Anda di halaman 1dari 143

Mdulo 3

Volume
2 edio

Hernando Bedoya
Ricardo Camelier

lgebra Linear II

lgebra Linear II
Volume 2- Mdulo 3
2 edio

Apoio:

Hernando Bedoya
Ricardo Camelier

Fundao Cecierj / Consrcio Cederj


Rua Visconde de Niteri, 1364 Mangueira Rio de Janeiro, RJ CEP 20943-001
Tel.: (21) 2334-1569 Fax: (21) 2568-0725
Presidente
Masako Oya Masuda
Vice-presidente
Mirian Crapez
Coordenao do Curso de Matemtica
UFF - Regina Moreth
UNIRIO - Luiz Pedro San Gil Jutuca

Material Didtico
ELABORAO DE CONTEDO

Departamento de Produo

Hernando Bedoya
Ricardo Camelier

EDITORA

ILUSTRAO

Tereza Queiroz

COORDENAO DE DESENVOLVIMENTO
INSTRUCIONAL

COORDENAO EDITORIAL

Fabiana Rocha
Fbio Muniz

Cristine Costa Barreto

Jane Castellani

DESENVOLVIMENTO INSTRUCIONAL
E REVISO

COORDENAO DE
PRODUO

Alexandre Rodrigues Alves


Janaina Silva

Jorge Moura
PROGRAMAO VISUAL

COORDENAO DE LINGUAGEM

Marcelo Freitas

CAPA

Sami Souza
PRODUO GRFICA

Osias Ferraz
Patricia Seabra

Maria Anglica Alves

Copyright 2005, Fundao Cecierj / Consrcio Cederj


Nenhuma parte deste material poder ser reproduzida, transmitida e gravada, por qualquer meio
eletrnico, mecnico, por fotocpia e outros, sem a prvia autorizao, por escrito, da Fundao.

B412a
Bedoya, Hernando.
lgebra linear II. v.2 / Hernando Bedoya. 2.ed. Rio de Janeiro:
Fundao CECIERJ, 2010.
140p.; 21 x 29,7 cm.
ISBN: 85-7648-055-7
1. Operadores ortogonais. 2. Projees ortogonais. 3. Matrizes
simtricas. 4. Teorema Espectral. 5. Cnicas. 6. Qudricas. I. Camelier,
Ricardo. II. Ttulo.
2010/1

CDD: 512.5
Referncias Bibliogrficas e catalogao na fonte, de acordo com as normas da ABNT.

Governo do Estado do Rio de Janeiro

Governador
Srgio Cabral Filho

Secretrio de Estado de Cincia e Tecnologia


Alexandre Cardoso

Universidades Consorciadas
UENF - UNIVERSIDADE ESTADUAL DO
NORTE FLUMINENSE DARCY RIBEIRO
Reitor: Almy Junior Cordeiro de Carvalho

UFRJ - UNIVERSIDADE FEDERAL DO


RIO DE JANEIRO
Reitor: Alosio Teixeira

UERJ - UNIVERSIDADE DO ESTADO DO


RIO DE JANEIRO
Reitor: Ricardo Vieiralves

UFRRJ - UNIVERSIDADE FEDERAL RURAL


DO RIO DE JANEIRO
Reitor: Ricardo Motta Miranda

UFF - UNIVERSIDADE FEDERAL FLUMINENSE


Reitor: Roberto de Souza Salles

UNIRIO - UNIVERSIDADE FEDERAL DO ESTADO


DO RIO DE JANEIRO
Reitora: Malvina Tania Tuttman

lgebra Linear II
SUMRIO

Volume 2 - Mdulo 3

Aula 19 Operadores ortogonais ______________________________________ 7


Hernando Bedoya / Ricardo Camelier

Aula 20 Projees ortogonais 1a Parte ______________________________ 11


Hernando Bedoya / Ricardo Camelier

Aula 21 Projees ortogonais 2a Parte ______________________________ 19


Hernando Bedoya / Ricardo Camelier

Aula 22 Matrizes simtricas _______________________________________ 27


Hernando Bedoya / Ricardo Camelier

Aula 23 O Teorema Espectral ______________________________________ 35


Hernando Bedoya / Ricardo Camelier

Aula 24 Operadores auto-adjuntos __________________________________ 43


Hernando Bedoya / Ricardo Camelier

Aula 25 Formas bilineares ________________________________________ 51


Hernando Bedoya / Ricardo Camelier

Aula 26 Formas quadrticas _______________________________________ 59


Hernando Bedoya / Ricardo Camelier

Aula 27 Cnicas________________________________________________ 67
Hernando Bedoya / Ricardo Camelier

Aula 28 Qudricas ______________________________________________ 81


Hernando Bedoya / Ricardo Camelier

Aula 29 Autovalores complexos ____________________________________ 93


Hernando Bedoya / Ricardo Camelier

Aula 30 Exerccios resolvidos 3 Parte ______________________________ 99


Hernando Bedoya / Ricardo Camelier

Aula 31 Exerccios resolvidos 4 Parte _____________________________ 113


Hernando Bedoya / Ricardo Camelier

Aula 32 Um caso prtico ________________________________________ 127


Hernando Bedoya / Ricardo Camelier

Solues de exerccios selecionados __________________________ 135

Operadores ortogonais

MODULO
3 AULA 19

Aula 19 Operadores ortogonais


Objetivos
Compreender o conceito e as propriedades apresentadas sobre operadores ortogonais.
Aplicar os conceitos apresentados em exemplos importantes.
n

Voce deve se lembrar de que um operador T : R R e dito ortogonal


se existe uma base ortonormal de Rn tal que a matriz de T na base e
uma matriz ortogonal, isto e, se a matriz [T ] e ortogonal.

Pr
e-requisitos: Aulas 10 a 14,
17 e 18.

Veremos que os operadores ortogonais estao bem denidos no sentido


de que o fato de ser um operador ortogonal nao depende da base ortonormal
escolhida, ou seja, se a matriz [T ] , numa certa base ortonormal de Rn , for
ortogonal, entao a matriz [T ] tambem sera ortogonal para qualquer outra
base ortonormal de Rn .
Na verdade, temos o seguinte resultado:
Teorema 1
Sejam T : Rn Rn um operador ortogonal e e duas bases ortonormais de Rn . Se a matriz [T ] e ortogonal, entao a matriz [T ] tambem
sera ortogonal.
Demonstracao:
O teorema sobre mudanca de base para operadores lineares, visto no

curso de Algebra
Linear I, nos garante que
[T ] = P 1 [T ] P,
onde P e a matriz mudanca de base entre as bases ortonormais e . Como
e sao duas bases ortonormais de Rn , 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 ] = P t [T ] P.
Como [T ] e uma matriz ortogonal por hipotese e como o produto de
matrizes ortogonais e tambem uma matriz ortogonal, conclumos que [T ]
tambem sera uma matriz ortogonal.

7

CEDERJ

Operadores ortogonais

O resultado anterior simplica um problema crucial: para decidirmos se


um dado operador linear T : Rn Rne ortogonal, basta considerar qualquer
base ortonormal de Rn e vericar se a matriz [T ] e uma matriz ortogonal.
Exemplo 1
Verique que o operador linear T : R3 R3
T (x, y, z) = (x cos y sen, x sen + y cos , z),
com [0, 2), e um operador ortogonal.
Solucao
De fato, escolhendo a base canonica {e1 , e2 , e3 } de R3 , dada por
e1 = (1, 0, 0),

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

obtemos
T (e1 ) = (cos , sen, 0)
T (e2 ) = (sen cos , 0)
T (e3 ) = (0, 0, 1).
Portanto, a matriz que representa T nesta base e dada por

cos sen 0

A = sen cos 0 .
0
0
1
Sabemos que A e uma matriz ortogonal de R3 . Mais ainda, A e uma
rotacao de radianos em torno do eixo-z (Exemplo 1 da Aula 17). Assim, o
operador linear T e um operador ortogonal.
O proximo teorema segue imediatamente do Teorema 2 da Aula 10.
Teorema 2
Seja T : Rn Rn um operador ortogonal. Entao as seguintes propriedades sao validas:
1. T transforma bases ortonormais em bases ortonormais, ou seja, se
{v1 , v2 , . . . , vn } e uma base ortonormal de Rn , entao {T v1 , T v2 , . . . , T vn }
tambem e uma base ortonormal de Rn .
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

Operadores ortogonais

MODULO
3 AULA 19

Exemplo 2
Seja T : R2 R2 um operador ortogonal, entao sua matriz na base
canonica e da forma




cos sen
cos sen
,
ou
sen cos
sen cos
onde [0 , 2).
Solucao
De fato, sendo T : R2 R2 um operador ortogonal, sua matriz na base
canonica de R2 sera 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 sen
cos sen
.
ou
sen cos
sen cos
Sabemos tambem que a primeira matriz representa uma rotacao de
radianos, no sentido anti-horario, em torno da origem, e a segunda matriz
representa uma reexao em torno da reta pela origem que forma um angulo
de /2 radianos com o semi-eixo x positivo.
Exemplo 3
a) Determine a transformacao linear T : R2 R2 que leva o segmento de
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 transformacao acima e uma rotacao. Determine, tambem,
o angulo dessa rotacao.
y
6

2
-6

-1

2
x

Fig. 19.1: O operador T .


9

CEDERJ

Operadores ortogonais

Solucao
a) Queremos encontrar escalares a, b, c, d R tais que a matriz que representa T na base canonica seja dada por


a b
[T ] =
.
c d
Da condicao sobre as extremidades, temos

 


2
6
a b
e
=
T (6, 2) =
6
2
c d
  


1
1
a b
,
=
T (1 , 2) =
2
2
c d
o que nos da o sistema linear

6a + 2b

6c + 2d

a + 2b

c + 2d

=
=
=
=

2
6
.
1
2

facil ver que a solucao desse sistema e dada por:


E
a = 3/5;

b = 4/5;

Assim,


[T ] =

c = 4/5 e d = 3/5.
3/5 4/5
4/5 3/5


.

b) Como as colunas da matriz [T ], representadas pelos vetores


v1 = (3/5 , 4/5) e v2 = (4/5 , 3/5), formam uma base ortonormal
de R2 , conclumos que a matriz [T ] e ortogonal e, conseq
uentemente, o
operador linear T e um operador ortogonal. Alem disso, det[T ] = 1 e,
assim, o operador T e uma rotacao de R2 cujo angulo e dado por
= arccos(3/5).

Exerccios
1. Seja T : R3 R3 uma reexao num plano de R3 tal que T (1, 0, 1) =
(1, 0, 1). Determine a matriz que representa o operador T com respeito `a base canonica.
2. Determine os autovalores e os autovetores associados da transformacao
linear T do exerccio anterior.

CEDERJ

10

Projecoes ortogonais 1a Parte

MODULO
3 AULA 20

Aula 20 Proje
c
oes ortogonais 1a Parte
Objetivos
Compreender o conceito de projecao ortogonal em dimensao 2.
Aplicar os conceitos apresentados em exemplos importantes.
Pr
e-requisitos: Aulas 10 a 14,
17, 18 e 19.

Nesta e na proxima aula vamos apresentar um tipo de transformacao


usada em areas como a Computacao Graca e o Desenho Geometrico. Tratase das projecoes ortogonais. Nesta primeira aula, trabalharemos com as
projecoes ortogonais em R2 .
Exemplo 1
Determine a matriz que representa a projecao ortogonal sobre o eixo-x,
isto e, sobre a reta de equacao cartesiana y = 0.
Solucao
Geometricamente, essa transformacao e representada pela Figura 20.1.
y

V= (x,y)

V'= (x,0)

Fig. 20.1: A projec


ao ortogonal no eixo-x.

Assim, temos a transformacao linear


T : R2 R2
T (x, y) = (x, 0).

11

CEDERJ

Projecoes ortogonais 1a Parte

Denotando por {e1 , e2 } a base canonica de R2 , temos que


T (e1 ) = T (1, 0) = (1, 0) = 1 e1 + 0 e2
T (e2 ) = T (0, 1) = (0, 0) = 0 e1 + 0 e2 .
Portanto, a matriz que representa a transformacao T na base canonica
e dada por


1 0
.
A=
0 0
Vemos imediatamente algumas propriedades dessa projecao ortogonal.
1. A matriz A e, portanto, o operador T , nao e invertvel, pois det(A) = 0.
2. Como T (e2 ) = 0 e2 , entao 2 = 0 e um autovalor de T com autovetor
associado e2 = (0, 1). Nao e difcil ver que o auto-espaco associado
a 2 = 0 e exatamente o eixo-y, isto e, a reta de equacao cartesiana
x = 0.
3. Como T (e1 ) = 1 e1 , entao 1 = 1 e um autovalor de T com autovetor
associado e1 = (1, 0). Nao e difcil ver que o auto-espaco associado
a 1 = 1 e exatamente o eixo-x, isto e, a reta de equacao cartesiana
y = 0.
4. O operador T e diagonalizavel e seu polinomio caracterstico e
p(x) = x (x 1).
Exemplo 2
Determine a matriz que representa a projecao ortogonal sobre o eixo-y,
isto e, sobre a reta de equacao cartesiana x = 0.
Solucao
A projecao ortogonal no o eixo-y e dada pela transformacao linear
T : R2 R2
T (x, y) = (0, y).
Geometricamente, esta transformacao e representada pela Figura 20.2.
CEDERJ

12

Projecoes ortogonais 1a Parte

MODULO
3 AULA 20

T (x,y)

(x,y)

Fig. 20.2: A projec


ao ortogonal no eixo-y.

Como no Exemplo 1, temos que


T (e1 ) = T (1, 0) = (0, 0) = 0 e1 + 0 e2
T (e2 ) = T (0, 1) = (0, 1) = 0 e1 + 1 e2 .
Portanto, a matriz que representa a transformacao T na base canonica
e dada por


0 0
A=
.
0 1
Como antes, vemos que:
1. A matriz A e, portanto, o operador T , nao e invertvel, pois det(A) = 0.
2. Como T (e1 ) = 0 e1 , entao 1 = 0 e um autovalor de T com autovetor
associado e1 = (1 , 0). Nao e difcil ver que o auto-espaco associado
a 1 = 0 e exatamente o eixo-x, isto e, a reta de equacao cartesiana
y = 0.
3. Como T (e2 ) = 1 e2 , entao 2 = 1 e um autovalor de T com autovetor
associado e2 = (0 , 1). Nao e difcil ver que o auto-espaco associado
a 2 = 1 e exatamente o eixo-y, isto e, a reta de equacao cartesiana
x = 0.
4. O operador T e diagonalizavel com polinomio caracterstico
p(x) = x (x 1).
13

CEDERJ

Projecoes ortogonais 1a Parte

Os exemplos 1 e 2 sao muito simples, porem sao muito importantes a sua


compreensao e o seu signicado geometrico. Especialmente, certique-se de
que tenha entendido os auto-espacos associados a cada autovalor. Usaremos
essas ideias para apresentar a projecao ortogonal sobre uma reta L qualquer
do R2 passando pela origem. Se voce compreendeu bem a geometria dos
exemplos anteriores, entao nao tera diculdade em acompanhar o caso geral
a seguir.
Exemplo 3
Descreva a projecao ortogonal sobre uma reta L de R2 que passa pela
origem.
Solucao
Suponhamos que a reta L seja paralela a um vetor unitario u1 R2 ,
como ilustra a Figura 20.3.
y

u1

Fig. 20.3: A reta L paralela ao vetor unit


ario u1 .

O efeito geometrico da projecao ortogonal sobre a reta L e observado


na Figura 20.4.
y

L
v

TV

Fig. 20.4: A projec


ao ortogonal na reta L.
CEDERJ

14

Projecoes ortogonais 1a Parte

MODULO
3 AULA 20

A projecao ortogonal de um vetor v na direcao do vetor u1 e dada por


T : R2 R2
v, u1 
v  T v = u
u1 ,
1 , u1 
de onde vemos que T e uma transformacao linear. Para obter a formula
acima observamos que desejamos um vetor T v da forma T v = ku1 de modo
que v ku1 seja ortogonal a u1 , como indica a Figura 20.5.

Fig. 20.5: A projec


ao ortogonal de v na direc
ao de u1

Assim, da ortogonalidade entre v ku1 e u1 temos


= v ku1 , u1 
= v, u1  ku1 , u1 
= v, u1  k u1 , u1  ,
o que nos da
k u1 , u1  = v, u1 
v, u1 
k =
,
u1 , u1 
e, portanto,
T v = ku1 =

v, u1 
u1 .
u1 , u1 

Observe que na formula acima o vetor u1 nao precisa ser unitario, mas,
caso seja, como u1 , u1  = 1, entao a formula acima se simplica para
T v = v, u1  u1 .
Nosso problema agora e encontrar a matriz que represente a transformacao T . Veremos que, escolhendo uma base ortonormal adequada de
R2 , 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 ja foi tratado quando estudamos as reexoes de R2 com respeito a
uma reta qualquer passando pela origem. Veja a Aula 12.
15

CEDERJ

Projecoes ortogonais 1a Parte

Seja = {u1 , u2 } uma base ortonormal de R2 onde u1 e um vetor


unitario paralelo a` reta L e u2 e um vetor unitario normal a` reta L. Veja a
Figura 20.6.
y

u2

u1

Fig. 20.6: A base ortonormal = {u1 , u2 }.

Nesse caso, como u1 , u1  = 1 e pela observacao acima temos que T v =


v, u1  u1 . Assim, vemos que
T u1 = u1 , u1  u1 = u1 = 1 u1 + 0 u2
T u2 = u2 , u1  u1 = 0 u1 = 0 u1 + 0 u2 .
Portanto, a matriz que representa a transformacao T na base e dada
por


[T ] =

1 0
0 0


,

que e exatamente da mesma forma que a matriz do Exemplo 1. Se quisermos obter a matriz que representa T na base canonica, e so fazermos uma
mudanca de base. Se = {e1 , e2 } e a base canonica de R2 , entao
[T ] = P [T ] P 1,
onde P e a matriz mudanca de base. Como P = [u1 u2 ], isto e, suas
colunas sao vetores ortonormais, entao 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 ] e [T ] e, portanto, o operador T , nao sao invertveis,
pois det [T ] = 0.
CEDERJ

16

Projecoes ortogonais 1a Parte

MODULO
3 AULA 20

2. Como T (u2 ) = 0 u2 , entao 2 = 0 e um autovalor de T com autovetor


associado u2 . Nao e difcil ver que o auto-espaco associado a 2 = 0 e
exatamente a reta pela origem ortogonal a` reta L.
3. Como T (u1 ) = 1 u1 , entao 1 = 1 e um autovalor de T com autovetor
associado u1 . Nao e difcil ver que o auto-espaco associado a 1 = 1 e
exatamente a reta L.
4. O operador T e diagonalizavel e seu polinomio caracterstico e
p(x) = x (x 1).
Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro exemplo e os dois primeiros. Isto se deve `a escolha adequada de uma base ortonormal de R2 .

Exerccios
1. Determine a matriz da projecao ortogonal sobre a reta y =
respeito a` base canonica.

3x com

2. Determine os autovalores e os auto-espacos associados da transformacao


linear do Exerccio 1.

17

CEDERJ

Projecoes ortogonais 2a Parte

MODULO
3 AULA 21

Aula 21 Proje
c
oes ortogonais 2a Parte
Objetivos
Compreender o conceito de projecao ortogonal em dimensao 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 projecoes ortogonais,


estudando as projecoes ortogonais em R3 . Apresentamos inicialmente os
casos mais simples das projecoes ortogonais nos planos coordenados. Em
seguida, trataremos do caso geral de uma projecao ortogonal sobre um plano
passando pela origem.
Exemplo 1
Determine a matriz que representa a projecao ortogonal sobre o planoxy, isto e, sobre o plano de equacao cartesiana z = 0.
Solucao
Geometricamente, essa transformacao e representada pela Figura 21.1.
z

V= (x,y,z)
u1

V'= (x,y,0)

Fig. 21.1: A projec


ao ortogonal no plano-xy.

19

CEDERJ

Projecoes ortogonais 2a Parte

Assim, temos a transformacao linear


T : R3 R3
T (x, y, z) = (x, y, 0).
Denotando por {e1 , e2 , e3 } a base canonica de R3 , temos que
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
e dada por

1 0

A= 0 1
0 0

transformacao T na base canonica

0 .
0

Como nos exemplos da Aula 20, vemos imediatamente algumas propriedades dessa projecao ortogonal.
1. A matriz A e, portanto, o operador T , nao sao invertveis, pois
det(A) = 0.
2. Como T (e3 ) = 0 e3 , entao 2 = 0 e um autovalor de T com autovetor
associado e3 . Nao e difcil ver que o auto-espaco associado a 2 = 0 e
exatamente o eixo-z, que e o espaco gerado por e3 .
3. Como T (e1 ) = 1 e1 e T (e2 ) = 1 e2 , entao 1 = 1 e um autovalor de
T de multiplicidade 2 com autovetores associados e1 e e2 . Nao e difcil
ver que o auto-espaco associado a 1 = 1 e exatamente o plano-xy, que
e o espaco gerado pelos vetores canonicos e1 e e2 .
4. O operador T e diagonalizavel com polinomio caracterstico
p(x) = x (x 1)2 .
Mais uma vez, chamamos a atencao do aluno para que compreenda bem
a geometria desse exemplo, pois ela sera recorrente nos exemplos seguintes.
Vejamos outro exemplo de projecao ortogonal em um plano coordenado.
Exemplo 2
Determine a matriz que representa a projecao ortogonal sobre o planoyz, isto e, sobre o plano de equacao cartesiana x = 0.

