SlideShare uma empresa Scribd logo
Notas de Aula - 30/11/2009




         Profo : José Sérgio Domingues


Universidade Estadual de Montes Claros - UNIMONTES

     Curso de Licenciatura Plena em Matemática
Sumário
1 Diagonalização de Matrizes                                                                 1

2 Diagonalização de Operadores                                                              2

3 Formas Bilineares e Quadráticas Reais                                                      4
  3.1   Formas Bilineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .    4
  3.2   Matriz de uma Forma Bilinear . . . . . . . . . . . . . . . . . . . . . . . . .       5
  3.3   Forma Bilinear Simétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . .     6
  3.4   Formas Quadráticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .     7

4 Forma Canônica de Jordan                                                                   8

5 Teorema Espectral                                                                         10
  5.1   Operadores Auto-Adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
  5.2   Teorema Espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

6 Referências                                                                               11
1 Diagonalização de Matrizes
Denição 1.1. Dizemos que uma matriz A, de ordem n, é diagonalizável, se existem
matrizes P e D tais que A = P DP −1 , ou equivalente, D = P −1 AP , em que D é uma
matriz diagonal.

Teorema 1.2. Seja A uma matriz de ordem n que tem n autovetores L.I (V1 , V2 , ..., Vn ),
associados a λ1 , λ2 , ..., λn , respectivamente. Então, as matrizes

                                                                                    
                                                              λ1    0     ···   0 
                                                                                   
                                                              0    λ2      0    0 
                                                                                   
                    P = [V1 V2 ... Vn ]          e       D=   .                  . 
                                                              .
                                                               .     0     ···    . 
                                                                                  . 
                                                           
                                                                                   
                                                               0    ···     0    λn

são tais que D = P −1 AP , ou seja, A é diagonalizável. Reciprocamente, se A é diagonal-
izável, então ela possui n autovetores L.I.
                                                                                    
                                                                           1 −1
Exemplo 1.3. Encontre as matrizes P e D, sendo A =                                   e verique que
                                                                          −4     1
A = P DP   −1
                .

   Os autovalores encontrados são λ1 = −1 e λ2 = 3. Seus respectivos autoespaços
associados são W1 = {(α, 2α) | α ∈ R} = {α(1, 2) | α ∈ R} e W2 = {(α, −2α) | α ∈
R} = {α(1, −2) | α ∈ R}.
   Observe que V1 = (1, 2) e V2 = (1, −2) são autovetores L.I. Portanto, de acordo com
o Teorema 1.2, temos que
                                                                         
                                     1   1                          −1 0
                            P =                    e    D=               .
                                     2 −2                            0 3
                                    
                            1   1
Além disso, P −1 =         2   4     e A = P DP −1 .
                            1
                            2
                                −1
                                 4

Teorema 1.4. Autovalores distintos possuem autovetores associados linearmente inde-
pendentes (L.I).

Corolário 1.5. Se V é um espaço vetorial de dimensão n e T : V → V é um operador
linear que possui n autovalores distintos, então V possui uma base cujos vetores são todos
autovetores de T.

                                                     1
Em outras palavras, o corolário nos garante que, se conseguirmos encontrar tantos
autovalores distintos quanto for a dimensão do espaço, podemos garantir a existência de
uma base de autovetores.



2 Diagonalização de Operadores
Denição 2.1. Dizemos que o operador linear T : V → V é um operador diagonalizável
se existe uma base de V cujos elementos são autovetores de T.

   Portanto, de acordo com o corolário acima, para vericar se um operador linear é di-
agonalizável, basta mostrar que a matriz associada a esse operador possui n autovalores
distintos.

Exemplo 2.2. Verique que T : R3 → R3 dado por T (x, y, z) = (3x−3y−4z, 3y+5z, −z),
não é diagonalizável.
   A matriz associada a esse operador linear em relação à base canônica é
                                                      
                                            3 −3 −4
                                                      
                                                      
                             A = [T ]α =  0
                                     α          3    5 
                                                      
                                            0   0 −1

portanto, o seu polinômio característico é dado por det(A − λI3 ) e seus autovalores são
as soluções da equação característica det(A − λI3 ). Para o nosso exemplo, temos
                                                                        
                    3 −3 −4   λ 0 0   3 − λ −3   −4                     
                                                                        
         A − λI3 =  0
                       3  5 − 0 λ 0 = 0
                                             3−λ   5                     
                                                                             
                                                                        
                     0  0 −1     0 0 λ       0    0  −1 − λ

   Então, P (λ) = 0 ⇐⇒ det(A − λI3 ) = (3 − λ)2 (−1 − λ) = 0 ⇐⇒ λ1 = 3 e λ2 = −1.

   • Para λ1 = 3, temos:
                                                        
                                                              
                                                               −3y − 4z = 0
                          0 −3 −4           x   0       
                                                              
                                                              
                                                
      (A − 3I3 )v = 0 ⇐⇒  0
                             0  5      
                                        
                                                  =  0  ⇐⇒
                                               y                   5z = 0
                                                        
                                                              
                                                              
                                                              
                           0  0 −4             z       0           − 4z = 0


                    ⇐⇒ x = α       e   y = z = 0.

      Portanto,

      W1 = {(α, 0, 0) | α ∈ R} = {α(1, 0, 0) | α ∈ R}

                                           2
• Para λ2 = −1, temos:

                                                         
                                                  
                                                   4x − 3y − 4z = 0
                      4 −3 −4   x   0       
                                                  
                                                  
                                 
                      0
     (A+I3 )v = 0 ⇐⇒     4      y  =  0  ⇐⇒
                             5                      4y + 5z = 0
                                            
                                                  
                                                  
                                                  
                       0  0  0     z       0                 0 = 0

                                 α
                   ⇐⇒ x =        16
                                    ,   y = −5α
                                             4
                                                      e   z = α.

     Portanto,

     W2 = {( 16 , − 5 α, α) | α ∈ R} = {α( 16 , − 5 , 1) | α ∈ R}
             α
                    4
                                           1
                                                  4


     Neste caso, temos apenas dois autovetores L.I para T , e portanto não existe uma
     base de R3 constituída só de autovetores de T . Isto signica este operador não é
     diagonalizável.


Exemplo 2.3. Mostre que T : R2 → R2 onde T (x, y) = (−3x + 4y, −x + 2y), é
diagonalizável.
   De acordo com o que estudamos anteriormente, para mostrar que T é diagonalizável,
basta vericar que a matriz associada a este operador linear possui o número de autoval-
ores distintos igual a 2, pois neste caso, V = R2 e dim(R2 ) = 2.
                                                                                        
                                                                                  −3 4
   Pois bem, em relação à base canônica α, temos que A = [T ]α = 
                                                             α
                                                                                         . Logo,
                                                                                  −1 2
                                                 
                                −3 − λ      4
det(A − λI2 ) = 0 ⇐⇒ det                          = 0 ⇐⇒ (−3 − λ)(2 − λ) + 4 = 0
                                 −1       2−λ

                  ⇐⇒ λ2 + λ − 2 = 0 ⇐⇒ λ1 = 1                      e   λ2 = −2.


