Decomposicao Matricial

CURSO DE NIVELAMENTO 2011 - PEQ/COPPE/UFRJ
PROF. ARGIMIRO
DECOMPOSIO MATRICIAL
Matemtica Aula 1

Decomposio Matricial

A decomposio matricial uma fatorao
1
de uma matriz em alguma forma cannica
ou padro. Existem diversas decomposies matriciais que so teis para determinadas
classes de problemas, como, por exemplo, a fatorao LU para a resoluo de sistemas de
equaes lineares e a decomposio em valores caractersticos para a anlise de estabilidade
de sistemas dinmicos. Geralmente estas decomposies so utilizadas para simplificar a
anlise de sistemas ou para implementar de maneira mais eficiente os algoritmos numricos
que envolvem operaes com matrizes e vetores.
Em muitas aplicaes prticas, vrios clculos matriciais, como inverso,
determinante e soluo de sistemas lineares no so factveis de serem realizados de forma
explcita tima. Desta forma, a converso de problemas de clculos matriciais difceis em
vrias tarefas mais fceis, como a soluo de sistemas triangulares ou diagonais, de grande
valia. Alm disto, matrizes de dados representando alguma observao numrica so
geralmente de grande dimenso e de difcil anlise e, portanto, a decomposio destas
matrizes em formas cannicas pode revelar suas caractersticas e estruturas inerentes,
ajudando na interpretao de seus significados de maneira mais rpida.
Nesta aula sero abordados os mtodos de decomposio matricial que tm grande
aplicao na engenharia qumica: decomposio em valores caractersticos, decomposio de
Jordan, decomposio em valores singulares, fatorao LU e fatorao QR. Alguns exemplos
tpicos, tais como anlise de estabilidade de sistemas dinmicos, seleo de estruturas de
controle e resoluo de sistemas lineares, sero usados na aula prtica para fixar a aplicao
destes mtodos. Na prxima seo sero apresentadas algumas definies e conceitos
necessrios para abordar os mtodos de decomposio.
A tabela a seguir lista outros mtodos de decomposio com os respectivos tipos de
matrizes em que podem ser aplicados.

1
Fatorao a decomposio de um objeto em um produto de outros objetos, ou fatores, que
multiplicados resultam no objeto original.
2 1. DECOMPOSIO MATRICIAL

Decomposio Tipo de Matriz Fatorao Notao
LU m n L U L: triangular inferior (m m)
U: triangular superior (m n)
LUP ou LU com
pivotamento parcial
m n P
-1
L U L: triangular inferior (m m)
U: triangular superior (m n)
P: matriz de permutao (m m)
LDU quadrada L D U L: triangular inferior
U: triangular superior
D: matriz diagonal
Cholesky simtrica e
positiva definida
L L
H
L: triangular inferior
LDL simtrica L D L
H
L: triangular inferior
D: matriz diagonal
SVD ou em valores
singulares
m n U V
H
U: matriz unitria (m m)
V: matriz unitria (n n)
: diagonal (m n) com os p
valores singulares > 0, p =
min(m,n)
QR m n Q R Q: matriz ortogonal (m m)
R: triangular superior (m n)
Espectral ou em
valores caractersticos
quadrada e
valores
caractersticos
distintos
X D X
-1
X: matriz regular dos vetores
caractersticos nas colunas
D: matriz diagonal dos valores
caractersticos
Jordan quadrada T J T
-1
T: transformao similar
J: forma cannica de Jordan
Schur quadrada U S U
H
U: matriz unitria
S: forma cannica de Schur,
triangular superior com os valores
caractersticos na diagonal
Hessenberg quadrada Q H Q
T
Q: matriz ortogonal
H: forma cannica de Hessenberg,
elementos abaixo da sub-diagonal
nulos. Se A for simtrica ou
hermitiana ento H tridiagonal.

1.1 CONCEITOS BSICOS E DEFINIES 3

1.1 Conceitos bsicos e definies

Transformao linear: Sejam U e V espaos vetoriais sobre 9. Uma aplicao F: U V
chamada transformao linear de U em V se, e somente se,
(a) F(u
1
+ u
2
) = F(u
1
) + F(u
2
), u
1
, u
2
e U, e
(b) F(o u) = o F(u), o e 9 e u e U.
No caso em que U = V, uma transformao linear F: U U chamada tambm de
operador linear.

