Baixe o app para aproveitar ainda mais
Prévia do material em texto
O Espaço Vetorial Rn: Formas Quadráticas Apresentação A ortogonalidade, propriedade definida pelo produto escalar, pode ser usada para decompor vetores e matriz. Esse conceito será usado para revisitar a diagonalização de matrizes (em particular, a diagonalização de matrizes simétricas) e estudar suas consequências. Para que você possa acompanhar adequadamente esta unidade, é necessário que se lembre de: fatoração LU, cálculo de determinantes, cálculo de autovalores e autovetores, subespaços definidos por autovalores de uma matriz, diagonalização de matrizes, bases, matriz mudança de base, bases ortogonais e ortonormais. Nesta Unidade de Aprendizagem, você vai aprender a diagonalizar uma matriz simétrica por uma matriz dita ortogonal, como isso define, manipula e classifica as formas quadráticas do Rn e como calculamos a Decomposição de Cholesky para matrizes simétricas positivas. Bons estudos. Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados: Definir formas quadráticas. • Reconhecer uma matriz positiva definida. • Resolver o algoritmo para a Decomposição de Cholesky.• Infográfico As formas quadráticas estão associadas a matrizes simétricas de forma que a diagonalização, por matrizes ortogonais dessas matrizes, nos revela uma mudança de coordenadas que reescreve a forma quadrática numa forma sem termos cruzados. Isso possibilita a classificação da forma quadrática e da matriz associada por seus autovalores e permite, em alguns casos, calcular a Decomposição de Cholesky da matriz simétrica associada. Veja, no Infográfico a seguir, quais são os elementos necessários para o cálculo da diagonalização por matrizes ortogonais de matrizes simétricas, a definição e a mudança de variáveis de uma forma quadrática, como identificar matrizes simétricas positivas e o algoritmo da Decomposição de Cholesky. Conteúdo do livro A ortogonalização permite simplificar a decomposição de vetores e a fatoração de matrizes. Na análise de sinais, nas simulações por método de Monte Carlo, é comum o uso de pesados algoritmos computacionais para o cálculo de seus resultados. Por sorte, esses sistemas dependem de matrizes simétricas positivas que permitem o uso da Decomposição de Cholesky. No capítulo O espaço vetorial Rn: formas quadráticas, da obra Álgebra linear, que serve de base teórica para esta Unidade de Aprendizagem, você vai ver como as matrizes simétricas são diagonalizáveis por matrizes formadas por vetores coluna de uma base ortonormal do Rn. Esse processo é responsável por definir, manipular e classificar as formas quadráticas do Rn, e também ensina uma decomposição LU particular, a Decomposição de Cholesky. Essa decomposição, quando possível, agiliza em muito os resultados dos algoritmos computacionais associados. Boa leitura. ÁLGEBRA LINEAR Marcelo Maximiliano Danesi O espaço vetorial ℝn : formas quadráticas Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Definir formas quadráticas. � Reconhecer uma matriz positiva definida. � Resolver o algoritmo para a Decomposição de Cholesky. Introdução Neste capítulo, você aprenderá sobre matrizes ortogonais, matrizes simétricas, as propriedades que permitem reescrever