Share
Embed
Transcript
86 slides
-
Aulas atrás, exibimos aplicações gráficas da classe ndarrays do NumPy
Vamos iniciar a aula de hoje olhando para outra classe, a classe matrix. -
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. -
Clicando em Tutorial somos conduzidos a uma repetição do seu
índice. De imediato vamos olhar para Introduction -
É hora de embarcar no pacote scipy.linalg. Ele possui a
álgebra linear computacional tão anunciada. -
Tudo começa aqui. Já, já entrarei em mais detalhes sobre
as BLAS e LAPACK. -
Eis o motivo para usar a linalg da SciPy. Mas
já tem linalg na NumPy. Por quê repetir? -
Antes que você pergunte, Surfista, vá ler o resto desta
discussão lá no Tutorial! -
A estrutura do tutorial Linear Algebra, (scipy.linalg), é a seguinte:
Álgebra linear Apresentação Rotinas básicas Decomposições Funções matriciais Matrizes especiais -
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. -
O texto é um resumo da “Leitura adicional” ao final
deste con junto de transparências. -
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? -
A utilização da função det( ) é trivial e a
resposta à sua pergunta está marcada no pé da página, Loirinha. -
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. -
Neste programa entramos com uma matriz A, via teclado, e
em seguida chamamos a função det(A). -
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 -
O SciPy possibilita calcular diversas normas. Tanto normas de vetores
como de matrizes. -
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. -
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 , ( = ). -
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. -
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. -
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. -
Na referência do SciPy encontramos os detalhes dos parâmetros para
usar a função norma: -
Mestre, parece que os valores numéricos das normas estão tendendo
ao valor da ∞ ! É verdade minha filha. Prove que para ∀ ∈ ℝ temos lim →∞ = ∞ -
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). -
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. -
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. -
Surfista, não vá jogar bola com 1 ou ∞ .
Você pode se machucar! É, são bolas que escapam da nossa intuição euclidiana. -
Este livro é o clássico dos clássicos sobre álgebra linear
computacional. Vamos até reproduzir seu Sumário. -
Este é outro clássico peso-pesado em álgebra linear computacional. Também
vamos reproduzir seu Sumário. -
São livros de cabeceira para quem for fazer pós-graduação em
computação científica, matemática aplicada ou análise numérica. -
O conteúdo desses dois livros é a definição mais apropriada
de Álgebra linear computacional. Invista em você. Adquira os dois livros! -
Um pouco mais de teoria. Vamos recordar o conceito de
transformação linear. -
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 : : → , ∈ ⟼ = () ∈ . -
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. -
= 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 -
Lembrem-se que: Se A é uma matriz m x n
então: • + = + , ∀, ∈ ℝ • = , ∀ ∈ ℝ , ∀ ∈ ℝ Que são as condições de linearidade. -
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 -
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 -
O programa a seguir mostra a ação de uma matriz
M sobre um vetor . Ele permite escolher a matriz M e o vetor . -
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. -
Outra execução do programa. Em azul o vetor e em
vermelho o vetor = . -
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. -
O programa a seguir mostra a ação de uma matriz
M de ordem 2 sobre um triângulo ABC. -
Comecemos conferindo que a matriz = 1 0 0 −1
do exemplo anterior efetua uma reflexão entorno do eixo-x. -
Entretanto a vizualização da ação da matriz = 0.5 0
0 1.5 sobre o triângulo azul não conduz a conclusões evidentes. -
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. -
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. -
Fiz um programa que recebe um quadrado arbitrariamente escolhido e
gira-o no sentido horário de uma quantidade escolhida de graus.. -
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. -
Este programa mostra a ação de uma matriz M num
feixe de vetores. -
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. -
Já esta outra matriz M faz a dilatação = 2.5
na componente horizontal dos vetores do feixe mantendo a componente vertical inalterada. -
Já a ação desta outra matriz M sobre um feixe
de vetores unitários é mais complexa: Uma rotação seguida de uma dilatação. -
Esta 4ª matriz M, além da rotação e dilatação também
realiza uma inversão do sentido dos vetores. -
Agora sim temos uma boa descrição do efeito de deformação
de uma matriz M sobre um feixe de vetores. -
A pergunta que não pode calar: Como descrever o efeito
de uma matriz M sobre vetores? -
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 -
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. -
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: -
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 . -
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! -
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. -
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. -
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 -
Vejam o que Tutorial do scipy.linalg informa sobre a inversa
de uma matriz: -
Indo à Referência e clicando em inv( ) obtive as
informações abaixo: -
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! -
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).