Exerc´ıcios
1.5 Auto-Valores e Auto-Vetores
-R
R 6 6
-Figura 1.4
Comoy, v0∈E0tamb´emv0−y∈E0e ´e portanto ortogonal av−v0. Assim, obtemos, sucessivamente:
(v−y, v−y) = (v−y+v0−v0, v−y+v0−v0)
= (v−v0, v−v0) + 2 (v−v0, v0−y) + (v0−y, v0−y). Portanto:
kv−yk2 =kv−v0k2 + kv0−yk2 . (1.21) Como, por hip´otese,y 6=v0, conclu´ımos que kv0−y k > 0. Da´ı, e da igualdade (1.21), obtemos, finalmente:
kv−yk >kv−v0k .
Assim, a desigualdade (1.20) mostra que a proje¸c˜ao ortogonal v0 de v sobre E0 ´e tal que a menor distˆancia dev sobreE0 ´e a distˆancia deva v0.
Exerc´ıcios
1.23 - Sejax= (1, 7, 10)t um vetor do IR3 em rela¸c˜ao `a base canˆonica. Considere o sub-espa¸coE0 doIR3, gerado pelos vetoresf1= (1, 1, 0)tef2= (0, 1, 1)t. Determine a proje¸c˜ao ortogonal dexsobre E0.
1.24 - SejaE=C[0,1], com(f, g) =R1
0 f(x)g(x)dx. SejaK2(x)o sub-espa¸co dos polinˆomios de grau
≤2. O conjunto{Q0(x) = 3, Q1(x) =x−3, Q2(x) =x2−x}constitui uma base deK2(x). Determinar a proje¸c˜ao ortogonal def(x) = 1
x4 sobrek2(x).
1.5 Auto-Valores e Auto-Vetores
Nessa se¸c˜ao, investigaremos a teoria de um operador linearT numK-espa¸co vetorialV de dimens˜ao finita. Tamb´em associaremos um polinˆomio ao operadorT: seu polinˆomio caracter´ıstico. Esse polinˆomio e suas ra´ızes desempenham papel proeminente na investiga¸c˜ao de T. Apresentaremos tamb´em alguns conceitos que ser˜ao de grande utilidade na obten¸c˜ao de m´etodos para determina¸c˜ao num´erica de auto-valores e auto-vetores de matrizes.
Defini¸c˜ao 1.15 - Umatransforma¸c˜ao linearT de umK-espa¸co vetorialV em um K-espa¸co vetorial U, T :V →U, ´e uma correspondˆencia que associa a cada vetorx deV um vetorT(x)em U de modo que:
T(αx+βy) = αT(x) +βT(y),∀x, y∈V,∀α, β∈K.
Em particular, seU =V, ent˜ao dizemos queT ´e um operador linearnumK-espa¸co vetorial V. Defini¸c˜ao 1.16 - Um escalarλ∈K ´e umauto-valordeT se existe um vetorn˜ao nulov∈V tal que:
T(v) =λ v .
Todo vetorv satisfazendo essa rela¸c˜ao ´e um auto-vetordeT correspondente ao auto-valorλ.
Observa¸c˜oes:
1. Se λ´e um auto-valor de T, ent˜ao o operador linear pode apenas variar o m´odulo e o sentido do vetor, nunca sua dire¸c˜ao.
2. Os termos valor caracter´ıstico e vetor caracter´ıstico (ou valor pr´oprio e vetor pr´oprio) s˜ao frequen-temente usados ao inv´es de auto-valor e auto-vetor.
Daremos a seguir alguns exemplos.
Exemplo 1.18 - Seja I:V →V o operador identidade ondeV = IRn. Determinar seus auto-valores e auto-vetores.
Solu¸c˜ao: Para cadav∈V, temos que:
I(v) = v = 1·v .
Portanto,1´e auto-valor deIe todo vetor n˜ao nulo emV ´e um auto-vetor correspondente ao auto-valor 1.
Exemplo 1.19 - Seja D : V →V o operador diferencial onde V ´e o espa¸co vetorial das fun¸c˜oes dife-renci´aveis. Determinar um auto-valor deD e seu correspondente auto-vetor.
Solu¸c˜ao: Temos queekt∈V, e, sabemos que:
D ekt
=k ekt .
