Álgebra Linear

Prof. Luiz Carlos Wrobel (março de 2019)

Técnicas Iterativas para Solução de Sistemas de Equações Lineares

Métodos iterativos são geralmente mais eficientes do que métodos diretos (tais
como inversão de matrizes, regra de Cramer, eliminação de Gauss e decomposição
LU) para a solução de grandes sistemas de equações (tipicamente com mais de
1.000 equações). Estes métodos são particularmente eficientes se a matriz do
sistema tiver muitos zeros (ou seja, se a matriz for esparsa), o que acontece com
frequência em aplicações em engenharia.

Métodos iterativos usam o conceito de aproximações sucessivas, começando com

uma aproximação inicial que é, usualmente, arbitrária. A solução nestes casos é
obtida sequencialmente ao invés de simultaneamente, como no caso dos métodos
diretos.

No caso do sistema de equações:

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2

𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛

a aproximação de ordem r da solução x1, x2, …, xn é denotada da forma x1(r), x2(r), …,

xn(r).

Um método iterativo é convergente se os números x1(r), x2(r), …, xn(r) não mais

mudam quando r aumenta.

Na prática, o processo iterativo é terminado quando

|𝑥𝑚 (𝑟+1) − 𝑥𝑚 (𝑟) | < ε

onde ε é um número pequeno (chamado de tolerância) e m = 1, 2, …, n.

O método iterativo é divergente se o módulo das diferenças entre os números

xm(r+1) e xm(r) aumentam quando r aumenta.

Método de Gauss-Jacobi

Para iniciar o método de Gauss-Jacobi, é necessário re-escrever o sistema de

equações:

𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2

𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 + ⋯ + 𝑎3𝑛 𝑥𝑛 = 𝑏3

𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + 𝑎𝑛3 𝑥3 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛

da forma:

𝑥1 = (𝑏1 − 𝑎12 𝑥2 − 𝑎13 𝑥3 − ⋯ − 𝑎1𝑛 𝑥𝑛 )/𝑎11

𝑥2 = (𝑏2 − 𝑎21 𝑥1 − 𝑎23 𝑥3 − ⋯ − 𝑎2𝑛 𝑥𝑛 )/𝑎22

𝑥3 = (𝑏3 − 𝑎31 𝑥1 − 𝑎32 𝑥2 − ⋯ − 𝑎3𝑛 𝑥𝑛 )/𝑎33

𝑥𝑛 = (𝑏𝑛 − 𝑎𝑛1 𝑥1 − 𝑎𝑛2 𝑥2 − 𝑎𝑛3 𝑥3 − ⋯ )/𝑎𝑛𝑛

O processo iterativo se inicia com os valores iniciais x1(0), x2(0), …, xn(0) que, quando
substituídos no sistema acima, produzem os resultados:

𝑥1 (1) = (𝑏1 − 𝑎12 𝑥2 (0) − 𝑎13 𝑥3 (0) − ⋯ − 𝑎1𝑛 𝑥𝑛 (0) )/𝑎11

𝑥2 (1) = (𝑏2 − 𝑎21 𝑥1 (0) − 𝑎23 𝑥3 (0) − ⋯ − 𝑎2𝑛 𝑥𝑛 (0) )/𝑎22

𝑥3 (1) = (𝑏3 − 𝑎31 𝑥1 (0) − 𝑎32 𝑥2 (0) − ⋯ − 𝑎3𝑛 𝑥𝑛 (0) )/𝑎33

𝑥𝑛 (1) = (𝑏𝑛 − 𝑎𝑛1 𝑥1 (0) − 𝑎𝑛2 𝑥2 (0) − 𝑎𝑛3 𝑥3 (0) − ⋯ )/𝑎𝑛𝑛

Com os novos valores x1(1), x2(1), …, xn(1), o processo continua para a iteração
seguinte. As equações gerais para o método de Gauss-Jacobi podem ser escritas da
seguinte forma:

