Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
Álgebra Linear II Prof. Christina Waga Prof. Regina Freitas Versão 08 i CONTEÚDO Produto Interno Autovalores, autovetores e autoespaços Diagonalização Teorema de Hamilton-Cayley Classificação de Operadores Teorema Espectral Formas Bilineares e Quadráticas Formas Canônicas 1 PRODUTO INTERNO Definição Considere V um espaço vetorial real. O produto interno sobre V é uma função 〉〈 →×〈〉 v,uuv VV ),( : a R que satisfaz as seguintes propriedades: PI1. (Positiva Definida) Para todo, 0,, ≥〉〈∈ vvVv e Vvvv 0==〉〈 se somente e se 0, PI2. (Simétrica) Para quaisquer 〉〈=〉〈∈ vuuvVuv ,,,, . PI3. (Aditividade) Para quaisquer 〉〈+〉〈=〉+〈∈ wuwvwuvVwuv ,,,,,, . PI4. (Homogeneidade) Para quaisquer Vuv ∈, e para todo 〉〈=〉〈∈ uvkukvk ,,,R . Exemplos: 1) Produto usual, canônico ou Euclidiano no Rn. ∑ = =〉〈 n i iinn yxyyyxxx 1 2121 ),...,,(),,...,,( 2) 2R:V ytxztzyx 3),(),,( 21 +=〉〈 3) 3R:V 212121222111 52,,,,,( zzyyxxzyxzyx ++=〉〈 Norma de um Vetor Seja V um espaço vetorial munido de um produto interno. Define-se a função norma como sendo R→V: tal que 〉〈= vvv , . Assim, 〉〈= vvv ,2 . Com esta definição, a norma de vetores depende do produto interno considerado. Seja V um espaço vetorial munido de um produto interno. Um vetor Vv∈ é denominado vetor unitário quando 1=v . Seja um vetor Vv∈ , Vv 0≠ . O vetor Vv vv v ∈=⋅1 é denominado vetor normalizado, e sempre um vetor unitário, isto é, 1= v v . 2 Distância entre dois Vetores Seja V um espaço vetorial munido de um produto interno. Define-se a função distância R→×VVd : tal que uvuvd −=),( . Assim, 〉−−〈=−= uvuvuvuvd ,),( , e 〉−−〈= uvuvuvd ,),( 2 . Ângulo entre dois Vetores Seja V um espaço vetorial munido com um produto interno. O ângulo θ entre dois vetores Vuv ∈, é tal que uv uv ,cos 〉〈=θ com πθ ≤≤0 . Ortogonalidade Seja V um espaço vetorial munido de um produto interno. Dois vetores Vuv ∈, são denominados vetores ortogonais quando 0, =〉〈 uv . Notação: uv⊥ Seja V um espaço vetorial munido de um produto interno e o conjunto VvvA n ⊆= },...,{ 1 . O conjunto A é dito conjunto ortogonal quando 0, =〉〈 ji vv , para todo nji ,...,1, = , ji ≠ . Se em um conjunto ortogonal todos os vetores são unitários o conjunto é denomindado conjunto ortonormal. Desta forma, se uma base do espaço vetorial for um conjunto ortogonal, será denominada base ortogonal. Uma base ortogonal formada por vetores unitários é chamada base ortonormal. Exemplo: O conjunto )}5,3,6(),3,1,2(),0,2,1{( −− é ortogonal em relação ao produto interno usual. Processo de Ortogonalização de Gram-Schmidt. Projeção de um Vetor sobre um Subespaço. O processo de ortogonalização de Gram-Schmidt resolve o problema de a partir de uma base qualquer de um espaço vetorial, obter uma base ortogonal. O processo será apresentado para os espaços vetoriais do R2 e R3, e, finalmente, generalizado. • Processo para o espaço R2 Considere },{ 21 vvA = uma base de R2. Sejam 11 vu = e 122 kuvu −= . Assim, 0, 12 =〉〈 uu isto é, o vetor 2u , obtido em função de 1v e 2v , é ortogonal ao vetor 1u . Interpretação geométrica: 2v 11 vu = 1ku2u 3 O escalar R∈k é tal que: 0, 12 =〉〈 uu 0, 112 =〉−〈 ukuv 0,, 1112 =〉〈−〉〈 ukuuv 0,, 1112 =〉〈−〉〈 ukuuv ∴=〉〈−〉〈 0,, 1112 uukuv 〉〈 〉〈= 11 12 , , uu uv k Logo, },{ 21 uuB = é uma base ortogonal com 11 vu = e 1 11 12 2122 , , u uu uvvkuvu 〉〈 〉〈−=−= . O vetor 1ku é a projeção ortogonal do vetor 2v no subespaço vetorial gerado pelo vetor 1u . 1 11 12 12][ , , 1 u uu uvkuvproj u 〉〈 〉〈== Exemplo: Ortogonalizando a base )}5,3(),2,1{( pelo processo de Gram-Schmidt. )2,1(11 == vu −=−=〉〈 〉〈−=〉〈 〉〈−= 5 1, 5 2)2,1( 5 13)5,3()2,1( )2,1(),2,1( )2,1(),5,3()5,3( , , 1 11 12 22 uuu uvvu Assim o conjunto ( ){ }5152 ,),2,1( é uma base ortogonal do R2. O vetor ( )5265135131 ,)2,1( ==ku é a projeção ortogonal do vetor )5,3( no subespaço vetorial [ ])2,1( . • Processo para o espaço R3 Seja },,{ 321 vvvA = uma base do R3. Sejam os vetores 11 vu = e 1 11 12 22 , , u uu uvvu 〉〈 〉〈−= . O vetor 3u é obtido em função dos vetores 321 e , vvv e ortogonal tanto ao vetor 1u quanto ao vetor 2u . Assim, )( 221133 ukukvu ⋅+⋅−= com 0, 13 =〉〈 uu e 0, 23 =〉〈 uu . Interpretação geométrica para esta situação: 2u 1u 22uk 11uk 3u 3v 4 O escalar R∈1k é tal que: 0, 13 =〉〈 uu 0),( 122113 =〉+−〈 uukukv 0, 122113 =〉−−〈 uukukv 0,,, 12211113 =〉〈−〉〈−〉〈 uukuukuv Mas, 0, 1221 =〉〈∴⊥ uuuu ∴=〉〈−〉〈 0,, 11113 uukuv 〉〈 〉〈= 11 13 1 , , uu uv k O escalar R∈2k é tal que: 0, 23 =〉〈 uu 0),( 222113 =〉+−〈 uukukv 0, 222113 =〉−−〈 uukukv 0,,, 22221123 =〉〈−〉〈−〉〈 uukuukuv Mas, 0, 2121 =〉〈∴⊥ uuuu ∴=〉〈−〉〈 0,, 22223 uukuv 〉〈 〉〈= 22 23 2 , , uu uv k Então, 11 vu = 1 11 12 22 , , u uu uvvu 〉〈 〉〈−= 2 22 23 1 11 13 3221133 , , , , u uu uv u uu uv vukukvu 〉〈 〉〈−〉〈 〉〈−=−−= Logo, },,{ 321 uuuB = é uma base ortogonal do R3, com 11 vu = , 1 11 12 22 , , u uu uvvu 〉〈 〉〈−= e 2 22 23 1 11 13 3221133 , , , , u uu uv u uu uv vukukvu 〉〈 〉〈−〉〈 〉〈−=−−= . O vetor 2211 ukuk + é a projeção ortogonal do vetor 3v no subespaço vetorial gerado pelos vetores 21 e uu . 2 22 23 1 11 13 22113],[ , , , , 21 u uu uu u uu uu ukukvproj uu 〉〈 〉〈+〉〈 〉〈=+= • Generalização Seja },...,,{ 21 nvvvA = uma base de um espaço vetorial V n-dimensional munido de um produto interno. Considere os vetores: 11 vu = 1 11 12 22 , , u uu uvvu 〉〈 〉〈−= 2 22 23 1 11 13 33 , , , , u uu uv u uu uv vu 〉〈 〉〈−〉〈 〉〈−= ....................................................................................... 1 11 1 2 22 2 1 11 1 , , ... , , , , − −− − 〉〈 〉〈−−〉〈 〉〈−〉〈 〉〈−= n nn nnnn nn uuu uv u uu uv u uu uv vu Então },...,,{ 21 nuuuB = é uma base ortogonal de V. 5 Como V v vv v ∈=⋅1 é um unitário, o conjunto = n n u u u u u u C ,...,, 2 2 1 1 , obtido da normalização dos vetores da base ortogonal B, é denominado base ortonormal. Complemento Ortogonal Seja V um espaço vetorial munido de um produto interno e S um subespaço vetorial de V. O complemento ortogonal de S é o conjunto } para todo ,0,|{ SssvVvS ∈=〉〈∈=⊥ . Exemplos: 1) }0|),,{( =∈= xzyxS 3R . Encontrar um vetor ortogonal ao subespaço vetorial S significa encontrar um vetor ortogonal aos vetores de uma base de S. Seja )}1,0,0(),0,1,0{( uma base de S. Assim, )}1,0,0(),,( e )0,1,0(),,(|),,{( ⊥⊥∈=⊥ zyxzyxzyxS 3R . ∴=〉〈=〉〈 0)1,0,0(),,,( e 0)0,1,0(),,,( zyxzyx 0 e 0 == zy . Então, }0 e 0|),,{( ==∈=⊥ zyzyxS 3R . 2) },),,,3{( R∈−= zyzyzyS . Uma base para S é )}1,0,1(),0,1,3{( − . }0)1,0,1(),,,( e 0)0,1,3(),,,(|),,{( =〉−〈=〉〈∈=⊥ zyxzyxzyxS 3R . Assim, =+− =+ 0 03 zx yx . }),,3,{( R∈−=⊥ zzzzS . Observe que, se S é um subespaço vetorial de V, seu complemento ortogonal ⊥S também é subespaço vetorial de V. É importante ainda ressaltar que o único vetor comum a a e ⊥SS é o vetor nulo V0 , Assim, }{ VSS 0=∩ ⊥ . O subespaço vetorial ⊥+ SS é na verdade o próprio espaço vetorial V. Portanto, VSS =⊕ ⊥ . Pelo Teorema da Dimensão, ⊥⊥ +=⊕= SSSSV dimdim)dim(dim . 6 Exercícios 1) Verifique que funções RRR 22 →×〈〉 : definidas abaixo são produtos internos. a) ytxztzyx 32),(),,( +=〉〈 b) ytxztzyx −=〉〈 ),(),,( c) xztzyx 4),(),,( =〉〈 d) 1),(),,( ++=〉〈 ytxztzyx e) tyzxtzyx 222),(),,( +=〉〈 f) tyzxtzyx 22),(),,( +=〉〈 g) 2222),(),,( tyzxtzyx +=〉〈 h) 2211),(),,( lklktzyx −=〉〈 onde },{ 21 vvA = é uma base qualquer do espaço vetorial R2, 2211),( vkvkyx ⋅+⋅= e 2211),( vlvltz ⋅+⋅= . i) ytyzxtxztzyx 522),(),,( +−−=〉〈 2) Calcule a norma de )2,5,1( − considerando: a) o produto interno usual no R3. b) ztyrxwtrwzyx 3 2 1),,(),,,( ++=〉〈 . 3) Calcule )1,2( em relação ao: a) produto interno usual. b) ytxztzyx 43),(),,( +=〉〈 . 4) Considere o espaço vetorial R3 munido do produto interno usual. Determine R∈k tal que 41)1,,6( =−k . 5) Mostre que 1= v v para todo Vv∈ . 