Ferramentas Matem´
aticas para Sistemas Lineares:
´
Algebra Linear
Samir Angelo Milani Martins1
1UFSJ-MG / Campus Santo Antˆonio, MG – Brasil
O que nos espera?
1 Bases, representa¸c˜ao e ortonormaliza¸c˜ao
2 Equa¸c˜oes alg´ebricas lineares
3 Transforma¸c˜ao de similaridade
4 Forma diagonal e forma de Jordan
5 Fun¸c˜oes de uma matriz quadrada Teorema de Cayley-Halmilton
´
Algebra Linear
Rever e introduzir conceitos e resultados de ´algebra linear, tais como:
• Bases de espa¸cos vetoriais e representa¸c˜oes;
• Resolu¸c˜ao de equa¸c˜oes alg´ebricas lineares;
• Diagonaliza¸c˜ao de matrizes;
• Fun¸c˜ao de matrizes;
• Matriz definida positiva;
Bases, representa¸c˜ao e ortonormaliza¸c˜ao
Dependˆencia linear
• Um conjunto de vetores [x1, x2, . . . , xm] em Rn ´e dito linearmente
dependente se existem n´umeros α1, α2, . . ., αm, n˜ao todos zeros em que α1x1+ α2x2+ . . . + αmxm = 0.
• Combina¸c˜ao linear x1 = −α11 [α2x2+ α3x3+ . . . + αmxm] . • Adimens˜ao de um espa¸co linear pode ser definido como o n´umero m´aximo de vetores linearmente independentes.
Bases e representa¸c˜ao
• Todo vetor x em Rn pode ser expresso unicamente como x = α1q1+ α2q2+ . . . + αnqn.
• O conjunto de vetores linearmente independentes Q = [q1, q2, . . . , qn] ´e uma base do espa¸co.
• O conjunto de n´umeros [α1,α2, . . . , αn] ´e arepresenta¸c˜ao do vetor em rela¸c˜ao a base Q.
Exerc´ıcio: Considere os vetores x = 1 3 , q1 = 3 1 e q2= 2 2 .
Determine a representa¸c˜ao de x em rela¸c˜ao a q1 e q2.
Normas de vetores
Qualquer fun¸c˜ao de valor real de x, denotada por kxk, pode ser definida como norma se tem as seguintes propriedades:
1 kxk ≥ 0 ∀ x e kxk = 0 se e s´o se x = 0. ; 2 kαxk = |α| kxk, para qualquer α real;
Norma um kxk1 = n X i=1 |xi| . Norma Euclideana kxk2 = √ x0x = n X i=1 |xi|2 !1 2 . Norma infinita kxk∞= maxi|xi| . Exerc´ıcio:
Calcule as normas um, Euclidiana e infinita do vetor x = 3 −1 4 0 .
Ortonormaliza¸c˜ao
Um conjunto de vetores ´e dito ortonormal se
x0ixj =
0, Se i 6= j, 1, Se i = j.
Procedimento de ortonormaliza¸c˜ao de Schmidt
u1 = e1, q1= u1 ku1k , u2 = e2− (q01e2)q1, q2 = u2 ku2k, um = em− m−1 X (q0em)q , qm= um .
Exerc´ıcio:
Encontre vetores ortonormais que sirvam como base do mesmo espa¸co determinado pelos vetores:
2 −3 1 e 1 1 1 .
Considere o conjunto de equa¸c˜oes alg´ebricas lineares
Ax = y.
A seguir a condi¸c˜ao de existˆencia e aforma da solu¸c˜ao geral da equa¸c˜ao acima ser´a discutida.
• Oespa¸co-coluna de A ´e definido como todas as poss´ıveis combina¸c˜oes lineares das colunas de A.
• Oposto de A ´e a dimens˜ao do Espa¸co-coluna.
• Um vetor x ´e chamadovetor nulo se Ax = 0.
• Anulidade ´e definida como o n´umero m´aximo de vetores nulos linearmente independentes de A.
