Trabalhando com formas quadráticas na prática
Você vai precisar definir uma matriz simétrica, calcular os autovalores e interpretar o sinal deles para saber se a forma é definida positiva, negativa ou indefinida. É o processo básico, mas existem armadilhas que passam despercebidas até você errar em produção e perder horas voltando pra trás. Um detalhe que poucos ensinam é que o critério de Sylvester — aquele negócio dos menores principais — funciona muito bem em exercícios de livro, mas em problemas reais com números flutuantes ele é instável. Soma um pouco de erro numérico e um menor principal que deveria ser positivo vira algo ligeiramente negativo, e você conclui errado. Na prática, eu prefiro calcular os autovalores da matriz via decomposição espectral. É mais custoso computacionalmente, mas para matrizes até 10x10 não faz diferença prática e o resultado é confiável.
O que são formas quadrecas e por que elas existem
Uma forma quadrática é, essencialmente, um polinômio homogêneo de grau dois em várias variáveis. A expressão geral é xTAx, onde A é uma matriz simétrica e x é um vetor coluna. Parece abstrato até você ver que quase todo problema de otimização com restrição quadrática, análise de componentes principais, ou até a função de perda de um modelo linear com regularização Ridge pode ser escrito dessa maneira. O campo matemático por trás é simples: álgebra linear básica aplicada de forma consistente. O que as pessoas esquecem é que a matriz A não é única. Dá pra escrever a mesma forma quadrática com matrizes diferentes se você não impor simetria. Por convenção, sempre trabalhamos com a versão simétrica, onde cada termo fora da diagonal é dividido por dois. Se você construir A de forma ingênua — pegando os coeficientes diretos do polinômio — vai obter resultados errados. Eu já vi esse erro acontecendo em código de simulação, e a correção foi simplesmente forçar A = (A + AT)/2 antes de qualquer cálculo.
Outra coisa que gera confusão: o discriminante generalizado. Para duas variáveis, ax2 + 2bxy + cy2, o determinante da matriz associada (ac - b2) determina a classificação. Se for positivo, os autovalores têm o mesmo sinal; se for negativo, sinais opostos; se for zero, pelo menos um autovalor é nulo. Essa regra se generaliza, mas o determinante sozinho não basta para dimensões maiores. Em 3D ou mais, você precisa olhar o sinal de todos os autovalores, não apenas do produto deles.
Como classificar na prática
O fluxo que eu uso é direto. Monto a matriz simétrica, aplico um algoritmo de diagonalização numérica, e levo os autovalores pra uma lista. A classificação fica assim: Definida positiva: todos os autovalores estritamente maiores que zero. A forma quadrática é sempre positiva para qualquer vetor diferente do nulo. Isso aparece em problemas de minimização onde o Hessiano precisa ser positivo definido para garantir um mínimo local.
Definida negativa: todos os autovalores estritamente menores que zero. É o espelho do caso anterior. Máximos locais em otimização exigem isso. Indefinida: autovalores de sinais mistos. O ponto crítico é um ponto de sela. A maioria dos problemas não lineares que eu encontro tem essa configuração, então saber identificar rápido economiza tempo.
Semidefinida: alguns autovalores são zero, mas nenhum é negativo (ou positivo, no caso negativo). Esse é o caso mais chato porque o teste da segunda derivada não decide nada. Você precisa analizar termos de ordem superior ou usar outros métodos. Um exemplo concreto. Digamos que você tenha a forma f(x,y,z) = 3x2 + 3y2 + 3z2 + 4xy + 4xz. A matriz associada é:
👉 Clique no botão abaixo para saber mais sobre o assunto!
[[3, 2, 2], [2, 3, 0], [2, 0, 3]] Os autovalores dessa matriz são aproximadamente 7, 3 e 1. Todos positivos. Portanto a forma é definida positiva. Simples.
Agora imagine algo como f(x,y,z) = x2 + 2xy + y2 - z2. A matriz seria [[1,1,0],[1,1,0],[0,0,-1]], e os autovalores são 2, 0 e -1. Semidefinida negativa na subespaço relevante, mas indefinida no espaço todo. Classificação errada aqui leva a conclusões erradas em problemas de otimização restrita.
Aplicações reais onde formas quadráticas aparecem
Regularização em machine learning é um dos lugares mais comuns. O termo de penalidade lambda * ||w||2 no Ridge Regression é basicamente uma forma quadrática. A matriz associada é lambda vezes a identidade, então os autovalores são todos iguais a lambda. Isso garante que a função objetivo permaneça convexa, desde que lambda seja positivo. Se lambda for zero ou negativo, o problema perde convexeidade e o otimizador pode divergir. Em análise estrutural, energias de deformação em sistemas elásticos lineares são formas quadráticas das displaças nodais. A matriz de rigidez é exatamente a matriz da forma quadrática. Se os autovalores dessa matriz não forem todos positivos, a estrutura tem modos de rigidez zero — o que significa mecanismos internos ou colapso. Engenheiros verificam isso rotineiramente antes de rodar simulações.
Controle ótimo também depende disso. A função custo quadrática em LQR (Linear Quadratic Regulator) tem uma matriz Q que define o peso sobre o estado e uma matriz R sobre o controle. A equação de Riccati, que resolve o problema, é essencialmente uma equação diferencial que mantém a matriz de peso positivamente definida ao longo do tempo. Se Q não for semidefinida positiva, a solução pode não existir ou ser instável.
Problemas que aparecem com frequência
Um caso específico que eu enfrentei recentemente envolvia uma forma quadrática em 8 variáveis derivada de dados experimentais. A matriz estimada tinha autovalores muito próximos de zero — na faixa de 10-12 a 10-14 — o que tornava impossível decidir se a forma era semidefinida ou indefinida com ruído numérico. O critério de Sylvester dava menores principais oscilando entre positivo e negativo em funções diferentes. A solução foi adicionar um cutoff numérico: tratei autovalores com magnitude menor que 10-10 como zero. Isso estabilizou a classificação e permitiu prosseguir com a análise de sensitividade. Sem esse ajuste, qualquer conclusão sobre a natureza da forma quadrática seria duvidosa.
Outro problema comum é quando a matriz não é perfeitamente simétrica por causa de erros de arredondamento ou de construção manual. Um erro desses pode gerar autovalores complexos conjungados teoricamente inexistentes. Sempre force simetria antes de diagonalizar. A operação (A + AT)/2 resolve em menos de 1ms para matrizes pequenas.
Formas quadráticas: resumo do que importa
O essencial é entender que formas quadráticas são representações matriciais de polinômios de segundo grau, e que a classificação depende inteiramente dos autovalores da matriz simétrica associada. Não adianta decorar critérios — o que funciona na maioria dos cenários práticos é construir a matriz corretamente, diagonalizar numericamente e interpretar os autovalores com margin de erro consciente. Matrizes maiores que 20x20 podem exigir técnicas aproximadas, e nesse caso a decomposição de Cholesky ou métodos iterativos como Lanczos são alternativas viáveis. Se você está começando agora, pratique com matrizes 2x2 e 3x3 até dominar a relação entre coeficientes do polinômio e entradas da matriz. Depois avance para problemas de otimização com restrições quadráticas, que é onde o conceito mostra utilidade real. Não pule essa fase — a maioria dos erros em aplicações avançadas vem de uma compreensão superficial da construção matricial.