𝑥1 (𝑟+1) = (𝑏1 − 𝑎12 𝑥2 (𝑟) − 𝑎13 𝑥3 (𝑟) − ⋯ − 𝑎1𝑛 𝑥𝑛 (𝑟) )/𝑎11

𝑥2 (𝑟+1) = (𝑏2 − 𝑎21 𝑥1 (𝑟) − 𝑎23 𝑥3 (𝑟) − ⋯ − 𝑎2𝑛 𝑥𝑛 (𝑟) )/𝑎22

𝑥3 (𝑟+1) = (𝑏3 − 𝑎31 𝑥1 (𝑟) − 𝑎32 𝑥2 (𝑟) − ⋯ − 𝑎3𝑛 𝑥𝑛 (𝑟) )/𝑎33

𝑥𝑛 (𝑟+1) = (𝑏𝑛 − 𝑎𝑛1 𝑥1 (𝑟) − 𝑎𝑛2 𝑥2 (𝑟) − 𝑎𝑛3 𝑥3 (𝑟) − ⋯ )/𝑎𝑛𝑛

Método de Gauss-Seidel

O método de Gauss-Seidel é um acelerador do método de Gauss-Jacobi, no sentido

de que os novos valores x1(r+1), x2(r+1), …, xn(r+1) são introduzidos no processo
iterativo assim que eles são calculados. As equações gerais para o método de
Gauss-Seidel podem ser escritas da forma:

𝑥1 (𝑟+1) = (𝑏1 − 𝑎12 𝑥2 (𝑟) − 𝑎13 𝑥3 (𝑟) − ⋯ − 𝑎1𝑛 𝑥𝑛 (𝑟) )/𝑎11

𝑥2 (𝑟+1) = (𝑏2 − 𝑎21 𝑥1 (𝑟+1) − 𝑎23 𝑥3 (𝑟) − ⋯ − 𝑎2𝑛 𝑥𝑛 (𝑟) )/𝑎22

𝑥3 (𝑟+1) = (𝑏3 − 𝑎31 𝑥1 (𝑟+1) − 𝑎32 𝑥2 (𝑟+1) − ⋯ − 𝑎3𝑛 𝑥𝑛 (𝑟) )/𝑎33

𝑥𝑛 (𝑟+1) = (𝑏𝑛 − 𝑎𝑛1 𝑥1 (𝑟+1) − 𝑎𝑛2 𝑥2 (𝑟+1) − 𝑎𝑛3 𝑥3 (𝑟+1) − ⋯ )/𝑎𝑛𝑛

Pode ser demonstrado que a condição de convergência para o método de Gauss-

Seidel é que o sistema de equações original tenha dominância da diagonal. A
condição para dominância da diagonal é a seguinte:

|𝑎11 | > |𝑎12 | + |𝑎13 | + |𝑎14 | + ⋯ |𝑎1𝑛 |

|𝑎22 | > |𝑎21 | + |𝑎23 | + |𝑎24 | + ⋯ |𝑎2𝑛 |

|𝑎33 | > |𝑎31 | + |𝑎32 | + |𝑎34 | + ⋯ |𝑎3𝑛 |

|𝑎𝑛𝑛 | > |𝑎𝑛1 | + |𝑎𝑛2 | + |𝑎𝑛3 | + |𝑎𝑛4 | + ⋯

Em outras palavras, dominância da diagonal significa que, em todas as linhas da
matriz do sistema, o valor absoluto da diagonal tem que ser maior que a soma dos
valores absolutos de todos os outros coeficientes da mesma linha.

Como um exemplo, o sistema

4𝑥1 − 6𝑥2 = 5

7𝑥1 − 2𝑥2 = 1

não tem dominância da diagonal porque, na primeira linha, o valor absoluto |4| é
 
menor do que o valor absoluto | 6| e, na segunda linha, o valor absoluto | 2| é
menor do que o valor absoluto |7|.