CEDERJ

20

Projecoes ortogonais 2a Parte

MODULO
3 AULA 21

Solucao
Geometricamente, essa transformacao e representada pela Figura 21.2.
z

(x,y,z)

T(x,y,z)= (0,x,z)

Fig. 21.2: A projec


ao ortogonal no plano-yz.

Assim, temos a transformacao linear


T : R3 R3
T (x, y, z) = (0, y, z).
Se voce entendeu bem a geometria do Exemplo 1, entao vera que neste
caso temos
T (e1 ) = T (1, 0, 0) = (0, 0, 0) = 0 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, 1) = 0 e1 + 0 e2 + 1 e3 .
Portanto, a matriz que representa a
e dada por

0 0

A= 0 1
0 0

transformacao T na base canonica

0 .
1

Seguem tambem as propriedades:


1. A matriz A e, portanto, o operador T , nao sao invertveis, pois
det(A) = 0.
2. Como T (e1 ) = 0 e1 , entao 2 = 0 e um autovalor de T com autovetor
associado e1 . Nao e difcil ver que o auto-espaco associado a 2 = 0 e
exatamente o eixo-x, que e o espaco gerado por e1 .
21

CEDERJ

Projecoes ortogonais 2a Parte

3. Como T (e2 ) = 1 e2 e T (e3 ) = 1 e3 , entao 1 = 1 e um autovalor de


T de multiplicidade 2 com autovetores associados e2 e e3 . Nao e difcil
ver que o auto-espaco associado a 1 = 1 e exatamente o plano-yz, que
e o espaco gerado pelos vetores canonicos e2 e e3 .
4. O operador T e diagonalizavel com polinomio caracterstico
p(x) = x (x 1)2 .
O outro caso trivial, a projecao ortogonal sobre o plano-xz, e totalmente
analogo aos exemplos anteriores e deixamos como exerccio para voce. Assim,
estando bem compreendidos os dois exemplos anteriores, podemos tratar da
projecao ortogonal sobre um plano qualquer de R3 passando pela origem.
Exemplo 3
Descreva a projecao ortogonal sobre um plano de R3 que passa pela
origem.
Solucao
Seja T : R3 R3 a projecao ortogonal sobre o plano . Geometricamente, essa transformacao e representada pela Figura 21.3.

Fig. 21.3: A projec


ao ortogonal no plano-.

Vamos agora obter uma base ortonormal de R3 de modo que a matriz


que representa a transformacao T nessa base seja da mesma forma que a
matriz do Exemplo 1. Como conhecemos a equacao cartesiana de plano
, sabemos como obter um vetor normal a esse plano. Lembre: se tem
equacao ax + by + cz + d = 0, entao o vetor u = (a, b, c) e um vetor normal
ao plano . Seja, entao, u3 um vetor unitario normal ao plano . Usando
a equacao cartesiana de , como foi feito nas Aulas 17 e 18, facilmente
determinamos vetores unitarios u1 e u2 de modo que = {u1 , u2 , u3 } seja
uma base ortonormal de R3 . Observe que os vetores unitarios u1 e u2 sao
ortogonais e pertencem ao plano .

CEDERJ

22

Projecoes ortogonais 2a Parte

MODULO
3 AULA 21

Veja a Figura 21.4.

Fig. 21.4: A base ortonormal = {u1 , u2 , u3 }.

A projecao ortogonal de um vetor v sobre o plano e dada por


T : R3 R3
v, u1 
v, u2 
v  T v =
u1 +
u2 ,
u1 , u1 
u2 , u2 
de onde vemos que T e uma transformacao linear. Para obter a formula
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 , como indica a
Figura 21.5.

Fig. 21.5: A projec


ao ortogonal de v no plano .

Assim, da ortogonalidade entre v k1 u1 k2 u2 e u1 , temos


0 =
=
=
=

v k1 u1 k2 u2 , u1 
v, u1  k1 u1 , u1  k2 u2 , u1 
v, u1  k1 u1 , u1  k2 u2 , u1 
v, u1  k1 u1 , u1  ,

ja que u2 , u1  = 0, o que nos da


k1 u1 , u1  = v, u1 
k1 =

v, u1 
,
u1 , u1 
23

CEDERJ

Projecoes ortogonais 2a Parte

e, portanto,
T v = k1 u1 + k2 u2 =

v, u1 
v, u2 
u1 +
u2 .
u1 , u1 
u2 , u2 

Usando o fato de u1 e u2 serem vetores unitarios, isto e,


u1 , u1  = u2 , u2  = 1, obtemos
T v = v, u1  u1 + v, u2  u2 .
Portanto, vemos que
T u1 = u1 , u1  u1 + u1 , u2  u2 = u1 = 1 u1 + 0 u2 + 0 u3
T u2 = u2 , u1  u1 + u2 , u2  u2 = u2 = 0 u1 + 1 u2 + 0 u3
T u3 = u3 , u1  u1 + u3 , u2  u2 = 0 u1 + 0 u2 + 0 u3 .
Portanto, a matriz que representa
dada por

1 0

[T ] = 0 1
0 0

a transformacao T na base e

0 ,
0

que e exatamente da mesma forma que a matriz do Exemplo 1. Se quisermos obter a matriz que representa T na base canonica, e so fazermos uma
mudanca de base. Se = {e1 , e2 , e3 } e a base canonica de R3 , entao
[T ] = P [T ] P 1,
onde P e a matriz mudanca de base. Como P = [u1 u2 u3 ], isto e, suas
colunas sao vetores ortonormais, entao 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 ] e [T ] e, portanto, o operador T , nao sao invertveis,
pois det [T ] = 0.
2. Como T (u3 ) = 0 u3 , entao 2 = 0 e um autovalor de T com autovetor
associado u3 . Nao e difcil ver que o auto-espaco associado a 2 = 0 e
exatamente a reta pela origem ortogonal a .
3. Como T (u1 ) = 1 u1 e T (u2 ) = 1 u2 , entao 1 = 1 e um autovalor de T
com autovetores associados u1 e u2 . Nao e difcil ver que o auto-espaco
associado a 1 = 1 e exatamente o plano .
4. O operador T e diagonalizavel com polinomio caracterstico
p(x) = x (x 1)2 .
CEDERJ

24

Projecoes ortogonais 2a Parte

MODULO
3 AULA 21

Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro exemplo e os dois primeiros. Isso se deve `a escolha adequada de uma base ortonormal de R3 .

Exerccios
1. Determine a matriz da projecao ortogonal sobre o plano-xz com respeito `a base canonica.
2. Determine a matriz da projecao ortogonal sobre o plano x z = 0 com
respeito a` base canonica.
3. Determine a matriz da projecao ortogonal sobre o plano gerado pelos
vetores v1 = (1, 1, 0) e v2 = (1, 1, 1), com respeito a` base canonica.

25

CEDERJ

Matrizes simetricas

MODULO
3 AULA 22

Aula 22 Matrizes sim


etricas
Objetivos:
Compreender o conceito de matriz simetrica.
Aplicar os conceitos apresentados em exemplos importantes.

Pr
e-requisitos: Aulas 6, 7, 8,
9, 10, 20 e 21

Em muitas aplicacoes da Algebra


Linear, as matrizes simetricas aparecem com maior freq
uencia 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 diagonalizacao e ortogonalidade, vistas
em aulas anteriores. Veremos, nesta aula, que a diagonalizacao de uma matriz simetrica e um fundamento essencial e necessario `a discussao das formas
quadraticas que estudaremos no proximo modulo.
Lembramos que todas as matrizes e vetores considerados tem somente
elementos e componentes reais. Antes de comecarmos a estudar a teoria
de diagonalizacao de matrizes simetricas, convem lembrarmos de algumas
denicoes que serao essenciais a este conte
udo.
Defini
c
ao 1
Uma matriz A Mn (R) e simetrica se At = A, onde At representa a
matriz transposta de A. Equivalentemente, a matriz A = (aij ) e simetrica se
aij = aji para todo i, j.
Observe, primeiramente, que o conceito de matriz simetrica se aplica
apenas a matrizes quadradas. Observe tambem que os elementos da diagonal
principal de uma matriz simetrica A podem assumir valores arbitrarios; no
entanto, elementos simetricos com respeito a` diagonal principal tem o mesmo
valor.
Exemplo 1
As duas matrizes a seguir sao simetricas:



4 1 0
2 1

e B = 1 2
A=
3 .
1 3
0
3 2
No entanto, as matrizes abaixo nao sao simetricas:



1 4 1
2 1 1

e D = 4 2 2 .
C=
1 3 0
1 2 3
27

CEDERJ

Matrizes simetricas

A matriz C nao e simetrica porque ela nao e matriz quadrada, e a


matriz D nao e simetrica porque d31 = 1 = 1 = d13 .
Vamos rever algumas propriedades das matrizes simetricas.
Teorema 1
Sejam A, B Mn (R) matrizes simetricas. Entao A + B e cA, onde
c R, tambem sao matrizes simetricas.
Vale observar que o produto de duas matrizes simetricas nao e necessariamente uma matriz simetrica. Por exemplo, dadas as matrizes simetricas




4 5
1 2
e B=
A=
5 6
2 3
temos que a matriz produto

 


14 17
4 5
1 2
=
AB =
23 28
5 6
2 3
nao e uma matriz simetrica, pois (AB)21 = 23 = 17 = (AB)12 .
Vamos rever o processo de diagonalizacao de matrizes, descrito nas
Aulas 6 e 7, agora aplicado a um caso particular de uma matriz simetrica.
Exemplo 2

6 2 1

Diagonalize, caso seja possvel, a matriz A = 2


6 1 .
1 1
5
Solucao
O polinomio caracterstico da matriz A e dado por:
p(x) = det(xI3 A)



x6
2
1




= 2
x6
1


1
1
x5

x6
1

= (x 6)
1
x5




2
1




1 x5





2

1



+
1





x6 1

= x3 17x2 + 90x 144 .


As possveis razes racionais de p(x) sao, obrigatoriamente, divisores de
144. Por inspecao, vemos que 3 e uma raiz e, depois, completando fatoracao
de p(x), descobrimos que 6 e 8 tambem sao razes. Assim,
p(x) = (x 3)(x 6)(x 8).
CEDERJ

28

Matrizes simetricas

MODULO
3 AULA 22

Assim, os autovalores da matriz A sao 1 = 3, 2 = 6 e 3 = 8. Como


a matriz A possui 3 autovalores distintos, ja podemos concluir que ela e uma
matriz diagonalizavel.
Para o autovalor 1 = 3, temos que os seus autovetores associados,
v = (x, y, z), satisfazem o sistema linear
(3 I3 A)v = 0.
Um calculo rotineiro, como foi visto na Aula 7, mostra que o autoespaco V3 e um subespaco de dimensao 1 e e gerado pelo vetor v1 = (1, 1, 1).
Analogamente, o auto-espaco V6 , associado ao autovalor 2 = 6, e o subespaco de dimensao 1 gerado pelo vetor v2 = (1, 1, 2), e o auto-espaco
V8 , associado ao autovalor3 = 8, e o subespaco de dimensao 1 gerado pelo
vetor v3 = (1, 1, 0). Esses tres vetores, v1 , v2 e v3 , formam uma base de R3
e poderiam ser usados para construir uma matriz P que diagonaliza a matriz
facil ver que {v1 , v2 , v3 } e um conjunto ortogonal de R3 e que obtereA. E
mos uma matriz ortogonal P se usarmos uma base ortonormal {u1 , u2 , u3 },
obtida de {v1 , v2 , v3 }, normalizando cada um dos vetores v1 , v2 e v3 . Como
um m
ultiplo nao-nulo de um autovetor tambem e um autovetor, a nova base
{u1 , u2 , u3 } tambem seria uma base de autovetores de R3 . Os vetores assim
obtidos sao:

u1 = (1/ 3, 1/ 3, 1/ 3);

u2 = (1/ 6, 1/ 6, 2/ 6) e

u3 = (1/ 2, 1/ 2, 0).
Assim, as matrizes P e D sao dadas por:




3 0 0
1 3 1 6 1 2




P = 1 3 1 6 1 2 e D = 0 6 0 .


0 0 8
0
1 3 2 6
Sabemos, das Aulas 6 e 7, que A = P DP 1. Agora, como as colunas de
P formam vetores ortonormais, entao, pelo Teorema 2 da Aula 9, P e uma
matriz ortogonal, isto e, P 1 = P t . Assim, temos tambem que A = P DP t.
Vimos, no Exemplo 2, que os autovetores da matriz simetrica A, associados a autovalores distintos, sao ortogonais. Isso e uma propriedade geral,
como mostra o proximo teorema.
Teorema 2
Seja A Mn (R) uma matriz simetrica; entao qualquer conjunto de
autovetores associados a autovalores distintos sao ortogonais.
29

CEDERJ

Matrizes simetricas

Demonstracao:
Sejam v1 , v2 , . . . , vk autovetores da matriz A associados aos autovalores
distintos 1 , 2 , . . . , k . Assim, dados i = j , e observando que Avi = i vi
e Avj = j vj , queremos mostrar que vi , vj  = 0. Para isto, observamos que

i vi , vj  =
=
=
=
=
=
=
=
=

i vi , vj 
Avi , vj 
(Avi )t vj
(vit At )vj
(vit A)vj , pois A e simetrica
vit (Avj )
vi , Avj 
vi , j vj 
j vi , vj  .

Portanto, (i j ) vi , vj  = 0. Como i j = 0, segue que vi , vj  =


0, isto e, os vetores vi e vj sao ortogonais.
O tipo de diagonalizacao que aparece no Exemplo 2 e muito importante
na teoria das matrizes simetricas. Por isso, temos a seguinte denicao.
Defini
c
ao 2
Uma matriz A Mn (R) e dita diagonalizavel por matriz ortogonal se
existe uma matriz ortogonal P (lembre, P 1 = P t ) e uma matriz diagonal D
tais que A = P DP t.
Da discussao do Exemplo 2 vimos que, para diagonalizar uma matriz
A Mn (R) utilizando uma matriz ortogonal P , foi preciso encontrar n autovetores linearmente independentes e ortogonais. A questao e: quando e que
isso e possvel de ser realizado? O proximo teorema caracteriza o tipo de
matriz que pode ser diagonalizada por matriz ortogonal.
Teorema 3
Uma matriz A Mn (R) e diagonalizavel por matriz ortogonal se e
somente se A e uma matriz simetrica.
CEDERJ

30

Matrizes simetricas

MODULO
3 AULA 22

Demonstracao:
Uma das direcoes e muito simples de ser feita. Suponha que A seja
diagonalizavel por matriz ortogonal, como na Denicao 2; entao
At = (P DP t)t = (P t )t D t P t = P DP t = A,
onde (P t )t = P e D t = D, ja que D e uma matriz diagonal. Assim, conclumos que A e uma matriz simetrica.
A recproca e muito mais complicada e sera omitida nestas notas. A
ideia basica desta parte da demonstracao sera apresentada na proxima aula

e envolve um dos teoremas mais importantes da Algebra


Linear.

Exemplo 3
Determine se a matriz

3 2 4

A = 2
6 2
4
2 3

e diagonalizavel por matriz ortogonal e, caso seja, determine uma matriz


ortogonal P e uma matriz diagonal D tal que A = P DP t.
Solucao
Como A e uma matriz simetrica, entao, pelo Teorema 3, ela e diagonalizavel por matriz ortogonal. Vamos, agora, realizar o c
alculo de diagonalizacao de A.
Os autovalores da matriz A sao as razes do polinomio caracterstico
p(x) = det(xI3 A)

x3
2
4


= 2
x 6 2

4
2 x 3

= x3 12x2 + 21x + 98 .
Observando, por inspecao, que 1 = 2 e uma raiz de p(x), temos que
p(x) = (x + 2) (x2 14x + 49) = (x + 2) (x 7)2 .
Assim, os autovalores da matriz A sao 1 = 2, com multiplicidade
algebrica 1, e 2 = 7, com multiplicidade algebrica 2.
Para o autovalor 1 = 2, temos que os autovetores associados,
v = (x, y, z), satisfazem o sistema linear
(2 I3 A)v = 0.
31

CEDERJ

Matrizes simetricas

Completando os calculos temos, que o auto-espaco V2 e um subespaco


de dimensao 1 e e gerado pelo vetor v1 = (2, 1, 2).
Para o autovalor 2 = 7, como ja sabemos que a matriz A e diagonalizavel, o auto-espaco V7 tem dimensao igual a 2. O fato interessante e que
podemos construir uma base ortogonal de autovetores para esse subespaco
V7 . Os autovetores v = (x, y, z) associados ao autovalor 2 = 7 satisfazem o
sistema linear
(7 I3 A)v = 0.
Usando as tecnicas usuais para a resolucao de sistemas lineares, obtemos que:
V7 = {v R3 |Av = 7v }
= {v R3 |(7 I3 A)v = 0 }
= {(x, y, z) R3 |2x + y 2z = 0 }.
Para obter uma base ortogonal de V7 , observamos facilmente que
v2 = (1, 0, 1) V7 . O outro vetor v3 = (a, b, c) V7 deve satisfazer
2a + b 2c = 0 e ainda ser ortogonal a v2 , isto e, v2 , v3  = 0, ou seja,
a + c = 0. Portanto, v3 = (a, b, c) deve satisfazer o sistema linear


2a + b 2c = 0
a +c = 0.

Completando os calculos, obtemos, por exemplo, v3 = (1, 4, 1). Observe que, pelo Teorema 2, o autovetor v1 e ortogonal aos autovetores v2
e v3 , ja que eles correspondem a autovalores distintos da matriz simetrica
A. Assim, {v1 , v2 , v3 } e um conjunto ortogonal de autovetores da matriz A.
Normalizando esses vetores, obtemos:
v1
= (2/3, 1/3, 2/3);
||v1 ||


v2
= (1 2, 0, 1 2);
u2 =
||v2 ||



v3
= (1 18, 4 18, 1 18).
u3 =
||v3 ||

u1 =

CEDERJ

32

Matrizes simetricas

MODULO
3 AULA 22

Portanto, {u1 , u2 , u3 } e uma base ortonormal de autovetores de A.


Com esses autovetores, obtemos a matriz P e com os autovalores, obtemos a
matriz D:



2/3 1 2 1 18


P = 1/3
0
4 18 ;


2/3 1 2 1 18

2 0 0

D = 0 7 0 ,
0 0 7
de modo que A = P DP t .

Exerccios
1. Mostre que se A e uma matriz simetrica, entao A2 tambem e uma
matriz simetrica.
2. Mostre que se A e uma matriz diagonalizavel por matriz ortogonal
entao A2 tambem e.
3. Determine uma matriz ortogonal P e uma matriz diagonal D tal que
A = P DP t , onde a matriz A e dada por

A=

1
2
0
0

2
0
0
1
0
0
0
1 2
0 2
1

33

CEDERJ

O Teorema Espectral

MODULO
3 AULA 23

Aula 23 O Teorema Espectral


Objetivos:
Compreender o signicado do Teorema Espectral.
Compreender a decomposicao espectral de matrizes simetricas.
Aplicar os conceitos apresentados em exemplos importantes.
Pr
e-requisitos: Aulas 5 e 22

Nesta aula, continuaremos estudando as matrizes simetricas e faremos uma breve discussao do chamado Teorema Espectral para Matrizes
Simetricas, mencionado na demonstracao do Teorema 3 da aula passada. Os
detalhes da demonstracao desse importante teorema serao omitidos nestas
notas. Uma versao simples do Teorema Espectral e apresentada a seguir.
Teorema 1 (Teorema Espectral para Matrizes Sim
etricas)
Seja A Mn (R) uma matriz simetrica (isto e, At = A). Entao vale:
1. A matriz A possui n autovalores reais, contando suas multiplicidades.
2. A dimensao do auto-espaco associado a cada autovalor e igual a`
multiplicidade de como raiz do polinomio caracterstico de A, isto e,
a multiplicidade geometrica de e igual a` sua multiplicidade algebrica.
3. Os auto-espacos sao ortogonais entre si, isto e, os autovetores associados
a autovalores distintos sao ortogonais.
4. A matriz A e diagonalizavel por matriz ortogonal, isto e, existem uma
matriz ortogonal P e uma matriz diagonal D tal que A = P DP t.
Observacoes:
1. Como ja foi observado anteriormente, o polinomio caracterstico de uma
matriz A nao possui necessariamente apenas razes reais. Por exemplo,
dada a matriz


0 1
,
A=
1 0
seu polinomio caracterstico, dado por p(x) = x2 + 1, nao possui razes
reais. Mas isso nao acontece se A for uma matriz simetrica. O item
1 do Teorema Espectral arma que o polinomio caracterstico de uma
matriz simetrica possui apenas razes reais. A demonstracao desse fato,
embora simples, e bem trabalhosa e utiliza o Teorema Fundamental

da Algebra,
que diz que todo polinomio de grau n com coecientes
35

CEDERJ

O Teorema Espectral

reais possui n razes reais ou complexas, contando suas multiplicidades.


