5.

Autovalores
2015.2

Resumo

Nesta unidade, discutiremos a definio e as propriedades dos autova-

lores e autovetores de uma matriz. Para tanto, discutiremos inicialmente
a definio e algumas propriedades do determinante. Estudaremos tam-
bm o caso especial das matrizes simtricas e das matrizes diagonaliz-
veis.

1
1 Determinantes
At agora, no utilizamos o conceito de determinantes. Em geral, esse assunto
tratado de forma superficial na geometria analtica, apenas para matrizes 22
ou 3 3.
Para que a funo determinante seja til, exigimos que esta funo satisfaa
certas propriedades listadas abaixo. claro que esta definio no constru-
tiva, porm suficiente para o escopo deste curso.
Seja E um espao vetorial de dimenso finita e considere L (E ), o espao
vetorial dos operadores lineares em E . Como j vimos, fixada uma base em
E , podemos representar cada transformao linear em L (E ) por uma matriz.
Observe que a escolha da base arbitrria. Assim, podemos encarar as funes
: L (E ) K como funes : Knn K, em que n a dimenso de E .

Definio 1. O determinante uma funo de L (E ) em K, ou seja, det : L (E )

K, satisfazendo as seguintes propriedades:

O determinante muda de sinal quando duas linhas da matriz da transfor-

mao so trocadas de lugar;

O determinante linear em cada linha da matriz;

det(I ) = 1.

Observamos que, inicialmente, pode parecer que o determinante depende

da escolha da base do espao. Porm, como veremos mais frente, o valor do
determinante ser o mesmo independente da base escolhida (ou seja, se duas
matrizes representam a mesma transformao linear, mas em bases diferen-
tes do espao, estas duas matrizes tem o mesmo determinante). Desta forma,
podemos interpretar a funo determinante como sendo uma funo com n
entradas (as linhas da matriz). Assim, chame de a 1 , . . . , a n as linhas da matriz
A. Ento,

det : Kn Kn K
det(A) = det(a 1 , . . . , a n ).

Desta forma, as propriedades que definem o determinante podem ser assim

reescritas: se que a 1 , . . . , a n so as linhas de A, ento

(i) det(I ) = 1;

2
 (ii) O determinante muda de sinal quando duas linhas so trocadas:

det(a 1 , . . . , a i , . . . , a j , . . . , a n ) = det(a 1 , . . . , a j , . . . , a i , . . . , a n )

(iii) O determinante linear em cada linha separadamente: se a e a 0 so ve-

tores em Kn e k K, ento

det(ka + a 0 , a 2 , . . . , a n ) = k det(a, a 2 , . . . , a n ) + det(a 0 , a 2 , . . . , a n ).

Como j mencionamos, esta definio para o determinante no constru-

tiva, porm uma definio mais precisa exigiria um conhecimento prvio de
lgebra que ainda no temos. Vamos aceitar ento que o determinante a
nica forma n-linear alternada que satisfaz det(I ) = 1. Vamos nos concentrar
nas propriedades dos determinantes.
Seja A Knn com linhas a 1 , . . . , a n .

(iv) Se duas linhas de A so iguais, det(A) = 0. Isto decorre da regra (ii), j que
se as linhas iguais forem trocadas, o determinante deve mudar de sinal,
mas ele tambm deve continuar o mesmo, pois as linhas so iguais; logo
o determinante deve ser nulo.

(v) Subtraindo-se o mltiplo de uma linha de uma outra linha, obtm-se o

mesmo determinante. Isto segue direto da regra (iii): chame de A 0 a ma-
triz obtida a partir de A, em que se efetua a substituio de uma linha a i
por a i c a j , com i 6= j e c 6= 0. Ento

det(A 0 ) = det(a 1 , . . . , a i c a j , . . . , a j , . . . , a n )
= det(a 1 , . . . , a i , . . . , a j , . . . , a n ) c det(a 1 , . . . , a j , . . . , a j , . . . , a n )
= det(A)

onde a ltima igualdade segue da propriedade (iv). Assim, concluimos

que as operaes da eliminao gaussiana no afetam o determinante.
(observe que devemos cuidar das trocas de linha!)

(vi) Se A possui uma linha nula, ento det(A) = 0. Uma maneira da mostrar
isso somar uma outra linha linha nula; desta forma o determinante fi-
caria inalterado pela regra acima, mas a matriz ter duas linhas idnticas,
e assim det(A) = 0.