Entretanto, mudando-se a ordem das equações na forma,

7𝑥1 − 2𝑥2 = 1

4𝑥1 − 6𝑥2 = 5

o sistema adquire dominância da diagonal porque, na primeira equação, o valor


absoluto |7| é maior do que o valor absoluto | 2| enquanto que, na segunda

equação, o valor absoluto | 6| é maior do que o valor absoluto |4|.

A verificação da dominância da diagonal do sistema e, se preciso, a troca de linhas,

é uma operação preliminar necessária para garantir a convergência do esquema de
Gauss-Seidel.

Exemplos

1. Calcule as três primeiras iterações do método de Gauss-Seidel, trabalhando com

4 casas decimais, para o seguinte sistema de equações na sua presente forma.
Adote a aproximação inicial x1(0) = x2(0) = 0.

a)
4𝑥1 − 6𝑥2 = 5

7𝑥1 − 2𝑥2 = 1

b)
7𝑥1 − 2𝑥2 = 1

4𝑥1 − 6𝑥2 = 5
Solução:

a) Iterações para o método de Gauss-Seidel:

𝑏1 − 𝑎12 𝑥2 (0) 5
𝑥1 (1) = = = 1.2500
𝑎11 4

𝑏2 − 𝑎21 𝑥1 (1) 1 − 7 1.2500

𝑥2 (1) = = = 3.8750
𝑎22 −2

𝑏1 − 𝑎12 𝑥2 (1) 5 − (−6) 3.8750

𝑥1 (2) = = = 7.0625
𝑎11 4

(2)
𝑏2 − 𝑎21 𝑥1 (2) 1 − 7  7.0625
𝑥2 = = = 24.2187
𝑎22 −2

𝑏1 − 𝑎12 𝑥2 (2) 5 − (−6) 24.2187

𝑥1 (3) = = = 37.5780
𝑎11 4

(3)
𝑏2 − 𝑎21 𝑥1 (3) 1 − 7  37.5780
𝑥2 = = = 131.0230
𝑎22 −2

Pode se ver claramente que o processo iterativo é divergente nesse caso.

b) Iterações para o método de Gauss-Seidel:

(1)
𝑏1 − 𝑎12 𝑥2 (0) 1
𝑥1 = = = 0.1429
𝑎11 7

𝑏2 − 𝑎21 𝑥1 (1) 5 − 4  0.1429

𝑥2 (1) = = = −0.7381
𝑎22 −6

(2)
𝑏1 − 𝑎12 𝑥2 (1) 1 − (−2) (−0.7381)
𝑥1 = = = −0.0680
𝑎11 7
 𝑏2 − 𝑎21 𝑥1 (2) 5 − 4  (−0.0680)
𝑥2 (2) = = = −0.8787
𝑎22 −6

𝑏1 − 𝑎12 𝑥2 (2) 1 − (−2) (−0.8787)

𝑥1 (3) = = = −0.1082
𝑎11 7

(3)
𝑏2 − 𝑎21 𝑥1 (3) 5 − 4  (−0.1082)
𝑥2 = = = −0.7612
𝑎22 −6

O processo iterativo parece estar convergindo para a solução correta, que é dada
por x1 =  0.1282, x2 = 
0.9118. A convergência torna-se mais clara se
prosseguirmos com mais algumas iterações:

(4)
𝑏1 − 𝑎12 𝑥2 (3) 1 − (−2) (−0.7612)
𝑥1 = = = −0.0746
𝑎11 7

𝑏2 − 𝑎21 𝑥1 (4) 5 − 4  (−0.0746)

𝑥2 (4) = = = −0.8831
𝑎22 −6

𝑏1 − 𝑎12 𝑥2 (4) 1 − (−2) (−0.8831)

