Baixe o app para aproveitar ainda mais
Prévia do material em texto
APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores CAPÍTULO 6: SEMELHANÇA, DIAGONALIZAÇÃO E AUTOVALORES 6.1 SEMELHANÇA DE MATRIZES Definição 6.1: Se A e C são matrizes quadradas da mesma ordem, nn × , diz-se que C é semelhante a A se existe uma matriz invertível P tal que APPC 1−= . Pode-se verificar que se A e C são matrizes quadradas da mesma ordem e C é semelhante a A , então A é semelhante a C , pois ( ) AQQAPPPAPA 1111 −−−−− === 1 , sendo 1PQ −= . Logo, em qualquer caso, diz-se que A e C são semelhantes. Propriedade 6.1: Duas matrizes são semelhantes se, e somente se, existem bases em relação às quais as matrizes representam a mesma transformação linear. Prova: Suponha que as matrizes A e C , de ordem nn × , são semelhantes. A matriz A representa a transformação linear uA(u) =T na base canônica 1B . Por outro lado, existe uma matriz invertível P tal que APPC 1−= . Assim, se [ ]n21 vvvP L= , considerando que P é invertível, o conjunto { }n21 v,,v,v K=2B é linearmente independente e forma uma base de nR . Pode-se verificar que se APPC 1−= , então C representa a transformação linear T referida anteriormente na base 'B . Se a matriz C representa uma transformação linear T na base 2B e a matriz A representa a mesma transformação linear T na base 1B . Escolha-se 12 BB →= PP . Tal matriz é invertível e 21 1 BB → − = PP . Logo, verifica-se que as matrizes que representam T estão relacionadas por [ ] [ ] 1PP −= 21 BB TT , ou seja, 1PCPA −= . Equivalentemente, APPC 1−= . Propriedade 6.2: 1. Matrizes semelhantes têm o mesmo determinante. 2. Matrizes semelhantes têm o mesmo posto. 3. Matrizes semelhantes têm a mesma nulidade. 4. Matrizes semelhantes têm o mesmo traço. Exemplo 6.1: As matrizes = 200 020 011 A e = 100 020 002 C são semelhantes, pois definindo = 010 001 101 P , tem-se que P é invertível desde que 01)det( ≠=P , e = = 020 002 102 010 001 101 200 020 011 PA e = = 020 002 102 100 020 002 010 001 101 CP , APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores ou seja, PACP = , ou equivalentemente, APPC 1−= . Exemplo 6.2: As matrizes = 200 020 011 A e = 100 020 001 C não são semelhantes, pois o traço de A é igual a 5 e o traço de C é igual a 4 . No exemplo 6.1, a matriz = 100 020 002 C é diagonal. Este tipo de matrizes desempenha um papel importante nas aplicações práticas, pois representam o tipo mais simples de transformações lineares. Assim, é de interesse determinar condições nas quais uma transformação linear possa ser representada por uma matriz diagonal em alguma base. Isto motiva a noção de matriz diagonalizável a ser vista na próxima seção. 