Baixe o app para aproveitar ainda mais
Prévia do material em texto
Diagonalização de matrizes Dizemos que uma matriz quadrada A, n×n, é diagonalizável se existir uma matriz invertível P tal que P−1AP é uma matriz diagonal. Neste caso, dizemos que a matriz P diagonaliza A. Exemplo 1. Toda matriz D diagonal é diagonalizável. De fato, a matriz identidade In diago- naliza esta matriz: (In) −1DIn = InDIn = In(DIn) = InD = D Observe que se a matrizA, n×n, possui n autovetores linearmente independentes {−→v1 ,−→v2 , ...,−→vn} (ou seja, se a soma das dimensões dos auto-espaços associados aos autovalores de A é n), en- tão esse conjunto forma uma base do Rn e a matriz mudança de base dessa base para a base canônica é a matriz P cujas colunas são os autovetores na ordem em que eles aparecem P = | | |−→v1 | −→v2 | ... | −→vn | | | Como o autovetor −→vi associado ao autovalor λi satifaz (A− λiIn)−→vi = 0 então A−→vi − λiIn−→vi = 0 ⇒ A−→vi = λiIn−→vi ⇒ A−→vi = λi−→vi Logo, AP = A | | |−→v1 | −→v2 | ... | −→vn | | | = | | ... |λ1−→v1 | λ2−→v2 | ... | λn−→vn | | ... | = | | ... |−→v1 | −→v2 | ... | −→vn | | ... | λ1 0 ... 00 λ2 ... 0 0 0 ... λn = PD onde D é a matriz diagonal cujas entradas da diagonal principal d11, d22, ..., dnn são os auto- valores de A correspondentes a −→v1 ,−→v2 , ...,−→vn, respectivamente. Como P é invertível (pois suas colunas formam uma base para o Rn), então AP = PD ⇒ P−1AP = D É possível mostrar também que se A é uma matriz diagonalizável, então necessariamente A possui n autovetores linearemente independentes. Com isso concluímos o seguinte resultado: 1 Teorema 1. Seja A é uma matriz quadrada n×n. Então A é diagonalizável se, e somente se, a matriz A possui n autovetores linearmente independentes. Além disso, se A for diagonalizável, então a matriz diagonal D cuja diagonal principal é composta dos n autovalores λ1, λ2, ..., λn de A e a matriz P cujas colunas −→v1 ,−→v2 , ...,−→vn são n autovetores linearmente independentes de A associados, respectivamente, aos autovalores λ1, λ2, ..., λn são tais que P−1AP = D Ou seja, uma matriz composta por n autovetores linearmente independentes de A diagonaliza a matriz A. O seguinte resultado nos diz que autovetores associados a autovalores distintos são sempre linearmente independentes: Teorema 2. Se −→v1 ,−→v2 , ...,−→vk são autovetores de uma matriz A associados a autovalores λ1, λ2, ..., λk distintos, então os vetores −→v1 ,−→v2 , ...,−→vk são linearmente independentes. Observação 1. A recíproca do resultado acima não é verdadeira, isto é, podemos ter autove- tores linearmente independentes associados ao mesmo autovalor. Logo, podemos concluir o seguinte resultado: Corolário 1. Se A é uma matriz quadrada n× n e A possui n autovalores distintos, então A é diagonalizável. Exemplo 2. Na última aula vimos que se A é a matriz 2× 2 dada por A = [ 1 2 1 0 ] então os autovalores de A são λ1 = 2 e λ2 = −1. Como A possui dois autovalores distintos, então A é diagonalizável. Vimos que −→v1 = (2, 1) é um autovetor associado ao autovalor λ1 = 2 e −→v2 = (−1, 1) é um autovetor