Valores Próprios (IST)

Valores Próprios (IST)

Curso sobre valores próprios e vetores próprios que assenta na análise deste conceito de Álgebra Linear no contexto de transformações lineares, sistemas dinâmicos e outros modelos. No curso serão ainda bordados valores singulares. Neste curso sobre valores próprios (va.p) e vetores próprios (ve.p.) damos especial atenção às várias aplicações deste conceito fundamental de Álgebra Linear na ciência e engenharia.

Começamos por analisar o seu papel nas transformações geométricas, para depois os vermos a explicar a evolução de sistemas dinâmicos que incluem modelos predador-presa e modelos de sobrevivência de uma espécie. Também abordamos alguns modelos simples de mecânica clássica e quântica que usam a linguagem dos va.p. e ve.p. A descrição de uma aplicação moderna do processamento de imagens digitais vai permitir abordar o tópico recente dos valores singulares. A decomposição em valores singulares é um tópico, que apesar de não ser geralmente contemplado nos programas curriculares de uma primeira disciplina de Álgebra Linear, tem muito interesse nas aplicações e revela propriedades algébricas e geométricas fundamentais das matrizes e respetivas transformações lineares.

Do ponto de vista matemático, a abordagem dos va.p. e ve.p. neste curso inclui, para além da descrição do procedimento clássico para os calcular, as questões da diagonalização e diagonalização ortogonal de matrizes e a análise do teorema espetral. Mostramos, ainda, alguns resultados sobre aproximações para va.p. e ve.p. quando as matrizes são de grandes dimensões. No caso de matrizes retangulares, introduzimos o conceito de valores singulares que são uma extensão natural das boas propriedades das matrizes simétricas definidas positivas, chamando a atenção para o seu interesse para qualquer matriz diagonalizável, ou não diagonalizável.
No final deste curso, os participantes deverão estar aptos a:

  • calcular manualmente va.p. e ve.p. próprios para matrizes 2x2 e 3x3;
  • calcular, com recurso a software, va.p. e ve.p. próprios para matrizes mais complicadas;
  • interpretar o significado dos va.p e ve.p. no contexto de transformações lineares, sistemas dinâmicos e formas quadráticas;
  • diagonalizar matrizes, classificar formas quadráticas e usar a decomposição espetral em algumas aplicações;
  • aplicar o método numérico da potência para o cálculo aproximado de va.p. e ve.p. dominantes.

Recommended Readings:
D.C. Lay, S.R. Lay & J.J. McDonald (2016). Linear Algebra and Its Applications (4th Edition). Global Edition. Pearson

Pré-requisitos
Ao nível de conhecimentos em matemática:

  • familiaridade com alguns conceitos básicos de Álgebra Linear: operações matriciais, determinantes, independência linear e bases ortonormais;
  • saber encontrar raízes de polinómios e soluções de equações diferenciais simples;
  • manipular algebricamente números complexos.

Ao nível de software de cálculo numérico e simbólico:

  • saber usar um software adequado, como por exemplo o Mathematica, MATLAB ou Maple.
Go to Class
MOOC List is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Related Courses

Linear Regression and Modeling (Coursera) Coursera
Duke University

Linear Regression and Modeling (Coursera)

This course introduces simple and multiple linear regression models. These models allow you to assess the relationship between variables in a data set and a continuous response variable. Is there a relationship between the physical attractiveness of a professor and their student evaluation scores? Can we predict the test score for a child based on certain characteristics of his or her mother? In this course, you will learn the fundamental theory behind linear regression and, through data examples, learn to fit, examine, and utilize regression models to examine relationships between multiple variables, using the free statistical software R and RStudio.

Jun 22nd 2026
4 Weeks
Matrizes de Markov (IST) MOOC Técnico
Instituto Superior Técnico, Universidade de Lisboa

Matrizes de Markov (IST)

Curso sobre a probabilidade de estar sol ou nuvens num determinado dia, a distribuição da população entre a cidade e os arredores ou como funciona o algoritmo de ordenação de páginas web do Google. Neste curso sobre matrizes de Markov o ênfase principal vai ser dado aos modelos de aplicação das cadeias de Markov, em que as matrizes são um dos principais protagonistas. Nota: Esta edição do curso em modo self paced terminará no dia 28 de fevereiro de 2022.

