Anda di halaman 1dari 42

'

*~
B
fa

4I nf,

5
.

1
`._\xu`u_\

..,.
_

Qt..-. .,-:im
-19- I
~'
~~~-.,,
_
,_, J.

UFSC - UNIVERSIDADE FEDERAL DE SANTA CATARINA


UAB- UNIYERSIDADE ABERTA DO BRASIL
POLO DE FOZ DO IGUAU

AUTOVALORES E AUTOVETORES E APLICAES

GILDERLIA BEZERRA COLARES


u

FOZ DO IGUAU - PR
2011
,ly
'

. _

\\\\'L\\

'f/I/_.

___0,,_.
_
.c _
'~
...
.ul
'
Iv.

UFSC - UNIVERSIDADE FEDERAL DE SANTA CATARINA


UAB - UNIVERSIDADE ABERTA DO BRASIL
POLO DE FOZ DO IGUAU

AUTOVALORES E AUTOVETORES E APLICAES

GILDERLIA BEZERRA COLARES

Monografia submetida Comisso de


avaliao do Curso de Especilizao em
Matemtica-Formao de Professores,
em cumprimento parcial para a obteno
do titulo de Especialista em Matemtica.

FOZ DO IGUAU - PR
`

2011
fi

.?~,

- fi

UNIVERSIDADE FEDERAL DE SANTA CATARINA


CENTRO DE CINCIAS FSICAS E MATEMTICAS
Departamento de Matemtica
Curso de Especializao em Matemtica-Formao de Professor na modalidade a distncia

Autova|or'es e Autovetores e Aplicaes" 5

Monografia submetida Comisso de


avaliao do Curso de Especializao
em Matemtica-Formao do professor
em cumprimento parcial para a
obteno do ttulo de Especialista em
u

Matemtica.

APROVADA PELA COMISSAO EXAMINADORA em 01/03/2011


,
1
~ ,

Dra. Maria Inez Cardoso Gonalves (CFM/UFSC - Onentadora)


.
* 'AQIW
1 . E

D1. Silvia Martini de Holanda Janesch (CFM/UFC - Examinadora) f'-'

Dr.
.
Melissa Weber Mendona (CFM-UFSC Examfinadora)
1
9/' /

/
6/

Dra. I~h
Coordenadora do Curso de Especializao
Carvalho
em Matemtica-Fonnao de Professor
_

1'

Florianpolis, Santa Catarina, maro de 2011.


meus pais, Gentil e Olivia, e em
especial minha orientadora,
Professora Doutora Maria Inez
Gonalves, pela pacincia e
persistncia.
AGRADECIMENTOS

Considerando esta monografia como resultado de uma caminhada que no


comeou numa universidade, agradecer pode no ser tarefa fcil, nem justa. Para
no correr o risco da injustia, agradeo de antemo a todos que de alguma forma
passaram pela minha vida e contriburam para a construo de quem sou hoje.

E agradeo, particularmente, a algumas pessoas pela contribuio direta na

construo deste trabalho: .

0 A Deus, o que seria de mim sem a f que eu tenho nele.


0 professora Maria Inez Gonalves pela pacincia na orientao e incentivo
que tornaram possivel a concluso desta monografia.
0 Aos meus pais, irmos, meu esposo Eduardo e a toda minha famlia que, com
muito carinho e apoio, no mediram esforos para que eu chegasse at esta
etapa de minha vida.
0 Ao tutor do plo de Foz do Iguau, Gilberto Nunes, pelo incentivo e pelo
puxoes de orelha nos momentos necessrios.
0 Ao coordenador do plo de Foz do Iguau, Edilson C. Balzzan, pelo apoio
quando sempre que requisitado.

0 todos os professores que passaram pela minha vida, e formaram o que sou
hoje, em especial aos professores de matemtica que me fizeram tomar um

gosto especial por esta disciplina.


0 Aos colegas de curso, pelo incentivo, unio e dedicao nos momentos de
angstia e desnimo.
Enm, agradeo a todos que tiveram participao direta ou indireta na minha
jornada.
De que me irei upar no ceu,
durante toda a eternidade, se no
me derem uma mn-mdade de
problemas de matemtica para
resolver?
(Augustin Louis Cauchy)
suMR|o

INTRODUO ........................................................................................................... ..8


CAPTULO I- CONSIDERAES INICIAIS ............................................................ ..9
1.1. NOTAAO ................................................................................................ ..9

1.2. ESPAOS VETORIAS ........................................................................... ..1O

1.2.1. SUBESPAO VETORIAL ......................................................... ..12

1.2.2. COMBINAO LINEAR ............................................................ ..12

1.2.3. DEPENDNCIA E INDEPENDNCIA LINEAR ........................ ..13

1.2.4. SUBESPAO GERADO ........................................................... ..13

1.2.5. BASE ......................................................................................... ..13

1.2.6. DIMENSO ............................................................................... ..14


A

CAPTULO - AUTOVALORES E AUTOVETORES DE UMA MATRIZ ............... ..15


II

2.1 CLCULO DE AUTOVETORES E AUTOVALORES .............................. ..16

2.2. MULTIPLICIDADES ................................................................................ ..18

2.3. PROPRIEDADES ................................................................................... ..2O


2.4. TEOREMA DE GERSCHGORIN ............................................................ ..22

2.5. SIMILARIDADE ....................................................................................... ..23


2.6. DIAGONALIZAAO DE MATRIZES ....................................................... ..25
2.6.1. TEOREMA DA D|AGoNAL|zAAo ......................................... ..29

2.7. MTODO DAS PoTNc|As .................................................................. ..3o

CAPTULO - APLICAES DE AUTOVALORES E AUTOVETORES ............. ..34


III

3.1. SEQUNCIA DE FIBONACCI ................................................................ ..34


3.2. MATRIZES DE LESLIE E CRESCIMENTO POPULACIONAL .............. ..36
3.3. GOOGLE ................................................................................................ ..39

CONSIDERAES FINAIS ..................................................................................... ..4O

REFERNCIAS B|BL|oeR|=|cAs ........................................................................ ..41


INTRODUO

Autovalores e autovetores so muito utilizados em lgebra linear e

computao cientfica, pois esto relacionados com propriedades intrnsecas da


matriz. Por exemplo, se uma matriz possui um autovalor nulo, implica que ela no e

inversvel. Assim, autovalores nos fornecem informaes sobre a inversibilidade da


matriz.

lnformalmente falando, dada uma matriz quadrada A um autovetor de A


,

um vetor que no muda a sua direo, quando multiplicado por A e seu autovalor
,

A o tamanho da sua expanso ou contrao neste processo. As palavras


autovalor e autovetor tem origem alem, e, em alguns livros so chamados de
valores prprios ou valores caractersticos, e os autovetores de vetores prprios ou
vetores caractersticos.
