Share
Embed
Transcript
77 slides
-
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 clarificada pela imagem abaixo: A ação é dilatar a componente vertical dos vetores do feixe por um fator de escala = 2 e manter a componente horizontal inalterada. -
A ação desta outra matriz M é dilatar de =
2.5 a componente dos vetores do feixe mas manter a componente inalterada. Ela é proporcional ao tamanho das componentes e dos vetores do feixe, que varia com a inclinação. -
Já a ação desta outra matriz M sobre os vetores
unitários do feixe é mais complexa: Uma rotação e uma dilatação. -
Esta 4ª matriz M, além da rotação e dilatação também
realiza uma inversão do sentido dos vetores. Notem, pelas cores, que o sentido dos vetores na imagem foi invertido. -
Agora sim temos uma descrição mais completa do efeito de
uma matriz sobre um feixe de vetores. -
A pergunta que não pode calar: Como descrever matematicamente o
efeito de uma matriz M sobre vetores? -
Percebemos claramente que a matriz A leva a circunferência unitária
numa elípse. Sim Mestra, é só olhar para as pontas dos vetores. -
Então se eu usar apenas a circunferência unitária obterei o
mesmo resultado - uma elipse. Exatamente Surfista. Veja o programa que confirma tua fala na próxima transparência. -
Resumindo: A transformação linear : ℝ2 → ℝ2 leva a
circunferência unitária numa elipse. Sim, e as medidas 1 , 2 dos semi-eixos da elipse são chamados de valores singulares da matriz . 1 2 -
Ok Mestres. Mas como eu calculo os esses valores singulares
1 , 2 da matriz ? -
Loirinha, esta é uma das questões mais importantes da Álgebra
linear computacional. A resposta é a decomposição em valores singulares da matriz . -
Voltando ao livro do Trefethen, logo no início está a
decomposição em valores singulares -
O teorema da Decomposição em Valores Singulares (SVD): Seja ∈
ℳ× . Então existem matrizes ortogonais ∈ ℳ× e ∈ ℳ× tais que = Σ , onde Σ = (1 , 2 , ⋯ , ) ∈ ℳ× , com = { , } e 1 ≥ 2 ≥ ⋯ ≥ ≥ 0. Os ′ são chamados de valores singulares. As colunas de U e V são os vetores singulares da esquerda e direita, respectivamente. -
Para = 3 e = 2: 11 12 21 22
31 32 = 11 12 13 21 22 23 31 32 33 1 0 0 2 0 0 11 12 21 22 Para = 2 e = 3: 11 12 13 21 22 23 = 11 12 21 22 1 0 0 0 2 0 11 12 13 21 22 23 31 32 33 Quando = , todas as matrizes serão quadradas. Abaixo mostrei dois exemplos em que ≠ . -
Um programinha simples que recebe uma matriz e devolve sua
decomposição SVD: -
Nesse caso a hiper-esfera unitária foi deformada num hiper-elipsoide com
semi-eixos 1 = 6.678 … , 2 = 4.049… , 3 = 2.288 … , 4 = 1.322 … . Perfeitamente, Loirinha! -
Notem que os vetores 1 , 2 , 3 ,
4 , que constituem as colunas da matriz e os vetores 1 , 2 , 3 , 4 que constituem as linhas da matriz são ortonormais. Sim Galileu, uma vez que: • ∙ = , • ∙ = . -
Exatamente Surfista! E, se eu entendi, as direções desses semi-
eixos são dadas pelos vetores ortonormais 1 , 2 , 3 , 4 , que constituem as colunas da matriz : = 1 2 3 4 -
Só não consegui entender o papel dos vetores ortonormais 1
, 2 , 3 , 4 , que constituem as linhas da matriz : = 1 2 3 4 . É aí que entra a interpretação geométrica da fatoração SVD. -
O teorema informa que = ∙ Σ ∙ , com
∈ ℳ× , ∈ ℳ× , ∈ ℳ× e Σ ∈ ℳ× . Isto significa que, como transformação linear, : ℝ → ℝ é a composta de três transformações lineares: : ℝ → ℝ, Σ: ℝ → ℝ e : ℝ → ℝ, como mostro na próxima transparência. -
Veja no gráfico, Loirinha: ℝ ℝ ℝ ℝ Σ Rotação
ou inversão Rotação ou inversão Dilatação ou contração -
Este programa calcula a decomposição SVD de uma matriz 2x2
e mostra o resultado graficamente. -
O Mestre cortou um gomo da laranja para melhorar a
visualização. Na realidade uma casca esférica, cortada para olharmos seu interior. A matriz A é diagonal. Note as escalas nos 3 eixos da imagem. -
