Álgebra Linear Com Python-1

5/28/2021 Algebra_Linear-Introducao(SymPy-NumPy)
Àlgebra Linear com Python: uma breve

introdução
Autor: Ronisson Lucas Calmon da Conceição
Introdução
Este notebook objetiva demonstrar a resolução de problemas comuns da Álgebra Linear utilizando NumPy e
SymPy.
Primeiro iremos importar as bibliotecas que iremos utilizar no decorrer deste notebook:
In [1]:
import numpy as np
import sympy
from sympy.matrices import zeros,eye,ones
Definição
Da Álgebra linear sabemos que uma matriz A sobre um corpo K ou, simplesmente, uma matriz A (quando K
estiver subentendido) é uma tabela retangular de escalares, costumeiramente representada no formato que
segue:
[ ]
a 11 … a 1n
a 21 … a 2n
A=
⋮ ⋱ ⋮
a m1 … a mn
Dizemos que uma matriz com m linhas e n colunas é uma matriz m × n . O par de números m e n é dito o
tamanho da matriz.
Tipos especiais de matrizes
Consideremos uma matriz com m linhas e n colunas que denotaremos por A m × n. Apresentaremos
brevemente algumas matrizes importantes em Álgebra Linear. Utilizaremos o construtor Matrix() da
biblioteca SymPy para definir as matrizes.
1. Matriz Quadrada: matriz em que o número de linhas é igual ao número de colunas (m = n).
ﬁle:///home/lucas/Downloads/Algebra_Linear-Introducao(SymPy-NumPy).html 1/28
In [2]:
A = sympy.Matrix(2,2,[-1, 2, 4, 5])
A
Out[2]:
[ ] −1
4
2
5
1. Matriz Nula: matriz em que todos os elementos são nulos, ou seja, a ij = 0 para todo i e j.
In [3]:
B = sympy.zeros(2,3)
B
Out[3]:
[ 0
0
0
0
0
0 ]
1. Matriz-Coluna:matriz que possui uma única coluna (A m × 1).
In [4]:
C = sympy.Matrix(4,1, [-1, 2, 10, 5])

C
Out[4]:
[]
−1
2
10
5
1. Matriz-Linha: matriz com uma única linha (A 1 × n)
In [5]:
x,y,z = sympy.symbols(['x','y','z']) #transform string em símbolos
In [6]:
D = sympy.Matrix(1,3, [x,y,z])
D
Out[6]:
[x y z]
1. Matriz diagonal: matriz quadrada em que qualquer elemento fora da diagonal principal é nulo, isto é,
a ij = 0 para i ≠ j.
Assim, dizemos que uma matriz quadrada S = [s ij] é diagonal se todos os seus elementos fora da diagonal
principal forem nulos. Às vezes, denotamos uma tal matriz por S = diag s 11, s 22, . . . , s nn onde alguns s ii, ou
todos, podem ser nulos.
In [7]:
E = sympy.diag(1, -2, -7, 4)

E
Out[7]:
[ ]
1 0 0 0
0 −2 0 0
0 0 −7 0
0 0 0 4
1. Matriz identidade: matriz em que a ij = 1 , ∀i = j e a ij = 0, ∀i ≠ j. Assim, a matriz identidade, ou matriz

unitária, de ordem n, denotada por I n ou, simplesmente, por I, é a matriz quadrada com 1 na diagonal
principal e 0 em todas as demais entradas. A matriz identidade I é análoga ao escalar 1, pois, dada
qualquer matriz A m × n, temos que AI = IA = A. Para uma matriz B n × 1, verifica-se IB = B
In [8]:
I = sympy.eye(4)
I
Out[8]:
[ ]
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
1. Matriz triangular superior: matriz quadrada em que todos os elementos abaixo da diagonal principal são
nulos, ou seja, a ij = 0 se i > j.
In [9]:
D = sympy.Matrix(np.triu([2,-1,4],k=0))
D
Out[9]:
[ ]
2 −1 4
0 −1 4
0 0 4
1. Matriz triangular inferior: matriz quadrada em que todos os elementos acima da diagonal principal são
nulos, ou seja, a ij = 0, ∀i < j.
In [10]:
F = sympy.Matrix(np.tril([[2,1,1],[1,-1,1], [1,1,2]]))
F
Out[10]:
[ ]
2 0 0
1 −1 0
1 1 2
1. Matriz simétrica: matriz quadrada em que a ij = a ji para quaisquer i, j e A T = A.
In [11]:
G = sympy.Matrix(3, 3, [4, 3, -1, 3, 2, 0, -1, 0, 5])

