Aprenda Autovalores e Autovetores | Álgebra Linear e Operações com Matrizes

Deslize para mostrar o menu

Autovalores e autovetores são conceitos centrais em álgebra linear, amplamente utilizados para analisar como transformações lineares afetam os dados. Dada uma matriz quadrada A, um autovetor é um vetor não nulo x que, ao ser multiplicado por A, resulta em um vetor que aponta na mesma direção de x, mas é escalado por um fator constante chamado autovalor.

A relação entre a matriz, o autovetor e o autovalor é:

$A \mathbf{x} = \lambda \mathbf{x}$

$A$ é uma matriz quadrada que representa uma transformação linear;
$\mathbf{x}$ é um vetor coluna não nulo (o autovetor);
$\lambda$ é um escalar (o autovalor).

Essa fórmula significa que aplicar $A$ a $\mathbf{x}$ estica ou comprime $\mathbf{x}$ pelo fator $\lambda$ , mas não altera sua direção. Autovalores e autovetores revelam propriedades fundamentais das matrizes, como estabilidade, eixos principais e modos característicos, que são essenciais em aplicações científicas e de engenharia.


              1234567891011121314
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

print("Eigenvalues:")
print(eigenvalues)
print("\nEigenvectors (each column corresponds to an eigenvector):")
print(eigenvectors)

Após calcular os autovalores e autovetores, geralmente é desejável verificar se eles satisfazem a equação fundamental A x = λ x. Utilizando os resultados de scipy.linalg.eig, é possível conferir essa relação para cada par autovalor-autovetor multiplicando a matriz original por um autovetor e comparando com o produto do autovalor por esse autovetor.


              1234567891011121314151617181920212223242526
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

# Select the first eigenvalue and eigenvector
idx = 0
lambda_ = eigenvalues[idx]
x = eigenvectors[:, idx]

# Compute A @ x and lambda * x
Ax = A @ x
lambdax = lambda_ * x

print("A @ x:")
print(Ax)
print("\nλ * x:")
print(lambdax)

# Check if the two results are approximately equal
print("\nAre they approximately equal?", np.allclose(Ax, lambdax))

Autovalores e autovetores possuem aplicações amplas em física e engenharia. Na física, são essenciais para a análise de sistemas de equações diferenciais, mecânica quântica (para encontrar estados de energia) e estudo de vibrações ou modos normais em sistemas mecânicos. Na engenharia, são utilizados em análise de estabilidade, análise de componentes principais (PCA) para redução de dados e no projeto de estruturas para prever frequências de ressonância. Compreender autovalores e autovetores permite resolver sistemas complexos, otimizar processos e interpretar o comportamento subjacente de fenômenos do mundo real.

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 2. Capítulo 3

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Seção 2. Capítulo 3

Autovalores e Autovetores

1. Qual função do SciPy é usada para calcular autovalores e autovetores?

2. Qual é o significado dos autovalores em aplicações científicas?

3. Como é possível verificar se um vetor é um autovetor de uma matriz?