Calculadora de autovalores e autovetores

A calculadora de autovalores e autovetores recebe uma matriz quadrada — até 50×50, inserida linha por linha — e retorna o conjunto completo de pares próprios reais: cada autovalor junto com o autovetor correspondente, normalizado para comprimento unitário e ordenado do maior autovalor para o menor. Os pares próprios são a impressão digital de uma transformação linear: mostram quais direções ela deixa inalteradas e o quanto estica cada uma, e sustentam desde a análise de vibrações e as verificações de estabilidade até o PageRank, as cadeias de Markov e a análise de componentes principais. Em vez de expandir o polinômio característico à mão ou instalar uma biblioteca numérica, você envia as entradas e recebe os pares próprios em uma única chamada determinística, arredondados na precisão que escolher. O mesmo módulo roda grátis no seu navegador nesta página, então você só paga quando automatiza o fluxo de trabalho.

O que um par próprio revela

Um autovetor de uma matriz quadrada A é um vetor não nulo que A apenas escala: A·v = λ·v para algum escalar λ, o autovalor. Geometricamente, um autovetor aponta ao longo de um eixo que a transformação não rotaciona nem cisalha — ela só o estica ou comprime, pelo fator λ.

O par (λ, v) é chamado de par próprio, e a calculadora de autovalores e autovetores retorna exatamente isso: um registro por autovalor contendo o próprio autovalor e o seu autovetor unitário correspondente, de modo que a correspondência nunca seja mal interpretada. Os pares são ordenados do maior autovalor para o menor, o que coloca primeiro a direção dominante do sistema — aquela que governa o comportamento de longo prazo em processos iterativos.

Autovalores negativos codificam uma inversão de direção, um autovalor zero revela um núcleo não trivial e uma matriz não invertível, e autovalores repetidos indicam simetrias do problema. Se a matriz não for quadrada, a solicitação é rejeitada de imediato, pois pares próprios só são definidos para matrizes quadradas; e se a matriz tiver autovalores complexos, a ferramenta avisa em vez de inventar números reais.

Como o cálculo funciona

O algoritmo é totalmente determinístico — sem vetores iniciais aleatórios nem contagens de iterações que variem de uma execução para outra — de modo que a mesma matriz sempre retorna os mesmos pares próprios, byte a byte. Matrizes simétricas, que aparecem constantemente em análise de covariância, mecânica estrutural e otimização, são processadas com varreduras cíclicas de Jacobi: uma sequência fixa de rotações planas que zera as entradas fora da diagonal enquanto acumula as rotações na matriz de autovetores.

Jacobi não é o método mais rápido na teoria, mas é notavelmente preciso nos tamanhos pequenos e médios que esta ferramenta aceita, e lida bem com autovalores repetidos, onde métodos de potência mais simples falham. Matrizes gerais não simétricas são tratadas com uma iteração QR com deslocamento de Wilkinson para extrair os autovalores, seguida de iteração inversa sobre a matriz original para recuperar um autovetor por autovalor.

Antes de responder, a ferramenta verifica se os autovetores recuperados são linearmente independentes; se não forem — como na clássica matriz defeituosa [[1,1],[0,1]] — a solicitação falha com um erro claro em vez de uma resposta errada com aparência plausível. Cada autovalor e cada entrada de autovetor é arredondado na precisão decimal que você pedir, de 0 a 15 casas, com dez como padrão.

Onde os pares próprios são usados

Os pares próprios aparecem onde quer que um sistema linear evolua ou vibre. Na engenharia, as frequências naturais de uma estrutura são as raízes quadradas dos autovalores do seu sistema rigidez-massa, e os autovetores são os modos de vibração — como a estrutura se move em cada frequência. Na ciência de dados, a análise de componentes principais nada mais é do que a decomposição própria de uma matriz de covariância: os autovetores são as direções principais e os autovalores medem quanta variância cada uma captura.

A busca na web deve sua existência a um par próprio: o PageRank é o autovetor dominante da matriz de links da web. A análise de cadeias de Markov funciona do mesmo jeito — o autovalor dominante diz se a cadeia converge e o seu autovetor é o estado estacionário.