Na demonstracao do Teorema Espectral mostra-se que as n razes do
polinomio caracterstico sao, de fato, razes reais.
2. Se A e uma matriz simetrica e tem n autovalores distintos, entao pelo
Teorema 2 da Aula 5 e pelo Teorema 2 da Aula 22, vemos que A e
diagonalizavel por matriz ortogonal.
3. Se A e uma matriz simetrica e tem algum autovalor com multiplicidade
algebrica maior que 1, ainda e verdade que podemos diagonaliza-la. Na
verdade, podemos mostrar que se A e simetrica e tem um autovalor
de multiplicidade k, entao o auto-espaco associado tem dimensao k.
Isto signica que o sistema linear
( In A)v = 0
admite k solucoes linearmente independentes, isto e, a matriz A tem
k autovetores linearmente independentes associados ao autovalor .
Usando o processo de ortogonalizacao de Gram-Schmidt, podemos obter uma base ortonormal para este auto-espaco. Obtemos assim um
conjunto de k autovetores ortonormais associados ao autovalor . Como
autovetores associados a autovalores distintos sao ortogonais, entao,
considerando o conjunto de todos os autovalores de A, obtemos uma
base ortonormal de autovetores para Rn . Conseq
uentemente, A e uma
matriz diagonalizavel, 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 Mn (R) uma matriz simetrica e {u1 , u2 , . . . , un } uma base
ortonormal de autovetores associados aos autovalores 1 , 2 , . . . , n da matriz
A. Seja P a matriz ortogonal tendo esses autovetores como colunas e D a
matriz diagonal tal que A = P DP t. Entao
A = P DP t

= [u1 u2

un ]

1 0
0 2
..
..
.
.
0

0
0
..
.

[u1 u2 un ]t

= [1 u1 2 u2 n un ] [u1 u2 un ]t
= 1 u1 ut1 + 2 u2 ut2 + n un utn .
Esta representacao e chamada uma decomposicao espectral de A.
CEDERJ

36

O Teorema Espectral

MODULO
3 AULA 23

Exemplo 1

Obtenha uma decomposicao espectral da matriz A =

7 2
2 4


.

Solucao
Sendo A uma matriz simetrica, essa decomposicao existe. O polinomio
caracterstico de A e dado por
p(x) = det(xI2 A)
= x2 11x + 24
= (x 8)(x 3) .
Entao os autovalores sao 1 = 8 e 2 = 3, e ainda podemos obter os
 
 
respectivos autovetores u1 = (2 5, 1 5) e u2 = (1 5, 2 5). Assim,
temos que


A = 
P DP t

  

  
 
7 2
2 5 1 5
8 0
2 5 1 5




=
2 4
1 5 2 5
1 5 2 5
0 3

Denotando a matriz P = [u1 u2 ], temos, pela decomposicao espectral,


que:
A = 8u1 ut1 + 3u2 ut2 .
Para vericar essa decomposicao da matriz A, observe que:


  

 

4/5
2/5
2
5

u1 ut1 =
=
2 5 2 5
2/5 1/5
1 5









1/5
2/5
1
5

u2 ut2 =
=
1 5 2 5
2/5 4/5
2 5
e, nalmente,
8u1 ut1 + 3u2 ut2 =

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 Mn (R)
1o Passo: Obtenha o polinomio caracterstico da matriz A,
p(x) = det(xIn A).
2o Passo: Encontre as razes do polinomio caracterstico de A. Elas
sao todas reais e existem exatamente n delas, contando suas multiplicidades.
37

CEDERJ

O Teorema Espectral

3o Passo: Para cada autovalor da matriz A, de multiplicidade algebrica


k, determine seu auto-espaco associado
V = {v Rn | ( In A)v = 0},
que e um subespaco vetorial de dimensao k. Para cada V assim obtido,
determine uma base ortonormal que consistira de k autovetores. Se desejar,
pode utilizar o processo de ortogonalizacao de Gram-Schmidt. A reuniao
dessas bases determina uma base ortonormal de autovetores para Rn .
4o Passo: Seja P a matriz cujas colunas sao os n autovetores da base
ortonormal de Rn obtida no terceiro passo. Portanto, P e uma matriz ortogonal. 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, entao,
A = P DP t.
Exemplo 2
Aplique o processo de diagonalizacao acima a` matriz

0 2 2

A= 2 0 2
2 2 0
e obtenha sua decomposicao espectral.
Solucao
Observe, inicialmente, que A e uma matriz simetrica e, portanto, se
aplica o processo de diagonalizacao acima. Nao e difcil determinar que o
polinomio caracterstico da matriz A e dado por
p(x) = det(xI3 A) = (x + 2)2 (x 4),
de modo que os autovalores de A sao:
1 = 2 com multiplicidade algebrica 2,
2 = 4 com multiplicidade algebrica 1.
O auto-espaco associado a 1 = 2 e dado por
V2 = {v R3 | (A + 2 I3 )v = 0 }
= {(x, y, z) R3 |x + y + z = 0}.
CEDERJ

38

O Teorema Espectral

MODULO
3 AULA 23

Para escolhermos uma base ortogonal de V2 , podemos usar o processo de ortogonalizacao de Gram-Schmidt a partir de uma base qualquer de
V2 ou podemos tentar obter diretamente dois vetores ortonormais de V2 ,
como ja foi feito anteriormente. Faremos o calculo diretamente. Da equacao
x + y + z = 0 podemos ver facilmente que v1 = (1, 0, 1) V2 . O outro
vetor, v2 = (a, b, c) V2 , deve satisfazer a + b + c = 0 e ainda ser ortogonal
a v1 , isto e, v2 , v1  = 0, ou seja, a c = 0. Portanto, v2 = (a, b, c) deve
satisfazer o sistema linear

a+b+c=0
a c = 0.
Completando os calculos, obtemos, por exemplo, v2 = (1, 2, 1). Normalizando esses dois vetores, obtemos:


v1
= (1 2 , 0 , 1 2) e
||v1 ||



v2
= (1 6 , 2 6 , 1 6).
u2 =
||v2 ||
u1 =

Assim, {u1 , u2 } forma uma base ortonormal do auto-espaco V2 .


Por outro lado, o auto-espaco associado a 2 = 4 e dado por
V4 = {v R3 | (4 I3 A)v = 0 }
= {(x, y, z) R3 |x = z e y = z } .
facil ver que v3 = (1, 1, 1) V4 . Normalizando esse vetor, obtemos
E
que
u3 =




v3
3, 1
3, 1
3)
= (1
||v3 ||

representa uma base ortonormal do auto-espaco V4 . Como A e matriz simetrica,


os autovetores associados a autovalores distintos sao ortogonais e, assim, u3
e ortogonal a u1 e u2 . Portanto, {u1 , u2 , u3 } e uma base ortonormal de R3
formada por autovetores de A. Com esses autovetores obtemos a matriz P ,
e com os autovalores obtemos a matriz D:



1 6 1 3
1 2



P = [u1 u2 u3 ] =
0
2 6 1 3 ;



1 2 1 6 1 3

2 0 0

D = 0 2 0 ,
0
0 4
39

CEDERJ

O Teorema Espectral

de modo que A = P DP t. A decomposicao espectral da matriz A e dada por:


A = 2u1 ut1 2u2 ut2 + 4u3 ut3 ,
ou ainda,



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 0 1
1/3 2/3 1/3
4/3



= 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 .
2 2 0

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
muito importante que voce entenda bem o signicado deste Teorema
E
Espectral. Lembre do que aconteceu em exemplos vistos anteriormente, em
que a matriz considerada nao era simetrica. Estudamos exemplos de matrizes nao-simetricas com autovalores repetidos que eram diagonalizaveis e
outros exemplos de matrizes nao-simetricas que nao eram diagonalizaveis.
Ha algumas diferencas marcantes entre os casos simetrico e nao-simetrico
que tentaremos resumir agora.
Se A for uma matriz nao-simetrica, entao nem todas as razes de seu
polinomio caracterstico precisam ser n
umeros reais, o que e necessario no
caso de a matriz A ser simetrica. Se A for uma matriz nao-simetrica e todas
as razes de seu polinomio caracterstico forem n
umeros reais, entao ainda e
o caso em que um autovalor de
possvel que A nao seja diagonalizavel. E
multiplicidade algebrica k nao possui k autovetores linearmente independentes, isto e, quando o auto-espaco correspondente tem dimensao menor que
k, ou ainda, quando a multiplicidade geometrica do autovalor e menor que
sua multiplicidade algebrica. Agora, quando A e uma matriz simetrica, alem
de todos os autovalores serem reais, sao iguais a multiplicidade algebrica e a
multiplicidade geometrica de cada autovalor.
E, por m, diferente do que ocorre no caso de matriz simetrica, se a
matriz A e nao-simetrica, entao autovetores associados a autovalores distintos
nao precisam ser ortogonais. Estude e analise, com a ajuda de seu tutor,
exemplos ja vistos em aulas anteriores em que ocorrem as diferencas descritas
aqui.
CEDERJ

40

O Teorema Espectral

MODULO
3 AULA 23

Exerccios
1. Em cada caso, aplique o processo de diagonalizacao a` matriz A, determinando as matrizes ortogonal P e diagonal D tais que A = P DP t.


2 2
a) A =
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

2. Sejam A = 1 3 1 e v = 1 . Verique que = 5 e um


1 1 3
0
autovalor de A e que v e um autovetor A. Em seguida obtenha as
matrizes ortogonal P e diagonal D tais que A = P DP t.

41

CEDERJ

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
e-requisitos: Aulas 8 e 20 a
23

Nesta aula vamos denir os operadores lineares T : Rn Rn associados a`s matrizes simetricas e estudar suas propriedades. Como estaremos
trabalhando sempre com bases ortonormais, e de suma importancia que o
espaco vetorial Rn esteja munido de um produto interno, o qual estaremos
sempre supondo que seja o produto interno canonico de Rn .
Definic
ao 1
Um operador linear T : Rn Rn e denominado auto-adjunto se satisfaz
T (u), v = u, T (v) para todo u, v Rn .
O resultado que segue relaciona os operadores auto-adjuntos com as
matrizes simetricas.
Teorema 1
Um operador linear T : Rn Rn e auto-adjunto se e somente se a
matriz A, que representa T com respeito a qualquer base ortonormal de
Rn , e uma matriz simetrica.
Demonstracao:
Com respeito a` base ortonormal de Rn , temos que T (u) = Au para
todo u Rn . 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 e a transposta da matriz A. Assim,
T e auto-adjunto

T (u), v = u, T (v) para todo u, v Rn


Au, v = u, Av para todo u, v Rn
ut At v = ut Av para todo u, v Rn
At = A
A e uma matriz simetrica.
43

CEDERJ

Operadores auto-adjuntos

importante salientar que nao existe uma relacao tao simples entre o
E
operador linear T : Rn Rn e sua representacao matricial A = [T ] quando
a base nao for ortonormal (veja a observacao ao nal do Exemplo 1).
O Teorema 1 tambem fornece um criterio pratico para determinar se
um dado operador linear T : Rn Rn e auto-adjunto. Basta considerar
qualquer base ortonormal de Rn e vericar se a matriz A = [T ] e uma
matriz simetrica.
Exemplo 1
Determine se o operador linear
T : R2 R2
T (x, y) = (x, 0)
e auto-adjunto.
Solucao
Vimos, no Exemplo 1 da Aula 20, que T e a projecao ortogonal sobre
o eixo-x. Considerando a base canonica = {e1 , e2 } de R2 , vimos que a
matriz que representa T nesta base e dada por


1 0
.
A = [T ] =
0 0
Como a base canonica e ortonormal e a matriz A e simetrica, entao,
pelo Teorema 1, o operador T e auto-adjunto.
Vejamos o que acontece quando escolhemos um base de R2 que nao
e ortonormal. Considere a base = {u1 , u2 } dada por
 
u1 = ( 2 2, 2 2) e u2 = (0, 1).
Esta claro que esta base nao e ortonormal, e ainda temos que
 


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 e dada por


1
0

.
B = [T ] =
2 2 0
Observe que esta matriz nao e simetrica, mas tambem a base nao e ortonormal, o que nao contradiz o Teorema 1.
CEDERJ

44

Operadores auto-adjuntos

MODULO
3 AULA 24

Exemplo 2
Considere os operadores lineares
T1 : R2 R2 ,

T1 (x, y) = (x, 2y)

T2 : R2 R2 ,

T2 (x, y) = (y, x).

Verique que T1 e T2 sao operadores auto-adjuntos e verique se a


composicao T1 T2 tambem e operador auto-adjunto.
Solucao
Considerando a base canonica de R2 , vericamos que as matrizes A1 e
A2 que representam respectivamente, os operadores T1 e T2 nesta base, sao
dadas por




1 0
0 1
e A2 =
.
A1 =
0 2
1 0
Como essas duas matrizes sao matrizes simetricas, conclumos, pelo
Teorema 1, que T1 e T2 sao operadores auto-adjuntos. No entanto, o operador
obtido pela composicao
T1 T2 : R2 R2 , (T1 T2 )(x, y) = (y, 2x)
e representado, na base canonica, pela matriz


0 2
B=
,
1 0
que nao e uma matriz simetrica. Assim, outra vez pelo Teorema 1, a composicao T1 T2 nao e um operador auto-adjunto. Da, conclumos que a composicao de operadores auto-adjuntos nao e, necessariamente, auto-adjunto.
O proximo teorema segue imediatamente dos resultados sobre matrizes
simetricas estudados nas Aulas 22 e 23.
Teorema 2
Seja T : Rn Rn um operador auto-adjunto. Entao
1. Autovetores correspondentes a autovalores distintos de T sao ortogonais, isto e, se v1 , v2 , . . . , vk sao k autovetores associados aos autovalores distintos 1 , 2 , . . . , k , entao v1 , v2 , . . . , vk sao ortogonais.
2. O operador T possui n autovalores reais, contando suas multiplicidades.
45

CEDERJ

Operadores auto-adjuntos

3. A dimensao do auto-espaco associado a cada autovalor e igual a` multiplicidade de como raiz do polinomio caracterstico de T , isto e, a
multiplicidade geometrica de cada autovalor e igual a` sua multiplicidade algebrica.
4. Os auto-espacos de T sao ortogonais entre si.
5. Existe uma base ortonormal {u1 , u2 , . . . , un } de Rn formada por autovetores de T .
Au
ltima armacao do Teorema 2 tambem e conhecida como Teorema
Espectral para Operadores Auto-Adjuntos Reais e diz, simplesmente, que
estes operadores sao diagonalizaveis.
Exemplo 3
Seja T : R3 R3 dado por
T (x, y, z) = (3x, 2y + z, y + 2z).
a) Verique que T e um operador auto-adjunto.
b) Determine os autovalores e os autovetores de T e verique que T e
diagonalizavel.
Solucao
a) Considerando a base canonica {e1 , e2 , e3 } de R3 , temos que
T e1 = T (1, 0, 0) = (3, 0, 0),
T e2 = T (0, 1, 0) = (0, 2, 1),
T e3 = T (0, 0, 1) = (0, 1, 2).
Assim, a matriz que representa o
dada por

A= 0
0

operador linear T na base canonica e

0 0

2 1 .
1 2

Observando que A e uma matriz simetrica, temos, pelo Teorema 1, que T e


um operador auto-adjunto.
CEDERJ

46

Operadores auto-adjuntos

MODULO
3 AULA 24

b) O polinomio caracterstico do operador T e dado por


p(x) = det(xI3 A)

x3
0
0


= 0
x 2 1

0
1 x 2

= (x 3)2 (x 1) .
Assim, os autovalores de T sao 1 = 3, com multiplicidade algebrica 2,
e 2 = 1 com multiplicidade algebrica 1. Nao e difcil obter que o auto-espaco
V3 , associado a 1 = 3, e dado por
V3 = {v R3 |T v = 3v}
= {(x, y, z) R3 |y = z e x arbitrario} .
Portanto, uma base ortonormal de V3 e dada por
 
u1 = (1, 0, 0) e u2 = (0, 1
2, 1
2).
Analogamente, o auto-espaco V1 , associado a 2 = 1, e dado por
V1 = {v R3 | T v = v}
= {(x, y, z) R3 | x = 0 e y = z} ,


e uma base ortonormal de V1 e dada pelo vetor u3 = (0, 1 2, 1 2).
Conseq
uentemente, = {u1 , u2 , u3 } e uma base ortonormal de R3 formada
por autovetores de T e, nesta base, T e representado pela matriz diagonal

3 0 0

B = [T ] = 0 3 0 .
0 0 1
Portanto, T e um operador diagonalizavel.
Exemplo 4
Determine valores de a, b R de modo que o operador T : R3 R3 ,
denido por
T (x, y, z) = (x + 2ay + 2z, 4x 5y bz, 2x 4y + z),
seja auto-adjunto. Determine, tambem, uma base ortonormal de R3 formada
por autovetores de T e a matriz que representa T nesta base.
47

CEDERJ

Operadores auto-adjuntos

Solucao
Considerando a base canonica {e1 , e2 , e3 } de R3 , temos que
T e1 = T (1, 0, 0) = (1, 4, 2) = 1 e1 + 4 e2 + 2 e3 ,
T e2 = T (0, 1, 0) = (2a, 5, 4) = 2a e1 + (5) e2 + (4) e3 ,
T e3 = T (0, 0, 1) = (2, b, 1) = 2 e1 + (b) e2 + 1 e3 .
Assim, a matriz que representa
dada por

A= 4
2

o operador linear T na base canonica e

2a 2

5 b .
4 1

Para que T seja um operador auto-adjunto e necessario que a matriz A


seja simetrica, isto e, que At = A. Para isso, e preciso que 2a = 4 e b = 4,
ou seja, que
a = 2 e b = 4.
Assim, obtemos a matriz simetrica

1 4
2

A = 4 5 4 ,
2 4 1

garantindo que o operador T e auto-adjunto. Nao e difcil vericar que o


polinomio caracterstico de T e dado por
p(x) = det(xI3 A)
= (x + 9)(x 3)2 .
Os auto-espacos correspondentes sao dados por
V9 = {v R3 | T v = 9v}
= {(x, y, z) R3 | x = z e y = 2z} ,
e
V3 = {v R3 | T v = 3v}
= {(x, y, z) R3 | x + 2y + z = 0} .


Uma base ortonormal de V9 e dada pelo vetor u1 = (1 6, 2 6,

1 6), enquanto uma base ortonormal de V3 e dada pelos vetores


  
uentemente,
u2 = (1 2, 0, 1 2) e u3 = (1 3, 1 3, 1 3). Conseq
CEDERJ

48

Operadores auto-adjuntos

MODULO
3 AULA 24

= {u1 , u2 , u3 } e uma base ortonormal de R3 formada por autovetores


de T e, nessa base ordenada, T e representado pela matriz diagonal

9 0 0

B = [T ] = 0 3 0 .
0 0 3
Observe que T e um operador diagonalizavel.
Exemplo 5
Dados os vetores u = (4, 4, 2), v = (4, 2, 4) e w = (1, 2, 2), seja
T : R R3 o operador linear dado por
3

T u = (10 , 2 , 2), T v = (2, 10, 2) e T w = (1, 1, 5).


Verique que T e um operador auto-adjunto.
Solucao
facil ver que T e uma base ortogonal, pois
E
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
= (2/3 , 2/3 , 1/3),
||u||
v
u2 =
= (2/3 , 1/3 , 2/3) e
||v||
w
= (1/3 , 2/3 , 2/3)
u3 =
||w||
u1 =

formam uma base ortonormal de R3 . Como ||u|| = ||v|| = 6 e ||w|| = 3,


temos 



u
1
1
1
T (u1) = T
||u|| = T (u) = (10, 2, 2) = (5/3, 1/3, 1/3);
=T
||u||
6
6
6




1
1
1
v
=T
||v|| = T (v) = (2, 10, 2) = (1/3, 5/3, 1/3);
T (u2 ) = T
||v||
6
6
6




w
1
1
1
T (u3 ) = T
||w|| = T (w) = (1, 1, 5) = (1/3, 1/3, 5/3).
=T
||w||
3
3
3
49

CEDERJ

Operadores auto-adjuntos

Agora, nao e difcil ver que os vetores T (u1 ), T (u2 ) e T (u3 ) se expressam
em funcao da base = {u1 , u2 , u3 } como:
T (u1 ) = (5/3, 1/3, 1/3) = 1 u1 + 1 u2 + 1 u3 ;
T (u2 ) = (1/3, 5/3, 1/3) = 1 u1 + (1) u2 + (1) u3 ;
T (u3 ) = (1/3, 1/3, 5/3) = 1 u1 + (1) u2 + 1 u3 .
Portanto, a matriz que representa
ortonormal {u1 , u2 , u3 } e dada por

B = [T ] = 1
1

o operador T com respeito `a base

1
1

1 1 .
1 1

Como B e uma matriz simetrica, conclumos, pelo Teorema 1, que o


operador T e auto-adjunto. Observe que neste exemplo usamos uma base
ortonormal que nao e a base canonica nem e uma base de autovetores.

Auto-avalia
c
ao
de suma importancia que voce reveja e entenda muito bem a relacao
E
que existe entre as matrizes simetricas, estudadas nas aulas anteriores, e os
operadores auto-adjuntos vistos nesta aula. Compare os conceitos e estude
os exemplos. Em caso de d
uvidas nao hesite em consultar o seu tutor.

Exerccios
1. Verique que o operador T : R3 R3 , 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
exerccio anterior.

