = h x , y i .
2. k Q x k2 = k x k2 .
h Q x , Q y i = h x , Qt Q y i = h x , y i .
Exemplo 6.4.5 A matriz Q ∈ IM2 (IR) que representa uma rotação de um ângulo θ
no sentido anti–horário " #
cos(θ) − sin(θ)
Q =
sin(θ) cos(θ)
é uma matriz ortogonal. Determine os autovalores da matriz Q, em função do ângulo θ.
p(λ) = λ2 − 2 cos(θ) λ + 1 .
Teorema 6.4.9 Seja U ∈ IMn (C) é uma matriz unitária. Então, | det(U) | = 1.
Teorema 6.4.10 Seja U ∈ IMn (C) uma matriz unitária. Então, autovetores associados
a autovalores distintos são ortogonais.
λ1 λ2 h v1 , v2 i = h λ1 v1 , λ2 v2 i = h Uv1 , Uv2 i = h v1 , v2 i .
(1 − λ1 λ2 )h v1 , v2 i = 0 .
Portanto, obtemos
h v1 , v2 i = 0 ,
mostrando que v1 e v2 são ortogonais, o que completa a demonstração.
Petronio Pulino 409
A(Ax) = Ax
Teorema 6.4.11 Seja A ∈ IMn (IR) uma matriz idempotente. Então, seus autovalores
são λ1 = 1 e λ2 = 0.
λ(1 − λ) = 0 ,
A(Ax) = x
Teorema 6.4.12 Seja A ∈ IMn (IR) uma matriz auto–reflexiva. Então, seus autovalores
são λ1 = 1 e λ2 = −1.
A(Av) = A(λv) ⇐⇒ v = λ2 v ⇐⇒ (1 − λ2 )v = 0 .
1 − λ2 = 0 ,
p(λ) = λ2 − 1 ,
Pede–se:
Por simplicidade, dado um elemento (x, y) ∈ IR2 , vamos representa–lo na forma de vetor
coluna " #
x
X = .
y
Sabemos que os pontos crı́ticos de F são os ponto (x, y) ∈ Ω que satisfazem a equação
∇F (x, y) = 0
Para fazer a classificação dos pontos crı́ticos, vamos fazer uso da Fórmula de Taylor de
Segunda–Ordem da função F numa vizinhança do ponto crı́tico X dada por:
1 t
F (X) = F (X) + Y t ∇F (X) + Y H(X) Y
2
1
= F (X) + h ∇F (X) , Y i + h H(X) Y , Y i
2
1
= F (X) + h H(X) Y , Y i
2
Portanto, se a matriz Hessiana H(x, y) for positiva–definida, isto é, seus autovalores
são positivos, temos que o ponto crı́tico (x, y) é um ponto de mı́nimo relativo. No caso
em que a matriz H(x, y) for negativa–definida, isto é, seus autovalores são negativos,
temos que o ponto crı́tico (x, y) é um ponto de máximo relativo. No caso em que a
matriz Hessiana H(x, y) possuir autovalores negativo e positivo, isto é, H(x, y) é uma
matriz indefinida, temos que o ponto crı́tico (x, y) é um ponto de sela.
412 Álgebra Linear e suas Aplicações: Notas de Aula
Temos um ponto crı́tico (x, y) = (3, −1). Vamos calcular a matriz Hessiana H(x, y)
−2 0
H(x, y) =
0 −4
Exemplo 6.5.2 Considere a função F : IR2 −→ IR, com derivadas contı́nuas de segunda
ordem, definida da seguinte forma:
Pede–se:
Exemplo 6.5.3 Considere a função F : IR2 −→ IR, com derivadas contı́nuas de segunda
ordem, definida da seguinte forma:
Pede–se:
Temos os seguintes pontos crı́ticos (0, 1) , (0.5, 1) e (−0.5, 1). Vamos calcular a matriz
Hessiana H(x, y) para o ponto crı́tico (x, y) = (0, 1)
−2 + 24 x2 0 −2 0
H(x, y) = =⇒ H(x, y) =
0 2 0 2
Agora, vamos calcular a matriz Hessiana H(x, y) para o ponto crı́tico (x, y) = (0.5, 1)
4 0
H(x, y) =
0 2
Exercı́cios
Exercı́cio 6.48 Determine quais das seguintes classes de matrizes são matrizes normais:
(a) Matrizes Hermitianas.
