Você está na página 1de 168

Álgebra Linear II Volume 1 - Módulos 1 e 2 2ª edição Hernando Bedoya Ricardo

Álgebra Linear II

Volume 1 - Módulos 1 e 2 2ª edição

Hernando Bedoya

Ricardo Camelier

Álgebra Linear II Volume 1 - Módulos 1 e 2 2ª edição Hernando Bedoya Ricardo Camelier
Álgebra Linear II Volume 1 - Módulos 1 e 2 2ª edição Hernando Bedoya Ricardo Camelier
Álgebra Linear II Volume 1 - Módulos 1 e 2 2ª edição Hernando Bedoya Ricardo Camelier

Apoio:

Álgebra Linear II Volume 1 - Módulos 1 e 2 2ª edição Hernando Bedoya Ricardo Camelier
Álgebra Linear II Volume 1 - Módulos 1 e 2 2ª edição Hernando Bedoya Ricardo Camelier

Fundação Cecierj / Consórcio Cederj

Rua Visconde de Niterói, 1364 – Mangueira – Rio de Janeiro, RJ – CEP 20943-001 Tel.: (21) 2334-1569 Fax: (21) 2568-0725

Presidente Masako Oya Masuda

Vice-presidente

Mirian Crapez

Coordenação do Curso de Matemática UFF - Regina Moreth UNIRIO - Luiz Pedro San Gil Jutuca

Material Didático

ELABORAÇÃO DE CONTEÚDO

Departamento de Produção

Hernando Bedoya

Ricardo Camelier

EDITORA

COORDENAÇÃO DE DESENVOLVIMENTO

Tereza Queiroz

INSTRUCIONAL

COORDENAÇÃO EDITORIAL

Cristine Costa Barreto

Jane Castellani

DESENVOLVIMENTO INSTRUCIONAL

COORDENAÇÃO DE

E REVISÃO

PRODUÇÃO

Alexandre Rodrigues Alves

Jorge Moura

Anna Maria Osborne

PROGRAMAÇÃO VISUAL

COORDENAÇÃO DE LINGUAGEM

Equipe CEDERJ

CAPA

Sami Souza

PRODUÇÃO GRÁFICA

Patricia Seabra

Marília Barcellos

2010/1

Copyright © 2005, Fundação Cecierj / Consórcio Cederj

Nenhuma parte deste material poderá ser reproduzida, transmitida e gravada, por qualquer meio eletrônico, mecânico, por fotocópia e outros, sem a prévia autorização, por escrito, da Fundação.

B412a

Bedoya, Hernando. Álgebra linear II. v.1 / Hernando Bedoya. – 2.ed. – Rio de Janeiro: Fundação CECIERJ, 2010. 164p.; 21 x 29,7 cm.

ISBN: 85-7648-021-2

1. Matrizes. 2. Autovetores. 3. Autovalores. 4. Matrizes ortogonais. I. Camelier, Ricardo. II. Título.

CDD: 512.5

Referências Bibliográficas e catalogação na fonte, de acordo com as normas da ABNT.

Governo do Estado do Rio de Janeiro

Governador Sérgio Cabral Filho

Secretário de Estado de Ciência e Tecnologia

Alexandre Cardoso

Universidades Consorciadas

UENF - UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE DARCY RIBEIRO Reitor: Almy Junior Cordeiro de Carvalho

UERJ - UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO Reitor: Ricardo Vieiralves

UFF - UNIVERSIDADE FEDERAL FLUMINENSE Reitor: Roberto de Souza Salles

UFRJ - UNIVERSIDADE FEDERAL DO RIO DE JANEIRO Reitor: Aloísio Teixeira

UFRRJ - UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO Reitor: Ricardo Motta Miranda

UNIRIO - UNIVERSIDADE FEDERAL DO ESTADO DO RIO DE JANEIRO Reitora: Malvina Tania Tuttman

Álgebra Linear II Volume 1 SUMÁRIO Módulo 1 Aula 1 – Autovetores e Autovalores de
Álgebra Linear II
Volume 1
SUMÁRIO
Módulo 1
Aula 1 – Autovetores e Autovalores de Matrizes
7

