Escolar Documentos
Profissional Documentos
Cultura Documentos
6 de junho de 2022
autovalor, autovetor, prá quê?
A equação
(♥) AX = λX
é considerada por muitos uma das mais importantes na
Matemática.
Nela, A denota uma matrix n × n, X um vetor-coluna e λ um
número. As incógnitas são X e λ.
autovalor, autovetor, prá quê?
A equação
(♥) AX = λX
é considerada por muitos uma das mais importantes na
Matemática.
Nela, A denota uma matrix n × n, X um vetor-coluna e λ um
número. As incógnitas são X e λ.
Evidentemente, desprezamos a solução irrelevante X = 0.
Conhecido λ, temos um sistema linear homogêneo (A − λI )X = 0.
Como exigimos existência de X 6= 0, necessariamente
det(A − λI ) = 0.
autovalor, autovetor, prá quê?
A equação
(♥) AX = λX
é considerada por muitos uma das mais importantes na
Matemática.
Nela, A denota uma matrix n × n, X um vetor-coluna e λ um
número. As incógnitas são X e λ.
Evidentemente, desprezamos a solução irrelevante X = 0.
Conhecido λ, temos um sistema linear homogêneo (A − λI )X = 0.
Como exigimos existência de X 6= 0, necessariamente
det(A − λI ) = 0.
Resulta um polinômio de grau n, chamado de polinômio
caracterı́stico da matriz A, cujas raı́zes são os autovalores de A.
Acompanhe o exemplo:
A := ( 12 23 ) ; polinômio caracterı́stico
pA (λ) = 1−λ 2
2 3−λ
Acompanhe o exemplo:
A := ( 12 23 ) ; polinômio caracterı́stico
pA (λ) = 1−λ 2
2
2 3−λ = λ − 4λ − 1;
Acompanhe o exemplo:
A := ( 12 23 ) ; polinômio caracterı́stico
pA (λ) = 1−λ 2
2
2 3−λ = λ − 4λ − 1; ⇒
√
autovalores: 2 ± 5.
Fixado um autovalor, as soluções de (♥)
Fixado um autovalor, as soluções de (♥) AX = λX
Fixado um autovalor, as soluções de (♥) AX = λX formam um
A = ( 12 24 )
Acompanhe mais um exemplo...
−2 −2
Temos V (0) = h 1 i. Faça as contas: A 1 = 0.
Acompanhe mais um exemplo...
−2 −2
Temos V (0) = h 1 i. Faça as contas: A 1 = 0.
1−5 2
Analogamente, V (5) = {X | 2 4−5 X = 0} = h( 12 )i.
Acompanhe mais um exemplo...
−2 −2
Temos V (0) = h 1 i. Faça as contas: A 1 = 0.
1−5 2
Analogamente, V (5) = {X | 2 4−5 X = 0} = h( 12 )i.
−2 −2
Temos V (0) = h 1 i. Faça as contas: A 1 = 0.
1−5 2
Analogamente, V (5) = {X | 2 4−5 X = 0} = h( 12 )i.
Não é coincidência:
Se A é uma matriz real simétrica n × n então
reais;
Se A é uma matriz real simétrica n × n então
reais;
mutuamente ortogonais;
Se A é uma matriz real simétrica n × n então
reais;
mutuamente ortogonais;
de A.
n=2
a b
Seja A = b c matriz real simétrica 2×2.
raı́zes:
p p
a+c ± (a + c)2 − 4ac + 4b 2 a + c ± (a − c)2 + 4b 2
λ± = =
2 2
n=2
a b
Seja A = b c matriz real simétrica 2×2.
raı́zes:
p p
a+c ± (a + c)2 − 4ac + 4b 2 a + c ± (a − c)2 + 4b 2
λ± = = ;
2 2
duas raı́zes distintas, a menos que a = c, b = 0, caso em que
A = aI matriz escalar,
n=2
a b
Seja A = b c matriz real simétrica 2×2.
raı́zes:
p p
a+c ± (a + c)2 − 4ac + 4b 2 a + c ± (a − c)2 + 4b 2
λ± = = ;
2 2
duas raı́zes distintas, a menos que a = c, b = 0, caso em que
A = aI matriz escalar, todo vetor é autovetor.
raı́zes:
p p
a+c ± (a + c)2 − 4ac + 4b 2 a + c ± (a − c)2 + 4b 2
λ± = = ;
2 2
duas raı́zes distintas, a menos que a = c, b = 0, caso em que
A = aI matriz escalar, todo vetor é autovetor.
