Anda di halaman 1dari 133

Operadores ortogonais

ODULO 3 AULA 19
Aula 19 Operadores ortogonais
Objetivos
Compreender o conceito e as propriedades apresentadas sobre opera-
dores ortogonais.
Aplicar os conceitos apresentados em exemplos importantes.
Pre-requisitos: Aulas 10 a 14,
17 e 18.
Voce deve se lembrar de que um operador T : R
n
R
n
e dito ortogonal
se existe uma base ortonormal de R
n
tal que a matriz de T na base e
uma matriz ortogonal, isto e, se a matriz [T]

e ortogonal.
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 R


n
, for
ortogonal, entao a matriz [T]

tambem sera ortogonal para qualquer outra


base ortonormal de R
n
.
Na verdade, temos o seguinte resultado:
Teorema 1
Sejam T : R
n
R
n
um operador ortogonal e e duas bases ortonor-
mais de R
n
. Se a matriz [T]

e ortogonal, ent ao 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 R
n
, temos que P e uma matriz ortogonal
e, pelo Teorema 1 da Aula 10, segue-se que
P
1
= P
t
,
onde P
t
e a transposta da matriz P. Assim,
[T]

= 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 : R
n
R
n
e ortogonal, basta considerar qualquer
base ortonormal de R
n
e vericar se a matriz [T]

e uma matriz ortogonal.


Exemplo 1
Verique que o operador linear T : R
3
R
3
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 e
1
, e
2
, e
3
de R
3
, dada por
e
1
= (1, 0, 0), e
2
= (0, 1, 0) e e
3
= (0, 0, 1),
obtemos
T(e
1
) = (cos , sen, 0)
T(e
2
) = (sen cos , 0)
T(e
3
) = (0, 0, 1).
Portanto, a matriz que representa T nesta base e dada por
A =
_
_
_
cos sen 0
sen cos 0
0 0 1
_
_
_
.
Sabemos que A e uma matriz ortogonal de R
3
. 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 : R
n
R
n
um operador ortogonal. Ent ao as seguintes proprieda-
des sao validas:
1. T transforma bases ortonormais em bases ortonormais, ou seja, se
v
1
, v
2
, . . . , v
n
e uma base ortonormal de R
n
, ent ao Tv
1
, Tv
2
, . . . , Tv
n

tambem e uma base ortonormal de R


n
.
2. T preserva o produto interno, ou seja, para todo u, v R
n
vale que
Tu, Tv) = u, v) .
3. T preserva a norma, ou seja, para todo v R
n
vale que
[[Tv[[ = [[v[[.
CEDERJ
8
Operadores ortogonais
M

ODULO 3 AULA 19
Exemplo 2
Seja T : R
2
R
2
um operador ortogonal, entao sua matriz na base
canonica e da forma
_
cos sen
sen cos
_
ou
_
cos sen
sen cos
_
,
onde [0 , 2).
Solucao
De fato, sendo T : R
2
R
2
um operador ortogonal, sua matriz na base
canonica de R
2
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
sen cos
_
ou
_
cos sen
sen cos
_
.
Sabemos tambem que a primeira matriz representa uma rotac ao 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 : R
2
R
2
que leva o segmento de
reta de extremidades (6, 2) e (1, 2) ao segmento de reta de extremi-
dades (2, 6) e (1, 2), respectivamente (veja a Figura 19.1).
b) Mostre que a transformac ao acima e uma rotac ao. Determine, tambem,
o angulo dessa rotac ao.
-6 -1 1
2 2
x x
y
y
6
Figura 19.1: O operador T.
9
CEDERJ
Operadores ortogonais
Solucao
a) Queremos encontrar escalares a, b, c, d R tais que a matriz que repre-
senta T na base canonica seja dada por
[T] =
_
a b
c d
_
.
Da condic ao sobre as extremidades, temos
T(6, 2) =
_
a b
c d
_ _
6
2
_
=
_
2
6
_
e
T(1 , 2) =
_
a b
c d
_ _
1
2
_
=
_
1
2
_
,
o que nos da o sistema linear
_

_
6a + 2b = 2
6c + 2d = 6
a + 2b = 1
c + 2d = 2
.

E facil ver que a solucao desse sistema e dada por:


a = 3/5; b = 4/5; c = 4/5 e d = 3/5.
Assim,
[T] =
_
3/5 4/5
4/5 3/5
_
.
b) Como as colunas da matriz [T], representadas pelos vetores
v
1
= (3/5 , 4/5) e v
2
= (4/5 , 3/5), formam uma base ortonormal
de R
2
, 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 rotac ao de R
2
cujo angulo e dado por
= arccos(3/5).
Exerccios
1. Seja T : R
3
R
3
uma reexao num plano de R
3
tal que T(1, 0, 1) =
(1, 0, 1). Determine a matriz que representa o operador T com res-
peito `a base canonica.
2. Determine os autovalores e os autovetores associados da transformac ao
linear T do exerccio anterior.
CEDERJ
10
Projecoes ortogonais 1
a
Parte
M

ODULO 3 AULA 20
Aula 20 Projecoes ortogonais 1
a
Parte
Objetivos
Compreender o conceito de projecao ortogonal em dimensao 2.
Aplicar os conceitos apresentados em exemplos importantes.
Pre-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 Computac ao Graca e o Desenho Geometrico. Trata-
se das projecoes ortogonais. Nesta primeira aula, trabalharemos com as
projec oes ortogonais em R
2
.
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.
V= (x,y)
V'= (x,0)
x
y
Figura 20.1: A projec ao ortogonal no eixo-x.
Assim, temos a transformac ao linear
T : R
2
R
2
T(x, y) = (x, 0).
11
CEDERJ
Projecoes ortogonais 1
a
Parte
Denotando por e
1
, e
2
a base canonica de R
2
, temos que
T(e
1
) = T(1, 0) = (1, 0) = 1 e
1
+ 0 e
2
T(e
2
) = T(0, 1) = (0, 0) = 0 e
1
+ 0 e
2
.
Portanto, a matriz que representa a transformac ao T na base canonica
e dada por
A =
_
1 0
0 0
_
.
Vemos imediatamente algumas propriedades dessa projec ao ortogonal.
1. A matriz A e, portanto, o operador T, nao e invertvel, pois det(A) = 0.
2. Como T(e
2
) = 0 e
2
, ent ao
2
= 0 e um autovalor de T com autovetor
associado e
2
= (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(e
1
) = 1 e
1
, ent ao
1
= 1 e um autovalor de T com autovetor
associado e
1
= (1, 0). Nao e difcil ver que o auto-espaco associado
a
1
= 1 e exatamente o eixo-x, isto e, a reta de equac ao 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 equac ao cartesiana x = 0.
Solucao
A projec ao ortogonal no o eixo-y e dada pela transformacao linear
T : R
2
R
2
T(x, y) = (0, y).
Geometricamente, esta transformac ao e representada pela Figura 20.2.
CEDERJ
12
Projecoes ortogonais 1
a
Parte
M

ODULO 3 AULA 20
(x,y)
T (x,y)
x
y
Figura 20.2: A projecao ortogonal no eixo-y.
Como no Exemplo 1, temos que
T(e
1
) = T(1, 0) = (0, 0) = 0 e
1
+ 0 e
2
T(e
2
) = T(0, 1) = (0, 1) = 0 e
1
+ 1 e
2
.
Portanto, a matriz que representa a transformac ao T na base canonica
e dada por
A =
_
0 0
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(e
1
) = 0 e
1
, ent ao
1
= 0 e um autovalor de T com autovetor
associado e
1
= (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(e
2
) = 1 e
2
, ent ao
2
= 1 e um autovalor de T com autovetor
associado e
2
= (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 1
a
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 projec ao ortogonal sobre uma reta L qualquer
do R
2
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 projec ao ortogonal sobre uma reta L de R
2
que passa pela
origem.
Solucao
Suponhamos que a reta L seja paralela a um vetor unitario u
1
R
2
,
como ilustra a Figura 20.3.
u
1
L
x
y
Figura 20.3: A reta L paralela ao vetor unitario u
1
.
O efeito geometrico da projecao ortogonal sobre a reta L e observado
na Figura 20.4.
T
V
v
L
x
y
Figura 20.4: A projec ao ortogonal na reta L.
CEDERJ
14
Projecoes ortogonais 1
a
Parte
M

ODULO 3 AULA 20
A projecao ortogonal de um vetor v na direc ao do vetor u
1
e dada por
T : R
2
R
2
v Tv =
v, u
1

u
1
, u
1

u
1
,
de onde vemos que T e uma transformacao linear. Para obter a formula
acima observamos que desejamos um vetor Tv da forma Tv = ku
1
de modo
que v ku
1
seja ortogonal a u
1
, como indica a Figura 20.5.
Figura 20.5: A projec ao ortogonal de v na direc ao de u
1
Assim, da ortogonalidade entre v ku
1
e u
1
temos
= v ku
1
, u
1
)
= v, u
1
) ku
1
, u
1
)
= v, u
1
) k u
1
, u
1
) ,
o que nos da
k u
1
, u
1
) = v, u
1
)
k =
v, u
1
)
u
1
, u
1
)
,
e, portanto,
Tv = ku
1
=
v, u
1
)
u
1
, u
1
)
u
1
.
Observe que na formula acima o vetor u
1
nao precisa ser unitario, mas,
caso seja, como u
1
, u
1
) = 1, entao a formula acima se simplica para
Tv = v, u
1
) u
1
.
Nosso problema agora e encontrar a matriz que represente a trans-
formacao T. Veremos que, escolhendo uma base ortonormal adequada de
R
2
, a matriz de T nessa base e muito similar `a matriz do Exemplo 1, visto
anteriormente. Lembre que o problema da escolha de uma base ortonormal
adequada ja foi tratado quando estudamos as reexoes de R
2
com respeito a
uma reta qualquer passando pela origem. Veja a Aula 12.
15
CEDERJ
Projecoes ortogonais 1
a
Parte
Seja = u
1
, u
2
uma base ortonormal de R
2
onde u
1
e um vetor
unitario paralelo `a reta L e u
2
e um vetor unitario normal `a reta L. Veja a
Figura 20.6.
u
1
u
2
L
x
y
Figura 20.6: A base ortonormal = u
1
, u
2
.
Nesse caso, como u
1
, u
1
) = 1 e pela observacao acima temos que Tv =
v, u
1
) u
1
. Assim, vemos que
Tu
1
= u
1
, u
1
) u
1
= u
1
= 1 u
1
+ 0 u
2
Tu
2
= u
2
, u
1
) u
1
= 0 u
1
= 0 u
1
+ 0 u
2
.
Portanto, a matriz que representa a transformac ao T na base e dada
por
[T]

=
_
1 0
0 0
_
,
que e exatamente da mesma forma que a matriz do Exemplo 1. Se quiser-
mos obter a matriz que representa T na base canonica, e so fazermos uma
mudanca de base. Se = e
1
, e
2
e a base canonica de R
2
, ent ao
[T]

= P [T]

P
1
,
onde P e a matriz mudanca de base. Como P = [u
1
u
2
], isto e, suas
colunas sao vetores ortonormais, ent ao P e uma matriz ortogonal e, portanto,
P
1
= P
t
. Como nos exemplos 1 e 2, temos as seguintes propriedades.
1. As matrizes [T]

e [T]

e, portanto, o operador T, nao sao invertveis,


pois det [T]

= 0.
CEDERJ
16
Projecoes ortogonais 1
a
Parte
M

ODULO 3 AULA 20
2. Como T(u
2
) = 0 u
2
, entao
2
= 0 e um autovalor de T com autovetor
associado u
2
. 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(u
1
) = 1 u
1
, entao
1
= 1 e um autovalor de T com autovetor
associado u
1
. 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 exem-
plo e os dois primeiros. Isto se deve `a escolha adequada de uma base orto-
normal de R
2
.
Exerccios
1. Determine a matriz da projec ao ortogonal sobre a reta y =

3x com
respeito `a base canonica.
2. Determine os autovalores e os auto-espacos associados da transformacao
linear do exerccio 1.
17
CEDERJ
Projecoes ortogonais 2
a
Parte
M

ODULO 3 AULA 21
Aula 21 Projecoes ortogonais 2
a
Parte
Objetivos
Compreender o conceito de projecao ortogonal em dimensao 3.
Aplicar os conceitos apresentados em exemplos importantes.
Pre-requisitos: Aulas 10 a 14,
17 a 20.
Nesta aula daremos continuidade ao estudo das projecoes ortogonais,
estudando as projec oes ortogonais em R
3
. 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 plano-xy,
isto e, sobre o plano de equacao cartesiana z = 0.
Solucao
Geometricamente, essa transformacao e representada pela Figura 21.1.
u
1
z
V= (x,y,z)
V'= (x,y,0)
x y
Figura 21.1: A projec ao ortogonal no plano-xy.
19
CEDERJ
Projecoes ortogonais 2
a
Parte
Assim, temos a transformacao linear
T : R
3
R
3
T(x, y, z) = (x, y, 0).
Denotando por e
1
, e
2
, e
3
a base canonica de R
3
, temos que
T(e
1
) = T(1, 0, 0) = (1, 0, 0) = 1 e
1
+ 0 e
2
+ 0 e
3
T(e
2
) = T(0, 1, 0) = (0, 1, 0) = 0 e
1
+ 1 e
2
+ 0 e
3
T(e
3
) = T(0, 0, 1) = (0, 0, 0) = 0 e
1
+ 0 e
2
+ 0 e
3
.
Portanto, a matriz que representa a transformac ao T na base canonica
e dada por
A =
_
_
_
1 0 0
0 1 0
0 0 0
_
_
_
.
Como nos exemplos da Aula 20, vemos imediatamente algumas propri-
edades dessa projecao ortogonal.
1. A matriz A e, portanto, o operador T, nao sao invertveis, pois
det(A) = 0.
2. Como T(e
3
) = 0 e
3
, ent ao
2
= 0 e um autovalor de T com autovetor
associado e
3
. Nao e difcil ver que o auto-espaco associado a
2
= 0 e
exatamente o eixo-z, que e o espaco gerado por e
3
.
3. Como T(e
1
) = 1 e
1
e T(e
2
) = 1 e
2
, ent ao
1
= 1 e um autovalor de
T de multiplicidade 2 com autovetores associados e
1
e e
2
. 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 e
1
e e
2
.
4. O operador T e diagonalizavel com polinomio caracterstico
p(x) = x (x 1)
2
.
Mais uma vez, chamamos a atenc ao do aluno para que compreenda bem
a geometria desse exemplo, pois ela sera recorrente nos exemplos seguintes.
Vejamos outro exemplo de projec ao ortogonal em um plano coordenado.
Exemplo 2
Determine a matriz que representa a projec ao ortogonal sobre o plano-yz,
isto e, sobre o plano de equac ao cartesiana x = 0.
CEDERJ
20
Projecoes ortogonais 2
a
Parte
M

ODULO 3 AULA 21
Solucao
Geometricamente, essa transformacao e representada pela Figura 21.2.
z
(x,y,z)
T(x,y,z)= (0,x,z)
x y
Figura 21.2: A projecao ortogonal no plano-yz.
Assim, temos a transformac ao linear
T : R
3
R
3
T(x, y, z) = (0, y, z).
Se voce entendeu bem a geometria do Exemplo 1, ent ao vera que neste
caso temos
T(e
1
) = T(1, 0, 0) = (0, 0, 0) = 0 e
1
+ 0 e
2
+ 0 e
3
T(e
2
) = T(0, 1, 0) = (0, 1, 0) = 0 e
1
+ 1 e
2
+ 0 e
3
T(e
3
) = T(0, 0, 1) = (0, 0, 1) = 0 e
1
+ 0 e
2
+ 1 e
3
.
Portanto, a matriz que representa a transformac ao T na base canonica
e dada por
A =
_
_
_
0 0 0
0 1 0
0 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(e
1
) = 0 e
1
, ent ao
2
= 0 e um autovalor de T com autovetor
associado e
1
. Nao e difcil ver que o auto-espaco associado a
2
= 0 e
exatamente o eixo-x, que e o espaco gerado por e
1
.
21
CEDERJ
Projecoes ortogonais 2
a
Parte
3. Como T(e
2
) = 1 e
2
e T(e
3
) = 1 e
3
, ent ao
1
= 1 e um autovalor de
T de multiplicidade 2 com autovetores associados e
2
e e
3
. 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 e
2
e e
3
.
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
projec ao ortogonal sobre um plano qualquer de R
3
passando pela origem.
Exemplo 3
Descreva a projec ao ortogonal sobre um plano de R
3
que passa pela
origem.
Solucao
Seja T : R
3
R
3
a projecao ortogonal sobre o plano . Geometrica-
mente, essa transformac ao e representada pela Figura 21.3.
Figura 21.3: A projec ao ortogonal no plano-.
Vamos agora obter uma base ortonormal de R
3
de modo que a matriz
que representa a transformac ao 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, ent ao o vetor u = (a, b, c) e um vetor normal
ao plano . Seja, ent ao, u
3
um vetor unitario normal ao plano . Usando
a equac ao cartesiana de , como foi feito nas Aulas 17 e 18, facilmente
determinamos vetores unitarios u
1
e u
2
de modo que = u
1
, u
2
, u
3
seja
uma base ortonormal de R
3
. Observe que os vetores unitarios u
1
e u
2
sao
ortogonais e pertencem ao plano . Veja a Figura 21.4.
CEDERJ
22
Projecoes ortogonais 2
a
Parte
M

ODULO 3 AULA 21
Figura 21.4: A base ortonormal = u
1
, u
2
, u
3
.
A projecao ortogonal de um vetor v sobre o plano e dada por
T : R
3
R
3
v Tv =
v, u
1
)
u
1
, u
1
)
u
1
+
v, u
2
)
u
2
, u
2
)
u
2
,
de onde vemos que T e uma transformacao linear. Para obter a formula
acima observamos que desejamos um vetor Tv da forma Tv = k
1
u
1
+ k
2
u
2
de modo que v k
1
u
1
k
2
u
2
seja ortogonal a u
1
e u
2
, como indica a
Figura 21.5.
Figura 21.5: A projec ao ortogonal de v no plano .
Assim, da ortogonalidade entre v k
1
u
1
k
2
u
2
e u
1
, temos
0 = v k
1
u
1
k
2
u
2
, u
1
)
= v, u
1
) k
1
u
1
, u
1
) k
2
u
2
, u
1
)
= v, u
1
) k
1
u
1
, u
1
) k
2
u
2
, u
1
)
= v, u
1
) k
1
u
1
, u
1
) ,
ja que u
2
, u
1
) = 0, o que nos da
k
1
u
1
, u
1
) = v, u
1
)
k
1
=
v, u
1
)
u
1
, u
1
)
,
e, portanto,
Tv = k
1
u
1
+ k
2
u
2
=
v, u
1
)
u
1
, u
1
)
u
1
+
v, u
2
)
u
2
, u
2
)
u
2
.
23
CEDERJ
Projecoes ortogonais 2
a
Parte
Usando o fato de u
1
e u
2
serem vetores unitarios, isto e,
u
1
, u
1
) = u
2
, u
2
) = 1, obtemos
Tv = v, u
1
) u
1
+v, u
2
) u
2
.
Portanto, vemos que
Tu
1
= u
1
, u
1
) u
1
+u
1
, u
2
) u
2
= u
1
= 1 u
1
+ 0 u
2
+ 0 u
3
Tu
2
= u
2
, u
1
) u
1
+u
2
, u
2
) u
2
= u
2
= 0 u
1
+ 1 u
2
+ 0 u
3
Tu
3
= u
3
, u
1
) u
1
+u
3
, u
2
) u
2
= 0 u
1
+ 0 u
2
+ 0 u
3
.
Portanto, a matriz que representa a transformacao T na base e
dada por
[T]

=
_
_
_
1 0 0
0 1 0
0 0 0
_
_
_
,
que e exatamente da mesma forma que a matriz do Exemplo 1. Se quiser-
mos obter a matriz que representa T na base canonica, e so fazermos uma
mudanca de base. Se = e
1
, e
2
, e
3
e a base canonica de R
3
, entao
[T]

= P [T]

