Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Álgebra Linear Computacional III

Sponsored · Your Podcast. Everywhere. Effortlessly. Share. Educate. Inspire. Entertain. You do you. We'll handle the rest. →

Álgebra Linear Computacional III

Por efetuar.

Paulo Bordoni

July 09, 2015

Transcript

104 slides
  1. Na aula passada analisamos matrizes como transformações lineares. Construímos um

    programa que permitiu ver o efeito de uma matriz sobre feixes de vetores unitários.
  2. Sim Mestre, é só olhar para as pontas dos vetores.

    Veja Loirinha, ele induz a conclusão: A matriz A deforma a circunferência unitária numa elipse.
  3. Muito bom, Surfista. Teu programa confirma que a transformação linear

    : ℝ2 → ℝ2 deforma a circunferência unitária numa elipse.
  4. São duas visualizações, uma discreta e outra contínua, para a

    mesma coisa: a ação da matriz A como transformação linear : ℝ2 → ℝ2 sobre vetores com 2 = 1.
  5. A norma euclidiana de uma matriz A, anotada 2 ,

    é uma medida natural do efeito dela sobre a circunferência unitária: 2 = 2 ; 2 = 1
  6. 2 Mestre, Mestre! Só acho natural quando pensamos na matriz

    A como aplicação linear : ℝ2 → ℝ2. Concordo contigo, Loirinha. Vemos então que 2 é, precisamente, o tamanho do semi-eixo maior da elipse.
  7. 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 .
  8. 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 ×
  9. Meu filho, lá na scipy.linalg, vimos a função norma, tanto

    para vetores como para matrizes. Esqueceu? 2 Mas como eu calculo o tamanho desse semi- eixo maior?
  10. Conforme já mostrei, na referência do SciPy encontramos os detalhes

    dos parâmetros para usar a função norm( ):
  11. Modifiquei meu programa anterior um pouquinho só - nas linhas

    marcadas. Calculei 2 e mostrei também a circunferência de raio 2 , em linha tracejada.
  12. Loirinha, esta é uma das questões mais importantes da Álgebra

    linear computacional. A resposta começa com autovalores e autovetores da matriz.
  13. Surfista, para revisar aspectos elementares de autovalores e autovetores, consulte

    os capítulos 5, 7 e 9 do livro de H. Anton e C. Rorres. Vá buscá-lo na Internet.
  14. O diferencial desse livro são as aplicações. Em particular as

    indicadas nos §5.4, §7.4, §9.3 e §9.6, além de todas as todo o capítulo 10.
  15. Trefethen dedica todo um capítulo à autovalores e autovetores e

    outro à fatoração QR em seu clássico. Recortei-os do índice.
  16. Vou recordar as definições de autovalores e autovetores: Seja ∈

    ℳ× uma matriz quadrada com elementos ∈ ℝ. Um vetor não-nulo ∈ ℂ é um autovetor de A e ∈ ℂ um autovalor correspondente quando, e apenas quando, = .
  17. = < 1 = > 1 = < 0 Reforçando

    a fala do Surfista: Quando é um autovetor do problema = e o autovalor associado, a ação de A imita a multiplicação por fator de escala. = = 0
  18. O problema de autovalores/autovetores é um problema inverso. Resolvê-lo significa

    determinar pares (, ) ∈ ℂ × ℂ que tornam equação = verdadeira. Atenção, Loirinha e Surfista, o espaço das soluções (, ) do problema de autovalores e autovetores é ℂ × ℂ.
  19. Se o par (, ) ∈ ℂ × ℂ é

    uma solução para o problema de autovalores/autovetores = de uma matriz real A, então o par , dos complexos conjugados correspondentes, também é solução para = . Sim pois da identidade = segue = = . Como A é uma matriz real, temos = e portanto = = = .
  20. Resumindo: Se (, ) é uma solução para = então