Logo,k´e um auto-valor deD eekt ´e auto-vetor deD correspondente ao auto-valork.
Exemplo 1.20 - Seja T : IR2 → IR2 o operador linear que gira cada vetor v ∈ IR2 de um ˆangulo ψ.
Determinar os auto-valores e correspondentes auto-vetores nos seguintes casos:
a)ψ = 2nπ , b)ψ = (2n+ 1)π , c)ψ =
2n+ 1 2
π .
Solu¸c˜ao: Temos que o operador linear que gira cada vetor de um ˆangulo ψ ´e dado por uma matriz chamadamatriz de rota¸c˜ao. No caso em queV = IR2 essa matriz ´e dada por:
T =
cos ψ sen ψ
−sen ψ cosψ
.
Sejav ∈ IR2, ent˜aov = (v1, v2)t. Podemos considerar nos trˆes casos n= 1, visto que para valores maiores denteremos apenas um n´umero maior de rota¸c˜oes. Assim, para:
a) ψ = 2π, temos:
cos2π sen2π
−sen2π cos2π
v1 v2
= v1
v2
= 1 v1
v2
,
b) ψ = 3π, temos: Logo, os auto-valores deT s˜ao:
1se ψ = 2nπ , −1se ψ = (2n+ 1)π ,
e em ambos os casos todo vetor n˜ao nulo do IR2 ´e auto-vetor de T. Se ψ = ( 2n+ 1
2 )π, T n˜ao tem auto-valores e portantoT n˜ao tem auto-vetores. Observe que neste caso o operador linear est´a variando a dire¸c˜ao do vetor.
SeA´e uma matriz quadradan×nsobreK, ent˜ao um auto-valor deAsignifica um auto-valor deA encarado como operador em Kn. Isto ´e,λ∈K ´e um auto-valor deAse, para algum vetor (coluna) n˜ao Determinar os auto-valores e auto-vetores deA.
Solu¸c˜ao: Procuramos um escalarλe um vetor n˜ao nulov = (v1, v2)ttais queAv = λv. Assim: A equa¸c˜ao matricial acima ´e equivalente ao sistema homogˆeneo:
3v1 + 4v2 = λv1 2v1 + v2 = λv2 ou
(3−λ)v1 + 4v2 = 0
2v1 + (1−λ)v2 = 0 (1.22) Para que o sistema homogˆeneo tenha solu¸c˜ao n˜ao nula, o determinante da matriz dos coeficientes deve ser igual a zero. Logo:
ao auto-valorλ= 5. Qualquer outro auto-vetor correspondente aλ= 5 ´e um m´ultiplo dev.
Fazendoλ=−1 em (1.22), obtemos:
4v1 + 4v2 = 0 2v1 + 2v2 = 0
ou simplesmente, v1+v2= 0⇒v1=−v2. Assim v= (v1, v2)t= (1, −1)t´e um auto-vetor correspon-dente ao auto-valorλ=−1 e novamente, qualquer outro auto-vetor correspondente aλ−1 ´e um m´ultiplo dev.
Defini¸c˜ao 1.17 - Dada uma matriz quadradaA, n×n, a matriz:
A−λI =
a11−λ a12 . . . a1n
a21 a22−λ . . . a2n
. . . . an1 an2 . . . ann−λ
,
ondeI ´e a matriz identidade de ordemneλ´e um parˆametro, ´e chamada matriz caracter´ısticadeA.
Seu determinante , |A−λI|, ´e um polinˆomio de graunemλchamadopolinˆomio caracter´ısticodeA.
Exemplo 1.22 - Seja A =
1 2 3 4
. Determinar seu polinˆomio caracter´ıstico.
Solu¸c˜ao: Para calcular o polinˆomio caracter´ıstico deA, basta calcular o determinante deA−λI. Assim:
|A−λI| =
1−λ 2 3 4−λ
= λ2−5λ−2.
| {z }
polinˆomio caracter´istico.
Exerc´ıcios
1.25 - Prove que os auto-valores deA s˜ao os zeros do polinˆomio caracter´ıstico.
1.26 - Prove que: seλ1, λ2, . . . , λn s˜ao auto-valores deA ent˜aoλk1, λk2, . . . , λkn s˜ao auto-valores de Ak.
