2013-2 - 08 - Problemas de Autovalor e Autovetor - 6 - Corpo 18 v2 PDF

Autovalores e Autovetores
Prof. Henrique Mariano Amaral Universidade Estadual do Maranho

8 - Problemas de Autovalor e Autovetor
Sumrio
8 - Problemas de Autovalor e Autovetor ................................................ 1
8.1 - Introduo .................................................................................. 3
8.2 O Problema de Autovalor e Autovetor ....................................... 11
8.3 Matrizes Similares ...................................................................... 45
8.4 Mtodos de Determinao de Autovalores e Autovetores de
uma Matriz ....................................................................................... 64
8.5 Autovalores e Autofunes Associados a Problemas de Valores
de Contorno. .................................................................................. 133
8.6 Autovalores e Autofunes Associados a Problemas de Sistemas
de Equaes Diferenciais. ............................................................... 153
8.7 Autovalores e Autovetores no Matlab .................................... 162

8.1 - Introduo
Os conceitos de autovalor e autovetor foram apresentados no captulo 6.
Aqui estudar-se- alguns mtodos numricos para determin-los.
Em alguns problemas de engenharia interessante saber o maior
autovalor e o seu autovetor associado. Em tais casos vantajoso o uso
do Mtodo de Stodola-Vianello. Se por outro lado, necessrio conhecer
o menor autovalor, este mtodo pode ser usado, mas ele requer que seja
feita a inverso da matriz do sistema, o que consome bastante tempo de
computao.
Muitos outros problemas de engenharia, no entanto, envolvem uma
anlise mais refinada, de modo que todos ou diversos autovalores e seus
autovetores associados necessitam ser conhecidos.
Definio 1: Um vetor no nulo denominado "autovetor" de
uma dada matriz A (ou de uma transformao linear) se como resultado
de uma apropriada transformao linear o vetor levado a um vetor
colinear, isto , se o vetor transformado difere do original apenas por um
fator escalar.
Em outras palavras, o vetor 0 x um
"autovetor" de A se a matriz leva x a um
vetor x:
x x A (8.1.1)
onde um escalar denominado de
"autovalor" (ou raiz caracterstica, ou ainda nmero caracterstico) da
matriz A.
FIGURA 8.1 AUTOVETOR
Geometricamente, Ax x informa que sob a transformao A, os
autovetores sofrem apenas uma mudana de magnitude ou de sinal a
orientao de Ax no
n
R a mesma de x. O autovalor simplesmente
a quantidade de expanso ou encolhimento pelo qual o autovetor x
submetido quando transformado por A (vide figura anterior).
Definio 2: Define-se autovetor a esquerda, quando se tem
uma expresso da seguinte forma:
H H
x A x .
Definio 3: O mximo valor absoluto dos autovalores de A
chamado de raio espectral e denotado por:
max
A
A (8.1.2)


Teorema 1: Dado um polinmio

1
0 1 1
n n
n n
P x a x a x a x a
Cujas razes so
1 2
, ,...,
n
x x x , se definirmos a soma das potencias das
razes da seguinte forma:

1
, 1
n
k
k i
i
s x k n
Ento se tem, sempre, as seguintes relaes vlidas:

1
0
0 1, 2, ,
k
i k i k
i
a s ka k n

Pelo teorema acima, v-se que existe uma reao entre os coeficientes
de um polinmio e a soma das potencias de suas razes.
Exemplo
Dada as somas das potencias das razes
1 2 3
6; 14, 36 s s s ,
encontrar o polinmio P x .
Soluo
Como se tem apenas 3 somas de potencia, o polinmio dever ser de
terceiro grau, isto , seja
3 2
0 1 2 3
P x a x a x a x a , logo pelo
teorema acima se tem:
0 1 1 1 0 1
0 2 1 1 2 2 0 2 1 1
0 3 1 2 2 1 3 3 0 3 1 2 2 1
1 0
2 2 0 2
3 3 0 3
k a s a a a s
k a s a s a a a s a s
k a s a s a s a a a s a s a s

Considerando como unitrio o coeficiente do termo de maior grau, isto ,
0
1 a , levando-se este valor nas expresses anteriores se obtm os
seguintes valores para os coeficientes:

0
1
2
3
1
6
11
6
a
a
a
a

Logo o polinmio procurado

3 2
6 11 6 P x x x x
Cujas razes so respectivamente:
1 2 3
1; 2; 3 x x x

8.2 O Problema de Autovalor e Autovetor
Em muitos problemas de engenharia, natural a soluo de sistemas de
equaes lineares da forma:

11 1 1 1
21 1 2 2
1 1
n n
n n
n nn n n
a x a x x
a x a x x
a x a x x
(8.2.1)
ou ainda

11 1 1
1 1
0
0
n n
n nn n
a x a x
a x a x
(8.2.2)
Como o sistema acima homogneo, s tem soluo se o determinante
do mesmo for nulo, isto :
det 0 A (8.2.3)
que gera um polinmio de n-simo grau em , cujas razes so os n
valores de que satisfazem a equao:
x x A (8.2.4)
A cada um desses valores de , denominamos de autovalor do sistema
em discusso. O conjunto de valores das incgnitas
i
x associadas a
cada autovalor, definindo uma soluo de (8.2.4) denominado de
autovetor.
Teorema 1: Toda transformao linear em um espao
vetorial (euclidiano) complexo tem no mnimo um autovetor real ou
complexo.
Demonstrao:
Seja A a matriz de transformao linear. Os autovetores de A so solues no nulas da equao matricial

( . ) 0
x x
ou
x
A
A I
(8.2.5)
onde a matriz A I chamada de matriz caracterstica. A equao (8.2.5) um sistema linear homogneo o
qual tem uma soluo no trivial se e somente se o determinante do sistema for zero, o que segue:
det . 0 A I (8.2.6)
O determinante (8.2.6) chamado de determinante caracterstico ou secular da matriz A e a equao (8.2.6)
denominada equao caracterstica ou secular. Expandindo (8.2.6) tem-se:
11 12 13 1
21 22 23 2
31 32 33 3
1 2 3
0
n
n
n
n n n nn
a a a a
a a a a
a a a a
a a a a
(8.2.7)
ou ainda
1
1 2
1 2 1
1 1 0
n n
n n n
n n
(8.2.8)
O polinmio do lado esquerdo de (8.2.8) denominado polinmio caracterstico ou secular da matriz A. Seus
coeficientes , 1, 2, ,
i
i nso definidos pelas seguintes regras:
O coeficiente
1
igual soma dos elementos da diagonal principal de A, ou o trao de A.
O coeficiente
2
a soma de todas as diagonais dos menores de segunda ordem. Em geral,
k
a soma das
diagonais de todos os menores de k-sima ordem.
O termo constante
n
igual ao determinante de A.
A equao caracterstica uma equao algbrica de grau n em , e pode-se provar pela lgebra que ela tem, no
mnimo, uma raiz real ou complexa.
Como se viu, as razes do polinmio caracterstico so os autovalores da referida matriz. Do teorema fundamental da
lgebra, todo polinmio de grau n tem exatamente n razes no plano complexo; consequentemente o lado esquerdo
de (8.2.8) pode ser escrito da seguinte forma:

1 n
(8.2.9)
evidente que os n autovalores no so necessariamente distintos. Se um autovalor ocorre m vezes como raiz de um
polinmio caracterstico, ele dito ser um autovalor de multiplicidade m. Notar tambm, que mesmo sendo uma
matriz real, os autovalores podem ser complexos, dois a dois, isto , se tiver um autovalor do tipo a ib
existir um outro do tipo 1 a ib i .

Existe um mtodo chamado de Mtodo de Leverrier que, por manuseio
de matrizes, determina os coeficientes
i
da equao (8.2.8):
1
1 2
1 2 1
1 1 0
n n
n n n
n n

Mtodo de Leverrier
O Mtodo de Leverrier fornece um polinmio caracterstico de uma
matriz de ordem n . Seja ento A uma matriz de ordem n , ento o
polinmio caracterstico desta

1 2
1 2 1
1
n
n n n
n n
P (8.2.10)
Cujas razes ou autovalores so
1 2 1
, ,..., ,
n n
. Pelo teorema 1 da seo
8.1, se
1
, 1
n
k
k i
i
s k n, ento se tem

1 1 1 1
... , 1
k k k k
k s s s k n (8.2.11)
Logo, como se conhece todas as somas , 1
k
s k n, si pode determinar
os coeficientes
1 2
, ,...,
n
de P .
A determinao das somas parciais , 1
k
s k n feita da seguinte
forma: fazendo a expanso direta do determinante de ( . ) A I , o
coeficiente de
1 n
em P
1
11 22
1 ...
n
nn
a a a . Este mesmo
coeficiente em (8.2.10) igual a
1
1
1
n
que leva a seguinte concluso:

1 11 22 1 nn
a a a s tr A
Sabe-se que os autovalores de
k
A so a k-sima potencia dos
autovalores de A. Por analogia ao que si fez acima, pode-se verificar que

k
k k
s tr A
Abaixo, apresenta-se o algoritmo do Mtodo de Leverrier:


Mtodo de Leverrier
1
B A
1 1
trao B
1 1
s
Para k=2 at n faa

1 k k
B AB
/
k k
traoB i
Para j = k-1 at 1 faa

( ) * ( )
k k
s j sigma i j
i

Fim para
Fim para
4 1 1
0 2 1
2 0 9


EM MATLAB:
% ====================================================================
% === Mtodo de Leverrier para determinao coeficiente espectrais ===
% ====================================================================
function [s,sigma] = la(A,n)
s = zeros(n,1); % somas das potencias das raizes lambdas
B = zeros(n,n);
sigma = zeros(n,1); % coeficientes do polinomio caracteristico
Bant = zeros(n,n);
Bant = A;
s(1) = trace(Bant);
sigma(1) = s(1);
I = eye(n); % matriz identidade
for i=2:n
B = A*(Bant); %+s(i)*I);
s(i) = trace(B);
soma = s(i);
for k=(i-1):-1:1
soma = soma - s(k)*sigma(i-k);
end
sigma(i) = soma/(i);
Bant = B;
end
return
Exemplo: Ache os coeficientes espectrais do polinmio caraterstico da
matriz
4 1 1
0 2 1
2 0 9
usando o programa anterior
A = [4 1 1; 0 2 1; -2 0 9];
[S,Sigma] = la(A,3);
S = [ 15.0000 97.0000 717.0000 ]
T

Sigma = [ 15.0000 -64.0000 74.0000]
T

Isto ,
3
3 2
1 2 3
3
3 2
3 2
1
1 15 64 74
15 64 74
P
.

Definio 1: Um subespao linear
k n
V V , com k n, dito
ser espao invariante em relao a uma dada transformao linear
y x A se cada vetor transformado deste subespao leva a ele mesmo,
assim
k k
x V x V A .
Teorema 2: Os autovetores de uma matriz A
correspondentes aos distintos autovalores, so dois a dois linearmente
independentes.
Demonstrao:
Seja A uma dada matriz e

( ) ( ) j j
Ax x para j=1,...,n (8.2.12)
onde 0,
j
j k
x para j k.
Seja
j j j
x x A (8.2.13)
Seja, por definio,
1
0 c . Aplicando a transformao linear (8.2.13), tem-se em virtude de (8.2.12):

1 2
1 1 2 2
0
m
m m
c x c x c x (8.2.14)
Multiplicando (8.2.13) por
m
e subtraindo (8.2.14) do resultado, obtm-se:

1 2
1 1 2 2
1 2 1
1 1 2 2 1 1
0
0
m
m m m m m
m
m m m m m
c x c x c x
ou
c x c x c x

(8.2.15)
Ento de (8.2.15), pode-se eliminar
1 m
x de maneira similar, e assim sucessivamente, pode-se eliminar
1 2
, , ,
m m
x x x obtendo-se
5
10 .
Mas essa equao impossvel, porque nenhum dos fatores do lado esquerdo da igualdade nulo; logo nossa hiptese
falsa e os outros
1 2
, , ,
m m
x x x so linearmente independentes.

