Operadores ortogonais

M
´
ODULO 3 – AULA 19
Aula 19 – Operadores ortogonais
Objetivos
• Compreender o conceito e as propriedades apresentadas sobre opera-
dores ortogonais.
• Aplicar os conceitos apresentados em exemplos importantes.
Pr´e-requisitos: Aulas 10 a 14,
17 e 18.
Vocˆe deve se lembrar de que um operador T : R
n
→R
n
´e dito ortogonal
se existe uma base ortonormal α de R
n
tal que a matriz de T na base α ´e
uma matriz ortogonal, isto ´e, se a matriz [T]
α
´e ortogonal.
Veremos que os operadores ortogonais est˜ao bem definidos no sentido
de que o fato de ser um operador ortogonal n˜ao depende da base ortonormal
escolhida, ou seja, se a matriz [T]
α
, numa certa base ortonormal α de R
n
, for
ortogonal, ent˜ao a matriz [T]
β
tamb´em ser´a ortogonal para qualquer outra
base ortonormal β de R
n
.
Na verdade, temos o seguinte resultado:
Teorema 1
Sejam T : R
n
→ R
n
um operador ortogonal e α e β duas bases ortonor-
mais de R
n
. Se a matriz [T]
α
´e ortogonal, ent˜ ao a matriz [T]
β
tamb´em ser´a
ortogonal.
Demonstra¸c˜ao:
O teorema sobre mudan¸ca de base para operadores lineares, visto no
curso de
´
Algebra Linear I, nos garante que
[T]
β
= P
−1
[T]
α
P,
onde P ´e a matriz mudan¸ca de base entre as bases ortonormais α e β. Como
α e β s˜ao duas bases ortonormais de R
n
, temos que P ´e uma matriz ortogonal
e, pelo Teorema 1 da Aula 10, segue-se que
P
−1
= P
t
,
onde P
t
´e a transposta da matriz P. Assim,
[T]
β
= P
t
[T]
α
P.
Como [T]
α
´e uma matriz ortogonal por hip´otese e como o produto de
matrizes ortogonais ´e tamb´em uma matriz ortogonal, conclu´ımos que [T]
β
tamb´em ser´a uma matriz ortogonal.
7
CEDERJ
Operadores ortogonais
O resultado anterior simplifica um problema crucial: para decidirmos se
um dado operador linear T : R
n
→R
n
´e ortogonal, basta considerar qualquer
base ortonormal α de R
n
e verificar se a matriz [T]
α
´e uma matriz ortogonal.
Exemplo 1
Verifique que o operador linear T : R
3
→R
3
T(x, y, z) = (x cos θ −y senθ, x senθ + y cos θ, z),
com θ ∈ [0, 2π), ´e um operador ortogonal.
Solu¸c˜ao
De fato, escolhendo a base canˆonica ¦e
1
, e
2
, e
3
¦ de R
3
, dada por
e
1
= (1, 0, 0), e
2
= (0, 1, 0) e e
3
= (0, 0, 1),
obtemos
T(e
1
) = (cos θ, senθ, 0)
T(e
2
) = (−senθ cos θ, 0)
T(e
3
) = (0, 0, 1).
Portanto, a matriz que representa T nesta base ´e dada por
A =
_
_
_
cos θ −senθ 0
senθ cos θ 0
0 0 1
_
_
_
.
Sabemos que A ´e uma matriz ortogonal de R
3
. Mais ainda, A ´e uma
rota¸c˜ao de θ radianos em torno do eixo-z (Exemplo 1 da Aula 17). Assim, o
operador linear T ´e um operador ortogonal.
O pr´oximo teorema segue imediatamente do Teorema 2 da Aula 10.
Teorema 2
Seja T : R
n
→R
n
um operador ortogonal. Ent˜ ao as seguintes proprieda-
des s˜ao v´alidas:
1. T transforma bases ortonormais em bases ortonormais, ou seja, se
¦v
1
, v
2
, . . . , v
n
¦ ´e uma base ortonormal de R
n
, ent˜ ao ¦Tv
1
, Tv
2
, . . . , Tv
n
¦
tamb´em ´e uma base ortonormal de R
n
.
2. T preserva o produto interno, ou seja, para todo u, v ∈ R
n
vale que
¸Tu, Tv) = ¸u, v) .
3. T preserva a norma, ou seja, para todo v ∈ R
n
vale que
[[Tv[[ = [[v[[.
CEDERJ
8
Operadores ortogonais
M
´
ODULO 3 – AULA 19
Exemplo 2
Seja T : R
2
→ R
2
um operador ortogonal, ent˜ao sua matriz na base
canˆonica ´e da forma
_
cos θ −senθ
senθ cos θ
_
ou
_
cos θ senθ
senθ −cos θ
_
,
onde θ ∈ [0 , 2π).
Solu¸c˜ao
De fato, sendo T : R
2
→R
2
um operador ortogonal, sua matriz na base
canˆonica de R
2
ser´a uma matriz ortogonal de ordem 2. Mas, pelos Exemplos
1 e 2 da Aula 10, sabemos que toda matriz ortogonal de ordem 2 ´e da forma
_
cos θ −senθ
senθ cos θ
_
ou
_
cos θ senθ
senθ −cos θ
_
.
Sabemos tamb´em que a primeira matriz representa uma rota¸c˜ ao de θ
radianos, no sentido anti-hor´ario, em torno da origem, e a segunda matriz
representa uma reflex˜ao em torno da reta pela origem que forma um ˆangulo
de θ/2 radianos com o semi-eixo x positivo.
Exemplo 3
a) Determine a transforma¸c˜ao linear T : R
2
→R
2
que leva o segmento de
reta de extremidades (−6, 2) e (−1, 2) ao segmento de reta de extremi-
dades (−2, 6) e (1, 2), respectivamente (veja a Figura 19.1).
b) Mostre que a transforma¸c˜ ao acima ´e uma rota¸c˜ ao. Determine, tamb´em,
o ˆangulo dessa rota¸c˜ ao.
-6 -1 1
2 2
x x
y
y
6
Figura 19.1: O operador T.
9
CEDERJ
Operadores ortogonais
Solu¸c˜ao
a) Queremos encontrar escalares a, b, c, d ∈ R tais que a matriz que repre-
senta T na base canˆonica seja dada por
[T] =
_
a b
c d
_
.
Da condi¸c˜ ao sobre as extremidades, temos
T(−6, 2) =
_
a b
c d
_ _
−6
2
_
=
_
−2
6
_
e
T(−1 , 2) =
_
a b
c d
_ _
−1
2
_
=
_
1
2
_
,
o que nos d´a o sistema linear
_
¸
¸
¸
_
¸
¸
¸
_
−6a + 2b = −2
−6c + 2d = 6
−a + 2b = 1
−c + 2d = 2
.
´
E f´acil ver que a solu¸c˜ao desse sistema ´e dada por:
a = 3/5; b = 4/5; c = −4/5 e d = 3/5.
Assim,
[T] =
_
3/5 4/5
−4/5 3/5
_
.
b) Como as colunas da matriz [T], representadas pelos vetores
v
1
= (3/5 , −4/5) e v
2
= (4/5 , 3/5), formam uma base ortonormal
de R
2
, conclu´ımos que a matriz [T] ´e ortogonal e, conseq¨ uentemente, o
operador linear T ´e um operador ortogonal. Al´em disso, det[T] = 1 e,
assim, o operador T ´e uma rota¸c˜ ao de R
2
cujo ˆangulo θ ´e dado por
θ = −arccos(3/5).
Exerc´ıcios
1. Seja T : R
3
→R
3
uma reflex˜ao num plano π de R
3
tal que T(1, 0, −1) =
(−1, 0, 1). Determine a matriz que representa o operador T com res-
peito `a base canˆonica.
2. Determine os autovalores e os autovetores associados da transforma¸c˜ ao
linear T do exerc´ıcio anterior.
CEDERJ
10
Proje¸c˜oes ortogonais – 1
a
Parte
M
´
ODULO 3 – AULA 20
Aula 20 – Proje¸c˜oes ortogonais – 1
a
Parte
Objetivos
• Compreender o conceito de proje¸c˜ao ortogonal em dimens˜ao 2.
• Aplicar os conceitos apresentados em exemplos importantes.
Pr´e-requisitos: Aulas 10 a 14,
17, 18 e 19.
Nesta e na pr´oxima aula vamos apresentar um tipo de transforma¸c˜ao
usada em ´areas como a Computa¸c˜ ao Gr´afica e o Desenho Geom´etrico. Trata-
se das proje¸c˜oes ortogonais. Nesta primeira aula, trabalharemos com as
proje¸c˜ oes ortogonais em R
2
.
Exemplo 1
Determine a matriz que representa a proje¸c˜ao ortogonal sobre o eixo-x,
isto ´e, sobre a reta de equa¸c˜ao cartesiana y = 0.
Solu¸c˜ao
Geometricamente, essa transforma¸c˜ao ´e representada pela Figura 20.1.
V= (x,y)
V'= (x,0)
x
y
Figura 20.1: A proje¸c˜ ao ortogonal no eixo-x.
Assim, temos a transforma¸c˜ ao linear
T : R
2
→R
2
T(x, y) = (x, 0).
11
CEDERJ
Proje¸c˜oes ortogonais – 1
a
Parte
Denotando por ¦e
1
, e
2
¦ a base canˆonica de R
2
, temos que
T(e
1
) = T(1, 0) = (1, 0) = 1 e
1
+ 0 e
2
T(e
2
) = T(0, 1) = (0, 0) = 0 e
1
+ 0 e
2
.
Portanto, a matriz que representa a transforma¸c˜ ao T na base canˆonica
´e dada por
A =
_
1 0
0 0
_
.
Vemos imediatamente algumas propriedades dessa proje¸c˜ ao ortogonal.
1. A matriz A e, portanto, o operador T, n˜ao ´e invert´ıvel, pois det(A) = 0.
2. Como T(e
2
) = 0 e
2
, ent˜ ao λ
2
= 0 ´e um autovalor de T com autovetor
associado e
2
= (0, 1). N˜ao ´e dif´ıcil ver que o auto-espa¸co associado
a λ
2
= 0 ´e exatamente o eixo-y, isto ´e, a reta de equa¸c˜ao cartesiana
x = 0.
3. Como T(e
1
) = 1 e
1
, ent˜ ao λ
1
= 1 ´e um autovalor de T com autovetor
associado e
1
= (1, 0). N˜ao ´e dif´ıcil ver que o auto-espa¸co associado
a λ
1
= 1 ´e exatamente o eixo-x, isto ´e, a reta de equa¸c˜ ao cartesiana
y = 0.
4. O operador T ´e diagonaliz´avel e seu polinˆomio caracter´ıstico ´e
p(x) = x (x −1).
Exemplo 2
Determine a matriz que representa a proje¸c˜ao ortogonal sobre o eixo-y,
isto ´e, sobre a reta de equa¸c˜ ao cartesiana x = 0.
Solu¸c˜ao
A proje¸c˜ ao ortogonal no o eixo-y ´e dada pela transforma¸c˜ao linear
T : R
2
→R
2
T(x, y) = (0, y).
Geometricamente, esta transforma¸c˜ ao ´e representada pela Figura 20.2.
CEDERJ
12
Proje¸c˜oes ortogonais – 1
a
Parte
M
´
ODULO 3 – AULA 20
(x,y)
T (x,y)
x
y
Figura 20.2: A proje¸c˜ao ortogonal no eixo-y.
Como no Exemplo 1, temos que
T(e
1
) = T(1, 0) = (0, 0) = 0 e
1
+ 0 e
2
T(e
2
) = T(0, 1) = (0, 1) = 0 e
1
+ 1 e
2
.
Portanto, a matriz que representa a transforma¸c˜ ao T na base canˆonica
´e dada por
A =
_
0 0
0 1
_
.
Como antes, vemos que:
1. A matriz A e, portanto, o operador T, n˜ao ´e invert´ıvel, pois det(A) = 0.
2. Como T(e
1
) = 0 e
1
, ent˜ ao λ
1
= 0 ´e um autovalor de T com autovetor
associado e
1
= (1 , 0). N˜ao ´e dif´ıcil ver que o auto-espa¸co associado
a λ
1
= 0 ´e exatamente o eixo-x, isto ´e, a reta de equa¸c˜ao cartesiana
y = 0.
3. Como T(e
2
) = 1 e
2
, ent˜ ao λ
2
= 1 ´e um autovalor de T com autovetor
associado e
2
= (0 , 1). N˜ao ´e dif´ıcil ver que o auto-espa¸co associado
a λ
2
= 1 ´e exatamente o eixo-y, isto ´e, a reta de equa¸c˜ao cartesiana
x = 0.
4. O operador T ´e diagonaliz´avel com polinˆomio caracter´ıstico
p(x) = x (x −1).
13
CEDERJ
Proje¸c˜oes ortogonais – 1
a
Parte
Os exemplos 1 e 2 s˜ao muito simples, por´em s˜ao muito importantes a sua
compreens˜ao e o seu significado geom´etrico. Especialmente, certifique-se de
que tenha entendido os auto-espa¸cos associados a cada autovalor. Usaremos
essas id´eias para apresentar a proje¸c˜ ao ortogonal sobre uma reta L qualquer
do R
2
passando pela origem. Se vocˆe compreendeu bem a geometria dos
exemplos anteriores, ent˜ao n˜ao ter´a dificuldade em acompanhar o caso geral
a seguir.
Exemplo 3
Descreva a proje¸c˜ ao ortogonal sobre uma reta L de R
2
que passa pela
origem.
Solu¸c˜ao
Suponhamos que a reta L seja paralela a um vetor unit´ario u
1
∈ R
2
,
como ilustra a Figura 20.3.
u
1
L
x
y
Figura 20.3: A reta L paralela ao vetor unit´ario u
1
.
O efeito geom´etrico da proje¸c˜ao ortogonal sobre a reta L ´e observado
na Figura 20.4.
T
V
v
L
x
y
Figura 20.4: A proje¸c˜ ao ortogonal na reta L.
CEDERJ
14
Proje¸c˜oes ortogonais – 1
a
Parte
M
´
ODULO 3 – AULA 20
A proje¸c˜ao ortogonal de um vetor v na dire¸c˜ ao do vetor u
1
´e dada por
T : R
2
→R
2
v → Tv =
v, u
1

u
1
, u
1

u
1
,
de onde vemos que T ´e uma transforma¸c˜ao linear. Para obter a f´ormula
acima observamos que desejamos um vetor Tv da forma Tv = ku
1
de modo
que v −ku
1
seja ortogonal a u
1
, como indica a Figura 20.5.
Figura 20.5: A proje¸c˜ ao ortogonal de v na dire¸c˜ ao de u
1
Assim, da ortogonalidade entre v −ku
1
e u
1
temos
= ¸v −ku
1
, u
1
)
= ¸v, u
1
) −¸ku
1
, u
1
)
= ¸v, u
1
) −k ¸u
1
, u
1
) ,
o que nos d´a
k ¸u
1
, u
1
) = ¸v, u
1
)
k =
¸v, u
1
)
¸u
1
, u
1
)
,
e, portanto,
Tv = ku
1
=
¸v, u
1
)
¸u
1
, u
1
)
u
1
.
Observe que na f´ormula acima o vetor u
1
n˜ao precisa ser unit´ario, mas,
caso seja, como ¸u
1
, u
1
) = 1, ent˜ao a f´ormula acima se simplifica para
Tv = ¸v, u
1
) u
1
.
Nosso problema agora ´e encontrar a matriz que represente a trans-
forma¸c˜ao T. Veremos que, escolhendo uma base ortonormal adequada de
R
2
, a matriz de T nessa base ´e muito similar `a matriz do Exemplo 1, visto
anteriormente. Lembre que o problema da escolha de uma base ortonormal
adequada j´a foi tratado quando estudamos as reflex˜oes de R
2
com respeito a
uma reta qualquer passando pela origem. Veja a Aula 12.
15
CEDERJ
Proje¸c˜oes ortogonais – 1
a
Parte
Seja β = ¦u
1
, u
2
¦ uma base ortonormal de R
2
onde u
1
´e um vetor
unit´ario paralelo `a reta L e u
2
´e um vetor unit´ario normal `a reta L. Veja a
Figura 20.6.
u
1
u
2
L
x
y
Figura 20.6: A base ortonormal β = ¦u
1
, u
2
¦.
Nesse caso, como ¸u
1
, u
1
) = 1 e pela observa¸c˜ao acima temos que Tv =
¸v, u
1
) u
1
. Assim, vemos que
Tu
1
= ¸u
1
, u
1
) u
1
= u
1
= 1 u
1
+ 0 u
2
Tu
2
= ¸u
2
, u
1
) u
1
= 0 u
1
= 0 u
1
+ 0 u
2
.
Portanto, a matriz que representa a transforma¸c˜ ao T na base β ´e dada
por
[T]
β
=
_
1 0
0 0
_
,
que ´e exatamente da mesma forma que a matriz do Exemplo 1. Se quiser-
mos obter a matriz que representa T na base canˆonica, ´e s´o fazermos uma
mudan¸ca de base. Se α = ¦e
1
, e
2
¦ ´e a base canˆonica de R
2
, ent˜ ao
[T]
α
= P [T]
β
P
−1
,
onde P ´e a matriz mudan¸ca de base. Como P = [u
1
u
2
], isto ´e, suas
colunas s˜ao vetores ortonormais, ent˜ ao P ´e uma matriz ortogonal e, portanto,
P
−1
= P
t
. Como nos exemplos 1 e 2, temos as seguintes propriedades.
1. As matrizes [T]
α
e [T]
β
e, portanto, o operador T, n˜ao s˜ao invert´ıveis,
pois det [T]
β
= 0.
CEDERJ
16
Proje¸c˜oes ortogonais – 1
a
Parte
M
´
ODULO 3 – AULA 20
2. Como T(u
2
) = 0 u
2
, ent˜ao λ
2
= 0 ´e um autovalor de T com autovetor
associado u
2
. N˜ao ´e dif´ıcil ver que o auto-espa¸co associado a λ
2
= 0 ´e
exatamente a reta pela origem ortogonal `a reta L.
3. Como T(u
1
) = 1 u
1
, ent˜ao λ
1
= 1 ´e um autovalor de T com autovetor
associado u
1
. N˜ao ´e dif´ıcil ver que o auto-espa¸co associado a λ
1
= 1 ´e
exatamente a reta L.
4. O operador T ´e diagonaliz´avel e seu polinˆomio caracter´ıstico ´e
p(x) = x (x −1).
Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro exem-
plo e os dois primeiros. Isto se deve `a escolha adequada de uma base orto-
normal de R
2
.
Exerc´ıcios
1. Determine a matriz da proje¸c˜ ao ortogonal sobre a reta y =

3x com
respeito `a base canˆonica.
2. Determine os autovalores e os auto-espa¸cos associados da transforma¸c˜ao
linear do exerc´ıcio 1.
17
CEDERJ
Proje¸c˜oes ortogonais – 2
a
Parte
M
´
ODULO 3 – AULA 21
Aula 21 – Proje¸c˜oes ortogonais – 2
a
Parte
Objetivos
• Compreender o conceito de proje¸c˜ao ortogonal em dimens˜ao 3.
• Aplicar os conceitos apresentados em exemplos importantes.
Pr´e-requisitos: Aulas 10 a 14,
17 a 20.
Nesta aula daremos continuidade ao estudo das proje¸c˜oes ortogonais,
estudando as proje¸c˜ oes ortogonais em R
3
. Apresentamos inicialmente os
casos mais simples das proje¸c˜oes ortogonais nos planos coordenados. Em
seguida, trataremos do caso geral de uma proje¸c˜ao ortogonal sobre um plano
passando pela origem.
Exemplo 1
Determine a matriz que representa a proje¸c˜ao ortogonal sobre o plano-xy,
isto ´e, sobre o plano de equa¸c˜ao cartesiana z = 0.
Solu¸c˜ao
Geometricamente, essa transforma¸c˜ao ´e representada pela Figura 21.1.
u
1
z
V= (x,y,z)
V'= (x,y,0)
x y
Figura 21.1: A proje¸c˜ ao ortogonal no plano-xy.
19
CEDERJ
Proje¸c˜oes ortogonais – 2
a
Parte
Assim, temos a transforma¸c˜ao linear
T : R
3
→R
3
T(x, y, z) = (x, y, 0).
Denotando por ¦e
1
, e
2
, e
3
¦ a base canˆonica de R
3
, temos que
T(e
1
) = T(1, 0, 0) = (1, 0, 0) = 1 e
1
+ 0 e
2
+ 0 e
3
T(e
2
) = T(0, 1, 0) = (0, 1, 0) = 0 e
1
+ 1 e
2
+ 0 e
3
T(e
3
) = T(0, 0, 1) = (0, 0, 0) = 0 e
1
+ 0 e
2
+ 0 e
3
.
Portanto, a matriz que representa a transforma¸c˜ ao T na base canˆonica
´e dada por
A =
_
_
_
1 0 0
0 1 0
0 0 0
_
_
_
.
Como nos exemplos da Aula 20, vemos imediatamente algumas propri-
edades dessa proje¸c˜ao ortogonal.
1. A matriz A e, portanto, o operador T, n˜ao s˜ao invert´ıveis, pois
det(A) = 0.
2. Como T(e
3
) = 0 e
3
, ent˜ ao λ
2
= 0 ´e um autovalor de T com autovetor
associado e
3
. N˜ao ´e dif´ıcil ver que o auto-espa¸co associado a λ
2
= 0 ´e
exatamente o eixo-z, que ´e o espa¸co gerado por e
3
.
3. Como T(e
1
) = 1 e
1
e T(e
2
) = 1 e
2
, ent˜ ao λ
1
= 1 ´e um autovalor de
T de multiplicidade 2 com autovetores associados e
1
e e
2
. N˜ao ´e dif´ıcil
ver que o auto-espa¸co associado a λ
1
= 1 ´e exatamente o plano-xy, que
´e o espa¸co gerado pelos vetores canˆonicos e
1
e e
2
.
4. O operador T ´e diagonaliz´avel com polinˆomio caracter´ıstico
p(x) = x (x −1)
2
.
Mais uma vez, chamamos a aten¸c˜ ao do aluno para que compreenda bem
a geometria desse exemplo, pois ela ser´a recorrente nos exemplos seguintes.
Vejamos outro exemplo de proje¸c˜ ao ortogonal em um plano coordenado.
Exemplo 2
Determine a matriz que representa a proje¸c˜ ao ortogonal sobre o plano-yz,
isto ´e, sobre o plano de equa¸c˜ ao cartesiana x = 0.
CEDERJ
20
Proje¸c˜oes ortogonais – 2
a
Parte
M
´
ODULO 3 – AULA 21
Solu¸c˜ao
Geometricamente, essa transforma¸c˜ao ´e representada pela Figura 21.2.
z
(x,y,z)
T(x,y,z)= (0,x,z)
x y
Figura 21.2: A proje¸c˜ao ortogonal no plano-yz.
Assim, temos a transforma¸c˜ ao linear
T : R
3
→R
3
T(x, y, z) = (0, y, z).
Se vocˆe entendeu bem a geometria do Exemplo 1, ent˜ ao ver´a que neste
caso temos
T(e
1
) = T(1, 0, 0) = (0, 0, 0) = 0 e
1
+ 0 e
2
+ 0 e
3
T(e
2
) = T(0, 1, 0) = (0, 1, 0) = 0 e
1
+ 1 e
2
+ 0 e
3
T(e
3
) = T(0, 0, 1) = (0, 0, 1) = 0 e
1
+ 0 e
2
+ 1 e
3
.
Portanto, a matriz que representa a transforma¸c˜ ao T na base canˆonica
´e dada por
A =
_
_
_
0 0 0
0 1 0
0 0 1
_
_
_
.
Seguem tamb´em as propriedades:
1. A matriz A e, portanto, o operador T, n˜ao s˜ao invert´ıveis, pois
det(A) = 0.
2. Como T(e
1
) = 0 e
1
, ent˜ ao λ
2
= 0 ´e um autovalor de T com autovetor
associado e
1
. N˜ao ´e dif´ıcil ver que o auto-espa¸co associado a λ
2
= 0 ´e
exatamente o eixo-x, que ´e o espa¸co gerado por e
1
.
21
CEDERJ
Proje¸c˜oes ortogonais – 2
a
Parte
3. Como T(e
2
) = 1 e
2
e T(e
3
) = 1 e
3
, ent˜ ao λ
1
= 1 ´e um autovalor de
T de multiplicidade 2 com autovetores associados e
2
e e
3
. N˜ao ´e dif´ıcil
ver que o auto-espa¸co associado a λ
1
= 1 ´e exatamente o plano-yz, que
´e o espa¸co gerado pelos vetores canˆonicos e
2
e e
3
.
4. O operador T ´e diagonaliz´avel com polinˆomio caracter´ıstico
p(x) = x (x −1)
2
.
O outro caso trivial, a proje¸c˜ao ortogonal sobre o plano-xz, ´e totalmente
an´alogo aos exemplos anteriores e deixamos como exerc´ıcio para vocˆe. Assim,
estando bem compreendidos os dois exemplos anteriores, podemos tratar da
proje¸c˜ ao ortogonal sobre um plano qualquer de R
3
passando pela origem.
Exemplo 3
Descreva a proje¸c˜ ao ortogonal sobre um plano π de R
3
que passa pela
origem.
Solu¸c˜ao
Seja T : R
3
→ R
3
a proje¸c˜ao ortogonal sobre o plano π. Geometrica-
mente, essa transforma¸c˜ ao ´e representada pela Figura 21.3.
Figura 21.3: A proje¸c˜ ao ortogonal no plano-π.
Vamos agora obter uma base ortonormal β de R
3
de modo que a matriz
que representa a transforma¸c˜ ao T nessa base seja da mesma forma que a
matriz do Exemplo 1. Como conhecemos a equa¸c˜ao cartesiana de plano
π, sabemos como obter um vetor normal a esse plano. Lembre: se π tem
equa¸c˜ao ax + by + cz + d = 0, ent˜ ao o vetor u = (a, b, c) ´e um vetor normal
ao plano π. Seja, ent˜ ao, u
3
um vetor unit´ario normal ao plano π. Usando
a equa¸c˜ ao cartesiana de π, como foi feito nas Aulas 17 e 18, facilmente
determinamos vetores unit´arios u
1
e u
2
de modo que β = ¦u
1
, u
2
, u
3
¦ seja
uma base ortonormal de R
3
. Observe que os vetores unit´arios u
1
e u
2
s˜ao
ortogonais e pertencem ao plano π. Veja a Figura 21.4.
CEDERJ
22
Proje¸c˜oes ortogonais – 2
a
Parte
M
´
ODULO 3 – AULA 21
Figura 21.4: A base ortonormal β = ¦u
1
, u
2
, u
3
¦.
A proje¸c˜ao ortogonal de um vetor v sobre o plano π ´e dada por
T : R
3
→R
3
v → Tv =
¸v, u
1
)
¸u
1
, u
1
)
u
1
+
¸v, u
2
)
¸u
2
, u
2
)
u
2
,
de onde vemos que T ´e uma transforma¸c˜ao linear. Para obter a f´ormula
acima observamos que desejamos um vetor Tv da forma Tv = k
1
u
1
+ k
2
u
2
de modo que v − k
1
u
1
− k
2
u
2
seja ortogonal a u
1
e u
2
, como indica a
Figura 21.5.
Figura 21.5: A proje¸c˜ ao ortogonal de v no plano π.
Assim, da ortogonalidade entre v −k
1
u
1
−k
2
u
2
e u
1
, temos
0 = ¸v −k
1
u
1
−k
2
u
2
, u
1
)
= ¸v, u
1
) −¸k
1
u
1
, u
1
) −¸k
2
u
2
, u
1
)
= ¸v, u
1
) −k
1
¸u
1
, u
1
) −k
2
¸u
2
, u
1
)
= ¸v, u
1
) −k
1
¸u
1
, u
1
) ,
j´a que ¸u
2
, u
1
) = 0, o que nos d´a
k
1
¸u
1
, u
1
) = ¸v, u
1
)
k
1
=
¸v, u
1
)
¸u
1
, u
1
)
,
e, portanto,
Tv = k
1
u
1
+ k
2
u
2
=
¸v, u
1
)
¸u
1
, u
1
)
u
1
+
¸v, u
2
)
¸u
2
, u
2
)
u
2
.
23
CEDERJ
Proje¸c˜oes ortogonais – 2
a
Parte
Usando o fato de u
1
e u
2
serem vetores unit´arios, isto ´e,
¸u
1
, u
1
) = ¸u
2
, u
2
) = 1, obtemos
Tv = ¸v, u
1
) u
1
+¸v, u
2
) u
2
.
Portanto, vemos que
Tu
1
= ¸u
1
, u
1
) u
1
+¸u
1
, u
2
) u
2
= u
1
= 1 u
1
+ 0 u
2
+ 0 u
3
Tu
2
= ¸u
2
, u
1
) u
1
+¸u
2
, u
2
) u
2
= u
2
= 0 u
1
+ 1 u
2
+ 0 u
3
Tu
3
= ¸u
3
, u
1
) u
1
+¸u
3
, u
2
) u
2
= 0 u
1
+ 0 u
2
+ 0 u
3
.
Portanto, a matriz que representa a transforma¸c˜ao T na base β ´e
dada por
[T]
β
=
_
_
_
1 0 0
0 1 0
0 0 0
_
_
_
,
que ´e exatamente da mesma forma que a matriz do Exemplo 1. Se quiser-
mos obter a matriz que representa T na base canˆonica, ´e s´o fazermos uma
mudan¸ca de base. Se α = ¦e
1
, e
2
, e
3
¦ ´e a base canˆonica de R
3
, ent˜ao
[T]
α
= P [T]
β
P
−1
,
onde P ´e a matriz mudan¸ ca de base. Como P = [u
1
u
2
u
3
], isto ´e, suas
colunas s˜ao vetores ortonormais, ent˜ ao P ´e uma matriz ortogonal e, portanto,
P
−1
= P
t
. Como nos exemplos 1 e 2, temos as seguintes propriedades:
1. As matrizes [T]
α
e [T]
β
e, portanto, o operador T, n˜ao s˜ao invert´ıveis,
pois det [T]
β
= 0.
2. Como T(u
3
) = 0 u
3
, ent˜ ao λ
2
= 0 ´e um autovalor de T com autovetor
associado u
3
. N˜ao ´e dif´ıcil ver que o auto-espa¸co associado a λ
2
= 0 ´e
exatamente a reta pela origem ortogonal a π.
3. Como T(u
1
) = 1 u
1
e T(u
2
) = 1 u
2
, ent˜ao λ
1
= 1 ´e um autovalor de T
com autovetores associados u
1
e u
2
. N˜ao ´e dif´ıcil ver que o auto-espa¸co
associado a λ
1
= 1 ´e exatamente o plano π.
4. O operador T ´e diagonaliz´avel com polinˆomio caracter´ıstico
p(x) = x (x −1)
2
.
Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro exem-
plo e os dois primeiros. Isso se deve `a escolha adequada de uma base orto-
normal de R
3
.
CEDERJ
24
Proje¸c˜oes ortogonais – 2
a
Parte
M
´
ODULO 3 – AULA 21
Exerc´ıcios
1. Determine a matriz da proje¸c˜ao ortogonal sobre o plano-xz com res-
peito `a base canˆonica.
2. Determine a matriz da proje¸c˜ao ortogonal sobre o plano x−z = 0 com
respeito `a base canˆonica.
3. Determine a matriz da proje¸c˜ ao ortogonal sobre o plano gerado pelos
vetores v
1
= (1, 1, 0) e v
2
= (−1, 1, 1), com respeito `a base canˆonica.
25
CEDERJ
Matrizes sim´etricas
M
´
ODULO 3 – AULA 22
Aula 22 – Matrizes sim´etricas
Objetivos:
• Compreender o conceito de matriz sim´etrica.
• Aplicar os conceitos apresentados em exemplos importantes.
Pr´e-requisitos: Aulas 6, 7, 8,
9, 10, 20 e 21
Em muitas aplica¸c˜oes da
´
Algebra Linear, as matrizes sim´etricas apare-
cem com maior freq¨ uˆencia que qualquer outra classe de matrizes importantes.
A teoria correspondente a essas matrizes ´e muito rica e elegante, e depende,
de maneira especial, das teorias de diagonaliza¸c˜ ao e ortogonalidade, vistas
em aulas anteriores. Veremos, nesta aula, que a diagonaliza¸c˜ ao de uma ma-
triz sim´etrica ´e um fundamento essencial e necess´ario `a discuss˜ao das formas
quadr´aticas que estudaremos no pr´oximo m´odulo.
Lembramos que todas as matrizes e vetores considerados tˆem somente
elementos e componentes reais. Antes de come¸carmos a estudar a teoria
de diagonaliza¸c˜ ao de matrizes sim´etricas, conv´em lembrarmos de algumas
defini¸c˜oes que ser˜ao essenciais a este conte´ udo.
Defini¸c˜ao 1
Uma matriz A ∈ M
n
(R) ´e sim´etrica se A
t
= A, onde A
t
representa a
matriz transposta de A. Equivalentemente, a matriz A = (a
ij
) ´e sim´etrica se
a
ij
= a
ji
para todo i, j.
Observe, primeiramente, que o conceito de matriz sim´etrica se aplica
apenas a matrizes quadradas. Observe tamb´em que os elementos da diagonal
principal de uma matriz sim´etrica A podem assumir valores arbitr´arios; no
entanto, elementos sim´etricos com respeito `a diagonal principal tˆem o mesmo
valor.
Exemplo 1
As duas matrizes a seguir s˜ao sim´etricas:
A =
_
2 1
1 3
_
e B =
_
_
_
4 −1 0
−1 2 3
0 3 −2
_
_
_
.
27
CEDERJ
Matrizes sim´etricas
No entanto, as matrizes abaixo n˜ao s˜ao sim´etricas:
C =
_
2 1 −1
1 3 0
_
e D =
_
_
_
−1 4 −1
4 2 2
1 2 3
_
_
_
.
A matriz C n˜ao ´e sim´etrica porque ela n˜ao ´e matriz quadrada, e a
matriz D n˜ao ´e sim´etrica porque d
31
= 1 ,= −1 = d
13
.
Vamos rever algumas propriedades das matrizes sim´etricas.
Teorema 1
Sejam A, B ∈ M
n
(R) matrizes sim´etricas. Ent˜ ao A+B e cA, onde c ∈ R,
tamb´em s˜ao matrizes sim´etricas.
Vale observar que o produto de duas matrizes sim´etricas n˜ao ´e necessa-
riamente uma matriz sim´etrica. Por exemplo, dadas as matrizes sim´etricas
A =
_
1 2
2 3
_
e B =
_
4 5
5 6
_
temos que a matriz produto
AB =
_
1 2
2 3
_ _
4 5
5 6
_
=
_
14 17
23 28
_
n˜ao ´e uma matriz sim´etrica, pois (AB)
21
= 23 ,= 17 = (AB)
12
.
Vamos rever o processo de diagonaliza¸c˜ao de matrizes, descrito nas
Aulas 6 e 7, agora aplicado a um caso particular de uma matriz sim´etrica.
Exemplo 2
Diagonalize, caso seja poss´ıvel, a matriz A =
_
_
_
6 −2 −1
−2 6 −1
−1 −1 5
_
_
_
.
Solu¸c˜ao
O polinˆomio caracter´ıstico da matriz A ´e dado por:
p(x) = det(xI
3
−A)
=
¸
¸
¸
¸
¸
¸
¸
x −6 2 1
2 x −6 1
1 1 x −5
¸
¸
¸
¸
¸
¸
¸
= (x −6)
¸
¸
¸
¸
¸
x −6 1
1 x −5
¸
¸
¸
¸
¸
−2
¸
¸
¸
¸
¸
2 1
1 x −5
¸
¸
¸
¸
¸
+ 1
¸
¸
¸
¸
¸
2 1
x −6 1
¸
¸
¸
¸
¸
= x
3
−17x
2
+ 90x −144 .
CEDERJ
28
Matrizes sim´etricas
M
´
ODULO 3 – AULA 22
As poss´ıveis ra´ızes racionais de p(x) s˜ao, obrigatoriamente, divisores de
144. Por inspe¸c˜ ao, vemos que 3 ´e uma raiz e, depois, completando fatora¸c˜ao
de p(x), descobrimos que 6 e 8 tamb´em s˜ao ra´ızes. Assim,
p(x) = (x −3)(x −6)(x −8).
Assim, os autovalores da matriz A s˜ao λ
1
= 3, λ
2
= 6 e λ
3
= 8. Como
a matriz A possui 3 autovalores distintos, j´a podemos concluir que ela ´e uma
matriz diagonaliz´avel.
Para o autovalor λ
1
= 3, temos que os seus autovetores associados,
v = (x, y, z), satisfazem o sistema linear
(3 I
3
−A)v = 0.
Um c´alculo rotineiro, como foi visto na Aula 7, mostra que o auto-
espa¸co V
3
´e um subespa¸co de dimens˜ao 1 e ´e gerado pelo vetor v
1
= (1, 1, 1).
Analogamente, o auto-espa¸co V
6
, associado ao autovalor λ
2
= 6, ´e o su-
bespa¸co de dimens˜ao 1 gerado pelo vetor v
2
= (−1, −1, 2), e o auto-espa¸co
V
8
, associado ao autovalorλ
3
= 8, ´e o subespa¸co de dimens˜ao 1 gerado pelo
vetor v
3
= (−1, 1, 0). Esses trˆes vetores, v
1
, v
2
e v
3
, formam uma base de R
3
e poderiam ser usados para construir uma matriz P que diagonaliza a matriz
A.
´
E f´acil ver que ¦v
1
, v
2
, v
3
¦ ´e um conjunto ortogonal de R
3
e que obtere-
mos uma matriz ortogonal P se usarmos uma base ortonormal ¦u
1
, u
2
, u
3
¦,
obtida de ¦v
1
, v
2
, v
3
¦, normalizando cada um dos vetores v
1
, v
2
e v
3
. Como
um m´ ultiplo n˜ao-nulo de um autovetor tamb´em ´e um autovetor, a nova base
¦u
1
, u
2
, u
3
¦ tamb´em seria uma base de autovetores de R
3
. Os vetores assim
obtidos s˜ao:
u
1
= (1/

3, 1/

3, 1/

3);
u
2
= (−1/

6, −1/

6, 2/

6) e
u
3
= (−1/

2, 1/

2, 0).
Assim, as matrizes P e D s˜ao dadas por:
P =
_
_
_
1
_√
3 −1
_√
6 −1
_√
2
1
_√
3 −1
_√
6 1
_√
2
1
_√
3 2
_√
6 0
_
_
_
e D =
_
_
_
3 0 0
0 6 0
0 0 8
_
_
_
.
Sabemos, das Aulas 6 e 7, que A = PDP
−1
. Agora, como as colunas de
P formam vetores ortonormais, ent˜ao, pelo Teorema 2 da Aula 9, P ´e uma
matriz ortogonal, isto ´e, P
−1
= P
t
. Assim, temos tamb´em que A = PDP
t
.
29
CEDERJ
Matrizes sim´etricas
Vimos, no Exemplo 2, que os autovetores da matriz sim´etrica A, asso-
ciados a autovalores distintos, s˜ao ortogonais. Isso ´e uma propriedade geral,
como mostra o pr´oximo teorema.
Teorema 2
Seja A ∈ M
n
(R) uma matriz sim´etrica; ent˜ao qualquer conjunto de auto-
vetores associados a autovalores distintos s˜ao ortogonais.
Demonstra¸c˜ao:
Sejam v
1
, v
2
, . . . , v
k
autovetores da matriz A associados aos autovalores
distintos λ
1
, λ
2
, . . . , λ
k
. Assim, dados λ
i
,= λ
j
, e observando que Av
i
= λ
i
v
i
e Av
j
= λ
j
v
j
, queremos mostrar que ¸v
i
, v
j
) = 0. Para isto, observamos que
λ
i
¸v
i
, v
j
) = ¸λ
i
v
i
, v
j
)
= ¸Av
i
, v
j
)
= (Av
i
)
t
v
j
= (v
t
i
A
t
)v
j
= (v
t
i
A)v
j
, pois A ´e sim´etrica
= v
t
i
(Av
j
)
= ¸v
i
, Av
j
)
= ¸v
i
, λ
j
v
j
)
= λ
j
¸v
i
, v
j
) .
Portanto, (λ
i
−λ
j
) ¸v
i
, v
j
) = 0. Como λ
i
−λ
j
,= 0, segue que ¸v
i
, v
j
) =
0, isto ´e, os vetores v
i
e v
j
s˜ao ortogonais.
O tipo de diagonaliza¸c˜ ao que aparece no Exemplo 2 ´e muito importante
na teoria das matrizes sim´etricas. Por isso, temos a seguinte defini¸c˜ ao.
Defini¸c˜ao 2
Uma matriz A ∈ M
n
(R) ´e dita diagonaliz´avel por matriz ortogonal se
existe uma matriz ortogonal P (lembre, P
−1
= P
t
) e uma matriz diagonal D
tais que A = PDP
t
.
Da discuss˜ao do Exemplo 2 vimos que, para diagonalizar uma matriz
A ∈ M
n
(R) utilizando uma matriz ortogonal P, foi preciso encontrar n auto-
vetores linearmente independentes e ortogonais. A quest˜ao ´e: quando ´e que
isso ´e poss´ıvel de ser realizado? O pr´oximo teorema caracteriza o tipo de
matriz que pode ser diagonalizada por matriz ortogonal.
Teorema 3
Uma matriz A ∈ M
n
(R) ´e diagonaliz´avel por matriz ortogonal se e so-
mente se A ´e uma matriz sim´etrica.
CEDERJ
30
Matrizes sim´etricas
M
´
ODULO 3 – AULA 22
Demonstra¸c˜ao:
Uma das dire¸c˜ oes ´e muito simples de ser feita. Suponha que A seja
diagonaliz´avel por matriz ortogonal, como na Defini¸c˜ao 2; ent˜ao
A
t
= (PDP
t
)
t
= (P
t
)
t
D
t
P
t
= PDP
t
= A,
onde (P
t
)
t
= P e D
t
= D, j´a que D ´e uma matriz diagonal. Assim, con-
clu´ımos que A ´e uma matriz sim´etrica.
A rec´ıproca ´e muito mais complicada e ser´a omitida nestas notas. A
id´eia b´asica desta parte da demonstra¸c˜ao ser´a apresentada na pr´oxima aula
e envolve um dos teoremas mais importantes da
´
Algebra Linear.
Exemplo 3
Determine se a matriz
A =
_
_
_
3 −2 4
−2 6 2
4 2 3
_
_
_
´e diagonaliz´avel por matriz ortogonal e, caso seja, determine uma matriz
ortogonal P e uma matriz diagonal D tal que A = PDP
t
.
Solu¸c˜ao
Como A ´e uma matriz sim´etrica, ent˜ ao, pelo Teorema 3, ela ´e diago-
naliz´avel por matriz ortogonal. Vamos, agora, realizar o c´alculo de diagona-
liza¸c˜ao de A.
Os autovalores da matriz A s˜ao as ra´ızes do polinˆomio caracter´ıstico
p(x) = det(xI
3
−A)
=
¸
¸
¸
¸
¸
¸
¸
x −3 2 −4
2 x −6 −2
−4 −2 x −3
¸
¸
¸
¸
¸
¸
¸
= x
3
−12x
2
+ 21x + 98 .
Observando, por inspe¸c˜ao, que λ
1
= −2 ´e uma raiz de p(x), temos que
p(x) = (x + 2) (x
2
−14x + 49) = (x + 2) (x −7)
2
.
Assim, os autovalores da matriz A s˜ao λ
1
= −2, com multiplicidade
alg´ebrica 1, e λ
2
= 7, com multiplicidade alg´ebrica 2.
31
CEDERJ
Matrizes sim´etricas
Para o autovalor λ
1
= −2, temos que os autovetores associados,
v = (x, y, z), satisfazem o sistema linear
(−2 I
3
−A)v = 0.
Completando os c´alculos temos, que o auto-espa¸co V
−2
´e um subespa¸co
de dimens˜ao 1 e ´e gerado pelo vetor v
1
= (−2, −1, 2).
Para o autovalor λ
2
= 7, como j´a sabemos que a matriz A ´e diagona-
liz´avel, o auto-espa¸co V
7
tem dimens˜ao igual a 2. O fato interessante ´e que
podemos construir uma base ortogonal de autovetores para esse subespa¸co
V
7
. Os autovetores v = (x, y, z) associados ao autovalor λ
2
= 7 satisfazem o
sistema linear
(7 I
3
−A)v = 0.
Usando as t´ecnicas usuais para a resolu¸c˜ ao de sistemas lineares, obte-
mos que:
V
7
= ¦v ∈ R
3
[Av = 7v¦
= ¦v ∈ R
3
[(7 I
3
−A)v = 0¦
= ¦(x, y, z) ∈ R
3
[2x + y −2z = 0¦.
Para obter uma base ortogonal de V
7
, observamos facilmente que
v
2
= (1, 0, 1) ∈ V
7
. O outro vetor v
3
= (a, b, c) ∈ V
7
deve satisfazer
2a + b − 2c = 0 e ainda ser ortogonal a v
2
, isto ´e, ¸v
2
, v
3
) = 0, ou seja,
a + c = 0. Portanto, v
3
= (a, b, c) deve satisfazer o sistema linear
_
2a + b −2c = 0
a + c = 0 .
Completando os c´alculos, obtemos, por exemplo, v
3
= (−1, 4, 1). Ob-
serve que, pelo Teorema 2, o autovetor v
1
´e ortogonal aos autovetores v
2
e v
3
, j´a que eles correspondem a autovalores distintos da matriz sim´etrica
A. Assim, ¦v
1
, v
2
, v
3
¦ ´e um conjunto ortogonal de autovetores da matriz A.
Normalizando esses vetores, obtemos:
u
1
=
v
1
[[v
1
[[
= (−2/3, −1/3, 2/3);
u
2
=
v
2
[[v
2
[[
= (1
_√
2, 0, 1
_√
2);
u
3
=
v
3
[[v
3
[[
= (−1
_√
18, 4
_√
18, 1
_√
18).
CEDERJ
32
Matrizes sim´etricas
M
´
ODULO 3 – AULA 22
Portanto, ¦u
1
, u
2
, u
3
¦ ´e uma base ortonormal de autovetores de A.
Com esses autovetores, obtemos a matriz P e com os autovalores, obtemos a
matriz D:
P =
_
_
_
−2/3 1
_√
2 −1
_√
18
−1/3 0 4
_√
18
2/3 1
_√
2 1
_√
18
_
_
_
;
D =
_
_
_
2 0 0
0 7 0
0 0 7
_
_
_
,
de modo que A = PDP
t
.
Exerc´ıcios
1. Mostre que se A ´e uma matriz sim´etrica, ent˜ ao A
2
tamb´em ´e uma
matriz sim´etrica.
2. Mostre que se A ´e uma matriz diagonaliz´avel por matriz ortogonal
ent˜ao A
2
tamb´em ´e.
3. Determine uma matriz ortogonal P e uma matriz diagonal D tal que
A = PDP
t
, onde a matriz A ´e dada por
A =
_
_
_
_
_
1 2 0 0
2 1 0 0
0 0 1 −2
0 0 −2 1
_
_
_
_
_
.
33
CEDERJ
O Teorema Espectral
M
´
ODULO 3 – AULA 23
Aula 23 – O Teorema Espectral
Objetivos:
• Compreender o significado do Teorema Espectral.
• Compreender a decomposi¸c˜ao espectral de matrizes sim´etricas.
• Aplicar os conceitos apresentados em exemplos importantes.
Pr´e-requisitos: Aulas 5 e 22
Nesta aula, continuaremos estudando as matrizes sim´etricas e fare-
mos uma breve discuss˜ao do chamado Teorema Espectral para Matrizes
Sim´etricas, mencionado na demonstra¸c˜ ao do Teorema 3 da aula passada. Os
detalhes da demonstra¸c˜ao desse importante teorema ser˜ao omitidos nestas
notas. Uma vers˜ ao simples do Teorema Espectral ´e apresentada a seguir.
Teorema 1 (Teorema Espectral para Matrizes Sim´etricas)
Seja A ∈ M
n
(R) uma matriz sim´etrica (isto ´e, A
t
= A). Ent˜ ao vale:
1. A matriz A possui n autovalores reais, contando suas multiplicidades.
2. A dimens˜ao do auto-espa¸co associado a cada autovalor λ ´e igual `a
multiplicidade de λ como raiz do polinˆomio caracter´ıstico de A, isto ´e,
a multiplicidade geom´etrica de λ ´e igual `a sua multiplicidade alg´ebrica.
3. Os auto-espa¸cos s˜ao ortogonais entre si, isto ´e, os autovetores associados
a autovalores distintos s˜ao ortogonais.
4. A matriz A ´e diagonaliz´avel por matriz ortogonal, isto ´e, existem uma
matriz ortogonal P e uma matriz diagonal D tal que A = PDP
t
.
Observa¸c˜oes:
1. Como j´a foi observado anteriormente, o polinˆomio caracter´ıstico de uma
matriz A n˜ao possui necessariamente apenas ra´ızes reais. Por exemplo,
dada a matriz
A =
_
0 −1
1 0
_
,
seu polinˆomio caracter´ıstico, dado por p(x) = x
2
+1, n˜ao possui ra´ızes
reais. Mas isso n˜ao acontece se A for uma matriz sim´etrica. O item
1 do Teorema Espectral afirma que o polinˆomio caracter´ıstico de uma
matriz sim´etrica possui apenas ra´ızes reais. A demonstra¸c˜ao desse fato,
embora simples, ´e bem trabalhosa e utiliza o Teorema Fundamental
da
´
Algebra, que diz que todo polinˆomio de grau n com coeficientes
35
CEDERJ
O Teorema Espectral
reais possui n ra´ızes reais ou complexas, contando suas multiplicidades.
Na demonstra¸c˜ ao do Teorema Espectral mostra-se que as n ra´ızes do
polinˆomio caracter´ıstico s˜ao, de fato, ra´ızes reais.
2. Se A ´e uma matriz sim´etrica e tem n autovalores distintos, ent˜ao pelo
Teorema 2 da Aula 5 e pelo Teorema 2 da Aula 22, vemos que A ´e
diagonaliz´avel por matriz ortogonal.
3. Se A ´e uma matriz sim´etrica e tem algum autovalor com multiplicidade
alg´ebrica maior que 1, ainda ´e verdade que podemos diagonaliz´a-la. Na
verdade, podemos mostrar que se A ´e sim´etrica e tem um autovalor λ
de multiplicidade k, ent˜ ao o auto-espa¸co associado tem dimens˜ao k.
Isto significa que o sistema linear
(λI
n
−A)v = 0
admite k solu¸c˜ oes linearmente independentes, isto ´e, a matriz A tem
k autovetores linearmente independentes associados ao autovalor λ.
Usando o processo de ortogonaliza¸c˜ao de Gram-Schmidt, podemos ob-
ter uma base ortonormal para este auto-espa¸co. Obtemos assim um
conjunto de k autovetores ortonormais associados ao autovalor λ. Como
autovetores associados a autovalores distintos s˜ao ortogonais, ent˜ ao,
considerando o conjunto de todos os autovalores de A, obtemos uma
base ortonormal de autovetores para R
n
. Conseq¨ uentemente, A ´e uma
matriz diagonaliz´avel, e a matriz diagonalizadora P, formada pela base
de autovetores de A, ´e uma matriz ortogonal.
Decomposi¸c˜ao espectral de uma matriz sim´etrica
Seja A ∈ M
n
(R) uma matriz sim´etrica e ¦u
1
, u
2
, . . . , u
n
¦ uma base
ortonormal de autovetores associados aos autovalores λ
1
, λ
2
, . . . , λ
n
da matriz
A. Seja P a matriz ortogonal tendo esses autovetores como colunas e D a
matriz diagonal tal que A = PDP
t
. Ent˜ ao
A = PDP
t
= [u
1
u
2
u
n
]
_
¸
¸
¸
¸
_
λ
1
0 0
0 λ
2
0
.
.
.
.
.
.
.
.
.
0 0 λ
n
_
¸
¸
¸
¸
_
[u
1
u
2
u
n
]
t
= [λ
1
u
1
λ
2
u
2
λ
n
u
n
] [u
1
u
2
u
n
]
t
= λ
1
u
1
u
t
1
+ λ
2
u
2
u
t
2
+ λ
n
u
n
u
t
n
.
Esta representa¸ c˜ao ´e chamada uma decomposi¸c˜ao espectral de A.
CEDERJ
36
O Teorema Espectral
M
´
ODULO 3 – AULA 23
Exemplo 1
Obtenha uma decomposi¸c˜ao espectral da matriz A =
_
7 2
2 4
_
.
Solu¸c˜ao
Sendo A uma matriz sim´etrica, essa decomposi¸c˜ao existe. O polinˆomio
caracter´ıstico de A ´e dado por
p(x) = det(xI
2
−A)
= x
2
−11x + 24
= (x −8)(x −3) .
Ent˜ao os autovalores s˜ao λ
1
= 8 e λ
2
= 3, e ainda podemos obter os
respectivos autovetores u
1
= (2
_√
5, 1
_√
5) e u
2
= (−1
_√
5, 2
_√
5). Assim,
temos que
A = PDP
t
_
7 2
2 4
_
=
_
2
_√
5 −1
_√
5
1
_√
5 2
_√
5
_ _
8 0
0 3
_ _
2
_√
5 1
_√
5
−1
_√
5 2
_√
5
_
Denotando a matriz P = [u
1
u
2
], temos, pela decomposi¸c˜ao espectral,
que:
A = 8u
1
u
t
1
+ 3u
2
u
t
2
.
Para verificar essa decomposi¸c˜ao da matriz A, observe que:
u
1
u
t
1
=
_
2
_√
5
1
_√
5
_
_
2
_√
5 2
_√
5
_
=
_
4/5 2/5
2/5 1/5
_
u
2
u
t
2
=
_
−1
_√
5
2
_√
5
_
_
−1
_√
5 2
_√
5
_
=
_
1/5 −2/5
−2/5 4/5
_
e, finalmente,
8u
1
u
t
1
+ 3u
2
u
t
2
=
_
32/5 16/5
16/5 8/5
_
+
_
3/5 −6/5
−6/5 12/5
_
=
_
7 2
2 4
_
= A.
Processo de diagonaliza¸c˜ao de uma matriz sim´etrica
A ∈ M
n
(R)
1
o
Passo: Obtenha o polinˆomio caracter´ıstico da matriz A,
p(x) = det(xI
n
−A).
2
o
Passo: Encontre as ra´ızes do polinˆomio caracter´ıstico de A. Elas s˜ao
todas reais e existem exatamente n delas, contando suas multiplicidades.
37
CEDERJ
O Teorema Espectral
3
o
Passo: Para cada autovalor λ da matriz A, de multiplicidade alg´ebrica
k, determine seu auto-espa¸co associado
V
λ
= ¦v ∈ R
n
[ (λI
n
−A)v = 0¦,
que ´e um subespa¸co vetorial de dimens˜ao k. Para cada V
λ
assim obtido,
determine uma base ortonormal que consistir´a de k autovetores. Se desejar,
pode utilizar o processo de ortogonaliza¸c˜ ao de Gram-Schmidt. A reuni˜ao
dessas bases determina uma base ortonormal de autovetores para R
n
.
4
o
Passo: Seja P a matriz cujas colunas s˜ao os n autovetores da base or-
tonormal de R
n
obtida no terceiro passo. Portanto, P ´e uma matriz orto-
gonal. Seja D a matriz diagonal cuja diagonal principal ´e formada pelos
n autovalores da matriz A, tomados na mesma ordem de seus autovetores
correspondentes na matriz P. Temos, ent˜ao,
A = PDP
t
.
Exemplo 2
Aplique o processo de diagonaliza¸c˜ ao acima `a matriz
A =
_
_
_
0 2 2
2 0 2
2 2 0
_
_
_
e obtenha sua decomposi¸c˜ ao espectral.
Solu¸c˜ao
Observe, inicialmente, que A ´e uma matriz sim´etrica e, portanto, se
aplica o processo de diagonaliza¸c˜ao acima. N˜ao ´e dif´ıcil determinar que o
polinˆomio caracter´ıstico da matriz A ´e dado por
p(x) = det(xI
3
−A) = (x + 2)
2
(x −4),
de modo que os autovalores de A s˜ao:
λ
1
= −2 com multiplicidade alg´ebrica 2, e
λ
2
= 4 com multiplicidade alg´ebrica 1.
O auto-espa¸co associado a λ
1
= −2 ´e dado por
V
−2
= ¦v ∈ R
3
[ (A + 2 I
3
)v = 0¦
= ¦(x, y, z) ∈ R
3
[x + y + z = 0¦.
CEDERJ
38
O Teorema Espectral
M
´
ODULO 3 – AULA 23
Para escolhermos uma base ortogonal de V
−2
, podemos usar o pro-
cesso de ortogonaliza¸c˜ao de Gram-Schmidt a partir de uma base qualquer de
V
−2
ou podemos tentar obter diretamente dois vetores ortonormais de V
−2
,
como j´a foi feito anteriormente. Faremos o c´alculo diretamente. Da equa¸c˜ao
x + y + z = 0 podemos ver facilmente que v
1
= (1, 0, −1) ∈ V
−2
. O outro
vetor, v
2
= (a, b, c) ∈ V
−2
, deve satisfazer a +b +c = 0 e ainda ser ortogonal
a v
1
, isto ´e, ¸v
2
, v
1
) = 0, ou seja, a − c = 0. Portanto, v
2
= (a, b, c) deve
satisfazer o sistema linear
_
a + b + c = 0
a −c = 0 .
Completando os c´alculos, obtemos, por exemplo, v
2
= (1, −2, 1). Nor-
malizando esses dois vetores, obtemos:
u
1
=
v
1
[[v
1
[[
= (1
_√
2 , 0 , −1
_√
2) e
u
2
=
v
2
[[v
2
[[
= (1
_√
6 , −2
_√
6 , 1
_√
6).
Assim, ¦u
1
, u
2
¦ forma uma base ortonormal do auto-espa¸co V
−2
.
Por outro lado, o auto-espa¸co associado a λ
2
= 4 ´e dado por
V
4
= ¦v ∈ R
3
[ (4 I
3
−A)v = 0¦
= ¦(x, y, z) ∈ R
3
[x = z e y = z ¦ .
´
E f´acil ver que v
3
= (1, 1, 1) ∈ V
4
. Normalizando esse vetor, obtemos
que
u
3
=
v
3
[[v
3
[[
= (1
_

