Apostila de Cálculo Numérico

Profa . Vanessa Rolnik

Departamento de Computação e Matemática - FFCLRP/USP

Capı́tulo 4. Métodos numéricos para autovalores e autovetores

4.1 - Introdução e métodos de Leverrier e de Rutishauser (LR)

Este material é baseado nas Seções 1.7, 6.1, 6.2 e 6.7 do livro FRANCO, N.B.
Cálculo Numérico. São Paulo: Pearson Prentice Hall, 2006.

O objetivo é estudar métodos numéricos para aproximação de autovalores e autove-

tores de matrizes.
Definição 1. Um escalar λ é um autovalor de uma matriz A, n × n, se existir um
vetor não nulo v, n × 1, tal que
Av = λv. (1)
Todo vetor v satisfazendo (1) é um autovetor de A correspondente ao autovalor λ.
Observações:
a) se λ é um autovalor de A então a aplicação de A em v pode apenas variar o
módulo e o sentido do vetor, nunca sua direção;
b) os termos valor caracterı́stico/ vetor caracterı́stico e valor próprio/ vetor próprio
também são frequentemente usados;
c) se v é autovetor associado a λ então qualquer vetor paralelo a v também é auto-
vetor associado a λ.

Exemplo 1. Determinar os autovalores e correspondentes autovetores de

 
3 4
A= .
2 1

Procuramos um escalar λ e um vetor não nulo v = (x, y)t , tais que (1) seja satisfeita.
Assim,     
3 4 x x
=λ .
2 1 y y
Escrevendo na forma de sistema,
 
3x + 4y = λx (3 − λ)x + 4y = 0
⇒
2x + y = λy 2x + (1 − λ)y = 0

Este é um sistema linear homogêneo (o vetor dos termos independentes é nulo).

Uma solução é a trivial v = (0, 0)t mas essa não nos interessa pois os autovetores
devem ser não nulos. Para que se tenha solução não nula, o determinante da matriz
dos coeficientes deve
 ser igual a zero. Assim, impomos que
 3−λ 4 
 = 0 ⇒ λ2 − 4λ − 5 = 0
 2 1−λ 

1
 ⇒ λ1 = 5 ou λ2 = −1 são os dois autovalores de A.
Substituindo λ1 = 5 no sistema,

−2x + 4y = 0
2x − 4y = 0

de onde observamos que x − 2y = 0 ⇒ x = 2y. Assim, v1 = (2, 1)t é um autovetor

correspodente ao autovalor λ1 = 5. Qualquer outro autovetor correspodente a λ1 = 5 é
um múltiplo de v1 .
Substituindo λ2 = −1 no sistema,

4x + 4y = 0
2x + 2y = 0

de onde observamos que x + y = 0 ⇒ x = −y. Assim, v2 = (1, −1)t é um autovetor

correspodente ao autovalor λ2 = −1. Qualquer outro autovetor correspodente a λ2 =
−1 é um múltiplo de v2 .

Definição 2. Dada uma matriz quadrada A, n × n, a matriz A − λI é chamada de

matriz caracterı́stica de A. Seu determinante, |A − λI|, é um polinômio de grau n
em λ chamado polinômio caracterı́stico de A.

Os autovalores e autovetores são usados para solucionar problemas em diversas áreas

como economia, análise estrutural, eletrônica, teoria de controle, etc. Em relação à
matemática, surgem no estudo de formas quadráticas, sistemas diferenciais, problemas
de otimização não linear, etc.
A menos que a matriz seja de ordem baixa ou que tenha muitos elementos iguais
a zero, a expansão direta do determinante para a determinação do polinômio carac-
terı́stico é ineficiente. Assim, os métodos numéricos evitam o cálculo do determinante.
Existem métodos numéricos que
i) determinam uma aproximação para os coeficientes do polinômio caracterı́stico (e
depois devemos utilizar um método para resolver a equação não linear);
ii) determinam alguns autovalores;
iii) determinam todos os autovalores.

Método de Leverrier
Este método fornece o polinômio caracterı́stico de uma matriz A de ordem n. Utiliza
a ideia do Teorema de Newton a seguir que mostra uma relação entre os coeficientes
de um polinômio e a soma das potências de suas raı́zes. Assim, conhecidas as somas
das potências das raı́zes do polinômio, podemos determinar os coeficientes do mesmo.
Vamos ver esse teorema e alguns outros resultados que embasam a dedução do método.