~

O objetivo deste trabalho fazer um estudo da utilizao de autovalores e


autovetores na resoluo de problemas, bem como suas principais propriedades e
algumas de suas aplicaes, complementando o que foi estudado durante o curso
de especializao.
O trabalho est organizado da seguinte maneira: no primeiro captulo, h uma
breve reviso de alguns conceitos bsicos de lgebra Linear, que sero utilizados
no decorrer do trabalho. No captulo 2, apresentamos os conceitos de autovalores e
autovetores, bem como algumas de suas propriedades e resultados clssicos. Neste
captulo feita ainda uma breve discusso de um mtodo numrico usado para
calcular autovalores, a saber o mtodo das potncias. Finalizando este trabalho,

apresentamos no captulo 3 algumas aplicaes de autovalores de matrizes: o


clculo do n-simo termo da sequncia de Fibonacci, crescimento populacional e um
breve esclarecimento respeito da formao das matrizes utilizadas pelo site

Google na busca de alguns resultados.


CAPTULO - CONSIDERAES
I INICIAIS

Este captulo inicial 'destina-se a fazer uma breve reviso de alguns conceitos
de lgebra linear usados no decorrer desta monografia. Inicialmente, ser
apresentada uma descrio das principais notaes que sero utilizadas. Em
seguida, sero expostas algumas definies como: espao vetorial, combinao
linear, dependncia e independncia linear, subespao gerado, base e dimenso.

1 1 _ . NOTAAO -

Inicialmente, descrita a notao dos conjuntos de numricos, vetores e


matrizes. O conjunto dos nmeros reais denotado por IR, e o conjunto dos

nmeros complexos por C .

Para o espao de todos os vetores coluna, com n componentes reais,

usada a notao IR" ,


e no caso das n componentes serem complexas, usado
C" _ O conjunto de todas as matrizes mxn ,
onde todas as componentes so reais,

escrito como -lR"', quando todas as componentes so complexas, escrito como


CHM! _

Em todo o texto, usam-se letras minsculas do alfabeto romano para


simbolizar vetores e maisculas para matrizes, alm de letras gregas minsculas
para escalares.
*

O elemento de uma matriz A que se encontra na


,
linha i e na coluna j ,

denotado por ay..

A matriz nula, o vetor nulo e o escalar zero so denotados por 0. A matriz

identidade escrita como I ou 1,, se for necessrio especicar a sua ordem.

9
A transposta da matriz A denotada por AT
, ,
sua conjugada transposta por

AH ,
isto , AH =()T. A inversa denotada por A" , a inversa da transposta por
A`T e a ,
inversa da conjugada transposta por AE _

O determinante de A ser escrito como detA e o trao como trA


,
_

Seja {x1 xz, , x,,} um conjunto de vetores, o espao gerado por estes
vetores denotado por span{x, x,,} _

1.2. ESPAOS VETORIAS

Considere um conjunto V no vazio, de vetores, e, um corpo K cujos

elementos so escalares. Neste conjunto so definidas duas operaes:


1) Adio, simbolizada por +: VXV- V;
2) Multiplicao por escalar, simbolizada por * : K X V - V.
Em geral, o corpo K o corpo dos nmeros reais ou dos nmeros
complexos.

DEFINIO 1: Se o conjunto V munido das operaes + e *, satiszer os 8

axiomas seguir, ele ser um espao vetorial sobre K ;

Aii
1) Comutatividade: para cada u v E V, u + v = v + u ;
,

2) Associatividade: para cada u, v ,w GV, (u+v)+w=u+(v +w);


3) Elemento neutro aditivo: existe um vetor nulo, designado por 0, tal que para cada

u E V, 0 + u = u ;
4) inverso aditivo: para cada u V, existe -ueV tal que u +(-u)=() .

Multiplicao por escalar:

1) Distributividade: para cada um dos xK ecada u,vGV, o(u+v)=ou+ov;


2) Distributividade: para cada x,BK ecada ue V, (o+3)u=ou+Bu;
3) Associatividade: para cada x,BK ecada u5V, (ot B)u =o(B u).

10
4) Elemento neutro multiplicativo: para cada ue V, existe um elemento neutro
multplicativo, fa/ que 1 u =u .

Exemplo 1:

IR2={(x, y)/ x, yGIR} um espao vetorial sobre IR com as operaes de soma


e multiplicao por escalar denidas a seguir:

(X1y1)+(x2,.V2)=(x1+x2,J'1+.V2)zP3"3d (xnyl) e (fz)/z)R2


e

(x1 y,)=(xLy1) para todo }\lR e (x,y,)ElR2


, ,

De fato: Sejam u=(x,y), v=(x2,y2) e w=(x3,y3) ElR2 e o,BElR. Temos


que:

ff
1) Comutatividade:

u+V=(x1y1)+(x2y2)=(x1+x2}'1+y2)=(x2+x}'2+y1)=V+u

2) Associatividadez

[u+v]+w = l(x1.y1)+(xz.yz)]+(xz.yz)=(xz+Xz,yl+yz)+(xz,yz) =
= ([x1+xz]+Xz.ly1+yzl+y3) = (x1+lxz+xz].;v1+[yz+yz]) =
= (x1,y1)+(x2+x3y2+y3) = (x1y1)+[(x2y2)+(x3ya =
= u+(v+w)

3) Elemento neutro aditivo:

0+ =(OO)+(x1.V1):(0+x10+}'1) =(-x1y1)= U

4) Inverso aditivo: -

u+('"u)=(x1-y1)+(-x1"y1)=(x1_x1,y1"y1)=(00)=
'i
O

Multiplicao por escalar:

1) Distributividadez

0([u+V] = 0([(x1Y1)+(x2)/2)] = 0<(x1+x2yl+y2) :

11
z iz.+xzi,i,+yzi z z,+zz,z,z,+y,, z ~

3 ((x1U'1)+((x2(Xy2) =f(x1y1)+4(xz}'2) = 0u+ov


2) Disiributividadei

l+Blu = l+Bllx1.y1) = ll+Blx1,l>+.Blyi) =


=(<1+BX1.0<y1+By1) =(x1,y,)+(Bx1,By1)=
= 0f(x1y1)+B(x1}'1) = 0fu+u

3) Associatividade:

lB]u = lBl<1,yi) = (lxB]x1.lB]yi) = llBxil,lByil) =


= 04(Bx1By1)= 0f[B(x1y1)1= [5 ll]

4) Elemento neutro multiplicativo:

lu =1(x1y1)=(x1y1) = U

Portanto IRZ um espao vetorial sobre lR.

Exemplo 2:
O conjunto de todas as matrizes reais de ordem n , com as operaes usuais de

soma de matrizes e multiplicao de matriz por escalar, um espao vetorial sobre


lR.

1.2.1. Subespao vetorial

Seja V um espao vetorial sobre um corpo K Um subespao vetorial de


. V
ser um subconjunto W de V, no vazio, que tambm um espao vetorial sobre
K , com as mesmas operaes de V (adio e multiplicao por escalar).