   Como a matriz A possui dois autovalores distintos, pelo Corolário 1.5, V = R2
possui uma base formada por autovetores de T . E portanto, pela Denição 2.1, T é
diagonalizável.

Exemplo 2.4. No exemplo anterior, vimos que λ1 = 1 = λ2 = −2. O leitor pode vericar
que dois autovetores linearmente independentes associados a λ1 e λ2 são, respectivamente,
V1 = (1, 1) e V2 = (4, 1). Pelo Corolário 1.5, uma base de V = R2 é β = {V1 , V2 }.
Vamos encontrar [T ]β e observar de que tipo ela será.
                    β




                                                  3
T (V1 ) = T (1, 1) = (−3 + 4, −1 + 2) = (1, 1) = 1 · V1 + 0 · V2
   T (V2 ) = T (4, 1) = (−3 · 4 + 4 · 1, −4 + 2 · 1) = (−8, −2) = 0 · V1 − 2 · V2

   Portanto, concluímos que
                                                         
                                                  1   0
                                      [T ]β = 
                                          β
                                                          
                                                  0 −2

que é uma matriz diagonal, onde a diagonal principal é formada exatamente pelos auto-
valores de T .

   Isso não ocorreu por acaso, na realidade, a denição formal de operador diagonalizável,
vem da idéia de a partir de um operador linear T : V → V , conseguirmos encontrar uma
base β de V na qual a matriz do operador nesta base ([T ]β ) seja uma matriz diagonal,
                                                         β

que é a forma mais simples possível de se representar um operador.



3 Formas Bilineares e Quadráticas Reais

3.1 Formas Bilineares
Denição 3.1. Seja V um espaço vetorial real. Uma forma bilinear é uma aplicação
B : V XV → R denida por (v, w) → B(v, w) tal que:

   i. Para w xado, B(v, w) é uma forma linear em v , isto é,


                 B(v1 + v2 , w) = B(v1 , w) + B(v2 , w)       e   B(av, w) = aB(v, w)


  ii. Para v xado, B(v, w) é uma forma linear em w, isto é,


             B(v, w1 + w2 ) = B(v, w1 ) + B(v, w2 )           e   B(v, aw) = aB(v, w)


Exemplo 3.2. O produto usual de números reais, denido por P : R X R → R com
(x, y) → xy .
   Vamos vericar as duas propriedades para demonstrar que esta aplicação é bilinear.


   i. P (x1 + x2 , y) = (x1 + x2 )y = x1 y + x2 y = P (x1 , y) + P (x2 , y)

      P (ax, y) = axy = a(xy) = aP (x, y)



                                               4
ii. P (x, y1 + y2 ) = x(y1 + y2 ) = xy1 + xy2 = P (x, y1 ) + P (x, y2 )

      P (x, ay) = xay = a(xy) = aP (x, y)


Exemplo 3.3. Seja V um espaço vetorial com produto interno , . O operador linear
B : V X V → R denido por (v, w) → v, w é uma forma bilinear pelas propriedades
de produto interno.


3.2 Matriz de uma Forma Bilinear
Seja V um espaço vetorial e B : V X V → R uma forma bilinear. Se α = {v1 , ..., vn } é
uma base de V , podemos associar a B uma matriz ([B]α ), denominada matriz da forma
                                                    α

bilinear B , na base α, da seguinte forma:

   Como α é base de V , tomando v, w ∈ V podemos escrever


                                    v = x1 v1 + ... + xn vn
                                                e
                                    w = y1 v1 + ... + yn vn .


   Então,
                                                                             
                                         B(v1 , v1 ) · · ·   B(v1 , vn )     y
                                                                          1 
                                            .
                                             .        ..         .
                                                                 .         . 
            B(v, w) = [x1 ... xn ] ·        .           .       .       · . 
                                                                              .
                                                                             
                                         B(vn , v1 ) · · ·   B(vn , vn )     yn


Portanto,


                               B(v, w) = [v]α · [B]α · [w]α
                                                   α


Exemplo 3.4. Seja B : R2 X R2 → R a forma bilinear dada por B(v, w) = −x1 y1 +
2x2 y1 + 5x2 y2 onde v = (x1 , x2 ) e w = (y1 , y2 ). Então, se α = {e1 , e2 } é a base canônica
de R2 , temos:

   B(e1 , e1 ) = B((1, 0), (1, 0)) = −1 · 1 + 2 · 0 · 1 + 5 · 0 · 0 = −1
   B(e2 , e1 ) = B((0, 1), (1, 0)) = −0 · 1 + 2 · 1 · 1 + 5 · 1 · 0 = 2
   B(e1 , e2 ) = B((1, 0), (0, 1)) = −1 · 0 + 2 · 0 · 0 + 5 · 0 · 1 = 0
   B(e2 , e2 ) = B((0, 1), (0, 1)) = −0 · 0 + 2 · 1 · 0 + 5 · 1 · 1 = 5


                                                5
Então,
                                                                              
                                   B(e1 , e1 ) B(e1 , e2 )               −1 0
                       [B]α = 
                          α
                                                             =                 
                                   B(e2 , e1 ) B(e2 , e2 )               2   5
                                                     e
                                                              
                                           −1 0             y1
                B(v, w) = [x1 x2 ] ·                ·          = [v]α · [B]α · [w]α
                                                                               α
                                            2    5          y2



                                               
                                   −2 0 0
                                          
Exemplo 3.5. Seja M = 
                      
                                           
                                     4 2 0 . É possível associar a M uma forma bilinear
                                          
                                     0 0 2
B : R3 X R3 → R denida por
                                                                                         
                                                                     −2 0 0            y1
                                                                                  
                                                                                  
            B((x1 , x2 , x3 ), (y1 , y2 , y3 )) = [x1 x2 x3 ] ·      4 2 0  ·  y2 
                                                                                  
                                                                      0 0 2       y3

   Então,

              B((x1 , x2 , x3 ), (y1 , y2 , y3 )) = −2x1 y1 + 4x2 y1 + 2x2 y2 + 2x3 y3 .


3.3 Forma Bilinear Simétrica
Denição 3.6. Uma forma bilinear B : V X V → R é denominada forma bilinear
simétrica se B(v, w) = B(w, v), ∀ v, w ∈ V .

Exemplo 3.7. B(v, w) = v, w , onde , é um produto interno em V .

Exemplo 3.8. B : R2 X R2 → R dada por B(v, w) = −x1 y1 + 3x2 y1 + 3x1 y2 + 2x2 y2 ,
onde v = (x1 , x2 ) e w = (y1 , y2 ) (Verique!).