Hernando Bedoya / Ricardo Camelier

Aula 2 Autovetores e Autovalores de Matrizes - Casos Especiais

15

Hernando Bedoya / Ricardo Camelier

Aula 3 Polinômio Característico

23

Hernando Bedoya / Ricardo Camelier

Aula 4 Cálculo de Autovalores e Autovetores

31

Hernando Bedoya / Ricardo Camelier

Aula 5 Diagonalização de Matrizes

41

Hernando Bedoya / Ricardo Camelier

Aula 6 Cálculo de Matrizes Diagonalizáveis

51

Hernando Bedoya / Ricardo Camelier

Aula 7 Processo de Diagonalização de Matrizes

59

Hernando Bedoya / Ricardo Camelier

Aula 8 Diagonalização de Operadores Lineares

65

Hernando Bedoya / Ricardo Camelier

Soluções de exercícios selecionados

77

Módulo 2

Aula 9 Matrizes ortogonais

81

Hernando Bedoya / Ricardo Camelier

Aula 10 Propriedades das Matrizes Ortogonais

91

Hernando Bedoya / Ricardo Camelier

Aula 11 Rotação no Plano

99

Hernando Bedoya / Ricardo Camelier

Aula 12 Refl exões no Plano

105

Hernando Bedoya / Ricardo Camelier

Aula 13 Propriedades das Rotações e Refl exões no Plano - 1ª Parte

115

Hernando Bedoya / Ricardo Camelier

Aula 14 Propriedades das Rotações e Refl exões no Plano - 2ª Parte

123

Hernando Bedoya / Ricardo Camelier

Aula 15 Exercícios Resolvidos - 1ª Parte

131

Hernando Bedoya / Ricardo Camelier

Aula 16 Exercícios Resolvidos - 2ª Parte

137

Hernando Bedoya / Ricardo Camelier

Aula 17 Rotações no Espaço

143

Hernando Bedoya / Ricardo Camelier

Aula 18 Refl exões no Espaço

151

Hernando Bedoya / Ricardo Camelier

Soluções de exercícios selecionados

161

Autovetores e Autovalores de Matrizes

Autovetores e Autovalores de Matrizes   ´ M ODULO 1 - AULA 1 Aula 1 –
 

´

M

ODULO 1 -

AULA 1

Aula 1 – Autovetores e Autovalores de Matrizes

Objetivos:

Compreender os conceitos de autovalor e autovetor.

Reconhecer um escalar como autovalor de uma matriz.

Reconhecer um vetor como autovetor de uma matriz.

´

Bem-vindo ao seu pr´oximo curso de Algebra Linear. Ele se desenvolver´a em torno de conceitos fundamentais como autovalor e autovetor de uma matriz. Esses conceitos s˜ao de fundamental importˆancia na Matem´atica pura

e aplicada e aparecem em situa¸c˜oes muito mais gerais que as consideradas

aqui. Os conceitos de autovalor e autovetor tamb´em s˜ao usados no estudo das

equa¸c˜oes diferenciais e sistemas dinˆamicos: eles fornecem informa¸c˜oes cr´ıticas em projetos de Engenharia e surgem de forma natural em areas´ como a F´ısica

e a Qu´ımica.

Neste m´odulo vamos continuar os estudos iniciados no curso de Algebra Linear I, sobre as matrizes quadradas A = (a ij ) M n (R) e as transforma¸c˜oes

lineares definidas pela matriz A.

O objetivo principal desta aula ´e apresentar os conceitos fundamentais de autovalor e autovetor de uma matriz A.

´

Defini¸c˜ao

Dada uma matriz A M n (R), o numero´ de A se existe um vetor n˜ao-nulo v R n tal que

Av = λv.

real λ ´e chamado autovalor

(1)

Lembre que M n (R) denota o conjunto das matrizes qua- dradas de ordem n com ele- mentos reais.

Todo vetor n˜ao-nulo v que satisfa¸ca (1) ´e chamado um autovetor associ- ado (ou correspondente) ao autovalor λ. Os autovalores tamb´em s˜ao chama- dos valores pr´oprios ou valores caracter´ısticos, e os autovetores s˜ao chamados vetores pr´oprios ou vetores caracter´ısticos. Verifica-se que para todo vetor w = αv, α R , temos Aw = λw, isto ´e, qualquer multiplo´ escalar n˜ao-nulo de v tamb´em ´e um autovetor de A associado ao autovalor λ. De fato,

Aw = A(αv) = α A(v) = α(λv) = λ(αv) = λw.

de A associado ao autovalor λ . De fato, Aw = A ( αv ) =
7
7

CEDERJ

Autovetores e Autovalores de Matrizes

Autovetores e Autovalores de Matrizes Vale tamb´em observar que na equa¸c˜ao (1) estaremos sempre conside- rando

Vale tamb´em observar que na equa¸c˜ao (1) estaremos sempre conside- rando o vetor v na forma de uma matriz coluna n × 1.

´

E f´acil determinar se um vetor ´e autovetor de uma matriz e tamb´em ´e f´acil decidir se um escalar ´e autovalor de uma matriz. Vejamos como isso ´e

feito nos seguintes exemplos.

Exemplo 1

Se I ´e a matriz identidade n × n, ent˜ao o unico´

vetor n˜ao-nulo v de R n ´e um autovetor de A associado ao autovalor λ = 1, pois

autovalor ´e λ = 1. Qualquer

Iv = v = 1 v.

Exemplo 2

Vamos

verificar

se

os

vetores

u

A =

3

5

3 1 , u = 1

1 e v =

e

v

1

2 .

s˜ao

autovetores

de

A,

onde

Solu¸c˜ao:

Para identificarmos se u ´e autovetor de A devemos verificar se existe um escalar λ R tal que Au = λu. Temos que

Au =

3

5

1

3

1 1 = 2 2 = 2 1 1 = 2u

Assim, u = (1, 1) ´e autovetor de A com autovalor correspondente

CEDERJ

8
8

λ = 2.

No caso do vetor v, temos

Av =

3

5

3

1

2 1 = 1 1

= λ

1

2

Assim, n˜ao existe escalar λ R tal que Av = λv e, consequen¨ v = (1, 2) n˜ao ´e um autovetor da matriz A.

temente,

escalar λ ∈ R tal que Av = λv e, consequen¨ v = (1 , 2)

Autovetores e Autovalores de Matrizes

Autovetores e Autovalores de Matrizes Na Figura 1.1, podemos ver os vetores u = (1 ,

Na Figura 1.1, podemos ver os vetores u = (1, 1), v = (1, 2) e a a¸c˜ao

geom´etrica da transforma¸c˜ao x

Ax em cada um deles.

v u
v
u
Av Au
Av
Au

Figura 1.1: A¸c˜ao geom´etrica da transforma¸c˜ao x

Exemplo 3

Verifique se o escalar 5 ´e um autovalor para a matiz A = 5

mine os autovetores associados a esse autovalor.

2

Ax.