6) Sejam Vvu ∈, um espaço vetorial euclidiano tais que 3=v e 5=u . Determine R∈k de modo que 0, =〉⋅−⋅+〈 ukvukv . 7) Seja R2 munido do produto interno usual e )5,3( e )2,1( == uv . a) interprete geometricamente vuuvuv −−+ e , . b) calcule ),( e ),( vuduvd . 8) Seja o espaço vetorial R2 com produto interno usual. Seja que 3=v , 4=u e 52=+ uv . Indique o ângulo entre v e u. 9) Verifique se os vetores )3,2( − e )2,3( são ortogonais em relação aos seguintes produtos internos no R2: a) ytxztzyx +=〉〈 ),(),,( b) ytxztzyx 34),(),,( +=〉〈 7 10) Se v e u são vetores ortogonais então 222 uvuv +=+ ? Justifique. (Generalização do Teorema de Pitágoras) 11) Normalize o conjunto )}5,3,6(),3,1,2(),0,2,1{( −− . 12) Verifique se as bases abaixo são ortogonais no R² e no R³, respectivamente, para o produto interno usual. a) )}5,3(),2,1{( b) − − 3 2, 3 2, 3 1, 3 2, 3 1, 3 2, 3 1, 3 2, 3 2 13) Encontre um vetor unitário no R3 que seja ortogonal aos vetores )0,1,1( − e )1,1,2( − . 14) Seja V um espaço vetorial euclidiano. Mostre que se Vuv ∈, são ortogonais e tais que 1== uv então 2=− uv . 15) Ortogonalize a base )}1,1,0(),0,2,1(),2,1,1{( − do R3. 16) O conjunto )}1,1,0(),2,0,1{(=A é uma base de um subespaço vetorial do R3. Obtenha uma base ortogonal B a partir de A. 17) Encontre a projeção ortogonal do vetor )1,1,1( − no subespaço vetorial ][B do exercício anterior. 18) Seja },),,,3{( R∈−= zyzyzyS um subespaço vetorial do R3. Indique ⊥S , ⊥∩ SS e ⊥+ SS . 19) A partir da base )}5,2(),3,1{( indique duas bases ortonormais do R2. 20) Ortogonalize pelo processo de Gram-Schmidt as seguintes bases do R3. a) )}1,2,1(),0,1,1(),1,1,1{( − b) )}1,4,0(),2,7,3(),0,0,1{( − 21) Seja o espaço vetorial R3 munido do produto interno usual e seja S o subespaço vetorial gerado pela base ortogonal )}3,0,4(),0,1,0{( −=B . Determine a projeção do vetor )1,1,1( no subespaço S. 22) Seja o espaço vetorial R3 com o produto interno zrytxwrtwzyx 32),,(),,,( ++=〉〈 . Utilize o processo de Gram-Schmidt para transformar a base )}0,0,1(),0,1,1(),1,1,1{( numa base ortogonal. 23) Seja o espaço vetorial R3 munido do produto interno usual e )}2,4,2(),,3,2,1{( −−=A . Determine: a) o subespaço vetorial S gerado pelo conjunto A . b) o subespaço vetorial ⊥S . 24) Considere o subespaço vetorial }0|),,{( =−∈= zxzyxS 3R com o produto interno zrytxwrtwzyx 432),,(),,,( ++=〉〈 . Determine ⊥S , uma base e sua dimensão. 8 25) Considere o espaço vetorial )(RnMat com as operações usuais. Verifique se a função )(, tBAtrBA ⋅= define um produto interno. 26) Considere o espaço vetorial das funções contínuas no intervalo [ ] R⊆ba, com as operações usuais. Verifique se a função ∫= b a dxxgxfxgxf )()()(),( é um produto interno. Respostas 2) a) 30 b) 275 3) a) 5 b) 4 4) 2±=a 6) 53±=a 7) 13),(),( == vuduvd 8) )arccos( 24 5−=θ 11) { }),,(),,,(),0,,( 70 5 70 3 70 6 14 3 14 1 14 2 5 2 5 1 −− 13) ( )333333 ,, − 15) { ( , , ), ( , , ), ( , , )11 2 112 32 421 221 121− − − } 16) { ( , , ), ( , , )1 0 2 125 15− } 17) ( )313131][ ,, −−=′ vproj B 18) a) Sim b) {0V} c) R3 19) { })0,,(),,,(),1,1,1( 3132212121 −− 20) a) {(1,1,1),(-1,1,0),( 16 16 26, ,− )} b) {(1,0,0),(0,7,-2),( 0 3053 10553, , )} 21) ( )253254][ ,1, −=vproj B 22) { )0,,(),,,(),1,1,1( 3132212121 −− } 23) a) }0|),,{( 3 =++∈= zyxzyxS R b) }),,,{( R∈=⊥ zzzzS 24) }),,0,2{( R∈−=⊥ zzzS base : {(-2, 0, 1)} 1dim =⊥S 9 Apêndice D – Teoremas Seja V um espaço vetorial munido de um produto interno. Para quaisquer Vwuv ∈,, e R∈21,, kkk . Teo51. 〉〈=〉⋅〈 uvkukv ,, Teo52. 〉〈+〉〈=〉+〈 wvuvwuv ,,, Teo53. 〉〈=〉⋅⋅〈 uvkkukvk ,, 2121 Teo54. 0, =〉〈 Vv 0 dem.: 〉〈+=〉〈 VV vv 00 ,0, (1) 〉〈+〉〈=〉+〈=〉〈 VVVVV vvvv 00000 ,,,, (2) De (1) e (2): 〉〈+〉〈=〉〈+ VVV vvv 000 ,,,0 . Pela Lei do Corte para adição em R, 0, =〉〈 Vv 0 . Teo55. Se para todo VuVu 0≠∈ , , 0, =〉〈 uv então Vv 0= . dem.: (RAA) Seja Vv 0≠ . Considere uv = . Assim, 0,, >〉〈=〉〈 vvuv . Mas, 0, =〉〈 uv . Contradição. Logo, Vv 0= . Teo56. Se para todo VuVu 0≠∈ , , 〉〈=〉〈 uwuv ,, então wv = . Teo57. 〉〈−〉〈=〉−〈 wuwvwuv ,,, . Teo58. 0≥v e Vvv 0== se somente e se 0 . Teo59. vkvk ⋅=⋅ . Teo60. Desigualdade de Cauchy-Schwarz: uvuv , ≤〉〈 . dem.: Se VV uv 00 == ou então vv VV ===〉〈 0, 00 . Considere Vv 0≠ , Vu 0≠ e ukvw ⋅+= . 0,, >〉⋅+⋅+〈=〉〈 ukvukvww =〉⋅+⋅+〈 ukvukv , =〉⋅⋅〈+〉⋅〈+〉⋅〈+〉〈 ukukvukukvvv ,,,, =〉〈+〉〈+〉〈+〉〈 uukvukuvkvv ,,,, 2 =〉〈+〉〈+〉〈+〉〈 uukuvkuvkvv ,,,, 2 =〉〈+〉〈+〉〈 uukuvkvv ,,2, 2 =+〉〈+ 222 ,2 ukuvkv Assim, 0,2, 222 >+〉〈+=〉⋅+⋅+〈 vkuvkuukvukv . Um polinômio do 2º grau em k com coeficiente de maior grau 2u positivo, possui discriminante negativo ou nulo. ∴≤−〉〈 04),2( 222 vuuv ∴≤−〉〈 04,4 222 vuuv ∴≤−〉〈 0, 222 vuuv 222, vuuv ≤〉〈 Logo, uvuv , ≤〉〈 10 Corolário60: 〉〉〈〈≤〉〈 uuvvuv ,,, 2 , isto é, 222, vuuv ≤〉〈 . Teo61. Desigualdade Triangular: uvuv +≤+ . dem.: 〉〈+〉〈+〉〈=〉++〈=+ uuuvvvuvuvuv ,,2,,2 〉〈++〉〈≤〉〈+〉〈+〉〈 uuuvvvuuuvvv , 2,,,2, 222 )( 2, 2, uvuuvvuuuvvv +=++=〉〈++〉〈 Assim, 22 )( uvuv +≤+ . Logo, uvuv +≤+ . Teo62. i) 0),( ≥uvd e 0),( =uvd se e somente se uv = ii) ),(),( vuduvd = iii) ),(),(),( uwdwvduvd +≤ Teo63. vV ⊥0 . Teo64. Se uv ⊥ então vu ⊥ . Teo65. Se uv ⊥ , para todo VuVu 0≠∈ , então Vv 0= . Teo66. Se wv ⊥ e wu ⊥ então wuv ⊥+ . Teo67. Se uv ⊥ então uvk ⊥⋅ . Teo68. (Generalização do Teorema de Pitágoras) Se uv ⊥ então 222 uvuv +=+ . Teo69. Se },...,{ 1 rvv é um conjunto ortogonal de vetores não nulos então },...,{ 1 rvv é um conjunto linearmente independente. Teo70. Sejam VS ≤ , },...,{ 1 rvv uma base de S e Vv∈ tal que para todo ri ,...,1= , ivv ⊥ então para todo Ss ∈ , sv ⊥ . Teo71. Sejam },...,{ 1 nvv uma base ortonormal de V e Vv∈ . Então nn vvvvvvv ⋅++⋅= ,..., 11 . Teo72. (Processo de Ortogonalização de Gram-Schmidt) Sejam Vvv r ⊆},...,{ 1 um conjunto de vetores linearmente independente. Existe um conjunto ortogonal (ortonormal) Vuu r ⊆},...,{ 1 que é uma base do subespaço gerado pelo conjunto },...,{ 1 rvv . Teo73. ∅≠⊥S . Teo74. VS ≤⊥ . Teo75. SS =⊥⊥ )( Teo76. }{ VSS 0=∩ ⊥ . 11 Teo77. ⊥⊕= SSV Corolário77: VSS dimdimdim =+ ⊥ Teo78. Seja V um R-espaço vetorial munido de um produto interno e um dado vetor Vu∈ . A função R→Vfu : tal que >=< vuvf ,)( é um funcional. Teo79. Seja V um R-espaço vetorial munido de um produto interno. A função *: VVT → tal que vfvT =)( é uma transformação linear. Teo80. Sejam V um R-espaço vetorial munido de um produto interno e R→Vf : um funcional. Então existe um único vetor Vv∈ tal que >=< uvuf ,)( , para todo Vu∈ , isto é, a função *: VVT → tal que vfvT =)( é um isomorfismo. Corolário80. Se nV =dim então nV =*dim . 12 AUTOVALORES E AUTOVETORES Definição Seja VVT →: um operador linear. Um vetor VvVv 0≠∈ , , é dito autovetor, vetor próprio ou vetor característico do operador T, se existir R∈λ tal que vvT ⋅= λ)( . O escalar λ é denominado autovalor, valor próprio ou valor característico do operador linear T associado ao autovetor v. Exemplos: 1) : 22 RR →T )8,3(),( yxxyx −a )2,1( é autovetor de T associado ao autovalor 3=λ , pois )2,1(3)6,3()2,1( ⋅==T . 2) : 33 RR →T )32,2,(),,( zyzyzyxzyx ++++a )2,1,1( é autovetor de T associado ao autovalor 4=λ , pois )2,1,1(4)8,4,4()2,1,1( ⋅==T e )1,1,1( − é autovetor de T associado ao autovalor 1=λ , pois )1,1,1(1)1,1,1()1,1,1( −⋅=−=−T . Seja v é um autovetor do operador linear T associado ao autovalor λ então Vkv∈ também é um autovetor de T associado ao autovalorλ , para todo 0, ≠∈ kk R . Exemplo: Seja o operador linear )8,3(),( yxxyxT −= . O vetor )2,1(=v é autovetor associado ao autovalor 3=λ . Como )4,2(3)12,6()4,2())2,1(2( ⋅===⋅ TT , o vetor )4,2( é também autovetor de T associado a 3=λ . Seja λ é um autovalor do operador linear T. O conjunto })(|{ vvTVvV λλ =∈= de todos os autovetores associados a λ juntamente com o vetor nulo V0 , é denominado autoespaço correspondente ao autovalor λ . Exemplo: Considere o operador )8,3(),( yxxyxT −= . O autoespaço { } { }RR 2 ∈==∈= xxxyxyxTyxV ),2,(),(3),(|),(3 corresponde ao autovalor 3=λ . 