Teorema 1. (Teorema de Newton) Seja o polinômio

P (x) = a0 xn + a1 xn−1 + · · · + an−1 x + an ,

2
cujos zeros são x1 , x2 , ..., xn . Seja ainda
n
X
sk = xki , k = 1, 2, · · · , n.
i=1

Então
k−1
X
ai sk−i + kak = 0, k = 1, 2, · · · , n.
i=0

Exemplo 2. Sejam s1 = 6, s2 = 14 e s3 = 36 as somas das potências dos zeros de um

polinômio P (x). Determinar P (x).
Temos P (x) = a0 x3 + a1 x2 + a2 x + a3 e, pelo Teorema de Newton, fazendo k = 1,
k = 2 e k = 3, obtemos o sistema

 a0 s 1 + a1 = 0
a0 s2 + a1 s1 + 2a2 = 0
a0 s3 + a1 s2 + a2 s1 + 3a3 = 0


de onde tiramos a1 = −a0 s1 , 2a = −a0 s2 − a1 s1 e 3a3 = −a0 s3 − a1 s2 − a2 s1 .

Tomando o coeficiente do termo de maior grau do polinômio igual a 1, a0 = 1,
obtemos a1 = −6, a2 = 11 e a3 = −6. Portanto, o polinômio procurado é

P (x) = x3 − 6x2 + 11x − 6.

Definição 3. O traço de uma matriz quadrada é a função matricial que associa a

matriz à soma dos elementos da sua diagonal principal. Se A=(aij) então

tr(A) = a11 + a22 + · · · + ann .

Propriedades. Se λ1 , λ2 , ..., λn são os autovalores de A então

(i) λk1 , λk2 , ..., λkn são autovalores de Ak .
(ii) tr(Ak ) = λk1 + λk2 + · · · + λkn .

Adaptando o teorema para o problema de determinar os coeficientes do polinômio

caracterı́stico, seja o polinômio escrito na forma

P (λ) = (−1)n [λn − p1 λn−1 − p2 λn−2 − · · · − pn−1 λ − pn ], (2)

n
X
cujos zeros são λ1 , λ2 , ..., λn . Seja sk = λki , k = 1, 2, · · · , n. Então
i=1

k−1
X
pi sk−i + kpk = 0, k = 1, 2, · · · , n,
i=0

de onde segue o método de Leverrier: para k = 1, 2, · · · , n, calcule

3
 k−1
1 X
pk = (sk − pi sk−i )
k i=1
sk = tr(Ak )

a partir do qual obtemos os valores de pk e determinamos os coeficientes do polinômio

caracterı́stico.

Exemplo 3. Calcule o polinômio caracterı́stico e os autovalores da matriz do Exemplo

1) pelo método de Leverrier.
 
3 4
A= ⇒ s1 = tr(A) = 3 + 1 = 4
2 1     
3 4 3 4 17 16
A2 = = ⇒ s2 = tr(A2 ) = 17 + 9 = 26
2 1 2 1 8 9
De onde segue que os coeficientes do polinômio caracterı́stico são
p 1 = s1 = 4
2p2 = s2 − p1 s1 = 26 − 4 ∗ 4 = 10 ⇒ p2 = 5
Substituindo na forma geral do polinômio de grau 2, P (λ) = (−1)2 [λ2 − p1 λ − p2 ],
obtemos

P (λ) = λ2 − 4λ − 5.
Para terminar, calculamos os zeros do polinômio, obtendo λ1 = 5 e λ2 = −1.

Exemplo 4. Aplique o método de Leverrier para determinar o polinômio caracterı́stico

da matriz abaixo e calcule os autovalores e correspondentes autovetores.
 
−2, 50 −1, 00 −1, 25
A =  −0, 50 −4, 00 −1, 75 
1, 00 2, 00 0, 50

Exemplo 5. Para a matriz  

1 1 −1
 0 0 1 
−1 1 0
(a) calcule o polinômio caracterı́stico pelo método de Leverrier
(b) encontre os autovalores fatorando o polinômio
(c) encontre o maior autovalor positivo com 4 casas decimais de precisção usando o
método de Newton.

