1

Instituto Superior Politecnico do Songo

Licenciatura em Engenharia Hidr

aulica

C
alculo Num
erico

Valores e Vectores Pr
oprios

DISCENTE: DOCENTE:
Guifte Samuel Ngalo Dr. Pedro Cantiole
Delio Amos Bahule .

Songo, Maio de 2017

2
 Fichas de Exerccios
Calculo Numerico ISPSongo

Por: Guifte Samuel Ngalo

12 de Maio de 2017
 Conteudo

1 Introduc
ao 2

2 Valores e Vectores 3
2.1 Sistemas Dinamicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Definicao de valores vectores proprios . . . . . . . . . . . . . . . . . . . 5
2.3 Multiplicidade Algebrica e Geometrica . . . . . . . . . . . . . . . . . . 5
2.4 Representacao Geometrica . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.5 Determinacao de valores e vectores . . . . . . . . . . . . . . . . . . . . 8
2.5.1 Valores proprios de uma matriz . . . . . . . . . . . . . . . . . . 8
2.5.2 Vectores proprios de uma matriz . . . . . . . . . . . . . . . . . 9
2.6 Exemplo de Aplicacao a` Engenharia . . . . . . . . . . . . . . . . . . . . 10
2.7 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.8 Diagonalizacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1
 1
Introducao

O presente trabalho tem como objectivo principal dissecar a accao de um transfor-

mada linear x Ax, visto que o tema central trata sobre valores e vectores proprios,
bastante u
til em toda matematica na pura com maior enfoque, os autovalores forne-
cem informacao critica em projectos de engenharia, e bem como, no estudo de sistemas
dinamicos e em equacoes diferencias.

Far-se-a abordagens preliminares em torno de certos conceitos da algebra linear, por

exemplo: teorema fundamental da algebra. Representacao geometrica, teoremas, pro-
posicoes e exemplos, farao parte do layout do trabalho, tendo em conta que garantem
melhor explanacao nas definicoes apresentadas e no exemplo de aplicacao a engenha-
ria electrica, onde recorre-se a metodos de autovalores complexos para a producao de
valores e vectores proprios.

2
 Valores e Vectores
2
Em 1990, a coruja malhada do Norte se tornou o centro de uma controversia na-
cional nos EUA em torno do uso indevido das majestosas florestas do Noroeste do
Pacifico. Os ambientalistas convenceram o governo federal de que essas corujas esta-
riam em risco de extincao caso continuasse a exploracao de madeira em certa parte da
floresta (com arvores com mais de 200 anos de idade), onde as corujas preferiam habi-
tar. A industria madeireira, antecipando uma perda de 30.000 a 100.000 empregos em
decorrencia das novas restricoes governamentais `a extraccao de madeira, argumentou
que a coruja nao deveria ser considerada uma especie em risco de extincao e citou
uma serie de publicacoes cientficas para apoiar sua tese.

Em meio ao fogo cruzado dos dois grupos lobistas, os ecologistas matematicos in-
tensificaram seus esforcos para compreender a dinamica populacional da coruja malha.
O ciclo de vida de uma coruja malhada se divide naturalmente em tres fases: a juvenil
(ate 1 ano de idade), a subadulta (1 a 2 anos) e a adulta acima (acima de 2 anos).
A coruja busca em parceiro de vida durante as fases subadulta e adulta, comeca a

3
procriar na fase adulta e pode viver ate 20 anos. Cada casal de precisa de cerca de
1.000 hectares (10 quilometros quadrados) para seu territorio. Um momento crtico do
ciclo de vida e quando as corujas jovens deixam o ninho.

Para sobreviver e se tornar subadulta, um coruja jovem precisa encontrar um novo

territorio (e geralmente um parceiro). Um primeiro passo no estudo da dinamica da
populacao e fazer a modelagem usando intervalos de 1 ano entre medicoes, com os
instantes denotados por k = 0, 1, 2, . . . que existe uma razao de 1:1 entre machos e
femeas durante cada fase e contamos apenas as femeas. A populacao no ano k pode
ser descrita pelo vector xk = (jk , sk , ak ), onde jk , Sk e ak sao os n
umeros de femeas nas
fases jovem, subadulta e adulta, respectivamente.