1.2.2. Combinao linear

12
Seja V um espao vetorial sobre um corpo K. Um vetor u V dito

combinao linear dos vetores vl, ...,v,,V se existirem escalares A1 , ,,EK


tais que ,v,+...+z\,,v,,=u. Note que, por denio, nem os , nem os vi,

precisam ser, necessariamente, distintos.

1.2.3. Dependncia e independncia linear

Sejam vl, v2, , vn vetores de um espao vetorial V. Dizemos que

vl, vz, , vn so linearmente dependentes (ou simplesmente LD), se existirem

escalares ,...,,,EK, nem todos nulos, tais que 1v1+...+,,v,,=O, caso

contrrio, dizemos que v, , vz, , vn so linearmente independentes (Ll). Isto ,

vl v2,
, , v,, so Ll quando a nica combinao linear de v1,v2, vn que resulta

no vetor nulo a trivial, ou seja, ,= 2=...=A,,=0 _ _

1.2.4. Subespao gerado

Seja S um subconjunto de um espao vetorial V. O conjunto de todas as


combinaes lineares nitas, de elementos de S, um subespao de V, chamado
subespao gerado por S e denotado por [S Quando S um conjunto nito,
S={V1,--V,z}. denotamos este subespao gerado por [vl,...,v,,} por

span{v1, ...,v,,}.

1.2.5. Base

Seja V um espao vetorial sobre um corpo K, uma base de V um


subconjunto Bc V para o qual as seguintes condies se vericam:
a) [B]= V;
b) B LI.

13
1.2.6. Dimenso

Seja V um espao vetorial sobreum corpo K. Se V admite uma base


nita ento dizemos que a dimenso de V (notao: dim V) o nmero de
vetores desta base. Caso contrrio a dimenso de V infinita.

Exemplo 4:
a) z1zmiR2=2

b) dz'mIR"=n

c) dimAm=n.n=n2

14
CAPTULO - AUTOVALORES E AUTOVETORES DE UMA MATRIZ
Il

Os conceitos de autovalor e autovetor de uma matriz A, de ordem n so ,

muito estudados por possurem inmeras aplicaes: na Matemtica, na Fisica, nas


Engenharias: Civil e Eltrica, entre outras. Iniciaremos este captulo apresentando
os conceitos de autovalor e autovetor e algumas das suas propriedades bsicas. A
demonstraremos algumas propriedades e teoremas importantes, para que
seguir,

possamos analisar as denies e os resultados considerveis a respeito de


similaridade, diagonalizao de matrizes e mtodo das potncias.

DEFINIO 2. Se A uma matriz de ordem n , real ou complexa, ento um vetor


no-nulo v em 03" chamado um autovetor de A se Av um mltiplo escalar

de v, ou seja, Av=v para algum escalar . Este escalar ser chamado de


autovalor de A e v um autovetor associado a .

importante notar que, mesmo que a matriz seja composta por nmeros
reais, seus autovalores e autovetores podem ser complexos.
O vetor v pode ser qualquer, exceto o vetor nulo, pois a partir da equao
acima, teramos: A.0=.0 e, assim no poderiamos denir nada. a respeito da
matriz A e nem do valor . Portanto, necessitaremos impor a condio: v0 _

Do ponto de vista algbrico, um autovetor de uma matriz A um vetor cuja


multiplicao por A pode ser feita de fomia muito simples: basta multiplicar este
vetor por um escalar.
Em termos de o clculo dos autovetores e autovalores de uma
aplicaes,
matriz, frequentemente pode nos conduzir a solues de equaes diferenciais que
so de interesse como, por exemplo, frequncias naturais de vibrao de
fisico, um
instrumento musical, ou de uma simples corda esticada.

15
2.1 CLCULO DE AUTOVETORES E AUTOVALORES

A Paff da eqUa0 V=v, obtemos: Av-v=0, colocando -o vetor v


em evidncia, encontraremos (A-I )v=0 como v no pode ser um vetor nulo,
,

esta equao implica que A- I uma matriz singular, o que ocorre se, e somente
se det(A-I)=0.
A equao det (A-Al )=O denominada Equao caracterstica de A
e suas raizes so os autovalores de A, sendo que, para cada autovalor A,

podemos encontrar mais de um autovetor respectivo vi, se o sistema de equaes

lineares (A-?\,.I)v,.=0 for possivel eindeterminado. Aexpresso det(A-AI )

chamada de polinmio caracterstico.


Para encontrar os autovalores de uma matriz A geralmente so usadas
tcnicas que consistem em transforma-la numa outra matriz equivalente com os
mesmos de forma que esta nova matriz permita clculos mais fceis.
autovalores,
atravs do
Computacionalmente falando, no vivel encontrar autovalores
polinmiocaracterstico, por ter um alto custo computacional, a
menos que seja um

caso trivial, pois se o polinmio caracterstico tiver grau n>4 sua resoluo ser
polinmios desta
dificil, por no existirem frmulas diretas para clculo de
magnitude.
e
A seguir, apresentamos alguns exemplos de clculo de autovalores
autovetores usando o polinmio caracterstico.

Exemplo 5
Dada uma matriz Am ,
calcular os autovalores e autovetores correspondentes:

2 1 1
A= 4
,

2 3
-1 -1 -2

16
2-A 1 1
A matriz resultante desta diferena ser: A-AI = 2 3_ A 4
-1 -1 -2 -
igualando o determinante desta matriz a zero:

(2-)(3-)(-2-)-4 -2-[_(3-t)+4z-zi)+2(_-2- zt)1=0


e desenvolvendo esta equao, encontraremos a igualdade 3~ 3 A2- + 3=0

cujas solues so 1=-1 , ?\2=1 e A3=3 . Aplicado a igualdade Av=.-A v, para

2=1 obtemos:

2 1 1 V1 V1
2 3 4 -
V2 =1. vz
-1 -1 -2 v3 V3

aps transformarmos esta equao matricial num sistema de equaes lineares


atravs do desenvolvimento do produto acima, simplicando-a obtemos:

+1v1+ 1v2+1 v3=0


+2 v1+2v2+4v3=O
_
-lvl-1v2-3v3=O
atravs da qual podemos chegar ao resultado:
v1+v2=O
que equivale a:

v , =-vz.

Portanto o sistema possui infinitas solues e todas elas so da seguinte forma:


v=vz(1,~1,0l
onde vz um escalar qualquer no nulo.
Assim, o autovetor (l,- 1,0) est associado ao autovalor 2=l _ E, de

maneira anloga podemos encontrar os autovetores associados aos autovalores


A1:-"'_1 e 3=3 .

DEFINIO 3. Sejam A uma matriz quadrada de ordem n e um autovalor de

A. Ento, a coleo de todos os autovetores correspondentes a , acrescida do

vetor nulo, chamada de autoespao de A e denotada por E .