(f ) Matrizes ortogonais.
Exercı́cio 6.49 Mostre que toda matriz ortogonal em IM2 (IR) pode ser escrita na forma:
" # " #
a b a b
Q = ou Q =
−b a b −a
com a2 + b2 = 1 para a, b ∈ IR.
Exercı́cio 6.50 Mostre que toda matriz unitária no espaço vetorial complexo IM2 (C)
pode ser escrita da seguinte forma:
" # " #" #
a b 1 0 a b
U = =
−eiθ b eiθ a 0 eiθ −b a
onde θ ∈ IR e | a |2 + | b |2 = 1 para a, b ∈ C.
Exercı́cio 6.52 Sejam Q ∈ IMn (IR) uma matriz ortogonal e λ um autovalor complexo
de Q. Então, λ é também um autovalor de Q.
Exercı́cio 6.53 Seja Q ∈ IMn (IR) uma matriz ortogonal com n ı́mpar. Então, Q
possui pelo menos um autovalor real.
Exercı́cio 6.54 Seja A ∈ IMn (IR) idempotente. Se B ∈ IMn (IR) é similar a matriz
A, então B é uma matriz idempotente.
Petronio Pulino 415
Exercı́cio 6.55 Seja A ∈ IMn (IR) auto–reflexiva. Se B ∈ IMn (IR) é similar a matriz
A, então B é uma matriz auto–reflexiva.
F (x, y) = 2x2 − xy − 3y 2 − 3x + 7y .
F (x, y) = x3 + y 3 − 3xy .
416 Álgebra Linear e suas Aplicações: Notas de Aula
Teorema 6.6.1 Sejam A ∈ IMn (IF ) , γ uma base ordenada para o espaço vetorial IF n
e TA o operador linear sobre IF n associado a matriz A. Então,
[TA ]γγ = P −1 A P ,
Exemplo 6.6.1 Sejam γ = { (1, 2), (1, 1) } uma base ordenada para IR2 e a matriz
A ∈ IM2 (IR) dada por: " #
3 1
A = ,
0 1
para uma ilustração do Teorema 6.6.1.
Seja β = { v1 , · · · , vn } , e definimos
n
X
wj = pij vi para j = 1, · · · , n .
i=1
Definição 6.6.2 Seja A ∈ IMn (IF ). Dizemos que A é uma matriz diagonalizável se
A é similar a uma matriz diagonal.
Assim, temos que a matriz A é similar a matriz diagonal D, onde P é a matriz que
realiza a transformação de similaridade, isto é, A = P DP −1 ou D = P −1 AP .
Considerando agora que [T ]ββ é uma matriz diagonalizável. Então, a matriz [T ]ββ é
similar a uma matriz diagonal B. Pelo Teorema 6.6.2, existe uma base ordenada γ para
V tal que B = [T ]γγ . Logo, T é um operador diagonalizável.
Definição 6.6.3 Seja A ∈ IMn (IF ). Dizemos que A é uma matriz simples se possui
um conjunto de n autovetores linearmente independentes.
Teorema 6.6.4 Seja A ∈ IMn (IF ). Então, A é uma matriz simples se, e somente se,
A é uma matriz diagonalizável.
Demonstração – A prova pode ficar a cargo do leitor.
Petronio Pulino 419
Exemplo 6.6.3 Considere o espaço vetorial real IR3 . O operador linear T sobre o IR3
definido por: T (x, y, z) = (3x − 4z, 3y + 5z, −z) é um operador diagonalizável.
Temos que a matriz A = [T ]ββ , onde β é a base canônica do IR3 , é dada por:
3 0 −4
A = 0 3 5
0 0 −1
Agora supomos que o resultado seja válido para k − 1 autovalores distintos, onde
k − 1 ≥ 1. Finalmente, vamos mostrar que o resultado é válido para k autovalores
distintos. Para isso, consideramos a combinação linear nula
k
X
ci vi = 0V .
i=1
T (vj ) = λj vj para j = 1, · · · , n .
T (vi ) = λi vi para i = 1, · · · n ,
Exemplo 6.6.6 Considere o espaço vetorial real IR2 e T o operador linear dado por
T : IR2 −→ IR2
Seja β a base canônica do IR2 . Temos que a matriz A = [T ]ββ é dada por:
−3 4
A = .