(a) Repetindo o mesmo processo do exemplo anterior,

s1 = tr(A) = 1
+0+0=1 
2 0 0
2
A =A∗A=  −1 1 0  ⇒ s2 = tr(A2 ) = 2 + 1 + 2 = 5
−1 −1 2

4
  
2 2 −2
A3 = A2 ∗ A =  −1 −1 2  ⇒ s3 = tr(A3 ) = 2 − 1 + 0 = 1
−3 1 0
De onde segue que os coeficientes do polinômio caracterı́stico são
p1 = s1 = 1
2p2 = s2 − p1 s1 = 5 − 1 ∗ 1 ⇒ p2 = 2
3p3 = s3 − p1 s2 − p2 s1 = 1 − 1 ∗ 5 − 2 ∗ 1 ⇒ p2 = −2
Substituindo na forma geral do polinômio de grau 3,

P (λ) = (−1)3 [λ3 − p1 λ2 − p2 λ − p3 ]

= −[λ3 − λ2 − 2λ + 2]
= −λ3 + λ2 + 2λ − 2

(b) como os coeficientes são números inteiros, as possibilidades para uma das raı́zes
são {1, −1, 2, −2}
(obs. para P (x) = an xn + an−1 xn−1 + ... + a1 x + a0 , p : divisor de a0 e q : divisor de
an , p e q primos entre si. Então p/q é possı́vel raı́z do polinômio.)
Observamos que λ = 1 é raiz pois P (1) = 0. Para encontrar as demais raı́zes,
2
dividimos P por λ − 1.√Assim, obtemos √ P (x) = (λ − 1)(−λ + 2). Logo os autovalores
de A são λ1 = 1, λ2 = 2 e λ3 = − 2.

(c) Vamos voltar ao P (λ) = −λ3 + λ2 + 2λ − 2. Isolamos a raı́z positiva em [1.25, 2],
observando que P é uma função contı́nua e que P (1.25) = 0.109375 e P (2) = −2
têm sinais trocados. Logo, pelo teorema do valor intermediário, existe ao menos uma
raiz nesse intervalo. Observando ainda que a primeira derivada de P nesse intervalo é
sempre positiva, concluı́mos que P possui uma única raiz nesse intervalo.
f (xk )
A fórmula do método de Newton é xk+1 = xk − 0 , onde f (x) = −x3 +x2 +2x−2
f (xk )
e f 0 (x) = −3x2 + 2x + 2
Tomamos x0 = 1.5,
f (1.5) 0.125
x1 = 1.5 − 0 = 1.5 − = 1.428571
f (1.5) −1.75
f (1.428571)
x2 = 1.428571 − 0 = 1.414747
f (1.428571)
f (1.414747)
x3 = 1.414747 − 0 = 1.414214
f (1.414747)
f (1.414214)
x4 = 1.414214 − 0 = 1.414214
f (1.414214)
x4 possui ao menos 5 casas decimais corretas. Este é o maior autovalor positivo,
λ = 1.414214.

5
método de Rutishauser (LR)
O método de Rutishauser, ou método LR, permite, sob certas condições, determi-
nar todos os autovalores de uma matriz quadrada, sem determinar o polinômio carac-
terı́stico. É baseado em transformações de similaridades, isto é, transformações que não
auteram os autovalores da matriz.
Seja A, n × n, o método consiste em construir a seguinte sequência de matrizes
A1 = A, decompõe A1 em LU , chama L1 = L e R1 = U . Assim, A1 = L1 R1
A2 = R1 L1 , decompõe A2 em LU , chama L2 = L e R2 = U . Assim, A2 = L2 R2 . As
matrizes A e A2 são similares, isto é, possuem os mesmos autovalores.
A3 = R2 L2 , decompõe A3 em LU , chama L3 = L e R3 = U . Assim, A3 = L3 R3 . As
matrizes A2 e A3 são similares e consequentemente, A e A3 são similares.
..
.
Ak = Rk−1 Lk−1 = Lk Rk . As matrizes Ak e Ak−1 são similares e consequentemente,
A e Ak são similares.
..
.
Quando k → ∞, Ak → R matriz triangular superior, desde que A possua n auto-
valores distintos. As matrizes A e R são similares, ou seja, possuem o mesmo conjunto
de autovalores. Além disso, os elementos diagonais da matriz Ak são os autovalores
procurados.
O processo termina quando os elementos da matriz Ak abaixo da diagonal forem
todos, em módulo, menores do que uma precisão pré-fixada .
Obs. Os cálculos para obter os autovetores pelo método LR são trabalhosos. Não
faremos neste curso.