13 Cálculo de Autovalores, Autovetores e Autoespaços Seja o operador linear VVT →: tal que nV =dim . Por definição, vvT ⋅= λ)( , com VvVv 0≠∈ , e R∈λ . Considere o operador identidade VVIV →: tal que vvIV =)( . Assim, )()( vIvT Vλ= . Então, VV vIvT 0=− )()( λ . Pela definição de multiplicação por escalar em transformações lineares, VV vIvT 0=− ))(()( λ . Pela definição de adição de transformações, VV vIT 0=− ))(( λ . Então, o vetor VvVv 0≠∈ , , deve pertencer ao núcleo do operador )( VIT λ− , isto é, )( VITKerv λ−∈ , com Vv 0≠ . Portanto, o operador linear )( VIT λ− não é injetivo, consequentemente, não é bijetivo, nem invertível. O fato do operador linear não ser invertível é equivalente ao do determinante de sua matriz associada, dada uma certa base, ser zero. A equação 0)]det([ =− nA IT λ , onde nI é a matriz identidade de ordem n, é denominada de equação característica. O polinômio )]det([ nA IT λ− é denominado polinômio característico de T, e suas raízes em R são os autovalores do operador linear T. Exemplo: Seja 22 RR →:T tal que )8,3(),( yxxyxT −= e considere a base canônica do R2. Assim, −= 18 03 ][T e = = λ λλλ 0 0 10 01 2I Então, −− −= − −=− λ λ λ λλ 18 03 0 0 18 03 ][ 2IT )1)(3( 18 03 det)]det([ 2 λλλ λλ −−−= −− −=− IT −= =∴=−−−∴=− 1 3 0)1)(3(0)]det([ 2 1 2 λ λλλλIT Logo, 1 e 3 21 −== λλ são os autovalores do operador linear T. 14 Tendo encontrado os autovalores iλ , com Vi dim1 ≤≤ . Os autovetores são os vetores VvVv 0≠∈ , tais que VV vIT 0=− ))(( λ . Considere uma base A para o espaço vetorial V e a equação matricial 1][)]([ ×=⋅− nAnA vIT 0λ , onde 1×n0 é a matriz nula de ordem 1×n . Substituindo cada autovalor iλ encontrado na equação matricial, obtém-se um sistema de equações lineares. Resolvendo-se cada um destes sistemas, os autovetores associados a cada um do autovalores são obtidos, e, consequentemente, os autoespaços i Vλ . Exemplo: Seja 22 RR →:T tal que )8,3(),( yxxyxT −= com autovalores 1 e 3 21 −== λλ e a base canônica do R2. Para 31 =λ : 122 ][)3]([ ×=⋅− 0vIT 0 0 10 01 3 18 03 ∴ = ⋅ − − y x ∴ = ⋅ − − 0 0 30 03 18 03 y x = ⋅ − 0 0 48 00 y x xyyx 2048 =∴=− }),2,{(3 R∈= xxxV Para 12 −=λ : 122 ][))1(]([ ×=⋅−− 0vIT ∴ = ⋅ + − 0 0 10 01 18 03 y x ∴ = ⋅ 0 0 08 04 y x =∴= = 0 08 04 x x x }),,0{(1 R∈=− yyV . 15 Multiplicidade de Autovalores Sejam V um espaço vetorial, T um operador linear em V e R∈iλ , com Vi dim1 ≤≤ , um autovalor deste operador. O número de vezes que )( iλλ − aparece como um fator do polinômio característico de T é denominado de multiplicidade algébrica de iλ , cuja notação é )( iam λ . A dimensão do autoespaço i Vλ é denominada a multiplicidade geométrica de iλ , cuja notação é )( igm λ . Exemplos: Considerando a base canônica do R3. 1) 33 RR →:T tal que )422,242,224(),,( zyxzyxzyxzyxT ++++++= = 422 242 224 ][T e − − − =− λ λ λ λ 422 242 224 )(][ 3IT 0)8()2(03236120)]det([ 233 =−−∴=−+−∴=− λλλλλλIT },),,,{( e 2 21 R∈−−== zyzyzyVλ }),,,{( e 8 82 R∈== zzzzVλ O autovalor 2 ocorre duas vezes como raiz do polinômio característico, 2)2( =am , e seu autoespaço possui dimensão igual a 2, 2)2( =gm . Já o autovalor 8 ocorre única vez como raiz, 1)8( =am , e )8(1dim 8 gmV == . 2) 33 RR →:T tal que )2,2,3(),,( zyyxzyxT += = 210 020 003 ][T e − − − =− λ λ λ λ 210 020 003 )(][ 3IT 0)3()2(0121670))(]det([ 2233 =−−∴=−+−∴=⋅− λλλλλλ IT }),,0,0{( e 2 21 R∈== zzVλ }),0,0,{( e 3 32 R∈== xxVλ O autovalor 2 ocorre duas vezes como raiz do polinômio característico, 2)2( =am , e )2(1dim 2 gmV == . O autovalor 3 ocorre única vez como raiz, 1)3( =am , e )3(1dim 3 gmV == . 16 Diagonalização de Operadores Lineares Dado um operador linear VVT →: , existem representações matriciais de T relativas as bases de V. Dentre estas representações, a considerada mais simples é uma matriz diagonal. Como a cada base corresponde uma matriz, a questão se resume na obtenção de uma certa base, cuja representação matricial do operador linear T em relação a esta base é uma matriz diagonal. Assim, esta base diagonaliza o operador linear T. Seja V um espaço vetorial n-dimensional e VVT →: um operador linear. O operador linear T é denominado um operador linear diagonalizável se existir um base A de V tal que AT ][ é uma matriz diagonal. Esta base é composta pelos autovetores do operador linear T. Seja V um espaço vetorial n-dimensional e VVT →: um operador linear. Se existem n autovalores distintos n,λ,λ K1 então o operador linear T é diagonalizável. Exemplo: Seja o operador linear 33 RR →:T tal que )2,2,4(),,( zxyxzxzyxT +−+−+= e a base canônica do R3, então − −= 102 012 104 ][T . 11 =λ , }),0,,0{(1 R∈= yyV e )0,1,0(1 =v 22 =λ , }),,,2{(2 R∈−= zzz zV e )2,2,1(2 −=v 33 =λ , }),,,{(3 R∈−= zzzzV e )1,1,1(3 −=v Sendo )}1,1,1(),2,2,1(),0,1,0{( −−=A uma base de autovetores, = 300 020 001 ][ AT Se existem nr < autovalores distintos rλλ ,,1 K e suas multiplicidades algébricas e geométricas forem iguais, isto é, para todo ri ,...,1= , )()( igia mm λλ = , então o operador linear T é diagonalizável. Exemplo: Seja o operador 33 RR →:T tal que ),,(),,( zyxzyxzyxzyxT ++++++= e a base canônica do R3, então = 111 111 111 ][T . 01 =λ , },),,,{(0 R∈−−= zyzyzyV e )}1,0,1(),0,1,1{(1 −−=A 32 =λ , }),,,{(3 R∈= zzzzV e )}1,1,1{(2 =A Sendo )}1,1,1(),1,0,1(),0,1,1{(21 −−=∪= AAA uma base de autovetores, = 300 000 000 ][ AT 17 Exercícios 1) Verificar, utilizando a definição, se os vetores dados são autovetores: a) =− 31 22 ][para )1,2( T . b) − =− 121 232 011 ][para )3,1,2( T . 2) Os vetores )1,2( e )1,1( − são autovetores de um operador linear 22 RR →:T associados aos autovalores 51 =λ e 12 −=λ , respectivamente. Determinar )1,4(T . 3) Determinar o operador linear 22 RR →:T cujos autovalores são 11 =λ e 32 =λ associados aos autoespaços }),,{(1 R∈−= yyyV e }),,0{(3 R∈= yyV . 4) Determinar os autovalores e os autovetores dos seguintes operadores lineares no R2. a) )4,2(),( yxyxyxT +−+= b) ),(),( xyyxT −= 5) Dado o operador linear T no R2 tal que )2,53(),( yyxyxT −−= , encontrar uma base de autovetores. 6) Verificar se existe uma base de autovetores para: a) 33 RR →:T tal que )32,2,(),,( zyzyzyxzyxT ++++= b) 33 RR →:T tal que )22,2,(),,( zyxyxxzyxT ++−−= c) 33 RR →:T tal que )34,32,(),,( zyzyxxzyxT +−−+−= 7) Seja 22 RR →:T tal que )2,54(),( yxyxyxT ++= . Encontrar uma base que diagonalize o operador T. 8) O operador linear 44 RR →:T tal que ),,,(),,,( yxtzyzyxtzyxtzyxT ++++++++= é diagonalizável? Respostas 1) a) Sim b) Não 2) )32,4(),( yxyxyxT ++= e )11,8()1,4( =T 5) )}0,1(),1,1{( − 6) a) b) Sim c) Não 3) )32,(),( yxxyxT += 4) a) autovalores: 2 e 3 b) não possui autovalores reais 7) )}2,5(),1,1{(−=A e −= 60 01 ][ AT 18 Apêndice E – Teoremas Seja V um espaço vetorial n-dimensional e VVT →: um operador linear. Teo81. Se VvVv 0≠∈ , é um autovetor do operador linear T associado ao autovalor R∈λ então para todo 0, ≠∈ kk R , o vetor kv é também um autovetor de T associado ao autovalorλ . dem.: =)(kvT =)(vkT por TL2 =)( vk λ por hipótese =vk )( λ por EV5 =vk)(λ comutatividade da multiplicação em R )(kvλ por EV5 Teo82. Seja λ um autovalor de T. Então { }VV 0∪λ é um subespaço vetorial de V. Teo83. Sejam os autovetores v e v′ do operador linear T associados, respectivamente, aos autovalores λ e λ′ distintos entre si. Então v e v′ são linearmente independentes. dem.: Vvkkv 0=′′+ (1) )()( VTvkkvT 0=′′+ VvkTkvT 0=′′+ )()( VvTkvkT 0=′′+ )()( Vvkvk 0=′′′+ )()( λλ Vvkvk 0=′′′+ )()( λλ (2) Multiplicando-se (1) por λ , Vvkkv 0λλ =′′+ )( Vvkkv 0=′′+ )()( λλ Vvkvk 0=′′+ )()( λλ Vvkvk 0=′′+ )()( λλ (3) Subtraindo (3) de (2), Vvkvkvkvk 0=′′−−′′′+ )()()()( λλλλ Vvkvk 0=′′−′′′ )()( λλ Vvkk 0=′′−′′ )( λλ Vvk 0=′−′′ )( λλ Mas Vv 0≠′ e, por hipótese, λλ ′≠ . Assim, 0=′k . Analogamente, 0=k . Logo, v e v′ são linearmente independentes. Teo84. Sejam rvvv ,...,, 21 autovetores do operador linear T associados a autovalores todos distintos rλλλ ,...,, 21 . Então os autovetores rvvv ,...,, 21 são linearmente independentes. dem.: Por indução em r. Corolário84: Seja um operador linear VVT →: e V um espaço vetorial n-dimensional. Se T possui n autovalores distintos então existe uma base constituída por autovetores. 