2.1 Sistemas Din

amicos
O modelo da matriz de fase e uma equacao de diferencas de forma

xi = Axk

Esta equacao e muitas vezes chamada de um sistema dinamico (ou sistema dinamico
discreto) porque descreve a variacao de um sistema de funcao do tempo. A taxa de
sobrevivencia de 18% das corujas jovens, no modelo da matriz de fase de Lamberson,
e a mais afectada pela quantidade disponvel de floresta com arvores antigas. Na
verdade, 60% das corujas jovens conseguem deixar seus ninhos, mas na regiao de Willow
Creek, estudada por Labember-son e seus colegas, apenas 30% dessas corujas jovens
que conseguiram deixar seus ninhos foram capazes de encontrar novos territorios para
habitar. O restante nao sobreviveu durante esse processo.
O motivo principal do fracasso das corujas jovens em encontrar novos territorios e a
fragmentacao crescente das florestas antigas devido a` actividade madeireira na regiao.
Quando uma coruja sai da floresta protectora e cruza uma regiao recem-cortada, o
risco de que sofram ataques de predadores aumenta drasticamente. As principais
aplicacoes descritas aqui sao para sistemas dinamicos discretos. No entanto, os con-
ceitos basicos valores e vectores sao u
teis em toda a matematica pura aplicada e
aparecem em situacoes muito mais gerais do que as consideradas aqui. Os autovalores

4
(valores proprios) tambem sao usados ao estudo das equacoes diferenciais e em sistemas
dinamicos contnuos: eles fornecem informacao crtica em projectos de engenharia e
surgem de modo natural em areas como a fsica e a qumica.

2.2 Definic
ao de valores vectores pr
oprios
Seja E um espaco vectorial sobre um corpo K (R ou C) e T : E E uma
transformacao linear (endomorfismo de E).
Definic
ao 2.2.0.1 Um vector nao nulo ~x de E designa-se por vector proprio de T se
existe um escalar K tal que T (~x) = ~x diz-se o valor proprio de T associado ao
vector proprio ~x. Diz-se tambem que ~x e uma vector proprio de T associado ao valor
proprio .

A11 A12
Demostrac
ao 2.2.0.1 Seja a matriz de dimensao 22, A = e o vector
A21 A22

x11
~x =
x21

A11 A12 x x x
Se 11 = 11 pelo que 11 e vector proprio de
A21 A22 x21 x21 x21

A A12
11 associado ao valor proprio .
A21 A22

2.3 Multiplicidade Alg

ebrica e Geom
etrica

Teorema 2.3.0.1 (Fundamental da Algebra) Qualquer equacao, na variavel x, da
forma
an xn + an1 xn1 + + a1 x + a0 = 0,

com n 1, a0 , a1 , ..., an C e an 6= 0, tem exactamente n razes em C.

ao 2.3.0.2 Seja A Mnn (K) e um valor proprio de A. Designamos por

Definic
multiplicidade alg
ebrica do valor proprio e representamos por ma(), a multipli-
cidade de a como zero do polinomio caracterstico de A, pA (x), isto e, o maior inteiro
k tal que ( x)k divide pA (x).

5
Definic
ao 2.3.0.3 Chama-se multiplicidade geometrica do valor proprio de A `a
dimensao do subespaco proprio E() = N (A I).

A multiplicidade geometrica do valor proprio multiplicidade algebrica de .

Teorema 2.3.0.2 Uma matriz e diagonalizavel se as multiplicidades geometrica e

algebrica de cada valor proprio sao iguais.

1 1 0

Exemplo 2.3.0.1 Veja se a matriz A = 0 5 0 e diagonalizavel.


4 2 5

Resoluc
ao:

p() = det(A I)

1 1 0

= det 5

0 0

4 2 5

= (5 )(1 )(5 )

p() = 0 = 1 (mult. alg. 1) ou = 5 (mult. alg. 2).