G
Out[11]:
[ ]
4 3 −1
3 2 0
−1 0 5
1. Matriz Idempotente: matriz quadrada em que A ⋅ A = A .
In [12]:
H = sympy.Matrix(2, 2, [5, -5, 4, -4])

H
Out[12]:
[ ] 5
4
−5
−4
In [13]:
H*H
Out[13]:
[ ] 5
4
−5
−4
1. Matriz Ortogonal: toda matriz em que A − 1 = A T.
Operações com matrizes
Adição e multiplicação por escalar
Sejam A = a ij e B = b ij duas matrizes de mesmo tamanho, digamos, m × n . A soma de A e B, denotada

por A + B, é a matriz obtida pela soma de elementos correspondentes de A e B, ou seja
[ ]
a 11 + b 11 … a 1n + b 1n
a 21 + b 21 … a 2n + b 2n
A+B=
⋮ ⋱ ⋮
a m1 + b m1 … a mn + b mn
O múltiplo da matriz A pelo escalar k, denotado por simplesmente kA, é a matriz obtida pelo produto de cada
elemento de A por k, ou seja,
[ ]
ka 11 … ka 1n
ka 21 … ka 2n
kA =
⋮ ⋱ ⋮
ka m1 … ka mn
Vejamos uma implementação da soma de duas matrizes utilizando o NumPy.
Seja A =
[ 1
4
2 3
5 6 ] [ 2
eB= 1
4
3
6
5 ] iremos encontrar a matriz C, dada por A + B. Iremos simplesmente
definir A e B e posteriormente usar o operador + .
In [14]:
A = np.array([[1,2,3], [4,5,6]])
B = np.array([[2,4,6],[1,3,5]])
C = A+B
In [15]:
Out[15]:
array([[ 3, 6, 9],
[ 5, 8, 11]])
Encontrada a matriz C, iremos encontrar a matriz D, dada por kC, onde k = -2.
In [16]:
C = np.array ([[3,6,9], [5,8,11]])

k = -2
D = k*C
In [17]:
Out[17]:
array([[ -6, -12, -18],

[-10, -16, -22]])
Poderíamos resolver este mesmo problema usando a função np.dot() - utilizada para efetuar o produto
matricial:
In [18]:
D = np.dot(k,C)
In [19]:
Out[19]:
array([[ -6, -12, -18],

[-10, -16, -22]])
Propriedades da soma de matrizes

Considerando as matrizes A,B e C de mesma ordem mxn temos que:
1. A + B = B + A (comutatividade)
2. A + (B + C) = (A + B) + C (associatividade)
3. A + 0 = A
Iremos demonstrar a validade de tais propriedades usando funções de Álgebra Linear do SymPy.Para tanto,
definiremos três matrizes quadradas genéricas de ordem 2.
In [20]:
a11, a12, a21, a22 = sympy.symbols('a_11, a_12, a_21, a_22')

b11, b12, b21, b22 = sympy.symbols('b_11, b_12, b_21, b_22')
c11, c12, c21, c22 = sympy.symbols('c_11, c_12, c_21, c_22')
A = sympy.Matrix(2, 2, [a11, a12, a21, a22])
B = sympy.Matrix(2, 2, [b11, b12, b21, b22])
C = sympy.Matrix(2, 2, [c11, c12, c21, c22])
Vejamos as matrizes definidas:
In [21]:
Out[21]:
[ a 11
a 21
a 12
a 22 ]
In [22]:
Out[22]:
[ b 11
b 21
b 12
b 22 ]
In [23]:
Out[23]:
[ c 11
c 21
c 12
c 22 ]
Da propriedade 1 temos que:
In [24]:
A+B
Out[24]:
[ a 11 + b 11
a 21 + b 21
a 12 + b 12
a 22 + b 22 ]
In [25]:
B+A
Out[25]:
[ a 11 + b 11
a 21 + b 21
a 12 + b 12
a 22 + b 22 ]
Então:
In [26]:
(A+B) == (B+A)
Out[26]:
True
Da propriedade 2 temos que:
In [27]:
A+(B+C)
Out[27]:
[ a 11 + b 11 + c 11
a 21 + b 21 + c 21
a 12 + b 12 + c 12
a 22 + b 22 + c 22 ]
In [28]:
(A+B)+C
Out[28]:
[ a 11 + b 11 + c 11
a 21 + b 21 + c 21
a 12 + b 12 + c 12
a 22 + b 22 + c 22 ]
In [29]:
A+(B+C) == (A+B)+C
Out[29]:
True
Por fim, precisaremos criar uma matriz nula para verificar a última propriedade.
In [30]:
from sympy.matrices import zeros
In [31]:
zero = zeros(2,2)
In [32]:
zero
Out[32]:
[ ] 0
0
0
0
Desta forma, podemos verificar que:
In [33]:
A+zero == A
Out[33]:
True
Propriedades da multiplicação por escalar