P
1
,
onde P e a matriz mudan ca de base. Como P = [u
1
u
2
u
3
], isto e, suas
colunas sao vetores ortonormais, ent ao P e uma matriz ortogonal e, portanto,
P
1
= P
t
. Como nos exemplos 1 e 2, temos as seguintes propriedades:
1. As matrizes [T]

e [T]

e, portanto, o operador T, nao sao invertveis,


pois det [T]

= 0.
2. Como T(u
3
) = 0 u
3
, ent ao
2
= 0 e um autovalor de T com autovetor
associado u
3
. Nao e difcil ver que o auto-espaco associado a
2
= 0 e
exatamente a reta pela origem ortogonal a .
3. Como T(u
1
) = 1 u
1
e T(u
2
) = 1 u
2
, entao
1
= 1 e um autovalor de T
com autovetores associados u
1
e u
2
. 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
.
Cabe aqui, mais uma vez, ressaltar a analogia entre este terceiro exem-
plo e os dois primeiros. Isso se deve `a escolha adequada de uma base orto-
normal de R
3
.
CEDERJ
24
Projecoes ortogonais 2
a
Parte
M

ODULO 3 AULA 21
Exerccios
1. Determine a matriz da projecao ortogonal sobre o plano-xz com res-
peito `a base canonica.
2. Determine a matriz da projecao ortogonal sobre o plano xz = 0 com
respeito `a base canonica.
3. Determine a matriz da projec ao ortogonal sobre o plano gerado pelos
vetores v
1
= (1, 1, 0) e v
2
= (1, 1, 1), com respeito `a base canonica.
25
CEDERJ
Matrizes simetricas
M

ODULO 3 AULA 22
Aula 22 Matrizes simetricas
Objetivos:
Compreender o conceito de matriz simetrica.
Aplicar os conceitos apresentados em exemplos importantes.
Pre-requisitos: Aulas 6, 7, 8,
9, 10, 20 e 21
Em muitas aplicacoes da

Algebra Linear, as matrizes simetricas apare-
cem 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 diagonalizac ao e ortogonalidade, vistas
em aulas anteriores. Veremos, nesta aula, que a diagonalizac ao de uma ma-
triz 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 diagonalizac ao de matrizes simetricas, convem lembrarmos de algumas
denicoes que serao essenciais a este conte udo.
Denicao 1
Uma matriz A M
n
(R) e simetrica se A
t
= A, onde A
t
representa a
matriz transposta de A. Equivalentemente, a matriz A = (a
ij
) e simetrica se
a
ij
= a
ji
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:
A =
_
2 1
1 3
_
e B =
_
_
_
4 1 0
1 2 3
0 3 2
_
_
_
.
27
CEDERJ
Matrizes simetricas
No entanto, as matrizes abaixo nao sao simetricas:
C =
_
2 1 1
1 3 0
_
e D =
_
_
_
1 4 1
4 2 2
1 2 3
_
_
_
.
A matriz C nao e simetrica porque ela nao e matriz quadrada, e a
matriz D nao e simetrica porque d
31
= 1 ,= 1 = d
13
.
Vamos rever algumas propriedades das matrizes simetricas.
Teorema 1
Sejam A, B M
n
(R) matrizes simetricas. Ent ao A+B e cA, onde c R,
tambem sao matrizes simetricas.
Vale observar que o produto de duas matrizes simetricas nao e necessa-
riamente uma matriz simetrica. Por exemplo, dadas as matrizes simetricas
A =
_
1 2
2 3
_
e B =
_
4 5
5 6
_
temos que a matriz produto
AB =
_
1 2
2 3
_ _
4 5
5 6
_
=
_
14 17
23 28
_
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
Diagonalize, caso seja possvel, a matriz A =
_
_
_
6 2 1
2 6 1
1 1 5
_
_
_
.
Solucao
O polinomio caracterstico da matriz A e dado por:
p(x) = det(xI
3
A)
=

x 6 2 1
2 x 6 1
1 1 x 5

= (x 6)

x 6 1
1 x 5

2 1
1 x 5

+ 1

2 1
x 6 1

= x
3
17x
2
+ 90x 144 .
CEDERJ
28
Matrizes simetricas
M

ODULO 3 AULA 22
As possveis razes racionais de p(x) sao, obrigatoriamente, divisores de
144. Por inspec ao, 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).
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 I
3
A)v = 0.
Um calculo rotineiro, como foi visto na Aula 7, mostra que o auto-
espaco V
3
e um subespaco de dimensao 1 e e gerado pelo vetor v
1
= (1, 1, 1).
Analogamente, o auto-espaco V
6
, associado ao autovalor
2
= 6, e o su-
bespaco de dimensao 1 gerado pelo vetor v
2
= (1, 1, 2), e o auto-espaco
V
8
, associado ao autovalor
3
= 8, e o subespaco de dimensao 1 gerado pelo
vetor v
3
= (1, 1, 0). Esses tres vetores, v
1
, v
2
e v
3
, formam uma base de R
3
e poderiam ser usados para construir uma matriz P que diagonaliza a matriz
A.

E facil ver que v
1
, v
2
, v
3
e um conjunto ortogonal de R
3
e que obtere-
mos uma matriz ortogonal P se usarmos uma base ortonormal u
1
, u
2
, u
3
,
obtida de v
1
, v
2
, v
3
, normalizando cada um dos vetores v
1
, v
2
e v
3
. Como
um m ultiplo nao-nulo de um autovetor tambem e um autovetor, a nova base
u
1
, u
2
, u
3
tambem seria uma base de autovetores de R
3
. Os vetores assim
obtidos sao:
u
1
= (1/

3, 1/

3, 1/

3);
u
2
= (1/

6, 1/

6, 2/

6) e
u
3
= (1/

2, 1/

2, 0).
Assim, as matrizes P e D sao dadas por:
P =
_
_
_
1
_
3 1
_
6 1
_
2
1
_
3 1
_
6 1
_
2
1
_
3 2
_
6 0
_
_
_
e D =
_
_
_
3 0 0
0 6 0
0 0 8
_
_
_
.
Sabemos, das Aulas 6 e 7, que A = PDP
1
. Agora, como as colunas de
P formam vetores ortonormais, entao, pelo Teorema 2 da Aula 9, P e uma
matriz ortogonal, isto e, P
1
= P
t
. Assim, temos tambem que A = PDP
t
.
29
CEDERJ
Matrizes simetricas
Vimos, no Exemplo 2, que os autovetores da matriz simetrica A, asso-
ciados a autovalores distintos, sao ortogonais. Isso e uma propriedade geral,
como mostra o proximo teorema.
Teorema 2
Seja A M
n
(R) uma matriz simetrica; entao qualquer conjunto de auto-
vetores associados a autovalores distintos sao ortogonais.
Demonstracao:
Sejam v
1
, v
2
, . . . , v
k
autovetores da matriz A associados aos autovalores
distintos
1
,
2
, . . . ,
k
. Assim, dados
i
,=
j
, e observando que Av
i
=
i
v
i
e Av
j
=
j
v
j
, queremos mostrar que v
i
, v
j
) = 0. Para isto, observamos que

i
v
i
, v
j
) =
i
v
i
, v
j
)
= Av
i
, v
j
)
= (Av
i
)
t
v
j
= (v
t
i
A
t
)v
j
= (v
t
i
A)v
j
, pois A e simetrica
= v
t
i
(Av
j
)
= v
i
, Av
j
)
= v
i
,
j
v
j
)
=
j
v
i
, v
j
) .
Portanto, (
i

j
) v
i
, v
j
) = 0. Como
i

j
,= 0, segue que v
i
, v
j
) =
0, isto e, os vetores v
i
e v
j
sao ortogonais.
O tipo de diagonalizac ao que aparece no Exemplo 2 e muito importante
na teoria das matrizes simetricas. Por isso, temos a seguinte denic ao.
Denicao 2
Uma matriz A M
n
(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 = PDP
t
.
Da discussao do Exemplo 2 vimos que, para diagonalizar uma matriz
A M
n
(R) utilizando uma matriz ortogonal P, foi preciso encontrar n auto-
vetores linearmente independentes e ortogonais. A 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 M
n
(R) e diagonalizavel por matriz ortogonal se e so-
mente se A e uma matriz simetrica.
CEDERJ
30
Matrizes simetricas
M

ODULO 3 AULA 22
Demonstracao:
Uma das direc oes e muito simples de ser feita. Suponha que A seja
diagonalizavel por matriz ortogonal, como na Denicao 2; entao
A
t
= (PDP
t
)
t
= (P
t
)
t
D
t
P
t
= PDP
t
= A,
onde (P
t
)
t
= P e D
t
= D, ja que D e uma matriz diagonal. Assim, con-
clumos 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
A =
_
_
_
3 2 4
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 = PDP
t
.
Solucao
Como A e uma matriz simetrica, ent ao, pelo Teorema 3, ela e diago-
nalizavel por matriz ortogonal. Vamos, agora, realizar o calculo de diagona-
lizacao de A.
Os autovalores da matriz A sao as razes do polinomio caracterstico
p(x) = det(xI
3
A)
=

x 3 2 4
2 x 6 2
4 2 x 3

= x
3
12x
2
+ 21x + 98 .
Observando, por inspecao, que
1
= 2 e uma raiz de p(x), temos que
p(x) = (x + 2) (x
2
14x + 49) = (x + 2) (x 7)
2
.
Assim, os autovalores da matriz A sao
1
= 2, com multiplicidade
algebrica 1, e
2
= 7, com multiplicidade algebrica 2.
31
CEDERJ
Matrizes simetricas
Para o autovalor
1
= 2, temos que os autovetores associados,
v = (x, y, z), satisfazem o sistema linear
(2 I
3
A)v = 0.
Completando os calculos temos, que o auto-espaco V
2
e um subespaco
de dimensao 1 e e gerado pelo vetor v
1
= (2, 1, 2).
Para o autovalor
2
= 7, como ja sabemos que a matriz A e diagona-
lizavel, o auto-espaco V
7
tem dimensao igual a 2. O fato interessante e que
podemos construir uma base ortogonal de autovetores para esse subespaco
V
7
. Os autovetores v = (x, y, z) associados ao autovalor
2
= 7 satisfazem o
sistema linear
(7 I
3
A)v = 0.
Usando as tecnicas usuais para a resoluc ao de sistemas lineares, obte-
mos que:
V
7
= v R
3
[Av = 7v
= v R
3
[(7 I
3
A)v = 0
= (x, y, z) R
3
[2x + y 2z = 0.
Para obter uma base ortogonal de V
7
, observamos facilmente que
v
2
= (1, 0, 1) V
7
. O outro vetor v
3
= (a, b, c) V
7
deve satisfazer
2a + b 2c = 0 e ainda ser ortogonal a v
2
, isto e, v
2
, v
3
) = 0, ou seja,
a + c = 0. Portanto, v
3
= (a, b, c) deve satisfazer o sistema linear
_
2a + b 2c = 0
a + c = 0 .
Completando os calculos, obtemos, por exemplo, v
3
= (1, 4, 1). Ob-
serve que, pelo Teorema 2, o autovetor v
1
e ortogonal aos autovetores v
2
e v
3
, ja que eles correspondem a autovalores distintos da matriz simetrica
A. Assim, v
1
, v
2
, v
3
e um conjunto ortogonal de autovetores da matriz A.
Normalizando esses vetores, obtemos:
u
1
=
v
1
[[v
1
[[
= (2/3, 1/3, 2/3);
u
2
=
v
2
[[v
2
[[
= (1
_
2, 0, 1
_
2);
u
3
=
v
3
[[v
3
[[
= (1
_
18, 4
_
18, 1
_
18).
CEDERJ
32
Matrizes simetricas
M

ODULO 3 AULA 22
Portanto, u
1
, u
2
, u
3
e uma base ortonormal de autovetores de A.
Com esses autovetores, obtemos a matriz P e com os autovalores, obtemos a
matriz D:
P =
_
_
_
2/3 1
_
2 1
_
18
1/3 0 4
_
18
2/3 1
_
2 1
_
18
_
_
_
;
D =
_
_
_
2 0 0
0 7 0
0 0 7
_
_
_
,
de modo que A = PDP
t
.
Exerccios
1. Mostre que se A e uma matriz simetrica, ent ao A
2
tambem e uma
matriz simetrica.
2. Mostre que se A e uma matriz diagonalizavel por matriz ortogonal
entao A
2
tambem e.
3. Determine uma matriz ortogonal P e uma matriz diagonal D tal que
A = PDP
t
, onde a matriz A e dada por
A =
_
_
_
_
_
1 2 0 0
2 1 0 0
0 0 1 2
0 0 2 1
_
_
_
_
_
.
33
CEDERJ
O Teorema Espectral
M

ODULO 3 AULA 23
Aula 23 O Teorema Espectral
Objetivos:
Compreender o signicado do Teorema Espectral.
Compreender a decomposicao espectral de matrizes simetricas.
Aplicar os conceitos apresentados em exemplos importantes.
Pre-requisitos: Aulas 5 e 22
Nesta aula, continuaremos estudando as matrizes simetricas e fare-
mos uma breve discussao do chamado Teorema Espectral para Matrizes
Simetricas, mencionado na demonstrac ao do Teorema 3 da aula passada. Os
detalhes da demonstracao desse importante teorema serao omitidos nestas
notas. Uma vers ao simples do Teorema Espectral e apresentada a seguir.
Teorema 1 (Teorema Espectral para Matrizes Simetricas)
Seja A M
n
(R) uma matriz simetrica (isto e, A
t
= A). Ent ao 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 = PDP
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
A =
_
0 1
1 0
_
,
seu polinomio caracterstico, dado por p(x) = x
2
+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 demonstrac ao 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, ent ao o auto-espaco associado tem dimensao k.
Isto signica que o sistema linear
(I
n
A)v = 0
admite k soluc oes linearmente independentes, isto e, a matriz A tem
k autovetores linearmente independentes associados ao autovalor .
Usando o processo de ortogonalizacao de Gram-Schmidt, podemos ob-
ter 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, ent ao,
considerando o conjunto de todos os autovalores de A, obtemos uma
base ortonormal de autovetores para R
n
. Conseq uentemente, A e uma
matriz diagonalizavel, e a matriz diagonalizadora P, formada pela base
de autovetores de A, e uma matriz ortogonal.
Decomposicao espectral de uma matriz simetrica
Seja A M
n
(R) uma matriz simetrica e u
1
, u
2
, . . . , u
n
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 = PDP
t
. Ent ao
A = PDP
t
= [u
1
u
2
u
n
]
_

1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
0 0
n
_

_
[u
1
u
2
u
n
]
t
= [
1
u
1

2
u
2

n
u
n
] [u
1
u
2
u
n
]
t
=
1
u
1
u
t
1
+
2
u
2
u
t
2
+
n
u
n
u
t
n
.
Esta representa cao e chamada uma decomposicao espectral de A.
CEDERJ
36
O Teorema Espectral
M

ODULO 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(xI
2
A)
= x
2
11x + 24
= (x 8)(x 3) .
Entao os autovalores sao
1
= 8 e
2
= 3, e ainda podemos obter os
respectivos autovetores u
1
= (2
_
5, 1
_
5) e u
2
= (1
_
5, 2
_
5). Assim,
temos que
A = PDP
t
_
7 2
2 4
_
=
_
2
_
5 1
_
5
1
_
5 2
_
5
_ _
8 0
0 3
_ _
2
_
5 1
_
5
1
_
5 2
_
5
_
Denotando a matriz P = [u
1
u
2
], temos, pela decomposicao espectral,
que:
A = 8u
1
u
t
1
+ 3u
2
u
t
2
.
Para vericar essa decomposicao da matriz A, observe que:
u
1
u
t
1
=
_
2
_
5
1
_
5
_
_
2
_
5 2
_
5
_
=
_
4/5 2/5
2/5 1/5
_
u
2
u
t
2
=
_
1
_
5
2
_
5
_
_
1
_
5 2
_
5
_
=
_
1/5 2/5
2/5 4/5
_
e, nalmente,
8u
1
u
t
1
+ 3u
2
u
t
2
=
_
32/5 16/5
16/5 8/5
_
+
_
3/5 6/5
6/5 12/5
_
=
_
7 2
2 4
_
= A.
Processo de diagonalizacao de uma matriz simetrica
A M
n
(R)
1
o
Passo: Obtenha o polinomio caracterstico da matriz A,
p(x) = det(xI
n
A).
2
o
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
3
o
Passo: Para cada autovalor da matriz A, de multiplicidade algebrica
k, determine seu auto-espaco associado
V

= v R
n
[ (I
n
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 ortogonalizac ao de Gram-Schmidt. A reuniao
dessas bases determina uma base ortonormal de autovetores para R
n
.
4
o
Passo: Seja P a matriz cujas colunas sao os n autovetores da base or-
tonormal de R
n
obtida no terceiro passo. Portanto, P e uma matriz orto-
gonal. Seja D a matriz diagonal cuja diagonal principal e formada pelos
n autovalores da matriz A, tomados na mesma ordem de seus autovetores
correspondentes na matriz P. Temos, entao,
A = PDP
t
.
Exemplo 2
Aplique o processo de diagonalizac ao acima `a matriz
A =
_
_
_
0 2 2
2 0 2
2 2 0
_
_
_
e obtenha sua decomposic ao 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(xI
3
A) = (x + 2)
2
(x 4),
de modo que os autovalores de A sao:

1
= 2 com multiplicidade algebrica 2, e

2
= 4 com multiplicidade algebrica 1.
O auto-espaco associado a
1
= 2 e dado por
V
2
= v R
3
[ (A + 2 I
3
)v = 0
= (x, y, z) R
3
[x + y + z = 0.
CEDERJ
38
O Teorema Espectral
M

ODULO 3 AULA 23
Para escolhermos uma base ortogonal de V
2
, podemos usar o pro-
cesso de ortogonalizacao de Gram-Schmidt a partir de uma base qualquer de
V
2
ou podemos tentar obter diretamente dois vetores ortonormais de V
2
,
como ja foi feito anteriormente. Faremos o calculo diretamente. Da equacao
x + y + z = 0 podemos ver facilmente que v
1
= (1, 0, 1) V
2
. O outro
vetor, v
2
= (a, b, c) V
2
, deve satisfazer a +b +c = 0 e ainda ser ortogonal
a v
1
, isto e, v
2
, v
1
) = 0, ou seja, a c = 0. Portanto, v
2
= (a, b, c) deve
satisfazer o sistema linear
_
a + b + c = 0
a c = 0 .
Completando os calculos, obtemos, por exemplo, v
2
= (1, 2, 1). Nor-
malizando esses dois vetores, obtemos:
u
1
=
v
1
[[v
1
[[
= (1
_
2 , 0 , 1
_
2) e
u
2
=
v
2
[[v
2
[[
= (1
_
6 , 2
_
6 , 1
_
6).
Assim, u
1
, u
2
forma uma base ortonormal do auto-espaco V
2
.
Por outro lado, o auto-espaco associado a
2
= 4 e dado por
V
4
= v R
3
[ (4 I
3
A)v = 0
= (x, y, z) R
3
[x = z e y = z .