3 , 1
_

3 , 1
_

3)
representa uma base ortonormal do auto-espa¸co V
4
. Como A´e matriz sim´etrica,
os autovetores associados a autovalores distintos s˜ao ortogonais e, assim, u
3
´e ortogonal a u
1
e u
2
. Portanto, ¦u
1
, u
2
, u
3
¦ ´e uma base ortonormal de R
3
formada por autovetores de A. Com esses autovetores obtemos a matriz P,
e com os autovalores obtemos a matriz D:
P = [u
1
u
2
u
3
] =
_
_
_
1
_√
2 1
_√
6 1
_√
3
0 −2
_√
6 1
_√
3
−1
_√
2 1
_√
6 1
_√
3
_
_
_
;
D =
_
_
_
−2 0 0
0 −2 0
0 0 4
_
_
_
,
39
CEDERJ
O Teorema Espectral
de modo que A = PDP
t
. A decomposi¸c˜ ao espectral da matriz A ´e dada por:
A = −2u
1
u
t
1
−2u
2
u
t
2
+ 4u
3
u
t
3
,
ou ainda,
A =−2
_
_
_
1/2 0 −1/2
0 0 0
−1/2 0 1/2
_
_
_
−2
_
_
_
1/6 −2/6 1/6
−2/6 4/6 −2/6
1/6 −2/6 1/6
_
_
_
+ 4
_
_
_
1/3 1/3 1/3
1/3 1/3 1/3
1/3 1/3 1/3
_
_
_
=
_
_
_
−1 0 −1
0 0 0
1 0 −1
_
_
_
+
_
_
_
−1/3 2/3 −1/3
2/3 −4/3 2/3
−1/3 2/3 −1/3
_
_
_
+
_
_
_
4/3 4/3 4/3
4/3 4/3 4/3
4/3 4/3 4/3
_
_
_
=
_
_
_
0 2 2
2 0 2
2 2 0
_
_
_
.
Resumo
´
E muito importante que vocˆe entenda bem o significado deste Teorema
Espectral. Lembre do que aconteceu em exemplos vistos anteriormente, em
que a matriz considerada n˜ao era sim´etrica. Estudamos exemplos de ma-
trizes n˜ao-sim´etricas com autovalores repetidos que eram diagonaliz´aveis e
outros exemplos de matrizes n˜ao-sim´etricas que n˜ao eram diagonaliz´aveis.
H´a algumas diferen¸cas marcantes entre os casos sim´etrico e n˜ao-sim´etrico
que tentaremos resumir agora.
Se A for uma matriz n˜ao-sim´etrica, ent˜ao nem todas as ra´ızes de seu
polinˆomio caracter´ıstico precisam ser n´ umeros reais, o que ´e necess´ario no
caso de a matriz A ser sim´etrica. Se A for uma matriz n˜ao-sim´etrica e todas
as ra´ızes de seu polinˆomio caracter´ıstico forem n´ umeros reais, ent˜ao ainda ´e
poss´ıvel que A n˜ao seja diagonaliz´avel.
´
E o caso em que um autovalor λ de
multiplicidade alg´ebrica k n˜ao possui k autovetores linearmente independen-
tes, isto ´e, quando o auto-espa¸co correspondente tem dimens˜ao menor que
k, ou ainda, quando a multiplicidade geom´etrica do autovalor ´e menor que
sua multiplicidade alg´ebrica. Agora, quando A ´e uma matriz sim´etrica, al´em
de todos os autovalores serem reais, s˜ao iguais a multiplicidade alg´ebrica e a
multiplicidade geom´etrica de cada autovalor.
E, por fim, diferente do que ocorre no caso de matriz sim´etrica, se a
matriz A´e n˜ao-sim´etrica, ent˜ ao autovetores associados a autovalores distintos
n˜ao precisam ser ortogonais. Estude e analise, com a ajuda de seu tutor,
exemplos j´a vistos em aulas anteriores em que ocorrem as diferen¸cas descritas
aqui.
CEDERJ
40
O Teorema Espectral
M
´
ODULO 3 – AULA 23
Exerc´ıcios
1. Em cada caso, aplique o processo de diagonaliza¸c˜ ao `a matriz A, deter-
minando as matrizes ortogonal P e diagonal D tais que A = PDP
t
.
a) A =
_
2 2
2 2
_
b) A =
_
_
_
0 −1 −1
−1 0 −1
−1 −1 0
_
_
_
c) A =
_
_
_
_
_
2 2 0 0
2 2 0 0
0 0 2 2
0 0 2 2
_
_
_
_
_
2. Sejam A =
_
_
_
3 1 1
1 3 1
1 1 3
_
_
_
e v =
_
_
_
−1
1
0
_
_
_
. Verifique que λ = 5 ´e um
autovalor de A e que v ´e um autovetor A. Em seguida obtenha as
matrizes ortogonal P e diagonal D tais que A = PDP
t
.
41
CEDERJ
Operadores auto-adjuntos
M
´
ODULO 3 – AULA 24
Aula 24 – Operadores auto-adjuntos
Objetivos:
• Compreender o conceito de operador auto-adjunto.
• Aplicar os conceitos apresentados em exemplos importantes.
Pr´e-requisitos: Aulas 8 e 20 a
23
Nesta aula vamos definir os operadores lineares T : R
n
→ R
n
associ-
ados `as matrizes sim´etricas e estudar suas propriedades. Como estaremos
trabalhando sempre com bases ortonormais, ´e de suma importˆancia que o
espa¸co vetorial R
n
esteja munido de um produto interno, o qual estaremos
sempre supondo que seja o produto interno canˆonico de R
n
.
Defini¸c˜ao 3
Um operador linear T : R
n
→R
n
´e denominado auto-adjunto se satisfaz
¸T(u), v) = ¸u, T(v)) para todo u, v ∈ R
n
.
O resultado que segue relaciona os operadores auto-adjuntos com as
matrizes sim´etricas.
Teorema 1
Um operador linear T : R
n
→R
n
´e auto-adjunto se e somente se a matriz
A, que representa T com respeito a qualquer base ortonormal α de R
n
, ´e
uma matriz sim´etrica.
Demonstra¸c˜ao:
Com respeito `a base ortonormal α de R
n
, temos que T(u) = Au para
todo u ∈ R
n
. Assim, para todo u, v ∈ R
n
, temos que
¸Tu, v) = ¸Au, v) = (Au)
t
v = u
t
A
t
v
e
¸u, Tv) = ¸u, Av) = u
t
Av,
onde A
t
´e a transposta da matriz A. Assim,
T ´e auto-adjunto ⇔ ¸T(u), v) = ¸u, T(v)) para todo u, v ∈ R
n
⇔ ¸Au, v) = ¸u, Av) para todo u, v ∈ R
n
⇔ u
t
A
t
v = u
t
Av para todo u, v ∈ R
n
⇔ A
t
= A
⇔ A ´e uma matriz sim´etrica.
43
CEDERJ
Operadores auto-adjuntos
´
E importante salientar que n˜ao existe uma rela¸c˜ ao t˜ao simples entre o
operador linear T : R
n
→R
n
e sua representa¸c˜ ao matricial A = [T]
α
quando
a base α n˜ao for ortonormal (veja a observa¸ c˜ao ao final do Exemplo 1).
O Teorema 1 tamb´em fornece um crit´erio pr´atico para determinar se
um dado operador linear T : R
n
→ R
n
´e auto-adjunto. Basta considerar
qualquer base ortonormal α de R
n
e verificar se a matriz A = [T]
α
´e uma
matriz sim´etrica.
Exemplo 1
Determine se o operador linear
T : R
2
→R
2
T(x, y) = (x, 0)
´e auto-adjunto.
Solu¸c˜ao
Vimos, no Exemplo 1 da Aula 20, que T ´e a proje¸c˜ ao ortogonal sobre
o eixo-x. Considerando a base canˆonica α = ¦e
1
, e
2
¦ de R
2
, vimos que a
matriz que representa T nesta base ´e dada por
A = [T]
α
=
_
1 0
0 0
_
.
Como a base canˆonica ´e ortonormal e a matriz A ´e sim´etrica, ent˜ao,
pelo Teorema 1, o operador T ´e auto-adjunto.
Vejamos o que acontece quando escolhemos um base β de R
2
que n˜ao
´e ortonormal. Considere a base β = ¦u
1
, u
2
¦ dada por
u
1
= (

2
_
2,

2
_
2) e u
2
= (0, 1).
Est´a claro que esta base n˜ao ´e ortonormal, e ainda temos que
Tu
1
= T(

2
_
2,

2
_
2) = (

2
_
2, 0) = 1 u
1
+ (−

2
_
2) u
2
Tu
2
= T(0, 1) = (0, 0) = 0 u
1
+ 0 u
2
.
Da´ı, segue que a matriz que representa T na base β ´e dada por
B = [T]
β
=
_
1 0


2
_
2 0
_
.
Observe que esta matriz n˜ao ´e sim´etrica, mas tamb´em a base β n˜ao ´e orto-
normal, o que n˜ao contradiz o Teorema 1.
CEDERJ
44
Operadores auto-adjuntos
M
´
ODULO 3 – AULA 24
Exemplo 2
Considere os operadores lineares
T
1
: R
2
→R
2
, T
1
(x, y) = (x, 2y)
e
T
2
: R
2
→R
2
, T
2
(x, y) = (y, x).
Verifique que T
1
e T
2
s˜ao operadores auto-adjuntos e verifique se a
composi¸c˜ ao T
1
◦ T
2
tamb´em ´e operador auto-adjunto.
Solu¸c˜ao
Considerando a base canˆonica de R
2
, verificamos que as matrizes A
1
e
A
2
que representam respectivamente, os operadores T
1
e T
2
nesta base, s˜ao
dadas por
A
1
=
_
1 0
0 2
_
e A
2
=
_
0 1
1 0
_
.
Como essas duas matrizes s˜ao matrizes sim´etricas, conclu´ımos, pelo
Teorema 1, que T
1
e T
2
s˜ao operadores auto-adjuntos. No entanto, o operador
obtido pela composi¸c˜ ao
T
1
◦ T
2
: R
2
→R
2
, (T
1
◦ T
2
)(x, y) = (y, 2x)
´e representado, na base canˆonica, pela matriz
B =
_
0 2
1 0
_
,
que n˜ao ´e uma matriz sim´etrica. Assim, outra vez pelo Teorema 1, a com-
posi¸c˜ ao T
1
◦T
2
n˜ao ´e um operador auto-adjunto. Da´ı, conclu´ımos que a com-
posi¸c˜ ao de operadores auto-adjuntos n˜ao ´e, necessariamente, auto-adjunto.
O pr´oximo teorema segue imediatamente dos resultados sobre matrizes
sim´etricas estudados nas Aulas 22 e 23.
Teorema 2
Seja T : R
n
→R
n
um operador auto-adjunto. Ent˜ ao
1. Autovetores correspondentes a autovalores distintos de T s˜ao ortogo-
nais, isto ´e, se v
1
, v
2
, . . . , v
k
s˜ao k autovetores associados aos autova-
lores distintos λ
1
, λ
2
, . . . , λ
k
, ent˜ ao v
1
, v
2
, . . . , v
k
s˜ao ortogonais.
2. O operador T possui n autovalores reais, contando suas multiplicidades.
45
CEDERJ
Operadores auto-adjuntos
3. A dimens˜ao do auto-espa¸co associado a cada autovalor λ ´e igual `a mul-
tiplicidade de λ como raiz do polinˆomio caracter´ıstico de T, isto ´e, a
multiplicidade geom´etrica de cada autovalor λ ´e igual `a sua multiplici-
dade alg´ebrica.
4. Os auto-espa¸cos de T s˜ao ortogonais entre si.
5. Existe uma base ortonormal ¦u
1
, u
2
, . . . , u
n
¦ de R
n
formada por auto-
vetores de T.
A ´ ultima afirma¸c˜ ao do Teorema 2 tamb´em ´e conhecida como Teorema
Espectral para Operadores Auto-Adjuntos Reais e diz, simplesmente, que
estes operadores s˜ao diagonaliz´aveis.
Exemplo 3
Seja T : R
3
→R
3
dado por
T(x, y, z) = (3x, 2y + z, y + 2z).
a) Verifique que T ´e um operador auto-adjunto.
b) Determine os autovalores e os autovetores de T e verifique que T ´e
diagonaliz´avel.
Solu¸c˜ao
a) Considerando a base canˆonica ¦e
1
, e
2
, e
3
¦ de R
3
, temos que
Te
1
= T(1, 0, 0) = (3, 0, 0),
Te
2
= T(0, 1, 0) = (0, 2, 1),
Te
3
= T(0, 0, 1) = (0, 1, 2).
Assim, a matriz que representa o operador linear T na base canˆonica ´e
dada por
A =
_
_
_
3 0 0
0 2 1
0 1 2
_
_
_
.
Observando que A ´e uma matriz sim´etrica, temos, pelo Teorema 1, que T ´e
um operador auto-adjunto.
CEDERJ
46
Operadores auto-adjuntos
M
´
ODULO 3 – AULA 24
b) O polinˆomio caracter´ıstico do operador T ´e dado por
p(x) = det(xI
3
−A)
=
¸
¸
¸
¸
¸
¸
¸
x −3 0 0
0 x −2 −1
0 −1 x −2
¸
¸
¸
¸
¸
¸
¸
= (x −3)
2
(x −1) .
Assim, os autovalores de T s˜ao λ
1
= 3, com multiplicidade alg´ebrica 2,
e λ
2
= 1 com multiplicidade alg´ebrica 1. N˜ao ´e dif´ıcil obter que o auto-espa¸co
V
3
, associado a λ
1
= 3, ´e dado por
V
3
= ¦v ∈ R
3
[Tv = 3v¦
= ¦(x, y, z) ∈ R
3
[y = z e x arbitr´ario¦ .
Portanto, uma base ortonormal de V
3
´e dada por
u
1
= (1, 0, 0) e u
2
= (0, 1
_

2, 1
_

2).
Analogamente, o auto-espa¸co V
1
, associado a λ
2
= 1, ´e dado por
V
1
= ¦v ∈ R
3
[ Tv = v¦
= ¦(x, y, z) ∈ R
3
[ x = 0 e y = −z¦ ,
e uma base ortonormal de V
1
´e dada pelo vetor u
3
= (0, 1
_√
2, −1
_√
2).
Conseq¨ uentemente, β = ¦u
1
, u
2
, u
3
¦ ´e uma base ortonormal de R
3
formada
por autovetores de T e, nesta base, T ´e representado pela matriz diagonal
B = [T]
β
=
_
_
_
3 0 0
0 3 0
0 0 1
_
_
_
.
Portanto, T ´e um operador diagonaliz´avel.
Exemplo 4
Determine valores de a, b ∈ R de modo que o operador T : R
3
→ R
3
,
definido por
T(x, y, z) = (x + 2ay + 2z, 4x −5y −bz, 2x −4y + z),
seja auto-adjunto. Determine, tamb´em, uma base ortonormal de R
3
formada
por autovetores de T e a matriz que representa T nesta base.
47
CEDERJ
Operadores auto-adjuntos
Solu¸c˜ao
Considerando a base canˆonica ¦e
1
, e
2
, e
3
¦ de R
3
, temos que
Te
1
= T(1, 0, 0) = (1, 4, 2) = 1 e
1
+ 4 e
2
+ 2 e
3
,
Te
2
= T(0, 1, 0) = (2a, −5, −4) = 2a e
1
+ (−5) e
2
+ (−4) e
3
,
Te
3
= T(0, 0, 1) = (2, −b, 1) = 2 e
1
+ (−b) e
2
+ 1 e
3
.
Assim, a matriz que representa o operador linear T na base canˆonica ´e
dada por
A =
_
_
_
1 2a 2
4 −5 −b
2 −4 1
_
_
_
.
Para que T seja um operador auto-adjunto ´e necess´ario que a matriz A
seja sim´etrica, isto ´e, que A
t
= A. Para isso, ´e preciso que 2a = 4 e −b = −4,
ou seja, que
a = 2 e b = 4.
Assim, obtemos a matriz sim´etrica
A =
_
_
_
1 4 2
4 −5 −4
2 −4 1
_
_
_
,
garantindo que o operador T ´e auto-adjunto. N˜ao ´e dif´ıcil verificar que o
polinˆomio caracter´ıstico de T ´e dado por
p(x) = det(xI
3
−A)
= (x + 9)(x −3)
2
.
Os auto-espa¸cos correspondentes s˜ao dados por
V
−9
= ¦v ∈ R
3
[ Tv = −9v¦
= ¦(x, y, z) ∈ R
3
[ x = −z e y = 2z¦ ,
e
V
3
= ¦v ∈ R
3
[ Tv = 3v¦
= ¦(x, y, z) ∈ R
3
[ −x + 2y + z = 0¦ .
Uma base ortonormal de V
−9
´e dada pelo vetor u
1
= (1
_√
6, −2
_√
6,
−1
_√
6), enquanto uma base ortonormal de V
3
´e dada pelos vetores
u
2
= (1
_√
2, 0, 1
_√
2) e u
3
= (1
_√
3, 1
_√
3, 1
_√
3). Conseq¨ uentemente,
CEDERJ
48
Operadores auto-adjuntos
M
´
ODULO 3 – AULA 24
β = ¦u
1
, u
2
, u
3
¦ ´e uma base ortonormal de R
3
formada por autovetores
de T e, nessa base ordenada, T ´e representado pela matriz diagonal
B = [T]
β
=
_
_
_
−9 0 0
0 3 0
0 0 3
_
_
_
.
Observe que T ´e um operador diagonaliz´avel.
Exemplo 5
Dados os vetores u = (4, 4, −2), v = (4, −2, 4) e w = (1, −2, −2), seja
T : R
3
→R
3
o operador linear dado por
Tu = (10 , −2 , −2), Tv = (−2, 10, −2) e Tw = (1, 1, −5).
Verifique que T ´e um operador auto-adjunto.
Solu¸c˜ao
´
E f´acil ver que T ´e uma base ortogonal, pois
¸u, v) = 4 4 + 4 (−2) + (−2) 4 = 0 ;
¸u, w) = 4 1 + 4 (−2) + (−2) (−2) = 0 ;
¸v, w) = 4 1 + (−2) (−2) + 4 (−2) = 0 .
Assim, os vetores normalizados
u
1
=
u
[[u[[
= (2/3 , 2/3 , −1/3),
u
2
=
v
[[v[[
= (2/3 , −1/3 , 2/3) e
u
3
=
w
[[w[[
= (1/3 , −2/3 , −2/3)
formam uma base ortonormal de R
3
. Como [[u[[ = [[v[[ = 6 e [[w[[ = 3,
temos
T(u
1
) = T
_
u
[[u[[
_
= T
_
1
6
[[u[[
_
=
1
6
T(u) =
1
6
(10, −2, −2) = (5/3, −1/3, −1/3);
T(u
2
) = T
_
v
[[v[[
_
= T
_
1
6
[[v[[
_
=
1
6
T(v) =
1
6
(−2, 10, −2) = (−1/3, 5/3, −1/3);
T(u
3
) = T
_
w
[[w[[
_
= T
_
1
3
[[w[[
_
=
1
3
T(w) =
1
3
(1, 1, −5) = (1/3, 1/3, −5/3).
49
CEDERJ
Operadores auto-adjuntos
Agora, n˜ao ´e dif´ıcil ver que os vetores T(u
1
), T(u
2
) e T(u
3
) se expressam
em fun¸c˜ ao da base β = ¦u
1
, u
2
, u
3
¦ como:
T(u
1
) = (5/3, −1/3, −1/3) = 1 u
1
+ 1 u
2
+ 1 u
3
;
T(u
2
) = (−1/3, 5/3, −1/3) = 1 u
1
+ (−1) u
2
+ (−1) u
3
;
T(u
3
) = (1/3, 1/3, −5/3) = 1 u
1
+ (−1) u
2
+ 1 u
3
.
Portanto, a matriz que representa o operador T com respeito `a base
ortonormal ¦u
1
, u
2
, u
3
¦ ´e dada por
B = [T]
β
=
_
_
_
1 1 1
1 −1 −1
1 −1 1
_
_
_
.
Como B ´e uma matriz sim´etrica, conclu´ımos, pelo Teorema 1, que o
operador T ´e auto-adjunto. Observe que neste exemplo usamos uma base
ortonormal que n˜ao ´e a base canˆonica nem ´e uma base de autovetores.
Auto-avalia¸c˜ao:
´
E de suma importˆancia que vocˆe reveja e entenda muito bem a rela¸c˜ ao
que existe entre as matrizes sim´etricas, estudadas nas aulas anteriores, e os
operadores auto-adjuntos vistos nesta aula. Compare os conceitos e estude
os exemplos. Em caso de d´ uvidas n˜ao hesite em consultar o seu tutor.
Exerc´ıcios
1. Verifique que o operador T : R
3
→R
3
, dado por
T(x, y, z) = (2x + y + z, x + 2y −z, x −y + 2z),
´e auto-adjunto.
2. Determine uma base ortonormal de autovetores do operador T dado no
exerc´ıcio anterior.
CEDERJ
50
Formas bilineares
M
´
ODULO 3 – AULA 25
Aula 25 – Formas bilineares
Objetivos:
• Compreender o conceito de forma bilinear.
• Aplicar os conceitos apresentados em casos particulares.
Pr´e-requisito: Aula 22.
Nesta aula vamos introduzir um conceito que generaliza a no¸c˜ ao de
aplica¸c˜ao linear num espa¸co vetorial. Mais especificamente, vamos desenvol-
ver o conceito de forma bilinear, que d´a origem `as formas quadr´aticas que
ser˜ao estudadas na pr´oxima aula. Veremos a defini¸c˜ao de formas bilineares e
estudaremos algumas de suas propriedades, principalmente sua rela¸c˜ ao com
as matrizes, o que constitui o aspecto mais importante para fins pr´aticos.
Defini¸c˜ao 4
Seja V um espa¸co vetorial real. Uma forma bilinear em V ´e uma apli-
ca¸c˜ao
B : V V → R
(u , v) → B(u , v)
que ´e linear em cada uma das duas vari´ aveis u e v, isto ´e, que satisfaz:
i) para todo u, v, w ∈ V e a ∈ R,
B(u +w, v) = B(u, v) + B(w, v)
B(a u, v) = a B(u, v);
ii) para todo u, v, w ∈ V e a ∈ R,
B(u, w+v) = B(u, w) + B(u, v)
B(u, a v) = a B(u, v).
Exemplo 1
Seja F o produto escalar em R
n
, isto ´e, dados u = (u
1
, u
2
, . . . , u
n
),
v = (v
1
, v
2
, . . . , v
n
) ∈ R
n
, considere a aplica¸c˜ ao
F : V V → R
(u, v) → F(u, v) = u
1
v
1
+ u
2
v
2
+ + u
n
v
n
.
Verifique que F ´e uma forma bilinear em R
n
.
51
CEDERJ
Formas bilineares
Solu¸c˜ao
De fato, considerando outro vetor w = (w
1
, w
2
, . . . , w
n
) ∈ R
n
e
a ∈ R, temos que
F(u + a w, v) = B((u
1
+ aw
1
, u
2
+ aw
2
, . . . , u
n
+ aw
n
) , (v
1
, v
2
, . . . , v
n
))
= (u
1
+ aw
1
)v
1
+ (u
2
+ aw
2
)v
2
+ + (u
n
+ aw
n
)v
n
= (u
1
v
1
+ u
2
v
2
+ + u
n
v
n
) + a (w
1
v
1
+ w
2
v
2
+ + w
n
v
n
)
= F(u, v) + a F(w, v) ,
o que mostra que F(u, v) ´e uma transforma¸c˜ao linear na primeira vari´avel
u. Um argumento an´alogo, deixado a cargo do aluno, mostra que F(u, v)
tamb´em ´e uma transforma¸c˜ ao linear na segunda vari´avel v. Assim, podemos
concluir que F(u, v) ´e uma aplica¸c˜ao bilinear de R
n
.
Exemplo 2
Seja a matriz
A =
_
_
_
2 0 0
4 2 0
0 0 3
_
_
_
.
Mostre que podemos associar `a matriz A uma forma bilinear B : R
3
R
3

R dada por
B((x
1
, x
2
, x
3
), (y
1
, y
2
, y
3
)) = (x
1
x
2
x
3
)
_
_
_
2 0 0
4 2 0
0 0 3
_
_
_
_
_
_
y
1
y
2
y
3
_
_
_
= 2 x
1
y
1
+ 4 x
2
y
1
+ 2 x
2
y
2
+ 3 x
3
y
3
.
Solu¸c˜ao
Observe que para todo par de vetores u, v ∈ R
3
u =
_
_
_
x
1
x
2
x
3
_
_
_
e v =
_
_
_
y
1
y
2
y
3
_
_
_
,
podemos reescrever
B(u, v) = u
t
Av,
onde u
t
´e a matriz transposta de u. Assim, a bilinearidade da aplica¸c˜ ao
B(u, v) decorre facilmente das propriedades do produto e da soma de
matrizes.
Este exemplo ´e facilmente generalizado.
CEDERJ
52
Formas bilineares
M
´
ODULO 3 – AULA 25
Teorema 1
Seja A = (a
ij
) ∈ M
n
(R), isto ´e, uma matriz de ordem n. Podemos
associar `a matriz A uma forma bilinear F : R
n
R
n
→ R dada por
F(u, v) = u
t
Av,
onde u, v ∈ R
n
.
Observe que, reescrevendo os vetores u e v na forma
u =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
e v =
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
_
,
ent˜ao
F(u, v) = u
t
Av
= (x
1
x
2
x
n
)
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
_
= a
11
x
1
y
1
+ a
12
x
1
y
2
+ + a
nn
x
n
y
n
=
n

i, j=1
a
ij
x
i
y
j
.
Seja V um espa¸co vetorial real, F : V V → R uma forma bilinear em V , e
α = ¦e
1
, e
2
, . . . , e
n
¦ uma base de V . Sejam u, v ∈ V com
u = u
1
e
1
+ u
2
e
2
+ + u
n
e
n
e
v = v
1
e
1
+ v
2
e
2
+ + v
n
e
n
.
Ent˜ao,
F(u, v) = F(u
1
e
1
+ u
2
e
2
+ + u
n
e
n
, v
1
e
1
+ v
2
e
2
+ + v
n
e
n
)
= u
1
v
1
F(e
1
, e
1
) + u
1
v
2
F(e
1
, e
2
) + + u
n
v
n
F(e
n
, e
n
)
=
n

i, j=1
u
i
v
j
F(e
i
, e
j
) .
Assim, a forma bilinear F fica completamente determinada pela n
2
valores
F(v
i
, v
j
).
53
CEDERJ
Formas bilineares
Defini¸c˜ao 5
A matriz A = (a
ij
), com a
ij
= F(e
i
, e
j
), ´e chamada de representa¸c˜ao
matricial da forma bilinear F com rela¸c˜ ao `a base α, ou, simplesmente, de
matriz de F com rela¸c˜ao a α.
Esta matriz representa F no sentido que
F(u, v) =
n

i, j=1
u
i
v
j
F(e
i
, e
j
) = [u]
t
α
A[v]
α
para todo par de vetores u, v ∈ V . Como de costume, [u]
α
denota o vetor
das coordenadas de u com respeito `a base α.
Exemplo 3
Seja a forma bilinear F : R
2
R
2
→ R dada por
F(u, v) = F((x
1
, x
2
), (y
1
, y
2
)) = x
1
y
1
− x
1
y
2
+ 3 x
2
y
1
−5 x
2
y
2
,
para todo u = (x
1
, x
2
) , v = (y
1
, y
2
) ∈ R
2
. Considere α = ¦e
1
, e
2
¦ a
base canˆonica de R
2
e β = ¦(1 , 0) , (1 , 1)¦ outra base de R
2
. Determine
a matriz de F com respeito a essas bases.
Solu¸c˜ao
Primeiramente, fa¸camos o c´alculo da matriz de F com respeito `a
base canˆonica:
F(e
1
, e
1
) = F((1 , 0), (1 , 0)) = 1
F(e
1
, e
2
) = F((1 , 0), (0 , 1)) = −1;
F(e
2
, e
1
) = F((0 , 1), (1 , 0)) = 3;
F(e
2
, e
2
) = F((0 , 1), (0 , 1)) = −5.
Portanto, temos que a matriz de F na base canˆonica ´e
A =
_
1 −1
3 −5
_
.
Para a matriz de F na base β, temos
F((1 , 0), (1 , 0)) = 1;
F((1 , 0), (1 , 1)) = 0;
F((1 , 1), (1 , 0)) = 4;
F((1 , 1), (1 , 1)) = −2.
Portanto, temos que a matriz de F na base β = ¦(1 , 0) , (1 , 1)¦ ´e
B =
_
1 0
4 −2
_
.
CEDERJ
54
Formas bilineares
M
´
ODULO 3 – AULA 25
Um problema interessante ´e saber qual a rela¸c˜ao entre as matrizes A e
B que representam uma mesma forma bilinear F em duas bases α e β,
respectivamente.
No caso do exemplo anterior, se P representa a matriz mudan¸ca de
base, da base α para a base β, temos
P =
_
1 1
0 1
_
.
Da´ı,
B =
_
1 0
4 −2
_
=
_
1 0
1 1
_ _
1 −1
3 −5
_ _
1 1
0 1
_
= P
t
AP .
De um modo geral, temos o seguinte teorema:
Teorema 2
Seja F uma forma bilinear de um espa¸co vetorial V . Se A ´e a matriz
de F numa base α e B ´e matriz de F numa base β de V , ent˜ao
B = P
t
AP,
onde P ´e a matriz mudan¸ca de base, da base α para a base β.
Defini¸c˜ao 6
Uma forma bilinear F no espa¸co vetorial V ´e denominada sim´etrica se
F(u, v) = F(v, u)
para todo par de vetores u, v ∈ V .
Teorema 3
Seja F uma forma bilinear no espa¸co vetorial V e A a matriz que
representa F numa base α de V . Ent˜ao F ´e uma forma bilinear sim´etrica se
e somente se A ´e uma matriz sim´etrica.
Demonstra¸c˜ao:
Por F ser uma forma bilinear em V , temos que
F(u, v) = u
t
Av
= (u
t
Av)
t
, pois u
t
Av ´e um escalar
= v
t
A
t
u .
55
CEDERJ
Formas bilineares
Se, ainda, F for uma forma bilinear sim´etrica, ent˜ ao
v
t
A
t
u = F(u, v) = F(v, u) = v
t
Au
para todo u, v ∈ V . Portanto, temos
A
t
= A,
isto ´e, a matriz A ´e sim´etrica.
Reciprocamente, se A ´e uma matriz sim´etrica (isto ´e, A
t
= A), ent˜ao a
forma bilinear F tamb´em ´e sim´etrica, pois
F(u, v) = u
t
Av
= (u
t
Av)
t
, pois u
t
Av ´e um escalar
= v
t
A
t
u
= v
t
Au , pois A
t
= A
= F(v, u)
para todo par de vetores u, v ∈ V .
Auto-avalia¸c˜ao
Vocˆe deve ter compreendido que o conceito de forma bilinear ´e
uma generaliza¸c˜ ao do conceito de transforma¸c˜ ao linear j´a bastante estu-
dado.
´
E de extrema importˆancia rever todos os conceitos e tentar resolver os
exerc´ıcios propostos. Caso surjam dificuldades, consulte as notas de aula ou
pe¸ca ajuda ao seu tutor. Os conceitos desta aula ainda ser˜ao bastante utili-
zados. Por isso, n˜ao deixe de fazer uma boa revis˜ao de matrizes sim´etricas.
Exerc´ıcios
1. Seja A ∈ M
n
(R). Verifique que a aplica¸c˜ao F : R
n
R
n
→ R, definida
por F(u, v) = u
t
Av ´e uma forma bilinear.
2. Seja F : R
3
R
3
→ R, definida por F(u, v) = ¸u, v), o produto
escalar em R
3
.
(a) Determine a matriz A que representa a forma bilinear F com
respeito `a base canˆonica α ⊂ R
3
.
(b) Determine a matriz B que representa a forma bilinear F com
respeito `a base β = ¦(1 , 1 , 0) , (−1 , 0 , 1) , (0 , 2 , 1)¦.
CEDERJ
56
Formas bilineares
M
´
ODULO 3 – AULA 25
3. Seja a forma bilinear F : R
2
R
2
→ R definida por
F(u, v) = F((x
1
, x
2
), (y
1
, y
2
)) = 2 x
1
y
1
−3 x
1
y
2
+ x
2
y
2
,
para todo u = (x
1
, x
2
) , v = (y
1
, y
2
) ∈ R
2
.
a) Determine a matriz A que representa F com respeito `a base α =
¦(1 , 0) , (1 , 1)¦.
b) Determine a matriz B que representa F com respeito `a base β =
¦(2 , 1) , (1 , −1)¦.
c) Determine a matriz mudan¸ ca de base P, da base α para a base β, e
verifique que B = P
t
AP.
57
CEDERJ
Formas quadr´aticas
M
´
ODULO 3 – AULA 26
Aula 26 – Formas quadr´aticas
Objetivos:
• Compreender o conceito de forma quadr´atica.
• Aplicar os conceitos apresentados em casos particulares.
Pr´e-requisitos: Aulas 22 e 25.
As formas bilineares, vistas na aula anterior, d˜ao origem `as formas
quadr´aticas que ser˜ao estudadas nesta aula. As formas quadr´aticas ocorrem
com grande destaque em aplica¸c˜ oes da
´
Algebra Linear `a Engenharia, como
em crit´erios para projetos, em problemas de otimiza¸c˜ ao e em processamento
de sinais. Elas tamb´em ocorrem na F´ısica, em descri¸c˜oes de energia potencial
e energia cin´etica; em Economia, nas fun¸c˜ oes de utilidade; e, tamb´em, em
Estat´ıstica. Em todas essas situa¸c˜oes ´e muito importante o conhecimento do
sinal (positivo ou negativo) que a forma quadr´atica pode assumir, assim como
o conhecimento de seus autovalores associados. Uma parte muito importante
da base matem´atica para o estudo das formas quadr´aticas segue facilmente
do nosso estudo pr´evio sobre matrizes sim´etricas.
Defini¸c˜ao 7
Seja V um espa¸co vetorial real. Uma aplica¸c˜ ao q : V → R ´e chamada de
forma quadr´atica se existe uma forma bilinear sim´etrica F : V V → R tal
que q(v) = F(v, v) para todo v ∈ V .
Seja A a matriz que representa a forma bilinear F na base α ⊂ V .
Dizemos que matriz A ´e a representa¸c˜ao matricial da forma quadr´atica q
com espeito a essa mesma base α ⊂ V . Como a forma bilinear F ´e sim´etrica,
ent˜ao, pelo Teorema 3 da Aula 25, a matriz A ´e uma matriz sim´etrica. Com
respeito `a base α, denotamos A = (a
ij
) e v = (x
1
, x
2
, . . . , x
n
) ∈ V ; ent˜ao
q(v) = F(v, v)
= v
t
Av
= (x
1
x
2
x
n
)
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
=
n

i, j=1
a
ij
x
i
x
j
.
59
CEDERJ
Formas quadr´aticas
E agora, sendo A sim´etrica, vale que a
ij
= a
ji
. Portanto,
q(v) =
n

i, j=1
a
ij
x
i
x
j
= a
11
x
2
1
+ a
22
x
2
2
+ + a
nn
x
2
n
+ 2
n

i<j
a
ij
x
i
y
j
. (1)
Observe ainda que, se A for uma matriz diagonal, isto ´e a
ij
= 0 para
i ,= j, ent˜ ao teremos
n

i<j
a
ij
x
i
y
j
= 0,
o que nos d´a
q(v) = a
11
x
2
1
+ a
22
x
2
2
+ + a
nn
x
2
n
,
que ser´a denominada representa¸c˜ao diagonal da forma quadr´atica q. Vere-
mos, mais `a frente, que toda forma quadr´atica sempre admite uma repre-
senta¸c˜ao diagonal.
Exemplo 1
Seja a forma quadr´atica q : R
2
→ R dada por
q(x, y) = x
2
−10xy + y
2
.
Determine a matriz A que representa a forma quadr´atica q com respeito `a
base canˆonica.
Solu¸c˜ao
Como A ´e uma matriz sim´etrica, podemos denotar
A =
_
a b
b c
_
;
temos ent˜ ao
q(x, y) = (x y)
_
a b
b c
_ _
x
y
_
= ax
2
+ 2bxy + cy
2
.
Ent˜ao, vale que
ax
2
+ 2bxy + cy
2
= x
2
−10xy + y
2
,
de onde conclu´ımos que
a = 1, b = −5 e c = 1,
obtendo
A =
_
1 −5
−5 1
_
.
CEDERJ
60
Formas quadr´aticas
M
´
ODULO 3 – AULA 26
Observe que q ´e a forma quadr´atica associada `a forma bilinear
F(u, v) = (x
1
x
2
)
_
1 −5
−5 1
_ _
y
1
y
2
_
= x
1
y
1
−5x
2
y
1
−5x
1
y
2
+ x
2
y
2
,
onde u = (x
1
, x
2
) , v = (y
1
, y
2
) ∈ R
2
, com respeito `a base canˆonica.
Exemplo 2
Seja q : R
3
→ R a forma quadr´atica dada por
q(v) = q(x
1
, x
2
, x
3
) = 5 x
2
1
+ 3 x
2
2
+ 2 x
2
3
−x
1
x
2
+ 8 x
2
x
3
,
onde v = (x
1
, x
2
, x
3
) ∈ R
3
. Determinar a matriz A que representa a forma
quadr´atica q com respeito `a base canˆonica e expresse a forma quadr´atica na
forma matricial q(v) = v
t
Av.
Solu¸c˜ao
Os coeficientes de x
2
1
, x
2
2
e x
2
3
formam a diagonal principal da matriz
A, como indica a equa¸c˜ ao (6). Como A ´e matriz sim´etrica, o coeficiente de
x
i
x
j
, para i ,= j, ´e a soma dos coeficientes iguais a
ij
= a
ji
, como indica outra
vez a equa¸c˜ ao (6). Portanto,
a
ij
= a
ji
=
1
2
(coeficiente de x
i
x
j
).
Assim, ´e f´acil ver que
A =
_
_
_
5 −1/2 0
−1/2 3 4
0 4 2
_
_
_
.
E, finalmente,
q(x
1
, x
2
, x
3
) = (x
1
x
2
x
3
)
_
_
_
5 −1/2 0
−1/2 3 4
0 4 2
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
.
Queremos agora estudar o efeito de uma mudan¸ca de base sobre uma
forma quadr´atica. Assim, sejam q : V → R uma forma quadr´atica e α e β
duas bases do espa¸co vetorial V . Seja P a matriz mudan¸ca de base da base
α para a base β. Se A ´e a matriz que representa a forma quadr´atica q na
61
CEDERJ
Formas quadr´aticas
base α e B ´e a matriz de q na base β, ent˜ ao, pelo Teorema 2 da Aula 25,
sabemos que
B = P
t
AP.
Observe que, se P ´e a matriz ortogonal que diagonaliza a matriz A,
ent˜ao B = P
t
AP = P
−1
AP ´e uma matriz diagonal. Nesse caso, a ma-
triz P tamb´em ´e chamada mudan¸ca de vari´aveis. Usaremos esses fatos no
pr´oximo exemplo.
Exemplo 3
Determine uma mudan¸ ca de vari´avel P que transforma a forma quadr´atica
q : R
2
→ R, dada por
q(x
1
, x
2
) = x
2
1
−8x
1
x
2
−5x
2
2
na base canˆonica, em uma forma diagonal. Obtenha, tamb´em, a express˜ao
dessa forma diagonal.
Solu¸c˜ao
Observando os coeficientes de q, vemos que a matriz A que representa
q na base canˆonica ´e dada por
A =
_
1 −4
−4 −5
_
.
Diagonalizar a forma quadr´atica q ´e equivalente a diagonalizar a matriz
sim´etrica A. Usando os procedimentos j´a conhecidos sobre diagonaliza¸c˜ ao de
matrizes sim´etricas, os autovalores da matriz A s˜ao λ
1
= 3 e λ
2
= −7.
A matriz P ser´a obtida a partir de uma base ortonormal de autovetores.
Efetuando os c´alculos, que ´e um exerc´ıcio para vocˆe, obtemos
u
1
=
_
2
_√
5
−1
_√
5
_
, autovetor associado ao autovalor λ
1
= 3, e
u
2
=
_
1
_√
5
2
_√
5
_
, autovetor associado ao autovalorλ
2
= −7.
Como ¦u
1
, u
2
¦ forma uma base ortonormal de R
2
, ent˜ ao
P = [u
1
u
2
] =
_
2
_√
5 1
_√
5
−1
_√
5 2
_√
5
_
,
CEDERJ
62
Formas quadr´aticas
M
´
ODULO 3 – AULA 26
e a matriz diagonal correspondente ser´a
D =
_
3 0
0 −7
_
,
onde D = P
t
AP.
A forma diagonal de q ´e dada por
q(y
1
, y
2
) = (y
1
y
2
)
_
3 0
0 −7
_ _
y
1
y
2
_
= 3y
2
1
−7y
2
2
,
onde
v =
_
x
1
x
2
_
e w =
_
y
1
y
2
_
,
e
v = Pw, ou w = P
t
v
´e a mudan¸ca de vari´ aveis.
Veja que
q(v) = q(x
1
, x
2
) = x
2
1
−8x
1
x
2
−5x
2
2
= (x
1
x
2
)
_
1 −4
−4 −5
_
_
_
_
x
1
x
2
_
_
_
= v
t
Av
= (Pw)
t
A(Pw)
= w
t
(P
t
AP)w
= w
t
Dw
= (y
1
y
2
)
_
3 0
0 −7
_ _
y
1
y
2
_
= 3y
2
1
−7y
2
2
= q(y
1
, y
2
) = q(w) .
63
CEDERJ
Formas quadr´aticas
Observe que a forma diagonal
q(y
1
, y
2
) = 3y
2
1
−7y
2
2
n˜ao cont´em o termo cruzado y
1
y
2
.
Este exemplo anterior ilustra o teorema a seguir. A parte essencial de
sua demonstra¸c˜ ao foi apresentada nos c´alculos do Exemplo 3 e consiste na
mudan¸ca de vari´aveis efetuada.
Teorema 1 (Teorema dos Eixos Principais)
Seja q : V → R uma forma quadr´atica. Ent˜ ao, sempre existe uma
mudan¸ca de vari´ aveis P que transforma a forma quadr´atica q(v) = v
t
Av na
forma diagonal q(w) = w
t
Dw, onde v = Pw e D = P
t
AP.
O nome Teorema dos Eixos Principais segue do fato de que as colunas
de P s˜ao chamadas eixos principais da forma quadr´atica q. Uma inter-
preta¸c˜ao geom´etrica deste teorema ser´a vista nas pr´oximas aulas, mais pre-
cisamente no estudo da classifica¸c˜ ao de curvas cˆonicas e na classifica¸c˜ao de
superf´ıcies qu´adricas.
Exemplo 4
Determine uma mudan¸ ca de vari´avel P que transforme a forma quadr´atica
q : R
3
→ R, dada por
q(x
1
, x
2
, x
3
) = 3x
2
1
+ 2x
2
2
+ x
2
3
+ 4x
1
x
2
+ 4x
2
x
3
na base canˆonica, em uma forma diagonal. Obtenha tamb´em a express˜ao
dessa forma diagonal.
Solu¸c˜ao
Observando os coeficientes de q, vemos que a matriz A que representa
q na base canˆonica ´e dada por
A =
_
_
_
3 2 0
2 2 2
0 2 1
_
_
_
.
Procedendo `a diagonaliza¸c˜ao da matriz sim´etrica A, deixamos os deta-
lhes dos c´alculos como um exerc´ıcio para vocˆe, obtemos os autovalores λ
1
= 5,
λ
2
= 2 e λ
3
= −1. A matriz mudan¸ca de vari´avel P ser´a obtida a partir de
uma base ortonormal de autovetores. Efetuando os c´alculos, obtemos:
CEDERJ
64
Formas quadr´aticas
M
´
ODULO 3 – AULA 26
u
1
=
_
_
_
2/3
2/3
1/3
_
_
_
autovetor associado ao autovalor λ
1
= 5;
u
2
=
_
_
_
−2/3
1/3
2/3
_
_
_
autovetor associado ao autovalorλ
2
= 2;
u
3
=
_
_
_
1/3
−2/3
2/3
_
_
_
autovetor associado ao autovalorλ
3
= −1.
Como ¦u
1
, u
2
, u
3
¦ forma uma base ortonormal de R
3
, ent˜ao
P = [u
1
u
2
u
3
] =
_
_
_
2/3 −2/3 1/3
2/3 1/3 −2/3
1/3 2/3 2/3
_
_
_
´e uma matriz ortogonal e a matriz diagonal correspondente ser´a
D =
_
_
_
5 0 0
0 2 0
0 0 −1
_
_
_
,
onde D = P
t
AP.
A forma diagonal de q ´e dada por
q(y
1
, y
2
, y
3
) = (y
1
y
2
y
3
)
_
_
_
5 0 0
0 2 0
0 0 −1
_
_
_
_
_
_
y
1
y
2
y
3
_
_
_
= 5y
2
1
+ 2y
2
2
−y
2
3
,
onde
v =
_
x
1
x
2
_
e w =
_
y
1
y
2
_
,
e
v = Pw, ou w = P
t
v
´e a mudan¸ca de vari´ aveis requerida.
Observe, mais uma vez, que a forma diagonal
q(y
1
, y
2
, y
3
) = 5y
2
1
+ 2y
2
2
−y
2
3
n˜ao cont´em os termos cruzados y
1
y
2
, y
1
y
3
e y
2
y
3
, isto ´e, os termos y
i
y
j
com i ,= j.
65
CEDERJ
Cˆonicas
M
´
ODULO 3 – AULA 27
Aula 27 – Cˆonicas
Objetivos:
• Compreender o conceito de cˆonica.
• Aplicar os conceitos apresentados em casos particulares.
Pr´e-requisitos: Aulas 22, 25 e 26.
Nesta aula estudaremos algumas figuras importantes do R
2
, ou seja,
determinados conjuntos de pontos do plano cujas coordenadas satisfazem
certas propriedades. Mais precisamente, consideraremos subconjuntos de R
2
cujas coordenadas (x, y) satisfazem uma equa¸c˜ ao do tipo
ax
2
+ bxy + cy
2
+ dx + ey + f = 0,
onde a, b, c, d, e e f s˜ao constantes reais (com pelo menos um dos n´ umeros
a, b ou c diferente de zero). A id´eia toda ´e simplificar e classificar equa¸c˜ oes
desse tipo e, para isso, usaremos os resultados sobre diagonaliza¸c˜ ao de formas
quadr´aticas apresentados na aula anterior.
Defini¸c˜ao 8
Uma cˆonica ´e um conjunto de pontos do R
2
cujas coordenadas (x, y),
em rela¸c˜ ao `a base canˆonica, satisfazem uma equa¸c˜ao do tipo
ax
2
+ bxy + cy
2
+ dx + ey + f = 0, (2)
onde os coeficientes a, b, c, d, e e f s˜ao n´ umeros reais e pelo menos um dos
n´ umeros a, b ou c ´e n˜ao-nulo.
Observe que a equa¸c˜ao (6) cont´em uma forma quadr´atica,
q(x , y) = ax
2
+ bxy + cy
2
,
uma forma linear,
(x, y) = dx + ey,
e o termo constante f.
Exemplo 1
Identifique o conjunto dos pontos (x, y) ∈ R
2
que satisfazem a equa¸c˜ao
x
2
+ y
2
−4 = 0.
67
CEDERJ
Cˆonicas
Solu¸c˜ao
Comparando a equa¸c˜ ao
x
2
+ y
2
−4 = 0
com a equa¸c˜ao (6), vemos que o valor dos coeficientes s˜ao a = c = 1, b =
d = e = 0 e f = −4, e, portanto, representa uma cˆonica. Reescrevendo a
equa¸c˜ao na forma
x
2
+ y
2
= 4,
identificamos os pontos (x, y) como pertencendo `a circunferˆencia de centro
(0, 0) e raio 2, como ilustra a Figura 27.1.
Figura 27.1: A circunferˆencia x
2
+ y
2
= 4.
Exemplo 2
Identifique o conjunto dos pontos (x, y) ∈ R
2
que satisfazem a equa¸c˜ao
y
2
−kx = 0,
onde k ´e um n´ umero real n˜ao-nulo.
Solu¸c˜ao
Comparando a equa¸c˜ ao
y
2
−kx = 0
com a equa¸c˜ao (6), vemos que o valor dos coeficientes s˜ao c = 1, a = b =
e = f = 0 e d = −k ,= 0, e, portanto, representa uma cˆonica. Reescrevendo
a equa¸c˜ ao na forma
y
2
= kx,
identificamos os pontos (x, y) como pertencendo a uma par´abola com eixo
coincidindo com o eixo-y, como ilustra a Figura 27.2.
CEDERJ
68
Cˆonicas
M
´
ODULO 3 – AULA 27
Figura 27.2: A par´abola y
2
= kx.
Exemplo 3
Identifique o conjunto dos pontos (x, y) ∈ R
2
que satisfazem a equa¸c˜ao
x
2
a
2

y
2
b
2
= 0,
com a , b ∈ R, a , b > 0.
Solu¸c˜ao
Comparando a equa¸c˜ao
x
2
a
2

y
2
b
2
= 0
com a equa¸c˜ao (6), vemos que ela tamb´em representa uma cˆonica. Reescre-
vendo a equa¸c˜ ao na forma
y
2
b
2
=
x
2
a
2
,
temos
y = ±
b
a
x,
o que representa um par de retas concorrentes que passa pela origem, como
ilustra a Figura 27.3.
Figura 27.3: As retas y = ±
b
a
x.
69
CEDERJ
Cˆonicas
Os pr´oximos exemplos mostram como procedemos para simplificar uma
equa¸c˜ao de uma cˆonica.
Exemplo 4
Identifique a cˆonica representada pela equa¸c˜ ao 5x
2
−4xy +8y
2
−36 = 0.
Solu¸c˜ao
Precisamos, inicialmente, eliminar o termo misto (−4xy); para isto,
realizamos diagonaliza¸c˜ ao da forma quadr´atica correspondente,
q(x, y) = 5x
2
−4xy + 8y
2
.
Escrevemos a equa¸c˜ ao 5x
2
−4xy + 8y
2
−36 = 0 na forma matricial
v
t
Av = 36,
com
v =
_
x
y
_
∈ R
2
e A =
_
5 −2
−2 8
_
.
Lembre, da Aula 26, que a matriz A ´e a matriz sim´etrica que representa
a forma quadr´atica q(x, y) = 5x
2
−4xy +8y
2
com respeito `a base canˆonica.
N˜ao ´e dif´ıcil ver que os autovalores da matriz A s˜ao λ
1
= 4 e λ
2
= 9, e os
autovetores normalizados s˜ao
u
1
=
_
2
_√
5
1
_√
5
_
, autovetor associado ao autovalor λ
1
= 4
e
u
2
=
_
−1
_√
5
2
_√
5
_
, autovetor associado ao autovalor λ
2
= 9.
Como ¦u
1
, u
2
¦ forma uma base ortonormal de R
2
, ent˜ ao
P = [u
1
u
2
] =
_
2
_√
5 −1
_√
5
1
_√
5 2
_√
5
_
´e a matriz ortogonal que diagonaliza a matriz A e a matriz diagonal corres-
pondente ser´a
D =
_
4 0
0 9
_
.
Temos que D = P
t
AP.
CEDERJ
70
Cˆonicas
M
´
ODULO 3 – AULA 27
A forma diagonal de q ´e dada por
q(x
1
, y
1
) = (x
1
y
1
)
_
4 0
0 9
_ _
x
1
y
1
_
= 4x
2
1
+ 9y
2
1
,
onde
v =
_
x
y
_
e v
1
=
_
x
1
y
1
_
,
com
v = Pv
1
, ou v
1
= P
t
v.
Portanto, a equa¸c˜ ao da cˆonica pode ser reescrita como
q(x
1
, y
1
) = 36,
ou ainda,
4x
2
1
+ 9y
2
1
= 36,
o que nos d´a a equa¸c˜ ao
x
2
1
9
+
y
2
1
4
= 1,
que representa uma elipse de semi-eixo maior 3 e semi-eixo menor 2, como
ilustra a Figura 27.4.
x
y
0 –3
2
–2
3
Figura 27.4: A elipse
x
2
1
9
+
y
2
1
4
= 1.
71
CEDERJ
Cˆonicas
Exemplo 5
Identifique a cˆonica representada pela equa¸c˜ ao 2x
2
+4xy+2y
2
+4