Exemplo 6. Calcule os autovalores de A pelo método LR com precisão de 10−2 ou até

5 iterações, sendo  
2 0 1
A =  0 1 0 .
1 0 1
A1 = A
1a. iteração (k = 1)
Decompõe A1 em LU
    
1 0 0 u11 u12 u13 2 0 1
 `21 1 0   0 u22 u23  =  0 1 0 
`31 `32 1 0 0 u33 1 0 1
u11 = 2, u12 = 0 e u13 = 1
`21 u11 = 0 ⇒ `21 = 0, `31 u11 = 1 ⇒ `31 = 0.5
`21 u12 + u22 = 1 ⇒ u22 = 1, `21 u13 + u23 = 0 ⇒ u23 = 0
`31 u12 + `32 u22 = 0 ⇒ `32 = (0.5 ∗ 0)/1 = 0

6
 `31 u13 + `32 u23 + u33 = 1 ⇒ u33 = 1 − 0.5 ∗ 1 − 0 ∗ 0 = 0.5
  
1 0 0 2 0 1
A1 =  0 1 0   0 1 0  = L1 R1
0.5 0 1 0 0 0.5
Obtém A2 multiplicando L1 e R1 na ordem invertida
    
2 0 1 1 0 0 2.5 0 1
A2 = R1 L1 =  0 1 0   0 1 0 = 0 1 0 
0 0 0.5 0.5 0 1 0.25 0 0.5
Teste de parada: nem todos os elementos de A2 abaixo da diagonal são, em módulo,
menores ou iguais a 10−2 . CONTINUE
iteração k = 1 < N M AX = 5 CONTINUE

2a. iteração (k = 2)
Decompõe A2 em LU
  
1 0 0 2.5 0 1
A2 =  0 1 0   0 1 0  = L2 R2
0.1 0 1 0 0 0.4
Obtém A3 multiplicando L2 e R2 na ordem invertida
    
2.5 0 1 1 0 0 2.6 0 1
A3 = R2 L2 =  0 1 0  0 1 0  =  0 1 0 
0 0 0.4 0.1 0 1 0.04 0 0.4
Teste de parada: nem todos os elementos de A3 abaixo da diagonal são, em módulo,
menores ou iguais a 10−2 . CONTINUE
iteração k = 2 < N M AX = 5 CONTINUE

3a. iteração (k = 3)
Decompõe A3 em LU
  
1 0 0 2.6 0 1
A3 =  0 1 0  0 1 0  = L3 R3
0.0154 0 1 0 0 0.3846
Obtém A4 multiplicando L3 e R3 na ordem invertida
    
2.6 0 1 1 0 0 2.6154 0 1
A4 = R3 L3 =  0 1 0  0 1 0 = 0 1 0 
0 0 0.3846 0.0154 0 1 0.00592 0 0.3846
Teste de parada: SIM, todos os elementos de A4 abaixo da diagonal são, em módulo,
menores ou iguais a 10−2 . PARE.
Resposta: os autovalores de A são λ1 ≈ 2.6154, λ2 ≈ 1 e λ3 ≈ 0.3846.

(os aultovalores de A são de fato 2.618034, 1 e 0.381966.)

7
EXERCÍCIOS

1) Calcule det(A − λI) para n = 2 e n = 3 e verifique que o coeficiente de λn−1 em

P (λ) é (−1)n−1 (a11 + a22 + ... + ann ) = (−1)n−1 tr(A) e que o termo independente de λ
em P (λ) é det(A).

2) Use o método de Leverrier para determinar o polinômio caracterı́stico

 eo método
3 4
de Newton para determine os dois autolvalores da matriz da matriz .
2 1

3 0 1
3) Use o método de LR para determinar os autovalores da matriz  2 2 2 ,
4 2 5
com precisão de 0.05 ou número máximo de iterções igual a 3.

8
4.2 - Método das potências
Este material é baseado na Seção 6.4 do livro FRANCO, N.B. Cálculo Numérico.
São Paulo: Pearson Prentice Hall, 2006.