19 Teo85. Sejam V um espaço vetorial n-dimensional e VVT →: um operador linear. Se existem n autovalores distintos n,λ,λ K1 então o operador linear T é diagonalizável. dem.: Considere uma base de autovetores VvvvA n ⊆= },...,,{ 21 , tal que iv corresponde ao autovalor iλ , para todo ni ,...,1= . Para todo ni ,...,1= , niiiiiii vvvvvvvT ⋅++⋅+⋅+⋅++⋅=⋅= +− 0...00...0)( 111 λλ . Então, = 0 0 ][ ... λ ... v iAi . Assim, = n A λ... ......... ...λ ...λ T 00 0 00 00 ][ 2 1 . Logo, o operador linear T é diagonalizável. Teo86. Se existem nr < autovalores distintos r,..,λλ1 e para qualquer autovalor a multiplicidade algébrica for igual a sua multiplicidade geométrica, isto é, para todo ri ,...,1= , )()( igia mm λλ = então o operador linear T é diagonalizável. dem.: Como a multiplicidade geométrica de iλ é a dimensão do autoespaço iVλ , então: nVVVV r ==+++ dimdim...dimdim 21 λλλ Considere iA uma a base do autoespaço iVλ . O conjunto rAAAA ∪∪∪= ...21 é uma base do espaço vetorial V. Então, = n A k... ......... ...k ...k T 00 0 00 00 ][ 2 1 onde jk é um dos autovalores iλ , respeitada sua multiplicidade algébrica, isto é, o autovalor iλ aparecerá tantas vezes na diagonal principal quanto for sua multiplicidade algébrica. 21 Matrizes e Polinômios Duas matrizes )(, RnMatBA ∈ são semelhantes quando existe uma matriz invertível )(RnMatP∈ tal que APPB 1−= . Matrizes semelhantes possuem o mesmo polinômio característico, já que: )det()det())(det()det( 111 nnnn IBPIPAPPPIAPIA λλλλ −=−=−=− −−− Exemplo: As matrizes 43 21 e − − 23 47 são semelhantes, pois: −⋅ ⋅ = − − 10 21 43 21 10 21 23 47 . Além disso, 25)()( 2 −−== λλλλ BA PP . Uma matriz A pode ser diagonalizada quando existir uma matriz invertível )(RnMatP∈ tal que APP 1− seja uma matriz diagonal. Esta matriz P é uma matriz de autovetores do operador relativo à matriz A. Exemplo: Considere [ ] 18 03 −=T , os autoespaços }),2,{(3 R∈= xxxV e }),,0{(1 R∈=− yyV , e uma base de autovetores { })1,0(),2,1( . Assim, 12 01 =P , 12 011 −= −P e [ ] −= ⋅ −⋅ −= − 10 03 12 01 18 03 12 011 PTP . Considerando APPB 1−= , temos que PAPAPPAPPAPPB k k kk 1 fatores 111 )( −−−− === 44 344 21 K , com +∈Zk . Se a matriz A é diagonalizável então 11 −− =∴= PPDAPAPD kkkk . Exemplo: 18 03 10 = − −= −⋅ −⋅ = −⋅ −⋅ 1118100 059049 12 01 )1(0 03 12 01 12 01 10 03 12 01 10 1010 Considere ][...)( 01 xaxaxaxp n n R∈+++= um polinômio e uma matriz quadrada )(RnMatA∈ . Então )(Ap é a matriz quadrada n n n IaAaAa 01... +++ . Diz-se que o polinômio )(xp anula a matriz A quando nAp 0=)( . Exemplo: Sejam 9)( 2 −= xxp , 32)( += xxq e a matriz −= 12 41 A . 22 = ⋅− −= 00 00 10 01 9 12 41 )( 2 Ap = ⋅+ −⋅= 54 81 10 01 3 12 41 2)(Aq Assim, o polinômio )(xp anula a matriz A, mas )(xq não. Diz-se que um polinômio ][)( xxp R∈ anula o operador linear T quando nTp 0=)]([ α , para toda base α de V. Seja V um R-espaço vetorial n dimensional, VVT →: um operador linear e ][...)( 01 Xaxaxaxp m m R∈+++= um polinômio. Define-se o operador linear VVTp →:)( tal que ))(...())(( 01 vIaTaTavTp V m m +++= . Se 0λ é um autovalor do operador T então )( 0λp é um autovalor do operador linear )(Tp . Exemplo: Seja 22: RR →T tal que )8,3(),( yxxyxT −= , cujos autovalores são 3 e 1 − . Considere o polinômio 342)( 23 +−−= xxxxp e o operador 22:)( RR →Tp tal que ),)(342(),)(( 23 yxITTTyxTp +−−= . Assim, ),)(3(),(),)(4(),)(2(),)(( 23 yxIyxTyxTyxTyxTp +−−= )),((3),()),((4)),((2 23 yxIyxTyxTyxT +−−= )3,3()8,3()16,9(4)56,27(2 yxyxxyxxyxx +−−+−−= )3,3()8,3()464,36()2112,547( yxyxxyxxyxx +−−+−−= )240,18( yxx −= Então, os autovalores de )(Tp são 18 e 2− . Teorema de Cayley-Hamilton (TCH) Sejam V um R-espaço vetorial n-dimensional e VVT →: um operador linear. Então nT TP 0=)]([ α para toda base α de V. dem: Seja 01 1 1)( aa...aP n n n T ++++= −− λλλλ Denotaremos por )(λA a matriz adjunta clássica da matriz αλ ][ nIT − Os elementos de )(λA são os cofatores desta matriz, sendo então polinômios em λ de grau menor ou igual a 1−n . 01 1 1 ...)( AAAA n n +++= −− λλλ sendo )(,..., 01 Rnn MatAA ∈− . Pela propriedade fundamental da adjunta clássica: nn IITAIT ⋅−=⋅− αα λλλ ]det[)(][ nTn IPAIT ⋅=⋅− )()(][ λλλ α n n n nn nn IaaaAAAIT ⋅++++=+++⋅− −−−− )...()...(][ 01110111 λλλλλλ α n n n nn nn n n IaaaATAATAATA ⋅++++=+−++−+− −−−−−− )...(][)]([...)]([ 01110011211 λλλλλλ ααα (n) nn IA =− −1 23 (n-1) nnnn IaAAT 121][ −−− =−α (n-2) nnnn IaAAT 232][ −−− =−α ... ... (1) nIaAAT 101][ =−α (0) nIaAT 00][ =α Multiplicando-se a equação (n) por nT α][ , (n-1) por 1][ −nT α , ... e (1) por α][T , tem-se: (n) n n n TAT αα ][][ 1 =− − (n- 1) 1 12 1 1 ][][][ − −− − − =− nnnnnn TaATAT ααα (n- 2) 2 23 2 2 1 ][][][ −−− − − − =− nnnnnn TaATAT ααα ... ... (1) ααα ][][][ 101 2 TaATAT =− (0) nIaAT 00][ =α Somando-se as equações matriciais, n n n n n IaTa...TaT 01 1 1 ][][][ ++++= −− ααα0 )]([ αTPT= . Polinômio Minimal Seja V um R-espaço vetorial n-dimensional e VVT →: um operador linear. Define-se o polinômio minimal ou mínimo do operador linear T, ][)( λλ R∈Tm , como sendo o polinômio mônico de menor grau possível tal que nT Tm 0=)]([ α . Exemplos: 1) 33: RR →T tal que )42,1573,522(),,( zyxzyxzyxzyxT −+−+−+= . )3()1()( 2 −−= λλλTP )3)(1()( −−= λλλTm 2) 33: RR →T tal que )3,,4(),,( zyxzzyxT −= . )1()2()( 2 −+= λλλTP )1()2()( 2 −+= λλλTm 3) 44: RR →T tal que ),,53,43(),,,( tzzyzxtzyxT −−+−= . 22 )3()1()( −−= λλλTP )3)(1()( −−= λλλTm CorolárioTCH: O polinômio minimal de T divide o polinômio característico de T, isto é, )(|)( λλ TT Pm . Teo87. nTT mP ))((|)( λλ Teo88. Os polinômios característico e minimal possuem os mesmos fatores irredutíveis e as mesmas raízes. Teo89. Sejam rλλλ ,...,, 21 autovalores distintos de T. Então T é diagonalizável se e somente se ))...()(()( 21 rTm λλλλλλλ −−−= . 24 Exercícios 1) Verificar, utilizando a definição, se os vetores dados são autovetores: a) =− 31 22 ][para )1,2( T b) − =− 121 232 011 ][para )3,1,2( T 2) Os vetores )1,2( e )1,1( − são autovetores de um operador linear 22: RR →T associados aos autovalores 51 =λ e 12 −=λ , respectivamente. Determinar )1,4(T . 3) Determinar o operador linear 22: RR →T cujos autovalores são 11 =λ e 32 =λ associados aos autoespaços }),,{(1 R∈−= yyyV e }),,0{(3 R∈= yyV . 4) Determinar os autovalores e os autovetores dos seguintes operadores lineares no R2. a) )4,2(),( yxyxyxT +−+= b) ),(),( xyyxT −= 5) Dado o operador linear T no R2 tal que )2,53(),( yyxyxT −−= , encontrar uma base de autovetores. 6) Verificar se existe uma base de autovetores para: a) 33: RR →T tal que )32,2,(),,( zyzyzyxzyxT ++++= b) 33: RR →T tal que )22,2,(),,( zyxyxxzyxT ++−−= c) 33: RR →T tal que )34,32,(),,( zyzyxxzyxT +−−+−= 7) Seja 22: RR →T tal que )2,54(),( yxyxyxT ++= . Encontrar uma base que diagonalize o operador. 8) O operador linear 44: RR →T tal que ),,,(),,,( yxtzyzyxtzyxtzyxT ++++++++= é diagonalizável? 9) Determine o polinômio minimal do operador −− − −− 463 241 665 . 10) Dada a matriz 3000 0200 0020 0012 , verifique se é diagonalizável. 25 11) Seja a matriz triangular superior f ed cba 00 0 , com todos os seus elementos acima da diagonal distintos e não nulos. Indique os autovalores e os autoespaços. 