Corolrio: Se todos os autovalores de uma matriz A de ordem
nso dois a dois distintos, ento os correspondentes autovetores desta
matriz ( n ao todo) forma uma base de um espao n-dimensional.

Lembrando o conceito de matriz adjunta ou conjugada, se tem:
Definio 2: Uma matriz
H
A associada a uma matriz A de
uma transformao linear dita adjunta ou conjugada se
, ,
H
x y x y A A
quaisquer que sejam x e y pertencentes a um espao euclidiano, e cujas
propriedades so:

H
I I

H
H H
A B A B

H
H
A A

H
H
A A

H
H H
AB B A
Definio 3: Uma matriz A dita auto-adjunta se
H
A A
ou ainda , ,
H
x x x x A A .
Teorema 3: Se uma matriz A auto-adjunta, ento para
qualquer x , o produto escalar , x x A um nmero real.
Teorema 4: Os autovalores de uma matriz A auto-adjunta
so reais.
Demonstrao:
Seja um autovalor de A. Por definio de tem-se que x x A ou se
1 x ento , x x A . Do teorema anterior, sabe-se que , x y real, logo real:
, , 1 , x x x x x x x x A A

Lema: Qualquer autovalor de uma matriz A auto-
adjunta associada a uma transformao linear auto-adjunta em um
espao euclidiano V igual ao produto escalar ou produto interno
, x x A onde x V um vetor satisfazendo a condio 1 x :
, 1 x x x A
Definio 4: Uma matriz
n n
A chamada de redutvel se
existe uma matriz de permutao P tal que

11 12
22
T
B B
PAP
0 B
(8.2.16)
onde
11
B e
22
B so matrizes quadradas; Caso contrrio a matriz A dita
irredutvel.
Para checar se uma matriz redutvel, o grafo orientado da matriz deve
ser empregado convenientemente. Como visto no captulo 5, um grafo
ordenado de uma matriz A obtido juntando n pontos (chamados de
vrtices do grafo),
1
,...,
n
p p atravs de uma linha orientada de
i
p at
j
p
se a correspondente entrada
ij
a da matriz for diferente de zero, isto , se
0
ij
a .
Definio 5: Um grafo orientado dito ser fortemente
conectado se para quaisquer dois pares distintos de vrtices,
i
p e
j
p
existir um caminho de
i
p at
j
p .
Lema: Uma matriz
n n
A irredutvel se seu grafo
orientado for fortemente conectado.
Teorema 5: (Teorema Espectral para Diagonalizao de
Matrizes). Uma matriz A com espectro
1

1 2
, , ,
k
A
diagonalizvel se e somente se existirem matrizes
1 2
, , ,
k
G G G tais
que:

1
O conjunto de distintos autovalores de uma matriz A denotado por
1 2
, , ,
k
A e denominado de espectro de A.

1 1 2 2 k k
A G G G (8.2.17)
onde as matrizes
i
G tm as seguintes propriedades:

i
G a projeo sobre
i
N A I ao longo de
i
R A I 2.
0,
i j
i j GG .

1 2 k
G G G I
A expanso (8.2.17) conhecida como decomposio espectral de A, e
os
i
G so chamados de projetores espectrais associados a A,
i
N A I

2

i
R A I a projeo ortogonal de
i
A I de modo que
i i
R A I N A I e mais
i i
R A I N A I
um espao (ou auto-espao) de A formado por todos os autovetores,
no nulos, associados com o autovalor
i
.

Exemplo:
Seja o seguinte problema de vibrao de um sistema de duas massas
1 2
, m m e trs molas de rigidez
1 2 3
, , k k k , conforme figura:
As quantidades
1 2
, u u so os deslocamentos das duas
massas, medidos a partir de suas posies
estticas, isto , no perturbadas.
As equaes do movimento para as massas so:
1 1 1 2 1 2 2
2 2 2 1 2 3 2
0
0
mu k k u k u
m u k u k k u
(a)
onde
1 2
, u u so as aceleraes das massas
1 2
, m m respectivamente. A
soluo das equaes (a) acima tem a seguinte forma harmnica:

1 1
2 2
u x sen t
u x sen t
(b) (b)
FIGURA 8.2 SISTEMA
MASSA-MOLAS
onde
1 2
, x x so as amplitudes, a frequncia de vibrao e t o tempo.
Diferenciando (b) duas vezes em relao ao tempo, obtm-se:

1 1
2 2
2
1 1
2
2 2
cos
cos
cos
u x t
u x t
e
u x sen t
u x t
(c)
Levando-se (b) e (c) em (a), obtm-se:

2
1 2 1 1 2 2
2
2 1 2 3 2 2
0
0
k k m x k x
k x k k m x
(d)
Dividindo-se a primeira equao de (d) por
1
m e a segunda por
2
m tem-
se:

1 2 2 2
1 2
1 1
2 3 2 2
1 2
2 2
0
0
k k k
x x
m m
k k
k
x x
m m
(e)
Comparando (e) com (8.2.2), v-se que so equivalentes, com A, o que
significa que
2
0, isto ,

2
2 3 1 2 2 2
2
1 2 1 2
k k
0
k k
k
m m m m

desenvolvendo e fazendo
2
, obtm-se a seguinte equao
algbrica:

2
2 3 1 2 2 3 1 3 1 2
1 2 1 2
0
k k k k k k k k k k
m m mm
(f)
cujas razes so os autovalores:

2
1 1
2
2 2

Assim, conhecido os autovalores podem-se determinar os autovetores, a
partir das equaes (e). Da primeira equao de (e), obtm-se:
, 0
i i
v v (g)
donde atribuindo valor para
1
x acha-se
2
x , tanto para
1 2
, .

Exemplo
Como exemplo numrico, seja
1
2 k e
2 3 1 2
1 k k m m ; logo (f)
transforma-se em:

2
5 5 0
cuja soluo :

2
1 1
2
2 2
1, 382
3, 618
(h)
Levando-se (h) em (g), determina-se:

1 1
2 2
1 1, 618
1 0, 618
x
x

Como de praxe normalizam-se os vetores
1
x e
2
x , dividindo-os pelos
seus comprimentos x :

2 2
1
1 1, 618 1, 903 x

2 2
2
1 0, 618 1,176 x
donde se obtm, finalmente:

1
2
0,526 0,850
0,850 0,526
x
x

Estes vetores so ortogonais, isto ,
i j ij
x x .
O mtodo ilustrado inconveniente na maioria dos problemas, porm
pode ser aplicado a pequenos problemas. Os problemas prticos, em
geral, envolvem centenas de incgnitas, para os quais se devem aplicar
mtodos apropriados, que envolvem tcnicas computacionais complexas
capazes de solucionar os problemas de maneira algortmica.

Estimativa a Priori de Autovalores
Seja
n n
A uma matriz diagonalizvel; seja
1
,...,
n n
n
X x x a
matriz de seus autovetores direita, onde , 1,...,
n
k
k n x de
maneira que
1
1
,...,
n
diag D X AX , sendo
i
representar os
autovalores de , 1,..., i n A .
Seja tambm
n n
E uma perturbao de
n n
A , ento,
Teorema 6: (Bauer-Fike) Seja
*
um autovalor da matriz
n n
A E , ento

*
min
p
p
A
X E (8.2.18)
onde
p
qualquer p-norma matricial, e o denominado nmero
condio
3
do problema de autovalor para a matriz
n n
A .
Demonstrao
Se
*
A ento (8.2.18) se verifica trivialmente. Seja ento
*
A ; da definio de autovalor que
que a matriz
*
0 A E I o que implica que, como X invertvel, ento

3
Veja captulo 6, no volume 1 desta obra.

1 * 1 1 *
1 *
0
X A E I X X AX X EX I
= D X EX I (8.2.19)
Dessa forma, existe um vetor
n
x no nulo tal que

* 1
0 D I X EX x
Como, por hiptese,
*
A , a matriz diagonal
*
D I invertvel, a equao acima pode ser reescrita
da seguinte forma:

1
* 1
0 I D I X EX x
Aplicando a norma
p
se tem

1
*
1
p
p
p
D I X E
Donde segue a estimativa (8.2.18), uma vez que se tem

1
1
* *
min
p
A
D I (8.2.20)

Se A uma matriz normal, do teorema da decomposio de Schur (vide
adiante na seo 8.3) segue que a matriz de transformao de
similaridade X unitria, no que implica que
2
1 X , levando a

* *
2
, min
A
A E E (8.2.21)
fazendo com que o problema de autovalor seja bem-condicionada com
relao ao erro absoluto; isto, no entanto, no previne que a matriz do
problema de autovalor seja afetada por erros relativos significantes,
especialmente quando A tem um largo espectro.
Assim, o teorema acima de Bauer-Fike estabelece que o problema de
autovalor de matrizes bem-condicionado se A for uma matriz normal.

Teorema 7: Seja
n n
A uma matriz diagonalizvel; sejam
, , x y respectivamente um simples autovalor e seus associados
autovetores a direita e a esquerda, com
2 2
1 x y . Alm disso, para
0, seja
2
, 1
n n
A A E E E . Denotando por e
x o autovalor e o correspondente autovetor de A tal que 0
e 0 x x, se tem

1
0
H
y x
(8.2.22)
Demonstrao
Primeiramente seja demonstrar que 0
H
y x :
fazendo
1
,..., , , 1,...,
H n
n k
com k n
1
Y y y X y segue que
H H
k k k
y A y ,
isto , as colunas de
1 H
X Y so os autovetores esquerda de A. Ento, como
, , , 1,...,
H H
i j ij
i j n Y X I y x , sendo
ij
o delta de Kronecker. O resultado equivalente a dizer
que os autovetores x de A e os autovetores y de
H
A formam um conjunto bi-ortogonal.
Seja agora demonstrar (8.2.22): Como as razes da equao caracterstica so funes contnuas dos coeficientes do
polinmio caracterstica associado com A , segue que os autovalores de A so funes continuas de .
Assim, na proximidade de 0 se tem A E x x . Diferenciando esta equao com
relao a e fazendo ,, se tem
0 0 A x E x (8.2.23)
Premultiplicando ambos os lados por
H
y e lembrando que este o o autovalor pela esquerda de A,
0
H
H
y Ex
y x
(8.2.24)
Aplicando a desigualdade de Cauchy-Schwarz se tem
1
0
H
y x
.