17
Exemplo 6
Dada a matriz:

l l
sua equao caracteristica ser:

(-1)(-3)-(4.2)=0
cujas razes sero os autovalores 2\1=-1 e 2=5 .

A partir do autovalor 5 obteremos a equao matricial

( )-(Z;)=f(;

que nos levar ao sistema:


-4v+2v2=0
4v,-2v2=0
utilizando o mtodo da substituio neste sistema linear, obteremos a soluo

v
portanto o auto espao associado a z\2=5
(-V2), ou ainda %(l,2),

1:A2={z()/ziR} .

O nmero de vezes que um autovalor ocorre como fator do polinmio


caracterstico chamado multiplicidade (algbrica), assim oomo, a dimenso do

auto espao relacionado a um determinado autovalor tambm denominada


multiplicidade (geomtrica), como veremos na sequncia.

2.2. MULTIPLICIDADES

DEFINIO 4. Seja A uma matriz de ordem n e k um autovalor de A , ento:

o Multiplicidade geomtrica de k a dimenso do autoespao associado a

k, ou seja, EM.

18
o Multiplicidade aIgbn'ca de ,, a multiplicidade de z\,, como raiz do
polinmio caracterstico de A .

Exemplo 7

1 2 3
A=o 2 1

O "2 "I
O
'
polinmio caracterstico da matriz 9

dez(A-1)=(1-)(2-)(-1-)+2(1-):-(2-2+1), ponanm os

autovalores de A so z\=O, z\2=I e z\3=I dizemos ento que o autovalor


, 1

tem multiplicidade algbrica 2 .

Eemplo8

4 2 1
= O 3
1 2 40)
Calcular os autovalores e autovetores de .

A equao caracteristica (4-)(3-)(4-)-(3 -)=0, desenvolvendo


obtm-se a equao equivalente -(3-;\)2()\-5)=0 que possui as razes: 3 (de

multiplicidade 2 ) e 5 Os autovetores associados ao autovalor 3 so as solues


_

4-3 2 1 Vi O
0 3 -3 0 vz = O
1 2 4-3 V3 O
do sistema: .

Na resoluo deste sistema de equaes encontra-se v,=-2v2-v3, e, isto indica

que a soluo da forma {(-2v2-v3,v2,v3)lv2,v3lR}, portanto autovetores


sero (-2, 1,0) e (-1, O 1) sendo assim, este autovalor, que tem multiplicidade
,

algbrica 2 ,
possui multiplicidade geomtrica tambm igual a 2.

19
A seguir o ieitor poder contemplar algumas propriedades relevantes ao
nosso estudo, assim como as suas demonstraes.

2.3. PROPRIEDADES

Nas propriedades abaixo consideraremos A uma matriz nxn, com


autovalor e autovetor correspondente v.

P1. A inversvel se, e somente se, 0 no um autovalor de A.


Demonstrao:
A inversvel se, e somente se, detA0, ou seja, se, e somente se,

det(A-I)0, ou ainda, A no inversvel se, e somente se, O no um

autovalor de A .n

P2. Se A inversvel e um autovalorde A associado ao autovetor v ento ,

A*
um autovalor de
correspondente ao autovetor v .

Demonstrao:
SejaA uma matriz inversvel e um autovalor de A associado ao autovetor v.
Como A inversvel, 0. Assim, muitipiicando ambos os lados da equao
Av = v por A" obteremos:
, ,

A`lAv=A`1v
donde vem que:
v=A4v.
dividindo ambos os lados da equao por A obteremos:
,

-=A
v

-1
v

reescrevendo esta equao, encontraremos:

A`lv=(%)v

20
o que mostra que - e
I .
um autovalor de A_ '
associado ao autovetor v
_

.n

P3. A soma dos autovalores da matriz A igual ao trao desta matriz.

P4. O determinante de uma matriz A o produto dos seus autova/ores.

A demonstrao das propriedades P3 e P4 podem ser encontradas em Meyer.

P5. Se v, , v,, so autovetores da matriz A associados a autovalores distintos

, , An. Ento {v, , , v,,} so vetores linearmente independentes.


Demonstrao:
Se {v,,...,v,,} lineannente dependente, ento, sem perda de generalidade

podemos dizer que existe um menor ndice p tal que v p +1 umacombinao

linear dos vetores Ll que o precedem, e, existem escalares cl , ,


cp tais que:

v+...+cpvp=vp+ (1)

multiplicando os dois lados dessa equao por A, e, usando o fato de que

Avk=,, v,, para cada k. obteremos:


"
cAv,+...+c,Av,=Av,+
clz\1v+...+cpi\,vp=p+vp+l

multiplicando os dois lados da equao (1) por AW, e, subtraindo o resultado da

equao acima, teremos:


t

C1(A1"+1)Vx+---+Cp("'p+1)Vp=0 (2)

Como {v, p} linearmente independente, os coecientes em (2) so todos

iguais a zero. Mas, nenhum dos fatores ,-PH igual a zero, porque os

autovalores so distintos. Portanto, c=0 para =1,..., p. Porm, a equao (1)

nos diz que vp+=0, o que impossvel. Assim, {v,,...,v,,} no pode ser

linearmente dependente, logo, Ll. n

21
P6. Os autovalores de uma matriz triangular A (superior ou inferior) so os
elementos da diagonaf principal.
Demonstrao:

au a12 am
Dada a
.

matriz tnngutar inferior


. . _
A-_ O
_
az,
_ _
a,_"
,
usando propriedades de
.

u u ' .

0 0 am
determinantes, as quais podem ser encontradas em Boldrini, temos que

det A= an . a22. am. A equao caracteristica ser ento

(-au)(-a22)...(-a,,,,)=0, sendo assim, os autovalores da matriz A sero

=01, 2=a22, ,,=a,,,,, que so exatamente os elementos da diagonal


principais

Um que permite desenvolver tcnicas de determinao


resultado importante,
de autovalores e autovetores para um tipo especfico dematriz, ser enunciado na
sequncia.

2.4. TEOREMA DE GERSCHGORIN

Seja A uma matnz de ordem n (real ou complexa), e c,=1, 2,... n os crculos cujos ,

centros so os elementos! a e cujos raios r,. so dados por:

rizzjzltat ,onde 1-1,2,...,n.aIm de que l=#J-


11 . . .

Seja D a unio de todos os crculos c,-. Ento, todos os autovalores de A


encontram-se contidos em D.

Demonstrao:
Seja um autovalor de A e x=x,, ...,x,, um autovetor correspondente. Ento,

de z\x=Ax, temos que (-a)x=2j=U_ax. SUPOUU que 9 3 ma'f


11 , .