CEDERJ

50

Formas bilineares

MODULO
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 nocao de
aplicacao linear num espaco vetorial. Mais especicamente, vamos desenvolver o conceito de forma bilinear, que da origem a`s formas quadraticas que
serao estudadas na proxima aula. Veremos a denicao de formas bilineares e
estudaremos algumas de suas propriedades, principalmente sua relacao com
as matrizes, o que constitui o aspecto mais importante para ns praticos.
Defini
c
ao 1
Seja V um espaco vetorial real. Uma forma bilinear em V e uma aplicacao
B :V V R
(u , v)
 B(u , v)
que e linear em cada uma das duas variaveis 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 Rn , isto e, dados u = (u1 , u2 , . . . , un ),
v = (v1 , v2 , . . . , vn ) Rn , considere a aplicacao
F :V V R
(u , v)  F (u , v) = u1v1 + u2 v2 + + un vn .
Verique que F e uma forma bilinear em Rn .
51

CEDERJ

Formas bilineares

Solucao
De fato, considerando outro vetor w = (w1 , w2 , . . . , wn ) Rn e
a R, temos que
F (u + a w, v) =
=
=
=

B((u1 + aw1 , u2 + aw2 , . . . , un + awn ) , (v1 , v2 , . . . , 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 , v) + a F (w, v) ,

o que mostra que F (u , v) e uma transformacao linear na primeira variavel


u. Um argumento analogo, deixado a cargo do aluno, mostra que F (u , v)
tambem e uma transformacao linear na segunda variavel v. Assim, podemos
concluir que F (u , v) e uma aplicacao bilinear de Rn .
Exemplo 2
Seja a matriz

2 0 0

A = 4 2 0 .
0 0 3

Mostre que podemos associar `a matriz A uma forma bilinear B : R3 R3


R dada por

2 0 0
y1

B((x1 , x2 , x3 ), (y1 , y2 , y3 )) = (x1 x2 x3 ) 4 2 0 y2


y3
0 0 3
= 2 x1 y1 + 4 x2 y1 + 2 x2 y2 + 3 x3 y3 .
Solucao
Observe que para todo par de vetores u , v R3

x1
y1

u = x2 e v = y2 ,
x3
y3
podemos reescrever
B(u , v) = ut A v,
onde ut e a matriz transposta de u. Assim, a bilinearidade da aplicacao
B(u, v) decorre facilmente das propriedades do produto e da soma de
matrizes.
Este exemplo e facilmente generalizado.
CEDERJ

52

Formas bilineares

MODULO
3 AULA 25

Teorema 1
Seja A = (aij ) Mn (R), isto e, uma matriz de ordem n. Podemos
associar `a matriz A uma forma bilinear F : Rn Rn R dada por
F (u , v) = ut A v,
onde u , v Rn .
Observe que, reescrevendo os vetores u e

x1

x2

e v=
u=
.
.

xn

v na forma

y1

y2
..
,
.
yn

entao
F (u , v) = ut A v

= (x1 x2

xn )

a11
a21
..
.

a12
a22
..
..
.
.

a1n
a2n
..
.

an1 an2 ann


= a11 x1 y1 + a12 x1 y2 + + ann xn yn
n

=
aij xi yj .

y1
y2
..
.

yn

i, j=1

Seja V um espaco vetorial real, F : V V R uma forma bilinear em V , e


= {e1 , e2 , . . . , en } uma base de V . Sejam u , v V com
u = u1 e1 + u2 e2 + + un en
e
v = v1 e1 + v2 e2 + + vn en .
Entao,
F (u , v) = F (u1e1 + u2 e2 + + un en , v1 e1 + v2 e2 + + vn en )
= u1 v1 F (e1 , e1 ) + u1 v2 F (e1 , e2 ) + + un vn F (en , en )
n

=
ui vj F (ei , ej ) .
i, j=1

Assim, a forma bilinear F ca completamente determinada pela n2 valores


F (vi , vj ).
53

CEDERJ

Formas bilineares

Defini
c
ao 2
A matriz A = (aij ), com aij = F (ei , ej ), e chamada de representacao
matricial da forma bilinear F com relacao a` base , ou, simplesmente, de
matriz de F com relacao a .
Esta matriz representa F no sentido que
F (u , v) =

n


uivj F (ei , ej ) = [u]t A [v]

i, j=1

para todo par de vetores u , v V . Como de costume, [u] denota o vetor


das coordenadas de u com respeito `a base .
Exemplo 3
Seja a forma bilinear F : R2 R2 R dada por
F (u , v) = F ((x1 , x2 ), (y1 , y2 )) = x1 y1 x1 y2 + 3 x2 y1 5 x2 y2 ,
para todo u = (x1 , x2 ) , v = (y1 , y2 ) R2 . Considere = {e1 , e2 } a
base canonica de R2 e = {(1 , 0) , (1 , 1)} outra base de R2 . Determine
a matriz de F com respeito a essas bases.
Solucao
Primeiramente, facamos o calculo da matriz de F com respeito `a
base canonica:
F (e1 ,
F (e1 ,
F (e2 ,
F (e2 ,

e1 ) = F ((1 ,
e2 ) = F ((1 ,
e1 ) = F ((0 ,
e2 ) = F ((0 ,

0),
0),
1),
1),

(1 ,
(0 ,
(1 ,
(0 ,

0)) = 1
1)) = 1;
0)) = 3;
1)) = 5.

Portanto, temos que a matriz de F na base canonica e




1 1
A=
.
3 5
Para a matriz de F na base , temos
F ((1 ,
F ((1 ,
F ((1 ,
F ((1 ,

0),
0),
1),
1),

(1 ,
(1 ,
(1 ,
(1 ,

0)) = 1;
1)) = 0;
0)) = 4;
1)) = 2.

Portanto, temos que a matriz de F na base = {(1 , 0) , (1 , 1)} e




1 0
.
B=
4 2
CEDERJ

54

Formas bilineares

MODULO
3 AULA 25

Um problema interessante e saber qual a relacao entre as matrizes A e


B que representam uma mesma forma bilinear F em duas bases e ,
respectivamente.
No caso do exemplo anterior, se P representa a matriz mudanca de
base, da base para a base , temos


1 1
.
P =
0 1
Da,

1 0
B =
4 2
t
= P AP .


=

1 0
1 1



1 1
3 5



1 1
0 1

De um modo geral, temos o seguinte teorema:


Teorema 2
Seja F uma forma bilinear de um espaco vetorial V . Se A e a matriz
de F numa base e B e matriz de F numa base de V , entao
B = P t A P,
onde P e a matriz mudanca de base, da base para a base .
Defini
c
ao 3
Uma forma bilinear F no espaco vetorial V e denominada simetrica se
F (u , v) = F (v , u)
para todo par de vetores u , v V .
Teorema 3
Seja F uma forma bilinear no espaco vetorial V e A a matriz que
representa F numa base de V . Entao F e uma forma bilinear simetrica se
e somente se A e uma matriz simetrica.
Demonstracao:
Por F ser uma forma bilinear em V , temos que
F (u , v) = ut A v
= (ut A v)t , pois ut A v e um escalar
= vt At u .
Se, ainda, F for uma forma bilinear simetrica, entao
vt At u = F (u , v) = F (v , u) = vt A u
55

CEDERJ

Formas bilineares

para todo u , v V . Portanto, temos


At = A,
isto e, a matriz A e simetrica.
Reciprocamente, se A e uma matriz simetrica (isto e, At = A), entao a
forma bilinear F tambem e simetrica, pois
F (u , v) = ut A v
= (ut A v)t , pois ut A v e um escalar
= vt At u
= vt A u , pois At = A
= F (v , u)
para todo par de vetores u , v V .

Auto-avalia
c
ao
Voce deve ter compreendido que o conceito de forma bilinear e
uma generalizacao do conceito de transformacao linear ja bastante estu de extrema importancia rever todos os conceitos e tentar resolver os
dado. E
exerccios propostos. Caso surjam diculdades, consulte as notas de aula ou
peca ajuda ao seu tutor. Os conceitos desta aula ainda serao bastante utilizados. Por isso, nao deixe de fazer uma boa revisao de matrizes simetricas.

Exerccios
1. Seja A Mn (R). Verique que a aplicacao F : Rn Rn R, denida
por F (u , v) = ut A v e uma forma bilinear.
2. Seja F : R3 R3 R, denida por F (u , v) = u , v, o produto
escalar em R3 .
(a) Determine a matriz A que representa a forma bilinear F com
respeito a` base canonica R3 .
(b) Determine a matriz B que representa a forma bilinear F com
respeito a` base = {(1 , 1 , 0) , (1 , 0 , 1) , (0 , 2 , 1)}.
3. Seja a forma bilinear F : R2 R2 R denida por
F (u , v) = F ((x1 , x2 ), (y1 , y2 )) = 2 x1 y1 3 x1 y2 + x2 y2 ,
para todo u = (x1 , x2 ) , v = (y1 , y2 ) R2 .
CEDERJ

56

Formas bilineares

MODULO
3 AULA 25

a) Determine a matriz A que representa F com respeito `a base =


{(1 , 0) , (1 , 1)}.
b) Determine a matriz B que representa F com respeito `a base =
{(2 , 1) , (1 , 1)}.
c) Determine a matriz mudanca de base P , da base para a base , e
verique que B = P t A P .

57

CEDERJ

Formas quadraticas

MODULO
3 AULA 26

Aula 26 Formas quadr


aticas
Objetivos:
Compreender o conceito de forma quadratica.
Aplicar os conceitos apresentados em casos particulares.
Pr
e-requisitos: Aulas 22 e 25.
As formas bilineares, vistas na aula anterior, dao origem a`s formas
quadraticas que serao estudadas nesta aula. As formas quadraticas ocorrem

com grande destaque em aplicacoes da Algebra


Linear a` Engenharia, como
em criterios para projetos, em problemas de otimizacao e em processamento
de sinais. Elas tambem ocorrem na Fsica, em descricoes de energia potencial
e energia cinetica; em Economia, nas funcoes de utilidade; e, tambem, em
Estatstica. Em todas essas situacoes e muito importante o conhecimento do
sinal (positivo ou negativo) que a forma quadratica pode assumir, assim como
o conhecimento de seus autovalores associados. Uma parte muito importante
da base matematica para o estudo das formas quadraticas segue facilmente
do nosso estudo previo sobre matrizes simetricas.
Defini
c
ao 1
Seja V um espaco vetorial real. Uma aplicacao q : V R e chamada
de forma quadr
atica se existe uma forma bilinear simetrica 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 V .
Dizemos que matriz A e a representacao matricial da forma quadratica q
com espeito a essa mesma base V . Como a forma bilinear F e simetrica,
entao, pelo Teorema 3 da Aula 25, a matriz A e uma matriz simetrica. Com
respeito a` base , denotamos A = (aij ) e v = (x1 , x2 , . . . , xn ) V ; entao
q(v) = F (v , v)
= vt A v

= (x1 x2

n

i, j=1

xn )

a11
a21
..
.
an1

a12 a1n
a22 a2n
..
. . ..
. .
.
an2 ann

x1
x2
..
.

xn

aij xi xj .

59

CEDERJ

Formas quadraticas

E agora, sendo A simetrica, vale que aij = aji . Portanto,


q(v) =

n


aij xi xj =

a11 x21

a22 x22

++

ann x2n

+2

i, j=1

n


aij xi yj .

(1)

i<j

Observe ainda que, se A for uma matriz diagonal, isto e aij = 0 para
i = j, entao teremos
n

aij xi yj = 0,
i<j

o que nos da
q(v) = a11 x21 + a22 x22 + + ann x2n ,
que sera denominada representacao diagonal da forma quadratica q. Veremos, mais a` frente, que toda forma quadratica sempre admite uma representacao diagonal.
Exemplo 1
Seja a forma quadratica q : R2 R dada por
q(x , y) = x2 10xy + y 2 .
Determine a matriz A que representa a forma quadratica q com respeito `a
base canonica.
Solucao
Como A e uma matriz simetrica, podemos denotar


a b
A=
;
b c


temos entao
q(x , y) = (x y)

a b
b c



x
y

= ax2 + 2bxy + cy 2 .
Entao, vale que
ax2 + 2bxy + cy 2 = x2 10xy + y 2 ,
de onde conclumos que
a = 1,

obtendo
A=

CEDERJ

60

b = 5 e c = 1,
1 5
5 1


.

Formas quadraticas

MODULO
3 AULA 26

Observe que q e a forma quadratica associada `a forma bilinear





y1
1 5
F (u , v) = (x1 x2 )
5 1
y2
= x1 y1 5x2 y1 5x1 y2 + x2 y2 ,
onde u = (x1 , x2 ) , v = (y1 , y2 ) R2 , com respeito a` base canonica.
Exemplo 2
Seja q : R3 R a forma quadratica dada por
q(v) = q(x1 , x2 , x3 ) = 5 x21 + 3 x22 + 2 x23 x1 x2 + 8 x2 x3 ,
onde v = (x1 , x2 , x3 ) R3 . Determinar a matriz A que representa a forma
quadratica q com respeito `a base canonica e expresse a forma quadratica na
forma matricial q(v) = vt A v.
Solucao
Os coecientes de x21 , x22 e x23 formam a diagonal principal da matriz
A, como indica a equacao (6). Como A e matriz simetrica, o coeciente de
xi xj , para i = j, e a soma dos coecientes iguais aij = aji , como indica outra
vez a equacao (6). Portanto,
aij = aji =

1
(coeciente de xi xj ).
2

Assim, e facil ver que

5
1/2 0

A = 1/2
3
4 .
0
4
2
E, nalmente,

5
1/2 0
x1

q(x1 , x2 , x3 ) = (x1 x2 x3 ) 1/2


3
4 x2 .
x3
0
4
2

Queremos agora estudar o efeito de uma mudanca de base sobre uma


forma quadratica. Assim, sejam q : V R uma forma quadratica e e
duas bases do espaco vetorial V . Seja P a matriz mudanca de base da base
para a base . Se A e a matriz que representa a forma quadratica q na
base e B e a matriz de q na base , entao, pelo Teorema 2 da Aula 25,
sabemos que
B = P t A P.
61

CEDERJ

Formas quadraticas

Observe que, se P e a matriz ortogonal que diagonaliza a matriz A,


entao B = P t A P = P 1A P e uma matriz diagonal. Nesse caso, a matriz P tambem e chamada mudanca de vari
aveis. Usaremos esses fatos no
proximo exemplo.
Exemplo 3
Determine uma mudanca de variavel P que transforma a forma quadratica
q : R R, dada por
2

q(x1 , x2 ) = x21 8x1 x2 5x22


na base canonica, em uma forma diagonal. Obtenha, tambem, a expressao
dessa forma diagonal.
Solucao
Observando os coecientes de q, vemos que a matriz A que representa
q na base canonica e dada por


1 4
A=
.
4 5
Diagonalizar a forma quadratica q e equivalente a diagonalizar a matriz
simetrica A. Usando os procedimentos ja conhecidos sobre diagonalizacao de
matrizes simetricas, os autovalores da matriz A sao 1 = 3 e 2 = 7.
A matriz P sera obtida a partir de uma base ortonormal de autovetores.
Efetuando os calculos, que e um exerccio para voce, obtemos
  
2 5

, autovetor associado ao autovalor 1 = 3, e
u1 =
1 5
  
1 5

, autovetor associado ao autovalor2 = 7.
u2 =
2 5
Como {u1 , u2 } forma uma base ortonormal de R2 , entao
 
 
2 5 1 5


,
P = [u1 u2 ] =
1 5 2 5
e a matriz diagonal correspondente sera


3 0
,
D=
0 7
onde D = P t A P .
CEDERJ

62

Formas quadraticas

A forma diagonal de q e dada por



q(y1 , y2 ) = (y1 y2 )

MODULO
3 AULA 26

3 0
0 7



y1
y2

= 3y12 7y22 ,


onde
v=

x1
x2

y1
y2

e w=


,

e
v = P w, ou w = P t v
e a mudanca de variaveis.
Veja que
q(v) = q(x1 , x2 ) = x21 8x1 x2 5x22

= (x1 x2 )

1 4
4 5

x1

x2

= vt A v
= (P w)t A (P w)
= wt (P t AP )w
= wt D w

= (y1 y2 )

3 0
0 7



y1
y2

= 3y12 7y22
= q(y1 , y2 ) = q(w) .
Observe que a forma diagonal
q(y1 , y2 ) = 3y12 7y22
nao contem o termo cruzado y1 y2 .
63

CEDERJ

Formas quadraticas

Este exemplo anterior ilustra o teorema a seguir. A parte essencial de


sua demonstracao foi apresentada nos calculos do Exemplo 3 e consiste na
mudanca de variaveis efetuada.
Teorema 1 (Teorema dos Eixos Principais)
Seja q : V R uma forma quadratica. Entao, sempre existe uma
mudanca de variaveis P que transforma a forma quadratica q(v) = vt A v na
forma diagonal q(w) = wt D w, onde v = P w e D = P t A P .
O nome Teorema dos Eixos Principais segue do fato de que as colunas
de P sao chamadas eixos principais da forma quadratica q. Uma interpretacao geometrica deste teorema sera vista nas proximas aulas, mais precisamente no estudo da classicacao de curvas conicas e na classicacao de
superfcies quadricas.
Exemplo 4
Determine uma mudanca de variavel P que transforme a forma quadratica
q : R R, dada por
3

q(x1 , x2 , x3 ) = 3x21 + 2x22 + x23 + 4x1 x2 + 4x2 x3


na base canonica, em uma forma diagonal. Obtenha tambem a expressao
dessa forma diagonal.
Solucao
Observando os coecientes de q,
q na base canonica e dada por

A= 2
0

vemos que a matriz A que representa

2 0

2 2 .
2 1

Procedendo a` diagonalizacao da matriz simetrica A, deixamos os detalhes dos calculos como um exerccio para voce, obtemos os autovalores 1 = 5,
2 = 2 e 3 = 1. A matriz mudanca de variavel P sera obtida a partir de
uma base ortonormal de autovetores. Efetuando os calculos, obtemos:

2/3

u1 = 2/3 autovetor associado ao autovalor 1 = 5;


1/3

2/3

u2 = 1/3 autovetor associado ao autovalor2 = 2;


2/3
CEDERJ

64

Formas quadraticas

MODULO
3 AULA 26

1/3

u3 = 2/3 autovetor associado ao autovalor3 = 1.


2/3
Como {u1 , u2 , u3 } forma uma base ortonormal de R3 , entao

2/3 2/3 1/3

P = [u1 u2 u3 ] = 2/3 1/3 2/3


1/3 2/3
2/3
e uma matriz ortogonal e a matriz diagonal correspondente sera

5 0 0

D = 0 2 0 ,
0 0 1
onde D = P t A P .
A forma diagonal de q e dada por

y1
5 0 0

q(y1 , y2 , y3 ) = (y1 y2 y3 ) 0 2 0 y2
y3
0 0 1

= 5y12 + 2y22 y32 ,




onde
v=

x1
x2


e w=

y1
y2


,

e
v = P w, ou w = P t v
e a mudanca de variaveis requerida.
Observe, mais uma vez, que a forma diagonal
q(y1, y2 , y3 ) = 5y12 + 2y22 y32
nao contem os termos cruzados y1 y2 , y1 y3 e y2 y3 , isto e, os termos yi yj
com i = j.

65

CEDERJ

C
onicas

MODULO
3 AULA 27

Aula 27 C
onicas
Objetivos:
Compreender o conceito de conica.
Aplicar os conceitos apresentados em casos particulares.
Pr
e-requisitos: Aulas 22, 25 e 26.
Nesta aula estudaremos algumas guras 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 equacao do tipo
ax2 + bxy + cy 2 + dx + ey + f = 0,
onde a, b, c, d, e e f sao constantes reais (com pelo menos um dos n
umeros
a, b ou c diferente de zero). A ideia toda e simplicar e classicar equacoes
desse tipo e, para isso, usaremos os resultados sobre diagonalizacao de formas
quadraticas apresentados na aula anterior.
Defini
c
ao 1
Uma conica e um conjunto de pontos do R2 cujas coordenadas (x, y),
em relacao a` base canonica, satisfazem uma equacao do tipo
ax2 + bxy + cy 2 + dx + ey + f = 0,

(2)

onde os coecientes a, b, c, d, e e f sao n


umeros reais e pelo menos um dos
n
umeros a, b ou c e nao-nulo.
Observe que a equacao (6) contem uma forma quadratica,
q(x , y) = ax2 + bxy + cy 2,
uma forma linear,
(x, y) = dx + ey,
e o termo constante f .
Exemplo 1
Identique o conjunto dos pontos (x , y) R2 que satisfazem a equacao
x2 + y 2 4 = 0.
67

CEDERJ

C
onicas

Solucao
Comparando a equacao
x2 + y 2 4 = 0
com a equacao (6), vemos que o valor dos coecientes sao a = c = 1, b =
d = e = 0 e f = 4, e, portanto, representa uma conica. Reescrevendo a
equacao na forma
x2 + y 2 = 4,
identicamos os pontos (x, y) como pertencendo `a circunferencia de centro
(0, 0) e raio 2, como ilustra a Figura 27.1.

Fig. 27.1: A circunferencia x2 + y 2 = 4.

Exemplo 2
Identique o conjunto dos pontos (x , y) R2 que satisfazem a equacao
y 2 kx = 0,
onde k e um n
umero real nao-nulo.
Solucao
Comparando a equacao
y 2 kx = 0
com a equacao (6), vemos que o valor dos coecientes sao c = 1, a = b =
e = f = 0 e d = k = 0, e, portanto, representa uma conica. Reescrevendo
a equacao na forma
y 2 = kx,
identicamos os pontos (x, y) como pertencendo a uma parabola com eixo
coincidindo com o eixo-y, como ilustra a Figura 27.2.
CEDERJ

68

C
onicas

MODULO
3 AULA 27

Fig. 27.2: A par


abola y 2 = kx.

Exemplo 3
Identique o conjunto dos pontos (x , y) R2 que satisfazem a equacao
x2 y 2
2 = 0,
a2
b
com a , b R, a , b > 0.
Solucao
Comparando a equacao
x2 y 2
2 =0
a2
b
com a equacao (6), vemos que ela tambem representa uma conica. Reescrevendo a equacao na forma
x2
y2
=
,
b2
a2
temos
b
y = x,
a
o que representa um par de retas concorrentes que passa pela origem, como
ilustra a Figura 27.3.