Exemplo: Para verificar se a aplicao F: 9
3
9
2
definida por F(x, y, z) = (x, 2x z), (x,
y, z) e 9
3
, uma transformao linear, sejam u
1
= (x
1
, y
1
, z
1
) e u
2
= (x
2
, y
2
, z
2
) em 9
3
e:
(a) F(u
1
+ u
2
) = F(x
1
+ x
2
, y
1
+ y
2
, z
1
+ z
2
) = (x
1
+ x
2
, 2x
1
+ 2 x
2
z
1
z
2
) = (x
1
, 2x
1
z
1
) + (x
2
,
2x
2
z
2
) = F(u
1
) + F (u
2
)
(b) F(o u
1
) = F(o x
1
, o y
1
, o z
1
) = (o x
1
, 2o x
1
o z
1
) = o (x
1
, 2x
1
z
1
) = o F(u
1
), o e 9.
logo, a aplicao uma transformao linear.

Verifica-se prontamente que a multiplicao de uma matriz A e 9
mn
por um vetor x
e 9
n
uma transformao linear, pois A (x
1
+ x
2
) = A x
1
+ A x
2
e A o x = o A x.

Ncleo ou espao nulo: Sejam U e V espaos vetoriais sobre 9 e F: U V uma
transformao linear. Indica-se por Ker(F) ou null(F) e denomina-se ncleo ou espao nulo de
F o seguinte subconjunto de U:
Ker(F) = null(F) = {u e U | F(u) = 0} _ U

Exemplo: Seja F: 9
2
9
3
a transformao linear dada por F(x, y) = (0, x + y, 0), (x, y) e
9
2
, o ncleo de F obtido fazendo F(x, y) = (0, 0, 0) = (0, x + y, 0). Logo, x = y e Ker(F) =
{(x, x) | x e 9}, como ilustra a figura abaixo:

z
y
9
2

Figura 1: Ncleo de uma transformao linear
x
y
x
9
3

Ker(F)
x = y
(0, 0, 0)

O espao nulo de uma matriz A e 9
mn
o subespao Ker(A) = null(A) = {x e 9
n
|
Ax = 0} _ 9
n
, ou seja, o conjunto de todas as solues do sistema homogneo Ax = 0. No
caso de uma matriz regular (inversvel), Ker(A) = {0}.

Imagem ou espao gerado: Sejam U e V espaos vetoriais sobre 9 e F: U V uma
transformao linear. Indica-se por Im(F) ou range(F) e denomina-se imagem ou espao
gerado de F o seguinte subconjunto de V:
Im(F) = range(F) = {F(u) | u e U} _ V

A imagem ou espao gerado por uma matriz A e 9
mn
o subespao Im(A) _ 9
m

gerado pela transformao linear F(x) = Ax, isto ,
Im(A) = range(A) = {Ax | x e 9
n
} _ 9
m

Da mesma forma, a imagem ou espao gerado pela transposta de uma matriz A e
9
mn
o subespao Im(A
T
) _ 9
n
gerado pela transformao linear F(y) = A
T
y, isto ,
Im(A
T
) = range(A
T
) = {A
T
y | y e 9
m
} _ 9
n

Um resultado importante sobre a dimenso destes subespaos. Sejam U e V espaos
vetoriais de dimenso finita sobre 9. Dada uma transformao linear F: U V, ento
dim U = dim Ker(F) + dim Im(F)

Conjunto gerador: para um conjunto de vetores S = {v
1
, v
2
, ..., v
r
} o subespao:
span(S) = o
1
v
1
+ o
2
v
2
+ + o
r
v
r

gerado por todas as combinaes lineares dos vetores de S chamado espao gerado por S,
denominado conjunto gerador.

Com o uso deste conceito, pode-se dizer que range(A) o espao gerado pelos vetores
colunas de A e range(A
T
) o espao gerado pelos vetores linhas de A.

Posto ou rank: o posto ou rank de uma matriz A e 9
mn
o nmero mximo de linhas ou
colunas linearmente independentes. Observe que dim Im(A) = rank(A) e, portanto, se Ker(A)
= {0}, ento rank(A) = n, pois dim 9
n
= n = dim Ker(A) + dim Im(A). Da mesma forma, se
Ker(A
T
) = {0}, ento rank(A) = m.