xrz

componente de x temos que: ,

22
n Hx n
l?\"%t|<Z_.=,,,.|ay|;<2:=,,,|ai;|=7`:z

ou seja, o autovalor est contido em ck, como arbitrrio, ento todos os

autovalores de A devem estar contidos na unio de todos os crculos D _

2.5. SIMILARIDADE

Iniciamos esta seo apresentando o conceito de similaridade de matrizes.


Veremos que similaridade uma relao de equivalncia, e que matrizes similares
possuem os mesmos autovalores alm de outras propriedades em comum.

DEFlNlO 5. Se A e B so matrizes nxn ento


, A similar a B se existir

uma matriz inversve! P tal que 12" AP: B, de modo equivalente, A=PBP"1 _

Se A simi/ara B , escrevemos A~B.

Multiplicando P pela esquerda, e P" pela direita na equao P"1AP= B ,

teremos A= PBP* , portanto, B tambm similar a A, e dizemos simplesmente


que A e B so similares. Aaplicao que leva A em P`1AP= B chamada
transformao de similaridade.

Observaes:

1) A~B, podemos escrever tambm A=PBP" ou AP: PB.


Se
2) A matriz P depende de A e de B. Ela no nica para um par de matrizes

semelhantes A e B. Para comprovar isto basta tomar A=B=I pois 1 ~1 j ,

que P`1 I P = I para qualquer matriz inversvel P _

Mostraremos a seguir que similaridade uma relao de equivalncia.

23
Teorema 1

Sejam A, B e C matrizes nxn. ,

(a) A~A
(b) Se A~B, ento B~A.
(c) Se A~B e B~C, ento A~C
Demonstrao:

(a) Esta demonstrao evidente, basta considerar que A= I 'I A1 _

(b) Se A~B, ento para alguma matriz inversvel P, B=P'lAP. Multiplicando

nesta equao, a matriz P pela esquerda, e sua inversa, P'1, pela direita,

obteremos PBP`*= A. Considere uma matriz Q tal que Q=P'1, teremos

Q`1BQ==(P"')`1=PBP" =A _ Portanto, pela definio, B~ A _

(c) A~B, ou seja, existe uma matriz inversvel P, tal que


Por hiptese
P* AP: B. Como B~C, existe uma matriz inversvel Q, tal que Q* BQ=C.
Assim C=Q`1BQ=Q"P"APQ=(PQ)`IAPQ_ Logo, A~C. n

O teorema abaixo mostra que matrizes similares possuem os mesmos autovalores.

Teorema 2

Sejam A, BGM mm. Se B semelhante a A , ento o polinmio caracterstico de

B omesmode A.
Demonstrao;
Seja P B(A) o polinmio caracterstico de B; como B~A, existe uma matriz

inversvel P tal que PAP"1= B Assim, temos que


_

PB(A)=det(B-AI)
= dez(PAP*-A1)
= dez(PAP-1-PP"*)
z .z1zf( *U (A-1)P-1)

24
= der(P)dez(A-I)der(P'1)

z z1zP.zA-1._l-_
e e(
)det(P)
= def (_I)=PA() _

Corolrio 1: Se A e BGMM, so semelhantes ento elas possuem os mesmos


autovalores, oom as mesmas multp/cidades.

Alm dos autovalores, matrizes semelhantes possuem outras propriedades


em comum, como veremos no prximo teorema.

Teorema 3

Sejam A e B matrizes nxn com A~B. Ento:

a. detA=detB
b. A e B tem os mesmos autovalores.
c. A nversvel se, e somente se, B for nversvel.

Demonstrao:
Inicialmente, lembre que: se A~B, ento P"1AP=B para alguma matriz

inversvel P _

(a) Esta demonstrao imediata, a partir do teorema 1.

(b) Este teorema j foi demonstrado no corolrio 1.

(c) Pelo item (b), A e B possuem os mesmos autovalores, portanto 0E(A) se

e somente se 09E(B) . Ou seja, A nversvel se e somente se B nversvel. n

2.6. DIAGONALIZAAO DE MATRIZES

Um problema muito comum em matemtica aplicada a necessidade de

calcular potncias de uma matriz A Se_ a matriz envotvida no problema for uma

25
matriz diagonal, esta tarefa trivialmente executada. Se a matriz no for diagonal,

mas se for possvel fator-la da forma A= PDP , onde D uma matriz diagonal,
ento possivel calcular facilmente potncias de A. Este tipo de fatorao
chamado de diagonalizao e ser apresentado a seguir.

DEFINIO 6. mm
Uma matriz diagona/izvel se existir uma matriz diagonal D
ta/ que A seja semelhante a D , ou seja, se existe uma matriz P, nxn ,inversvel

ta/ que P`1A P=D.

Teorema 4

Se A uma matriz mm , ento so equivalentes as seguintes armaes.


a) A diagonalizvel.
b) A tem n autovetores Lt.

Demonstrao:
(a)=(b) Como estamos supondo que A diagonalizvel, existe uma matriz

P11 P12 Pm
P= P*

P"

_
inversvel tal que P`1AP=D, Ode,
z z u

I pnl pm? pm

A1 0 0
= 2% '_"
segue da frmula P1AP=D que AP=PD, ou sela.
. z z z
' I

O O n)
AP=

26
(1711 Piz Piz Ai 0 O ipn 2P12 Anpin
pg,
.
1922
. _
ph
0
z
A2
u _
O
a
=p2 zpzz
U
npzn
' (1)
z
1 . u . Q 1 o 1 z
, , ' . . z .
u u 0

pn, png pm 0 0 p,, zpnz npm

Se denotarmos os vetores-coluna de P por pj. P2, ..., P, ef, atravs de (1)

obteremos as colunas de AP por A1 pl, zpz, , np", ou seja,


`

Apz=^zPz. A1z=\zPz. AP,.=^zp,. (2)

Como P inversvel, seus vetores-coluna so todos no-nulos: assim, por (2)

segue que 2\1,A2,...,A,, so autovalores de A e que p,p2,...,p,, so


autovetores associados. Como P inversvel, segue que pj, P2, P" SO
linearmente independentes. Assim, A tem n autovetores LI.

(b)=(a) Suponha que A tem n autovetores Ll p,p2,...,p,, com os

*Pim P12 P111

autovalores associados 2\,,2,...,,, e seja P= 21 22; `_" 2"


a matriz

pu] P112 "' pm


cujos vetores-coluna so pl, p2,..., p,,. Os vetores-coluna de AP so
Apl, Ap2,...,Ap,,. Mas Ap=z\p, Ap2=A2 p2, Ap,,=,,p,, de modo que
ipn zpiz Pn\ Pn Piz P1n\ 1 0 0
Ap='\1p21 21722 zP2zi1=P21 P22 P2nl_ O 2 0
z z , u z z . z z
Q Q Q
_
n o
u n
Q a '

Flip", zpnz npm, pnz pnz pm, 0 0 ..