• A nulidade pode ser dada pela rela¸c˜ao
Nulidade(A) = n´umero de colunas de A − posto(A).
Exerc´ıcio: Seja a matriz A = 0 1 1 2 1 2 3 4 2 0 2 0 .
Determine o posto, a nulidade e bases para o espa¸co-coluna e o espa¸co-nulo.
Teorema 3.1
1 - Seja uma matriz A m × n e um vetor y m × 1. Uma solu¸c˜ao x da equa¸c˜ao Ax = y existe se e s´o se y est´a no espa¸co-coluna de A ou, equivalentemente, ρ(A) = ρ([A y]).
2 - Seja uma matriz A. Uma solu¸c˜ao de Ax = y existe para todo y se e s´o se posto(A) = m.
Teorema 3.2 (Parametriza¸c˜ao das solu¸c˜oes)
Seja uma matriz A m × n, um vetor y m × 1, uma solu¸c˜ao xp da equa¸c˜ao Ax = y e k a nulidade.
Se k = 0 (posto(A) = n) ent˜ao a solu¸c˜ao xp ´e ´unica. Se k > 0 ent˜ao para todo real αi, i = 1, 2, . . . , k, o vetor x = xp+ α1n1+ . . . + αknk ´e uma solu¸c˜ao de Ax = y, sendo {n1, . . . ,nk,} a base do espa¸co-nulo de A.
Exerc´ıcio
Calcule uma parametriza¸c˜ao das solu¸c˜oes da equa¸c˜ao Ax = y descrita abaixo 0 1 1 2 1 2 3 4 2 0 2 0 x1 x2 x3 x4 = −4 −8 0 .
Determinantes e inversas de matrizes quadradas
• Se A ´e triangular ou diagonal ent˜ao o determinante ´e igual ao produto dos elementos da diagonal.
• O determinante de qualquer submatriz r × r de A ´e chamado demenor de ordem r .
• Se A tem posto r ent˜ao h´a no m´ınimo um menor de ordem r n˜ao nulo e todo menor de ordem maior que r ´e nulo.
• Uma matriz quadrada ´e ditan˜ao-singular se o determinante ´e diferente de zero.
Teorema 3.3
Seja a equa¸c˜ao Ax = y com A quadrada.
1- Se A ´e n˜ao-singular ent˜ao a equa¸c˜ao tem solu¸c˜ao ´unica para todo y e a solu¸c˜ao ´e igual a A−1y. Em particular a ´unica solu¸c˜ao de Ax = 0 ´e x = 0. 2- A equa¸c˜ao homogˆenea Ax = 0 tem solu¸c˜ao n˜ao nula se e s´o se A ´e singular. O n´umero de solu¸c˜oes linearmente independente ´e igual a nulidade de A.
Considere uma matriz A n × n que mapeia Rn em Rn.
• Se for associado com Rn a base canˆonica (ortonormal) ent˜ao a i-´esima coluna de A ´e a representa¸c˜ao de Aii com respeito a base ortonormal. • Se for selecionada uma base diferente {q1, q2, . . . , qn} ent˜ao a matriz A tem uma representa¸c˜ao diferente ¯A.
• A i-´esima coluna de ¯A ´e a representa¸c˜ao de Aqi com rela¸c˜ao `a base {q1, q2, . . . , qn}.
Exemplo de transforma¸c˜ao de similaridade Seja a equa¸c˜ao Ax = y sendo A = 3 2 −1 −2 1 0 4 3 1 e y = 2 1 3 . Considere a base Q =y Ay A2y = 2 5 −5 1 −3 −13 3 14 25 .
Exemplo de transforma¸c˜ao de similaridade (continua¸c˜ao)
O sistema transformado ser´a ¯A¯x = ¯y sendo ¯x = Q−1x,
¯ y = Q−1y = 0,8823 −0,2941 0,0588 e ¯ A = Q−1AQ (transforma¸c˜ao de similaridade) = 0 0 17 1 0 −15 0 1 5 .
