Escolar Documentos
Profissional Documentos
Cultura Documentos
Wellington José
Rio de Janeiro
2020
Sumário
Ortogonalidade
Determinante
Autovalores e Autovetores
Transformações Lineares
Ortogonalidade
Seja E um espaço vetorial. Diremos que u e v são ortogonais se v T u = 0 e
escrevemos v⊥u.
• vT u = v · u
• w ∈ V ∩ U ⇐⇒ w = 0
• C(A)⊥N (AT )
Complemento Ortogonal
V ⊥ = {w ∈ E; w⊥V }
• V T é um subespaço de E
• w ∈ V ⊥ ⇐⇒ w⊥vi ∀i ∈ Ik
v1T
• Defina A = ... . Então V T = N (A) e podemos achar uma base
vkT
área V T
• V ∩ V ⊥ = {0}
• V = (V ⊥ )⊥
2
Decomposição Ortogonal
Teorema 1 Todo vetor x ∈ E pode ser escrito como x = v +v ⊥ , onde v ∈ V
e v ⊥ ∈ V ⊥ , essa decomposição é única.
Projeção Ortogonal
• Seja a e b dois vetores num espaço vetorial E. A projeção de b em a:
aaT
p= T ·b
a a
Matriz de Projeção
A matriz de projeção P pode ser escrita como
aaT
P =
aT a
Com as propriedades:
• P tem posto 1
• P é simétrico
• P2 = P
Projeção no plano
Seja a1 e a2 uma base para o plano. Então queremos achar x1 e x2 tal que
o vetor projetado p possa ser escrito como x1 a1 + x2 a2 , podemos entender
que o plano pode ser entendido como o espaço coluna de A = [a1 a2 ], então
temos que fazer a projeção no caso mais geral em C(A)
Projeção em C(A)
Dado b, achar x tal que aTi (b − Ax) = 0 para todo i onde ai ∈ C(A),
equivalente a AT Ax = At b, se AT A é inversı́vel (note que é quadrada), então
P = A(AT A)−1 AT , se A for inversı́vel então P = I.
obs.: A projeção em N (AT ) é I − P onde P é a projeção em C(A).
3
AT A
Teorema 2 AT A tem inversa se e somente se as colunas de A são LI.
Mı́nimos quadrados
Como nem sempre Ax∗ = b tem solução podemos projetar b em C(A) e
Ax∗ = b →− AT Ax∗ = AT b →
− x∗ = (AT A)−1 AT b assim x∗ é uma solução em
mı́nimos quadrados.
Vetores Ortonormais
Os vetores q1 , · · · , qk são ditos ortogonais se qiT qj = 0, para i 6= j diremos
que são ortonormais se além de ortogonais, eles forem unitários, ou seja,
qiT qi = 1 para qualquer i.
Lema 3 Vetores ortogonais são sempre LI
Matriz Ortogonais
Diremos que uma matriz é ortogonal se suas colunas são ortogonais ou Qm×n
é ortogonal se QT Q = In×n . Se Q for quadrada então QT = Q−1
• Matrizes ortogonais preservam o comprimento: |Qx| = |x|
4
v1 , v2 (LI) →
− u1 , u2 (Ortogonal) →
− q1 , q2 (Ortonormal)
Determinante
Se A é uma matriz 2 × 2 então det(A) = a11 a22 − a12 a21
Propriedades:
5
Fórmula dos pivôs
Q
Como det A = ± pi , onde pi é o i-ésimo pivô, pi pode ser escrito como
(supondo que exista ao menos um pivô).
det Ai
pi =
det Ai−1
Co-fatores
Ver em Explicação Co-fator.
Regra de Cramer
Usando a fórmula acima temos que a solução de Ax = b pode ser escrita
como
1
x= CT b
det A
A Regra de Cramer é outra forma de olhar a equação:
det Bj
xj =
det A
onde Bj é a matriz A trocando a coluna j por b.
Área de um triângulo em R2
A área de um triângulo em R2 é definida dadas as coordenadas dos vértices
por:
1 1 1
1
A = x1 x2 x3
2
y1 y2 y3
6
Produto Vetorial em R3
O produto vetorial de dois vetores u, v ∈ R3 é definido como
e1 e2 e3
u × v = u1 u2 u3 = (u2 v3 − u3 v2 )e1 + (u3 v1 − u1 v3 )e2 + (u1 v2 − u2 v1 )e3
v1 v2 v3
• v × u = −(u × v)
• u · (u × v) = v · (u × v) = 0
• u×u=0
• |u × v| = |u||v|| sin θ|
Autovalores e Autovetores
Definição 1 Diremos que λ é um autovalor de A se existe x tal que Ax =
λx e x é dito autovetor de A e por linearidade αx é autovetor para ∀α ∈ R.