𝑥1 (5) = = = −0.1095
𝑎11 7

(5)
𝑏2 − 𝑎21 𝑥1 (5) 5 − 4  (−0.1095)
𝑥2 = = = −0.9063
𝑎22 −6

𝑏1 − 𝑎12 𝑥2 (5) 1 − (−2) (−0.9063)

𝑥1 (6) = = = −0.1161
𝑎11 7

(6)
𝑏2 − 𝑎21 𝑥1 (6) 5 − 4  (−0.1161)
𝑥2 = = = −0.9107
𝑎22 −6
Embora os dois casos acima representem o mesmo sistema de equaçõoes, pode ser
verificado que a matriz do sistema na parte a) não tem dominância da diagonal,
enquanto a matriz na parte b) tem. Assim, o fato de que o processo iterativo de
Gauss-Seidel diverge na parte a) e converge na parte b) é esperado.

Método do Resíduo Mínimo Generalisado (GMRES)

Definição da Wikipedia:

Em matemática, o método do resíduo mínimo generalizado (generalized minimal

residual method, GMRES) é um método iterativo para a solução numérica de
sistemas de equações lineares. O método aproxima a solução por um vetor no sub-
espaço de Krylov com resíduo minimo. O processo de iteração de Arnoldi é usado
para encontrar este vetor.

O método

Denotamos o sistema de equações lineares a ser resolvido na forma

Ax b

Assume-se que a matriz A tem dimensões m  m e é não-singular. Além disso,

considera-se que o vetor de carga b é normalizado, ou seja, ||b|| = 1 (||·|| denota a
norma Euclideana).

O espaço de Krylov de ordem n para este problema é dado por:

𝐾𝑛 = span {𝐛, 𝐀𝐛, 𝐀2 𝐛, … , 𝐀𝑛−1 𝐛}

O método GMRES aproxima a solução exata do sistema Ax = b pelo vetor xn de Kn

que minimiza a norma do resíduo Axn − b.

Os vetores b, Ab, …, An−1b são linearmente independentes e assim, a técnica de

iteração de Arnoldi é usada para se encontrar os vetores ortonormais:

𝑞1 , 𝑞2 , … , 𝑞𝑛

que formam a base de Kn. Desta forma, o vetor xn  Kn can be written as xn = Qnyn
with yn x Rn, onde Qn é uma matriz m  n formada pelos vetores q1, …, qn.

̃ n tal
O processo de Arnoldi também produz uma matriz superior de Hessenberg 𝐇
que

̃𝑛
𝐀𝐐𝑛 = 𝐐𝑛+1 𝐇
A definição de uma matriz superior de Hessenberg é que é uma matriz quadrada
m  m tal que os coeficientes 𝑎𝑖𝑗 =0 para todos os termos i, j tais que 𝑖 > 𝑗 + 1.

Porque a matriz Qn é ortogonal, tem-se então que

̃ 𝑛 𝐲𝑛 − 𝛽𝐞1 ‖
‖𝐀𝐱 𝑛 − 𝐛‖ = ‖𝐇

onde

𝑒1 = (1, 0,0, … , 0)

é o primeiro vetor na base padrão de Rn+1, e

𝛽 = ‖𝐛 − 𝐀𝐱 0 ‖

onde x0 é o primeiro vetor teste (normalmente assumido igual a zero). Assim, a

solução xn pode ser encontrada através da minimização da norma do resíduo

̃ 𝑛 𝐲𝑛 − 𝛽𝐞1
𝐫𝑛 = 𝐇

Este é um problema linear de mínimos quadrados de dimensão n.

O processo acima descreve o algoritmo GMRES. Cada passo do processo iterativo é

conduzido da forma:

1. Inicia-se com um passo do método de Arnoldi;

2. Encontra-se o vetor yn que minimiza ||rn||;
3. Calcula-se xn = Qnyn;
4. Repete-se os passos acima se o resíduo não for suficientemente pequeno.

