Algebra Linear Computacional I

Por efetuar

Transcript

1. Álgebra linear computacional I Prof. Paulo R. G. Bordoni UFRJ
2. Aulas atrás, exibimos aplicações gráficas da classe ndarrays do NumPy Vamos iniciar a aula de hoje olhando para outra classe, a classe matrix.
3. O Neo informa que os objetos da classe matrix são arrays 2d especializados. O numpy nos oferece matrix para lidarmos com vetores e matrizes. É nossa porta de entrada para a Álgebra linear computacional.
4. Aqui inicia a lista de métodos de matrix.
5. Calma, Surfista, eles são poucos!
6. Ainda bem, porque eu contei só 59 Mr. Smith! 59º
7. O Guia de referência da SciPy.
8. Todos os tópicos tratados na última versão da SciPy:
9. Clicando em Tutorial somos conduzidos a uma repetição do seu índice. De imediato vamos olhar para Introduction
10. Uma breve descrição de SciPy. Convenções de importação.
11. Em nosso curso trabalharemos com os sub pacotes que marquei.
12. É hora de embarcar no pacote scipy.linalg. Ele possui a álgebra linear computacional tão anunciada.
13. Tudo começa aqui. Já, já entrarei em mais detalhes sobre as BLAS e LAPACK.
14. Eis o motivo para usar a linalg da SciPy. Mas já tem linalg na NumPy. Por quê repetir?
15. Antes que você pergunte, Surfista, vá ler o resto desta discussão lá no Tutorial!
16. A estrutura do tutorial Linear Algebra, (scipy.linalg), é a seguinte: Álgebra linear Apresentação Rotinas básicas Decomposições Funções matriciais Matrizes especiais
17. Os tópicos em rotinas básicas são : Rotinas básicas Achando a inversa Resolvendo sistemas lineares Achando o determinante Calculando normas Resolvendo problemas lineares de mínimos quadrados e pseudo-inversas Inversa generalizada Vamos começar pelos determinantes.
18. O texto é um resumo da “Leitura adicional” ao final deste con junto de transparências.
19. Indo ao Reference Guide do pacote Linear Algebra, em Basics, vamos encontrar os detalhes para usar a função. Fiquei sabendo que o cálculo de determinantes é inviável, na prática. Então, como o pacote scipy faz isto?
20. A utilização da função det( ) é trivial e a resposta à sua pergunta está marcada no pé da página, Loirinha.
21. E o que é fatoração LU? É algo tão importante e fundamental em Álgebra linear computacional como respirar é para a vida! O Mestre informou que será o assunto da próxima aula.
22. Neste programa entramos com uma matriz A, via teclado, e em seguida chamamos a função det(A).
23. Voltando às rotinas básicas do Scipy, vejamos o que há no tópico “Calculando normas”. Rotinas básicas Achando a inversa Resolvendo sistemas lineares Achando o determinante Calculando normas Resolvendo problemas lineares de mínimos quadrados e pseudo-inversas Inversa generalizada
24. O SciPy possibilita calcular diversas normas. Tanto normas de vetores como de matrizes.
25. Por enquanto, vamos examinar apenas as normas vetoriais. Veremos as normas matriciais mais adiante. Para elas precisaremos de um pouco mais de teoria. É importantíssimo observar que todas aquelas cujo parâmetro ord é negativo não são normas.
26. Surfista, apresente alguns contra-exemplos que justifiquem a última afirmação do Mestre! Quando ord = inf temos a norma do máximo. Para ord = 1 temos a norma da soma e para ord = 2 temos norma euclidiana. Elas são anotadas ∞ , 1 e 2 respectivamente. As outras são anotadas , ( = ).
27. Já provamos que 2 = 1 2 + 2 2 + ⋯ + 2 define uma norma. A verificação que 1 = 1 + 2 + ⋯ + é uma norma é óbvia. Da mesma forma, a comprovar que ∞ = max{ 1 , 2 , ⋯ , } define uma norma também é fácil.
28. Para prová-la precisamos da desigualdade de Hölder: , ≤ ′ com ′ = −1 . A dificuldade para provar que = |1 | + |2 | + ⋯ + | | é uma norma está na desigualdade triangular: + ≤ + . Ela é conhecida na literatura como desigualdade de Minkowski.
29. Observem que a desigualdade de Hölder desempenha um papel análogo ao da desigualdade de Cauchy-Schwarz. Não vamos provar nenhuma das duas. Porém, se você estiver interessado, Surfista, já sabe as palavras-chave para buscar as demonstrações.