E facil ver que v


3
= (1, 1, 1) V
4
. Normalizando esse vetor, obtemos
que
u
3
=
v
3
[[v
3
[[
= (1
_

3 , 1
_

3 , 1
_

3)
representa uma base ortonormal do auto-espaco V
4
. Como Ae matriz simetrica,
os autovetores associados a autovalores distintos sao ortogonais e, assim, u
3
e ortogonal a u
1
e u
2
. Portanto, u
1
, u
2
, u
3
e uma base ortonormal de R
3
formada por autovetores de A. Com esses autovetores obtemos a matriz P,
e com os autovalores obtemos a matriz D:
P = [u
1
u
2
u
3
] =
_
_
_
1
_
2 1
_
6 1
_
3
0 2
_
6 1
_
3
1
_
2 1
_
6 1
_
3
_
_
_
;
D =
_
_
_
2 0 0
0 2 0
0 0 4
_
_
_
,
39
CEDERJ
O Teorema Espectral
de modo que A = PDP
t
. A decomposic ao espectral da matriz A e dada por:
A = 2u
1
u
t
1
2u
2
u
t
2
+ 4u
3
u
t
3
,
ou ainda,
A =2
_
_
_
1/2 0 1/2
0 0 0
1/2 0 1/2
_
_
_
2
_
_
_
1/6 2/6 1/6
2/6 4/6 2/6
1/6 2/6 1/6
_
_
_
+ 4
_
_
_
1/3 1/3 1/3
1/3 1/3 1/3
1/3 1/3 1/3
_
_
_
=
_
_
_
1 0 1
0 0 0
1 0 1
_
_
_
+
_
_
_
1/3 2/3 1/3
2/3 4/3 2/3
1/3 2/3 1/3
_
_
_
+
_
_
_
4/3 4/3 4/3
4/3 4/3 4/3
4/3 4/3 4/3
_
_
_
=
_
_
_
0 2 2
2 0 2
2 2 0
_
_
_
.
Resumo

E muito importante que voce entenda bem o signicado deste Teorema


Espectral. Lembre do que aconteceu em exemplos vistos anteriormente, em
que a matriz considerada nao era simetrica. Estudamos exemplos de ma-
trizes 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
possvel que A nao seja diagonalizavel.

E o caso em que um autovalor de
multiplicidade algebrica k nao possui k autovetores linearmente independen-
tes, 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 Ae nao-simetrica, ent ao 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
M

ODULO 3 AULA 23
Exerccios
1. Em cada caso, aplique o processo de diagonalizac ao `a matriz A, deter-
minando as matrizes ortogonal P e diagonal D tais que A = PDP
t
.
a) A =
_
2 2
2 2
_
b) A =
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
c) A =
_
_
_
_
_
2 2 0 0
2 2 0 0
0 0 2 2
0 0 2 2
_
_
_
_
_
2. Sejam A =
_
_
_
3 1 1
1 3 1
1 1 3
_
_
_
e v =
_
_
_
1
1
0
_
_
_
. Verique que = 5 e um
autovalor de A e que v e um autovetor A. Em seguida obtenha as
matrizes ortogonal P e diagonal D tais que A = PDP
t
.
41
CEDERJ
Operadores auto-adjuntos
M

ODULO 3 AULA 24
Aula 24 Operadores auto-adjuntos
Objetivos:
Compreender o conceito de operador auto-adjunto.
Aplicar os conceitos apresentados em exemplos importantes.
Pre-requisitos: Aulas 8 e 20 a
23
Nesta aula vamos denir os operadores lineares T : R
n
R
n
associ-
ados `as matrizes simetricas e estudar suas propriedades. Como estaremos
trabalhando sempre com bases ortonormais, e de suma importancia que o
espaco vetorial R
n
esteja munido de um produto interno, o qual estaremos
sempre supondo que seja o produto interno canonico de R
n
.
Denicao 3
Um operador linear T : R
n
R
n
e denominado auto-adjunto se satisfaz
T(u), v) = u, T(v)) para todo u, v R
n
.
O resultado que segue relaciona os operadores auto-adjuntos com as
matrizes simetricas.
Teorema 1
Um operador linear T : R
n
R
n
e auto-adjunto se e somente se a matriz
A, que representa T com respeito a qualquer base ortonormal de R
n
, e
uma matriz simetrica.
Demonstracao:
Com respeito `a base ortonormal de R
n
, temos que T(u) = Au para
todo u R
n
. Assim, para todo u, v R
n
, temos que
Tu, v) = Au, v) = (Au)
t
v = u
t
A
t
v
e
u, Tv) = u, Av) = u
t
Av,
onde A
t
e a transposta da matriz A. Assim,
T e auto-adjunto T(u), v) = u, T(v)) para todo u, v R
n
Au, v) = u, Av) para todo u, v R
n
u
t
A
t
v = u
t
Av para todo u, v R
n
A
t
= A
A e uma matriz simetrica.
43
CEDERJ
Operadores auto-adjuntos

E importante salientar que nao existe uma relac ao tao simples entre o
operador linear T : R
n
R
n
e sua representac ao matricial A = [T]

quando
a base nao for ortonormal (veja a observa cao ao nal do Exemplo 1).
O Teorema 1 tambem fornece um criterio pratico para determinar se
um dado operador linear T : R
n
R
n
e auto-adjunto. Basta considerar
qualquer base ortonormal de R
n
e vericar se a matriz A = [T]

e uma
matriz simetrica.
Exemplo 1
Determine se o operador linear
T : R
2
R
2
T(x, y) = (x, 0)
e auto-adjunto.
Solucao
Vimos, no Exemplo 1 da Aula 20, que T e a projec ao ortogonal sobre
o eixo-x. Considerando a base canonica = e
1
, e
2
de R
2
, vimos que a
matriz que representa T nesta base e dada por
A = [T]

=
_
1 0
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 R
2
que nao
e ortonormal. Considere a base = u
1
, u
2
dada por
u
1
= (

2
_
2,

2
_
2) e u
2
= (0, 1).
Esta claro que esta base nao e ortonormal, e ainda temos que
Tu
1
= T(

2
_
2,

2
_
2) = (

2
_
2, 0) = 1 u
1
+ (

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

=
_
1 0

2
_
2 0
_
.
Observe que esta matriz nao e simetrica, mas tambem a base nao e orto-
normal, o que nao contradiz o Teorema 1.
CEDERJ
44
Operadores auto-adjuntos
M

ODULO 3 AULA 24
Exemplo 2
Considere os operadores lineares
T
1
: R
2
R
2
, T
1
(x, y) = (x, 2y)
e
T
2
: R
2
R
2
, T
2
(x, y) = (y, x).
Verique que T
1
e T
2
sao operadores auto-adjuntos e verique se a
composic ao T
1
T
2
tambem e operador auto-adjunto.
Solucao
Considerando a base canonica de R
2
, vericamos que as matrizes A
1
e
A
2
que representam respectivamente, os operadores T
1
e T
2
nesta base, sao
dadas por
A
1
=
_
1 0
0 2
_
e A
2
=
_
0 1
1 0
_
.
Como essas duas matrizes sao matrizes simetricas, conclumos, pelo
Teorema 1, que T
1
e T
2
sao operadores auto-adjuntos. No entanto, o operador
obtido pela composic ao
T
1
T
2
: R
2
R
2
, (T
1
T
2
)(x, y) = (y, 2x)
e representado, na base canonica, pela matriz
B =
_
0 2
1 0
_
,
que nao e uma matriz simetrica. Assim, outra vez pelo Teorema 1, a com-
posic ao T
1
T
2
nao e um operador auto-adjunto. Da, conclumos que a com-
posic ao 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 : R
n
R
n
um operador auto-adjunto. Ent ao
1. Autovetores correspondentes a autovalores distintos de T sao ortogo-
nais, isto e, se v
1
, v
2
, . . . , v
k
sao k autovetores associados aos autova-
lores distintos
1
,
2
, . . . ,
k
, ent ao v
1
, v
2
, . . . , v
k
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 mul-
tiplicidade de como raiz do polinomio caracterstico de T, isto e, a
multiplicidade geometrica de cada autovalor e igual `a sua multiplici-
dade algebrica.
4. Os auto-espacos de T sao ortogonais entre si.
5. Existe uma base ortonormal u
1
, u
2
, . . . , u
n
de R
n
formada por auto-
vetores de T.
A ultima armac ao 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 : R
3
R
3
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 e
1
, e
2
, e
3
de R
3
, temos que
Te
1
= T(1, 0, 0) = (3, 0, 0),
Te
2
= T(0, 1, 0) = (0, 2, 1),
Te
3
= T(0, 0, 1) = (0, 1, 2).
Assim, a matriz que representa o operador linear T na base canonica e
dada por
A =
_
_
_
3 0 0
0 2 1
0 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
M

ODULO 3 AULA 24
b) O polinomio caracterstico do operador T e dado por
p(x) = det(xI
3
A)
=

x 3 0 0
0 x 2 1
0 1 x 2

= (x 3)
2
(x 1) .
Assim, os autovalores de T sao
1
= 3, com multiplicidade algebrica 2,
e
2
= 1 com multiplicidade algebrica 1. Nao e difcil obter que o auto-espaco
V
3
, associado a
1
= 3, e dado por
V
3
= v R
3
[Tv = 3v
= (x, y, z) R
3
[y = z e x arbitrario .
Portanto, uma base ortonormal de V
3
e dada por
u
1
= (1, 0, 0) e u
2
= (0, 1
_

2, 1
_

2).
Analogamente, o auto-espaco V
1
, associado a
2
= 1, e dado por
V
1
= v R
3
[ Tv = v
= (x, y, z) R
3
[ x = 0 e y = z ,
e uma base ortonormal de V
1
e dada pelo vetor u
3
= (0, 1
_
2, 1
_
2).
Conseq uentemente, = u
1
, u
2
, u
3
e uma base ortonormal de R
3
formada
por autovetores de T e, nesta base, T e representado pela matriz diagonal
B = [T]

=
_
_
_
3 0 0
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 : R
3
R
3
,
denido por
T(x, y, z) = (x + 2ay + 2z, 4x 5y bz, 2x 4y + z),
seja auto-adjunto. Determine, tambem, uma base ortonormal de R
3
formada
por autovetores de T e a matriz que representa T nesta base.
47
CEDERJ
Operadores auto-adjuntos
Solucao
Considerando a base canonica e
1
, e
2
, e
3
de R
3
, temos que
Te
1
= T(1, 0, 0) = (1, 4, 2) = 1 e
1
+ 4 e
2
+ 2 e
3
,
Te
2
= T(0, 1, 0) = (2a, 5, 4) = 2a e
1
+ (5) e
2
+ (4) e
3
,
Te
3
= T(0, 0, 1) = (2, b, 1) = 2 e
1
+ (b) e
2
+ 1 e
3
.
Assim, a matriz que representa o operador linear T na base canonica e
dada por
A =
_
_
_
1 2a 2
4 5 b
2 4 1
_
_
_
.
Para que T seja um operador auto-adjunto e necessario que a matriz A
seja simetrica, isto e, que A
t
= A. Para isso, e preciso que 2a = 4 e b = 4,
ou seja, que
a = 2 e b = 4.
Assim, obtemos a matriz simetrica
A =
_
_
_
1 4 2
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(xI
3
A)
= (x + 9)(x 3)
2
.
Os auto-espacos correspondentes sao dados por
V
9
= v R
3
[ Tv = 9v
= (x, y, z) R
3
[ x = z e y = 2z ,
e
V
3
= v R
3
[ Tv = 3v
= (x, y, z) R
3
[ x + 2y + z = 0 .
Uma base ortonormal de V
9
e dada pelo vetor u
1
= (1
_
6, 2
_
6,
1
_
6), enquanto uma base ortonormal de V
3
e dada pelos vetores
u
2
= (1
_
2, 0, 1
_
2) e u
3
= (1
_
3, 1
_
3, 1
_
3). Conseq uentemente,
CEDERJ
48
Operadores auto-adjuntos
M

ODULO 3 AULA 24
= u
1
, u
2
, u
3
e uma base ortonormal de R
3
formada por autovetores
de T e, nessa base ordenada, T e representado pela matriz diagonal
B = [T]

=
_
_
_
9 0 0
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
3
R
3
o operador linear dado por
Tu = (10 , 2 , 2), Tv = (2, 10, 2) e Tw = (1, 1, 5).
Verique que T e um operador auto-adjunto.
Solucao

E facil ver que T e uma base ortogonal, pois


u, v) = 4 4 + 4 (2) + (2) 4 = 0 ;
u, w) = 4 1 + 4 (2) + (2) (2) = 0 ;
v, w) = 4 1 + (2) (2) + 4 (2) = 0 .
Assim, os vetores normalizados
u
1
=
u
[[u[[
= (2/3 , 2/3 , 1/3),
u
2
=
v
[[v[[
= (2/3 , 1/3 , 2/3) e
u
3
=
w
[[w[[
= (1/3 , 2/3 , 2/3)
formam uma base ortonormal de R
3
. Como [[u[[ = [[v[[ = 6 e [[w[[ = 3,
temos
T(u
1
) = T
_
u
[[u[[
_
= T
_
1
6
[[u[[
_
=
1
6
T(u) =
1
6
(10, 2, 2) = (5/3, 1/3, 1/3);
T(u
2
) = T
_
v
[[v[[
_
= T
_
1
6
[[v[[
_
=
1
6
T(v) =
1
6
(2, 10, 2) = (1/3, 5/3, 1/3);
T(u
3
) = T
_
w
[[w[[
_
= T
_
1
3
[[w[[
_
=
1
3
T(w) =
1
3
(1, 1, 5) = (1/3, 1/3, 5/3).
49
CEDERJ
Operadores auto-adjuntos
Agora, nao e difcil ver que os vetores T(u
1
), T(u
2
) e T(u
3
) se expressam
em func ao da base = u
1
, u
2
, u
3
como:
T(u
1
) = (5/3, 1/3, 1/3) = 1 u
1
+ 1 u
2
+ 1 u
3
;
T(u
2
) = (1/3, 5/3, 1/3) = 1 u
1
+ (1) u
2
+ (1) u
3
;
T(u
3
) = (1/3, 1/3, 5/3) = 1 u
1
+ (1) u
2
+ 1 u
3
.
Portanto, a matriz que representa o operador T com respeito `a base
ortonormal u
1
, u
2
, u
3
e dada por
B = [T]

=
_
_
_
1 1 1
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-avaliacao:

E de suma importancia que voce reveja e entenda muito bem a relac ao


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 : R
3
R
3
, dado por
T(x, y, z) = (2x + y + z, x + 2y z, x y + 2z),
e auto-adjunto.
2. Determine uma base ortonormal de autovetores do operador T dado no
exerccio anterior.
CEDERJ
50
Formas bilineares
M

ODULO 3 AULA 25
Aula 25 Formas bilineares
Objetivos:
Compreender o conceito de forma bilinear.
Aplicar os conceitos apresentados em casos particulares.
Pre-requisito: Aula 22.
Nesta aula vamos introduzir um conceito que generaliza a noc ao de
aplicacao linear num espaco vetorial. Mais especicamente, vamos desenvol-
ver o conceito de forma bilinear, que da origem `as formas quadraticas que
serao estudadas na proxima aula. Veremos a denicao de formas bilineares e
estudaremos algumas de suas propriedades, principalmente sua relac ao com
as matrizes, o que constitui o aspecto mais importante para ns praticos.
Denicao 4
Seja V um espaco vetorial real. Uma forma bilinear em V e uma apli-
cacao
B : V V R
(u , v) B(u , v)
que e linear em cada uma das duas vari aveis u e v, isto e, que satisfaz:
i) para todo u, v, w V e a R,
B(u +w, v) = B(u, v) + B(w, v)
B(a u, v) = a B(u, v);
ii) para todo u, v, w V e a R,
B(u, w+v) = B(u, w) + B(u, v)
B(u, a v) = a B(u, v).
Exemplo 1
Seja F o produto escalar em R
n
, isto e, dados u = (u
1
, u
2
, . . . , u
n
),
v = (v
1
, v
2
, . . . , v
n
) R
n
, considere a aplicac ao
F : V V R
(u, v) F(u, v) = u
1
v
1
+ u
2
v
2
+ + u
n
v
n
.
Verique que F e uma forma bilinear em R
n
.
51
CEDERJ
Formas bilineares
Solucao
De fato, considerando outro vetor w = (w
1
, w
2
, . . . , w
n
) R
n
e
a R, temos que
F(u + a w, v) = B((u
1
+ aw
1
, u
2
+ aw
2
, . . . , u
n
+ aw
n
) , (v
1
, v
2
, . . . , v
n
))
= (u
1
+ aw
1
)v
1
+ (u
2
+ aw
2
)v
2
+ + (u
n
+ aw
n
)v
n
= (u
1
v
1
+ u
2
v
2
+ + u
n
v
n
) + a (w
1
v
1
+ w
2
v
2
+ + w
n
v
n
)
= F(u, v) + a F(w, v) ,
o que mostra que F(u, v) e uma transformacao linear na primeira variavel
u. Um argumento analogo, deixado a cargo do aluno, mostra que F(u, v)
tambem e uma transformac ao linear na segunda variavel v. Assim, podemos
concluir que F(u, v) e uma aplicacao bilinear de R
n
.
Exemplo 2
Seja a matriz
A =
_
_
_
2 0 0
4 2 0
0 0 3
_
_
_
.
Mostre que podemos associar `a matriz A uma forma bilinear B : R
3
R
3

R dada por
B((x
1
, x
2
, x
3
), (y
1
, y
2
, y
3
)) = (x
1
x
2
x
3
)
_
_
_
2 0 0
4 2 0
0 0 3
_
_
_
_
_
_
y
1
y
2
y
3
_
_
_
= 2 x
1
y
1
+ 4 x
2
y
1
+ 2 x
2
y
2
+ 3 x
3
y
3
.
Solucao
Observe que para todo par de vetores u, v R
3
u =
_
_
_
x
1
x
2
x
3
_
_
_
e v =
_
_
_
y
1
y
2
y
3
_
_
_
,
podemos reescrever
B(u, v) = u
t
Av,
onde u
t
e a matriz transposta de u. Assim, a bilinearidade da aplicac ao
B(u, v) decorre facilmente das propriedades do produto e da soma de
matrizes.
Este exemplo e facilmente generalizado.
CEDERJ
52
Formas bilineares
M

ODULO 3 AULA 25
Teorema 1
Seja A = (a
ij
) M
n
(R), isto e, uma matriz de ordem n. Podemos
associar `a matriz A uma forma bilinear F : R
n
R
n
R dada por
F(u, v) = u
t
Av,
onde u, v R
n
.
Observe que, reescrevendo os vetores u e v na forma
u =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
e v =
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
_
,
entao
F(u, v) = u
t
Av
= (x
1
x
2
x
n
)
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
_
= a
11
x
1
y
1
+ a
12
x
1
y
2
+ + a
nn
x
n
y
n
=
n

i, j=1
a
ij
x
i
y
j
.
Seja V um espaco vetorial real, F : V V R uma forma bilinear em V , e
= e
1
, e
2
, . . . , e
n
uma base de V . Sejam u, v V com
u = u
1
e
1
+ u
2
e
2
+ + u
n
e
n
e
v = v
1
e
1
+ v
2
e
2
+ + v
n
e
n
.
Entao,
F(u, v) = F(u
1
e
1
+ u
2
e
2
+ + u
n
e
n
, v
1
e
1
+ v
2
e
2
+ + v
n
e
n
)
= u
1
v
1
F(e
1
, e
1
) + u
1
v
2
F(e
1
, e
2
) + + u
n
v
n
F(e
n
, e
n
)
=
n

i, j=1
u
i
v
j
F(e
i
, e
j
) .
Assim, a forma bilinear F ca completamente determinada pela n
2
valores
F(v
i
, v
j
).
53
CEDERJ
Formas bilineares
Denicao 5
A matriz A = (a
ij
), com a
ij
= F(e
i
, e
j
), e chamada de representacao
matricial da forma bilinear F com relac ao `a base , ou, simplesmente, de
matriz de F com relacao a .
Esta matriz representa F no sentido que
F(u, v) =
n

i, j=1
u
i
v
j
F(e
i
, e
j
) = [u]
t

A[v]

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 : R
2
R
2
R dada por
F(u, v) = F((x
1
, x
2
), (y
1
, y
2
)) = x
1
y
1
x
1
y
2
+ 3 x
2
y
1
5 x
2
y
2
,
para todo u = (x
1
, x
2
) , v = (y
1
, y
2
) R
2
. Considere = e
1
, e
2
a
base canonica de R
2
e = (1 , 0) , (1 , 1) outra base de R
2
. 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(e
1
, e
1
) = F((1 , 0), (1 , 0)) = 1
F(e
1
, e
2
) = F((1 , 0), (0 , 1)) = 1;
F(e
2
, e
1
) = F((0 , 1), (1 , 0)) = 3;
F(e
2
, e
2
) = F((0 , 1), (0 , 1)) = 5.
Portanto, temos que a matriz de F na base canonica e
A =
_
1 1
3 5
_
.
Para a matriz de F na base , temos
F((1 , 0), (1 , 0)) = 1;
F((1 , 0), (1 , 1)) = 0;
F((1 , 1), (1 , 0)) = 4;
F((1 , 1), (1 , 1)) = 2.
Portanto, temos que a matriz de F na base = (1 , 0) , (1 , 1) e
B =
_
1 0
4 2
_
.
CEDERJ
54
Formas bilineares
M

ODULO 3 AULA 25
Um problema interessante e saber qual a 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
P =
_
1 1
0 1
_
.
Da,
B =
_
1 0
4 2
_
=
_
1 0
1 1
_ _
1 1
3 5
_ _
1 1
0 1
_
= P
t
AP .
De um modo geral, temos o seguinte teorema:
Teorema 2
Seja F uma forma bilinear de um 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
AP,
onde P e a matriz mudanca de base, da base para a base .
Denicao 6
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) = u
t
Av
= (u
t
Av)
t
, pois u
t
Av e um escalar
= v
t
A
t
u .
55
CEDERJ
Formas bilineares
Se, ainda, F for uma forma bilinear simetrica, ent ao
v
t
A
t
u = F(u, v) = F(v, u) = v
t
Au
para todo u, v V . Portanto, temos
A
t
= A,
isto e, a matriz A e simetrica.
Reciprocamente, se A e uma matriz simetrica (isto e, A
t
= A), entao a
forma bilinear F tambem e simetrica, pois
F(u, v) = u
t
Av
= (u
t
Av)
t
, pois u
t
Av e um escalar
= v
t
A
t
u
= v
t
Au , pois A
t
= A
= F(v, u)
para todo par de vetores u, v V .
Auto-avaliacao
Voce deve ter compreendido que o conceito de forma bilinear e
uma generalizac ao do conceito de transformac ao linear ja bastante estu-
dado.

