lgebra Linear Numrica e Computacional

Mtodos de Krylov para a Soluo de Sistemas Lineares

Luiz M. Carvalho Serge Gratton Rafael Lago Nelson Maculan

P REFCIO

LGEBRA L INEAR N UMRICA aborda dois temas principais: a soluo de sistemas lineares e o clculo de autovalores. Mais recentemente, um terceiro tema vem ganhando destaque com a discusso sobre funes de matrizes, ver [49], [63] e [64]. O livro inaugura uma srie em lngua portuguesa sobre os trs tpicos. Este primeiro volume trata da soluo de sistemas lineares com matrizes quadradas, em particular, com a utilizao de mtodos iterativos de projeo em subespaos de Krylov. Os mtodos de Krylov foram propostos na segunda metade do sculo XX e esto disponveis nas principais bibliotecas e cdigos industriais e acadmicos. Apesar disso, ainda no existe uma teoria justicando o seu uso para matrizes quaisquer e, em especial, para matrizes no-normais. Essa tarefa aguarda novos pesquisadores. Em paralelo, notvel a presena de matrizes de grande porte nas mais diversas reas da engenharia, da economia, da biologia, entre outras. E assim, h tanto o desao intelectual como a necessidade objetiva de se conseguir avanos na compreenso, nas justicativas tericas e nas implementaes computacionais dos mtodos. A organizao deste livro abre uma porta de entrada ao tema. Oferecemos ferramentas da lgebra linear bsica e avanada, assim como resultados recentes sobre os mtodos de Krylov. A ideia permitir, a partir de sua leitura, um acesso vasta literatura da rea. Uma seleo de trabalhos pode ser encontrada na bibliograa. Trs partes compem o livro. A primeira trata dos fundamentos de lgebra linear, a segunda discute mtodos de Krylov e a terceira apresenta uma formulao genrica e aspectos geomtricos dos mtodos. A primeira parte est dividida em dois captulos. No primeiro, enunciamos os resultados de lgebra linear necessrios compreenso dos captulos posteriores temtica estudada nos cursos bsicos de graduao dessa disciplina. Avanando um pouco, introduzimos os conceitos de normas vetoriais e matriciais. O segundo captulo trata de conceitos mais avanados: projees, decomposio em valores singulares, inversa de Moore-Penrose e ngulos entre subespaos. Como assinalamos na introduo do captulo 2, preferimos adiar os detalhes das demonstraes para um trabalho futuro, pois correramos o risco de estender em demasia a primeira parte.

O encadeamento lgico e as observaes endereadas durante o texto permitiro aos leitores uma base suciente para prosseguir na leitura subsequente. A segunda parte trata, nos captulos 3, 4 e 5, dos mtodos em subespaos de Krylov clssicos. Traz, tambm, novidades, como no captulo 6 sobre avanos recentes em mtodos de Krylov, onde novos desenvolvimentos so apresentados, com referncias detalhadas. A terceira parte inovadora, pelo menos em relao a outros livros didticos, pois discute os mtodos de Krylov de um ponto de vista genrico a partir de ngulos entre subespaos e de projees. Aqui, a maioria dos teoremas est provada e comentada. O captulo 7 apresenta a formulao de mtodos de resduos, introduzindo a projeo de um vetor qualquer atravs de operadores ortogonais e oblquos. Utilizando tais ideias, um conjunto de propriedades demonstrado e exemplicado em guras para os mtodos de resduo minimal (RM) e de resduo ortogonal (RO). O captulo 8, como corolrio dos demais, mostra as relaes entre os mtodos genricos RM e RO, com o mtodo de resduo minimal generalizado (GMRES) e o mtodo de ortogonalizao completa (FOM), respectivamente. Os leitores encontraro no apndice A o conceito de corpo de valores. Inserimos no apndice B alguns subsdios bsicos para mtodos iterativos: teoria de erros, precondicionadores e critrios de parada. O pblico alvo do livro so alunos no nal da graduao com conhecimentos bsicos em lgebra linear, estudantes de mestrado e doutorado em cincias exatas e pesquisadores em lgebra linear aplicada. O tratamento terico rigoroso, os exerccios e as referncias bibliogrcas visam a popularizao dessas ideias desenvolvidas na comunidade de lgebra linear numrica e computacional nas ltimas dcadas.