3
(vii) Se A for triangular, ento det(A) = a 11 a 22 . . . a nn .
Primeiramente, note que se A for diagonal, isto verdade, j que se cha-
marmos de e 1 , . . . , e n os vetores da base cannica em Kn , ento

det(A) = det(a 11 e 1 , . . . , a nn )
= a 11 a nn det(I )
= a 11 a nn

pela propriedade (i). Agora, suponha que A triangular. Se

Agora, se A for triangular com elementos no nulos fora da diagonal, pela
propriedade (iii) podemos observar que

det(a 1 , a 2 , . . . , a n ) = det(a 11 e 1 , a 2 , . . . , a n ) + det(a 1 a 11 e 1 , a 2 , . . . , a n )

= a 11 det(e 1 , a 2 , a 3 , . . . , a n )
= a 11 (det(e 1 , a 22 e 2 , a 3 , . . . , a n ) + det(e 1 , a 2 a 22 e 2 , a 3 , . . . , a n ))
= a 11 a 22 det(e 1 , e 2 , a 3 , . . . , a n )
..
.
= a 11 a 22 a nn det(I )
= a 11 a 22 a nn

j que cada uma das matrizes que contm um termo do tipo a i a i i e i

tem determinante nulo, pois contm uma coluna de zeros.

(viii) Se A singular (no-inversvel), ento det(A) = 0.

Se A for singular, ento a eliminao gaussiana gera ao menos uma linha
nula em U . Ento det(U ) = 0. No entanto, U obtida a partir de A atravs
de operaes que no alteram o determinante, e/ou de troca de linhas
(que apenas alteram o sinal do determinante). Assim, se U tiver linhas
nulas, det(A) = 0.

(ix) O determinante de AB o produto de det(A) por det(B ).

Suponha primeiramente que B singular. Ento B no injetora, ou seja,
existe x Kn , x 6= 0, tal que B x = 0. Ento AB no injetora, pois x
N (AB ). Assim, det(AB ) = 0 = det(A) det(B ), no importando o valor de
det(A).

4
Suponha agora que B inversvel, ou seja, det(B ) 6= 0. Ento vamos mos-
trar que a funo d definida como
. det(AB )
d (A) =
det(B )
apresenta as propriedades (i), (ii) e (iii), e portanto, o determinante de
A.
Primeiramente, observe que
det(B )
d (I ) = = 1,
det(B )
e assim a propriedade (i) satisfeita. Alm disso, se duas linhas de A
forem trocadas, as mesmas linhas de AB tambm sero trocadas; para
ver isto, note que
a 2


a 1 | a 2 B
| | a 1 B
a 3
b b 2 b n = a B

. 1

3
.. | | |

..
.a n B
a n
Assim, o sinal de d vai mudar conforme a propriedade (ii). Uma combi-
nao linear em uma linha de A resulta na mesma combinao linear, na
mesma linha de AB :
ka + a 0

kaB a 0 B
a 2 | | |
b 1 b 2 b n = a 2 B + a 2 B

..
.
| | | .. ..
.a n B .a n B
a n
Ento, a propriedade (iii) para o determinante de AB implica que a mesma
propriedade tambm vlida para a funo d (A). Portanto, d (A) = det(A).

Consequncias:

Se A for inversvel, ento det(A) 6= 0. Se A for no-singular, a eli-

minao coloca o piv d i na diagonal principal, e assim podemos
calcular o determinante de A atravs desta diagonal.

det(A) = det(U ) = d 1 d 2 . . . d n .

5
 (onde o sinal depende do nmero de trocas de linhas efetuadas na
eliminao).
Um caso particular desta regra nos diz que
1
det(A 1 ) = ,
det(A)
pois det(A) det(A 1 ) = det(I ) = 1.
O valor do determinante de uma transformao no depende da
base escolhida no espao para escrevermos a matriz desta transfor-
mao. De fato, se A a matriz da transformao em uma base e
A 0 a matriz da mesma transformao em uma base 0 , ento
A 0 = S AS 1 ,
em que S a matriz de mudana de base de para 0 . Assim,
det(A 0 ) = det(S) det(A) det(S 1 )
1
= det(S) det(A)
det(S)
= det(A).