E(5) = N (A 5I)

6 1 0

=N 0

0 0

4 2 0

Multiplicidade geometrica de 5 = dimE(5) = 3 car(A 5I) = 1 < multiplicidade

algebrica de 5 = 2 A nao e diagonalizavel

Teorema 2.3.0.3 Se a matriz A e simetrica (A = AT ). Entao:

1. Os valores proprios sao reais;

2. A matriz e diagonalizavel; e

3. Vectores proprios associados a valores proprios distintos sao ortogonais.

6
2.4 Representac
ao Geom
etrica
O conjunto dos valores proprios de T e designado por espectro de T .
Exemplo 2.4.0.2 (Significado geometrico de valor e vector proprio)

Consideremos a transformacao linear T : R2 R2

(x1 , x2 ) T (x1 , x2 ) = (x2 , x1 )

Figura 2.1: Reflexao

Geometricamente, ja vimos que a transformacao T aplica um vector (x1 , x2 ) no

simetrico (x2 , x1 ) relativamente a bissectriz dos quadrantes impares (observe-se a fi-
gura 2.1), dizendo-se, por isso, uma reflexao Verifica-se facilmente que os vectores com
a direccao da referida bissectriz (cuja equacao e x2 = x1 ) sao transformados em si
proprios pois,

T (x1 , x1 ) = (x1 , x1 ) = 1(x1 , x1 )

Tem-se pois que os vectores da forma (x1 , x1 ) (por exemplo, (1,1), (2,2), ( 2, 2),
etc.) sao vectores proprios de T associados ao valor proprio = 1 (ver figura 2.2).
Tambem os vectores perpendiculares a bissectriz dos quadrantes impares (ver figura 2.2),
isto e, os vectores da forma (x1 , x1 ) sao vectores proprios de T associados ao valor
proprio = 1 pois,

T (x1 , x1 ) = (x1 , x1 ) = 1(x1 , x2 )

7
 Figura 2.2: Reflexao

Ve-se, assim, que os vectores proprios de T representa direccoes (neste caso do

plano) que se mantem invariantes pela accao da transformacao T . Mais precisamente,
sao vectores transformados por T em vectores colineares, verificando-se que os quocien-
tes entre as componentes homologas das imagens e dos respectivos objectos sao iguais
ao valor proprio associado.

2.5 Determinac
ao de valores e vectores

2.5.1 Valores pr
oprios de uma matriz
sa-
Pretende-se determinar R para o qual exita x 6= 0n1 tal que Ax = x. E
bido que um sistema homogeneo e indeterminado se e so se a caracterstica da matriz
do sistema e menor que n ou, ainda, se o determinante da matriz e nulo. Assim, os
valores proprios da matriz sao os valores tais que car(A In ) < n, ou tais que
det(A In ) = 0.

esta ultima equacao, chamada equacao caracterstica de A, que se utiliza para o

E
calculo dos valores proprios O determinante de A In e um polinomio na incognita
denominado polinomio caracterstico da matriz A.
` matriz AIn chama-se matriz caracterstica de A. Quando um valor proprio tem
A
multiplicidade k como raiz do polinomio caracterstico, diz-se que tem multiplicidade
algebrica k.

8

1 2
Exemplo 2.5.1.1 Seja A = . A matriz caracterstica de A e:
2 1

1 2
A I2 =
2 1

pelo que o polinomio caracterstico de A e:

1 2
det
2 1
cujas razes sao 1 e 3. Os valores proprios de A sao 1 = 1 e 2 = 3, ambos
com multiplicidade algebrica 1.

2.5.2 Vectores pr
oprios de uma matriz

Depois de determinados os valores proprios de A, para determinar os vectores proprios

associados a um determinado valor proprio basta resolver o sistema homogeneo inde-
terminado (AIn )x = 0. As solucoes nao nulas deste sistema sao os vectores proprios
da matriz A associados a

Nota: Para um valor proprio , o sistema (A In )x = 0 tem garantidamente

solucoes nao nulas, pois foi determinado de modo a que o sistema fosse indeterminado.