As matrizes A e ¯A s˜ao chamadas similares.
Objetivo:
Introduzir uma transforma¸c˜ao de similaridade na qual arepresenta¸c˜ao da matriz ser´adiagonal oubloco diagonal.
Considere a rela¸c˜ao
Ax = λx A ´e uma matriz n × n,
λ ´e um n´umero real ou complexo chamado autovalor , x ´e um vetor n˜ao-nulo chamado autovetor .
C´alculo dos Autovalores e Autovetores
Ax = λx = λIx (A − λI) x = 0
• Para que x seja n˜ao-nulo, a matriz (A − λI) deve ser singular.
• Assim, a resolu¸c˜ao da equa¸c˜ao abaixo resulta os autovalores.
∆ (λ) = det (A − λI) = 0 (equa¸c˜ao caracter´ıstica) .
• Calculados os autovalores, os autovetores podem ser obtidos resolvendo (A − λI) x = 0.
Caso 1: Os autovalores s˜ao distintos
• Nesse caso, a representa¸c˜ao de A ser´a diagonal
¯ A = Q−1AQ = λ1 0 0 . . . 0 0 λ2 0 . . . 0 0 0 λ3 . . . 0 .. . ... ... ... 0 0 0 . . . λn .
O conjunto de vetores base que produzir˜ao a diagonaliza¸c˜ao ´e composto pelos autovetores associados aos autovalores calculados,
Q = [v1, v2, v3, . . . , vn] .
Exerc´ıcio
Calcule os autovalores e autovetores da matriz
A = 0 0 0 1 0 2 0 1 1 .
Caso 2: Os autovalores s˜ao complexos
Matriz diagonal J Q−1AQ ´e transformada na forma modal ¯ A = ¯Q−1J ¯Q. ¯ A = 1 0 0 0 1 1 0 j −j λ 0 0 0 α + jβ 0 0 0 α − jβ 1 0 0 0 0,5 −0,5j 0 0,5 0,5j . ¯ A = λ 0 0 0 α β 0 −β α
(matriz bloco diagonal).
Caso 2: Os autovalores s˜ao complexos (Continua¸c˜ao)
A matriz de transforma¸c˜ao P relaciona A e ¯A.
P−1= [v1, Re (v2) , Im (v2)]
sendo v1 o autovetor associado a λ,
Re (v2) a parte real do autovetor associado a α + jβ, Im (v2) a parte imagin´aria do autovetor associado a α + jβ.
¯
Exerc´ıcio
Calcule os autovalores e autovetores da matriz
A = −1 1 1 0 4 −13 0 1 0 .
Caso 3: Autovalores repetidos
• Nesse caso, a matriz A pode ter uma representa¸c˜ao diagonal ou bloco diagonal. Exemplos de matrizes bloco diagonais s˜ao mostrados abaixo.
A1= λ1 1 0 0 0 λ1 1 0 0 0 λ1 1 0 0 0 λ1 , A2= λ1 1 0 0 0 λ1 1 0 0 0 λ1 0 0 0 0 λ1 , A3= λ1 1 0 0 0 λ1 0 0 0 0 λ1 1 0 0 0 λ1 , A4= λ1 1 0 0 0 λ1 0 0 0 0 λ1 0 0 0 0 λ1 .
• No caso em que n˜ao h´a uma representa¸c˜ao diagonal, deve-se empregar como base os autovetores generalizados.
• Um vetor ´e chamado autovetores generalizados de grau n se
(A − λI)nv = 0
e
(A − λI)(n−1)v 6= 0.
Caso 3:Autovalores repetidos (continua¸c˜ao)
• C´alculo dos autovetores generalizados:
(A − λI) v1 = 0, (A − λI) v2 = v1, (A − λI) v3 = v2, (A − λI) v4 = v3.