O método das potências consiste em determinar o autovalor de maior valor absoluto

de uma matriz A, n × n, e seu correspondente autovetor, sem determinar o polinômio
caracterı́stico. Exige como requisito que a matriz A possua um único autovalor maior
em módulo e que possua n autovetores linearmente independentes.
Sejam os autovalores tais que |λ1 | > |λ2 | ≥ · · · ≥ |λn | e seja {v1 , v2 , · · · , vn } o
conjunto dos n autovetores l.i., isto é, uma base para o Rn . Em especial, v1 é o autovetor
associado ao autovalor de maior valor absoluto λ1 .
Assim, λ1 e v1 satisfazem a equação Av1 = λ1 v1 .
O método das potências possui o seguinte processo iterativo

yk = Ayk−1 , k = 1, 2, · · · (3)

começando de y0 não nulo, uma aproximação inicial para o autovetor v1 .

Vamos mostrar que quando k → ∞, yk → v1 . Para isso, escrevemos y0 como
combinação linear dos elementos da base

y0 = c1 v1 + c2 v2 + · · · + cn vn
e aplicamos o processo
y1 = Ay0 = A(c1 v1 + c2 v2 + · · · + cn vn ) = c1 Av1 + c2 Av2 + · · · + cn Avn
Como Avi = λi vi , i = 1, 2, · · · , n,
 
λ2 λn
y1 = c1 λ1 v1 + c2 λ2 v2 + · · · + cn λn vn = λ1 c1 v1 + c2 v2 + · · · + cn vn .
λ1 λ1
Repetindo o processo
 
λ2 λn
y2 = Ay1 = Aλ1 c1 v1 + c2 v2 + · · · + cn vn
λ1 λ1
 
λ2 λn
= λ1 c1 Av1 + c2 Av2 + · · · + cn Avn .
λ1 λ1
Novamente, como Avi = λi vi ,
 
λ2 λn
y2 = λ1 c1 λ1 v1 + c2 λ2 v2 + · · · + cn λn vn
λ1 λ1
"  2  2 #
λ 2 λn
y2 = λ21 c1 v1 + c2 v2 + · · · + cn vn .
λ1 λ1
E assim por diante, em um passo k temos
"  k  k #
λ2 λn
yk = Ayk−1 = λk1 c1 v1 + c2 v2 + · · · + cn vn
λ1 λ1

9
  
 λi 
Por hipótese, |λ1 | > |λ2 | ≥ · · · |λn |. Logo,   < 1, i = 2, 3, ..., n. Portanto,
λ1
 k
λi
k → ∞, → 0. Com isso,
λ1
yk → λk1 c1 v1 , que é um múltiplo do vetor v1 .
Mais ainda,
(yk+1 )r λk+1 c1 (v1 )r
lim = 1k = λ1 ,
k→∞ (yk )r λ1 c1 (v1 )r
r = 1, 2, ..., n em que r significa a coordenada r do vetor.

Na prática, yk é um vetor normalizado, por isso, introduzimos no processo um ’vetor

intermediário’ zk . O processo completo fica

zk = Ayk−1 (4)
1
yk = zk , onde αk = max |(zk )r | (5)
αk r=1,2,...,n

(k) (zk )r
λ1 = , r = 1, 2, · · · , n. (6)
(yk−1 )r

Como teste de parada, para obtermos λ1 com uma precisão , usamos o erro relativo
(k) (k−1)
|(λ1 )r − (λ1 )r |
(k)
< . (7)
|(λ1 )r |

A primeira coordenada r que satisfizer essa condição faz com que o processo pare e
(k)
a solução é λ1 = (λ1 )r .
 
3 4
Exemplo 1. Aplique o método das potências na matriz para determinar o
2 1
maior autovalor em módulo eo correspondente
 autovetor, com precisão de 10−2 ou até
1
N M AX = 5. Inicie de y0 = .
1
1a. iteração: aplicamos o processo (4)-(6) com k = 1, não fazemos o teste de parada
porque só temos uma aproximação para o λ1 .
    