Sejam as matrizes A e B de mesma ordem e as constantes reais k, k 1, k 2, temos que:
1. k(A + B) = kA + kB
2. (k 1 + k 2)A = k 1A + k 2A
3. kA = 0, em que k=0
Voltando para as matrizes... Observe que ambas, A + B e kA, são matrizes m × n . Podemos definir –A =
(–1)A e A − B = A + (–B). Dizemos que –A é a matriz simétrica de A e que A − B é a matriz diferença de
A e B. Não se define a soma de matrizes de tamanhos distintos.
Seja A =
[ 1
4
2 3
5 6 ] encontremos a matriz simétrica de A. Definiremos a matriz A e seguidamente
obteremos sua matriz simétrica.
In [34]:
A = np.array([[1,2,3],[4,5, 6]])
In [35]:
-A
Out[35]:
array([[-1, -2, -3],

[-4, -5, -6]])
Poderíamos também ter obtido a matriz simétrica de A como segue.
In [36]:
k=-1
A_simetrica = np.dot(k,A)
In [37]:
A_simetrica
Out[37]:
array([[-1, -2, -3],

[-4, -5, -6]])
Vamos recuperar a matriz B definida anteriormente e calcular A − B.
In [38]:
B = np.array([[2,4,6],[1,3,5]])
In [39]:
A-B
Out[39]:
array([[-1, -2, -3],

[ 3, 2, 1]])
[ ] [ ]
1 2 3 11 0 0
Dadas as matrizes H = 4 −2 −9 eG= 41 − 21 0 encontraremos a matriz J dada por J = H+G.
0 − 12 − 29 0 −1 −2
Utilizando NumPy obtemos o seguinte resultado:
In [40]:
H = np.array([[1, 2, 3], [4, -2, -9], [0, -12, -29]])

G = np.array([[11, 0, 0], [41, -21, 0], [0, -1, -2]])
J = H+G
In [41]:
Out[41]:
array([[ 12, 2, 3],

[ 45, -23, -9],
[ 0, -13, -31]])
Podemos resolver o mesmo problema com SymPy. Usaremos a função Matrix para construir as matrizes H e
G. Informaremos a ordem das respectivas matrizes e passaremos uma lista contendo seus elementos.
In [42]:
H = sympy.Matrix(3, 3, [1, 2, 3, 4, -2, -9, 0, -12, -29])

G = sympy.Matrix(3, 3, [11, 0, 0, 41, -21, 0, 0, -1, -2])
J = G+H
In [43]:
Out[43]:
[ ]
12 2 3
45 − 23 −9
0 − 13 − 31
Transposta de uma matriz
A transposta de uma matriz A, denotada por A T ou A ′ , é a matriz obtida escrevendo as colunas de A, na

mesma ordem, como linhas.
Propriedades
1. Uma matriz é simétrica se, e somente se ela é igual à sua transposta, ou seja, A = A ′ .
2. A ″ = A.
3. (A + B) ′ = A ′ + B ′ .
4. (kA) ′ = kA ′ , em que k é um escalar.
[ ]
2 0
Seja, I =
−4
5
6
11
T
− 2 então I =
0
[ 2
0
−4
11
5
−2
6
]
0 . Em linhas gerais, a linha de uma matriz passa a ser
coluna e a coluna se torna linha.
[ ]
−1 0 0
−4 11 1
T
Dada a matriz K = 5 −2 − 9 , encontremos sua matriz transposta K utilizando o NumPy.
6 0 7
In [44]:
K = np.array([[-1, 0, 0], [-4, 11, 1], [5, -2, -9], [6, 0, 7]])
In [45]:
Out[45]:
array([[-1, 0, 0],
[-4, 11, 1],
[ 5, -2, -9],
[ 6, 0, 7]])
Assim, a transposta de K é obtida como segue:
In [46]:
np.transpose(K)
Out[46]:
array([[-1, -4, 5, 6],

[ 0, 11, -2, 0],
[ 0, 1, -9, 7]])
Ou
In [47]:
K.T
Out[47]:
array([[-1, -4, 5, 6],