2 x+
12

2 y −8 = 0.
Solu¸c˜ao
Observe que neste exemplo a forma linear (x, y) = dx+ey = 4

2 x+
12

2 y ´e n˜ao-nula. Reescrevendo a cˆonica na forma matricial, obtemos
v
t
Av + Bv −8 = 0, (3)
onde
v =
_
x
y
_
∈ R
2
,
A =
_
5 −2
−2 8
_
e
B = (4

2 12

2 ).
A matriz A ´e a matriz sim´etrica que representa a forma quadr´atica q(x, y) =
2x
2
+4xy+2y
2
com respeito `a base canˆonica. N˜ao ´e dif´ıcil ver (exerc´ıcio para
o aluno) que os autovalores da matriz A s˜ao λ
1
= 4 e λ
2
= 0, e os autovetores
normalizados s˜ao
u
1
=
_
1
_√
2
1
_√
2
_
, autovetor associado ao autovalor λ
1
= 4,
e
u
2
=
_
−1
_√
2
1
_√
2
_
, autovetor associado ao autovalor λ
2
= 0.
Como ¦u
1
, u
2
¦ forma uma base ortonormal de R
2
, ent˜ ao
P = [u
1
u
2
] =
_
1
_√
2 −1
_√
2
1
_√
2 1
_√
2
_
,
´e a matriz ortogonal que diagonaliza a matriz A, e a matriz diagonal corres-
pondente ser´a
D =
_
4 0
0 0
_
.
E, tamb´em, D = P
t
AP.
CEDERJ
72
Cˆonicas
M
´
ODULO 3 – AULA 27
A forma diagonal de q ´e dada por
q(x
1
, y
1
) = (x
1
y
1
)
_
4 0
0 0
_ _
x
1
y
1
_
= 4x
2
1
,
isto ´e,
v
t
Av = 4x
2
1
,
onde
v =
_
x
y
_
e v
1
=
_
x
1
y
1
_
,
com
v = Pv
1
, ou v
1
= P
t
v.
Como det(P) = 1, observe que v = Pv
1
´e uma rota¸c˜ ao. A forma linear
se transforma em
Bv = B(Pv
1
)
= BPv
1
= (4

2 12

2 )
_
1
_√
2 −1
_√
2
1
_√
2 1
_√
2
_ _
x
1
y
1
_
= (16 8 )
_
x
1
y
1
_
= 16x
1
+ 8y
1
.
Substituindo
v
t
Av = 4x
2
1
e Bv = 16x
1
+ 8y
1
em (7), obtemos
4x
2
1
+ 16x
1
+ 8y
1
−8 = 0, (4)
ou, simplificando,
x
2
1
+ 4x
1
+ 2y
1
−2 = 0.
Completando o quadrado na vari´ avel x
1
,
x
2
1
+ 4x
1
= (x
1
+ 2)
2
−4.
E, substituindo em (8), obtemos
(x
1
+ 2)
2
−4 + 2y
1
−2 = 0,
73
CEDERJ
Cˆonicas
ou
(x
1
+ 2)
2
+ 2(y
1
−3) = 0. (5)
Essa equa¸c˜ao j´a ´e uma forma bem mais simples da cˆonica inicial e j´a se
pode identificar a equa¸c˜ao de uma par´abola, mas ela ainda pode ser mais
simplificada. Realizando a mudan¸ca de vari´aveis em (9) dada por
_
x
2
= x
1
+ 2
y
2
= y
1
−3 ,
que representa uma transla¸c˜ao no R
2
, obtemos
x
2
2
= −2y
2
,
que representa a cˆonica inicial aos novos eixos-x
2
y
2
. Nessa forma, identifica-
mos facilmente a equa¸c˜ao de uma par´abola, como ilustra a Figura 27.5.
Figura 27.5: A par´abola x
2
2
= −2y
2
.
Procedimento para simplificar a equa¸c˜ao de uma cˆonica
Seja a cˆonica Γ dada pela equa¸c˜ao
ax
2
+ bxy + cy
2
+ dx + ey + f = 0.
Podemos reescrevˆe-la na forma matricial,
v
t
Av + Bv + f = 0,
CEDERJ
74
Cˆonicas
M
´
ODULO 3 – AULA 27
onde
q(x, y) = ax
2
+ bxy + cy
2
= (x y)
_
a b/2
b/2 c
_ _
x
y
_
= v
t
Av,
e
(x, y) = dx + ey
= (d e)
_
x
y
_
= Bv,
com
A =
_
a b/2
b/2 c
_
,
B = (d e)
e
v =
_
x
y
_
.
A id´eia principal do procedimento a seguir consiste em realizar uma
rota¸c˜ao nos eixos-xy, de modo a eliminar o termo cruzado bxy.
1
o
Passo: Encontrar uma matriz ortogonal P = [u
1
u
2
] que diagonalize A. Lem-
bre que as colunas de P formam uma base ¦u
1
, u
2
¦ ortogonal de au-
tovetores da matriz A para o R
2
. Assim,
D = P
t
AP com D =
_
λ
1
0
0 λ
2
_
,
onde λ
1
e λ
2
s˜ao os autovalores da matriz A associados aos autovetores
u
1
e u
2
, respectivamente.
75
CEDERJ
Cˆonicas
2
o
Passo: Permutar as colunas de P, caso seja necess´ario, de modo que se tenha
det(P) = 1. Isso garante que a transforma¸c˜ao ortogonal
v = Pv
1
, com v
1
=
_
x
1
y
1
_
,
seja uma rota¸c˜ ao no plano.
3
o
Passo: Obter a equa¸c˜ao que representa a cˆonica Γ no novo sistema de eixos-
x
2
y
2
. Para isso, observe que
ax
2
+ bxy + cy
2
= v
t
Av
= (Pv
1
)
t
A(Pv
1
) ; onde v = Pv
1
= v
t
1
(P
t
AP) v
1
= v
t
1
Dv
1
= (x
1
y
1
)
_
λ
1
0
0 λ
2
_ _
x
1
y
1
_
= λ
1
x
2
1
+ λ
2
y
2
1
,
e
dx + ey = Bv
= B(Pv
1
) ; onde v = Pv
1
= (BP) v
1
; onde BP = (d
1
e
1
)
= (d
1
e
1
)
_
x
1
y
1
_
= d
1
x
1
+ e
1
y
1
.
Assim, a equa¸c˜ ao v
t
Av + Bv + f = 0 se transforma em
λ
1
x
2
1
+ λ
2
y
2
1
+ d
1
x
1
+ e
1
y
1
+ f = 0,
que ´e uma equa¸c˜ ao que representa a cˆonica Γ e n˜ao cont´em termos cruzados
(em xy).
CEDERJ
76
Cˆonicas
M
´
ODULO 3 – AULA 27
Vamos fazer uma breve an´alise dessa equa¸c˜ao.
1. Considere o caso em que os autovalores s˜ao n˜ao-nulos: λ
1
, λ
2
,= 0. Neste
caso, podemos completar os quadrados nas vari´ aveis x
1
e y
1
, obtendo
λ
1
x
2
1
+ λ
2
y
2
1
+ d
1
x
1
+ e
1
y
1
+ f = (λ
1
x
2
1
+ d
1
x
1
) + (λ
2
y
2
1
+ e
1
y
1
)
= λ
1
x
2
2
+ λ
2
y
2
2
+ F ,
com F ∈ R
2
. Assim, a equa¸c˜ ao
λ
1
x
2
1
+ λ
2
y
2
1
+ d
1
x
1
+ e
1
y
1
+ f = 0
´e transformada em
λ
1
x
2
2
+ λ
2
y
2
2
+ F = 0.
Note que
(a) Se λ
1
, λ
2
> 0, ent˜ ao a cˆonica Γ ser´a uma elipse, caso F < 0; ou
um ponto ((x
2
, y
2
) = (0 , 0)), caso F = 0; ou o conjunto vazio,
caso F > 0.
(b) Se λ
1
, λ
2
< 0, ent˜ao a cˆonica Γ ser´a uma elipse, caso F > 0; ou
um ponto ((x
2
, y
2
) = (0 , 0)), caso F = 0; ou o conjunto vazio,
caso F < 0.
(c) Se λ
1
< 0 < λ
2
, ent˜ao a cˆonica Γ ser´a uma hip´erbole, caso F ,= 0;
ou um par de retas concorrentes, casoF = 0.
2. Considere o caso de um autovalor nulo, digamos, λ
1
= 0 e λ
2
,= 0
(necessariamente λ
2
,= 0). Novamente, completando o quadrado na
vari´ avel y
1
, obtemos
λ
2
y
2
1
+ d
1
x
1
+ e
1
y
1
+ f = (λ
2
y
2
1
+ e
1
y
1
) + d
1
x
1
+ f
= λ
2
y
2
2
+ d
1
x
2
+ F .
Assim, a equa¸c˜ ao inicial da cˆonica Γ fica transformada em
λ
2
y
2
2
+ d
1
x
2
+ F = 0.
Note que
(a) Se d
1
,= 0, ent˜ao Γ ser´a uma par´abola.
77
CEDERJ
Cˆonicas
(b) Se d
1
= 0, ent˜ ao Γ ser´a um par de retas paralelas, caso λ
2
F < 0;
ou uma ´ unica reta, caso F = 0; ou o conjunto vazio, caso λ
2
F > 0.
3. O caso λ
2
= 0 e λ
1
,= 0 ´e an´alogo ao anterior.
´
E importante observar que nunca poderemos ter λ
1
= λ
2
= 0, pois
estamos supondo que a forma quadr´atica associada ´e n˜ao-nula.
Veja, tamb´em, que
λ
1
λ
2
=
¸
¸
¸
¸
¸
λ
1
0
0 λ
2
¸
¸
¸
¸
¸
= det P
= det A
=
¸
¸
¸
¸
¸
a b/2
b/2 c
¸
¸
¸
¸
¸
= ac −
b
2
4
.
Portanto, λ
1
λ
2
tem o mesmo sinal de ac −
b
2
4
, que por sua vez tem o
mesmo sinal de 4ac −b
2
. Assim, podemos refazer a an´alise anterior em
fun¸c˜ ao do discriminante b
2
−4ac da forma quadr´atica.
Teorema 1
Dada a cˆonica de equa¸c˜ ao ax
2
+bxy +cy
2
+dx+ey +f = 0, ent˜ ao esta
cˆonica representa:
a) uma elipse, um ponto ou o conjunto vazio, caso b
2
−4ac < 0;
b) uma par´abola, duas retas paralelas ou uma ´ unica reta, caso b
2
−4ac = 0;
c) uma hip´erbole ou duas retas concorrentes, caso b
2
−4ac > 0.
Auto-avalia¸c˜ao:
Esta aula constitui uma excelente aplica¸c˜ ao dos conceitos vistos nas
aulas anteriores. No entanto, pressupomos que vocˆe tenha alguns conheci-
mentos acerca das equa¸c˜ oes de cˆonicas tradicionais, como elipses, par´abolas e
CEDERJ
78
Cˆonicas
M
´
ODULO 3 – AULA 27
hip´erboles. Conhecendo essas equa¸c˜ oes e com o conhecimento adquirido das
´ ultimas aulas, vocˆe n˜ao deve encontrar muita dificuldade para compreender
os conceitos apresentados aqui. No entanto, como esta aula re´ une muitos
conhecimentos matem´aticos, vocˆe deve ser persistente na leitura dos exem-
plos e do procedimento apresentado, sempre recorrendo ao tutor no caso de
encontrar uma dificuldade maior. Na pr´oxima aula, trataremos de equa¸c˜oes
semelhantes, agora com trˆes vari´ aveis ao inv´es de duas, mas o procedimento
ser´a exatamente o mesmo, ou seja, diagonalizar uma forma quadr´atica e
completar quadrados at´e simplificar a equa¸c˜ ao ao m´aximo.
Exerc´ıcio
1. Dada a cˆonica de equa¸c˜ao 2x
2
−4xy −y
2
−4x −8y + 14 = 0, aplique
o procedimento apresentado nesta aula, simplificando a equa¸c˜ao ao
m´aximo e identificando a cˆonica apresentada.
Resposta
1. A hip´erbole de equa¸c˜ ao
x
2
2
12

y
2
2
8
= 1.
79
CEDERJ
Qu´adricas
M
´
ODULO 3 – AULA 28
Aula 28 – Qu´adricas
Objetivos:
• Compreender o conceito generalizado de uma qu´adrica.
• Aplicar os conceitos apresentados em casos particulares.
Pr´e-requisitos: Aulas 22, 25, 26 e 27.
Esta aula ´e uma continua¸ c˜ao da aula anterior sobre cˆonicas; nela es-
tudaremos as superf´ıcies qu´adricas no espa¸co R
3
. Mais precisamente, va-
mos estudar alguns conjuntos de R
3
cujas coordenadas, com respeito `a base
canˆonica, satisfazem uma equa¸c˜ ao do tipo
ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz + gx + hy + kz + p = 0.
Usando novamente os resultados sobre diagonaliza¸c˜ ao de formas quadr´aticas,
iremos simplificar essa equa¸c˜ ao e descrever as superf´ıcies mais simples que
ela pode representar.
Defini¸c˜ao 9
Uma superf´ıcie qu´adrica, ou, simplesmente, uma qu´adrica, ´e o conjunto
de pontos de R
3
cujas coordenadas (x, y, z) satisfazem uma equa¸c˜ao da
forma
ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz + gx + hy + kz + p = 0, (6)
onde os coeficientes a, b, c,..., k, p s˜ao n´ umeros reais e pelo menos um dos
coeficientes a, b, c, d, e, f ´e n˜ao-nulo.
Observe que a equa¸c˜ao (6) cont´em uma forma quadr´atica n˜ao-nula em
R
3
,
q(x, y , z) = ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz,
uma forma linear em R
3
,
(x, y , z) = gx + hy + kz,
e o termo constante p. Apresentaremos a seguir os exemplos mais comuns de
superf´ıcies qu´adricas.
Figura 28.1: Gr´aficos de qu´adricas
81
CEDERJ
Qu´adricas
(a) Elips´oide
(
x
2
a
2
+
y
2
b
2
+
z
2
c
2
= 1)
(b) Hiperbol´oide de uma folha
(
x
2
a
2
+
y
2
b
2

z
2
c
2
= 1)
(c) Hiperbol´oide de duas folhas
(−
x
2
a
2
+
y
2
b
2

z
2
c
2
= 1)
(d) Cone el´ıptico
(
x
2
a
2
+
y
2
b
2

z
2
c
2
= 0)
CEDERJ
82
Qu´adricas
M
´
ODULO 3 – AULA 28
(e) Parabol´oide el´ıptico
(
x
2
a
2
+
y
2
b
2
= z)
(f) Parabol´oide hiperb´olico
(−
x
2
a
2
+
y
2
b
2
= z)
(g) Cilindro el´ıptico
(
x
2
a
2
+
y
2
b
2
= 1)
(h) Cilindro parab´olico
(y = ax
2
)
83
CEDERJ
Qu´adricas
Observe que a equa¸c˜ ao (6) tamb´em pode representar um conjunto vazio
(por exemplo, x
2
+ y
2
+ 1 = 0), um ´ unico ponto (por exemplo, x
2
+ y
2
+
(z − 1)
2
= 0), um plano (por exemplo, z
2
= 0), dois planos paralelos (por
exemplo, z
2
= 4) ou dois planos secantes (por exemplo, xz = 0). Nestes
casos, as qu´adricas s˜ao ditas degeneradas.
Assim como foi feito para as cˆonicas, mostraremos que atrav´es de uma
mudan¸ca de coordenadas podemos reduzir a equa¸c˜ ao (6) de modo que a
qu´adrica seja identificada como sendo de um dos tipos descritos. Esse pro-
blema ´e o de classificar a qu´adrica.
Sempre que a qu´adrica for representada por uma equa¸c˜ ao que n˜ao
cont´em termos em xy, xz, yz, x, y e z, dizemos que a equa¸c˜ ao est´a na forma
canˆonica e que a qu´adrica est´a na posi¸c˜ao canˆonica. A presen¸ca de termos
cruzados da forma xy, xz ou yz na equa¸c˜ao (6) indica que a qu´adrica sofreu
uma rota¸c˜ao com respeito `a posi¸c˜ ao canˆonica, e a presen¸ca de termos da
forma x, y ou z indica que a qu´adrica sofreu uma transla¸c˜ao com respeito `a
posi¸c˜ ao canˆonica.
Como foi feito no caso das cˆonicas, vamos desenvolver um procedimento
para representar uma qu´adrica na forma canˆonica. A id´eia principal do pro-
cedimento consiste em obter um novo sistema de coordenadas x
1
y
1
z
1
de modo
que n˜ao apare¸cam os termos cruzados x
1
y
1
, x
1
z
1
e y
1
z
1
.
Vamos, primeiramente, expressar a equa¸c˜ ao (6) na forma matricial.
Temos,
q(x, y , z) = ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz
= (x y z)
_
_
_
a d/2 e/2
d/2 b f/2
e/2 f/2 c
_
_
_
_
_
_
x
y
z
_
_
_
= v
t
Av,
onde
v =
_
_
_
x
y
z
_
_
_
e A =
_
_
_
a d/2 e/2
d/2 b f/2
e/2 f/2 c
_
_
_
.
CEDERJ
84
Qu´adricas
M
´
ODULO 3 – AULA 28
Observe tamb´em que
(x, y , z) = gx + hy + kz
= (g h k)
_
_
_
x
y
z
_
_
_
= Bv,
onde
B = (g h k).
Substituindo q(x , y , z) = v
t
Av e (x, y , z) = Bv em (6), obtemos a
forma vetorial da qu´adrica,
v
t
Av + Bv + p = 0. (7)
PROCEDIMENTO PARA SIMPLIFICAR A EQUAC¸
˜
AO DE UMA
QU
´
ADRICA
Seja Γ a qu´adrica representada pela equa¸c˜ao (6),
ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz + gx + hy + kz + p = 0,
cuja forma vetorial ´e a equa¸c˜ ao (7),
v
t
Av + Bv + p = 0.
1
o
Passo: Encontrar uma matriz ortogonal P = [u
1
u
2
u
3
] que diagonaliza A.
Como j´a foi visto v´arias vezes ao longo do curso, lembre que as colunas
de P formam uma base ortonormal ¦u
1
, u
2
, u
3
¦ de autovetores da
matriz A para o R
3
. Assim,
D = P
t
AP com D =
_
_
_
λ
1
0 0
0 λ
2
0
0 0 λ
3
_
_
_
,
onde λ
1
, λ
2
e λ
3
s˜ao os autovalores da matriz A associados aos autove-
tores u
1
, u
2
e u
2
, respectivamente.
85
CEDERJ
Qu´adricas
2
o
Passo: Permutar as colunas de P, caso seja necess´ario, de modo que se tenha
det(P) = 1. Isso garante que a transforma¸c˜ao ortogonal
v = Pv
1
, com v
1
=
_
_
_
x
1
y
1
z
1
_
_
_
,
seja uma rota¸c˜ ao no plano.
3
o
Passo: Obter a equa¸c˜ ao que representa a qu´adrica Γ no novo sistema de eixos
x
1
y
1
z
1
. Para isso, observe que
ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz = v
t
Av
= (Pv
1
)
t
A(Pv
1
) ; onde v = Pv
1
= v
t
1
(P
t
AP) v
1
= v
t
1
Dv
1
= (x
1
y
1
z
1
)
_
_
_
λ
1
0 0
0 λ
2
0
0 0 λ
3
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= λ
1
x
2
1
+ λ
2
y
2
1
+ λ
3
z
2
1
e
gx + hy + kz = Bv
= B(Pv
1
) ; onde v = Pv
1
= (BP) v
1
; onde BP = (g
1
h
1
k
1
)
= (g
1
h
1
k
1
)
_
_
_
x
1
y
1
z
1
_
_
_
= g
1
x
1
+ h
1
y
1
+ k
1
z
1
.
Assim, a equa¸c˜ ao
v
t
Av + Bv + p = 0
CEDERJ
86
Qu´adricas
M
´
ODULO 3 – AULA 28
se transforma em
λ
1
x
2
1
+ λ
2
y
2
1
+ λ
3
z
2
1
+ g
1
x
1
+ h
1
y
1
+ k
1
z
1
+ p = 0.
Essa equa¸c˜ ao representa a qu´adrica Γ e n˜ao cont´em os termos cruzados
x
1
y
1
, x
1
z
1
e y
1
z
1
.
4
o
Passo: Completando os quadrados em x
1
, y
1
e z
1
, obtemos

1
x
2
1
+ g
1
x
1
) + (λ
2
y
2
1
+ h
1
y
1
) + (λ
3
z
2
1
+ +k
1
z
1
) + p = 0
λ
1
(x
2
1
+
g
1
λ
1
x
1
) + λ
2
(y
2
1
+
h
1
λ
2
y
1
) + λ
3
(z
2
1
+
k
1
λ
3
z
1
) + p = 0
λ
1
(x
1
+
g
1

1
)
2
+ λ
2
(y
1
+
h
1

2
)
2
+ λ
3
(z
1
+
k
1

3
)
2
+ p
1
= 0.
Passando para as novas vari´ aveis
x
2
= x
1
+
g
1

1
; y
2
= y
1
+
h
1

2
; z
2
= z
1
+
k
1

3
,
obtemos a equa¸c˜ ao
λ
1
x
2
2
+ λ
2
y
2
2
+ λ
3
z
2
2
+ p
1
= 0.
Essa equa¸c˜ ao representa a qu´adrica Γ e n˜ao cont´em os termos cruzados
x
2
y
2
, x
2
z
2
e y
2
z
2
nem os termos em x
2
, y
2
e z
2
. Portanto, ´e uma equa¸c˜ao
na forma canˆonica.
Exemplo 1
Descreva a superf´ıcie qu´adrica cuja equa¸c˜ao ´e dada por
4x
2
+ 4y
2
+ 4z
2
+ 4xy + 4xz + 4yz −3 = 0.
Solu¸c˜ao
Reescrevendo essa equa¸c˜ ao na forma matricial, temos
v
t
Av −3 = 0, (8)
onde
v =
_
_
_
x
y
z
_
_
_
e A =
_
_
_
4 2 2
2 4 2
2 2 4
_
_
_
.
87
CEDERJ
Qu´adricas
Deixamos para vocˆe o exerc´ıcio de calcular os autovalores e os autove-
tores correspondentes da matriz A. Obtemos:
• λ
1
= 2: ´e um autovalor com multiplicidade alg´ebrica 2 e autovetores
associados
u
1
=
_
_
_
−1
_√
2
1
_√
2
0
_
_
_
e u
2
=
_
_
_
−1
_√
6
−1
_√
6
2
_√
6
_
_
_
;
• λ
2
= 8: ´e um autovalor com multiplicidade alg´ebrica 1 e autovalor
associado
u
3
=
_
_
_
1
_√
3
1
_√
3
1
_√
3
_
_
_
.
Como ¦u
1
, u
2
, u
3
¦ forma uma base ortonormal de R
3
, temos que
P = [u
1
u
2
u
3
] =
_
_
_
−1
_√
2 −1
_√
6 1
_√
3
1
_√
2 −1
_√
6 1
_√
3
0 2
_√
6 1
_√
3
_
_
_
´e a matriz ortogonal que diagonaliza a matriz A e a matriz diagonal corres-
pondente ser´a
D =
_
_
_
2 0 0
0 2 0
0 0 8
_
_
_
.
Vale tamb´em que D = P
t
AP.
Observe que det(P) = 1, logo P representa uma rota¸c˜ ao em R
3
. Con-
siderando
v =
_
_
_
x
y
z
_
_
_
e v
1
=
_
_
_
x
1
y
1
z
1
_
_
_
CEDERJ
88
Qu´adricas
M
´
ODULO 3 – AULA 28
e substituindo v = Pv
1
em v
t
Av, obtemos
v
t
Av = (Pv
1
)
t
A(Pv
1
)
= v
t
1
(P
t
AP)v
1
= v
t
1
Dv
1
onde P
t
AP = D
= (x
1
y
1
z
1
)
_
_
_
2 0 0
0 2 0
0 0 8
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= 2x
2
1
+ 2y
2
1
+ 8z
2
1
.
Portanto, substituindo
v
t
Av = 2x
2
1
+ 2y
2
1
+ 8z
2
1
na equa¸c˜ ao (8), obtemos
2x
2
1
+ 2y
2
1
+ 8z
2
1
= 3,
ou, equivalentemente,
x
2
1
3/2
+
y
2
1
3/2
+
z
2
1
3/8
= 1.
Observe que essa equa¸c˜ ao n˜ao cont´em os termos cruzados x
1
y
1
, x
1
z
1
e y
1
z
1
nem os termos em x
1
, y
1
e z
1
. Portanto, ´e uma equa¸c˜ ao na forma
canˆonica. Identificamos, facilmente, que essa equa¸c˜ao representa um elips´oide,
como ilustra a Figura 28.1.a.
Exemplo 2
Identifique a superf´ıcie qu´adrica cuja equa¸c˜ao ´e dada por
−x
2
+ 2yz −

2 y −101 = 0.
Solu¸c˜ao
Inicialmente, observe que a presen¸ca do termo cruzado yz nos levar´a
a realizar uma rota¸c˜ ao de eixos, e a presen¸ca dos termos lineares z e y, a
realizar uma transla¸c˜ao de eixos.
Reescrevendo essa equa¸c˜ ao na forma matricial, temos
v
t
Av + Bv −101 = 0, (9)
89
CEDERJ
Qu´adricas
onde
v =
_
_
_
x
y
z
_
_
_
, A =
_
_
_
−1 0 0
0 0 1
0 1 0
_
_
_
e B = (0 −

2

2).
Deixamos para vocˆe, novamente, o exerc´ıcio de calcular os autovalores
e os autovetores correspondentes da matriz A. Obtemos:
• λ
1
= −1 : autovalor com multiplicidade alg´ebrica 2 e autovetores asso-
ciados
u
1
=
_
_
_
1
0
0
_
_
_
e u
2
=
_
_
_
0
1
_√
2
−1
_√
2
_
_
_
;
• λ
2
= 1 : autovalor com multiplicidade alg´ebrica 1 e autovalor associado
u
3
=
_
_
_
0
1
_√
2
1
_√
2
_
_
_
.
Como ¦u
1
, u
2
, u
3
¦ forma uma base ortonormal de R
3
, ent˜ ao
P = [u
1
u
2
u
3
] =
_
_
_
1 0 0
0 1
_√
2 1
_√
2
0 −1
_√
2 1
_√
2
_
_
_
´e a matriz ortogonal que diagonaliza a matriz A e a matriz diagonal corres-
pondente ser´a
D =
_
_
_
−1 0 0
0 −1 0
0 0 1
_
_
_
.
Vale tamb´em que D = P
t
AP.
Como no Exemplo 1, det(P) = 1, logo P representa uma rota¸c˜ ao em
R
3
. Considerando
v =
_
_
_
x
y
z
_
_
_
e v
1
=
_
_
_
x
1
y
1
z
1
_
_
_
,
CEDERJ
90
Qu´adricas
M
´
ODULO 3 – AULA 28
e substituindo v = Pv
1
em v
t
Av, obtemos
v
t
Av = (Pv
1
)
t
A(Pv
1
)
= v
t
1
(P
t
AP)v
1
= v
t
1
Dv
1
, onde P
t
AP = D
= (x
1
y
1
z
1
)
_
_
_
−1 0 0
0 −1 0
0 0 1
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= −x
2
1
−y
2
1
+ z
2
1
,
e, substituindo v = Pv
1
em Bv, obtemos
Bv = B(Pv
1
)
= BPv
1
= (0 −

2

2)
_
_
_
1 0 0
0 1
_√
2 1
_√
2
0 −1
_√
2 1
_√
2
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= (0 −2 0)
_
_
_
x
1
y
1
z
1
_
_
_
= −2y
1
.
Portanto, substituindo
v
t
Av = −x
2
1
−y
2
1
+ z
2
1
e Bv = −2y
1
em (9), obtemos
−x
2
1
−y
2
1
+ z
2
1
−2y
1
= 101.
Agora, completando o quadrado na vari´ avel y
1
, temos
−x
2
1
+ z
2
1
−(y
2
1
+ 2y
1
) = 101,
o que nos d´a
−x
2
1
−[(y
1
+ 1)
2
−1] + z
2
1
= 101,
91
CEDERJ
Qu´adricas
e, portanto,
−x
2
1
−(y
1
+ 1)
2
+ z
2
1
= 100,
ou, equivalentemente,

x
2
1
10
2

(y
1
+ 1)
2
10
2
+
z
2
1
10
2
= 1. (10)
Essa equa¸c˜ ao j´a ´e uma forma canˆonica para a qu´adrica inicial e j´a
se pode identificar a equa¸c˜ao de um hiperbol´oide de duas folhas, mas ela
ainda pode ser mais simplificada. Realizando a mudan¸ca de vari´aveis dada
por
_
¸
_
¸
_
x
2
= x
1
y
2
= y
1
+ 1
z
2
= z
1
,
que representa uma transla¸c˜ao no R
3
, a equa¸c˜ao (10) se transforma em

x
2
2
10
2

y
2
2
10
2
+
z
2
2
10
2
= 1,
que representa a qu´adrica inicial aos novos eixos x
2
y
2
z
2
. Nessa forma, identi-
ficamos novamente a equa¸c˜ ao de um hiperbol´oide de duas folhas, como ilustra
a Figura 28.1.c.
Auto-avalia¸c˜ao:
Terminamos o estudo das cˆonicas em R
2
e das qu´adricas em R
3
, que
constituem uma excelente aplica¸c˜ ao da diagonaliza¸c˜ao das formas quadr´aticas.
´
E importante que vocˆe reveja o procedimento de simplifica¸c˜ao dessas equa¸c˜ oes
e compreenda os c´alculos realizados nos exemplos. Tamb´em ´e importante
que fique clara a interpreta¸c˜ ao geom´etrica de cada mudan¸ca de vari´ aveis
realizada.
Exerc´ıcios
Obtenha uma forma canˆonica de cada qu´adrica abaixo e identifique a
qu´adrica.
1. 2xy −4

2 x + 2

2y + z −9 = 0.
2. 2xy + 2xz + 2yz −6x −6y −4z −9 = 0.
3. 7x
2
+ 7y
2
+ 10z
2
−2xy −4xz + 4yz −12x + 12y + 60z −24 = 0.
CEDERJ
92
Autovalores complexos
M
´
ODULO 3 – AULA 29
Aula 29 – Autovalores complexos
Objetivos:
• Compreender o conceito de autovalor complexo.
• Aplicar os conceitos apresentados em casos particulares.
Pr´e-requisitos: Aulas 3 e 5.
Vimos logo na Aula 3 que, dada uma matriz A ∈ M
n
(R), seu polinˆomio
caracter´ıstico p(x) ´e um polinˆomio de grau n com coeficientes reais e, por-
tanto, possui um total de n ra´ızes, contando suas multiplicidades e as ra´ızes
complexas. Nesta aula, estudaremos alguns exemplos de matrizes reais com
autovalores complexos.
Inicialmente, vamos relembrar alguns conceitos sobre n´ umeros comple-
xos. Denotamos o conjunto dos n´ umeros complexos por C e representamos
por
C = ¦a + b i [ a, b ∈ R e i =

−1 ¦
A igualdade de n´ umeros complexos ´e definida por
a + b i = c + d i se e somente se a = c e b = d.
A adi¸c˜ ao e a multiplica¸c˜ ao de n´ umeros complexos s˜ao definidas por:
i. (a + b i) + (c + d i) = (a + c) + (b + d) i;
ii. (a + b i) (c + d i) = (ac −bd) + (ad + bc) i,
para todos os a, b, c, d ∈ R.
´
E f´acil verificar que todas as propriedades
de corpo dos n´ umeros reais continuam v´alidas para os n´ umeros complexos.
Definimos o conjugado de um n´ umero complexo z = a+b i como sendo
o n´ umero complexo ¯ z = a −b i.
A teoria de espa¸cos vetoriais e de ´algebra matricial desenvolvida no caso
de componentes reais e escalares reais se aplica tamb´em para componentes e
escalares complexos. Por exemplo, o espa¸co vetorial C
2
´e definido por
C
2
= ¦(z , w) [ z, w ∈ C¦,
com as opera¸c˜oes usuais
i. (z
1
, w
1
) + (z
2
, w
2
) = (z
1
+ z
2
, w
1
+ w
2
);
93
CEDERJ
Autovalores complexos
ii. z (z
1
, w
1
) = (z z
1
, z z
2
),
onde z, z
1
, w
1
, z
2
, w
2
∈ C.
Assim, dada uma matriz A ∈ M
n
(C), um n´ umero complexo λ ∈ C ´e
um autovalor (complexo) da matriz A se existe um vetor n˜ao-nulo v ∈ C
n
tal que
Av = λv.
Dizemos que v ´e um autovetor (complexo) associado ao autovalor λ ∈ C.
Exemplo 1
Discuta a diagonaliza¸c˜ao da matriz
A =
_
0 −1
1 0
_
.
Solu¸c˜ao
Sabemos, do nosso estudo de rota¸c˜oes no plano, que essa matriz cor-
responde a uma rota¸c˜ao de π/2 radianos no sentido anti-hor´ ario em torno da
origem do plano cartesiano R
2
. Assim, fica claro que nenhum vetor n˜ao-nulo
v ∈ R
2
´e transformado, pela a¸c˜ ao da matriz A, num m´ ultiplo dele mesmo.
Assim, a matriz A n˜ao possui autovetores em R
2
e, conseq¨ uentemente, n˜ao
tem autovalores reais. De fato, o polinˆomio caracter´ıstico de A ´e
p(x) = det(xI
2
−A)
=
¸
¸
¸
¸
¸
x 1
−1 x
¸
¸
¸
¸
¸
= x
2
+ 1 .
Esse polinˆomio s´o possui as ra´ızes complexas λ
1
= i e λ
2
= −i.
No entanto, considerando A com matriz complexa, isto ´e, A ∈ M
2
(C),
λ
1
= i e λ
2
= −i s˜ao autovalores complexos da matriz A, pois os vetores
v
1
= (1 , −i) , v
2
= (1 , i) ∈ C
2
, e satisfazem
Av
1
=
_
0 −1
1 0
_ _
1
−i
_
= i
_
1
−i
_
= i v
1
;
Av
2
=
_
0 −1
1 0
_ _
1
i
_
= −i
_
1
i
_
= −i v
2
.
CEDERJ
94
Autovalores complexos
M
´
ODULO 3 – AULA 29
Assim, v
1
= (1 , −i) ´e um autovetor associado ao autovalor λ
1
= i, e
v
2
= (1 , i) ´e um autovetor associado ao autovalor λ
2
= −i.
Como a matriz n˜ao possui autovalores reais, ela n˜ao ´e diagonaliz´avel
enquanto matriz real. No entanto, como ela possui dois autovalores comple-
xos distintos, a matriz A ´e diagonaliz´avel quando considerada como matriz
complexa. Mais ainda, considerando as matrizes P, D ∈ M
2
(C) dadas por
P = [v
1
v
2
] =
_
1 1
−i i
_
e D =
_
i 0
0 −i
_
,
temos
PDP
−1
=
_
1 1
−i i
_ _
i 0
0 −i
_ _
1/2 i/2
1/2 −i/2
_
=
_
i −i
1 1
_ _
1/2 i/2
1/2 −i/2
_
=
_
0 −1
1 0
_
= A,
isto ´e, A = PDP
−1
. Portanto, no caso complexo, a matriz A ´e semelhante `a
matriz diagonal D.
Exemplo 2
Dada a matriz
A =
_
0, 5 −0, 6
0, 75 1, 1
_
,
determine os autovalores de A e uma base para cada auto-espa¸co.
Solu¸c˜ao
Obtendo o polinˆomio caracter´ıstico da matriz A,
p(x) = det(xI
2
−A)
=
¸
¸
¸
¸
¸
0, 5 −x −0, 6
0, 75 1, 1 −x
¸
¸
¸
¸
¸
= (0, 5 −x)(1, 1 −x) −(−0, 6)(0, 75)
= x
2
−1, 6 x + 1 .
95
CEDERJ
Autovalores complexos
Calculando as ra´ızes desse polinˆomio quadr´atico, obtemos
λ
1
= 0, 8 −0, 6 i e λ
2
= 0, 8 + 0, 6 i.
Considerando o autovalor λ
1
= 0, 8−0, 6 i, queremos obter v = (z , w) ∈
C
2
n˜ao-nulo tal que
Av = λ
1
v,
ou seja,
_
0, 5 −0, 6
0, 75 1, 1
_ _
z
w
_
= (0, 8 −0, 6 i)
_
z
w
_
,
o que nos d´a o sistema linear
_
(0, 8 −0, 6 i) z −0, 6 w = 0
0, 75 z + (0, 8 + 0, 6 i) w = 0 .
Como os autovalores s˜ao distintos, cada auto-espa¸co tem dimens˜ao 1; por-
tanto, as equa¸c˜ oes do sistema anterior s˜ao dependentes. Assim, basta consi-
derar uma das equa¸c˜oes; por exemplo, da segunda equa¸c˜ ao, temos
z = (−0, 4 −0, 8 i) w.
Escolhendo w = 5 (para eliminar a parte decimal), obtemos z = −2 − 4 i.
Assim, uma base para o auto-espa¸co associado ao autovalor λ
1
= 0, 8 −0, 6 i
´e dada pelo vetor
v
1
=
_
−2 −4 i
5
_
.
Analogamente, para o autovalor λ
2
= 0, 8 + 0, 6 i, obtemos o autovetor
v
2
=
_
−2 + 4 i
5
_
,
pois
Av
2
=
_
0, 5 −0, 6
0, 75 1, 1
_ _
−2 + 4 i
5
_
=
_
−4 + 2 i
4 + 3 i
_
= (0, 8 + 0, 6 i)
_
−2 + 4 i
5
_
= λ
2
v
2
.
CEDERJ
96
Autovalores complexos
M
´
ODULO 3 – AULA 29
Observe que a matriz A ´e semelhante `a matriz diagonal
D =
_
λ
1
0
0 λ
2
_
=
_
0, 8 −0, 6 i 0
0 0, 8 + 0, 6 i
_
.
Auto-avalia¸c˜ao:
N˜ao ´e nosso objetivo generalizar toda a teoria de diagonaliza¸c˜ ao de ma-
trizes reais para o caso complexo; apesar disso, desejamos proporcionar novas
e importantes aplica¸c˜ oes da
´
Algebra Linear. Muitos problemas envolvendo
matrizes com autovalores complexos aparecem naturalmente em Engenharia
El´etrica, em F´ısica e na ´area de Sistemas Dinˆamicos de um modo geral. Essa
discuss˜ao costuma ser feita num curso avan¸cado de
´
Algebra Linear. Portanto,
nosso objetivo foi apenas o de apresentar a vocˆe alguns exemplos elementares.
Exerc´ıcios
1. Determine os autovalores e uma base para cada auto-espa¸co da matriz
A =
_
1 −2
1 3
_
.
2. Calcule os autovalores e autovetores da matriz
A =
_
a −b
b a
_
,
onde a , b ∈ R com a ,= 0 ou b ,= 0.
3. Dada a matriz A ∈ M
n
(R) com autovalor λ ∈ C, mostre que
¯
λ tamb´em
´e autovalor da matriz A.
97
CEDERJ
Exerc´ıcios resolvidos – 3
a
Parte
M
´
ODULO 3 – AULA 30
Aula 30 – Exerc´ıcios resolvidos – 3
a
Parte
Objetivo:
• Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29.
Pr´e-requisitos: Aulas 17 a 29.
Nas pr´oximas aulas apresentaremos uma s´erie de exerc´ıcios resolvidos
sobre a segunda parte do curso. Esses exerc´ıcios o ajudar˜ao a consolidar os
conceitos apresentados nas aulas anteriores.
A nossa orienta¸ c˜ao ´e que vocˆe primeiro tente resolver cada um dos
exerc´ıcios, usando, se necess´ario, as anota¸c˜oes das aulas anteriores, e, s´o
depois de obtida a sua pr´opria solu¸c˜ ao, compar´a-la com a solu¸c˜ao apresentada
aqui. Caso vocˆe n˜ao consiga resolver algum exerc´ıcio, n˜ao se aflija, leia
atentamente a solu¸c˜ao correspondente. Se vocˆe ainda tiver dificuldade, n˜ao
hesite em procurar ajuda de seu tutor.
Exerc´ıcios
1. Determine a matriz, com respeito `a base canˆonica, da proje¸c˜ao ortogo-
nal sobre a reta y = x.
2. Determine as proje¸c˜ oes ortogonais dos pontos P
1
= (1 , 0 , 1) e P
2
=
(1 , 1 , 1) sobre o plano x + y −z = 0.
3. Determine o valor das constantes a, b, c, d ∈ R para que
A =
_
_
_
1 a + b b
2 0 4
3 4 3
_
_
_
e B =
_
_
_
5 b −c 2d + 3
3 5 1
d b + c 0
_
_
_
sejam matrizes sim´etricas.
4. Dadas as matrizes sim´etricas A, B ∈ M
n
(R), mostre que AB + BA
tamb´em ´e uma matriz sim´etrica.
5. Dadas as matrizes A, B ∈ M
n
(R) tal que A uma ´e matriz sim´etrica,
verifique que B
t
AB ´e uma matriz sim´etrica.
6. Dados a, b ∈ R, com b ,= 0, encontre uma matriz ortogonal P que
diagonaliza a matriz A =
_
a b
b a
_
, isto ´e, tal que D = P
t
AP.
99
CEDERJ
Exerc´ıcios resolvidos – 3
a
Parte
7. Seja T : R
3
→ R
3
um operador auto-adjunto com autovalores associ-
ados λ
1
= 3 e λ
2
= 4; suponha que v
1
= (1 , 1 , 1) e v
2
= (2 , 0 , 1)
s˜ao dois autovetores associados ao autovalor λ
1
= 3. Determine um
autovetor associado ao autovalor λ
2
= 4 e uma base ortonormal de
autovetores de T.
8. Para cada matriz abaixo, determine uma matriz ortogonal P e uma
matriz diagonal D tais que A = PDP
t
.
a) A =
_
_
_
_
_
3 1 0 0
1 3 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
b) A =
_
_
_
_
_
_
_
_
3 1 0 0 0
1 3 0 0 0
0 0 2 1 1
0 0 1 2 1
0 0 1 1 2
_
_
_
_
_
_
_
_
Solu¸c˜ao
1. Denotamos por T : R
2
→ R
2
a proje¸c˜ao ortogonal sobre a reta y = x,
como ilustra a Figura 30.1
Figura 30.1: A proje¸c˜ao ortogonal sobre a reta y = x e a base ortonormal β.
Vamos primeiro determinar uma matriz que representa T com respeito
a uma base ortonormal β = ¦u
1
, u
2
¦. Sejam:
u
1
= (1
_√
2 , 1
_√
2) vetor unit´ario paralelo `a reta y = x; e u
2
=
(−1
_√
2 , 1
_√
2) um vetor unit´ario normal `a reta y = x.
Como
T(u
1
) = u
1
= 1 u
1
+ 0 u
2
e
T(u
2
) = 0 = 0 u
1
+ 0 u
2
,
temos que
B = [T]
β
=
_
1 0
0 0
_
.
CEDERJ
100
Exerc´ıcios resolvidos – 3
a
Parte
M
´
ODULO 3 – AULA 30
Assim, a matriz A que representa T com respeito `a base canˆonica ´e
dada por
A = P B P
−1
,
onde
P = [u
1
u
2
] =
_
1
_√
2 −1
_√
2
1
_√
2 1
_√
2
_
.
Como P ´e uma matriz ortogonal, temos que
P
−1
= P
t
=
_
1
_√
2 1
_√
2
−1
_√
2 1
_√
2
_
,
portanto,
A = P B P
−1
=
_
1
_√
2 −1
_√
2
1
_√
2 1
_√
2
_ _
1 0
0 0
_ _
1
_√
2 1
_√
2
−1
_√
2 1
_√
2
_
=
_
1/2 1/2
1/2 1/2
_
.
2. Seja T : R
3
→ R
3
a proje¸c˜ ao ortogonal sobre o plano π : x + y −
z = 0; precisamos determinar a matriz A que representa essa proje¸c˜ ao
com respeito `a base canˆonica. Novamente, vamos primeiro obter a
matriz que representa T com respeito a uma base ortonormal β =
¦u
1
, u
2
, u
3
¦. Veja a Figura 30.2
Figura 30.2: Uma base ortonormal β.
Considere os seguintes vetores: u
1
= (1
_√
2 , 0 , 1
_√
2) um vetor
unit´ario paralelo ao plano π, u
2
= (−1
_√
6 , 2
_√
6 , 1
_√
6) um vetor
unit´ario ortogonal a u
1
e paralelo ao plano π e u
3
= (1
_√
3 , 1
_√
3 , −1
_√
3)
um vetor unit´ario normal ao plano π.
Como
T(u
1
) = u
1
= 1 u
1
+ 0 u
2
+ 0 u
3
;
101
CEDERJ
Exerc´ıcios resolvidos – 3
a
Parte
T(u
2
) = u
2
= 0 u
1
+ 1 u
2
+ 0 u
3
;
e
T(u
3
) = 0 = 0 u
1
+ 0 u
2
+ 0 u
3
,
temos que
B = [T]
β
=
_
_
_
1 0 0
0 1 0
0 0 0
_
_
_
.
Assim, a matriz A que representa T com respeito `a base canˆonica ´e
dada por
A = P B P
−1
,
onde
P = [u
1
u
2
u
3
] =
_
_
_
1
_√
2 −1
_√
6 1
_√
3
0 2
_√
6 1
_√
3
1
_√
2 1
_√
6 −1
_√
3
_
_
_
.
Como P ´e uma matriz ortogonal, temos que
P
−1
= P
t
=
_
_
_
1
_√
2 0 1
_√
2
−1
_√
6 2
_√
6 1
_√
6
1
_√
3 1
_√
3 −1
_√
3
_
_
_
;
portanto
A = P B P
−1
=
_
_
_
1
_√
2 −1
_√
6 1
_√
3
0 2
_√
6 1
_√
3
1
_√
2 1
_√
6 −1
_√
3
_
_
_
_
_
_
1 0 0
0 1 0
0 0 0
_
_
_
.
.
_
_
_
1
_√
2 0 1
_√
2
−1
_√
6 2
_√
6 1
_√
6
1
_√
3 1
_√
3 −1
_√
3
_
_
_
=
_
_
_
2/3 −1/3 1/3
−1/3 2/3 1/3
1/3 1/3 2/3
_
_
_
.
Assim, as imagens dos pontos P
1
e P
2
, sob a a¸c˜ ao da proje¸c˜ao or-
togonal sobre o plano π, s˜ao obtidas por multiplica¸c˜ ao de matrizes:
CEDERJ
102
Exerc´ıcios resolvidos – 3
a
Parte
M
´
ODULO 3 – AULA 30
AP
1
=
_
_
_
2/3 −1/3 1/3
−1/3 2/3 1/3
1/3 1/3 2/3
_
_
_
_
_
_
0
0
1
_
_
_
=
_
_
_
1/3
1/3
2/3
_
_
_
;
AP
2
=
_
_
_
2/3 −1/3 1/3
−1/3 2/3 1/3
1/3 1/3 2/3
_
_
_
_
_
_
1
1
1
_
_
_
=
_
_
_
2/3
2/3
1
_
_
_
.
Portanto, temos AP
1
= (1/3 , 1/3 , 2/3) e AP
2
= (2/3 , 2/3 , 1).
3. Lembre que uma matriz A ´e sim´etrica se e somente se A = A
t
. Assim,
para a matriz
A =
_
_
_
1 a + b b
2 0 4
3 4 3
_
_
_
,
temos A = A
t
se e somente se
_
_
_
1 a + b b
2 0 4
3 4 3
_
_
_
=
_
_
_
1 2 3
a + b 0 4
b 4 3
_
_
_
,
ou seja, se e somente se a + b = 2 e b = 3, ou, ainda, a = −1 e b = 3.
Para a matriz
B =
_
_
_
5 b −c 2d + 3
3 5 1
d b + c 0
_
_
_
,
temos B = B
t
se e somente se
_
_
_
5 b −c 2d + 3
3 5 1
d b + c 0
_
_
_
=
_
_
_
5 3 d
b −c 5 b + c
2d + 3 1 0
_
_
_
,
ou seja, se e somente se b −c = 3 , b +c = 1 e 2d+3 = d, ou, ainda,
b = 2 , c = −1 e d = −3.
4. Sendo A e B matrizes sim´etricas, temos A = A
t
e B = B
t
. Portanto,
(AB + BA)
t
= (AB)
t
+ (BA)
t
= B
t
A
t
+ A
t
B
t
= BA + AB
= AB + BA.
Portanto, a AB + BA tamb´em ´e uma matriz sim´etrica.
103
CEDERJ
Exerc´ıcios resolvidos – 3
a
Parte
5. De fato, temos que
(B
t
AB)
t
= B
t
A
t
(B
t
)
t
= B
t
AB;
logo, B
t
AB tamb´em ´e uma matriz sim´etrica.
6. Como A ´e matriz sim´etrica, existe uma matriz ortogonal P que di-
agonaliza a matriz A. Lembre que as colunas de P s˜ao autovetores
unit´arios da matriz A. Portanto, precisamos calcular os autovalores e
os respectivos autovetores da matriz A. Seu polinˆomio caracter´ıstico ´e
dado por
p(x) = det(A −xI
2
)
=
¸
¸
¸
¸
¸
a −x −b
−b a −x
¸
¸
¸
¸
¸
= (a −x)
2
−(−b)
2
= x
2
−2ax + (a
2
−b
2
) .
Portanto, os autovalores s˜ao λ
1
= a+b e λ
2
= a−b. Como b ,= 0, segue
que λ
1
,= λ
2
. Vamos, agora, ao c´alculo dos autovetores. O autovetor
associado ao autovalor λ
1
= a + b ´e um vetor u
1
= (x, y) ∈ R
2
que
satisfaz
(A −λ
1
I
2
) u
1
= 0,
ou seja,
_
−b b
b −b
_ _
x
y
_
=
_
0
0
_
.
Como b ,= 0, obtemos x = y. Assim, uma escolha de u
1
= (x , y)
que seja vetor unit´ario ´e dada por u
1
= (1
_√
2 , 1
_√
2). Como λ
1
,= λ
2
e a matriz A ´e sim´etrica, ent˜ ao todo autovetor u
2
= (x, y) ∈ R
2
as-
sociado ao autovalor λ
2
= a − b ´e ortogonal ao vetor u
1
. Portanto,
podemos escolher u
2
= (−1
_√
2 , 1
_√
2). Assim, a matriz
P = [u
1
u
2
] =
_
1
_√
2 −1
_√
2
1
_√
2 1
_√
2
_
CEDERJ
104
Exerc´ıcios resolvidos – 3
a
Parte
M
´
ODULO 3 – AULA 30
diagonaliza a matriz A, isto ´e,
D = P
t
AP
=
_
1
_√
2 1
_√
2
−1
_√
2 1
_√
2
_ _
a b
b a
_ _
1
_√
2 −1
_√
2
1
_√
2 1
_√
2
_
=
_
a + b 0
0 a −b
_
´e uma matriz diagonal semelhante `a matriz A.
7. Seja v
3
∈ R
3
um autovetor associado ao autovalor λ
2
= 4. Como
T ´e um operador auto-adjunto e os vetores v
1
e v
2
s˜ao linearmente
independentes, devemos ter v
3
ortogonal a v
1
e v
2
. Como estamos em
R
3
, v
3
´e paralelo ao vetor v
1
v
2
; portanto, podemos considerar
v
3
= v
1
v
2
= (1 , 1 , −2).
Observe que para os autovetores v
1
e v
2
associados ao autovalor λ
1
= 3
temos
¸v
1
, v
2
) = ¸(2 , 0 , 1), (1 , 1 , 1))
= 2 1 + 0 1 + 1 1
= 3 ,= 0;
logo, v
1
e v
2
n˜ao s˜ao ortogonais entre si. Para construir uma base
ortogonal de autovetores, consideramos os vetores v
2
, v
3
e um novo
vetor w, com w ortogonal a v
2
e v
3
, por exemplo,
w = v
2
v
3
= (−1 , 5 , 2).
Normalizando esses vetores, obtemos uma base ortonormal de autove-
tores β = ¦u
1
, u
2
, u
3
¦, dada por:
u
1
=
w
[[ w[[
= (
−1