Fig. 27.3: As retas y = ab x.

69

CEDERJ

C
onicas

Os proximos exemplos mostram como procedemos para simplicar uma


equacao de uma conica.
Exemplo 4
Identique a conica representada pela equacao 5x2 4xy +8y 2 36 = 0.
Solucao
Precisamos, inicialmente, eliminar o termo misto (4xy); para isto,
realizamos diagonalizacao da forma quadratica correspondente,
q(x , y) = 5x2 4xy + 8y 2.
Escrevemos a equacao 5x2 4xy + 8y 2 36 = 0 na forma matricial
vt A v = 36,


com
v=

x
y


R2 e A =

5 2
2 8


.

Lembre, da Aula 26, que a matriz A e a matriz simetrica que representa


a forma quadratica q(x , y) = 5x2 4xy + 8y 2 com respeito `a base canonica.
Nao e difcil ver que os autovalores da matriz A sao 1 = 4 e 2 = 9, e os
autovetores normalizados sao
  
2 5

, autovetor associado ao autovalor 1 = 4
u1 =
1 5


e
u2 =

 
1 5

, autovetor associado ao autovalor 2 = 9.
2 5

Como {u1 , u2 } forma uma base ortonormal de R2 , entao


 
 
2 5 1 5


P = [u1 u2 ] =
1 5 2 5
e a matriz ortogonal que diagonaliza a matriz A e a matriz diagonal correspondente sera


4 0
.
D=
0 9
Temos que D = P t A P .
CEDERJ

70

C
onicas

MODULO
3 AULA 27

A forma diagonal de q e dada por



q(x1 , y1 ) = (x1 y1 )

4 0
0 9



x1
y1

= 4x21 + 9y12 ,
onde


v=

x
y


e

v1 =

x1
y1


,

com
v = P v1 , ou v1 = P t v.
Portanto, a equacao da conica pode ser reescrita como
q(x1 , y1 ) = 36,
ou ainda,
4x21 + 9y12 = 36,
o que nos da a equacao
x21 y12
+
= 1,
9
4
que representa uma elipse de semi-eixo maior 3 e semi-eixo menor 2, como
ilustra a Figura 27.4.
y
2

Fig. 27.4: A elipse

x2
1
9

2
y1
4

= 1.

71

CEDERJ

C
onicas

Exemplo 5

Identique a conica representada pela equacao 2x2 +4xy+2y 2 +4 2 x+

12 2 y 8 = 0.
Solucao

Observe que neste exemplo a forma linear (x, y) = dx + ey = 4 2 x +

12 2 y e nao-nula. Reescrevendo a conica na forma matricial, obtemos


vt A v + Bv 8 = 0,


onde
v=


A=
e

x
y

(3)


R2 ,

5 2
2 8

B = (4 2 12 2 ).

A matriz A e a matriz simetrica que representa a forma quadratica q(x , y) =


2x2 +4xy +2y 2 com respeito `a base canonica. Nao e difcil ver (exerccio para
o aluno) que os autovalores da matriz A sao 1 = 4 e 2 = 0, e os autovetores
normalizados sao
  
1 2

, autovetor associado ao autovalor 1 = 4,
u1 =
1 2


e
u2 =

 
1 2

, autovetor associado ao autovalor 2 = 0.
1 2

Como {u1 , u2 } forma uma base ortonormal de R2 , entao


 
 
1 2 1 2


P = [u1 u2 ] =
,
1 2 1 2
e a matriz ortogonal que diagonaliza a matriz A, e a matriz diagonal correspondente sera


4 0
D=
.
0 0
E, tambem, D = P t A P .
CEDERJ

72

C
onicas

A forma diagonal de q e dada por



q(x1 , y1 ) = (x1 y1 )

MODULO
3 AULA 27

4 0
0 0



x1
y1

= 4x21 ,
isto e,
vt A v = 4x21 ,


onde
v=

x
y


e v1 =

x1
y1


,

com
v = P v1 , ou v1 = P t v.
Como det(P ) = 1, observe que v = P v1 e uma rotacao. A forma linear
se transforma em
Bv = B(P v1 )
= BP v1

= (4 2 12 2 )

= (16 8 )

x1
y1

 

  
1 2 1 2
x1


y1
1 2 1 2


= 16x1 + 8y1 .
Substituindo
vt A v = 4x21 e Bv = 16x1 + 8y1
em (7), obtemos
4x21 + 16x1 + 8y1 8 = 0,

(4)

ou, simplicando,
x21 + 4x1 + 2y1 2 = 0.
Completando o quadrado na variavel x1 ,
x21 + 4x1 = (x1 + 2)2 4.
E, substituindo em (8), obtemos
(x1 + 2)2 4 + 2y1 2 = 0,
73

CEDERJ

C
onicas

ou
(x1 + 2)2 + 2(y1 3) = 0.

(5)

Essa equacao ja e uma forma bem mais simples da conica inicial e ja se


pode identicar a equacao de uma parabola, mas ela ainda pode ser mais
simplicada. Realizando a mudanca de variaveis em (9) dada por

x2 = x1 + 2
y2 = y1 3 ,
que representa uma translacao no R2 , obtemos
x22 = 2y2 ,
que representa a conica inicial aos novos eixos-x2 y2 . Nessa forma, identicamos facilmente a equacao de uma parabola, como ilustra a Figura 27.5.

Fig. 27.5: A par


abola x22 = 2y2 .

Procedimento para simplificar a equac


ao de uma c
onica
Seja a conica dada pela equacao
ax2 + bxy + cy 2 + dx + ey + f = 0.
Podemos reescreve-la na forma matricial,
vt A v + Bv + f = 0,
CEDERJ

74

C
onicas

MODULO
3 AULA 27

onde
q(x , y) = ax2 + bxy + cy 2

= (x y)

a
b/2
b/2 c



x
y

= vt A v ,
e
(x, y) = dx + ey

= (d e)

com

x
y

= Bv ,


a
b/2
,
A =
b/2 c
B = (d e)
 
x
v =
.
y

A ideia principal do procedimento a seguir consiste em realizar uma


rotacao nos eixos-xy, de modo a eliminar o termo cruzado bxy.
1o Passo: Encontrar uma matriz ortogonal P = [u1 u2 ] que diagonalize A. Lembre que as colunas de P formam uma base {u1 , u2 } ortogonal de
autovetores da matriz A para o R2 . Assim,



0
1
D = P t A P com D =
,
0 2
onde 1 e 2 sao os autovalores da matriz A associados aos autovetores u1
e u2 , respectivamente.
2o Passo: Permutar as colunas de P , caso seja necessario, de modo
que se tenha det(P ) = 1. Isso garante que a transformacao ortogonal


x1
v = P v1 , com v1 =
,
y1
75

CEDERJ

C
onicas

seja uma rotacao no plano.


3o Passo: Obter a equacao que representa a conica no novo sistema
de eixos-x2 y2 . Para isso, observe que
ax2 + bxy + cy 2 = vt A v
= (P v1 )t A (P v1 ) ; onde v = P v1
= vt1 (P t A P ) v1
= vt1 D v1


1 0
0 2

= (x1 y1 )



x1
y1

= 1 x21 + 2 y12 ,
e
dx + ey

= Bv
= B(P v1 ) ; onde v = P v1
= (BP ) v1 ; onde BP = (d1 e1 )

= (d1 e1 )

x1
y1

= d1 x1 + e1 y1 .
Assim, a equacao vt A v + Bv + f = 0 se transforma em
1 x21 + 2 y12 + d1 x1 + e1 y1 + f = 0,
que e uma equacao que representa a conica e nao contem termos cruzados
(em xy).
Vamos fazer uma breve analise dessa equacao.
1. Considere o caso em que os autovalores sao nao-nulos: 1 , 2 = 0. Neste
CEDERJ

76

C
onicas

MODULO
3 AULA 27

caso, podemos completar os quadrados nas variaveis x1 e y1 , obtendo


1 x21 + 2 y12 + d1 x1 + e1 y1 + f = (1 x21 + d1 x1 ) + (2 y12 + e1 y1 )
= 1 x22 + 2 y22 + F ,
com F R2 . Assim, a equacao
1 x21 + 2 y12 + d1 x1 + e1 y1 + f = 0
e transformada em
1 x22 + 2 y22 + F = 0.
Note que
(a) Se 1 , 2 > 0, entao a conica sera uma elipse, caso F < 0; ou
um ponto ((x2 , y2 ) = (0 , 0)), caso F = 0; ou o conjunto vazio,
caso F > 0.
(b) Se 1 , 2 < 0, entao a conica sera uma elipse, caso F > 0; ou
um ponto ((x2 , y2 ) = (0 , 0)), caso F = 0; ou o conjunto vazio,
caso F < 0.
(c) Se 1 < 0 < 2 , entao a conica sera uma hiperbole, caso F = 0;
ou um par de retas concorrentes, casoF = 0.
2. Considere o caso de um autovalor nulo, digamos, 1 = 0 e 2 = 0
(necessariamente 2 = 0). Novamente, completando o quadrado na
variavel y1 , obtemos
2 y12 + d1 x1 + e1 y1 + f = (2 y12 + e1 y1 ) + d1 x1 + f
= 2 y22 + d1 x2 + F .
Assim, a equacao inicial da conica ca transformada em
2 y22 + d1 x2 + F = 0.
Note que
(a) Se d1 = 0, entao sera uma parabola.
(b) Se d1 = 0, entao sera um par de retas paralelas, caso 2 F < 0;
ou uma u
nica reta, caso F = 0; ou o conjunto vazio, caso 2 F > 0.
77

CEDERJ

C
onicas

3. O caso 2 = 0 e 1 = 0 e analogo ao anterior.


importante observar que nunca poderemos ter 1 = 2 = 0, pois
E
estamos supondo que a forma quadratica associada e nao-nula.
Veja, tambem, que
1 2



0

1
=

0 2
= det P
= det A


a
b/2

=

b/2 c
= ac

b2
.
4

b2
, que por sua vez tem o
4
mesmo sinal de 4ac b2 . Assim, podemos refazer a analise anterior em
funcao do discriminante b2 4ac da forma quadratica.
Portanto, 1 2 tem o mesmo sinal de ac

Teorema 1
Dada a conica de equacao ax2 + bxy + cy 2 + dx + ey + f = 0, entao esta
conica representa:
a) uma elipse, um ponto ou o conjunto vazio, caso b2 4ac < 0;
b) uma parabola, duas retas paralelas ou uma u
nica reta, caso b2 4ac = 0;
c) uma hiperbole ou duas retas concorrentes, caso b2 4ac > 0.

Auto-avalia
c
ao
Esta aula constitui uma excelente aplicacao dos conceitos vistos nas
aulas anteriores. No entanto, pressupomos que voce tenha alguns conhecimentos acerca das equacoes de conicas tradicionais, como elipses, parabolas e
hiperboles. Conhecendo essas equacoes e com o conhecimento adquirido das
u
ltimas aulas, voce nao deve encontrar muita diculdade para compreender
os conceitos apresentados aqui. No entanto, como esta aula re
une muitos
CEDERJ

78

C
onicas

MODULO
3 AULA 27

conhecimentos matematicos, voce deve ser persistente na leitura dos exemplos e do procedimento apresentado, sempre recorrendo ao tutor no caso de
encontrar uma diculdade maior. Na proxima aula, trataremos de equacoes
semelhantes, agora com tres variaveis ao inves de duas, mas o procedimento
sera exatamente o mesmo, ou seja, diagonalizar uma forma quadratica e
completar quadrados ate simplicar a equacao ao maximo.

Exerccio
1. Dada a conica de equacao 2x2 4xy y 2 4x 8y + 14 = 0, aplique
o procedimento apresentado nesta aula, simplicando a equacao ao
maximo e identicando a conica apresentada.

79

CEDERJ

Quadricas

MODULO
3 AULA 28

Aula 28 Qu
adricas
Objetivos:
Compreender o conceito generalizado de uma quadrica.
Aplicar os conceitos apresentados em casos particulares.
Pr
e-requisitos: Aulas 22, 25, 26 e 27.
Esta aula e uma continuacao da aula anterior sobre conicas; nela estudaremos as superfcies quadricas no espaco R3 . Mais precisamente, vamos estudar alguns conjuntos de R3 cujas coordenadas, com respeito a` base
canonica, satisfazem uma equacao do tipo
ax2 + by 2 + cz 2 + dxy + exz + f yz + gx + hy + kz + p = 0.
Usando novamente os resultados sobre diagonalizacao de formas quadraticas,
iremos simplicar essa equacao e descrever as superfcies mais simples que
ela pode representar.
Defini
c
ao 1
Uma superfcie qu
adrica, ou, simplesmente, uma quadrica, e o conjunto
3
de pontos de R cujas coordenadas (x, y, z) satisfazem uma equacao da
forma
ax2 + by 2 + cz 2 + dxy + exz + f yz + gx + hy + kz + p = 0,

(6)

onde os coecientes a, b, c,..., k, p sao n


umeros reais e pelo menos um dos
coecientes a, b, c, d, e, f e nao-nulo.
Observe que a equacao (6) contem uma forma quadratica nao-nula em
3

R,
q(x , y , z) = ax2 + by 2 + cz 2 + dxy + exz + f yz,
uma forma linear em R3 ,
(x , y , z) = gx + hy + kz,
e o termo constante p. Apresentaremos a seguir os exemplos mais comuns de
superfcies quadricas.

81

CEDERJ

Quadricas

(a) Elipsoide
(

x2 y 2 z 2
+ 2 + 2 = 1)
a2
b
c

(b) Hiperboloide de uma folha


(

x2 y 2 z 2
+ 2 2 = 1)
a2
b
c

(c) Hiperboloide de duas folhas


(

CEDERJ

82

x2 y 2 z 2
+ 2 2 = 1)
a2
b
c

(d) Cone elptico


(

x2 y 2 z 2
+ 2 2 = 0)
a2
b
c

Quadricas

(e) Paraboloide elptico


(

x2 y 2
+ 2 = z)
a2
b

(g) Cilindro elptico


(

x2 y 2
+ 2 = 1)
a2
b

MODULO
3 AULA 28

(f) Paraboloide hiperbolico


(

x2 y 2
+ 2 = z)
a2
b

(h) Cilindro parabolico


(y = ax2 )

Figura 28.1: Gracos de quadricas


83

CEDERJ

Quadricas

Observe que a equacao (6) tambem pode representar um conjunto vazio


(por exemplo, x2 + y 2 + 1 = 0), um u
nico ponto (por exemplo, x2 + 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 quadricas sao ditas degeneradas.
Assim como foi feito para as conicas, mostraremos que atraves de uma
mudanca de coordenadas podemos reduzir a equacao (6) de modo que a
quadrica seja identicada como sendo de um dos tipos descritos. Esse problema e o de classificar a quadrica.
Sempre que a quadrica for representada por uma equacao que nao
contem termos em xy, xz, yz, x, y e z, dizemos que a equacao esta na forma
can
onica e que a quadrica esta na posicao canonica. A presenca de termos
cruzados da forma xy, xz ou yz na equacao (6) indica que a quadrica sofreu
uma rotacao com respeito a` posicao canonica, e a presenca de termos da
forma x, y ou z indica que a quadrica sofreu uma translacao com respeito `a
posicao canonica.
Como foi feito no caso das conicas, vamos desenvolver um procedimento
para representar uma quadrica na forma canonica. A ideia principal do procedimento consiste em obter um novo sistema de coordenadas x1 y1 z1 de modo
que nao aparecam os termos cruzados x1 y1 , x1 z1 e y1 z1 .
Vamos, primeiramente, expressar a equacao (6) na forma matricial.
Temos,

q(x , y , z) = ax2 + by 2 + cz 2 + dxy + exz + f yz



x
a
d/2 e/2

= (x y z) d/2 b
f /2 y
z
e/2 f /2 c

= vt A v ,

onde

x
a
d/2 e/2

v = y e A = d/2 b
f /2 .
z
e/2 f /2 c

CEDERJ

84

Quadricas

MODULO
3 AULA 28

Observe tambem que


(x , y , z) = gx + hy + kz

x

= (g h k) y
z

= Bv ,
onde
B = (g h k).
Substituindo q(x , y , z) = vt A v e (x , y , z) = Bv em (6), obtemos a
forma vetorial da quadrica,
vt A v + Bv + p = 0.

(7)

DE UMA
PROCEDIMENTO PARA SIMPLIFICAR A EQUAC
AO

QUADRICA
Seja a quadrica representada pela equacao (6),
ax2 + by 2 + cz 2 + dxy + exz + f yz + gx + hy + kz + p = 0,
cuja forma vetorial e a equacao (7),
vt A v + Bv + p = 0.
1o Passo: Encontrar uma matriz ortogonal P = [u1 u2 u3 ] que
diagonaliza A. Como ja foi visto varias vezes ao longo do curso, lembre que
as colunas de P formam uma base ortonormal {u1 , u2 , u3 } de autovetores
da matriz A para o R3 . Assim,

1 0 0

D = P t A P com D = 0 2 0 ,
0 0 3
onde 1 , 2 e 3 sao os autovalores da matriz A associados aos autovetores u1 , u2 e u2 , respectivamente.
2o Passo: Permutar as colunas de P , caso seja necessario, de modo
que se tenha det(P ) = 1. Isso garante que a transformacao ortogonal
85

CEDERJ

Quadricas

x1

v = P v1 , com v1 = y1 ,
z1
seja uma rotacao no plano.
3o Passo: Obter a equacao que representa a quadrica no novo sistema
de eixos x1 y1 z1 . Para isso, observe que
ax2 + by 2 + cz 2 + dxy + exz + f yz = vt A v
= (P v1 )t A (P v1 ) ; onde v = P v1
= vt1 (P t A P ) v1
= vt1 D v1

x1
1 0 0

z1 ) 0 2 0 y1
0 0 3
z1

= (x1 y1

= 1 x21 + 2 y12 + 3 z12


e
gx + hy + kz = Bv
= B(P v1 ) ; onde v = P v1
= (BP ) v1 ; onde BP = (g1 h1 k1 )

x1

k1 ) y 1
z1

= (g1 h1

= g1 x1 + h1 y1 + k1 z1 .
Assim, a equacao
vt A v + Bv + p = 0
se transforma em
1 x21 + 2 y12 + 3 z12 + g1 x1 + h1 y1 + k1 z1 + p = 0.
CEDERJ

86

Quadricas

MODULO
3 AULA 28

Essa equacao representa a quadrica e nao contem os termos cruzados x1 y1 ,


x1 z1 e y1 z1 .
4o Passo: Completando os quadrados em x1 , y1 e z1 , obtemos
(1 x21 + g1 x1 ) + (2 y12 + h1 y1 ) + (3 z12 + +k1 z1 ) + p = 0
1 (x21 +

g1
h1
k1
x1 ) + 2 (y12 + y1 ) + 3 (z12 + z1 ) + p = 0
1
2
3

1 (x1 +

g1 2
h1 2
k1 2
) + 2 (y1 +
) + 3 (z1 +
) + p1 = 0.
21
22
23

Passando para as novas variaveis


x2 = x1 +

g1
h1
k1
; y2 = y1 +
; z2 = z1 +
,
21
22
23

obtemos a equacao
1 x22 + 2 y22 + 3 z22 + p1 = 0.
Essa equacao representa a quadrica e nao contem os termos cruzados x2 y2 ,
x2 z2 e y2 z2 nem os termos em x2 , y2 e z2 . Portanto, e uma equacao na forma
canonica.
Exemplo 1
Descreva a superfcie quadrica cuja equacao e dada por
4x2 + 4y 2 + 4z 2 + 4xy + 4xz + 4yz 3 = 0.
Solucao
Reescrevendo essa equacao na forma matricial, temos
vt A v 3 = 0,
onde

(8)

x
4 2 2

v = y e A = 2 4 2 .
z
2 2 4

87

CEDERJ

Quadricas

Deixamos para voce o exerccio de calcular os autovalores e os autovetores correspondentes da matriz A. Obtemos:

1 = 2: e um autovalor com multiplicidade algebrica 2 e autovetores


associados



1 2
1 6


u1 = 1 2 e u2 = 1 6 ;

0
2 6

2 = 8: e um autovalor com multiplicidade algebrica 1 e autovalor


associado

1 3

u3 = 1 3 .

1 3
Como {u1 , u2 , u3 } forma uma base ortonormal de R3 , temos que



1 2 1 6 1 3



P = [u1 u2 u3 ] = 1 2 1 6 1 3


0
2 6 1 3

e a matriz ortogonal que diagonaliza a


pondente sera

D= 0
0

matriz A e a matriz diagonal corres


0 0

2 0 .
0 8

Vale tambem que D = P t A P .


Observe que det(P ) = 1, logo P representa uma rotacao em R3 . Considerando

x
x1

v = y e v1 = y1
z
z1
CEDERJ

88

Quadricas

MODULO
3 AULA 28

e substituindo v = P v1 em vt A v, obtemos
vt A v = (P v1 )t A (P v1 )
= vt1 (P t AP )v1
= vt1 D v1 onde P t AP = D

2 0 0
x1

= (x1 y1 z1 ) 0 2 0 y1
z1
0 0 8

= 2x21 + 2y12 + 8z12 .