Exerc´ıcio
Calcule os autovalores e autovetores da matriz
A = 11 −8,5 2,5 −2 11 −10 4 −2 15 −19 9 −2 6 −5,5 1,5 1 .
• Polinˆomios de uma matriz n × n:
Ak= AA . . . A, (k vezes) , A0 = I.
• Seja o polinˆomio f (λ) = λ3+ 2λ2− 6.
⇒ f (A) ´e definida como f (A) = A3+ 2A2− 6.
• Pode ser mostrado que f (A) = Pf ( ¯A)P−1.
• Polinˆomio mˆonico ´e um polinˆomio em que o coeficiente do termo de maior potˆencia ´e 1.
• Polinˆomio m´ınimo ´e definido como o polinˆomio mˆonico ψ(λ) de menor grau tal que ψ(A) = 0.
• O grau do polinˆomio m´ınimo corresponde a ordem do maior bloco de Jordan para autovalores repetido.
• A nulidade de (A − λI) corresponde ao n´umero de blocos de Jordan de autovalores repetidos. Exemplo A1= λ1 1 0 0 0 λ1 1 0 0 0 λ1 0 0 0 0 λ1 A2= λ1 1 0 0 0 λ1 0 0 0 0 λ1 1 0 0 0 λ1
Polinˆomio m´ınimo: (A1− λ1I)3
Nulidade: 2
Polinˆomio m´ınimo: (A2− λ1I)2
Nulidade: 2
• Conhe¸caCayley e Hamilton
Teorema de Cayley-Halmilton
Toda matriz A ∈ Cn×n satisfaz sua pr´opria equa¸c˜ao caracter´ıstica.
Ou seja, se Q(λ) = det (λI − A) = λn+ an−1λn−1+ . . . + a1λ + a0λ0= 0 Ent˜ao,
Q(A) = An+ an−1An−1+ . . . + a1A + a0A0= 0
Ax = λx, em que x ´e um autovetor e λ um autovalor portanto,
• Conhe¸caCayley e Hamilton
Teorema de Cayley-Halmilton
Toda matriz A ∈ Cn×n satisfaz sua pr´opria equa¸c˜ao caracter´ıstica.
Ou seja, se Q(λ) = det (λI − A) = λn+ an−1λn−1+ . . . + a1λ + a0λ0= 0 Ent˜ao,
Q(A) = An+ an−1An−1+ . . . + a1A + a0A0= 0
Ax = λx, em que x ´e um autovetor e λ um autovalor portanto,
(A − λI)x = 0 ⇒ det (A − λI) = det (λI − A) = 0
• Conhe¸caCayley e Hamilton
Teorema de Cayley-Halmilton
Toda matriz A ∈ Cn×n satisfaz sua pr´opria equa¸c˜ao caracter´ıstica.
Ou seja, se Q(λ) = det (λI − A) = λn+ an−1λn−1+ . . . + a1λ + a0λ0= 0 Ent˜ao,
Q(A) = An+ an−1An−1+ . . . + a1A + a0A0= 0
Ax = λx, em que x ´e um autovetor e λ um autovalor portanto,
Fun¸c˜oes de matriz quadrada • Ideia central:
Como A ´e solu¸c˜ao de sua equa¸c˜ao caracter´ıstica:
λn= −an−1λn−1− . . . − a1λ − a0λ0 (1)
Se multiplicarmos ambos os lados por λ:
⇒ Lado direito: λn+1
⇒ Lado esquerdo: λn, λn−1, . . . , λ1.
Substituindo λn pelo lado direito de (1), tem-se que
λn+1 pode ser escrito em termos de λn−1, λn−2, . . . , λ0
⇒ . . . generalizando
λn+k −→ λn−1, λn−2, . . . , λ0, para qualquer k
Fun¸c˜oes de matriz quadrada • Ideia central:
Como A ´e solu¸c˜ao de sua equa¸c˜ao caracter´ıstica:
λn= −an−1λn−1− . . . − a1λ − a0λ0 (1)
Se multiplicarmos ambos os lados por λ:
⇒ Lado direito: λn+1
⇒ Lado esquerdo: λn, λn−1, . . . , λ1.