A · M = A · (M1 , . . . , Mn ) = (λ1 M1 , . . . , λn Mn )
diagonalização
Em geral, a matriz A é dita diagonalizável se existir uma base de
Rn formada por autovetores de A.
Na página anterior, aprendemos que toda matriz real simétrica é
diagonalizável, e mais, a base de autovetores pode ser escolhida
ortonormal.
Se A é diagonalizável, podemos definir uma matriz M cujas
colunas são autovetores de A, l.i.
Escrevendo Mj a j-ésima coluna de M, autovetor associado a um
autovalor λj , temos
A · Mj = λj Mj .
Segue da definição de produto de matrizes a igualdade
!
λ1 0 ... 0
A · M = A · (M1 , . . . , Mn ) = (λ1 M1 , . . . , λn Mn ) = M · ...
..
. ...
0 0 ... λn
diagonalização
Em geral, a matriz A é dita diagonalizável se existir uma base de
Rn formada por autovetores de A.
Na página anterior, aprendemos que toda matriz real simétrica é
diagonalizável, e mais, a base de autovetores pode ser escolhida
ortonormal.
Se A é diagonalizável, podemos definir uma matriz M cujas
colunas são autovetores de A, l.i.
Escrevendo Mj a j-ésima coluna de M, autovetor associado a um
autovalor λj , temos
A · Mj = λj Mj .
Segue da definição de produto de matrizes a igualdade
!
λ1 0 ... 0
A · M = A · (M1 , . . . , Mn ) = (λ1 M1 , . . . , λn Mn ) = M · ...
..
. ...
0 0 ... λn
!
λ1 0 ... 0
ou ainda M−1 · A · M = ...
..
. ...
.
0 0 ... λn
1 2 3
Mais um exemplo: diagonalizar, se possı́vel, A = 045 .
006
1 2 3
Mais um exemplo: diagonalizar, se possı́vel, A = 045 .
006
Usando matrizes,
Tn
Tn+1 a b
Sn+1 = c d Sn
evolução de populações com duas espécies
Tubarões e Sardinhas “convivem” numa dinâmica populacional que
obedece à seguinte heuı́stica: se a população T crescer demais,
rareia a população S (que se alimenta de plânctons. . . ).
Um modelo de evolução simplificado leva às relações
T1 = aT0 + bS0
S1 = cT0 + dS0
Usando matrizes,
Tn
Tn+1 a b n T0
a b
Sn+1 = c d Sn = c d S0 .
Tn
Tn+1 a b
Sn+1 = c d Sn
| {z }
A
Tn
Tn+1 a b n T0
a b
Sn+1 = c d Sn = c d S0
| {z }
A
Tn
Tn+1 a b n T0
a b
Sn+1 = c d Sn = c d S0 ∆
| {z }
A
tremendamente simplificado.
Uma troca de variáveis permite chegar a esse caso favorável.
Tn
Tn+1 a b n T0
a b
Sn+1 = c d Sn = c d S0 ∆
| {z }
A
n
Quando a matriz A é diagonal, o cálculo de An = a0 d0n é
tremendamente simplificado.
Uma troca de variáveis permite chegar a esse caso
favorável.
Precisamente, suponha A = PDP , onde D = λ01 λ02 .
−1
Tn
Tn+1 a b n T0
a b
Sn+1 = c d Sn = c d S0 ∆
| {z }
A
n
Quando a matriz A é diagonal, o cálculo de An = a0 d0n é
tremendamente simplificado.
Uma troca de variáveis permite chegar a esse caso
favorável.