as matrizes simé- tricas a partir de matrizes ortogonais, o uso desse método para formas quadráticas, a classificação de matrizes simétricas em relação aos seus autovalores e o cálculo da Decomposição de Cholesky para matrizes de uma classe das simétricas. Para uma matriz simétrica, seus autovalores e autovetores são essen- ciais para um tipo especial de diagonalização. Usaremos essa decom- posição para definir e reescrever as formas quadráticas -dimensionais e classificá-las. Veremos, também, como a diagonalização de matrizes simétricas por matrizes ortogonais permite calcular uma forma especial de decomposição LU: a decomposição de Cholesky — que, quando possível, requer aproximadamente metade do número de operações necessário na fase de eliminação da fatoração LU. Decomposição espectral e formas quadráticas Uma matriz A, n × n, é dita ortogonal se: A ∙ AT = AT ∙ A = I Isto é, se: A–1 = AT Considere as matrizes quadradas: A = –3/5 4/5 4/5 3/5 B = 1/√5 2/√6 –2/√30 –2/√5 1/√6 –1/√30 0 1/√6 5/√30 Mostre que A e B são matrizes ortogonais pela definição. Solução: A forma mais simples é calcular o produto da matriz pela sua transposta. Se esse produto resultar na matriz identidade, então, a matriz em questão será ortogonal. A · AT = –3/5 4/5 4/5 3/5 –3/5 4/5 4/5 3/5· = 1 0 0 1 B · BT = 1/√5 2/√6 –2/√30 –2/√5 1/√6 –1/√30 0 1/√6 5/√30 1/√5 –2/√5 0 2/√6 1/√6 1/√6 –2/√30 –1/√30 5/√30 . = 1 0 0 0 1 0 0 0 1 O espaço vetorial ℝn : formas quadráticas2 O exemplo anterior é interessante por mostrar uma propriedade entre linhas e colunas de uma matriz ortogonal frente ao produto escalar. Se A é matriz n × n, então as afirmações a seguir são equivalentes. a) A é ortogonal. b) Os vetores coluna de A formam uma base ortonormal do ℝn. c) Os vetores linha de A formam uma base ortonormal do ℝn. Isso significa que as matrizes ortogonais são essencialmente matrizes de mudança de base. Uma matriz A = [aij], n × n, é dita simétrica se: AT = A Isto é, se para cada i, j = 1, ..., n aij = aji Um caso particular de matriz simétrica são as matrizes diagonais. Uma matriz D = [dij], n × n é dita diagonal se dij = 0 para i ≠ j, e i, j = 1, ..., n, isto é, uma matriz diagonal apresenta entradas nulas em todas as posições fora da diagonal principal. 3O espaço vetorial ℝn : formas quadráticas Estas matrizes são simétricas: A = 3 –4 –4 –3 B = 1 5 0 5 –2 –3 0 –3 0 C = –2 0 0 0 0 0 0 0 5 Em particular, C é uma matriz diagonal. Estamos definindo essas características para mostrar, no exemplo a se- guir, a relação entre matrizes ortogonais e simétricas. Generalizaremos esse resultado na sequência. Diagonalize a matriz simétrica: A = 3 –4 –4 –3 Solução: A equação característica de A é: det(A – λI) = 0 det 3 – λ –4 –4 –3 – λ = 0 (3 – λ)(–3 – λ) –16 = 0 –9 – 3λ + 3λ + λ2 – 16 =0 λ2 – 25 = 0 O espaço vetorial ℝn : formas quadráticas4 Isto é, A tem autovalores λ1 = 5 e λ2 = –5. Calculando os respectivos autovetores, temos o seguinte. � Para λ1 = 5: (A – 5I) ∙ = x1 x2 0 0 ∙ = x1 x2 0 0 –2 –4 –4 –5 que nos leva a: 1x1 + 2x2 = 0 x2 = x2{ Portanto, o autovetor associado é o vetor v→1 = (–2,1). � Para λ2 = –5: (A + 5I) ∙ = x1 x2 0 0 ∙ = x1 x2 0 0 8 –4 –4 2 que nos leva a: x1 = x1 –2x1 + x2 = 0{ Portanto, o autovetor