Os autores Rio de Janeiro, Brasil, e Toulouse, Frana Outubro de 2010

C ONTEDO

Prefcio Contedo

3 5

I Fundamentos
1 Reviso de lgebra Linear 1.1 Denies de Matrizes e Vetores . . . . . 1.2 Operaes . . . . . . . . . . . . . . . . . . 1.3 Algumas Denies de Matrizes . . . . . 1.4 Denies de Espaos Relevantes . . . . 1.5 Bases . . . . . . . . . . . . . . . . . . . . 1.6 Posto . . . . . . . . . . . . . . . . . . . . 1.7 Teorema Fundamental da lgebra Linear 1.8 Autovalores e Autoespaos . . . . . . . . 1.9 Decomposies . . . . . . . . . . . . . . . 1.10 Normas de Vetores . . . . . . . . . . . . . 1.11 Normas de Matrizes . . . . . . . . . . . . 1.12 Norma Induzida e Raio Espectral . . . . . 1.13 Exerccios . . . . . . . . . . . . . . . . . . Tpicos de lgebra Linear 2.1 Projees . . . . . . . . . . . . . . . . 2.2 Decomposio em Valores Singulares 2.3 Inversa de Moore-Penrose . . . . . . . 2.4 ngulos . . . . . . . . . . . . . . . . . 2.5 Resultados . . . . . . . . . . . . . . . . 5

9
11 11 12 13 15 16 17 18 18 20 26 28 29 30 33 34 36 39 41 45

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

CONTEDO

II Mtodos de Krylov
3 Espaos de Krylov 3.1 Subespaos de Krylov . . . . . . 3.2 Base para Subespao de Krylov . 3.3 Caso Singular . . . . . . . . . . . 3.4 Mtodos de Projeo . . . . . . . 3.5 Exerccios . . . . . . . . . . . . .

51
53 54 57 59 62 65 67 67 72 72 75 77 78 80 84 87 88 91 94 96 99

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

Lanczos e Arnoldi 4.1 Mtodo de Arnoldi . . . . . . . . . . 4.2 Mtodo de Lanczos . . . . . . . . . . 4.3 Mtodo de Lanczos No-Hermitiano 4.4 Exerccios . . . . . . . . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

GMRES e FOM 5.1 Ortogonalizao Completa - FOM . . . . . . . . . . . . . . . . . . . . 5.2 Resduo Minimal Generalizado - GMRES . . . . . . . . . . . . . . . . 5.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Avanos em Mtodos de Krylov 6.1 Recomeo Deacionado . . . 6.2 Precondicionadores Flexveis 6.3 Truncamento Otimal . . . . . 6.4 Inexatos . . . . . . . . . . . . 6.5 Exerccios . . . . . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

III Aspectos Geomtricos dos Mtodos de Krylov

7

101

Mtodos de Resduos 103 7.1 Descrio dos Mtodos . . . . . . . . . . . . . . . . . . . . . . . . . . 104 7.2 Relaes Geomtricas . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 7.3 Subespaos Encaixados . . . . . . . . . . . . . . . . . . . . . . . . . . 110 Classicao Geomtrica 8.1 Base Ortonormal para Lm . . . . . . 8.2 Classicao de Mtodos de Krylov 8.3 Resduos e Erros . . . . . . . . . . . 8.4 Perspectivas . . . . . . . . . . . . . . 123 124 132 135 138

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

CONTEDO A Corpo de Valores

7 141

B Erros, Precondicionadores e Critrios de Parada 143 B.1 Erros e Qualidade de uma Soluo . . . . . . . . . . . . . . . . . . . . 143 B.2 Precondicionadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148 B.3 Critrios de Parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153 Bibliograa ndice 157 169

Parte I

Fundamentos

CAPTULO

R EVISO DE LGEBRA L INEAR

pr-requisitos deste livro so um curso bsico em lgebra linear e a capacidade/disposio de realizar demonstraes matemticas simples, dedutivas ou indutivas. No entanto, objetivando criar linguagem e base comuns, vamos apresentar alguns dos resultados fundamentais utilizados. Essa parte no se prope completa, por isso, algumas denies e demonstraes so assumidas conhecidas, muitas deixadas como exerccios ao nal do captulo, e outras tantas, simplesmente, omitidas. Como obras de referncia, indicamos: [65], [76], [77], [81] e [116].