Exemplo 3.9. Vamos encontrar a matriz da forma bilinear acima, utilizando a base
canônica α, [B]α .
               α


   No exemplo acima, V = R2           =⇒ α = {e1 , e2 } é uma base de V . Logo,

   B(e1 , e1 ) = B((1, 0), (1, 0)) = −1 · 1 + 3 · 0 · 1 + 3 · 1 · 0 + 2 · 0 · 0 = −1

   B(e1 , e2 ) = B((1, 0), (0, 1)) = −1 · 0 + 3 · 0 · 0 + 3 · 1 · 1 + 2 · 0 · 1 = 3


                                                     6
B(e2 , e1 ) = B((0, 1), (1, 0)) = −0 · 1 + 3 · 1 · 1 + 3 · 0 · 0 + 2 · 1 · 0 = 3

   B(e2 , e2 ) = B((0, 1), (0, 1)) = −0 · 0 + 3 · 1 · 0 + 3 · 0 · 1 + 2 · 1 · 1 = 2

   Então,
                                                                        
                                 B(e1 , e1 ) B(e1 , e2 )           −1 3
                     [B]α = 
                        α
                                                           =             
                                 B(e2 , e1 ) B(e2 , e2 )           3   2


Observação 3.10. Observe que a matriz da forma bilinear que encontramos acima é
simétrica.


Teorema 3.11. Uma forma bilinear B : V X V → R é simétrica se, e somente se, [B]α
                                                                                α

é uma matriz simétrica.

Observação 3.12. A demonstração do teorema acima é trivial, e ca a cargo do leitor.


3.4 Formas Quadráticas
Denição 3.13. Seja V um espaço vetorial real e B : V X V → R uma forma bilinear
simétrica. A função Q : V → R denida por Q(v) = B(v, v) é chamada forma quadrática
associada a B .

Exemplo 3.14. Seja B : R3 X R3 → R dada por B(v, w) = x1 y1 + 2x2 y2 + 3x3 y3 +
x1 y2 + x2 y1 , onde v = (x1 , x2 , x3 ) e w = (y1 , y2 , y3 ). Facilmente, verica-se que B é
uma forma bilinear simétrica de R3 .
   A forma quadrática associada associada a B é a função


                     Q(v) = B(v, v) = x2 + 2x2 + 3x2 + x1 x2 + x2 x1
                                       1     2     3



                           = x2 + 2x2 + 3x2 + 2x1 x2
                              1     2     3


Exemplo 3.15. Associada ao produto interno usual de Rn , B : Rn X Rn → R com
B(v, w) = x1 y1 + x2 y2 + ... + xn yn (que obviamente é uma forma linear simétrica) está
a forma quadrática Q(v), dada por


                            Q(v) = B(v, v) = x2 + x2 + ... + x2
                                              1    2          n




                                                7
4 Forma Canônica de Jordan
Partição de uma Matriz em Blocos: Particionar uma matriz A qualquer em blocos,
signica dividir esta matriz em submatrizes.
                                              
                                           √
                                  1 −2      π
                                            3 
                                              
Exemplo 4.1.         Se A = 
                                  6 −7  2 −1 , uma das possíveis subdivisões de A é
                                               
                                              
                                  −7 −3 −9   0
                                             
                                           √
                                   1 −2  π  3             
                          
                                                  A11 A12
                        A=
                                  6 −7  2 −1  = 
                                              
                                                            ,
                                                  A13 A14
                                  −7 −3 −9  0

onde,                                                                                    
                                        √                 6 −7       2                 −1
   A11 =    1 −2 π         , A12 =       3   , A13 =                     e A14 =         ,
                                                         −7 −3 −9                       0


são os blocos da subdivisão da matriz original A.


   Já estudamos que nem todo operador linear T : V → V é diagonalizável, ou seja,
nem sempre existe uma base β de V tal que a matriz [T ]β é diagonal. Entretanto, para
                                                       β

várias aplicações, é suciente que exista uma base β tal que a matriz [T ]β tenha uma forma
                                                                          β

bem próxima da forma diagonal. Essa forma é denominada forma canônica de Jordan.



Denição 4.2. Uma matriz J , n xn, está na forma canônica de Jordan, se ela é da
forma
                                                                                           
                                                               λj 0 · · ·      0  0 
                                                          
               Jλ1     0   ···      0                                                
                                                        
                                                              1 λj · · ·      0 0 
              0      Jλ2 · · ·     0                                               
                                                              . . ...
                                                                 . .              . . 
                                                                                  . . 
    J =                                , em que Jλj    =      . .              . .
              .
               .       . ...
                       .            .
                                    .                                               
              .       .            .                                               
                                                              0       0 ···   λj 0 
                                                                                     
               0       0   · · · Jλk                                                 
                                                                 0       0 ···   1 λj

para j = 1, ..., k . Jλj é chamado bloco de Jordan.




                                                 8
                             
                        2   0        0     0
                                            
                                            
                   1       2        0     0 
                                            
Exemplo 4.3.    A=                           está na forma canônica de Jordan e é formada
                   0       1        2     0 
                                            
                                            
                    0       0        0     2

por dois blocos de Jordan, o primeiro sendo 3x3 e o segundo 1x1.


                                                 
                    5       0        0        0
                                      
                                      
                   1       5     0  0 
                                      
Exemplo 4.4.    B=                     está na forma canônica de Jordan e é formada
                                      
                   0       0    −3  0 
                                      
                    0       0     1 −3

por dois blocos de Jordan, ambos 2x2.


                                                     
                   −4           0        0  0 
                                              
                   1           −4        0  0 
                                              
Exemplo 4.5.    C=                             está na forma canônica de Jordan e é for-
                   0            1       −4  0 
                                              
                                              
                     0           0        1 −4

mada por apenas um bloco de Jordan.


                                           
                   7       0        0    0 
                                           
                   0       7        0    0 
                                           
Exemplo 4.6.    D=                          está na forma canônica de Jordan e é formada
                   0       0        7    0 
                                           
                                           
                    0       0        0    7

por 4 blocos 1x1.


                                            
                   2       0        0     0 
                                            
                   1       2        0     0 
                                            
Exemplo 4.7.    E=                           não está na forma canônica de Jordan. Pois
                   0       1        2     0 
                                            
                                            
                    0       0        1    −1

como os elementos da diagonal principal não são iguais, ela teria que ser formada por
pelo menos dois blocos de Jordan e [−1] deveria ser um bloco de Jordan 1x1.



                                                      9
5 Teorema Espectral

5.1 Operadores Auto-Adjuntos
Denição 5.1. Sejam U e V espaços vetoriais sobre R. Indicaremos por L(U, V ) o
conjunto das transformações lineares de U em V e se U = V , o conjunto dos operadores
lineares de U será denotado por L(U ).

Denição 5.2. Seja V um espaço vetorial euclidiano. Um operador T ∈ L(V ) se diz
auto-adjunto se


                                    T (v), w = v, T (w)


para quaisquer v, w ∈ V .



Exemplo 5.3. Seja T ∈ L(R2 ) dado por T (x, y) = (ax + by, bx + cy). Vamos mostrar
que T é um operador auto-adjunto.