−1 2
A = P Λ P −1 ou Λ = P −1 A P ,
Determine uma base ordenada γ para P2 (IR) tal que [T ]γγ seja uma matriz diagonal.
onde p1 (x) , p2 (x) e p3 (x) são os autovetores do operador linear T associados aos
autovalores λ1 = 0 , λ2 = 1 e λ3 = 2 , respectivamente. Logo, obtemos
Exemplo 6.6.8 Considere o espaço vetorial real IR2 e T o operador linear dado por
T : IR2 −→ IR2
Seja β a base canônica do IR2 . Temos que a matriz A = [T ]ββ é dada por
2 2
A = .
2 5
p(λ) = det( A − λ I ) = (2 − λ) (5 − λ) − 4 = λ2 − 7 λ + 6 .
A = Q Λ Qt ou Λ = Qt A Q .
Exemplo 6.6.9 Considere o espaço vetorial real IR3 e T o operador linear dado por
T : IR3 −→ IR3
(x, y, z) −→ T (x, y, z) = (y + z, x + z, x + y)
Seja β a base canônica do IR3 . Temos que a matriz A = [T ]ββ é dada por
0 1 1
A = 1 0 1 .
1 1 0
A = Q Λ Qt ou Λ = Qt A Q .
Exemplo 6.6.10 Seja A uma matriz de ordem n diagonalizável, isto é, existe uma
matriz P invertı́vel tal que Λ = P −1 A P ou A = P Λ P −1, onde Λ é uma matriz
diagonal dada por:
λ1 0 · · · 0
0 λ2 · · · 0
Λ =
.. .. ..
,
. . .
0 0 · · · λn
com λ1 , · · · , λn os autovalores da matriz A, não necessariamente distintos dois a dois.
Exemplo 6.6.12 Como uma aplicação direta do Exemplo 6.6.11, vamos considerar o
seguinte Problema de Valor Inicial representado pelo sistema dinâmico
X ′ (t) = A X(t)
X(0) = X
0
Note que como Λ é uma matriz diagonal, ficamos com n Problemas de Valor Inicial de
primeira ordem sem acoplamentos, isto é,
yi′ (t) = λi yi (t)
y (0) = c
i i
Sabemos que a solução de cada um dos Problemas de Valor Inicial, sem acoplamentos, é
yi (t) = ci exp(λi t) e i = 1, · · · , n .
Podemos verificar facilmente que as n soluções podem ser escritas da seguinte forma:
y1 (0)
eλ1 t 0 · · · 0 .
..
0 eλ2 t · · · 0
Y (t) = .. ..
.. y i (0) = exp(Λt)Y (0) .
. .
. .
..
0 0 · · · eλn t
yn (0)
Assim, pelo Exemplo 6.6.11, temos que X(t) = exp(At) X0 para todo t ≥ 0.
Portanto, obtemos
x(t) 3 + e−3t − 3e−3t
X(t) = y(t) = 3 − 3e−3t para todo t ≥ 0.
−3t
z(t) 3 + 3e
Na Figura 6.1 temos os gráficos das soluções do sistema dinâmico do Exemplo 6.6.12. A
curva azul representa o gráfico da solução x(t), a curva verde representa o gráfico da
solução y(t) e a curva vermelha representa o gráfico da solução z(t), para 0 ≤ t ≤ 2.
p(λ) = det( A − λ I ) = λ2 + 3λ + 2
Portanto, obtemos
" # " #
x(t) −2e−t + 4e−2t
X(t) = = para todo t ≥ 0.
y(t) −2e−t + 6e−2t
Na Figura 6.2 temos os gráficos das soluções do sistema dinâmico do Exemplo 6.6.13. A
curva azul representa o gráfico da solução x(t) e a curva verde representa o gráfico da
solução y(t), para 0 ≤ t ≤ 6.
Petronio Pulino 433
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Figura 6.1: Gráficos dos soluções do sistema dinâmico do Exemplo 6.6.12. A curva azul
representa o gráfico da solução x(t), a curva verde representa o gráfico da solução y(t)
e a curva vermelha representa o gráfico da solução z(t), para 0 ≤ t ≤ 2 .
3.5
2.5
1.5
0.5
−0.5
0 1 2 3 4 5 6
Figura 6.2: Gráficos das soluções do sistema dinâmico do Exemplo 6.6.13. A curva azul
representa o gráfico da solução x(t), a curva verde representa o gráfico da solução y(t),
para 0 ≤ t ≤ 6.