E de extrema importancia rever todos os conceitos e tentar resolver os
exerccios propostos. Caso surjam diculdades, consulte as notas de aula ou
peca ajuda ao seu tutor. Os conceitos desta aula ainda serao bastante utili-
zados. Por isso, nao deixe de fazer uma boa revisao de matrizes simetricas.
Exerccios
1. Seja A M
n
(R). Verique que a aplicacao F : R
n
R
n
R, denida
por F(u, v) = u
t
Av e uma forma bilinear.
2. Seja F : R
3
R
3
R, denida por F(u, v) = u, v), o produto
escalar em R
3
.
(a) Determine a matriz A que representa a forma bilinear F com
respeito `a base canonica R
3
.
(b) Determine a matriz B que representa a forma bilinear F com
respeito `a base = (1 , 1 , 0) , (1 , 0 , 1) , (0 , 2 , 1).
CEDERJ
56
Formas bilineares
M

ODULO 3 AULA 25
3. Seja a forma bilinear F : R
2
R
2
R denida por
F(u, v) = F((x
1
, x
2
), (y
1
, y
2
)) = 2 x
1
y
1
3 x
1
y
2
+ x
2
y
2
,
para todo u = (x
1
, x
2
) , v = (y
1
, y
2
) R
2
.
a) Determine a matriz A que representa F com respeito `a base =
(1 , 0) , (1 , 1).
b) Determine a matriz B que representa F com respeito `a base =
(2 , 1) , (1 , 1).
c) Determine a matriz mudan ca de base P, da base para a base , e
verique que B = P
t
AP.
57
CEDERJ
Formas quadraticas
M

ODULO 3 AULA 26
Aula 26 Formas quadraticas
Objetivos:
Compreender o conceito de forma quadratica.
Aplicar os conceitos apresentados em casos particulares.
Pre-requisitos: Aulas 22 e 25.
As formas bilineares, vistas na aula anterior, dao origem `as formas
quadraticas que serao estudadas nesta aula. As formas quadraticas ocorrem
com grande destaque em aplicac oes da

Algebra Linear `a Engenharia, como
em criterios para projetos, em problemas de otimizac ao e em processamento
de sinais. Elas tambem ocorrem na Fsica, em descricoes de energia potencial
e energia cinetica; em Economia, nas func oes 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.
Denicao 7
Seja V um espaco vetorial real. Uma aplicac ao q : V R e chamada de
forma quadratica 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 = (a
ij
) e v = (x
1
, x
2
, . . . , x
n
) V ; entao
q(v) = F(v, v)
= v
t
Av
= (x
1
x
2
x
n
)
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
=
n

i, j=1
a
ij
x
i
x
j
.
59
CEDERJ
Formas quadraticas
E agora, sendo A simetrica, vale que a
ij
= a
ji
. Portanto,
q(v) =
n

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

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

i<j
a
ij
x
i
y
j
= 0,
o que nos da
q(v) = a
11
x
2
1
+ a
22
x
2
2
+ + a
nn
x
2
n
,
que sera denominada representacao diagonal da forma quadratica q. Vere-
mos, mais `a frente, que toda forma quadratica sempre admite uma repre-
sentacao diagonal.
Exemplo 1
Seja a forma quadratica q : R
2
R dada por
q(x, y) = x
2
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 =
_
a b
b c
_
;
temos ent ao
q(x, y) = (x y)
_
a b
b c
_ _
x
y
_
= ax
2
+ 2bxy + cy
2
.
Entao, vale que
ax
2
+ 2bxy + cy
2
= x
2
10xy + y
2
,
de onde conclumos que
a = 1, b = 5 e c = 1,
obtendo
A =
_
1 5
5 1
_
.
CEDERJ
60
Formas quadraticas
M

ODULO 3 AULA 26
Observe que q e a forma quadratica associada `a forma bilinear
F(u, v) = (x
1
x
2
)
_
1 5
5 1
_ _
y
1
y
2
_
= x
1
y
1
5x
2
y
1
5x
1
y
2
+ x
2
y
2
,
onde u = (x
1
, x
2
) , v = (y
1
, y
2
) R
2
, com respeito `a base canonica.
Exemplo 2
Seja q : R
3
R a forma quadratica dada por
q(v) = q(x
1
, x
2
, x
3
) = 5 x
2
1
+ 3 x
2
2
+ 2 x
2
3
x
1
x
2
+ 8 x
2
x
3
,
onde v = (x
1
, x
2
, x
3
) R
3
. Determinar a matriz A que representa a forma
quadratica q com respeito `a base canonica e expresse a forma quadratica na
forma matricial q(v) = v
t
Av.
Solucao
Os coecientes de x
2
1
, x
2
2
e x
2
3
formam a diagonal principal da matriz
A, como indica a equac ao (6). Como A e matriz simetrica, o coeciente de
x
i
x
j
, para i ,= j, e a soma dos coecientes iguais a
ij
= a
ji
, como indica outra
vez a equac ao (6). Portanto,
a
ij
= a
ji
=
1
2
(coeciente de x
i
x
j
).
Assim, e facil ver que
A =
_
_
_
5 1/2 0
1/2 3 4
0 4 2
_
_
_
.
E, nalmente,
q(x
1
, x
2
, x
3
) = (x
1
x
2
x
3
)
_
_
_
5 1/2 0
1/2 3 4
0 4 2
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
.
Queremos agora estudar o efeito de uma 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
61
CEDERJ
Formas quadraticas
base e B e a matriz de q na base , ent ao, pelo Teorema 2 da Aula 25,
sabemos que
B = P
t
AP.
Observe que, se P e a matriz ortogonal que diagonaliza a matriz A,
entao B = P
t
AP = P
1
AP e uma matriz diagonal. Nesse caso, a ma-
triz P tambem e chamada mudanca de variaveis. Usaremos esses fatos no
proximo exemplo.
Exemplo 3
Determine uma mudan ca de variavel P que transforma a forma quadratica
q : R
2
R, dada por
q(x
1
, x
2
) = x
2
1
8x
1
x
2
5x
2
2
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
A =
_
1 4
4 5
_
.
Diagonalizar a forma quadratica q e equivalente a diagonalizar a matriz
simetrica A. Usando os procedimentos ja conhecidos sobre diagonalizac ao 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
u
1
=
_
2
_
5
1
_
5
_
, autovetor associado ao autovalor
1
= 3, e
u
2
=
_
1
_
5
2
_
5
_
, autovetor associado ao autovalor
2
= 7.
Como u
1
, u
2
forma uma base ortonormal de R
2
, ent ao
P = [u
1
u
2
] =
_
2
_
5 1
_
5
1
_
5 2
_
5
_
,
CEDERJ
62
Formas quadraticas
M

ODULO 3 AULA 26
e a matriz diagonal correspondente sera
D =
_
3 0
0 7
_
,
onde D = P
t
AP.
A forma diagonal de q e dada por
q(y
1
, y
2
) = (y
1
y
2
)
_
3 0
0 7
_ _
y
1
y
2
_
= 3y
2
1
7y
2
2
,
onde
v =
_
x
1
x
2
_
e w =
_
y
1
y
2
_
,
e
v = Pw, ou w = P
t
v
e a mudanca de vari aveis.
Veja que
q(v) = q(x
1
, x
2
) = x
2
1
8x
1
x
2
5x
2
2
= (x
1
x
2
)
_
1 4
4 5
_
_
_
_
x
1
x
2
_
_
_
= v
t
Av
= (Pw)
t
A(Pw)
= w
t
(P
t
AP)w
= w
t
Dw
= (y
1
y
2
)
_
3 0
0 7
_ _
y
1
y
2
_
= 3y
2
1
7y
2
2
= q(y
1
, y
2
) = q(w) .
63
CEDERJ
Formas quadraticas
Observe que a forma diagonal
q(y
1
, y
2
) = 3y
2
1
7y
2
2
nao contem o termo cruzado y
1
y
2
.
Este exemplo anterior ilustra o teorema a seguir. A parte essencial de
sua demonstrac ao 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. Ent ao, sempre existe uma
mudanca de vari aveis P que transforma a forma quadratica q(v) = v
t
Av na
forma diagonal q(w) = w
t
Dw, onde v = Pw e D = P
t
AP.
O nome Teorema dos Eixos Principais segue do fato de que as colunas
de P sao chamadas eixos principais da forma quadratica q. Uma inter-
pretacao geometrica deste teorema sera vista nas proximas aulas, mais pre-
cisamente no estudo da classicac ao de curvas conicas e na classicacao de
superfcies quadricas.
Exemplo 4
Determine uma mudan ca de variavel P que transforme a forma quadratica
q : R
3
R, dada por
q(x
1
, x
2
, x
3
) = 3x
2
1
+ 2x
2
2
+ x
2
3
+ 4x
1
x
2
+ 4x
2
x
3
na base 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
A =
_
_
_
3 2 0
2 2 2
0 2 1
_
_
_
.
Procedendo `a diagonalizacao da matriz simetrica A, deixamos os deta-
lhes 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:
CEDERJ
64
Formas quadraticas
M

ODULO 3 AULA 26
u
1
=
_
_
_
2/3
2/3
1/3
_
_
_
autovetor associado ao autovalor
1
= 5;
u
2
=
_
_
_
2/3
1/3
2/3
_
_
_
autovetor associado ao autovalor
2
= 2;
u
3
=
_
_
_
1/3
2/3
2/3
_
_
_
autovetor associado ao autovalor
3
= 1.
Como u
1
, u
2
, u
3
forma uma base ortonormal de R
3
, entao
P = [u
1
u
2
u
3
] =
_
_
_
2/3 2/3 1/3
2/3 1/3 2/3
1/3 2/3 2/3
_
_
_
e uma matriz ortogonal e a matriz diagonal correspondente sera
D =
_
_
_
5 0 0
0 2 0
0 0 1
_
_
_
,
onde D = P
t
AP.
A forma diagonal de q e dada por
q(y
1
, y
2
, y
3
) = (y
1
y
2
y
3
)
_
_
_
5 0 0
0 2 0
0 0 1
_
_
_
_
_
_
y
1
y
2
y
3
_
_
_
= 5y
2
1
+ 2y
2
2
y
2
3
,
onde
v =
_
x
1
x
2
_
e w =
_
y
1
y
2
_
,
e
v = Pw, ou w = P
t
v
e a mudanca de vari aveis requerida.
Observe, mais uma vez, que a forma diagonal
q(y
1
, y
2
, y
3
) = 5y
2
1
+ 2y
2
2
y
2
3
nao contem os termos cruzados y
1
y
2
, y
1
y
3
e y
2
y
3
, isto e, os termos y
i
y
j
com i ,= j.
65
CEDERJ
Conicas
M

ODULO 3 AULA 27
Aula 27 Conicas
Objetivos:
Compreender o conceito de conica.
Aplicar os conceitos apresentados em casos particulares.
Pre-requisitos: Aulas 22, 25 e 26.
Nesta aula estudaremos algumas guras importantes do R
2
, ou seja,
determinados conjuntos de pontos do plano cujas coordenadas satisfazem
certas propriedades. Mais precisamente, consideraremos subconjuntos de R
2
cujas coordenadas (x, y) satisfazem uma equac ao do tipo
ax
2
+ 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 equac oes
desse tipo e, para isso, usaremos os resultados sobre diagonalizac ao de formas
quadraticas apresentados na aula anterior.
Denicao 8
Uma conica e um conjunto de pontos do R
2
cujas coordenadas (x, y),
em relac ao `a base canonica, satisfazem uma equacao do tipo
ax
2
+ 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) = ax
2
+ bxy + cy
2
,
uma forma linear,
(x, y) = dx + ey,
e o termo constante f.
Exemplo 1
Identique o conjunto dos pontos (x, y) R
2
que satisfazem a equacao
x
2
+ y
2
4 = 0.
67
CEDERJ
Conicas
Solucao
Comparando a equac ao
x
2
+ 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
x
2
+ 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.
Figura 27.1: A circunferencia x
2
+ y
2
= 4.
Exemplo 2
Identique o conjunto dos pontos (x, y) R
2
que satisfazem a equacao
y
2
kx = 0,
onde k e um n umero real nao-nulo.
Solucao
Comparando a equac ao
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 equac ao 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
Conicas
M

ODULO 3 AULA 27
Figura 27.2: A parabola y
2
= kx.
Exemplo 3
Identique o conjunto dos pontos (x, y) R
2
que satisfazem a equacao
x
2
a
2

y
2
b
2
= 0,
com a , b R, a , b > 0.
Solucao
Comparando a equacao
x
2
a
2

y
2
b
2
= 0
com a equacao (6), vemos que ela tambem representa uma conica. Reescre-
vendo a equac ao na forma
y
2
b
2
=
x
2
a
2
,
temos
y =
b
a
x,
o que representa um par de retas concorrentes que passa pela origem, como
ilustra a Figura 27.3.
Figura 27.3: As retas y =
b
a
x.
69
CEDERJ
Conicas
Os proximos exemplos mostram como procedemos para simplicar uma
equacao de uma conica.
Exemplo 4
Identique a conica representada pela equac ao 5x
2
4xy +8y
2
36 = 0.
Solucao
Precisamos, inicialmente, eliminar o termo misto (4xy); para isto,
realizamos diagonalizac ao da forma quadratica correspondente,
q(x, y) = 5x
2
4xy + 8y
2
.
Escrevemos a equac ao 5x
2
4xy + 8y
2
36 = 0 na forma matricial
v
t
Av = 36,
com
v =
_
x
y
_
R
2
e A =
_
5 2
2 8
_
.
Lembre, da Aula 26, que a matriz A e a matriz simetrica que representa
a forma quadratica q(x, y) = 5x
2
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
u
1
=
_
2
_
5
1
_
5
_
, autovetor associado ao autovalor
1
= 4
e
u
2
=
_
1
_
5
2
_
5
_
, autovetor associado ao autovalor
2
= 9.
Como u
1
, u
2
forma uma base ortonormal de R
2
, ent ao
P = [u
1
u
2
] =
_
2
_
5 1
_
5
1
_
5 2
_
5
_
e a matriz ortogonal que diagonaliza a matriz A e a matriz diagonal corres-
pondente sera
D =
_
4 0
0 9
_
.
Temos que D = P
t
AP.
CEDERJ
70
Conicas
M

ODULO 3 AULA 27
A forma diagonal de q e dada por
q(x
1
, y
1
) = (x
1
y
1
)
_
4 0
0 9
_ _
x
1
y
1
_
= 4x
2
1
+ 9y
2
1
,
onde
v =
_
x
y
_
e v
1
=
_
x
1
y
1
_
,
com
v = Pv
1
, ou v
1
= P
t
v.
Portanto, a equac ao da conica pode ser reescrita como
q(x
1
, y
1
) = 36,
ou ainda,
4x
2
1
+ 9y
2
1
= 36,
o que nos da a equac ao
x
2
1
9
+
y
2
1
4
= 1,
que representa uma elipse de semi-eixo maior 3 e semi-eixo menor 2, como
ilustra a Figura 27.4.
x
y
0 3
2
2
3
Figura 27.4: A elipse
x
2
1
9
+
y
2
1
4
= 1.
71
CEDERJ
Conicas
Exemplo 5
Identique a conica representada pela equac ao 2x
2
+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


v
t
Av + Bv 8 = 0, (3)
onde
v =
_
x
y
_
R
2
,
A =
_
5 2
2 8
_
e
B = (4

2 12

2 ).
A matriz A e a matriz simetrica que representa a forma quadratica q(x, y) =
2x
2
+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
u
1
=
_
1
_
2
1
_
2
_
, autovetor associado ao autovalor
1
= 4,
e
u
2
=
_
1
_
2
1
_
2
_
, autovetor associado ao autovalor
2
= 0.
Como u
1
, u
2
forma uma base ortonormal de R
2
, ent ao
P = [u
1
u
2
] =
_
1
_
2 1
_
2
1
_
2 1
_
2
_
,
e a matriz ortogonal que diagonaliza a matriz A, e a matriz diagonal corres-
pondente sera
D =
_
4 0
0 0
_
.
E, tambem, D = P
t
AP.
CEDERJ
72
Conicas
M

ODULO 3 AULA 27
A forma diagonal de q e dada por
q(x
1
, y
1
) = (x
1
y
1
)
_
4 0
0 0
_ _
x
1
y
1
_
= 4x
2
1
,
isto e,
v
t
Av = 4x
2
1
,
onde
v =
_
x
y
_
e v
1
=
_
x
1
y
1
_
,
com
v = Pv
1
, ou v
1
= P
t
v.
Como det(P) = 1, observe que v = Pv
1
e uma rotac ao. A forma linear
se transforma em
Bv = B(Pv
1
)
= BPv
1
= (4

2 12

2 )
_
1
_
2 1
_
2
1
_
2 1
_
2
_ _
x
1
y
1
_
= (16 8 )
_
x
1
y
1
_
= 16x
1
+ 8y
1
.
Substituindo
v
t
Av = 4x
2
1
e Bv = 16x
1
+ 8y
1
em (7), obtemos
4x
2
1
+ 16x
1
+ 8y
1
8 = 0, (4)
ou, simplicando,
x
2
1
+ 4x
1
+ 2y
1
2 = 0.
Completando o quadrado na vari avel x
1
,
x
2
1
+ 4x
1
= (x
1
+ 2)
2
4.
E, substituindo em (8), obtemos
(x
1
+ 2)
2
4 + 2y
1
2 = 0,
73
CEDERJ
Conicas
ou
(x
1
+ 2)
2
+ 2(y
1
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
_
x
2
= x
1
+ 2
y
2
= y
1
3 ,
que representa uma translacao no R
2
, obtemos
x
2
2
= 2y
2
,
que representa a conica inicial aos novos eixos-x
2
y
2
. Nessa forma, identica-
mos facilmente a equacao de uma parabola, como ilustra a Figura 27.5.
Figura 27.5: A parabola x
2
2
= 2y
2
.
Procedimento para simplicar a equacao de uma conica
Seja a conica dada pela equacao
ax
2
+ bxy + cy
2
+ dx + ey + f = 0.
Podemos reescreve-la na forma matricial,
v
t
Av + Bv + f = 0,
CEDERJ
74
Conicas
M