= PD (3)
onde D a matriz diagonal com os autovalores ,z\2,...,,, na diagonal
principal. Como os vetores-coluna de P so linearmente independentes, P
inversvel; assim, (3) pode ser reescrita como P* A P= D, ou seja, A
diagonalizveli

27
Exemplo 8

5 O O
Encontrar a matriz P que diagonaliza A=(1 -4 .

6)
2 0 2

Sua equao caracteristica ser (5-)(-4-2\)(2-)=(), cujos autovalores so

9
5, -4 e 2; Para ,=5 obteremos P1=[5}, para A2:-4 encontramos
6

O 0
3=2teremos P3=l1. Trs formam uma base,
Pz=[1} e para
vetores LI

O 1

9 0 0
portanto a matriz A diagonalizvel e P=(5 1
1)
diagonaliza a matriz A .

6 0 1

Pois

-4511=o-40.
O O O O O O
P"1AP=.- \Oo`\Ol-*\0-^

-d
- hd
-_.___________________....z

'E.'"._".T,.`
"5`""l?5`

'<'5"""G.`

/____._.._._.__

O IQ O P*
O l\>

O i--I

Para escrever as colunas de P no existe nenhuma ordem preferencial. A -

sima entrada diagonal de P* AP um autovalor para o i-simo vetor-coluna de


P mudando
,
a ordem das colunas de P s muda a ordem dos autovalores na

diagonal de P`1AP.
Antes de demonstrarmos o teorema a seguir valos enunciar um lema cuja
demonstrao pode ser encontrada em Poole.

Lema 1: Se A uma matriz de ordem n ento a multiplicidade geomtrica de ,

cada autova/or menor ou igual do que a sua multiplicidade a/gbrica.

28
2.6.1. Teorema da Diagonalizao

Sejam A uma matriz de ordem n com autovalores distintos , A2,, k. Os


enunciados a seguir so equivalentes.
a) A digona/izvel.
b) A unio ,B da bases dos autoespaos de A contm n vetores.

c) A multiplicidade algbrica de cada autovalor igual sua multiplicidade


geomtrica.
'

Demonstrao:
(a)=>(b) Se a matriz A diagonalizvel, ento ela tem n autovetores
Iinearmente independentes. Se ri, desses autovetores correspondem ao autovalor

, ento B, (a base do autoespao E , )


contm pelo menos n,- vetores, os quais

so Iinearmente independentes. Assim ,6 contm pelo menos n vetores. Como, ,B

um subconjunto do IR Iineamiente independente, ele contm exatamente n


vetores.

(b)=(c) Seja -d,=dz`mE,,,,) a multiplicidade geomtrica de A, e seja rn, sua

multiplicidade algebrica. Pelo lema anterior temos que d,<m, para i=1,...,k.

Assuma que vale a propriedade (b), ento n=d+d2+...l-d,,<m+m2-l-...+m,,_

Mas ml+m2+...+m,,=n, pois a soma das multiplicidades algbricas dos


autovalores de A exatamente o grau do polinmio caracterstico de A, a saber,

n. A partir disso, obtemos d+d2-l-...-l~d,,=m-l-m2+...+m,, e isso implicaique

(ml-dl)+(m2-d2)+...~l-(m,,-d,,)=0 Pelo lema _ anterior temos que m,=d,>0,


para z`= 1,
,
n , assim, cada parcela da equao acima deve ser zero. A

(c)=>(a) Se a multiplicidade algbrica mi e a multiplicidade geomtrica d, so

iguais para cada autovalor , de A, ento 5 tem

dl+d2+...+d,,=m,+m2+...+m,,=n vetores, que so Iinearmente

independentes. Assim, temos n autovetores de A Iinearmente independentes e,

portanto, A diagonalizvei. n

29
Exemplo 9

0 1 0
A TTIGFZ
=(0 O possui dois autovalores distintos, pois, ,=2=l e
2 -5 4 1)

3=2.
Dessa forma, os autovalores , e A2 so ambos iguais a 1 , por essa razo diz-se

que tem multiplicidade algbrica 2 , e, como z\3=2 sua multiplicidade geomtrica


,

1 ,
A no diagonalizvel, de acordo com o teorema da diagonalizao.

Exemplo 10

-I 3 1
A matriz A= 0 0 tem dois autovalores distintos, ,=2=0 e
1
0)
-3 -1
3=-2 O autovalor 0 tem multiplicidade algbrica e geomtrica iguais a
_ 2 eo
,

autovalor -2 as tem iguais a 1 Assim essa matriz diagonalizvel, de


. acordo
com o Teorema da Diagonalizao. -

2.7. MToDo DAS PoTNc|As

Richard Edler von Mises (1883 - 1953), cientista, nascido na ustria-Hungria

(atual Ucrnia), introduziu o .mtodo das potncias, em 1929, como uma forma de
maximizar ou minimizar os autovalores e os autovetores de uma matriz real e

simtrica.

Antes do estudo de Mises, o mtodo utilizado para encontrar os autovalores


de uma matriz consistia em solucionar a equao caracterstica. Contudo, quando a

equao do quarto grau ou superior, esse mtodo se toma muito trabalhoso, pois
o clculo do determinante de matrizes nessa ordem passa por um processo muito
demorado, bem como, no h frmulas para determinar as solues de equaes
polinomiais de grau maior que 4 _ Por causa disso, para a maioria dos problemas
prticos as solues encontradas eram apenas aproximaes.

30
O mtodo das potncias utilizado em matrizes quadradas, desde que um
de seus autovalores possua respectivo vaior absoluto maior que todos os outros,

este autovalor denominado autovalor dominante, e ser denotado por AI . Como


exemplo, se os nmeros -4 , 1 e 3 so os autovalores de uma matriz, ento o

autovalor dominante , =-4 ,


pois considera-se o maior valor absSl Si C) (I) :J 5?(D 92. as

Por outro lado, uma matriz com autovalores -4, -3, O e 4 no tem valor
dominante.
Aps algumas iteraes o mtodo das potncias ir produzir uma sequncia
de escalares que convergir para , e uma sequncia de vetores que convergir

para o autovetor correspondente V1 o autovetor dominante.,

Daqui para frente, suponha que A uma matriz diagonalizvel.

Teorema 5

Seja A uma matriz nxn diagonalizvel, com autovalor dominante A1. Ento,
existe um vetor xo no nulo, com uma componente cl na direo do autovetor
dominante vl , ta/ que a sequncia de vetores xk denida por:

x1=Axo x2=Ax1 x3=Ax2 x1z=Ax(1z-1).


tende ao autovetor dominante v, .

Demonstrao:
Como Al o autovalor dominante, podemos considerar que todos os
autovalores
so indexados da seguinte maneira
|,|>|2|>3|>...>|,,| _ Sejam vl, vz, vn
os autovetores correspondentes, como A diagonalizvel {v,v2,...,v,,} so
linearmente independentes, e portanto formam uma base de IR".