10. det(A T ) = det(A). Se A no for singular (novamente, o caso singular

bvio) ento podemos fator-la em P A = LU . Assim,
det(P ) det(A) = det(L) det(U ),
e assim
det(A T ) det(P T ) = det(U T ) det(L T )
Agora, L, L T so triangulares com diagonal unitria, e assim seus deter-
minantes so iguais a 1. Alm disso, U e U T so triangulares e assim
det(U ) = det(U T ). Basta assim mostrarmos que det(P ) = det(P T ). Mas
sabemos que det(P ) = 1 ou det(P ) = 1; observe tambm que P P T = I (P
ortogonal). Logo,
det(P ) det(P T ) = I ,
ou seja, os determinantes devem ter o mesmo sinal. Portanto, det(P ) =
det(P T ). Assim, det(A) = det(A T ).
Observao! Agora, podemos aplicar todas as regras para as linhas nas
colunas: o determinante muda de sinal quando duas colunas so tro-
cadas; duas colunas iguais ou uma coluna nula produzem um determi-
nante nulo; o determinante depende linearmente de cada coluna.

6
 Terminamos essa seo com um resultado interessante do ponto de vista
histrico, ainda que intil na prtica, j que, como veremos na seo a seguir,
o clculo de determinantes computacionalmente muito caro.

Proposio 1 (Regra de Cramer). Seja A Rnn uma matriz inversvel. Dado

b Rn , chame A(i ; b) a matriz obtida substituindo-se a coluna i de A por b.
Ento a soluo do sistema linear Ax = b o vetor x = (x 1 , . . . , x n ) dado por

det(A(i ; b))
xi = .
det(A)

Demonstrao. Se A = (a 1 , . . . , a n ) com A inversvel, ento Ax = b quer

dizer que b pode ser escrito como combinao linear das colunas de A:

b = x1 a1 + . . . + xn an

Assim, para cada i = 1, . . . , n, teremos que

det(A(i ; b)) = det(A(i ; x 1 a 1 + . . . + x n a n ))

= x i det(A),

em que a ltima igualdade segue do fato que o determinante de uma matriz

que tem duas colunas iguais zero. 

A seguir, queremos encontrar uma frmula definitiva para o determinante.

1.1 Frmulas para os determinantes

A primeira frmula possvel para o clculo de determinantes para matrizes ge-
rais resultado da eliminao gaussiana. Se A for no-singular, ento j men-
cionamos que podemos escrever A = P 1 LU , e assim

det(A) = det(P 1 ) det(L) det(U ) = (1)k o produto dos pivs

em que k o nmero de trocas de linhas realizadas em P a partir da identidade.

Nosso objetivo agora definir uma frmula geral para o determinante a par-
tir das entradas a i j da matriz diretamente, sem olhar para os pivs, ou seja,
sem efetuar o escalonamento da matriz. Neste caso, vamos tentar obter esta
frmula a partir das trs propriedades fundamentais dos determinantes.

7
 Para isto, considere primeiramente o caso 2 por 2. Neste caso, podemos
decompor cada linha em dois vetores que representam as duas direes coor-
denadas:

(a b) = (a 0) + (0 b) e (c d ) = (c 0) + (0 d ) .

Agora, podemos aplicar a propriedade da linearidade do determinante nas li-

nhas em sequncia:

a b a 0 0 b
det = det + det
c d c d c d

a 0 a 0 0 b 0 b
= det + det + det + det .
c 0 0 d c 0 0 d

Observe que os termos que contm colunas nulas tero determinantes nulos,
como consequncia das propriedades dos determinantes. Assim, s precisa-
mos nos preocupar com termos onde as entradas no nulas de cada linha apa-
recem em colunas diferentes. Portanto, no caso 2 2, os termos resultantes
so uma matriz diagonal, e outra matriz que pode ser obtida a partir de uma
permutao de linhas de uma matriz diagonal Assim, obtemos a frmula co-
nhecida:
a b
det = ad bc.
c d
No caso 3x3, teremos algo do tipo

a 11 a 12 a 13 a 11 a 12 a 13
det a 21 a 22 a 23 = det a 22 + det a 23 + det a 21
a 31 a 32 a 33 a 33 a 31 a 32

a 11 a 12 a 13
+ det a 23 + det a 21 + det a 22 .
a 32 a 33 a 31

Para cada termo, podemos calcular o determinante aps fazer as permutaes

necessrias para obtermos matrizes diagonais em cada termo. Assim, obtemos
a conhecida frmula de Sarrus para o determinante 3 3:

a 11 a 12 a 13
det a 21 a 22 a 23 = a 11 a 22 a 33 + a 12 a 23 a 31 + a 13 a 21 a 32
a 31 a 32 a 33
a 11 a 23 a 32 a 12 a 21 a 33 a 13 a 22 a 31 .