Como j´a dissemos anteriomente estudaremos, (no Cap´ıtulo 7), m´etodos num´ericos para determina¸c˜ao de auto-valores e auto-vetores de matrizes. Tais m´etodos para serem obtidos dependem de alguns con-ceitos os quais passamos a discutir agora.
Polinˆomio de Matrizes Defini¸c˜ao 1.18 Seja:
P(t) = a0 tn+a1 tn−1+. . .+an−1 t+an , um polinˆomio de grau nonde osai, i= 1,2, . . . , ns˜ao reais.
SeA´e uma matriz quadrada real, ent˜ao definimos:
P(A) = a0 An+a1 An−1+. . .+an−1 A+an I ,
como sendo opolinˆomio da matriz A. Na express˜ao acimaI ´e a matriz identidade.
Em particular, seP(A) =θ, (matriz nula), dizemos queA´e um zero deP(t).
Exemplo 1.23 - Seja A =
Solu¸c˜ao: Temos que:
P(A) = 2
Teorema 1.8 - (Teorema de Cayley-Hamilton) - Toda matriz ´e um zero do seu polinˆomio caracter´ıstico.
Prova: A prova desse teorema pode ser encontrada em [Barnett, 1990 ].
Transforma¸c˜oes de Similaridades (ou Semelhan¸ca)
Existem m´etodos num´ericos que determinam todos os auto-valores de uma matriz sem determinar a express˜ao do polinˆomio caracter´ıstico. Tais m´etodos s˜ao obtidos usando-se transforma¸c˜oes de similari-dade.
Defini¸c˜ao 1.19 - Uma matrizB ´esimilar(ou semelhante) a uma matrizA se∃ uma matriz C n˜ao singular tal que:
B =C−1AC ,
e dizemos queB foi obtida deA por transforma¸c˜ao de semelhan¸ca.
Teorema 1.9 - Sejam Ae B matrizes similares. Ent˜ao:
i) A eB possuem os mesmos auto-valores.
ii) Se v´e auto-vetor deA associado aλ, ent˜ao C−1v´e auto-vetor de B=C−1AC associado aλ.
Prova: SejaB=C−1AC, e suponha que λ´e auto-valor deAev seu correspondente auto-vetor. Temos ent˜ao, quedet(A−λI) ´e o polinˆomio caracter´ıstico deA.
PortantoAeB possuem o mesmo polinˆomio caracter´ıstico. Logoλ´e auto-valor deB.
ii)AgoraAv=λv e desde queB=C−1AC ⇒A=CBC−1. PortantoCBC−1v=λv. Assim:
BC−1v=C−1λv=λC−1v .
PortantoB(C−1v) =λ(C−1v). Logo C−1v´e auto-vetor deB associado ao auto-valorλ.
Lema 1.1 - Seja A uma matriz de ordem n com auto-valores λi e correspondentes auto-vetores vi, os quais vamos supor sejam linearmente independentes, e seja
D = equa¸c˜ao pode ser rearranjada como: V−1AV desde queV seja invers´ıvel, e este ´e o caso pois as colunas deV s˜ao linearmente independentes.
Matriz de Rota¸c˜ao e Matriz Ortogonal
Alguns m´etodos num´ericos s˜ao obtidos usando-se matrizes que possuem caracter´ısticas especiais. As-sim, passamos a descrever tais matrizes.
NoIR2as matrizes:
cos ϕ sen ϕ
rotacionam cada vetor do IR2, no sentido hor´ario e anti-hor´ario, respectivamente, de um ˆangulo ϕ, e porisso s˜ao chamadas deMatrizes de Rota¸c˜ao.
NoIR3a matriz:
´
e uma matriz de rota¸c˜ao de um ˆanguloϕno plano dos eixospeq.
UmaMatriz OrtogonalU ´e caracterizada por:
UtU =U Ut=I , ondeI: matriz identidade. PortantoUt=U−1.
Observe que matrizes de rota¸c˜ao s˜ao matrizes ortogonais.
Propriedades de Matrizes Ortogonais 1) As linhas deU satisfazem:
n
X
j=1
(uij)2= 1 (produto de uma linha por ela mesma),
n
X
j=1 i6=k
uij ukj= 0 (produto de duas linhas distintas).