associado é o vetor v→2 = (1,2). Assim, A contém dois autovalores reais e distintos com autovetores formando uma base: C = {v→1 = (–2,1), v → 2 = (1,2)} ortogonal do ℝ2. Lembrando-se de que qualquer múltiplo de um autovetor também é um autovetor associado ao mesmo autovalor, podemos normalizar a base B e construir uma base ortonormal de autovetores: G = , ,–2 √5 1 √5 ,1 √5 2 √5{ { 5O espaço vetorial ℝn : formas quadráticas Dessa forma, P = e D =–2/√5 1/√5 1/√5 2/√5 5 0 0 –5 P–1AP = Dsão matrizes tal que: P–1AP = D Como P é ortogonal, P–1 = PT. Logo: –2/√5 1/√5 1/√5 2/√5 –2/√5 1/√5 1/√5 2/√5 5 0 0 –5 3 –4 –4 –3 = Isto é, a matriz simétrica A é diagonalizável por uma matriz ortogonal formada pelos seus autovetores. O resultado do exemplo não é uma coincidência. Inclusive, podemos enunciar que: uma matriz A, n × n, é diagonalizável por matriz ortogonal se, e somente se, A for matriz simétrica. Outras propriedades de uma matriz A, n × n, simétrica são as seguintes. a) A tem n autovalores reais, contando multiplicidades. b) A dimensão do subespaço correspondente a cada autovalor λ é igual à multiplicidade da raiz λ na equação característica de A. c) Os subespaços definidos por cada autovalor são ortogonais entre si, no sentido que os autovetores correspondentesa autovalores distintos são ortogonais. Em suma, toda matriz simétrica é diagonalizável por uma matriz ortogonal composta por autovetores. Mas como proceder quando temos raízes múltiplas na equação característica? O espaço vetorial ℝn : formas quadráticas6 Diagonalize a matriz simétrica: A = 2 –2 –4 –2 5 –2 –4 –2 2 Solução: A equação característica de A é: – λ³ + 9λ² – 108 = 0 que pode ser fatorada em: (λ + 3)(λ – 6)² = 0 Isto é, A tem autovalores λ1 = –3, λ2 = 6 e λ3 = 6. Calculando os respectivos autovetores, temos o seguinte. � Para λ1 = –3: (A + 3I) ∙ = x1 x2 x3 0 0 0 ∙ = x1 x2 x3 0 0 0 5 –2 –4 –2 8 –2 –4 –2 5 que nos leva a: 1x1 – 2x2 = 0 x2 = x2 –2x2 + x3 = 0 { Portanto, o autovetor associado é o vetor v→1 = (2,1,2). 7O espaço vetorial ℝn : formas quadráticas � Para λ2, λ3 = 6: (A – 6I) ∙ = x1 x2 x3 0 0 0 ∙ = x1 x2 x3 0 0 0 –4 –2 –4 –2 –1 –2 –4 –2 –4 que nos leva a: x1 = x1 2x1 + 1x2 + 2x3 = 0 x3 = x3 { ou, na forma vetorial: x1 x2 x3 = x1 + x3 1 –2 0 0 –2 1 Portanto, os autovetores associados são os vetores v→2 = (1,–2,0), v → 3 = (0,–2,1). Isso nos mostra que o subespaço associado ao autovalor λ2, λ3 = 6 tem dimensão 2 e é ortogonal ao subespaço determinado pelo autovalor λ1 = –3. Contudo, a base associada a λ2, λ3 = 6 não é ortogonal. O que faremos é ortogonalizar o conjunto {v→2, v → 3} a fim de encontrar uma base ortogonal do subespaço definido pelo autovalor λ2, λ3 = 6. Podemos fazer essa ortogonalização devido ao fato de que uma combinação linear de autovetores do mesmo autovalor também é um autovetor associado ao mesmo autovalor. Aplicando o método de Gram-Schmidt à base {v→2, v → 3}, obtemos a base ortogonal: (1,–2,0), (–4,–2,5) 1 5{ } Assim, A contém três autovalores reais (contando multiplicidade) com autovetores formando uma base ortogonal do ℝ2: C = (2,1,2), (1,–2,0), (–4,–2,5) 1 5{ } O espaço vetorial ℝn : formas quadráticas8 Lembrando-se de que qualquer múltiplo de um autovetor também é um autovetor