12) Para que valores de a e b as matrizes a0 11 e 10 1 b são diagonalizáveis? 13) Se uma matriz A quadrada é diagonalizável então o determinante de A é o produto de seus autovalores? 14) Utilize a forma diagonal para encontrar An nos seguintes casos (n natural): a) − − 21 43 b) − − − 220 041 670 15) Diz-se que um operador T: V → V é idempotente se TT =2 . a) Seja T idempotente. Ache seus autovalores. b) Dê exemplo de um operador não nulo 22: RR →T idempotente. c) Mostre que todo operador linear idempotente é diagonalizável. 16) Seja V um espaço n-dimensional. Qual é o polinômio minimal do operador identidade? Qual é o polinômio minimal do operador nulo? 17) Verifique se a matriz − −− −− 0111 1222 0011 0011 é diagonalizável. 18) Determinar uma matriz de ordem 3 cujo polinômio minimal seja 2λ . 19) Indique o polinômio minimal dos operadores considerando a, b, c, d e e constantes não nulas. a) 55: RR →T tal que ),,,,(),,,,( awbwatbtazbzaybyaxwtzyxT ++++= b) 55: RR →T tal que ),,,,(),,,,( ewtdwzcwybwxawwtzyxT −−−−−= 26 Subespaços Invariantes Seja V um R-espaço vetorial n dimensional e VVT →: um operador linear. O subespaço vetorial VS ≤ é denominado subespaço vetorial invariante pelo operador T ou subespaço vetorial T-invariante quando SST ⊆)( , sendo }|)({)( SssTST ∈= . Exemplo: Seja 22: RR →T tal que )8,3(),( yxxyxT −= . O subespaço }),2,{( R∈= xxxS é T-invariante, já que ST ∈= )6,3()2,1( . Já o subespaço }),0,{( R∈=′ xxS não é T-invariante, pois ST ′∉= )8,3()0,1( . Teo90. Considere V um R-espaço vetorial n dimensional e VVT →: um operador linear. Então: i) São subespaços T-invariantes: }{ V0 , V, KerT e ImT. ii) Seja λ um autovalor do operador T. Então o autoespaço λV é T-invariante. dem.: Se )( λVTv∈ então )(uTv = , para algum λVu ∈ . Se λVu ∈ então uuT λ=)( . Assim, uv λ= . Então, vuuTuTvT λλλλλ ==== )()()()( . Logo, λVv∈ . iii) Seja VS ≤ tal que 1dim =S . O subespaço S é T-invariante se e somente se existe um escalar R∈k tal que kssT =)( , para todo Ss ∈ . iv) Considere o conjunto Vuv ⊆},{ linearmente independente. ],[ uv é T-invariante se e somente se ],[)( uvvT ∈ e ],[)( uvuT ∈ . Exemplos: Considere os operadores: = 422 242 224 ][T , =′ 210 020 003 ][T e =′′ 100 011 011 ][T S T(S) )(ST ′ )(ST ′′ T-inv T ′ -inv T ′′ - inv { })0,0,0(=′= TKerKerT { })0,0,0( { })0,0,0( { })0,0,0( 9 9 9 3R=′= TT ImIm 3R 3R 3R 9 9 9 [ ])0,1,1(−=′′TKer [ ])0,1,1(− [ ])1,2,3(− { })0,0,0( 9 9 [ ])1,0,0(),0,1,1(Im =′′T [ ])1,0,0(),0,1,1( [ ])1,0,0(),0,2,3( T ′′Im 9 9 [ ])1,0,1(),0,1,1(2 −−=TV [ ])1,0,1(),0,1,1( −− [ ])1,2,0(),0,4,3( − [ ])1,1,1( −− 9 [ ])1,1,1(8 =TV [ ])1,1,1( [ ])3,2,3( [ ])1,2,2( 9 [ ])1,0,0(2 =′TV [ ])2,1,1( [ ])1,0,0( [ ])1,0,0( 9 9 [ ])0,0,1(3 =′TV [ ])1,1,2( [ ])0,0,1( [ ])0,1,1( 9 [ ])0,1,1(0 −=′′TV [ ])0,1,1(− [ ])1,2,3(− { })0,0,0( 9 9 [ ])1,0,0(1 =′′TV [ ])2,1,1( [ ])1,0,0( [ ])1,0,0( 9 9 [ ])0,1,1(2 =′′TV [ ])2,3,3( [ ])1,2,3( [ ])0,1,1( 9 27 ESPAÇOS VETORIAS COM PRODUTO INTERNO E OPERADORES LINEARES Considere V um R-espaço vetorial n dimensional munido de um produto interno e VVT →: um operador linear.. Operador Adjunto Teo91. Seja R→Vf : um funcional linear. Então, para todo Vv∈ existe um único vetor Vu ∈ tal que uvvf ,)( = . dem: (exist.) Sejam },...,{ 1 nvv uma base ortonormal de V e Vvvfvvfu nn ∈++= )(...)( 11 Considere },...,{ 1 ni vvv ∈ qualquer. nnii vvfvvfvuv )(...)(,, 11 ++= niniiii vvvfvvvfvvvf ,)(...,)(...,)( 11 ++++= )( ivf= Logo, para todo Vv∈ existe um único vetor Vu ∈ tal que uvvf ,)( = . (unic.) (RAA) Supor que exista uwVw ≠∈ , tal que wvvf ,)( = , para todo Vv∈ . Assim, wvuv ,, = Então, 0, =− wuv Em particular, vale a igualdade para wuv −= . Assim, 0, =−− wuwu sse Vwu 0=− sse wu = . Contradição. Logo, Vu ∈ é único. Teo92. Existe um único operador linear VVT →:* tal que )(,),( * wTvwvT = , para quaisquer Vwv ∈, . dem.: Seja Vw∈ qualquer e o funcional linear R→Vf : tal que wvTvf ),()( = Pelo Teo91, existe um único vetor Vu ∈ tal que uvvf ,)( = Assim, uvwvT ,),( = Considere VVT →:* tal que uwT =)(* Então, )(,),( * wTvwvT = *T é um operador linear, pois: (po+) )(,)(,),(),(),()(, *** vTvvTvvvTvvTvvvTvvTv ′′′+′′=′′′+′′=′+′′=′+′′ 28 Então, )()()( *** vTvTvvT ′+=′+ , para quaisquer Vvv ∈′, . (po.) )(,)(,),(),()(, *** vkTvvTvkvvTkkvvTkvTv ′=′=′=′=′ Então, )()( ** vkTkvT = , para quaisquer Vvk ∈∈ ,R . A unicidade de *T é uma decorrência da unicidade de u. O operador *T é denominado operador adjunto do operador T. Exemplo: Seja 22: RR →T tal que )8,3(),( yxxyxT −= . O operador 22* : RR →T tal que ),83(),(* yyxyxT −+= é o operador adjunto de T. Teo93. Seja α uma base ortonormal de V. Então tTT αα ][][ * = . Teo94. Sejam 21 e , TTT operadores lineares em V. Então: i) *2 * 1 * 21 )( TTTT +=+ ii) **)( TkTk ⋅=⋅ , para todo R∈k . iii) *1 * 2 * 21 )( TTTT oo = iv) TT =** )( v) ⊥= )(Im *TKerT dem.: (i) )(,)(,),(),(),()(),)(( *2 * 1212121 uTvuTvuvTuvTuvTvTuvTT +=+=+=+ ))((,)()(, *2 * 1 * 2 * 1 uTTvuTuTv +=+= Teo95. Seja VVT →: um operador linear e VS ≤ um subespaço T-invariante. Então ⊥S é T*-invariante. dem.: Sejam ⊥∈ Sv e Sw∈ . Tem-se, )(,),(* wTvwvT = . Como S é T-invariante, SwT ∈)( . Assim, 0)(, =wTv . Então, 0),(* =wvT . Isto é, ⊥∈ SvT )(* . Logo, ⊥S é T*-invariante. 29 Operadores Auto-Adjuntos O operador linear VVT →: é denominado operador auto-adjunto quando )(,),( uTvuvT = , para quaisquer Vuv ∈, , isto é, TT =* . Exemplos: 1) 22: RR →T tal que )4,42(),( yxyxyxT −+= 2) 33: RR →T tal que )2,23,(),,( yzyxyxzyxT −−+−−= Teo96. Sejam 21 e TT operadores lineares auto-adjuntos e R∈k . Então )( 21 TT + e )( 1Tk ⋅ também são operadores auto-adjuntos. dem: 21 * 2 * 1 * 21 )( TTTTTT +=+=+ , pelo Teo95 e por hipótese. TkTkTk ⋅=⋅=⋅ **1 )( , mesmas justificativas. Teo97. VVT →: um operador auto-adjunto se e somente α][T é uma matriz simétrica, qualquer que seja a base ortomormal α de V. Teo98. Seja VVT →: um operador auto-adjunto e rvv ,...,1 autovetores associados a autovalores distintos rλλ ,...,1 de T. Então .,,...1, , a ortogonal é jirjivv ji ≠= dem.: Como )(,)(,),( * jijiji vTvvTvvvT == . Tem-se, jjijii vvvv ⋅=⋅ λλ ,, . Assim, 0,, =⋅−⋅ jjijii vvvv λλ 0,, =− jijjii vvvv λλ 0,)( =− jiji vvλλ Por hipótese, ji λλ ≠ . Logo, 0, =ji vv . Teo99. Seja VVT →: um operador auto-adjunto. Então T possui um autovalor real, isto é, possui um autovetor não nulo. Teo100. Seja VVT →: um operador auto-adjunto e v um autovetor associado ao autovalor λ de T. Então os subespaços ][v e ⊥][v são T-invariantes. 30 Teorema Espectral para Operadores Auto-Adjuntos Seja V um R-espaço vetorial n dimensional munido de um produto interno e VVT →: um operador linear auto-adjunto. Então T é diagonalizável, isto é, existe uma base ortonormal α de autovetores de V tal que α][T é uma matriz diagonal. dem.: (indução em n) Base: 1dim =V Existe um autovetor VvVv 0≠∈ , , por Teo101. }{v é uma base de V. v v é uma base ortonormal de V. Passo: (HI) Supor de vale o teorema para espaços vetoriais com dimensão 1−n . Considere v um autovetor unitário de T, vide Teo99, e 1]dim[ =v . Mas, ⊥][v é um subespaço T-invariante, por Teo102. Então, ⊥⊥ →⊥ ][][:| ][ vvT v é um operador auto-adjunto. Pela hipótese de indução, existe uma base ortonormal },...,,{ 121 −= nvvvδ de autovetores de ⊥][v tal que δ]|[ ][ ⊥vT é uma matriz diagonal. Mas, ⊥⊕= ][][ vvV e ⊥+= ]dim[]dim[dim vvV . Logo, },,...,,{ 121 vvvv n− é uma base ortonormal de autovetores de V. O espectro de um operador linear é o conjunto de seus autovalores. 