Para cada iteração, um produto matriz-vetor Aqn precisa ser computado. Isto
requer cerca de 2m2 operações matemáticas para matrizes densas de dimensão m,
mas o custo pode ser reduzido para O(m) se as matrizes forem esparsas. Além do
produto matriz-vetor, outras O(n  m) operações precisam ser computadas na
última iteração.
Autovalores e autovetores – conceitos básicos
Definições

O estudo de vários problemas em ciéncia e engenharia levam a problemas

conhecidos como problemas de autovalores e autovetores. Por exemplo, em
problemas de vibrações, os autovalores estão relacionados com as frequências
naturais de vibração do sistema considerado, enquanto os autovetores estão
relacionados com os modos naturais de vibração do sistema.

Autovalores e autovetores são calculados normalmente através de um problema

algébrico de autovalor. Este problema envolve calcular os valores do parâmetro λ
para os quais o sistema de equações algébricas lineares

𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + ⋯ + 𝑎1𝑛 𝑥𝑛 = λ𝑥1

𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + ⋯ + 𝑎2𝑛 𝑥𝑛 = λ𝑥2

𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + 𝑛𝑥3 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛 = λ𝑥𝑛

tem soluções nao-triviais (ou seja, soluções para as quais nem todos os valores x1,
x2, …, xn são iguais a zero), e então resolver o sistema resultante para encontrar
estas soluções.

O sistema acima pode ser re-escrito da seguinte forma:

(𝑎11 − 𝜆) 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 0

𝑎21 𝑥1 + (𝑎22 − 𝜆) 𝑥2 + 𝑎23 𝑥3 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 0

𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + 𝑛𝑥3 + ⋯ + (𝑎𝑛𝑛 − 𝜆) 𝑥𝑛 = 0

que mostra que o sistema de equações é homogêneo.

Um sistema homogêneo de n equações lineares para n incógnitas x1, x2, …, xn só terá

uma solução não-trivial se a matriz dos coeficientes for singular, ou seja, se o seu
determinante for igual a zero. Quando isso acontece, a solução do sistema só pode
ser determinada a menos de uma constante multiplicativa arbitrária, no sentido de
que se x1, x2, …, xn for uma solução do sistema, então kx1, kx2, …, kxn, também será
uma solução do sistema, sendo k uma constante arbitrária.
Em forma matricial, o sistema original de equações algébricas pode ser escrito na
forma

A x= 𝜆 x

e re-escrito da seguinte forma:

(A – 𝜆𝐈) x= 0

Sabe-se que um sistema de equações homogêneas só terá soluções não-triviais se o

determinante da matriz do sistema for igual a zero, ou seja,

det (A – 𝜆𝐈) x= 0

Como o parâmetro λ aparece em todos os coeficientes das diagonais da matriz

acima, o determinante pode ser expandido na seguinte forma polinomial:

𝜆𝑛 + 𝑐1 𝜆𝑛−1 + 𝑐2 𝜆𝑛−2 + ⋯ + 𝑐𝑛−1 𝜆 + 𝑐𝑛 = 0

na qual os coeficientes ci envolvem produtos dos coeficientes aij.

A equação acima é chamada de equação característica da matriz A e suas raízes, os

valores numéricos λ1, λ2, ..., λn, são chamados de os autovalores de A. Os
autovalores podem ser reais ou complexos, mas só consideraremos aqui casos em
que os autovalores são todos reais e distintos.

Para cada um dos n autovalores λ corresponde um vetor xi que satisfaz a seguinte

equação:

(A – 𝜆𝑖 𝐈) 𝐱 𝑖 = 𝟎

O vetor xi é chamado de autovetor correspondente ao autovalor λi.