Substituindo λn pelo lado direito de (1), tem-se que
• Assim, a s´erie (de Taylor) infinita: f (λ) = ˆβ0+ ˆβ1λ + ˆβ2λ2+ . . . = ∞ X i=0 ˆ βiλi
pode ser expressa como
f (λ) = β0+ β1λ + β2λ2+ . . . + βn−1λn−1 (2)
Resta determinar βi, i = 0, . . . , n − 1.
Em resumo:
Toda fun¸c˜ao f (A), A ∈ Cn×n, que possa ser expressa como uma s´erie de potˆencias: f (A) = ˆβ0I + ˆβ1A + ˆβ2A2+ . . . = ∞ X i=0 ˆ βiAi
pode ser calculada usando potˆencias de A menores ou iguais a n − 1:
f (A) = β0I + β1A + β2A2+ . . . βn−1An−1
Em resumo:
Toda fun¸c˜ao f (A), A ∈ Cn×n, que possa ser expressa como uma s´erie de potˆencias: f (A) = ˆβ0I + ˆβ1A + ˆβ2A2+ . . . = ∞ X i=0 ˆ βiAi
pode ser calculada usando potˆencias de A menores ou iguais a n − 1:
f (A) = β0I + β1A + β2A2+ . . . βn−1An−1
Como calcular βi, i = 1, . . . , n − 1?
Encontrando βi
• Suponha n autovalores distintos λ1,. . .,λn. Ent˜ao (2) ´e v´alida para
esses n autovalores: f (λ1) f (λ2) .. . f (λn) = 1 λ1 λ21 · · · λn−11 1 λ2 λ22 · · · λn−12 .. . ... ... . .. ... 1 λn λ2n · · · λn−1n | {z } Matriz deVandermonde β0 β1 .. . βn−1 (3)
O que permite calcular
β0 β 1 λ1 λ21 · · · λn−11 1 λ λ2 · · · λn−1 −1 f (λ1) f (λ )
no Matlab. . .
• Veja o comando vander(x), que monta a matriz de Vandermonde
⇒x =λ1 λ2 · · · λn
• Cuidado: Para usar vander(x) ´e preciso mudar a ordem das inc´ognitas:
f (λ1) f (λ2) .. . f (λn) | {z } F(λ) = λn−11 λn−21 · · · λ1 1 λn−12 λn−22 · · · λ2 1 .. . ... ... . .. ... λn−1n λn−2n · · · λn 1 | {z } V(λ) βn−1 βn−2 .. . β0 | {z } β(λ) (5) • Portanto, β(λ) = V−1(λ)F(λ)
Exemplo Sejam A(t) =2t 3 0 −4e−2t e f (A) = sin(A) + A2 ⇒ Calculando os autovalores: det(λI − A(t)) = 0 ⇒ (λ − 2t)(λ + 4e−2t) = 0 logo: λ1 = 2t e λ2 = −4e−2t ⇒ Monte as matrizes F(λ), V(λ) e β(λ): F(λ) = sin(2t) + (2t)2 sin(−4e−2t) + (−4e−2t)2 = sin(2t) + 4t2 − sin(4e−2t) + 16e−4t
⇒ No matlab:
syms L t % L = lambda;
A = [2*t 3; 0 -4*exp(-2*t)];
p = simple(det(L*eye(2)-A)); % p-> pol. caract. L1 = 2*t; L2 = -4*exp(-2*t); % autovalores f1 = sin(L1)+L1^2; f2 = sin(L2)+L2^2; F = [f1; f2]; V = [L1 1; L2 1]; betas = simple(inv(V)*F) β(λ) = sin(2 t)+4 t2+sin(4 e−2 t)−16 e−4 t 2 t+4 e−2 t 2 e−2 tsin(2 t)+8 e−2 tt2−t sin(4 e−2 t)+16 te−4 t t+2 e−2 t
⇒ Portanto, f (A) = sin(A) + A2 pode ser calculada como f (A) = sin (2 t) + 4 t 2+ sin 4 e−2 t − 16 e−4 t 2 t + 4 e−2 t I +2 e −2 tsin (2 t) + 8 e−2 tt2− t sin 4 e−2 t + 16 te−4 t t + 2 e−2 t A(t) ⇒ No matlab, para t = π/4: >> f = betas(1)*eye(2) + betas(2)*A; >> subs(f,t,pi/4) resulta:
E se os autovalores n˜ao s˜ao distintos?