0

1

e deter-

Solu¸c˜ao:

Usando diretamente a defini¸c˜ao de autovetor e autovalor de uma matriz, temos que o escalar 5 ´e autovalor de A se e somente se a equa¸c˜ao

Av = 5v

(2)

possui uma solu¸c˜ao n˜ao-nula v = (x, y) R 2 . Mas a equa¸c˜ao (2) ´e equivalente a` equa¸c˜ao

(3)

Av 5 Iv = (A 5I)v = 0.

Assim, precisamos achar uma solu¸c˜ao n˜ao-nula para esse sistema linear homogˆeneo. Primeiramente, calculemos a matriz

A 5I = 5

2

0

1

5

0

0

5

= 5 5

2

1 4 = 0

2

0

4 .

0

Portanto, o sistema linear homogˆeneo (3) pode ser escrito como

0

2

x

4 y

0

= 0

0

.

(4)

(3) pode ser escrito como 0 2 x − 4 y 0 = 0 0 .
 

´

M

ODULO 1 -

AULA 1

9
9

CEDERJ

Autovetores e Autovalores de Matrizes

Autovetores e Autovalores de Matrizes Para resolver esse sistema linear, use as t´ecnicas de escalonamento de

Para resolver esse sistema linear, use as t´ecnicas de escalonamento de

matrizes desenvolvidas no curso de pliada do sistema linear (4)

0

2

´

Algebra Linear I. Escreva a matriz am-

0

4

0

0

.

(5)

Aplicando as opera¸c˜oes elementares em linhas, vemos que a matriz escalonada correspondente a` matriz (5) ´e

e

1

0

2

0

0

0

o sistema linear homogˆeneo correspondente a essa matriz ´e

x 2y = 0.

(6)

(7)

Como todo vetor da forma (2t, t) R 2 , com t R, ´e uma solu¸c˜ao para

o

poss´ıvel e indeterminado. Portanto, todo vetor da forma v = (2t, t) R 2 ,

com t R , ´e um autovetor associado ao autovalor λ = 5. De fato, verifica-se

que

sistema (7), temos que esse sistema possui infinitas solu¸c˜oes e, assim, ´e

Av = 5

2

0

1

2t = 10t

t

5t

= 5 2t = 5v para todo t R .

t

No exemplo anterior podemos observar que a equivalˆencia entre as equa¸c˜oes (2) e (3) vale, claramente, para qualquer escalar λ no lugar de λ = 5 e para qualquer matriz A. Assim, λ R ´e um autovalor da matriz A M n (R) se e somente se o sistema linear homogˆeneo

CEDERJ

10
10

(A λI)v = 0

(8)

possui uma solu¸c˜ao n˜ao-nula v R n . O conjunto de todas as solu¸c˜oes do

sistema (8) ´e o nucleo´

Portanto, pelo

Algebra Linear I, este conjunto solu¸c˜ao ´e um subespa¸co

vetorial de R n chamado auto-espa¸co da matriz A associado ao autovalor λ,

visto no curso de

(ou espa¸co-nulo) da matriz A λI.

´

denotado por E(λ).

do exemplo 3, o auto-espa¸co associado

ao autovalor λ = 5 ´e a reta formada por todos os multiplos´ escalares do

No caso da matriz A = 5

2

0

1

ao autovalor λ = 5 ´e a reta formada por todos os multiplos´ escalares do No

Autovetores e Autovalores de Matrizes

Autovetores e Autovalores de Matrizes autovetor v = (2 , 1). Geometricamente, esse auto-espa¸co ´e a

autovetor v = (2, 1). Geometricamente, esse auto-espa¸co ´e a reta que passa por (2, 1) e pela origem. No exemplo 2, vemos que o auto-espa¸co associado ao autovalor λ = 2 ´e a reta que passa por (1, 1) e pela origem, como mostra a Figura 1.2.

Auto-espaço para 2 1 1 Auto-espaço para 5 Mult. por 5 Mult. por -2
Auto-espaço para 2
1
1
Auto-espaço para 5
Mult. por 5
Mult. por -2

Figura 1.2: Auto-espa¸cos para λ = 5 e λ = 2.

Exemplo 4

2

5

4

de A e determine uma base para o auto-espa¸co associado.

Seja a matriz A =

4

3

3

3

. Verifique que λ = 3 ´e um autovalor

1

2

Solu¸c˜ao:

Para verificar que λ = 3 ´e um autovalor de A devemos encontrar uma solu¸c˜ao n˜ao-nula v = (x, y, z) R 3 do sistema linear homogˆeneo

(A 3I)v = 0.

(9)

Para ver isso, consideremos primeiramente a matriz

4

A 3I =   1

2

2

5

4

3

3

3

1

3 0

0

0

1

0

0

0

1

= 1

2

1

2

2

4

3

3

6

.

− 1 2 1   − 2 2 − 4 − 3 3 − 6
 

´

M

ODULO 1 -

AULA 1

11
11

CEDERJ

Autovetores e Autovalores de Matrizes

Autovetores e Autovalores de Matrizes Assim, o sistema (9) pode ser escrito como   

Assim, o sistema (9) pode ser escrito como


x 2y 3z = 0

x + 2y + 3z = 0

2x 4y 6z = 0

(10)

Novamente, resolvemos este sistema linear usando os m´etodos e as

t´ecnicas estudados na aula 7 do curso de pliada do sistema linear (10) ´e

´

Algebra Linear I. A matriz am-

1

1

2

2

2

4

3

3

6

0

0

0

e ´e f´acil ver que a matriz escalonada equivalente a essa matriz ampliada ´e

1

0

0

2

0

0

3

0

0

0

0

0

,

cujo sistema linear homogˆeneo ´e dado por

x 2y 3z = 0.