434 Álgebra Linear e suas Aplicações: Notas de Aula
Exercı́cios
Exercı́cio 6.65 Seja T o operador linear sobre IR3 definido por:
T (x, y, z) = (−3x − 4y, 2x + 3y, −z) .
Encontre os autovalores e os autovetores do operador linear T . O operador linear T é
diagonalizável ? Justifique sua resposta.
Exercı́cio 6.66 Considere o espaço vetorial real P2 (IR) e o operador linear T sobre
P2 (IR) definido por: T (p(x)) = p(x) + xp′ (x). Determine uma base ordenada γ para
P2 (IR) de modo que [T ]γγ seja uma matriz diagonal.
Exercı́cio 6.67 Considere o espaço vetorial real P3 (IR) e o operador linear T sobre
P3 (IR) definido por: T (p(x)) = p′ (x) + p′′ (x). Verifique se T é um operador linear
diagonalizável. Em caso afirmativo, determine uma base ordenada γ para P3 (IR) de
modo que [T ]γγ seja uma matriz diagonal.
Exercı́cio 6.68 Considere o espaço vetorial real P2 (IR) e o operador linear T sobre
P2 (IR) definido por: T (p(x)) = p(x) + (x + 1)p′ (x). Determine uma base ordenada
γ para P2 (IR) de modo que [T ]γγ seja uma matriz diagonal.
Exercı́cio 6.70 Considere o espaço vetorial real IM3 (IR) e o operador linear T sobre
IM3 (IR) definido por: T (A) = At . Determine uma base ordenada para IM3 (IR) tal que
[T ]ββ seja uma matriz diagonal.
Exercı́cio 6.72 Dê um exemplo de um operador linear diagonalizável T sobre IR3 cujo
núcleo é gerado pelo elemento u = (1, 0, 1).
Petronio Pulino 435
Exercı́cio 6.73 Dê um exemplo de um operador linear diagonalizável T sobre IR3 cujo
imagem é gerada pelos elementos u1 = (1, 1, 0) e u2 = (1, 0, 1).
2. Ker(T ) = [1 − x].
Exercı́cio 6.81 Determine o operador linear T sobre o IR4 , diagonalizável, que satisfaz
simultaneamente as seguintes condições:
(a) Ker(T ) = { (x, y, z, t) ∈ IR4 / x + y − z + t = 0 e z − t = 0 }.
Exercı́cio 6.84 Determine o operador linear T sobre o IR4 , diagonalizável, que satisfaz
simultaneamente as seguintes condições:
(a) Ker(T ) = { (x, y, z, t) ∈ IR4 / x + y − z + t = 0 e z − t = 0 }.
Exercı́cio 6.86 Considere o espaço vetorial real IRn munido do produto interno usual,
que denotamos por h · , · i, e o elemento u ∈ IRn não–nulo. Definimos as aplicações
P e Q de IRn em IRn da seguinte forma:
hu, vi
P (v) = u e Q(v) = v − 2P (v)
hu, ui
para todo v ∈ IRn .
(a) Mostre que P e Q são operadores lineares sobre IRn .
Exercı́cio 6.87 Considere o operador linear T : IM2 (IR) −→ IM2 (IR) definido por:
" #! " #
a b 2a + b 2b
T = .
c d 2c 3d
o operador linear T é diagonalizável? Justifique sua resposta.
438 Álgebra Linear e suas Aplicações: Notas de Aula
h T (u) , v i = h u , T (v) i ; ∀ u, v ∈ V .
Pelo Teorema 5.13.1, sabemos que a matriz A = [T ]ββ é uma matriz Hermitiana, onde
β é uma base ortonormal de V . Assim, O problema de diagonalização de uma matriz
Hermitiana é equivalente ao problema de diagonalização de um operador Hermitiano.
λh v , v i = h λv , v i = h T (v) , v i = h v , T (v) i = h v , λv i = λh v , v i .
λ1 h v1 , v2 i = h T (v1 ) , v2 i = h v1 , T (v2 ) i = h v1 , λ2 v2 i = λ2 h v1 , v2 i .
h T (u) , v i = h u , T (v) i = 0 .
Teorema 6.7.3 Sejam V um espaço vetorial sobre o corpo IF com o produto interno
h · , · i , com dim(V ) = n, e S o subespaço de V gerado pelo elemento unitário u ∈ V .