    T (x, y), (z, y) = (ax + by, bx + cy), (z, y) = axz + byz + bxt + cyt.

Por outro lado,

    (x, y), T (z, y) = (x, y), (az + bt, bz + ct) = axz + bxt + byz + cyt.

   Portanto, T (x, y), (z, y) = (x, y), T (z, y) e consequentemente, T é um operador
auto-adjunto.


5.2 Teorema Espectral
Teorema 5.4 (Espectral). Para todo operador auto-adjunto T ∈ L(V ), sendo V um es-
paço vetorial de dimensão nita e munido de produto interno, existe uma base ortonormal
{v1 , v2 , ..., vn } ⊂ V formada por autovetores de T .




                                              10
6 Referências
[1] BOLDRINI, J. L (et al.). Álgebra Linear, 3a edição. Editora Harbra ltda. São Paulo, 1980.


[2] CALLIOLI, H. e ROBERTO C. Álgebra Linear e Aplicações - Nova Edição.


[3] LIMA, E.L. Álgebra Linear, 7a edição - Coleção Matemática Universitária - IMPA.


[4] LANG, S. Álgebra Linear - Editora Edgar Blucher Ltda, SP.


[4] SANTOS, R.J. Introdução à Álgebra Linear - Editora UFMG - Belo Horizonte.


[5] SANTOS, R.J. Álgebra Linear e Aplicações - Editora UFMG - Belo Horizonte.




                                             11

Mais conteúdo relacionado

Mais procurados

Aula fatorial
Aula fatorialAula fatorial
Geometria analítica distancia entre dois pontos
Geometria analítica distancia entre dois pontosGeometria analítica distancia entre dois pontos
Geometria analítica distancia entre dois pontos
Camila Oliveira
 
Função polinomial do 1º grau
Função polinomial do 1º grauFunção polinomial do 1º grau
Função polinomial do 1º grau
Jesrayne Nascimento
 
Monômios
MonômiosMonômios
Monômios
Faculdade Nobre
 
Geometria plana
Geometria planaGeometria plana
Geometria plana
slidericardinho
 
Ponto MáXimo E Ponto MíNimo
Ponto MáXimo E Ponto MíNimoPonto MáXimo E Ponto MíNimo
Ponto MáXimo E Ponto MíNimo
Luciane Antoniolli
 
Impulso e Quantidade de Movimento
Impulso e Quantidade de MovimentoImpulso e Quantidade de Movimento
Impulso e Quantidade de Movimento
Marco Antonio Sanches
 
Numeros complexos
Numeros complexosNumeros complexos
Numeros complexos
Luiza Kokkonen
 
Identificacao de conicas
Identificacao de conicasIdentificacao de conicas
Identificacao de conicas
Mario Santana
 
Slides- Progressão Geométrica
Slides- Progressão GeométricaSlides- Progressão Geométrica
Slides- Progressão Geométrica
Ketlin Cavane
 
Porcentagem
PorcentagemPorcentagem
Porcentagem
Letinha47
 
Polinomios
PolinomiosPolinomios
Polinomios
rosania39
 
Aula (Função quadrática)
Aula (Função quadrática)Aula (Função quadrática)
Aula (Função quadrática)
samuel vitor
 
Matrizes ppt
Matrizes pptMatrizes ppt
Matrizes ppt
Ariosvaldo Carvalho
 
TRIGONOMETRIA - TEORIA, APLICAÇÕES E EXERCÍCIOS RESOLVIDOS PASSO A PASSO
TRIGONOMETRIA - TEORIA, APLICAÇÕES E EXERCÍCIOS RESOLVIDOS PASSO A PASSOTRIGONOMETRIA - TEORIA, APLICAÇÕES E EXERCÍCIOS RESOLVIDOS PASSO A PASSO
TRIGONOMETRIA - TEORIA, APLICAÇÕES E EXERCÍCIOS RESOLVIDOS PASSO A PASSO
Danillo Rodrigues
 
Equacoes do 1 grau
Equacoes do 1 grauEquacoes do 1 grau
Equacoes do 1 grau
estrelaeia
 
Função.quadratica
Função.quadraticaFunção.quadratica
Função.quadratica
vaniaphcristina
 
Teorema de Tales
Teorema de TalesTeorema de Tales
Teorema de Tales
Marcela Miranda
 
Lista de exercícios ligações químicas
Lista de exercícios   ligações químicasLista de exercícios   ligações químicas
Lista de exercícios ligações químicas
Profª Alda Ernestina
 
Zero da função do 1º grau
Zero da função do 1º grauZero da função do 1º grau
Zero da função do 1º grau
Newton Sérgio Lima
 

Mais procurados (20)

Aula fatorial
Aula fatorialAula fatorial
Aula fatorial
 
Geometria analítica distancia entre dois pontos
Geometria analítica distancia entre dois pontosGeometria analítica distancia entre dois pontos
Geometria analítica distancia entre dois pontos
 
Função polinomial do 1º grau
Função polinomial do 1º grauFunção polinomial do 1º grau
Função polinomial do 1º grau
 
Monômios
MonômiosMonômios
Monômios
 
Geometria plana
Geometria planaGeometria plana
Geometria plana
 
Ponto MáXimo E Ponto MíNimo
Ponto MáXimo E Ponto MíNimoPonto MáXimo E Ponto MíNimo
Ponto MáXimo E Ponto MíNimo
 
Impulso e Quantidade de Movimento
Impulso e Quantidade de MovimentoImpulso e Quantidade de Movimento
Impulso e Quantidade de Movimento
 
Numeros complexos
Numeros complexosNumeros complexos
Numeros complexos
 
Identificacao de conicas
Identificacao de conicasIdentificacao de conicas
Identificacao de conicas
 
Slides- Progressão Geométrica
Slides- Progressão GeométricaSlides- Progressão Geométrica
Slides- Progressão Geométrica
 
Porcentagem
PorcentagemPorcentagem
Porcentagem
 
Polinomios
PolinomiosPolinomios
Polinomios
 
Aula (Função quadrática)
Aula (Função quadrática)Aula (Função quadrática)
Aula (Função quadrática)
 
Matrizes ppt
Matrizes pptMatrizes ppt
Matrizes ppt
 
TRIGONOMETRIA - TEORIA, APLICAÇÕES E EXERCÍCIOS RESOLVIDOS PASSO A PASSO
TRIGONOMETRIA - TEORIA, APLICAÇÕES E EXERCÍCIOS RESOLVIDOS PASSO A PASSOTRIGONOMETRIA - TEORIA, APLICAÇÕES E EXERCÍCIOS RESOLVIDOS PASSO A PASSO
TRIGONOMETRIA - TEORIA, APLICAÇÕES E EXERCÍCIOS RESOLVIDOS PASSO A PASSO
 