(11)

Sabemos que as solu¸c˜oes dos sistemas (10) e (11) s˜ao as mesmas. Vemos que o sistema (11) possui duas vari´aveis livres, logo, possui infinitas solu¸c˜oes e, portanto, λ = 3 ´e um autovalor da matriz A. Expressando x em termos das vari´aveis y e z obtemos que

x = 2y + 3z.

Escrevendo y = k R e z = t R, temos que todo vetor na forma

(2k + 3t, k, t) com k, t R

´e um autovetor associado ao autovalor λ = 3. Assim, o conjunto

S = {(2k + 3t, k, t); k, t R} = {k (2, 1, 0) + t (3, 0, 1); k, t R} ⊂ R 3

´e o auto-espa¸co associado ao autovalor λ = 3. Vemos que esse subespa¸co ´e gerado pelos vetores

u = (2, 1, 0) e v = (3, 0, 1)

e, sendo linearmente independentes, formam uma base para o subespa¸co S. Geometricamente, o subespa¸co S representa o plano do R 3 que passa pela origem e ´e gerado pelos dois autovetores u = (2, 1, 0) e v = (3, 0, 1).

CEDERJ

12
12
do R 3 que passa pela origem e ´e gerado pelos dois autovetores u = (2

Autovetores e Autovalores de Matrizes

Autovetores e Autovalores de Matrizes Multiplicação por A Auto-espaço para 3 Auto-espaço para 3
Multiplicação por A
Multiplicação
por A
Auto-espaço para 3
Auto-espaço para 3
Auto-espaço para 3
Auto-espaço para 3

Figura 1.3: A age como uma expans˜ao no auto-espa¸co S.

Observe, neste exemplo, que a imagem de qualquer elemento n˜ao-nulo w S pela a¸c˜ao da matriz A ´e novamente um elemento do auto-espa¸co S, isto ´e, um autovetor de A associado ao autovalor λ = 3. De fato, sendo {u, v} base do auto-espa¸co S, temos que existem escalares a, b R tais que

w = au + bv

Como u e v s˜ao autovalores de S, associados ao autovalor λ = 3, temos

Como Aw

Aw

=

A(au + bv) = A(au) + A(bv)

=

aA(u) + bA(v) = 3au + 3bv

=

3(au + bv) = 3w S.

S

para todo w

S, diz-se que o auto-espa¸co S ´e um

auto-espa¸co invariante pela a¸c˜ao da matriz A.

S ´e um auto-espa¸co invariante pela a¸c˜ao da matriz A .   ´ M ODULO 1
 

´

M

ODULO 1 -

AULA 1

13
13

CEDERJ

Autovetores e Autovalores de Matrizes

Autovetores e Autovalores de Matrizes Exerc´ıcios 1. Verifique se v = 1 0 e u =

Exerc´ıcios

1. Verifique se v

=

1

0 e u = 0 s˜ao autovetores da matriz

1

A = 0

0

mostra que, apesar de o vetor nulo n˜ao poder ser autovetor, ´e poss´ıvel

ter autovalor igual a zero.

0

1

. Determine os autovalores correspondentes. Este exerc´ıcio

2. Verifique se v =

1

4 ´e autovetor da matriz A = 3

3

1

8 .

Caso

seja, determine o autovalor correspondente.

3. Verifique se v =

4

3

1

3

´e autovetor da matriz A = 4

2

7

5

4

9

1 .

4

Caso seja, determine o autovalor correspondente.

4. Dada a matriz A =

4

3

2 9 com autovalor λ = 10, determine

uma base para o auto-espa¸co associado a esse autovalor.

4

5. Seja a matriz A =   2

2

1

1

1

6

6

8

. Verifique se λ = 2 ´e um autovalor de

A e determine uma base para o auto-espa¸co associado a esse autovalor.

6. Mostre que se λ ´e um autovalor correspondente ao autovetor v, ent˜ao

CEDERJ

14
14

ele ´e unico,´

isto ´e, n˜ao existe escalar α R, α

= λ, tal que Av = αv.

v , ent˜ao CEDERJ 14 ele ´e unico,´ isto ´e, n˜ao existe escalar α ∈ R

Autovetores e Autovalores de Matrizes – Casos Especiais

Autovetores e Autovalores de Matrizes – Casos Especiais Aula 2 – Autovetores e Autovalores de Matrizes

Aula 2 – Autovetores e Autovalores de Matrizes – Casos Especiais

Objetivos:

Reconhecer casos especiais de autovalores.

Caracterizar a existˆencia de autovalor zero.

Familiarizar-se com demonstra¸c˜oes envolvendo autovalores e autoveto- res.

Na aula 1 vimos os conceitos de autovalor, autovetor e auto-espa¸co. Nesta aula vamos continuar a explorar essa conceitua¸c˜ao em exemplos e casos particulares muito importantes.

No primeiro exemplo, a matriz A ´e triangular superior e veremos que os autovalores s˜ao facilmente calculados.

Exemplo 1

Calcule os autovalores da matriz

1

A =   0

0

6

2

0

2

1

3

Novamente, pela defini¸c˜ao, temos que o escalar λ R ´e um autovalor da matriz A se e somente se o sistema linear homogˆeneo

(A λI)v = 0

(1)

possui uma solu¸c˜ao n˜ao-nula v = (x, y, z) R 3 . O sistema linear (1) pode ser rescrito como


 

(1 λ)x + 6y + 2z = 0 (2 λ)y + z = 0

(3 λ)z = 0 .