6.2 DIAGONALIZAÇÃO Como foi dito na seção anterior, é requerido estudar em detalhe o problema a seguir: Dada uma matriz quadrada A , determinar, se possível, uma matriz quadrada P invertível e da mesma ordem tal que APPD 1−= , de maneira que D seja uma matriz diagonal. Se as matrizes D e P existirem, diz-se que P diagonaliza A , e que A é diagonalizável. Para estudar as condições em que uma matriz quadrada A é diagonalizável são detalhados os elementos das matrizes D e P : Se uma matriz A de ordem nn × é diagonalizável, então existe uma matriz P invertível e uma matriz diagonal D tal que APPD 1−= é diagonal. Denotando a matriz P por colunas, [ ]n21 vvvP L= , a matriz diagonal = nλ λ λ L MOMM L L 00 00 00 2 1 D , a igualdade APPD 1−= implica que APPD = . Mas, [ ] [ ]n21n21 vAvAvAvvvAAP LL == e [ ] [ ]n21n21 vvvvvvPD n n λλλ λ λ λ L L MOMM L L L 21 2 1 00 00 00 = = . Assim, deve-se ter que iii vλAv = , para ni ,,2,1 K= . Como P é invertível, os vetores { }n21 v,,v,v L são linearmente independentes (portanto, não nulos). Isto significa que, para que uma matriz A seja diagonalizável, deve-se achar escalares iλ , ni ,,2,1 K= , e vetores iv , ni ,,2,1 K= , não nulos tais que iii vλAv = , para cada ni ,,2,1 K= . As igualdades iii vλAv = originam o conceito de autovalor da matriz A que será estudado na próxima seção. APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores 6.3 PROBLEMA DE AUTOVALOR Definição 6.2: Seja A uma matriz quadrada de ordem nn × . Um escalar λ tal que vvA λ= para um vetor não nulo nRv ∈ é denominado um autovalor de A e o vetor v é denominado autovetor de A associado a λ . Agora, observe que a igualdade vvA λ= é equivalente a igualdade ( ) 0vIA =− λ , que, considerando v como um vetor de incógnitas, é um sistema homogêneo de equações lineares. Desde que são requeridas soluções não nulas deste sistema, pois v deve ser um vetor não nulo, o determinante da matriz do sistema tem que ser nulo, ou seja, ( ) 0det =− IA λ . Agora, observe que ( ) )(det 21 22221 11211 λ λ λ λ λ n nnnn n n p aaa aaa aaa = − − − =− L MOMM L L IA , é um polinômio de grau n na incógnita escalar λ , denominado polinômio característico da matriz A . A equação polinomial ( ) 0det)( =−= IA λλnp é denominada equação característica da matriz A . Sabe-se que a uma equação polinomial com coeficientes reais possui n raízes (ou soluções) contando com a multiplicidade: nλλλ ,,, 21 K . Então, se resolvendo os sistemas homogêneos ( ) 0vIA =− iλ são conseguidos exatamente n autovetores associados, { }n21 v,,v,v L , a matriz A é diagonalizável, sendo a matriz diagonal = nλ λ λ L MOMM L L 00 00 00 2 1 D e a matriz invertível [ ]n21 vvvP L= , que satisfazem a igualdade matricial APPD 1−= Metodologia Prática para o cálculo de autovalores e autovetores associados: 1. Os autovalores de uma matriz A de ordem nn × são calculados resolvendo a equação característica ( ) 0det)( =−= IA λλnp . A multiplicidade de cada solução λ de tal equação polinomial é denominada a multiplicidade algébrica do autovalor λ . 2. Para cada autovalor iλ calculado no passo 1, é resolvido o sistema homogêneo 0vIA =− )( iλ . Os vetores linearmente independentes que geram o conjunto-solução deste sistema são os autovetores associados a iλ . O número destes vetores linearmente independentes é chamado de multiplicidade geométrica do autovalor iλ . Em geral, as multiplicidades algébricas e geométricas não coincidem. Exemplo 6.3: Considere a matriz = 11 11 A . A equação característica desta matriz é ( ) 0 11 11 det)(2 = − − =−= λ λλλ IAp , ou seja, 01)1)(1( =−−− λλ , ou, 022 =− λλ , cujas