Fiz um programa para calcular a decomposição em valores singulares,
SVD, de uma matriz A. Depois apliquei-o à matriz do gráfico anterior. -
Esta outra matriz A é simétrica. Além de deformar a
esfera num elipsoide, ela também gira-o entorno da origem! -
Calculei a SVD dessa matriz. Marquei o tamanho dos semi-eixos
do elipsoide para você, Loirinha. -
Para esta matriz A, a esfera vira um disco! Perdemos
uma dimensão na imagem. Fiz duas fotos para vocês conferirem. Uma de perfil e, a outra, quase de frente. -
Também calculei a SVD da minha matriz. Marquei o valor
do determinante e o tamanho dos semi- eixos do elipsoide. Vejam que tanto o determinante como o valor de um semi-eixo é zero. O posto da matriz é 2 e seu espaço nulo é unidimensional -
Com esta outra matriz perdemos duas dimensões! A imagem da
esfera vira um segmento de reta. -
Loirinha, repeti seus cálculos para esta última matriz A. Agora
o det() e dois dos valores singulares de A são nulos. Neste caso = 1 e = 2. -
Outro tópico fundamental em Álgebra linear computacional e nas Ciências
e Engenharias são os autovalores e autovetores. -
O livro do Trefethen dedica todo um capítulo à autovalores
e autovetores. Marquei no índice. -
Vou recordar as definições de autovalores e autovetores: Seja ∈
ℳ× uma matriz quadrada. Um vetor não-nulo ∈ ℝ é um autovetor de A e ∈ ℂ o autovalor correspondente quando = . -
Mestres, = ⟺ − = 0. Você é show, Loirinha!
E, a única chance de termos ≠ 0 é quando det − = 0 -
é um autovalor de A ⟺ é uma raiz do
polinômio característico de A, isto é, = 0 Da definição de autovalores e autovetores, é imediato que (prove Loirinha): O polinômio característico de uma matriz A é definido por = det( − ). Ele é um polinômio mônico. -
Uma consequência importante desse resultado é que autovalores de uma
matriz A podem ser complexos, mesmo que a matriz A seja real. -
Uma outra consequência é que: • Uma matriz ∈ ℳ
× possui no máximo n autovalores, contadas as multiplicidades algébricas. • Se todas as raízes do polinômio característico forem raízes simples, então A possuirá n autovalores distintos. -
Uma dica: Assuma que 1 ≠ 2 são autovalores correspondentes
aos autovetores 1 e 2 . Suponha, por absurdo, que 1 e 2 são LD, isto é 1 = 2 , ≠ 0. Conclua! Autovalores distintos garantem que os autovetores correspondentes são linearmente independentes. Prove isto como exercício, Surfista! -
A ideia subjacente aos conceitos de autovalores e autovetores é
que: A ação de A em determinados subespaços S de ℝ imita a multiplicação por fator de escala, = . Na figura abaixo os subespaços são os eixos e já que a matriz A é diagonal! -
Concordo Mestra, no eixo- (um dos subespaços) temos uma dilatação
de = 1.5 e no outro (o eixo-) uma contração de = 0.5. -
É, aplicando essa matriz a vetores sobre o eixo-, o
resultado é claro. Idem para vetores sobre o eixo-. Vejam: Vetores sobre o eixo- continuam no eixo- 1.5 0 0 0.5 0 = 1.5 0 , só aumentam em 50%. E, vetores sobre o eixo- continuam sobre o eixo- 1.5 0 0 0.5 0 = 0.5 0 , só diminuem à metade. -
Uma matriz ∈ ℳ × é diagonalizável, quando existirem matrizes
, ∈ ℳ × , sendo V inversível e D diagonal, tais que = −1. Quando é diagonalizável, os elementos 1 , 2 , … , da diagonal de D são os autovalores de e as colunas 1 , 2 , … , de V de são os autovetores correspondentes. Um definição semelhante ao teorema da decomposição SVD: -
Prova-se que é diagonalizável se, e somente se, seus autovetores
1 , 2 , … , são linearmente independentes. Sim Mestra, pois vetores 1 , 2 , … , são linearmente independentes se, e somente se a matriz = 1 2 … é inversível. -
Este é um dos resultados mais importantes da Álgebra Linear.