[ 0, 11, -2, 0],
[ 0, 1, -9, 7]])
[ ]
0 1 0
−4 11 1
Dada a matriz L = 5 −2 −9 encontremos L + L T utilizando NumPy.
6 0 7
36 10 57
In [48]:
L = np.array([[0, 1, 0], [-4, 11, 1], [5, -2, -9], [6, 0, 7], [36, 10, 57]])
L
Out[48]:
array([[ 0, 1, 0],
[-4, 11, 1],
[ 5, -2, -9],
[ 6, 0, 7],
[36, 10, 57]])
In [49]:
np.transpose(L)
Out[49]:
array([[ 0, -4, 5, 6, 36],

[ 1, 11, -2, 0, 10],
[ 0, 1, -9, 7, 57]])
Neste caso, não poderemos obter L + L T, pois L T não apresenta a mesma ordem de L.
In [50]:
np.transpose(L).shape, np.shape(L)
Out[50]:
((3, 5), (5, 3))
Multiplicação de matrizes
O produto das matrizes A e B é denotado por AB. Particularmente, iremos começar com um caso especial. O
produto AB de uma matriz linha A = [a i] e uma matriz coluna B = [b j] com o mesmo número de elementos
é definido como o escalar (ou a matriz ) obtido pela soma dos produtos das entradas correspondentes, ou
[]
b1
b2
[
seja, AB= a 1, a 2, ..., an ] ...
= a 1b 1+a 2b 2 + ... + a nb n.
bn
Enfatizamos que, nesse caso, AB é um escalar (ou, então, uma matriz 1 × 1). Não definimos o produto AB se
a matriz linha A e a matriz coluna B possuírem um número distinto de elementos. Esta definição é
particularmente importante para definição de um problema de regressão linear múltipla.
[]
3
Dadas as matrizes M = [ 7, − 4, 5] e N = 2 encontremos a matriz O = M ⋅ N.
−1
In [51]:
M = np.array([[7, -4, 5]])

N = np.array([[3],[2],[-1]])
In [52]:
Out[52]:
array([[ 7, -4, 5]])
In [53]:
Out[53]:
array([[ 3],
[ 2],
[-1]])
Para realizar a multiplicação das matrizes é necessário encontrar o número de linhas e colunas da matriz.
In [54]:
M.shape
Out[54]:
(1, 3)
Acima vemos que nossa matriz M possui uma linha e três colunas.
In [55]:
N.shape
Out[55]:
(3, 1)
Acima vemos que nossa matriz N possui três linhas e uma coluna. Assim, para efetuar o produto matricial o
número de colunas da primeira matriz, deve ser igual ao número de linhas da segunda matriz. Assim, a
matriz O, será :
In [56]:
O = np.dot(M,N)
O
Out[56]:
array([[8]])
[]
4
−9
Dadas as matrizes Q = [ 6, − 1, 8 3]eS= encontraremos a matriz P fruto de QS.
−2
5
In [57]:
Q = np.array([[6, -1, 8, 3]])

S = np.array ([[4], [-9], [-2], [5]])
Verificaremos se o número de colunas de Q é igual ao número de linhas de S:
In [58]:
Q.shape[1] == S.shape[0]
Out[58]:
True
Então a matriz P é obtida da seguinte forma:
In [59]:
P = np.dot(Q,S)
P
Out[59]:
array([[32]])
De um modo geral, dadas A = [a ik] e B = [b kj] duas matrizes tais que o número de colunas de A seja igual
ao número de linhas de B, digamos p, supomos assim que A seja uma matriz m × n e B uma matriz p × n.
Então o produto AB de A e B é a matriz m × n cuja ij-ésima entrada é dada pelo produto da i-ésima linha de
A com a j-ésima coluna de B. Assim,
[ ][ ]
a 11 ... a 1p b 11 ... b ij ... b 1n
. ... . . ... . ... .
a i1 ... a 1p . ... . ... . onde c ij = a i1b ij+a i2b j2 + ... + a ipb pj.
. ... . . ... . ... .
a m1 ... a mp b p1 ... b pj ... b pn
Não definimos o produto AB quando A é uma matriz m × p e B é uma matriz com q × n com p ≠ q.
Propriedades da Multiplicação de Matrizes
1. Em geral AB ≠ BA.
2. AI = IA = A (o que justifica o nome da matriz identidade)
3. A(B + C) = AB + AC (distributividade à esquerda da multiplicação)
4. (A + B)C = AC + BC (distributividade à direita da multiplicação)
5. (AB)C = A(BC) (associatividade)
6. (AB) ′ = B ′ A ′
7. 0⋅A=0eA⋅0=0
Demonstremos algumas destas propriedades utilizando matrizes genéricas.
In [60]:
from sympy.matrices import eye