8
Para uma matriz n por n, teremos cada linha decomposta em n direes co-
ordenadas. Esta expanso ter n n termos. Felizmente, a maioria ter determi-
nante nulo automaticamente (como nos casos acima). Em geral, a expresso
conter apenas n! termos no-nulos; teramos n escolhas para a primeira co-
luna, n 1 possibilidades para a segunda coluna, e assim por diante.
Podemos ento escrever uma frmula geral para A nn como

det(A) = a 1(1) a 2(2) . . . a n(n)

X
(1)

em que cada uma das permutaes possveis dos ndices de 1 at n, (i ) a

i-sima entrada desta permutao, e o determinante da matriz de permu-
tao usado em cada termo (1 para permutaes pares, -1 para permutaes
mpares).
Esta frmula satisfaz a primeira condio para o determinante (det(I ) = 1)
e a segunda tambm (mas no vamos aqui verificar isto agora). O mais im-
portante verificar a terceira condio: o determinante deve depender linear-
mente de cada linha.

Exemplo 1.1. Para uma matriz 3 3, isto resultaria em

det(A) = a 11 (a 22 a 33 a 23 a 32 ) + a 12 (a 23 a 31 a 21 a 33 ) + a 13 (a 21 a 32 a 22 a 31 ).

Observe ento que podemos escrever isso como

a 11 a 12 a 13
det a 21 a 22 a 23 =
a 31 a 32 a 33

a 11 a 12 a 13
det a 22 a 23 + det a 21 a 23 + det a 21 a 22 .
a 32 a 33 a 31 a 33 a 31 a 32

Note que para cada termo da soma (1) podemos agrupar os termos que
acompanham, por exemplo, a 1 j em um coeficiente C 1 j que tambm um de-
terminante:

a 11 (a 2(2) . . . a n(n) ) + a 12 (a 2(2) . . . a n(n) )

X X
det(A) =
(1)=1 (1)=2
a 1n (a 2(2) . . . a n(n) )
X
+...+
(1)=n
= a 11C 11 + a 12C 12 + . . . + a 1n C 1n

9
Os C i j so chamados cofatores de a i j . Alm disso, agora fica fcil ver que o de-
terminante de A depende linearmente de cada uma de suas linhas: para qual-
quer linha i ,
det(A) = a i 1C i 1 + a i 2C i 2 + . . . + a i n C i n .
O cofator C i j o determinante de M i j (M i j obtida de A, deletando-se a linha i
e a coluna j ) com o sinal correto:

C i j = (1)i + j det(M i j ).

Esta equao nos d, na verdade, a matriz cofatora de A, cujos elementos i , j

esto definidos como
(cof(A))i j = C i j .
Alm disso, podemos chamar de adjunta clssica de A a matriz co f (A)T . Com
isso, recuperamos a frmula tradicional para a inversa de uma matriz A nn in-
versvel:
1
A 1 = adj(A).
det(A)
Esta frmula, embora historicamente relevante, no usada na prtica devido
dificuldade no clculo de determinantes e de instabilidades numricas que
podem surgir neste clculo.
Uma ltima observao a seguinte:
Teorema 1. O posto de A o maior nmero r tal que A possui uma submatriz
r r com determinante no nulo.
Demonstrao. Observando primeiramente que o nmero de linhas l.i. e o n-
mero de colunas l.i. igual, basta selecionarmos para esta submatriz a matriz
quadrada formada pelas r linhas e r colunas l.i. de A. Esta submatriz deve ter
posto r e nenhuma submatriz de A maior que esta pode ter posto maior que r
(pois seno A teria posto > r .)

2 O problema de autovalores e o clculo do autoes-

pao.
Considere o seguinte problema: dada uma transformao T : E E , em que E
um espao vetorial definido sobre um corpo K, gostaramos de encontrar um
vetor v E no nulo e um nmero K tais que

T (v) = v. (2)

10
Se pudermos encontrar esta soluo, isto significa que existe um subespao do
espao vetorial E no qual a transformao T age como uma multiplicao por
escalar.
Para entendermos melhor este problema, vamos redefini-lo com respeito
matriz da transformao A nn . Assim, queremos encontrar um vetor x no
nulo, e um nmero que satisfaa a equao

Ax = x. (3)

Podemos reescrever esta equao como

(A I )x = 0.