Equacoes do 1 grau
Equacoes do 1 grauEquacoes do 1 grau
Equacoes do 1 grau
 
Função.quadratica
Função.quadraticaFunção.quadratica
Função.quadratica
 
Teorema de Tales
Teorema de TalesTeorema de Tales
Teorema de Tales
 
Lista de exercícios ligações químicas
Lista de exercícios   ligações químicasLista de exercícios   ligações químicas
Lista de exercícios ligações químicas
 
Zero da função do 1º grau
Zero da função do 1º grauZero da função do 1º grau
Zero da função do 1º grau
 

Destaque

1928 d
1928 d1928 d
[Arquitetura] projetos de casas suomi
[Arquitetura] projetos de casas   suomi[Arquitetura] projetos de casas   suomi
[Arquitetura] projetos de casas suomiAlessandra Nascimento
 
Apostila de-algebra-linear-1235013869657841-2
Apostila de-algebra-linear-1235013869657841-2Apostila de-algebra-linear-1235013869657841-2
Apostila de-algebra-linear-1235013869657841-2
Alessandra Nascimento
 
CHP'NİN YAPTIKLARI AKP'NİN SATTIKLARI
CHP'NİN YAPTIKLARI AKP'NİN SATTIKLARICHP'NİN YAPTIKLARI AKP'NİN SATTIKLARI
CHP'NİN YAPTIKLARI AKP'NİN SATTIKLARI
guest1a1be5
 
Apostila de algebra linear
Apostila de algebra linearApostila de algebra linear
Apostila de algebra linear
Rogério Carriel
 
Vetores
VetoresVetores
Vetores
Jupira Silva
 
Vetores
VetoresVetores
Vetores
csijunior
 

Destaque (7)

1928 d
1928 d1928 d
1928 d
 
[Arquitetura] projetos de casas suomi
[Arquitetura] projetos de casas   suomi[Arquitetura] projetos de casas   suomi
[Arquitetura] projetos de casas suomi
 
Apostila de-algebra-linear-1235013869657841-2
Apostila de-algebra-linear-1235013869657841-2Apostila de-algebra-linear-1235013869657841-2
Apostila de-algebra-linear-1235013869657841-2
 
CHP'NİN YAPTIKLARI AKP'NİN SATTIKLARI
CHP'NİN YAPTIKLARI AKP'NİN SATTIKLARICHP'NİN YAPTIKLARI AKP'NİN SATTIKLARI
CHP'NİN YAPTIKLARI AKP'NİN SATTIKLARI
 
Apostila de algebra linear
Apostila de algebra linearApostila de algebra linear
Apostila de algebra linear
 
Vetores
VetoresVetores
Vetores
 
Vetores
VetoresVetores
Vetores
 

Semelhante a Álgebra Li

1943 d
1943 d1943 d
Algebra Linear cap 09
Algebra Linear cap 09Algebra Linear cap 09
Algebra Linear cap 09
Andrei Bastos
 
Lista matrizes 2_ano_2012_pdf
Lista matrizes 2_ano_2012_pdfLista matrizes 2_ano_2012_pdf
Lista matrizes 2_ano_2012_pdf
cristianomatematico
 
Algebra
AlgebraAlgebra
Cap. I - Fotogrametria II
Cap. I - Fotogrametria IICap. I - Fotogrametria II
Cap. I - Fotogrametria II
UFPR
 
Funções
FunçõesFunções
Funções
jasf13
 
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
Agnaldo Coelho
 
Autovalor autovetor
Autovalor autovetorAutovalor autovetor
Autovalor autovetor
Clóvis Batista dos Santos
 
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
Agnaldo Coelho
 
Apostila 1 calculo i
Apostila 1 calculo iApostila 1 calculo i
Apostila 1 calculo i
trigono_metrico
 
Apostila limites
Apostila limitesApostila limites
Apostila limites
Emerson Nascimento
 
1) matrizes 2012 (prevest)
1) matrizes 2012 (prevest)1) matrizes 2012 (prevest)
1) matrizes 2012 (prevest)
Márcio Queiroz
 
Aula 4 espaços vetoriais
Aula 4   espaços vetoriaisAula 4   espaços vetoriais
Aula 4 espaços vetoriais
Fernanda Paola Butarelli
 
Mat angulos retas
Mat angulos   retasMat angulos   retas
Mat angulos retas
trigono_metria
 
4. espacos vectoriais
4. espacos vectoriais4. espacos vectoriais
4. espacos vectoriais
Gerônimo Neto
 
A forma cannica de jordan
A forma cannica de jordanA forma cannica de jordan
A forma cannica de jordan
Jailson Nascimento
 
transformadalaplace-
transformadalaplace-transformadalaplace-
transformadalaplace-
Du Mucc
 
Integral multiplas
Integral multiplasIntegral multiplas
Integral multiplas
Sixto Guterres
 
Aula 1 integrais du e tr c_po_cci_ces
Aula 1  integrais du e tr c_po_cci_cesAula 1  integrais du e tr c_po_cci_ces
Aula 1 integrais du e tr c_po_cci_ces
Gabriela Di Mateos
 
2 equações
2 equações2 equações
2 equações
mobilesystem
 

Semelhante a Álgebra Li (20)

1943 d
1943 d1943 d
1943 d
 
Algebra Linear cap 09
Algebra Linear cap 09Algebra Linear cap 09
Algebra Linear cap 09
 
Lista matrizes 2_ano_2012_pdf
Lista matrizes 2_ano_2012_pdfLista matrizes 2_ano_2012_pdf
Lista matrizes 2_ano_2012_pdf
 
Algebra
AlgebraAlgebra
Algebra
 
Cap. I - Fotogrametria II
Cap. I - Fotogrametria IICap. I - Fotogrametria II
Cap. I - Fotogrametria II
 
Funções
FunçõesFunções
Funções
 
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
 
Autovalor autovetor
Autovalor autovetorAutovalor autovetor
Autovalor autovetor
 
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
Otimização no Armazenamento de Imagens por meio da Decomposição em Valores Si...
 
Apostila 1 calculo i
Apostila 1 calculo iApostila 1 calculo i
Apostila 1 calculo i
 
Apostila limites
Apostila limitesApostila limites
Apostila limites
 
1) matrizes 2012 (prevest)
1) matrizes 2012 (prevest)1) matrizes 2012 (prevest)
1) matrizes 2012 (prevest)
 
Aula 4 espaços vetoriais
Aula 4   espaços vetoriaisAula 4   espaços vetoriais
Aula 4 espaços vetoriais
 
Mat angulos retas
Mat angulos   retasMat angulos   retas
Mat angulos retas
 
4. espacos vectoriais
4. espacos vectoriais4. espacos vectoriais
4. espacos vectoriais
 
A forma cannica de jordan
A forma cannica de jordanA forma cannica de jordan
A forma cannica de jordan
 
transformadalaplace-
transformadalaplace-transformadalaplace-
transformadalaplace-
 