ODULO 3 AULA 27
onde
q(x, y) = ax
2
+ bxy + cy
2
= (x y)
_
a b/2
b/2 c
_ _
x
y
_
= v
t
Av,
e
(x, y) = dx + ey
= (d e)
_
x
y
_
= Bv,
com
A =
_
a b/2
b/2 c
_
,
B = (d e)
e
v =
_
x
y
_
.
A ideia principal do procedimento a seguir consiste em realizar uma
rotacao nos eixos-xy, de modo a eliminar o termo cruzado bxy.
1
o
Passo: Encontrar uma matriz ortogonal P = [u
1
u
2
] que diagonalize A. Lem-
bre que as colunas de P formam uma base u
1
, u
2
ortogonal de au-
tovetores da matriz A para o R
2
. Assim,
D = P
t
AP com D =
_

1
0
0
2
_
,
onde
1
e
2
sao os autovalores da matriz A associados aos autovetores
u
1
e u
2
, respectivamente.
75
CEDERJ
Conicas
2
o
Passo: Permutar as colunas de P, caso seja necessario, de modo que se tenha
det(P) = 1. Isso garante que a transformacao ortogonal
v = Pv
1
, com v
1
=
_
x
1
y
1
_
,
seja uma rotac ao no plano.
3
o
Passo: Obter a equacao que representa a conica no novo sistema de eixos-
x
2
y
2
. Para isso, observe que
ax
2
+ bxy + cy
2
= v
t
Av
= (Pv
1
)
t
A(Pv
1
) ; onde v = Pv
1
= v
t
1
(P
t
AP) v
1
= v
t
1
Dv
1
= (x
1
y
1
)
_

1
0
0
2
_ _
x
1
y
1
_
=
1
x
2
1
+
2
y
2
1
,
e
dx + ey = Bv
= B(Pv
1
) ; onde v = Pv
1
= (BP) v
1
; onde BP = (d
1
e
1
)
= (d
1
e
1
)
_
x
1
y
1
_
= d
1
x
1
+ e
1
y
1
.
Assim, a equac ao v
t
Av + Bv + f = 0 se transforma em

1
x
2
1
+
2
y
2
1
+ d
1
x
1
+ e
1
y
1
+ f = 0,
que e uma equac ao que representa a conica e nao contem termos cruzados
(em xy).
CEDERJ
76
Conicas
M

ODULO 3 AULA 27
Vamos fazer uma breve analise dessa equacao.
1. Considere o caso em que os autovalores sao nao-nulos:
1
,
2
,= 0. Neste
caso, podemos completar os quadrados nas vari aveis x
1
e y
1
, obtendo

1
x
2
1
+
2
y
2
1
+ d
1
x
1
+ e
1
y
1
+ f = (
1
x
2
1
+ d
1
x
1
) + (
2
y
2
1
+ e
1
y
1
)
=
1
x
2
2
+
2
y
2
2
+ F ,
com F R
2
. Assim, a equac ao

1
x
2
1
+
2
y
2
1
+ d
1
x
1
+ e
1
y
1
+ f = 0
e transformada em

1
x
2
2
+
2
y
2
2
+ F = 0.
Note que
(a) Se
1
,
2
> 0, ent ao a conica sera uma elipse, caso F < 0; ou
um ponto ((x
2
, y
2
) = (0 , 0)), caso F = 0; ou o conjunto vazio,
caso F > 0.
(b) Se
1
,
2
< 0, entao a conica sera uma elipse, caso F > 0; ou
um ponto ((x
2
, y
2
) = (0 , 0)), caso F = 0; ou o conjunto vazio,
caso F < 0.
(c) Se
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
vari avel y
1
, obtemos

2
y
2
1
+ d
1
x
1
+ e
1
y
1
+ f = (
2
y
2
1
+ e
1
y
1
) + d
1
x
1
+ f
=
2
y
2
2
+ d
1
x
2
+ F .
Assim, a equac ao inicial da conica ca transformada em

2
y
2
2
+ d
1
x
2
+ F = 0.
Note que
(a) Se d
1
,= 0, entao sera uma parabola.
77
CEDERJ
Conicas
(b) Se d
1
= 0, ent ao sera um par de retas paralelas, caso
2
F < 0;
ou uma unica reta, caso F = 0; ou o conjunto vazio, caso
2
F > 0.
3. O caso
2
= 0 e
1
,= 0 e analogo ao anterior.

E importante observar que nunca poderemos ter


1
=
2
= 0, pois
estamos supondo que a forma quadratica associada e nao-nula.
Veja, tambem, que

1

2
=

1
0
0
2

= det P
= det A
=

a b/2
b/2 c

= ac
b
2
4
.
Portanto,
1

2
tem o mesmo sinal de ac
b
2
4
, que por sua vez tem o
mesmo sinal de 4ac b
2
. Assim, podemos refazer a analise anterior em
func ao do discriminante b
2
4ac da forma quadratica.
Teorema 1
Dada a conica de equac ao ax
2
+bxy +cy
2
+dx+ey +f = 0, ent ao esta
conica representa:
a) uma elipse, um ponto ou o conjunto vazio, caso b
2
4ac < 0;
b) uma parabola, duas retas paralelas ou uma unica reta, caso b
2
4ac = 0;
c) uma hiperbole ou duas retas concorrentes, caso b
2
4ac > 0.
Auto-avaliacao:
Esta aula constitui uma excelente aplicac ao dos conceitos vistos nas
aulas anteriores. No entanto, pressupomos que voce tenha alguns conheci-
mentos acerca das equac oes de conicas tradicionais, como elipses, parabolas e
CEDERJ
78
Conicas
M

ODULO 3 AULA 27
hiperboles. Conhecendo essas equac oes e com o conhecimento adquirido das
ultimas aulas, voce nao deve encontrar muita diculdade para compreender
os conceitos apresentados aqui. No entanto, como esta aula re une muitos
conhecimentos matematicos, voce deve ser persistente na leitura dos exem-
plos 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 vari aveis ao inves de duas, mas o procedimento
sera exatamente o mesmo, ou seja, diagonalizar uma forma quadratica e
completar quadrados ate simplicar a equac ao ao maximo.
Exerccio
1. Dada a conica de equacao 2x
2
4xy y
2
4x 8y + 14 = 0, aplique
o procedimento apresentado nesta aula, simplicando a equacao ao
maximo e identicando a conica apresentada.
Resposta
1. A hiperbole de equac ao
x
2
2
12

y
2
2
8
= 1.
79
CEDERJ
Quadricas
M

ODULO 3 AULA 28
Aula 28 Quadricas
Objetivos:
Compreender o conceito generalizado de uma quadrica.
Aplicar os conceitos apresentados em casos particulares.
Pre-requisitos: Aulas 22, 25, 26 e 27.
Esta aula e uma continua cao da aula anterior sobre conicas; nela es-
tudaremos as superfcies quadricas no espaco R
3
. Mais precisamente, va-
mos estudar alguns conjuntos de R
3
cujas coordenadas, com respeito `a base
canonica, satisfazem uma equac ao do tipo
ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz + gx + hy + kz + p = 0.
Usando novamente os resultados sobre diagonalizac ao de formas quadraticas,
iremos simplicar essa equac ao e descrever as superfcies mais simples que
ela pode representar.
Denicao 9
Uma superfcie quadrica, ou, simplesmente, uma quadrica, e o conjunto
de pontos de R
3
cujas coordenadas (x, y, z) satisfazem uma equacao da
forma
ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz + 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
R
3
,
q(x, y , z) = ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz,
uma forma linear em R
3
,
(x, y , z) = gx + hy + kz,
e o termo constante p. Apresentaremos a seguir os exemplos mais comuns de
superfcies quadricas.
Figura 28.1: Gracos de quadricas
81
CEDERJ
Quadricas
(a) Elipsoide
(
x
2
a
2
+
y
2
b
2
+
z
2
c
2
= 1)
(b) Hiperboloide de uma folha
(
x
2
a
2
+
y
2
b
2

z
2
c
2
= 1)
(c) Hiperboloide de duas folhas
(
x
2
a
2
+
y
2
b
2

z
2
c
2
= 1)
(d) Cone elptico
(
x
2
a
2
+
y
2
b
2

z
2
c
2
= 0)
CEDERJ
82
Quadricas
M

ODULO 3 AULA 28
(e) Paraboloide elptico
(
x
2
a
2
+
y
2
b
2
= z)
(f) Paraboloide hiperbolico
(
x
2
a
2
+
y
2
b
2
= z)
(g) Cilindro elptico
(
x
2
a
2
+
y
2
b
2
= 1)
(h) Cilindro parabolico
(y = ax
2
)
83
CEDERJ
Quadricas
Observe que a equac ao (6) tambem pode representar um conjunto vazio
(por exemplo, x
2
+ y
2
+ 1 = 0), um unico ponto (por exemplo, x
2
+ y
2
+
(z 1)
2
= 0), um plano (por exemplo, z
2
= 0), dois planos paralelos (por
exemplo, z
2
= 4) ou dois planos secantes (por exemplo, xz = 0). Nestes
casos, as quadricas sao ditas degeneradas.
Assim como foi feito para as conicas, mostraremos que atraves de uma
mudanca de coordenadas podemos reduzir a equac ao (6) de modo que a
quadrica seja identicada como sendo de um dos tipos descritos. Esse pro-
blema e o de classicar a quadrica.
Sempre que a quadrica for representada por uma equac ao que nao
contem termos em xy, xz, yz, x, y e z, dizemos que a equac ao esta na forma
canonica 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 posic ao canonica, e a presenca de termos da
forma x, y ou z indica que a quadrica sofreu uma translacao com respeito `a
posic ao canonica.
Como foi feito no caso das conicas, vamos desenvolver um procedimento
para representar uma quadrica na forma canonica. A ideia principal do pro-
cedimento consiste em obter um novo sistema de coordenadas x
1
y
1
z
1
de modo
que nao aparecam os termos cruzados x
1
y
1
, x
1
z
1
e y
1
z
1
.
Vamos, primeiramente, expressar a equac ao (6) na forma matricial.
Temos,
q(x, y , z) = ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz
= (x y z)
_
_
_
a d/2 e/2
d/2 b f/2
e/2 f/2 c
_
_
_
_
_
_
x
y
z
_
_
_
= v
t
Av,
onde
v =
_
_
_
x
y
z
_
_
_
e A =
_
_
_
a d/2 e/2
d/2 b f/2
e/2 f/2 c
_
_
_
.
CEDERJ
84
Quadricas
M

ODULO 3 AULA 28
Observe tambem que
(x, y , z) = gx + hy + kz
= (g h k)
_
_
_
x
y
z
_
_
_
= Bv,
onde
B = (g h k).
Substituindo q(x , y , z) = v
t
Av e (x, y , z) = Bv em (6), obtemos a
forma vetorial da quadrica,
v
t
Av + Bv + p = 0. (7)
PROCEDIMENTO PARA SIMPLIFICAR A EQUAC

AO DE UMA
QU

ADRICA
Seja a quadrica representada pela equacao (6),
ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz + gx + hy + kz + p = 0,
cuja forma vetorial e a equac ao (7),
v
t
Av + Bv + p = 0.
1
o
Passo: Encontrar uma matriz ortogonal P = [u
1
u
2
u
3
] que diagonaliza A.
Como ja foi visto varias vezes ao longo do curso, lembre que as colunas
de P formam uma base ortonormal u
1
, u
2
, u
3
de autovetores da
matriz A para o R
3
. Assim,
D = P
t
AP com D =
_
_
_

1
0 0
0
2
0
0 0
3
_
_
_
,
onde
1
,
2
e
3
sao os autovalores da matriz A associados aos autove-
tores u
1
, u
2
e u
2
, respectivamente.
85
CEDERJ
Quadricas
2
o
Passo: Permutar as colunas de P, caso seja necessario, de modo que se tenha
det(P) = 1. Isso garante que a transformacao ortogonal
v = Pv
1
, com v
1
=
_
_
_
x
1
y
1
z
1
_
_
_
,
seja uma rotac ao no plano.
3
o
Passo: Obter a equac ao que representa a quadrica no novo sistema de eixos
x
1
y
1
z
1
. Para isso, observe que
ax
2
+ by
2
+ cz
2
+ dxy + exz + fyz = v
t
Av
= (Pv
1
)
t
A(Pv
1
) ; onde v = Pv
1
= v
t
1
(P
t
AP) v
1
= v
t
1
Dv
1
= (x
1
y
1
z
1
)
_
_
_

1
0 0
0
2
0
0 0
3
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
=
1
x
2
1
+
2
y
2
1
+
3
z
2
1
e
gx + hy + kz = Bv
= B(Pv
1
) ; onde v = Pv
1
= (BP) v
1
; onde BP = (g
1
h
1
k
1
)
= (g
1
h
1
k
1
)
_
_
_
x
1
y
1
z
1
_
_
_
= g
1
x
1
+ h
1
y
1
+ k
1
z
1
.
Assim, a equac ao
v
t
Av + Bv + p = 0
CEDERJ
86
Quadricas
M

ODULO 3 AULA 28
se transforma em

1
x
2
1
+
2
y
2
1
+
3
z
2
1
+ g
1
x
1
+ h
1
y
1
+ k
1
z
1
+ p = 0.
Essa equac ao representa a quadrica e nao contem os termos cruzados
x
1
y
1
, x
1
z
1
e y
1
z
1
.
4
o
Passo: Completando os quadrados em x
1
, y
1
e z
1
, obtemos
(
1
x
2
1
+ g
1
x
1
) + (
2
y
2
1
+ h
1
y
1
) + (
3
z
2
1
+ +k
1
z
1
) + p = 0

1
(x
2
1
+
g
1

1
x
1
) +
2
(y
2
1
+
h
1

2
y
1
) +
3
(z
2
1
+
k
1

3
z
1
) + p = 0

1
(x
1
+
g
1
2
1
)
2
+
2
(y
1
+
h
1
2
2
)
2
+
3
(z
1
+
k
1
2
3
)
2
+ p
1
= 0.
Passando para as novas vari aveis
x
2
= x
1
+
g
1
2
1
; y
2
= y
1
+
h
1
2
2
; z
2
= z
1
+
k
1
2
3
,
obtemos a equac ao

1
x
2
2
+
2
y
2
2
+
3
z
2
2
+ p
1
= 0.
Essa equac ao representa a quadrica e nao contem os termos cruzados
x
2
y
2
, x
2
z
2
e y
2
z
2
nem os termos em x
2
, y
2
e z
2
. Portanto, e uma equacao
na forma canonica.
Exemplo 1
Descreva a superfcie quadrica cuja equacao e dada por
4x
2
+ 4y
2
+ 4z
2
+ 4xy + 4xz + 4yz 3 = 0.
Solucao
Reescrevendo essa equac ao na forma matricial, temos
v
t
Av 3 = 0, (8)
onde
v =
_
_
_
x
y
z
_
_
_
e A =
_
_
_
4 2 2
2 4 2
2 2 4
_
_
_
.
87
CEDERJ
Quadricas
Deixamos para voce o exerccio de calcular os autovalores e os autove-
tores correspondentes da matriz A. Obtemos:

1
= 2: e um autovalor com multiplicidade algebrica 2 e autovetores
associados
u
1
=
_
_
_
1
_
2
1
_
2
0
_
_
_
e u
2
=
_
_
_
1
_
6
1
_
6
2
_
6
_
_
_
;

2
= 8: e um autovalor com multiplicidade algebrica 1 e autovalor
associado
u
3
=
_
_
_
1
_
3
1
_
3
1
_
3
_
_
_
.
Como u
1
, u
2
, u
3
forma uma base ortonormal de R
3
, temos que
P = [u
1
u
2
u
3
] =
_
_
_
1
_
2 1
_
6 1
_
3
1
_
2 1
_
6 1
_
3
0 2
_
6 1
_
3
_
_
_
e a matriz ortogonal que diagonaliza a matriz A e a matriz diagonal corres-
pondente sera
D =
_
_
_
2 0 0
0 2 0
0 0 8
_
_
_
.
Vale tambem que D = P
t
AP.
Observe que det(P) = 1, logo P representa uma rotac ao em R
3
. Con-
siderando
v =
_
_
_
x
y
z
_
_
_
e v
1
=
_
_
_
x
1
y
1
z
1
_
_
_
CEDERJ
88
Quadricas
M

ODULO 3 AULA 28
e substituindo v = Pv
1
em v
t
Av, obtemos
v
t
Av = (Pv
1
)
t
A(Pv
1
)
= v
t
1
(P
t
AP)v
1
= v
t
1
Dv
1
onde P
t
AP = D
= (x
1
y
1
z
1
)
_
_
_
2 0 0
0 2 0
0 0 8
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= 2x
2
1
+ 2y
2
1
+ 8z
2
1
.
Portanto, substituindo
v
t
Av = 2x
2
1
+ 2y
2
1
+ 8z
2
1
na equac ao (8), obtemos
2x
2
1
+ 2y
2
1
+ 8z
2
1
= 3,
ou, equivalentemente,
x
2
1
3/2
+
y
2
1
3/2
+
z
2
1
3/8
= 1.
Observe que essa equac ao nao contem os termos cruzados x
1
y
1
, x
1
z
1
e y
1
z
1
nem os termos em x
1
, y
1
e z
1
. Portanto, e uma equac ao 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
x
2
+ 2yz

2 y 101 = 0.
Solucao
Inicialmente, observe que a presenca do termo cruzado yz nos levara
a realizar uma rotac ao de eixos, e a presenca dos termos lineares z e y, a
realizar uma translacao de eixos.
Reescrevendo essa equac ao na forma matricial, temos
v
t
Av + Bv 101 = 0, (9)
89
CEDERJ
Quadricas
onde
v =
_
_
_
x
y
z
_
_
_
, A =
_
_
_
1 0 0
0 0 1
0 1 0
_
_
_
e B = (0

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 asso-
ciados
u
1
=
_
_
_
1
0
0
_
_
_
e u
2
=
_
_
_
0
1
_
2
1
_
2
_
_
_
;

2
= 1 : autovalor com multiplicidade algebrica 1 e autovalor associado
u
3
=
_
_
_
0
1
_
2
1
_
2
_
_
_
.
Como u
1
, u
2
, u
3
forma uma base ortonormal de R
3
, ent ao
P = [u
1
u
2
u
3
] =
_
_
_
1 0 0
0 1
_
2 1
_
2
0 1
_
2 1
_
2
_
_
_
e a matriz ortogonal que diagonaliza a matriz A e a matriz diagonal corres-
pondente sera
D =
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
.
Vale tambem que D = P
t
AP.
Como no Exemplo 1, det(P) = 1, logo P representa uma rotac ao em
R
3
. Considerando
v =
_
_
_
x
y
z
_
_
_
e v
1
=
_
_
_
x
1
y
1
z
1
_
_
_
,
CEDERJ
90
Quadricas
M

ODULO 3 AULA 28
e substituindo v = Pv
1
em v
t
Av, obtemos
v
t
Av = (Pv
1
)
t
A(Pv
1
)
= v
t
1
(P
t
AP)v
1
= v
t
1
Dv
1
, onde P
t
AP = D
= (x
1
y
1
z
1
)
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= x
2
1
y
2
1
+ z
2
1
,
e, substituindo v = Pv
1
em Bv, obtemos
Bv = B(Pv
1
)
= BPv
1
= (0

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

x
2
1
10
2

(y
1
+ 1)
2
10
2
+
z
2
1
10
2
= 1. (10)
Essa equac ao 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
_

_
x
2
= x
1
y
2
= y
1
+ 1
z
2
= z
1
,
que representa uma translacao no R
3
, a equacao (10) se transforma em

x
2
2
10
2

y
2
2
10
2
+
z
2
2
10
2
= 1,
que representa a quadrica inicial aos novos eixos x
2
y
2
z
2
. Nessa forma, identi-
camos novamente a equac ao de um hiperboloide de duas folhas, como ilustra
a Figura 28.1.c.
Auto-avaliacao:
Terminamos o estudo das conicas em R
2
e das quadricas em R
3
, que
constituem uma excelente aplicac ao da diagonalizacao das formas quadraticas.