3 4 1 7
z1 = Ay0 = =
2 1 1 3
   
1 1 7 1
y1 = z1 = = 3
α1 7 3 7
   
(1) (z1 )r 7/1 7
λ1 = = =
(y0 )r 3/1 3

2a. iteração: aplicamos o processo (4)-(7) com k = 2

10
      33 
3 4 1 7
z2 = Ay1 = 3 = 17
2 1 7 7
 33   
1 7 7
1
y2 = z2 = 17 = 17
α2 33 7 33
 33   33   
(2) (z2 )r /1 4.7143
λ1 = = 7
17 3 = 7
17 ≈
(y1 )r 7 7
/ 3
5.6667

(2) (1)
|(λ1 )r − (λ1 )r |
Teste de parada (2)
< 10−2 ?
|(λ1 )r |
|4.7143 − 7|
r=1⇒ ≈ 0.4848 > 10−2 CONTINUE
|4.7143|
|5.6667 − 3|
r=2⇒ ≈ 0.4706 > 10−2 CONTINUE
|5.6667|
k = 2 < N M AX = 5 CONTINUE

3a. iteração: aplicamos o processo (4)-(7) com k = 3

    167 
3 4 1 33
z3 = Ay2 = 17 = 83
2 1 33 33
 167   
1 33 33
1
y3 = z3 = 83 = 83
α3 167 33 167
 167   167   
(3) (z3 )r /1 5.0606
λ1 = = 33
83 17 = 33
83 ≈
(y2 )r /
33 33 17
4.8824

(3) (2)
|(λ1 )r − (λ1 )r |
Teste de parada (3)
< 10−2 ?
|(λ1 )r |
|5.0606 − 4.7143|
r=1⇒ ≈ 0.0684 > 10−2 CONTINUE
|5.0606|
|4.8824 − 5.6667|
r=2⇒ ≈ 0.1606 > 10−2 CONTINUE
|4.8824|
k = 3 < N M AX = 5 CONTINUE

4a. iteração: aplicamos o processo (4)-(7) com k = 4

    833 
3 4 1 167
z4 = Ay3 = 83 = 417
2 1 167 167
 833   
1 167 167
1
y4 = z4 = 417 = 417
α4 833 167 833
 833   833   
(4) (z4 )r /1 4.9880
λ1 = = 167
417 83 = 167
417 ≈
(y3 )r /
167 167 83
5.0241

11
 (4) (3)
|(λ1 )r − (λ1 )r |
Teste de parada (4)
< 10−2 ?
|(λ1 )r |
|4.9880 − 5.0606|
r=1⇒ ≈ 0.0146 > 10−2 CONTINUE
|4.9880|
|5.0241 − 4.8824|
r=2⇒ ≈ 0.0282 > 10−2 CONTINUE
|5.0241|
k = 4 < N M AX = 5 CONTINUE

5a. iteração: aplicamos o processo (4)-(7) com k = 5

    4167 
3 4 1 833
z5 = Ay4 = 417 = 2083
2 1 833 833
 4167   
1 833 833
1
y5 = z5 = 2083 = 2083
α5 4167 833 4167
 4167   4167   
(5) (z5 )r /1 5.0024
λ1 = = 833
2083 417 = 833
2083 ≈
(y4 )r /
833 833 417
4.9952

(5) (4)
|(λ1 )r − (λ1 )r |
Teste de parada (5)
< 10−2 ?
|(λ1 )r |
|5.0024 − 4.9880|
r=1⇒ ≈ 0.0029 < 10−2 PARE
|5.0024|

Portanto,
 
(5) −2 1
λ1 = (λ1 )1 = 5.0024 com  < 10 e u1 = y 5 = 2083 .
4167

Para complementar, podemos observar a evolução do processo na tabela:

(k) (k)
k (λ1 )1 erro (λ1 )2 erro
1 7 3
2 4.7143 0.4848 5.6667 0.4706
3 5.0606 0.0684 4.8824 0.1606
4 4.9880 0.0146 5.0241 0.0282
5 5.0024 0.0029

12
Método da potência inversa
Este método é usado para determinar o autovalor de menor valor absoluto e seu
correspodente autovetor de uma matriz A. Exige como requisito que a matriz A possua
um único autovalor menor em módulo, isto é, |λ1 | ≥ |λ2 | ≥ · · · > |λn |; e que possua n
autovetores linearmente independentes, isto é, que {v1 , v2 , · · · , vn } seja uma base para
o Rn . Em especial, vn é o autovetor associado ao autovalor de menor valor absoluto λn .