Integral multiplas
Integral multiplasIntegral multiplas
Integral multiplas
 
Aula 1 integrais du e tr c_po_cci_ces
Aula 1  integrais du e tr c_po_cci_cesAula 1  integrais du e tr c_po_cci_ces
Aula 1 integrais du e tr c_po_cci_ces
 
2 equações
2 equações2 equações
2 equações
 

Mais de José Sérgio Domingues

Publicação CN
Publicação CNPublicação CN
Publicação CN
José Sérgio Domingues
 
Congresso de ufu
Congresso de ufuCongresso de ufu
Congresso de ufu
José Sérgio Domingues
 
Boas Vindas!
Boas Vindas!Boas Vindas!
Exercício extra
Exercício extraExercício extra
Exercício extra
José Sérgio Domingues
 
Lista 1 ed
Lista 1   edLista 1   ed
Seminário de Criptografia_CCET
Seminário de Criptografia_CCETSeminário de Criptografia_CCET
Seminário de Criptografia_CCET
José Sérgio Domingues
 
Seminário ccet
Seminário ccetSeminário ccet
Seminário ccet
José Sérgio Domingues
 

Mais de José Sérgio Domingues (7)

Publicação CN
Publicação CNPublicação CN
Publicação CN
 
Congresso de ufu
Congresso de ufuCongresso de ufu
Congresso de ufu
 
Boas Vindas!
Boas Vindas!Boas Vindas!
Boas Vindas!
 
Exercício extra
Exercício extraExercício extra
Exercício extra
 
Lista 1 ed
Lista 1   edLista 1   ed
Lista 1 ed
 
Seminário de Criptografia_CCET
Seminário de Criptografia_CCETSeminário de Criptografia_CCET
Seminário de Criptografia_CCET
 