associado ao autovalor λ2 = −1. Logo, as matrizes P = [ 2 −1 1 1 ] e D = [ 2 0 0 −1 ] são tais que P−1AP = D Observe que, como autovetores associados a autovalores distintos são linearmente indepen- dentes e como a dimensão do auto-espaço associado a um autovalor é no máximo a multipli- cidade desse autovalor, então para descobrirmos se uma matriz é ou não diagonalizável, basta determinar se os auto-espaços associados a autovalores de multiplicidade maior que 1 tem di- mensão igual à multiplicidade do seu autovalor. Exemplo 3. Se A é a matriz 3× 3 dada por A = 1 0 03 0 0 1 0 0 então A− λI3 = 1− λ 0 03 −λ 0 1 0 −λ 2 Como essa matriz é triangular inferior, o seu determinante é a multiplicação dos elementos da diagonal. Assim, o polinômio característico de A é p(λ) = det(A− λI3) = (1− λ)(−λ)(−λ) = λ2(1− λ) e A possui dois autovalores iguais λ1 = λ2 = 0 e um autovalor distinto λ3 = 1. Utilizando o autovalor 0, temos que A− 0I3 = A = 1 0 03 0 0 1 0 0 Vamos analisar o sistema AX = O, isto é, o sistema1 0 03 0 0 1 0 0 x1x2 x3 = 00 0 A matriz aumentada deste sistema é 1 0 0 03 0 0 0 1 0 0 0 A forma escalonada reduzida da matriz aumentada é:1 0 0 00 0 0 0 0 0 0 0 Logo, x1 = 0 e x2 e x3 são variáveis livres: x2 = α ∈ R e x3 = β ∈ R. A solução geral do sistema é x1x2 x3 = 0α β = α 01 0 + β 00 1 , α, β ∈ R Portanto, −→v1 = (0, 1, 0) e −→v2 = (0, 0, 1) são dois autovetores LI associados ao mesmo autovalor 0. Como o autovalor zero tem multiplicidade dois e seu auto-espaço tem dimensão 2, e como zero é o único autovalor de multiplicidade maior que 1 de A, então a matriz A é diagonalizável. Vamos determinar uma matriz P que diagonaliza A. Para tanto, vamos encontrar um autovetor associado ao autovalor λ3 = 1. Temos que A− I3 = 0 0 03 −1 0 1 0 −1 Vamos analisar o sistema (A− I3)X = O, isto é, o sistema0 0 03 −1 0 1 0 −1 x1x2 x3 = 00 0 A matriz aumentada deste sistema é 0 0 0 03 −1 0 0 1 0 −1 0 3 A forma escalonada reduzida da matriz aumentada é:1 0 −1 00 1 −3 0 0 0 0 0 Logo, x3 é uma variável livre x3 = α ∈ R, x1 = α e x2 = 3α. A solução geral do sistema éx1x2 x3 = α3α α = α 13 1 , α ∈ R Portanto, −→v3 = (1, 3, 1) é um autovetor associado ao autovalor λ3 = 1. A matriz P = | |−→v1 | −→v2 | −→v3 | | = 0 0 11 0 3 0 1 1 é tal que P−1AP = λ1 0 00 λ2 0 0 0 λ3 = 0 0 00 0 0 0 0 1 Exemplo 4. Se A é a matriz 3× 3 dada por A = 1 0 03 0 1 1 0 0 então A− λI3 = 1− λ 0 03 −λ 1 1 0 −λ O polinômio característico de A é p(λ) = det(A− λI3) = (1− λ)(−λ)(−λ) = λ2(1− λ) e A possui dois autovalores iguais λ1 = λ2 = 0 e um autovalor distinto λ3 = 1. Utilizando o autovalor 0, temos que A− 0I3 = A = 1 0 03 0 1 1 0 0 Vamos analisar o sistema AX = O, isto é, o sistema1 0 03 0 1 1 0 0 x1x2 x3 = 00 0 A matriz aumentada deste sistema é 1 0 0 03 0 1 0 1 0 0 0 4 A forma escalonada reduzida da matriz aumentada é:1 0 0 00 0 1 0 0 0 0 0 Logo, x1 = 0, x3 = 0 e x2 é uma variável livre: x2 = α ∈ R. A solução geral do sistema éx1x2 x3 = 0α 0 = α 01 0 , α ∈ R Portanto, −→v1 = (0, 1, 0) é um autovetor do autovalor 0. Observe que qualquer outro autovetor do autovalor 0 