associado ao mesmo autovalor, podemos normalizar a base B e construir uma base ortonormal de autovetores: G = , 2 3 , ,1 3 2 3 , , 01 √5 , ,–2 √5 –4 √45 ,–2 √45 5 √45{ } Dessa forma: 2/3 1/√5 –4/√45 1/3 –2/√5 –2/√45 2/3 0 5/√45 P = e D = –3 0 0 0 6 0 0 0 6 são matrizes tal que: P–1AP = D Como P é ortogonal, P–1 = PT. Logo: –3 0 0 0 6 0 0 0 6 2/3 1/3 2/3 1/√5 –2/√5 0 –4/√45 –2/√45 5/√45 2/3 1/√5 –4/√45 1/3 –2/√5 –2/√45 2/3 0 5/√45 2 –2 –4 –2 5 –2 –4 –2 2 = Isto é, a matriz simétrica A é diagonalizável por uma matriz ortogonal formada pelos seus autovetores. Como esse exemplo ilustra, o processo de diagonalizar ortogonalmente uma matriz simétrica A, n × n, pode ser descrito pelo algoritmo a seguir. a) Calcule as raízes reais (contando multiplicidade) da equação caracte- rística de A. b) Encontre a base de autovetores associada a cada autovalor. c) Use o método de Gram-Schmidt em cada uma das bases encontradas para obter uma base ortonormal do subespaço associado a cada autovalor. d) Escreva as matrizes a seguir, respeitando a ordem que o autovalor λi está associado ao autovetor coluna v → i. P = [v → 1 v → 2 ... v → n] e 9O espaço vetorial ℝn : formas quadráticas D = λ1 ... 0 0 ⋮ λ1 ... 0 0 ⋮ ⋱ ⋮ 0 0 ... λn . e) Escreva a diagonalização ortogonal de A, de forma que: PTAP = D D = λ1 ... 0 0 ⋮ λ1 ... 0 0 ⋮ ⋱ ⋮ 0 0 ... λn Note que, no algoritmo de diagonalização ortogonal, a matriz P é ortogonal, e a matriz D é diagonal. Uma consequência da decomposição descrita anteriormente é que, respei- tando a notação anterior, podemos escrever a matriz A como: A = PDPT Isto é, λ1 ... 0 0 ⋮ λ2 ... 0 0 ⋮ ⋱ ⋮ 0 0 ... λn A = [v→1 v → 2 ... v → n] v→1 v→2 ⋮ v→n T T T o que é equivalente a escrever: A = λ1v → 1v → 1 + λ2v → 2v → 2 + ... + λnv → nv → n T T T O espaço vetorial ℝn : formas quadráticas10 que é denominada decomposição espectral da matriz A. Para fins de cálculo, vale ressaltar que v→iv → i T é o produto matricial da matriz v→i, n × 1, pela matriz v→iT, 1 × n, resultando numa matriz n × n. Pelo cálculo do exemplo anterior, podemos afirmar que a diagonalização de: A = 2 –2 –4 –2 5 –2 –4 –2 2 nos dá que: –3 0 0 0 6 0 0 0 6 2/3 1/3 2/3 1/√5 –2/√5 0 –4/√45 –2/√45 5/√45 2/3 1/√5 –4/√45 1/3 –2/√5 –2/√45 2/3 0 5/√45 A = Assim, a decomposição espectral de A é: A = –3 [2/3 1/3 2/3] + 6 [1/√5 –2/√5 0] 2/3 1/3 2/3 1/√5 –2/√5 0 –4/√45 –2/√45 5/√45 + 6 [–4/√45 – 2/√45 5/√45] Formas quadráticas Uma forma quadrática é uma função Q: ℝn → ℝ que transforma o vetor x→ = (x1, x2, ..., xn) no número real dado pela expressão: Q(x→) = x→ Ax→ = [x1 x2 ... xn] A T x1 x2 ⋮ xn onde A é uma matriz simétrica n × n associada à forma quadrática Q. 11O espaço vetorial ℝn : formas quadráticas No ℝ2, escreva a expressão que calcula Q se: A = 3 –4 –4 –3 Pela definição: Q(x1, x2) = [x1 x2] 3 –4 –4 –3 x1 x2 Logo: Q(x1, x2) = 3x1 – 3x2 – 8x1x2 2 2 É um pouco complicado representar por fórmulas, mas, fixado n ∈ ℕ, dada uma expressão quadrática: Q(x1, x2, ..., xn) = α1x1 + α2x2 + ... + αnxn + β1,2x1x2 + ... + βn–1,nxn–1xn2 2 2 Com α1, ..., αn, β1,2, ..., βn–1,n ∈ ℝ, sempre conseguiremos encontrar uma matriz simétrica A, n × n, que reduz a expressão acima a uma forma quadrá- tica. Para tanto, basta ocupar a diagonal