E importante que voce reveja o procedimento de simplicacao dessas equac oes


e compreenda os calculos realizados nos exemplos. Tambem e importante
que que clara a interpretac ao geometrica de cada mudanca de vari aveis
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. 7x
2
+ 7y
2
+ 10z
2
2xy 4xz + 4yz 12x + 12y + 60z 24 = 0.
CEDERJ
92
Autovalores complexos
M

ODULO 3 AULA 29
Aula 29 Autovalores complexos
Objetivos:
Compreender o conceito de autovalor complexo.
Aplicar os conceitos apresentados em casos particulares.
Pre-requisitos: Aulas 3 e 5.
Vimos logo na Aula 3 que, dada uma matriz A M
n
(R), seu polinomio
caracterstico p(x) e um polinomio de grau n com coecientes reais e, por-
tanto, 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 comple-
xos. Denotamos o conjunto dos n umeros complexos por C e representamos
por
C = a + b i [ a, b R e i =

1
A igualdade de n umeros complexos e denida por
a + b i = c + d i se e somente se a = c e b = d.
A adic ao e a multiplicac ao 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,
para todos os a, b, c, d R.

E facil vericar que todas as propriedades
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 C
2
e denido por
C
2
= (z , w) [ z, w C,
com as operacoes usuais
i. (z
1
, w
1
) + (z
2
, w
2
) = (z
1
+ z
2
, w
1
+ w
2
);
93
CEDERJ
Autovalores complexos
ii. z (z
1
, w
1
) = (z z
1
, z z
2
),
onde z, z
1
, w
1
, z
2
, w
2
C.
Assim, dada uma matriz A M
n
(C), um n umero complexo C e
um autovalor (complexo) da matriz A se existe um vetor nao-nulo v C
n
tal que
Av = v.
Dizemos que v e um autovetor (complexo) associado ao autovalor C.
Exemplo 1
Discuta a diagonalizacao da matriz
A =
_
0 1
1 0
_
.
Solucao
Sabemos, do nosso estudo de rotacoes no plano, que essa matriz cor-
responde a uma rotacao de /2 radianos no sentido anti-hor ario em torno da
origem do plano cartesiano R
2
. Assim, ca claro que nenhum vetor nao-nulo
v R
2
e transformado, pela ac ao da matriz A, num m ultiplo dele mesmo.
Assim, a matriz A nao possui autovetores em R
2
e, conseq uentemente, nao
tem autovalores reais. De fato, o polinomio caracterstico de A e
p(x) = det(xI
2
A)
=

x 1
1 x

= x
2
+ 1 .
Esse polinomio so possui as razes complexas
1
= i e
2
= i.
No entanto, considerando A com matriz complexa, isto e, A M
2
(C),

1
= i e
2
= i sao autovalores complexos da matriz A, pois os vetores
v
1
= (1 , i) , v
2
= (1 , i) C
2
, e satisfazem
Av
1
=
_
0 1
1 0
_ _
1
i
_
= i
_
1
i
_
= i v
1
;
Av
2
=
_
0 1
1 0
_ _
1
i
_
= i
_
1
i
_
= i v
2
.
CEDERJ
94
Autovalores complexos
M

ODULO 3 AULA 29
Assim, v
1
= (1 , i) e um autovetor associado ao autovalor
1
= i, e
v
2
= (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 comple-
xos distintos, a matriz A e diagonalizavel quando considerada como matriz
complexa. Mais ainda, considerando as matrizes P, D M
2
(C) dadas por
P = [v
1
v
2
] =
_
1 1
i i
_
e D =
_
i 0
0 i
_
,
temos
PDP
1
=
_
1 1
i i
_ _
i 0
0 i
_ _
1/2 i/2
1/2 i/2
_
=
_
i i
1 1
_ _
1/2 i/2
1/2 i/2
_
=
_
0 1
1 0
_
= A,
isto e, A = PDP
1
. Portanto, no caso complexo, a matriz A e semelhante `a
matriz diagonal D.
Exemplo 2
Dada a matriz
A =
_
0, 5 0, 6
0, 75 1, 1
_
,
determine os autovalores de A e uma base para cada auto-espaco.
Solucao
Obtendo o polinomio caracterstico da matriz A,
p(x) = det(xI
2
A)
=

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

= (0, 5 x)(1, 1 x) (0, 6)(0, 75)


= x
2
1, 6 x + 1 .
95
CEDERJ
Autovalores complexos
Calculando as 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
2
nao-nulo tal que
Av =
1
v,
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; por-
tanto, as equac oes do sistema anterior sao dependentes. Assim, basta consi-
derar uma das equacoes; por exemplo, da segunda equac ao, temos
z = (0, 4 0, 8 i) w.
Escolhendo w = 5 (para eliminar a parte decimal), obtemos z = 2 4 i.
Assim, uma base para o auto-espaco associado ao autovalor
1
= 0, 8 0, 6 i
e dada pelo vetor
v
1
=
_
2 4 i
5
_
.
Analogamente, para o autovalor
2
= 0, 8 + 0, 6 i, obtemos o autovetor
v
2
=
_
2 + 4 i
5
_
,
pois
Av
2
=
_
0, 5 0, 6
0, 75 1, 1
_ _
2 + 4 i
5
_
=
_
4 + 2 i
4 + 3 i
_
= (0, 8 + 0, 6 i)
_
2 + 4 i
5
_
=
2
v
2
.
CEDERJ
96
Autovalores complexos
M

ODULO 3 AULA 29
Observe que a matriz A e semelhante `a matriz diagonal
D =
_

1
0
0
2
_
=
_
0, 8 0, 6 i 0
0 0, 8 + 0, 6 i
_
.
Auto-avaliacao:
Nao e nosso objetivo generalizar toda a teoria de diagonalizac ao de ma-
trizes reais para o caso complexo; apesar disso, desejamos proporcionar novas
e importantes aplicac oes 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 =
_
a b
b a
_
,
onde a , b R com a ,= 0 ou b ,= 0.
3. Dada a matriz A M
n
(R) com autovalor C, mostre que

tambem
e autovalor da matriz A.
97
CEDERJ
Exerccios resolvidos 3
a
Parte
M

ODULO 3 AULA 30
Aula 30 Exerccios resolvidos 3
a
Parte
Objetivo:
Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29.
Pre-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 orienta cao 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 soluc ao, 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 ortogo-
nal sobre a reta y = x.
2. Determine as projec oes ortogonais dos pontos P
1
= (1 , 0 , 1) e P
2
=
(1 , 1 , 1) sobre o plano x + y z = 0.
3. Determine o valor das constantes a, b, c, d R para que
A =
_
_
_
1 a + b b
2 0 4
3 4 3
_
_
_
e B =
_
_
_
5 b c 2d + 3
3 5 1
d b + c 0
_
_
_
sejam matrizes simetricas.
4. Dadas as matrizes simetricas A, B M
n
(R), mostre que AB + BA
tambem e uma matriz simetrica.
5. Dadas as matrizes A, B M
n
(R) tal que A uma e matriz simetrica,
verique que B
t
AB e uma matriz simetrica.
6. Dados a, b R, com b ,= 0, encontre uma matriz ortogonal P que
diagonaliza a matriz A =
_
a b
b a
_
, isto e, tal que D = P
t
AP.
99
CEDERJ
Exerccios resolvidos 3
a
Parte
7. Seja T : R
3
R
3
um operador auto-adjunto com autovalores associ-
ados
1
= 3 e
2
= 4; suponha que v
1
= (1 , 1 , 1) e v
2
= (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 ortogonal P e uma
matriz diagonal D tais que A = PDP
t
.
a) A =
_
_
_
_
_
3 1 0 0
1 3 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
b) A =
_
_
_
_
_
_
_
_
3 1 0 0 0
1 3 0 0 0
0 0 2 1 1
0 0 1 2 1
0 0 1 1 2
_
_
_
_
_
_
_
_
Solucao
1. Denotamos por T : R
2
R
2
a projecao ortogonal sobre a reta y = x,
como ilustra a Figura 30.1
Figura 30.1: A projecao ortogonal sobre a reta y = x e a base ortonormal .
Vamos primeiro determinar uma matriz que representa T com respeito
a uma base ortonormal = u
1
, u
2
. Sejam:
u
1
= (1
_
2 , 1
_
2) vetor unitario paralelo `a reta y = x; e u
2
=
(1
_
2 , 1
_
2) um vetor unitario normal `a reta y = x.
Como
T(u
1
) = u
1
= 1 u
1
+ 0 u
2
e
T(u
2
) = 0 = 0 u
1
+ 0 u
2
,
temos que
B = [T]

=
_
1 0
0 0
_
.
CEDERJ
100
Exerccios resolvidos 3
a
Parte
M

ODULO 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 = [u
1
u
2
] =
_
1
_
2 1
_
2
1
_
2 1
_
2
_
.
Como P e uma matriz ortogonal, temos que
P
1
= P
t
=
_
1
_
2 1
_
2
1
_
2 1
_
2
_
,
portanto,
A = P B P
1
=
_
1
_
2 1
_
2
1
_
2 1
_
2
_ _
1 0
0 0
_ _
1
_
2 1
_
2
1
_
2 1
_
2
_
=
_
1/2 1/2
1/2 1/2
_
.
2. Seja T : R
3
R
3
a projec ao ortogonal sobre o plano : x + y
z = 0; precisamos determinar a matriz A que representa essa projec ao
com respeito `a base canonica. Novamente, vamos primeiro obter a
matriz que representa T com respeito a uma base ortonormal =
u
1
, u
2
, u
3
. Veja a Figura 30.2
Figura 30.2: Uma base ortonormal .
Considere os seguintes vetores: u
1
= (1
_
2 , 0 , 1
_
2) um vetor
unitario paralelo ao plano , u
2
= (1
_
6 , 2
_
6 , 1
_
6) um vetor
unitario ortogonal a u
1
e paralelo ao plano e u
3
= (1
_
3 , 1
_
3 , 1
_
3)
um vetor unitario normal ao plano .
Como
T(u
1
) = u
1
= 1 u
1
+ 0 u
2
+ 0 u
3
;
101
CEDERJ
Exerccios resolvidos 3
a
Parte
T(u
2
) = u
2
= 0 u
1
+ 1 u
2
+ 0 u
3
;
e
T(u
3
) = 0 = 0 u
1
+ 0 u
2
+ 0 u
3
,
temos que
B = [T]

=
_
_
_
1 0 0
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 = [u
1
u
2
u
3
] =
_
_
_
1
_
2 1
_
6 1
_
3
0 2
_
6 1
_
3
1
_
2 1
_
6 1
_
3
_
_
_
.
Como P e uma matriz ortogonal, temos que
P
1
= P
t
=
_
_
_
1
_
2 0 1
_
2
1
_
6 2
_
6 1
_
6
1
_
3 1
_
3 1
_
3
_
_
_
;
portanto
A = P B P
1
=
_
_
_
1
_
2 1
_
6 1
_
3
0 2
_
6 1
_
3
1
_
2 1
_
6 1
_
3
_
_
_
_
_
_
1 0 0
0 1 0
0 0 0
_
_
_
.
.
_
_
_
1
_
2 0 1
_
2
1
_
6 2
_
6 1
_
6
1
_
3 1
_
3 1
_
3
_
_
_
=
_
_
_
2/3 1/3 1/3
1/3 2/3 1/3
1/3 1/3 2/3
_
_
_
.
Assim, as imagens dos pontos P
1
e P
2
, sob a ac ao da projecao or-
togonal sobre o plano , sao obtidas por multiplicac ao de matrizes:
CEDERJ
102
Exerccios resolvidos 3
a
Parte
M

ODULO 3 AULA 30
AP
1
=
_
_
_
2/3 1/3 1/3
1/3 2/3 1/3
1/3 1/3 2/3
_
_
_
_
_
_
0
0
1
_
_
_
=
_
_
_
1/3
1/3
2/3
_
_
_
;
AP
2
=
_
_
_
2/3 1/3 1/3
1/3 2/3 1/3
1/3 1/3 2/3
_
_
_
_
_
_
1
1
1
_
_
_
=
_
_
_
2/3
2/3
1
_
_
_
.
Portanto, temos AP
1
= (1/3 , 1/3 , 2/3) e AP
2
= (2/3 , 2/3 , 1).
3. Lembre que uma matriz A e simetrica se e somente se A = A
t
. Assim,
para a matriz
A =
_
_
_
1 a + b b
2 0 4
3 4 3
_
_
_
,
temos A = A
t
se e somente se
_
_
_
1 a + b b
2 0 4
3 4 3
_
_
_
=
_
_
_
1 2 3
a + b 0 4
b 4 3
_
_
_
,
ou seja, se e somente se a + b = 2 e b = 3, ou, ainda, a = 1 e b = 3.
Para a matriz
B =
_
_
_
5 b c 2d + 3
3 5 1
d b + c 0
_
_
_
,
temos B = B
t
se e somente se
_
_
_
5 b c 2d + 3
3 5 1
d b + c 0
_
_
_
=
_
_
_
5 3 d
b c 5 b + c
2d + 3 1 0
_
_
_
,
ou seja, se e somente se b c = 3 , b +c = 1 e 2d+3 = d, ou, ainda,
b = 2 , c = 1 e d = 3.
4. Sendo A e B matrizes simetricas, temos A = A
t
e B = B
t
. Portanto,
(AB + BA)
t
= (AB)
t
+ (BA)
t
= B
t
A
t
+ A
t
B
t
= BA + AB
= AB + BA.
Portanto, a AB + BA tambem e uma matriz simetrica.
103
CEDERJ
Exerccios resolvidos 3
a
Parte
5. De fato, temos que
(B
t
AB)
t
= B
t
A
t
(B
t
)
t
= B
t
AB;
logo, B
t
AB tambem e uma matriz simetrica.
6. Como A e matriz simetrica, existe uma matriz ortogonal P que di-
agonaliza 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 xI
2
)
=

a x b
b a x

= (a x)
2
(b)
2
= x
2
2ax + (a
2
b
2
) .
Portanto, os autovalores sao
1
= a+b e
2
= ab. Como b ,= 0, segue
que
1
,=
2
. Vamos, agora, ao calculo dos autovetores. O autovetor
associado ao autovalor
1
= a + b e um vetor u
1
= (x, y) R
2
que
satisfaz
(A
1
I
2
) u
1
= 0,
ou seja,
_
b b
b b
_ _
x
y
_
=
_
0
0
_
.
Como b ,= 0, obtemos x = y. Assim, uma escolha de u
1
= (x , y)
que seja vetor unitario e dada por u
1
= (1
_
2 , 1
_
2). Como
1
,=
2
e a matriz A e simetrica, ent ao todo autovetor u
2
= (x, y) R
2
as-
sociado ao autovalor
2
= a b e ortogonal ao vetor u
1
. Portanto,
podemos escolher u
2
= (1
_
2 , 1
_
2). Assim, a matriz
P = [u
1
u
2
] =
_
1
_
2 1
_
2
1
_
2 1
_
2
_
CEDERJ
104
Exerccios resolvidos 3
a
Parte
M

ODULO 3 AULA 30
diagonaliza a matriz A, isto e,
D = P
t
AP
=
_
1
_
2 1
_
2
1
_
2 1
_
2
_ _
a b
b a
_ _
1
_
2 1
_
2
1
_
2 1
_
2
_
=
_
a + b 0
0 a b
_
e uma matriz diagonal semelhante `a matriz A.
7. Seja v
3
R
3
um autovetor associado ao autovalor
2
= 4. Como
T e um operador auto-adjunto e os vetores v
1
e v
2
sao linearmente
independentes, devemos ter v
3
ortogonal a v
1
e v
2
. Como estamos em
R
3
, v
3
e paralelo ao vetor v
1
v
2
; portanto, podemos considerar
v
3
= v
1
v
2
= (1 , 1 , 2).
Observe que para os autovetores v
1
e v
2
associados ao autovalor
1
= 3
temos
v
1
, v
2
) = (2 , 0 , 1), (1 , 1 , 1))
= 2 1 + 0 1 + 1 1
= 3 ,= 0;
logo, v
1
e v
2
nao sao ortogonais entre si. Para construir uma base
ortogonal de autovetores, consideramos os vetores v
2
, v
3
e um novo
vetor w, com w ortogonal a v
2
e v
3
, por exemplo,
w = v
2
v
3
= (1 , 5 , 2).
Normalizando esses vetores, obtemos uma base ortonormal de autove-
tores = u
1
, u
2
, u
3
, dada por:
u
1
=
w
[[ w[[
= (
1

30
,
5

30
,
2

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

5
, 0 ,
1

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

6
,
1

6
,
1

6
).
105
CEDERJ
Exerccios resolvidos 3
a
Parte
8. a) Sendo
A =
_
_
_
_
_
3 1 0 0
1 3 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
,
seu polinomio caracterstico e dado por
p(x) = det(A xI
4
)
=

3 x 1 0 0
1 3 x 0 0
0 0 x 0
0 0 0 x

= x
2
(x
2
6x + 8)
= x
2
(x 2)(x 4) .
Logo, seus autovalores 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) R
4
satisfazem
(A 0 I
4
)v = 0
Av = 0
isto e, satisfazem o sistema linear homogeneo
_
_
_
_
_
3 1 0 0
1 3 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, no caso, a
propria matriz A, obtemos as soluc oes
x = 0, y = 0 e z, t arbitrarios.
CEDERJ
106
Exerccios resolvidos 3
a
Parte
M

ODULO 3 AULA 30
Portanto, escolhendo ora z = 1, t = 0, e ora z = 0, t = 1, obtemos
que
u
1
= (0 , 0 , 1 , 0) u
2
= (0 , 0 , 0 , 1)
formam uma base ortonormal do auto-espaco associado ao auto-
valor
1
= 0.
Para o autovalor
2
= 2, sabemos que os autovetores associados
v = (x , y , z , t) R
4
satisfazem
(A 2 I
4
)v = 0,
isto e, satisfazem o sistema linear homogeneo
_
_
_
_
_
1 1 0 0
1 1 0 0
0 0 2 0
0 0 0 2
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, obtemos as
soluc oes
y = x e z = t = 0, com x arbitrario.
Portanto, escolhendo x = 1
_
2 e, conseq uentemente, y = 1
_
2,
obtemos que
u
3
=
_
1

2
,
1

2
, 0 , 0
_
forma uma base ortonormal do auto-espaco associado ao autovalor

2
= 2. Finalmente, para o autovalor
3
= 4, os autovetores
associados v = (x, y , z , t) R
4
satisfazem
(A 4 I
4
)v = 0,
ou seja, satisfazem o sistema linear homogeneo
_
_
_
_
_
1 1 0 0
1 1 0 0
0 0 4 0
0 0 0 4
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, obtemos as
soluc oes
y = x e z = t = 0, comx arbitrario.
107
CEDERJ
Exerccios resolvidos 3
a
Parte
Portanto, escolhendo x = 1
_
2 e, conseq uentemente, y = 1
_
2,
obtemos que
u
4
=
_
1

2
,
1

2
, 0 , 0
_
forma uma base ortonormal do auto-espaco associado ao autovalor

3
= 4. Como a matriz A e simetrica, observe que os autovetores
associados a autovalores distintos sao ortogonais. Assim, =
u
1
, u
2
, u
3
, u
4
e uma base ortonormal de R
4
formada por
autovetores da matriz A. Portanto, a matriz ortogonal P,
P = [u
1
u
2
u
3
u
4
] =
_
_
_
_
_
0 0 1
_
2 1
_
2
0 0 1
_
2 1
_
2
1 0 0 0
0 1 0 0
_
_
_
_
_
,
e a matriz diagonal D,
D =
_
_
_
_
_
0 0 0 0
0 0 0 0
0 0 2 0
0 0 0 4
_
_
_
_
_
,
satisfazem A = PDP
t
.
b) No caso
A =
_
_
_
_
_
_
_
_
3 1 0 0 0
1 3 0 0 0
0 0 2 1 1
0 0 1 2 1
0 0 1 1 2
_
_
_
_
_
_
_
_
,
CEDERJ
108
Exerccios resolvidos 3
a
Parte
M