30
,
5

30
,
2

30
);
u
2
=
v
2
[[ v
2
[[
= (
2

5
, 0 ,
1

5
);
u
3
=
v
3
[[ v
3
[[
= (
1

6
,
1

6
,
−1

6
).
105
CEDERJ
Exerc´ıcios resolvidos – 3
a
Parte
8. a) Sendo
A =
_
_
_
_
_
3 1 0 0
1 3 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
,
seu polinˆomio caracter´ıstico ´e dado por
p(x) = det(A −xI
4
)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
3 −x 1 0 0
1 3 −x 0 0
0 0 −x 0
0 0 0 −x
¸
¸
¸
¸
¸
¸
¸
¸
¸
= x
2
(x
2
−6x + 8)
= x
2
(x −2)(x −4) .
Logo, seus autovalores s˜ao:
• λ
1
= 0, com multiplicidade alg´ebrica 2;
• λ
2
= 2, com multiplicidade alg´ebrica 1; e
• λ
3
= 4, com multiplicidade alg´ebrica 1.
Vamos, agora, calcular uma base ortonormal de autovetores de A.
Para o autovalor λ
1
= 0, sabemos que os autovetores associados
v = (x, y , z , t) ∈ R
4
satisfazem
(A −0 I
4
)v = 0
Av = 0
isto ´e, satisfazem o sistema linear homogˆeneo
_
_
_
_
_
3 1 0 0
1 3 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, no caso, a
pr´opria matriz A, obtemos as solu¸c˜ oes
x = 0, y = 0 e z, t arbitr´arios.
CEDERJ
106
Exerc´ıcios resolvidos – 3
a
Parte
M
´
ODULO 3 – AULA 30
Portanto, escolhendo ora z = 1, t = 0, e ora z = 0, t = 1, obtemos
que
u
1
= (0 , 0 , 1 , 0) u
2
= (0 , 0 , 0 , 1)
formam uma base ortonormal do auto-espa¸co associado ao auto-
valor λ
1
= 0.
Para o autovalor λ
2
= 2, sabemos que os autovetores associados
v = (x , y , z , t) ∈ R
4
satisfazem
(A −2 I
4
)v = 0,
isto ´e, satisfazem o sistema linear homogˆeneo
_
_
_
_
_
1 1 0 0
1 1 0 0
0 0 −2 0
0 0 0 −2
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, obtemos as
solu¸c˜ oes
y = −x e z = t = 0, com x arbitr´ario.
Portanto, escolhendo x = 1
_√
2 e, conseq¨ uentemente, y = −1
_√
2,
obtemos que
u
3
=
_
1

2
,
−1

2
, 0 , 0
_
forma uma base ortonormal do auto-espa¸co associado ao autovalor
λ
2
= 2. Finalmente, para o autovalor λ
3
= 4, os autovetores
associados v = (x, y , z , t) ∈ R
4
satisfazem
(A −4 I
4
)v = 0,
ou seja, satisfazem o sistema linear homogˆeneo
_
_
_
_
_
−1 1 0 0
1 −1 0 0
0 0 −4 0
0 0 0 −4
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, obtemos as
solu¸c˜ oes
y = x e z = t = 0, comx arbitr´ario.
107
CEDERJ
Exerc´ıcios resolvidos – 3
a
Parte
Portanto, escolhendo x = 1
_√
2 e, conseq¨ uentemente, y = 1
_√
2,
obtemos que
u
4
=
_
1

2
,
1

2
, 0 , 0
_
forma uma base ortonormal do auto-espa¸co associado ao autovalor
λ
3
= 4. Como a matriz A ´e sim´etrica, observe que os autovetores
associados a autovalores distintos s˜ao ortogonais. Assim, β =
¦u
1
, u
2
, u
3
, u
4
¦ ´e uma base ortonormal de R
4
formada por
autovetores da matriz A. Portanto, a matriz ortogonal P,
P = [u
1
u
2
u
3
u
4
] =
_
_
_
_
_
0 0 1
_√
2 1
_√
2
0 0 −1
_√
2 1
_√
2
1 0 0 0
0 1 0 0
_
_
_
_
_
,
e a matriz diagonal D,
D =
_
_
_
_
_
0 0 0 0
0 0 0 0
0 0 2 0
0 0 0 4
_
_
_
_
_
,
satisfazem A = PDP
t
.
b) No caso
A =
_
_
_
_
_
_
_
_
3 1 0 0 0
1 3 0 0 0
0 0 2 1 1
0 0 1 2 1
0 0 1 1 2
_
_
_
_
_
_
_
_
,
CEDERJ
108
Exerc´ıcios resolvidos – 3
a
Parte
M
´
ODULO 3 – AULA 30
seu polinˆomio caracter´ıstico ´e dado por
p(x) = det(xI
5
−A)
=
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
x −3 −1 0 0 0
−1 x −3 0 0 0
0 0 x −2 −1 −1
0 0 −1 x −2 −1
0 0 −1 −1 x −2
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
x −3 −1
−1 x −3
¸
¸
¸
¸
¸

¸
¸
¸
¸
¸
¸
¸
x −2 −1 −1
−1 x −2 −1
−1 −1 x −2
¸
¸
¸
¸
¸
¸
¸
= (x
2
−6x + 8)(x
3
−6x
2
+ 9x −4)
= (x −1)
2
(x −2)(x −4)
2
.
Logo, os autovalores da matriz A s˜ao:
• λ
1
= 1, com multiplicidade alg´ebrica 2;
• λ
2
= 2, com multiplicidade alg´ebrica 1; e
• λ
3
= 4, com multiplicidade alg´ebrica 2.
Vamos, agora, calcular uma base ortonormal de autovetores de A.
Para o autovalor λ
1
= 1, sabemos que os autovetores associados
v = (x , y , z , t , s) ∈ R
5
satisfazem
(A −2 I
5
)v = 0,
isto ´e, satisfazem o sistema linear homogˆeneo
_
_
_
_
_
_
_
_
−2 −1 0 0 0
−1 −2 0 0 0
0 0 −1 −1 −1
0 0 −1 −1 −1
0 0 −1 −1 −1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
y
z
t
s
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
0
_
_
_
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, obtemos as
solu¸c˜ oes
x = 0, y = 0, z = −t −s com t e s arbitr´arios.
109
CEDERJ
Exerc´ıcios resolvidos – 3
a
Parte
Portanto, escolhendo t = 0 e s = −1, obtemos o autovetor
v
1
= (0 , 0 , 1 , 0 , −1).
Para obter um segundo autovetor v
2
= (a , b , c , d , e) associado
ao autovalor λ
1
= 1 e que seja ortogonal a v
1
, devemos ter
_
¸
_
¸
_
a = b = 0
c + d + e = 0
c −e = 0 ,
sendo que a ´ ultima equa¸c˜ao segue da condi¸c˜ao ¸v
1
, v
2
) = 0. Uma
solu¸c˜ ao desse sistema linear ´e dada por v
2
= (0 , 0 , 1 , −2 , 1).
Assim, ¦v
1
, v
2
¦ ´e uma base ortogonal do auto-espa¸co associado a
λ
1
= 1.
Para o autovalor λ
2
= 2, sabemos que os autovetores associados
v = (x, y , z , t , s) ∈ R
5
satisfazem
(A −2 I
5
)v = 0,
isto ´e, satisfazem o sistema linear homogˆeneo
_
_
_
_
_
_
_
_
−1 −1 0 0 0
−1 −1 0 0 0
0 0 0 −1 −1
0 0 −1 0 −1
0 0 −1 −1 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
y
z
t
s
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
0
_
_
_
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, obtemos
as solu¸c˜ oes
y = −x e z = t = 0, com x arbitr´ario.
Portanto, escolhendo x = 1, obtemos o autovetor
v
3
= (1 , −1 , 0 , 0 , 0),
que forma uma base do auto-espa¸co associado ao autovalor λ
2
= 2.
Finalmente, para o autovalor λ
3
= 4, os autovetores associados
v = (x, y , z , t , s) ∈ R
5
satisfazem
(A −4 I
5
)v = 0,
CEDERJ
110
Exerc´ıcios resolvidos – 3
a
Parte
M
´
ODULO 3 – AULA 30
ou seja, satisfazem o sistema linear homogˆeneo
_
_
_
_
_
_
_
_
1 −1 0 0 0
−1 1 0 0 0
0 0 2 −1 −1
0 0 −1 2 −1
0 0 −1 −1 2
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
y
z
t
s
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
0
_
_
_
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, obtemos as
solu¸c˜ oes
y = x, s = z e t = z, com x e z arbitr´arios.
Agindo como no caso do autovalor λ
1
= 1, obtemos os seguintes
autovetores associados ao autovalor λ
3
= 4:
v
4
= (1 , 1 , 0 , 0 , 0) e v
5
= (0 , 0 , 1 , 1 , 1), e eles formam uma
base ortogonal para o auto-espa¸co associado ao autovalor λ
3
= 4.
Assim, ¦v
1
, v
2
, v
3
, v
4
, v
5
¦ ´e uma base ortogonal de R
5
formada
por autovetores da matriz A. Normalizando os vetores dessa base,
obtemos
u
1
=
_
0 , 0 ,
1

2
, 0 ,
−1

2
_
;
u
2
=
_
0 , 0 ,
1

6
,
−2

6
,
1

6
_
;
u
3
=
_
1

2
,
−1

2
, 0 , 0 , 0
_
;
u
4
=
_
1

2
,
1

2
, 0 , 0 , 0
_
;
e
u
2
=
_
0 , 0 ,
1

3
,
1

3
,
1

3
_
.
Observe, agora, que β = ¦u
1
, u
2
, u
3
, u
4
, u
5
¦ ´e uma base orto-
normal de R
5
formada por autovetores da matriz A. Portanto, a
matriz ortogonal P,
P = [u
1
u
2
u
3
u
4
u
5
] =
_
_
_
_
_
_
_
_
0 0 1
_√
2 1
_√
2 0
0 0 −1
_√
2 1
_√
2 0
1
_√
2 1
_√
6 0 0 1
_√
3
0 −2
_√
6 0 0 1
_√
3
−1
_√
2 1
_√
6 0 0 1
_√
3
_
_
_
_
_
_
_
_
,
111
CEDERJ
Exerc´ıcios resolvidos – 3
a
Parte
e a matriz diagonal D,
D =
_
_
_
_
_
_
_
_
1 0 0 0 0
0 1 0 0 0
0 0 2 0 0
0 0 0 4 0
0 0 0 0 4
_
_
_
_
_
_
_
_
,
satisfazem A = PDP
t
. Lembre que a ordem dos elementos da
diagonal principal da matriz D depende da ordem das colunas
da matriz ortogonal P e vice-versa.
CEDERJ
112
Exerc´ıcios resolvidos – 4
a
Parte
M
´
ODULO 3 – AULA 31
Aula 31 – Exerc´ıcios resolvidos – 4
a
Parte
Objetivo:
• Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29.
Pr´e-requisitos: Aulas 17 a 30.
Nesta aula, vamos dar continuidade `a apresenta¸c˜ ao de exerc´ıcios resol-
vidos sobre a segunda parte do curso. Estes exerc´ıcios o ajudar˜ao a consolidar
os conceitos apresentados nas aulas anteriores.
Mais uma vez, ressaltamos que vocˆe deve primeiro tentar resolver cada
um dos exerc´ıcios, usando, se necess´ario, as anota¸c˜ oes das aulas anteriores,
e, s´o depois de obtida a sua pr´opria solu¸c˜ao, compar´a-la com a solu¸c˜ ao apre-
sentada aqui. Caso vocˆe n˜ao consiga resolver algum exerc´ıcio, n˜ao se aflija,
leia atentamente a solu¸c˜ ao correspondente e, se ainda tiver dificuldade, n˜ao
hesite em procurar ajuda de seu tutor. Uma discuss˜ao entre alunos e tutor
sobre as solu¸c˜oes encontradas ´e sempre muito proveitosa.
Exerc´ıcios
1. Para cada caso abaixo, determine a matriz que representa a forma
bilinear com respeito `a base ordenada especificada.
a) F : R
3
R
3
→ R dada por F(u, v) = ¸u, v) com respeito `a
base β = ¦u
1
, u
2
, u
3
¦, u
1
= (−2 , 0 , 1), u
2
= (1 , 2 , 1) e
u
3
= (0 , 1 , −2).
b) F : R
2
R
2
→ R dada por F(u, v) = ¸u, a) ¸v, b), com
a , b ∈ R
2
, com respeito `a base canˆonica.
2. Expresse as formas quadr´aticas abaixo na forma v
t
Av, onde a matriz
A ´e uma matriz sim´etrica.
a) q(x
1
, x
2
) = 3 x
2
1
+ 7 x
2
2
b) q(x
1
, x
2
, x
3
, x
4
) = x
2
1
+ x
2
2
+3 x
2
3
+x
2
4
+2 x
1
x
2
+4 x
1
x
3
+6 x
2
x
3
+
7 x
1
x
4
−2 x
2
x
4
c) q(x
1
, x
2
, x
3
) = x
2
1
+ x
2
2
− x
2
3
+ 2 x
1
x
2
−3 x
1
x
3
+ x
2
x
3
113
CEDERJ
Exerc´ıcios resolvidos – 4
a
Parte
d) q(x
1
, x
2
) = −7x
1
x
2
e) q(x
1
, x
2
, . . . , x
n
) = (c
1
x
1
+c
2
x
2
+ +c
n
x
n
)
2
, com c
1
, c
2
, . . . , c
n

R.
3. Diagonalize as seguintes formas quadr´aticas:
a) q(x, y) = 2xy
b) q(x, y , z) = 2xy + 2xz + 2yz
Em cada caso, determine a matriz ortogonal que diagonaliza a forma
quadr´atica.
4. Identifique as cˆonicas representadas pelas equa¸c˜ oes abaixo. Em cada
caso, determine a matriz ortogonal que diagonaliza a forma quadr´atica.
a) 2x
2
+ 5y
2
= 20
b) x
2
−16y
2
+ 8x + 128y = 256
c) 4x
2
−20xy + 25y
2
−15x −6y = 0
5. Identifique as qu´adricas representadas pelas equa¸c˜oes abaixo. Em cada
caso, determine a matriz ortogonal que diagonaliza a forma quadr´atica.
a) 2xy + 2xz + 2yz −6x −6y −4z = −9
b) 2xy −6

2 x + 10

2 y + z −31 = 0
6. Seja F a forma bilinear de R
2
definida por
F((x
1
, x
2
), (y
1
, y
2
)) = 2x
1
y
1
− 3x
1
y
2
+ x
2
y
2
.
a) Determine a matriz A que representa F com respeito `a base α =
¦(1 , 0) , (1 , 1)¦.
b) Determine a matriz B que representa F com respeito `a base β =
¦(2 , 1) , (1 , −1)¦.
c) Determine a matriz mudan¸ ca de base P, da base α para a base β,
e verifique que B = P
t
AP.
CEDERJ
114
Exerc´ıcios resolvidos – 4
a
Parte
M
´
ODULO 3 – AULA 31
Solu¸c˜ao
1. a) Lembre-se da Aula 25, na qual a matriz que representa a forma
bilinear com respeito `a base β = ¦u
1
, u
2
, u
3
¦ ´e dada pela matriz
A = (a
ij
), onde a
ij
= F(u
i
, u
j
). Neste caso, temos:
a
11
= F(u
1
, u
1
) = ¸u
1
, u
1
) = ¸(−2 , 0 , 1) , (−2 , 0 , 1)) = 5;
a
12
= F(u
1
, u
2
) = ¸u
1
, u
2
) = ¸(−2 , 0 , 1) , (1 , 2 , 1)) = −1;
a
13
= F(u
1
, u
3
) = ¸u
1
, u
3
) = ¸(−2 , 0 , 1) , (0 , 1 , −2)) = −2;
a
21
= F(u
2
, u
1
) = ¸u
2
, u
1
) = ¸(1 , 2 , 1) , (−2 , 0 , 1)) = −1;
a
22
= F(u
2
, u
2
) = ¸u
2
, u
2
) = ¸(1 , 2 , 1) , (1 , 2 , 1)) = 6;
a
23
= F(u
2
, u
3
) = ¸u
2
, u
3
) = ¸(1 , 2 , 1) , (0 , 1 , −2)) = 0;
a
31
= F(u
3
, u
1
) = ¸u
3
, u
1
) = ¸(0 , 1 , −2) , (−2 , 0 , 1)) = −2;
a
32
= F(u
3
, u
2
) = ¸u
3
, u
2
) = ¸(0 , 1 , −2) , (1 , 2 , 1)) = 0;
a
33
= F(u
3
, u
3
) = ¸u
3
, u
3
) = ¸(0 , 1 , −2) , (0 , 1 , −2)) = 5.
Assim, a matriz A ´e dada por
A =
_
_
_
5 −1 −2
−1 6 0
−2 0 5
_
_
_
.
Observe que A ´e uma matriz sim´etrica.
b) Sejam a = (a
1
, a
2
) e b = (b
1
, b
2
) vetores com respeito `a base
canˆonica. Seja A = (a
ij
) a matriz que representa a forma bilinear
F(u, v) = ¸u, a) ¸v, b) com respeito `a base canˆonica. Assim,
temos:
a
11
= F(e
1
, e
1
) = ¸e
1
, a) ¸e
1
, b) = ¸(1 , 0) , (a
1
, a
2
)) ¸(1 , 0) , (b
1
, b
2
)) = a
1
b
1
;
a
12
= F(e
1
, e
2
) = ¸e
1
, a) ¸e
2
, b) = ¸(1 , 0) , (a
1
, a
2
)) ¸(0 , 1) , (b
1
, b
2
)) = a
1
b
2
;
a
21
= F(e
2
, e
1
) = ¸e
2
, a) ¸e
1
, b) = ¸(0 , 1) , (a
1
, a
2
)) ¸(1 , 0) , (b
1
, b
2
)) = a
2
b
1
;
a
22
= F(e
2
, e
2
) = ¸e
2
, a) ¸e
2
, b) = ¸(0 , 1) , (a
1
, a
2
)) ¸(0 , 1) , (b
1
, b
2
)) = a
2
b
2
.
Portanto,
A =
_
a
1
b
1
a
1
b
2
a
2
b
1
a
2
b
2
_
.
Observe que, em geral, a matriz A n˜ao ´e uma matriz sim´etrica.
115
CEDERJ
Exerc´ıcios resolvidos – 4
a
Parte
2. Como foi visto na Aula 26, temos:
a)
q(x
1
, x
2
) = (x
1
x
2
)
_
3 0
0 7
_ _
x
1
x
2
_
= 3x
2
1
+ 7x
2
2
b)
q(x
1
, x
2
, x
3
, x
4
) = (x
1
x
2
x
3
x
4
)
_
_
_
_
_
1 1 2 7/2
1 2 3 −1
2 3 3 0
7/2 −1 0 1
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
= x
2
1
+ x
2
2
+ 3 x
2
3
+ x
2
4
+ 2 x
1
x
2
+ 4 x
1
x
3
+ 6 x
2
x
3
+ 7 x
1
x
4
−2 x
2
x
4
c)
q(x
1
, x
2
, x
3
) = (x
1
x
2
x
3
)
_
_
_
1 1 −3/2
1 1 1/2
−3/2 1/2 −1
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
= x
2
1
+ x
2
2
− x
2
3
+ 2 x
1
x
2
−3 x
1
x
3
+ x
2
x
3
d)
q(x
1
, x
2
) = (x
1
x
2
)
_
0 −7/2
−7/2 0
_ _
x
1
x
2
_
= −7x
1
x
2
e)
q(x
1
, x
2
, . . . , x
n
) = (c
1
x
1
+ c
2
x
2
+ + c
n
x
n
)
2
=
= c
2
1
x
2
1
+ c
2
2
x
2
2
+ + c
2
n
x
2
n
+ 2 c
1
c
2
x
1
x
2
+ 2 c
1
c
3
x
1
x
3
+
+ 2 c
n−1
c
n
x
n−1
x
n
= (x
1
x
2
x
n
)
_
_
_
_
_
_
_
_
c
2
1
c
1
c
2
c
1
c
3
c
1
c
n
c
1
c
2
c
2
2
c
2
c
3
c
2
c
n
c
1
c
3
c
2
c
3
c
2
3
c
3
c
n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
c
1
c
n
c
2
c
n
c
3
c
n
c
2
n
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
.
.
.
x
n
_
_
_
_
_
_
_
_
CEDERJ
116
Exerc´ıcios resolvidos – 4
a
Parte
M
´
ODULO 3 – AULA 31
3. a) Observando os coeficientes de q, vemos que a matriz A que repre-
senta q na base canˆonica ´e dada por
A =
_
0 1
1 0
_
.
Diagonalizar a forma quadr´atica q ´e equivalente a diagonalizar a
matriz sim´etrica A. Usando os procedimentos j´a conhecidos sobre
diagonaliza¸c˜ ao de matrizes sim´etricas, os autovalores da matriz A
s˜ao λ
1
= 1 e λ
2
= −1. A matriz P ser´a obtida a partir de uma
base ortonormal de autovetores de A. Efetuando os c´alculos, o
que ´e um exerc´ıcio para vocˆe, obtemos
u
1
=
_
1
_√
2
1
_√
2
_
autovetor associado ao autovalor λ
1
= 1, e
u
2
=
_
−1
_√
2
1
_√
2
_
autovetor associado ao autovalorλ
2
= −1.
Como ¦u
1
, u
2
¦ forma uma base ortonormal de R
2
, ent˜ao
P = [u
1
u
2
] =
_
1
_√
2 −1
_√
2
1
_√
2 1
_√
2
_
,
que representa uma rota¸c˜ao de π/4 radianos, e a matriz diagonal
correspondente ser´a
D =
_
1 0
0 −1
_
,
onde D = P
t
AP. Observe que a forma diagonal de q ´e dada por
q(x
1
, y
1
) = (x
1
y
1
)
_
1 0
0 −1
_ _
x
1
y
1
_
= x
2
1
−y
2
1
.
b) Observando os coeficientes de q, vemos que a matriz A que repre-
senta q na base canˆonica ´e dada por
A =
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
.
Procedendo `a diagonaliza¸c˜ ao da matriz sim´etrica A, deixamos
os detalhes dos c´alculos como um exerc´ıcio para vocˆe, obtemos
117
CEDERJ
Exerc´ıcios resolvidos – 4
a
Parte
os autovalores λ
1
= −1, com multiplicidade alg´ebrica 2, e λ
2
= 2.
A matriz mudan¸ca de vari´avel P ser´a obtida a partir de uma base
ortonormal de autovetores de A. Efetuando os c´alculos, obtemos
u
1
=
_
_
_
1
_√
6
−2
_√
6
1
_√
6
_
_
_
autovetor associado ao autovalor λ
1
= −1;
u
2
=
_
_
_
1
_√
2
0
−1
_√
2
_
_
_
autovetor associado ao autovalorλ
1
= −1;
u
3
=
_
_
_
1
_√
3
1
_√
3
1
_√
3
_
_
_
autovetor associado ao autovalorλ
2
= 2.
Como ¦u
1
, u
2
, u
3
¦ forma uma base ortonormal de R
3
, ent˜ao
P = [u
1
u
2
u
3
] =
_
_
_
1
_√
6 1
_√
2 1
_√
3
−2
_√
6 0 1
_√
3
1
_√
6 −1
_√
2 1
_√
3
_
_
_
´e uma matriz ortogonal e a matriz diagonal correspondente ser´a
D =
_
_
_
−1 0 0
0 −1 0
0 0 2
_
_
_
,
onde D = P
t
AP.
A forma diagonal de q ´e dada por
q(x
1
, y
1
, z
1
) = (x
1
y
1
z
1
)
_
_
_
−1 0 0
0 −1 0
0 0 2
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= −x
2
1
−y
2
1
+ 2 z
2
1
.
Como P ´e uma matriz ortogonal e det(P) = 1, ent˜ ao P ´e uma
rota¸c˜ ao em R
3
.
4. a) Como a forma quadr´atica q(x, y) = 2x
2
+ 5y
2
n˜ao cont´em ter-
mos em xy, a equa¸c˜ ao da cˆonica j´a est´a diagonalizada. Podemos
escrevˆe-la na forma
x
2
10
+
y
2
4
= 1,
e, da´ı, identificar a cˆonica como uma elipse de semi-eixos

10 e 2. Veja a Figura 31.1.
CEDERJ
118
Exerc´ıcios resolvidos – 4
a
Parte
M
´
ODULO 3 – AULA 31
Figura 31.1: A elipse
x
2
10
+
y
2
4
= 1.
b) Como a equa¸c˜ao x
2
−16y
2
+8x+128y = 256 n˜ao cont´em termos em
xy, ela j´a se encontra diagonalizada, restando apenas completar os
quadrados em x e y:
(x
2
+ 8x) −16(y
2
−8y) = 256
(x + 4)
2
−16 −16 [(y −4)
2
−16] = 256
(x + 4)
2
−16(y −4)
2
= 16
(x + 4)
2
16

(y −4)
2
1
= 1 .
Efetuando a transla¸c˜ao
_
x
1
= x + 4
y
1
= y −4 ,
a equa¸c˜ao que representa a cˆonica se transforma, no sistema de
coordenadas x
1
y
1
, em
x
2
1
16

y
2
1
1
= 1.
Podemos identificar a hip´erbole na Figura 31.2.
Figura 31.2: A hip´erbole
x
2
1
16

y
2
1
1
= 1.
c) Reescrevendo a cˆonica 4x
2
−20xy +25y
2
−15x−6y = 0 na forma
matricial, obtemos
v
t
Av + Bv = 0,
119
CEDERJ
Exerc´ıcios resolvidos – 4
a
Parte
onde
v =
_
x
y
_
∈ R
2
,
A =
_
4 −10
−10 25
_
e
B = (−15 −6 ).
A matriz A ´e a matriz sim´etrica que representa a forma quadr´atica
q(x, y) = 4x
2
− 20xy + 25y
2
com respeito `a base canˆonica. N˜ao
´e dif´ıcil ver – os c´alculos ficam para vocˆe – que os autovalores da
matriz A s˜ao λ
1
= 0 e λ
2
= 29, e os autovetores normalizados s˜ao
u
1
=
_
5
_√
29
2
_√
29
_
autovetor associado ao autovalor λ
1
= 0, e
u
2
=
_
−2
_√
29
5
_√
29
_
autovetor associado ao autovalorλ
2
= 29.
Como ¦u
1
, u
2
¦ forma uma base ortonormal de R
2
, ent˜ao
P = [u
1
u
2
] =
_
5
_√
29 −2
_√
29
2
_√
29 5
_√
29
_
´e a matriz ortogonal que diagonaliza a matriz A, e a matriz dia-
gonal correspondente ser´a
D =
_
0 0
0 29
_
,
com D = P
t
AP. Como det(P) = 1, a matriz ortogonal P repre-
senta uma rota¸c˜ao em R
2
.
Considerando
v =
_
x
y
_
e v
1
=
_
x
1
y
1
_
,
e substituindo v = Pv
1
em v
t
Av, obtemos
v
t
Av = (Pv
1
)
t
A(Pv
1
)
= v
t
1
(P
t
AP)v
1
= v
t
1
Dv
1
; onde P
t
AP = D
= (x
1
y
1
)
_
0 0
0 29
_ _
x
1
y
1
_
= 29y
2
1
.
CEDERJ
120
Exerc´ıcios resolvidos – 4
a
Parte
M
´
ODULO 3 – AULA 31
A forma linear se transforma em
Bv = B(Pv
1
)
= BPv
1
= (−15 −6 )
_
5
_√
29 −2
_√
29
2
_√
29 5
_√
29
_ _
x
1
y
1
_
= (−3

29 0 )
_
x
1
y
1
_
= −3

29 x
1
.
Substituindo
v
t
Av = 29y
2
1
e Bv = −3

29 x
1
em v
t
Av + Bv = 0, obtemos
29y
2
1
−3

29 x
1
= 0.
ou, ainda,
x
1
=

29
3
y
2
1
,
onde identificamos facilmente a equa¸c˜ao de uma par´abola. Veja a
Figura 31.3.
x
1
y
1
Figura 31.3: A par´abola x
1
=

29
3
y
2
1
.
5. a) Reescrevendo a equa¸c˜ ao 2xy +2xz +2yz −6x −6y −4z = −9 na
forma matricial, temos
v
t
Av + Bv = −9,
onde
v =
_
_
_
x
y
z
_
_
_
, A =
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
e B = (−6 −6 −4).
121
CEDERJ
Exerc´ıcios resolvidos – 4
a
Parte
A matriz A j´a foi diagonalizada no exerc´ıcio 3b. Encontramos:
u
1
=
_
_
_
1
_√
6
−2
_√
6
1
_√
6
_
_
_
autovetor associado ao autovalor λ
1
= −1;
u
2
=
_
_
_
1
_√
2
0
−1
_√
2
_
_
_
autovetor associado ao autovalor λ
1
= −1;
u
3
=
_
_
_
1
_√
3
1
_√
3
1
_√
3
_
_
_
autovetor associado ao autovalor λ
2
= 2.
Como ¦u
1
, u
2
, u
3
¦ forma uma base ortonormal de R
3
, temos que
P = [u
1
u
2
u
3
] =
_
_
_
1
_√
6 1
_√
2 1
_√
3
−2
_√
6 0 1
_√
3
1
_√
6 −1
_√
2 1
_√
3
_
_
_
´e a matriz ortogonal que diagonaliza a matriz A, e a matriz dia-
gonal correspondente ser´a
D =
_
_
_
−1 0 0
0 −1 0
0 0 2
_
_
_
.
Vale tamb´em que D = P
t
AP.
Observe que det(P) = 1, logo P representa uma rota¸c˜ ao em R
3
.
Considerando
v =
_
_
_
x
y
z
_
_
_
e v
1
=
_
_
_
x
1
y
1
z
1
_
_
_
,
e substituindo v = Pv
1
em v
t
Av, obtemos
v
t
Av = (Pv
1
)
t
A(Pv
1
)
= v
t
1
(P
t
AP)v
1
= v
t
1
Dv
1
; onde P
t
AP = D
= (x
1
y
1
z
1
)
_
_
_
−1 0 0
0 −1 0
0 0 2
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= −x
2
1
−y
2
1
+ 2z
2
1
.
CEDERJ
122
Exerc´ıcios resolvidos – 4
a
Parte
M
´
ODULO 3 – AULA 31
Agora, substituindo v = Pv
1
em Bv, obtemos
Bv = B(Pv
1
)
= BPv
1
= (−6 −6 −4)
_
_
_
1
_√
6 1
_√
2 1
_√
3
−2
_√
6 0 1
_√
3
1
_√
6 −1
_√
2 1
_√
3
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
=
2

6
x
1

2

6
y
1

16

6
z
1
.
Portanto, substituindo
v
t
Av = −x
2
1
−y
2
1
+ 2z
2
1
e Bv =
2

6
x
1

2

6
y
1

16

6
z
1
na equa¸c˜ao v
t
Av + Bv = −9, obtemos
−x
2
1
−y
2
1
+ 2z
2
1
+
2

6
x
1

2

6
y
1

16

6
z
1
= −9.
Completando os quadrados nas vari´ aveis x
1
, y
1
e z
1
, obtemos a
qu´adrica

_
x
1

1

6
_
2

_
y
1
+
1

2
_
2
+ 2
_
z
1
+
4

3
_
2
= 1.
Agora, aplicando a transla¸c˜ ao
_
¸
_
¸
_
x
2
= x
1

1

6
y
2
= y
1
+
1

2
z
2
= z
1
+
4

3
,
obtemos
−x
2
2
−y
2
2
+ 2z
2
2
= 1,
que representa um hiperbol´oide de duas folhas.
b) Reescrevendo a equa¸c˜ao 2xy − 6

2 x + 10

2 y + z − 31 = 0 na
forma matricial, temos
v
t
Av + Bv = 31,
onde
v =
_
_
_
x
y
z
_
_
_
, A =
_
_
_
0 1 0
1 0 0
0 0 0
_
_
_
e B = (−6

2 10

2 1).
123
CEDERJ
Exerc´ıcios resolvidos – 4
a
Parte
Deixamos para vocˆe, novamente, o exerc´ıcio de calcular os auto-
valores e os autovetores correspondentes da matriz A. Obtemos:
u
1
=
_
_
_
0
0
1
_
_
_
autovetor associado ao autovalor λ
1
= 0;
u
2
=
_
_
_
1
_√
2
1
_√
2
0
_
_
_
autovetor associado ao autovalor λ
2
= 1;
u
3
=
_
_
_
−1
_√
2
1
_√
2
0
_
_
_
autovetor associado ao autovalor λ
3
= −1.
Como ¦u
1
, u
2
, u
3
¦ forma uma base ortonormal de R
3
, temos que
P = [u
1
u
2
u
3
] =
_
_
_
0 1
_√
2 −1
_√
2
0 1
_√
2 1
_√
2
1 0 0
_
_
_
´e a matriz ortogonal que diagonaliza a matriz A, e a matriz dia-
gonal correspondente ser´a
D =
_
_
_
0 0 0
0 1 0
0 0 −1
_
_
_
,
onde D = P
t
AP.
Observe que det(P) = 1, logo P representa uma rota¸c˜ ao em R
3
,
a saber, uma rota¸c˜ao de π/4 radianos em torno do eixo-z. Consi-
derando
v =
_
_
_
x
y
z
_
_
_
e v
1
=
_
_
_
x
1
y
1
z
1
_
_
_
,
e substituindo v = Pv
1
em v
t
Av, obtemos
v
t
Av = (Pv
1
)
t
A(Pv
1
)
= v
t
1
(P
t
AP)v
1
= v
t
1
Dv
1
; pois P
t
AP = D
= (x
1
y
1
z
1
)
_
_
_
0 0 0
0 1 0
0 0 −1
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= y
2
1
−z
2
1
.
CEDERJ
124
Exerc´ıcios resolvidos – 4
a
Parte
M
´
ODULO 3 – AULA 31
Agora, substituindo v = Pv
1
em Bv, obtemos
Bv = B(Pv
1
)
= BPv
1
= (−6

2 10

2 1)
_
_
_
0 1
_√
2 −1
_√
2
0 1
_√
2 1
_√
2
1 0 0
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= (1 4 16)
_
_
_
x
1
y
1
z
1
_
_
_
= x
1
+ 4y
1
+ 16z
1
.
Portanto, substituindo
v
t
A, v = y
2
1
−z
2
1
e Bv = x
1
+ 4y
1
+ 16z
1
na equa¸c˜ao v
t
Av + B v = −9, obtemos
y
2
1
−z
2
1
+ x
1
+ 4y
1
+ 16z
1
= 31.
Completando os quadrados nas vari´ aveis y
1
e z
1
, obtemos
(y
2
1
+ 4y
1
) −(z
2
1
−16z
1
) + x
1
= 31
(y
1
+ 2)
2
−4 −(z
1
−8)
2
+ 64 + x
1
= 31
e, por fim,
x
1
+ 29 = −(y
1
+ 2)
2
+ (z
1
−8)
2
.
Agora, aplicando a transla¸c˜ ao
_
¸
_
¸
_
x
2
= x
1
+ 29
y
2
= y
1
+ 2
z
2
= z
1
−8 ,
obtemos
x
2
= −y
2
2
+ z
2
2
,
que representa um parabol´oide hiperb´olico.
6. a) Queremos montar a matriz A = (a
ij
), onde a
ij
= F(u
i
, u
j
),
u
1
= (1 , 0) e u
2
= (1 , 1). Temos:
a
11
= F(u
1
, u
1
) = F((1 , 0), (1 , 0)) = 2;
125
CEDERJ
Exerc´ıcios resolvidos – 4
a
Parte
a
12
= F(u
1
, u
2
) = F((1 , 0), (1 , 1)) = −1;
a
21
= F(u
2
, u
1
) = F((1 , 1), (1 , 0)) = 2;
a
22
= F(u
2
, u
2
) = F((1 , 1), (1 , 1)) = 0.
Logo,
A =
_
2 −1
2 0
_
.
b) Queremos montar a matriz B = (b
ij
), onde b
ij
= F(v
i
, v
j
), v
1
=
(2 , 1) e v
1
= (1 , −1). Temos:
b
11
= F(v
1
, v
1
) = F((2 , 1), (2 , 1)) = 3;
b
12
= F(v
1
, v
2
) = F((2 , 1), (1 , −1)) = 9;
b
21
= F(v
2
, v
1
) = F((1 , −1), (2 , 1)) = 0;
b
22
= F(v
2
, v
2
) = F((1 , −1), (1 , −1)) = 6.
Logo,
B =
_
3 9
0 6
_
.
c) Expressando v
1
e v
2
em fun¸c˜ao de u
1
e u
2
(os detalhes ficam para
vocˆe), obtemos:
v
1
= 1 u
1
+ 1 u
2
;
v
2
= 2 u
1
+ (−1) u
2
,
e, portanto, P =
_
1 2
1 −1
_
e P
t
=
_
1 1
2 −1
_
,
onde
P
t
AP =
_
1 1
2 −1
_ _
2 −1
2 0
_ _
1 2
1 −1
_
=
_
3 9
0 6
_
= B.
CEDERJ
126
Um caso pr´atico
M
´
ODULO 3 – AULA 32
Aula 32 – Um caso pr´atico
Um modelo de crescimento populacional
Nesta ´ ultima aula, vamos ilustrar como a teoria de autovalores e auto-
vetores de matrizes com coeficientes reais pode ser usada para analisar um
modelo de crescimento populacional.
Iniciaremos nossa discuss˜ao com a apresenta¸c˜ao de um modelo simples
de crescimento populacional. Para isso, vamos supor que certas esp´ecies tˆem
uma taxa de crescimento constante. Isso significa que a popula¸c˜ao cresce a
percentuais iguais em intervalos de tempos iguais.
Vamos considerar uma esp´ecie em que cada indiv´ıduo de uma gera¸c˜ao
produz r novos descendentes e, logo em seguida, morre. Assim, se p
n
denota
o n´ umero de indiv´ıduos da popula¸c˜ao da n-´esima gera¸c˜ ao, supondo que as
gera¸c˜oes se sucedem a intervalos de tempos iguais, temos que
p
n
= r p
n−1
.
Por exemplo, se r = 2, temos: p
0
´e a popula¸c˜ao inicial da esp´ecie;
p
1
= 2 p
0
;
p
2
= 2 p
1
= 2 (2 p
0
) = 2
2
p
0
;
p
3
= 2 p
2
= 2 (2
2
p
0
) = 2
3
p
0
.
De modo geral, temos p
n
= 2
n
p
0
. E para r arbitr´ario, temos p
n
= r
n
p
0
.
Esse modelo pode ser usado, por exemplo, para descrever a popula¸c˜ ao de uma
certa bact´eria, na qual, a cada per´ıodo de tempo, cada bact´eria se divide em
duas outras. Para esse modelo, a popula¸c˜ao cresce para o infinito se r > 1,
decresce para zero se 0 < r < 1 e permanece constante se r = 1.
Como vocˆe pode notar, esse modelo populacional ´e muito simples. Por
exemplo, para a maioria das esp´ecies o n´ umero de descendentes depende
da idade dos pais. No caso da esp´ecie humana, uma mulher com 50 anos de
idade tem mais dificuldade de ter filhos que uma de 20 anos. Estudaremos
um modelo que leva em considera¸c˜ao esse tipo de complexidade.
Vamos considerar uma certa esp´ecie de p´assaros em que o n´ umero de
127
CEDERJ
Um caso pr´atico
machos ´e igual ao n´ umero de fˆemeas. Assim, basta controlar o n´ umero de
fˆemeas. Vamos supor, ainda, que o per´ıodo de reprodu¸c˜ ao ´e de um ano e
que, ap´os o nascimento de uma nova fˆemea, ela s´o poder´a se reproduzir ap´os
um ano de vida. Antes de um ano ela ser´a considerada uma fˆemea jovem e
ap´os um ano ser´a considerada uma fˆemea adulta. Podemos, ent˜ ao, denotar
por:
p
j,n
a popula¸c˜ ao de fˆemeas jovens ap´os n anos (n per´ıodos de re-
produ¸c˜ ao);
p
a,n
a popula¸c˜ ao de fˆemeas adultas ap´os n anos.
Vamos tamb´em assumir que, a cada ano, uma fra¸c˜ ao α de fˆemeas jovens
sobrevive e se torna fˆemeas adultas, que cada fˆemea adulta produz k novas
fˆemeas jovens e que uma fra¸c˜ao β de fˆemeas adultas sobrevive.
A suposi¸c˜ao de taxa de sobrevivˆencia constante significa que a sobre-
vivˆencia dos adultos independe da sua idade, o que nem sempre se aplica.
Com as suposi¸c˜ oes anteriores, podemos relacionar a popula¸c˜ ao de fˆemeas
jovens e adultas da seguinte forma:
_
p
j,n
= k p
j,n−1
p
a,n
= αp
j,n−1
+ β p
a,n−1
,
o que nos d´a um sistema linear de ordem 2. Em nota¸c˜ao matricial, podemos
reescrevˆe-lo como
P
n
= AP
n−1
,
onde
P
n
=
_
p
j,n
p
a,n
_
e A =
_
0 k
α β
_
.
Observe que
P
1
= AP
0
;
P
2
= AP
1
= A(AP
0
) = A
2
P
0
;
P
3
= AP
2
= A(A
2
P
0
) = A
3
P
0
;
P
4
= AP
3
= A(A
3
P
0
) = A
4
P
0
,
e, assim, de um modo geral,
P
n
= A
n
P
0
,
onde
P
0
=
_
p
j,0
p
a,0
_
´e a matriz que representa a popula¸c˜ ao inicial de fˆemeas (jovens e adultas).
CEDERJ
128
Um caso pr´atico
M
´
ODULO 3 – AULA 32
Exemplo 1
Vamos considerar o modelo descrito anteriormente durante um per´ıodo de
20 anos com matriz A dada por
A =
_
0 2
0, 3 0, 5
_
.
Essa matriz informa que cada fˆemea adulta gera k = 2 fˆemeas jovens a
cada ano e que as taxas de sobrevivˆencia s˜ao α = 0, 3 para fˆemeas jovens e β =
0, 5 para fˆemeas adultas. Observe que α < β significa que as fˆemeas jovens
tˆem menos chances de sobreviver que as adultas. Vamos supor, inicialmente,
que temos 10 fˆemeas adultas e nenhuma jovem; portanto,
P
0
=
_
0
10
_
.
Assim, ap´os um ano, temos
P
1
= AP
0
=
_
0 2
0, 3 0, 5
_ _
0
10
_
=
_
20
5
_
.
Como p
j,1
= 20 e p
a,1
= 5, a popula¸c˜ ao total de fˆemeas ´e de 25 in-
div´ıduos ap´os um ano e a raz˜ao entre fˆemeas jovens e adultas ´e
p
j,1
p
a,1
=
20
5
= 4.
Ap´os o segundo ano, temos
P
2
= AP
1
=
_
0 2
0, 3 0, 5
_ _
20
5
_
=
_
10
8, 5
_
.
O valor de 8,5 para fˆemeas adultas pode ser interpretado como um total
de 8 indiv´ıduos. No entanto, como p
j,2
= 10 e p
a,2
= 8, 5, a popula¸c˜ ao
total de fˆemeas ´e de 18 indiv´ıduos ap´os dois anos, e a raz˜ao entre fˆemeas
jovens e adultas ´e
p
j,2
p
a,2
=
10
8, 5
= 1, 18.
129
CEDERJ
Um caso pr´atico
Procedendo dessa forma, obtemos a seguinte tabela de valores:
Tabela 32.1
Ano Fˆemeas jovens Fˆemeas adultas Total de fˆemeas p
j,n
/p
a,n
n p
j,n
p
a,n
P
j,n
+ p
a,n
0 0 10 10 0
1 20 5 25 4,00
2 10 8 18 1,18
3 17 7 24 2,34
4 14 8 22 1,66
5 17 8 25 2,00
10 22 12 34 1,87
11 24 12 36 1,88
12 25 13 38 1,88
20 42 22 64 1,88
Retornando ao modelo geral, suponhamos que a matriz A tenha dois
autovalores reais distintos, λ
1
e λ
2
, com autovetores correspondentes v
1
e v
2
,
respectivamente. Como v
1
e v
2
s˜ao linearmente independentes, eles formam
uma base de R
2
e, portanto, podemos escrever
P
0
= a
1
v
1
+ a
2
v
2
, com a
1
, a
2
∈ R.
Como P
n
= A
n
P
0
, temos que
P
n
= A
n
P
0
= A
n
(a
1
v
1
+ a
2
v
2
) ,
e, portanto,
P
n
= a
1
A
n
v
1
+ a
2
A
n
v
2
.
Agora, como v
1
´e autovetor associado ao autovalor λ
1
, temos
Av
1
= λ
1
v
1
;
A
2
v
1
= A(Av
1
)
= A(λ
1
v
1
)
= λ
1
(Av
1
)
= λ
1