1.1

DEFINIES DE MATRIZES E VETORES

Adotaremos em todo esse trabalho as convenes dos programas Matlab ou Octave para fazer referncia a vetores e matrizes ou a suas partes. Alm disso, usaremos letras maisculas em itlico para matrizes, A , letras maisculas cursivas para espaos vetoriais, V , e letras minsculas em itlico para vetores, x . Sendo assim A(:, j ) refere-se a j sima coluna da matriz A , A(i , :) refere-se a sua i sima linha e A(i , j ) ao elemento da i sima linha e j sima coluna, em alguns casos usaremos, tambm, ai j , para representar a mesma informao. A no ser em casos especiais, nos referiremos sem distino a uma transformao linear ou a matriz que a representa na base subjacente.

12 1.2 OPERAES

CAPTULO 1. REVISO DE LGEBRA LINEAR

A operao de multiplicao de matrizes tem uma forte presena nesse trabalho, sendo a multiplicao de matriz por vetor um caso particular. Vamos trat-la observando algumas interpretaes teis para as demonstraes posteriores. Nessa seo, consideraremos A Cmp , B Cpn e C Cmn . Nesses casos, tambm diremos A m p , B p n e C m n.

Multiplicao: produtos linha por coluna

Trata-se do algoritmo bsico de multiplicao ensinado nos cursos de graduao e no ensino mdio:
p

C (i , j ) =
k=1

A(i , k) B (k, j ) = A(i , :) B (:, j ).

Cada elemento de C produto de uma linha de A por uma coluna de B . Para matrizes reais, esses produtos podem ser considerados como produtos internos. Uma outra leitura relevante que cada coluna de C se origina na coluna equivalente de B ,
C (:, j ) = A B (:, j )

e que cada uma de suas linhas equivalente em A ,

C (i , :) = A(i , :) B.

Multiplicao: produtos externos

Nesse caso a operao completa representada por apenas uma frmula
p

C=
k=1

A(:, k) B (k, :).

Cada parcela desse somatrio , ela prpria, uma matriz m n ; so todas matrizes de posto 1 (ver denio de posto na pgina 18). Em particular, a multiplicao de matriz por vetor ganha uma interpretao bastante til:
p

Ax =
k=1

A(:, k) x(k) = x(1)A(:, 1) + . . . + x(p)A(:, p).

Aqui o resultado deve ser entendido como uma combinao linear das colunas da matriz A .

1.3. ALGUMAS DEFINIES DE MATRIZES A multiplicao de um vetor esquerda da matriz:

p

13

xT A =
k=1

A(k, :) x(k) = x(1)A(1, :) + . . . + x(p)A(p, :).

Nesse caso, o produto representa uma combinao linear das linhas de A ou, ainda, das colunas de A T .

Multiplicao: matrizes em blocos

Representamos um bloco de uma matriz A por A i j , compreendido como um bloco na linha i e coluna j , em relao a uma estrutura de blocos. As operaes em blocos so vlidas, se as dimenses dos blocos forem consistentes. No primeiro exemplo, uma matriz em blocos 1 2 multiplica uma outra com blocos 2 1:
A 11 A 12 B 11 = A 11 B 11 + A 12 B 21 = C . B 21

Em outro exemplo, uma matriz em blocos 21 multiplica uma outra em blocos 12:
A 11 B 11 A 21 B 21 = A 11 B 11 A 21 B 11 A 11 B 21 C 11 = A 21 B 21 C 21 C 12 =C C 22

1.3

ALGUMAS DEFINIES DE MATRIZES Seja A Cmp . A transposta de A , denotada por A T tal que A T Cpm e A T (i , j ) = A( j , i ) para 1 i p e 1 j m , ou seja, trocamos as linhas pelas colunas de A . A transposta conjugada ou hermitiana de A , denotada por A H tal que A H Cpm e A H (i , j ) = A( j , i ) para 1 i p e 1 j m , ou seja, trocamos as linhas pelas colunas de A e substitumos cada entrada complexa de A pelo seu conjugado1 . Usa-se tambm a notao A .