é um múltiplo escalar de −→v1 = (0, 1, 0). Logo, este autovalor, apesar de ter multiplicidade 2, não possui dois autovetores linearmente independentes associados a ele. Como seu auto-espaço tem dimensão menor que sua multiplicidade, então concluímos que a matriz A não é diagonalizável. Diagonalização de matrizes simétricas Vamos estudar o caso particular em que a matriz A = (aij)n×n é simétrica, isto é, o caso em que A satisfaz At = A. É possível mostrar o seguinte resultado para matrizes simétricas: Proposição 1. Se A é uma matriz simétrica, então autovetores associados a autovalores dis- tintos são ortogonais. Exemplo 5. Seja A a matriz simétrica 2× 2 dada por A = [ 3 1 1 3 ] O polinômio característico de A é p(λ) = det(A− λI2) = det [ 3− λ 1 1 3− λ ] = λ2 − 6λ+ 8 Os autovalores de A são λ1 = 2 e λ2 = 4. A solução geral do sistema (A− 2I2)X = 0 é[ x1 x2 ] = [ −α α ] = α [ −1 1 ] Logo, o conjunto formado pelo vetor −→v1 = (−1, 1) é uma base para o auto-espaço associado ao autovalor λ1 = 2. A solução geral do sistema (A− 4I2)X = 0 é[ x1 x2 ] = [ α α ] = α [ 1 1 ] Logo, o conjunto formado pelo vetor −→v2 = (1, 1) é uma base para o auto-espaço associado ao autovalor λ2 = 4. Os vetores −→v1 e −→v2 são ortogonais, pois, −→v1 • −→v2 = −1 + 1 = 0 Portanto, qualquer autovetor de λ1 é ortogonal a qualquer autovetor de λ2 (uma vez que os outros autovetores são múltiplos escalares destes dois). 5 Lembramos que uma matriz quadrada P é ortogonal se P−1 = P t. É possível mostrar o seguinte resultado: Proposição 2. Uma matriz n × n é ortogonal se, e somente se, seus vetores coluna formam uma base ortonormaldo Rn. Dizemos que uma matriz A é ortogonalmente diagonalizável se existe uma matriz ortogonal P que diagonaliza A. Suponha que a matriz ortogonal P diagonalize A. Como P−1 = P t, então P tAP = D ⇒ AP = PD ⇒ A = PDP t = PDtP t = (PDP t)t = At (pois toda matriz diagonal D satisfaz Dt = D) e, portanto, A é uma matriz simétrica. Observe que se uma matriz simétrica A é diagonalizável, então ela é diagonalizável com uma matriz ortogonal. De fato, se A é diagonalizável, então A possui n autovetores linearmente independentes. Além disso, já sabemos que autovetores associados a autovalores distintos são ortogonais. Se um autovalor tiver multiplicidade maior que 1, então podemos utilizar o processo de Gram-Schmidt para ortonormalizar uma base do auto-espaço associado a esse autovalor. Depois, basta normalizarmos todos os autovetores encontrados. Desta forma, garantimos a existência de n autovetores ortonormais e, consequentemente, a matriz P cujas colunas são estes autovetores ortonormais é tal que P tAP = D onde D é a matriz diagonal cujas entradas da diagonal principal são os respectivos autovalores de A. Na verdade, é possível mostrar que toda matriz simétrica é necessariamente diagonalizável. Com isso, garantimos o seguinte resultado: Teorema 3. Uma matriz A é ortogonalmente diagonalizável se, e somente se, A é uma matriz simétrica. Exemplo 6. Se A é a matriz simétrica 2× 2 dada por A = [ 3 1 1 3 ] então os autovalores de A são λ1 = 