Na prática, é comum normalizar os autovetores de forma que o módulo dos seus

elementos permaneçam dentro de limites razoáveis. Se o autovetor xi tem a forma:
𝑐1
𝑐
𝐱𝑖 = [ 2 ]
𝑐3

então os autovetores normalizados são definidos na forma:

𝑐1
1
𝐱̂𝑖 = 𝑐
[ 2]
(𝑐1 2 + 𝑐2 2 + 𝑐3 2 )1/2 𝑐
3
Exemplos

5. Encontre os autovalores e autovetores da matriz abaixo,

3 2
𝐀=[ ]
1 2

Solução

Os autovalores são as raízes da equação característica:

3−𝜆 2
| |=0
1 2−𝜆

Expandindo o determinante acima gera a equação:

(3 − 𝜆) (2 − 𝜆) − 2  1 = 0

ou

𝜆2 − 5𝜆 + 4 = (𝜆 − 1) (𝜆 − 4) = 0

Os autovalores da matriz A são as raízes da equação acima, λ1 = 1 e λ2 =4 (é sempre

conveniente arrumar os autovalores em ordem crescente). Os autovetores
correspondentes são encontrados da segunte forma:

Autovetor x1: Solução do sistema

(3 − 𝜆1 )𝑥1 + 2𝑥2 = 0

𝑥1 + (2 − 𝜆1 )𝑥2 = 0

Substituindo o primeiro autovalor λ1 = 1, o sistema acima toma a forma:

2𝑥1 + 2𝑥2 = 0

𝑥1 + 𝑥2 = 0

Pode se ver que as duas equações são equivalentes, ou seja, a segunda equação é a
primeira dividida por 2. A solução do sistema acima é dada por:

𝑥2 = −𝑥1
confirmando que a solução do sistema não é unica, e só pode ser encontrada se
atribuirmos um valor arbitrário para x1 . Assumindo o valor x1=1 produz o seguinte
autovetor x1

1
𝐱1 = [ ]
−1
e o autovetor normalizado:

11
𝐱̂1 = ][
√2 −1

Autovetor x2: Solução do sistema

(3 − 𝜆2 )𝑥1 + 2𝑥2 = 0

𝑥1 + (2 − 𝜆2 )𝑥2 = 0

Substituindo o segundo autovalor λ2 = 4, o sistema acima toma a forma:

−𝑥1 + 2𝑥2 = 0

𝑥1 − 2 𝑥2 = 0

Novamente pode se ver que as duas equações são equivalentes, ou seja, a segunda
equação é a primeira dividida por -1. A solução do sistema acima é dada por:

𝑥1 = 2𝑥2

Assumindo agora o valor x2=1 produz o seguinte autovetor x2

2
𝐱2 = [ ]
1
e o autovetor normalizado:

1 2
𝐱̂ 2 = [ ]
√5 1
6. Encontre os autovalores e autovetores da matriz 3 x 3 abaixo,

3 2 2
𝐀 = [2 2 0 ]
2 0 4

Solução

Os autovalores são as raízes da equação característica:

3−𝜆 2 2
| 2 2−𝜆 0 |=0
2 0 4−𝜆

Expandindo o determinante acima gera a equação:

(3 − 𝜆) (2 − 𝜆) (4 − 𝜆) − 4  (4 − 𝜆) − 4  (2 − 𝜆) = 0

ou

−𝜆3 + 9𝜆2 − 18𝜆 = 0

A equação acima também pode ser escrita na forma:

𝜆(𝜆2 − 9𝜆 + 18) = 𝜆(𝜆 − 3)(𝜆 − 6) = 0

que mostra os autovalores desse sistema sao iguais λ1 = 0, λ2 = 3 e λ3 =6.