    (, ) também é, e vice-versa.
  21. Porque se = 0 então = 0, ∀ ∈ ℂ

    e também = 0 por linearidade. Então = torna-se uma identidade trivial, que é sempre verdadeira não importa qual seja ∈ ℂ. Entretanto, não há restrição alguma sobre λ. Poderemos ter = 0 ? Mestra, por que exige-se ≠ 0 na definição do problema de autovalores/autovetores?
  22. Surfista, observe que se = 0 é um autovalor de

    , associado a um autovetor ≠ 0 então = 0. Portanto não é inversível. Reciprocamente, se ≠ 0 não é inversível, então = 0 para algum vetor ≠ 0. Portanto 0 é um autovalor de , associado a , já que = 0.
  23. Mestra, suponha que uma matriz A é inversível. Além da

    conclusão do Filósofo (todos os ′ ≠ 0), que mais podemos afirmar sobre os autovalores de −1 ? Eis aí um desafio, Surfista. Pegue a bola e faça um gol!
  24. Bem, como A é inversível, multiplicando a identidade = por

    −1, obteremos = (−1) = −1() = −1() = −1 e como ≠ 0 posso dividir tudo por , obtendo −1 = . Portanto poderemos concluir que: • é autovetor de −1, • −1 é autovalor de −1, associado a .
  25. Mestres, = ⟺ − = 0. Você é show, Loirinha!

    E, a única chance de termos ≠ 0 é quando det − = 0
  26. é um autovalor de A ⟺ é uma raiz do

    polinômio característico de A, isto é, = 0 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):
  27. Portanto toda matriz real A possui n autovalores que podem

    ser reais ou complexos. Além disso, como polinômios podem ter raízes múltiplas, autovalores podem ser repetidos.
  28. Um roteiro (algoritmo) para determinar os pares ( , )

    que resolvem um problema = de autovalores/ autovetores de uma matriz A, de ordem n, é o seguinte: 1. Montar a matriz − , 2. Calcular o polinômio característico = ( − ), 3. Resolver a equação polinomial = 0, cujas raízes 1 , 2 , … , são os autovalores de A, 4. Resolver os n sistemas lineares homogêneos − = 0 cujas soluções são os autovetores 1 , 2 , … , de A.
  29. Seguindo esse roteiro, vou calcular os autovalores e autovetores (

    , ) da matriz abaixo. = −1 2 −4 0 4 −5 0 1 0
  30. O polinômio característico da matriz A é dado por =

    −1 − 2 −4 0 4 − −5 0 1 0 − . Fazendo as contas, obtemos = −( + 1)(2 − 4 + 5).
  31. Uma das raízes é 1 = −1. As outras duas

    são as raízes da equação do 2º grau 2 − 4 + 5 = 0. Usando a fórmula de Bhaskara obtive 2 = 2 − , 3 = 2 + .
  32. Obtidos os valores dos ′, os três sistemas lineares homogêneos

    a resolver são: • − 1 1 = 0, 1 = −1, • − 2 2 = 0, 2 = 2 − , • − 3 3 = 0, 3 = 2 + .
  33. Portanto, os três sistemas lineares a resolver são: 0 2

    −4 0 5 −5 0 1 1 = 0 0 0 Para 1 = −1 −3 − 2 −4 0 2 − −5 0 1 −2 − = 0 0 0 Para 2 = 2 + −3 + 2 −4 0 2 + −5 0 1 −2 + = 0 0 0 Para 3 = 2 −
  34. Confira também que se = 1 2 3 = 1

    1 + 1 − 0 5 5 0 2 − 2 + então −1 = −1 0 0 0 2 + 0 0 0 2 − . Resolvendo os sistemas lineares obtemos os 3 autovetores de A: 1 = 1 0 0 , 2 = 1 + 5 2 − , 3 = 1 − 5 2 + .
  35. Entrei com a mesma matriz A do exemplo do roteiro

    e, claro, obtive os mesmos resultados.
  36. Meu jovem, autovetores são determinados a menos de fator de

    escala. A linearidade de A torna a equação = invariante por fator de escala. Não mesmo, Mestra, veja só: Esses 2 autovetores fornecidos pelo programa são os autovetores do exemplo multiplicados por 1/2.
  37. Sejam 1 e 2 autovalores de A e 1 e