Portanto, substituindo
vt A v = 2x21 + 2y12 + 8z12
na equacao (8), obtemos
2x21 + 2y12 + 8z12 = 3,
ou, equivalentemente,
y2
z2
x21
+ 1 + 1 = 1.
3/2 3/2 3/8
Observe que essa equacao nao contem os termos cruzados x1 y1 , x1 z1
e y1 z1 nem os termos em x1 , y1 e z1 . Portanto, e uma equacao na forma
canonica. Identicamos, facilmente, que essa equacao representa um elipsoide,
como ilustra a Figura 28.1.a.
Exemplo 2
Identique a superfcie quadrica cuja equacao e dada por

x2 + 2yz 2 y 101 = 0.
Solucao
Inicialmente, observe que a presenca do termo cruzado yz nos levara
a realizar uma rotacao de eixos, e a presenca dos termos lineares z e y, a
realizar uma translacao de eixos.
Reescrevendo essa equacao na forma matricial, temos
vt A v + Bv 101 = 0,

(9)
89

CEDERJ

Quadricas

onde

x

v= y
z

1 0 0

A = 0 0 1 e B = (0
0 1 0


2
2).

Deixamos para voce, novamente, o exerccio de calcular os autovalores


e os autovetores correspondentes da matriz A. Obtemos:
1 = 1 : autovalor com multiplicidade algebrica 2 e autovetores associados

1
0



u1 = 0 e u2 = 1 2 ;

1 2
0

2 = 1 : autovalor com multiplicidade algebrica 1 e autovalor associado

0

u3 = 1 2 .

1 2

Como {u1 , u2 , u3 } forma uma base ortonormal de R3 , entao

1
0
0



P = [u1 u2 u3 ] = 0 1 2 1 2


0 1 2 1 2
e a matriz ortogonal que diagonaliza a
pondente sera

D= 0
0

matriz A e a matriz diagonal corres


0 0

1 0 .
0 1

Vale tambem que D = P t A P .


Como no Exemplo 1, det(P ) = 1, logo P representa uma rotacao em
R . Considerando


x1
x


v = y e v1 = y1 ,
z1
z
3

CEDERJ

90

Quadricas

MODULO
3 AULA 28

e substituindo v = P v1 em vt A v, obtemos
vt A v = (P v1 )t A (P v1 )
= vt1 (P t AP )v1
= vt1 D v1 , onde P t AP = D

1 0 0
x1

= (x1 y1 z1 ) 0 1 0 y1
z1
0
0 1

= x21 y12 + z12 ,


e, substituindo v = P v1 em B v, obtemos
Bv = B(P v1 )
= BP v1

x1
1
0
0




2
2) 0 1 2 1 2 y1


0 1 2 1 2
z1

= (0

x1

2 0) y1
z1

= (0

= 2y1 .
Portanto, substituindo
vt A v = x21 y12 + z12 e Bv = 2y1
em (9), obtemos
x21 y12 + z12 2y1 = 101.
Agora, completando o quadrado na variavel y1 , temos
x21 + z12 (y12 + 2y1 ) = 101,
o que nos da
x21 [(y1 + 1)2 1] + z12 = 101,
91

CEDERJ

Quadricas

e, portanto,
x21 (y1 + 1)2 + z12 = 100,
ou, equivalentemente,

(y1 + 1)2
z12
x21

+
= 1.
102
102
102

(10)

Essa equacao ja e uma forma canonica para a quadrica inicial e ja


se pode identicar a equacao de um hiperboloide de duas folhas, mas ela
ainda pode ser mais simplicada. Realizando a mudanca de variaveis dada
por

x2 = x1
y2 = y1 + 1

z2 = z1 ,
que representa uma translacao no R3 , a equacao (10) se transforma em

y22
z22
x22

+
= 1,
102 102 102

que representa a quadrica inicial aos novos eixos x2 y2 z2 . Nessa forma, identicamos novamente a equacao de um hiperboloide de duas folhas, como ilustra
a Figura 28.1.c.

Auto-avalia
c
ao
Terminamos o estudo das conicas em R2 e das quadricas em R3 , que
constituem uma excelente aplicacao da diagonalizacao das formas quadraticas.
importante que voce reveja o procedimento de simplicacao dessas equacoes
E
e compreenda os calculos realizados nos exemplos. Tambem e importante
que que clara a interpretacao geometrica de cada mudanca de variaveis
realizada.

Exerccios
Obtenha uma forma canonica de cada quadrica abaixo e identique a
quadrica.

1. 2xy 4 2 x + 2 2y + z 9 = 0.
2. 2xy + 2xz + 2yz 6x 6y 4z 9 = 0.
3. 7x2 + 7y 2 + 10z 2 2xy 4xz + 4yz 12x + 12y + 60z 24 = 0.

CEDERJ

92

Autovalores complexos

MODULO
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 Mn (R), seu polinomio
caracterstico p(x) e um polinomio de grau n com coecientes reais e, portanto, possui um total de n razes, contando suas multiplicidades e as razes
complexas. Nesta aula, estudaremos alguns exemplos de matrizes reais com
autovalores complexos.
Inicialmente, vamos relembrar alguns conceitos sobre n
umeros complexos. 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 denida por
a + b i = c + d i se e somente se a = c e b = d.
A adicao e a multiplicacao de n
umeros complexos sao denidas 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,
facil vericar que todas as propriedades
para todos os a, b, c, d R. E
de corpo dos n
umeros reais continuam validas para os n
umeros complexos.
Denimos o conjugado de um n
umero complexo z = a + b i como sendo
o n
umero complexo z = a b i.
A teoria de espacos vetoriais e de algebra matricial desenvolvida no caso
de componentes reais e escalares reais se aplica tambem para componentes e
escalares complexos. Por exemplo, o espaco vetorial C2 e denido por
C2 = {(z , w) | z, w C },
com as operacoes usuais
i. (z1 , w1 ) + (z2 , w2 ) = (z1 + z2 , w1 + w2 );
93

CEDERJ

Autovalores complexos

ii. z (z1 , w1 ) = (z z1 , z z2 ),
onde z, z1 , w1 , z2 , w2 C.
Assim, dada uma matriz A Mn (C), um n
umero complexo C e
um autovalor (complexo) da matriz A se existe um vetor nao-nulo v Cn
tal que
Av = v.
Dizemos que v e um autovetor (complexo) associado ao autovalor C.
Exemplo 1
Discuta a diagonalizacao da matriz


0 1
.
A=
1 0
Solucao
Sabemos, do nosso estudo de rotacoes no plano, que essa matriz corresponde a uma rotacao de /2 radianos no sentido anti-horario em torno da
origem do plano cartesiano R2 . Assim, ca claro que nenhum vetor nao-nulo
v R2 e transformado, pela acao da matriz A, num m
ultiplo dele mesmo.
2
uentemente, nao
Assim, a matriz A nao possui autovetores em R e, conseq
tem autovalores reais. De fato, o polinomio caracterstico de A e
p(x) = det(xI2 A)



x
1


=

1 x
= x2 + 1 .
Esse polinomio so possui as razes complexas 1 = i e 2 = i.
No entanto, considerando A com matriz complexa, isto e, A M2 (C),
1 = i e 2 = i sao autovalores complexos da matriz A, pois os vetores
v1 = (1 , i) , v2 = (1 , i) C2 , e satisfazem

Av1 =

Av2 =

CEDERJ

94

0 1
1 0
0 1
1 0





1
i
1
i


=i


= i

1
i
1
i


= i v1 ;


= i v2 .

Autovalores complexos

MODULO
3 AULA 29

Assim, v1 = (1 , i) e um autovetor associado ao autovalor 1 = i, e


v2 = (1 , i) e um autovetor associado ao autovalor 2 = i.
Como a matriz nao possui autovalores reais, ela nao e diagonalizavel
enquanto matriz real. No entanto, como ela possui dois autovalores complexos distintos, a matriz A e diagonalizavel quando considerada como matriz
complexa. Mais ainda, considerando as matrizes P, D M2 (C) dadas por

P = [v1 v2 ] =

1 1
i i


e D=

i 0
0 i


,

temos

P DP 1 =

=

=

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,
isto e, A = P DP 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-espaco.


Solucao
Obtendo o polinomio caracterstico da matriz A,
p(x) = det(xI2 A)

0, 5 x 0, 6



=

0, 75
1, 1 x
= (0, 5 x)(1, 1 x) (0, 6)(0, 75)
= x2 1, 6 x + 1 .
95

CEDERJ

Autovalores complexos

Calculando as razes desse polinomio quadratico, obtemos


1 = 0, 8 0, 6 i e 2 = 0, 8 + 0, 6 i.
Considerando o autovalor 1 = 0, 80, 6 i, queremos obter v = (z , w)
C nao-nulo tal que
Av = 1 v,
2

ou seja,

0, 5 0, 6
0, 75 1, 1



z
w


= (0, 8 0, 6 i)

z
w


,

o que nos da 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 sao distintos, cada auto-espaco tem dimensao 1; portanto, as equacoes do sistema anterior sao dependentes. Assim, basta considerar uma das equacoes; por exemplo, da segunda equacao, 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-espaco associado ao autovalor 1 = 0, 8 0, 6 i
e dada pelo vetor


2 4 i
.
v1 =
5
Analogamente, para o autovalor 2 = 0, 8 + 0, 6 i, obtemos o autovetor


2 + 4 i
,
v2 =
5
pois


Av2 =

=

0, 5 0, 6
0, 75 1, 1
4 + 2 i
4+3i

= (0, 8 + 0, 6 i)

CEDERJ

96

2 + 4 i
5

= 2 v2 .



2 + 4 i
5

Autovalores complexos

MODULO
3 AULA 29

Observe que a matriz A e semelhante `a matriz diagonal




 
1 0
0, 8 0, 6 i 0
.
D=
=
0
0, 8 + 0, 6 i
0 2

Auto-avalia
c
ao
Nao e nosso objetivo generalizar toda a teoria de diagonalizacao de matrizes reais para o caso complexo; apesar disso, desejamos proporcionar novas

e importantes aplicacoes da Algebra


Linear. Muitos problemas envolvendo
matrizes com autovalores complexos aparecem naturalmente em Engenharia
Eletrica, em Fsica e na area de Sistemas Dinamicos de um modo geral. Essa

discussao costuma ser feita num curso avancado de Algebra


Linear. Portanto,
nosso objetivo foi apenas o de apresentar a voce alguns exemplos elementares.

Exerccios
1. Determine os autovalores e uma base para cada auto-espaco da matriz

A=

1 2
1 3


.

2. Calcule os autovalores e autovetores da matriz




a b
,
A=
b a
onde a , b R com a = 0 ou b = 0.
tambem
3. Dada a matriz A Mn (R) com autovalor C, mostre que
e autovalor da matriz A.

97

CEDERJ

Exerccios resolvidos 3a Parte

MODULO
3 AULA 30

Aula 30 Exerccios resolvidos 3a Parte


Objetivo:
Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29.
Pr
e-requisitos: Aulas 17 a 29.
Nas proximas aulas apresentaremos uma serie de exerccios resolvidos
sobre a segunda parte do curso. Esses exerccios o ajudarao a consolidar os
conceitos apresentados nas aulas anteriores.
A nossa orientacao e que voce primeiro tente resolver cada um dos
exerccios, usando, se necessario, as anotacoes das aulas anteriores, e, so
depois de obtida a sua propria solucao, compara-la com a solucao apresentada
aqui. Caso voce nao consiga resolver algum exerccio, nao se aija, leia
atentamente a solucao correspondente. Se voce ainda tiver diculdade, nao
hesite em procurar ajuda de seu tutor.

Exerccios
1. Determine a matriz, com respeito `a base canonica, da projecao ortogonal sobre a reta y = x.
2. Determine as projecoes ortogonais dos pontos P1 = (1 , 0 , 1) e P2 =
(1 , 1 , 1) sobre o plano x + y z = 0.
3. Determine o valor

A= 2
3

das constantes a, b, c, 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 simetricas.


4. Dadas as matrizes simetricas A, B Mn (R), mostre que AB + BA
tambem e uma matriz simetrica.
5. Dadas as matrizes A, B Mn (R) tal que A uma e matriz simetrica,
verique que B t A B e uma matriz simetrica.
6. Dados a, b R, com b =
uma matriz ortogonal P que

 0, encontre
a b
, isto e, tal que D = P t A P .
diagonaliza a matriz A =
b a
99

CEDERJ

Exerccios resolvidos 3a Parte

7. Seja T : R3 R3 um operador auto-adjunto com autovalores associados 1 = 3 e 2 = 4; suponha que v1 = (1 , 1 , 1) e v2 = (2 , 0 , 1)


sao dois autovetores associados ao autovalor 1 = 3. Determine um
autovetor associado ao autovalor 2 = 4 e uma base ortonormal de
autovetores de T .
8. Para cada matriz abaixo, determine uma matriz
matriz diagonal D tais que A = P DP t.

3 1 0 0
3 1 0 0

1 3 0 0
1 3 0 0

a) A =
b) A =

0 0 2 1
0 0 0 0

0 0 1 2
0 0 0 0
0 0 1 1

ortogonal P e uma
0
0
1
1
2

Solucao
1. Denotamos por T : R2 R2 a projecao ortogonal sobre a reta y = x,
como ilustra a Figura 30.1

Fig. 30.1: A projec


ao ortogonal sobre a reta y = x e a base ortonormal .

Vamos primeiro determinar uma matriz que representa T com respeito


a uma base ortonormal = {u1 , u2 }. Sejam:


u1 = (1 2 , 1 2) vetor unitario paralelo a` reta y = x; e u2 =


(1 2 , 1 2) um vetor unitario normal a` reta y = x.
Como
T (u1 ) = u1 = 1 u1 + 0 u2
e
T (u2 ) = 0 = 0 u1 + 0 u2 ,
temos que


B = [T ] =

CEDERJ

100

1 0
0 0


.

Exerccios resolvidos 3a Parte

MODULO
3 AULA 30

Assim, a matriz A que representa T com respeito `a base canonica e


dada por
A = P B P 1,
onde
P = [u1

 
 
1 2 1 2


.
u2 ] =
1 2 1 2

Como P e uma matriz ortogonal, temos que


 
 
1
2
1
2


,
P 1 = P t =
1 2 1 2
portanto,
A =
P B P 1
  

  
 
1 2 1 2
1 0
1 2 1 2




=
1 2 1 2
1 2 1 2
0 0

=

1/2 1/2
1/2 1/2


.

2. Seja T : R3 R3 a projecao ortogonal sobre o plano : x + y


z = 0; precisamos determinar a matriz A que representa essa projecao
com respeito `a base canonica. Novamente, vamos primeiro obter a
matriz que representa T com respeito a uma base ortonormal =
{u1 , u2 , u3 }. Veja a Figura 30.2

Fig. 30.2: Uma base ortonormal .



Considere os seguintes vetores: u1 = (1 2 , 0 , 1 2) um vetor



unitario paralelo ao plano , u2 = (1 6 , 2 6 , 1 6) um vetor



unitario ortogonal a u1 e paralelo ao plano e u3 = (1 3 , 1 3 , 1 3)
um vetor unitario normal ao plano .
Como
T (u1 ) = u1 = 1 u1 + 0 u2 + 0 u3 ;
101

CEDERJ

Exerccios resolvidos 3a Parte

T (u2 ) = u2 = 0 u1 + 1 u2 + 0 u3 ;
e
T (u3 ) = 0 = 0 u1 + 0 u2 + 0 u3 ,
temos que

1 0 0

B = [T ] = 0 1 0 .
0 0 0

Assim, a matriz A que representa T com respeito `a base canonica e


dada por
A = P B P 1 ,
onde
P = [u1 u2




1 2 1 6 1 3



u3 ] = 0
1 3 .
2 6



1 2 1 6 1 3

Como P e uma matriz ortogonal, temos que




0
1 2
1 2




P 1 = P t = 1 6 2 6 1 6 ;



1 3 1 3 1 3
portanto
A = P B P 1




1 0 0
1 2 1 6 1 3



= 0
2 6
1 3 0 1 0 .



1 2 1 6 1 3
0 0 0


0
1 2
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 P1 e P2 , sob a acao da projecao ortogonal sobre o plano , sao obtidas por multiplicacao de matrizes:
CEDERJ

102

Exerccios resolvidos 3a Parte

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
1/3

0 = 1/3
1
2/3

1
2/3

1 = 2/3
1
1

MODULO
3 AULA 30

Portanto, temos A P1 = (1/3 , 1/3 , 2/3) e A P2 = (2/3 , 2/3 , 1).


3. Lembre que uma matriz A e simetrica se
para a matriz

1 a+b

A= 2 0
3 4
temos A = At se e somente

1 a+b

2 0
3 4

e somente se A = At . Assim,

4 ,
3

se

b
1
2 3

4 = a + b 0 4 ,
3
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

5 b c 2d + 3

B= 3 5
1
,
d b+c 0

temos B = B t se e somente se

5 b c 2d + 3
5
3 d

1
3 5
= b c 5 b + c ,
d b+c 0
2d + 3 1 0
ou seja, se e somente se b c = 3 ,
b = 2 , c = 1 e d = 3.

b + c = 1 e 2d + 3 = d, ou, ainda,

4. Sendo A e B matrizes simetricas, temos A = At e B = B t . Portanto,


(AB + BA)t = (AB)t + (BA)t
= B t At + At B t
= BA + AB
= AB + BA .
Portanto, a AB + BA tambem e uma matriz simetrica.
103

CEDERJ

Exerccios resolvidos 3a Parte

5. De fato, temos que


(B t AB)t = B t At (B t )t
= B t AB;
logo, B t AB tambem e uma matriz simetrica.
6. Como A e matriz simetrica, existe uma matriz ortogonal P que diagonaliza a matriz A. Lembre que as colunas de P sao autovetores
unitarios da matriz A. Portanto, precisamos calcular os autovalores e
os respectivos autovetores da matriz A. Seu polinomio caracterstico e
dado por
p(x) = det(A xI2 )

a x b

=
b
ax

= (a x)2 (b)2
= x2 2ax + (a2 b2 ) .
Portanto, os autovalores sao 1 = a + b e 2 = a b. Como b = 0, segue
que 1 = 2 . Vamos, agora, ao calculo dos autovetores. O autovetor
associado ao autovalor 1 = a + b e um vetor u1 = (x , y) R2 que
satisfaz
(A 1 I2 ) u1 = 0,
ou seja,

b b
b
b



x
y


=

0
0


.

Como b = 0, obtemos x = y. Assim, uma escolha de u1 = (x , y)




que seja vetor unitario e dada por u1 = (1 2 , 1 2). Como 1 = 2
e a matriz A e simetrica, entao todo autovetor u2 = (x , y) R2 associado ao autovalor 2 = a b e ortogonal ao vetor u1 . Portanto,


podemos escolher u2 = (1 2 , 1 2). Assim, a matriz
P = [u1

CEDERJ

104

 
 
1 2 1 2


u2 ] =
1 2 1 2

Exerccios resolvidos 3a Parte

MODULO
3 AULA 30

diagonaliza a matriz A, isto e,


D = P tA P

=

=

  

  
 
1 2 1 2
a b
1 2 1 2




1 2 1 2
1 2 1 2
b a
a+b 0
0
ab

e uma matriz diagonal semelhante a` matriz A.


7. Seja v3 R3 um autovetor associado ao autovalor 2 = 4. Como
T e um operador auto-adjunto e os vetores v1 e v2 sao linearmente
independentes, devemos ter v3 ortogonal a v1 e v2 . Como estamos em
R3 , v3 e paralelo ao vetor v1 v2 ; portanto, podemos considerar
v3 = v1 v2 = (1 , 1 , 2).
Observe que para os autovetores v1 e v2 associados ao autovalor 1 = 3
temos
v1 , v2  = (2 , 0 , 1), (1 , 1 , 1)
=21+01+11
= 3 = 0;
logo, v1 e v2 nao sao ortogonais entre si. Para construir uma base
ortogonal de autovetores, consideramos os vetores v2 , v3 e um novo
vetor w, com w ortogonal a v2 e v3 , por exemplo,
w = v2 v3 = (1 , 5 , 2).
Normalizando esses vetores, obtemos uma base ortonormal de autovetores = {u1 , u2 , u3 }, dada por:
1
5
2
= ( , , );
30
30
30

u1 =

w
|| w||

u2 =

2
1
v2
= ( , 0 , );
|| v2 ||
5
5

u3 =

1
1
1
v3
= ( , , ).
|| v3 ||
6
6
6
105

CEDERJ

Exerccios resolvidos 3a Parte

8.

a) Sendo

A=

3
1
0
0

1
3
0
0

0
0
0
0

0
0
0
0

seu polinomio caracterstico e dado por


p(x) = det(A xI4 )





=


3x
1
0
0

1
3x
0
0

0
0
x
0

0
0
0
x

= x2 (x2 6x + 8)
= x2 (x 2)(x 4) .
Logo, seus autovalores sao:
1 = 0, com multiplicidade algebrica 2;
2 = 2, com multiplicidade algebrica 1; e
3 = 4, com multiplicidade algebrica 1.
Vamos, agora, calcular uma base ortonormal de autovetores de A.
Para o autovalor 1 = 0, sabemos que os autovetores associados
v = (x , y , z , t) R4 satisfazem
(A 0 I4 )v = 0
Av = 0
isto e, satisfazem o

3
1

0
0

sistema linear homogeneo



0
x
1 0 0

3 0 0 y 0
=
0 0 0 z 0
0
t
0 0 0

Escalonando a matriz associada desse sistema linear, no caso, a


propria matriz A, obtemos as solucoes
x = 0,
CEDERJ

106

y = 0 e z, t arbitrarios.