1
v
1
)
= λ
2
1
v
1
;
A
3
v
1
= λ
3
1
v
1
;
CEDERJ
130
Um caso pr´atico
M
´
ODULO 3 – AULA 32
e, de um modo geral, A
n
v
1
= λ
n
1
v
1
. Analogamente, A
n
v
2
= λ
n
2
v
2
. Portanto,
podemos reescrever a equa¸c˜ ao
P
n
= a
1
A
n
v
1
+ a
2
A
n
v
2
na forma
P
n
= a
1
λ
n
1
v
1
+ a
2
λ
n
2
v
2
.
O polinˆomio caracter´ıstico da matriz A =
_
0 k
α β
_
´e dado por
p(x) = det(A −xI
2
)
= x
2
−βx −kα,
cujas ra´ızes s˜ao
λ =
1
2
_
β ±
_
β
2
+ 4αk
_
.
Como k > 0, 0 < α < 1 e 0 < β < 1, temos que β
2
+ 4αk > 0 e,
portanto, a matriz A de fato possui dois autovalores reais distintos, λ
1
e λ
2
,
como supusemos inicialmente. Vemos tamb´em que
λ
1
=
1
2
_
β +
_
β
2
+ 4αk
_
> 0
e
λ
2
=
1
2
_
β −
_
β
2
+ 4αk
_
< 0,
e, ainda, que [λ
1
[ > [λ
2
[. Assim, neste caso, o vetor P
n
pode ser reescrito
como
P
n
= λ
n
1
_
a
1
v
1
+
_
λ
2
λ
1
_
n
a
2
v
2
_
.
Agora, j´a que
¸
¸
¸
λ
2
λ
1
¸
¸
¸ < 1, temos que
_
λ
2
λ
1
_
n
→ 0 quando n → +∞, ou
seja,
λ
2
λ
1
≈ 0 quando n ´e muito grande. Nesse caso, teremos
P
n
≈ a
1
λ
n
1
v
1
.
Isso significa que, ap´os um tempo grande, a popula¸c˜ao fica proporcional
a v
1
.
131
CEDERJ
Um caso pr´atico
Exemplo 2
Dando continuidade ao Exemplo 1, como A =
_
0 2
0, 3 0, 5
_
, temos que o
polinˆomio caracter´ıstico ´e
p(x) = x
2
−0, 5 x −0, 6.
Assim, os autovalores s˜ao
λ
1
=
1
2
_
0, 5 +
_
2, 65
_
≈ 1, 06
e
λ
2
=
1
2
_
0, 5 −
_
2, 65
_
≈ −0, 56.
Efetuando contas rotineiras que vocˆe pode conferir, obtemos os respec-
tivos autovetores:
v
1
=
_
1
0, 53
_
e v
2
=
_
1
−0, 28
_
.
Observe, do autovetor v
1
, que
1
0, 53
≈ 1, 88,
o que explica a raz˜ao p
j,n
/p
a,n
na quinta coluna da tabela do Exemplo 1.
No exemplo anterior, trabalhamos com precis˜ao de duas casas deci-
mais nas aproxima¸c˜ oes num´ericas.
´
E claro que obteremos informa¸c˜ oes mais
precisas se usarmos um n´ umero maior de casas decimais.
Devemos, tamb´em, esclarecer algumas limita¸c˜ oes desse modelo. As
taxas de nascimento e morte de uma popula¸c˜ ao de p´assaros variam de ano
para ano e, em particular, dependem do clima da regi˜ao. Em nossa discuss˜ao,
assumimos um meio ambiente constante.
Muitos ecologistas tamb´em tˆem observado que as taxas de nascimento e
morte variam com o tamanho da popula¸c˜ ao. Em particular, a popula¸c˜ ao n˜ao
pode crescer mais depois de atingir um certo tamanho limite, pois incorre no
problema da falta de alimento. E, ainda, se a popula¸c˜ ao crescesse indefini-
damente a uma taxa constante, ela iria superpovoar qualquer ecossistema.
Exerc´ıcios
1. Usando o modelo populacional desenvolvido neste cap´ıtulo, determine
o n´ umero de fˆemeas jovens e adultas ap´os per´ıodos de 1, 2, 5, 10, 19 e
CEDERJ
132
Um caso pr´atico
M
´
ODULO 3 – AULA 32
20 anos. Em cada caso, calcule tamb´em a raz˜ao p
j,n
/p
a,n
. Considere
P
0
=
_
0
12
_
, k = 3, α = 0, 4 e β = 0, 6.
Esperamos que vocˆe tenha apreciado os conhecimentos matem´aticos
desenvolvidos neste curso. Eles s˜ao, realmente, de ampla aplica¸c˜ao pr´atica.
Na medida em que vocˆe desenvolver outras ferramentas matem´aticas, vocˆe
ver´a esses conceitos ressurgindo em muitos contextos diferentes. No mais,
n´os, autores, desejamos a vocˆe toda a sorte e sucesso na sua caminhada pelo
maravilhoso mundo da Matem´atica.
133
CEDERJ
Solu¸c˜oes de exerc´ıcios selecionados
Solu¸ c˜oes de exerc´ıcios selecionados
Aula 19
1. [T] =
_
_
_
0 0 1
0 1 0
1 0 0
_
_
_
.
2. autovalorλ
1
= 1 com multiplicidade 2: autovetores u
1
= (1
_√
2, 0, 1
_√
2)
e u
2
= (0, 1, 0);
autovalor λ
2
= −1 com multiplicidade 1: autovetor u
3
= (1
_√
2, 0, −1
_√
2).
Aula 20
1. Matriz da proje¸c˜ ao ortogonal com respeito `a base canˆonica:
A =
_
1/4

3
_
4

3
_
4 1/4
_
.
A diagonaliza¸c˜ ao da matriz A ´e dada por
A = PDP
t
=
_
1/2 −

3
_
2

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

3
_
2


3
_
2 1/2
_
.
Aula 21
1. [T] =
_
_
_
1 0 0
0 0 0
0 0 1
_
_
_
2. [T] =
_
_
_
1/2 0 1/2
0 1 0
1/2 0 1/2
_
_
_
3.
´
E dada pelo produto de matrizes
_
_
_
1
_√
2 −1
_√
3 1
_√
6
1
_√
2 1
_√
3 −1
_√
6
0 1
_√
3 2
_√
6
_
_
_
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
_
_
1
_√
2 1
_√
2 0
−1
_√
3 1
_√
3 1
_√
3
1
_√
6 −1
_√
6 2
_√
6
_
_
_
.
135
CEDERJ
Solu¸c˜oes de exerc´ıcios selecionados
Aula 22
1. Como A
t
= A, temos
(A
2
)
t
= (AA)
t
= A
t
A
t
= (A
t
)
2
= A
2
,
garantindo que A
2
´e uma matriz sim´etrica.
2. Sejam P matriz ortogonal (P
−1
= P
t
) e D matriz diagonal tais que
A = PDP
t
. Ent˜ao
A
2
= AA = (PDP
t
) (PDP
t
) = PD(P
t
P)DP
t
= PDIDP
t
= PD
2
P
t
,
mostrando que A
2
tamb´em ´e diagonaliz´avel por matriz ortogonal.
3. Como A ´e uma matriz sim´etrica, temos, pelo Teorema 3, que A ´e
diagonaliz´avel por matriz ortogonal. Os autovalores de A s˜ao:
λ
1
= 3 com multiplicidade alg´ebrica2;
λ
2
= −1 com multiplicidade alg´ebrica2.
Uma base ortonormal para o auto-espa¸co V
3
´e dada por:
u
1
= (1
_√
2, 1
_√
2, 0, 0);
u
2
= (0, 0, 1
_√
2, −1
_√
2),
enquanto uma base para o auto-espa¸co V
−1
´e dada por:
u
3
= (1
_√
2, −1
_√
2, 0, 0);
u
4
= (0, 0, 1
_√
2, 1
_√
2).
Assim, as matrizes
P =
_
_
_
_
_
1
_√
2 0 1
_√
2 0
1
_√
2 0 −1
_√
2 0
0 1
_√
2 0 1
_√
2
0 −1
_√
2 0 1
_√
2
_
_
_
_
_
e D =
_
_
_
_
_
3 0 0 0
0 3 0 0
0 0 −1 0
0 0 0 −1
_
_
_
_
_
satisfazem A = PDP
t
.
CEDERJ
136
Solu¸c˜oes de exerc´ıcios selecionados
Aula 23
1. a) P =
_
1
_√
2 1
_√
2
−1
_√
2 1
_√
2
_
; D =
_
0 0
0 4
_
b) P =
_
_
_
1
_√
3 −1
_√
2 −1
_√
6
1
_√
3 1
_√
2 −1
_√
6
1
_√
3 0 2
_√
6
_
_
_
; D =
_
_
_
−2 0 0
0 1 0
0 0 1
_
_
_
c) P =
_
_
_
_
_
1
_√
2 0 1
_√
2 0
−1
_√
2 0 1
_√
2 0
0 1
_√
2 0 1
_√
2
0 −1
_√
2 0 1
_√
2
_
_
_
_
_
; D =
_
_
_
_
_
0 0 0 0
0 0 0 0
0 0 4 0
0 0 0 4
_
_
_
_
_
2. Observe que λ = 5 ´e um autovalor de A, mas v = (−1, 1, 0) n˜ao ´e um
autovetor correspondente ao autovalor λ = 5. Temos:
P =
_
_
_
1
_√
3 −1
_√
2 −1
_√
6
1
_√
3 1
_√
2 −1
_√
6
1
_√
3 0 2
_√
6
_
_
_
; D =
_
_
_
5 0 0
0 2 0
0 0 2
_
_
_
Aula 24
1. A matriz que representa o operador T com respeito `a base canˆonica ´e
A =
_
_
_
2 1 1
1 2 −1
1 −1 2
_
_
_
.
Como A´e uma matriz sim´etrica, segue que o operador T ´e auto-adjunto.
2. A base pode ser β = ¦u
1
, u
2
, u
3
¦, dada por
u
1
= (−1
_√
3, 1
_√
3 , 1
_√
3); u
2
= (1
_√
2, 1
_√
2 , 0) e u
3
= (−1
_√
6,
1
_√
6 , −2
_√
6) .
Aula 25
1. Para todo u, v, w ∈ R
n
e a ∈ R,
F(u + a w, v) = (u + a w)
t
Av
= (u
t
+ a w
t
) Av
= u
t
Av + a (w
t
Av)
= F(u, v) + a F(w, v) .
137
CEDERJ
Solu¸c˜oes de exerc´ıcios selecionados
Assim, F ´e linear na primeira vari´ avel. De forma an´aloga, mostra-se que F
tamb´em ´e linear na segunda vari´ avel.
2. a) A = I
3
=
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
b) B =
_
_
_
2 −1 2
−1 2 1
2 1 5
_
_
_
3. a) A =
_
2 −1
2 0
_
b) B =
_
3 9
0 6
_
c) P =
_
1 2
1 −1
_
Aula 28
1. z
2
2
= x
2
2
−y
2
2
; parabol´oide hiperb´olico.
2. x
2
2
+ y
2
2
−2z
2
2
= −1; hiperbol´oide de duas folhas.
3.
x
2
2
4
+
y
2
2
4
+
z
2
2
2
= 1; elips´oide.
Aula 29
1. λ
1
= 2 + i; v
1
= (−1 + i , 1)
λ
2
= 2 −i; v
2
= (−1 −i , 1)
2. O polinˆomio caracter´ıstico ´e p(x) = x
2
− 2a x + b, cujas ra´ızes s˜ao
λ
1
= a + b i e λ
2
= a − b i, com autovetores associados v
1
= (1 , −i) e
v
2
= (1 , i), respectivamente.
3. Basta observar que, se A ´e matriz real, ent˜ ao seu polinˆomio carac-
ter´ıstico p(x) tem coeficientes reais. Logo, se λ ´e uma raiz complexa de
p(x), ent˜ ao
¯
λ tamb´em ´e raiz de p(x).
Aula 32
1. Os autovalores s˜ao λ
1
≈ 1, 44 e λ
2
≈ −0, 836, com autovalores corres-
pondentes
v
1
=
_
2, 09
1
_
e v
2
=
_
−3, 57
1
_
.
Valores:
Tabela 32.2
CEDERJ
138
Solu¸c˜oes de exerc´ıcios selecionados
Ano Fˆemeas jovens Fˆemeas adultas Total de fˆemeas p
j,n
/p
a,n
n p
j,n
p
a,n
P
j,n
+ p
a,n
0 0 12 12 0
1 36 7 43 5,14
2 21 19 40 1,11
5 104 45 149 2,31
10 600 291 981 2,06
19 16,090 7,737 23,827 2,08
20 23,170 11,140 34,310 2,08
139
CEDERJ

Operadores ortogonais

O resultado anterior simplifica um problema crucial: para decidirmos se um dado operador linear T : Rn → Rn´ ortogonal, basta considerar qualquer e n base ortonormal α de R e verificar se a matriz [T ]α ´ uma matriz ortogonal. e Exemplo 1 Verifique que o operador linear T : R3 → R3 T (x, y, z) = (x cos θ − y senθ, x senθ + y cos θ, z), com θ ∈ [0, 2π), ´ um operador ortogonal. e Solu¸˜o ca De fato, escolhendo a base canˆnica {e1 , e2 , e3 } de R3 , dada por o e1 = (1, 0, 0), obtemos T (e1 ) = (cos θ, senθ, 0) T (e2 ) = (−senθ cos θ, 0) T (e3 ) = (0, 0, 1). Portanto, a matriz que representa T nesta base ´ dada por e   cos θ −senθ 0   A =  senθ cos θ 0  . 0 0 1 Sabemos que A ´ uma matriz ortogonal de R3 . Mais ainda, A ´ uma e e rota¸˜o de θ radianos em torno do eixo-z (Exemplo 1 da Aula 17). Assim, o ca operador linear T ´ um operador ortogonal. e O pr´ximo teorema segue imediatamente do Teorema 2 da Aula 10. o Teorema 2 Seja T : Rn → Rn um operador ortogonal. Ent˜o as seguintes propriedaa des s˜o v´lidas: a a 1. T transforma bases ortonormais em bases ortonormais, ou seja, se {v1 , v2 , . . . , vn } ´ uma base ortonormal de Rn , ent˜o {T v1 , T v2 , . . . , T vn } e a n tamb´m ´ uma base ortonormal de R . e e 2. T preserva o produto interno, ou seja, para todo u, v ∈ Rn vale que T u, T v = u, v . 3. T preserva a norma, ou seja, para todo v ∈ Rn vale que ||T v|| = ||v||.
CEDERJ 8

e2 = (0, 1, 0) e e3 = (0, 0, 1),

Operadores ortogonais

´ MODULO 3 – AULA 19

Exemplo 2 Seja T : R2 → R2 um operador ortogonal, ent˜o sua matriz na base a canˆnica ´ da forma o e cos θ −senθ senθ cos θ onde θ ∈ [0 , 2π). Solu¸˜o ca De fato, sendo T : R2 → R2 um operador ortogonal, sua matriz na base canˆnica de R2 ser´ uma matriz ortogonal de ordem 2. Mas, pelos Exemplos o a 1 e 2 da Aula 10, sabemos que toda matriz ortogonal de ordem 2 ´ da forma e cos θ −senθ senθ cos θ ou cos θ senθ senθ − cos θ . ou cos θ senθ senθ − cos θ ,

Sabemos tamb´m que a primeira matriz representa uma rota¸ao de θ e c˜ radianos, no sentido anti-hor´rio, em torno da origem, e a segunda matriz a representa uma reflex˜o em torno da reta pela origem que forma um ˆngulo a a de θ/2 radianos com o semi-eixo x positivo. Exemplo 3 a) Determine a transforma¸˜o linear T : R2 → R2 que leva o segmento de ca reta de extremidades (−6, 2) e (−1, 2) ao segmento de reta de extremidades (−2, 6) e (1, 2), respectivamente (veja a Figura 19.1). b) Mostre que a transforma¸ao acima ´ uma rota¸ao. Determine, tamb´m, c˜ e c˜ e o ˆngulo dessa rota¸ao. a c˜
y y 6

2 x

2 x

-6

-1

1

Figura 19.1: O operador T .

9

CEDERJ

conclu´ ımos que a matriz [T ] ´ ortogonal e. e o que nos d´ o sistema linear a   −6a + 2b    −6c + 2d  −a + 2b    −c + 2d −2 6 . 2) = a b c d a b c d −6 2 −1 2 = = = = = = −2 6 1 2 . c. formam uma base ortonormal de R2 . a o 2. 0. 3/5).Operadores ortogonais Solu¸˜o ca a) Queremos encontrar escalares a. b) Como as colunas da matriz [T ]. e e 2 assim. o operador T ´ uma rota¸ao de R cujo ˆngulo θ ´ dado por e c˜ a e θ = − arccos(3/5). Seja T : R3 → R3 uma reflex˜o num plano π de R3 tal que T (1. Determine os autovalores e os autovetores associados da transforma¸ao c˜ linear T do exerc´ anterior. 2) = T (−1 . c = −4/5 e d = 3/5. Exerc´ ıcios 1. Determine a matriz que representa o operador T com respeito ` base canˆnica. temos c˜ T (−6. −1) = a (−1. det[T ] = 1 e. [T ] = 3/5 4/5 −4/5 3/5 . 1 2 ´ a E f´cil ver que a solu¸˜o desse sistema ´ dada por: ca e a = 3/5. ıcio 10 CEDERJ . conseq¨entemente. o e u operador linear T ´ um operador ortogonal. Da condi¸ao sobre as extremidades. Al´m disso. b. b = 4/5. Assim. representadas pelos vetores v1 = (3/5 . 0. d ∈ R tais que a matriz que representa T na base canˆnica seja dada por o [T ] = a b c d . −4/5) e v2 = (4/5 . 1).

e 17. 11 CEDERJ . c˜ Assim. ca a • Aplicar os conceitos apresentados em exemplos importantes. Pr´-requisitos: Aulas 10 a 14. Nesta primeira aula. y) = (x.Proje¸˜es ortogonais – 1a Parte co ´ MODULO 3 – AULA 20 Aula 20 – Proje¸˜es ortogonais – 1a Parte co Objetivos • Compreender o conceito de proje¸˜o ortogonal em dimens˜o 2. e ca Solu¸˜o ca Geometricamente. essa transforma¸˜o ´ representada pela Figura 20. 0). c˜ Exemplo 1 Determine a matriz que representa a proje¸˜o ortogonal sobre o eixo-x. 18 e 19. ca e y V= (x. ca isto ´.1: A proje¸ao ortogonal no eixo-x.y) V'= (x. sobre a reta de equa¸˜o cartesiana y = 0. trabalharemos com as co proje¸oes ortogonais em R2 . Trataa c˜ a e se das proje¸˜es ortogonais. temos a transforma¸ao linear c˜ T : R2 → R2 T (x.1.0) x Figura 20. Nesta e na pr´xima aula vamos apresentar um tipo de transforma¸˜o o ca usada em ´reas como a Computa¸ao Gr´fica e o Desenho Geom´trico.

N˜o ´ dif´ ver que o auto-espa¸o associado a e ıcil c a λ1 = 1 ´ exatamente o eixo-x. Vemos imediatamente algumas propriedades dessa proje¸ao ortogonal. c˜ e CEDERJ 12 . Como T (e2 ) = 0 · e2 . esta transforma¸ao ´ representada pela Figura 20. 3. Portanto. ent˜o λ2 = 0 ´ um autovalor de T com autovetor a e associado e2 = (0. n˜o ´ invert´ a e ıvel. 0). 0) = 1 · e1 + 0 · e2 T (e2 ) = T (0. 2. a reta de equa¸ao cartesiana e e c˜ y = 0. o operador T . A matriz A e. c˜ 1. e2 } a base canˆnica de R2 . a reta de equa¸˜o cartesiana e e ca x = 0. y). isto ´. Geometricamente. 0) = (1. portanto. Como T (e1 ) = 1 · e1 . 1) = (0.2. isto ´.Proje¸˜es ortogonais – 1a Parte co Denotando por {e1 . N˜o ´ dif´ ver que o auto-espa¸o associado a e ıcil c a λ2 = 0 ´ exatamente o eixo-y. Exemplo 2 Determine a matriz que representa a proje¸˜o ortogonal sobre o eixo-y. 0) = 0 · e1 + 0 · e2 . e c˜ Solu¸˜o ca A proje¸ao ortogonal no o eixo-y ´ dada pela transforma¸˜o linear c˜ e ca T : R2 → R2 T (x. 4. ca isto ´. 1). pois det(A) = 0. sobre a reta de equa¸ao cartesiana x = 0. O operador T ´ diagonaliz´vel e seu polinˆmio caracter´ e a o ıstico ´ e p(x) = x (x − 1). ent˜o λ1 = 1 ´ um autovalor de T com autovetor a e associado e1 = (1. temos que o T (e1 ) = T (1. a matriz que representa a transforma¸ao T na base canˆnica c˜ o ´ dada por e A= 1 0 0 0 . y) = (0.

4. n˜o ´ invert´ a e ıvel.y) (x. ent˜o λ1 = 0 ´ um autovalor de T com autovetor a e associado e1 = (1 . 0) = 0 · e1 + 0 · e2 T (e2 ) = T (0. Como T (e1 ) = 0 · e1 . 3. O operador T ´ diagonaliz´vel com polinˆmio caracter´ e a o ıstico p(x) = x (x − 1). vemos que: 1. 1) = (0. pois det(A) = 0. ca Como no Exemplo 1.y) x Figura 20. N˜o ´ dif´ ver que o auto-espa¸o associado a e ıcil c a λ1 = 0 ´ exatamente o eixo-x. N˜o ´ dif´ ver que o auto-espa¸o associado a e ıcil c a λ2 = 1 ´ exatamente o eixo-y. 1) = 0 · e1 + 1 · e2 . 0). 2. Portanto. 13 CEDERJ . a matriz que representa a transforma¸ao T na base canˆnica c˜ o ´ dada por e 0 0 A= . Como T (e2 ) = 1 · e2 . a reta de equa¸˜o cartesiana e e ca y = 0. o operador T . isto ´. A matriz A e. ent˜o λ2 = 1 ´ um autovalor de T com autovetor a e associado e2 = (0 . 0) = (0. portanto. temos que T (e1 ) = T (1. a reta de equa¸˜o cartesiana e e ca x = 0. 0 1 Como antes.2: A proje¸˜o ortogonal no eixo-y. 1).Proje¸˜es ortogonais – 1a Parte co y ´ MODULO 3 – AULA 20 T (x. isto ´.

4. a O efeito geom´trico da proje¸˜o ortogonal sobre a reta L ´ observado e ca e na Figura 20.4: A proje¸ao ortogonal na reta L. Se vocˆ compreendeu bem a geometria dos e exemplos anteriores. Exemplo 3 Descreva a proje¸ao ortogonal sobre uma reta L de R2 que passa pela c˜ origem. y L u1 x Figura 20.3: A reta L paralela ao vetor unit´rio u1 . c˜ CEDERJ 14 .Proje¸˜es ortogonais – 1a Parte co Os exemplos 1 e 2 s˜o muito simples.3. por´m s˜o muito importantes a sua a e a compreens˜o e o seu significado geom´trico. certifique-se de a e que tenha entendido os auto-espa¸os associados a cada autovalor. y L v TV x Figura 20. ent˜o n˜o ter´ dificuldade em acompanhar o caso geral a a a a seguir. a como ilustra a Figura 20. Solu¸˜o ca Suponhamos que a reta L seja paralela a um vetor unit´rio u1 ∈ R2 . Usaremos c essas id´ias para apresentar a proje¸ao ortogonal sobre uma reta L qualquer e c˜ do R2 passando pela origem. Especialmente.

portanto. u1 . u1 = 1. a matriz de T nessa base ´ muito similar ` matriz do Exemplo 1. Veja a Aula 12. 15 CEDERJ .Proje¸˜es ortogonais – 1a Parte co ´ MODULO 3 – AULA 20 A proje¸˜o ortogonal de um vetor v na dire¸ao do vetor u1 ´ dada por ca c˜ e T : R2 → R2 v. visto e a anteriormente. u1 u1 . u1 = k = e. u1 − k u1 . v → T v = u1 . T v = ku1 = v. Figura 20. u1 u1 . Observe que na f´rmula acima o vetor u1 n˜o precisa ser unit´rio. da ortogonalidade entre v − ku1 e u1 temos = = = o que nos d´ a k u1 . Lembre que o problema da escolha de uma base ortonormal adequada j´ foi tratado quando estudamos as reflex˜es de R2 com respeito a a o uma reta qualquer passando pela origem.5: A proje¸ao ortogonal de v na dire¸ao de u1 c˜ c˜ Assim. escolhendo uma base ortonormal adequada de ca R2 . u1 . u1 v. u de onde vemos que T ´ uma transforma¸˜o linear. Nosso problema agora ´ encontrar a matriz que represente a transe forma¸˜o T .u11 u1 . Para obter a f´rmula e ca o acima observamos que desejamos um vetor T v da forma T v = ku1 de modo que v − ku1 seja ortogonal a u1 . Veremos que. o a a caso seja.5. u1 − ku1 . u1 v. u1 v − ku1 . u1 . como u1 . u1 v. u1 . u1 v. ent˜o a f´rmula acima se simplifica para a o T v = v. mas. como indica a Figura 20.

Proje¸˜es ortogonais – 1a Parte co Seja β = {u1 . ent˜o c e o a [T ]α = P [T ]β P −1 . y L u2 u1 x Figura 20. ´ s´ fazermos uma o e o mudan¸a de base. ent˜o P ´ uma matriz ortogonal e. onde P ´ a matriz mudan¸a de base. portanto. Como P = [u1 u2 ]. a matriz que representa a transforma¸ao T na base β ´ dada c˜ e por [T ]β = 1 0 0 0 . isto ´. temos as seguintes propriedades. vemos que T u1 = u1 . n˜o s˜o invert´ a a ıveis. o operador T . u2 }.6. Como nos exemplos 1 e 2. e2 } ´ a base canˆnica de R2 . portanto. 1.6: A base ortonormal β = {u1 . Veja a a a e a a Figura 20. Portanto. pois det [T ]β = 0. a a e −1 t P = P . como u1 . u1 = 1 e pela observa¸˜o acima temos que T v = ca v. As matrizes [T ]α e [T ]β e. CEDERJ 16 . u2 } uma base ortonormal de R2 onde u1 ´ um vetor e unit´rio paralelo ` reta L e u2 ´ um vetor unit´rio normal ` reta L. suas e c e colunas s˜o vetores ortonormais. Assim. Se quisere mos obter a matriz que representa T na base canˆnica. Nesse caso. u1 u1 = u1 = 1 · u1 + 0 · u2 T u2 = u2 . que ´ exatamente da mesma forma que a matriz do Exemplo 1. Se α = {e1 . u1 u1 . u1 u1 = 0 · u1 = 0 · u1 + 0 · u2 .

ressaltar a analogia entre este terceiro exemplo e os dois primeiros. a 3. mais uma vez. Determine os autovalores e os auto-espa¸os associados da transforma¸˜o c ca linear do exerc´ 1. Determine a matriz da proje¸ao ortogonal sobre a reta y = c˜ respeito ` base canˆnica. 4. Cabe aqui. ent˜o λ1 = 1 ´ um autovalor de T com autovetor a e associado u1 . O operador T ´ diagonaliz´vel e seu polinˆmio caracter´ e a o ıstico ´ e p(x) = x (x − 1). N˜o ´ dif´ ver que o auto-espa¸o associado a λ1 = 1 ´ a e ıcil c e exatamente a reta L.Proje¸˜es ortogonais – 1a Parte co ´ MODULO 3 – AULA 20 2. Como T (u1 ) = 1 · u1 . N˜o ´ dif´ ver que o auto-espa¸o associado a λ2 = 0 ´ a e ıcil c e exatamente a reta pela origem ortogonal ` reta L. ent˜o λ2 = 0 ´ um autovalor de T com autovetor a e associado u2 . a o √ 3x com 2. Exerc´ ıcios 1. ıcio 17 CEDERJ . Isto se deve ` escolha adequada de uma base ortoa normal de R2 . Como T (u2 ) = 0 · u2 .

Proje¸˜es ortogonais – 2a Parte co

´ MODULO 3 – AULA 21

Aula 21 – Proje¸˜es ortogonais – 2a Parte co
Objetivos
• Compreender o conceito de proje¸˜o ortogonal em dimens˜o 3. ca a • Aplicar os conceitos apresentados em exemplos importantes.
Pr´-requisitos: Aulas 10 a 14, e 17 a 20.

Nesta aula daremos continuidade ao estudo das proje¸˜es ortogonais, co 3 estudando as proje¸oes ortogonais em R . Apresentamos inicialmente os c˜ casos mais simples das proje¸˜es ortogonais nos planos coordenados. Em co seguida, trataremos do caso geral de uma proje¸˜o ortogonal sobre um plano ca passando pela origem. Exemplo 1 Determine a matriz que representa a proje¸˜o ortogonal sobre o plano-xy, ca isto ´, sobre o plano de equa¸˜o cartesiana z = 0. e ca Solu¸˜o ca Geometricamente, essa transforma¸˜o ´ representada pela Figura 21.1. ca e
z

V= (x,y,z) u1

V'= (x,y,0)

x

y

Figura 21.1: A proje¸ao ortogonal no plano-xy. c˜
19 CEDERJ

Proje¸˜es ortogonais – 2a Parte co

Assim, temos a transforma¸˜o linear ca T : R3 → R3 T (x, y, z) = (x, y, 0). Denotando por {e1 , e2 , e3 } a base canˆnica de R3 , temos que o T (e1 ) = T (1, 0, 0) = (1, 0, 0) = 1 · e1 + 0 · e2 + 0 · e3 T (e2 ) = T (0, 1, 0) = (0, 1, 0) = 0 · e1 + 1 · e2 + 0 · e3 T (e3 ) = T (0, 0, 1) = (0, 0, 0) = 0 · e1 + 0 · e2 + 0 · e3 . Portanto, a matriz que representa a ´ dada por e  1 0  A= 0 1 0 0 transforma¸ao T na base canˆnica c˜ o  0  0 . 0

Como nos exemplos da Aula 20, vemos imediatamente algumas propriedades dessa proje¸˜o ortogonal. ca 1. A matriz A e, portanto, o operador T , n˜o s˜o invert´ a a ıveis, pois det(A) = 0. 2. Como T (e3 ) = 0 · e3 , ent˜o λ2 = 0 ´ um autovalor de T com autovetor a e associado e3 . N˜o ´ dif´ ver que o auto-espa¸o associado a λ2 = 0 ´ a e ıcil c e exatamente o eixo-z, que ´ o espa¸o gerado por e3 . e c 3. Como T (e1 ) = 1 · e1 e T (e2 ) = 1 · e2 , ent˜o λ1 = 1 ´ um autovalor de a e T de multiplicidade 2 com autovetores associados e1 e e2 . N˜o ´ dif´ a e ıcil ver que o auto-espa¸o associado a λ1 = 1 ´ exatamente o plano-xy, que c e ´ o espa¸o gerado pelos vetores canˆnicos e1 e e2 . e c o 4. O operador T ´ diagonaliz´vel com polinˆmio caracter´ e a o ıstico 2 p(x) = x (x − 1) . Mais uma vez, chamamos a aten¸ao do aluno para que compreenda bem c˜ a geometria desse exemplo, pois ela ser´ recorrente nos exemplos seguintes. a Vejamos outro exemplo de proje¸ao ortogonal em um plano coordenado. c˜ Exemplo 2 Determine a matriz que representa a proje¸ao ortogonal sobre o plano-yz, c˜ isto ´, sobre o plano de equa¸ao cartesiana x = 0. e c˜
CEDERJ 20

0. a matriz que representa a ´ dada por e  0 0  A= 0 1 0 0 Seguem tamb´m as propriedades: e 1. Como T (e1 ) = 0 · e1 . A matriz A e.y. n˜o s˜o invert´ a a ıveis. 2.z)= (0. e c 21 CEDERJ transforma¸ao T na base canˆnica c˜ o  0  0 . ca e z (x. 0. N˜o ´ dif´ ver que o auto-espa¸o associado a λ2 = 0 ´ a e ıcil c e exatamente o eixo-x. z).z) T(x. ca Assim. o operador T . 0. 0. 0) = (0. 1. Se vocˆ entendeu bem a geometria do Exemplo 1. 1. y. 1) = (0. z) = (0.z) x y Figura 21.x. ent˜o ver´ que neste e a a caso temos T (e1 ) = T (1. 1 .2. que ´ o espa¸o gerado por e1 . essa transforma¸˜o ´ representada pela Figura 21. portanto. 1) = 0 · e1 + 0 · e2 + 1 · e3 . temos a transforma¸ao linear c˜ T : R3 → R3 T (x.y. 0) = 0 · e1 + 0 · e2 + 0 · e3 T (e2 ) = T (0. y. 0) = 0 · e1 + 1 · e2 + 0 · e3 T (e3 ) = T (0. Portanto. 0) = (0. ent˜o λ2 = 0 ´ um autovalor de T com autovetor a e associado e1 .Proje¸˜es ortogonais – 2a Parte co ´ MODULO 3 – AULA 21 Solu¸˜o ca Geometricamente. pois det(A) = 0.2: A proje¸˜o ortogonal no plano-yz.

que c e ´ o espa¸o gerado pelos vetores canˆnicos e2 e e3 . Lembre: se π tem equa¸˜o ax + by + cz + d = 0. podemos tratar da proje¸ao ortogonal sobre um plano qualquer de R3 passando pela origem. Como conhecemos a equa¸˜o cartesiana de plano ca π. Assim. ent˜o λ1 = 1 ´ um autovalor de a e T de multiplicidade 2 com autovetores associados e2 e e3 .3: A proje¸ao ortogonal no plano-π. N˜o ´ dif´ a e ıcil ver que o auto-espa¸o associado a λ1 = 1 ´ exatamente o plano-yz. c˜ e Figura 21. Como T (e2 ) = 1 · e2 e T (e3 ) = 1 · e3 . Veja a Figura 21. Geometricaca mente. como foi feito nas Aulas 17 e 18. facilmente c˜ determinamos vetores unit´rios u1 e u2 de modo que β = {u1 . essa transforma¸ao ´ representada pela Figura 21. c˜ Vamos agora obter uma base ortonormal β de R3 de modo que a matriz que representa a transforma¸ao T nessa base seja da mesma forma que a c˜ matriz do Exemplo 1. b. Seja. e c o 4.4. Usando a a a equa¸ao cartesiana de π. O operador T ´ diagonaliz´vel com polinˆmio caracter´ e a o ıstico p(x) = x (x − 1)2 .Proje¸˜es ortogonais – 2a Parte co 3.3. ´ totalmente ca e an´logo aos exemplos anteriores e deixamos como exerc´ para vocˆ. Observe que os vetores unit´rios u1 e u2 s˜o a a ortogonais e pertencem ao plano π. sabemos como obter um vetor normal a esse plano. c˜ Exemplo 3 Descreva a proje¸ao ortogonal sobre um plano π de R3 que passa pela c˜ origem. a ıcio e estando bem compreendidos os dois exemplos anteriores. u2 . O outro caso trivial. Solu¸˜o ca Seja T : R3 → R3 a proje¸˜o ortogonal sobre o plano π. ent˜o. u3 um vetor unit´rio normal ao plano π. u3 } seja a uma base ortonormal de R3 . CEDERJ 22 . c) ´ um vetor normal ca a e ao plano π. ent˜o o vetor u = (a. a proje¸˜o ortogonal sobre o plano-xz.

j´ que u2 . u2 u1 + u2 .5: A proje¸ao ortogonal de v no plano π. u1 . u1 k1 = e. u1 .4: A base ortonormal β = {u1 . u1 .Proje¸˜es ortogonais – 2a Parte co ´ MODULO 3 – AULA 21 Figura 21. Para obter a f´rmula e ca o acima observamos que desejamos um vetor T v da forma T v = k1 u1 + k2 u2 de modo que v − k1 u1 − k2 u2 seja ortogonal a u1 e u2 . T v = k1 u1 + k2 u2 = v. u1 − k1 u1 . como indica a Figura 21. u1 − k1 u1 . u1 . u1 . u1 − k2 u2 . u2 23 CEDERJ v. u1 v. u1 v. u3 }. u1 v. u2 u1 + u2 . u1 − k1 u1 . u1 = v. u1 . u1 v.5. portanto. u1 − k2 u2 . u2 de onde vemos que T ´ uma transforma¸˜o linear. o que nos d´ a a k1 u1 . c˜ Assim. Figura 21. u1 u2 . u1 u2 . u1 = 0. u2 . da ortogonalidade entre v − k1 u1 − k2 u2 e u1 . temos 0 = = = = v − k1 u1 − k2 u2 . u1 v. A proje¸˜o ortogonal de um vetor v sobre o plano π ´ dada por ca e T : R3 → R3 v → Tv = v.

u1 u1 + u3 . ent˜o c e o a [T ]α = P [T ]β P −1 . 2. onde P ´ a matriz mudan¸a de base. e2 . isto ´. a a e −1 t P = P . portanto. mais uma vez. a e u1 . Se quisere mos obter a matriz que representa T na base canˆnica. u1 u1 + v. a matriz que representa dada por  1 0  [T ]β =  0 1 0 0 a transforma¸˜o T na base β ´ ca e  0  0 . u1 u1 + u2 . e 4. ressaltar a analogia entre este terceiro exemplo e os dois primeiros. n˜o s˜o invert´ a a ıveis. O operador T ´ diagonaliz´vel com polinˆmio caracter´ e a o ıstico 2 p(x) = x (x − 1) .Proje¸˜es ortogonais – 2a Parte co Usando o fato de u1 e u2 serem vetores unit´rios. N˜o ´ dif´ ver que o auto-espa¸o a e ıcil c associado a λ1 = 1 ´ exatamente o plano π. e3 } ´ a base canˆnica de R3 . 3. vemos que T u1 = u1 . u2 u2 = u1 = 1 · u1 + 0 · u2 + 0 · u3 T u2 = u2 . Se α = {e1 . As matrizes [T ]α e [T ]β e. suas e c e colunas s˜o vetores ortonormais. Como T (u3 ) = 0 · u3 . pois det [T ]β = 0. ´ s´ fazermos uma o e o mudan¸a de base. ent˜o λ1 = 1 ´ um autovalor de T a e com autovetores associados u1 e u2 . u2 u2 = u2 = 0 · u1 + 1 · u2 + 0 · u3 T u3 = u3 . u1 = u2 . temos as seguintes propriedades: 1. Como T (u1 ) = 1 · u1 e T (u2 ) = 1 · u2 . Isso se deve ` escolha adequada de uma base ortoa normal de R3 . Portanto. u2 = 1. CEDERJ 24 . Cabe aqui. ent˜o λ2 = 0 ´ um autovalor de T com autovetor a e associado u3 . u2 u2 = 0 · u1 + 0 · u2 + 0 · u3 . isto ´. u1 u1 + u1 . Portanto. Como P = [u1 u2 u3 ]. 0 que ´ exatamente da mesma forma que a matriz do Exemplo 1. o operador T . Como nos exemplos 1 e 2. ent˜o P ´ uma matriz ortogonal e. N˜o ´ dif´ ver que o auto-espa¸o associado a λ2 = 0 ´ a e ıcil c e exatamente a reta pela origem ortogonal a π. obtemos T v = v. u2 u2 . portanto.

Determine a matriz da proje¸˜o ortogonal sobre o plano x − z = 0 com ca respeito ` base canˆnica. a o 2. 1. a o 25 CEDERJ . Determine a matriz da proje¸ao ortogonal sobre o plano gerado pelos c˜ vetores v1 = (1.Proje¸˜es ortogonais – 2a Parte co ´ MODULO 3 – AULA 21 Exerc´ ıcios 1. com respeito ` base canˆnica. 0) e v2 = (−1. 1. a o 3. Determine a matriz da proje¸˜o ortogonal sobre o plano-xz com resca peito ` base canˆnica. 1).

.

primeiramente. nesta aula. Exemplo 1 As duas matrizes a seguir s˜o sim´tricas: a e  4 −1 0   e B =  −1 2 3 . 0 3 −2 27  A= 2 1 1 3 CEDERJ . Antes de come¸armos a estudar a teoria c de diagonaliza¸ao de matrizes sim´tricas. Veremos. a o o Lembramos que todas as matrizes e vetores considerados tˆm somente e elementos e componentes reais. das teorias de diagonaliza¸ao e ortogonalidade. 8.Matrizes sim´tricas e ´ MODULO 3 – AULA 22 Aula 22 – Matrizes sim´tricas e Objetivos: • Compreender o conceito de matriz sim´trica. no e a entanto. Observe tamb´m que os elementos da diagonal e principal de uma matriz sim´trica A podem assumir valores arbitr´rios. e depende. 7. co a u Defini¸˜o 1 ca Uma matriz A ∈ Mn (R) ´ sim´trica se At = A. 10. Pr´-requisitos: Aulas 6. j. e • Aplicar os conceitos apresentados em exemplos importantes. que a diagonaliza¸ao de uma mac˜ triz sim´trica ´ um fundamento essencial e necess´rio ` discuss˜o das formas e e a a a quadr´ticas que estudaremos no pr´ximo m´dulo. elementos sim´tricos com respeito ` diagonal principal tˆm o mesmo e a e valor. e de maneira especial. que o conceito de matriz sim´trica se aplica e apenas a matrizes quadradas. Equivalentemente. a matriz A = (aij ) ´ sim´trica se e e aij = aji para todo i. vistas c˜ em aulas anteriores. as matrizes sim´tricas apareco e cem com maior freq¨ˆncia que qualquer outra classe de matrizes importantes. onde At representa a e e matriz transposta de A. Observe. 20 e 21 ´ Em muitas aplica¸˜es da Algebra Linear. ue A teoria correspondente a essas matrizes ´ muito rica e elegante. conv´m lembrarmos de algumas c˜ e e defini¸˜es que ser˜o essenciais a este conte´do. e 9.

agora aplicado a um caso particular de uma matriz sim´trica. B ∈ Mn (R) matrizes sim´tricas. pois (AB)21 = 23 = 17 = (AB)12 . CEDERJ 28 . 1 3 0 1 2 3 A matriz C n˜o ´ sim´trica porque ela n˜o ´ matriz quadrada. e Teorema 1 Sejam A.Matrizes sim´tricas e No entanto. Ent˜o A + B e cA. e a e Vale observar que o produto de duas matrizes sim´tricas n˜o ´ necessae a e riamente uma matriz sim´trica. caso seja poss´ ıvel. as matrizes abaixo n˜o s˜o sim´tricas: a a e   −1 4 −1 2 1 −1   C= e D =  4 2 2 . Por exemplo. a e e Vamos rever algumas propriedades das matrizes sim´tricas. e  6 −2 −1   Diagonalize. e a a e e a e matriz D n˜o ´ sim´trica porque d31 = 1 = −1 = d13 . a e e Vamos rever o processo de diagonaliza¸˜o de matrizes. dadas as matrizes sim´tricas e e A= 1 2 2 3 e B= 4 5 5 6 temos que a matriz produto AB = 1 2 2 3 4 5 5 6 = 14 17 23 28 n˜o ´ uma matriz sim´trica. a matriz A =  −2 6 −1 . −1 −1 5 Solu¸˜o ca Exemplo 2 O polinˆmio caracter´ o ıstico da matriz A ´ dado por: e p(x) = det(xI3 − A) x−6 2 1 = 2 x−6 1 1 1 x−5 = (x − 6) · x−6 1 1 x−5 −2· 2 1 1 x−5 +1· 2 1 x−6 1  = x3 − 17x2 + 90x − 144 . onde c ∈ R. e a tamb´m s˜o matrizes sim´tricas. descrito nas ca Aulas 6 e 7.

e o auto-espa¸o c a c V8 . ´ o suc e bespa¸o de dimens˜o 1 gerado pelo vetor v2 = (−1. Esses trˆs vetores. Agora. v3 }. j´ podemos concluir que ela ´ uma a e matriz diagonaliz´vel. os autovalores da matriz A s˜o λ1 = 3. −1. temos tamb´m que A = P DP t . v2 . temos que os seus autovetores associados. a Para o autovalor λ1 = 3. Assim. Os vetores assim e obtidos s˜o: a √ √ √ u1 = (1/ 3. obtida de {v1 . v2 . Como um m´ltiplo n˜o-nulo de um autovetor tamb´m ´ um autovetor. as matrizes P e D s˜o dadas por: a √ √ √  1 3 −1 6 −1 2 √ √   √ P =  1 3 −1 6 1 2  √ √ 1 3 2 6 0   3 0 0   e D =  0 6 0 . P ´ uma a e matriz ortogonal. v2 e v3 . o auto-espa¸o V6 . E f´cil ver que {v1 . v2 e v3 . mostra que o autoa espa¸o V3 ´ um subespa¸o de dimens˜o 1 e ´ gerado pelo vetor v1 = (1. 0 0 8  Sabemos. u3 }. ent˜o. a nova base u a e e {u1 . Assim. Assim. 1. Como a a matriz A possui 3 autovalores distintos. Um c´lculo rotineiro. λ2 = 6 e λ3 = 8. associado ao autovalor λ2 = 6. como as colunas de P formam vetores ortonormais. depois. v1 . descobrimos que 6 e 8 tamb´m s˜o ra´ e a ızes. Por inspe¸ao. 2/ 6) e √ √ u3 = (−1/ 2. u2 . u2 . vemos que 3 ´ uma raiz e. completando fatora¸˜o c˜ e ca de p(x). pelo Teorema 2 da Aula 9. 0). obrigatoriamente.Matrizes sim´tricas e ´ MODULO 3 – AULA 22 As poss´ ıveis ra´ racionais de p(x) s˜o. 0). c e c a e Analogamente. Assim. p(x) = (x − 3)(x − 6)(x − 8). 1). e e 29 CEDERJ . isto ´. v = (x. z). 1/ 2. 2). P −1 = P t . u3 } tamb´m seria uma base de autovetores de R3 . formam uma base de R3 e e poderiam ser usados para construir uma matriz P que diagonaliza a matriz ´ a A. que A = P DP −1 . divisores de ızes a 144. 1. √ √ √ u2 = (−1/ 6. associado ao autovalorλ3 = 8. −1/ 6. y. v3 } ´ um conjunto ortogonal de R3 e que obteree mos uma matriz ortogonal P se usarmos uma base ortonormal {u1 . ´ o subespa¸o de dimens˜o 1 gerado pelo e c a vetor v3 = (−1. 1/ 3. como foi visto na Aula 7. satisfazem o sistema linear (3 I3 − A)v = 0. normalizando cada um dos vetores v1 . 1/ 3). das Aulas 6 e 7.

vj = = = = = = = = = λi vi . para diagonalizar uma matriz a A ∈ Mn (R) utilizando uma matriz ortogonal P . . dados λi = λj . Assim. Isso ´ uma propriedade geral. que os autovetores da matriz sim´trica A. . . Para isto. a Demonstra¸˜o: ca Sejam v1 . vk autovetores da matriz A associados aos autovalores distintos λ1 . λk . assoe ciados a autovalores distintos. (λi − λj ) vi . Avj vi . Portanto. a e como mostra o pr´ximo teorema. Da discuss˜o do Exemplo 2 vimos que. vj . isto ´. os vetores vi e vj s˜o ortogonais. P = P t ) e uma matriz diagonal D tais que A = P DP t . . . e a O tipo de diagonaliza¸ao que aparece no Exemplo 2 ´ muito importante c˜ e na teoria das matrizes sim´tricas.Matrizes sim´tricas e Vimos. . pois A ´ sim´trica e e t vi (Avj ) vi . segue que vi . e e CEDERJ 30 . A quest˜o ´: quando ´ que a e e isso ´ poss´ e ıvel de ser realizado? O pr´ximo teorema caracteriza o tipo de o matriz que pode ser diagonalizada por matriz ortogonal. . e observando que Avi = λi vi e Avj = λj vj . vj Avi . foi preciso encontrar n autovetores linearmente independentes e ortogonais. vj = 0. queremos mostrar que vi . Teorema 3 Uma matriz A ∈ Mn (R) ´ diagonaliz´vel por matriz ortogonal se e soe a mente se A ´ uma matriz sim´trica. no Exemplo 2. temos a seguinte defini¸ao. vj = 0. observamos que λi vi . Como λi − λj = 0. vj = 0. ent˜o qualquer conjunto de autoe a vetores associados a autovalores distintos s˜o ortogonais. v2 . Por isso. λj vj λj vi . s˜o ortogonais. o Teorema 2 Seja A ∈ Mn (R) uma matriz sim´trica. λ2 . vj (Avi )t vj t (vi At )vj t (vi A)vj . . e c˜ Defini¸˜o 2 ca Uma matriz A ∈ Mn (R) ´ dita diagonaliz´vel por matriz ortogonal se e a −1 existe uma matriz ortogonal P (lembre.

realizar o c´lculo de diagonaa a liza¸˜o de A. caso seja. como na Defini¸˜o 2. determine uma matriz e a ortogonal P e uma matriz diagonal D tal que A = P DP t .Matrizes sim´tricas e ´ MODULO 3 – AULA 22 Demonstra¸˜o: ca Uma das dire¸oes ´ muito simples de ser feita. agora. A e a id´ia b´sica desta parte da demonstra¸˜o ser´ apresentada na pr´xima aula e a ca a o ´ e envolve um dos teoremas mais importantes da Algebra Linear. ela ´ diagoe e a e naliz´vel por matriz ortogonal. e λ2 = 7. temos que ca e p(x) = (x + 2) (x2 − 14x + 49) = (x + 2) (x − 7)2 . cona e clu´ ımos que A ´ uma matriz sim´trica. j´ que D ´ uma matriz diagonal. Exemplo 3 Determine se a matriz  3 −2 4   A =  −2 6 2  4 2 3  ´ diagonaliz´vel por matriz ortogonal e. com multiplicidade a alg´brica 1. com multiplicidade alg´brica 2. Assim. Assim. pelo Teorema 3. Vamos. ca Os autovalores da matriz A s˜o as ra´ do polinˆmio caracter´ a ızes o ıstico p(x) = det(xI3 − A) x−3 2 −4 = 2 x − 6 −2 −4 −2 x − 3 = x3 − 12x2 + 21x + 98 . por inspe¸˜o. e e 31 CEDERJ . e e A rec´ ıproca ´ muito mais complicada e ser´ omitida nestas notas. que λ1 = −2 ´ uma raiz de p(x). Solu¸˜o ca Como A ´ uma matriz sim´trica. ent˜o. Suponha que A seja c˜ e diagonaliz´vel por matriz ortogonal. Observando. ent˜o a ca a At = (P DP t )t = (P t )t Dt P t = P DP t = A. onde (P t )t = P e Dt = D. os autovalores da matriz A s˜o λ1 = −2.

z). e a + c = 0. Portanto. 0. por exemplo. v3 } ´ um conjunto ortogonal de autovetores da matriz A. −1/3. ou seja. satisfazem o sistema linear (−2 I3 − A)v = 0. Os autovetores v = (x. z) associados ao autovalor λ2 = 7 satisfazem o sistema linear (7 I3 − A)v = 0. Usando as t´cnicas usuais para a resolu¸ao de sistemas lineares. b. y. j´ que eles correspondem a autovalores distintos da matriz sim´trica a e A. −1. Oba serve que. como j´ sabemos que a matriz A ´ diagonaa e liz´vel. pelo Teorema 2. Para obter uma base ortogonal de V7 . o autovetor v1 ´ ortogonal aos autovetores v2 e e v3 .Matrizes sim´tricas e Para o autovalor λ1 = −2. observamos facilmente que v2 = (1. temos que os autovetores associados. y. v = (x. obtee c˜ mos que: V7 = {v ∈ R3 |Av = 7v } = {v ∈ R3 |(7 I3 − A)v = 0 } = {(x. b. Completando os c´lculos temos. {v1 . c) deve satisfazer o sistema linear 2a + b − 2c = 0 a + c = 0. 1 18). ||v1 || √ √ v2 u2 = = (1 2. O outro vetor v3 = (a. que o auto-espa¸o V−2 ´ um subespa¸o a c e c de dimens˜o 1 e ´ gerado pelo vetor v1 = (−2. v2 . o auto-espa¸o V7 tem dimens˜o igual a 2. 1). z) ∈ R3 |2x + y − 2z = 0 }. 4 18. a e Para o autovalor λ2 = 7. 2/3). ||v3 || u1 = CEDERJ 32 . e Normalizando esses vetores. 1 2). v3 = (−1. Completando os c´lculos. Assim. v3 = (a. c) ∈ V7 deve satisfazer 2a + b − 2c = 0 e ainda ser ortogonal a v2 . 1) ∈ V7 . O fato interessante ´ que a c a e podemos construir uma base ortogonal de autovetores para esse subespa¸o c V7 . obtemos: v1 = (−2/3. 0. obtemos. v2 . 2). isto ´. ||v2 || √ √ √ v3 u3 = = (−1 18. y. v3 = 0. 4.

 33 CEDERJ . a e e 3. {u1 . Determine uma matriz ortogonal P e uma matriz diagonal D tal que A = P DP t . obtemos a matriz D:  √ √  −2/3 1 2 −1 18 √   P =  −1/3 0 4 18  . Mostre que se A ´ uma matriz sim´trica. obtemos a matriz P e com os autovalores.Matrizes sim´tricas e ´ MODULO 3 – AULA 22 Portanto. √ √ 2/3 1 2 1 18   2 0 0   D =  0 7 0 . 0 0 7 de modo que A = P DP t . Exerc´ ıcios 1. onde a matriz A ´ dada por e    A=  1 2 0 0 2 0 0 1 0 0 0 1 −2 0 −2 1    . ent˜o A2 tamb´m ´ uma e e a e e matriz sim´trica. u2 . Mostre que se A ´ uma matriz diagonaliz´vel por matriz ortogonal e a ent˜o A2 tamb´m ´. e 2. e Com esses autovetores. u3 } ´ uma base ortonormal de autovetores de A.