    2 os autovetores correspondentes. Se os autovalores são distintos 1 ≠ 2 então os autovetores 1 e 2 são LI e vice-versa. Mestre anuncie o resultado mais importante a respeito dos autovalores e autovetores de uma matriz quadrada A de ordem.
  38. Nas condições enunciadas pelo Mestre, se os autovetores 1 ,

    2 , … de A são todos distintos então eles constituem uma base para ℂ. Nessa base a matriz A é diagonalizável. Seja Q uma matriz formada com os autovetores de A, = 1 2 … . Então das n equações definidoras da relação autovalor/autovetor, = , segue a relação matricial = , na qual D é a matriz diagonal = (1 , 2 , … , ). Em outras palavras, −1 = .
  39. Como −1 = , com = (1 , 2 ,

    … , ) temos = 1 2 … . Claro, pois = −1 = −1 = ()
  40. Se, além de real, A é uma matriz simétrica, então:

    • Seus autovalores 1 , 2 , … , são números reais; • Autovetores associados a autovalores distintos são ortogonais.
  41. Portanto se A é uma matriz simétrica e todos seus

    autovalores 1 , 2 , … , são distintos então os autovetores 1 , 2 , … formam uma base ortogonal para ℝ. Consequentemente a matriz = 1 2 … formada com os autovetores de A é uma matriz ortogonal, isto é, = . Assim, = , com = (1 , 2 , … , ).
  42. Bem, de imediato vamos usar os superpoderes da scipy.linalg. Ok

    Mestres. Mas como eu calculo os autovalores e autovetores de uma matriz A?
  43. Estupidamente fácil de usar Mestres, vejam o programinha que fiz.

    Entrei com uma matriz 3x3, e obtive três autovalores distintos e reais.
  44. O mesmo programa. Tornei a entrar com uma matriz real,

    agora 4x4, mas obtive um par de autovalores complexos e dois autovalores reais.
  45. Loirinha, agora vamos estudar uma das questões mais importantes da

    Álgebra linear computacional. A decomposição em valores singulares de uma matriz.
  46. Voltando ao livro do Trefethen, logo no início está a

    decomposição em valores singulares
  47. 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.
  48. 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 ≠ .
  49. 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.
  50. Fiz um programa para calcular a decomposição em valores singulares,

    SVD, de uma matriz A. Depois apliquei-o à matriz do gráfico anterior.
  51. Esta outra matriz A é simétrica. Além de deformar a

    esfera num elipsoide, ela também gira-o entorno da origem!
  52. 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.
  53. 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.
  54. Loirinha, repeti seus cálculos para esta última matriz A. Neste

    caso o det() e dois dos valores da SVD de A são nulos.
  55. 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 = .
  56. 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 | ⋯ | .
  57. 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 ⋮ .
  58. 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.
  59. 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! Logo no início o Mestre afirmou que autovalores distintos garantem que os autovetores correspondentes são linearmente independentes. Prove isto como exercício, Surfista!
  60. 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?
  61. Equações polinomiais podem possuir raízes com multiplicidade maior que 1.

    É a mesma coisa que a multiplicidade geométrica do autovalor?
  62. 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.
  63. 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.
  64. 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
  65. 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
  66. = 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.
  67. Executei o mesmo programa feito pelo Mestre, aquele que usa

    a rotina eig( ) da scipy.linalg, e obtive:
  68. Nesse caso, não é possível conferir que −1 = 2

    2 2 Verdade, colega, pois = 1 2 3 = 1 1 1 0 0 0 0 0 0 , que não é inversível.
  69. 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.
  70. Outro tópico fundamental em Álgebra Linear Computacional é a fatoração

    QR. Tanto assim que é dedicado um capítulo no livro do Trefethen.

More Decks by Paulo Bordoni

Other Decks in Education