Análise e Otimização de Processos

Químicos – GNE338

Autovalores e Autovetores

Prof. João Moreira Neto

Revisão de Matrizes

 a11  a1n 
 
A    
a  a 
 m1 mn  mxn

(m x n)

Onde aij representa o elemento escalar na iésima linha e jésima coluna

 Revisão de Matrizes

Propriedades de Matrizes
A B  B  A
  A   A

A   A
T T

A   A
1 1

A   A 
T 1 1 T

 A.B   AT .BT
T

   A1.B 1
1
A.B
A1.A  I
A.A 1  I
 Revisão de Matrizes

Funções Matriciais

A matriz A(t) é contínua em t=t0 ou em um intervalo a<t<b, se cada elemento

da matriz A é cotínua nesse ponto ou intervalo
 Revisão de Matrizes

Funções Matriciais

Ex:

 sin t t 
A(t )   
 1 cos t 

  2 
dA(t )  cos t 1  2 
dt

 0

 sin t 
0 A(t )dt 
 2 
 0 
 Revisão de Matrizes

Propriedades de Funções Matriciais

d  CA  d  A
C , onde C é uma constante na matriz
dt dt
d  A  B  d  A d  B 
 
dt dt dt
d  AB  d B d  A
A B
dt dt dt
Dependência e Independência linear

Um conjunto de vetores x(1), x(2),...,x(k) é dito ser linearmente dependente

se existe um conjunto de números (complexos) c1, c2,..., ck , onde pelo menos
um deles é ≠ 0, de maneira que:

c1 x(1)+ c2 x(2)+...+ ckx(k) =0

Ou seja, os vetores x(1), x(2),...,x(k) são linearmente dependentes quando há

uma relação linear entre eles.

Se c1 x(1)+ c2 x(2)+...+ ckx(k) =0 é satisfeita apenas se c1 =c2=...= ck = 0, então

os vetores x(1), x(2),...,x(k) são ditos serem linearmente independentes.
 Dependência e Independência linear

Considere um conjunto de n vetores, cada qual com n componentes.

Seja xij=xi(j) o último componente do vetor x(j) e X=(xij).

Podemos escrever c1 x(1)+ c2 x(2)+...+ ckx(k) =0 como:

 x1(1) c1  x1(2) c2    x1(n) cn   x11c1  x12 c2    x1n cn 

 (1)   
 x2 c1  x2 c2    x2 cn   21 1 22 2
(2) (n)
x c  x c    x c
2n n 
  Xc  0
       
 (1)   
 xn c1  xn c2    xn cn   xn1c1  xn 2 c2    x nn cn 
(2) (n)

Se o Det X ≠0, o sistema admite somente uma solução e c=0 e se o Det X = 0, o

sistema admite soluções diferentes de zero. Dessa forma o conjunto de vetores x(1),
x(2),...,x(k) são linearmente independentes se e somente se Det X ≠0.
Dependência e Independência linear

Determine se os vetores x(1), x(2) e x(3) são linearmente dependentes ou

independentes
1  2   4 
     
x  x
2
x
1 3
 2   1   1 
 1  1  11
     
Dependência e Independência linear

Para determinarmos se x(1), x(2) e x(3) são LI ou LD, devemos buscar valores de c1, c2
e c3 que satisfaçam:

c1 x(1)+ c2 x(2)+c3x(3) =0

 1 2 4   c1   0 
    
 2 1 1   c2    0 
 1 1 11   c   0 
  3   

  1 2 4  
 
det( X ij )  det   2 1 1    36
  1 1 11 
 
Logo os vetores se x(1), x(2) e x(3) são LI
Autovalores e Autovetores

A análise dos autovalores/autovetores será importante quando

estudarmos sistemas dinâmicos.
O autovalores determinam quão “rápido” um sistema dinâmico responde,
e o autovetor associado indica a “direção” daquela resposta.
A análise dos autovalores/autovetores pode ser feita apenas em matrizes
quadradas.