(2)

Sabemos que o sistema (2) possui uma solu¸c˜ao n˜ao-nula (x, y, z) R 3

se e somente se existe uma vari´avel livre.

somente se pelo menos um dos coeficientes contendo λ ´e igual a zero (um dos elementos da diagonal principal da matriz associada ´e zero). E isso, por sua vez, acontece se e somente se λ for igual a 1, 2 ou 3, que s˜ao exatamente os valores da diagonal principal da matriz A.

E f´acil ver que isso acontece se e

´

principal da matriz A . E f´acil ver que isso acontece se e ´   ´
 

´

M

ODULO 1 -

AULA 2

15
15

CEDERJ

Autovetores e Autovalores de Matrizes – Casos Especiais

Autovetores e Autovalores de Matrizes – Casos Especiais Na verdade, este procedimento tamb´em ´e v´alido no

Na verdade, este procedimento tamb´em ´e v´alido no caso em que a

Assim, temos o seguinte

matriz A M n (R) ´e matriz triangular inferior. teorema:

Teorema 1 Os autovalores de uma matriz triangular (superior ou inferior) s˜ao os elemen- tos de sua diagonal principal.

No pr´oximo teorema veremos em que condi¸c˜oes uma matriz possui al- gum autovalor igual a zero.

Teorema 2 Uma matriz A de ordem n tem autovalor igual a zero se e somente se A ´e uma matriz n˜ao-invers´ıvel.

Demonstra¸c˜ao:

Usando as defini¸c˜oes de autovalor e autovetor, sabemos que 0 ´e um autovalor da matriz A se e somente se existe um vetor n˜ao-nulo v tal que

Av = 0v.

(3)

O sistema linear (3) ´e claramente equivalente ao sistema homogˆeneo

Lembre que det(A) denota o determinante da matriz A.

CEDERJ

16
16

n × n

Av = 0.

(4)

´

Do curso de

Algebra Linear I, o sistema (4) possui solu¸c˜ao n˜ao-nula

E det(A) = 0 se e somente se a matriz A ´e

se e somente se det(A) = 0.

n˜ao-invers´ıvel.

Exemplo 2

Calcule os autovalores da matriz

1

A =   0

0

2

0

0

3

4

5

.

) = 0. n˜ao-invers´ıvel. Exemplo 2 Calcule os autovalores da matriz 1 A =  
 

Autovetores e Autovalores de Matrizes – Casos Especiais

 

´

 

M

ODULO 1 -

AULA 2

Solu¸c˜ao:

 

Pelo Teorema 1, os autovalores de A s˜ao os elementos da diagonal prin- cipal, ou seja, os autovalores s˜ao 0, 1 e 5. Observe tamb´em que, sendo 0 um autovalor de A, pelo Teorema 2 a matriz A ´e n˜ao-invers´ıvel.

 

Teorema 3 Se λ ´e um autovalor de uma matriz A, ent˜ao λ k ´e autovalor da matriz A k para todo k N .

Demonstra¸c˜ao:

 

Pela defini¸c˜ao, se λ ´e autovalor da matriz A, ent˜ao existe vetor n˜ao-nulo v tal que

 
 

Av = λv.

(5)

 

Multiplicando a equa¸c˜ao (5) por A temos

 

A(Av) = A(λv),

o

que nos d´a

 

A 2 v = λAv = λ(λv) = λ 2 v,

 

ou seja,

 
 

A 2 v = λ 2 v.

(6)

Obtemos, assim, que λ 2 ´e um autovalor da matriz A 2 com autovetor correspondente v. Analogamente, de (6) obtemos que

 
 

A 3 v = λ 3 v,

isso significa que λ 3 ´e autovalor da matriz A 3 com autovetor correspondente v. Continuando esse procedimento obtemos que

e

 
 

A k v = λ k v

para todo k N .

 

Assim, λ k ´e autovalor da matriz A k com o mesmo autovetor associado

 

v.

   
17
17

CEDERJ

Autovetores e Autovalores de Matrizes – Casos Especiais

Autovetores e Autovalores de Matrizes – Casos Especiais Exemplo 3 Calcule os autovalores de uma matriz

Exemplo 3

Calcule os autovalores de uma matriz A que satisfaz A 2 = 0, isto ´e, A 2 ´e a matriz nula.

Solu¸c˜ao:

Se λ ´e um autovalor da matriz A, ent˜ao,

pelo Teorema 3, λ 2 ´e um

existe vetor n˜ao-nulo v tal que A 2 v = λ 2 v.

autovalor da matriz A 2 e, portanto, Mas A 2 = 0 ´e a matriz nula, ent˜ao

λ 2 v = 0,

e, como v ´e um vetor n˜ao-nulo, ent˜ao ´e necess´ario que λ 2 = 0 e, portanto, λ = 0. Assim, obtivemos o resultado que afirma que, se uma matriz A ´e tal

que A 2 = 0, ent˜ao seu unico´

autovalor ´e λ = 0.

Uma das propriedades mais importantes dos autovalores ´e apresentada no pr´oximo teorema e sua demonstra¸c˜ao ilustra um c´alculo que ´e t´ıpico de autovalores e autovetores.

Este teorema ser´a empregado em outras aulas mais a` frente.

Teorema 4 Sejam v 1 , v 2 , distintos λ 1 , λ 2 ,

linearmente independente.

, v k autovetores de uma matriz A, associados aos autovalores

, v k } ´e

, λ k , respectivamente. Ent˜ao o

conjunto {v 1 , v 2 ,

Demonstra¸c˜ao:

Sendo v 1 vetor n˜ao-nulo, ´e claro que o conjunto unit´ario {v 1 } ´e linear- mente independente. Vamos estabelecer que {v 1 , v 2 } tamb´em ´e linearmente independente. Sejam c 1 e c 2 constantes tais que

c 1 v 1 + c 2 v 2 = 0.