a11, a12, a21, a22 = sympy.symbols('a_11, a_12, a_21, a_22')
b11, b12, b21, b22 = sympy.symbols('b_11, b_12, b_21, b_22')
c11, c12, c21, c22 = sympy.symbols('c_11, c_12, c_21, c_22')
A = sympy.Matrix(2, 2, [a11, a12, a21, a22])
B = sympy.Matrix(2, 2, [b11, b12, b21, b22])
C = sympy.Matrix(2, 2, [c11, c12, c21, c22])
I = eye(2)
zero = zeros(2)
Respectivamente temos as matrizes A,B,C,I e a matriz nula:
In [61]:
display(A)
display(B)
display(C)
display(I)
display(zero)
[ a 11
a 21
a 12
a 22 ]
[ b 11
b 21
b 12
b 22 ]
[ c 11
c 21
c 12
c 22 ]
[ ] 1
0
0
1
[ ] 0
0
0
0
1. AI = IA = I
In [62]:
A*I == I*A
Out[62]:
True
1. A(B + C) = AB + AC
In [63]:
A*(B+C)
Out[63]:
( ) ( ) ( ) ( )
[ ]
a 11 b 11 + c 11 + a 12 b 21 + c 21 a 11 b 12 + c 12 + a 12 b 22 + c 22
a 21 (b 11 + c 11 ) + a 22 ( b 21 + c 21 ) a 21 (b 12 + c 12 ) + a 22 (b 22 + c 22 )
In [64]:
A*B+A*C
Out[64]:
[ a 11b 11 + a 11c 11 + a 12b 21 + a 12c 21

a 21b 11 + a 21c 11 + a 22b 21 + a 22c 21
a 11b 12 + a 11c 12 + a 12b 22 + a 12c 22
a 21b 12 + a 21c 12 + a 22b 22 + a 22c 22 ]
In [65]:
sympy.expand(A*(B+C)) == A*B+A*C
Out[65]:
True
1. (A + B)C = AC + BC
In [66]:
(A+B)*C
Out[66]:
( ) ( ) ( ) ( )
[ ]
c 11 a 11 + b 11 + c 21 a 12 + b 12 c 12 a 11 + b 11 + c 22 a 12 + b 12
c 11 (a 21 + b 21 ) + c 21 (a 22 + b 22 ) c 12 (a 21 + b 21 ) + c 22 (a 22 + b 22 )
In [67]:
A*C+B*C
Out[67]:
[ a 11c 11 + a 12c 21 + b 11c 11 + b 12c 21

a 21c 11 + a 22c 21 + b 21c 11 + b 22c 21
a 11c 12 + a 12c 22 + b 11c 12 + b 12c 22
a 21c 12 + a 22c 22 + b 21c 12 + b 22c 22 ]
In [68]:
sympy.expand((A+B)*C) == A*C+B*C
Out[68]:
True
1. (AB)C = A(BC)
In [69]:
(A*B)*C
Out[69]:
( ) ( ) ( ) ( )
[ ]
c 11 a 11b 11 + a 12b 21 + c 21 a 11b 12 + a 12b 22 c 12 a 11b 11 + a 12b 21 + c 22 a 11b 12 + a 12b 22
c 11 (a 21b 11 + a 22b 21 ) + c 21 (a 21b 12 + a 22b 22 ) c 12 (a 21b 11 + a 22b 21 ) + c 22 (a 21b 12 + a 22b 22 )
In [70]:
A*(B*C)
Out[70]:
( ) ( ) ( ) ( )
[ ]
a 11 b 11c 11 + b 12c 21 + a 12 b 21c 11 + b 22c 21 a 11 b 11c 12 + b 12c 22 + a 12 b 21c 12 + b 22c 22
a 21 (b 11c 11 + b 12c 21 ) + a 22 (b 21c 11 + b 22c 21 ) a 21 (b 11c 12 + b 12c 22 ) + a 22 (b 21c 12 + b 22c 22 )
In [71]:
sympy.expand((A*B)*C) == sympy.expand(A*(B*C))
Out[71]:
True
1. (AB) ′ = B ′ A ′
In [72]:
(A*B).transpose() == B.transpose()*A.transpose()
Out[72]:
True
1. 0 ⋅ A = 0
In [73]:
zero*A
Out[73]:
[ ] 0
0
0
0
Iremos abordar outros exemplos numéricos de multiplicação de matrizes utilizando o NumPy.
Encontraremos XY sendo X =
[ ] [
1
2
3
−1 eY=
2
5
0
−2
−4
6 ]
Devemos inicialmente verificar a condição do produto matricial.
In [74]:
X = np.array([[1, 3], [2, -1]])