principal de A com os coeficientes dos termos xi2 e dividir igualmente, entre as posições (i,j) e ( j,i) de A, i ≠ j, os coeficientes dos termos cruzados xixj. O espaço vetorial ℝn : formas quadráticas12 Escreva a matriz simétrica associada à expressão quadrática: Q(x1, x2, x3) = 1x1 – 3x2 – 2x3 – 7x1x2 – 5x1x3 – 4x2x3 2 2 2 Pelo que observamos, a matriz simétrica A = [aij] contém, na diagonal principal, os elementos: a11 = 1, a22 = –3, a33 = 2 e, nas posições anteriores da diagonal principal (i < j), os elementos: a12 = –7/2, a13 = 5/2, a23 = –4/2 De forma simétrica, preenchemos as demais posições, e a matriz A é: A = 1 –7/2 5/2 –7/2 – 3 –2 5/2 –2 2 Mudança de variáveis nas formas quadráticas É fato que os termos cruzados xixj estão ligados aos termos fora da diagonal principal da matriz A. A dúvida que nos resta é: será que existe uma mudança de coordenadas de x→ = (x1, x2, ..., xn) para y → = (y1, y2, ..., yn) , de maneira que a forma quadrática nas novas coordenadas não contenha termos cruzados yiyj? A resposta é praticamente imediata, agora que compreendemos o processo de diagonalização de uma matriz simétrica por matrizes ortogonais. Dada uma matriz simétrica A, n × n, existem P e D matrizes n × n , tal que P é ortogonal e formada por uma base de autovetores de A, e D é uma matriz diagonal formada pelos autovalores de A. Se considerarmos a mudança de coordenadas: x→ = Py→ ou reciprocamente P–1x→ = y→, temos: Q(x→) = (Py→)T A(Py→) = y→T (PT AP)y→ = y→TDy→ 13O espaço vetorial ℝn : formas quadráticas Sendo essa última forma livre dos termos cruzados yiyj. Vamos aproveitar os exemplos anteriores para mostrar como a mudança de coordenadas funciona para uma forma quadrática do ℝ2. A forma quadrática Q(x1, x2) = 3x1 – 3x2 –8x1x2 2 2 tem matriz simétrica associada: A = 3 –4 –4 –3 que pode ser ortogonalmente diagonalizável por: P = e D =–2/√5 1/√5 1/√5 2/√5 5 0 0 –5 Se tomarmos a mudança de coordenadas: x1 = y1 + y2 –2 √5 1 √5 x2 = y1 + y2 1 √5 2 √5 ou reciprocamente: y1 = x1 + x2 –2 √5 1 √5 y2 = x1 + x2 1 √5 2 √5 podemos reescrever Q como: Q~(y1, y2) = 5y1 –5y2 2 2 O espaço vetorial ℝn : formas quadráticas14 Para o cálculo de P–1x→ = y→, lembre-se de que P–1 = PT, já que P é ortogonal. Nessas condições, as colunas de P são chamadas de eixos principais da formaquadrática Q(x→), enquanto que y→ é o vetor formado pelas coordenadas de x→ relativas à base ortonormal do ℝn, formada pelos eixos principais (que são autovetores de A). Repare também que, em relação a y→, a forma quadrática é dada pela soma dos termos yi2, e seus coeficientes são os autovalores de A. Uma forma quadrática tem por imagem o conjunto de todos os valores possíveis de Q(x→) com x→ variando em ℝn. A mudança de coordenadas x→ = Py→ não altera a imagem da forma quadrática, ou seja, a imagem de Q(x→) com x→, variando em ℝn, é igual à imagem de y→ TDy→ com y →, variando em ℝn. Matriz positiva definida Dada uma forma quadrática, existe uma mudança de coordenadas x→ = Py→, tal que: Q(x→) = λ1y1 + λ2y2 + ... + λnyn 2 2 2 onde λ1, λ2, ..., λn ∈ ℝ são os autovalores da matriz simétrica associada a Q(x→). Essa conclusão nos permite classificar a forma Q(x→) por meio dos autovalores λ1, λ2, ..., λn. Dada A matriz