31 Operadores Ortogonais O operador linear VVT →: é denominado operador ortogonal quando uvuTvT ,)(),( = , isto é, 1* −= TT . Exemplos: 1) 22: RR →T tal que ),(),( xyyxT −= 2) 33: RR →T tal que ),,(),,( 2222666636333333 zyzyxzyxzyxT +−++−++= Teo101. Seja VVT →: um operador linear. São equivalentes: i) T é um operador ortogonal. ii) T transforma bases ortonormais em bases ortonormais. iii) T preserva produto interno, isto é, uvuTvT ,)(),( = , para quaisquer Vv,u∈ . iv) T preserva norma, isto é, vvT =)( , para todo Vv∈ . Teo102. Seja VVT →: um operador ortogonal. Então: i) T preserva distância. ii) Os únicos autovalores possíveis para T são 1± . iii) Autovetores de T são sempre ortogonais. iv) Se S é um subespaço vetorial T-invariante então ⊥S é T-invariante. Operadores Normais O operador linear VVT →: é denominado operador normal quando comuta com seu operador adjunto, isto é, TTTT oo ** = . Teo103. Seja VVT →: um operador normal. Então: i) )( Tk ⋅ também é um operador normal. ii) )()( * vTvT = , para todo Vv∈ . iii) Se λ é um autovalor de T então λ é um autovalor de *T . iv) T e *T possuem os mesmos autovetores. v) *KerTKerT = . vi) *ImIm TT = vii) TKerT Im)( =⊥ . Se V é C-espaço vetorial, o operador linear VVT →: tal que TT =* é denominado operador hermitiano e quando 1* −= TT , operador unitário. 32 Exercícios 1) Classifique os operadores. a) )52,22(),( yxyxyxT +−−= b) ),cossen,sencos(),,( zyxyxzyxT θθθθ +−= c) )3,,2(),,( zyzyxyxzyxT −+++= 2) Ache valores para x e y tais que − 01 yx seja ortogonal. 3) Dê exemplo de um operador auto-adjunto não ortogonal e vice-versa. 4) Dê exemplo de um operador normal que não é nem auto-adjunto nem ortogonal. 5) Se e são produtos internos sobre R2 e 22: RR →T um operador auto-adjunto em relação a então T também é auto-adjunto em relação a ? 6) Seja [ ] − −−= 142 454 241 T . Verifique que T é diagonalizável sem usar os critérios de diagonalização. 7) Considere VVT →: e VVU →: operadores lineares que comutam entre si. (C1) Se λ é um autovalor de T então λV é um subespaço U-invariante (C2) Existe um autovetor comum a T e a U. 9) Todo operador auto-adjunto é um operador normal. 10) Todo operador ortogonal é um operador normal. 33 Apêndice E – Algumas demonstrações Teo94. v) ⊥= )(Im *TKerT dem.: KerTv∈ sse VvT 0)( = sse 0),( =uvT , para todo Vu∈ sse 0)(, * =uTv , para todo Vu∈ sse )(* uTv ⊥ , para todo Vu∈ sse ⊥∈ )(Im *Tv Teo101. São equivalentes: i) T é um operador ortogonal. ii) T transforma bases ortonormais em bases ortonormais. iii) T preserva produto interno, isto é, uvuTvT ,)(),( = , para quaisquer Vv,u∈ . iv) T preserva norma, isto é, vvT =)( , para todo Vv∈ . dem.: i) → ii) { }nvv ,,1 K=α base ortonormal de V { })(,),()( 1 nvTvTT K=α base de V, pois T é isomorfismo 0,))((,))((,)(),( 1* ==== − jijijiji vvvTTvvTTvvTvT , por hipótese 1,))((,))((,)(),()( 21*2 ====== − iiiiiiiiii vvvvTTvvTTvvTvTvT , por hipótese )(αT base ortonormal de V ii) → iii) α e )(αT bases ortonormais de V nnvkvkv ++= K11 e nnvlvlu ++= K11 =++++= nnnn vlvlvkvkuv KK 1111 ,, =++++++ nnnnnnnn vvlkvvlkvvlkvvlk ,,,, 11111111 KKK =++++++ 1001 1111 nnnn lklklklk KKK nnlklk ++K11 )()()( 11 nn vTkvTkvT ++= K e )()()( 11 nn vTlvTluT ++= K =++++= )()(),()()(),( 1111 nnnn vTlvTlvTkvTkuTvT KK =++++++ )(),()(),()(),()(),( 11111111 nnnnnnnn vTvTlkvTvTlkvTvTlkvTvTlk KKK =++++++ 1001 1111 nnnn lklklklk KKK nnlklk ++K11 Assim, )(),(, uTvTuv = iii) → iv) 22 ,)(),()( vvvvTvTvT === iv) → i) ∴=−∴=∴=∴= 0,)),((,)),((,)(),()( ** vvvvTTvvvvTTvvvTvTvvT 0),)((0),())(( ** =−∴=− vvITTvvIvTT o Mas, ITTITTITT −=−=− )()()( ****** ooo , isto é, ITT −)( * o é OAA Então, 1*** )()( −=∴=∴=− TTITTITT oo 0 Analogamente, ITT =)( *o Logo, T é OO. Outros Teoremas: 1. 0),( =uvT , para quaisquer Vuv ∈, sse 0=T 2. 0),( =vvT , para todo Vv∈ sse TT −=* 34 3. Se T é OAA e 0),( =vvT , para todo Vv∈ então 0=T 4. Considere V um C-EVPI. 0),( =vvT , para todo Vv∈ sse 0=T Contra-exemplo para o caso real: Seja [ ] −= 01 10 T . 0),(),,(),(),,( =+−=−= xyxyyxxyyxyxT Mas, 0≠T Teo102. Se T é OO então: i) T preserva distância. ii) Os únicos autovalores possíveis para T são 1± . iii) Autovetores de T são sempre ortogonais. iv) Se S é um subespaço vetorial T-invariante então ⊥S é T-invariante. dem.: i) ))(),(()()()(),( uTvTduTvTuvTuvuvd =−=−=−= , por definição e T101iv ii) Vv∈ , Vv 0≠ , autovetor associado ao autovalor λ vvvvvTvT ,,)(),( 2λλλ == , por definição e prop´s PI, e vvvTvT ,)(),( = , por T101iii 112 ±=∴= λλ iii) Vuv ∈, , Vuv 0, ≠ , autovetores associados a autovalores distintos λλ ′≠ uvuvuTvT m,,)(),( ±=′= λλ e uvuTvT ,)(),( = , por T101iii 0,,, =∴=± uvuvuv m iv) ⊥∈ Sv e Ss∈ svTsTvT ′= ),()(),( , pois S é T-inv e 0,)(),( == svsTvT , por T101iii ⊥∈∴=′ SvTsvT )(0),( Teo103. Se T é ON então: i) )( Tk ⋅ é ON. ii) )()( * vTvT = , para todo Vv∈ . iii) Se λ é um autovalor de T então λ é um autovalor de *T . iv) T e *T possuem os mesmos autovetores. v) *KerTKerT = vi) *ImIm TT = vii) TKerT Im)( =⊥ . dem.: i) )))((())(())()(()])()[(())(()()()()( ****** vTTkkvkTkTvkTkTvkTkTvkTkTvkTkT ===== oo == )))((( * vTTkk ))(()()])()[(())()(())(( **** vkTkTvkTkTvkTkTvkTkT o=== ii) 2*****2 )()(),())((,))((,)(),()( vTvTvTvTTvvTTvvTvTvT ===== v) * 2*2 )(00,0)(),()( KerTvvTvTvTvTKerTv VV ∈∴====∴∈ vii) ⊥== )(ImIm * KerTTT 35 Formas Lineares, Bilineares e Quadráticas Considere V um R-espaço vetorial n-dimensional. Formas Lineares Qualquer transformação linear da forma R→Vf : é denominada um funcional linear ou forma linear. Exemplos: 1) RR →2:f tal que yxyxf +=),( 2) RR →3:f tal que zyxzyxf −+= 2),,( 3) RR →nf : tal que in xxxxf =),...,,( 21 com ni ≤≤1 Considere o conjunto ),( RVL ou ),( RVHom ou *V como sendo o conjunto de todos os funcionais de V em R. Assim, fica definido um novo espaço vetorial ],,,[ * ⋅+RV denominado espaço vetorial dual de V. O teorema 91 nos garante que para todo Vu∈ , a função R→Vfu : tal que >=< uvvfu ,)( é um funcional. Teo104. Os espaços V e *V são isomorfos, isto é, *: VVT → tal que vfvT =)( é um isomorfismo. Corol104. *dimdim VV = Formas Bilineares A função R→×VVf : é denominada uma forma bilinear quando para quaisquer Vwuv ∈,, e para todo R∈k , FB1. ),(),(),( wufwvfwuvf +=+ e ),(),(),( wvfuvfwuvf +=+ FB2. ).,(),(.),.( ukvfuvfkuvkf == Exemplos: 1) RRR →×:f tal que xyyxf =),( 2) RRR →× 22:f tal que ytxztzyxf 2)),(),,(( −= 3) R→×VVf : tal que >=< uvuvf ,),( Teo105. Sejam f e g formas bilineares sobre V e R∈k . Então )( gf + e ).( fk também são formas bilineares sobre V. Corol105: Seja )(VFB o conjunto de todas as formas bilineares sobre V. Então ],,),([ ⋅+RVFB é um espaço vetorial. 36 Formas Bilineares e Matrizes Teo106. Considere )(RnMatA∈ e α uma base de V. A função R→×VVf A : tal que ][][),( uAvuvf tA ⋅⋅= é uma forma bilinear. Teo107. A função )()(: VFBMatT n →R tal que AfAT =)( é uma transformação linear. Considere Vuv ∈, , },...,{ 1 nvv=α uma base de V e f uma forma bilinear. Assim, nn vkvkv ++= ...11 e nn vlvlu ++= ...11 . Então, )...,...(),( 1111 nnnn vlvlvkvkfuvf ++++= ),(...),(...),(...),( 11111111 nnnnnnnn vlvkfvlvkfvlvkfvlvkf ++++++= nnnnnnnn lvvfklvvfklvvfklvvfk ),(...),(...),(...),( 11111111 ++++++= ( ) ⋅ ⋅= nnnn n n l l vvfvvf vvfvvf kk ... ),()......,( .............................. ),()......,( ...... 1 1 111 1 α α αα ][][][ ufv t ⋅⋅= Logo, a cada forma bilinear é possível associar uma matriz quadrada. Uma forma bilinear R→×VVf : é denominada forma bilinear simétrica quando para quaisquer Vuv ∈, , ),(),( vufuvf = . Teo108. Seja α uma base de V. Uma forma bilinear f é simétrica se e somente se αα][ f é uma matriz simétrica. Formas Bilineares e Espaços Vetoriais com Produto Interno Considere V um R-espaço vetorial munido de um produto interno n dimensional. Teo109. Seja f uma forma bilinear. Então existe um único operador linear VVU →: tal que )(,),( uUvuvf = , para todo Vuv ∈, . Teo110. Os espaços )(VFB e )(VL são isomorfos, isto é, )()(: VLVFBT → tal que UfT =)( é um isomorfismo. Teo111. A forma bilinear f é simétrica se e somente se o operador linear U é um operador auto-adjunto. 