1 2
Exemplo 2.5.2.1 A matriz A = (do exemplo anterior) tem valores proprios
2 1
1 e 3. Vamos calcular a expressao geral dos vectores proprios associados a um dos
valores proprio

= 1

Os vectores proprios de A associados a 1 sao as solucoes nao nulas do sistema

(A (1)I2 )x = 031

ou seja, as solucoes nao nulas de do sistema homogeneo cuja matriz simples e:

1+1 2 1 2
A (1)I2 = =
2 1+1 2 1

9

1
e que tem por solucao geral x = y ,y R
1

1
Os vectores proprios associados a 1 sao da forma y , y R\{0}.
1

=3

Os vectores de A associados a 3 sao as solucoes nao nulas do sistema (A3I2 )x =

031 , ou seja, as solucoes nao nulas do sistema homogeneo cuja matriz e

2 2
A I2 =
2 2

1
que tem por solucao geral x = y = , y = R.
1

1
Os vectores proprios associados a 3 sao de forma y , y R\{0}
1

2.6 Exemplo de Aplica

cao `
a Engenharia
O circuito da figura abaixo pode ser descrito pela equacao

0
i R2 /L 1/L i
l = L
vc0 1/C 1/(R1 C) vc

onde iL e a corrente que atravessa o indutor L e vc e a diferenca de potencial no

capacitor C. Suponha que R1 seja igual a 5 ohms, R2 seja 0.8 ohms, C seja igual a 0.1
farad e L igual a 0.4 henry. Obtenha formulas para iv e vc dado que a corrente inicial
no indutor e de 3 amperes e a diferenca de potencial inicial no capacitor e 3 volts.

10
Resoluc
ao 2.6.0.1 Para os dados fornecidos

2 2.5 3
A= x0 =
10 2 3

O metodo de autovalores
complexos produz o autovalor = 2 + 5i e o autovector
i
associado v1 =
2

As solucoes complexas de x0 = Ax sao combinacoes lineares complexas de

i i
x1 (t) = e(2+5i)t x2 (t) = e(25i)t
2 2

Escrevendo = a + bi (com a e b) e usando series de potenciais semelhantes para

as funcoes senos e cossenos, podemos obter que

e(a+bi)t = eat eibt = eat (cos bt + i sin bt) (2.1)

Em seguida, usa-se ( 2.1) para escrever

i
x1 (t) = e2t (cos 5t + i sin 5t)
2
considerando as partes real e imaginaria de x1 , obtemos as solucoes reais:

sin 5t cos 5t
y1 (t) = e2t y2 (t) = e2t
2 cos 5t 2 sin 5t
como y1 e y2 sao funcoes linearmente independente, elas formam um base para o
espaco vectorial real bidimensional das solucoes de x0 = Ax. Assim, a solucao geral

sin 5t cos 5t
x(t) = c1 e2t + c2 e2t
2 cos 5t 2 sin 5t

3 0 1 3
Para satisfazer x(0) = , pecisamos que c1 + c2 = o que
3 2 0 3
nos leva a c1 = 1.5 e c2 = 3. Assim

sin 5t cos 5t
x(t) = 1.5 e2t + e e2t
2 cos 5t 2 sin 5t

11
ou
iL (t) 1.5 sin 5t + 3 cos 5t
= e2t
vC (t) 2 cos 5t + 6 sin 5t

2.7 Propriedades
Vejamos agora algumas propriedades dos valores e vectores proprios.
Proposic
ao 2.7.0.1 Os valores proprios de uma matriz triangular sao os elementos
da diagonal principal.

Proposic
ao 2.7.0.2 Seja A = [aij ] uma matriz de ordem n e 1 , 2 , ..., n os seus
valores proprios Entao:

detA = 1 2 ...n

trA = 1 + 2 + ... + n , onde trA representa o traco da matriz A, isto e, e a

soma dos elementos da diagonal principal de A.

Proposic
ao 2.7.0.3 Duas matrizes semelhantes tem o mesmo polinomio caracterstico.