simétrica, n × n, e Q(x→) forma quadrática definida por A, dizemos que a forma Q é: 15O espaço vetorial ℝn : formas quadráticas � positiva definida se, e somente se, todos os autovalores de A forem positivos e, nesse caso, Q(x→) > 0 se x→ ≠ 0→; � negativa definida se, e somente se, todos os autovalores de A forem negativos e, nesse caso, Q(x→) < 0 se x→ ≠ 0→; � indefinida se, e somente se, A tiver, pelo menos, um autovalor positivo e um autovalor negativo. Um cuidado que devemos ter ao tentar classificar a forma Q a partir da matriz A é que os sinais das entradas de A não determinam a classificação de Q. Veja, a seguir, o caso de uma matriz simétrica A com todas as entradas positivas, mas que define uma forma indefinida. A matriz simétrica A = 2 4 4 3 define a forma quadrática: Q(x1, x2) = 2x1 + 3x2 + 8x1x2 2 2 Contudo, essa forma não é positiva definida, pois: Q = + – < 0 1 2 2 4 3 4 8 4 –1 2 , Podemos verificar que Q é uma forma indefinida por meio do cálculo dos autovalores de A, que são: λ1 = e λ2 = 5 + √65 2 5 – √65 2 Isto é, λ1 > 0 e λ2 < 0. Identificando matrizes positivas A classificação da forma quadrática Q por meio dos autovalores da matriz simétrica A pode ser estendida para a matriz A, isto é, se todos os autovalores de A são positivos, dizemos que A é matriz simétrica positiva definida. Em particular, as matrizes positivas definidas são as matrizes simétricas mais O espaço vetorial ℝn : formas quadráticas16 importantes nas aplicações da teoria. Então, falaremos um pouco mais sobre como identificar se uma matriz simétrica é positiva definida sem calcular os seus autovalores. Dada uma matriz A, n × n, tal que A = [aij], definimos a k-ésima submatriz principal de A como sendo, para cada k = 1, ..., n, a matriz: Ak = a11 a12 ... a1k a21 a22 ... a2k ⋮ ⋮ ⋱ ⋮ ak1 ak2 ... akk Assim, uma matriz simétrica A é positiva definida se, e somente se, o determinante de cada submatriz principal de A for positivo. A matriz simétrica do exemplo anterior: A = 2 4 4 3 tem submatrizes principais: A1 = [2] A2 = = A 2 4 4 3 Calculando os determinantes dessas matrizes, percebemos que: det(A1) = 2 > 0 det(A2) = –10 < 0 Portanto, A não é positiva definida. O exemplo anterior mostra que esse critério não nos dá os valores dos autovalores, mas permite identificar se a matriz simétrica A é positiva definida ou não. 17O espaço vetorial ℝn : formas quadráticas A matriz simétrica: 1 –1 –1 –1 –1 4 2 0 –1 2 3 1 –1 0 1 2 B = tem submatrizes principais: B1 = [1] B2 = 1 –1 –1 4 B3 = 1 –1 –1 –1 4 2 –1 2 3 B4 = B Calculando os determinantes dessas matrizes, temos que: det(B1) = 1 det(B2) = 3 det(B3) = 5 det(B4) = 3 Portanto, podemos afirmar que B é positiva definida sem calcular os autovalores de B. Fatoração de Cholesky Quando uma matriz simétrica A é positiva definida, podemos aplicar um tipo decomposição muito útil para uma importante classe de algoritmos computa- cionais. Algebricamente, essa decomposição é consequência da fatoração LU. Contudo, para calcularmos a fatoração de Cholesky, não precisamos calcular as matrizes L e U, poupando, assim, um esforço computacional considerável. O espaço vetorial ℝn : formas quadráticas18 Dada uma matriz simétrica A = [aij], n × n, A é positiva definida se, e so- mente se, existir uma única matriz L, n × n, triangular inferior com elementos da diagonal estritamente positivos, tal que: A = L ∙ LT A fatoração de Cholesky possibilita calcular a matriz L = [lij], entrada por entrada, de forma recorrente, de acordo com os seguintes passos. 