Exerccios resolvidos 3a Parte

MODULO
3 AULA 30

Portanto, escolhendo ora z = 1, t = 0, e ora z = 0, t = 1, obtemos


que
u1 = (0 , 0 , 1 , 0) u2 = (0 , 0 , 0 , 1)
formam uma base ortonormal do auto-espaco associado ao autovalor 1 = 0.
Para o autovalor 2 = 2, sabemos que os autovetores associados
v = (x , y , z , t) R4 satisfazem
(A 2 I4 )v = 0,
isto e, satisfazem

1
1

0
0

o sistema linear homogeneo



0
x
1 0
0

1 0
0 y 0

= .
0 2 0 z 0
0
t
0 0 2

Escalonando a matriz associada desse sistema linear, obtemos as


solucoes
y = x e z = t = 0, com x arbitrario.


Portanto, escolhendo x = 1 2 e, conseq
uentemente, y = 1 2,
obtemos que


1
1
u3 = , , 0 , 0
2
2
forma uma base ortonormal do auto-espaco associado ao autovalor
2 = 2. Finalmente, para o autovalor 3 = 4, os autovetores
associados v = (x , y , z , t) R4 satisfazem
(A 4 I4 )v = 0,
ou seja, satisfazem o sistema linear homogeneo

x
1 1
0
0

1 1 0
0 y

0
0 4 0 z
t
0
0
0 4

0
0
0
0

Escalonando a matriz associada desse sistema linear, obtemos as


solucoes
y = x e z = t = 0, comx arbitrario.
107

CEDERJ

Exerccios resolvidos 3a Parte

Portanto, escolhendo x = 1
obtemos que


u4 =

2 e, conseq
uentemente, y = 1

2,


1
1
, , 0, 0
2
2

forma uma base ortonormal do auto-espaco associado ao autovalor


3 = 4. Como a matriz A e simetrica, observe que os autovetores
associados a autovalores distintos sao ortogonais. Assim, =
{u1 , u2 , u3 , u4 } e uma base ortonormal de R4 formada por
autovetores da matriz A. Portanto, a matriz ortogonal P ,

P = [u1 u2 u3 u4 ] =



0 1 2 1 2


0 1 2 1 2

,
0
0
0
1
0
0

0
0
1
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 = P DP t.

b) No caso

A=

CEDERJ

108

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

Exerccios resolvidos 3a Parte

MODULO
3 AULA 30

seu polinomio caracterstico e dado por


p(x) = det(xI5 A)






=



x3
1
0
0
0

1
x3
0
0
0


x 3 1

=
1
x3

0
0
x2
1
1

0
0
1
x2
1

0
0
1
1
x2


x 2 1
1


x 2 1
1

1
1
x2

= (x2 6x + 8)(x3 6x2 + 9x 4)


= (x 1)2 (x 2)(x 4)2 .
Logo, os autovalores da matriz A sao:
1 = 1, com multiplicidade algebrica 2;
2 = 2, com multiplicidade algebrica 1; e
3 = 4, com multiplicidade algebrica 2.
Vamos, agora, calcular uma base ortonormal de autovetores de A.
Para o autovalor 1 = 1, sabemos que os autovetores associados
v = (x , y , z , t , s) R5 satisfazem
(A 2 I5 )v = 0,
isto e, satisfazem o sistema linear homogeneo


2 1 0
0
0
x


1 2 0
0
0 y


0
z =
0
1
1
1


0
0
1
1
1

t
0
0 1 1 1
s

0
0
0
0
0

Escalonando a matriz associada desse sistema linear, obtemos as


solucoes
x = 0,

y = 0,

z = t s com t e s arbitrarios.
109

CEDERJ

Exerccios resolvidos 3a Parte

Portanto, escolhendo t = 0 e s = 1, obtemos o autovetor


v1 = (0 , 0 , 1 , 0 , 1).
Para obter um segundo autovetor v2 = (a , b , c , d , e) associado
ao autovalor 1 = 1 e que seja ortogonal a v1 , devemos ter

a=b=0
c+d+e=0

ce = 0,
sendo que a u
ltima equacao segue da condicao v1 , v2  = 0. Uma
solucao desse sistema linear e dada por v2 = (0 , 0 , 1 , 2 , 1).
Assim, {v1 , v2 } e uma base ortogonal do auto-espaco associado a
1 = 1.
Para o autovalor 2 = 2, sabemos que os autovetores associados
v = (x , y , z , t , s) R5 satisfazem
(A 2 I5 )v = 0,
isto e, satisfazem o sistema linear homogeneo

x
1 1 0
0
0

1 1 0
0
0 y


0
0
0 1 1
z =

0 1 0 1 t
0
s
0
0 1 1 0

0
0
0
0
0

Escalonando a matriz associada desse sistema linear, obtemos


as solucoes
y = x e z = t = 0, com x arbitrario.
Portanto, escolhendo x = 1, obtemos o autovetor
v3 = (1 , 1 , 0 , 0 , 0),
que forma uma base do auto-espaco associado ao autovalor 2 = 2.
Finalmente, para o autovalor 3 = 4, os autovetores associados
v = (x , y , z , t , s) R5 satisfazem
(A 4 I5 )v = 0,
CEDERJ

110

Exerccios resolvidos 3a Parte

ou seja, satisfazem o

1 1

1 1

0
0

0
0
0
0

MODULO
3 AULA 30

sistema linear homogeneo



x
0
0
0

0
0
0 y


2 1 1
z =

1 2 1 t
s
1 1 2

0
0
0
0
0

Escalonando a matriz associada desse sistema linear, obtemos as


solucoes
y = x,

s = z e t = z, com x e z arbitrarios.

Agindo como no caso do autovalor 1 = 1, obtemos os seguintes


autovetores associados ao autovalor 3 = 4:
v4 = (1 , 1 , 0 , 0 , 0) e v5 = (0 , 0 , 1 , 1 , 1), e eles formam uma
base ortogonal para o auto-espaco associado ao autovalor 3 = 4.
Assim, {v1 , v2 , v3 , v4 , v5 } e uma base ortogonal de R5 formada
por autovetores da matriz A. Normalizando os vetores dessa base,
obtemos


1
1

u1 = 0 , 0 , 2 , 0 , 2 ;

u2 = 0 , 0 ,

u3 =

u4 =
e

1
2

1
2

1
6

1
2


u2 = 0 , 0 ,

1
6


;


, 0, 0, 0 ;

, 0, 0, 0 ;

1
3

1
3

1
3


.

Observe, agora, que = {u1 , u2 , u3 , u4 , u5 } e uma base ortonormal de R5 formada por autovetores da matriz A. Portanto, a
matriz ortogonal P ,



0
0
0
1 2 1 2



0
0
0
1 2 1 2



P = [u1 u2 u3 u4 u5 ] =
1 6
0
0
1 3
1 2



0
0
1 3
0
2 6




1 2 1 6
0
0
1 3

111

CEDERJ

Exerccios resolvidos 3a 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 = P DP 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

Exerccios resolvidos 4a Parte

MODULO
3 AULA 31

Aula 31 Exerccios resolvidos 4a 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` apresentacao de exerccios resolvidos sobre a segunda parte do curso. Estes exerccios o ajudarao a consolidar
os conceitos apresentados nas aulas anteriores.
Mais uma vez, ressaltamos que voce deve primeiro tentar resolver cada
um dos exerccios, usando, se necessario, as anotacoes das aulas anteriores,
e, so depois de obtida a sua propria solucao, compara-la com a solucao apresentada aqui. Caso voce nao consiga resolver algum exerccio, nao se aija,
leia atentamente a solucao correspondente e, se ainda tiver diculdade, nao
hesite em procurar ajuda de seu tutor. Uma discussao entre alunos e tutor
sobre as solucoes encontradas e sempre muito proveitosa.

Exerccios
1. Para cada caso abaixo, determine a matriz que representa a forma
bilinear com respeito a` base ordenada especicada.
a) F : R3 R3 R dada por F (u , v) = u , v com respeito `a
base = {u1 , u2 , u3 }, u1 = (2 , 0 , 1), u2 = (1 , 2 , 1) e
u3 = (0 , 1 , 2).
b) F : R2 R2 R dada por F (u , v) = u , a v , b, com
a , b R2 , com respeito a` base canonica.
2. Expresse as formas quadraticas abaixo na forma vt A v, onde a matriz
A e uma matriz simetrica.
a) q(x1 , x2 ) = 3 x21 + 7 x22
b) q(x1 , x2 , x3 , x4 ) = x21 + x22 + 3 x23 + x24 + 2 x1 x2 + 4 x1 x3 + 6 x2 x3 +
7 x1 x4 2 x2 x4
c) q(x1 , x2 , x3 ) = x21 + x22 x23 + 2 x1 x2 3 x1 x3 + x2 x3
d) q(x1 , x2 ) = 7x1 x2
113

CEDERJ

Exerccios resolvidos 4a Parte

e) q(x1 , x2 , . . . , xn ) = (c1 x1 +c2 x2 + +cn xn )2 , com c1 , c2 , . . . , cn


R.
3. Diagonalize as seguintes formas quadraticas:
a) q(x , y) = 2xy
b) q(x , y , z) = 2xy + 2xz + 2yz
Em cada caso, determine a matriz ortogonal que diagonaliza a forma
quadratica.
4. Identique as conicas representadas pelas equacoes abaixo. Em cada
caso, determine a matriz ortogonal que diagonaliza a forma quadratica.
a) 2x2 + 5y 2 = 20
b) x2 16y 2 + 8x + 128y = 256
c) 4x2 20xy + 25y 2 15x 6y = 0
5. Identique as quadricas representadas pelas equacoes abaixo. Em cada
caso, determine a matriz ortogonal que diagonaliza a forma quadratica.
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 R2 denida por
F ((x1 , x2 ), (y1 , y2 )) = 2x1 y1 3x1 y2 + x2 y2 .
a) Determine a matriz A que representa F com respeito `a base =
{(1 , 0) , (1 , 1)}.
b) Determine a matriz B que representa F com respeito `a base =
{(2 , 1) , (1 , 1)}.
c) Determine a matriz mudanca de base P , da base para a base ,
e verique que B = P t A P .

CEDERJ

114

Exerccios resolvidos 4a Parte

MODULO
3 AULA 31

Solucao
1. a) Lembre-se da Aula 25, na qual a matriz que representa a forma bilinear
com respeito `a base = {u1 , u2 , u3 } e dada pela matriz A = (aij ),
onde aij = F (ui , uj ). Neste caso, temos:
a11
a12
a13
a21
a22
a23
a31
a32
a33

= F (u1 ,
= F (u1 ,
= F (u1 ,
= F (u2 ,
= F (u2 ,
= F (u2 ,
= F (u3 ,
= F (u3 ,
= F (u3 ,

u1 )
u2 )
u3 )
u1 )
u2 )
u3 )
u1 )
u2 )
u3 )

= u1 ,
= u1 ,
= u1 ,
= u2 ,
= u2 ,
= u2 ,
= u3 ,
= u3 ,
= u3 ,

u1 
u2 
u3 
u1 
u2 
u3 
u1 
u2 
u3 

= (2 , 0 , 1) , (2 , 0 , 1)
= (2 , 0 , 1) , (1 , 2 , 1)
= (2 , 0 , 1) , (0 , 1 , 2)
= (1 , 2 , 1) , (2 , 0 , 1)
= (1 , 2 , 1) , (1 , 2 , 1)
= (1 , 2 , 1) , (0 , 1 , 2)
= (0 , 1 , 2) , (2 , 0 , 1)
= (0 , 1 , 2) , (1 , 2 , 1)
= (0 , 1 , 2) , (0 , 1 , 2)

= 5;
= 1;
= 2;
= 1;
= 6;
= 0;
= 2;
= 0;
= 5.

Assim, a matriz A e dada por

5 1 2

A = 1 6
0 .
2 0
5
Observe que A e uma matriz simetrica.
b) Sejam a = (a1 , a2 ) e b = (b1 , b2 ) vetores com respeito a` base canonica.
Seja A = (aij ) a matriz que representa a forma bilinear F (u , v) =
u , a v , b com respeito `a base canonica. Assim, temos:
a11
a12
a21
a22

= F (e1 ,
= F (e1 ,
= F (e2 ,
= F (e2 ,

e1 )
e2 )
e1 )
e2 )

= e1 ,
= e1 ,
= e2 ,
= e2 ,

a e1 ,
a e2 ,
a e1 ,
a e2 ,

Portanto,


A=

b
b
b
b

= (1 ,
= (1 ,
= (0 ,
= (0 ,

a1 b1 a1 b2
a2 b1 a2 b2

0) ,
0) ,
1) ,
1) ,

(a1 ,
(a1 ,
(a1 ,
(a1 ,

a2 ) (1 ,
a2 ) (0 ,
a2 ) (1 ,
a2 ) (0 ,

0) ,
1) ,
0) ,
1) ,

(b1 ,
(b1 ,
(b1 ,
(b1 ,

b2 )
b2 )
b2 )
b2 )

= a1 b1 ;
= a1 b2 ;
= a2 b1 ;
= a2 b2 .


.

Observe que, em geral, a matriz A nao e uma matriz simetrica.

115

CEDERJ

Exerccios resolvidos 4a Parte

2. Como foi visto na Aula 26, temos:


a)


q(x1 , x2 ) = (x1 x2 )

3 0
0 7



x1
x2


= 3x21 + 7x22

b)

q(x1 , x2 , x3 , x4 ) = (x1 x2 x3 x4 )

1
1
1
2
2
3
7/2 1

x1
2 7/2

3 1 x2

3 0 x3
0 1
x4

= x21 + x22 + 3 x23 + x24 + 2 x1 x2 + 4 x1 x3 + 6 x2 x3 + 7 x1 x4 2 x2 x4


c)

1
1 3/2
x1

q(x1 , x2 , x3 ) = (x1 x2 x3 ) 1
1
1/2 x2
x3
3/2 1/2 1

= x21 + x22 x23 + 2 x1 x2 3 x1 x3 + x2 x3


d)


q(x1 , x2 ) = (x1 x2 )

0
7/2
7/2
0



x1
x2


= 7x1 x2

e)
q(x1 , x2 , . . . , xn ) = (c1 x1 + c2 x2 + + cn xn )2 =
= c21 x21 + c22 x22 + + c2n x2n + 2 c1 c2 x1 x2 + 2 c1 c3 x1 x3 +
+ 2 cn1 cn xn1 xn

= (x1 x2

CEDERJ

116

xn )

c21 c1 c2 c1 c3
c1 c2 c22 c2 c3
c1 c3 c2 c3 c23
..
..
..
.
.
.
c1 cn c2 cn c3 cn


c1 cn
x1

c2 cn x2

c3 cn
x3
.
.

..
..
.
..
xn
c2n

Exerccios resolvidos 4a Parte

MODULO
3 AULA 31

3. a) Observando os coecientes de q, vemos que a matriz A que representa


q na base canonica e dada por


0 1
.
A=
1 0
Diagonalizar a forma quadratica q e equivalente a diagonalizar a matriz
simetrica A. Usando os procedimentos ja conhecidos sobre diagonalizacao de matrizes simetricas, os autovalores da matriz A sao 1 = 1
e 2 = 1. A matriz P sera obtida a partir de uma base ortonormal
de autovetores de A. Efetuando os calculos, o que e um exerccio para
voce, obtemos
  
1 2

u1 =
autovetor associado ao autovalor 1 = 1, e
1 2

 
1 2

u2 =
autovetor associado ao autovalor2 = 1.
1 2
Como {u1 , u2 } forma uma base ortonormal de R2 , entao
 
 
1 2 1 2


,
P = [u1 u2 ] =
1 2 1 2
que representa uma rotacao de /4 radianos, e a matriz diagonal correspondente sera


1 0
,
D=
0 1
onde D = P t A P . Observe que a forma diagonal de q e dada por



x1
1 0
q(x1 , y1 ) = (x1 y1 )
0 1
y1
= x21 y12 .
b) Observando os coecientes de q, vemos que a matriz A que representa
q na base canonica e dada por

0 1 1

A = 1 0 1 .
1 1 0
Procedendo a` diagonalizacao da matriz simetrica A, deixamos
os detalhes dos calculos como um exerccio para voce, obtemos os autovalores 1 = 1, com multiplicidade algebrica 2, e 2 = 2. A matriz
117

CEDERJ

Exerccios resolvidos 4a Parte

mudanca de variavel P sera obtida a partir de uma base ortonormal de


autovetores de A. Efetuando os calculos, obtemos

1 6


u1 = 2 6 autovetor associado ao autovalor 1 = 1;



1 6

1 2

u2 =
0
autovetor associado ao autovalor1 = 1;

1 2

1 3

u3 = 1 3 autovetor associado ao autovalor2 = 2.

1 3
Como {u1 , u2 , u3 } forma uma base ortonormal de R3 , entao



1 2 1 3
1 6



P = [u1 u2 u3 ] = 2 6
0
1 3



1 6 1 2 1 3
e uma matriz ortogonal e a matriz diagonal correspondente sera

1 0 0

D = 0 1 0 ,
0
0 2
onde D = P t A P .
A forma diagonal de q e dada por

x1
1 0 0

q(x1 , y1 , z1 ) = (x1 y1 z1 ) 0 1 0 y1
z1
0
0 2
= x21 y12 + 2 z12 .

Como P e uma matriz ortogonal e det(P ) = 1, entao P e uma rotacao


em R3 .
4. a) Como a forma quadratica q(x , y) = 2x2 + 5y 2 nao contem termos em
xy, a equacao da conica ja esta diagonalizada. Podemos escreve-la na
forma
x2 y 2
+
= 1,
10
4
e, da, identicar a conica como uma elipse de semi-eixos

10 e 2. Veja a Figura 31.1.


CEDERJ

118

Exerccios resolvidos 4a Parte

Fig. 31.1: A elipse

x2
10

y2
4

MODULO
3 AULA 31

= 1.

b) Como a equacao x2 16y 2 + 8x + 128y = 256 nao contem termos


em xy, ela ja se encontra diagonalizada, restando apenas completar os
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 translacao

= 256
= 256
= 16
=1.

x1 = x + 4
y1 = y 4 ,

a equacao que representa a conica se transforma, no sistema de coordenadas x1 y1 , em


x21 y12

= 1.
16
1
Podemos identicar a hiperbole na Figura 31.2.

Fig. 31.2: A hiperbole

x2
1
16

2
y1
1

= 1.

c) Reescrevendo a conica 4x2 20xy + 25y 2 15x 6y = 0 na forma


matricial, obtemos
vt A v + Bv = 0,


onde
v=

x
y


R2 ,

119

CEDERJ

Exerccios resolvidos 4a Parte


A=

4 10
10 25


e
B = (15

6 ).

A matriz A e a matriz simetrica que representa a forma quadratica


q(x , y) = 4x2 20xy + 25y 2 com respeito `a base canonica. Nao
e difcil ver os calculos cam para voce que os autovalores da
matriz A sao 1 = 0 e 2 = 29, e os autovetores normalizados sao
  
5 29

autovetor associado ao autovalor 1 = 0, e
u1 =
2 29

 
2 29

autovetor associado ao autovalor2 = 29.
u2 =
5 29
Como {u1 , u2 } forma uma base ortonormal de R2 , entao
 
 
5 29 2 29


P = [u1 u2 ] =
2 29 5 29
e a matriz ortogonal que diagonaliza a matriz A, e a matriz diagonal
correspondente sera


0 0
D=
,
0 29
com D = P t A P . Como det(P ) = 1, a matriz ortogonal P representa
uma rotacao em R2 .
Considerando


v=

x
y


e v1 =

x1
y1


,

e substituindo v = P v1 em vt A v, obtemos
vt A v = (P v1 )t A (P v1 )
= vt1 (P t AP )v1
t
= vt1 D v1 ; onde P
D
 AP
 =
0 0
x1
= (x1 y1 )
0 29
y1
= 29y12 .
CEDERJ

120

Exerccios resolvidos 4a Parte

MODULO
3 AULA 31

A forma linear se transforma em


Bv = B(P v1 )
= BP v1

 

  
5 29 2 29
x1


= (15 6 )
2 29 5 29
y1



x1
= (3 29 0 )
y1

= 3 29 x1 .

Substituindo

vt A v = 29y12 e Bv = 3 29 x1

em vt A v + Bv = 0, obtemos

29y12 3 29 x1 = 0.
ou, ainda,

29 2
y ,
3 1
onde identicamos facilmente a equacao de uma parabola. Veja a Figura 31.3.
x1 =

y1

x1

Fig. 31.3: A par


abola x1 =

29 2
y1 .
3

5. a) Reescrevendo a equacao 2xy + 2xz + 2yz 6x 6y 4z = 9 na forma


matricial, temos
vt A v + B v = 9,
onde

x

v = y ,
z

0 1 1

A = 1 0 1 e B = (6
1 1 0

4).

121

CEDERJ

Exerccios resolvidos 4a Parte

A matriz A ja foi diagonalizada no exerccio 3b. Encontramos:



1 6


u1 = 2 6 autovetor associado ao autovalor 1 = 1;



1 6

0
autovetor associado ao autovalor 1 = 1;

1 2

1 3

u3 = 1 3 autovetor associado ao autovalor 2 = 2.