37 Formas Quadráticas Considere uma forma bilinear simétrica R→×VVf : . A função R→VQ : tal que ),()( vvfvQ = é denominada forma quadrática associada a forma bilinear f. Notação matricial: α α αα ][][][)( vfvvQ t ⋅⋅= sendo α uma base de V. Exemplos: 1) Seja RRR →× 22:f tal que ytyzxtxztzyxf +−−= 55)),(),,(( e a base canônica do R2. A forma quadrática associada é RR →2:Q tal que )),(),,((),( yxyxfyxQ = 22 55 yxyxyx +−−= 22 10 yxyx +−= 2) Seja R→×VVf : uma forma bilinear simétrica e R→VQ : sua forma quadrática associada. ),()( uvuvfuvQ ++=+ ),(),(),(),( uufvufuvfvvf +++= ),(),(2),( uufuvfvvf ++= )(),(2)( uQuvfvQ ++= )]()()([),( 21 uQvQuvQuvf −−+= é denominada de forma polar de f. Uma forma quadrática R→VQ : é denominada forma quadrática positiva definida quando para todo VvVv 0≠∈ , , 0)( >vQ . Teo112. Seja VVT →: um operador auto-adjunto. Então R→VQ : tal que vvTvQ ),()( = é uma forma quadrática. Teorema de Sylvester: Lei da Inércia Seja f uma forma bilinear simétrica. Então existe uma base α de V tal que αα][ f é uma matriz diagonal e qualquer outra representação matricial diagonal de f possui a mesma quantidade p de elementos positivos (na diagonal) e a mesma quantidade q de negativos da matriz αα][ f . O posto da forma bilinear f é qpfrank +=)( e a assinatura é qpfsign −=)( . Corolário: Toda forma quadrática R→VQ : admite representação na forma 22 1 22 1 ......)( qppp xxxxvQ ++ −−−++= , com n≤+ qp . 38 Exemplo: Considere a forma bilinear simétrica = 422 242 224 ][ f na base canônica do R3. [ ])1,0,1(),0,1,1(},),,,{( e 2 21 −−=∈−−== RzyzyzyVλ [ ])1,1,1(}),,,{( e 8 82 =∈== RzzzzVλ { })1,1,1(),1,0,1(),0,1,1( −−=α base de autovetores: = 2400 042 024 ][ ααf ⊥= 82 VV , mas os vetores 2)1,0,1(),0,1,1( V∈−− não são ortogonais. Pelo processo de Gram-Schmidt, ( ) 22121 1,,),0,1,1( V∈−−− são vetores ortogonais. ( ){ })1,1,1(,1,,),0,1,1( 2121 −−−=β base ortogonal de autovetores: = 2400 030 004 ][ ββf ( ) ( ) ( ){ } 3 1 3 1 3 1 6 2 6 1 6 1 2 1 2 1 ,,,,,,0,, −−−=γ base ortonormal de autovetores. Desta forma, = 800 020 002 ][ γγf e 3)()( == fsignfrank . Lembrando que APPD 1−= , neste caso com P matriz ortogonal. Temos: − −− ⋅ ⋅ −− − = 3 1 6 2 3 1 6 1 2 1 3 1 6 1 2 1 3 1 3 1 3 1 6 2 6 1 6 1 2 1 2 1 0422 242 2240 800 020 002 . A forma quadrática Q associada à forma bilinear simétrica f é yzxzxyzyxzyxQ 444444),,( 222 +++++= , sua forma diagonalizada é 222 822),,( zyxzyxQ ′+′+′=′′′ , e, pelo Teorema de Sylvester, 222),,( ZYXZYXQ ++= . Observe que, ⋅ ⋅ = 8 1 2 1 2 1 2 1 2 1 2 1 00 00 00 800 020 002 00 00 00 100 010 001 . 39 Exercícios 1) Verifique se as funções abaixo definem formas bilineares: a) RRR →× 22:f tal que txtzyxf +=)),(),,(( b) RRR →× 22:f tal que ytxtyzxztzyxf 233)),(),,(( +++−= c) RRR →× )()(: 22 MatMatf tal que )..(),( BMAtrBAf t= sendo = 53 21 M 2) Considerando a base canônica do R2, indique a matriz ][ f sendo f o produto interno usual. 3) Sejam V um R-espaço vetorial n-dimensional e },...,{ 1 nvv=α uma base de V. A função )()(: RnMatVFBT →′ tal que αα][)( ffT =′ é uma transformação linear? 4) Seja RRR →× 22:f tal que yzxttzyxf −=)),(),,(( e )}1,1(),1,1{( −=α . Indique αα][ f . 5) Considere RRR →× 33:f cuja matriz associada a base canônica é −= 101 111 321 ][ f . Indique dois vetores 3, R∈uv tais que ),(),( vufuvf ≠ . 6) Considere o conjunto )(VFBS de todas as formas bilineares simétricas sobre V. )(VFBS é um subespaço de )(VFB ? 7) Todo produto interno é uma forma bilinear e vice-versa? Todo produto interno é uma forma bilinear simétrica e vice-versa? 8) Considere V um R-espaço vetorial e as formas bilineares f e g sobre V. A função R→×VVh : tal que )().(),( ugvfuvh = é uma forma bilinear? É simétrica? 9) Seja RRR →× 22:f tal que ytxztzyxf −= 3)),(),,(( . Indique a forma quadrática associada. 10) Seja RR →2:Q tal que 22 42),( yxyxyxQ −+= . Indique a forma bilinear f . 11) Seja RR →2:Q tal que 22 412),( yxyxyxQ −+= . Determine a base α do R2 tal que 22),( byaxyxQ += . Indique a forma bilinear f. 12) Se 1Q e 2Q são formas quadráticas associadas às formas bilineares simétricas 1f e 2f então ) ( 21 QQ + é a forma quadrática associada a forma bilinear simétrica ) ( 2 1 ff + ? 13) Seja f uma forma bilinear simétrica e Q sua forma quadrática associada. Então )]()([),( 41 uvQuvQuvf −−+= ? 14) A forma quadrática RR →2:Q dada pela matriz − 42 21 é positiva definida? 15) Como devem ser os autovalores de uma matriz associada a uma forma quadrática positiva definida? 16) Qual a relação entre produto interno e forma quadrática? 17) Qual o posto e a assinatura das formas bilineares −− − − 843 452 321 40 Apêndice F – Uma Aplicação Neste apêndice iremos considerar a base canônica α e α][][ vv = , as coordenadas do vetor v em relação a esta base. Forma Quadrática no R2 O polinômio cxybyaxyxQ 2),( 22 ++= com coeficientes reais é denominado forma quadrática no R2. A matriz simétrica real = bc ca A é a matriz da forma quadrática. ( ) ⋅ ⋅== y x bc ca yxvAvyxQ t ][][),( . A forma quadrática cxybyaxyxQ 2),( 22 ++= pode ser expressa de forma simplificada por 2 2 2 1),( yxyxQ ′+′=′′ λλ , sendo 1λ e 2λ os autovalores do operador auto-adjunto representado pela matriz simétrica A. ( ) ( ) ),(][][ 0 0 ][][),( 2 1 yxQvDv y x yx y x bc ca yxvAvyxQ tt ′′== ′ ′⋅ ⋅′′= ⋅ ⋅== ββλ λ Observe que ′ ′ y x são as coordenadas do vetor ),( yx em relação a base ortonormal β de autovetores. A forma 22 2 1),( yxyxQ ′+′=′′ λλ é denominada forma canônica da forma quadrática no R2 ou também forma quadrática diagonalizada. Exemplo: A matriz simétrica real − 312 124 define no R2 a forma quadrática xyyx 2434 22 +− . Assim, 4)0,1( =Q e 40)2,1( =Q . O operador linear associado a matriz − 312 124 possui autovalores 121 −=λ e 132 =λ . Esta forma quadrática pode ser expressa por 22 1312 yx ′+′− . A forma quadrática diagonalizada é obtida através de uma mudança de base. Deste modo, β β αα ][][][ vIv = , sendo βα][I a matriz mudança de base. As colunas da matriz βα][I são os autovetores e, conseqüentemente, uma matriz ortogonal. 41 Exemplo: Considerando o exemplo anterior, uma base ortonormal de autovetores é ( ) ( ){ }53545453 ,,,−=β . Assim, −= 5354 5 4 5 3 ][ βαI . Seja )2,1(=v , tem-se: ′ ′⋅ −= y x 5 3 5 4 5 4 5 3 2 1 . Resolvendo o sistema: =′+′− =′+′ 2 1 5 3 5 4 5 4 5 3 yx yx Obtém-se: 1−=′x e ∴=′ 2y −= 2 1 )]2,1[( β . Verificando, 40)2,1(2434),( 22 =∴+−= QxyyxyxQ 40)2,1(1312),( 22 =−∴′+′−=′′ QyxyxQ . Esta mudança do sistema XOY , cujos eixos são determinados pelos vetores da base canônica )}1,0(),0,1{( , para o sistema YOX ′′ , cujos eixos são determinados pelos vetores da base ortonormal β de autovetores, representa uma rotação de ângulo θ . Exemplo: Seja xyyxyxQ 69),( 22 ++= . A matriz simétrica associada é = 93 31 A . Os autovalores são 01 =λ e 102 =λ . Para 01 =λ , o autoespaço é }),,3{(0 R∈−= yyyV . Para 102 =λ , o autoespaço é }),3,{(10 R∈= xxxV . Assim, )}3,1(),1,3{(− é uma base de autovetores e ( ) ( ){ } 10 3 10 1 10 1 10 3 ,,,−=β uma base ortonormal de autovetores. A matriz −= 10 3 10 1 10 1 10 3 ][ βαI é tal que 1)]det([ =βαI . A forma quadrática diagonalizada é 22 100 yx ′+′ . 