.

a ızes dada a matriz 0 −1 A= . e ızes ca embora simples. Por exemplo. a e Teorema 1 (Teorema Espectral para Matrizes Sim´tricas) e Seja A ∈ Mn (R) uma matriz sim´trica (isto ´. ´ bem trabalhosa e utiliza o Teorema Fundamental e ´ da Algebra. dado por p(x) = x2 + 1. 1 0 seu polinˆmio caracter´ o ıstico. At = A). • Compreender a decomposi¸˜o espectral de matrizes sim´tricas. os autovetores associados c a e a autovalores distintos s˜o ortogonais. A matriz A ´ diagonaliz´vel por matriz ortogonal. Os auto-espa¸os s˜o ortogonais entre si. Como j´ foi observado anteriormente. mencionado na demonstra¸ao do Teorema 3 da aula passada. Observa¸˜es: co 1. Pr´-requisitos: Aulas 5 e 22 e Nesta aula. e e a e 3. isto ´. Os e c˜ detalhes da demonstra¸˜o desse importante teorema ser˜o omitidos nestas ca a notas. isto ´. A dimens˜o do auto-espa¸o associado a cada autovalor λ ´ igual ` a c e a multiplicidade de λ como raiz do polinˆmio caracter´ o ıstico de A. e a multiplicidade geom´trica de λ ´ igual ` sua multiplicidade alg´brica. ca e • Aplicar os conceitos apresentados em exemplos importantes. A matriz A possui n autovalores reais. continuaremos estudando as matrizes sim´tricas e faree mos uma breve discuss˜o do chamado Teorema Espectral para Matrizes a Sim´tricas. a 4. Uma vers˜o simples do Teorema Espectral ´ apresentada a seguir.O Teorema Espectral ´ MODULO 3 – AULA 23 Aula 23 – O Teorema Espectral Objetivos: • Compreender o significado do Teorema Espectral. Ent˜o vale: e e a 1. Mas isso n˜o acontece se A for uma matriz sim´trica. 2. A demonstra¸˜o desse fato. O item a e 1 do Teorema Espectral afirma que o polinˆmio caracter´ o ıstico de uma matriz sim´trica possui apenas ra´ reais. existem uma e a e matriz ortogonal P e uma matriz diagonal D tal que A = P DP t . n˜o possui ra´ a ızes reais. isto ´. o polinˆmio caracter´ a o ıstico de uma matriz A n˜o possui necessariamente apenas ra´ reais. contando suas multiplicidades. que diz que todo polinˆmio de grau n com coeficientes o 35 CEDERJ .

. 0 0 · · · λn     [u1 u2 · · · un ]t   = [u1 u2 = [λ1 u1 λ2 u2 · · · λn un ] [u1 u2 · · · un ]t = λ 1 u1 ut + λ 2 u2 ut + · · · λ n un ut .. formada pela base a de autovetores de A. . ent˜o. Seja P a matriz ortogonal tendo esses autovetores como colunas e D a matriz diagonal tal que A = P DP t . Se A ´ uma matriz sim´trica e tem algum autovalor com multiplicidade e e alg´brica maior que 1. .. Se A ´ uma matriz sim´trica e tem n autovalores distintos. . e Decomposi¸˜o espectral de uma matriz sim´trica ca e Seja A ∈ Mn (R) uma matriz sim´trica e {u1 . λn da matriz A. Ent˜o a A = P DP t    · · · un ]    λ1 0 · · · 0 0 λ2 · · · 0 . . contando suas multiplicidades. Usando o processo de ortogonaliza¸˜o de Gram-Schmidt. . ´ uma matriz ortogonal. . de fato. ent˜o pelo e e a Teorema 2 da Aula 5 e pelo Teorema 2 da Aula 22. un } uma base e ortonormal de autovetores associados aos autovalores λ1 . Obtemos assim um c conjunto de k autovetores ortonormais associados ao autovalor λ.O Teorema Espectral reais possui n ra´ reais ou complexas. . . ra´ reais. ızes Na demonstra¸ao do Teorema Espectral mostra-se que as n ra´ c˜ ızes do polinˆmio caracter´ o ıstico s˜o. . ainda ´ verdade que podemos diagonaliz´-la. . a a considerando o conjunto de todos os autovalores de A. ca e ca CEDERJ 36 . a matriz A tem c˜ e k autovetores linearmente independentes associados ao autovalor λ. ent˜o o auto-espa¸o associado tem dimens˜o k. Na e e a verdade. . λ2 . Conseq¨entemente. vemos que A ´ e diagonaliz´vel por matriz ortogonal. podemos mostrar que se A ´ sim´trica e tem um autovalor λ e e de multiplicidade k. a 3. a ızes 2. . isto ´. obtemos uma base ortonormal de autovetores para Rn . Como autovetores associados a autovalores distintos s˜o ortogonais. . e a matriz diagonalizadora P . u2 . a c a Isto significa que o sistema linear (λ In − A)v = 0 admite k solu¸oes linearmente independentes. A ´ uma u e matriz diagonaliz´vel. podemos obca ter uma base ortonormal para este auto-espa¸o. n 2 1 Esta representa¸˜o ´ chamada uma decomposi¸˜o espectral de A.

Ent˜o os autovalores s˜o λ1 = 8 e λ2 = 3. essa decomposi¸˜o existe. 1 5) e u2 = (−1 5. e ainda podemos obter os a a √ √ √ √ respectivos autovetores u1 = (2 5. ca que: A = 8u1 ut + 3u2 ut .O Teorema Espectral ´ MODULO 3 – AULA 23 Exemplo 1 Obtenha uma decomposi¸˜o espectral da matriz A = ca Solu¸˜o ca Sendo A uma matriz sim´trica. observe que: ca √ √ √ 2 5 4/5 2/5 √ u1 ut = = 2 5 2 5 1 1 5 2/5 1/5 √ √ √ −1 5 1/5 −2/5 √ u2 ut = = −1 5 2 5 2 2 5 −2/5 4/5 e. contando suas multiplicidades. finalmente. 8u1 ut + 3u2 ut = 1 2 32/5 16/5 16/5 8/5 + 3/5 −6/5 −6/5 12/5 = 7 2 2 4 = A. p(x) = det(xIn − A). 2o Passo: Encontre as ra´ ızes do polinˆmio caracter´ o ıstico de A. 2 5). 1 2 Para verificar essa decomposi¸˜o da matriz A. O polinˆmio e ca o caracter´ ıstico de A ´ dado por e p(x) = det(xI2 − A) = x2 − 11x + 24 = (x − 8)(x − 3) . Processo de diagonaliza¸˜o de uma matriz sim´trica ca e A ∈ Mn (R) 1o Passo: Obtenha o polinˆmio caracter´ o ıstico da matriz A. 37 CEDERJ . pela decomposi¸˜o espectral. temos. temos que A = P DP t √ √ 7 2 2 5 −1 5 √ √ = 1 5 2 5 2 4 8 0 0 3 √ √ 2 5 1 5 √ √ −1 5 2 5 7 2 2 4 . Assim. Denotando a matriz P = [u1 u2 ]. Elas s˜o a todas reais e existem exatamente n delas.

Seja D a matriz diagonal cuja diagonal principal ´ formada pelos e n autovalores da matriz A. Temos. portanto. Portanto. de multiplicidade alg´brica e k. N˜o ´ dif´ determinar que o ca a e ıcil polinˆmio caracter´ o ıstico da matriz A ´ dado por e p(x) = det(xI3 − A) = (x + 2)2 (x − 4). a 4o Passo: Seja P a matriz cujas colunas s˜o os n autovetores da base orn tonormal de R obtida no terceiro passo. e O auto-espa¸o associado a λ1 = −2 ´ dado por c e V−2 = {v ∈ R3 | (A + 2 I3 )v = 0 } = {(x. inicialmente. de modo que os autovalores de A s˜o: a λ1 = −2 com multiplicidade alg´brica 2. Para cada Vλ assim obtido. CEDERJ 38 e . z) ∈ R3 |x + y + z = 0 }. tomados na mesma ordem de seus autovetores correspondentes na matriz P . Se desejar. determine seu auto-espa¸o associado c Vλ = {v ∈ Rn | (λ In − A)v = 0 }. e λ2 = 4 com multiplicidade alg´brica 1. a pode utilizar o processo de ortogonaliza¸ao de Gram-Schmidt. a A = P DP t . que ´ um subespa¸o vetorial de dimens˜o k. que A ´ uma matriz sim´trica e. se e e aplica o processo de diagonaliza¸˜o acima. Exemplo 2 Aplique o processo de diagonaliza¸ao acima ` matriz c˜ a  0 2 2   A= 2 0 2  2 2 0  e obtenha sua decomposi¸ao espectral. c˜ Solu¸˜o ca Observe. y. e c a determine uma base ortonormal que consistir´ de k autovetores. ent˜o.O Teorema Espectral 3o Passo: Para cada autovalor λ da matriz A. A reuni˜o c˜ a dessas bases determina uma base ortonormal de autovetores para Rn . P ´ uma matriz ortoe gonal.

obtemos que u3 = √ √ √ v3 3. 1). obtemos: √ √ v1 = (1 2 . 1 3) = (1 ||v3 || representa uma base ortonormal do auto-espa¸o V4 . Completando os c´lculos. b. −2 6 . Portanto. 1 6). e com os autovalores obtemos a matriz D:  √ √ √  1 2 1 6 1 3 √  √  P = [u1 u2 u3 ] =  0 −2 6 1 3  . O outro vetor. z) ∈ R3 |x = z e y = z } . v1 = 0. y. por exemplo. Com esses autovetores obtemos a matriz P . 0 . deve satisfazer a + b + c = 0 e ainda ser ortogonal a v1 . u3 a ´ ortogonal a u1 e u2 . 1. c) deve e satisfazer o sistema linear a+b+c=0 a − c = 0. ou seja. {u1 . b. v2 = (a. u2 } forma uma base ortonormal do auto-espa¸o V−2 . a − c = 0. c) ∈ V−2 . c e e os autovetores associados a autovalores distintos s˜o ortogonais e. v2 = (a. Da equa¸˜o a a ca x + y + z = 0 podemos ver facilmente que v1 = (1. u3 } ´ uma base ortonormal de R3 e e formada por autovetores de A. v2 = (1. Como A ´ matriz sim´trica. o auto-espa¸o associado a λ2 = 4 ´ dado por c e V4 = {v ∈ R3 | (4 I3 − A)v = 0 } = {(x. −2. Normalizando esse vetor. ||v2 || u1 = Assim. c Por outro lado. 1) ∈ V4 . 0.O Teorema Espectral ´ MODULO 3 – AULA 23 Para escolhermos uma base ortogonal de V−2 . podemos usar o processo de ortogonaliza¸˜o de Gram-Schmidt a partir de uma base qualquer de ca V−2 ou podemos tentar obter diretamente dois vetores ortonormais de V−2 . como j´ foi feito anteriormente. Portanto. −1 2) e ||v1 || √ √ √ v2 u2 = = (1 6 . v2 . −1) ∈ V−2 . √ √ √ −1 2 1 6 1 3   −2 0 0   D =  0 −2 0  . obtemos. 0 0 4 39 CEDERJ . isto ´. assim. ´ a E f´cil ver que v3 = (1. {u1 . 1 3. Faremos o c´lculo diretamente. Nora malizando esses dois vetores. u2 .

ent˜o ainda ´ u a e ´ o caso em que um autovalor λ de poss´ que A n˜o seja diagonaliz´vel. Estudamos exemplos de maa e trizes n˜o-sim´tricas com autovalores repetidos que eram diagonaliz´veis e a e a outros exemplos de matrizes n˜o-sim´tricas que n˜o eram diagonaliz´veis. Agora. por fim. A decomposi¸ao espectral da matriz A ´ dada por: c˜ e A = −2u1 ut − 2u2 ut + 4u3 ut . com a ajuda de seu tutor. Se A for uma matriz n˜o-sim´trica e todas e a e as ra´ de seu polinˆmio caracter´ ızes o ıstico forem n´meros reais.O Teorema Espectral de modo que A = P DP t . se a e matriz A ´ n˜o-sim´trica. diferente do que ocorre no caso de matriz sim´trica. s˜o iguais a multiplicidade alg´brica e a a e multiplicidade geom´trica de cada autovalor. Lembre do que aconteceu em exemplos vistos anteriormente. quando A ´ uma matriz sim´trica. a exemplos j´ vistos em aulas anteriores em que ocorrem as diferen¸as descritas a c aqui. 2 2 0 ou ainda. isto ´. CEDERJ 40 . a e a a H´ algumas diferen¸as marcantes entre os casos sim´trico e n˜o-sim´trico a c e a e que tentaremos resumir agora. em que a matriz considerada n˜o era sim´trica. quando a multiplicidade geom´trica do autovalor ´ menor que e e sua multiplicidade alg´brica. Estude e analise.   1/3 1/3 1/3  1/3 1/3 1/3  1/3 1/3 1/3  4/3 4/3  4/3 4/3  4/3 4/3 Resumo ´ E muito importante que vocˆ entenda bem o significado deste Teorema e Espectral. ent˜o nem todas as ra´ a e a ızes de seu polinˆmio caracter´ o ıstico precisam ser n´meros reais. ent˜o autovetores associados a autovalores distintos e a e a n˜o precisam ser ortogonais. o que ´ necess´rio no u e a caso de a matriz A ser sim´trica. e E. quando o auto-espa¸o correspondente tem dimens˜o menor que e c a k. ou ainda. Se A for uma matriz n˜o-sim´trica. E ıvel a a multiplicidade alg´brica k n˜o possui k autovetores linearmente independene a tes. al´m e e e e de todos os autovalores serem reais. 1 2 3     1/2 0 −1/2 1/6 −2/6 1/6      A = −2 0 − + 0 0  2 −2/6 4/6 −2/6  4 −1/2 0 1/2 1/6 −2/6 1/6      −1/3 2/3 −1/3 4/3 −1 0 −1      =  0 0 0  +  2/3 −4/3 2/3  +  4/3 1 0 −1 −1/3 2/3 −1/3 4/3   0 2 2   =  2 0 2 .

deterc˜ a minando as matrizes ortogonal P e diagonal D tais que A = P DP t . Sejam A =  1 3 1  e v =  1 . aplique o processo de diagonaliza¸ao ` matriz A. Verifique que λ = 5 ´ um 0 1 1 3 autovalor de A e que v ´ um autovetor A.  41 CEDERJ . a) A =  2 2 2 2  0 −1 −1   b) A =  −1 0 −1  −1 −1 0   2 2 0 0  2 2 0 0    c) A =    0 0 2 2  0 0 2 2    −1 3 1 1     e 2.O Teorema Espectral ´ MODULO 3 – AULA 23 Exerc´ ıcios 1. Em cada caso. Em seguida obtenha as e matrizes ortogonal P e diagonal D tais que A = P DP t .

.

Operadores auto-adjuntos

´ MODULO 3 – AULA 24

Aula 24 – Operadores auto-adjuntos
Objetivos:
• Compreender o conceito de operador auto-adjunto. • Aplicar os conceitos apresentados em exemplos importantes.
Pr´-requisitos: Aulas 8 e 20 a e 23

Nesta aula vamos definir os operadores lineares T : Rn → Rn associados `s matrizes sim´tricas e estudar suas propriedades. Como estaremos a e trabalhando sempre com bases ortonormais, ´ de suma importˆncia que o e a n espa¸o vetorial R esteja munido de um produto interno, o qual estaremos c sempre supondo que seja o produto interno canˆnico de Rn . o Defini¸˜o 3 ca Um operador linear T : Rn → Rn ´ denominado auto-adjunto se satisfaz e T (u), v = u, T (v) para todo u, v ∈ Rn .

O resultado que segue relaciona os operadores auto-adjuntos com as matrizes sim´tricas. e Teorema 1 Um operador linear T : Rn → Rn ´ auto-adjunto se e somente se a matriz e A, que representa T com respeito a qualquer base ortonormal α de Rn , ´ e uma matriz sim´trica. e Demonstra¸˜o: ca Com respeito ` base ortonormal α de Rn , temos que T (u) = Au para a n todo u ∈ R . Assim, para todo u, v ∈ Rn , temos que T u, v = Au, v = (Au)t v = ut At v e u, T v = u, Av = ut Av, onde At ´ a transposta da matriz A. Assim, e T ´ auto-adjunto ⇔ T (u), v = u, T (v) para todo u, v ∈ Rn e ⇔ Au, v = u, Av para todo u, v ∈ Rn ⇔ ut At v = ut Av para todo u, v ∈ Rn ⇔ At = A ⇔ A ´ uma matriz sim´trica. e e
43

CEDERJ

Operadores auto-adjuntos

´ E importante salientar que n˜o existe uma rela¸ao t˜o simples entre o a c˜ a operador linear T : Rn → Rn e sua representa¸ao matricial A = [T ]α quando c˜ a base α n˜o for ortonormal (veja a observa¸˜o ao final do Exemplo 1). a ca O Teorema 1 tamb´m fornece um crit´rio pr´tico para determinar se e e a n n um dado operador linear T : R → R ´ auto-adjunto. Basta considerar e n qualquer base ortonormal α de R e verificar se a matriz A = [T ]α ´ uma e matriz sim´trica. e Exemplo 1 Determine se o operador linear T : R2 → R2 T (x, y) = (x, 0) ´ auto-adjunto. e Solu¸˜o ca Vimos, no Exemplo 1 da Aula 20, que T ´ a proje¸ao ortogonal sobre e c˜ o eixo-x. Considerando a base canˆnica α = {e1 , e2 } de R2 , vimos que a o matriz que representa T nesta base ´ dada por e A = [T ]α = 1 0 0 0 .

Como a base canˆnica ´ ortonormal e a matriz A ´ sim´trica, ent˜o, o e e e a pelo Teorema 1, o operador T ´ auto-adjunto. e Vejamos o que acontece quando escolhemos um base β de R2 que n˜o a ´ ortonormal. Considere a base β = {u1 , u2 } dada por e √ √ u1 = ( 2 2, 2 2) e u2 = (0, 1). Est´ claro que esta base n˜o ´ ortonormal, e ainda temos que a a e √ √ √ √ T u1 = T ( 2 2, 2 2) = ( 2 2, 0) = 1 · u1 + (− 2 2) · u2 T u2 = T (0, 1) = (0, 0) = 0 · u1 + 0 · u2 . Da´ segue que a matriz que representa T na base β ´ dada por ı, e B = [T ]β = 1 0 √ − 2 2 0 .

Observe que esta matriz n˜o ´ sim´trica, mas tamb´m a base β n˜o ´ ortoa e e e a e normal, o que n˜o contradiz o Teorema 1. a
CEDERJ 44

Operadores auto-adjuntos

´ MODULO 3 – AULA 24

Exemplo 2 Considere os operadores lineares T1 : R2 → R2 , e T2 : R2 → R2 , T2 (x, y) = (y, x). T1 (x, y) = (x, 2y)

Verifique que T1 e T2 s˜o operadores auto-adjuntos e verifique se a a composi¸ao T1 ◦ T2 tamb´m ´ operador auto-adjunto. c˜ e e Solu¸˜o ca Considerando a base canˆnica de R2 , verificamos que as matrizes A1 e o A2 que representam respectivamente, os operadores T1 e T2 nesta base, s˜o a dadas por 1 0 0 1 A1 = e A2 = . 0 2 1 0 Como essas duas matrizes s˜o matrizes sim´tricas, conclu´ a e ımos, pelo Teorema 1, que T1 e T2 s˜o operadores auto-adjuntos. No entanto, o operador a obtido pela composi¸ao c˜ T1 ◦ T2 : R2 → R2 , (T1 ◦ T2 )(x, y) = (y, 2x) ´ representado, na base canˆnica, pela matriz e o B= 0 2 1 0 ,

que n˜o ´ uma matriz sim´trica. Assim, outra vez pelo Teorema 1, a coma e e posi¸ao T1 ◦ T2 n˜o ´ um operador auto-adjunto. Da´ conclu´ c˜ a e ı, ımos que a composi¸ao de operadores auto-adjuntos n˜o ´, necessariamente, auto-adjunto. c˜ a e O pr´ximo teorema segue imediatamente dos resultados sobre matrizes o sim´tricas estudados nas Aulas 22 e 23. e Teorema 2 Seja T : Rn → Rn um operador auto-adjunto. Ent˜o a 1. Autovetores correspondentes a autovalores distintos de T s˜o ortogoa nais, isto ´, se v1 , v2 , . . . , vk s˜o k autovetores associados aos autovae a lores distintos λ1 , λ2 , . . . , λk , ent˜o v1 , v2 , . . . , vk s˜o ortogonais. a a 2. O operador T possui n autovalores reais, contando suas multiplicidades.
45 CEDERJ

2). isto ´. a a Exemplo 3 Seja T : R3 → R3 dado por T (x. e3 } de R3 . u2 . y + 2z). 2y + z. temos. . 0). Existe uma base ortonormal {u1 . 1. e 4. A ultima afirma¸ao do Teorema 2 tamb´m ´ conhecida como Teorema ´ c˜ e e Espectral para Operadores Auto-Adjuntos Reais e diz. . a) Verifique que T ´ um operador auto-adjunto. 1) = (0. 0. . a matriz que representa o dada por  3  A= 0 0 operador linear T na base canˆnica ´ o e  0 0  2 1 . que estes operadores s˜o diagonaliz´veis. 0. temos que o T e1 = T (1. . T e2 = T (0. z) = (3x. a e multiplicidade geom´trica de cada autovalor λ ´ igual ` sua multiplicie e a dade alg´brica. A dimens˜o do auto-espa¸o associado a cada autovalor λ ´ igual ` mula c e a tiplicidade de λ como raiz do polinˆmio caracter´ o ıstico de T . 1 2 Observando que A ´ uma matriz sim´trica. e2 . T e3 = T (0. Assim.Operadores auto-adjuntos 3. CEDERJ 46 . 2. que T ´ e e e um operador auto-adjunto. 0. y. 0) = (0. simplesmente. un } de Rn formada por autovetores de T . pelo Teorema 1. e b) Determine os autovalores e os autovetores de T e verifique que T ´ e diagonaliz´vel. a Solu¸˜o ca a) Considerando a base canˆnica {e1 . 1. 0) = (3. c a 5. Os auto-espa¸os de T s˜o ortogonais entre si. 1).

Determine. 47 CEDERJ . os autovalores de T s˜o λ1 = 3. 2x − 4y + z). z) = (x + 2ay + 2z. com multiplicidade alg´brica 2.Operadores auto-adjuntos ´ MODULO 3 – AULA 24 b) O polinˆmio caracter´ o ıstico do operador T ´ dado por e p(x) = det(xI3 − A) = x−3 0 0 0 x − 2 −1 0 −1 x − 2 = (x − 3)2 (x − 1) . 1 √ 2. N˜o ´ dif´ obter que o auto-espa¸o e a e ıcil c V3 . β = {u1 . nesta base. 0) e u2 = (0. u3 } ´ uma base ortonormal de R3 formada u e por autovetores de T e. −1 2). definido por T (x. e Conseq¨entemente. T ´ representado pela matriz diagonal e   3 0 0   B = [T ]β =  0 3 0  . b ∈ R de modo que o operador T : R3 → R3 . seja auto-adjunto. y. e a Exemplo 4 Determine valores de a. 0 0 1 Portanto. Analogamente. ´ dado por e V3 = {v ∈ R3 |T v = 3v} = {(x. y. associado a λ2 = 1. y. uma base ortonormal de V3 ´ dada por e u1 = (1. a e e λ2 = 1 com multiplicidade alg´brica 1. tamb´m. a Portanto. Assim. z) ∈ R3 | x = 0 e y = −z} . 1 2. u2 . 1 √ 2). 0. uma base ortonormal de R3 formada e por autovetores de T e a matriz que representa T nesta base. T ´ um operador diagonaliz´vel. associado a λ1 = 3. o auto-espa¸o V1 . 4x − 5y − bz. ´ dado por c e V1 = {v ∈ R3 | T v = v} = {(x. √ √ e uma base ortonormal de V1 ´ dada pelo vetor u3 = (0. z) ∈ R3 |y = z e x arbitr´rio} .

1 3.Operadores auto-adjuntos Solu¸˜o ca Considerando a base canˆnica {e1 . −b. obtemos a matriz sim´trica e  1 4 2   A =  4 −5 −4  . e3 } de R3 . Para isso. 0. a matriz que representa dada por  1  A= 4 2 o operador linear T na base canˆnica ´ o e  2a 2  −5 −b  . 1 3). −2 6. T e2 = T (0. 2) = 1 · e1 + 4 · e2 + 2 · e3 . 4. CEDERJ 48 . Assim. e2 . 0) = (1. temos que o T e1 = T (1. z) ∈ R3 | x = −z e y = 2z} . 2 −4 1  garantindo que o operador T ´ auto-adjunto. 0) = (2a. −4) = 2a · e1 + (−5) · e2 + (−4) · e3 . y. ´ preciso que 2a = 4 e −b = −4. N˜o ´ dif´ verificar que o e a e ıcil polinˆmio caracter´ o ıstico de T ´ dado por e p(x) = det(xI3 − A) = (x + 9)(x − 3)2 . −4 1 Para que T seja um operador auto-adjunto ´ necess´rio que a matriz A e a seja sim´trica. e V3 = {v ∈ R3 | T v = 3v} = {(x. isto ´. 1. e e e ou seja. T e3 = T (0. 1 2) e u3 = (1 3. −5. y. que a = 2 e b = 4. que At = A. enquanto uma base ortonormal de V3 ´ dada pelos vetores e √ √ √ √ √ u u2 = (1 2. Os auto-espa¸os correspondentes s˜o dados por c a V−9 = {v ∈ R3 | T v = −9v} = {(x. 1) = 2 · e1 + (−b) · e2 + 1 · e3 . e √ −1 6). √ √ Uma base ortonormal de V−9 ´ dada pelo vetor u1 = (1 6. 0. 0. Conseq¨entemente. 1) = (2. Assim. z) ∈ R3 | − x + 2y + z = 0} .

1. =T ||u|| 6 6 6 T (u2 ) = T T (u3 ) = T v ||v|| w ||w|| =T =T 1 ||v|| 6 1 ||w|| 3 1 1 = T (v) = (−2. Verifique que T ´ um operador auto-adjunto. −2) = (5/3. −1/3 . −2/3 . e Solu¸˜o ca ´ a E f´cil ver que T ´ uma base ortogonal. −2 . 5/3. −2). u2 . os vetores normalizados u = (2/3 . −5) = (1/3. w = 4 · 1 + 4 · (−2) + (−2) · (−2) = 0 .Operadores auto-adjuntos ´ MODULO 3 – AULA 24 β = {u1 . −1/3. u. −5/3). 1. −2) e T w = (1. −1/3). temos u 1 1 1 T (u1 ) = T ||u|| = T (u) = (10. −2) = (−1/3. 2/3) e u2 = ||v|| w = (1/3 . nessa base ordenada. −2. v = (4. 4) e w = (1. −2/3) u3 = ||w|| u1 = formam uma base ortonormal de R3 . T v = (−2. v = 4 · 4 + 4 · (−2) + (−2) · 4 = 0 . seja T : R3 → R3 o operador linear dado por T u = (10 . −1/3). −5). 0 0 3 Observe que T ´ um operador diagonaliz´vel. pois e u. 10. −2. 1/3. Como ||u|| = ||v|| = 6 e ||w|| = 3. −2). Assim. 2/3 . −2). ||u|| v = (2/3 . u3 } ´ uma base ortonormal de R3 formada por autovetores e de T e. v. T ´ representado pela matriz diagonal e  −9 0 0   B = [T ]β =  0 3 0  . 10. e a Exemplo 5 Dados os vetores u = (4. −2. w = 4 · 1 + (−2) · (−2) + 4 · (−2) = 0 . −1/3). 6 6 1 1 = T (w) = (1. 3 3 49 CEDERJ  . 4.

u3 } ´ dada por e  1  B = [T ]β =  1 1 o operador T com respeito ` base a  1 1  −1 −1  . −1/3. pelo Teorema 1. Em caso de d´vidas n˜o hesite em consultar o seu tutor. Verifique que o operador T : R3 → R3 . −1/3) = 1 · u1 + (−1) · u2 + (−1) · u3 . x + 2y − z. z) = (2x + y + z. −1 1 Como B ´ uma matriz sim´trica. estudadas nas aulas anteriores. conclu´ e e ımos. x − y + 2z). e os e operadores auto-adjuntos vistos nesta aula. Portanto. T (u2 ) e T (u3 ) se expressam a e ıcil em fun¸ao da base β = {u1 . T (u3 ) = (1/3. 5/3. u3 } como: c˜ T (u1 ) = (5/3. u2 . a matriz que representa ortonormal {u1 . 1/3. ıcio CEDERJ 50 . −5/3) = 1 · u1 + (−1) · u2 + 1 · u3 . que o operador T ´ auto-adjunto. ´ auto-adjunto. dado por T (x. u2 . Determine uma base ortonormal de autovetores do operador T dado no exerc´ anterior.Operadores auto-adjuntos Agora. a e o e Auto-avalia¸˜o: ca ´ E de suma importˆncia que vocˆ reveja e entenda muito bem a rela¸ao a e c˜ que existe entre as matrizes sim´tricas. Observe que neste exemplo usamos uma base e ortonormal que n˜o ´ a base canˆnica nem ´ uma base de autovetores. −1/3) = 1 · u1 + 1 · u2 + 1 · u3 . n˜o ´ dif´ ver que os vetores T (u1 ). y. T (u2 ) = (−1/3. e 2. u a Exerc´ ıcios 1. Compare os conceitos e estude os exemplos.

v) B(a u . v) → F (u .Formas bilineares ´ MODULO 3 – AULA 25 Aula 25 – Formas bilineares Objetivos: • Compreender o conceito de forma bilinear. e v = (v1 . . . vamos desenvolca c ver o conceito de forma bilinear. v . Verifique que F ´ uma forma bilinear em Rn . a v) = a B(u . v) → B(u . B(u . Mais especificamente. v) = a B(u . B(u + w. isto ´. . Uma forma bilinear em V ´ uma aplic e ca¸˜o ca B :V ×V →R (u . ii) para todo u . u2 . e 51 CEDERJ . . vn ) ∈ Rn . a Defini¸˜o 4 ca Seja V um espa¸o vetorial real. v). Veremos a defini¸˜o de formas bilineares e a o ca estudaremos algumas de suas propriedades. v) = u1 v1 + u2 v2 + · · · + un vn . • Aplicar os conceitos apresentados em casos particulares. v . Pr´-requisito: Aula 22. un ). dados u = (u1 . w) + B(u . v) que ´ linear em cada uma das duas vari´veis u e v. . e Nesta aula vamos introduzir um conceito que generaliza a no¸ao de c˜ aplica¸˜o linear num espa¸o vetorial. que satisfaz: e a e i) para todo u . w ∈ V e a ∈ R. w ∈ V e a ∈ R. w + v) = B(u . que d´ origem `s formas quadr´ticas que a a a ser˜o estudadas na pr´xima aula. v) + B(w. v) = B(u . considere a aplica¸ao c˜ F :V ×V →R (u . principalmente sua rela¸ao com c˜ as matrizes. o que constitui o aspecto mais importante para fins pr´ticos. . v2 . Exemplo 1 Seja F o produto escalar em Rn . v) B(u . . . isto ´. v).

v) ´ uma transforma¸˜o linear na primeira vari´vel e ca a u. . a bilinearidade da aplica¸ao e c˜ B(u. v) . . e CEDERJ 52 . mostra que F (u . e ca Exemplo 2 Seja a matriz  2 0 0   A =  4 2 0 . v) ´ uma aplica¸˜o bilinear de Rn . Este exemplo ´ facilmente generalizado. wn ) ∈ Rn e a ∈ R. w2 . (v1 . . vn )) (u1 + aw1 )v1 + (u2 + aw2 )v2 + · · · + (un + awn )vn (u1 v1 + u2 v2 + · · · + un vn ) + a (w1 v1 + w2 v2 + · · · + wn vn ) F (u . v2 . Assim. y2 . . . un + awn ) . u2 + aw2 . temos que F (u + a w. o que mostra que F (u . . v) + a F (w. x3 ). v ∈ R3     y1 x1     u =  x2  e v =  y2 . . . Assim. x2 . onde ut ´ a matriz transposta de u. . y3 x3 podemos reescrever B(u . y3 )) = (x1 x2 x3 )  4 2 0   y2  0 0 3 y3 = 2 x1 y1 + 4 x2 y1 + 2 x2 y2 + 3 x3 y3 . . v) a tamb´m ´ uma transforma¸ao linear na segunda vari´vel v. Um argumento an´logo. . podemos e e c˜ a concluir que F (u . v) = = = = B((u1 + aw1 . (y1 . 0 0 3  Mostre que podemos associar ` matriz A uma forma bilinear B : R3 × R3 → a R dada por    y1 2 0 0    B((x1 . considerando outro vetor w = (w1 .Formas bilineares Solu¸˜o ca De fato. . Solu¸˜o ca Observe que para todo par de vetores u . v) = ut A v. deixado a cargo do aluno. v) decorre facilmente das propriedades do produto e da soma de matrizes.

ej ) . 53 CEDERJ . v ∈ V com u = u1 e1 + u2 e2 + · · · + un en e v = v1 e 1 + v2 e 2 + · · · + vn e n ..  . en ) = n ui vj F (ei . e1 ) + u1 v2 F (e1 . reescrevendo os vetores u e    x1      x2   . . uma matriz de ordem n. Ent˜o. . yn an1 an2 · · · ann = a11 x1 y1 + a12 x1 y2 + · · · + ann xn yn = n aij xi yj .  e v= u=   . .  yn = (x1 x2 a11 a21 .  xn ent˜o a F (u . v) = F (u1 e1 + u2 e2 + · · · + un en . a forma bilinear F fica completamente determinada pela n2 valores F (vi . . onde u . v ∈ Rn . . . . F : V × V → R uma forma bilinear em V . y1 y2 . j=1 Assim.   . . i. v) = ut A v. j=1 Seja V um espa¸o vetorial real. a12 · · · a22 · · · . e2 . . a F (u .Formas bilineares ´ MODULO 3 – AULA 25 Teorema 1 Seja A = (aij ) ∈ Mn (R). . . i. v1 e1 + v2 e2 + · · · + vn en ) = u1 v1 F (e1 . . a1n a2n . vj ). e2 ) + · · · + un vn F (en . en } uma base de V . e c α = {e1 . Observe que. v) = ut A v    · · · xn )                     v na forma  y1  y2  . . Podemos e associar ` matriz A uma forma bilinear F : Rn × Rn → R dada por a F (u . Sejam u . . isto ´. . .

F ((1 . 1). Solu¸˜o ca Primeiramente. 1)) = −5. (1 . temos que a matriz de F na base canˆnica ´ o e A= 1 −1 3 −5 . (y1 . Portanto. simplesmente. F (e2 . 0)) = 4. (0 . x2 ) . 0). ´ chamada de representa¸˜o e ca matricial da forma bilinear F com rela¸ao ` base α. e1 ) = F ((1 . fa¸amos o c´lculo da matriz de F com respeito ` c a a base canˆnica: o F (e1 . 0). ou. F ((1 . 0) . 1). y2 ) ∈ R2 . 0) . 1)) = −2. Portanto. 0). 0)) = 1 1)) = −1. CEDERJ 54 . (1 . para todo u = (x1 . (1 . temos F ((1 . ej ). (1 . 1)) = 0. e2 ) = F ((1 . e2 } a base canˆnica de R2 e β = {(1 . e1 ) = F ((0 . v) = i. ca Esta matriz representa F no sentido que n F (u . e2 ) = F ((0 .Formas bilineares Defini¸˜o 5 ca A matriz A = (aij ). 1)} ´ e B= 1 0 4 −2 . a Exemplo 3 Seja a forma bilinear F : R2 × R2 → R dada por F (u . F (e1 . (1 . Determine o a matriz de F com respeito a essas bases. [u]α denota o vetor das coordenadas de u com respeito ` base α. y2 )) = x1 y1 − x1 y2 + 3 x2 y1 − 5 x2 y2 . com aij = F (ei . ej ) = [u]t A [v]α α para todo par de vetores u . 1). 0)) = 3. j=1 ui vj F (ei . (1 . F (e2 . 1)} outra base de R2 . 0)) = 1. 1). (1 . temos que a matriz de F na base β = {(1 . de c˜ a matriz de F com rela¸˜o a α. F ((1 . 0). (0 . Considere α = {e1 . Como de costume. v ∈ V . x2 ). v) = F ((x1 . (1 . Para a matriz de F na base β. v = (y1 .

temos o seguinte teorema: Teorema 2 Seja F uma forma bilinear de um espa¸o vetorial V . da base α para a base β. e c Defini¸˜o 6 ca Uma forma bilinear F no espa¸o vetorial V ´ denominada sim´trica se c e e F (u . respectivamente. No caso do exemplo anterior. Se A ´ a matriz c e de F numa base α e B ´ matriz de F numa base β de V . v ∈ V . temos P = Da´ ı. Ent˜o F ´ uma forma bilinear sim´trica se a e e e somente se A ´ uma matriz sim´trica. pois ut A v ´ um escalar e = vt A t u . Teorema 3 Seja F uma forma bilinear no espa¸o vetorial V e A a matriz que c representa F numa base α de V . e e Demonstra¸˜o: ca Por F ser uma forma bilinear em V . v) = ut A v = (ut A v)t . temos que F (u . = P tA P . onde P ´ a matriz mudan¸a de base.Formas bilineares ´ MODULO 3 – AULA 25 Um problema interessante ´ saber qual a rela¸˜o entre as matrizes A e e ca B que representam uma mesma forma bilinear F em duas bases α e β. B = 1 0 4 −2 = 1 0 1 1 1 −1 3 −5 1 1 0 1 1 1 0 1 . v) = F (v . da base α para a base β. 55 CEDERJ . se P representa a matriz mudan¸a de c base. De um modo geral. ent˜o e a B = P t A P. u) para todo par de vetores u .

Por isso.Formas bilineares Se. a o (b) Determine a matriz B que representa a forma bilinear F com respeito ` base β = {(1 . definida ca por F (u . At = A). pois ut A v ´ um escalar e t t =vAu = vt A u . E a exerc´ ıcios propostos. 0) . u) para todo par de vetores u . 2 . 0 . isto ´. pois At = A = F (v . pois e e e F (u . u) = vt A u para todo u . Seja F : R3 × R3 → R. 1)}. Portanto. v) = ut A v ´ uma forma bilinear. e e e Reciprocamente. (−1 . v) = ut A v = (ut A v)t . a a e Exerc´ ıcios 1. ent˜o e a vt At u = F (u . (a) Determine a matriz A que representa a forma bilinear F com respeito ` base canˆnica α ⊂ R3 . Os conceitos desta aula ainda ser˜o bastante utilic a zados. Seja A ∈ Mn (R). F for uma forma bilinear sim´trica. ent˜o a e e e a forma bilinear F tamb´m ´ sim´trica. v ∈ V . v . o produto escalar em R3 . consulte as notas de aula ou pe¸a ajuda ao seu tutor. a CEDERJ 56 . Auto-avalia¸˜o ca Vocˆ deve ter compreendido que o conceito de forma bilinear ´ e e uma generaliza¸ao do conceito de transforma¸ao linear j´ bastante estuc˜ c˜ a ´ de extrema importˆncia rever todos os conceitos e tentar resolver os dado. se A ´ uma matriz sim´trica (isto ´. e 2. temos At = A. Verifique que a aplica¸˜o F : Rn × Rn → R. Caso surjam dificuldades. 1) . a matriz A ´ sim´trica. ainda. (0 . n˜o deixe de fazer uma boa revis˜o de matrizes sim´tricas. v ∈ V . v) = u . 1 . definida por F (u . v) = F (v .

y2 )) = 2 x1 y1 − 3 x1 y2 + x2 y2 . para todo u = (x1 . (y1 . y2 ) ∈ R2 . x2 ). (1 . v) = F ((x1 . b) Determine a matriz B que representa F com respeito ` base β = a {(2 . 0) . 1) . v = (y1 . 1)}.Formas bilineares ´ MODULO 3 – AULA 25 3. a) Determine a matriz A que representa F com respeito ` base α = a {(1 . Seja a forma bilinear F : R2 × R2 → R definida por F (u . 57 CEDERJ . e c verifique que B = P t A P . −1)}. (1 . x2 ) . da base α para a base β. c) Determine a matriz mudan¸a de base P .

.

.. a matriz A ´ uma matriz sim´trica. nas fun¸oes de utilidade. como c˜ a em crit´rios para projetos. Em todas essas situa¸˜es ´ muito importante o conhecimento do co e sinal (positivo ou negativo) que a forma quadr´tica pode assumir.Formas quadr´ticas a ´ MODULO 3 – AULA 26 Aula 26 – Formas quadr´ticas a Objetivos: • Compreender o conceito de forma quadr´tica. Pr´-requisitos: Aulas 22 e 25. denotamos A = (aij ) e v = (x1 . d˜o origem `s formas a a quadr´ticas que ser˜o estudadas nesta aula. a1n a2n . xn ) ∈ V . tamb´m. pelo Teorema 3 da Aula 25. . ent˜o a a q(v) = F (v . Uma parte muito importante da base matem´tica para o estudo das formas quadr´ticas segue facilmente a a do nosso estudo pr´vio sobre matrizes sim´tricas. . As formas quadr´ticas ocorrem a a a ´ com grande destaque em aplica¸oes da Algebra Linear ` Engenharia.            x1 x2 . . em e c˜ e Estat´ ıstica. a12 · · · a22 · · · . Elas tamb´m ocorrem na F´ e ısica. Com a e e respeito ` base α. . v) para todo v ∈ V . x2 . e As formas bilineares. Como a forma bilinear F ´ sim´trica. vistas na aula anterior. assim como a o conhecimento de seus autovalores associados. . = 59 CEDERJ . v) = vt A v  = (x1 x2 n i. . j=1   · · · xn )    a11 a21 .. . em problemas de otimiza¸ao e em processamento e c˜ de sinais. . . e e ent˜o. Uma aplica¸ao q : V → R ´ chamada de c c˜ e forma quadr´tica se existe uma forma bilinear sim´trica F : V × V → R tal a e que q(v) = F (v . . em Economia. . e. Dizemos que matriz A ´ a representa¸˜o matricial da forma quadr´tica q e ca a com espeito a essa mesma base α ⊂ V . Seja A a matriz que representa a forma bilinear F na base α ⊂ V . em descri¸˜es de energia potencial co e energia cin´tica. e e Defini¸˜o 7 ca Seja V um espa¸o vetorial real. xn       an1 an2 · · · ann aij xi xj . a • Aplicar os conceitos apresentados em casos particulares. .

Verea ca a mos. b = −5 e c = 1. podemos denotar e e A= temos ent˜o a q(x . ent˜o teremos a n aij xi yj = 0. = ax2 + 2bxy + cy 2 . y) = x2 − 10xy + y 2 . ca Exemplo 1 Seja a forma quadr´tica q : R2 → R dada por a q(x . isto ´ aij = 0 para e i = j.Formas quadr´ticas a E agora. y) = (x y) a b b c x y a b b c . Ent˜o. 1 2 n que ser´ denominada representa¸˜o diagonal da forma quadr´tica q. i<j o que nos d´ a q(v) = a11 x2 + a22 x2 + · · · + ann x2 . e n n q(v) = i. Portanto. (1) Observe ainda que. obtendo A= 1 −5 −5 1 . vale que aij = aji . CEDERJ 60 . se A for uma matriz diagonal. Determine a matriz A que representa a forma quadr´tica q com respeito ` a a base canˆnica. mais ` frente. sendo A sim´trica. de onde conclu´ ımos que a = 1. que toda forma quadr´tica sempre admite uma reprea a senta¸˜o diagonal. vale que a ax2 + 2bxy + cy 2 = x2 − 10xy + y 2 . o Solu¸˜o ca Como A ´ uma matriz sim´trica. j=1 aij xi xj = a11 x2 1 + a22 x2 2 + ··· + ann x2 n +2 i<j aij xi yj .

0 4 2 E. Determinar a matriz A que representa a forma quadr´tica q com respeito ` base canˆnica e expresse a forma quadr´tica na a a o a t forma matricial q(v) = v A v. x3 ) = 5 x2 + 3 x2 + 2 x2 − x1 x2 + 8 x2 x3 . finalmente.   5 −1/2 0 x1    q(x1 . y2 ) ∈ R2 . x3 ) ∈ R3 .Formas quadr´ticas a ´ MODULO 3 – AULA 26 Observe que q ´ a forma quadr´tica associada ` forma bilinear e a a F (u . x3 0 4 2  Queremos agora estudar o efeito de uma mudan¸a de base sobre uma c forma quadr´tica. x2 ) . para i = j. a o Exemplo 2 Seja q : R3 → R a forma quadr´tica dada por a q(v) = q(x1 . v) = (x1 x2 ) 1 −5 −5 1 y1 y2 = x1 y1 − 5x2 y1 − 5x1 y2 + x2 y2 . x3 ) = (x1 x2 x3 )  −1/2 3 4   x2  . ´ a soma dos coeficientes iguais aij = aji . com respeito ` base canˆnica. x2 . Solu¸˜o ca Os coeficientes de x2 . como indica outra e vez a equa¸ao (6). x2 . Se A ´ a matriz que representa a forma quadr´tica q na e a 61 1 · (coeficiente de xi xj ). onde u = (x1 . o coeficiente de c˜ e e xi xj . Assim. x2 e x2 formam a diagonal principal da matriz 1 2 3 A. v = (y1 . Como A ´ matriz sim´trica. Seja P a matriz mudan¸a de base da base c c α para a base β. c˜ aij = aji = Assim. ´ f´cil ver que e a  5 −1/2 0   A =  −1/2 3 4 . 2  CEDERJ . como indica a equa¸ao (6). x2 . 3 1 2 onde v = (x1 . Portanto. sejam q : V → R uma forma quadr´tica e α e β a a duas bases do espa¸o vetorial V .

autovetor associado ao autovalorλ2 = −7. e t ent˜o B = P A P = P −1 A P ´ uma matriz diagonal. e a sabemos que B = P t A P. x2 ) = x2 − 8x1 x2 − 5x2 1 2 na base canˆnica. Diagonalizar a forma quadr´tica q ´ equivalente a diagonalizar a matriz a e sim´trica A. Usaremos esses fatos no e e c a pr´ximo exemplo. se P ´ a matriz ortogonal que diagonaliza a matriz A. pelo Teorema 2 da Aula 25. Observe que. o Exemplo 3 Determine uma mudan¸a de vari´vel P que transforma a forma quadr´tica c a a 2 q : R → R. tamb´m. que ´ um exerc´ para vocˆ. os autovalores da matriz A s˜o λ1 = 3 e λ2 = −7. Usando os procedimentos j´ conhecidos sobre diagonaliza¸ao de e a c˜ matrizes sim´tricas. obtemos a e ıcio e √ 2 5 √ . ent˜o. a express˜o o e a dessa forma diagonal. a Efetuando os c´lculos. a maa e triz P tamb´m ´ chamada mudan¸a de vari´veis. e u1 = −1 5 √ 1 5 √ . dada por q(x1 . u2 } forma uma base ortonormal de R2 . autovetor associado ao autovalor λ1 = 3. Obtenha. e a A matriz P ser´ obtida a partir de uma base ortonormal de autovetores. Solu¸˜o ca Observando os coeficientes de q. Nesse caso. CEDERJ 62 . vemos que a matriz A que representa q na base canˆnica ´ dada por o e A= 1 −4 −4 −5 .Formas quadr´ticas a base α e B ´ a matriz de q na base β. em uma forma diagonal. u2 = 2 5 Como {u1 . ent˜o a P = [u1 u2 ] = √ √ 2 5 1 5 √ √ −1 5 2 5 .

onde v= e v = P w. A forma diagonal de q ´ dada por e q(y1 . = vt A v = (P w)t A (P w) = wt (P t AP )w = wt D w 3 0 0 −7 y1 y2 = (y1 y2 ) 2 2 = 3y1 − 7y2 = q(y1 . y2 ) = q(w) .Formas quadr´ticas a ´ MODULO 3 – AULA 26 e a matriz diagonal correspondente ser´ a D= onde D = P t A P . y2 ) = (y1 y2 ) 3 0 0 −7 y1 y2 3 0 0 −7 . ou w = P t v ´ a mudan¸a de vari´veis. x2 ) = x2 − 8x1 x2 − 5x2 1 2  = (x1 x2 ) 1 −4 −4 −5  x1    x2  x1 x2 e w= y1 y2 . 63 CEDERJ . e c a Veja que q(v) = q(x1 . 2 2 = 3y1 − 7y2 .

mais preca e a o cisamente no estudo da classifica¸ao de curvas cˆnicas e na classifica¸˜o de c˜ o ca superf´ ıcies qu´dricas.Formas quadr´ticas a Observe que a forma diagonal 2 2 q(y1 . O nome Teorema dos Eixos Principais segue do fato de que as colunas de P s˜o chamadas eixos principais da forma quadr´tica q. sempre existe uma a a mudan¸a de vari´veis P que transforma a forma quadr´tica q(v) = vt A v na c a a t forma diagonal q(w) = w D w. x2 . deixamos os detaa ca e lhes dos c´lculos como um exerc´ para vocˆ. y2 ) = 3y1 − 7y2 n˜o cont´m o termo cruzado y1 y2 . vemos que a matriz A que representa q na base canˆnica ´ dada por o e  3 2 0   A =  2 2 2 . em uma forma diagonal. c a Teorema 1 (Teorema dos Eixos Principais) Seja q : V → R uma forma quadr´tica. A matriz mudan¸a de vari´vel P ser´ obtida a partir de c a a uma base ortonormal de autovetores. Obtenha tamb´m a express˜o o e a dessa forma diagonal. obtemos: a CEDERJ 64  . 0 2 1 Procedendo ` diagonaliza¸˜o da matriz sim´trica A. dada por q(x1 . obtemos os autovalores λ1 = 5. onde v = P w e D = P t A P . a e Este exemplo anterior ilustra o teorema a seguir. Solu¸˜o ca Observando os coeficientes de q. a ıcio e λ2 = 2 e λ3 = −1. a Exemplo 4 Determine uma mudan¸a de vari´vel P que transforme a forma quadr´tica c a a 3 q : R → R. x3 ) = 3x2 + 2x2 + x2 + 4x1 x2 + 4x2 x3 1 2 3 na base canˆnica. Ent˜o. Uma intera a preta¸˜o geom´trica deste teorema ser´ vista nas pr´ximas aulas. A parte essencial de sua demonstra¸ao foi apresentada nos c´lculos do Exemplo 3 e consiste na c˜ a mudan¸a de vari´veis efetuada. Efetuando os c´lculos.

os termos yi yj a e e com i = j. 1/3   −2/3   u2 =  1/3  autovetor associado ao autovalorλ2 = 2. y1 y3 e y2 y3 . A forma diagonal de q ´ dada por e   y1 5 0 0    q(y1 . 2/3 Como {u1 . ent˜o a   2/3 −2/3 1/3   P = [u1 u2 u3 ] =  2/3 1/3 −2/3  1/3 2/3 2/3 ´ uma matriz ortogonal e a matriz diagonal correspondente ser´ e a   5 0 0   D =  0 2 0 .  onde v= e v = P w. u3 } forma uma base ortonormal de R3 .Formas quadr´ticas a ´ MODULO 3 – AULA 26  2/3   u1 =  2/3  autovetor associado ao autovalor λ1 = 5. ou w = P t v ´ a mudan¸a de vari´veis requerida. 65 CEDERJ . isto ´. y3 ) = 5y1 + 2y2 − y3 x1 x2 e w= y1 y2 . u2 . que a forma diagonal 2 2 2 q(y1 . 0 0 −1 onde D = P t A P . y3 ) = (y1 y2 y3 )  0 2 0   y2  0 0 −1 y3  2 2 2 = 5y1 + 2y2 − y3 . n˜o cont´m os termos cruzados y1 y2 . e c a Observe. mais uma vez. 2/3   1/3   u3 =  −2/3  autovetor associado ao autovalorλ3 = −1. y2 . y2 .