raízes são 01 =λ e 22 =λ , ambas de multiplicidade algébrica igual a 1, ou, simples. APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores • Para 01 =λ , tem-seo sistema 0vIA =− )( 1λ , ou, = − − 0 0 011 101 y x , cuja matriz aumentada e subseqüente escalonamento resulta em → − 0 0 00 11 0 0 11 11 12 LL , ou seja, = =+ ,00 ,0yx de onde, escolhendo y como parâmetro livre, tem-se que yx −= ; e o conjunto solução pode ser escrito como − = − = 1 1 y y y y x . Logo, para o autovalor 01 =λ pode ser associado o autovetor − = 1 1 1v . A multiplicidade geométrica de 01 =λ é também igual a 1. • Para 22 =λ , tem-se o sistema 0vIA =− )( 2λ , ou, = − − 0 0 211 121 y x , cuja matriz aumentada e subseqüente escalonamento resulta em − → − − + 0 0 00 11 0 0 11 11 12 LL , ou seja, = =+− ,00 ,0yx de onde, escolhendo y como parâmetro livre, tem-se que yx = ; e o conjunto solução pode ser escrito como = = 1 1 y y y y x . Logo, para o autovalor 22 =λ pode ser associado o autovetor = 1 1 2v . A multiplicidade geométrica de 22 =λ é também igual a 1. Desde que foram conseguidos dois autovalores e dois autovetores associados, a matriz = 11 11 A é diagonalizável, sendo = = 2 0 D 0 0 0 0 2 1 λ λ e [ ] − == 1 1 1 1| 21 vvP e PAPD 1−= . Exemplo 6.4: Seja a matriz −= 102 232 003 A . A equação característica de A é 0 102 232 003 )det()(3 = − −− − =−= λ λ λ λλ IAp , que pode ser calculada, desenvolvendo pelos menores da primeira linha, como, [ ] ,0)1()3( 0)1)(3()3( 02 32 0 12 22 0 10 23)3()( 2 3 =−−= −−−−= −− + − − − − − −= λλ λλλλλλ λλλp e a equação 0)1()3( 2 =−− λλ produz os autovalores de A que são 31 =λ de multiplicidade algébrica 2 e 12 =λ de multiplicidade algébrica 1. APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores • Para 31 =λ , tem-se o sistema 0vIA =− )( 1λ , ou, = − −− − 0 0 0 3102 2332 0033 z y x , cuja matriz aumentada e subseqüente escalonamento resulta em − → − − → − − +↔ 0 0 0 000 000 202 0 0 0 202 000 202 0 0 0 202 202 000 1321 LLLL , ou seja, = = =+− ,00 ,00 ,022 zx de onde, escolhendo y e z como parâmetros livres, tem-se que zx = , e o conjunto solução pode ser escrito como + = = 1 0 1 0 1 0 zy z y z z y x . Logo, para o autovalor 31 =λ podem ser associados o autovetores = 0 1 0 1v e = 1 0 1 2v . A multiplicidade geométrica de 31 =λ é igual a 2 (valor igual à multiplicidade algébrica). • Para 12 =λ , tem-se o sistema 0vIA =− )( 2λ , ou, = − −− − 0 0 0 1102 2132 0013 z y x , cuja matriz aumentada e subseqüente escalonamento resulta em → − − + 0 0 0 000 220 002 0 0 0 002 222 002 13 12 LL LL , ou seja, = =+ =− ,00 ,022 ,02 zy x de onde, escolhendo z como parâmetro livre, tem-se que zy −= e 0=x ; e o conjunto solução pode ser escrito como −= −= 1 1 00 z z z z y x . Logo, para o autovalor 12 =λ pode ser associado o autovetor −= 1 1 0 2v . A multiplicidade geométrica de 12 =λ é igual a 1 (coincidente com a multiplicidade algébrica). Neste exemplo, a matriz −= 102 232 003 A é diagonalizável, sendo = = 1 3 3 D 00 00 00 00 00 00 2 2 1 λ λ λ e [ ] −== 110 101 010 | 321 vvvP e PAPD 1−= . APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores Exemplo 6.5: Seja a matriz = 112 110 111 