Calcule os autovalores de A ∈ Cn×n; Fa¸ca f (A) = f (λ); (troque A por λ) Defina h(λ) um polinˆomio de grau n − 1; Calcule os coeficientes de h(λ) usando: f(`)(λ i) = h(`)(λi), ` = 0,1, . . . ,(ni− 1) e i = 0,1, . . . , m ⇒f(`)(λi) = d `f (λ) dλ` λ=λi ⇒h(`)(λ
i) definido de maneira similar. ⇒Calcule f (A) por meio de h(A).
Exerc´ıcios (sugest˜ao) 1 Sendo A = 1 0 0 0 1 0 −2 −3 −4 e B = −2.9474 −1.3158 0 0.8421 −5.0526 0 −1.6842 2.1053 −4 ,
calcule via Cayley-Hamilton:
a. e−At; b. At; c. A100; d. 3 sin Bt; e. eBt; f. e(A+B)t
Exerc´ıcio Calcule: a - A100 sabendo que A = 0 1 −1 −2 . b - eAt com A = 0 0 −2 0 1 0 1 0 3 .
S´erie de potˆencias
• Assuma que f (λ) possa ser expressa como
f (λ) = ∞ X
i=0 βiλi
com raio de convergˆencia ρ.
• Se todos os autovalores de A tem magnitude menor que ρ ent˜ao
f (A) = ∞ X
i=0 βiAi.
Resultados importantes e0 = I eA(t1+t2)= eAt1eAt2 eAt−1 = e−At deAt dt = Ae At= eAtA e(A+B)t6= eAteBt
LeAt = (sI − A)−1, sendo L [·] a transformada de Laplace. L de
At dt
= sLeAt − e0 = ALeAt
Equa¸c˜ao de Lyapunov
Considere a equa¸c˜ao
AM + MB = C
sendo A n × n, B m × m, e as matrizes C e D n × m. Como exemplo considere n = 3 e m = 4
a11 a12 a13 a21 a22 a23 a31 a32 a33 m11 m12 m21 m22 m31 m32 + m11 m12 m21 m22 m31 m32 b11 b12 b21 b22 = = c11 c12 c21 c22 c31 c32 .
A equa¸c˜ao pode ser reescrita como AM = C sendo A = a11+ b11 a12 a13 b21 0 0 a21 a22+ b11 a23 0 b21 0 a31 a32 a33+ b11 0 0 b21 b21 0 0 a11+ b22 a12 a13 0 b12 0 a21 a22+ b22 a23 0 0 b12 a31 a32 a33+ b22 , M = m11 m21 m31 m12 m22 m32 e C = c11 c21 c31 c12 c22 c32 .
Considere a equa¸c˜ao AM = ηM:
• O escalar η ´e um autovalor de A.
• Pode ser mostrado que ηk= λi+ µj sendo λi e µj os autovalores de A e B respectivamente.
• Se λi+ µj 6= 0 para todo i e j ent˜ao a solu¸c˜ao M existe e ´e ´unica. • Se λi+ µj = 0 para algum i e j ent˜ao a existˆencia de solu¸c˜ao depende de C. Caso exista n˜ao ser´a ´unica.