Se A real ento A T = A H . Utilizaremos constantemente as seguintes matrizes quadradas2 , ou seja, A Cmm .

1 a + b ou (a, b) C, com a, b R, ento (a, b) := (a, b) = a b e |(a, b)| = a 2 + b 2 . 2 O conceito que se encontra ao lado esquerdo do smbolo := denido pela sentena em seu lado

direito.

14

CAPTULO 1. REVISO DE LGEBRA LINEAR 1. A hermitiana := A H = A . 2. A simtrica := A T = A . 3. A positiva e denida := x = 0 x H Ax > 0. 4. A positiva e semidenida := x H Ax 0 para todo x Cm . 5. A unitria := A H A = A A H = I , onde I a matriz identidade de ordem m . 6. A ortogonal := A T A = A A T = I . 7. A normal := A H A = A A H . 8. A triangular superior := se i > j A(i , j ) = 0, ou seja, a matriz necessariamente nula abaixo da diagonal principal. 9. A estritamente triangular superior := se i j A(i , j ) = 0, ou seja, a matriz necessariamente nula abaixo da primeira sobrediagonal.

10. A triangular inferior := se i < j A(i , j ) = 0, ou seja, a matriz necessariamente nula acima da diagonal principal. 11. A estritamente triangular inferior := se i j A(i , j ) = 0, ou seja, a matriz necessariamente nula acima da primeira subdiagonal. 12. A diagonal := A triangular superior e triangular inferior concomitantemente. usual a notao diag(A(1, 1), A(2, 2), . . . A(m, m)). 13. A Hessenberg superior := se i > j + 1 A(i , j ) = 0, ou seja, todas as entradas abaixo da primeira subdiagonal so nulas.

A(1, 1) A(2, 1) 0 0 . . . 0

A(1, 2) A(2, 2) A(3, 2) 0

.. .. ..

. . .

. . .
0

. . . .. . .. .
0

. . . . . . .. .
A(m, m 1)

A(1, m) A(2, m) . . . . . . . . . A(m, m)

14. A Hessenberg inferior := se i < j +1 A(i , j ) = 0, ou seja, todas as entradas acima da primeira sobrediagonal so nulas, ou ainda, A T Hessenberg superior 15. A tridiagonal := A Hessenberg superior e A Hessenberg inferior, concomitantemente.

1.4. DEFINIES DE ESPAOS RELEVANTES 16. A regular := A tem inversa. 17. A singular := A no tem inversa. 18. A diagonal por blocos := A da forma

15

A 11 0 . . . 0

0 A 22

... ...

. . .
0

..

...

0 0 . . . A kk

onde cada bloco A i i Cmi mi , i = 1 : k , uma matriz quadrada e todos os elementos fora desses blocos so nulos. 19. I n a matriz identidade de ordem n :=
1 0 0 1 . . . . . . 0 0

... ...

..

...

0 0 .. . . 1

Matrizes retangulares herdam algumas dessas mesmas denies, se garantida a coerncia das sentenas. Observao 1.1. Matrizes regulares podem ser caracterizadas pela propriedade
Ax = 0 x = 0.

1.4

DEFINIES DE ESPAOS RELEVANTES Seja A Cnp .Ento:

1. O ncleo ou espao nulo de A : nuc A := {x Cp ; Ax = 0}. 2. A imagem de A : im A := {y Cn ; existe x Cp ; Ax = y}. Ou seja, o espao que contm todos os vetores gerados pela aplicao de A nos vetores do domnio. Como esse espao formado por combinaes lineares de colunas de A , utilizaremos, tambm, o nome espao coluna.