1 3

u2 =

Como {u1 , u2 , u3 } forma uma base ortonormal de R3 , temos que





1 2 1 3
1 6



P = [u1 u2 u3 ] = 2 6
0
1 3



1 6 1 2 1 3
e a matriz ortogonal que diagonaliza a matriz A, e a matriz diagonal
correspondente sera

1 0 0

D = 0 1 0 .
0
0 2
Vale tambem que D = P t A P .
Observe que det(P ) = 1, logo P representa uma rotacao em R3 . Considerando


x1
x


v = y e v1 = y1 ,
z1
z
e substituindo v = P v1 em vt A v, obtemos
vt A v = (P v1 )t A (P v1 )
= vt1 (P t AP )v1
= vt1 D v1 ; onde P t AP

1 0

= (x1 y1 z1 ) 0 1
0
0
2
2
2
= x1 y1 + 2z1 .
CEDERJ

122

=D

0
x1

0 y1
z1
2

Exerccios resolvidos 4a Parte

MODULO
3 AULA 31

Agora, substituindo v = P v1 em B v, obtemos


Bv = B(P v1 )
= BP v1
= (6




1 2 1 3
x1
1 6



4) 2 6
0
1 3 y1



1 6 1 2 1 3
z1

2
16
2
= x1 y1 z1 .
6
6
6
Portanto, substituindo
2
2
16
vt A v = x21 y12 + 2z12 e Bv = x1 y1 z1
6
6
6
na equacao vt A v + B v = 9, obtemos
2
2
16
x21 y12 + 2z12 + x1 y1 z1 = 9.
6
6
6
Completando os quadrados nas variaveis x1 , y1 e z1 , obtemos a quadrica

2 
2
2

1
1
4
x1
y1 +
+ 2 z1 +
= 1.
6
2
3
Agora, aplicando a translacao

x2 = x1 6
y2 = y1 + 12

z2 = z1 + 43 ,
obtemos
x22 y22 + 2z22 = 1,
que representa um hiperboloide de duas folhas.

b) Reescrevendo a equacao 2xy 6 2 x + 10 2 y + z 31 = 0 na forma


matricial, temos
vt A v + B v = 31,
onde

x

v= y
z

0 1 0

A = 1 0 0 e B = ( 6 2
0 0 0

10 2

1).

123

CEDERJ

Exerccios resolvidos 4a Parte

Deixamos para voce, novamente, o exerccio de calcular os autovalores


e os autovetores correspondentes da matriz A. Obtemos:

0

u1 = 0 autovetor associado ao autovalor 1 = 0;
1

1 2

u2 = 1 2 autovetor associado ao autovalor 2 = 1;
0


1 2


u3 = 1 2 autovetor associado ao autovalor 3 = 1.
0
Como {u1 , u2 , u3 } forma uma base ortonormal de R3 , temos que



0 1 2 1 2



P = [u1 u2 u3 ] = 0 1 2 1 2
1 0
0
e a matriz ortogonal que diagonaliza a matriz A, e a matriz diagonal
correspondente sera

0 0 0

D = 0 1 0 ,
0 0 1
onde D = P t A P .
Observe que det(P ) = 1, logo P representa uma rotacao em R3 , a
saber, uma rotacao de /4 radianos em torno do eixo-z. Considerando


x1
x


v = y e v1 = y1 ,
z1
z
e substituindo v = P v1 em vt A v, obtemos
vt A v = (P v1 )t A (P v1 )
= vt1 (P t AP )v1
= vt1 D v1 ; pois

= (x1 y1 z1 ) 0
0
= y12 z12 .
CEDERJ

124

P t AP = D

x1
0 0

1 0 y1
z1
0 1

Exerccios resolvidos 4a Parte

MODULO
3 AULA 31

Agora, substituindo v = P v1 em B v, obtemos


Bv = B(P v1 )
= BP v1

= (6 2



x1
0 1 2 1 2



1) 0 1 2 1 2 y1
1 0
0
z1

10 2

= (1

x1

16) y1
z1

= x1 + 4y1 + 16z1 .
Portanto, substituindo
vt A, v = y12 z12 e Bv = x1 + 4y1 + 16z1
na equacao vt A v + B v = 9, obtemos
y12 z12 + x1 + 4y1 + 16z1 = 31.
Completando os quadrados nas variaveis y1 e z1 , obtemos
(y12 + 4y1 ) (z12 16z1 ) + x1 = 31
(y1 + 2)2 4 (z1 8)2 + 64 + x1 = 31
e, por m,
x1 + 29 = (y1 + 2)2 + (z1 8)2 .
Agora, aplicando a translacao

x2 = x1 + 29
y2 = y1 + 2

z2 = z1 8 ,
obtemos
x2 = y22 + z22 ,
que representa um paraboloide hiperb
olico.
6. a) Queremos montar a matriz A = (aij ), onde aij = F (ui , uj ), u1 =
(1 , 0) e u2 = (1 , 1). Temos:
a11 = F (u1 , u1 ) = F ((1 , 0), (1 , 0)) = 2;
125

CEDERJ

Exerccios resolvidos 4a Parte

a12 = F (u1 , u2 ) = F ((1 , 0), (1 , 1)) = 1;


a21 = F (u2 , u1 ) = F ((1 , 1), (1 , 0)) = 2;
a22 = F (u2 , u2 ) = F ((1 , 1), (1 , 1)) = 0.
Logo,


A=

2 1
2 0


.

b) Queremos montar a matriz B = (bij ), onde bij = F (vi , vj ), v1 = (2 , 1)


e v1 = (1 , 1). Temos:
b11 = F (v1 , v1 ) = F ((2 , 1), (2 , 1)) = 3;
b12 = F (v1 , v2 ) = F ((2 , 1), (1 , 1)) = 9;
b21 = F (v2 , v1 ) = F ((1 , 1), (2 , 1)) = 0;
b22 = F (v2 , v2 ) = F ((1 , 1), (1 , 1)) = 6.
Logo,


B=

3 9
0 6


.

c) Expressando v1 e v2 em funcao de u1 e u2 (os detalhes cam para


voce), obtemos:
v1 = 1 u1 + 1 u2 ;
v2 = 2 u1 + (1) u2 ,

e, portanto, P =
onde
P tA P =

CEDERJ

126

1 2
1 1

1 1
2 1




e Pt =

2 1
2 0



1 1
2 1

1 2
1 1


,



=

3 9
0 6


= B.

Um caso pratico

MODULO
3 AULA 32

Aula 32 Um caso pr
atico
Um modelo de crescimento populacional
Nesta u
ltima aula, vamos ilustrar como a teoria de autovalores e autovetores de matrizes com coecientes reais pode ser usada para analisar um
modelo de crescimento populacional.
Iniciaremos nossa discussao com a apresentacao de um modelo simples
de crescimento populacional. Para isso, vamos supor que certas especies tem
uma taxa de crescimento constante. Isso signica que a populacao cresce a
percentuais iguais em intervalos de tempos iguais.
Vamos considerar uma especie em que cada indivduo de uma geracao
produz r novos descendentes e, logo em seguida, morre. Assim, se pn denota
o n
umero de indivduos da populacao da n-esima geracao, supondo que as
geracoes se sucedem a intervalos de tempos iguais, temos que
pn = r pn1 .
Por exemplo, se r = 2, temos: p0 e a populacao inicial da especie;
p1 = 2 p0 ;
p2 = 2 p1 = 2 (2 p0) = 22 p0 ;
p3 = 2 p2 = 2 (22p0 ) = 23 p0 .
De modo geral, temos pn = 2n p0 . E para r arbitrario, temos pn = r n p0 .
Esse modelo pode ser usado, por exemplo, para descrever a populacao de uma
certa bacteria, na qual, a cada perodo de tempo, cada bacteria se divide em
duas outras. Para esse modelo, a populacao cresce para o innito se r > 1,
decresce para zero se 0 < r < 1 e permanece constante se r = 1.
Como voce pode notar, esse modelo populacional e muito simples. Por
exemplo, para a maioria das especies o n
umero de descendentes depende
da idade dos pais. No caso da especie humana, uma mulher com 50 anos de
idade tem mais diculdade de ter lhos que uma de 20 anos. Estudaremos
um modelo que leva em consideracao esse tipo de complexidade.
Vamos considerar uma certa especie de passaros em que o n
umero de
127

CEDERJ

Um caso pratico

machos e igual ao n
umero de femeas. Assim, basta controlar o n
umero de
femeas. Vamos supor, ainda, que o perodo de reproducao e de um ano e
que, apos o nascimento de uma nova femea, ela so podera se reproduzir apos
um ano de vida. Antes de um ano ela sera considerada uma femea jovem e
apos um ano sera considerada uma femea adulta. Podemos, entao, denotar
por:
pj,n a populacao de femeas jovens apos n anos (n perodos de reproducao);
pa,n a populacao de femeas adultas apos n anos.
Vamos tambem assumir que, a cada ano, uma fracao de femeas jovens
sobrevive e se torna femeas adultas, que cada femea adulta produz k novas
femeas jovens e que uma fracao de femeas adultas sobrevive.
A suposicao de taxa de sobrevivencia constante signica que a sobrevivencia dos adultos independe da sua idade, o que nem sempre se aplica.
Com as suposicoes anteriores, podemos relacionar a populacao de femeas
jovens e adultas da seguinte forma:

pj,n = k pj,n1
pa,n = pj,n1 + pa,n1 ,
o que nos da um sistema linear de ordem 2. Em notacao matricial, podemos
reescreve-lo como
Pn = A Pn1 ,


onde
Pn =

pj,n
pa,n


e A=

0 k

Observe que
P1 = A P0 ;
P2 = A P1 = A (A P0 ) = A2 P0 ;
P3 = A P2 = A (A2 P0 ) = A3 P0 ;
P4 = A P3 = A (A3 P0 ) = A4 P0 ,
e, assim, de um modo geral,
Pn = An P0 ,


onde
P0 =

CEDERJ

128

pj,0
pa,0

Um caso pratico

MODULO
3 AULA 32

e a matriz que representa a populacao inicial de femeas (jovens e adultas).


Exemplo 1
Vamos considerar o modelo descrito anteriormente durante um perodo
de 20 anos com matriz A dada por

A=

0
2
0, 3 0, 5


.

Essa matriz informa que cada femea adulta gera k = 2 femeas jovens a
cada ano e que as taxas de sobrevivencia sao = 0, 3 para femeas jovens e =
0, 5 para femeas adultas. Observe que < signica que as femeas jovens
tem menos chances de sobreviver que as adultas. Vamos supor, inicialmente,
que temos 10 femeas adultas e nenhuma jovem; portanto,

P0 =

0
10


.

Assim, apos um ano, temos



P1 = A P0 =

0
2
0, 3 0, 5



0
10


=

20
5


.

Como pj,1 = 20 e pa,1 = 5, a populacao total de femeas e de 25 indivduos apos um ano e a razao entre femeas jovens e adultas e
20
pj,1
= 4.
=
pa,1
5
Apos o segundo ano, temos

P2 = A P1 =

0
2
0, 3 0, 5



20
5


=

10
8, 5


.

O valor de 8,5 para femeas adultas pode ser interpretado como um total
de 8 indivduos. No entanto, como pj,2 = 10 e pa,2 = 8, 5, a populacao
total de femeas e de 18 indivduos apos dois anos, e a razao entre femeas
jovens e adultas e
10
pj,2
= 1, 18.
=
pa,2
8, 5

129

CEDERJ

Um caso pratico

Procedendo dessa forma, obtemos a seguinte tabela de valores:


Tabela 32.1
Ano
n
0
1
2
3
4
5
10
11
12
20

Femeas jovens
pj,n
0
20
10
17
14
17
22
24
25
42

Femeas adultas Total de femeas pj,n /pa,n


pa,n
Pj,n + pa,n
10
10
0
5
25
4,00
8
18
1,18
7
24
2,34
8
22
1,66
8
25
2,00
12
34
1,87
12
36
1,88
13
38
1,88
22
64
1,88

Retornando ao modelo geral, suponhamos que a matriz A tenha dois


autovalores reais distintos, 1 e 2 , com autovetores correspondentes v1 e v2 ,
respectivamente. Como v1 e v2 sao linearmente independentes, eles formam
uma base de R2 e, portanto, podemos escrever
P0 = a1 v1 + a2 v2 , com a1 , a2 R.
Como Pn = An P0 , temos que
Pn = An P0
= An (a1 v1 + a2 v2 ) ,
e, portanto,
Pn = a1 An v1 + a2 An v2 .
Agora, como v1 e autovetor associado ao autovalor 1 , temos
Av1

= 1 v1 ;

A2 v1 = A(Av1 )
= A(1 v1 )
= 1 (Av1 )
= 1 (1 v1 )
= 21 v1 ;
A3 v1 = 31 v1 ;
CEDERJ

130

Um caso pratico

MODULO
3 AULA 32

e, de um modo geral, An v1 = n1 v1 . Analogamente, An v2 = n2 v2 . Portanto,


podemos reescrever a equacao
Pn = a1 An v1 + a2 An v2
na forma
Pn = a1 n1 v1 + a2 n2 v2 .

O polinomio caracterstico da matriz A =

0 k


e dado por

p(x) = det(A xI2 )


= x2 x k ,
cujas razes sao



1
2
+ 4k .
=
2

Como k > 0, 0 < < 1 e 0 < < 1, temos que 2 + 4k > 0 e,


portanto, a matriz A de fato possui dois autovalores reais distintos, 1 e 2 ,
como supusemos inicialmente. Vemos tambem que
1 =



1
+ 2 + 4k > 0
2

2 =



1
2 + 4k < 0,
2

e, ainda, que |1 | > |2 |. Assim, neste caso, o vetor Pn pode ser reescrito
como


 n
2
n
Pn = 1 a1 v1 +
a2 v2 .
1

 n

Agora, ja que 21 < 1, temos que 21
0 quando n +, ou

seja,

2
1

0 quando n e muito grande. Nesse caso, teremos


Pn a1 n1 v1 .

Isso signica que, apos um tempo grande, a populacao ca proporcional


a v1 .
131

CEDERJ

Um caso pratico

Exemplo 2

Dando continuidade ao Exemplo 1, como A =

0
2
0, 3 0, 5


, temos

que o polinomio caracterstico e


p(x) = x2 0, 5 x 0, 6.
Assim, os autovalores sao
1 =
e
2 =



1
0, 5 + 2, 65 1, 06
2



1
0, 5 2, 65 0, 56.
2

Efetuando contas rotineiras que voce pode conferir, obtemos os respectivos autovetores:

v1 =

1
0, 53


e v2 =

1
0, 28


.

Observe, do autovetor v1 , que


1
1, 88,
0, 53
o que explica a razao pj,n /pa,n na quinta coluna da tabela do Exemplo 1.
No exemplo anterior, trabalhamos com precisao de duas casas deci claro que obteremos informacoes mais
mais nas aproximacoes numericas. E
precisas se usarmos um n
umero maior de casas decimais.
Devemos, tambem, esclarecer algumas limitacoes desse modelo. As
taxas de nascimento e morte de uma populacao de passaros variam de ano
para ano e, em particular, dependem do clima da regiao. Em nossa discussao,
assumimos um meio ambiente constante.
Muitos ecologistas tambem tem observado que as taxas de nascimento e
morte variam com o tamanho da populacao. Em particular, a populacao nao
pode crescer mais depois de atingir um certo tamanho limite, pois incorre no
problema da falta de alimento. E, ainda, se a populacao crescesse indenidamente a uma taxa constante, ela iria superpovoar qualquer ecossistema.
CEDERJ

132

Um caso pratico

MODULO
3 AULA 32

Exerccio
1. Usando o modelo populacional desenvolvido neste captulo, determine
o n
umero de femeas jovens e adultas apos perodos de 1, 2, 5, 10, 19 e
20 anos. Em cada caso, calcule tambem a razao pj,n /pa,n . Considere


0
P0 =
, k = 3, = 0, 4 e = 0, 6.
12
Esperamos que voce tenha apreciado os conhecimentos matematicos
desenvolvidos neste curso. Eles sao, realmente, de ampla aplicacao pratica.
Na medida em que voce desenvolver outras ferramentas matematicas, voce
vera esses conceitos ressurgindo em muitos contextos diferentes. No mais,
nos, autores, desejamos a voce toda a sorte e sucesso na sua caminhada pelo
maravilhoso mundo da Matematica.

133

CEDERJ

Solucoes de exerccios selecionados

Solu
c
oes de exerccios selecionados
Aula 19

0 0 1

1. [T ] = 0 1 0 .
1 0 0
2. autovalor1 = 1 com multiplicidade 2: autovetores u1 = (1
e u2 = (0, 1, 0);

autovalor 2 = 1 com multiplicidade 1: autovetor u3 = (1

2, 0, 1

2, 0, 1

2)

2).

Aula 20
1. Matriz
cao ortogonal com respeito a` base canonica:
 da proje
 
3 4
1/4
.
A= 
3 4 1/4
A diagonalizacao da matriz A e dada por

t

A = P DP =

Aula 21


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


.
0 0
3 2 1/2
3 2
1/2

1 0 0

1. [T ] = 0 0 0
0 0 1

1/2 0 1/2

2. [T ] = 0 1 0
1/2 0 1/2
dada pelo produto de matrizes
3. E






1 2
0
1 2
1 0 0
1 2 1 3 1 6







1 2 1 3 1 6 0 1 0 1 3 1 3 1 3 .





0
1 3
1 6 1 6 2 6
0 0 1
2 6

135

CEDERJ

Solucoes de exerccios selecionados

Aula 22
1. Como At = A, temos
(A2 )t = (AA)t = At At = (At )2 = A2 ,
garantindo que A2 e uma matriz simetrica.
2. Sejam P matriz ortogonal (P 1 = P t ) e D matriz diagonal tais que
A = P DP t. Entao
A2 = AA = (P DP t) (P DP t) = P D(P tP )DP t = P DIDP t = P D 2 P t ,
mostrando que A2 tambem e diagonalizavel por matriz ortogonal.
3. Como A e uma matriz simetrica, temos, pelo Teorema 3, que A e
diagonalizavel por matriz ortogonal. Os autovalores de A sao:
1 = 3 com multiplicidade algebrica2;
2 = 1 com multiplicidade algebrica2.
Uma base ortonormal para o auto-espaco V3 e dada por:



2, 1 2, 0, 0);


u2 = (0, 0, 1 2, 1 2),
u1 = (1

enquanto uma base para o auto-espaco V1 e dada por:



2, 1 2, 0, 0);
 
u4 = (0, 0, 1 2, 1 2).

u3 = (1

Assim, as matrizes


1 2
0
1 2
0

12
0
1 2
0



P =
0
0
1 2
1 2


0
1 2
0
1 2
satisfazem A = P DP t .

CEDERJ

136

e D=

3
0
0
0

0
0
0
3
0
0
0 1
0
0
0 1

Solucoes de exerccios selecionados

Aula 23
1.

a) P =

b) P =

c) P =




 
1 2 1 2
0 0


;D=
1 2 1 2
0 4




2 0
1 3 1 2 1 6




1 3 1 2 1 6 ; D = 0 1


0
2 6
1 3
0 0



0
1 2
0
1 2



1 2
0
1 2
0

 ; D =


0
1 2
0
1 2


0
1 2
0
1 2

0
1
0
0
0
0

0
0
0
0

0
0
4
0

0
0
0
4

2. Observe que = 5 e um autovalor de A, mas v = (1, 1, 0) nao e um


autovetor correspondente ao autovalor = 5. Temos:




1 3 1 2 1 6
5 0 0




P = 1 3 1 2 1 6 ; D = 0 2 0


1 3
0
2 6
0 0 2

Aula 24
1. A matriz que representa o operador T com respeito `a base canonica e

2 1
1

A = 1 2 1 .
1 1 2
Como A e uma matriz simetrica, segue que o operador T e auto-adjunto.
2. A base pode ser = {u1 , u2 , u3 }, dada por
 

 

u1 = (1 3, 1 3 , 1 3); u2 = (1 2, 1 2 , 0) e u3 = (1 6,


1 6 , 2 6) .

Aula 25
1. Para todo u , v , w Rn e a R,
F (u + a w, v) = (u + a w)t A v
= (ut + a wt ) A v
= ut A v + a (wt A v)
= F (u , v) + a F (w, v) .
137

CEDERJ

Solucoes de exerccios selecionados


Assim, F e linear na primeira variavel. De forma analoga, mostra-se que F
tambem e linear na segunda variavel.

1 0 0

2. a) A = I3 = 0 1 0
0 0 1


3. 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 27
1. A hiperbole de equacao

x22 y22

= 1.
12
8

Aula 28
1. z22 = x22 y22 ; paraboloide hiperbolico.
2. x22 + y22 2z22 = 1; hiperboloide de duas folhas.
3.

x22
4

y22
4

z22
2

= 1; elipsoide.

Aula 29
1. 1 = 2 + i;
2 = 2 i;

v1 = (1 + i , 1)
v2 = (1 i , 1)

2. O polinomio caracterstico e p(x) = x2 2a x + b, cujas razes sao


1 = a + b i e 2 = a b i, com autovetores associados v1 = (1 , i) e
v2 = (1 , i), respectivamente.
3. Basta observar que, se A e matriz real, entao seu polinomio caracterstico p(x) tem coecientes reais. Logo, se e uma raiz complexa de
tambem e raiz de p(x).
p(x), entao

CEDERJ

138

Solucoes de exerccios selecionados

Aula 32
1. Os autovalores sao 1 1, 44 e 2 0, 836, com autovalores correspondentes

v1 =

2, 09
1


e v2 =

3, 57
1


.

Valores:
Tabela 32.2
Ano
n
0
1
2
5
10
19
20

Femeas jovens
pj,n
0
36
21
104
600
16,090
23,170

Femeas adultas Total de femeas pj,n /pa,n


pa,n
Pj,n + pa,n
12
12
0
7
43
5,14
19
40
1,11
45
149
2,31
291
981
2,06
7,737
23,827
2,08
11,140
34,310
2,08

139

CEDERJ

I SBN 85 - 7648 - 055 - 7

9 788576 480556