ODULO 3 AULA 30
seu polinomio caracterstico e dado por
p(x) = det(xI
5
A)
=

x 3 1 0 0 0
1 x 3 0 0 0
0 0 x 2 1 1
0 0 1 x 2 1
0 0 1 1 x 2

x 3 1
1 x 3

x 2 1 1
1 x 2 1
1 1 x 2

= (x
2
6x + 8)(x
3
6x
2
+ 9x 4)
= (x 1)
2
(x 2)(x 4)
2
.
Logo, os autovalores da matriz A 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) R
5
satisfazem
(A 2 I
5
)v = 0,
isto e, satisfazem o sistema linear homogeneo
_
_
_
_
_
_
_
_
2 1 0 0 0
1 2 0 0 0
0 0 1 1 1
0 0 1 1 1
0 0 1 1 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
y
z
t
s
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
0
_
_
_
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, obtemos as
soluc oes
x = 0, y = 0, z = t s com t e s arbitrarios.
109
CEDERJ
Exerccios resolvidos 3
a
Parte
Portanto, escolhendo t = 0 e s = 1, obtemos o autovetor
v
1
= (0 , 0 , 1 , 0 , 1).
Para obter um segundo autovetor v
2
= (a , b , c , d , e) associado
ao autovalor
1
= 1 e que seja ortogonal a v
1
, devemos ter
_

_
a = b = 0
c + d + e = 0
c e = 0 ,
sendo que a ultima equacao segue da condicao v
1
, v
2
) = 0. Uma
soluc ao desse sistema linear e dada por v
2
= (0 , 0 , 1 , 2 , 1).
Assim, v
1
, v
2
e uma base ortogonal do auto-espaco associado a

1
= 1.
Para o autovalor
2
= 2, sabemos que os autovetores associados
v = (x, y , z , t , s) R
5
satisfazem
(A 2 I
5
)v = 0,
isto e, satisfazem o sistema linear homogeneo
_
_
_
_
_
_
_
_
1 1 0 0 0
1 1 0 0 0
0 0 0 1 1
0 0 1 0 1
0 0 1 1 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
y
z
t
s
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
0
_
_
_
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, obtemos
as soluc oes
y = x e z = t = 0, com x arbitrario.
Portanto, escolhendo x = 1, obtemos o autovetor
v
3
= (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) R
5
satisfazem
(A 4 I
5
)v = 0,
CEDERJ
110
Exerccios resolvidos 3
a
Parte
M

ODULO 3 AULA 30
ou seja, satisfazem o sistema linear homogeneo
_
_
_
_
_
_
_
_
1 1 0 0 0
1 1 0 0 0
0 0 2 1 1
0 0 1 2 1
0 0 1 1 2
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
y
z
t
s
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
0
_
_
_
_
_
_
_
_
.
Escalonando a matriz associada desse sistema linear, obtemos as
soluc oes
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:
v
4
= (1 , 1 , 0 , 0 , 0) e v
5
= (0 , 0 , 1 , 1 , 1), e eles formam uma
base ortogonal para o auto-espaco associado ao autovalor
3
= 4.
Assim, v
1
, v
2
, v
3
, v
4
, v
5
e uma base ortogonal de R
5
formada
por autovetores da matriz A. Normalizando os vetores dessa base,
obtemos
u
1
=
_
0 , 0 ,
1

2
, 0 ,
1

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

6
,
2

6
,
1

6
_
;
u
3
=
_
1

2
,
1

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

2
,
1

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

3
,
1

3
,
1

3
_
.
Observe, agora, que = u
1
, u
2
, u
3
, u
4
, u
5
e uma base orto-
normal de R
5
formada por autovetores da matriz A. Portanto, a
matriz ortogonal P,
P = [u
1
u
2
u
3
u
4
u
5
] =
_
_
_
_
_
_
_
_
0 0 1
_
2 1
_
2 0
0 0 1
_
2 1
_
2 0
1
_
2 1
_
6 0 0 1
_
3
0 2
_
6 0 0 1
_
3
1
_
2 1
_
6 0 0 1
_
3
_
_
_
_
_
_
_
_
,
111
CEDERJ
Exerccios resolvidos 3
a
Parte
e a matriz diagonal D,
D =
_
_
_
_
_
_
_
_
1 0 0 0 0
0 1 0 0 0
0 0 2 0 0
0 0 0 4 0
0 0 0 0 4
_
_
_
_
_
_
_
_
,
satisfazem A = PDP
t
. Lembre que a ordem dos elementos da
diagonal principal da matriz D depende da ordem das colunas
da matriz ortogonal P e vice-versa.
CEDERJ
112
Exerccios resolvidos 4
a
Parte
M

ODULO 3 AULA 31
Aula 31 Exerccios resolvidos 4
a
Parte
Objetivo:
Aplicar os conceitos e as propriedades vistas nas Aulas 17 a 29.
Pre-requisitos: Aulas 17 a 30.
Nesta aula, vamos dar continuidade `a apresentac ao de exerccios resol-
vidos 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 anotac oes das aulas anteriores,
e, so depois de obtida a sua propria solucao, compara-la com a soluc ao apre-
sentada aqui. Caso voce nao consiga resolver algum exerccio, nao se aija,
leia atentamente a soluc ao 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 : R
3
R
3
R dada por F(u, v) = u, v) com respeito `a
base = u
1
, u
2
, u
3
, u
1
= (2 , 0 , 1), u
2
= (1 , 2 , 1) e
u
3
= (0 , 1 , 2).
b) F : R
2
R
2
R dada por F(u, v) = u, a) v, b), com
a , b R
2
, com respeito `a base canonica.
2. Expresse as formas quadraticas abaixo na forma v
t
Av, onde a matriz
A e uma matriz simetrica.
a) q(x
1
, x
2
) = 3 x
2
1
+ 7 x
2
2
b) q(x
1
, x
2
, x
3
, x
4
) = x
2
1
+ x
2
2
+3 x
2
3
+x
2
4
+2 x
1
x
2
+4 x
1
x
3
+6 x
2
x
3
+
7 x
1
x
4
2 x
2
x
4
c) q(x
1
, x
2
, x
3
) = x
2
1
+ x
2
2
x
2
3
+ 2 x
1
x
2
3 x
1
x
3
+ x
2
x
3
113
CEDERJ
Exerccios resolvidos 4
a
Parte
d) q(x
1
, x
2
) = 7x
1
x
2
e) q(x
1
, x
2
, . . . , x
n
) = (c
1
x
1
+c
2
x
2
+ +c
n
x
n
)
2
, com c
1
, c
2
, . . . , c
n

R.
3. Diagonalize as seguintes formas 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 equac oes abaixo. Em cada
caso, determine a matriz ortogonal que diagonaliza a forma quadratica.
a) 2x
2
+ 5y
2
= 20
b) x
2
16y
2
+ 8x + 128y = 256
c) 4x
2
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 R
2
denida por
F((x
1
, x
2
), (y
1
, y
2
)) = 2x
1
y
1
3x
1
y
2
+ x
2
y
2
.
a) Determine a matriz A que representa F com respeito `a base =
(1 , 0) , (1 , 1).
b) Determine a matriz B que representa F com respeito `a base =
(2 , 1) , (1 , 1).
c) Determine a matriz mudan ca de base P, da base para a base ,
e verique que B = P
t
AP.
CEDERJ
114
Exerccios resolvidos 4
a
Parte
M

ODULO 3 AULA 31
Solucao
1. a) Lembre-se da Aula 25, na qual a matriz que representa a forma
bilinear com respeito `a base = u
1
, u
2
, u
3
e dada pela matriz
A = (a
ij
), onde a
ij
= F(u
i
, u
j
). Neste caso, temos:
a
11
= F(u
1
, u
1
) = u
1
, u
1
) = (2 , 0 , 1) , (2 , 0 , 1)) = 5;
a
12
= F(u
1
, u
2
) = u
1
, u
2
) = (2 , 0 , 1) , (1 , 2 , 1)) = 1;
a
13
= F(u
1
, u
3
) = u
1
, u
3
) = (2 , 0 , 1) , (0 , 1 , 2)) = 2;
a
21
= F(u
2
, u
1
) = u
2
, u
1
) = (1 , 2 , 1) , (2 , 0 , 1)) = 1;
a
22
= F(u
2
, u
2
) = u
2
, u
2
) = (1 , 2 , 1) , (1 , 2 , 1)) = 6;
a
23
= F(u
2
, u
3
) = u
2
, u
3
) = (1 , 2 , 1) , (0 , 1 , 2)) = 0;
a
31
= F(u
3
, u
1
) = u
3
, u
1
) = (0 , 1 , 2) , (2 , 0 , 1)) = 2;
a
32
= F(u
3
, u
2
) = u
3
, u
2
) = (0 , 1 , 2) , (1 , 2 , 1)) = 0;
a
33
= F(u
3
, u
3
) = u
3
, u
3
) = (0 , 1 , 2) , (0 , 1 , 2)) = 5.
Assim, a matriz A e dada por
A =
_
_
_
5 1 2
1 6 0
2 0 5
_
_
_
.
Observe que A e uma matriz simetrica.
b) Sejam a = (a
1
, a
2
) e b = (b
1
, b
2
) vetores com respeito `a base
canonica. Seja A = (a
ij
) a matriz que representa a forma bilinear
F(u, v) = u, a) v, b) com respeito `a base canonica. Assim,
temos:
a
11
= F(e
1
, e
1
) = e
1
, a) e
1
, b) = (1 , 0) , (a
1
, a
2
)) (1 , 0) , (b
1
, b
2
)) = a
1
b
1
;
a
12
= F(e
1
, e
2
) = e
1
, a) e
2
, b) = (1 , 0) , (a
1
, a
2
)) (0 , 1) , (b
1
, b
2
)) = a
1
b
2
;
a
21
= F(e
2
, e
1
) = e
2
, a) e
1
, b) = (0 , 1) , (a
1
, a
2
)) (1 , 0) , (b
1
, b
2
)) = a
2
b
1
;
a
22
= F(e
2
, e
2
) = e
2
, a) e
2
, b) = (0 , 1) , (a
1
, a
2
)) (0 , 1) , (b
1
, b
2
)) = a
2
b
2
.
Portanto,
A =
_
a
1
b
1
a
1
b
2
a
2
b
1
a
2
b
2
_
.
Observe que, em geral, a matriz A nao e uma matriz simetrica.
115
CEDERJ
Exerccios resolvidos 4
a
Parte
2. Como foi visto na Aula 26, temos:
a)
q(x
1
, x
2
) = (x
1
x
2
)
_
3 0
0 7
_ _
x
1
x
2
_
= 3x
2
1
+ 7x
2
2
b)
q(x
1
, x
2
, x
3
, x
4
) = (x
1
x
2
x
3
x
4
)
_
_
_
_
_
1 1 2 7/2
1 2 3 1
2 3 3 0
7/2 1 0 1
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
= x
2
1
+ x
2
2
+ 3 x
2
3
+ x
2
4
+ 2 x
1
x
2
+ 4 x
1
x
3
+ 6 x
2
x
3
+ 7 x
1
x
4
2 x
2
x
4
c)
q(x
1
, x
2
, x
3
) = (x
1
x
2
x
3
)
_
_
_
1 1 3/2
1 1 1/2
3/2 1/2 1
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
= x
2
1
+ x
2
2
x
2
3
+ 2 x
1
x
2
3 x
1
x
3
+ x
2
x
3
d)
q(x
1
, x
2
) = (x
1
x
2
)
_
0 7/2
7/2 0
_ _
x
1
x
2
_
= 7x
1
x
2
e)
q(x
1
, x
2
, . . . , x
n
) = (c
1
x
1
+ c
2
x
2
+ + c
n
x
n
)
2
=
= c
2
1
x
2
1
+ c
2
2
x
2
2
+ + c
2
n
x
2
n
+ 2 c
1
c
2
x
1
x
2
+ 2 c
1
c
3
x
1
x
3
+
+ 2 c
n1
c
n
x
n1
x
n
= (x
1
x
2
x
n
)
_
_
_
_
_
_
_
_
c
2
1
c
1
c
2
c
1
c
3
c
1
c
n
c
1
c
2
c
2
2
c
2
c
3
c
2
c
n
c
1
c
3
c
2
c
3
c
2
3
c
3
c
n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
c
1
c
n
c
2
c
n
c
3
c
n
c
2
n
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
.
.
.
x
n
_
_
_
_
_
_
_
_
CEDERJ
116
Exerccios resolvidos 4
a
Parte
M

ODULO 3 AULA 31
3. a) Observando os coecientes de q, vemos que a matriz A que repre-
senta q na base canonica e dada por
A =
_
0 1
1 0
_
.
Diagonalizar a forma quadratica q e equivalente a diagonalizar a
matriz simetrica A. Usando os procedimentos ja conhecidos sobre
diagonalizac ao 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
u
1
=
_
1
_
2
1
_
2
_
autovetor associado ao autovalor
1
= 1, e
u
2
=
_
1
_
2
1
_
2
_
autovetor associado ao autovalor
2
= 1.
Como u
1
, u
2
forma uma base ortonormal de R
2
, entao
P = [u
1
u
2
] =
_
1
_
2 1
_
2
1
_
2 1
_
2
_
,
que representa uma rotacao de /4 radianos, e a matriz diagonal
correspondente sera
D =
_
1 0
0 1
_
,
onde D = P
t
AP. Observe que a forma diagonal de q e dada por
q(x
1
, y
1
) = (x
1
y
1
)
_
1 0
0 1
_ _
x
1
y
1
_
= x
2
1
y
2
1
.
b) Observando os coecientes de q, vemos que a matriz A que repre-
senta q na base canonica e dada por
A =
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
.
Procedendo `a diagonalizac ao da matriz simetrica A, deixamos
os detalhes dos calculos como um exerccio para voce, obtemos
117
CEDERJ
Exerccios resolvidos 4
a
Parte
os autovalores
1
= 1, com multiplicidade algebrica 2, e
2
= 2.
A matriz mudanca de variavel P sera obtida a partir de uma base
ortonormal de autovetores de A. Efetuando os calculos, obtemos
u
1
=
_
_
_
1
_
6
2
_
6
1
_
6
_
_
_
autovetor associado ao autovalor
1
= 1;
u
2
=
_
_
_
1
_
2
0
1
_
2
_
_
_
autovetor associado ao autovalor
1
= 1;
u
3
=
_
_
_
1
_
3
1
_
3
1
_
3
_
_
_
autovetor associado ao autovalor
2
= 2.
Como u
1
, u
2
, u
3
forma uma base ortonormal de R
3
, entao
P = [u
1
u
2
u
3
] =
_
_
_
1
_
6 1
_
2 1
_
3
2
_
6 0 1
_
3
1
_
6 1
_
2 1
_
3
_
_
_
e uma matriz ortogonal e a matriz diagonal correspondente sera
D =
_
_
_
1 0 0
0 1 0
0 0 2
_
_
_
,
onde D = P
t
AP.
A forma diagonal de q e dada por
q(x
1
, y
1
, z
1
) = (x
1
y
1
z
1
)
_
_
_
1 0 0
0 1 0
0 0 2
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= x
2
1
y
2
1
+ 2 z
2
1
.
Como P e uma matriz ortogonal e det(P) = 1, ent ao P e uma
rotac ao em R
3
.
4. a) Como a forma quadratica q(x, y) = 2x
2
+ 5y
2
nao contem ter-
mos em xy, a equac ao da conica ja esta diagonalizada. Podemos
escreve-la na forma
x
2
10
+
y
2
4
= 1,
e, da, identicar a conica como uma elipse de semi-eixos

10 e 2. Veja a Figura 31.1.


CEDERJ
118
Exerccios resolvidos 4
a
Parte
M

ODULO 3 AULA 31
Figura 31.1: A elipse
x
2
10
+
y
2
4
= 1.
b) Como a equacao x
2
16y
2
+8x+128y = 256 nao contem termos em
xy, ela ja se encontra diagonalizada, restando apenas completar os
quadrados em x e y:
(x
2
+ 8x) 16(y
2
8y) = 256
(x + 4)
2
16 16 [(y 4)
2
16] = 256
(x + 4)
2
16(y 4)
2
= 16
(x + 4)
2
16

(y 4)
2
1
= 1 .
Efetuando a translacao
_
x
1
= x + 4
y
1
= y 4 ,
a equacao que representa a conica se transforma, no sistema de
coordenadas x
1
y
1
, em
x
2
1
16

y
2
1
1
= 1.
Podemos identicar a hiperbole na Figura 31.2.
Figura 31.2: A hiperbole
x
2
1
16

y
2
1
1
= 1.
c) Reescrevendo a conica 4x
2
20xy +25y
2
15x6y = 0 na forma
matricial, obtemos
v
t
Av + Bv = 0,
119
CEDERJ
Exerccios resolvidos 4
a
Parte
onde
v =
_
x
y
_
R
2
,
A =
_
4 10
10 25
_
e
B = (15 6 ).
A matriz A e a matriz simetrica que representa a forma quadratica
q(x, y) = 4x
2
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
u
1
=
_
5
_
29
2
_
29
_
autovetor associado ao autovalor
1
= 0, e
u
2
=
_
2
_
29
5
_
29
_
autovetor associado ao autovalor
2
= 29.
Como u
1
, u
2
forma uma base ortonormal de R
2
, entao
P = [u
1
u
2
] =
_
5
_
29 2
_
29
2
_
29 5
_
29
_
e a matriz ortogonal que diagonaliza a matriz A, e a matriz dia-
gonal correspondente sera
D =
_
0 0
0 29
_
,
com D = P
t
AP. Como det(P) = 1, a matriz ortogonal P repre-
senta uma rotacao em R
2
.
Considerando
v =
_
x
y
_
e v
1
=
_
x
1
y
1
_
,
e substituindo v = Pv
1
em v
t
Av, obtemos
v
t
Av = (Pv
1
)
t
A(Pv
1
)
= v
t
1
(P
t
AP)v
1
= v
t
1
Dv
1
; onde P
t
AP = D
= (x
1
y
1
)
_
0 0
0 29
_ _
x
1
y
1
_
= 29y
2
1
.
CEDERJ
120
Exerccios resolvidos 4
a
Parte
M

ODULO 3 AULA 31
A forma linear se transforma em
Bv = B(Pv
1
)
= BPv
1
= (15 6 )
_
5
_
29 2
_
29
2
_
29 5
_
29
_ _
x
1
y
1
_
= (3

29 0 )
_
x
1
y
1
_
= 3

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

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

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

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

29
3
y
2
1
.
5. a) Reescrevendo a equac ao 2xy +2xz +2yz 6x 6y 4z = 9 na
forma matricial, temos
v
t
Av + Bv = 9,
onde
v =
_
_
_
x
y
z
_
_
_
, A =
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
e B = (6 6 4).
121
CEDERJ
Exerccios resolvidos 4
a
Parte
A matriz A ja foi diagonalizada no exerccio 3b. Encontramos:
u
1
=
_
_
_
1
_
6
2
_
6
1
_
6
_
_
_
autovetor associado ao autovalor
1
= 1;
u
2
=
_
_
_
1
_
2
0
1
_
2
_
_
_
autovetor associado ao autovalor
1
= 1;
u
3
=
_
_
_
1
_
3
1
_
3
1
_
3
_
_
_
autovetor associado ao autovalor
2
= 2.
Como u
1
, u
2
, u
3
forma uma base ortonormal de R
3
, temos que
P = [u
1
u
2
u
3
] =
_
_
_
1
_
6 1
_
2 1
_
3
2
_
6 0 1
_
3
1
_
6 1
_
2 1
_
3
_
_
_
e a matriz ortogonal que diagonaliza a matriz A, e a matriz dia-
gonal correspondente sera
D =
_
_
_
1 0 0
0 1 0
0 0 2
_
_
_
.
Vale tambem que D = P
t
AP.
Observe que det(P) = 1, logo P representa uma rotac ao em R
3
.
Considerando
v =
_
_
_
x
y
z
_
_
_
e v
1
=
_
_
_
x
1
y
1
z
1
_
_
_
,
e substituindo v = Pv
1
em v
t
Av, obtemos
v
t
Av = (Pv
1
)
t
A(Pv
1
)
= v
t
1
(P
t
AP)v
1
= v
t
1
Dv
1
; onde P
t
AP = D
= (x
1
y
1
z
1
)
_
_
_
1 0 0
0 1 0
0 0 2
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= x
2
1
y
2
1
+ 2z
2
1
.
CEDERJ
122
Exerccios resolvidos 4
a
Parte
M