1. Para as entradas acima da diagonal principal (i < j), lij = 0 2. Para a primeira coluna: l11 = √a11 li1 = se i = 2, ..., n ai1 l11 3. Da segunda linha em diante, calculamos entrada por entrada, de acordo com: lij = , se 1 < j < i ≤ n aij – (li1lj1 + li2lj2 + ... + li(j–1)lj(j–1) ljj lii = √aii – (li1 + li2 + ... + li(i–1)), se i = 2, ..., n 2 2 2 Aplique a decomposição de Cholesky à matriz simétrica: A = 2 –2 –4 –2 5 –2 –4 –2 21 19O espaço vetorial ℝn : formas quadráticas Solução: Explicitamente, L é uma matriz 3 × 3, tal que: L = l11 l12 l13 l21 l22 l23 l31 l32 l33 Assim, para as entradas acima da diagonal principal: l12 = l13 = l23 = 0 Para a primeira coluna, calculamos: l11 = √a11 = √2 e l21 = a21 l11 = –2 √2 l31 = a31 l11 = –4 √2 Para a segunda linha, calculamos: l22 = √a22 – l21 = √5 – (–2/√2) 2 = √5 – 2 = √32 Para a terceira linha, calculamos: l32 = = = a32 – l31l21 l22 –2 – (–4/√2)(–2/√2) √3 –6 √3 l33 = √a33 – (l31 + l32) = √21 – ((–4/√2)2 + (–6/√3)2) = √21 – (8 + 12) = 12 2 Logo: L = √2 0 0 –2/√2 √3 0 –4/√2 –6/√3 1 e A = √2 0 0 –2/√2 √3 0 –4/√2 –6/√3 1 2 –2 –4 –2 5 –2 –4 –2 21 = . √2 –2/√2 –4/√2 0 √3 –6/√3 0 0 1 O espaço vetorial ℝn : formas quadráticas20 É importante ressaltar que, enquanto A for uma matriz simétrica positiva de- finida, todas as operações (quocientes e raízes quadradas) estão bem-definidas, e podemos calcular a matriz L de acordo com o algoritmo da decomposição de Cholesky. Aplique a decomposição de Cholesky à matriz simétrica: 1 –1 –1 –1 –1 4 2 0 –1 2 3 1 –1 0 1 2 B = Solução: Explicitamente, L é uma matriz 4 × 4, tal que: L = l11 l12 l13 l14 l21 l22 l23 l24 l31 l32 l33 l34 l41 l42 l43 l44 Assim, para as entradas acima da diagonal principal: l12 = l13 = l14 = l23 = l24 = l34 = 0 Para a primeira coluna, calculamos: l11 = √a11 = √1 =1 e l21 = = = –1 a21 l11 –1 1 l31 = = = –1 a31 l11 –1 1 l41 = = = –1 a41 l11 –1 1 21O espaço vetorial ℝn : formas quadráticas Para a segunda linha, calculamos: l22 = √a22 – l21 = √4 – 1 = √32 Para a terceira linha, calculamos: l32 = = = a32 – l32l21 l22 2 – (–1)(–1) √3 1 √3 l33 = √a33 – (l31 + l32) = √3 – ((–1)2 + (–1)2) = √3 – (1 + 1) = 12 2 Para a quarta linha, calculamos: l42 = = = a42 – l41l21 l22 0 – (–1)(–1) √3 –1 √3 l44 = √a44 – (l41 + l42 + l43) = √2 – ((–1)2 + (–1/√3)2 + (–1/3)2) = 2 2 2 √5 3 l43 = a43 – (l41l31 + l42l32) l33 = = 1 – ((–1)(–1) + (–1/√3)(1/√3)) 1 1 3 Logo: L = 1 0 0 0 –1 √3 0 0 –1 1/√3 1 0 –1 –1/√3 1/3 √5/3 e B = 1 –1 –1 –1 –1 4 2 0 –1 2 3 1 –1 0 1 2 = . 1 0 0 0 –1 √3 0 0 –1 1/√3 1 0 –1 –1/√3 1/3 √5/3 1 –1 –1 –1 0 √3 1/√3 –1/√3 0 0 1 1/3 0 0 0 √5/3 É curioso observar, nos últimos dois exemplos, que o trabalho computa- cional necessário para decomposição de B não é tão maior que o feito para a matriz A. Nesse sentido, é possível concluir que a decomposição de Cholesky é computacionalmente viável mesmo para matrizes de tamanho considerável. O espaço vetorial ℝn : formas quadráticas22 ANTON, H.; RORRES, C. Álgebra linear com aplicações. 