(7)

Vamos mostrar que c 1 = c 2 = 0 e, consequen¨ temente, que {v 1 , v 2 } ´e um conjunto de vetores linearmente independentes.

Multiplicando a equa¸c˜ao (7) por λ 2 obtemos

CEDERJ

18
18

c 1 λ 2 v 1 + c 2 λ 2 v 2 = 0.

(8)

a equa¸c˜ao (7) por λ 2 obtemos CEDERJ 18 c 1 λ 2 v 1 +

Autovetores e Autovalores de Matrizes – Casos Especiais

Autovetores e Autovalores de Matrizes – Casos Especiais Multiplicando tamb´em a equa¸c˜ao (7) por A ,

Multiplicando tamb´em a equa¸c˜ao (7) por A, e usando que Av 1 = λ 1 v 1 e Av 2 = λ 2 v 2 , obtemos, para o lado esquerdo da equa¸c˜ao, que

A(c 1 v 1 + c 2 v 2 )

=

A(c 1 v 1 ) +

A(c 2 v 2 )

=

c 1 A(v 1 ) +

c 2 A(v 2 )

=

c 1 λ 1 v 1 + c 2 λ 2 v 2 ,

enquanto para o lado direito temos A0 = 0. Assim, o resultado de se multi- plicar a equa¸c˜ao (7) por A ´e

c 1 λ 1 v 1 + c 2 λ 2 v 2 = 0.

(9)

Subtraindo a equa¸c˜ao (9) da equa¸c˜ao (8), vemos que as segundas par- celas se cancelam, sobrando

c 1 (λ 2 λ 1 )v 1 = 0.

Como v 1 ´e vetor n˜ao-nulo, ent˜ao ´e necess´ario que c 1 (λ 2 λ 1 ) = 0. E como λ 1 = λ 2 , segue que c 1 = 0. Substituindo esse valor de volta na equa¸c˜ao

(7), obtemos c 2 v 2 = 0 e, como v 2 tamb´em ´e vetor n˜ao-nulo, ent˜ao ´e necess´ario

que c 2 = 0. Assim, conclu´ımos que {v 1 , v 2 } ´e linearmente independente.

Vamos agora dar o passo seguinte, isto ´e, estabelecer que {v 1 , v 2 , v 3 } ´e conjunto linearmente independente. Sejam c 1 , c 2 e c 3 constantes tais que

c 1 v 1 + c 2 v 2 + c 3 v 3 = 0.

(10)

Se mostrarmos que c 1

=

c 2

=

c 3

=

0,

conclu´ımos que {v 1 , v 2 , v 3 } ´e

conjunto de vetores linearmente independentes.

Multiplicando a equa¸c˜ao (10) por λ 3 obtemos

c 1 λ 3 v 1 + c 2 λ 3 v 2 + c 3 λ 3 v 3 =

0.

(11)

Multiplicando a equa¸c˜ao (10) tamb´em por A, e usando que Av 1 = λ 1 v 1 , Av 2 = λ 2 v 2 e Av 3 = λ 3 v 3 , obtemos, para o lado esquerdo da equa¸c˜ao, que

A(c 1 v 1 + c 2 v 2 + c 3 v 3 )

=

A(c 1 v 1 ) +

A(c 2 v 2 ) +

A(c 3 v 3 )

=

c 1 A(v 1 ) +

c 2 A(v 2 ) +

c 3 A(v 3 )

=

c 1 λ 1 v 1 + c 2 λ 2 v 2 +

c 3 λ 3 v 3 ,

enquanto para o lado direito temos A0 = 0. Assim, o resultado de se multi- plicar a equa¸c˜ao (10) por A ´e

c 1 λ 1 v 1 + c 2 λ 2 v 2 + c 3 λ 3 v 3 = 0.

(12)

c 2 λ 2 v 2 + c 3 λ 3 v 3 = 0 .
 

´

M

ODULO 1 -

AULA 2

19
19

CEDERJ

Autovetores e Autovalores de Matrizes – Casos Especiais

Autovetores e Autovalores de Matrizes – Casos Especiais Subtraindo a equa¸c˜ao (12) da equa¸c˜ao (11), vemos

Subtraindo a equa¸c˜ao (12) da equa¸c˜ao (11), vemos que as terceiras parcelas se cancelam, sobrando

c 1 (λ 3 λ 1 )v 1 + c 2 (λ 3 λ 2 )v 2 = 0.

Como v 1 e v 2 s˜ao linearmente independentes, ent˜ao ´e necess´ario que c 1 (λ 3 λ 1 ) = 0 e c 2 (λ 3 λ 2 ) = 0. E como λ 3 = λ 1 e λ 3 = λ 2 , segue que

c 1 = c 2 = 0. Substituindo esses valores de volta na equa¸c˜ao (10), obtemos c 3 v 3 = 0 e, como v 3 tamb´em ´e vetor n˜ao-nulo, ent˜ao ´e necess´ario que c 3 = 0. Assim, conclu´ımos que {v 1 , v 2 , v 3 } ´e linearmente independente.

Assim, sabendo que {v 1 ,

, v n } ´e linearmente independente,

vamos , v n , v n+1 }

mostrar, da mesma forma como foi feito nos casos anteriores, que {v 1 ,

tamb´em ´e linearmente independente. Sejam c 1 , que

, c n , c n+1 constantes tais

c 1 v 1 +

+ c n v n + c n+1 v n+1 = 0.