2 e λ2 = 4. Além disso, o conjunto formado pelo vetor−→v1 = (−1, 1) é uma base para o auto-espaço associado ao autovalor λ1 = 2 e o conjunto formado pelo vetor −→v2 = (1, 1) é uma base para o auto-espaço associado ao autovalor λ2 = 4. Normalizando os autovetores −→v1 e −→v2 , encontramos: −→u1 = −→v1 ||−→v1 || = ( − 1√ 2 , 1√ 2 ) , −→u2 = −→v2 ||−→v2 || = ( 1√ 2 , 1√ 2 ) Logo, a matriz P = − 1√2 1√2 1√ 2 1√ 2 é uma matriz ortogonal tal que P tAP = D = [ 2 0 0 4 ] As vezes, o seguinte resultado pode nos ser útl para determinarmos os autovalores de A: 6 Proposição 3. Se a0, a1, ..., an−1 são inteiros, então as raízes racionais (se existirem) do po- linômio p(λ) = (−1)λn + an−1λn−1 + ...+ a1λ+ a0 são números inteiros e divisores de a0. Exemplo 7. Determine uma matriz P ortogonal que diagonaliza a matriz A = 4 2 22 4 2 2 2 4 Temos que A− λI3 = 4− λ 2 22 4− λ 2 2 2 4− λ e, portanto, p(λ) = det(A− λI3) = (4− λ) [ (4− λ)2 − 4 ] − 2 [2(4− 2λ)− 4] + 2 [4− 2(4− λ)] = (4− λ) [ (4− λ)2 − 4 ] − 4 [2(4− 2λ)− 4] = (4− λ) [ (4− λ)2 − 12 ] + 16 = (4− λ) [ 16− 8λ+ λ2 − 12 ] + 16 = (4− λ) [ 4− 8λ+ λ2 ] + 16 = 16− 32λ+ 4λ2 − 4λ+ 8λ2 − λ3 + 16 = −λ3 + 12λ2 − 36λ+ 32 Observe que estamos nas condições da proposição acima, e, portanto, se existirem autovalores racionais de A eles são inteiros divisores de 32. Testanto os divisores de 32 e seus negativos (que são 1, 2, 4, 8, 16, 32, −1, −2, −4, −8, −16, −32) observamos que 2 e 8 são raízes do polinômio característico p(λ). Como (2− λ)(8− λ) = 16− 10λ+ λ2 e como p(λ)÷ (16− 10λ+ λ2) = (2− λ) então concluímos que p(λ) = (2− λ)2(8− λ) Logo, temos dois autovalores: λ1 = 2 de multiplicidade 2 e λ2 = 8 de multiplicidade 1. A matriz aumentada do sistema homogêneo (A− 2I3)X = 0 é a matriz2 2 2 02 2 2 0 2 2 2 0 cuja forma escalonada reduzida é 1 1 1 00 0 0 0 0 0 0 0 Logo, x2 = β ∈ R e x3 = γ ∈ R são variáveis livres, x1 = −β − γ, e a solução geral do sistema é x1x2 x3 = −β − γβ γ = β −11 0 + γ −10 1 7 Logo, S = {(−1, 1, 0), (−1, 0, 1)} é uma base para o auto-espaço associado ao autovalor 2. Vamos ortonormalizar esta base. Pelo processo de Gram-Schmidt: −→w1 = (−1, 1, 0) ⇒ −→u1 = 1√ 2 (−1, 1, 0) −→w2 = (−1, 0, 1)− proj−→w1(−1, 0, 1) = ( −1 2 ,−1 2 , 1 ) ⇒ −→u2 = √ 2 3 ( −1 2 ,−1 2 , 1 ) E, portanto, B = {( − 1√ 2 , 1√ 2 , 0 ) , ( − 1√ 6 ,− 1√ 6 , 2√ 6 )} é uma base ortonormal para o auto-espaço associado ao autovalor 2. A matriz aumentada do sistema homogêneo (A− 8I3)X = 0 é a matriz−4 2 2 02 −4 2 0 2 2 −4 0 cuja forma escalonada reduzida é 1 0 −1 00 1 −1 0 0 0 0 0 Logo, x3 = α ∈ R é variável livre, x1 = α e x2 = α, e a solução geral do sistema éx1x2 x3 = αα α = α 11 1 Logo, S = {(1, 1, 1)} é uma base para o auto-espaço associado ao autovalor 8. Como A é uma matriz simétrica, temos que −→v3 = (1, 1, 1) é ortogonal a −→u1 e a −→u2. Vamos normalizá-lo: −→u3 = 1√ 3 (1, 1, 1) = ( 1√ 3 , 1√ 3 , 1√ 3 ) Concluímos que a matriz P = | |−→u1 | −→u2 | −→u3 | | = − 1√ 2 − 1√ 6 1√ 3 1√ 2 − 1√ 6 1√ 3 0 2√ 6 1√ 3 é uma matriz ortogonal que diagonaliza A. Além disso, temos que P tAP = 2 0 00 2 0 0 0 8 8
Compartilhar