Autovetor x1: Solução do sistema

(3 − 𝜆1 )𝑥1 + 2𝑥2 + 2𝑥3 = 0

2𝑥1 + (2 − 𝜆1 )𝑥2 = 0

2𝑥1 + (4 − 𝜆1 )𝑥3 = 0

Substituindo o primeiro autovalor λ1 = 0, o sistema acima toma a forma:

3𝑥1 + 2𝑥2 + 2𝑥3 = 0

2𝑥1 + 2𝑥2 = 0

2𝑥1 + 4𝑥3 = 0
A solução do sistema acima em termos de x1 produz o resultado:

𝑥2 = −𝑥1
𝑥1
𝑥3 = −
2
Assumindo o valor x1=2 produz o seguinte autovetor x1

2
𝐱1 = [−2]
−1
e o autovetor normalizado:

1 2
𝐱̂1 = [−2]
3
−1
Autovetor x2: Solução do sistema

(3 − 𝜆2 )𝑥1 + 2𝑥2 + 2𝑥3 = 0

2𝑥1 + (2 − 𝜆2 )𝑥2 = 0

2𝑥1 + (4 − 𝜆2 )𝑥3 = 0

Substituindo o segundo autovalor λ2 = 3, o sistema acima toma a forma:

2𝑥2 + 2𝑥3 = 0

2𝑥1 − 𝑥2 = 0

2𝑥1 + 𝑥3 = 0

A solução do sistema acima em termos de x2 produz o resultado:

𝑥2
𝑥1 =
2
𝑥3 = −𝑥2

Assumindo o valor x2=2 produz o seguinte autovetor x2

1
𝐱2 = [ 2 ]
−2
e o autovetor normalizado:

1 1
𝐱̂ 2 = [ 2 ]
3
−2

Autovetor x3: Solução do sistema

(3 − 𝜆3 )𝑥1 + 2𝑥2 + 2𝑥3 = 0

2𝑥1 + (2 − 𝜆3 )𝑥2 = 0

2𝑥1 + (4 − 𝜆3 )𝑥3 = 0

Substituindo o terceiro autovalor λ3 = 6, o sistema acima toma a forma:

−3𝑥1 + 2𝑥2 + 2𝑥3 = 0

2𝑥1 − 4𝑥2 = 0

2𝑥1 − 2𝑥3 = 0

A solução do sistema acima em termos de x3 produz o resultado:

𝑥1 = 𝑥3
𝑥3
𝑥2 =
2

Assumindo o valor x3=2 produz o seguinte autovetor x3

2
𝐱 2 = [1]
2
e o autovetor normalizado:

1 2
𝐱̂ 2 = [1]
3
2
Propriedades dos Autovalores

1. A soma dos autovalores da matriz A é igual a soma dos coeficientes da

diagonal da matriz A:
𝑛 𝑛

∑ 𝜆𝑖 = ∑ 𝑎𝑖𝑖
𝑖=1 𝑖=1

2. O produto dos autovalores da matriz A é igual ao determinante da matriz A:

𝑛

∏ 𝜆𝑖 = det 𝐀
𝑖=1

3. Os autovalores da matriz inversa A-1, quando esta existe, são da forma

1 1 1
, ,…,
𝜆1 𝜆2 𝜆𝑛

4. Os autovalores da matriz transposta AT são os mesmos da matriz A,

𝜆1 , 𝜆2 , … , 𝜆𝑛
Exercícios
Esquemas Iterativos para Sistemas de Equacoes Lineares

1. Resolva o seguinte sistema de equações:

3𝑥1 + 5𝑥2 − 𝑥3 = −14

7𝑥1 − 2𝑥2 + 3𝑥3 = 19

2𝑥1 − 𝑥2 + 6𝑥3 = 17

com o método de Gauss-Seidel, usando as aproximações iniciais x1(0) = x2(0) = x3(0) =

0.

Autovalores e Autovetores

1. Os períodos naturais de vibração T de um edifício são dados pela equação:

2𝜋
𝑇=
√−𝜆

onde 𝜆 são os autovalores de uma matriz A conhecida. Calcule T nos seguintes

casos:

i)

−15 5
𝐀=[ ]
10 −10

ii)
5 0 0
𝐀 = [−9 4 −1]
−6 2 1

2. Encontre os modos naturais de vibração dos edifícios acima, que são os

autovetores do sistema.