Consequentemente, xo pode ser escrito como uma combinao linear desses


autovetores, da forma x(,=cv+c2v2+...+c,,v,,_ Mas, x]=_/1x0,

xz=A-*1=(Ax0)=A2X0, x3=Ax2=A(A2x0)=A3x0, e, de forma geral,

xk=Ak xo para k>l .Como

31
A
rz fz

Ak x0= cl A vl +c2 : v2+... +cn AI; vn=f vl +c2 v2 +...+c,, vn


(Q 1 I

onde utilizamos o fato de que 1 0. O fato de A, ser um valor dominante significa

A2 A3
que cada uma das fraoes em valor absoluto, menor que 1.
1 l 1

rz rz rz
A2 A3
Assim
Xl-
,...,
Xl-
e uma sequencia que ten d e a zero quando
' ^ '
k-mo .

:
, ,

Daobteremos xk=Akx0-?\fclv, quando k-o.Como 2\0 e v,0, xk se

aproxima de um mltiplo no nulo de v, se c0. n ,

Podemos resumir o mtodo das potncias da seguinte forma:

Seja A como matriz de ordem n diagonalizvel com um autovalor


dominante , . E, seja x0=y0 um vetor inicial do lR" cuja maior componente 1 _

o Repita os seguintes passos para k=l, 2,... :

a) Calcule x,,=Ax,,_,).

b) Seja mk a componente de xk com maior valor absoluto.


. 1
Sja yk=(Tn"')x;
_

C) .

li

Para a maioria das escolhas de xo, mk converge para o autovalor dominante A1 ,

e y k converge para o autovetor dominante.

Observaes:
i) Se a componente do vetor inicial xo na direo do autovetor dominante vi
for nula ento o mtodo da potncia no ir convergir para um autovetor dominante.
No entanto, ao longo das iteraes, os clculos, frequentemente, produziro um x k
com componente no nula na direo de v, . A partir dai, o mtodo convergir para

um mltiplo de vl _

32
ii) O mtodo da potncia funciona mesmo quando se tem autovalor dominante
repetido, ou at mesmo se a matriz no for diagonalizvel.
iii) O mtodo da potncia oonverge rapidamente para um autovetor dominante,
em algumas matrizes especicas; porm, para outras, a convergncia pode ser

bastante vagarosa. De fato,



como l- \
, ,
"
->...>-
A3
,
,
se -
A2
for um valor

k k
A A
proximo de zero, ento a sequencia se aproximar de zero
.
T"
. . . .

ir
I 1

rapidamente. E, pelo teorema demonstrado acima, xk=Ak .xo tambm ir se

aproximar rapidamente de fc vl .

Maiores detalhes sobre o mtodo das potncias e suas variaes podem ser
encontrados em Strang ou Golub.

33
CAPTULO III - APLICAES DE AUTOVALORES E AUTOVETORES

Como mencionado anteriormente, autovalores e autovetores so muito


utilizados em matemtica aplicada, por exemplo em: Acstica, teoria de controle,

mecnica dos udos, cadeias de Markov, equaes diferenciais parciais, ecologia,


economia e etc. Neste captulo faremos uma breve apresentao de algumas
aplicaes de autovalores, as quais no requerem conhecimento profundo de outras
reas. lniciamos o captulo falando da sequncia de Fibonacci, em seguida, faremos
algumas consideraes referentes ao estudo do crescimento populacional atravs
das matrizes de Leslie, por m, observaremos as inuncias dos autovalores e dos
autovetores no site de busca Google.

3.1. sEQuNciA DE FiBoNAcc|

A sequncia de nmeros:
1,1,2,3,5,8,13,21,34,55,89,...
conhecida como sequncia de Fibonacci. Os dois primeiros nmeros nesta
sequncia so iguais a 1, e os demais so obtidos atravs da soma dos dois

nmeros anteriores. Assim, considere u0=1 e u,=I , ento, u2=l +1=2 ,

u3=2+l=3 ,
u,,=2+3=5 ,
u5=3+5=8, e assim segue a sequncia. Para
encontrar a frmula geral para esta sequncia observamos que, a partir do terceiro

elemento u,,=u,,_,+u,,_2. Portanto, esta frmula vale para todos os valores n>2 ,

desde que neN e, como se pode notar u,,_ , =u,,_ , das duas equaes, pode-se
,

montar a equao matricial:

u,, :I 1 u,,_,

lzz.-,l li llz..-.l

34
Agora denamos:

W ___
z
ll 16'!-1
e A= 1 1
talque \ \ _ 1,
0<k<n
[uk } l OJ
de modo que: ,

~=l;l=ll -=l1:l=l%l W~~2=lz'::;l G W~=lzz;l


portanto a equao (1) pode ser escrita como:
Wu-1=AW-2 -

logo:

wl =Aw0
w2=Aw,=A(Aw,,)=A2w0
w3=Aw,=A (A2w0)=A3w0 (2)

Wu-1=An_lWo
sendo assim, para encontrar u,, basta calcular A`1. O exponencial de uma matriz
um clculo muito trabalhoso a medida que n aumenta, para evitar essa
diculdade, encontraremos uma matriz diagonal D semelhante a A A equao
_

caracterstica de A :

-1 A
isto significa que os autovalores de A so:

,=Te2=T
1+\/ 1-\/

demodoque

D=
2
1

~/
_

O
2

os autovetores correspondentes so:

35
1-J
E

1+\/
x,= 2 ex2= 2 .

1 1

Assim,

1+\/ 1-/
P= 2 2 ,

1 1
_

-1+/'-
___
P'1= ai*-'
2 /
1+/
`

2 1/

logo, Ak =PDk P`1 pois


, D um matriz diagonal, ento para calcular Dk ,
basta

elevar os elementos da diagonal principal k-sima potncia, sendo assim, de (2)


temos:
_
w"_-A
n-l _ n-l P -l wo-
wo-PD __

Lin-
...____;(
1+/_5_1\/
2 )
O L
\/' 2

2 ,l O
2 / 2\/
5 1

( )

esta equao nos fomece a frmula:

u :L (l+\/)z+1_(1_\/)z+1
\/ 2 2

que permite o clculo direto de u,, .

3.2. MATRIZES DE LESLIE E CRESCIMENTO POPULACIONAL

As matrizes de Leslie oontm informaes sobre as taxas de natalidade e


mortalidade das variadas faixas etrias de igual durao, ou seja, so associadas a
problemas populacionais, elas so utilizadas nestes problemas por obter uma forma

36
concisa de calcular o crescimento populacional e fazer projees da populao
classicada por estgios, onde um individuo de uma dada classe pode se reproduzir,
crescer, regredir, morrer ou permanecer na classe. Estas matrizes tem a seguinte
forma:

lbl
~o~
QNQ'

S1
<><>u

oo<:>:

L: 0
c>oc:=

o,,,=

0 5:*

. _ u u
1 n Q Q 1
u u z z z

0 O 0 sn-,
l
OI

onde os bi so os parmetros de nascimento, b>0, i=l,...,n. Observe que

para que hajam nascimentos e a populao no seja extinta, pelo menos um dos b,.