A . A equação característica de A , neste caso, é 0 112 110 111 )det()(3 = − − − =−= λ λ λ λλ IAp , que pode ser calculada, desenvolvendo pelos menores da primeira coluna, como, [ ] [ ] ,03222)2)(1( )1(121)1()1( 11 11 2 11 11 0 11 11)1()( 323222 2 3 =−=−++−=++−−= −−+−−−= − + − − − − −= λλλλλλλλλλ λλλλλλ λλλp e a equação 03 32 =− λλ pode ser expressa como 0)3(2 =− λλ , de onde, facilmente, pode-se ver que os autovalores de A são 01 =λ de multiplicidade algébrica 2 e 32 =λ de multiplicidade algébrica 1. • Para 01 =λ , tem-se o sistema 0vIA =− )( 1λ , ou, = − − − 0 0 0 0112 1010 1101 z y x , cuja matriz aumentada e subseqüente escalonamento resulta em → −− → +− 0 0 0 000 110 111 0 0 0 110 110 111 0 0 0 112 110 111 2313 LL2LL , ou seja, = =+ =++ 00 ,0 ,0 zy zyx de onde, escolhendo z como parâmetro livre, tem-se que zy −= e 0=−−= zyx ; e o conjunto solução pode ser escrito como −= −= 1 1 00 y z z z y x . Logo, para o autovalor 01 =λ pode ser associado o autovetor −= 1 1 0 1v . A multiplicidade geométrica de 01 =λ é igual a 1 (valor diferente da multiplicidade algébrica). • Para 32 =λ , tem-se o sistema 0vIA =− )( 2λ , ou, = − − − 0 0 0 3112 1310 1131 z y x , cuja matriz aumentada e subseqüente escalonamento resulta em − − → − − − → − − − ++ 0 0 0 000 120 112 0 0 0 120 120 112 0 0 0 212 120 112 2313 LLLL , resultandono sistema APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores = =+− =++− 00 ,02 ,02 zy zyx de onde, escolhendo z como parâmetro livre, tem-se que 2/zy = e 4/32/)( zzyx =+= ; e o conjunto solução pode ser escrito como = = 4 2 3 4 2/ 4/3 z z z z z y x . Logo, para o autovalor 32 =λ pode ser associado o autovetor = 4 2 3 2v . A multiplicidade geométrica de 32 =λ é igual a 1 (coincidente com a multiplicidade algébrica). Neste exemplo, a matriz = 112 110 111 A não é diagonalizável, desde que existem, ao todo, apenas dois autovetores associados aos autovalores. Observação: Cabe salientar que as soluções do polinômio característico de uma matriz podem ser também complexas. Neste caso, os autovetores tem também componentes complexas. 6.4 PROCESSO DE ORTOGONALIZAÇÃO DE GRAM-SCHMIDT Definição 6.3: Uma matriz quadrada Q de ordem nn × é dita ortogonal se é invertível e t1 QQ =− . Propriedade 6.3: Uma matriz quadrada Q de ordem nn × é ortogonal se as colunas da matriz [ ]n21 uuuQ L= satisfazem as seguintes condições 1=== n21 uuu K e 0=⋅ ji uu se ji ≠ , ou seja, os vetores n21 uuu ,,, K são unitários e ortogonais dois a dois. Propriedade 6.4: Se os vetores n21 uuu ,,, K são unitários e ortogonais dois a dois, e alem do mais, linearmente independentes, então eles constituem uma base para nR . A base { }n21 uuu ,,, K=B é denominada uma base ortonormal de nR . A base canônica 1 0 0 ,, 0 1 0 , 0 0 1 M L MM de nR é um exemplo de base ortonormal. Nomenclatura: Um conjunto { }m21 uuu ,,, K de vetores é denominado 1. um conjunto ortogonal se 0=⋅ ji uu se ji ≠ ; e 2. um conjunto ortonormal se 1=== m21 uuu K e 0=⋅ ji uu se ji ≠ . Existe um algoritmo computacional denominado o Processo de Gram-Schmidt que constrói um conjunto ortonormal { }m21 uuu ,,, K de vetores a partir de um conjunto { }m21 vvv ,,, K de vetores linearmente APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores independentes. No caso em que nm = , o processo constrói uma base ortonormal { }n21 uuu ,,, K=B a partir de uma base qualquer { }n21 vvv ,,, K de nR . Propriedade 7.2: (Processo de Gram-Schmidt) A partir de um conjunto de m vetores { }m21 v,,v,v L linearmente independentes de nR , então pode-se obter um conjunto ortonormal de m vetores { }m21 uuu ,,, K mediante o seguinte processo: 1. Defina 11 vp = e 1 1 1 pp 1 u = . 2. Defina 1 1 12 22 pp pv vp 2 ⋅ −= e 2 2 2 pp 1 u = . 3. Defina 22 2 23 1 1 13 33 pp pvp p pv vp ⋅−⋅−= 2 e 3 3 3 pp 1 u = , 4. Defina 32 3 34 22 2 24 12 1 14 4 pp pvp p pvp p pv vp ⋅−⋅−⋅−=4 e 4 4 4 pp 1 u = , e assim por diante, até m. Defina 1m2 1m 1mm 22 2 2m 12 1 1m mm pp pvp p pvp p pv vp − − − ⋅ −− ⋅ − ⋅ −= L e m m m pp 1 u = . Exemplo 6.6: Considere o conjunto { } = 0 1 1 , 1 1 1 , 0 0 1 321 v,v,v . Pode-se ver facilmente que tal conjunto é linearmente independente em 3R e portanto, constitui uma base. Mas esta base não é ortonormal. Utiliza-se o processo de Gram-Schmidt para obter uma base ortonormal para 3R baseado no conjunto { }321 v,v,v . Faz-se == 0 0 1 11 vp e = == 0 0 1 0 0 1 1 1 1 1 1 pp 1 u . Agora, = − = ⋅ − = ⋅ −= 1 1 0 0 0 1 1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1 1 1 22 1 1 12 22 pp pv vp e = == 2 1 2 1 2 2 2 pp 1 u 0 1 1 0 2 1 . − = − = − − = − − = ⋅ − ⋅ − = ⋅ − ⋅ −= 1 1 000 0 0 1 0 1 1 1 1 0 2 1 0 0 1 1 0 1 1 1 1 0 2 1 1 0 0 1 1 0 0 1 1 0 0 1 0 1 1 0 1 1 Enfim 2 1 2 2 1 2 1 2 1 2 1 22 2 23 1 1 13 33 pp pvp p pv vp APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores e − = − == 2 1 2 1p p u 0 1 1 0 2 11 3 3 3 Assim, consegue-se a base ortonormal { } − = 2 1 2 1 2 1 2 1 321 u,u,u 0 , 0 , 0 0 1 . Observe que a matriz formada por estes últimos vetores − = 2 1 2 1 2 1 2 1Q 0 0 001 é ortogonal, ou seja, IQQ 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1t = = − ⋅ − = 100 010 001 0 0 001 0 0 001 , implicando que t1 QQ =− . Exemplo 6.7: Considere o conjunto { } = 1 1 1 , 0 1 1 , 0 0 1 321 v,v,v . Pode-se ver que tal conjunto é uma base de 3R mas não é ortonormal. Utiliza-se o processo de Gram-Schmidt para obter um conjunto ortogonal de vetores. Faz-se == 0 0 1 11 vp e = == 0 0 1 0 0 1 1 1 1 1 1 pp 1 u . Agora, = − = ⋅ − = ⋅ −= 0 1 0 0 0 1 1 1 0 1 1 0 0 1 1 0 0 1 0 1 1 0 1 1 22 1 1 12 22 pp pv vp e = == 0 1 0 0 1 0 1 1 2 2 2 pp 1 u . = − − = − − = ⋅ − ⋅ − = ⋅ − ⋅ −= 1 0 0 0 1 0 0 0 1 1 1 1 1 1 0 1 1 0 0 1 1 1 1 1 1 0 1 0 1 0 1 0 1 1 1 0 0 1 1 0 0 1 1 1 1 1 1 1 Enfim 2 22 2 23 1 1 13 33 pp pvp p pv vp e = == 1 0 0 1 0 0 1 11 3 3 3 pp u . APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores Assim, consegue-se a base ortonormal (canônica) { } = 1 0 0 , 0 1 0 , 0 0 1 321 u,u,u e a matriz IQ = = 100 010 001 , ou seja, a matriz identidade, que é obviamente uma matriz ortogonal. Exemplo 6.8: O objetivo deste exemplo é construir uma base ortonormal a partir da base formada pelos autovetores de uma matriz. Por isso, não serão mostrados os cálculos para conseguir os autovalores e autovetores. Seja a matriz −− −−= 102 212 405 A . Pode-se verificar que a matriz que diagonaliza a matriz A é −− = 101 011 102 P cujas colunas são os autovetores da matriz A . Porém, a base de 3R , { } − − = 1 0 1 , 0 1 0 , 1 1 2 321 v,v,v , que estes autovetores formam, não é uma base ortonormal. Mas, aplicando o processo de Gram-Schmidt, tem-se que − == 1 1 2 11 vp e − = − == 6 1 6 1 6 2 1 1 1 pp 1 u 1 1 2 6 1 ; − = − = − − = − − ⋅ − = ⋅ −= 1 5 2 1 1 2 6 1 0 1 0 1 1 2 6 1 1 2 0 1 0 0 1 0 6 1 2 6 1 6 5 3 1 1 1 12 22 pp pv vp e − = − == 30 1 30 5 30 2 2 2 2 pp 1 u 1 5 2 30 1 ; = = − + − − − = − + − − − = − − ⋅ − − − − ⋅ − − − = ⋅ − ⋅ −= 2 0 1 0 1 1 0 1 1 5 2 10 1 1 1 2 2 1 1 0 1 1 5 2 30 1 5 2 1 0 1 1 1 2 6 1 1 2 1 0 1 1 0 1 Enfim 5 1 2 5 2 5 1 10 1 2 1 5 1 2 1 2 1 22 2 23 1 1 13 33 pp pvp p pv vp APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores e = == 5 2 2 1 p p u 0 2 0 1 5 11 3 3 3 . Assim, consegue-se o conjunto ortonormal { } − − = 5 2 5 1 30 1 30 5 30 2 6 1 6 1 6 2 321 u,u,u 0,, . Observe que a matriz formada por estes últimos vetores − − = 5 2 5 1 30 1 30 5 30 2 6 1 6 1 6 2 Q 0 é ortogonal, ou seja, IQQt = . Equivalentemente, − − == − 5 2 30 1 6 1 30 5 6 1 5 1 30 2 6 2 t1 QQ 0 . Observe que a inversa de uma matriz ortogonal é calculada de maneira muito simples: apenas transpondo a matriz. Exemplo 6.9: Seja a matriz = 110 121 011 A . Pode-se verificar que a matriz − − = 111 120 111 P diagonaliza a matriz A , desde que APPD 1−= = 000 030 001 . As colunas da matriz P , { } − − = 1 1 1 , 1 2 1 , 1 0 1 321 v,v,v formam um conjunto ortogonal. Esta é uma propriedade que acontece com as matrizes simétricas. Para conseguir uma matriz ortogonal que diagonalize A , basta normalizar tal conjunto de vetores, ou seja dividir cada vetor pela norma respectiva. Assim, consegue-se o conjunto ortonormal { } − − = 3 1 3 1 3 1 6 1 6 2 6 1 2 1 2 1 321 u,u,u ,,0 . Observe que a matriz formada por estes últimos vetores − − = 3 1 3 1 3 1 6 1 6 2 6 1 2 1 2 1 0Q é ortogonal e satisfaz IQQt = . Além do mais, DAQQ t = = 000 030 001 . 6.5 EXERCÍCIOS PROPOSTOS 1. Os pares de matrizes a seguir não são semlhantes. Justifique: a. = 23 11 A , − = 23 01 B ; b. − = 42 14 A , − = 42 14 B ; c. = 100 210 321 A , = 100 01 021 2 1B ; d. = 303 202 101 A , = 110 022 011 B . APOSTILA DE ÁLGEBRA LINEAR E APLICAÇÕES Prof. Germán R. C. Suazo Capítulo 6: Semelhança, Diagonalização e Autovalores 2. Para cada uma das matrizes a seguir, encontre os autovalores e os autovetores associados a cada autovalor. Determine se a matriz é diagonalizável, e em caso afirmativo, determine a matriz diagonal D e a matriz invertível P tal que PAPD 1−= . a. − − = 322 012 021 A b. − − = 011 101 110 A ; c. − = 300 030 202 A ; d. − − −− = 313 043 241 A ; e. = 510 051 005 A ; f. −− − = 3000 0300 5520 0002 A ; g. = 000 011 011 A ; h. −− −− −− = 211 121 112 A ; i. = 0000 0000 0031 0013 A . 3. Utilize o processo de ortogonalização para obter uma base ortonormal a partir da base dada: a. − = 2 2 , 3 1 B ; b. − = 5 3 , 0 1 B ; c. − = 1 4 0 , 2 7 3 , 0 0 1 B ; d. −= 0 0 1 , 0 1 2 , 1 1 1 B ; e. − − = 3 1 1 , 1 0 1 , 2 1 0 B ; f. − = 1 3 0 1 , 2 1 1 0 , 0 2 1 1 , 0 1 2 1 B .
Compartilhar