2) ||U x|| = ||x||, ∀x∈IRn.
3) A transforma¸c˜ao ortogonal n˜ao muda os ˆangulos entre dois vetores. Portanto uma transforma¸c˜ao ortogonal ou ´e uma rota¸c˜ao ou ´e uma reflex˜ao.
4) Os auto-valores s˜ao: 1 ou -1.
5) O determinante ´e 1 ou -1.
Para finalizar essa se¸c˜ao daremos um teorema que nos permite ter uma id´eia da localiza¸c˜ao dos auto-valores de uma matriz, seja ela sim´etrica ou n˜ao. Os auto-valores de matrizes n˜ao sim´etricas podem, ´e l´ogico, serem complexos, e nestes casos o teorema fornece a localiza¸c˜ao destes n´umeros no plano complexo.
Existem situa¸c˜oes onde n˜ao ´e necess´ario obter os auto-valores com muita precis˜ao, isto ´e, existem ocasi˜oes onde o que desejamos ´e saber se os auto-valores s˜ao positivos ou ent˜ao se est˜ao contidos no c´ırculo unit´ario. O Teorema a seguir pode ser usado para responder a estas perguntas sem a necessidade de c´alculos detalhados.
Teorema 1.10 - Teoremas de Gerschgorin
a) Primeiro Teorema de Gerschgorin - Os auto-valores de uma matrizA= (aij)est˜ao na reuni˜ao dos c´ırculos de centroaii e raio
ri =
n
X
j=1
j6=i
|aij|, i= 1,2, . . . , n ,
no plano complexo.
b) Segundo Teorema de Gerschgorin - Se a uni˜ao deq desses c´ırculos formam uma regi˜ao conectada, isolada dos c´ırculos restantes, ent˜ao existe qauto-valores nessa regi˜ao.
Prova: A prova deste teorema pode ser encontrada em [Wilkison, 1965].
Exemplo 1.24 - Localizar, usando o teorema de Gerschgorin, os auto-valores de:
A =
4 −1 1
1 1 1
−2 0 −6
, B =
3 1 0
1 2 −1
0 −1 0
. Solu¸c˜ao: Os c´ırculos de Gerschgorin associados com a matrizAs˜ao dados por:
C´ırculo Centro Raio
C1 a11 = 4 r1 = | −1|+|1| = 2
C2 a22 = 1 r2 = |1|+|1| = 2
C3 a33 = −6 r3 = | −2|+|0| = 2 Assim para a matrizA, obtemos os c´ırculos ilustrados na Figura 1.5:
C3 C2 C1
2
@
@ I@2 2
4 6
imagin´eixoario
−6 1 eixo
real
-Figura 1.5
O primeiro teorema de Gerschgorin indica que os auto-valores de A est˜ao inseridos nas regi˜oes ha-churadas da Figura 1.5. Al´em disso, desde que C1SC2 n˜ao intercepta C3, pelo segundo teorema de Gerschgorin, dois desses auto-valores est˜ao emC1S
C2e os restantes dos auto-valores em C3.
Para a matrizB, temos que os c´ırculos de Gerschgorin associados com essa matriz, s˜ao dados por:
C´ırculo Centro Raio
C1 b11 = 3 r1 = |1|+|0| = 1
C2 b22 = 2 r2 = |1|+| −1| = 2
C3 b33 = 0 r3 = |0|+| −1| = 1
os quais est˜ao ilustrados na Figura 1.6.
0 C3
C2
C1
2 1 1
@@ I
@
@ I@
@@ I
6
2 3
Figura 1.6
-Podemos afirmar neste caso, usando os teoremas de Gerschgorin, que os auto-valores da matrizB est˜ao no intervalo [−1,4], pois a matriz ´e real e sim´etrica.
Exerc´ıcios
1.27 - Dada as seguintes matrizes:
A =
1 2 3 4
, B =
1 2 −1
−1 0 1
2 1 −1
, calcule o polinˆomio caracter´ıstico, seus auto-valores e auto-vetores.
1.28 - SejaA =
1 2 3 2
. Calcule os auto-valores deA, A2, A3. 1.29 - Seja A =
1 2 2 −1
. Calcular P(A) e Q(A), sabendo que: P(t) = 2t2−3t+ 7 e Q(t) =t2−5.