Precisamente, suponha A = PDP , onde D = λ01 λ02 . Perceba
−1
A2 = PDP−1 PDP−1
Tn
Tn+1 a b n T0
a b
Sn+1 = c d Sn = c d S0 ∆
| {z }
A
n
Quando a matriz A é diagonal, o cálculo de An = a0 d0n é
tremendamente simplificado.
Uma troca de variáveis permite chegar a esse caso
favorável.
Precisamente, suponha A = PDP , onde D = λ01 λ02 . Perceba
−1
tremendamente simplificado.
Uma troca de variáveis permite chegar a esse caso
favorável.
Precisamente, suponha A = PDP , onde D = λ01 λ02 . Perceba
−1
tremendamente simplificado.
Uma troca de variáveis permite chegar a esse caso
favorável.
Precisamente, suponha A = PDP , onde D = λ01 λ02 . Perceba
−1
Se b = 0 podemos desacoplar: ẋ = ax
sistema autônomo
(wiki)
Uma aplicação interessante do ferramental de autov’s é o
algoritmo de redução de uma equação geral
ax 2 + bxy + cy 2 + dx + ey + k = 0
ax 2 + bxy + cy 2 + dx + ey + k = 0
ax 2 + bxy + cy 2 + dx + ey + k = 0
A = MDM−1 ,
x 2 + 4xy + 5y 2 = 1 ↔ (x, y ) ( 12 25 ) ( yx ) = 1
| {z }
||
A
√
−1 3+2 2 0√
A = MDM , D = 0 3−2 2
,
x 2 + 4xy + 5y 2 = 1 ↔ (x, y ) ( 12 25 ) ( yx ) = 1
| {z }
||
A
√ √
−1 3+2 2 0√ 1 1√ −1− 2
A = MDM , D = 0 3−2 2
,M=√ √
1+ 2 1
(4+2 2)
x 2 + 4xy + 5y 2 = 1 ↔ (x, y ) ( 12 25 ) ( yx ) = 1
| {z }
||
A
√ √
−1 3+2 2 0√ 1 1√ −1− 2
A = MDM , D = 0 3−2 2
,M=√ √
1+ 2 1
(4+2 2)
x0
Note que M−1 = M t , transposta. Agora fazemos y0 = M t ( yx ).
x 2 + 4xy + 5y 2 = 1 ↔ (x, y ) ( 12 25 ) ( yx ) = 1
| {z }
||
A
√ √
−1 3+2 2 0√ 1 1√ −1− 2
A = MDM , D = 0 3−2 2
,M=√ √
1+ 2 1
(4+2 2)
x0
Note que M−1 = M t , transposta. Agora fazemos y0 = M t ( yx ).
x0
Assim, (x, y )A ( yx ) = (x, y )MDM t ( yx ) = (x 0 , y 0 )D y0 =
x 2 + 4xy + 5y 2 = 1 ↔ (x, y ) ( 12 25 ) ( yx ) = 1
| {z }
||
A
√ √
−1 3+2 2 0√ 1 1√ −1− 2
A = MDM , D = 0 3−2 2
,M=√ √
1+ 2 1
(4+2 2)
x0
Note que M−1 = M t , transposta. Agora fazemos y0 = M t ( yx ).
x0
Assim, (x, y )A ( yx ) = (x, y )MDM t ( yx ) = (x 0 , y 0 )D y0 =
√ √
(3 + 2 2)(x 0 )2 + (3 − 2 2)(y 0 )2 = 1.
x 2 + 4xy + 5y 2 = 1 ↔ (x, y ) ( 12 25 ) ( yx ) = 1
| {z }
||
A
√ √
−1 3+2 2 0√ 1 1√ −1− 2
A = MDM , D = 0 3−2 2
,M=√ √
1+ 2 1
(4+2 2)
x0
Note que M−1 = M t , transposta. Agora fazemos y0 = M t ( yx ).
x0
Assim, (x, y )A ( yx ) = (x, y )MDM t ( yx ) = (x 0 , y 0 )D y0 =
√ √
(3 + 2 2)(x 0 )2 + (3 − 2 2)(y 0 )2 = 1. Como ambos os autovalores
PCA?
bom divertimento!:-)