Y = np.array([[2, 0, -4], [5, -2, 6]])
X.shape[1] == Y.shape[0]
Out[74]:
True
In [75]:
np.dot(X,Y)
Out[75]:
array([[ 17, -6, 14],

[ -1, 2, -14]])
Traço de uma matriz
O traço de uma matriz quadrada A, denotado por tr(A), é a soma dos elementos da diagonal principal, a
saber, tr(A) = a 11 + a 22 + a 33 + . . . + a nn
Propriedades
1. tr(A + B) = tr(B + A)
2. tr(α ⋅ A) = α ⋅ tr(A), com α ∈ R
3. tr(A) = tr(A ′ )
4. tr(I n) = n
5. tr(AB) = tr(BA)
A partir das matrizes definidas a seguir, calcularemos o traço utilizando SymPy e NumPy. Nosso primeiro
exemplo será com uma matriz Identidade I 2. Para construir uma matriz identidade no NumPy podemos
utilizar o comando: np.eye(). Por exemplo, a matriz
In [76]:
F = np.eye(2)
F
Out[76]:
array([[1., 0.],
[0., 1.]])
O traço da matriz F é dado pela função np.trace(). Assim,
In [77]:
np.trace(F)
Out[77]:
2.0
Ou,
In [78]:
F.trace()
Out[78]:
2.0
Definiremos uma matriz identidade 10 × 10 e calcularemos seu traço.
In [79]:
O = np.eye(10)
In [80]:
Out[80]:
array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]])
In [81]:
np.trace(O)
Out[81]:
10.0
Definiremos uma matriz diagonal e em seguida obteremos seu traço utilizando o NumPy
In [82]:
P = np.diag(np.arange(1,6))
P
Out[82]:
array([[1, 0, 0, 0, 0],
[0, 2, 0, 0, 0],
[0, 0, 3, 0, 0],
[0, 0, 0, 4, 0],
[0, 0, 0, 0, 5]])
In [83]:
P.trace()
Out[83]:
15
Para recuperar a diagonal principal podemos utilizar o método np.diagonal() .
In [84]:
np.diagonal(P)
Out[84]:
array([1, 2, 3, 4, 5])
Ou ainda, acessando como um método do objeto criado:
In [85]:
P.diagonal()
Out[85]:
array([1, 2, 3, 4, 5])
Para encontra a diagonal secundária, podemos utilizar o método: np.flipl().
In [86]:
np.diagonal(np.fliplr(P))
Out[86]:
array([0, 0, 3, 0, 0])
Definiremos agora duas matrizes genéricas A e B utilizando o SymPy, em seguida calcularemos o traço
associado a cada matriz.
In [87]:
from sympy.abc import a, b, c, d,e,f,g,h

A = sympy.Matrix(2, 2, [a, b, c, d])
B = sympy.Matrix(2, 2, [e, f, g, h])
In [88]:
Out[88]:
[ ] a
c
b
d
In [89]:
Out[89]:
[ ] e
g
f
h
Traço de A:
In [90]:
sympy.trace(A)
Out[90]:
a+d
Traço de B:
In [91]:
sympy.trace(B)
Out[91]:
e+h
Vamos verificar as propriedade (1), (3) e (5) definidas anteriormente.
tr(A + B) = tr(B + A)
In [92]:
sympy.trace(A+B)
Out[92]:
a+d+e+h
In [93]:
sympy.trace(B+A)
Out[93]:
a+d+e+h
tr(A) = tr(A ′ )
In [94]:
sympy.trace(A) == sympy.trace(A.transpose())
Out[94]:
True
tr(AB) = tr(BA)
Temos que AB:
In [95]:
A*B
Out[95]:
[ ae + bg
ce + dg
af + bh
cf + dh ]
In [96]:
B*A
Out[96]:
[ ae + cf
ag + ch
be + df
bg + dh ]
In [97]:
sympy.trace(A*B) == sympy.trace(B*A)
Out[97]:
True
Determinante
Podemos pensar no determinante como um número associado a uma matriz quadrada A m × n. Denotamos
det A.
| |
a 11 a 12 … a 1n
a 21 a 22 … a 2n
⋮ ⋮ ⋱ ⋮
a n1 a n2 … a nn
Calculemos o determinante de uma matriz usando o NumPy.
[ ]
1 2 3 4
4 3 2 1
Dada a matriz V = encontremos det (V).
0 2 4 6
5 7 9 11
Basta utilizar a função np.linalg.det()
In [98]:
V=np.array([[1, 2, 3, 4], [4, 3, 1, 1], [0, 2, 4, 6], [5, 7, 9, 1]])
In [99]:
round (np.linalg.det(V))
Out[99]:
-20
Matrizes invertiveis ou não singulares
Uma matriz quadrada A é dita invertível, ou não singular, se existir uma matriz B tal que AB = BA = I onde I é
a matriz identidade. Uma tal matriz B é única.
Dizemos que uma tal matriz B é a inversa de A e a denotamos por A − 1.Observe que a relação que define a
inversa é simétrica; ou seja, se B for a inversa de A, então A será a inversa de B.
Suponha que A =
[ ] [
2 5
1 3 eB=
3
−1
−5
]
2 , verifiquemos se estas matrizes admitem inversa.
In [100]:
A= np.array ([[2,5],[1,3]])
B = np.array ([[3,-5], [-1,2]])
In [101]:
np.dot(A,B)
Out[101]:
array([[1, 0],
[0, 1]])
In [102]:
np.dot(B,A)
Out[102]:
array([[1, 0],
[0, 1]])
Assim, B é inversa de A e A é inversa de B.
Determinemos a inversa da matriz Z =