Considere o problema de autovalor/autovetor:

A.z   .z
onde: A = matriz quadrada (n.° de linhas = n.° de colunas)
λ = são autovalores de A (escalar, Re ou Im) – “eigenvalues”
z = são autovetores de A (vetorial) – “eigenvectors”
Autovalores e Autovetores

Existem n autovalores e n autovetores associados com uma matriz n x n

* A equação A. z   .z , é uma matriz x vetor = escalar x vetor.

Um escalar multiplicando um vetor não muda sua “direção” no espaço n-

dimensional, apenas sua magnitude.

 A   .I  z  0 det( A  .I )  0
singular

onde λ deve ser um escalar para o qual A- λI é singular, caso contrário z=0
(solução trivial)
Autovalores e Autovetores

Autovalores

Os autovalores de uma matriz n x n são os escalares que resolvem:

det( A   .I )  0

Esta equação é chamada de polinômio característico para a matriz A, os

autovalores são as raízes do polinômio característico. Para uma matriz n x n,
o polinômio característico será de ordem n (n autovalores).
Autovalores e Autovetores

Autovetores

Os n autovetores correspondentes (zi) podem ser determinados

A.zi  i .zi
Onde zi é o autovetor associado ao autovalor λi

Ex: Considere a matriz A (2x2)

 a11 a12 
A 
 a21 a22 
Autovalores e Autovetores

Autovetores

 a11   a12 
A  I   
 a21 a22   

det( A  .I )   a11    a22     a12 a21  0

det( A  .I )   2   a11  a22     a11a22  a12 a21   0

Autovalores e Autovetores

Ex: Quais são os autovalores e autovetores dessa matriz?

 3 1 
A 
 2 0 
Autovalores e Autovetores

Resolvendo:

det( A  .I )  0

  3 1  1 0  
det     .   0
  2 0  0 1    3       1 2   0
  3 1    0    2  3  2  0
det      0
  2 0  0    1  1
autovalores de A
  3   1  2  2
det    0
  2   
Autovalores e Autovetores

1  1
autovalores de A
2  2
Ou seja,

( A  ( 1).I ) z1  0
( A  (2).I ) z2  0

Cada autovalor tem um autovetor associado:

 Autovalores e Autovetores

Para 1 = -1

( A  1 .I ) z1  0 2 z1(1)  z1(2)  0
2 z1(1)  z1(2)  0
  3 1  1 0  
   (1).    z1  0 z1(2)  2 z1(1)
  2 0 0 1  
Qualquer vetor na forma:

 2 1  z1(1)   z1 
 2 1  (2)   0 z1   
 2 z1 
   z1 

1  0,5 2
2  1  4
     
 Autovalores e Autovetores

Para 2 = -2

( A  1 .I ) z2  0  z2(1)  z2(2)  0
2 z2(1)  2 z2(2)  0
  3 1  1 0  
   (2).    z2  0
  2 0  0 1   z2(1)  z2(2)
Qualquer vetor na forma:

 1 1   z2(1)   z2 
z2   
 2 2   (2)   0  z2 
   z2 

1  3  2 
1  3  2 
    
Autovalores e Autovetores

Comandos no Scilab para cálculo de Autovalores/Autovetores

Utilizando-se a função spec:

[X,diagevals]=spec(A)

Onde:
A= matriz quadrada real ou complexa
diagevals=matriz diagonal com autovalores na diagonal
X=matriz quadrada inversível, matriz dos autovetores
Autovalores e Autovetores

Comandos no Scilab para cálculo de Autovalores/Autovetores

Matriz contendo os autovalores

na diagonal

Autovetor
relacionado a -1

Autovetor
relacionado a -2
Autovalores e Autovetores

Comandos no Scilab para cálculo de Autovalores/Autovetores

Matriz contendo os autovalores

na diagonal

Autovetor
relacionado a 2-i
Autovetor
relacionado a 2+i
Autovalores e Autovetores

Com o comando poly podemos obter o polinômio característico da matriz A

O comando roots pode ser usado para se obter os autovalores a partir do

polinômio característico da matriz A