ODULO 3 AULA 31
Agora, substituindo v = Pv
1
em Bv, obtemos
Bv = B(Pv
1
)
= BPv
1
= (6 6 4)
_
_
_
1
_
6 1
_
2 1
_
3
2
_
6 0 1
_
3
1
_
6 1
_
2 1
_
3
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
=
2

6
x
1

2

6
y
1

16

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

6
x
1

2

6
y
1

16

6
z
1
na equacao v
t
Av + Bv = 9, obtemos
x
2
1
y
2
1
+ 2z
2
1
+
2

6
x
1

2

6
y
1

16

6
z
1
= 9.
Completando os quadrados nas vari aveis x
1
, y
1
e z
1
, obtemos a
quadrica

_
x
1

1

6
_
2

_
y
1
+
1

2
_
2
+ 2
_
z
1
+
4

3
_
2
= 1.
Agora, aplicando a translac ao
_

_
x
2
= x
1

1

6
y
2
= y
1
+
1

2
z
2
= z
1
+
4

3
,
obtemos
x
2
2
y
2
2
+ 2z
2
2
= 1,
que representa um hiperboloide de duas folhas.
b) Reescrevendo a equacao 2xy 6

2 x + 10

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

2 10

2 1).
123
CEDERJ
Exerccios resolvidos 4
a
Parte
Deixamos para voce, novamente, o exerccio de calcular os auto-
valores e os autovetores correspondentes da matriz A. Obtemos:
u
1
=
_
_
_
0
0
1
_
_
_
autovetor associado ao autovalor
1
= 0;
u
2
=
_
_
_
1
_
2
1
_
2
0
_
_
_
autovetor associado ao autovalor
2
= 1;
u
3
=
_
_
_
1
_
2
1
_
2
0
_
_
_
autovetor associado ao autovalor
3
= 1.
Como u
1
, u
2
, u
3
forma uma base ortonormal de R
3
, temos que
P = [u
1
u
2
u
3
] =
_
_
_
0 1
_
2 1
_
2
0 1
_
2 1
_
2
1 0 0
_
_
_
e a matriz ortogonal que diagonaliza a matriz A, e a matriz dia-
gonal correspondente sera
D =
_
_
_
0 0 0
0 1 0
0 0 1
_
_
_
,
onde D = P
t
AP.
Observe que det(P) = 1, logo P representa uma rotac ao em R
3
,
a saber, uma rotacao de /4 radianos em torno do eixo-z. Consi-
derando
v =
_
_
_
x
y
z
_
_
_
e v
1
=
_
_
_
x
1
y
1
z
1
_
_
_
,
e substituindo v = Pv
1
em v
t
Av, obtemos
v
t
Av = (Pv
1
)
t
A(Pv
1
)
= v
t
1
(P
t
AP)v
1
= v
t
1
Dv
1
; pois P
t
AP = D
= (x
1
y
1
z
1
)
_
_
_
0 0 0
0 1 0
0 0 1
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= y
2
1
z
2
1
.
CEDERJ
124
Exerccios resolvidos 4
a
Parte
M

ODULO 3 AULA 31
Agora, substituindo v = Pv
1
em Bv, obtemos
Bv = B(Pv
1
)
= BPv
1
= (6

2 10

2 1)
_
_
_
0 1
_
2 1
_
2
0 1
_
2 1
_
2
1 0 0
_
_
_
_
_
_
x
1
y
1
z
1
_
_
_
= (1 4 16)
_
_
_
x
1
y
1
z
1
_
_
_
= x
1
+ 4y
1
+ 16z
1
.
Portanto, substituindo
v
t
A, v = y
2
1
z
2
1
e Bv = x
1
+ 4y
1
+ 16z
1
na equacao v
t
Av + B v = 9, obtemos
y
2
1
z
2
1
+ x
1
+ 4y
1
+ 16z
1
= 31.
Completando os quadrados nas vari aveis y
1
e z
1
, obtemos
(y
2
1
+ 4y
1
) (z
2
1
16z
1
) + x
1
= 31
(y
1
+ 2)
2
4 (z
1
8)
2
+ 64 + x
1
= 31
e, por m,
x
1
+ 29 = (y
1
+ 2)
2
+ (z
1
8)
2
.
Agora, aplicando a translac ao
_

_
x
2
= x
1
+ 29
y
2
= y
1
+ 2
z
2
= z
1
8 ,
obtemos
x
2
= y
2
2
+ z
2
2
,
que representa um paraboloide hiperbolico.
6. a) Queremos montar a matriz A = (a
ij
), onde a
ij
= F(u
i
, u
j
),
u
1
= (1 , 0) e u
2
= (1 , 1). Temos:
a
11
= F(u
1
, u
1
) = F((1 , 0), (1 , 0)) = 2;
125
CEDERJ
Exerccios resolvidos 4
a
Parte
a
12
= F(u
1
, u
2
) = F((1 , 0), (1 , 1)) = 1;
a
21
= F(u
2
, u
1
) = F((1 , 1), (1 , 0)) = 2;
a
22
= F(u
2
, u
2
) = F((1 , 1), (1 , 1)) = 0.
Logo,
A =
_
2 1
2 0
_
.
b) Queremos montar a matriz B = (b
ij
), onde b
ij
= F(v
i
, v
j
), v
1
=
(2 , 1) e v
1
= (1 , 1). Temos:
b
11
= F(v
1
, v
1
) = F((2 , 1), (2 , 1)) = 3;
b
12
= F(v
1
, v
2
) = F((2 , 1), (1 , 1)) = 9;
b
21
= F(v
2
, v
1
) = F((1 , 1), (2 , 1)) = 0;
b
22
= F(v
2
, v
2
) = F((1 , 1), (1 , 1)) = 6.
Logo,
B =
_
3 9
0 6
_
.
c) Expressando v
1
e v
2
em funcao de u
1
e u
2
(os detalhes cam para
voce), obtemos:
v
1
= 1 u
1
+ 1 u
2
;
v
2
= 2 u
1
+ (1) u
2
,
e, portanto, P =
_
1 2
1 1
_
e P
t
=
_
1 1
2 1
_
,
onde
P
t
AP =
_
1 1
2 1
_ _
2 1
2 0
_ _
1 2
1 1
_
=
_
3 9
0 6
_
= B.
CEDERJ
126
Um caso pratico
M

ODULO 3 AULA 32
Aula 32 Um caso pratico
Um modelo de crescimento populacional
Nesta ultima aula, vamos ilustrar como a teoria de autovalores e auto-
vetores 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 p
n
denota
o n umero de indivduos da populacao da n-esima gerac ao, supondo que as
geracoes se sucedem a intervalos de tempos iguais, temos que
p
n
= r p
n1
.
Por exemplo, se r = 2, temos: p
0
e a populacao inicial da especie;
p
1
= 2 p
0
;
p
2
= 2 p
1
= 2 (2 p
0
) = 2
2
p
0
;
p
3
= 2 p
2
= 2 (2
2
p
0
) = 2
3
p
0
.
De modo geral, temos p
n
= 2
n
p
0
. E para r arbitrario, temos p
n
= r
n
p
0
.
Esse modelo pode ser usado, por exemplo, para descrever a populac ao 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 reproduc ao 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, ent ao, denotar
por:
p
j,n
a populac ao de femeas jovens apos n anos (n perodos de re-
produc ao);
p
a,n
a populac ao de femeas adultas apos n anos.
Vamos tambem assumir que, a cada ano, uma frac ao 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 sobre-
vivencia dos adultos independe da sua idade, o que nem sempre se aplica.
Com as suposic oes anteriores, podemos relacionar a populac ao de femeas
jovens e adultas da seguinte forma:
_
p
j,n
= k p
j,n1
p
a,n
= p
j,n1
+ p
a,n1
,
o que nos da um sistema linear de ordem 2. Em notacao matricial, podemos
reescreve-lo como
P
n
= AP
n1
,
onde
P
n
=
_
p
j,n
p
a,n
_
e A =
_
0 k

_
.
Observe que
P
1
= AP
0
;
P
2
= AP
1
= A(AP
0
) = A
2
P
0
;
P
3
= AP
2
= A(A
2
P
0
) = A
3
P
0
;
P
4
= AP
3
= A(A
3
P
0
) = A
4
P
0
,
e, assim, de um modo geral,
P
n
= A
n
P
0
,
onde
P
0
=
_
p
j,0
p
a,0
_
e a matriz que representa a populac ao inicial de femeas (jovens e adultas).
CEDERJ
128
Um caso pratico
M

ODULO 3 AULA 32
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,
P
0
=
_
0
10
_
.
Assim, apos um ano, temos
P
1
= AP
0
=
_
0 2
0, 3 0, 5
_ _
0
10
_
=
_
20
5
_
.
Como p
j,1
= 20 e p
a,1
= 5, a populac ao total de femeas e de 25 in-
divduos apos um ano e a razao entre femeas jovens e adultas e
p
j,1
p
a,1
=
20
5
= 4.
Apos o segundo ano, temos
P
2
= AP
1
=
_
0 2
0, 3 0, 5
_ _
20
5
_
=
_
10
8, 5
_
.
O valor de 8,5 para femeas adultas pode ser interpretado como um total
de 8 indivduos. No entanto, como p
j,2
= 10 e p
a,2
= 8, 5, a populac ao
total de femeas e de 18 indivduos apos dois anos, e a razao entre femeas
jovens e adultas e
p
j,2
p
a,2
=
10
8, 5
= 1, 18.
129
CEDERJ
Um caso pratico
Procedendo dessa forma, obtemos a seguinte tabela de valores:
Tabela 32.1
Ano Femeas jovens Femeas adultas Total de femeas p
j,n
/p
a,n
n p
j,n
p
a,n
P
j,n
+ p
a,n
0 0 10 10 0
1 20 5 25 4,00
2 10 8 18 1,18
3 17 7 24 2,34
4 14 8 22 1,66
5 17 8 25 2,00
10 22 12 34 1,87
11 24 12 36 1,88
12 25 13 38 1,88
20 42 22 64 1,88
Retornando ao modelo geral, suponhamos que a matriz A tenha dois
autovalores reais distintos,
1
e
2
, com autovetores correspondentes v
1
e v
2
,
respectivamente. Como v
1
e v
2
sao linearmente independentes, eles formam
uma base de R
2
e, portanto, podemos escrever
P
0
= a
1
v
1
+ a
2
v
2
, com a
1
, a
2
R.
Como P
n
= A
n
P
0
, temos que
P
n
= A
n
P
0
= A
n
(a
1
v
1
+ a
2
v
2
) ,
e, portanto,
P
n
= a
1
A
n
v
1
+ a
2
A
n
v
2
.
Agora, como v
1
e autovetor associado ao autovalor
1
, temos
Av
1
=
1
v
1
;
A
2
v
1
= A(Av
1
)
= A(
1
v
1
)
=
1
(Av
1
)
=
1
(
1
v
1
)
=
2
1
v
1
;
A
3
v
1
=
3
1
v
1
;
CEDERJ
130
Um caso pratico
M

ODULO 3 AULA 32
e, de um modo geral, A
n
v
1
=
n
1
v
1
. Analogamente, A
n
v
2
=
n
2
v
2
. Portanto,
podemos reescrever a equac ao
P
n
= a
1
A
n
v
1
+ a
2
A
n
v
2
na forma
P
n
= a
1

n
1
v
1
+ a
2

n
2
v
2
.
O polinomio caracterstico da matriz A =
_
0 k

_
e dado por
p(x) = det(A xI
2
)
= x
2
x k,
cujas razes sao
=
1
2
_

_

2
+ 4k
_
.
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
_
+
_

2
+ 4k
_
> 0
e

2
=
1
2
_

_

2
+ 4k
_
< 0,
e, ainda, que [
1
[ > [
2
[. Assim, neste caso, o vetor P
n
pode ser reescrito
como
P
n
=
n
1
_
a
1
v
1
+
_

1
_
n
a
2
v
2
_
.
Agora, ja que

< 1, temos que


_

1
_
n
0 quando n +, ou
seja,

2

1
0 quando n e muito grande. Nesse caso, teremos
P
n
a
1

n
1
v
1
.
Isso signica que, apos um tempo grande, a populacao ca proporcional
a v
1
.
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) = x
2
0, 5 x 0, 6.
Assim, os autovalores sao

1
=
1
2
_
0, 5 +
_
2, 65
_
1, 06
e

2
=
1
2
_
0, 5
_
2, 65
_
0, 56.
Efetuando contas rotineiras que voce pode conferir, obtemos os respec-
tivos autovetores:
v
1
=
_
1
0, 53
_
e v
2
=
_
1
0, 28
_
.
Observe, do autovetor v
1
, que
1
0, 53
1, 88,
o que explica a razao p
j,n
/p
a,n
na quinta coluna da tabela do Exemplo 1.
No exemplo anterior, trabalhamos com precisao de duas casas deci-
mais nas aproximac oes numericas.

E claro que obteremos informac oes mais
precisas se usarmos um n umero maior de casas decimais.
Devemos, tambem, esclarecer algumas limitac oes desse modelo. As
taxas de nascimento e morte de uma populac ao 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 populac ao. Em particular, a populac ao nao
pode crescer mais depois de atingir um certo tamanho limite, pois incorre no
problema da falta de alimento. E, ainda, se a populac ao crescesse indeni-
damente a uma taxa constante, ela iria superpovoar qualquer ecossistema.
Exerccios
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
CEDERJ
132
Um caso pratico
M

ODULO 3 AULA 32
20 anos. Em cada caso, calcule tambem a razao p
j,n
/p
a,n
. Considere
P
0
=
_
0
12
_
, k = 3, = 0, 4 e = 0, 6.
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 coes de exerccios selecionados
Aula 19
1. [T] =
_
_
_
0 0 1
0 1 0
1 0 0
_
_
_
.
2. autovalor
1
= 1 com multiplicidade 2: autovetores u
1
= (1
_
2, 0, 1
_
2)
e u
2
= (0, 1, 0);
autovalor
2
= 1 com multiplicidade 1: autovetor u
3
= (1
_
2, 0, 1
_
2).
Aula 20
1. Matriz da projec ao ortogonal com respeito `a base canonica:
A =
_
1/4

3
_
4

3
_
4 1/4
_
.
A diagonalizac ao da matriz A e dada por
A = PDP
t
=
_
1/2

3
_
2

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

3
_
2

3
_
2 1/2
_
.
Aula 21
1. [T] =
_
_
_
1 0 0
0 0 0
0 0 1
_
_
_
2. [T] =
_
_
_
1/2 0 1/2
0 1 0
1/2 0 1/2
_
_
_
3.

E dada pelo produto de matrizes
_
_
_
1
_
2 1
_
3 1
_
6
1
_
2 1
_
3 1
_
6
0 1
_
3 2
_
6
_
_
_
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
_
_
1
_
2 1
_
2 0
1
_
3 1
_
3 1
_
3
1
_
6 1
_
6 2
_
6
_
_
_
.
135
CEDERJ
Solucoes de exerccios selecionados
Aula 22
1. Como A
t
= A, temos
(A
2
)
t
= (AA)
t
= A
t
A
t
= (A
t
)
2
= A
2
,
garantindo que A
2
e uma matriz simetrica.
2. Sejam P matriz ortogonal (P
1
= P
t
) e D matriz diagonal tais que
A = PDP
t
. Entao
A
2
= AA = (PDP
t
) (PDP
t
) = PD(P
t
P)DP
t
= PDIDP
t
= PD
2
P
t
,
mostrando que A
2
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 V
3
e dada por:
u
1
= (1
_
2, 1
_
2, 0, 0);
u
2
= (0, 0, 1
_
2, 1
_
2),
enquanto uma base para o auto-espaco V
1
e dada por:
u
3
= (1
_
2, 1
_
2, 0, 0);
u
4
= (0, 0, 1
_
2, 1
_
2).
Assim, as matrizes
P =
_
_
_
_
_
1
_
2 0 1
_
2 0
1
_
2 0 1
_
2 0
0 1
_
2 0 1
_
2
0 1
_
2 0 1
_
2
_
_
_
_
_
e D =
_
_
_
_
_
3 0 0 0
0 3 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
satisfazem A = PDP
t
.
CEDERJ
136
Solucoes de exerccios selecionados
Aula 23
1. a) P =
_
1
_
2 1
_
2
1
_
2 1
_
2
_
; D =
_
0 0
0 4
_
b) P =
_
_
_
1
_
3 1
_
2 1
_
6
1
_
3 1
_
2 1
_
6
1
_
3 0 2
_
6
_
_
_
; D =
_
_
_
2 0 0
0 1 0
0 0 1
_
_
_
c) P =
_
_
_
_
_
1
_
2 0 1
_
2 0
1
_
2 0 1
_
2 0
0 1
_
2 0 1
_
2
0 1
_
2 0 1
_
2
_
_
_
_
_
; D =
_
_
_
_
_
0 0 0 0
0 0 0 0
0 0 4 0
0 0 0 4
_
_
_
_
_
2. Observe que = 5 e um autovalor de A, mas v = (1, 1, 0) nao e um
autovetor correspondente ao autovalor = 5. Temos:
P =
_
_
_
1
_
3 1
_
2 1
_
6
1
_
3 1
_
2 1
_
6
1
_
3 0 2
_
6
_
_
_
; D =
_
_
_
5 0 0
0 2 0
0 0 2
_
_
_
Aula 24
1. A matriz que representa o operador T com respeito `a base canonica e
A =
_
_
_
2 1 1
1 2 1
1 1 2
_
_
_
.
Como Ae uma matriz simetrica, segue que o operador T e auto-adjunto.
2. A base pode ser = u
1
, u
2
, u
3
, dada por
u
1
= (1
_
3, 1
_
3 , 1
_
3); u
2
= (1
_
2, 1
_
2 , 0) e u
3
= (1
_
6,
1
_
6 , 2
_
6) .
Aula 25
1. Para todo u, v, w R
n
e a R,
F(u + a w, v) = (u + a w)
t
Av
= (u
t
+ a w
t
) Av
= u
t
Av + a (w
t
Av)
= F(u, v) + a F(w, v) .
137
CEDERJ
Solucoes de exerccios selecionados
Assim, F e linear na primeira vari avel. De forma analoga, mostra-se que F
tambem e linear na segunda vari avel.
2. a) A = I
3
=
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_
b) B =
_
_
_
2 1 2
1 2 1
2 1 5
_
_
_
3. a) A =
_
2 1
2 0
_
b) B =
_
3 9
0 6
_
c) P =
_
1 2
1 1
_
Aula 28
1. z
2
2
= x
2
2
y
2
2
; paraboloide hiperbolico.
2. x
2
2
+ y
2
2
2z
2
2
= 1; hiperboloide de duas folhas.
3.
x
2
2
4
+
y
2
2
4
+
z
2
2
2
= 1; elipsoide.
Aula 29
1.
1
= 2 + i; v
1
= (1 + i , 1)

2
= 2 i; v
2
= (1 i , 1)
2. O polinomio caracterstico e p(x) = x
2
2a x + b, cujas razes sao

1
= a + b i e
2
= a b i, com autovetores associados v
1
= (1 , i) e
v
2
= (1 , i), respectivamente.
3. Basta observar que, se A e matriz real, ent ao seu polinomio carac-
terstico p(x) tem coecientes reais. Logo, se e uma raiz complexa de
p(x), ent ao

tambem e raiz de p(x).
Aula 32
1. Os autovalores sao
1
1, 44 e
2
0, 836, com autovalores corres-
pondentes
v
1
=
_
2, 09
1
_
e v
2
=
_
3, 57
1
_
.
Valores:
Tabela 32.2
CEDERJ
138
Solucoes de exerccios selecionados
Ano Femeas jovens Femeas adultas Total de femeas p
j,n
/p
a,n
n p
j,n
p
a,n
P
j,n
+ p
a,n
0 0 12 12 0
1 36 7 43 5,14
2 21 19 40 1,11
5 104 45 149 2,31
10 600 291 981 2,06
19 16,090 7,737 23,827 2,08
20 23,170 11,140 34,310 2,08
139
CEDERJ