8.3 Matrizes Similares
Definio: Duas matrizes associadas a uma mesma
transformao linear, porm em bases distintas, so denominadas de
matrizes similares.
Se uma matriz A similar a uma matriz B, representa-se por A B
esta relao.
A seguir deduzir-se- as condies para que matrizes sejam similares.
Assim, em certa base, a matriz A representa a transformao linear,
y x A (8.3.1)
Em uma nova base, esta mesma transformao linear descrita por
outra matriz B:
v B (8.3.2)
onde A B. Ento seja S a matriz mudana de base da nova base para a
base antiga, assim:

x
y v
S
S
(8.3.3)
onde o determinante de S, det S , diferente de zero. Levando essas
expresses de mudana de base na primeira expresso da transformao
linear, tem-se:
v v
-1
S AS S AS (8.3.4)
Donde se conclui que
-1
B S AS. Assim, duas matrizes so similares se e
somente se uma obtida da outra por uma transformao efetivada por
alguma matriz no singular (det 0 S ). O produto
-1
S AS
denominado de transformao de similaridade. De

-1
B S AS (8.3.5)
Fazendo operaes simples, encontra-se:

-1
A SBS (8.3.6)
Que demonstra que se A B B A, isto , se A similar a B, B
similar a A.
As propriedades da transformao linear por meio de uma matriz Sso:
A transformao da soma das matrizes igual soma das
transformaes:
2 2 (8.3.7)
A transformao de um produto de matrizes igual ao produto das
transformaes dos fatores:

-1 -1 -1
S A B S S AS S BS (8.3.8)
A transformao de uma matriz inversa igual a inversa da matriz
transformada:

1
-1 -1 -1
S A S SAS (8.3.9)
A transformao de uma potncia inteira (positiva ou negativa) igual
mesma potncia da transformao:

n
-1 n -1
S A S S AS (8.3.10)

Teorema 1: Matrizes similares tm o mesmo polinmio
caracterstico.
Demonstrao
Seja A B. Deve-se provar que det det A I B I .
Como
-1
B S AS com det 0 S , tem-se:

1
det det det det det det S
-1
B I A I S S A I S A I

pois
1
det
det
-1
S
S
.

Corolrio 1: Matrizes similares tm traos idnticos e os
mesmos autovalores, inclusive sua multiplicidade.
Corolrio 2: A propriedade de um vetor para ser um
autovetor de uma dada transformao linear independe da escolha da
base.
Teorema 2: Se uma dada matriz quadrada A de ordem n
tem n autovetores linearmente independentes, ento, dado eles como
vetores de base, obtm-se uma matriz diagonal similar quela dada
originalmente.
Demonstrao:
Seja A a matriz quadrada de ordem nem considerao. Sejam
1 2
, , ,
i n
e e e e autovetores LI dois a
dois, que por sua vez so base de representao de A, logo:
, 1, 2, ,
j j j
e e j n A
Seja ento um vetor qualquer x do espao gerado por
i
e , logo:
1
n
j j
j
x x e .
Onde
i
x so as coordenadas de x na base dada. Aplicando a transformao A sobre x , tem-se:

1 1
n n
j j j j
j j
y x x e x e A A A
Por hiptese
j j j
e e A , logo:
1
n
j j j
j
y x e onde , 1, 2, ,
j j j
y x j n, ou ainda
1
n
j jk j k
k
y e e onde
jk
o delta de Kronecker. Como se v, nesse caso
jk j
A ou na forma
expandida:

1
2
0 0
0 0
.
0 0
n
A

A seguir vai-se descrever uma relao, em geral dita como uma
transformao de similaridade, que estabelece uma relao entre uma
matriz arbitrria qualquer e matrizes triangulares.

Decomposio de Schur
Lema: (Decomposio de Schur
4
). Toda matriz quadrada
unitariamente similar a uma matriz triangular superior. Isto , para
toda matriz A de ordem n existe uma matriz unitria U (no nica) e
uma matriz triangular superior T (no nica) tal que
*
U AU T, e onde
os elementos da diagonal de T so os autovalores de A.
A matriz U cuja existncia assegurada pelo Lema acima satisfaz sempre
a condio
2 2
Ux x para qualquer vetor x.

4
Issa Schur (1875-1941)
No Matlab, existe uma funo denominada schur que realiza a
decomposio de Schur, cuja sintaxe de uso :
1. schur T A retorna a matriz de Schur T;
2. , schur tipo T A - retorna a matriz de Schur T de um dos tipos
abaixo:
3. se tipo = complex: T triangular e complexa se A tiver
autovalores complexos;
4. se tipo = real: T tem os autovalores reais na diagonal e os
autovalores complexos em blocos 2 2 sobre a diagonal. (este o
valor default)
5. , schur tipo U, T A - retorna uma matriz unitria U de modo a
satisfazer a
T
A UTU que implica na assertiva do Lema anterior:
i
.

Exemplo:
Seja
3.556 1.778 34
321 100 573
17 9 61
A , ache sua decomposio de Schur.
Utilizando o Matlab se tem:
>> A=[3.556 1.778 -34; 321 100 573; -17 -9 -61];
>> T=schur(A);
>> T
T =
1.0e+002 *
0.77079061437399 3.39235037998769 5.66095999240732
0 -0.17261530718700 -0.67181613861059
0 0.06102722266180 -0.17261530718700
>> [U,T]=schur(A);
>> T
T =
1.0e+002 *
0.77079061437399 3.39235037998769 5.66095999240732
0 -0.17261530718700 -0.67181613861059
0 0.06102722266180 -0.17261530718700
>> U
U =
0.05735998255449 0.99761187305719 -0.03847574738298
0.99575639626247 -0.05439019475514 0.07423547680776
-0.07196548967197 0.04257061721220 0.99649822420637
>> U'*A*U
ans =
1.0e+002 *
0.77079061437399 3.39235037998770 5.66095999240732
0.00000000000000 -0.17261530718700 -0.67181613861059
0.00000000000000 0.06102722266180 -0.17261530718700
>> U*T*U'
ans =
1.0e+002 *
0.03556000000000 0.01778000000000 -0.34000000000000
3.21000000000000 1.00000000000000 5.72999999999999
-0.17000000000000 -0.09000000000000 -0.61000000000000

importante notar que quando os elementos fora da diagonal principal
de T forem muito grandes uma indicao de que a matriz A tem
autovalores mal condicionados, isto , pequenas mudanas nos
elementos da matriz A provocam grandes alteraes nos seus
autovalores.
s vezes prefervel ver a matriz de decomposio de Schur na sua
forma complexa, pois na sua forma real no possvel visualizar a
parte complexa dos autovalores complexos. No exemplo acima, v-se
que
22 33
0,1726153... T T um indicativo de autovalores complexos
(estes aparecem sempre aos pares, um conjugado do outro). Para se
transformar a forma real de Schur para a forma complexa de Schur, usa-
se o comando [u,t]=rsf2csf(U,T):
>> [u,t] = rsf2csf(U,T)
u =
0.05735998255449 -0.01110307538608+0.95517125976968i 0.28788420202344+0.03683890407776i
0.99575639626247 0.02142238036636-0.05207631569598i 0.01569556080663-0.07107733560224i
-0.07196548967197 0.28756283264181+0.04075956909689i -0.01228474569797-0.95410498800156i
t =
1.0e+002 *
0.77079061437399 1.63360219952732+3.24803229947851i -0.97894191970055-5.42013024652875i
0 -0.17261530718700+0.20248227843142i 0.61078891594879+0.00000000000000i
0 0 -0.17261530718700-0.20248227843142i

Matrizes Simtricas
Teorema 3: (Eixos Principais) Se A uma matriz simtrica e
D uma matriz diagonal cujos elementos so os autovalores de A,
ento existe uma matriz ortogonal Q tal que:

-1 T
D Q AQ Q AQ (8.3.11)
Corolrio 4: Se A uma matriz simtrica n n, ento
existem n autovetores de A que formam um conjunto ortonormal, e os
autovalores de A so todos nmeros reais.
Demonstrao:
Se
ij
q Q e
ij
d D so as matrizes especificadas no teorema 3 acima, ento
v
Seja
i
v a i-sima coluna de k , ento

i ii i
d Av v
com
ii
d um autovalor de A com autovetor,
i
v , na i-sima coluna de Q. Como o ndice genrico, as colunas de
Q so ortonormais, e os autovetores de A so ortonormais.
Premultiplicando a expresso anterior por
T
i
v se tem

T T
i i ii i i
d v Av v v
Assim, como
T
i i
v Av e
T
i i
v v so nmeros reais e 1
T
i i
v v , o autovalor
T
ii i i
d v Av tambm um
nmero real qualquer que seja o ndice i.

Teorema 4: Se A uma matriz simtrica n n, a sua
correspondente forma quadrtica , Q x Ax x tem o seu mximo
1

sobre a esfera unitria 1 x, x . O vetor x correspondente ao mximo
um autovetor, e
1
, seu autovalor.
Demonstrao:
A forma quadrtica , Q x Ax x uma funo contnua sobre uma esfera contnua. A esfera unitria um
conjunto fechado, limitado do espao n-dimensiona. Ento existe um ponto sobre a esfera unitria, isto , um vetor
1
x ,
com
1 1
1 x , x para o qual
1 1 1
, Q x Ax x uma funo contnua, dada sobre seu valor mximo
1
. Da segue

1
, , , 1 Ax x x x (8.3.12)
e

1 1 1 1 1
, , , 1 Ax x x x (8.3.13)
Para todos os vetores x de comprimento unitrio, a inequao (8.3.12) significa o mesmo que

1
, , Ax x x x (8.3.14)
que trivialmente verdadeiro para qualquer vetor no nulo; dessa forma, qualquer vetor no nulo pode ser
representado como um mltiplo k de um vetor de comprimento unitrio, e mais, o fator
2
0 k aparece em
ambos os lados de (8.3.14). Devido a propriedade distributiva do produto interno, (8.3.14) leva a

1 1
, , 0, 0 Ax x x A I x x x (8.3.15)
E, por (8.3.13), segue o seguinte para um vetor particular
1
x

1 1 1 1 1 1 1 1 1
, , 0, , 1 Ax x x A I x x x x
(8.3.16)
Falta demonstrar que (8.3.15) e (8.3.16) levam a
1 1
0 A I x . A matriz
1
B A I , de maneira
similar a A simtrica e sua correspondente forma quadrtica 0 Bx, x para todo vetor x no nulo; mas,
para um determinado vetor
1
x se tem
1 1
0 Bx , x por (8.3.16).
Examinando agora um conjunto de vetores
1
t x x y o qual contm
1
x quando o parmetro 0 t e onde
y um vetor arbitrrio, se tem

1 1
2
1 1 1
2
1
,
2
2 0
t t
t t
t t
Bx, x B x y x y
Bx , x Bx , y By, y
Bx , y By, y
(8.3.17)
para todo vetor arbitrrio y. Uma expresso do tipo
2
at bt muda de sinal quando passa pela origem; como no
se deseja essa mudana, necessrio que na expresso anterior se tenha 0 a . Levando este resultado a (8.3.17),
se tem que

1 1 1
, , 0, Bx y A I x y y (8.3.18)
Verifica-se que na expresso anterior, ela vlida apenas se

1 1
0
1 1 1
A I x Ax x (8.3.19)
Donde se conclui que
1
x um autovetor e
1
o seu correspondente autovalor, da matriz A.
Para achar ou provar a existncia de outros autovetores e autovalores, todos os vetores x ortogonais a
1
x precisam
ser examinados. A totalidade desses vetores forma um subespao 1 n -dimensional. Este subespao invariante
em relao transformao linear de A, uma vez que ela o mapeia nele mesmo. Assim fazendo, similarmente ao que
se fez para
1
x , se encontra outro autovetor
2
x e seu correspondente autovalor
2
.
Para se achar outro autovetor, precisa-se agora examinar todos os vetores x ortogonais a
1
x e a
2
x . A totalidade
desses vetores forma um subespao 2 n -dimensional. Este subespao invariante em relao transformao
linear de A, uma vez que ela o mapeia nele mesmo. Assim fazendo, similarmente ao que se fez para
1
x e
2
x , se
encontra outro autovetor
3
x e seu correspondente autovalor
3
. Assim, continua-se at encontrar os nautovetores
e seus correspondentes autovalores.
Os autovetores assim encontrados formam um sistema ortogonal de
vetores reais. Nesse processo construtivo, possvel de encontrar
diversos autovalores iguais,

1 2 1 1 k k k p k p n
(8.3.20)
Onde
1 1 k k k p
formam um p-tupla de autovalores. Os
autovetores para um autovalor mltiplo no so nicos.
Teorema 5: Toda matriz simtrica A de ordem n tem n
autovalores e seus correspondentes autovetores constitui um sistema
ortogonal. No caso de mltiplos autovalores de multiplicidade p, os
autovetores formam um subespao p-dimensional.