A ideia é que se λ é autovalor de A então λ−1 é autovalor de A−1 . Além disso, se λn

é o menor autovalor de A então λ−1 −1
n é o maior autovalor de A . Assim, o método da
potência inversa consiste em calcular, pelo método das potências o autovalor de maior
valor absoluto de A−1 , pois assim teremos o menor autovalor em valor absoluto de A.
Portanto, o processo iterativo fica

yk = A−1 yk−1 ,

começando de y0 não nulo, uma aproximação inicial para o autovetor vn .

Na prática, normalizamos os vetores como no método das potências, isto é,
1
zk = A−1 yk−1 e yk = zk .
αk
Além disso, ao invés de inverter A, resolvemos um sistema linear a cada passo, sendo
que o método mais indicado é a decomposição LU pois as matrizes L e U independem
de k e só precisam ser obtidas uma única vez.

zk = A−1 yk−1 ⇒ Azk = yk−1 ⇒ LU zk = yk−1

Então resolvemos
1o. Lw = yk−1 , sistema triangular inferior cuja solução é w
2o. U zk = w, sistema triangular superior cuja solução é zk .
Reescrevendo o processo:
Decompõe a matriz A em LU e define um vetor, w, n × 1

Lw = yk−1 ⇒ w (8)
U zzk = w ⇒ zk (9)
1
yk = zk , , onde αk = max |(zk )r | (10)
αk r=1,2,...,n

(k) (zk )r
λ−1


n = , r = 1, 2, · · · , n. (11)
(yk−1 )r

Teste de parada
(k) (k−1)
| (λ−1 −1
n )r − (λn )r |
(k)
< . (12)
| (λ−1
n )r |

13
  
3 4
Exemplo 2. Aplique o método da potência inversa na matriz para determi-
2 1
−2
nar omenor
 autovalor em módulo com precisão de 10 ou até N M AX = 5. Inicie de
1
y0 = .
1
Iniciamos decompondo A em LU
   
1 0 3 4
L= 2 , U= .
3
1 0 − 53

1a. iteração: aplicamos o processo (8)-(11) com
k = 1, não fazemos o teste de

parada porque é a primeira aproximação para o λ−1
2 .
z1 = A−1 y0 ⇒ Az1 = y0 ⇒ LU z1 = y0
Resolvendo Lw = y0
       
1 0 w1 1 w1 = 1 1
2 = ⇒ 2 ⇒w= 1
3
1 w2 1 w + w2 = 1
3 1 3
Resolvendo U z1 = w
       3   
3 4 z11 1 3z11 + 4z12 = 1 0.6
= ⇒ ⇒ z1 = 5 =
0 − 53 z12 1
3
− 53 z12 = 13 − 15 −0.2
 
1 1
α1 = 0.6, y1 = z1 = .
α1 − 13
   
−1 (1)

(z1 )r 0.6/1 0.6
λ2 = = =
(y0 )r −0.2/1 −0.2

2a. iteração: aplicamos o processo (8)-(12) com k = 2

z2 = A−1 y1 ⇒ Az2 = y1 ⇒ LU z2 = y1
Resolvendo Lw = y1
       
1 0 w1 1 w1 = 1 1
2 = ⇒ ⇒w=
3
1 w2 − 13 2
w + w2 = − 13
3 1
−1
Resolvendo U z2 = w
       
3 4 z21 1 3z21 + 4z22 = 1 −0.4667
= ⇒ ⇒ z2 =
0 − 53 z22 −1 − 53 z22 = −1 0.6
 
1 −0.7778
α2 = 0.6, y2 = z2 =
α2 1
 

(2) (z2 )r −0.4667
λ−1
2 = = .
(y1 )r −1.8

(2)
(1)
| λ−1
2 − λ−1 2 |
Teste de parada: r
(2)
r
< 10−2 ?
−1


| λ2 r |
| − 0.4667 − 0.6|
r = 1: = 2.2856 > 10−2 CONTINUE
| − 0.4667|

14
 | − 1.8 − (−0.2)|
r = 2: = 0.8889 > 10−2 CONTINUE
| − 1.8|
k = 2 < 5 CONTINUE

3a. iteração: aplicamos o processo (8)-(12) com k = 3

z3 = A−1 y2 ⇒ Az3 = y2 ⇒ LU z3 = y2
Resolvendo Lw = y2
       
1 0 w1 −0.778 w1 = −0.778 −0.7778
2 = ⇒ 2 ⇒w=
3
1 w2 1 w + w2 = 1
3 1
1.5185
Resolvendo U z3 = w
       