(13)

Multiplicando a equa¸c˜ao (13) por λ 3 obtemos

c 1 λ n+1 v 1 +

+ c n λ n+1 v n + c n+1 λ n+1 v n+1 = 0.

Multiplicando

a

equa¸c˜ao

(13)

tamb´em

por

A,

e

usando

(14)

que

Av 1 = λ 1 v 1 ,

, Av n+1 = λ n+1 v n+1 , obtemos, para o lado esquerdo da equa¸c˜ao,

que

A(c 1 v 1 +

+

c n v n + c n+1 v n+1 ) =

=

=

A(c 1 v 1 ) + c 1 A(v 1 ) + c 1 λ 1 v 1 +

+

+

+

A(c n v n ) c n A(v n )

c n λ n v n +

+ A(c n+1 v n+1 ) + c n+1 A(v n+1 )

c n+1 λ n+1 v n+1 ,

enquanto para o lado direito temos A0 = 0. Assim, o resultado de se multi- plicar a equa¸c˜ao (13) por A ´e

CEDERJ

20
20

c 1 λ 1 v 1 +

+

c n λ n v n + c n+1 λ n+1 v n+1 = 0.

Subtraindo a equa¸c˜ao (15) da equa¸c˜ao (14), vemos que as ultimas´ celas se cancelam, sobrando

c 1 (λ n+1 λ 1 )v 1 +

+ c n (λ n+1 λ n )v n = 0.

(15)

par-

Como v 1 , c 1 (λ n+1 λ 1 ) = 0, segue que c 1 =

(13), obtemos c n+1 v n+1 = 0 e, como v n+1 tamb´em ´e vetor n˜ao-nulo, ent˜ao ´e

, v n , v n+1 } ´e linearmente

= c n = 0. Substituindo esses valores de volta na equa¸c˜ao

λ n ,

, v n s˜ao linearmente independentes, ent˜ao ´e necess´ario que

, c n (λ n+1 λ n ) = 0. E como λ n+1 = λ 1 ,

, λ n+1

=

necess´ario que c n = 0. Assim, conclu´ımos que {v 1 , independente.

+ 1 = λ 1 , , λ n + 1 = necess´ario que c n

Autovetores e Autovalores de Matrizes – Casos Especiais

Autovetores e Autovalores de Matrizes – Casos Especiais Exerc´ıcios 1. Dada a matriz A = 5

Exerc´ıcios

1. Dada a matriz A = 5

2

0

1

, determine seus autovalores e uma base

para o auto-espa¸co associado a cada autovalor.

1

0

1

7

0

0

1

, determine seus autovalores e

2. Dada a matriz A =

3

4

uma base para o auto-espa¸co associado a cada autovalor.

3. Dada a matriz A =

A 2 e A 3 .

1

0

0

3

2

0

5

4

1

, calcule os autovalores das matrizes

4. Mostre que A e A t tˆem os mesmos autovalores.

5. Dada a matriz A, n × n, mostre que se λ 2 ´e um autovalor n˜ao-negativo de A 2 , ent˜ao λ ou λ ´e um autovalor para A.

A 2 , ent˜ao λ ou − λ ´e um autovalor para A .   ´
 

´

M

ODULO 1 -

AULA 2

21
21

CEDERJ

Polinˆomio Caracter´ıstico

Polinˆomio Caracter´ıstico Aula 3 – Polinˆomio Caracter´ıstico Objetivos:   ´ M ODULO 1 - AULA 3

Aula 3 – Polinˆomio Caracter´ıstico

Objetivos:

 

´

M

ODULO 1 -

AULA 3

Compreender o conceito de polinˆomio caracter´ıstico de uma matriz.

Compreender a rela¸c˜ao entre as ra´ızes do polinˆomio caracter´ıstico e os autovalores de uma matriz.

Desenvolver habilidades para calcular auto-espa¸cos associados a auto- valores de uma matriz.

Nesta aula, apresentaremos uma f´ormula sistem´atica de calcular os au- tovalores de uma matriz quadrada de ordem n. A cada matriz A M n (R) associaremos um polinˆomio que tem a propriedade de suas ra´ızes serem exa- tamente os autovalores de A. Antes de apresentarmos formalmente esse po- linˆomio, vejamos, atrav´es de um exemplo, como ele surge naturalmente.

Exemplo 1

Determinar os autovalores de A =

associados.

1

2

4 1 e seus respectivos autovetores

Solu¸c˜ao:

Queremos encontrar os numeros´ v = (x 1 , x 2 ) R 2 satisfazendo a equa¸c˜ao

reais λ e todos os vetores n˜ao-nulos

ou seja,

1

2

Av = λv,

4 x

1

x 2 = λ

1

x

x

1

2

A equa¸c˜ao (2) representa o sistema linear

ou ainda,

x 1 + x 2 = λx 1 2x 1 + 4x 2 = λx 2 ,

(λ 1)x 1 x 2 = 0 2x 1 + (λ 4)x 2 = 0 .

 

(1)

.

(2)

(3)

λ − 4) x 2 = 0 .   (1) . (2) (3) Pr´e-requisito: Sistema linear

Pr´e-requisito: Sistema linear

´

homogˆeneo ( Algebra Linear

I).

23
23

CEDERJ

Polinˆomio Caracter´ıstico

Polinˆomio Caracter´ıstico As equa¸c˜oes anteriores (3) formam um sistema linear homogˆeneo de ´ Algebra Linear I,

As equa¸c˜oes anteriores (3) formam um sistema linear homogˆeneo de

´

Algebra

Linear I, o sistema linear homogˆeneo (3) possui solu¸c˜ao n˜ao-nula (x 1 , x 2 ) se

e somente se o determinante de sua matriz associada for nulo, ou seja, se e somente se

(4)

duas equa¸c˜oes e duas inc´ognitas.