Proposic
ao 2.7.0.4 Se uma matriz A tem k valores proprios distintos, 1 , 2 , ..., k ,
entao os vectores proprios correspondentes, x~1 , x~2 , ..., x~k , sao linearmente independen-
tes.

Proposic
ao 2.7.0.5 Se A e uma matriz de ordem n e tem n valores proprios distintos,
entao A e diagonalizavel.

Proposic
ao 2.7.0.6 Seja A uma matriz de ordem n. Entao A e diagonalizavel se
e so se e possvel encontrar n vectores proprios linearmente independentes. Nestas
condicoes, tem-se que
P 1 AP = D P DP 1

onde D e a matriz diagonal cujos elementos da diagonal principal sao os valores

proprios de A e P e a matriz invertvel formada pela disposicao em coluna dos corres-
pondentes vectores proprios linearmente independentes.

12
2.8 Diagonalizac
ao
Uma matriz A diz-se semelhante a uma matriz B se existir uma matriz P , invertvel,
tal que
B = P 1 AP

Note-se que se A e semelhante a B, entao tambem B e semelhante a A.

B = P 1 AP = P BP 1 = A

Proposic
ao 2.8.0.7 Se uma matriz A e semelhante a um matriz B, entao A e B tem
o mesmo polinomio caracterstico e, portanto, os mesmos valores proprios.
Uma matriz A diz-se diagonalizavel se e semelhante a uma matriz diagonal, isto e,
` matriz P
se existirem matrizes D, diagonal, e P, invertvel, tais que D = P 1 AP . A
chama-se matriz diagonalizante.

Teorema 2.8.0.1 Seja A uma matriz quadrada de ordem n. A matriz e diagonalizavel

se e so se existe uma matriz invertvel P cujas colunas sao vectores proprios de A.

2
5 0 5 0 5 0 5 0
Exemplo 2.8.0.2 Se D = , entao D2 = = e
0 3 0 3 0 3 0 32

3
5 0
D3 = DD2 = .
0 33

Em geral,
k
5 0
Dk = para k 1.
0 3k
Se A = P DP 1 para alguma matriz inversvel P e matriz diagonal D, entao Ak
tambem fica facil de calcular, como mostra o proximo exemplo.

Exemplo 2.8.0.3 Seja

7 2
A=
4 1
Determine uma formula para Ak , dada que A = P DP 1 , onde

1 1 5 0
P = e D=
1 2 0 3

13
 Solu
cao: A formula padrao para a inversa de uma matriz 2 2 nos da

2 1
P 1 =
1 1
Entao, pela propriedade associativa da multiplicacao de matrizes,

A2 = (P DP 1 )(P DP 1 )

= P D(P 1 P )DP 1

= P DDP 1

= P D2 P 1

2
1 1 5 0 2 1
=
1 2 0 32 1 1

Novamente,

A3 = (P DP 1 )A2

= (P DP 1 )P D2 P 1

= P DD2 P 1

= P D3 P 1

Em geral, para k 1

Ak = P Dk P 1

1 1 5k 0 2 1
=
k
1 2 0 3 1 1

Uma matriz quadrada A e chamada diagonalizavel se A for similar a uma matriz

diagonal, isto eh, se A = P DP 1 para alguma matriz inversvel P e alguma matriz
diagonal D. O proximo teorema fornece uma caracterizacao de matrizes diagonalizaveis
e diz como se constroi uma tal factorizacao.

ao) Uma matriz A n n e diagona-

Teorema 2.8.0.2 (Teorema da Diagonalizac
lizavel se e somente se A tem n autovectores linearmente independentes. De facto,

14
A = P DP 1 , onde D e uma matriz diagonal se e somente se as colunas de P sao n
autovectores de A linearmente independentes. Nesse caso, os elementos da diagonal
principal de D sao os autovalores da diagonal principal de D sao os vectores de A
associados, respectivamente, aos autovectores em P .