10. ed. Porto Alegre: Bookman, 2012. CHAPRA,S. C.; CANALE, R. P. Métodos numéricos para engenharia. 7. ed. Porto Alegre: AMGH, 2016. LAY, D. C.; LAY, S. R.; MACDONALD, J. J. Álgebra linear e suas aplicações. 5. ed. Rio de Janeiro: LTC, 2018. Leituras recomendadas 23O espaço vetorial ℝn : formas quadráticas Dica do professor A diagonalização por matrizes ortogonais exige uma matriz formada por uma base ortonormal de autovetores. Você vai usar esse resultado para apresentar os cálculos necessários à ortogonalização e normalização de uma base formada a partir de autovalores reais repetidos. Você também terá a oportunidade de ver algumas estratégias para o cálculo e saber se o que calculou está correto. Nesta Dica do Professor, veja uma explicação do algoritmo para diagonalização ortogonal de uma matriz simétrica que possui autovalores repetidos. Para isso, você usará o método de Gram- Schmidt associado ao método de cálculo da base do complemento ortogonal de um subespaço do Rn. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. https://fast.player.liquidplatform.com/pApiv2/embed/cee29914fad5b594d8f5918df1e801fd/258842acbd9af173a27dd66335872083 Saiba + Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do professor: Formas quadráticas: interpretação e eixos principais No vídeo a seguir, o Prof. Ralph Costa Teixeira, da UFF, em vídeo para a SBM, interpreta algumas formas quadráticas do R2 e o que seus eixos principais representam. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. Identificação das quádricas Neste link, você encontra um extenso material da Unicamp com videoaulas e exercícios resolvidos falando da classificação das superfícies quadráticas em R3, de acordo com a geometria dos gráficos definidos por elas, e como a mudança de coordenadas pode ser visualizada geometricamente. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. Aplicações da fatoração de Cholesky em algoritmos computacionais A fatoração de Cholesky aparece em algoritmos computacionais como uma forma de diminuir o esforço computacional para o cálculo das soluções de problemas associados a, por exemplo, redes bayesianas ligadas ao estudo de inteligência artificial. Neste link, a mestre Viviane Teles de Lucca Maranhão, sob orientação do Prof. Dr. Julio Michael Stern (IME – USP), mostra, em sua dissertação de mestrado, vários problemas, os algoritmos atuais para o cálculo de suas soluções e qual o papel da Decomposição de Cholesky nesses algoritmos numa linguagem bastante acessível. https://www.youtube.com/embed/NyVQ6SKoB2I https://cursos.ime.unicamp.br/disciplinas/geometria-analitica/mudanc-de-coordenadas/classificacao-das-quadricas/ Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. Lista de exercícios Para aprender formas quadráticas, é importante que você treine fazendo diversos exercícios. Para tanto, baixe a lista de exercícios a seguir e resolva as questões. Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar. http://www.teses.usp.br/teses/disponiveis/45/45132/tde-27082013-111753/publico/Dissertacao_VivianeTelesLuccaMaranhao_pdf.pdf http://publica.sagah.com.br/publicador/objects/attachment/897446586/SaibaMaislistadeexerccios.pdf?v=714917700
Compartilhar