[ ]
3
1
4
0
In [103]:
Z = np.array([[3,4],[1,0]])
In [104]:
np.linalg.inv(Z)
Out[104]:
array([[ 0. , 1. ],
[ 0.25, -0.75]])
Sistemas Lineares
De uma maneira geral, denomina-se sistema linear de m equações e n incógnitas x 1, x 2, . . . , x n a todo
{
a 11x 1 + a 12x 2 + . . . + a 1nx n = b 1
a 21x 1 + a 22x 2 + . . . + a 2nx n = b 2
sistema linear da forma : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . em que a 11, a 12, . . . , a 1n, b 1, b 2, . . . , b m são
a m1x 1 + a m2x 2 + . . . + a mnx n = b m
números reais.
Matriz associadas a um sistema linear:
{
a 11x 1 + a 12x 2 + . . . + a 1nx n = b 1
a 21x 1 + a 22x 2 + . . . + a 2nx n = b 2
Seja o sistema linear de m equações e n incógnitas ..............................
a m1x 1 + a m2x 2 + . . . + a mnx n = b m
Desse sistema, destacamos as seguintes matrizes:
[ ]
a 11 a 12 ... a 1n b1
a 21 a 22 ... a 2n b2
matriz completa do sistema
... ... ... ... ....
a n1 a n2 ... a nn b 1m
[ ]
a 11 a 12 ... a 1n
a 21 a 22 ... a 2n
matriz incompleta do sistema
... ... ... ...
a n1 a n2 ... a nn
[] []
x1 b1
x2 b2
Consideremos ainda as seguintes matrizes-colunas assosciadas ao sistema: X = ,B=
⋮ ⋮
xn bm
Multiplicando - se a matriz incompleta pela matriz das incognitas, obtemos a matriz dos temos
independentes:
[ ][ ] [ ]
a 11 a 12 ... a 1n x1 b1
a 21 a 22 ... a 2n x2 b2
⋅ =
... ... ... ... ⋮ ⋮
a n1 a n2 ... a nn xn bm
Denominamos então que o modelo acima é a forma matricial do sistema linear. Em notação simplificada
temos: A ⋅ X = B. Se a matriz incompleta do sistema for uma matriz quadrada, o seu determinante D A é dito
determinante do sistema. Se D A ≠ 0 então a matriz A é invertivel, isto é, existe A − 1, inversa de A. Se D A
≠ 0, o sistema admite solução única e , portanto, é possível e determinado.
Representemos o sistema
{ 3a − 7b = 1
5a + 2b = 4 na forma matricial e encontremos sua solução.
In [105]:
A = np.array ([[3, -7], [5, 2]])

B = np.array([[1], [4]])
In [106]:
X = (np.linalg.solve(A, B))
In [107]:
X #solução do sistema
Out[107]:
array([[0.73170732],
[0.17073171]])
Exercícios
[ ] [ ]
1 3 0 20 2 0
2 −1 10 13 −4 11
1. Encontre WI sendo W = eI=
3 4 10 0 5 −2
4 9 −1 0 6 0
1. Construa uma matriz 5 × 5 e encontre traço, diagonal principal e secundária.
1. Crie uma matriz 2 × 2 somente com elementos pares e calcule seu determinante.
1. Represente os sistemas abaixo na forma matricial e encontre as respectivas soluções.
{
2x + y = 5
a) x − 3y = 0
{
2a + b + c = − 1
b) a + c = 0
− 3a + 5b − c = 2
{
x+y+z+t=2
x − y − 2z − 3t = 5
c) 2x + y − 3z + t = − 9
3x − y − z + t = 6
1. Determine a inversa das matrizes:
a) H = [ ]
1
3
0
0
[ ]
1 0 0
b) I = 1 3 1
1 2 0
*Todos os conceitos, proposições e teoremas aqui apresentados foram retirados do livro cujo autor
é Seymour Lipschutz e/ou Simon e Blume

