Share
Embed
Transcript
74 slides
-
Este programa, feito em “Álgebra linear computacional I” mostra o
efeito de matrizes sobre feixes de 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 elípse. Exatamente Surfista, veja o programa que confirma sua fala na próxima transparência. -
A norma natural da matriz em questão, também chamada de
norma induzida euclidiana é, exatamente, a medida do semi-eixo maior dessa elípse. Sim Mestre. Mas como eu calculo o tamanho desse semi-eixo maior? -
A definição é exatamente o que deve ser: 2 =
max 2=1 2 Dentre todos os vetores , com sobre a circunferência unitária pego o tamanho do maior deles. -
Resumindo: A norma euclidiana induzida de uma matriz qualquer A
é, nada mais, nada menos, que a medida da deformação máxima que ela faz sobre a circunferência unitária. Absolutamente correto, Surfista! -
Uma definição equivalente é 2 = 2 2 , ≠
0 Essa equivalência decorre da linearidade de A e de uma das propriedades da 2 de vetores: () 2 = 2 = 2 . Basta escolher = 1 2 . -
Aliás, para provar que um número ∈ ℝ é a
norma induzida de uma matriz A precisamos provar que: 1. 2 ≤ 2 , ∀ ∈ ℝ; 2. Que vale a igualdade para algum ∈ ℝ. Segue daí uma propriedade importante da norma: 2 ≤ 2 2 , ∀ ∈ ℝ , ∀ ∈ ℳ × -
Minha filha, lá na scipy.linalg, vimos a função norma, tanto
para matrizes como para vetores. Esqueceu? Torno a repetir minha pergunta, Mestra. Como eu calculo 2 ? -
Conforme já mostrei, na referência do SciPy encontramos os detalhes
dos parâmetros para usar a função norm( ): -
Essa foi mole! Modifiquei um pouquinho só o programa da
Mestra, nas linhas marcadas. -
Hoje ela está atacada! Ah, mas eu queria é marcar
os semi-eixos dessa elípse. -
Loirinha, esta é uma das questões mais importantes da Álgebra
linear computacional. A resposta é a decomposição em valores singulares de uma 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 ≠ . -
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. -
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. Neste
caso o det() e dois dos valores da SVD de A são nulos. -
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 = . -
A ideia subjacente a esses conceitos é que: a ação
de A em determinados subespaços S de ℝ imita a multiplicação por fator de escala, = . Na figura abaixo isto é óbvio, porque a matriz A é diagonal! -
Concordo Mestra, no eixo-x (um dos subespaços) temos uma dilatação
de = 1.5 e no outro (o eixo-y) uma contração de = 0.5. -
É, aplicando essa matriz a vetores sobre o eixo-x, o
resultado é claro. Idem para vetores sobre o eixo-y. Vejam: Vetores sobre o eixo-x continuam no eixo-x 1.5 0 0 0.5 0 = 1.5 0 , só aumentam em 50%. E, vetores sobre o eixo-y continuam sobre o eixo-y 1.5 0 0 0.5 0 = 0.5 0 , só diminuem à metade. -
É, mas para esta outra matriz não sei quais são
os autovalores, nem os autovetores! -
Então Loirinha, alguma vezes a matriz A é diagonalizável, isto
é, existem matrizes , ∈ ℳ × , sendo V inversível e D diagonal, tais que −1 = (ou = −1). Equivalentemente, A é diagonalizável se existir uma matriz ∈ ℳ × , inversível tal que −1 = . D é a mesma. -
Pois, = 1 |2 | ⋯ | = 1 2
⋯ ] e também = [ 1 1 | 2 2 ⋯ ] Então, da equivalência −1 = ⟺ = segue 1 = 1 1 , 2 = 2 2 , ..., = . Sejam, 1 , 2 , … , as colunas de V, isto é, = 1 |2 | ⋯ | . -
Pois, = 1 2 ⋮ = 1 2 ⋮ e
também = 1 1 2 2 ⋮ . Então, da equivalência −1 = ⟺ = segue 1 = 1 1, 2 = 2 2, ..., = . Sejam, 1, 2, … , as linhas de U, isto é, = 1 2 ⋮ . -
Face à igualdade = , os vetores coluna 1 ,
2 , ⋯ , de V são denominados autovetores à direita de A. E da igualdade = , os vetores linha 1, 2, … , de U são chamados autovetores à esquerda de A. -
Cuidado, o fato de D ser diagonal, não garante =
. Experimente com o programa: -
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 auto-vetores correspondentes são linearmente independentes. Prove isto como exercício, Surfista! -
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 Λ serem iguais? -
O polinômio característico de uma matriz A é definido por
= det( − ). Ele é um polinômio mônico. Da definição de autovalores e autovetores, é imediato que (prove Loirinha): é um autovalor de A se, e somente se, é uma raiz do polinômio característico de A: = det − = 0 -
Uma consequência importante desse teorema é que autovalores de uma
matriz A podem ser complexos, mesmo que a matriz A seja real. 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 . Segue
daí 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. -
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. -
A rotina da scipy.linalg para calcular, apenas, os autovalores de
uma matriz quadrada A. -
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. -
Com esta rotina obtemos os autovalores e também os autovetores
de uma matriz A. -
Se A é simétrica, então seus autovalores são reais e
seus autovetores são ortogonais. Este é um dos resultados mais importantes da Álgebra Linear. Veja a seguir, como ele aparece na scipy.linalg -
Muito fácil também, Mestres. Vejam o programinha que fiz. Vou
entrar com uma matriz simétrica 3x3. -
Muito simples. Só não conferi se os autovetores são ortogonais.
Faça isso Loirinha!