Assim, o vetor x est no espao nulo de A I . Portanto, encontraremos x 6=

0 satisfazendo essa equao somente nos casos em que torna A I uma
matriz singular, pois neste caso A no ser injetora. Logo, para que e x sejam
autovalores e autovetores de A, devem satisfazer as seguintes condies.

Definio 2. O nmero um autovalor de A se e somente se AI for singular,

ou seja,
det(A I ) = 0.
Est a equao caracterstica (tambm chamada polinmio caracterstico). Todo
associado a (um ou mais) autovetores x, que satisfazem

(A I )x = 0, ou Ax = x.

Assim, para resolvermos o problema de autovalores (4), vamos resolver dois

subproblemas:

1. Encontrar todas as raizes do polinmio caracterstico

p() = det(A I )

2. Para cada encontrado no primeiro passo, determinar uma base para o

ncleo de A I .

Aqui, devemos fazer algumas observaes:

(i) Observe que, para cada encontrado na parte 1 do problema de autova-

lores, qualquer vetor de uma base de N (A I ) autovetor associado.
De fato, um autovetor define um autoespao:

11
 Se Av = v, A(v) = v = v.
Se Au = u, A(v + u) = Av + Au = v + u = ( + )(v + u) = (v + u).

Como o polinmio caracterstico, para uma matriz n n, um polinmio

de grau n com coeficientes reais ou complexos (dependendo da compo-
sio da matriz), podemos observar os seguintes resultados:

Teorema 2 (Fundamental da lgebra). Todo polinmio de uma varivel

no-constante com coeficientes complexos tem pelo menos uma raiz com-
plexa.

Corolrio 1. Todo polinmio em uma varivel com coeficientes reais pode

ser decomposto em polinmios mnicos irredutveis de grau 1 ou 2. (um
polinmio real mnico irredutvel de grau 2 no tem raizes reais).

Isto quer dizer que mesmo que a matriz A seja uma matriz real, seus auto-
valores (e, consequentemente, seus autovetores) podem ser complexos.
Assim, o problema (4) ser equivalente ao problema (2) apenas quando E
for um espao vetorial complexo. Vamos, portanto, considerar daqui pra
frente que nosso espao vetorial sempre complexo.1

(iii) importante observar que os autovalores e autovetores de um operador

linear no dependem da base de E escolhida para escrevermos a matriz
da transformao.

Como consequncia destas observaes, podemos enunciar o seguinte re-

sultado:

Teorema 3. Todo operador linear complexo possui autovetor.

2.1 Exemplos
Exemplo.
2 1
A=
0 3
1 = 2, v 1 = (1, 0); 2 = 3, v 2 = (1, 1).
1
importante observar que alguns autores fazem um tratamento diferente deste problema,
dizendo que uma matriz real s pode ter autovalores reais, e que as razes complexas do po-
linmio caracterstico no definem autovalores. No faremos esta restrio aqui.

12
Exemplo.
1 0
A=
0 1
1 = 1, v 1 = (1, 0); 2 = 1, v 2 = (0, 1).
Exemplo.
1 2
A=
0 1
1 = 1, v 1 = (0, 1); 2 = 1, v 2 =?.
Exemplo.
1 1
A=
1 1
Exemplo.

1 0 0
A = 0 2 0
0 0 3
1 = 1, 2 = 2, 3 = 3; v 1 = (1, 0, 0), v 2 = (0, 1, 0), v 3 = (0, 0, 1).
Exemplo.

3 0 0
A = 0 3 0
0 0 3
1 = 3 = 2 = 3 ; v 1 = (1, 0, 0), v 2 = (0, 1, 0), v 3 = (0, 0, 1).
Exemplo.

1 3 3
A = 3 7 3
6 6 2
1 = 4, 2 = 4, 3 = 2; v 1 = (1, 1, 0), v 2 = (1, 0, 1), v 3 = (1, 1, 2).
Exemplo.
1 1
A=
5 3
1 + i , 1 i . (1, 2 i ), (1, 2 + i ).
Exemplo.
0 i
A=
i 0

13
3 Matrizes diagonalizveis.
Uma vez que calculamos todos os autovalores e autovetores de uma matriz,
possvel, em alguns casos, decompor a matriz em sua forma diagonal. Vamos
aqui analisar em que condies isso possvel e porque.