Álgebra Linear Com Python-1

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Álgebra Linear Com Python-1

Enviado por

Direitos autorais:

Formatos disponíveis

5/28/2021 Algebra_Linear-Introducao(SymPy-NumPy)

Àlgebra Linear com Python: uma breve

Tipos especiais de matrizes

C = sympy.Matrix(4,1, [-1, 2, 10, 5])

1. Matriz-Linha: matriz com uma única linha (A 1 × n)

x,y,z = sympy.symbols(['x','y','z']) #transform string em símbolos

E = sympy.diag(1, -2, -7, 4)

1. Matriz identidade: matriz em que a ij = 1 , ∀i = j e a ij = 0, ∀i ≠ j. Assim, a matriz identidade, ou matriz

1. Matriz simétrica: matriz quadrada em que a ij = a ji para quaisquer i, j e A T = A.

G = sympy.Matrix(3, 3, [4, 3, -1, 3, 2, 0, -1, 0, 5])

1. Matriz Idempotente: matriz quadrada em que A ⋅ A = A .

H = sympy.Matrix(2, 2, [5, -5, 4, -4])

1. Matriz Ortogonal: toda matriz em que A − 1 = A T.

Operações com matrizes

Adição e multiplicação por escalar

Sejam A = a ij e B = b ij duas matrizes de mesmo tamanho, digamos, m × n . A soma de A e B, denotada

Vejamos uma implementação da soma de duas matrizes utilizando o NumPy.

definir A e B e posteriormente usar o operador + .

C = np.array ([[3,6,9], [5,8,11]])

array([[ -6, -12, -18],

array([[ -6, -12, -18],

Propriedades da soma de matrizes

a11, a12, a21, a22 = sympy.symbols('a_11, a_12, a_21, a_22')

Vejamos as matrizes definidas:

Da propriedade 2 temos que:

from sympy.matrices import zeros

Desta forma, podemos verificar que:

Propriedades da multiplicação por escalar

obteremos sua matriz simétrica.

array([[-1, -2, -3],

Poderíamos também ter obtido a matriz simétrica de A como segue.

array([[-1, -2, -3],

Vamos recuperar a matriz B definida anteriormente e calcular A − B.

array([[-1, -2, -3],

Utilizando NumPy obtemos o seguinte resultado:

H = np.array([[1, 2, 3], [4, -2, -9], [0, -12, -29]])

array([[ 12, 2, 3],

H = sympy.Matrix(3, 3, [1, 2, 3, 4, -2, -9, 0, -12, -29])

Transposta de uma matriz

A transposta de uma matriz A, denotada por A T ou A ′ , é a matriz obtida escrevendo as colunas de A, na

coluna e a coluna se torna linha.

Assim, a transposta de K é obtida como segue:

array([[-1, -4, 5, 6],

array([[-1, -4, 5, 6],

array([[ 0, -4, 5, 6, 36],

((3, 5), (5, 3))

M = np.array([[7, -4, 5]])

array([[ 7, -4, 5]])

Q = np.array([[6, -1, 8, 3]])

Verificaremos se o número de colunas de Q é igual ao número de linhas de S:

Então a matriz P é obtida da seguinte forma:

Propriedades da Multiplicação de Matrizes

Demonstremos algumas destas propriedades utilizando matrizes genéricas.

from sympy.matrices import eye

Respectivamente temos as matrizes A,B,C,I e a matriz nula:

[ a 11b 11 + a 11c 11 + a 12b 21 + a 12c 21

[ a 11c 11 + a 12c 21 + b 11c 11 + b 12c 21

c 11 (a 21b 11 + a 22b 21 ) + c 21 (a 21b 12 + a 22b 22 ) c 12 (a 21b 11 + a 22b 21 ) + c 22 (a 21b 12 + a 22b 22 )

a 21 (b 11c 11 + b 12c 21 ) + a 22 (b 21c 11 + b 22c 21 ) a 21 (b 11c 12 + b 12c 22 ) + a 22 (b 21c 12 + b 22c 22 )

Iremos abordar outros exemplos numéricos de multiplicação de matrizes utilizando o NumPy.

X = np.array([[1, 3], [2, -1]])

array([[ 17, -6, 14],

Traço de uma matriz