16

CAPTULO 1. REVISO DE LGEBRA LINEAR 3. A imagem de A T ser denominada espao linha de A , pois formada por combinaes lineares das linhas de A . A imagem de A H ser denominada espao conjugado linha de A , pois formada por combinaes lineares dos conjugados das linhas de A . 4. O posto coluna a dimenso do espao coluna. 5. O posto linha a dimenso do espao linha ou do espao conjugado linha. 6. O complemento ortogonal de W , subespao de Cn , formado por todos os vetores ortogonais a W , e denotado por W .

1.5

BASES

Seja {v 1 , v 2 , . . . , v n } uma base para Cn , em outras palavras, um conjunto linearmente independente com n vetores geradores de Cn . Seja V Cnn uma matriz cujas colunas so os vetores v i , i = 1 : n , ento essa base ser ortonormal se e somente se V H V = I n . A representao de um vetor v Cn nessa base ser dada por
n

v=
i =1

v H vi vi .

Caso o conjunto {v 1 , v 2 , . . . , v n } seja uma base para Cn , mas no seja um conjunto de vetores ortonormais, ento um vetor qualquer v Cn pode ser escrito como
n

v=
i =1

i v i ,

com
i = v H u i , i = 1 : n,

onde {u 1 , u 2 , . . . , u n } uma outra base para Cn tal que,

U H V = In ,

cujas colunas de U so os vetores u i , i = 1 : n . A base {u 1 , u 2 , . . . , u n }, denida acima, denominada de base adjunta de {v 1 , v 2 , . . . , v n }. Os 2n vetores u i e v i , i = 1 : n , formam uma coleo biortogonal de elementos de Cn . Teorema 1.2. A toda base de Cn est associada uma, e somente uma, base adjunta.

1.6. POSTO

17

Observao 1.3. Toda base ortonormal de Cn , ela prpria, a sua nica base adjunta. E, a representao de um vetor qualquer x Cn em uma base ortonormal {x 1 , x 2 , . . . , x n } dada por
n

x=
i =1

x, x i x i .

(1.1)

Denio 1.4 (Bases Adjuntas). Sejam N e R subespaos de Cn , ambos com mesma dimenso p . Sejam {n 1 , n 2 , . . . , n p } uma base, no necessariamente ortogonal, de N e {r 1 , r 2 , . . . , r p } uma base, no necessariamente ortogonal, de R . Ento, elas sero denominadas bases adjuntas caso
ni , r j = 1, 0,

se i = j ; se i = j.

(1.2)

Tambm so conhecidas como bases biortogonais.

1.6

POSTO

Teorema 1.5 (Teorema do Ncleo e da Imagem). Sejam V e W subespaos de Cn e L : V W uma transformao linear. Sejam dim V = m , dim nuc L = r , dim im L = s . Ento, m = r + s e
dim V = dim nuc L + dim im L .

Demonstrao: Exerccio 1. Esse teorema ser complementado, na seo 1.7, com o teorema fundamental da lgebra linear. Teorema 1.6 (Teorema do Complemento Ortogonal). Seja W um subespao de Cn , tal que dim W = r . Seja W o complemento ortogonal de W . Ento, Cn a soma direta de W e W
Cn = W W

e
dim Cn = dim W + dim W .

Demonstrao: Exerccio 3

18

CAPTULO 1. REVISO DE LGEBRA LINEAR

Teorema 1.7 (Teorema do Posto [76, Teorema 3.1, pg. 166]). Seja A uma matriz m n . Ento o posto linha e o posto coluna de A so iguais a um nmero r . Alm disso, dim nuc A = n r . O nmero r calculado no teorema do posto 1.7 chamado posto da matriz A , sendo igual ao posto linha e ao posto coluna de A .

1.7

TEOREMA FUNDAMENTAL DA LGEBRA LINEAR

Teorema 1.8 (Teorema Fundamental da lgebra Linear3 [116, sees 2.4 e 3.1]). Sejam A Cmn e r o posto de A . 1. dim im A = postocoluna(A) = r. 2. dim im A H
= postolinha(A) = r.

3. dim nuc A = n r. 4. dim nuc A H

= m r.

5. im A = (nuc A H ) Cm = im A nuc A H . 6. im A H = (nuc A ) Cn = im A H nuc A . A demonstrao do teorema fundamental da lgebra linear utiliza reiteradamente os teoremas 1.5, 1.6, 1.7, e car como o exerccio 4, no m desse captulo.