Self Paced
Self-Paced
Matrix Methods (Coursera) Coursera
University of Minnesota

Matrix Methods (Coursera)

Mathematical Matrix Methods lie at the root of most methods of machine learning and data analysis of tabular data. Learn the basics of Matrix Methods, including matrix-matrix multiplication, solving linear equations, orthogonality, and best least squares approximation. Discover the Singular Value Decomposition that plays a fundamental role in dimensionality reduction, Principal Component Analysis, and noise reduction.

Jun 22nd 2026
5-12 Weeks
Contenido de las matemáticas de primaria (Coursera) Coursera
Universidad de los Andes

Contenido de las matemáticas de primaria (Coursera)

En este curso de acceso gratuito*, conocerás algunos temas de las matemáticas escolares con la profundidad necesaria para que puedas ayudar a tus estudiantes a aprenderlas. En este curso, podrás conocer las matemáticas desde cuatro perspectivas: su historia, los conceptos y procedimientos que las caracterizan, las distintas formas en que se hacen presentes (p. ej., tablas, gráficas o expresiones simbólicas), y los fenómenos y situaciones que les dan sentido.

Jun 22nd 2026
5-12 Weeks
Data Science as a Field (Coursera) Coursera
University of Colorado Boulder

Data Science as a Field (Coursera)

This course provides a general introduction to the field of Data Science. It has been designed for aspiring data scientists, content experts who work with data scientists, or anyone interested in learning about what Data Science is and what it’s used for. Weekly topics include an overview of the skills needed to be a data scientist; the process and pitfalls involved in data science; and the practice of data science in the professional and academic world. This course is part of CU Boulder’s Master’s of Science in Data Science and was collaboratively designed by both academics and industry professionals to provide learners with an insider’s perspective on this exciting, evolving, and increasingly vital discipline.

Jun 22nd 2026
4 Weeks
Generalized Linear Models and Nonparametric Regression (Coursera) Coursera
University of Colorado Boulder

Generalized Linear Models and Nonparametric Regression (Coursera)

In the final course of the statistical modeling for data science program, learners will study a broad set of more advanced statistical modeling tools. Such tools will include generalized linear models (GLMs), which will provide an introduction to classification (through logistic regression); nonparametric modeling, including kernel estimators, smoothing splines; and semi-parametric generalized additive models (GAMs). Emphasis will be placed on a firm conceptual understanding of these tools.

Jun 22nd 2026
4 Weeks
Matrix Algebra for Engineers (Coursera) Coursera
The Hong Kong University of Science and Technology - HKUST

Matrix Algebra for Engineers (Coursera)

This course is all about matrices, and concisely covers the linear algebra that an engineer should know. The mathematics in this course is presented at the level of an advanced high school student, but typically students should take this course after completing a university-level single variable calculus course. There are no derivatives or integrals in this course, but students are expected to have attained a sufficient level of mathematical maturity. Nevertheless, anyone who wants to learn the basics of matrix algebra is welcome to join.

Jun 22nd 2026
4 Weeks
Calculus through Data & Modelling: Integration Applications (Coursera) Coursera
Johns Hopkins University

Calculus through Data & Modelling: Integration Applications (Coursera)

This course continues your study of calculus by focusing on the applications of integration. The applications in this section have many common features. First, each is an example of a quantity that is computed by evaluating a definite integral. Second, the formula for that application is derived from Riemann sums. Rather than measure rates of change as we did with differential calculus, the definite integral allows us to measure the accumulation of a quantity over some interval of input values.

Jun 22nd 2026
4 Weeks
Introduction to Calculus (Coursera) Coursera
The University of Sydney

Introduction to Calculus (Coursera)

The focus and themes of the Introduction to Calculus course address the most important foundations for applications of mathematics in science, engineering and commerce. The course emphasises the key ideas and historical motivation for calculus, while at the same time striking a balance between theory and application, leading to a mastery of key threshold concepts in foundational mathematics.

Jun 15th 2026
5-12 Weeks