Como j´a foi visto no curso de

λ 1

2

= 0.

1

λ 4

Isto significa que

(λ 1)(λ 4) + 2 = 0,

ou ainda,

ou tamb´em,

λ 2 5λ + 6 = 0,

(λ 2)(λ 3) = 0.

(5)

equa¸c˜ao ´e satisfeita λ assume os valores

2 ou 3. Assim, λ 1 = 2 e λ 2 = 3 s˜ao os autovalores da matriz A.

Para encontrarmos os autovetores v = (x 1 , x 2 ) R 2 associados ao autovalor λ 1 = 2, formamos o sistema

Portanto, quando esta ultima´

Av = 2v,

ou

1

2

4 x

1

x 2 = 2 x x

1

o que nos d´a o sistema linear

x 1 + x 2 = 2x 1 2x 1 + 4x 2 = 2x 2

ou ainda,

x 1 x 2 = 0 2x 1 2x 2 = 0 .

1

2

Observe que poder´ıamos ter obtido este ultimo´

,

(6)

sistema linear homogˆeneo

substituindo simplesmente λ = 2 na equa¸c˜ao (3). Escalonando o sistema, ob-

temos que as solu¸c˜oes do sistema homogˆeneo (6) s˜ao

CEDERJ

24
24

x 1 = x 2

e x 2 = t, sendo t qualquer valor real.

solu¸c˜oes do sistema homogˆeneo (6) s˜ao CEDERJ 24 x 1 = x 2 e x 2

Polinˆomio Caracter´ıstico

Polinˆomio Caracter´ıstico Portanto, todos os autovetores associados ao autovalor λ 1 = 2 s˜ao da- dos

Portanto, todos os autovetores associados ao autovalor λ 1 = 2 s˜ao da- dos por v = (t, t), sendo t um numero´ real qualquer. Assim, todos esses autovetores s˜ao multiplos´ do vetor (1, 1). Em particular, v 1 = (1, 1) ´e um autovetor associado a λ 1 = 2.

Analogamente, para encontrarmos os autovetores associados com o au- tovalor λ 2 = 3 obtemos, de (3), o sistema linear homogˆeneo

ou, equivalentemente,

(3 1)x 1 x 2 = 0 2x 1 + (3 4)x 2 = 0

2x 1 x 2

= 0

2x 1 x 2 = 0 .

(7)

Todas as solu¸c˜oes deste sistema linear homogˆeneo s˜ao dadas por

x 1 = 1

2 x 2

e x 2 = t qualquer valor real.

Portanto, os autovalores de A associados ao autovetor λ 2 = 3 s˜ao dados por 2 t , t sendo t um numero´ real qualquer. Assim, todos esses autovalores s˜ao multiplos´ do vetor (1, 2). Em particular, v 2 = (1, 2) ´e um autovetor associado ao autovalor λ 2 = 3.

Observe que o determinante (4), do exemplo anterior, transformou a equa¸c˜ao matricial (λI A)v = 0, que cont´em duas inc´ognitas, λ e v, na equa¸c˜ao polinomial λ 2 5λ + 6 = 0, que tem uma vari´avel s´o. Nos exemplos apresentados na aula anterior, calculamos os autovalores de uma matriz por inspe¸c˜ao, enquanto no exemplo acima procedemos de uma forma mais sis- tem´atica. Usaremos o processo apresentado neste exemplo como o m´etodo padr˜ao para determinar os autovalores de uma matriz A M n (R).

Defini¸c˜ao

Seja A = (a ij ) M n (R). O determinante

p(x) = det(xI n A) =

x a 11

a 21

.

a n1

.

.

a 12 x a 22 .

.

a n2

.

.

.

.

.

.

.

.

.

.

.

.

.

a

a

1n

2n

. x a nn

.

.

(8)

´e chamado de polinˆomio caracter´ıstico da matriz A.

´e chamado de polinˆomio caracter´ıstico da matriz A .   ´ M ODULO 1 - AULA
 

´

M

ODULO 1 -

AULA 3

25
25

CEDERJ

Polinˆomio Caracter´ıstico

Polinˆomio Caracter´ıstico No Exemplo 1, o polinˆomio caracter´ıstico da matriz A = p ( x )

No Exemplo 1, o polinˆomio caracter´ıstico da matriz A =

p(x) = det(xI 2 A) =

x 1

2

1

x 4

= x 2 5x + 6.

1

2

4 1 ´e

Como p(x) = (x 2)(x 3), vemos que 2 e 3 s˜ao as ra´ızes do polinˆomio caracter´ıstico e, tamb´em, os autovalores da matriz A.

Exemplo 2

Determine o polinˆomio caracter´ıstico e os autovalores da matriz

Solu¸c˜ao:

A =

5

0

2

2

0

5

4

2

0

0

3

0

0

0

0

3

.

Temos que o polinˆomio caracter´ıstico de A ´e dado por

p(x) = det(xI 4 A) =

x 5

0

2

2

0

x 5

4

2

0

0

x 3

0

0

0

0

x 3

.

Como a matriz xI 4 A ´e triangular superior, sabemos que seu deter- minante ´e igual a

p(x) = (x 5)(x 5)(x 3)(x 3) = (x 3) 2 (x 5) 2 .

Portanto, as ra´ızes do polinˆomio caracter´ıstico de A s˜ao 3, 3, 5 e 5, que s˜ao exatamente os autovalores da matriz A. Dizemos, nesse caso