's deve ser no nulo. A probabilidade de sobrevivncia ser representada pelos sJ. ,

tal que 0<s<1 , j=1,..., n-1. Considere que todos os sj 's so no nulos, pois
desta forma a populao no ir se extinguir.

Chamando de x() o vetor de distribuio inicial da populao e de xm o


vetor de distribuio da populao no tempo k, em Anton e Rorres mostrado que
o modelo de crescimento populacional de Leslie dado pela equao:
xik)= Lkxw) _

Se L for uma matriz diagonalizvel, ento L: PDP`1, onde D uma


matriz diagonal, cujas entradas so os autovalores de L, as colunas de P so os
autovetores correspondentes. Neste caso, a equao para o modelo
de Leslie pode
ser escrita como:

xm=(PDP")kx()
zz<'=(PDP"*)...(PDP*)x()
kvezes
i

zl'=(PD"P**).z

x(k)=c1fv1+c2v2+...+cn:vn (3)

37
onde A o autovalor associado ao autovetor v,- de L, z'=1,,__,n e

C1
C2 = P_l
Cn

Se , for um autovalor estritamente dominante de L, ento dividindo a

equao (3) por gk) obtemos:


rz k
1 (rz)_ A2 (An
-clvl-i5(l c2v2+...+\1 cnvn,
fx
*
.
Se |1l>|1\,-| .onde i=2,...,n ento lim,z_,,,,,()
=0 ,
ou seja, para valores de k
1

suficientemente grandes, podemos aproximar xk) por:

x (k)~
~c1 V1
If
,

ou seja, para k suficientemente grande o vetor de distribuio da populao um


mltiplo do autovetor associado ao autovalor dominante.
Os teoremas 6 e 7 a seguir, cujas demonstraes podem ser encontradas em
Anton e Rorres, garantem que toda matriz de Leslie possui um autovalor dominate.

Teorema 6

Toda matn'z de Les/ie L possui um nico autovalor positivo, oom um nico

autovetor correspondente cujas entradas so positivas.

Teorema 7

Se A1 o nico autovalor positivo de uma matn'z de Leslie L e AJ- qualquer

Quim aufv/arde L,enfo l,.|<,, j=2,...,zz.

38
Vimos que para podermos aproximar xm por um mltiplo do autovetor

associado ao autovalor dominante, devemos ter ||>|].| , j=2,___, n_ Pgrm,


possvel garantir a existncia de um autovalor estritamente dominante sob certa
condio, como veremos a seguir:

Teorema 8

Se duas entradas sucessivas b, e bm da primeira linha de uma matriz de Leslie

so no nu/as, ento o autovalor positivo de L estritamente dominante.

3.3. GOOGLE

O site Google, de forma geral, utilizado para enoontrar pginas da web que
contenham uma determinada palavra digitada, ele as lista numa ordem de
preferncia, ou seja, da mais interessante para a menos interessante.

Quando o Google foi lanado, j havia um certo nmero de sites de busca.


Seu diferencial foi a inovao na forma de fazer a listagem dos sites encontrados, ou
seja, ele melhorou a forma de classicar. as pginas da web. Este mtodo de

classicao chamado de algoritmo Page Rank, ele classica as pginas

baseando-se unicamente na forma como as pginas so vinculadas. As pginas da


web mudam constantemente, por isso, o site realiza mensalmente mudanas na
classicao das pginas.
A classicao das pginas encontrada atravs do clculo do autovetor
associado ao maior autovalor da chamada matriz do Google. Devido a estrutura
desta matriz possvel garantir a existncia de um autovalor dominante e de um
autovetor associado, cujas entradas so todas positivas.
Maiores detalhes a respeito desta classicao pode ser encontrados em
Bryan e Leise.

39
CONSIDERAES FINAIS

O clculo de autovalores e autovetores de uma matriz uma ferramenta


muito valiosa na anlise de matrizes, e neste sentido este trabalho proporcionou,
atravs de seu desenvolvimento, um conhecimento mais profundo da teoria de
autovalores-autovetores, pois pudemos observar parte do vasto campo de estudo
que pode ser explanado atravs deste conhecimento. Foram revistos conceitos,
estudados durante a graduao se especializao, .bem .-como, pudemos contemplar
alguns conceitos referentes s aplicaes.
Como mencionado diversas vezes ao longo deste trabalho, encontrar
autovalores e autovetores de uma matriz um problema muito estudado em
diversas reas, o que deixa muitas portas abertas para -possveis estudos futuros.
importante ter um bom entendimento de algoritmos de clculo, pois ele nos
apresenta tcnicas para melhorar certos resultados, j que, de nada adianta
programar uma mquina sem buscar o melhor desempenho antes, por exemplo.
A modelagem matemtica que pode ser denvolvida atravs do mtodo
funciona como uma ponte no ramo da arquitetura, da engenharia, da programao,
e em qualquer outra que envolva avaliaes de desempenho.

40
REi=ERNciAs B|si.ioeRi=icAs

BOLDRINI, J. L. lgebra Linear. 3 ed. So Paulo: Harbra, 1986.

BRYAN, Kurt and LEISE, Tanya, The $25,000,000,000 eingenvector the linear

algebra behind Google. Acedido em O5/O1/2011, em: httg://www.rose-


hulman.edul~bryanlgoogleFinalVersionFied.pdf.

GOLUB, G. H. E VanLoan, C. F. Matrix computations. 3 ed. The Johns University

Press, 1996.

HORN, R. A. e JOHNSON, C. R. Matrix Analisys. Cambridge: University Press,


1985.

KOLMAN, B. Introduo lgebra Linear com Aplicaes. Trad. 8 ed.Rio de


Janeiro: LTC, 2006.

LAY, D. C. lgebra Linear e suas Aplicaes. Trad. 2 ed. Rio de Janeiro: LTC,
2007.

LAY, D. C. Linear Algebra and lts Applications. 3 ed. Boston: Addison Wesley,
2005.

LEON, S. J. lgebra- Linear com Aplicaes. Trad. 4 ed. Rio de Janeiro: LTC,
1999.

MEYER, Carl D. llllatrix Analysis and Applied Linear Algebra. Society for

industrial & Applied Mathematics, U.S., 2000.

41
POOLE, D. lgebra Linear. Trad. 1 ed. So Paulo: Thomson, 2004.

STEWART, J. Clculo, Voi. li. Trad. 4 ed. So Pautoz Pioneira Thompson Leaming,
NJ C3 CD J1

STRANG, G. lgebra Linear e suas Aplicaes. Trad. 4 ed. So PauIo:,Cengage


n - 1-AAA
'L|T`Hl`lQ, ZUUE1.

WHITE, Brian, How Google ranks web pages. Acedido em: O5/01/2011, em:
http://math.stanford.edu/~brumfiei/math 51 -O6/PageRank. pdf .

42