Teorema 4. Suponha que a matriz A nn possui n autovalores distintos. Ento,

(i) A possui n autovetores linearmente independentes;

(ii) A pode ser diagonalizada: existe S nn

S 1 AS = ,

onde S a matriz cujas colunas so os autovetores de A, e uma matriz

diagonal cujas entradas so os autovalores de A.

Demonstrao. Suponha que v 1 , . . . , v n so os autovetores (e portanto, no-nulos)

de A, ou seja, Av i = i v i para todo i = 1, . . . , n. Vamos provar que estes vetores
so l.i. por induo. A afirmao bvia quando n = 1. Vamos supor ento que
ela verdadeira para n 1 vetores. Dada a combinao linear nula

1 v 1 + . . . + n v n = 0, (4)

vamos aplicar o operador A a ambos os lados, obtendo

1 Av i + . . . + n Av n = 1 1 v 1 + . . . + n n v n = 0.

Multiplicando a primeira destas igualdades por n e subtraindo da segunda,

obtemos
(1 n )1 v 1 + . . . + (n1 n )n1 v n1 = 0.
Pela hiptese de induo, todos estes vetores so l.i., logo,

(1 n )1 = . . . = (n1 n )n1 = 0.

Como os autovalores so todos diferentes, os termos i n so todos diferen-

tes de zero; logo, i = 0 para todo i = 1, . . . , n 1. Portanto, a equao (4) se
resume a n v n = 0. Como v n 6= 0, devemos ter n = 0 o que prova nossa afir-
mao (i).
Para (ii), basta escrevermos AS = S.

14
 A matriz de diagonalizao no nica, j que os autovetores definem au-
toespaos.
Exemplo.
1/2 1/2
A=
1/2 1/2

1 1
1 = 1, 2 = 0; S = . (AS = S)
1 1

4 3
Exemplo. Se A = , quem A 100 ? 1 = 1, 2 = 5, v 1 = (1, 1), v 2 = (3, 1).
1 2

0 1
Exemplo. A = no diagonalizvel; 1 = 2 = 0, v 1 = (1, 0).
0 0

3.1 Potncias e Produtos

Note que os autovalores de A 2 = A A so exatamente 2i , onde Au i = i u i , e
todo autovetor de A tambm autovetor de A 2 :
Seja Au i = i u i . Ento,
A(Au i ) = A 2 u i = i (Au i ) = 2i u i .
fcil ver que isso verdadeiro para qualquer k; alm disso, podemos ver
o resultado tambm atravs da diagonalizao de A: se esta for diagonalizvel,
ento
(S 1 AS)(S 1 AS) = 2 S 1 A 2 S = 2 .
Teorema 5. Os autovalores de A k so ki , i = 1, . . . , n e todo autovetor de A
ainda um autovetor de A k . Quando S diagonaliza A, ela tambm diagonaliza
Ak :
k = (S 1 AS)(S 1 AS) . . . (S 1 AS) = S 1 A k S.
Se A for inversvel, essa regra se aplica tambm sua inversa: k = 1. Por-
tanto, os autovalores de A 1 so 1/i :
1
Ax = x x = A 1 x x = A 1 x.

Para um produto de duas matrizes, podemos nos perguntar sobre os auto-
valores de AB . Se um autovalor de A e um autovalor de B , ento
AB x = Ax = Ax = x.
Esta equao est errada! A e B no compartilham o mesmo autoespao!

15
Exemplo 3.1.
0 1 0 0 1 0
AB = = .
0 0 1 0 0 0
A e B tem todos os autovalores nulos, enquanto que AB tem um autovalor = 1.
Os autovetores so completamente diferentes.

Pelos mesmos motivos, em geral o autoespao de A + B no tem relao

direta com os autoespaos de A e B . Felizmente, podemos provar o seguinte:

Teorema 6. Matrizes diagonalizveis compartilham a mesma matriz de auto-

vetores S se e somente se AB = B A.

Demonstrao. Se a mesma matriz S diagonaliza ambas A e B , temos que

AB = S 1 A SS 1 B S = S 1 A B S e B A = S 1 B SS 1 A S = S 1 B A S.

Como matrizes diagonais sempre comutam, temos que AB = B A.

Por outro lado, suponha que AB = B A. Ento

Ax = x AB x = B Ax = B x.