F´ormulas usuais
• Considere matrizes A m × n e B n × p. Tem-se que
ρ(AB) ≤ min(ρ(A),ρ(B)), sendo ρ o posto.
• Sejam as matrizes n˜ao-singulares A m × n, C m × n, D m × m, ent˜ao tem-se que
ρ(AC) = ρ(A) = ρ(DA).
• Seja M = A 0 C B ou M = A C 0 B assim det(M) = det(A)det(B).
Considere matrizes A m × n e B n × m: • Defina N = Im A 0 In , Q = Im 0 −B In e P = Im −A B In . • Pode ser mostrado que
det(QP) = det(NP) = det(P) = det(Im+ AB) = det(In+ BA).
• Em N, Q e P se In, Im e B s˜ao trocados respectivamente por √
sIn, √
sIm e −B obt´em-se
Forma quadr´atica e definida positiva
• Uma matriz quadrada M ´e chamada sim´etrica se M0 = M.
• Os autovalores de matrizes sim´etricas s˜ao todos reais.
• Uma matriz quadrada A ´e chamada ortonormal se A0A = I, ou seja, A−1= A0.
Teorema 3.6
Para toda matriz sim´etrica M, existe uma matriz ortogonal Q tal que
M = QDQ0 ou D = Q0MQ
sendo D a matriz diagonal com os autovalores de M, os quais ser˜ao reais.
Teorema 3.7
Uma matriz sim´etrica M n × n ´e definida positiva (ou semidefinida) se e somente se uma das condi¸c˜oes acontece:
1 Todo autovalor de M ´e positivo (ou zero);
2 Todos os principais menores de M s˜ao positivos (ou zeros);
3 Existe uma matriz n˜ao-singular N (n × n ou m × n sendo m < n) tal que M = N0N.
Teorema 3.8
1. Uma matriz H m × n com m ≥ n, tem posto n, se e somente se a matriz H0H n × n tem posto n, ou seja, det(H0H) 6= 0.
2. Uma matriz H m × n com m ≤ n, tem posto m, se e somente se a matriz HH0 m × m tem posto m, ou seja, det(HH0) 6= 0.
Obs.: Os autovalores n˜ao nulos de HH0 e HH0 s˜ao iguais. A diferen¸ca entre as matrizes est´a no n´umero de autovalores nulos.
Decomposi¸c˜ao em valores singulares
Seja H uma matriz real m × n. Defina M = H0H. Sabe-se que r ´e o n´umero de seus autovalores positivos. Os autovalores de M podem ser ordenados como
λ12≥ λ22 ≥ . . . λr2 > 0 = λr+1= . . . = λn.
Sejan = min(m,n). Ent˜e ao o conjunto
λ1≥ λ2 ≥ . . .λr> 0 = λr+1= . . . = λen.
´
Teorema 3.9 (decomposi¸c˜ao em valores singulares)
Toda matriz H m × n pode ser reescrita na forma
H = RSQ0
sendo R0R = RR0 = Im, Q0Q = QQ0= In e S m × n com valores singulares de H na diagonal.
Exerc´ıcio
1 - Calcule os valores singulares da matriz
H = −4 −1 2 2 0,5 −1 .
2 - Fa¸ca a decomposi¸c˜ao da matriz abaixo em valores singulares
K = 1 1 0 1 1 0 .
Normas de matrizes • Norma um kAk1= maxj n X i=1
|aij| = maior soma absoluta das colunas.
• Norma Euclideana
kAk2 = maior valor singular de A.
• Norma infinita kAk∞= maxi
n X j=1
|aij| = maior soma absoluta das linhas.
Norma de matrizes tem as seguintes propriedades: 1 kAxk ≤ kAk kxk;
2 kA + Bk ≤ kAk + kBk; 3 kABk ≤ kAk kBk.
Exerc´ıcio
Calcule as normas um, Euclidiana e infinita da matriz
H = −4 −1 2 2 0,5 −1 .