Então, o subespaço S ⊥ tem dimensão (n − 1).
v = c1 u + c2 v2 + · · · + cn vn ; cj ∈ IF
Proposição 6.7.1 Seja A ∈ IMn (C) uma matriz Hermitiana. Então, A é uma matriz
diagonalizável, isto é, A é unitáriamente similar a uma matriz diagonal.
Proposição 6.7.2 Seja A ∈ IMn (IR) um matriz simétrica. Então, A é uma matriz
diagonalizável, isto é, A é ortogonalmente similar a uma matriz diagonal.
Demonstração – A prova segue da Proposição 6.7.1 e do fato que uma matriz simétrica
real é um caso particular de uma matriz Hermitiana.
Proposição 6.7.4 Considere o espaço vetorial real IRn com o produto interno usual.
Sejam A ∈ IMn (IR) uma matriz simétrica e TA o operador linear sobre IRn associado
a matriz A. o espaço vetorial real IRn possui uma base ortonormal de autovetores do
operador linear TA .
Demonstração – A prova segue da Proposição 6.7.3 e do fato que uma matriz simétrica
real é um caso particular de uma matriz Hermitiana.
Petronio Pulino 441
TA = (x + 2z , y , 2x + z) .
Podemos observar facilmente que A é uma matriz Hermitiana, isto é, A∗ = A. Logo,
pelo Teorema 5.13.1, temos que T é um operador Hermitiano.
p(λ) = det( A − λ I) = λ2 − 8λ + 12 .
A = U Λ U∗ ou Λ = U∗ A U .
p: V ×V −→ C
n X
X n
= bj bi aij
j=1 i=1
= ([u]β )∗ A [u]β
Teorema 6.7.7 Seja A ∈ IMn (C) uma matriz Hermitiana. Então, a matriz A é
positiva–definida se, e somente se, seus autovalores são todos positivos.
Demonstração
(=⇒) Tomando A positiva–definida, do Teorema 6.4.4, temos que seus autovalores são
todos positivos.
Corolário 6.7.1 Seja A ∈ IMn (IR) uma matriz simétrica. Então, a matriz A é
positiva–definida se, e somente se, seus autovalores são todos positivos.
Demonstração – A prova segue do Teorema 6.7.7 e do fato que uma matriz simétrica
real é um caso particular de uma matriz Hermitiana.
p(λ) = det(A − λ I) = λ2 − 6λ + 8 .
Teorema 6.7.8 Seja A ∈ IMn (IR) uma matriz positiva–definida. Então, a equação
xt Ax = 1 (6.1)
0 < λ1 ≤ . . . ≤ λn .
A = Q Λ Qt ,
onde
Λ = diag(λ1 , . . . , λj , . . . λn )
é uma matriz diagonal e
Q = [q1 · · · qj · · · qn ]
é uma matriz ortogonal. Note que (λj , qj ) é um autopar da matriz A.
xt A x = ( Qt x )t Λ ( Qt x ) = 1 .
onde
1
aj = p
λj
é o comprimento do semi–eixo na direção do autovetor qj .
Definição 6.7.2 Seja A ∈ IMn (C) uma matriz Hermitiana. A inércia da matriz A,
que indicamos por i(A), é o terno ordenado
Definição 6.7.3 Sejam A, B ∈ IMn (C). Dizemos que a matriz B é congruente com
a matriz A se existe uma matriz invertı́vel P ∈ IMn (C) tal que B = P AP ∗ .
Exemplo 6.7.5 Seja A ∈ IMm (C) uma matriz Hermitiana. Então, A = UΛU ∗ , onde
Λ = diag(λ1 , . . . , λj , . . . , λm )
U = [u1 · · · uj · · · um ]
é uma matriz unitária, com (λj , uj ) um autopar da matriz A. Vamos mostrar que toda
matriz Hermitiana A é congruente com a matriz diagonal Λ b ∈ IMm (IR) dada por:
b = diag(1 , . . . , 1 , −1 , . . . , −1 , 0 , . . . , 0) ,
Λ (6.2)
com a qual podemos escrever a matriz diagonal Λ ∈ IMm (IR) da seguinte forma:
bD .
Λ = DΛ
Petronio Pulino 449
posto(A) = posto(B) .