Em outras palavras, A e diagonalizavel se e somente se existem autovectores su-

ficientes para formar uma base para o Rn . Chamamos uma tal base de base de
autovectores.

ao 2.8.0.1 Primeiro, observe que se P for qualquer matriz n n com

Demostrac
colunas v1 , ..., vn e se D e qualquer matriz diagonal com elementos da diagonal principal
1 , ..., n , entao
h i h i
AP = A v1 v2 vn = Av1 Av2 Avn (2.2)

enquanto

0 0
1
0 2

0 h i
PD = P

= v v
1 1 2 2 n vn (2.3)
... ... ...

0 0 n

Suponha, agora, que A seja diagonalizavel e que A = P DP 1 . Entao, multiplicando

essa relacao `a directa por P, obtemos AP = P D. Nesse caso, (2.2) e (2.3) implicam
que

h i h i
Av1 Av2 Avn = 1 v1 2 vn n vn (2.4)

Igualando as colunas, obtemos

Av1 = 1 v1 , Av2 = 2 v2 , , Avn = n vn (2.5)

Como P e inversvel, suas colunas v1 , , vn tem que ser linearmente independente.

Mais ainda, como essas colunas sao nao nulas, (2.5) mostra que 1 , , n sao auto-
valores e v1 , , vn sao os autovectores associados.
Finalmente dados quaisquer n autovectores v1 , , vn , use-os para montar as co-
lunas de P e use os autovalores associados 1 , , n para montar D. Se, de facto,
os autovectores forem linearmente independentes, entao P e inversvel, e AP = P D
implica que A = P DP 1 .

15
Exemplo 2.8.0.4 (Diagonalizando Matrizes) Diagonalize a seguinte matriz, se possvel

1 3 3

A = 3 5 3


3 3 1

Isto e, determine uma matriz inversvel P e uma matriz diagonal D tal que A =
P DP 1 .
Solu
cao: Existem quatro passos para implementar a descricao do teorema da dia-
gonalizacao.

1. Determine os autovalores de A. A mecanica desse passo e apropriada para

um computador sempre que a matriz for maior que 2 2. Para evitar distracoes
desnecessarias, o texto ira suprir a informacao necessaria para esse passo. No
presente caso, a equacao caracterstica e um polinomio c
ubico que pode ser fac-
torizado:

0 = det(A I)

= 3 32 + 4

= ( 1)( + 2)2

Os autovalores sao = 1 e = 2.

2. Determine tr
es autovectores para A linearmente independentes. Sao
necessarios tres autovectores porque A e matriz 3 3. Esse e o passo crtico. Se
falhar, entao o teorema da diagonalizacao diz que A nao pode ser diagonalizada.
O metodo de autovectores e autovalores produz uma base para cada auto-espaco:

1

Base para = 1 v1 = 1


1

1 1

Base para = 2 v2 = 1 e v3 = 0


0 1

Pode-se verificar que {v1 , v2 , v3 } e um conjunto linearmente independente.

16
3. Monte P a partir dos valores do passo 2. Nao importa a ordem dos
vectores. Usando a ordem escolhida no passo 2, temos

1 1 1
h i
P = = 1

v1 v2 v3 1 0

1 0 1

4. Monte D a partir dos autovalores associados. Neste passo e essencial que

a ordem dos autovalores seja igual `a ordem escolhida para as colunas de P. Use
o autovalor = 2 duas vezes, uma para cada autovector associado a = 2.

1 0 0

D = 0 2 0



0 0 2

uma boa ideia verificar que P e D realmente funcionam. Para evitar calcular
E
P 1 , verifique simplesmente que AP = P D. Isso e equivalente a A = P DP 1
quando e inversvel. (No entanto, certifique-se de que P e inversvel !) obtemos

1 3 3 1 1 1 1 2 2

AP = 3 5 3 1 0 = 1 2 0

1

3 3 1 1 0 1 1 0 2

1 1 1 1 0 0 1 2 2

P D = 1 1 0 0 2 0 = 1 2 0



1 0 1 0 0 2 1 0 2

17
 Bibliografia

[1] David C. Lay. Algebra Linear e suas aplicacoes. LTC. 2a edicao

[2] Cabral Isabel; Perdigao Cecilia. Algebra Linear. Escolar editora. 2a edicao

18