Seminário ccet
Seminário ccetSeminário ccet
Seminário ccet
 

Álgebra Li

  • 1. Notas de Aula - 30/11/2009 Profo : José Sérgio Domingues Universidade Estadual de Montes Claros - UNIMONTES Curso de Licenciatura Plena em Matemática
  • 2. Sumário 1 Diagonalização de Matrizes 1 2 Diagonalização de Operadores 2 3 Formas Bilineares e Quadráticas Reais 4 3.1 Formas Bilineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 3.2 Matriz de uma Forma Bilinear . . . . . . . . . . . . . . . . . . . . . . . . . 5 3.3 Forma Bilinear Simétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.4 Formas Quadráticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 4 Forma Canônica de Jordan 8 5 Teorema Espectral 10 5.1 Operadores Auto-Adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 5.2 Teorema Espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 6 Referências 11
  • 3. 1 Diagonalização de Matrizes Denição 1.1. Dizemos que uma matriz A, de ordem n, é diagonalizável, se existem matrizes P e D tais que A = P DP −1 , ou equivalente, D = P −1 AP , em que D é uma matriz diagonal. Teorema 1.2. Seja A uma matriz de ordem n que tem n autovetores L.I (V1 , V2 , ..., Vn ), associados a λ1 , λ2 , ..., λn , respectivamente. Então, as matrizes    λ1 0 ··· 0     0 λ2 0 0    P = [V1 V2 ... Vn ] e D= . .   . . 0 ··· .  .     0 ··· 0 λn são tais que D = P −1 AP , ou seja, A é diagonalizável. Reciprocamente, se A é diagonal- izável, então ela possui n autovetores L.I.   1 −1 Exemplo 1.3. Encontre as matrizes P e D, sendo A =   e verique que −4 1 A = P DP −1 . Os autovalores encontrados são λ1 = −1 e λ2 = 3. Seus respectivos autoespaços associados são W1 = {(α, 2α) | α ∈ R} = {α(1, 2) | α ∈ R} e W2 = {(α, −2α) | α ∈ R} = {α(1, −2) | α ∈ R}. Observe que V1 = (1, 2) e V2 = (1, −2) são autovetores L.I. Portanto, de acordo com o Teorema 1.2, temos que     1 1 −1 0 P =  e D= . 2 −2 0 3   1 1 Além disso, P −1 =  2 4  e A = P DP −1 . 1 2 −1 4 Teorema 1.4. Autovalores distintos possuem autovetores associados linearmente inde- pendentes (L.I). Corolário 1.5. Se V é um espaço vetorial de dimensão n e T : V → V é um operador linear que possui n autovalores distintos, então V possui uma base cujos vetores são todos autovetores de T. 1
  • 4. Em outras palavras, o corolário nos garante que, se conseguirmos encontrar tantos autovalores distintos quanto for a dimensão do espaço, podemos garantir a existência de uma base de autovetores. 2 Diagonalização de Operadores Denição 2.1. Dizemos que o operador linear T : V → V é um operador diagonalizável se existe uma base de V cujos elementos são autovetores de T. Portanto, de acordo com o corolário acima, para vericar se um operador linear é di- agonalizável, basta mostrar que a matriz associada a esse operador possui n autovalores distintos. Exemplo 2.2. Verique que T : R3 → R3 dado por T (x, y, z) = (3x−3y−4z, 3y+5z, −z), não é diagonalizável. A matriz associada a esse operador linear em relação à base canônica é   3 −3 −4     A = [T ]α =  0 α 3 5    0 0 −1 portanto, o seu polinômio característico é dado por det(A − λI3 ) e seus autovalores são as soluções da equação característica det(A − λI3 ). Para o nosso exemplo, temos        3 −3 −4   λ 0 0   3 − λ −3 −4        A − λI3 =  0  3 5 − 0 λ 0 = 0     3−λ 5         0 0 −1 0 0 λ 0 0 −1 − λ Então, P (λ) = 0 ⇐⇒ det(A − λI3 ) = (3 − λ)2 (−1 − λ) = 0 ⇐⇒ λ1 = 3 e λ2 = −1. • Para λ1 = 3, temos:         −3y − 4z = 0  0 −3 −4  x   0          (A − 3I3 )v = 0 ⇐⇒  0  0 5    =  0  ⇐⇒ y    5z = 0          0 0 −4 z 0  − 4z = 0 ⇐⇒ x = α e y = z = 0. Portanto, W1 = {(α, 0, 0) | α ∈ R} = {α(1, 0, 0) | α ∈ R} 2
  • 5. • Para λ2 = −1, temos:         4x − 3y − 4z = 0  4 −3 −4   x   0           0 (A+I3 )v = 0 ⇐⇒  4   y  =  0  ⇐⇒ 5     4y + 5z = 0          0 0 0 z 0  0 = 0 α ⇐⇒ x = 16 , y = −5α 4 e z = α. Portanto, W2 = {( 16 , − 5 α, α) | α ∈ R} = {α( 16 , − 5 , 1) | α ∈ R} α 4 1 4 Neste caso, temos apenas dois autovetores L.I para T , e portanto não existe uma base de R3 constituída só de autovetores de T . Isto signica este operador não é diagonalizável. Exemplo 2.3. Mostre que T : R2 → R2 onde T (x, y) = (−3x + 4y, −x + 2y), é diagonalizável. De acordo com o que estudamos anteriormente, para mostrar que T é diagonalizável, basta vericar que a matriz associada a este operador linear possui o número de autoval- ores distintos igual a 2, pois neste caso, V = R2 e dim(R2 ) = 2.   −3 4 Pois bem, em relação à base canônica α, temos que A = [T ]α =  α . Logo, −1 2   −3 − λ 4 det(A − λI2 ) = 0 ⇐⇒ det   = 0 ⇐⇒ (−3 − λ)(2 − λ) + 4 = 0 −1 2−λ ⇐⇒ λ2 + λ − 2 = 0 ⇐⇒ λ1 = 1 e λ2 = −2. Como a matriz A possui dois autovalores distintos, pelo Corolário 1.5, V = R2 possui uma base formada por autovetores de T . E portanto, pela Denição 2.1, T é diagonalizável. Exemplo 2.4. No exemplo anterior, vimos que λ1 = 1 = λ2 = −2. O leitor pode vericar que dois autovetores linearmente independentes associados a λ1 e λ2 são, respectivamente, V1 = (1, 1) e V2 = (4, 1). Pelo Corolário 1.5, uma base de V = R2 é β = {V1 , V2 }. Vamos encontrar [T ]β e observar de que tipo ela será. β 3
  • 6. T (V1 ) = T (1, 1) = (−3 + 4, −1 + 2) = (1, 1) = 1 · V1 + 0 · V2 T (V2 ) = T (4, 1) = (−3 · 4 + 4 · 1, −4 + 2 · 1) = (−8, −2) = 0 · V1 − 2 · V2 Portanto, concluímos que   1 0 [T ]β =  β  0 −2 que é uma matriz diagonal, onde a diagonal principal é formada exatamente pelos auto- valores de T . Isso não ocorreu por acaso, na realidade, a denição formal de operador diagonalizável, vem da idéia de a partir de um operador linear T : V → V , conseguirmos encontrar uma base β de V na qual a matriz do operador nesta base ([T ]β ) seja uma matriz diagonal, β que é a forma mais simples possível de se representar um operador. 3 Formas Bilineares e Quadráticas Reais 3.1 Formas Bilineares Denição 3.1. Seja V um espaço vetorial real. Uma forma bilinear é uma aplicação B : V XV → R denida por (v, w) → B(v, w) tal que: i. Para w xado, B(v, w) é uma forma linear em v , isto é, B(v1 + v2 , w) = B(v1 , w) + B(v2 , w) e B(av, w) = aB(v, w) ii. Para v xado, B(v, w) é uma forma linear em w, isto é, B(v, w1 + w2 ) = B(v, w1 ) + B(v, w2 ) e B(v, aw) = aB(v, w) Exemplo 3.2. O produto usual de números reais, denido por P : R X R → R com (x, y) → xy . Vamos vericar as duas propriedades para demonstrar que esta aplicação é bilinear. i. P (x1 + x2 , y) = (x1 + x2 )y = x1 y + x2 y = P (x1 , y) + P (x2 , y) P (ax, y) = axy = a(xy) = aP (x, y) 4