Desta forma, ambos x e B x so autovetores de A, compartilhando o mesmo

(caso contrrio, B x = 0. Se supormos que A possui n autovalores distintos,
ento B x deve ser mltiplo de x (pois a cada autovalor fica associado um su-
bespao de dimenso no mximo 1). Em outras palavras, B x = x e assim x
tambm autovetor de B . O caso de multiplicidade algbrica maior que 1 no
ser demonstrado. 

3.2 Interpretao como subespaos invariantes

Segundo a definio do problema (2), podemos fazer a seguinte definio.

Definio 3. Diz-se que F E um subespao invariante por T : E E quando

T (F ) F , ou seja, v F , T (v) F .

Assim, achar um autovetor (ou, equivalentemente, achar um autovalor) de

um operador T o mesmo que achar um subespao de dimenso 1 invariante
por T , sempre que o polinmio caracterstico de T tiver soluo no corpo sobre
o qual E est definido.

16
Teorema 7. Se o subespao F E invariante pelo operador linear T : E E
ento seu complemento ortogonal F invariante pelo seu adjunto T .

Demonstrao. Sejam u F , v F . Ento T (u) F e portanto T (u), v = 0.

Mas ento 0 = T (u), v = u, T (v). Portanto, T (v) F para todo v F ,
logo F invariante por T .

4 Matrizes simtricas e autovalores

Vamos aqui mostrar que as matrizes simtricas possuem propriedades bas-
tante desejveis quando se trata de autovalores e autovetores.
Primeiramente, vamos mostrar que o conjunto de autovetores de uma ma-
triz simtrica de um operador linear auto-adjunto T : E E forma uma base
ortonormal para o espao E (ou seja, um conjunto ortonormal que gera E ).
Para isto, vamos precisar de vrios lemas.

Definio 4. Seja T : E E um operador linear. Se T = T dizemos que T

auto-adjunto.

No caso real, T auto-adjunto se for representado por uma matriz sim-

trica; no caso complexo, T auto-adjunto se for representado por uma matriz
hermitiana.

Lema 1. Um operador T : E E auto-adjunto se e somente se sua matriz

A = [a i j ] relativamente a uma (e portanto a qualquer) base ortonormal U =
{u 1 , . . . , u n } de E hermitiana.

Demonstrao. A i-sima coordenada do vetor T (u j ) na base U a i j = u i , T (u j )

(pelo Teorema 2 da parte sobre Ortogonalidade). Portanto, a matriz hermiti-
ana se e somente se a i j = a j i . Mas, como T auto-adjunto,

a i j = u i , T (u j ) = T (u i ), u j = u j , T (u i ) = a j i .

Corolrio 2 (do Teorema 7). Seja T : E E um operador auto-adjunto. Se o

subespao F E invariante por T , seu complemento ortogonal F tambm o
.

Teorema 8. Os autovalores de um operador auto-adjunto so todos reais.

17
Demonstrao. De fato, observe que se autovalor associado ao autovetor v
de T , ento T (u) = u. Da,

u, T (u) = u, u = u, u.

Por outro lado,

T (u), u = u, u = u, u.

Como u autovetor de T , ento u 6= 0 e u, u 6= 0. Assim, = , o que s

verdadeiro se for real.

J vimos que toda matriz que possui n autovalores distintos possui n auto-
vetores linearmente independentes. Para as matrizes simtricas, ou seja, ope-
radores auto-adjuntos, podemos mostrar ainda mais.

Teorema 9. Se 1 , . . . , m so autovalores distintos do operador auto-adjunto

T : E E , os autovetores correspondentes v 1 , . . . , v m so ortogonais.

Demonstrao. Para i 6= j quaisquer, temos que

(i j )v i , v j = i v i , v j v i , j v j
= T (v i ), v j v i , T (v j )
= T (v i ), v j T (v i ), v j
= T (v i ), v j T (v i ), v j = 0,

pois T auto-adjunto. Como i 6= j , devemos ter v i , v j = 0.

Nosso objetivo agora demonstrar que, para todo operador auto-adjunto

T , mesmo que existam autovalores repetidos, seus autovetores formam uma
base (ortonormal) para o espao E .

Teorema 10 (Espectral). Seja E um espao vetorial com produto interno de di-

menso finita. Se T : E E auto-adjunto, ento existe uma base ortonormal
de E cujos vetores so autovetores de T .