Cˆnicas o

´ MODULO 3 – AULA 27

Aula 27 – Cˆnicas o
Objetivos:
• Compreender o conceito de cˆnica. o • Aplicar os conceitos apresentados em casos particulares. Pr´-requisitos: Aulas 22, 25 e 26. e Nesta aula estudaremos algumas figuras importantes do R2 , ou seja, determinados conjuntos de pontos do plano cujas coordenadas satisfazem certas propriedades. Mais precisamente, consideraremos subconjuntos de R2 cujas coordenadas (x, y) satisfazem uma equa¸ao do tipo c˜ ax2 + bxy + cy 2 + dx + ey + f = 0, onde a, b, c, d, e e f s˜o constantes reais (com pelo menos um dos n´meros a u a, b ou c diferente de zero). A id´ia toda ´ simplificar e classificar equa¸oes e e c˜ desse tipo e, para isso, usaremos os resultados sobre diagonaliza¸ao de formas c˜ quadr´ticas apresentados na aula anterior. a Defini¸˜o 8 ca Uma cˆnica ´ um conjunto de pontos do R2 cujas coordenadas (x, y), o e em rela¸ao ` base canˆnica, satisfazem uma equa¸˜o do tipo c˜ a o ca ax2 + bxy + cy 2 + dx + ey + f = 0, (2)

onde os coeficientes a, b, c, d, e e f s˜o n´meros reais e pelo menos um dos a u n´meros a, b ou c ´ n˜o-nulo. u e a Observe que a equa¸˜o (6) cont´m uma forma quadr´tica, ca e a q(x , y) = ax2 + bxy + cy 2 , uma forma linear, (x, y) = dx + ey, e o termo constante f . Exemplo 1 Identifique o conjunto dos pontos (x , y) ∈ R2 que satisfazem a equa¸˜o ca x2 + y 2 − 4 = 0.
67

CEDERJ

Cˆnicas o

Solu¸˜o ca Comparando a equa¸ao c˜ x2 + y 2 − 4 = 0 com a equa¸˜o (6), vemos que o valor dos coeficientes s˜o a = c = 1, b = ca a d = e = 0 e f = −4, e, portanto, representa uma cˆnica. Reescrevendo a o equa¸˜o na forma ca x2 + y 2 = 4, identificamos os pontos (x, y) como pertencendo ` circunferˆncia de centro a e (0, 0) e raio 2, como ilustra a Figura 27.1.

Figura 27.1: A circunferˆncia x2 + y 2 = 4. e Exemplo 2 Identifique o conjunto dos pontos (x , y) ∈ R2 que satisfazem a equa¸˜o ca y 2 − kx = 0, onde k ´ um n´mero real n˜o-nulo. e u a Solu¸˜o ca Comparando a equa¸ao c˜ y 2 − kx = 0 com a equa¸˜o (6), vemos que o valor dos coeficientes s˜o c = 1, a = b = ca a e = f = 0 e d = −k = 0, e, portanto, representa uma cˆnica. Reescrevendo o a equa¸ao na forma c˜ y 2 = kx, identificamos os pontos (x, y) como pertencendo a uma par´bola com eixo a coincidindo com o eixo-y, como ilustra a Figura 27.2.
CEDERJ 68

3. vemos que ela tamb´m representa uma cˆnica.Cˆnicas o ´ MODULO 3 – AULA 27 Figura 27. como ilustra a Figura 27. Reescreca e o vendo a equa¸ao na forma c˜ y2 x2 = 2. b ∈ R.2: A par´bola y 2 = kx.3: As retas y = ± a x. b2 a temos b y = ± x. b > 0. a Exemplo 3 Identifique o conjunto dos pontos (x . y) ∈ R2 que satisfazem a equa¸˜o ca x2 y 2 − 2 = 0. Solu¸˜o ca Comparando a equa¸˜o ca x2 y 2 − 2 =0 a2 b com a equa¸˜o (6). a . a o que representa um par de retas concorrentes que passa pela origem. a2 b com a . 69 CEDERJ . b Figura 27.

eliminar o termo misto (−4xy). a a o N˜o ´ dif´ ver que os autovalores da matriz A s˜o λ1 = 4 e λ2 = 9. Lembre. que a matriz A ´ a matriz sim´trica que representa e e 2 2 a forma quadr´tica q(x . para isto. y) = 5x2 − 4xy + 8y 2 . autovetor associado ao autovalor λ1 = 4 . y) = 5x − 4xy + 8y com respeito ` base canˆnica. 0 9 Temos que D = P t A P . u2 } forma uma base ortonormal de R2 . e os a e ıcil a autovetores normalizados s˜o a u1 = e u2 = √ 2 5 √ 1 5 √ −1 5 √ 2 5 . realizamos diagonaliza¸ao da forma quadr´tica correspondente. c˜ a q(x . com v= x y ∈ R2 e A = 5 −2 −2 8 . CEDERJ 70 . autovetor associado ao autovalor λ2 = 9. ca o Exemplo 4 Identifique a cˆnica representada pela equa¸ao 5x2 − 4xy + 8y 2 − 36 = 0. o c˜ Solu¸˜o ca Precisamos. inicialmente. Escrevemos a equa¸ao 5x2 − 4xy + 8y 2 − 36 = 0 na forma matricial c˜ vt A v = 36. da Aula 26. Como {u1 .Cˆnicas o Os pr´ximos exemplos mostram como procedemos para simplificar uma o equa¸˜o de uma cˆnica. ent˜o a √ √ 2 5 −1 5 √ √ P = [u1 u2 ] = 1 5 2 5 ´ a matriz ortogonal que diagonaliza a matriz A e a matriz diagonal correse pondente ser´ a 4 0 D= .

y 2 –3 0 3 x –2 Figura 27. o que nos d´ a equa¸ao a c˜ 2 x2 y1 1 + = 1.4: A elipse x2 1 9 + 2 y1 4 = 1. Portanto. como ilustra a Figura 27. y1 ) = 36. 2 4x2 + 9y1 = 36. 9 4 que representa uma elipse de semi-eixo maior 3 e semi-eixo menor 2.Cˆnicas o ´ MODULO 3 – AULA 27 A forma diagonal de q ´ dada por e q(x1 . 1 onde v= com v = P v1 .4. ou v1 = P t v. 1 x y e v1 = x1 y1 . ou ainda. y1 ) = (x1 y1 ) 4 0 0 9 x1 y1 2 = 4x2 + 9y1 . a equa¸ao da cˆnica pode ser reescrita como c˜ o q(x1 . 71 CEDERJ .

e os autovetores a normalizados s˜o a √ 1 2 √ 1 2 √ −1 2 √ 1 2 u1 = e u2 = .Cˆnicas o Exemplo 5 √ Identifique a cˆnica representada pela equa¸ao 2x2 +4xy +2y 2 +4 2 x+ o c˜ √ 12 2 y − 8 = 0. Como {u1 . tamb´m. (3) Solu¸˜o ca A= e 5 −2 −2 8 √ √ B = (4 2 12 2 ). autovetor associado ao autovalor λ2 = 0. N˜o ´ dif´ ver (exerc´ para a o a e ıcil ıcio o aluno) que os autovalores da matriz A s˜o λ1 = 4 e λ2 = 0. 0 0 E. D = P t A P . obtemos e a o vt A v + Bv − 8 = 0. Reescrevendo a cˆnica na forma matricial. A matriz A ´ a matriz sim´trica que representa a forma quadr´tica q(x . . ´ a matriz ortogonal que diagonaliza a matriz A. u2 } forma uma base ortonormal de R2 . e CEDERJ 72 . √ Observe que neste exemplo a forma linear (x. e a matriz diagonal correse pondente ser´ a 4 0 D= . y) = e e a 2x2 +4xy +2y 2 com respeito ` base canˆnica. y) = dx + ey = 4 2 x + √ 12 2 y ´ n˜o-nula. onde v= x y ∈ R2 . autovetor associado ao autovalor λ1 = 4. ent˜o a P = [u1 u2 ] = √ √ 1 2 −1 2 √ √ 1 2 1 2 .

substituindo em (8). 4 0 0 0 x1 y1 = (4 2 12 2 ) = (16 8 ) x1 y1 = 16x1 + 8y1 . 1 onde v= com v = P v1 . simplificando. 1 ou. a x2 + 4x1 = (x1 + 2)2 − 4. 1 Completando o quadrado na vari´vel x1 . x2 + 4x1 + 2y1 − 2 = 0. ou v1 = P t v. 1 E. e vt A v = 4x2 . obtemos (x1 + 2)2 − 4 + 2y1 − 2 = 0. obtemos 4x2 + 16x1 + 8y1 − 8 = 0. 1 isto ´.Cˆnicas o ´ MODULO 3 – AULA 27 A forma diagonal de q ´ dada por e q(x1 . observe que v = P v1 ´ uma rota¸ao. 73 CEDERJ (4) . Substituindo vt A v = 4x2 e Bv = 16x1 + 8y1 1 em (7). y1 ) = (x1 y1 ) = 4x2 . Como det(P ) = 1. A forma linear e c˜ se transforma em Bv = B(P v1 ) = BP v1 √ √ √ √ 1 2 −1 2 √ √ 1 2 1 2 x1 y1 x y e v1 = x1 y1 .

como ilustra a Figura 27. a 2 Procedimento para simplificar a equa¸˜o de uma cˆnica ca o Seja a cˆnica Γ dada pela equa¸˜o o ca ax2 + bxy + cy 2 + dx + ey + f = 0. identificao mos facilmente a equa¸˜o de uma par´bola.5: A par´bola x2 = −2y2 . ca a Figura 27.5. CEDERJ 74 . obtemos ca x2 = −2y2 . que representa uma transla¸˜o no R2 .Cˆnicas o ou (x1 + 2)2 + 2(y1 − 3) = 0. 2 que representa a cˆnica inicial aos novos eixos-x2 y2 . e vt A v + Bv + f = 0. mas ela ainda pode ser mais ca a simplificada. (5) Essa equa¸˜o j´ ´ uma forma bem mais simples da cˆnica inicial e j´ se ca a e o a pode identificar a equa¸˜o de uma par´bola. Realizando a mudan¸a de vari´veis em (9) dada por c a x 2 = x1 + 2 y2 = y1 − 3 . Nessa forma. Podemos reescrevˆ-la na forma matricial.

Cˆnicas o ´ MODULO 3 – AULA 27 onde q(x . com A = a b/2 b/2 c . B = (d e) e v = x y . Assim. u2 } ortogonal de autovetores da matriz A para o R2 . y) = dx + ey x y = (d e) = Bv . λ1 0 0 λ2 D = P t A P com D = . e (x. de modo a eliminar o termo cruzado bxy. Lembre que as colunas de P formam uma base {u1 . respectivamente. 75 CEDERJ . onde λ1 e λ2 s˜o os autovalores da matriz A associados aos autovetores a u1 e u2 . A id´ia principal do procedimento a seguir consiste em realizar uma e rota¸˜o nos eixos-xy. ca 1o Passo: Encontrar uma matriz ortogonal P = [u1 u2 ] que diagonalize A. y) = ax2 + bxy + cy 2 a b/2 b/2 c x y = (x y) = vt A v .

1 e dx + ey = Bv = B(P v1 ) . onde BP = (d1 e1 ) x1 y1 = (d1 e1 ) = d1 x1 + e1 y1 . 1 que ´ uma equa¸ao que representa a cˆnica Γ e n˜o cont´m termos cruzados e c˜ o a e (em xy). c˜ 3o Passo: Obter a equa¸˜o que representa a cˆnica Γ no novo sistema de eixosca o x2 y2 . observe que ax2 + bxy + cy 2 = vt A v = (P v1 )t A (P v1 ) . caso seja necess´rio. de modo que se tenha a det(P ) = 1. Assim. com v1 = seja uma rota¸ao no plano. 2 = λ 1 x2 + λ 2 y 1 . CEDERJ 76 . a equa¸ao vt A v + Bv + f = 0 se transforma em c˜ 2 λ1 x2 + λ2 y1 + d1 x1 + e1 y1 + f = 0. Para isso.Cˆnicas o 2o Passo: Permutar as colunas de P . Isso garante que a transforma¸˜o ortogonal ca v = P v1 . onde v = P v1 = (BP ) v1 . onde v = P v1 = vt (P t A P ) v1 1 = vt D v1 1 = (x1 y1 ) λ1 0 0 λ2 x1 y1 x1 y1 .

λ1 = 0 e λ2 = 0 (necessariamente λ2 = 0). podemos completar os quadrados nas vari´veis x1 e y1 . a equa¸ao c˜ 2 λ1 x2 + λ2 y1 + d1 x1 + e1 y1 + f = 0 1 ´ transformada em e 2 λ1 x2 + λ2 y2 + F = 0. a a a 77 CEDERJ . caso F > 0. λ2 = 0. obtemos a 2 2 λ2 y1 + d1 x1 + e1 y1 + f = (λ2 y1 + e1 y1 ) + d1 x1 + f 2 = λ2 y2 + d1 x2 + F . 0)). ent˜o a cˆnica Γ ser´ uma elipse. caso F > 0. a o a e ou um par de retas concorrentes. λ2 < 0. 2 Note que (a) Se λ1 . caso F = 0. 2 com F ∈ R2 . ent˜o Γ ser´ uma par´bola. ent˜o a cˆnica Γ ser´ uma elipse. digamos.Cˆnicas o ´ MODULO 3 – AULA 27 Vamos fazer uma breve an´lise dessa equa¸˜o. completando o quadrado na vari´vel y1 . Assim. obtendo a 2 2 λ1 x2 + λ2 y1 + d1 x1 + e1 y1 + f = (λ1 x2 + d1 x1 ) + (λ2 y1 + e1 y1 ) 1 1 2 = λ1 x2 + λ2 y2 + F . Neste a a caso. a equa¸ao inicial da cˆnica Γ fica transformada em c˜ o 2 λ2 y2 + d1 x2 + F = 0. ou a o a um ponto ((x2 . caso F = 0. ou o conjunto vazio. y2 ) = (0 . (c) Se λ1 < 0 < λ2 . λ2 > 0. Novamente. Considere o caso em que os autovalores s˜o n˜o-nulos: λ1 . ent˜o a cˆnica Γ ser´ uma hip´rbole. caso F < 0. Considere o caso de um autovalor nulo. ou a o a um ponto ((x2 . Assim. Note que (a) Se d1 = 0. 0)). a ca 1. ou o conjunto vazio. caso F = 0. 2. casoF = 0. (b) Se λ1 . y2 ) = (0 . caso F < 0.

caso b2 − 4ac > 0. caso F = 0. a e a Veja. ´ 3. Assim. ent˜o esta o c˜ a cˆnica representa: o a) uma elipse. como elipses. par´bolas e c˜ o a CEDERJ 78 . ou o conjunto vazio. que por sua vez tem o 4 mesmo sinal de 4ac − b2 . e a ´ E importante observar que nunca poderemos ter λ1 = λ2 = 0. caso b2 −4ac = 0. podemos refazer a an´lise anterior em a 2 fun¸ao do discriminante b − 4ac da forma quadr´tica. 4 = = ac − Portanto. a a ou uma unica reta. pressupomos que vocˆ tenha alguns conhecie mentos acerca das equa¸oes de cˆnicas tradicionais.Cˆnicas o (b) Se d1 = 0. a ´ c) uma hip´rbole ou duas retas concorrentes. O caso λ2 = 0 e λ1 = 0 ´ an´logo ao anterior. No entanto. ent˜o Γ ser´ um par de retas paralelas. um ponto ou o conjunto vazio. caso λ2 · F < 0. tamb´m. caso b2 − 4ac < 0. λ1 · λ2 tem o mesmo sinal de ac − b2 . c˜ a Teorema 1 Dada a cˆnica de equa¸ao ax2 + bxy + cy 2 + dx + ey + f = 0. b) uma par´bola. e Auto-avalia¸˜o: ca Esta aula constitui uma excelente aplica¸ao dos conceitos vistos nas c˜ aulas anteriores. duas retas paralelas ou uma unica reta. caso λ2 ·F > 0. que e λ1 · λ2 = λ1 0 0 λ2 = det P = det A a b/2 b/2 c b2 . pois estamos supondo que a forma quadr´tica associada ´ n˜o-nula.

aplique o ca o procedimento apresentado nesta aula. vocˆ deve ser persistente na leitura dos exema e plos e do procedimento apresentado. sempre recorrendo ao tutor no caso de encontrar uma dificuldade maior. Na pr´xima aula. 12 8 79 CEDERJ . diagonalizar uma forma quadr´tica e a a completar quadrados at´ simplificar a equa¸ao ao m´ximo. simplificando a equa¸˜o ao ca m´ximo e identificando a cˆnica apresentada.Cˆnicas o ´ MODULO 3 – AULA 27 hip´rboles. Dada a cˆnica de equa¸˜o 2x2 − 4xy − y 2 − 4x − 8y + 14 = 0. ou seja. mas o procedimento e a e ser´ exatamente o mesmo. vocˆ n˜o deve encontrar muita dificuldade para compreender ´ e a os conceitos apresentados aqui. A hip´rbole de equa¸ao e c˜ 2 x2 y 2 2 − = 1. No entanto. Conhecendo essas equa¸oes e com o conhecimento adquirido das e c˜ ultimas aulas. como esta aula re´ne muitos u conhecimentos matem´ticos. agora com trˆs vari´veis ao inv´s de duas. a o Resposta 1. trataremos de equa¸˜es o co semelhantes. e c˜ a Exerc´ ıcio 1.

.

f ´ n˜o-nulo. p s˜o n´meros reais e pelo menos um dos a u coeficientes a. y . 25.. Defini¸˜o 9 ca Uma superf´ qu´drica. e. (x . c. z) = gx + hy + kz. z) satisfazem uma equa¸˜o da ca forma ax2 + by 2 + cz 2 + dxy + exz + f yz + gx + hy + kz + p = 0. d. Pr´-requisitos: Aulas 22. a Figura 28.1: Gr´ficos de qu´dricas a a 81 CEDERJ . a • Aplicar os conceitos apresentados em casos particulares. b. nela ese ca o 3 tudaremos as superf´ ıcies qu´dricas no espa¸o R . com respeito ` base a canˆnica. satisfazem uma equa¸ao do tipo o c˜ ax2 + by 2 + cz 2 + dxy + exz + f yz + gx + hy + kz + p = 0. Mais precisamente. uma forma linear em R3 .. e a Observe que a equa¸˜o (6) cont´m uma forma quadr´tica n˜o-nula em ca e a a R3 . (6) onde os coeficientes a. Apresentaremos a seguir os exemplos mais comuns de superf´ ıcies qu´dricas. y . e Esta aula ´ uma continua¸˜o da aula anterior sobre cˆnicas. ou. uma qu´drica. simplesmente. ´ o conjunto ıcie a a e 3 de pontos de R cujas coordenadas (x.. b. e o termo constante p. 26 e 27..Qu´dricas a ´ MODULO 3 – AULA 28 Aula 28 – Qu´dricas a Objetivos: • Compreender o conceito generalizado de uma qu´drica. q(x . vaa c mos estudar alguns conjuntos de R3 cujas coordenadas. y. c. k. z) = ax2 + by 2 + cz 2 + dxy + exz + f yz. Usando novamente os resultados sobre diagonaliza¸ao de formas quadr´ticas. c˜ a iremos simplificar essa equa¸ao e descrever as superf´ c˜ ıcies mais simples que ela pode representar.

Qu´dricas a (a) Elips´ide o ( x2 y 2 z 2 + 2 + 2 = 1) a2 b c (b) Hiperbol´ide de uma folha o ( x2 y 2 z 2 + 2 − 2 = 1) a2 b c (c) Hiperbol´ide de duas folhas o (− x2 y 2 z 2 + 2 − 2 = 1) a2 b c ( (d) Cone el´ ıptico x2 y 2 z 2 + 2 − 2 = 0) a2 b c CEDERJ 82 .

Qu´dricas a ´ MODULO 3 – AULA 28 (e) Parabol´ide el´ o ıptico ( x2 y 2 + 2 = z) a2 b (f) Parabol´ide hiperb´lico o o (− x2 y 2 + 2 = z) a2 b (g) Cilindro el´ ıptico ( x2 y 2 + 2 = 1) a2 b (h) Cilindro parab´lico o (y = ax2 ) 83 CEDERJ .

A presen¸a de termos o a a ca o c cruzados da forma xy. onde    x a d/2 e/2     v =  y  e A =  d/2 b f /2  . z e/2 f /2 c CEDERJ 84  . z) = ax2 + by 2 + cz 2 + dxy + exz + f yz   a d/2 e/2 x    = (x y z)  d/2 b f /2   y  e/2 f /2 c z  = vt A v . z 2 = 4) ou dois planos secantes (por exemplo. primeiramente. um unico ponto (por exemplo. expressar a equa¸ao (6) na forma matricial. x1 z1 e y1 z1 . a c Vamos. dizemos que a equa¸ao est´ na forma e c˜ a canˆnica e que a qu´drica est´ na posi¸˜o canˆnica. e a Sempre que a qu´drica for representada por uma equa¸ao que n˜o a c˜ a cont´m termos em xy. x2 + y 2 + ´ 2 (z − 1) = 0). xz ou yz na equa¸˜o (6) indica que a qu´drica sofreu ca a uma rota¸˜o com respeito ` posi¸ao canˆnica.Qu´dricas a Observe que a equa¸ao (6) tamb´m pode representar um conjunto vazio c˜ e (por exemplo. y . yz. vamos desenvolver um procedimento o para representar uma qu´drica na forma canˆnica. x2 + y 2 + 1 = 0). y e z. xz = 0). xz. y ou z indica que a qu´drica sofreu uma transla¸˜o com respeito ` a ca a posi¸ao canˆnica. dois planos paralelos (por exemplo. c˜ o Como foi feito no caso das cˆnicas. a a Assim como foi feito para as cˆnicas. um plano (por exemplo. q(x . e a presen¸a de termos da ca a c˜ o c forma x. mostraremos que atrav´s de uma o e mudan¸a de coordenadas podemos reduzir a equa¸ao (6) de modo que a c c˜ qu´drica seja identificada como sendo de um dos tipos descritos. c˜ Temos. z 2 = 0). x. Esse proa blema ´ o de classificar a qu´drica. A id´ia principal do proa o e cedimento consiste em obter um novo sistema de coordenadas x1 y1 z1 de modo que n˜o apare¸am os termos cruzados x1 y1 . as qu´dricas s˜o ditas degeneradas. Nestes casos.

85 CEDERJ  . Substituindo q(x . cuja forma vetorial ´ a equa¸ao (7). u3 } de autovetores da matriz A para o R3 . y . respectivamente. u2 e u2 . λ2 e λ3 s˜o os autovalores da matriz A associados aos autovea tores u1 . 1o Passo: Encontrar uma matriz ortogonal P = [u1 u2 u3 ] que diagonaliza A. a vt A v + Bv + p = 0. Assim. y . u2 . onde B = (g h k). a ca ax2 + by 2 + cz 2 + dxy + exz + f yz + gx + hy + kz + p = 0. lembre que as colunas a a de P formam uma base ortonormal {u1 . z) = Bv em (6).  λ1 0 0   D = P t A P com D =  0 λ2 0  . e c˜ vt A v + Bv + p = 0. z) = gx + hy + kz  x   = (g h k)  y  z = Bv . y .Qu´dricas a ´ MODULO 3 – AULA 28 Observe tamb´m que e (x . 0 0 λ3 onde λ1 . z) = vt A v e (x . Como j´ foi visto v´rias vezes ao longo do curso. obtemos a forma vetorial da qu´drica. (7)  PROCEDIMENTO PARA SIMPLIFICAR A EQUACAO DE UMA ¸˜ ´ QUADRICA Seja Γ a qu´drica representada pela equa¸˜o (6).

Para isso. caso seja necess´rio. onde v = P v1 = (BP ) v1 . onde v = P v1 = vt (P t A P ) v1 1 = vt D v1 1   λ1 0 0 x1    z1 )  0 λ2 0   y1  0 0 λ3 z1   = (x1 y1 2 2 = λ1 x2 + λ2 y1 + λ3 z1 1 e gx + hy + kz = Bv = B(P v1 ) . c˜ 3o Passo: Obter a equa¸ao que representa a qu´drica Γ no novo sistema de eixos c˜ a x1 y1 z1 . onde BP = (g1 h1 k1 )  x1   k1 )  y 1  z1  = (g1 h1 = g1 x1 + h1 y1 + k1 z1 .Qu´dricas a 2o Passo: Permutar as colunas de P . a equa¸ao c˜ vt A v + Bv + p = 0 CEDERJ 86 . com v1 =  y1  . z1 seja uma rota¸ao no plano. Isso garante que a transforma¸˜o ortogonal ca  x1   v = P v1 . de modo que se tenha a det(P ) = 1. Assim. observe que ax2 + by 2 + cz 2 + dxy + exz + f yz = vt A v = (P v1 )t A (P v1 ) .

Solu¸˜o ca Reescrevendo essa equa¸ao na forma matricial. 2λ1 2λ2 2λ3 g1 h1 k1 . 2λ1 2λ2 2λ3 Passando para as novas vari´veis a x2 = x1 + obtemos a equa¸ao c˜ 2 2 λ1 x2 + λ2 y2 + λ3 z2 + p1 = 0.Qu´dricas a ´ MODULO 3 – AULA 28 se transforma em 2 2 λ1 x2 + λ2 y1 + λ3 z1 + g1 x1 + h1 y1 + k1 z1 + p = 0. onde    x 4 2 2     v =  y  e A =  2 4 2 . temos c˜ vt A v − 3 = 0. ´ uma equa¸˜o e ca na forma canˆnica. obtemos 2 2 (λ1 x2 + g1 x1 ) + (λ2 y1 + h1 y1 ) + (λ3 z1 + +k1 z1 ) + p = 0 1 λ1 (x2 + 1 λ1 (x1 + g1 h1 k1 2 2 x1 ) + λ2 (y1 + y1 ) + λ3 (z1 + z1 ) + p = 0 λ1 λ2 λ3 g1 2 h1 2 k1 2 ) + λ2 (y1 + ) + λ3 (z1 + ) + p1 = 0. x1 z1 e y1 z1 . z2 = z1 + . y2 = y1 + . z 2 2 4  (8) 87 CEDERJ . 4o Passo: Completando os quadrados em x1 . y2 e z2 . 2 Essa equa¸ao representa a qu´drica Γ e n˜o cont´m os termos cruzados c˜ a a e x2 y2 . x2 z2 e y2 z2 nem os termos em x2 . o Exemplo 1 Descreva a superf´ qu´drica cuja equa¸˜o ´ dada por ıcie a ca e 4x2 + 4y 2 + 4z 2 + 4xy + 4xz + 4yz − 3 = 0. Portanto. y1 e z1 . 1 Essa equa¸ao representa a qu´drica Γ e n˜o cont´m os termos cruzados c˜ a a e x1 y1 .

logo P representa uma rota¸ao em R3 . Obtemos: • λ1 = 2: ´ um autovalor com multiplicidade alg´brica 2 e autovetores e e associados  √  √  −1 2 −1 6 √   √   u1 =  1 2  e u2 =  −1 6  .Qu´dricas a Deixamos para vocˆ o exerc´ de calcular os autovalores e os autovee ıcio tores correspondentes da matriz A. u3 } forma uma base ortonormal de R3 . √ 0 2 6  • λ2 = 8: ´ um autovalor com multiplicidade alg´brica 1 e autovalor e e associado √  1 3  √  u3 =  1 3  . e Observe que det(P ) = 1. u2 . temos que √ √ √  −1 2 −1 6 1 3 √ √ √   P = [u1 u2 u3 ] =  1 2 −1 6 1 3  √ √ 0 2 6 1 3 ´ a matriz ortogonal que diagonaliza a e pondente ser´ a  2  D= 0 0 Vale tamb´m que D = P t A P . 0 8 . Conc˜ siderando     x x1     v =  y  e v1 =  y1  z1 z CEDERJ 88   matriz A e a matriz diagonal corres 0 0  2 0 . √ 1 3 Como {u1 .

facilmente. obtemos vt A v = (P v1 )t A (P v1 ) = vt (P t AP )v1 1 = vt D v1 onde P t AP = D 1   2 0 0 x1    = (x1 y1 z1 )  0 2 0   y1  z1 0 0 8  2 2 = 2x2 + 2y1 + 8z1 . x2 y2 z2 1 + 1 + 1 = 1. o ca o como ilustra a Figura 28. observe que a presen¸a do termo cruzado yz nos levar´ c a a realizar uma rota¸ao de eixos. 1 ou.1. 1 Portanto.a. e a presen¸a dos termos lineares z e y. ca Reescrevendo essa equa¸ao na forma matricial. equivalentemente. a c˜ c realizar uma transla¸˜o de eixos. substituindo 2 2 vt A v = 2x2 + 2y1 + 8z1 1 na equa¸ao (8). temos c˜ vt A v + Bv − 101 = 0. Identificamos. Exemplo 2 Identifique a superf´ qu´drica cuja equa¸˜o ´ dada por ıcie a ca e √ −x2 + 2yz − 2 y − 101 = 0. que essa equa¸˜o representa um elips´ide. (9) 89 CEDERJ . x1 z1 c˜ a e e y1 z1 nem os termos em x1 . ´ uma equa¸ao na forma e c˜ canˆnica. Solu¸˜o ca Inicialmente. obtemos c˜ 2 2 2x2 + 2y1 + 8z1 = 3. Portanto. y1 e z1 . 3/2 3/2 3/8 Observe que essa equa¸ao n˜o cont´m os termos cruzados x1 y1 .Qu´dricas a ´ MODULO 3 – AULA 28 e substituindo v = P v1 em vt A v.

u2 . novamente. Deixamos para vocˆ. logo P representa uma rota¸ao em c˜ R . Considerando     x x1     v =  y  e v1 =  y1  . Obtemos: • λ1 = −1 : autovalor com multiplicidade alg´brica 2 e autovetores assoe ciados    0 1  √    u1 =  0  e u2 =  1 2  . det(P ) = 1. 0 1 .Qu´dricas a onde  x   v= y  z   −1 0 0   A =  0 0 1  e B = (0 0 1 0  √ √ . √ 1 2 Como {u1 . ent˜o a  1 0 0 √ √   P = [u1 u2 u3 ] =  0 1 2 1 2  √ √ 0 −1 2 1 2 ´ a matriz ortogonal que diagonaliza a e pondente ser´ a  −1  D= 0 0 Vale tamb´m que D = P t A P . o exerc´ de calcular os autovalores e ıcio e os autovetores correspondentes da matriz A. e Como no Exemplo 1. √ 0 −1 2  • λ2 = 1 : autovalor com multiplicidade alg´brica 1 e autovalor associado e  0  √  u3 =  1 2  . u3 } forma uma base ortonormal de R3 . z1 z 3 CEDERJ 90   matriz A e a matriz diagonal corres 0 0  −1 0  . − 2 2).

obtemos vt A v = (P v1 )t A (P v1 ) = vt (P t AP )v1 1 = vt D v1 . obtemos Bv = B(P v1 ) = BP v1   1 0 0 x1 √ √  √ √   − 2 2)  0 1 2 1 2   y1  √ √ 0 −1 2 1 2 z1  x1   − 2 0)  y1  z1   = (0 = (0 = −2y1 .Qu´dricas a ´ MODULO 3 – AULA 28 e substituindo v = P v1 em vt A v. onde P t AP = D 1   −1 0 0 x1    = (x1 y1 z1 )  0 −1 0   y1  0 0 1 z1 2 2 = −x2 − y1 + z1 . substituindo v = P v1 em B v. Portanto. obtemos 2 2 −x2 − y1 + z1 − 2y1 = 101. substituindo 2 2 vt A v = −x2 − y1 + z1 e Bv = −2y1 1 em (9). completando o quadrado na vari´vel y1 . 1 o que nos d´ a 2 −x2 − [(y1 + 1)2 − 1] + z1 = 101. 1 Agora. 1 91 CEDERJ . 1  e. temos a 2 2 −x2 + z1 − (y1 + 2y1 ) = 101.

equivalentemente. a equa¸˜o (10) se transforma em ca ca − y2 z2 x2 2 − 22 + 22 = 1. c˜ ca a ´ E importante que vocˆ reveja o procedimento de simplifica¸˜o dessas equa¸oes e ca c˜ e compreenda os c´lculos realizados nos exemplos. 2xy + 2xz + 2yz − 6x − 6y − 4z − 9 = 0. 2xy − 4 2 x + 2 2y + z − 9 = 0.1. 102 10 10 que representa a qu´drica inicial aos novos eixos x2 y2 z2 .Qu´dricas a e. Realizando a mudan¸a de vari´veis dada c a por   x2 = x1  y = y1 + 1  2  z2 = z1 . − x2 (y1 + 1)2 z2 1 − + 12 = 1. que representa uma transla¸˜o no R3 . 2. 3. Nessa forma. como ilustra c˜ o a Figura 28. que o a constituem uma excelente aplica¸ao da diagonaliza¸˜o das formas quadr´ticas. Exerc´ ıcios Obtenha uma forma canˆnica de cada qu´drica abaixo e identifique a o a qu´drica. portanto.c. 2 −x2 − (y1 + 1)2 + z1 = 100. mas ela ca o ainda pode ser mais simplificada. a √ √ 1. Auto-avalia¸˜o: ca Terminamos o estudo das cˆnicas em R2 e das qu´dricas em R3 . 7x2 + 7y 2 + 10z 2 − 2xy − 4xz + 4yz − 12x + 12y + 60z − 24 = 0. 102 102 10 (10) Essa equa¸ao j´ ´ uma forma canˆnica para a qu´drica inicial e j´ c˜ a e o a a se pode identificar a equa¸˜o de um hiperbol´ide de duas folhas. identia ficamos novamente a equa¸ao de um hiperbol´ide de duas folhas. CEDERJ 92 . Tamb´m ´ importante a e e que fique clara a interpreta¸ao geom´trica de cada mudan¸a de vari´veis c˜ e c a realizada. 1 ou.

b ∈ R e i = −1 } A igualdade de n´meros complexos ´ definida por u e a + b i = c + d i se e somente se a = c e b = d. • Aplicar os conceitos apresentados em casos particulares. dada uma matriz A ∈ Mn (R).Autovalores complexos ´ MODULO 3 – AULA 29 Aula 29 – Autovalores complexos Objetivos: • Compreender o conceito de autovalor complexo. Inicialmente. E f´cil verificar que todas as propriedades de corpo dos n´meros reais continuam v´lidas para os n´meros complexos. ii. (z1 . Nesta aula. (a + b i) · (c + d i) = (ac − bd) + (ad + bc) i. u ¯ A teoria de espa¸os vetoriais e de ´lgebra matricial desenvolvida no caso c a de componentes reais e escalares reais se aplica tamb´m para componentes e e escalares complexos. w ∈ C }. u a u Definimos o conjugado de um n´mero complexo z = a + b i como sendo u o n´mero complexo z = a − b i. e Vimos logo na Aula 3 que. ´ a para todos os a. contando suas multiplicidades e as ra´ ızes complexas. estudaremos alguns exemplos de matrizes reais com autovalores complexos. d ∈ R. A adi¸ao e a multiplica¸ao de n´meros complexos s˜o definidas por: c˜ c˜ u a i. c. w1 + w2 ). possui um total de n ra´ ızes. seu polinˆmio o caracter´ ıstico p(x) ´ um polinˆmio de grau n com coeficientes reais e. Pr´-requisitos: Aulas 3 e 5. w) | z. w1 ) + (z2 . (a + b i) + (c + d i) = (a + c) + (b + d) i. com as opera¸˜es usuais co i. vamos relembrar alguns conceitos sobre n´meros compleu xos. Por exemplo. w2 ) = (z1 + z2 . o espa¸o vetorial C2 ´ definido por c e C2 = {(z . 93 CEDERJ . b. pore o tanto. Denotamos o conjunto dos n´meros complexos por C e representamos u por √ C = {a + b i | a.

pela a¸ao da matriz A. De fato. a matriz A n˜o possui autovetores em R e. do nosso estudo de rota¸˜es no plano. num m´ltiplo dele mesmo. Assim. z1 . que essa matriz corco responde a uma rota¸˜o de π/2 radianos no sentido anti-hor´rio em torno da ca a 2 origem do plano cartesiano R . pois os vetores a v1 = (1 . Av2 = = −i = − i v2 . = = x2 + 1 . considerando A com matriz complexa.Autovalores complexos ii. e Exemplo 1 Discuta a diagonaliza¸˜o da matriz ca A= Solu¸˜o ca Sabemos. A ∈ M2 (C). o o ızes No entanto. onde z. z2 . w2 ∈ C. Assim. i) ∈ C2 . e c˜ u 2 Assim. Dizemos que v ´ um autovetor (complexo) associado ao autovalor λ ∈ C. z · (z1 . z z2 ). v2 = (1 . isto ´. w1 ) = (z z1 . fica claro que nenhum vetor n˜o-nulo a 2 v ∈ R ´ transformado. e λ1 = i e λ2 = − i s˜o autovalores complexos da matriz A. um n´mero complexo λ ∈ C ´ u e n um autovalor (complexo) da matriz A se existe um vetor n˜o-nulo v ∈ C a tal que Av = λv. n˜o a u a tem autovalores reais. w1 . e satisfazem Av1 = 0 −1 1 0 0 −1 1 0 1 −i 1 i =i 1 −i 1 i = i v1 . dada uma matriz A ∈ Mn (C). − i) . Esse polinˆmio s´ possui as ra´ complexas λ1 = i e λ2 = − i. o polinˆmio caracter´ o ıstico de A ´ e p(x) = det(xI2 − A) x 1 −1 x 0 −1 1 0 . conseq¨entemente. CEDERJ 94 .

i) ´ um autovetor associado ao autovalor λ2 = − i. 95 CEDERJ . e e v2 = (1 . 5 − x)(1. como ela possui dois autovalores complexos distintos. 1 1 −i i i −i 1 1 0 −1 1 0 i 0 0 −i 1/2 i/2 1/2 − i/2 1/2 i/2 1/2 − i/2 = = = A. 5 − x −0. 6 0. considerando as matrizes P. v1 = (1 . c Solu¸˜o ca Obtendo o polinˆmio caracter´ o ıstico da matriz A. A = P DP −1 . 1 − x) − (−0. a matriz A ´ semelhante ` e e a matriz diagonal D. 75 1. D ∈ M2 (C) dadas por 1 1 −i i i 0 0 −i P = [v1 v2 ] = temos P DP −1 = e D= . 6 x + 1 . e Como a matriz n˜o possui autovalores reais. no caso complexo. 1 − x = (0. isto ´. − i) ´ um autovetor associado ao autovalor λ1 = i. 1 . Mais ainda. 6)(0. 5 − 0. Exemplo 2 Dada a matriz A= 0. No entanto. p(x) = det(xI2 − A) = 0. 6 0. a matriz A ´ diagonaliz´vel quando considerada como matriz e a complexa. 75) = x2 − 1. Portanto. determine os autovalores de A e uma base para cada auto-espa¸o. 75 1.Autovalores complexos ´ MODULO 3 – AULA 29 Assim. ela n˜o ´ diagonaliz´vel a a e a enquanto matriz real.

8 − 0. obtemos ızes o a λ1 = 0. Analogamente. 1 o que nos d´ o sistema linear a (0. CEDERJ 96 . 8 − 0. 6 i.Autovalores complexos Calculando as ra´ desse polinˆmio quadr´tico. 6 i) = λ2 v2 . w) ∈ C n˜o-nulo tal que a Av = λ1 v. basta consic˜ a derar uma das equa¸˜es. Considerando o autovalor λ1 = 0. Como os autovalores s˜o distintos. 75 1. 6 i. 0. 6 0. 5 − 0. cada auto-espa¸o tem dimens˜o 1. 8 + 0. da segunda equa¸ao. 8−0. Assim. 5 − 0. 6 i. 6 i c ´ dada pelo vetor e v1 = −2 − 4 i 5 . 6 i) z − 0. 8 − 0. 8 + 0. 8 i) w. pora c a tanto. as equa¸oes do sistema anterior s˜o dependentes. z w = (0. para o autovalor λ2 = 0. 8 − 0. obtemos o autovetor v2 = pois Av2 = 0. 6 i e λ2 = 0. 1 −4 + 2 i 4 + 3i −2 + 4 i 5 −2 + 4 i 5 −2 + 4 i 5 . 75 1. = = (0. Escolhendo w = 5 (para eliminar a parte decimal). 4 − 0. obtemos z = −2 − 4 i. por exemplo. 2 ou seja. 8 + 0. queremos obter v = (z . uma base para o auto-espa¸o associado ao autovalor λ1 = 0. temos co c˜ z = (− 0. 6 w = 0 0. Assim. 6 i) w = 0 . 8 + 0. 6 0. 75 z + (0. 6 i) z w .

6 i . b ∈ R com a = 0 ou b = 0. Dada a matriz A ∈ Mn (R) com autovalor λ ∈ C. 6 i 0 0 0. Muitos problemas envolvendo c˜ matrizes com autovalores complexos aparecem naturalmente em Engenharia El´trica. apesar disso. 8 + 0. e 97 CEDERJ . onde a . em F´ e ısica e na ´rea de Sistemas Dinˆmicos de um modo geral. Portanto. ¯ 3.Autovalores complexos ´ MODULO 3 – AULA 29 Observe que a matriz A ´ semelhante ` matriz diagonal e a D= λ1 0 0 λ2 = 0. 8 − 0. e Exerc´ ıcios 1. a c nosso objetivo foi apenas o de apresentar a vocˆ alguns exemplos elementares. Auto-avalia¸˜o: ca N˜o ´ nosso objetivo generalizar toda a teoria de diagonaliza¸ao de maa e c˜ trizes reais para o caso complexo. desejamos proporcionar novas ´ e importantes aplica¸oes da Algebra Linear. 2. Essa a a ´ discuss˜o costuma ser feita num curso avan¸ado de Algebra Linear. Determine os autovalores e uma base para cada auto-espa¸o da matriz c 1 −2 1 3 A= . mostre que λ tamb´m e ´ autovalor da matriz A. Calcule os autovalores e autovetores da matriz A= a −b b a .

.

Esses exerc´ ıcios o ajudar˜o a consolidar os a conceitos apresentados nas aulas anteriores. se necess´rio. tal que D = P t A P . 1) e P2 = c˜ (1 . n˜o ca e a hesite em procurar ajuda de seu tutor. B ∈ Mn (R). com b = 0. Caso vocˆ n˜o consiga resolver algum exerc´ e a ıcio. b ∈ R. isto ´. Pr´-requisitos: Aulas 17 a 29. c. e e e 5. e 4. A nossa orienta¸˜o ´ que vocˆ primeiro tente resolver cada um dos ca e e exerc´ ıcios. Dados a. s´ a co o depois de obtida a sua pr´pria solu¸ao. usando. Determine o valor  1  A= 2 3 das constantes a. as anota¸˜es das aulas anteriores. e Nas pr´ximas aulas apresentaremos uma s´rie de exerc´ o e ıcios resolvidos sobre a segunda parte do curso. Se vocˆ ainda tiver dificuldade. B ∈ Mn (R) tal que A uma ´ matriz sim´trica. e b a 99 CEDERJ . e e t verifique que B A B ´ uma matriz sim´trica. n˜o se aflija. Exerc´ ıcios 1. 1) sobre o plano x + y − z = 0. d ∈ R para que    a+b b 5 b − c 2d + 3    0 4  e B= 3 5 1  4 3 d b+c 0 sejam matrizes sim´tricas.Exerc´ ıcios resolvidos – 3a Parte ´ MODULO 3 – AULA 30 Aula 30 – Exerc´ ıcios resolvidos – 3a Parte Objetivo: • Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29. com respeito ` base canˆnica. compar´-la com a solu¸˜o apresentada o c˜ a ca aqui. Dadas as matrizes A. Determine as proje¸oes ortogonais dos pontos P1 = (1 . 2. leia a atentamente a solu¸˜o correspondente. 1 . 3. mostre que AB + BA e tamb´m ´ uma matriz sim´trica. e e 6. encontre uma matriz ortogonal P que a b diagonaliza a matriz A = . b. Dadas as matrizes sim´tricas A. e. 0 . da proje¸˜o ortogoa o ca nal sobre a reta y = x. Determine a matriz.

1) e v2 = (2 . Seja T : R3 → R3 um operador auto-adjunto com autovalores associados λ1 = 3 e λ2 = 4.    3 1 0 0 3 1 0 0   1 3 0 0  1 3 0 0     b) A =  0 0 2 1 a) A =     0 0 0 0    0 0 1 2 0 0 0 0 0 0 1 1 Solu¸˜o ca 1. Para cada matriz abaixo. CEDERJ 100 . Sejam: √ √ u1 = (1 2 . e u2 = a a √ √ (−1 2 . 8. 1 2) um vetor unit´rio normal ` reta y = x. 1 2) vetor unit´rio paralelo ` reta y = x. suponha que v1 = (1 .Exerc´ ıcios resolvidos – 3a Parte 7. determine uma matriz matriz diagonal D tais que A = P DP t . ca como ilustra a Figura 30. 1 .1 ortogonal P e uma 0 0 1 1 2         Figura 30.1: A proje¸˜o ortogonal sobre a reta y = x e a base ortonormal β. Determine um a autovetor associado ao autovalor λ2 = 4 e uma base ortonormal de autovetores de T . Denotamos por T : R2 → R2 a proje¸˜o ortogonal sobre a reta y = x. temos que B = [T ]β = 1 0 0 0 . 0 . ca Vamos primeiro determinar uma matriz que representa T com respeito a uma base ortonormal β = {u1 . 1) s˜o dois autovetores associados ao autovalor λ1 = 3. u2 }. a a Como T (u1 ) = u1 = 1 · u1 + 0 · u2 e T (u2 ) = 0 = 0 · u1 + 0 · u2 .

a matriz A que representa T com respeito ` base canˆnica ´ a o e dada por A = P B P −1 . √ √ Considere os seguintes vetores: u1 = (1 2 . 101 CEDERJ . A = P B P −1 √ √ 1 2 −1 2 √ √ = 1 2 1 2 1/2 1/2 1/2 1/2 √ √ 1 2 1 2 √ √ −1 2 1 2 . 2. 2 6 . Veja a Figura 30. Novamente. temos que e P −1 = P t = portanto. u2 . 1 0 0 0 = . precisamos determinar a matriz A que representa essa proje¸ao c˜ com respeito ` base canˆnica.2: Uma base ortonormal β. onde P = [u1 u2 ] = √ √ 1 2 −1 2 √ √ 1 2 1 2 √ √ 1 2 1 2 √ √ −1 2 1 2 . vamos primeiro obter a a o matriz que representa T com respeito a uma base ortonormal β = {u1 . 1 2) um vetor √ √ √ unit´rio paralelo ao plano π. 1 6) um vetor a √ √ √ unit´rio ortogonal a u1 e paralelo ao plano π e u3 = (1 3 . Seja T : R3 → R3 a proje¸ao ortogonal sobre o plano π : x + y − c˜ z = 0.2 Figura 30. −1 3) a um vetor unit´rio normal ao plano π. 0 .Exerc´ ıcios resolvidos – 3a Parte ´ MODULO 3 – AULA 30 Assim. u2 = (−1 6 . Como P ´ uma matriz ortogonal. u3 }. a Como T (u1 ) = u1 = 1 · u1 + 0 · u2 + 0 · u3 . 1 3 .

1/3 1/3 2/3 Assim. 0 0 0  Assim.Exerc´ ıcios resolvidos – 3a Parte T (u2 ) = u2 = 0 · u1 + 1 · u2 + 0 · u3 . temos que  1 0 0   B = [T ]β =  0 1 0  . onde P = [u1 u2 √ √  2 −1 6 1 3 √ √   u3 ] =  0 2 6 1 3 . √ √ √ 1 2 1 6 −1 3  1 √ Como P ´ uma matriz ortogonal. √ √ √ 1 2 1 6 −1 3 0 0 0 √ √  1 2 0 1 2 √ √  √  . temos que e  √ √  1 2 0 1 2 √ √ √   P −1 = P t =  −1 6 2 6 1 6  .  −1 6 2 6 1 6  √ √ √ 1 3 1 3 −1 3  2/3 −1/3 1/3   =  −1/3 2/3 1/3  . √ √ √ 1 3 1 3 −1 3 portanto A = P B P −1   √ √ √  1 2 −1 6 1 3 1 0 0 √ √    = 0 2 6 1 3  0 1 0 . s˜o obtidas por multiplica¸ao de matrizes: a c˜ CEDERJ 102   . a matriz A que representa T com respeito ` base canˆnica ´ a o e dada por A = P B P −1 . sob a a¸ao da proje¸˜o orc˜ ca togonal sobre o plano π. e T (u3 ) = 0 = 0 · u1 + 0 · u2 + 0 · u3 . as imagens dos pontos P1 e P2 .

ainda. Portanto. Assim. Lembre que uma matriz A ´ sim´trica se e e para a matriz  1 a+b  A= 2 0 3 4 temos A = At se e somente  1 a+b   2 0 3 4 se e somente se A = At . e (AB + BA)t = (AB)t + (BA)t = B t At + At B t = BA + AB = AB + BA . 1/3 . 3.  3 5 d b+c 0 2d + 3 1 0 ou seja. ou. Sendo A e B matrizes sim´tricas. a = −1 e b = 3. se e somente se a + b = 2 e b = 3. 2/3) e A P2 = (2/3 . 1 Portanto. se e somente se b − c = 3 . 4. ainda. temos A = At e B = B t . c = −1 e d = −3. ou. 2/3  2/3  2/3  . a AB + BA tamb´m ´ uma matriz sim´trica. b 4 3 3 ou seja. b = 2 . 2/3 . e e e 103 CEDERJ . 3    1 2 3 b    4  =  a + b 0 4 . b + c = 1 e 2d + 3 = d. d b+c 0  temos B = B t se e somente se     5 b − c 2d + 3 5 3 d     1  =  b − c 5 b + c . 1). temos A P1 = (1/3 .  b  4 .Exerc´ ıcios resolvidos – 3a Parte ´ MODULO 3 – AULA 30 2/3 −1/3 1/3  A P1 =  −1/3 2/3 1/3 1/3 1/3 2/3  2/3 −1/3 1/3  A P2 =  −1/3 2/3 1/3 1/3 1/3 2/3     0     0 = 1    1     1 = 1  1/3  1/3  . Para a matriz  5 b − c 2d + 3   B= 3 5 1 . Portanto.

1 2). ent˜o todo autovetor u2 = (x . Portanto. 1 2). B t AB tamb´m ´ uma matriz sim´trica. agora. y) ∈ R2 ase e a sociado ao autovalor λ2 = a − b ´ ortogonal ao vetor u1 . Vamos. Portanto. Seu polinˆmio caracter´ o ıstico ´ e dado por p(x) = det(A − xI2 ) a − x −b −b a−x = = (a − x)2 − (−b)2 = x2 − 2ax + (a2 − b2 ) . Lembre que as colunas de P s˜o autovetores a unit´rios da matriz A. De fato. y) √ √ que seja vetor unit´rio ´ dada por u1 = (1 2 . segue a que λ1 = λ2 . ao c´lculo dos autovetores. Como A ´ matriz sim´trica. Como b = 0. a matriz P = [u1 u2 ] = √ √ 1 2 −1 2 √ √ 1 2 1 2 CEDERJ 104 . e √ √ podemos escolher u2 = (−1 2 . Portanto. Como λ1 = λ2 a e e a matriz A ´ sim´trica. y) ∈ R2 que e satisfaz (A − λ1 I2 ) u1 = 0. Assim. O autovetor a associado ao autovalor λ1 = a + b ´ um vetor u1 = (x . −b b b −b x y = 0 0 . precisamos calcular os autovalores e a os respectivos autovetores da matriz A. existe uma matriz ortogonal P que die e agonaliza a matriz A. Como b = 0. logo. temos que (B t AB)t = B t At (B t )t = B t AB. e e e 6.Exerc´ ıcios resolvidos – 3a Parte 5. ou seja. Assim. uma escolha de u1 = (x . os autovalores s˜o λ1 = a + b e λ2 = a − b. obtemos x = y.