  • 7. ii. P (x, y1 + y2 ) = x(y1 + y2 ) = xy1 + xy2 = P (x, y1 ) + P (x, y2 ) P (x, ay) = xay = a(xy) = aP (x, y) Exemplo 3.3. Seja V um espaço vetorial com produto interno , . O operador linear B : V X V → R denido por (v, w) → v, w é uma forma bilinear pelas propriedades de produto interno. 3.2 Matriz de uma Forma Bilinear Seja V um espaço vetorial e B : V X V → R uma forma bilinear. Se α = {v1 , ..., vn } é uma base de V , podemos associar a B uma matriz ([B]α ), denominada matriz da forma α bilinear B , na base α, da seguinte forma: Como α é base de V , tomando v, w ∈ V podemos escrever v = x1 v1 + ... + xn vn e w = y1 v1 + ... + yn vn . Então,     B(v1 , v1 ) · · · B(v1 , vn ) y    1   . . .. . .   .  B(v, w) = [x1 ... xn ] ·  . . . · .  .     B(vn , v1 ) · · · B(vn , vn ) yn Portanto, B(v, w) = [v]α · [B]α · [w]α α Exemplo 3.4. Seja B : R2 X R2 → R a forma bilinear dada por B(v, w) = −x1 y1 + 2x2 y1 + 5x2 y2 onde v = (x1 , x2 ) e w = (y1 , y2 ). Então, se α = {e1 , e2 } é a base canônica de R2 , temos: B(e1 , e1 ) = B((1, 0), (1, 0)) = −1 · 1 + 2 · 0 · 1 + 5 · 0 · 0 = −1 B(e2 , e1 ) = B((0, 1), (1, 0)) = −0 · 1 + 2 · 1 · 1 + 5 · 1 · 0 = 2 B(e1 , e2 ) = B((1, 0), (0, 1)) = −1 · 0 + 2 · 0 · 0 + 5 · 0 · 1 = 0 B(e2 , e2 ) = B((0, 1), (0, 1)) = −0 · 0 + 2 · 1 · 0 + 5 · 1 · 1 = 5 5
  • 8. Então,     B(e1 , e1 ) B(e1 , e2 ) −1 0 [B]α =  α =  B(e2 , e1 ) B(e2 , e2 ) 2 5 e     −1 0 y1 B(v, w) = [x1 x2 ] ·  ·  = [v]α · [B]α · [w]α α 2 5 y2   −2 0 0   Exemplo 3.5. Seja M =    4 2 0 . É possível associar a M uma forma bilinear   0 0 2 B : R3 X R3 → R denida por     −2 0 0 y1         B((x1 , x2 , x3 ), (y1 , y2 , y3 )) = [x1 x2 x3 ] ·  4 2 0  ·  y2      0 0 2 y3 Então, B((x1 , x2 , x3 ), (y1 , y2 , y3 )) = −2x1 y1 + 4x2 y1 + 2x2 y2 + 2x3 y3 . 3.3 Forma Bilinear Simétrica Denição 3.6. Uma forma bilinear B : V X V → R é denominada forma bilinear simétrica se B(v, w) = B(w, v), ∀ v, w ∈ V . Exemplo 3.7. B(v, w) = v, w , onde , é um produto interno em V . Exemplo 3.8. B : R2 X R2 → R dada por B(v, w) = −x1 y1 + 3x2 y1 + 3x1 y2 + 2x2 y2 , onde v = (x1 , x2 ) e w = (y1 , y2 ) (Verique!). Exemplo 3.9. Vamos encontrar a matriz da forma bilinear acima, utilizando a base canônica α, [B]α . α No exemplo acima, V = R2 =⇒ α = {e1 , e2 } é uma base de V . Logo, B(e1 , e1 ) = B((1, 0), (1, 0)) = −1 · 1 + 3 · 0 · 1 + 3 · 1 · 0 + 2 · 0 · 0 = −1 B(e1 , e2 ) = B((1, 0), (0, 1)) = −1 · 0 + 3 · 0 · 0 + 3 · 1 · 1 + 2 · 0 · 1 = 3 6
  • 9. B(e2 , e1 ) = B((0, 1), (1, 0)) = −0 · 1 + 3 · 1 · 1 + 3 · 0 · 0 + 2 · 1 · 0 = 3 B(e2 , e2 ) = B((0, 1), (0, 1)) = −0 · 0 + 3 · 1 · 0 + 3 · 0 · 1 + 2 · 1 · 1 = 2 Então,     B(e1 , e1 ) B(e1 , e2 ) −1 3 [B]α =  α =  B(e2 , e1 ) B(e2 , e2 ) 3 2 Observação 3.10. Observe que a matriz da forma bilinear que encontramos acima é simétrica. Teorema 3.11. Uma forma bilinear B : V X V → R é simétrica se, e somente se, [B]α α é uma matriz simétrica. Observação 3.12. A demonstração do teorema acima é trivial, e ca a cargo do leitor. 3.4 Formas Quadráticas Denição 3.13. Seja V um espaço vetorial real e B : V X V → R uma forma bilinear simétrica. A função Q : V → R denida por Q(v) = B(v, v) é chamada forma quadrática associada a B . Exemplo 3.14. Seja B : R3 X R3 → R dada por B(v, w) = x1 y1 + 2x2 y2 + 3x3 y3 + x1 y2 + x2 y1 , onde v = (x1 , x2 , x3 ) e w = (y1 , y2 , y3 ). Facilmente, verica-se que B é uma forma bilinear simétrica de R3 . A forma quadrática associada associada a B é a função Q(v) = B(v, v) = x2 + 2x2 + 3x2 + x1 x2 + x2 x1 1 2 3 = x2 + 2x2 + 3x2 + 2x1 x2 1 2 3 Exemplo 3.15. Associada ao produto interno usual de Rn , B : Rn X Rn → R com B(v, w) = x1 y1 + x2 y2 + ... + xn yn (que obviamente é uma forma linear simétrica) está a forma quadrática Q(v), dada por Q(v) = B(v, v) = x2 + x2 + ... + x2 1 2 n 7
  • 10. 4 Forma Canônica de Jordan Partição de uma Matriz em Blocos: Particionar uma matriz A qualquer em blocos, signica dividir esta matriz em submatrizes.   √  1 −2 π 3    Exemplo 4.1. Se A =   6 −7 2 −1 , uma das possíveis subdivisões de A é    −7 −3 −9 0   √ 1 −2 π 3       A11 A12 A=  6 −7 2 −1  =   ,   A13 A14 −7 −3 −9 0 onde,     √ 6 −7 2 −1 A11 = 1 −2 π , A12 = 3 , A13 =   e A14 =  , −7 −3 −9 0 são os blocos da subdivisão da matriz original A. Já estudamos que nem todo operador linear T : V → V é diagonalizável, ou seja, nem sempre existe uma base β de V tal que a matriz [T ]β é diagonal. Entretanto, para β várias aplicações, é suciente que exista uma base β tal que a matriz [T ]β tenha uma forma β bem próxima da forma diagonal. Essa forma é denominada forma canônica de Jordan. Denição 4.2. Uma matriz J , n xn, está na forma canônica de Jordan, se ela é da forma     λj 0 · · · 0 0   Jλ1 0 ··· 0         1 λj · · · 0 0   0 Jλ2 · · · 0       . . ... . . . .  . .  J = , em que Jλj = . . . .  . . . ... . . .     . . .       0 0 ··· λj 0    0 0 · · · Jλk   0 0 ··· 1 λj para j = 1, ..., k . Jλj é chamado bloco de Jordan. 8
  • 11.  2 0 0 0      1 2 0 0    Exemplo 4.3. A=  está na forma canônica de Jordan e é formada  0 1 2 0      0 0 0 2 por dois blocos de Jordan, o primeiro sendo 3x3 e o segundo 1x1.   5 0 0 0      1 5 0 0    Exemplo 4.4. B=  está na forma canônica de Jordan e é formada    0 0 −3 0    0 0 1 −3 por dois blocos de Jordan, ambos 2x2.    −4 0 0 0     1 −4 0 0    Exemplo 4.5. C=  está na forma canônica de Jordan e é for-  0 1 −4 0      0 0 1 −4 mada por apenas um bloco de Jordan.    7 0 0 0     0 7 0 0    Exemplo 4.6. D=  está na forma canônica de Jordan e é formada  0 0 7 0      0 0 0 7 por 4 blocos 1x1.    2 0 0 0     1 2 0 0    Exemplo 4.7. E=  não está na forma canônica de Jordan. Pois  0 1 2 0      0 0 1 −1 como os elementos da diagonal principal não são iguais, ela teria que ser formada por pelo menos dois blocos de Jordan e [−1] deveria ser um bloco de Jordan 1x1. 9
  • 12. 5 Teorema Espectral 5.1 Operadores Auto-Adjuntos Denição 5.1. Sejam U e V espaços vetoriais sobre R. Indicaremos por L(U, V ) o conjunto das transformações lineares de U em V e se U = V , o conjunto dos operadores lineares de U será denotado por L(U ). Denição 5.2. Seja V um espaço vetorial euclidiano. Um operador T ∈ L(V ) se diz auto-adjunto se T (v), w = v, T (w) para quaisquer v, w ∈ V . Exemplo 5.3. Seja T ∈ L(R2 ) dado por T (x, y) = (ax + by, bx + cy). Vamos mostrar que T é um operador auto-adjunto. T (x, y), (z, y) = (ax + by, bx + cy), (z, y) = axz + byz + bxt + cyt. Por outro lado, (x, y), T (z, y) = (x, y), (az + bt, bz + ct) = axz + bxt + byz + cyt. Portanto, T (x, y), (z, y) = (x, y), T (z, y) e consequentemente, T é um operador auto-adjunto. 5.2 Teorema Espectral Teorema 5.4 (Espectral). Para todo operador auto-adjunto T ∈ L(V ), sendo V um es- paço vetorial de dimensão nita e munido de produto interno, existe uma base ortonormal {v1 , v2 , ..., vn } ⊂ V formada por autovetores de T . 10
  • 13. 6 Referências [1] BOLDRINI, J. L (et al.). Álgebra Linear, 3a edição. Editora Harbra ltda. São Paulo, 1980. [2] CALLIOLI, H. e ROBERTO C. Álgebra Linear e Aplicações - Nova Edição. [3] LIMA, E.L. Álgebra Linear, 7a edição - Coleção Matemática Universitária - IMPA. [4] LANG, S. Álgebra Linear - Editora Edgar Blucher Ltda, SP. [4] SANTOS, R.J. Introdução à Álgebra Linear - Editora UFMG - Belo Horizonte. [5] SANTOS, R.J. Álgebra Linear e Aplicações - Editora UFMG - Belo Horizonte. 11