42 Cônicas É o conjunto de pontos do R2 cujas coordenadas x e y, em relação à base canônica, satisfazem à equação 0222 =+++++ feydxcxybyax , com 0≠a ou 0≠b ou 0≠c . Classificação Circunferência: 222 ryx =+ Elipse: 12 2 2 2 =+ b y a x ba > ba < Parábola: kxy =2 0>k 0<k kyx =2 (r,0) (0,r) (a,0) (0,b) (a,0) (0,b) 0>k 0<k 43 Hipérbole: 12 2 2 2 =− b y a x 0, >ba 12 2 2 2 =− b x a y 0, >ba Elipse Degenerada (ponto) 022 =+ byax 0, >ba Elipse ou Parábola Degenerada (conjunto vazio) 0222 =++ rbyax 0, >ba e 0≠r Parábola Degenerada (retas paralelas) 02 =− bax 0, >ba Parábola Degenerada (reta) 02 =x Hipérbole Degenerada (retas concorrentes) 02 2 2 2 =− b y a x 0, >ba 44 Equação Reduzida Considere a equação 0222 =+++++ feydxcxybyax . A equação reduzida é obtida da seguinte forma: 1. Eliminação do termo em xy . Escreve-se a equação na forma matricial: ( ) ( ) 0=+ ⋅+ ⋅ ⋅ f y x ed y x bc ca yx Calcula-se os autovalores 1λ e 2λ do operador linear representado pela matriz bc ca e os autovetores ortogonais unitários ),( 21111 xxu = e ),( 22122 xxu = . Obtém-se matriz mudança de base βα][I , a fim de se obter a rotação. Assim, ( ) ( ) 0 0 0 2221 1211 2 1 =+ ′ ′⋅ ⋅+ ′ ′⋅ ⋅′′ f y x xx xx ed y x yx λ λ Obtém-se a equação 022 2 1 =+′+′+′+′ iyhxgyx λλ em relação ao sistema YOX ′′ . 2. Translação do referencial YOX ′′ para o novo referencial YOX ′ , obtendo-se assim a equação reduzida da cônica. Exemplos: 1) 632 22 =+ yx 1 )2()3( 1 6 3 6 2 2 2 2 222 =+∴=+ yxyx , que é representada por uma de uma elipse. 2) 0126422 =+−−+ yxyx ∴=−++−++− 01312)96()44( 22 yyxx 1)3()2( 22 =−+− yx Fazendo uma translação de eixos, onde 2−=′ xx e 3−=′ yy , obtém-se 122 =′+′ yx , que é representada por uma circunferência de raio 1 e centro )3,2(=′O . y y′ 2 3 x x′ O′ 45 3) 0821224422 22 =−++++ yxxyyx Escrevendo na forma matricial: ( ) ( ) 0821224 22 22 =− ⋅+ ⋅ ⋅ y x y x yx Os autovalores são 01 =λ e 42 =λ e −= 2 1, 2 1, 2 1, 2 1β uma base ortonormal de autovetores. Assim, a equação acima pode ser reescrita: ( ) ( ) 08 2 1 2 1 2 1 2 1 21224 40 00 =− ′ ′⋅ − ⋅+ ′ ′⋅ ⋅′′ y x y x yx ∴=−′+′−′ 081684 2 yxy ∴=−′+′−′ 02422 yxy ∴=++′−+′+′ 0)422()44( 2 xyy 0)3(2)2( 2 =+′−+′ xy Fazendo uma translação para o referencial YOX ′ onde 3+′= xX e 2+′= yY , obtém-se a equação 022 =− XY , representada pela parábola. Classificação de Cônicas por Autovalores • Se 021 >λλ então a cônica é representada por uma elipse ou alguma das degenerações (ponto ou vazio). • Se 021 =λλ então a cônica é representada por uma parábola ou alguma das degenerações (ponto, vazio ou par de retas paralelas). • Se 021 <λλ então a cônica é representada por uma hipérbole ou sua degeneração (par de retas concorrentes). Y y′ -2 -3 X x′ 46 Exemplos: 1) 071343824916 22 =+−−−+ yxxyyx − −= 912 1216 A 0 25 0 0250)det( 21 2 12 =∴ = =∴=−∴=− λλλ λλλλIA A cônica é representada por uma parábola. 2) 02520343 22 =−+−− yxyyx −− −= 132 323A 0 3 5 01520)det( 21 2 12 <∴ −= =∴=−−∴=− λλλ λλλλIA A cônica é representada por uma hipérbole. Forma Quadrática no R3 O polinômio fyzexzdxyczbyaxzyxQ 222),,( 222 +++++= com coeficientes reais é denominado forma quadrática no R3. Como foi visto no caso R2, é possível reduzir uma forma quadrática R3 a uma forma canônica. ( ) ( ) ′ ′ ′ ⋅ ⋅′′′= ⋅ ⋅ z y x zyx z y x cfe fbd eda zyx 3 2 1 00 00 00 λ λ λ A forma 23 2 2 2 1 zyx ′+′+′ λλλ é denominada forma canônica da forma quadrática no R3 ou também forma quadrática diagonalizada. Quádricas É o conjunto de pontos do R3 cujas coordenadas x, y e z, em relação à base canônica, satisfazem à equação 0222222 =+++++++++ jizhygxfyzexzdxyczbyax , com edcba ,,,, ou 0≠f . 47 Classificação de Quádricas Elipsóide: 12 2 2 2 2 2 =++ c z b y a x Parabolóide Elíptico: 02 2 2 2 =++ cz b y a x Parabolóide Hiperbólico: 02 2 2 2 =+− cz b y a x Hiperbolóide de uma folha (ou face): 12 2 2 2 2 2 =−+ c z b y a x Hiperbolóide de duas folhas (ou faces): 12 2 2 2 2 2 =−− c z b y a x 48 Equação Reduzida Exemplos: 1) 0304216169364 222 =+−−−+ yxzyx Observe que esta equação não possui os termos em xy, xz e yz. Portanto, não é necessário fazer eliminação, faz-se somente a translação. 3049)6(36)4(4 222 −=−−+− zyyxx 324163049)96(36)44(4 222 ++−=−+−++− zyyxx 369)3(36)2(4 222 =−−+− zyx 1 4 )3( 9 )2( 222 =−−+− zyx Fazendo a translação dos eixos: 2−= xX , 3−= yY e zZ = , obtém-se: 1 49 2 2 2 =−+ ZYX 2) 03444444 222 =−+++++ yzxzxyzyx ( ) 03 422 242 224 =− ⋅ ⋅ z y x zyx −−= −= ∴= 6 2, 6 1, 6 1 0, 2 1, 2 1 2 2 1 1 v v λ e =∴= 3 1, 3 1, 3 18 32 vλ ( ) 03 800 020 002 =− ′ ′ ′ ⋅ ⋅′′′ z y x zyx 3822 222 =′+′+′ zyx ( ) ( ) ( ) 1283 2 2 2 3 2 2 2 3 2 =′+′+′ zyx Neste caso, não é necessário fazer translação. 3) 010022 =−+−+− zyxyx ( ) ( ) 0100110 010 100 001 =− ⋅−+ ⋅ − ⋅ z y x z y x zyx −= = ∴−= 2 1, 2 1,0 )0,0,1( 1 2 1 1 v v λ e =∴= 2 1, 2 1,01 32 vλ 49 ( ) ( ) 0100 0 0 001 110 100 010 001 2 1 2 1 2 1 2 1 =− ′ ′ ′ ⋅ − ⋅−+ ′ ′ ′ ⋅ − − ⋅′′′ z y x z y x zyx 0100 2 2222 =−′−′+′−′− yzyx Fazendo uma nova mudança de coordenadas para eliminar os termos lineares, obtém-se: 0100 2 1 2 1 2 2 2 =−+′+ +′−′− zyx Considerando xX ′= , 2 1+′= yY e zZ ′= . ( ) ( ) ( ) 122199 2 2 2 199 2 2 2 199 2 =+−− ZYX Classificação de Quádricas por Autovalores • Se os três autovalores são positivos então a quádrica é representada por um elipsóide. • Se dois autovalores são positivos e um é negativo então a quádrica é representada por hiperbolóide de uma folha. • Se um autovalor é positivo e dois são negativos então a quádrica é representada por hiperbolóide de duas folhas. Exemplos: 1) 0304216169364 222 =+−−−+ yxzyx 1 49 2 2 2 =−+ ZYX : hiperbolóide de uma folha. 2) 03444444 222 =−+++++ yzxzxyzyx ( ) ( ) ( ) 1283 2 2 2 3 2 2 2 3 2 =′+′+′ zyx : elipsóide. 3) 010022 =−+−+− zyxyx ( ) ( ) ( ) 122199 2 2 2 199 2 2 2 199 2 =+−− ZYX : um hiperbolóide de duas folhas. 50 Exercícios 1) Qual a matriz associada a forma quadrática xyyxyxQ 34),( 22 −+= ? 2) Seja RR →2:Q tal que xyyxyxQ 124),( 22 +−= . Determine uma base β tal que ′ ′= y x yx β)],[( e 22),( ybxayxQ ′+′=′′ . 3) Determinar a equação reduzida e o gênero das cônicas representadas pelas equações: a) 04 5 80 5 20485 22 =+−+−+ yxxyyx b) 0102527222 22 =+++++ yxxyyx c) 050201524916 22 =+−−−+ yxxyyx 4) Achar a equação reduzida e o gênero das quádricas: a) 03444444 222 =−+++++ yzxzxyzyx b) 0781812236 222 =+−−+−+ zyxzyx c) 01444233 222 =++−− xzyx d) 0246012124421077 222 =−++−+−−++ zyxyzxzxyzyx 51 Forma Canônica de Jordan Matriz por Blocos A matriz )(RmnMatA ×∈ é uma matriz por blocos quando consideramos sua partição em submatrizes, denominadas blocos. Notação: ][ ijAA = Exemplos: Partições de uma matriz. 3231 2221 1211 BB BB BB 4241 3231 2221 1211 CC CC CC CC 232221 131211 DDD DDD Observe que, A é uma matriz 45× , a blocagem ][ ijB é de ordem 23× , ][ ijC é 24× e ][ ijD é 32× . Já cada um dos blocos em si têm diferentes ordens, por exemplo, 22B é 22× , 32C é 11× e 11D é 23× . Considere duas matrizes por blocos de mesma ordem ][ ijAA = e ][ ijBB = que possuam a mesma quantidade de blocos e os blocos correspondentes têm a mesma ordem. Assim, ][][ ijij BABA +=+ e ][ ijAkAk ⋅=⋅ .Sejam duas matrizes por blocos ][ ikAA = , de ordem pn× , e ][ kjBB = , de ordem mp× , tais que o número de colunas de cada bloco ikA é igual ao número de linhas de cada bloco kjB . Assim, ][ ijCCBA ==⋅ , com ∑ = = p k kjikij BAC 1 . − − − 2501 1610 1001 0142 1131 − − − 2501 1610 1001 0142 1131 − − − 2501 1610 1001 0142 1131 52 Matriz Quadrada por Blocos Seja a matriz quadrada )(RnMatA∈ . Sua matriz por blocos ][ ijAA = é denominada matriz quadrada por blocos quando os blocos formam uma matriz quadrada e os blocos da diagonal são também matrizes quadradas. Exemplos: A primeira blocagem não é uma matriz quadrada por blocos, já a segunda é. Matriz Diagonal por Blocos A matriz quadrada por blocos ][ ijAA = é uma matriz diagonal por blocos quando os blocos que não pertencem à diagonal são todos matrizes nulas. Notação: ),,( 11 kkAADiagA K= , com nk ≤ . Exemplo: é uma matriz diagonal por blocos. Revendo Operadores Seja V um R-espaço vetorial n dimensional e VVT →: um
Compartilhar