8.4 Mtodos de Determinao de Autovalores e Autovetores de uma
Matriz
8.4.1 Mtodo de Jacobi
O Mtodo de Jacobi prov um esquema para eliminar, por sua vez,
selecionando os termos fora da diagonal da matriz A realizando uma
seqncia de transformaes ortogonais elementares.
O Mtodo de Jacobi consiste, portanto, em aplicar transformaes do
tipo:

-1/2
2
cos = 1+tan
sen = cos tan
(8.4.1)
para todos os elementos fora da diagonal, at que eles sejam, com um
pequeno erro, iguais a zero.
Normalmente inicia-se o mtodo com o maior termo, em valor absoluto,
fora da diagonal. Assumindo-se que este ocupe a posio , i j , tem-se:

2 2 1/ 2
( ) [( ) 4 ]
2
ii jj ii jj ij
ij
a a a a a
tg
a
(8.4.2)
a partir de qual se pode determinar tanto sin quanto cos .
Procede-se assim, de modo a se construir uma matriz
1
R a partir da
matriz unitria, colocando cos na posio , i j e , j j , sin na
posio , j i . Feito isso, realiza-se a transformao
T
1 1
R AR que
equivalente a modificar a i-sima e a j-sima linhas e colunas da matriz
A de acordo com o seguinte esquema:
linha i :

2 2
2 2
cos sin 2 sin cos
cos sin cos sin 0
cos sin , 1, 2, , ;
ii ii jj ij
ij ii jj ij
ik ik jk
a a a a
a a a a
a a a k n k i k j
(8.4.3)
linha j :
2 2
2 2
cos sin 2 sin cos
cos sin cos sin 0
cos cos , 1, 2, , ;
jj jj ii ij
ji ii jj ji
jk ki jk
a a a a
a a a a
a a a k n k i k j
(8.4.4)
coluna i :
cos sin , 1, 2, , ,
ki ki kj
a a a k n mas k i k j (8.4.5)
coluna j :
sin sin , 1, 2, , ,
kj ki kj
a a a k n k i k j
(8.4.6)
Deve-se relembrar que uma transformao ortogonal preserva simetria e
permite reduzir o nmero de operaes requeridas pelas equaes
acima.
Agora, novamente, seleciona-se o termo maior, em valor absoluto, fora
da diagonal, e repetem-se as transformaes citadas acima.
Quando se aplica as transformaes acima em um dado estgio, podem-
se obter valores diferentes de zero para termos previamente eliminados,
o que indica a natureza iterativa do processo. Pode-se demonstrar que
este mtodo convergente e completamente estvel.
Assumindo-se que so necessrias n iteraes para diagonalizar A, aps
todas as transformaes terem sido realizadas, obtm-se:

T T T T T
n 3 2 1 1 2 3 n
R R R R AR R R R = Q AQ (8.4.7)
Exemplo
Determine os autovalores e autovetores da matriz abaixo utilizando o
Matlab e o Mathcad:

4 2 2
2 5 1
2 1 6
A

Em Matlab:
A = [4 2 2;2 5 1; 2 1 6];
[V,D} = eig(A)

V = cada coluna representa um autovetor
0.8280 0.1555 0.5387
-0.4697 0.7172 0.5149
-0.3062 -0.6793 0.6669

D = cada elemento da diagonal representa um autovalor
2.1259 0 0
0 4.4865 0
0 0 8.3876

Usando o Mathcad:

A
4
2
2
2
5
1
2
1
6
B eigenvals A ( ) B
2.126
4.486
8.388
<-autoval ores de A
Os autovetores de A, sao associ ados a cada autoval or
v1 eigenvec A B
0
v2 eigenvec A B
1
v3 eigenvec A B
2
v1
0.828
0.47
0.306
v2
0.156
0.717
0.679
v3
0.539
0.515
0.667
Por defi ni cao, sabemos que Av = v. Assim passeos a checagem:

A v1
1.76
0.998
0.651
B
0
v1
1.76
0.998
0.651
A v2
0.698
3.218
3.048
B
1
v2
0.698
3.218
3.048
A v3
4.518
4.319
5.593
B
2
v3
4.518
4.319
5.593
Teorema 1: Se uma matriz A tem autovalores
i
e
autovetores
i
x , ento sua transposta
T
A tem os mesmos autovalores
i
,
mas com os autovetores
i
y ortogonais a
i
x , isto ,

j i ij
y x T (8.4.8)
quando eles forem normalizados.
Teorema 2: O trao de uma matriz, que a soma dos
elementos da diagonal principal, igual soma de seus autovalores, isto
,

ii i
a (8.4.9)
Teorema 3: O valor do determinante de uma matriz igual
ao produto de seus autovalores, isto :
det
i
A (8.4.10)
Exerccio:
Desenvolva um fluxograma para o mtodo de Jacobi e o implemente em
qualquer linguagem de computao, de modo que se possa determinar
os autovalores e autovetores correspondentes, de uma matriz A de
dimenso n qualquer. Testar o programa, com a matriz dada no exerccio
anterior e comparar os resultados obtidos.
Soluo:
Foi construda uma funo em Matlab 6 release 13 para a soluo do
problema de autovalores pelo mtodo de Jacobi. Veja a seguir a listagem
do programa.

function [L,V] = jacobi(A)
%
% L = vetor dos autovalores
% V = matriz cujas colunas so os autovetores
%
% n tamanho da matriz
% A matriz para qual se quer determinar os autovalores e autovetores
%
% matriz unitria para transformao
n = length(A);
V = eye(n);
% erro a ser considerado
err = 1.0*10^(-6);
% determinao do maior coeficiente fora da diagonal principal de A
% ir e ic so a posio i,j do maior elemento fora da diagonal
itm = 200;
it = 0;
while it <= itm
t=0;
m=n-1;
for i=1:m
j1=i+1;
for j=j1:n
if abs(A(i,j)) > t
t=abs(A(i,j));
ir=i;
ic=j;
end
end
end
if it==0
t1=t*err;
end
if t > t1
% clculo de tan (ta), sen (ta) e cos(ta) do angulo de rotao
%
ps = A(ir,ir) - A(ic,ic);
ta = (-ps + sqrt(ps*ps+4*t*t)) / (2*A(ir,ic));
c = 1./sqrt(1+ta*ta);
s = c*ta;
%
% multiplicar a matriz de rotao por V armazenando em V
%
for i=1:n
p = V(i,ir);
V(i,ir) = c*p+s*V(i,ic);
V(i,ic) = c*V(i,ic)-s*p;
end
i=1;
while (i-ir) ~= 0
% aplicao da transformao ortogonal em A
p = A(i,ir);
A(i,ir) = c*p + s*A(i,ic);
A(i,ic) = c*A(i,ic) - s*p;
i = i+1;
end
i = ir + 1;
while (i-ic) ~= 0
p = A(ir,i);
A(ir,i) = c*p + s*A(i,ic);
A(i,ic) = c*A(i,ic) - s*p;
i = i +1;
end
i=ic+1;
while (i-n) <= 0
p = A(ir,i);
A(ir,i) = c*p + s*A(ic,i);
A(ic,i) = c*A(ic,i) - s*p;
i = i + 1;
end
p = A(ir,ir);
A(ir,ir) = c*c*p + 2.*c*s*A(ir,ic) + s*s*A(ic,ic);
A(ic,ic) = c*c*A(ic,ic) + s*s*p - 2.*c*s*A(ir,ic);
A(ir,ic) = 0;
it = it + 1
end
it = it + 1
end
L = diag(A)
A
V
return

Aplicando os mesmos dados, isto , obtemos os autovalores (8.3876
4.4865 2.1259) com os seguintes e correspondentes autovetores:
0,5387 0,1555 0,8280
0,5149 , 0, 7172 , 0, 4697
0, 6669 0, 6793 0,3062


8.4.2 Transformao de Householder
O Mtodo de Jacobi para determinao de autovetores e autovalores
para uma matriz simtrica sofre uma penalizao devido ao processo de
retroalimentao que pode fazer com que ele tenha muitas iteraes
antes de convergir.
Essa taxa de convergncia pode ser melhorada se a matriz A for pr-
processada. O primeiro passo til transformar a matriz A em uma
matriz tridiagonal:

11 12
21 22 23
32 33 34
43 44
0 0 0
0 0
0 0
0 0 0
0 0 0 0
nn
t t
t t t
t t t
t t
t
T (8.4.11)
Se o Mtodo de Jacobi for aplicado a uma matriz tridiagonal, os
elementos nulos no so modificados pelo processo. Consequentemente,
os nicos elementos no nulos que tm que ser eliminados pelo Mtodo
de Jacobi so os 1 n elementos ao longo da primeira superdiagonal, o
que representa uma substancial reduo do esforo computacional.
A tcnica que usada para reduzir uma matriz simtrica em uma matriz
tridiagonal tambm pode ser aplicada a matrizes no simtricas. Neste
caso, a matriz transformada ser uma matriz triangular superior, exceto
pelos elementos no nulos existentes na primeira subdiagonal, como
mostrado abaixo:

11 12 13 1, 1 1
21 22 23 2, 1 2
32 33 3, 1 3
43 4, 1 4
, 1
0
0 0
0 0 0
n n
n n
n n
n n
n n nn
u u u u u
u u u u u
u u u u
u u u
u t
U (8.4.12)
A matriz Uacima, com a estrutura apresentada, denominada de matriz
superior de Hessenberg. A tcnica para transformar uma matriz real n n
em uma matriz superior de Hessenberg chamada de Transformao de
Householder
5
. semelhana do mtodo de Jacobi, que transforma uma
matriz para sua forma diagonal, este baseado na transformao de
similaridades de modo a preservar os autovalores. Enquanto o mtodo
de Jacobi usa uma matriz de rotao para anular elementos, o Mtodo de
Householder usa uma matriz de reflexo para zerar simultaneamente
uma coluna de elementos. Considerando a seguinte matriz, onde v um
vetor arbitrrio 1 n no nulo:

2
T
T
vv
P v I
v v
(8.4.13)

5
Alston Householder (1904-1993).
Em (8.4.13) I representa uma matriz identidade n n,
T
vv um produto
n n do vetor v com ele mesmo, e
T
vv um produto 1 1 de v com ele
mesmo. A matriz P v tem algumas propriedades interessantes, a saber:

2 1
1
ortogonal
T T
P v I P v P v
P v
P v P v P v P v
(8.4.14)
A chave para reduzir uma matriz A para uma matriz superior de
Hessenberg usar uma seqncia de transformaes de similaridade da
forma

k k
U P v AP v (8.4.15)
Onde o vetor
k
v escolhido de forma a eliminar os elementos da coluna
k abaixo da primeira subdiagonal inferior. Isto pode ser achado, se o
vetor
k
v for escolhido da seguinte forma:

2
1,
1
sgn
n
k k jk
j k
A A (8.4.16)