Demonstração
E+ (A) = [u1 , · · · , up ] .
w = α1 u1 + · · · + α1 up 6= 0Cn .
Portanto, obtemos
x∗ ( P BP ∗ )x = ( P ∗ x )∗ B( P ∗ x ) = z ∗ Bz > 0 ,
{ P ∗ u1 , · · · , P ∗ up }
linearmente independente, desde que P é uma matriz invertı́vel. Desse modo, podemos
concluir que i+ (B) ≥ i+ (A).
Pela propriedade transitiva da relação de congruência, veja Exemplo 2.8.3, e pelo fato que
as matrizes A e B são congruentes a mesma matriz Λ, b temos que as matrizes A e
B são congruentes. De fato, podemos escrever a matriz Λ b da seguinte forma:
b = Q B Q∗
Λ =⇒ A = (SQ)B(SQ)∗ ,
Corolário 6.7.2 Sejam A, B ∈ IMn (IR) matrizes simétricas. Então, existe uma matriz
invertı́vel P ∈ IMn (IR) tal que A = P BP t se, e somente se, A e B tem a mesma
inércia.
Demonstração – A prova segue do resultado do Teorema 6.7.9, e do fato que uma matriz
simétrica real é um caso particular de uma matriz Hermitiana.
Corolário 6.7.3 Seja A ∈ IMn (IR) uma matriz simétrica. Então, existe uma matriz
P ∈ IMn (IR) invertı́vel tal que D = P AP t é uma matriz diagonal. Além disso, o
número de elementos na diagonal de D que são positivos, negativos e nulos é sempre o
mesmo, independente da matriz P que realiza a relação de congruência.
Petronio Pulino 451
Definição 6.7.4 Seja A ∈ IMn (IR) uma matriz simétrica. Dizemos que A é uma
matriz indefinida quando possui autovalores de ambos os sinais.
Exemplo 6.7.6 Seja B ∈ IMn (IR) uma matriz invertı́vel. Mostre que a matriz
simétrica H, de ordem 2n, dada por:
" #
In B t
H =
B 0n
é uma matriz indefinida.
Inicialmente vamos mostrar que H é uma matriz invertı́vel. De fato, considere o sistema
linear homogêneo
" #" # " #
In B t
u 0IRn
u + B t w = 0IRn
= ⇐⇒
B 0n w 0IRn Bu = 0IRn
Portanto, como B é uma matriz invertı́vel, obtemos
u = 0IRn e w = 0IRn .
Assim, mostramos que o sistema linear homogêneo possui somente a solução trivial.
λ2i − λi = αi
para i = 1, · · · n.
Inicialmente vamos mostrar que H é uma matriz invertı́vel. De fato, considere o sistema
linear homogêneo
" #" # " #
In B t
u 0IRn u + B t w = 0IRn
= ⇐⇒
B 0m w 0IRm Bu = 0IRm
Multiplicando a primeira equação por B, obtemos a equação
BB t w = 0IRm
w = 0IRm e u = 0IRn .
Assim, mostramos que o sistema linear homogêneo possui somente a solução trivial.
Petronio Pulino 453
λ2i − λi = αi
para i = 1, · · · m.
Exemplo 6.7.8 Sejam A ∈ IMn (IR) uma matriz positiva–definida e B ∈ IMm×n (IR),
com m ≤ n e posto(B) = m. Mostre que a matriz simétrica H, de ordem n + m,
dada por: " #
A Bt
H =
B 0m
é uma matriz indefinida.
Como A ∈ IMn (IR) é uma matriz positiva–definida, sabemos que A = QΛQt , onde
Λ = diag(λ1 , . . . , λj , . . . , λn )
h T (u) , v i = −h u , T (v) i ; ∀ u, v ∈ V .
Pelo Teorema 5.13.3, sabemos que a matriz A = [T ]ββ é uma matriz anti–Hermitiana,
onde β é uma base ortonormal de V . Assim, O problema de diagonalização de uma
matriz anti–Hermitiana é equivalente ao problema de diagonalização de um operador
anti–Hermitiano.
h T (u) , v i = −h u , T (v) i = 0 .
Proposição 6.7.6 Seja A ∈ IMn (C) uma matriz anti–Hermitiana. Então, A é uma
matriz diagonalizável, isto é, A é unitáriamente similar a uma matriz diagonal.
p(λ) = det(A − λ I) = λ2 − iλ + 2 .