2). dada por: u1 = w || w|| −1 5 2 = ( √ . v3 ´ paralelo ao vetor v1 × v2 . u3 }. √ ). e a 7. Normalizando esses vetores. 1 . || v2 || 5 5 v3 1 1 −1 = ( √ . Seja v3 ∈ R3 um autovetor associado ao autovalor λ2 = 4. logo. v3 e um novo vetor w. por exemplo. consideramos os vetores v2 . √ . (1 . isto ´. devemos ter v3 ortogonal a v1 e v2 . portanto. || v3 || 6 6 6 105 u3 = CEDERJ . Observe que para os autovetores v1 e v2 associados ao autovalor λ1 = 3 temos v1 . Para construir uma base a a ortogonal de autovetores. 5 .Exerc´ ıcios resolvidos – 3a Parte ´ MODULO 3 – AULA 30 diagonaliza a matriz A. Como T ´ um operador auto-adjunto e os vetores v1 e v2 s˜o linearmente e a independentes. com w ortogonal a v2 e v3 . u2 . v2 = (2 . 0 . v1 e v2 n˜o s˜o ortogonais entre si. 1 . Como estamos em R3 . −2). 30 30 30 u2 = v2 2 1 = ( √ . √ ). 0 . w = v2 × v3 = (−1 . obtemos uma base ortonormal de autovetores β = {u1 . √ . 1). podemos considerar e v3 = v1 × v2 = (1 . √ ). e D = P tA P √ √ 1 2 1 2 √ √ −1 2 1 2 a+b 0 0 a−b a b b a √ √ 1 2 −1 2 √ √ 1 2 1 2 = = ´ uma matriz diagonal semelhante ` matriz A. 1) =2·1+0·1+1·1 = 3 = 0.

calcular uma base ortonormal de autovetores de A. e e • λ3 = 4. sabemos que os autovetores associados v = (x . seus autovalores s˜o: a • λ1 = 0. t) ∈ R4 satisfazem (A − 0 · I4 )v = 0 Av = 0 isto ´. Para o autovalor λ1 = 0. agora.Exerc´ ıcios resolvidos – 3a Parte 8. t arbitr´rios. com multiplicidade alg´brica 2. com multiplicidade alg´brica 1. satisfazem o e  3  1    0 0 sistema linear homogˆneo e    0 x 1 0 0  y   0 3 0 0     = 0 0 0  z   0 0 t 0 0 0    . a . e • λ2 = 2.  Escalonando a matriz associada desse sistema linear.  seu polinˆmio caracter´ o ıstico ´ dado por e p(x) = det(A − xI4 ) 3−x 1 0 0 1 3−x 0 0 0 0 −x 0 0 0 0 −x = = x2 (x2 − 6x + 8) = x2 (x − 2)(x − 4) . a) Sendo    A=  3 1 0 0 1 3 0 0 0 0 0 0 0 0 0 0    . Logo. com multiplicidade alg´brica 1. y . CEDERJ 106 y = 0 e z. a pr´pria matriz A. z . obtemos as solu¸oes o c˜ x = 0. e Vamos. no caso.

isto ´. a 107 CEDERJ . com x arbitr´rio. 0. escolhendo x = 1 obtemos que u3 = √ 2 e. 0 . comx arbitr´rio.Exerc´ ıcios resolvidos – 3a Parte ´ MODULO 3 – AULA 30 Portanto. z . t) ∈ R4 satisfazem (A − 2 · I4 )v = 0. 1) formam uma base ortonormal do auto-espa¸o associado ao autoc valor λ1 = 0. obtemos que u1 = (0 . 1 . os autovetores associados v = (x .  Escalonando a matriz associada desse sistema linear. satisfazem e  1  1    0 0 o sistema linear homogˆneo e    x 1 0 0  y   1 0 0     = 0 −2 0   z   t 0 0 −2 0 0 0 0    . para o autovalor λ3 = 4. z . sabemos que os autovetores associados v = (x . 0 2 2 forma uma base ortonormal do auto-espa¸o associado ao autovalor c λ2 = 2. obtemos as solu¸oes c˜ y = x e z = t = 0. Para o autovalor λ2 = 2.  Escalonando a matriz associada desse sistema linear. satisfazem o sistema linear homogˆneo e     x −1 1 0 0  1 −1 0  y   0       =  0 0 −4 0   z   t 0 0 0 −4 0 0 0 0    . y . √ . 1 −1 √ . e ora z = 0. 0) u2 = (0 . escolhendo ora z = 1. 0 . a Portanto. t) ∈ R4 satisfazem (A − 4 · I4 )v = 0. t = 1. y = −1 u √ 2. obtemos as solu¸oes c˜ y = −x e z = t = 0. y . 0 . Finalmente. t = 0. ou seja. conseq¨entemente.

Exerc´ ıcios resolvidos – 3a Parte Portanto. Portanto.  P = [u1 u2 u3   u4 ] =   √  √ 0 1 2 1 2 √ √ 0 −1 2 1 2   . 1 1 √ .    CEDERJ 108 . y = 1 u √ 2. u2 .  0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 4 satisfazem A = P DP t . u4 } ´ uma base ortonormal de R4 formada por e autovetores da matriz A. 0 0 0  1 0 0 0 0 1 0 e a matriz diagonal D. Assim. escolhendo x = 1 obtemos que u4 = √ 2 e.    D=     . Como a matriz A ´ sim´trica. b) No caso     A=    3 1 0 0 0 1 3 0 0 0 0 0 2 1 1 0 0 1 2 1 0 0 1 1 2     . β = a {u1 . 0. conseq¨entemente. u3 . a matriz ortogonal P . observe que os autovetores e e associados a autovalores distintos s˜o ortogonais. 0 2 2 forma uma base ortonormal do auto-espa¸o associado ao autovalor c λ3 = 4. √ .

os autovalores da matriz A s˜o: a • λ1 = 1. calcular uma base ortonormal de autovetores de A.Exerc´ ıcios resolvidos – 3a Parte ´ MODULO 3 – AULA 30 seu polinˆmio caracter´ o ıstico ´ dado por e p(x) = det(xI5 − A) x−3 −1 0 0 0 −1 x−3 0 0 0 0 0 x−2 −1 −1 0 0 −1 x−2 −1 0 0 −1 −1 x−2 = = x − 3 −1 −1 x−3 · x − 2 −1 −1 −1 x − 2 −1 −1 −1 x−2 = (x2 − 6x + 8)(x3 − 6x2 + 9x − 4) = (x − 1)2 (x − 2)(x − 4)2 . com multiplicidade alg´brica 1. s) ∈ R5 satisfazem (A − 2 · I5 )v = 0. a 109 CEDERJ . com multiplicidade alg´brica 2. com multiplicidade alg´brica 2. sabemos que os autovetores associados v = (x . obtemos as solu¸oes c˜ x = 0. z = −t − s com t e s arbitr´rios. isto ´. e Vamos. t .    Escalonando a matriz associada desse sistema linear. y . z . Logo. y = 0. e e • λ3 = 4. satisfazem o sistema linear homogˆneo e e     x −2 −1 0 0 0      −1 −2 0 0 0  y        0 0 −1 −1 −1   z  =          0 −1 −1 −1   t    0 s 0 0 −1 −1 −1 0 0 0 0 0     . Para o autovalor λ1 = 1. agora. e • λ2 = 2.

e) associado ao autovalor λ1 = 1 e que seja ortogonal a v1 . 1 . com x arbitr´rio. 0 . 0). CEDERJ 110 . t . c˜ e Assim. devemos ter   a=b=0  c+d+e=0   c − e = 0. 0 . v2 } ´ uma base ortogonal do auto-espa¸o associado a e c λ1 = 1. os autovetores associados v = (x . c . {v1 . 0 . 0 . −2 . 0 . Uma ´ ca ca solu¸ao desse sistema linear ´ dada por v2 = (0 . 1 . para o autovalor λ3 = 4. sendo que a ultima equa¸˜o segue da condi¸˜o v1 .Exerc´ ıcios resolvidos – 3a Parte Portanto. s) ∈ R5 satisfazem (A − 4 · I5 )v = 0. obtemos o autovetor v1 = (0 . obtemos as solu¸oes c˜ y = −x e z = t = 0. d . escolhendo t = 0 e s = −1. Para o autovalor λ2 = 2.    Escalonando a matriz associada desse sistema linear. −1 . b . c Finalmente. sabemos que os autovetores associados v = (x . a Portanto. v2 = 0. s) ∈ R5 satisfazem (A − 2 · I5 )v = 0. y . z . 1). satisfazem o sistema linear homogˆneo e e     −1 −1 0 0 0 x      −1 −1 0 0 0  y        0 0 0 −1 −1   z  =          0 −1 0 −1   t    0 0 0 −1 −1 0 s 0 0 0 0 0     . Para obter um segundo autovetor v2 = (a . isto ´. z . escolhendo x = 1. t . −1). que forma uma base do auto-espa¸o associado ao autovalor λ2 = 2. obtemos o autovetor v3 = (1 . y .

0 . 0 . Normalizando os vetores dessa base. 0) e v5 = (0 . −2 √ 6 . v4 . e eles formam uma base ortogonal para o auto-espa¸o associado ao autovalor λ3 = 4. obtemos as solu¸oes c˜ y = x. . 1). . a matriz ortogonal P . c Assim.  √ √    0 −2 6 0 0 1 3   √ √ √ 0 0 1 3 −1 2 1 6 111 CEDERJ . v5 } ´ uma base ortogonal de R5 formada e por autovetores da matriz A. 1 √ 3 1 √ 2 1 √ 6 . 0.    Escalonando a matriz associada desse sistema linear. 0. u2 = 0 . {v1 . 0. 1 . √ 2 . com x e z arbitr´rios. 0. 0 . 0 . u2 . 1 . v3 . u3 = u4 = e u2 = 0 . Observe.Exerc´ ıcios resolvidos – 3a Parte ´ MODULO 3 – AULA 30 ou seja. u4 . . obtemos −1 1 u1 = 0 . s = z e t = z. Portanto. 0 . v2 . que β = {u1 . −1 √ 2 . u5 } ´ uma base ortoe 5 normal de R formada por autovetores da matriz A. 1 √ 3 . 1 . . 0 .   √ √ 0 0 1 2 1 2 0 √ √    0  0 0 −1 2 1 2  √ √ √  P = [u1 u2 u3 u4 u5 ] =  1 2 1 6 0 0 1 3 . u3 . 1 √ 6 . 0 . agora. √ 2 . 0 . 1 √ 3 1 √ 2 1 √ 2 . obtemos os seguintes autovetores associados ao autovalor λ3 = 4: v4 = (1 . a Agindo como no caso do autovalor λ1 = 1. satisfazem o  1 −1   −1 1   0 0   0  0 0 0 sistema linear homogˆneo e    0 0 0 x    0 0 0  y      2 −1 −1   z  =        −1 2 −1   t   −1 −1 2 s 0 0 0 0 0     . 0 .

Lembre que a ordem dos elementos da diagonal principal da matriz D depende da ordem das colunas da matriz ortogonal P e vice-versa.Exerc´ ıcios resolvidos – 3a Parte e a matriz diagonal D. CEDERJ 112 .     D=    1 0 0 0 0 0 1 0 0 0 0 0 2 0 0 0 0 0 4 0 0 0 0 0 4     .    satisfazem A = P DP t .

x2 . 2 . v) = u . x3 . x2 . x3 ) = x2 + x2 − x2 + 2 x1 x2 − 3 x1 x3 + x2 x3 3 2 1 113 CEDERJ . −2). u2 = (1 . Uma discuss˜o entre alunos e tutor a sobre as solu¸˜es encontradas ´ sempre muito proveitosa. com respeito ` base canˆnica. Para cada caso abaixo. a leia atentamente a solu¸ao correspondente e. a · v . e Nesta aula. x4 ) = x2 + x2 + 3 x2 + x2 + 2 x1 x2 + 4 x1 x3 + 6 x2 x3 + 4 3 2 1 7 x1 x4 − 2 x2 x4 c) q(x1 . Mais uma vez. v) = u . as anota¸oes das aulas anteriores. compar´-la com a solu¸ao apreo o ca a c˜ sentada aqui. onde a matriz a A ´ uma matriz sim´trica. Caso vocˆ n˜o consiga resolver algum exerc´ e a ıcio. e e a) q(x1 . determine a matriz que representa a forma bilinear com respeito ` base ordenada especificada. u1 = (−2 . se necess´rio. v com respeito ` a base β = {u1 . b) F : R2 × R2 → R dada por F (u . 1). 1 . b . 0 . u2 . n˜o c˜ a hesite em procurar ajuda de seu tutor.Exerc´ ıcios resolvidos – 4a Parte ´ MODULO 3 – AULA 31 Aula 31 – Exerc´ ıcios resolvidos – 4a Parte Objetivo: • Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29. a c˜ e. s´ depois de obtida a sua pr´pria solu¸˜o. 1) e u3 = (0 . com a . co e Exerc´ ıcios 1. u3 }. se ainda tiver dificuldade. n˜o se aflija. x2 ) = 3 x2 + 7 x2 2 1 b) q(x1 . Estes exerc´ ıcios o ajudar˜o a consolidar a os conceitos apresentados nas aulas anteriores. ressaltamos que vocˆ deve primeiro tentar resolver cada e um dos exerc´ ıcios. usando. Expresse as formas quadr´ticas abaixo na forma vt A v. b ∈ R2 . Pr´-requisitos: Aulas 17 a 30. a o 2. vamos dar continuidade ` apresenta¸ao de exerc´ a c˜ ıcios resolvidos sobre a segunda parte do curso. a a) F : R3 × R3 → R dada por F (u .

1)}. c) Determine a matriz mudan¸a de base P . y) = 2xy b) q(x . Identifique as qu´dricas representadas pelas equa¸˜es abaixo. . . c2 . Identifique as cˆnicas representadas pelas equa¸oes abaixo. Em cada a co caso. (1 . . xn ) = (c1 x1 +c2 x2 +· · ·+cn xn )2 . a) Determine a matriz A que representa F com respeito ` base α = a {(1 . determine a matriz ortogonal que diagonaliza a forma quadr´tica. Em cada o c˜ caso. 3. . x2 ). y2 )) = 2x1 y1 − 3x1 y2 + x2 y2 . 1) . y . . a a) 2x2 + 5y 2 = 20 b) x2 − 16y 2 + 8x + 128y = 256 c) 4x2 − 20xy + 25y 2 − 15x − 6y = 0 5. (1 . determine a matriz ortogonal que diagonaliza a forma quadr´tica.Exerc´ ıcios resolvidos – 4a Parte d) q(x1 . z) = 2xy + 2xz + 2yz Em cada caso. . b) Determine a matriz B que representa F com respeito ` base β = a {(2 . a 4. CEDERJ 114 . Seja F a forma bilinear de R2 definida por F ((x1 . x2 . da base α para a base β. determine a matriz ortogonal que diagonaliza a forma quadr´tica. 0) . Diagonalize as seguintes formas quadr´ticas: a a) q(x . . −1)}. . (y1 . c e verifique que B = P t A P . cn ∈ R. a a) 2xy + 2xz + 2yz − 6x − 6y − 4z = −9 √ √ b) 2xy − 6 2 x + 10 2 y + z − 31 = 0 6. x2 ) = −7x1 x2 e) q(x1 . com c1 .

0) . −2) . (−2 . 1) (1 . a o temos: a11 a12 a21 a22 = F (e1 . u3 . (1 . 1) (0 . uj ). 0) . 1) . (0 . = 5. A= a1 b1 a1 b2 a2 b1 a2 b2 . e2 . (b1 . 0) . (0 . = 0. e e b) Sejam a = (a1 . a matriz A ´ dada por e  5 −1 −2   A =  −1 6 0 . 0 . = F (u3 . 1 . 1) . 1) (1 . a2 ) a2 ) a2 ) a2 ) · · · · (1 . = a2 b2 . −2 0 5  Observe que A ´ uma matriz sim´trica. = F (e2 . (a1 . 1) . = F (e1 . 1 . u3 . 1 . (−2 . (0 . 1) . = F (u3 . 2 . 1 . e2 . 1) . a2 ) e b = (b1 . = F (u2 . em geral. (1 . u3 } ´ dada pela matriz a e A = (aij ). 0 . (a1 . b b b b = = = = (1 . 0 . (a1 . 1) (−2 . e2 . −2) = 5. (b1 . u2 . u3 . = F (e2 . = a1 b2 . (a1 . 1) (0 . = 0. (1 . b2 ) b2 ) b2 ) b2 ) = a1 b1 . = −1. (b1 . Observe que. 0 . a e e 115 CEDERJ . −2) (0 .Exerc´ ıcios resolvidos – 4a Parte ´ MODULO 3 – AULA 31 Solu¸˜o ca 1. 2 . = F (u2 . (0 . 2 . v) = u . (−2 . e1 ) e2 ) e1 ) e2 ) = = = = e1 . 1 . b2 ) vetores com respeito ` base a canˆnica. 2 . u2 . u2 . −2) . u2 . (b1 . Assim. = −2. −2) . 1) . = F (u3 . Assim. 0 . 1) . u1 . 2 . 1) . temos: a11 a12 a13 a21 a22 a23 a31 a32 a33 = F (u1 . na qual a matriz que representa a forma bilinear com respeito ` base β = {u1 . e1 . onde aij = F (ui . a matriz A n˜o ´ uma matriz sim´trica. 2 . = 6. Portanto. (0 . a · v . (1 . 0) . 1) . = a2 b1 . (0 . b com respeito ` base canˆnica. (1 . = −1. e2 . u1 ) u2 ) u3 ) u1 ) u2 ) u3 ) u1 ) u2 ) u3 ) = = = = = = = = = u1 . 1 . Neste caso. 1) (−2 . u1 . 1) . Seja A = (aij ) a matriz que representa a forma bilinear o F (u . = F (u2 . −2) (1 . u1 u2 u3 u1 u2 u3 u1 u2 u3 = = = = = = = = = (−2 . a a a a · · · · e1 . 0 . = F (u1 . = −2. a) Lembre-se da Aula 25. = F (u1 . e1 . (0 .

temos: a) q(x1 . x3 ) = (x1 x2 x3 )  1 1 1/2   x2  −3/2 1/2 −1 x3  = x2 + x2 − x2 + 2 x1 x2 − 3 x1 x3 + x2 x3 1 2 3 d) q(x1 . .. .Exerc´ ıcios resolvidos – 4a Parte 2. x2 ) = (x1 x2 ) e) q(x1 . x3 . . . x2 ) = (x1 x2 ) b)    q(x1 . . . . x2 . Como foi visto na Aula 26. . . 2 xn · · · cn         0 −7/2 −7/2 0 x1 x2 = −7x1 x2 = (x1 x2 CEDERJ 116 . c1 cn c2 cn c3 cn   x1 · · · c1 cn   · · · c 2 c n   x2   · · · c 3 c n   x3   . .   . . xn ) = (c1 x1 + c2 x2 + · · · + cn xn )2 = = c2 x2 + c2 x2 + · · · + c2 x2 + 2 c1 c2 x1 x2 + 2 c1 c3 x1 x3 + · · · n n 2 2 1 1 · · · + 2 cn−1 cn xn−1 xn     · · · xn )     c2 c1 c2 c1 c3 1 c1 c2 c2 c2 c3 2 c1 c3 c2 c3 c2 3 . x4 ) = (x1 x2 x3 x4 )   1 1 1 2 2 3 7/2 −1  x1 2 7/2  x 3 −1   2  3 0   x3 x4 0 1      3 0 0 7 x1 x2 = 3x2 + 7x2 1 2 = x2 + x2 + 3 x2 + x2 + 2 x1 x2 + 4 x1 x3 + 6 x2 x3 + 7 x1 x4 − 2 x2 x4 1 2 3 4 c)   x1 1 1 −3/2    q(x1 . .   . .. x2 . . . . x2 .

obtemos e 117 CEDERJ . a) Observando os coeficientes de q. vemos que a matriz A que representa q na base canˆnica ´ dada por o e   0 1 1   A =  1 0 1 . vemos que a matriz A que representa q na base canˆnica ´ dada por o e A= 0 1 1 0 . os autovalores da matriz A c˜ e s˜o λ1 = 1 e λ2 = −1. Diagonalizar a forma quadr´tica q ´ equivalente a diagonalizar a a e matriz sim´trica A. y1 ) = (x1 y1 ) 1 0 0 −1 x1 y1 2 = x2 − y 1 . 1 b) Observando os coeficientes de q.Exerc´ ıcios resolvidos – 4a Parte ´ MODULO 3 – AULA 31 3. e u1 = 1 2 √ −1 2 √ u2 = autovetor associado ao autovalorλ2 = −1. Usando os procedimentos j´ conhecidos sobre e a diagonaliza¸ao de matrizes sim´tricas. Efetuando os c´lculos. 1 2 Como {u1 . que representa uma rota¸˜o de π/4 radianos. obtemos e ıcio e √ 1 2 √ autovetor associado ao autovalor λ1 = 1. deixamos a c˜ e os detalhes dos c´lculos como um exerc´ a ıcio para vocˆ. o a que ´ um exerc´ para vocˆ. ent˜o a P = [u1 u2 ] = √ √ 1 2 −1 2 √ √ 1 2 1 2 . A matriz P ser´ obtida a partir de uma a a base ortonormal de autovetores de A. onde D = P t A P . u2 } forma uma base ortonormal de R2 . 1 1 0 Procedendo ` diagonaliza¸ao da matriz sim´trica A. Observe que a forma diagonal de q ´ dada por e q(x1 . e a matriz diagonal ca correspondente ser´ a D= 1 0 0 −1 .

y) = 2x2 + 5y 2 n˜o cont´m tera a e mos em xy. A forma diagonal de q ´ dada por e    x1 −1 0 0    q(x1 . obtemos a  √  1 6 √   u1 =  −2 6  autovetor associado ao autovalor λ1 = −1. √ 1 3 Como {u1 . z1 ) = (x1 y1 z1 )  0 −1 0   y1  z1 0 0 2 2 2 2 = −x1 − y1 + 2 z1 . c˜ 4. o √ 10 e 2. Como P ´ uma matriz ortogonal e det(P ) = 1. a) Como a forma quadr´tica q(x . e A matriz mudan¸a de vari´vel P ser´ obtida a partir de uma base c a a ortonormal de autovetores de A. √ 1 6  √  1 2   u2 =  0  autovetor associado ao autovalorλ1 = −1. e λ2 = 2. y1 . u3 } forma uma base ortonormal de R3 . 0 0 2 onde D = P t A P . ent˜o a  √ √ √  1 6 1 2 1 3 √  √  P = [u1 u2 u3 ] =  −2 6 0 1 3  √ √ √ 1 6 −1 2 1 3 ´ uma matriz ortogonal e a matriz diagonal correspondente ser´ e a   −1 0 0   D =  0 −1 0  .Exerc´ ıcios resolvidos – 4a Parte os autovalores λ1 = −1. ent˜o P ´ uma e a e 3 rota¸ao em R . com multiplicidade alg´brica 2. Veja a Figura 31. √ −1 2  √  1 3  √  u3 =  1 3  autovetor associado ao autovalorλ2 = 2. 10 4 e. Podemos c˜ o a a escrevˆ-la na forma e x2 y 2 + = 1. Efetuando os c´lculos. da´ identificar a cˆnica como uma elipse de semi-eixos ı. a equa¸ao da cˆnica j´ est´ diagonalizada.1. CEDERJ 118 . u2 .

2. no sistema de ca o coordenadas x1 y1 . e Figura 31. 119 CEDERJ . ela j´ se encontra diagonalizada. em 2 x2 y1 1 − = 1.Exerc´ ıcios resolvidos – 4a Parte ´ MODULO 3 – AULA 31 Figura 31. a equa¸˜o que representa a cˆnica se transforma. restando apenas completar os a quadrados em x e y: (x2 + 8x) − 16(y 2 − 8y) (x + 4)2 − 16 − 16 [(y − 4)2 − 16] (x + 4)2 − 16(y − 4)2 (x + 4)2 (y − 4)2 − 16 1 Efetuando a transla¸˜o ca x1 = x + 4 y1 = y − 4 .1: A elipse x2 10 + y2 4 = 1. obtemos vt A v + Bv = 0. c) Reescrevendo a cˆnica 4x2 − 20xy + 25y 2 − 15x − 6y = 0 na forma o matricial. Podemos identificar a hip´rbole na Figura 31. 16 1 = 256 = 256 = 16 =1.2: A hip´rbole e x2 1 16 − 2 y1 1 = 1. b) Como a equa¸˜o x2 −16y 2 +8x+128y = 256 n˜o cont´m termos em ca a e xy.

onde P t AP = D 1 = (x1 y1 ) 2 = 29y1 . A matriz A ´ a matriz sim´trica que representa a forma quadr´tica e e a 2 2 q(x . e substituindo v = P v1 em vt A v. Como det(P ) = 1. x y ∈ R2 . e os autovetores normalizados s˜o a a u1 = u2 = √ 5 29 √ autovetor associado ao autovalor λ1 = 0. e 2 29 √ −2 29 √ autovetor associado ao autovalorλ2 = 29. y) = 4x − 20xy + 25y com respeito ` base canˆnica. obtemos vt A v = (P v1 )t A (P v1 ) = vt (P t AP )v1 1 = vt D v1 . ca Considerando v= x y e v1 = x1 y1 . a matriz ortogonal P representa uma rota¸˜o em R2 . e a matriz diae gonal correspondente ser´ a D= 0 0 0 29 . u2 } forma uma base ortonormal de R2 . N˜o a o a ´ dif´ ver – os c´lculos ficam para vocˆ – que os autovalores da e ıcil a e matriz A s˜o λ1 = 0 e λ2 = 29. ent˜o a √ √ 5 29 −2 29 √ √ P = [u1 u2 ] = 2 29 5 29 ´ a matriz ortogonal que diagonaliza a matriz A. 5 29 Como {u1 . com D = P t A P .Exerc´ ıcios resolvidos – 4a Parte onde v= A= 4 −10 −10 25 e B = (−15 − 6 ). 0 0 0 29 x1 y1 CEDERJ 120 .

Veja a ca a Figura 31. y1 √ x1 Figura 31. onde  x   v =  y . x1 = 29 2 y . 121 CEDERJ .Exerc´ ıcios resolvidos – 4a Parte ´ MODULO 3 – AULA 31 A forma linear se transforma em Bv = B(P v1 ) = BP v1 = (−15 − 6) √ √ 5 29 −2 29 √ √ 2 29 5 29 x1 y1 x1 y1 √ = (−3 29 0 ) √ = −3 29 x1 . 3 a) Reescrevendo a equa¸ao 2xy + 2xz + 2yz − 6x − 6y − 4z = −9 na c˜ forma matricial. temos vt A v + B v = −9.3: A par´bola x1 = a 5. Substituindo √ 2 vt A v = 29y1 e Bv = −3 29 x1 em vt A v + Bv = 0. z   0 1 1   A =  1 0 1  e B = (−6 1 1 0  −6 − 4).3. 3 1 onde identificamos facilmente a equa¸˜o de uma par´bola. √ 29 2 y1 . ainda. ou. obtemos √ 2 29y1 − 3 29 x1 = 0.

Exerc´ ıcios resolvidos – 4a Parte A matriz A j´ foi diagonalizada no exerc´ 3b. √ 1 3 √ 1 3 √ 1 3 Como {u1 . obtemos vt A v = (P v1 )t A (P v1 ) = vt (P t AP )v1 1 = vt D v1 . u2 . c˜ Considerando     x1 x     v =  y  e v1 =  y1  . u3 } forma uma base ortonormal  √ √ 1 6 1 2 √  P = [u1 u2 u3 ] =  −2 6 0 √ √ 1 6 −1 2 ´ a matriz ortogonal que diagonaliza e gonal correspondente ser´ a  −1 0  D =  0 −1 0 0 Vale tamb´m que D = P t A P . 2 Observe que det(P ) = 1. z1 z e substituindo v = P v1 em vt A v. 1 CEDERJ 122 =D   0 x1   0   y1  z1 2 . logo P representa uma rota¸ao em R3 . Encontramos: a ıcio  √  1 6 √   u1 =  −2 6  autovetor associado ao autovalor λ1 = −1. e temos que    a matriz A. √ −1 2  √  1 3  √  u3 =  1 3  autovetor associado ao autovalor λ2 = 2. √ 1 6   u2 =  1 √ 0 2    autovetor associado ao autovalor λ1 = −1. √ 1 3 de R3 . onde P t AP 1  −1 0  = (x1 y1 z1 )  0 −1 0 0 2 2 = −x2 − y1 + 2z1 . e a matriz dia 0  0 .

obtemos Bv = B(P v1 ) = BP v1 = (−6 −6  √ √ √  1 6 1 2 1 3 x1 √ √    − 4)  −2 6 0 1 3   y1  √ √ √ 1 6 −1 2 1 3 z1  2 16 2 = √ x1 − √ y1 − √ z1 . obtemos a a qu´drica a 1 − x1 − √ 6 2 1 − y1 + √ 2 2 +2 4 z1 + √ 3 2 = 1. substituindo v = P v1 em B v. 123 CEDERJ . √ 10 2 1). temos vt A v + B v = 31. 1 6 6 6 Completando os quadrados nas vari´veis x1 . o √ √ b) Reescrevendo a equa¸˜o 2xy − 6 2 x + 10 2 y + z − 31 = 0 na ca forma matricial. 2 que representa um hiperbol´ide de duas folhas. obtemos ca 2 2 16 2 2 −x2 − y1 + 2z1 + √ x1 − √ y1 − √ z1 = −9. aplicando a transla¸ao c˜  1  x2 = x1 − √ 6  1 y = y 1 + √2  2  4 z2 = z1 + √3 . substituindo 2 2 16 2 2 vt A v = −x2 − y1 + 2z1 e Bv = √ x1 − √ y1 − √ z1 1 6 6 6 na equa¸˜o vt A v + B v = −9.Exerc´ ıcios resolvidos – 4a Parte ´ MODULO 3 – AULA 31 Agora. 6 6 6 Portanto. onde   x   v= y  z  0 1 0 √   A =  1 0 0  e B = (− 6 2 0 0 0  . obtemos 2 2 −x2 − y2 + 2z2 = 1. Agora. y1 e z1 .

c˜ a saber. z z1 e substituindo v = P v1 em vt A v. 1  √  1 2  √  u2 =  1 2  autovetor associado ao autovalor λ2 = 1. e a matriz diae gonal correspondente ser´ a   0 0 0   D =  0 1 0 . 0 0 −1 onde D = P t A P . 0 Como {u1 . u3 } forma uma base  0  P = [u1 u2 u3 ] =  0 1 ortonormal de R3 . 0  √  −1 2  √  u3 =  1 2  autovetor associado ao autovalor λ3 = −1. Consica derando     x x1     v =  y  e v1 =  y1  . pois 1  0  = (x1 y1 z1 )  0 0 2 2 = y1 − z1 . uma rota¸˜o de π/4 radianos em torno do eixo-z. novamente. o exerc´ de calcular os autoe ıcio valores e os autovetores correspondentes da matriz A. u2 . logo P representa uma rota¸ao em R3 . Observe que det(P ) = 1. obtemos vt A v = (P v1 )t A (P v1 ) = vt (P t AP )v1 1 = vt D v1 . Obtemos:   0   u1 =  0  autovetor associado ao autovalor λ1 = 0. temos que √ √  1 2 −1 2 √ √  1 2 1 2  0 0 ´ a matriz ortogonal que diagonaliza a matriz A. P t AP = D   0 0 x1   1 0   y1  z1 0 −1 CEDERJ 124 .Exerc´ ıcios resolvidos – 4a Parte Deixamos para vocˆ.

u1 ) = F ((1 . Portanto. que representa um parabol´ide hiperb´lico. obtemos a 2 2 (y1 + 4y1 ) − (z1 − 16z1 ) + x1 = 31 (y1 + 2)2 − 4 − (z1 − 8)2 + 64 + x1 = 31 e. obtemos ca 2 2 y1 − z1 + x1 + 4y1 + 16z1 = 31. Agora. x1 + 29 = −(y1 + 2)2 + (z1 − 8)2 . Temos: a11 = F (u1 . 0) e u2 = (1 . 0)) = 2. substituindo v = P v1 em B v. uj ). u1 = (1 . 125 CEDERJ . obtemos Bv = B(P v1 ) = BP v1 √ = (−6 2 √ 10 2  = (1 4 x1   16)  y1  z1  √ √  0 1 2 −1 2 x1 √ √    1)  0 1 2 1 2   y1  1 0 0 z1   = x1 + 4y1 + 16z1 . v = y1 − z1 e Bv = x1 + 4y1 + 16z1 na equa¸˜o vt A v + B v = − 9. substituindo 2 2 vt A. obtemos 2 2 x2 = −y2 + z2 .Exerc´ ıcios resolvidos – 4a Parte ´ MODULO 3 – AULA 31 Agora. onde aij = F (ui . Completando os quadrados nas vari´veis y1 e z1 . 1). a) Queremos montar a matriz A = (aij ). aplicando a transla¸ao c˜   x2 = x1 + 29  y = y1 + 2  2  z2 = z1 − 8 . (1 . o o 6. por fim. 0).

−1). a22 = F (u2 . v1 ) = F ((1 . vj ). u2 ) = F ((1 . u2 ) = F ((1 . u1 ) = F ((1 . 1). b12 = F (v1 . obtemos: e v 1 = 1 · u1 + 1 · u2 . (1 . portanto. (1 . (1 . Temos: b11 = F (v1 . v2 ) = F ((2 . v1 ) = F ((2 . 1). CEDERJ 126 . 1)) = 3. onde bij = F (vi . 1).Exerc´ ıcios resolvidos – 4a Parte a12 = F (u1 . (2 . −1)) = 9. −1). −1). 1)) = −1. 1)) = 0. P = onde P tA P = 1 1 2 −1 2 −1 2 0 1 2 1 −1 = 3 9 0 6 = B. v2 ) = F ((1 . 1 2 1 −1 e Pt = 1 1 2 −1 . b22 = F (v2 . 0)) = 2. v2 = 2 · u1 + (−1) · u2 . a21 = F (u2 . (1 . (2 . 0). c) Expressando v1 e v2 em fun¸˜o de u1 e u2 (os detalhes ficam para ca vocˆ). B= 3 9 0 6 . −1)) = 6. 1). b) Queremos montar a matriz B = (bij ). b21 = F (v2 . e. 1) e v1 = (1 . A= 2 −1 2 0 . Logo. (1 . Logo. v1 = (2 . 1)) = 0.

Iniciaremos nossa discuss˜o com a apresenta¸˜o de um modelo simples a ca de crescimento populacional. temos pn = 2n p0 .Um caso pr´tico a ´ MODULO 3 – AULA 32 Aula 32 – Um caso pr´tico a Um modelo de crescimento populacional Nesta ultima aula. a popula¸˜o cresce para o infinito se r > 1. Isso significa que a popula¸˜o cresce a ca percentuais iguais em intervalos de tempos iguais. e ca e p1 = 2 p0 . p3 = 2 p2 = 2 (22 p0 ) = 23 p0 . se r = 2. Assim. se pn denota o n´mero de indiv´ u ıduos da popula¸˜o da n-´sima gera¸ao. esse modelo populacional ´ muito simples. p2 = 2 p1 = 2 (2 p0 ) = 22 p0 . temos: p0 ´ a popula¸˜o inicial da esp´cie. a cada per´ e ıodo de tempo. morre. De modo geral. E para r arbitr´rio. ca Vamos considerar uma certa esp´cie de p´ssaros em que o n´mero de e a u 127 CEDERJ . Para esse modelo. Estudaremos um modelo que leva em considera¸˜o esse tipo de complexidade. logo em seguida. supondo que as ca e c˜ gera¸˜es se sucedem a intervalos de tempos iguais. por exemplo. Para isso. vamos supor que certas esp´cies tˆm e e uma taxa de crescimento constante. temos que co pn = r pn−1 . para descrever a popula¸ao de uma c˜ certa bact´ria. Como vocˆ pode notar. vamos ilustrar como a teoria de autovalores e auto´ vetores de matrizes com coeficientes reais pode ser usada para analisar um modelo de crescimento populacional. na qual. a Esse modelo pode ser usado. Por exemplo. Vamos considerar uma esp´cie em que cada indiv´ e ıduo de uma gera¸˜o ca produz r novos descendentes e. cada bact´ria se divide em e duas outras. ca decresce para zero se 0 < r < 1 e permanece constante se r = 1. Por e e exemplo. temos pn = rn p0 . No caso da esp´cie humana. para a maioria das esp´cies o n´mero de descendentes depende e u da idade dos pais. uma mulher com 50 anos de e idade tem mais dificuldade de ter filhos que uma de 20 anos.

ainda. Em nota¸˜o matricial. a cada ano.0 pa. e Com as suposi¸oes anteriores. Assim. e.n e A= 0 k α β .n−1 pa. e ca e A suposi¸˜o de taxa de sobrevivˆncia constante significa que a sobreca e vivˆncia dos adultos independe da sua idade. Podemos.n pa. e c˜ e CEDERJ 128 . P2 = A P1 = A (A P0 ) = A2 P0 . que o per´ e ıodo de reprodu¸ao ´ de um ano e c˜ e que.n a popula¸ao de fˆmeas adultas ap´s n anos. c˜ pa. c˜ e o Vamos tamb´m assumir que. podemos relacionar a popula¸ao de fˆmeas c˜ c˜ e jovens e adultas da seguinte forma: pj.n = k pj.Um caso pr´tico a machos ´ igual ao n´mero de fˆmeas.n−1 + β pa. Pn = An P0 . P4 = A P3 = A (A3 P0 ) = A4 P0 .n−1 . Vamos supor. basta controlar o n´mero de e u e u fˆmeas. o que nem sempre se aplica. P3 = A P2 = A (A2 P0 ) = A3 P0 . onde Pn = Observe que P1 = A P 0 . uma fra¸ao α de fˆmeas jovens e c˜ e sobrevive e se torna fˆmeas adultas. ela s´ poder´ se reproduzir ap´s o e o a o um ano de vida.n = α pj. que cada fˆmea adulta produz k novas e e fˆmeas jovens e que uma fra¸˜o β de fˆmeas adultas sobrevive. ent˜o. denotar o a e a por: pj. de um modo geral.0 pj.n a popula¸ao de fˆmeas jovens ap´s n anos (n per´ c˜ e o ıodos de reprodu¸ao). Antes de um ano ela ser´ considerada uma fˆmea jovem e a e ap´s um ano ser´ considerada uma fˆmea adulta. assim. podemos a ca reescrevˆ-lo como e Pn = A Pn−1 . o que nos d´ um sistema linear de ordem 2. onde P0 = pj. ´ a matriz que representa a popula¸ao inicial de fˆmeas (jovens e adultas). ap´s o nascimento de uma nova fˆmea.

2 = = 1. 3 para fˆmeas jovens e β = e a e 0. e que temos 10 fˆmeas adultas e nenhuma jovem. e a raz˜o entre fˆmeas o a e jovens e adultas ´ e 10 pj. 5.5 para fˆmeas adultas pode ser interpretado como um total e de 8 indiv´ ıduos.2 = 8. Vamos supor. Assim.Um caso pr´tico a ´ MODULO 3 – AULA 32 Exemplo 1 Vamos considerar o modelo descrito anteriormente durante um per´ ıodo de 20 anos com matriz A dada por A= 0 2 0. temos o P2 = A P1 = 0 2 0. e P0 = 0 10 .1 = 20 e pa. 5 . 3 0. a popula¸ao total de fˆmeas ´ de 25 inc˜ e e div´ ıduos ap´s um ano e a raz˜o entre fˆmeas jovens e adultas ´ o a e e pj. inicialmente.2 = 10 e pa. 3 0. pa. a popula¸ao c˜ total de fˆmeas ´ de 18 indiv´ e e ıduos ap´s dois anos.2 8. 18. Como pj.1 20 = = 4.1 5 Ap´s o segundo ano. O valor de 8. 5 129 CEDERJ . No entanto. pa. Observe que α < β significa que as fˆmeas jovens e e tˆm menos chances de sobreviver que as adultas. 5 . 5 para fˆmeas adultas. 3 0. ap´s um ano. como pj. temos o P1 = A P 0 = 0 2 0. 5 20 5 = 10 8. portanto.1 = 5. 5 0 10 = 20 5 . Essa matriz informa que cada fˆmea adulta gera k = 2 fˆmeas jovens a e e cada ano e que as taxas de sobrevivˆncia s˜o α = 0.

obtemos a seguinte tabela de valores: Tabela 32. A2 v1 = A(Av1 ) = A(λ1 v1 ) = λ1 (Av1 ) = λ1 (λ1 v1 ) = λ2 v1 . suponhamos que a matriz A tenha dois autovalores reais distintos.88 Retornando ao modelo geral. 1 CEDERJ 130 . λ1 e λ2 . com autovetores correspondentes v1 e v2 . Como v1 e v2 s˜o linearmente independentes.Um caso pr´tico a Procedendo dessa forma.n 10 25 18 24 22 25 34 36 38 64 pj.00 1.88 1.1 Ano n 0 1 2 3 4 5 10 11 12 20 Fˆmeas jovens Fˆmeas adultas e e pj.34 1. temos que Pn = An P0 = An (a1 v1 + a2 v2 ) .n pa.n + pa. portanto. podemos escrever P0 = a1 v1 + a2 v2 . Como Pn = An P0 .18 2. a2 ∈ R. com a1 .00 1. Pn = a1 An v1 + a2 An v2 . portanto. 1 A3 v1 = λ3 v1 .87 1. como v1 ´ autovetor associado ao autovalor λ1 . eles formam a 2 uma base de R e.n 0 10 20 5 10 8 17 7 14 8 17 8 22 12 24 12 25 13 42 22 Total de fˆmeas e Pj.n 0 4.n /pa. respectivamente.88 1. Agora. e.66 2. temos e Av1 = λ1 v1 .

a matriz A de fato possui dois autovalores reais distintos. temos que β 2 + 4αk > 0 e. 131 CEDERJ . j´ que a seja. cujas ra´ s˜o ızes a λ= 1 β± 2 0 k α β ´ dado por e β 2 + 4αk . a popula¸˜o fica proporcional o ca a v1 . de um modo geral. Portanto. 1 2 podemos reescrever a equa¸ao c˜ Pn = a1 An v1 + a2 An v2 na forma Pn = a1 λn v1 + a2 λn v2 .Um caso pr´tico a ´ MODULO 3 – AULA 32 e. λ2 λ1 λ2 λ1 < 1. ou ≈ 0 quando n ´ muito grande. Pn = λ1 a1 v1 + λ1 Agora. como supusemos inicialmente. Nesse caso. λ1 e λ2 . Assim. 1 Isso significa que. Analogamente. o vetor Pn pode ser reescrito como n λ2 n a2 v2 . An v2 = λn v2 . Como k > 0. que |λ1 | > |λ2 |. An v1 = λn v1 . temos que λ2 λ1 n → 0 quando n → +∞. ainda. ap´s um tempo grande. e. neste caso. 2 1 O polinˆmio caracter´ o ıstico da matriz A = p(x) = det(A − xI2 ) = x2 − βx − kα . portanto. teremos e Pn ≈ a1 λn v1 . 0 < α < 1 e 0 < β < 1. Vemos tamb´m que e λ1 = e λ2 = 1 β+ 2 1 β− 2 β 2 + 4αk > 0 β 2 + 4αk < 0.

a a assumimos um meio ambiente constante. 19 e CEDERJ 132 .n /pa. esclarecer algumas limita¸oes desse modelo. u Devemos. ela iria superpovoar qualquer ecossistema. 3 0. pois incorre no problema da falta de alimento. Exerc´ ıcios 1. E claro que obteremos informa¸oes mais c˜ e c˜ precisas se usarmos um n´mero maior de casas decimais. trabalhamos com precis˜o de duas casas decia ´ mais nas aproxima¸oes num´ricas. tamb´m. 65 ≈ 1. 88. a popula¸ao n˜o c˜ c˜ a pode crescer mais depois de atingir um certo tamanho limite. como A = polinˆmio caracter´ o ıstico ´ e p(x) = x2 − 0. Muitos ecologistas tamb´m tˆm observado que as taxas de nascimento e e e morte variam com o tamanho da popula¸ao. 6. Assim.n na quinta coluna da tabela do Exemplo 1. determine o n´mero de fˆmeas jovens e adultas ap´s per´ u e o ıodos de 1. dependem do clima da regi˜o. temos que o 1 0. 10. Usando o modelo populacional desenvolvido neste cap´ ıtulo. do autovetor v1 . que 1 ≈ 1. 5 + 2 2. 2 Efetuando contas rotineiras que vocˆ pode conferir. 5 . 06 0 2 0. Em particular. os autovalores s˜o a λ1 = e λ2 = 1 0. Observe. E. 0. 5. As e c˜ taxas de nascimento e morte de uma popula¸ao de p´ssaros variam de ano c˜ a para ano e. 2. a No exemplo anterior. 65 ≈ − 0. 28 . em particular. 56. Em nossa discuss˜o. 5 x − 0. ainda. se a popula¸ao crescesse indefinic˜ damente a uma taxa constante. obtemos os respece tivos autovetores: v1 = 1 0. 53 o que explica a raz˜o pj.Um caso pr´tico a Exemplo 2 Dando continuidade ao Exemplo 1. 53 e v2 = 1 − 0. 5 − 2.

a n´s. Considere e a P0 = 0 12 . Eles s˜o. realmente. α = 0.Um caso pr´tico a ´ MODULO 3 – AULA 32 20 anos. Em cada caso. calcule tamb´m a raz˜o pj. vocˆ e a e ver´ esses conceitos ressurgindo em muitos contextos diferentes. Esperamos que vocˆ tenha apreciado os conhecimentos matem´ticos e a desenvolvidos neste curso. 4 e β = 0. a ca a Na medida em que vocˆ desenvolver outras ferramentas matem´ticas. 6. autores. a 133 CEDERJ .n /pa. de ampla aplica¸˜o pr´tica. k = 3.n . No mais. desejamos a vocˆ toda a sorte e sucesso na sua caminhada pelo o e maravilhoso mundo da Matem´tica.

.

Solu¸˜es de exerc´ co ıcios selecionados Solu¸˜es de exerc´ co ıcios selecionados Aula 19  0 0 1   1. Matriz da proje¸ao ortogonal com respeito ` base canˆnica: c˜ a o √ 1/4 3 4 A= √ . 3 4 1/4 A diagonaliza¸ao da matriz A ´ dada por c˜ e A = P DP = t √ 1/2 − 3 2 √ 3 2 1/2 1 0 0 0 1/2 √ − 3 2 √ 3 2 1/2 . Aula 20 1. −1 √ 2). 0. autovalor λ2 = −1 com multiplicidade 1: autovetor u3 = (1 √ √ 2. [T ] =  0 1 0  1/2 0 1/2 ´ 3. [T ] =  0 1 0  . 0). E dada pelo produto de matrizes    √ √ √  √ √ 1 2 −1 3 1 6 1 0 0 1 2 0 1 2 √ √  √ √ √   √   1 2 1 3 −1 6   0 1 0   −1 3 1 3 1 3  . 1 √ 2)  2. Aula 21  1 0 0   1. autovalorλ1 = 1 com multiplicidade 2: autovetores u1 = (1 e u2 = (0. √ √ √ √ √ 2 6 0 1 3 0 0 1 1 6 −1 6 2 6  135 CEDERJ . 1. 0. [T ] =  0 0 0  0 0 1   1/2 0 1/2   2. 1 0 0 2.

0. Sejam P matriz ortogonal (P −1 = P t ) e D matriz diagonal tais que A = P DP t . Como At = A. √ √ u2 = (0. √ √ u4 = (0. 1 2. 0. 0). as matrizes √ √ 1 2 0 1 2 0 √  1 √2 0 −1 2 0  √ √ P =  0 1 2 0 1 2 √ √ 0 −1 2 0 1 2  satisfazem A = P DP t . Ent˜o a A2 = AA = (P DP t ) (P DP t ) = P D(P t P )DP t = P DIDP t = P D2 P t . √ Assim. Como A ´ uma matriz sim´trica. 1 2.Solu¸˜es de exerc´ co ıcios selecionados Aula 22 1. Os autovalores de A s˜o: a a λ1 = 3 com multiplicidade alg´brica2. mostrando que A2 tamb´m ´ diagonaliz´vel por matriz ortogonal. pelo Teorema 3. e Uma base ortonormal para o auto-espa¸o V3 ´ dada por: c e u1 = (1 √ 2. −1 2). 1 2). e e a 3. temos. garantindo que A2 ´ uma matriz sim´trica. temos (A2 )t = (AA)t = At At = (At )2 = A2 .         e D=  3 0 0 0 0 0 0 3 0 0 0 −1 0 0 0 −1      CEDERJ 136 . 0). que A ´ e e e diagonaliz´vel por matriz ortogonal. 1 2. e λ2 = −1 com multiplicidade alg´brica2. √ enquanto uma base para o auto-espa¸o V−1 ´ dada por: c e u3 = (1 √ 2. 0. −1 2. 0. e e 2.

1 2 . √ √ 1 6 .D= −1 2 1 2 √ √ √ 1 3 −1 2 −1 6 √ √ √ 1 3 1 2 −1 6 √ √ 0 2 6 1 3 √ √ 1 2 0 1 2 √ √ −1 2 0 1 2 √ 0 1 2 0 √ 0 −1 2 0 0 0 0 4  −2 0 0   . u2 .Solu¸˜es de exerc´ co ıcios selecionados Aula 23 1. 0) n˜o ´ um e a e autovetor correspondente ao autovalor λ = 5. A base pode ser β = {u1 . dada por √ √ √ √ √ √ u1 = (−1 3. u2 = (1 2. 137 CEDERJ . mas v = (−1. Observe que λ = 5 ´ um autovalor de A. a) P =   b) P =     c) P =   √ √ 1 2 1 2 √ √ . 1 3). v) = (u + a w)t A v = (ut + a wt ) A v = ut A v + a (wt A v) = F (u . v) . v) + a F (w. segue que o operador T ´ auto-adjunto. e e e 2. w ∈ Rn e a ∈ R. Temos:    √ √ √  1 3 −1 2 −1 6 5 0 0 √ √    √  P =  1 3 1 2 −1 6  . D =  0 2 0  √ √ 0 0 2 1 3 0 2 6 Aula 24 1. 1 3 . 0) e u3 = (−1 6. u3 }. 1. A matriz que representa o operador T com respeito ` base canˆnica ´ a o e   2 1 1   A =  1 2 −1  . v . Para todo u . Aula 25 1. 1 −1 2 Como A ´ uma matriz sim´trica.D= 0 1 0 0 0 1   0 0  0  0  √ .D =   0 1 2  √ 1 2 0     0 0 0 0 0 0 4 0 0 0 0 4      2. −2 6) . F (u + a w.

ent˜o λ a e e Aula 32 1. Basta observar que. . λ2 = 2 − i. com autovetores associados v1 = (1 . F ´ linear na primeira vari´vel. 44 e λ2 ≈ − 0.2 CEDERJ 138 2. o Aula 29 1. i). x2 2 4 + 2 y2 4 + 2 z2 2 = 1. o 2 3. se λ ´ uma raiz complexa de e ¯ tamb´m ´ raiz de p(x). x2 + y2 − 2z2 = −1. O polinˆmio caracter´ o ıstico ´ p(x) = x2 − 2a x + b. De forma an´loga. mostra-se que F e a a tamb´m ´ linear na segunda vari´vel. 57 1 . a) A = I3 =  0 1 0  0 0 1 3. 3. se A ´ matriz real.Solu¸˜es de exerc´ co ıcios selecionados Assim. 1) v2 = (−1 − i . ent˜o seu polinˆmio carace a o ter´ ıstico p(x) tem coeficientes reais. o o 2 2 2 2. 1) 2. Os autovalores s˜o λ1 ≈ 1. elips´ide. p(x). z2 = x2 − y2 . parabol´ide hiperb´lico. v1 = (−1 + i . e e a  1 0 0   2. 09 1 e v2 = − 3. cujas ra´ e ızes s˜o a λ1 = a + b i e λ2 = a − b i. − i) e v2 = (1 . respectivamente. a) A = 2 −1 2 0   2 −1 2   b) B =  −1 2 1  2 1 5 b) B = 3 9 0 6 c) P = 1 2 1 −1  Aula 28 2 2 1. 836. λ1 = 2 + i. com autovalores corresa pondentes v1 = Valores: Tabela 32. Logo. hiperbol´ide de duas folhas.

14 1.n 0 12 36 7 21 19 104 45 600 291 16.n /pa.090 7.Solu¸˜es de exerc´ co ıcios selecionados Ano n 0 1 2 5 10 19 20 Fˆmeas jovens Fˆmeas adultas e e pj.31 2.08 2.06 2.170 11.n pa.737 23.n 0 5.08 139 CEDERJ .140 Total de fˆmeas e Pj.310 pj.827 34.11 2.n + pa.n 12 43 40 149 981 23.