30. Na referência do SciPy encontramos os detalhes dos parâmetros para usar a função norma:
31. Por enquanto só veremos normas de vetores. Atenção para a referência!
32. Um exemplo de utilização da função norm( ) para vetores.
33. Mestre, parece que os valores numéricos das normas estão tendendo ao valor da ∞ ! É verdade minha filha. Prove que para ∀ ∈ ℝ temos lim →∞ = ∞
34. 1 y x A bola unitária no espaço euclidiano ℝ é o conjunto 2 = ∈ ℝ | 2 ≤ 1 . Ela descreve o conjunto 2 + 2 + 2 ≤ 1, que nossa intuição entende por uma bola (de futebol) no espaço euclidiano ℝ3. No plano seria como um CD (dos Beatles).
35. 1 1 -1 -1 y x A bola unitária no espaço ℝ com a norma da soma é o conjunto 1 = ∈ ℝ | 1 ≤ 1 . No ℝ2 ela corresponde ao conjunto definido pela desigualdade + ≤ 1, mostrado na figura.
36. 1 1 -1 -1 y x A bola unitária no espaço ℝ com a norma do máximo é o conjunto ∞ = ∈ ℝ | ∞ ≤ 1 . No ℝ2 ela corresponde ao conjunto definido pela desigualdade max{ , } ≤ 1, mostrado na figura.
37. Surfista, não vá jogar bola com 1 ou ∞ . Você pode se machucar! É, são bolas que escapam da nossa intuição euclidiana.
38. Este livro é o clássico dos clássicos sobre álgebra linear computacional. Vamos até reproduzir seu Sumário.
40. Este é outro clássico peso-pesado em álgebra linear computacional. Também vamos reproduzir seu Sumário.
41. São livros de cabeceira para quem for fazer pós-graduação em computação científica, matemática aplicada ou análise numérica.
42. O conteúdo desses dois livros é a definição mais apropriada de Álgebra linear computacional. Invista em você. Adquira os dois livros!
43. Um pouco mais de teoria. Vamos recordar o conceito de transformação linear.
44. O conceito de função é, com certeza, o mais importante da matemática. Elas são o objeto do Cálculo diferencial e integral. Em particular, vamos considerar funções de um espaço vetorial U em um outro espaço vetorial V : : → , ∈ ⟼ = () ∈ .
45. Em outras palavras, funções : → tais que: • + ⟼ ( + ) = + , • ⟼ = (). Tais funções recebem o nome especial de transformações lineares. Particularizando ainda mais: funções : → de um espaço vetorial U para outro V que preservam as operações nativas de U e V.
46. = A ℝ ℝ Matrizes × definem transformações lineares de ℝ em ℝ através da multiplicação matriz x vetor. Uma matriz 3 x 4 define uma transformação linear ∶ ℝ4 → ℝ3, através da multiplicação: 1 2 3 = 11 12 13 14 21 22 23 24 31 32 33 34 1 2 3 4
47. Lembrem-se que: Se A é uma matriz m x n então: • + = + , ∀, ∈ ℝ • = , ∀ ∈ ℝ , ∀ ∈ ℝ Que são as condições de linearidade.
48. Um exemplo simples de ℝ2 em ℝ2 é 1 2 ⟼ 1 2 = −1 2 2 −3 1 2 que corresponde ao par de igualdades 1 = −1 + 22 2 = 21 − 32
49. As equações correspondentes são 1 = 1 2 = −2 . Vemos que ela mantém a 1ª coordenada e troca o sinal da 2ª coordenada. Em outras palavras, realiza uma reflexão no eixo-x. A matriz = 1 0 0 −1 aplicada num vetor X fornece : 1 2 ⟼ 1 2 = 1 0 0 −1 1 2
50. O programa a seguir mostra a ação de uma matriz M sobre um vetor . Ele permite escolher a matriz M e o vetor .
51. Este é o programa.
52. Uma execução do programa. Em azul temos o vetor e em vermelho o vetor = X Vemos claramente que M realiza uma reflexão no eixo-x.
53. Outra execução do programa. Em azul o vetor e em vermelho o vetor = .
54. O programa da próxima transparência permitirá a visualização da ação de uma matriz M qualquer sobre um triângulo ABC escolhido livremente. Mostraremos alguns exemplos com diferentes matrizes M. Surfista, faça outros exemplos exploratórios.