1, 2, ,
0, , 0, , , ,
T
k
k k k k n k
v A A A (8.4.17)
A funo sgn a denota o sinal de a, sendo e
2
. O vetor
k
v
construdo de forma que se
k k
U P v AP v , (8.4.15), ento
0,
jk
U k j n. Isto , os elementos diferentes de zero na coluna k
abaixo da primeira subdiagonal inferior sejam eliminados. Se uma
seqncia de transformaes de Householder for realizada, comeando
com a coluna 1 e terminando na coluna 2 n , ento a matriz A
transformada na forma de uma matriz superior de Hessenberg.
Transformada de Householder
Faa Q I onde I representa uma matriz identidade n n;
Para k = 1 at n-2 calcule

2
1,
1
sgn
n
k k jk
j k
A A

1, 2, ,
0, , 0, , , ,
T
k
k k k k n k
A A A v

2
T
T
v
vv
P I
v v

Q QP
A PAP
Fim para
Faa U= A

Note que o Mtodo de Householder estabelecido pelo algoritmo acima
converte a matriz A numa matriz superior de Hessenberg U em um
nmero fixo de passos em oposio ao mtodo iterativo de Jacobi que
requer um nmero indefinido de iteraes. bvio que o mtodo de
Householder no acha os autovalores de A; em vez disso, ele transforma
A numa forma mais simples onde os autovalores podem ser achados
mais eficientemente. Se ainda A for simtrica, o processo a transforma
em uma matriz tridiagonal. Assim, pode-se afirmar, sem nenhuma
dvida, que a maneira preferida de achar autovalores de matrizes
simtricas A :
- primeiro pr-processar A pelas transformaes de Householder e,
depois aplicar o mtodo de Jacobi sobre a matriz tridiagonal resultante.
No algoritmo acima, se v que gerado uma matriz Q que pode ser
usada para recuperar os autovetores. A matriz superior de Hessenberg U
relacionada com a matriz original A atravs da transformao de
similaridade composta:

T
U Q AQ (8.4.18)
Suponha que
k
x seja um autovetor de U associado com o autovalor
k
.
Isto ,

k k k
Ux x (8.4.19)
Premultiplicando ambos os lados de (8.4.19) por Q e notando que de
(8.4.18) se tem QU AQ, se tem:

k k k k
Q A Qx Ux Qx (8.4.20)
Da segue que se
k
x for um autovetor de U associado com o autovalor
k
, ento:

k k
y Qx (8.4.21)
um autovetor de A associado com
k
. Dessa forma os autovetores de
Apodem ser obtidos dos autovetores de U pela multiplicao por Q.

Exerccios:
Use o mtodo de Householder para transformar as matrizes abaixo em
matrizes tridiagonais:
a.
12 10 4
10 8 5
4 5 3

b.
2 1 1
1 2 1
1 1 2

8.4.3 Mtodo da Potncia
O Mtodo da Potencia uma tcnica iterativa utilizada para determinar o
autovalor com maior valor, isto , o autovalor dominante. Pode-se fazer
algumas alteraes no mtodo de forma que seja possvel determinar
tambm os demais autovalores.
Uma caracterstica til deste mtodo que ele produz no apenas um
autovalor mas tambm um autovetor associado; de fato, o mtodo da
potencia normalmente utilizado para se achar um autovetor para um
autovalor determinado por qualquer outro meio.
A aplicao do mtodo da potencia assume que a matriz A de ordem
n n, tenha n autovalores
1 2 3
, , , ,
n
associados a uma coleo de
autovalores linearmente independentes
k
v ; alm disso, assume tambm
que
1 2 3
0
n
.
Seja ento um vetor qualquer
n
x R ; devido ao fato que
1 2 3
, , , ,
n
v v v v linearmente independente existem constantes
1 2
, , ,
n
tais que

1
n
j j
j
v x
Multiplicando ambos os lados da equao acima por
2
, , ,
k
A A A se tem

1 1
2 2
1 1
1
n n
j j j j j
j j
n n
j j j j j j
j j
n
k k
j j j
j
Ax Av v
A x Av v
A x v

Se
1
k
for fatorado de cada termo do lado direito da ltima expresso
acima, obtm-se

1
1
1
k
n
j k k
j j
j
A x v
Uma vez que
1
, 2,3,...,
j
j n, se tem
1
lim 0
k
j
k
, e

1 1 1
lim lim
k k
k k
A x v (8.4.22)
Esta seqncia converge para zero se
1
1 e diverge se
1
1,
considerando obviamente que
1
0.
Pode-se realizar um processo adequado de modo a assegurar que as
potencias de
k
A x na expresso (8.4.22) seja finito e diferente de zero.
Esse processo inicia-se escolhendo x como um vetor unitrio
0
x relativo
norma (lembrar que essa norma a de mxima coordenada de )
e escolhendo um componente
0
0
p
x de
0
x , de modo que

0
0 0
1
p
x x
Seja, ento,
1 0
y Ax . Definindo
0
1 1
p
y , ento
0 0 0 0
0
0
0
0 0 0 0
1 1 1 1 1
1
2 2 1
1 1 1
0
1 1 1 1
2 2
p p p p
p
p
p
p p p p
n n
j
j j j j j
j j
n n
j j j j
j j
v v v v
y
y
x
v v v v

Seja agora
1
p o menor inteiro tal que
1
1 1
p
y y , pode-se definir
1
x por

1 1
1 1 0
1 1
1 1
p p
y y
x y Ax
Fazendo para
1
x o que se fez para
0
x , tem-se

1
1
2
1 1 2 1 0
1
1
1
p
p
x
y
x y Ax A x
e
1 1 1 1
1
0
1
1 1
1 1
2
2 2
1 1 1 1 1
2
2 2 1
2 2 1
1
1 1 1
1 1
2
2
1
p p p p
p
p
p
p p
p p
n n
j
j j j j j
j j
n
n
j
j j j
j j
j
j
v v v v
y
y
x
v v
v v

com
2 2 2 1
2
2 2 1 0
2 2 2 1
1 1 1 1
p p p p
y y y y
x y Ax A x
De maneira similar define-se uma seqncia de vetores
0
m
m
x e
0
m
m
y , bem como uma seqncia de escalares
0
m
m
da seguinte
maneira:

1 m m
y Ax (8.4.23)

1 1
1
1 1
1 1
2
1
1 1
1 1
2
1
p p
m m
p
m
p p
m m
m
n
j
j j
j
m m m
n
j
j j
j
v v
y
v v
(8.4.24)
com
0
1
1 1
p
m
p
k
m
m m m
m
k
k
y
y
x y A x , onde em cada passo,
m
p usado para
representar o menor inteiro para o qual
p
m
m m
y y .
Analisando a expresso (8.4.24) v-se que se
1
1, 2,3,...
j
j n
ento

1
lim
m
m
(8.4.25)
e mais, a seqncia
0
m
m
x converge para um autovetor associado com
1
.
A seguir detalha-se um programa em Matlab que implementa o mtodo
da potencia, para determinar uma aproximao do mximo autovalor e
seu associado autovetor em uma matriz A dado um vetor no nulo x:

function [lambda,z,erro,iter,flag]=apower(a,x,tol,niter)
% =======================================================
% Metodo da Potencia para determinao do maior autovalor
%
% lambda = maior autovalor
% z = autovetor associado a lambda
% erro = erro encontrado
% iter = numero de iteraes realizadas
% flag = se 0, tudo ok, se = 1 excedeu num. iteraes
% se = 2 excedeu a tolerancia ou erro
% a = matriz
% x = vetor tenttiva
% tol = tolerancia, se > 0.001 adota 0.001
% niter = nmero mximo de iteraes
% =======================================================
flag = 0;
if tol > 0.001
tol = 0.001;
end
k = 1;
ninfx = norm(x,inf);% norma maxima de x (norma infinita)
[xp,p] = max(x); % acha o maior coeficiente xp de x e a
% ordem p dele dentro do vetor x
if ninfx ~= xp
fprintf('erro %g diferente de %g \n',ninfx,xp);disp('')
end
x = x./xp;
while k < niter
y = a*x;
eta = y(p);
[yp,p] = max(y);
if y(p) == 0
z = x;
disp('O autovetor x='); disp(z);
return
end
erro = norm(x-(y./yp),inf);
x = y./yp;
if erro < tol
lambda = eta;
z = x;
iter = k;
fprintf('\nO autovalor %g',lambda);
fprintf('\nOs coeficientes do autovetor so: \n');disp(z);
fprintf('\nO nmero de iteraes foi %i ',k);
fprintf('\nO erro encontrado de %g ',erro);
return
end
k = k + 1;
end
flag = 1;
lambda = eta;
iter = k;
fprintf('\nO nmero de iterases excedeu e no foi achado o autovalor\n');
fprintf('\nO autovalor %g',eta);
fprintf('\nOs coeficientes do autovetor so: ');disp(x);
fprintf('\nO nmero de iteraes foi %i ',k);
fprintf('\nO erro encontrado de %f ',erro);
return

Para testar esta funo, seja o seguinte programa em Matlab, feito para
aproximar o autovalor e seu correspondente autovetor para a matriz:

0
4 1 2 2 1
1 2 0 1 1
2 0 3 2 1
2 1 2 1 1
e x A
clear;clc;
A = [4 1 -2 2;
1 2 0 1;
-2 0 3 -2;
2 1 -2 -1];
x=[1 1 1 1]';
tol = 0.001;
niter=60;
[lambda,z,erro,iter,flag] = apower(A,x,tol,niter);

Executando-o se tem:
O autovalor 6.84249
Os coeficientes do autovetor so:
1.0000
0.3083
-0.7759
0.4923

O nmero de iteraes foi 8
O erro encontrado de 0.000841578

8.4.4 Mtodo de Danilevsky
O Mtodo de Danilevsky um processo para determinar os autovetores
de uma matriz A geral de ordem n n, em dois passos. Para isso seja
uma matriz B da seguinte forma:

1 2 1
1 0 0 0
0 1 0 0
0 0
0 0 1 0
n n
a a a a
B (8.4.26)
que uma matriz construda a partir de um vetor a, 1 n . Antes de se
estudar as propriedades de B deve ficar claro que o Mtodo de
Danilevsky pega uma matriz genrica A e a transforma em uma matriz
da forma B.
Assim a matriz da forma (8.4.26) denominada de matriz
companheira; esta matriz tem uma propriedade interessante que o
seu polinmio caracterstico, simples e da forma:

1
2 1
n n
B n
a a a (8.4.27)
V-se, assim, que os coeficientes do polinmio caracterstico da matriz
companheira B podem ser obtidos diretamente da inspeo da primeira
linha desta matriz.
Outra caracterstica interessante desta matriz a relao entre os
autovalores e autovetores o quociente de Raleigh, que definido por:

T
T
x x
x x
A
(8.4.28)
Pode ser facilmente calculado desde que os autovetores sejam
conhecidos. No caso da matriz companheira, o inverso tambm
verdadeiro.
Seja ento
k
o k-simo autovalor da matriz companheira. Ento o k-
simo autovetor,
k
y , pode ser calculado como se segue:

1 2
, , , ,1 , 1
T
k n n
k k k
y k n (8.4.29)
Para explorar essas propriedades, devem-se procurar transformaes de
similaridade que convertam uma matriz genrica A em uma matriz da
forma de B. Isso permitir que os autovalores de B sejam idnticos aos
autovalores de A. Alm disso, os autovetores de A podem ser
reconstrudos dos autovalores de B atravs da reverso das
transformaes.
Para converter A em uma matriz da forma de B, inicia-se com a ltima
linha de A e trabalhando de forma reversa, uma linha por vez.
Inicialmente, seja
, 1
0
n n
A . Assim, esse elemento
, 1
0
n n
A pode ser
normalizado para a unidade pela diviso da (n-1)-sima coluna de A por:

, 1 n n
A (8.4.30)
Agora o k-simo elemento da ltima linha de A pode ser zerado,
subtraindo
, n k
A vezes a (n-1)-sima coluna da k-sima coluna, para todo
1 k n . Essas operaes elementares sobre as colunas podem ser
combinadas de modo que elas sejam representadas pela
posmultiplicao de A pela seguinte matriz:
0 com u Au u c (8.4.31)
Fazendo a multiplicao
n
AP , verifica-se que a ltima linha desta
idntica a ltima linha de B. Agora para completar a transformao de
similaridade, e assim preservar os autovalores, precisa-se premultiplicar
n
AP pela inversa de
n
P , que dada por:
0
t
t t
d e
e e
dt
A
A A
v
v Av (8.4.32)
Assim, quando se premultiplicar
n
AP pela inversa de
n
P ,
1
n
P , a ltima
linha de
n
AP no afetada. No entanto, a ltima linha de:

1
1 n n
B P AP (8.4.33)
idntica a ltima linha da matriz companheira B, Este processo pode
ser repetido, trabalhando agora a (n-1)-sima linha de , N f g e assim
sucessivamente at que as linhas de nmero 2 at n de
1
B tenha
adquirido a estrutura da matriz companheira B. O resultado final aps as
1 n transformaes de similaridade :

1
B P AP (8.4.34)
Onde P a matriz transformao de similaridade composta definida por:

1 2 n n
P P P P (8.4.35)


8.4.5 Mtodo de Vianello - Stodola
Seja a equao (8.1.1): Ax x onde A uma matriz real e simtrica de
ordem n; x um vetor de incgnitas e o escalar representativo dos
autovalores.
Seja
1
x um vetor de soluo aproximada, tal que
1 1
x y A . Se o vetor
1
x for um autovetor, ento
1 1
y x , para qual a razo entre eles tal
que:

1
1
, 1, 2, ,
i
i
y
i n
x
(8.4.36)
Fazendo-se
2 1
x y e repetindo o clculo, e assim sucessivamente at
que
1 n n
x y , ter-se- uma relao:
.
n
i
n
i
y
const
x
(8.4.37)
com a preciso que se estabelecer. Pode-se mostrar que quando A
real e simtrica este mtodo converge para o autovalor dominante ou
maior, o qual calculado pela equao (8.4.37). O vetor
n
x o
autovetor correspondente.
Exerccio:
Seja o exemplo anterior, para o qual se tem:

1 1 2
2 2
.
x x 3 -1
x
x x -1 2
A
Fazer
1
1 1 x a primeira aproximao de x . Resolver o problema
para um erro
5
10 .

De um modo genrico, sejam n equaes matriciais correspondentes a
cada autovalor. Em termos de autovetores normalizado, tem-se:

1 1
2 2
n n
x x
x x
x x
A
A
A
(8.4.38)
ou em uma forma mais compacta de represent-las:

1 2 1 1 2 2 n n n
A x x x x x x (8.4.39)
Fazendo
1 2 n
x x x Q
e

1
2
3
0 0 ... 0
0 0 ... 0
0 0 ... 0
... ... ... ... ...
0 0 0 ...
n
(8.4.40)
Assim, (8.4.39) transforma-se em:
AQ= Q (8.4.41)
Seja examinar o produto
T
B = Q Q, onde
T
ij i j
b x x , correspondente ao
produto escalar do i-simo com o j-simo autovetores associados a dois
diferentes autovalores
i
e
j
pelas expresses:

i i i
x x A (8.4.42)

j j j
x x A (8.4.43)
Posmultiplicando a transposta de (8.4.42) por
j
x , e pr-multiplicando
(8.4.43) por
T
i
x , obtm-se:

T T
i j i i j
x x x x
T
A (8.4.44)

T T
i j j i j
x x x x A (8.4.45)
Subtraindo (8.4.45) de (8.4.44), sabendo-se que por hiptese A
simtrica, isto ,
T
A= A , obtm-se:
0
T
j i i j
x x (8.4.46)
A expresso acima para ser identicamente nula, ou 0
j i
ou
0
T
i j
x x . Para dois autovalores distintos, tem-se:
0
T
i j
x x (8.4.47)
No caso de i j , 0
T
i j
x x ; em particular, se os autovetores forem
normalizados, ento se tem:
1,
T
i j
x x para i j (8.4.48)
V-se que desta discusso, conclui-se que
T
ij i j ij
b x x , ou seja, B= I,
onde
1 T T T
I B Q Q Q Q Q Q ; isto , Q ortogonal.
Seja ento a equao (8.4.41): AQ= Q ; premultiplicando por
T
Q ,
obtm-se:

T T
Q AQ Q QA IA A (8.4.49)
Isso mostra que uma matriz ortogonal Q, aplicada a A, de maneira tal
que a transformao
T
Q A Q produza uma matriz diagonal, os
elementos desta diagonal so os autovalores de (8.1.1) e as colunas de Q
so os correspondentes autovetores. Por conseguinte, o problema
reduzido tentativa de diagonalizar a matriz A.

8.4.6 Problemas "Bem-Postos"
Ver-se- nesta seo o problema de terminao de autovalores para os
denominados "problemas bem-postos" e a questo da estimativa de
erros a posteriori.
Um critrio simples para a localizao de autovalores dado pelo
Teorema de Gersgorin, j exposto na seo de "Matrizes Diagonalmente
Dominantes; aqui se mostrar novamente o teorema de outra forma,
visando estabelecer as condies para localizao de autovalores:
Teorema 1: (Teorema dos Crculos de Gershgorin
6
) Seja uma
matriz
n n
A tendo autovalores . Sejam

6
S. A. Gershgorin, (1901-1933).

1
n
i ij
j
j i
r a - soma dos valores absolutos de uma linha,
excluindo o elemento da diagonal
ii
a ;

1
n
j ij
i
j i
c a - soma dos valores absolutos de uma coluna,
excluindo o elemento da diagonal
jj
a ;
Ento
a cada autovalor permanece na unio dos crculos de linhas
, 1, 2, ,
i
R i n onde

R i i ii i
i
R R z z a r A
(8.4.50)
onde os
i
R so denominados de crculos ou bolas de Gershgorin e A
o espectro da matriz A;
b cada autovalor permanece na unio dos crculos de colunas
, 1, 2, ,
j
C j n onde

j jj j
C z z a c (8.4.51)
c cada componente de
R i
i
R ou
C j
j
C contm exatamente
tantos autovalores quantos os existentes nos crculos (Os autovalores e
os crculos so contados com suas multiplicidades).
Demonstrao
a Se um autovalor de
n n
A , ento existe um autovetor 0 x tal que Ax x ou ainda

1
, 1, 2, ,
n
ii i ij j
j
j i
a x a x i n
Escolhendo um i, tal que 0
i
x x ento,
.
j
ii ij i
j i
i
x
a a r
x

b Desde que os autovalores de A e
T
A so idnticos, segue b.
c Para demonstrar c- seja o lema
"Os n zeros ou razes de um polinmio
1
1
n n
n
P x x a x a so funes contnuas dos
coeficientes
j
a "
Ento considerando uma famlia de matrizes t t A D B onde
ii ij
a D uma matriz diagonal e
B A D, e mais a correspondncia entre t A e os crculos
i
t R e
j
t C com respectivos raios
i
tr
e
j
tc e centros em
ii
a e
jj
a .
Agora o A D, logo o item c- vlido, para a matriz diagonal. Os autovalores t de t A so os
zeros de
( )
( ) det ( )
A t
P I A t . Quando t cresce continuamente para 1 t , o nmero interior de
crculos de autovalores em cada componente de
i
i
R (ou de
j
j
C ) varia continuamente. Em outras palavras,
quando em um componente o nmero de crculos cresce, o nmero de autovalores no componente cresce da mesma
quantidade.

Exemplo:
Para a matriz
4 1 1
0 2 1
2 0 9
A os crculos estabelecidos no teorema dos
crculos de Gershgorin so:

1
4 2 R z C z

2
2 1 R z C z

3
9 2 R z C z
Como se pode ver,
1
R e
2
R so disjuntos de
3
R ; logo em
1 2
R R tem dois
autovalores, enquanto dentro o crculo
3
R tem um autovalor.

Propriedade 1: (Primeiro Teorema de Gershgorin). Para uma
dada matriz
n n
A ento,

R C
A (8.4.52)
Propriedade 2: (Segunda Teorema de Gershgorin). Sejam

1 2
1 1
,
m n
i i
i i m
R R (8.4.53) se
Ento se
1 2
, ento
1
contm exatamente m autovalores de
n n
A , cada um contado com a sua multiplicidade algbrica, enquanto
os demais autovalores esto contidos em
2
.
Propriedade 3: Uma matriz
n n
A uma matriz irredutvel
7
se
e somente se seu grafo orientado for fortemente conectado
8
.

Definio 1: Uma matriz dita unitria, quando sua inversa
sua transposta conjugada, isto :

* * 1
Q Q I Q Q (8.4.54)

7
Uma matriz dita ser redutvel se existir uma matriz de permutao Ptal que
11 12
22
0
T
B B
PAP
B
, tal que
11
B e
22
B so matrizes
quadradas.
12
B uma matriz retangular, e O uma matriz nula. Uma matriz dita irredutvel se ela no for redutvel (veja definio no captulo 2 desta obra).
8
Um grafo dito ser fortemente conectado se para dois vrtices distintos quaisquer ,
i j
V V existir um caminho de
i
V para
j
V .
Outra forma de definir matriz unitria , para quaisquer elementos
, x y , num espao Euclidiano, verdadeira a expresso
, , x y x y A A .
Definio 2: Uma matriz dita ser normal, se ela comuta com
a sua conjugada transposta, isto ,
* *
A A AA .
Lema 1: Se uma matriz normal triangular, ento ela uma
matriz diagonal.
Teorema 2: Para que uma matriz A seja unitria
necessrio e suficiente que a relao
*
A A 1 seja verdadeira.
Demonstrao:
Necessidade Seja A unitria. Por definio da matriz adjunta
*
A , pode-se reescrever esta definio da seguinte
forma:

*
, , z Ay A z y
fazendo z x A , tem-se
*
, , Ax Ay A Ax y ; como A unitria por hiptese, tem-se que
, , Ax Ay x y
logo
*
, , A Ax y x y
ou ainda
*
, 0, , I A A x y x y .
Fixando-se x e considerando y arbitrrio na expresso acima, v-se que ela verdadeira apenas se
*
0 x A A I , logo como 0 x , segue
* * * 1
0 A A I A A I A A .
Suficincia - Seja por hiptese
* 1
A A . Logo
*
A A I. Por definio de matriz adjunta, seja provar que A
unitria, assim
*
, , , , Ax Ay x A Ay x Iy x y logo est satisfeita a condio de
suficincia.

Teorema 3: Uma matriz A normal se e somente se ela
unitariamente similar a uma matriz diagonal.
Demonstrao
direta a prova de que uma matriz que unitariamente similar a uma matriz diagonal normal. Provar-se- que
qualquer matriz normal A unitariamente similar a uma matriz diagonal.
Seja ento
*
A QRQ a forma cannica de Schur de A, onde Q unitria e R triangular superior.
Normalizando A tem-se
* * * * * *
QR Q QRQ QRQ QR Q
sendo
*
QQ I pelo fato de Q ser unitria tem-se
* * * *
QR RQ QRR Q
Premultiplicando por
*
Q na esquerda e por Q na direita obtm-se
* *
R R RR
que significa que R normal, e de acordo com o lema acima isto s possvel se R for diagonal. Logo est provado
o teorema.