A Mestra vai mostrar, como ele aparece na scipy.linalg Em particular, se A é simétrica, então seus autovalores são reais e seus autovetores são ortogonais: = -
É claro, quando é simétrica, temos uma interpretação geométrica semelhante
à da SVD: ℝ ℝ ℝ ℝ Rotação ou inversão Rotação ou inversão contrária Dilatação ou contração -
Muito fácil também, Mestres. Vejam o programinha que fiz. Vou
entrar com uma matriz simétrica 3x3. -
Tudo muito simples. Só não conferi se os autovetores são
ortogonais. Faça isso Loirinha! -
Cuidado, o fato de D ser diagonal, não garante =
. Experimente com o programa: -
Sim Loirinha, e se os autovetores correspondentes forem LI (linearmente
independentes) o subespaço gerado por eles possuirá dimensão maior que 1. A dimensão desse subespaço é conhecida como multiplicidade geométrica de . Mestres, existe a possibilidade de alguns dos autovalores 1 , 2 , ⋯ , em serem iguais? -
Equações polinomiais podem possuir raízes com multiplicidade maior que 1.
É a mesma coisa que a multiplicidade geométrica do autovalor? Não Loirinha, trata-se da multiplicidade algébrica do autovalor . -
Podemos provar que: A multiplicidade algébrica de um autovalor é
maior ou, quando muito, igual à sua multiplicidade geométrica. No caso da multiplicidade algébrica de um autovalor ser maior que sua multiplicidade geométrica, ele é dito defectivo. -
Surfista, as matrizes A e B abaixo possuem o mesmo
polinômio característico, = ( − 2)3. Portanto ambas possuem apenas um autovalor = 2, com multiplicidade algébrica 3. = 2 2 2 = 2 1 2 1 2 -
Claramente, no caso da matriz A, 1 = 1 0
0 , 2 = 0 1 0 , 3 = 0 0 1 são autovetores associados a = 2. Assim a dimensão geométrica do autoespaço associado a = 2 é 3. = 2 2 2 -
= 2 1 2 1 2 É, mas para a
matriz B só conseguimos um autovetor = 1 0 0 linearmente independente. Assim, a dimensão do autoespaço associado ao autovalor = 2 é 1 e ele é um autovalor defectivo. -
Para sacramentar esse papo: Uma matriz A é diagonalizável se,e
somente se, ela é não defectiva. Em outras palavras: existem matrizes V e , com V inversível e diagonal, tais que = −1 quando, e apenas quando, A é não defectiva. -
Estupidamente fácil de usar Mestres, vejam o programinha que fiz.
Entrei com uma matriz 3x3, e obtive três autovalores distintos e reais. -
O mesmo programa. Tornei a entrar com uma matriz real,
agora 4x4, mas obtive um par de autovalores complexos e dois autovalores reais.