7
Propriedades
• Se Ax = λx e Bx = µx, então λ + µ é autovalor de A + B.
• Ak x = λk x
• det A = λ1 · · · λn
Diagonalização
Teorema 4 Os autovetores são LI quando os seus respectivos autovalores
são distintos.
S −1 AS = Λ
Onde Λ é uma matriz diagonal com os termos λi e AS = SΛ
MA e MG
A multiplicidade algébrica (MA) de um autovalor λ como multiplici-
dade da raiz no polinômio caracterı́stico. Já a multiplicidade geométrica
(MG) de um autovalor λ é a dim(N (A − λI)) = dim(Eλ ). Se M G = M A
para todo autovalor, então A é diagonalizável.
Potências de Matrizes
Teorema 5 Se todo autovalor satisfaz |λ| < 1, então Ak → 0, quando k →
+∞.
8
Teorema Espectral
Teorema 6 Se A é uma matriz simétrica (AT = A), então existe uma matriz
ortogonal Q tal que A = QΛQT , ou seja, A é diagonalizável.
Autovalores Reais
Teorema 7 Se A é simétrica, então seus autovalores são reais.
Autovetores Ortogonais
Teorema 8 Se A possui λ1 6= λ2 , com respectivos autovetores x1 , x2 , então
x1 ⊥x2
Autovalores e Pivôs
Lema 9 O número de pivôs é igual ao número de autovalores não nulos.
u0 (t) = λu(t)
A solução é u(t) = Ceλt , onde C é uma constante definida usando o valor
de u(0), por exemplo.
Podemos muitas equações então se escrevemos
u1 (t)
u(t) = ...
un (t)
E tomamos todas as equações na forma de matriz:
9
u0 (t) = Au(t)
Onde A é uma matriz n × n e u(0) é dado. Suponha que A é diagonal,
então as equações são desacopladas (e fica mais fácil resolver). Então no caso
em que A é diagonalizável, a ideia é mudar de base usando os autovetores de
A e resolver as equações desacopladas.
(I − A)−1 (Aplicação)
Suponha A é diagonalizável e |λi | < 1 (λi é o i-ésimo autovetor de A), assim
An → 0 quando n → +∞. Então
+∞
X
−1
(I − A) = An = I − An−1 = I
n=0
10
u(t) = SeΛt S −1 u(0)
Daı́ achamos y(t) = c1 eλ1 t + c2 eλ2 t , onde c1 , c2 são constantes e dependem
de A que depende de b, k.
Formas Quadráticas
Uma forma quadrática em R2 é uma equação da forma
ax2 + 2bxy + cy 2 = 1
Pn
E usando o Teorema Espectral xT Ax = y T Λy = i=1 λi yi2 onde y = QT
(ou yi = qiT x)
Positiva Definida
Definição 3 Diremos que A é positiva definida se xT Ax > 0. A matriz
A é dita positiva semi-definida se xT Ax ≤ 0
11
Decomposição de Cholesky
Definição 4 Dada uma matriz positiva definida A, a sua decomposição de
Cholesky é uma raiz quadrada triangular inferior, A = CC T .
• Para j = 1, · · · , r, definimos
Aqj
uj =
σj
• Complete a base ortonormal com ur+1 , · · · , un
• Σ é uma matriz diagonal com Σjj = σj
• E V = Q. Logo
12
Exemplo de SVD
1 1
Encontrar U, V, Σ para a matriz A = 0
1 .
1 0
2 1
AT A =
1 2
Calculando os
√ autovalores fica λ1 = 3 e λ2 = 1 e então temos os valores
singulares σ1 = 3 e "σ2 = 1. #
√1 √1
2 2
Temos V = Q = √1
, note que a posição dos autovetores q1 e
2
− √12
q2 na matriz
√Q é de
acordo com os autovalores.
3 0
E Σ = 0 1 , diagonal com os valores singulares.
0 0
Como U é 3 × 3, vamos calcular u1 , u2 e u3
2
√
6
Aq1 √1
u1 = =
6
σ1
√1
6
0
Aq2 √1
u2 = = − 2
σ2 √1
2
1
3
u3 = e1 − (eT1 u1 )u1 − (eT1 u2 )u2 = − 31
− 31
Note
2que u3 não 1está normalizado, então normalizando u3 a matriz fica
√ 0 √
√16 − √1 − √31
U = 6 2 3
√1 √1 − √1
6 2 3
13
• u1 , · · · , ur é uma base ortonormal para C(A).
Transformações Lineares
Definição 6 Sejam U e V dois espaços vetoriais. Diremos que T : U → V
é uma transformação linear se
• T (u + v) = T (u) + T (v)
• T (αu) = αT (u)
14