Lema 2: Uma matriz A normal se e somente se cada um de
seus autovetores tambm autovetor de
*
A .
Demonstrao
Se A normal, ento seus autovetores esquerda e direita so idnticos, logo a condio de suficincia trivial.
Seja agora a hiptese de que a matriz A seja tal que cada um dos seus autovetores
, 1, 2, ,
i
v i k k n um autovetor de
*
A . Para cada autovetor
i
v de A,
i i
v v A e assim
i
v tambm autovetor de
*
A ento
*
i i
v v A . Observa-se que:

*
, ,
i i i i
v v v v A
e devido a que
*
, , ,
i i i i i i
v v v v v v A A segue que . A seguir, provar-se- por
contradio que no existem elementos divisores. Seja a hiptese de que o contrrio verdadeiro por
i
. Ento o
primeiro vetor principal
i
u associado com
i
definido por:
,
i i
u v A I
Fazendo-se o produto interno da relao acima em relao a
i
v , obtm-se:
, , ,
i i i i i i i
u v u v v v A
Por outro lado, tambm verdadeiro que:

*
, , , ,
i i i i i i i i
u v u A v u v v v A
Um resultado das expresses acima que , 0
i i
v v o que uma contradio. Dessa maneira A tem um
conjunto completo de autovetores. Logo se conclui que A precisa ser normal.. Assim est demonstrado o lema.

Corolrio 1: Uma matriz normal cujos autovalores so reais
uma matriz Hermitiniana.
Corolrio 2: Uma matriz Hermitiniana tem todos os seus
autovalores reais.
Demonstrao
Um autovalor de qualquer matriz satisfaz a relao:

,
,
x x
x x
A
(8.4.55)
onde x um autovetor associado, ento , , x x x x
*
A A que o resultado desejado.

O teorema de Gersgorin tem muitas aplicaes, dentre estas aquela
referente ao problema de autovalores bem-postos.
Definio 3: O autovetor x que satisfaz a x x A , com
0 x denominado autovetor direito de A.
Definio 4: O autovetor y que satisfaz a
* *
0 y y y A ,
denominado autovetor esquerdo de A.
Quando a matriz A for Hermitiniana, os autovetores a esquerda e
direita so idnticos, caso contrrio, sero distintos.

Teorema 4: Seja A uma matriz de ordem n tendo n
autovetores linearmente independentes. Para qualquer matriz C com
C A , define-se matriz perturbada:
A A C (8.4.56)
Ento, se um autovalor de A, existe um autovetor tal que,
O (8.4.57)
Alm disso, se simples, ento

*
*
0
lim
y x
y x
C
(8.4.58)
onde x e y so respectivamente os autovetores direita e esquerda
de A, correspondente ao autovalor .
Demonstrao
Seja P uma matriz cujas colunas so os autovetores direitos de A, isto ,
AP P (8.4.59)
onde
ij
uma matriz diagonal tal que
ii
so os autovalores de A em alguma ordem.
De (8.4.59) e (8.4.56) tem-se
1 1 1
ij
e P A P P CP E E P CP L L (8.4.60)

8.5 Autovalores e Autofunes Associados a Problemas de Valores de
Contorno
9
.
Seja a soluo do seguinte problema de valor de contorno

2
0 (8.5.1)
em uma regio tridimensional, o qual tem um contorno
suficientemente regular de modo que o teorema da divergncia possa
ser aplicado a funes suficientemente bem-comportadas como
integrando, sujeito a seguinte condio de contorno:
0
d
dn
(8.5.2)

9
Esta seo pode ser deixada de ser estudada agora, ou estudada aps o estudo do captulo sobre Clculo Variacional e de Equaes Diferenciais Parciais.
A soluo pode ser associada a um dos seguintes problemas:
1. Dentre todas as funes f que so contnuas e tm as primeiras
derivadas contnuas por partes em , minimiza a seguinte razo:

2
2
f f d f d
Q f
N f
f d
(8.5.3)
O mnimo alcanado para o menor dos autovalores
1
e a funo de
minimizao ser a primeira autofuno
1
. O mnimo de
Q f
N f
sujeita a
1
0 f d alcanado para o autovalor
2
e a funo de minimizao
ser o segundo autofuno
2
. Dessa forma, como foi adicionada uma
restrio ao primeiro problema,
2
no mnimo maior que
1
, e assim se
tem
1 2
. Para o k-simo autovalor, e sua correspondente
autofuno, ser minimizado o seguinte problema:
Q f
N f
sujeito a restrio 0 1, 2, , 1
j
f d j k . Dessa forma,
por motivos bvios se tem
1 2 3
e suas correspondentes
autofunes
1 2 3
, , , .
As autofunes constituem um conjunto ortogonal, mas no
necessariamente normalizado.

2. De todas as funes f que so contnuas e tm primeiras derivadas
contnuas por partes em e que minimiza Q f sujeito a 1 N f .
Lembrar que N f a norma euclidiana de f . Esse mnimo alcanado
para o primeiro autovalor
1
e a funo de minimizao ser a primeira
autofuno
1
, a qual ser normalizada, pelo fato de que no mnimo
1
1 N f N . O k-simo autovalor e autofuno so determinados
pela minimizao de Q f sujeito a 1 N f e
0 1, 2, , 1
j
f d j k . A soluo deste problema gera uma
seqncia de autovalores
1 2 3
e um conjunto ortonormal de
autofunes
1 2 3
, , , .

3. De todas as funes f que so contnuas e tm primeiras derivadas
contnuas por partes em e que minimiza Q f sujeito a 1 N f e
0
i
fv d donde , 1, 2, , 1
i
v i k um conjunto qualquer de
funes linearmente independentes que so contnuas por parte em .
De todas as escolhas possveis do conjunto
i
v escolha o maior que
minimize Q f . O mximo ser o k-simo autovalor; e a funo que
produz o mximo ser a k-sima autofuno. Este problema permite que
se determine o k-simo autovalor diretamente sem ter que resolver os
1 k prvios autovalores, como nos dois primeiros casos, e nos d um
meio de comparao os autovalores de diferentes problemas.
A soluo dos dois primeiros problemas anteriores (problemas 1 e 2)
pode ser manuseada em conjunto. Dessa forma, considerando que existe
uma soluo
1
para o primeiro problema, com derivadas segundas
contnuas em , se ter:

1 1 1
Q N (8.5.4)
onde uma constante arbitrria e uma funo arbitrria da classe
das funes admissveis, isto , escolhida de funes que sejam contnuas
e tm primeiras derivadas contnuas por partes em . Assim
1
uma
soluo para o problema de mnimos
1 1 1
Q N . Expandindo a
inequao (8.5.4) se tem
10
:

10
Note que , Q f g e , N f g so formas bilineares associadas, definidas por:
, Q f g f gd fgd e , N f g fgd .

2
1 1 1 1
2 , , 0 Q N Q N (8.5.5)
Esta expresso vlida para qualquer valor de . Alm do mais.

1 1 1
, , 0 Q N (8.5.6)
vlida para quaisquer funes . Por outro lado, dado um ,
escolhemos um suficientemente pequeno, e o prprio sinal, que:

2
1 1 1 1
2 , , 0 Q N Q N (8.5.7)
que contradiz o inequao (8.5.5). Logo se tem:

2
1 1 1 1
2 , , 0 Q N Q N (8.5.8)
Onde
1
tem derivadas segundas contnuas em , e tem derivadas
primeiras contnuas por partes tambm em . Usando a frmula de
Green
11
, se tem:

11
A frmula ou identidade de Green:
2
n
v w d v wd v wd onde
n x y z
v v v
v v n n n n
x y z
a derivada normal de v sobre . Outra forma de representar a identidade de
Green
2 2
n n
v wd vwd v wd vwd . No confundir a frmula de Green com
o teorema da divergncia (ou teorema de Gauss), que vd v nd .

2
1
1 1 1 1
0
d
d d
dn
(8.5.9)
para funes arbitrrias . Uma vez que arbitrria pode-se coloc-la
nula sobre o contorno , mas arbitrria no interior de . Dessa forma
em (8.5.9) a integral sobre se anula, e ter-se-:

2
1 1 1
0 d (8.5.10)
implicando em
2
1 1 1
0 no interior de . Mas isto implica em
que a integral (8.5.10) acima se anule, e para todo e qualquer se tem:

1
1
0
d
d
dn
(8.5.11)
que, por sua vez, implica em que
1
1
0
d
dn
sobre a superfcie de
contorno . Dessa forma, a soluo do primeiro problema variacional
tambm uma soluo do problema de valor de contorno.
V-se que se chegou a uma soluo em que as condies de contorno
1
1
0
d
dn
so condies necessrias para a soluo do problema
variacional, sem requerer que essa condio seja satisfeita para todas as
funes admissveis. Assim, se 0 sobre , ento
1
0
d
dn
dito ser
uma condio de contorno natural. Se por outro lado desejado que a
soluo satisfaa a condio de contorno
1
0 sobre , necessita-se
que 0 f em para toda e qualquer funo na classe de funes
admissveis. Assim, neste caso, se tem:
Q f v w d (8.5.12)
e
1
0 sobre como consequncia de que
1
pertencer a classe de
funes admissveis. Neste caso, se tem o que se chama de condio de
contorno prescrita como o oposto a condio de contorno natural.
Seja agora o problema 2 posto anteriormente. Aqui se deseja resolver o
mesmo problema anterior (acima), mas com condies de contorno que
levem a:

1 1
, 0 N f fd (8.5.13)
Admitindo que esse problema tenha uma soluo
2
com derivadas
segundas parciais contnuas, se tem:

2 2 2
1 2
2 2 2
, 0
Q N
N
Q N
(8.5.14)
Aqui, no totalmente arbitrria devido a que
1
, 0 N .
Entretanto considerando uma funo da classe de funes admissveis,
se podem construir a partir desta uma funo pela subtrao da parte
no ortogonal a
1
; isto , fazendo:

1
c (8.5.15)
com

1
1
, N
c
N
(8.5.16)
tem-se, pelos mesmos motivos e argumentos anteriores,

2 1 2 2 1
2 2 2 2 1 2 2 1
, , , , 0
Q c N c
Q N c Q N
(8.5.17)
Mas,
1 2 1 2
( , ) 0 N d por (8.5.14), e mais, por (8.5.6)
1 1 1
, , 0 Q N para qualquer arbitrrio (vide problema
variacional 1 acima). Fazendo, pelo fato de ser arbitrrio,
2
que nos
diz ser:

1 2 1 1 2
, , Q N
1 2
0 , 0 Q (8.5.18)
Levando este resultado em (8.5.17) se tem

2 2 2
, , 0 Q N (8.5.19)
Dessa forma, se tem:

2
2 2
0
0
d
dn
(8.5.20)
Pode-se assim continuar a gerar sucessivos autovalores e autofunes.
Para estabelecer, ento, a definio de minimax (3 problema variacional
proposto) do k-simo autovalor e autofuno, devem-se primeiro notar
que o mnimo de
k
Q f quando , 1, 2, , 1
i i
v i k , e mais, se
i i
v , o mnimo de
k
Q f para funes do tipo

1
k
j j
j
f c (8.5.21)
que produz um valor

2
2
1 1 1
2 2 2
1 1
2 2
1
2
1
k
k k k
j j j j j j k
j j j
k k
j j j j j k
j j
k
j j j j k
j
k
j j j j
j
Q f f f d f d
c c d c d
c d c d
c d d
c d
2
1
k
j j k
j
c
(8.5.22)
Entretanto se sabe que para toda escolha de
i
v , o mnimo de Q menor
que ou igual a
k
. Em particular, para , 1, 2, , 1
i i
v i k , o mnimo
de Q igual a
k
. Dessa forma, segue que
k
igual ao mximo do
mnimo de Q, e mais, esse mximo alcanado quando
k
f . Assim o
3 problema est resolvido tambm.
A caracterizao de autovalores em termos variacionais fornece uma
ferramenta poderosa para comparar autovalores em diferentes
problemas. A base desta comparao est estabelecida pelos dois
teoremas a seguir:

Teorema 1: Seja
k
o k-simo autovalor de um problema
variacional em que Q f minimizado sobre certa classe de funes
admissveis F . Seja
k
o k-simo autovalor de um problema variacional
em Q f minimizado sobre uma classe de funes admissveis F ,
resultante do acrscimo de certas restries sobre F . Ento
k k
.
Teorema 2: Seja
k
o k-simo autovalor de um problema
variacional em que Q f minimizado sobre certa classe de funes
admissveis F . Seja
k
o k-simo autovalor de um problema variacional
em Q f minimizado sobre uma classe de funes admissveis F ,
donde , Q f Q f f F . Ento
k k
.
Para ilustrar o uso destes dois teoremas, seja o seguinte exemplo:
Exemplo
Seja
k k
v a frequncia natural de uma membrana elstica
sobre tenso e com massa especfica . Supondo que a membrana
ocupa uma regio no plano xy e que fixada em seu contorno . Seja
tambm outra membrana menor sobre uma regio contida em e
fixada no seu contorno . A frequncia natural
k k
v da
membrana menor, pelo teorema 1, tende a ser maior, ou no mnimo no
menor que
k
v . Assim dado
k
por minimizao de,
Q f f f dxdy
sobre a classe de funes que se anulam sobre . Por comparao, se v
que se tem
k
pela minimizao de Q sobre uma classe de funes que
se anulam sobre , e em toda regio entre e . Mas essas funes
tm restries adicionais alm daquelas impostas na primeira classe de
funes. Logo
k k
.

8.6 Autovalores e Autofunes Associados a Problemas de Sistemas de
Equaes Diferenciais
12
.
Seja um sistema de equaes diferenciais lineares de primeira-ordem
com coeficientes constantes
ij
a no qual se deseja encontrar as funes
incgnitas
i
u t :

1 11 1 12 2 1
2 21 1 22 2 2
1 1 2 2
n n
n n
n n n nn n
u a u a u a u
u a u a u a u
u a u a u a u
(8.6.1)

12
Esta seo pode ser deixada de ser estudada agora, ou estudada aps o estudo do captulo sobre Clculo Variacional e de Equaes Diferenciais Parciais.
Sujeito as seguintes condies iniciais:

1 1
2 2
0
0
n n
u c
u o c
u c
(8.6.2)
Assim, como se sabe da teoria das equaes diferenciais ordinrias, a
exponencial escalar prov a nica soluo para uma equao diferencial
simples do tipo u t u t com a condio inicial 0 u c como
t
u t ce . De forma anloga pode-se resolver o sistema de equaes
diferenciais (8.6.1) com as condies iniciais (8.6.2). Colocando-as na
forma matricial, se tem:
0 com u Au u c (8.6.3)
com

11 12 1 1 1
21 22 2 2 2
1 2
, ,
n
n
n n nn n n
a a a c u t
a a a c u t
a a a c u t
u A c
Se A diagonalizvel com
1 2
, , ,
k
A ento

1 2
1 2
k
t t t t
k
e e e e
A
G G G (8.6.4)
As seguintes identidades podem ser deduzidas das propriedades de
i
G
(vide teorema 5 da seo 8.2):

1 1 1
i i
t k k k
t t t
i i i i i
i i i
de
e e e
dt
A
A
G G G A
(8.6.5)

t t
e e
A A
A A (8.6.6)

0 t t t t
e e e e e
A A A A
I (8.6.7)
A equao (8.6.5) assegura que
t
e c
A
u uma soluo para
0 com u Au u c. Para se mostrar que
t
e c
A
u a nica
soluo, seja supor que t v seja outra soluo, assim
0 com v Av v c. Diferenciando
t
e
A
v se tem:
0
t
t t
d e
e e
dt
A
A A
v
v Av (8.6.8)
que mostra que
t
e
A
v constante e independe de t .
Em 0 t se tem
0
0
0 ,
t t
t
e e c c e c t
A A A
v v I v .
Multiplicando ambos os lados desta equao por
t
e
A
e usando a equao
(8.6.7) pode-se concluir que
t
e c
A
v . Assim
t
e c
A
u a nica soluo
para 0 com u Au u c.
Finalmente pode-se afirmar que
i i i
c N v G A I um autovetor
associado com
i
, e que a soluo para 0 com u Au u c, :

1 2
1 2
k
t t t
k
e e e u v v v (8.6.9)
e esta soluo completamente determinada pelo par ,
i i
v e
i
v o
autovetor
i i
c v G , onde
i
G o i-simo projetor espectral. Por sua vez,
pode-se dizer que u pode tambm ser expandida em termos de qualquer
conjunto completo de autovetores independentes linearmente.

Exemplo.
Um problema importante em medicina e biologia que envolve a questo
de como os compostos qumicos ou de drogas se move de uma clula
para outra, por meio da difuso atravs das paredes das clulas.
Considerando duas clulas, como as mostradas na figura ao lado, as quais
esto vazias de um componente particular. Uma quantidade unitria do
componente injetada na primeira clula em 0 t , e com o tempo este
componente se difunde de acordo com a seguinte hiptese: Em cada
ponto, no tempo, a taxa (quantidade por segundo) de difuso de uma
clula para outra proporcional a concentrao (quantidade por unidade
de volume) do componente na clula que difunde diz-se que a taxa de
difuso da clula 1 para a clula 2 vezes a concentrao na clula 1; a
taxa de difuso da clula 2 para a clula 1 vezes a concentrao na
clula 2. Por hiptese se tem que , 0 . Assim,
seja determinar a concentrao do
componente em cada clula a qualquer tempo t ,
e determine a concentrao no estado
estacionrio.
Seja ento
k k
u u t denotar a
concentrao do componente na clula k no tempo t ; logo, essas
hipteses podem ser escritas na forma matemtica como:
FIGURA 8.4 CLULAS

1
2 1 1
2
1 2 1
taxa entra - taxa sai , 0 1
taxa entra - taxa sai , 0 0
du
u u u
dt
du
u u u
dt
(8.6.10)
Na forma matricial, o sistema 0 com u Au u c pode descrito
por:

1
2
1
, ,
0
u
c
u
A u
Ento levando em considerao (8.6.9) se tem a seguinte soluo:

1
1
0
t
t
t e c e
A
u (8.6.11)
assim se pode escrever:
1
2
1
t
t
u t e
u t e

Para se determinar o estado estacionrio do problema, basta que se leve
s expresses acima de
1 2
, u u ao limite quando t .

8.7 Autovalores e Autovetores no Matlab
No Matlab existe a funo eig que determina os autovalores de uma
matriz A. Essa funo tem duas formas de sada; na primeira forma, com
um nico parmetro de sada, ela nos fornece um vetor com os
autovalores da matriz dada; na segunda forma, com dois parmetros de
sada, duas matrizes, a primeira contendo nas colunas os autovetores
associados a cada autovalor, e a segunda, uma matriz diagonal, contendo
os autovalores. Por exemplo:
>> A=[1 3 5; 3 7 11; 13 1 7];
>> lambda = eig(A)

lambda =

16.21954445729288
-2.21954445729289
1.00000000000000


>> A=[1 3 5; 3 7 11; 13 1 7];
>> [V,D] = eig(A)

V =

0.33195709447243 0.41089236669159 -0.16903085094570
0.76555870379412 0.64044442042258 -0.84515425472852
0.55111192917092 -0.64884390059872 0.50709255283711

D =

16.21954445729288 0 0
0 -2.21954445729289 0
0 0 1.00000000000000
As vezes uma matriz no tem autovalores, como o caso das matrizes
denominadas defectivas. Por exemplo:
A = [6 12 19; -9 -20 -33; 4 9 15]
[V,D] = eig(A)
V =
-0.4741 -0.4082 -0.4082
0.8127 0.8165 0.8165
-0.3386 -0.4082 -0.4082

D =
-1.0000 0 0
0 1.0000 0
0 0 1.0000

Note que existe um autovalor duplicado, consequentemente a segunda e
a terceira coluna da matriz V so idnticas e, por conseguinte a o
conjunto de autovetores no linearmente independente.
Outras formas da sintaxe da funo eig so:
[V,D] = eig(A,'nobalance') determina os autovalores e autovetores sem
fazer o balanceamento, procedimento que melhora o condicionamento
da matriz A;
[V,D] = eig(A,B) determina as matrizes de autovalores D e de
autovetores V de modo que AV BVD;
[V,D] = eig(A,B,flag) similar ao caso anterior, porm com o indicativo do
mtodo em flag - a ser usado para o calculo das matrizes de
autovalores D e de autovetores V. O contedo de flag pode ser chol
para o caso de matrizes Hermitianas (simtricas) e positiva definida, ou
qz caso contrrio.
Se a matriz A for esparsa e simtrica pode-se usar a forma d eig A ;
mas se a matriz for esparsa e no simtrica, ou se for desejvel
determinar os autovetores de A, deve-se utilizar a funo eigs . A sintaxe
desta funo apresenta as seguintes formas, dentre outras (consultar o
Manual do Matlab para maiores informaes):
d = eigs(A) - retorna os autovalores maiores de A;
d = eigs(A,B) - retorna os maiores autovalores de A;
d = eigs(A,k) - retorna o k-simo maior autovalor
d = eigs(A,B,k) - retorna os maiores autovalores de A,
de modo a que AV BVD;
[V,D] = eigs(A,...) - retorna os autovalores e autovalores
dos k maiores autovetores;
Outra funo que faz a fatorizao de autovalores generalizados a
funo qz , cuja sintaxe a seguinte:
[AA,BB,Q,Z,] = qz(A,B) - se as matrizes A e B forem
quadradas, resulta em matrizes quase triangular AA e BB, matrizes
unitrias Q e Z, de tal forma que QAZ= AA e QBZ= BB, onde as
matrizes ;
[AA,BB,Q,Z,V,W] = qz(A,B) - similar a anterior, acrescida das
matrizes V e W cujas colunas so os autovetores generalizados;
Na seo 8.3 apresentou-se a transformao ou decomposio de Schur.
Apresenta-se agora a transformao de uma matriz A na sua forma de
Hessenberg, que , como j se viu, uma matriz triangular que tem os
mesmos autovalores da matriz original. Para isso usa-se a funo hess ,
cuja sintaxe :
H = hess(A) - determina a matriz na forma de
Hessenberg (tridiagonal);
[P,H] = hess(A) - produz a forma de Hessenberg H
e uma matriz unitria P tal que
T
A PHP ;
[AA,BB,Q,Z] = hess(A,B) - para matrizes quadradas A e B,
produz uma matriz de Hessenberg superior AA, uma matriz
triangular superior BB, matrizes unitrias Q e Z, tal que QAZ AA
e QBZ BB.
Com essas funes pode-se utilizar o Matlab com eficincia para a
soluo de problemas de autovetores e autovalores.

2013-2 - 08 - Problemas de Autovalor e Autovetor - 6 - Corpo 18 v2 PDF

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

2013-2 - 08 - Problemas de Autovalor e Autovetor - 6 - Corpo 18 v2 PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Autovalores e Autovetores

Prof. Henrique Mariano Amaral Universidade Estadual do Maranho

Por defi ni cao, sabemos que Av = v. Assim passeos a checagem:

S-ar putea să vă placă și