Demonstrao. Vamos supor que dim(E ) = n 1. Sabemos que T possui ao

v
menos um autovetor, v. Se dim(E ) = 1, ento {v 1 = kvk } uma base ortonormal
de E , o que prova o teorema. Suponha ento que n > 1 e que o resultado seja
vlido para todo espao vetorial com dimenso n 1. Seja W =span{v 1 }.
imediato que W invariante por T , e que ento W invariante por T (pelo

18
Teorema 2). Agora, como W um subespao de dimenso n 1, segue da
hiptese de induo que existe uma base de W formada por autovetores de T ;
logo, {v 1 , v 2 . . . , v n } um conjunto ortonormal com n elementos, e portanto
base de E .

Podemos reescrever o Teorema Espectral da seguinte maneira:

Se A Knn hermitiana, ento Q Knn unitria tal que

Q H AQ = .

5 Operadores Normais
Definio 5. Sejam E um espao vetorial com produto interno e T : E E . Di-
zemos que T normal se T (T (v)) = T (T (v)) para todo v E .

Assim, T normal se a matriz de T comuta com a matriz da sua adjunta.

Todo operador auto-adjunto normal.

Todo mltiplo escalar de um operador normal normal.

A soma de operadores normais no normal.

Exemplo 5.1.
T (z, w) = (z + i w, z i w)

Teorema 11. Sejam E um espao vetorial com produto interno e T : E E nor-

mal. Ento

(i) kT (v)k = kT (v)k , v E

(ii) Se T (v) = v para K e v E , ento T (v) = v.

(iii) Se T (v 1 ) = 1 v 1 e T (v 2 ) = 2 v 2 , para v 1 , v 2 E e 1 , 2 K, com 1 6= 2 ,

ento v 1 , v 2 = 0.

Demonstrao. (i) Se v E , ento

kT (v)k2 = T (v), T (v) = v, T (T (v)) = v, T (T (v) = T (v), T (v)

2
= T (v) .

19
 (ii) Se T (v) = v, ento (T I )(v) = 0. Logo, k(T I )(v)k = 0. Usando o
item (i ), concluimos que k(T I ) (v)k = 0. Ento T (v) = v.

(iii) Observe que

T (v 1 ), v 2 = v 1 , T (v 2 ) = v 1 , 2 v 2 = v 1 , v 2 .

Por outro lado,

T (v 1 ), v 2 = 1 v 1 , v 2 = v 1 , v 2 .
Da, 1 v 1 , v 2 = 2 v 1 , v 2 , e portanto v 1 , v 2 = 0, j que 1 6= 2 .

Teorema 12. Sejam E um espao vetorial complexo com produto interno de di-
menso finita e T : E E . Ento T ser um operador normal se e somente se
existir uma base ortonormal de E cujos vetores sejam autovetores de T .
Demonstrao. Usando os teoremas anteriores possvel mostrarmos que se
v 1 autovetor de T , ento W = span{v 1 } invariante por T ; pelo mesmo lema
que usamos para a demonstrao do teorema espectral, concluimos que W
invariante tambm por T = T . O resto da demonstrao anlogo de-
monstrao do teorema espectral.

6 Aplicao: Equaes Diferenciais

Considere o seguinte par de equaes:
dv
= 4v 5w, v = 8 para t = 0
dt
dw
= 2v 3w, w = 5 para t = 0.
dt
Este um problema de valores iniciais. O problema encontrar v(t ) e w(t ) para
tempos posteriores t > 0.
Podemos representar esse sistema em forma matricial. Escreveremos ento

v(t ) 8 4 5
u(t ) = , u(0) = , A= .
w(t ) 5 2 3

Assim, podemos escrever esta equao como

du
= Au, com u = u(0) em t = 0.
dt

20
Se A fosse 1 por 1, ou seja, um escalar, teramos que a soluo deste problema
seria
u(t ) = e at u(0).
No tempo inicial t = 0, u(0) = e 0 u(0). Note que, dependendo de a, e at fica
limitado, vai pra zero, ou vai para o infinito.
No caso vetorial, vamos procurar solues parecidas; v(t ) = e t y e w(t ) =
t
e z, ou usando a notao vetorial,

u(t ) = e t x.

Substituindo nas equaes, temos

e t y = 4e t y 5e t z
e t z = 2e t y 3e t z

Assim, podemos cancelar o fator e t de todas as equaes (pois sempre dife-

rente de zero) para obter

4y 5z = y
2y 3z = z.

Em forma matricial Ax = x. um autovalor da matriz e x seu autovetor

associado.

21