55. O programa a seguir mostra a ação de uma matriz M de ordem 2 sobre um triângulo ABC.
56. Comecemos conferindo que a matriz = 1 0 0 −1 do exemplo anterior efetua uma reflexão entorno do eixo-x.
57. Entretanto a vizualização da ação da matriz = 0.5 0 0 1.5 sobre o triângulo azul não conduz a conclusões evidentes.
58. Já usando um triângulo com um lado paralelo ao eixo-x e outro paralelo ao eixo- y percebemos que M efetua uma contração no eixo-x e uma dilatação no eixo-y.
59. Já a ação desta matriz M é complicada de descrever.
60. A matriz M definida por = cos() −() () cos() , quando aplicada num vetor v efetua uma rotação de ângulo no sentido horário em v. Isto é, se = então o ângulo entre v e u, medido de v para u é de radianos.
61. Fiz um programa que recebe um quadrado arbitrariamente escolhido e gira-o no sentido horário de uma quantidade escolhida de graus..
62. Uma rotação de 45º e outra de 90º. Notem que na rotação a norma dos vetores (e portanto dos objetos construídos com eles) permanece inalterada.
63. O código do programa. Ficou longo porque optei pela didática.
64. O final do código do programa..
65. Este programa mostra a ação de uma matriz M num feixe de vetores.
66. A ação da matriz M sobre um feixe de vetores de tamanho unitário é clara: Ela dilata a componente vertical dos vetores do feixe por um fator de escala = 2 e mantém a componente horizontal inalterada.
67. Já esta outra matriz M faz a dilatação = 2.5 na componente horizontal dos vetores do feixe mantendo a componente vertical inalterada.
68. Já a ação desta outra matriz M sobre um feixe de vetores unitários é mais complexa: Uma rotação seguida de uma dilatação.
69. Esta 4ª matriz M, além da rotação e dilatação também realiza uma inversão do sentido dos vetores.
70. Agora sim temos uma boa descrição do efeito de deformação de uma matriz M sobre um feixe de vetores.
71. A pergunta que não pode calar: Como descrever o efeito de uma matriz M sobre vetores?
72. x x I A matriz identidade I é uma matriz quadrada de ordem n com 1’s na diagonal e 0’s fora dela. A identidade, como transformação linear não faz nada! ℝ ℝ I x = x
73. Uma matriz M muito próxima da identidade = 1 0 0 1 . Se M fosse a identidade I veríamos apenas o triângulo rosa, cobrindo o azul.
74. x y A z B ℝ ℝ ℝ BA O produto BA de uma matriz B por uma matriz A corresponde à aplicação linear composta de A seguida por B:
75. Lembrem-se que a multiplicação de matrizes não é comutativa. Na aula passada exibimos um programa que mostra que, usualmente, ≠ . Por exemplo, para = 1 2 1 2 e = −1 1 1 −1 temos = 1 −1 1 −1 e = 0 0 0 0 .
76. A inversa de uma matriz quadrada A de ordem n é uma matriz quadrada B de ordem n tal que ∙ = ∙ = Existem matrizes que não possuem inversa – são não-inversíveis. Uma matriz não possui mais que uma inversa. Além disso, a inversa da inversa é a própria!
77. Prova-se que A é inversível quando, e apenas quando, é não-singular, i.é, det() ≠ 0 Entretanto, verificar se det() ≠ 0 para saber se A é inversível é uma técnica nunca utilizada em Álgebra linear computacional.
78. x y A A-1 ℝ ℝ x y A x A-1 ℝ ℝ ℝ I Pela própria definição, a inversa A-1 de uma matriz A , quando considerada como aplicação linear, desfaz a ação de A.
79. Voltando às rotinas básicas do foquemos nossa atenção no tópico “Achando a inversa”. Rotinas básicas Achando a inversa Resolvendo sistemas lineares Achando o determinante Calculando normas Resolvendo problemas lineares de mínimos quadrados e pseudo-inversas Inversa generalizada
80. Vejam o que Tutorial do scipy.linalg informa sobre a inversa de uma matriz:
81. Indo à Referência e clicando em inv( ) obtive as informações abaixo:
82. Obtendo a inversa de uma matriz A e conferindo.
83. Pedi ao Mestre para fazer um programa parecido àquele que mostra o efeito visual da ação de uma matriz num triângulo. Mas para a matriz inversa! Ele fará Loirinha, você é a queridinha dele!
84. O seu pedido satisfeito, Loirinha!
85. Verificando as ações de uma matriz e sua inversa, como transformações lineares. O deslocamento é um artifício para enxergarmos o efeito da inversa (em verde).
86. Tchau, até a próxima aula!