3 4 z31 −0.7778 3z31 + 4z32 = −0.7778 0.9555
= ⇒ ⇒ z3 =
0 − 53 z32 1.5185 − 53 z32 = 1.5185 −0.9111
 
1 1
α3 = 0.9555, y3 = z3 =
α3 −0.9535
   
−1 (3)

(z3 )r 0.9555/ − 0.7778 −1.2285
λ2 = = = .
(y2 )r −0.9111/1 −0.9111

(3) −1 (2)
| λ−1


2 − λ 2 |
Teste de parada: r
(3)
r
< 10−2 ?
−1


| λ2 r |
| − 1.2285 − (−0.4667)|
r = 1: = 0.6202 > 10−2 CONTINUE
| − 1.2285|
| − 0.9111 − (−1.8)|
r = 2: = 0.9756 > 10−2 CONTINUE
| − 0.9111|
k = 3 < 5 CONTINUE

4a. iteração: aplicamos o processo (8)-(12) com k = 4

z4 = A−1 y3 ⇒ Az4 = y3 ⇒ LU z4 = y3
Resolvendo Lw = y3 ...
Resolvendo U z4 = w ...
   
−0.9628 1 −0.9904
z4 = , α4 = 0.9721, y4 = z4 =
0.9721 α4 1
   
−1 (4)

(z4 )r −0.9628/1 −0.9628
λ2 = = = .
(y3 )r 0.9721/ − 0.9535 −1.0195

(4) −1 (3)
| λ−1


2 − λ 2 |
Teste de parada: r
(4)
r
< 10−2 ?
−1


| λ2 r |
| − 0.9628 − (−1.2286)|
r = 1: = 0.2760 > 10−2 CONTINUE
| − 0.9628|
| − 1.0195 − (−0.9111)|
r = 2: = 0.1063 > 10−2 CONTINUE
| − 1.0195|

15
 k = 4 < 5 CONTINUE

5a. iteração: aplicamos o processo (8)-(12) com k = 5

z5 = A−1 y4 ⇒ Az5 = y4 ⇒ LU z5 = y4
Resolvendo Lw = y4 ...
Resolvendo U z5 = w ...
   
0.9981 1 1
z5 = , α4 = 0.9981, y5 = z5 =
0.9962 α5 −0.9981
 
−1 (5)

(z5 )r
−1.0077
λ2 = = 0.9981/ − 0.99040.9962/1 = .
(y4 )r −0.9962

(5)
(4)
| λ−1
2 − λ−12 |
Teste de parada: r r
< 10−2 ?
−1 (5)


| λ2 r |
| − 1.0077 − (−0.9628)|
r = 1: = 0.0446 > 10−2 CONTINUE
| − 1.0077|
| − 0.9962 − (−1.0195)|
r = 2: = 0.0234 > 10−2 CONTINUE
| − 0.9962|
k = 5 = N M AX PARE

Como chegamos no numero máximo de iterações, concluı́mos que o método não

convergiu em 5 iterações.
No entanto, observamos que o método está convergindo pois os erros estão dimi-
nuindo. Vamos supor que o método tivesse atingido a precisão desejada na 2a. coor-
−1 (5)
denada, neste caso, tomamos λ−1


2 ≈ λ2 2
= −0.9962 como sendo uma aproximação
para o autovalor de maior valor absoluto de A−1 . E assim, concluı́mos que o menor
1 1
autovalor de A, em módulo, é λ2 ≈ −1 = = −1.0038.
λ2 −0.9962

16
EXERCÍCIOS
 
3 0 1
1) Aplique o método das potências na matriz  2 2 2  para determinar o
4 2 5
maior autovalor em módulo e ocorrespondente
 autovetor, com precisão de 10−2 ou
1
até N M AX = 5. Inicie de y0 =  1 .
1
 
2 1 0
2) Aplique o método da potência inversa na matriz  2 5 3  para determinar
0 1 6
−2
o menor
 autovalor
 em módulo com precisão de 10 ou até N M AX = 5. Inicie de
1
y 0 =  1 .
1

17