1.8

AUTOVALORES E AUTOESPAOS Se A Cmm , x Cm e C, consideramos4 a equao

Ax = x, x = 0.

(1.3)

Se um escalar e um vetor x so solues dessa equao, ento um autovalor de A e x um autovetor de A associado a . O conjunto de todos os escalares
3 Estamos usando a nomenclatura proposta por G. Strang em [116], no entanto com uma adaptao

para o corpo dos complexos. 4 Esta parte do texto , essencialmente, um resumo do captulo 1 de [65].

1.8. AUTOVALORES E AUTOESPAOS

19

complexos que so autovalores de A denominado espectro de A , denotado por (A). O raio espectral de A o nmero real no-negativo (A) = max{||; (A)}. Lembremo-nos que um polinmio da forma
p(t ) = a k t k + a k1 t k1 + . . . + a 1 t + a 0 = a 0 +
k i =1

ai t i .

No caso de matrizes quadradas e expoentes positivos, h sentido em denir um polinmio matricial

p(A) := a k A k + a k1 A k1 + . . . + a 1 A + a 0 I = a 0 I +
k i =1

ai A i .

O prximo teorema estabelece relaes entre os autovalores e autovetores de A e de p(A). Teorema 1.9. Sejam p() um dado polinmio, um autovalor de A Cmm e x um autovetor associado a . Ento, p() um autovalor da matriz p(A) e x um autovetor de p(A) associado a p(). Demonstrao: Exerccio 5. O resultado seguinte apresenta uma condio necessria e suciente para a singularidade de uma matriz. Teorema 1.10. A Cmm singular 0 (A). Demonstrao: Exerccio 6. A equao (1.3) pode ser reescrita como
(I A)x = 0, x = 0.

Logo, (A) se e somente se (I A) uma matriz singular, o que equivale a

det(I A) = 0.

Entendido como um polinmio formal em t , o polinmio caracterstico de A Cmm denido por

p A (t ) := det(t I A).

Um teorema fundamental, ligado ao polinmio caracterstico, estabelecido a seguir. Teorema 1.11. Seja A Cmm . Ento, o polinmio caracterstico p A () tem grau m e o conjunto de suas razes coincide com (A).

20 Demonstrao: Exerccio 11.

CAPTULO 1. REVISO DE LGEBRA LINEAR

Observao 1.12. Cada matriz A Cmm tem exatamente m autovalores, no necessariamente distintos. Caso a matriz seja denida em A Rmm no podemos fazer a mesma armao.

Uma denio til a de similaridade entre matrizes. Diremos que duas matrizes
A e B , ambas em Cmm , so similares se existe S Cmm , regular, tal que B = S 1 AS.

A relao de similaridade uma relao de equivalncia. Uma matriz A Cmm denominada diagonalizvel caso seja similar a uma matriz diagonal. Teorema 1.13. A Cmm diagonalizvel existe uma conjunto de m vetores linearmente independentes que so autovetores de A . Demonstrao: Exerccio 12. Uma outra caracterizao de matrizes diagonalizveis dada pelo prximo teorema. Teorema 1.14. Se A Cmm tem m autovalores distintos ento A diagonalizvel. Demonstrao: Exerccio 14. Seja A Cmm . Para um dado (A), o conjunto de todos os vetores x Cm , incluindo o vetor nulo, que satisfaam a equao Ax = x chamado de autoespao de A em relao ao autovalor . Todos os vetores de um autoespao, a exceo do vetor nulo, so tambm autovetores de A em relao ao autovalor . A dimenso de um autoespao de A em relao a um autovalor chamada de multiplicidade geomtrica do autovalor . A multiplicidade de um autovalor enquanto raiz do polinmio caracterstico chamada de multiplicidade algbrica. 1.9 DECOMPOSIES

Decomposio de Schur
Se existe uma matriz unitria U Cmm tal que B = U H AU , ento, B equivalente unitariamente a A Cmm . Caso U seja real, ento B goza da propriedade de equivalncia ortogonal real em relao a A .