A = U Λ U∗ ou Λ = U∗ A U ,
Exercı́cios
Exercı́cio 6.88 Seja A ∈ IMn (C) uma matriz Hermitiana. Mostre que x∗ Ax ∈ IR
para todo elemento x ∈ Cn .
Exercı́cio 6.89 Seja A ∈ IMn (C) uma matriz Hermitiana. Mostre que SAS ∗ é uma
matriz Hermitiana para toda matriz S ∈ IMn (C).
Exercı́cio 6.90 Seja A ∈ IMn (C) uma matriz Hermitiana. Mostre que existe um escalar
λ ∈ IR de modo que a matriz λ I + A seja positiva–definida.
Exercı́cio 6.95 Seja A ∈ IMn (IR) positiva–definida. Mostre que det(A) é positivo.
Petronio Pulino 459
Exercı́cio 6.102 Considere a matriz diagonal em blocos T ∈ IM4 (IR) dada por:
" #
A 02
T = ,
02 U
onde A ∈ IM2 (IR) é uma matriz simétrica e U ∈ IM2 (IR) é uma matriz triangular
superior, representadas por:
" # " #
a b d e
A = e U = ,
b c 0 f
Determine uma matriz ortogonal Q ∈ IM3 (IR) e uma matriz diagonal Λ ∈ IM3 (IR)
tais que A = QΛQt . A matriz A é positiva–definida?
Petronio Pulino 461
Determine uma matriz ortogonal Q ∈ IM3 (IR) e uma matriz diagonal Λ ∈ IM3 (IR)
tais que A = QΛQt . A matriz A é positiva–definida?
Exercı́cio 6.106 Sejam A ∈ IMn (IR) uma matriz positiva–definida e C ∈ IMn (IR)
uma matriz invertı́vel. Mostre que a matriz B = CAC t é positiva–definida.
Exercı́cio 6.107 Sejam A ∈ IMn (IR) uma matriz positiva–definida e Q ∈ IMn (IR)
uma matriz ortogonal. Mostre que a matriz C = QAQt é uma matriz positiva–definida.
Exercı́cio 6.108 Seja A ∈ IMn (IR) uma matriz simétrica. Mostre que A é congruente
com a matriz identidade se, e somente se, todos os autovalores de A são positivos.
Exercı́cio 6.109 Seja B ∈ IMn (IR) uma matriz invertı́vel. Mostre que a matriz
simétrica H, de ordem 2n, definida da seguinte forma:
0n B t
H =
B 0n
[2] Tom M. Apostol, Calculus, Volume I, Second Edition, John Wiley & Sons, 1976.
[3] Tom M. Apostol, Calculus, Volume II, Second Edition, John Wiley & Sons, 1976.
[4] Tom M. Apostol, Linear Algebra–A First Course with Applications to Differential
Equations, John Wiley & Sons, 1997.
[5] Alexander Basilevsky, Applied Matrix Algebra in the Statistical Sciences, Dover, 1983.
[10] S. H. Friedberg, A. J. Insel and L. E. Spence, Linear Algebra, Prentice– Hall, Third
Edition, 1997.
[11] Gene H. Golub & Charles F. Van Loan, Matrix Computations, Third Edition, John
Hopkins, 1996.
[13] Roger A. Horn and Charles R. Johnson, Matrix Analysis, Cambridge University
Press, 1996.
[14] Bernard Kolman e David R. Hill, Introdução à Álgebra Lienar com Aplicações, LTC,
Oitava Edição, 2006.
[15] Serge Lang, Introduction to Linear Algebra, Second Edition, Springer, 1986.
[16] Elon L. Lima, Álgebra Linear , Coleção Matemática Universitária, IMPA, 1996.
735
736 Álgebra Linear e suas Aplicações: Notas de Aula
[18] Seymour Lipschutz, Álgebra Linear , Terceira Edição, Makron Books, 1994.
[20] Patricia R. de Peláez, Rosa F. Arbeláez y Luz E. M. Sierra, Algebra Lineal con
Aplicaciones, Universidad Nacional de Colombia, 1997.
[21] Gilbert Strang, Linear Algebra and its Applications, Third Edition, Harcourt Brace
Jovanovich Publishers, 1988.
[22] David S. Watkins, Fundamentals of Matrix Computations, John Wiley & Sons, 1991.