Matriz simtrica: A = A
T

Matriz hermitiana (ou auto-adjunta): A = A
H
, ou seja, matriz complexa igual a sua
transposta conjugada (
ij ji
a a = ).
1.2 DECOMPOSIO EM VALORES E VETORES CARACTERSTICOS 5

Exemplo de matriz hermitiana:
1 3
3 4
i
A
i
+ (
=
(

Matriz ortogonal (Q): Q
-1
= Q
T

Matriz unitria (U): U
-1
= U
H

As matrizes hermitiana e unitria em (campo complexo) esto, respectivamente,
para as matrizes simtrica e ortogonal em 9. Por isso, as descries a seguir sero limitadas
ao campo dos nmeros reais, podendo ser estendidas para substituindo as matrizes
ortogonais por matrizes unitrias e as matrizes simtricas por matrizes hermitianas.

1.2 Decomposio em valores e vetores caractersticos

Dada uma matriz A e 9
nn
pode-se determinar um escalar e um vetor v tal que a
equao:
Av = v
seja satisfeita, o escalar chamado de valor caracterstico ou autovalor da matriz A e v
chamado de vetor caracterstico ou autovetor de A. A equao de definio do valor e vetor
caracterstico pode tambm ser escrita na forma:
(A I) v = 0
transformando-se assim em um sistema linear e homogneo de equaes que apresenta
soluo apenas se a matriz A I for singular, isto :
( )
11 12 1
21 22 2
1 2
det( ) det 0
n
n
n n nn
a a a
a a a
p
a a a
| |
|
|
= = =
|
|
|
\ .
A I

que um polinmio de grau n em chamado de polinmio caracterstico de A cujas n razes
so os valores caractersticos ou autovalores de A. Verifica-se, pela expanso deste
determinante, que o nico termo de grau n em o correspondente ao produto da diagonal
principal de A I, isto : ( ) ( ) ( )
11 22 nn
a a a sendo todos os demais termos de
grau inferior a n, alm disto como p(0) = det(A), o termo independente de em p() det(A),
permitindo assim concluir que
( ) ( )( )
1
11 22
( ) det( ) 0
n n
nn
p a a a

= + + + + + = A
multiplicando-se cada membro por (1)
n
, tem-se:
( ) ( )
1
11 22
( ) 1 det( ) 0
n
n n
nn
p a a a

= + + + + = A

(note que apesar de ter-se multiplicado membro a membro da expresso por (1)
n
, manteve-
se a notao p() para designar o polinmio caracterstico, j que o mesmo est igualado a
zero sendo assim irrelevante seu sinal). Pela expresso de p() deduz-se que:
(a) , ou seja, , (trao da matriz A);
1 2 11 22 n n
a a a + + = + +
n
( )
1
n
i
i
tr
=
=
A
(b) , ou seja, ;
1 2
det( )
n
= A ( )
1
det
n
i
i=
=
[
A
(c) como p() = det(A I) = 0, se A for singular tem-se det(A) = 0 desta forma p(0) =
det(A) = 0, isto , se A for singular = 0 necessariamente um valor caracterstico de A.

Aps determinados os valores caractersticos de A, os vetores caractersticos so
determinados atravs de:
(A
i
I) v
i
= 0 para i = 1, 2, ..., n,
porm, sabe-se que para qualquer matriz quadrada M:
M adj(M) = det(M) I
que aplicado a M = A
i
I em vista de det(A
i
I) = 0, tem-se:
(A
i
I) adj(A
i
I) = 0, ou ainda,
( ) ( ) adj
te
i i
C ( =

A I A I 0
)

deste modo qualquer vetor coluna no nulo da matriz adj(A
i
I) multiplicado por qualquer
constante real um vetor caracterstico de A. Como a matriz adjunta de uma matriz quadrada
obtida transpondo-se a matriz construda substituindo cada elemento por seu cofator, para
calcular o vetor caracterstico v
i
basta calcular os cofatores no nulos de uma linha qualquer
de (A
i
I) multiplicados por uma constante real conveniente.

Pr-multiplicando pela matriz A a equao de definio dos valores e vetores
caractersticos tem-se: , mas (
2
= A v A v = A v v , assim
2 2
= A v v , repetindo o
procedimento a esta ltima equao tem-se
3 3
= A v v , e assim sucessivamente,
permitindo escrever:
m m
= A v v para m = 1, 2, ..,
isto , os valores caractersticos de A
m
so os valores caractersticos de A elevados a mesma
potncia m e os vetores caractersticos so os mesmos.

Se a matriz A regular (admite inversa) ento = 0 no valor caracterstico, pois
p(0) = det(A) = 0, assim da definio de valores e vetores caractersticos:
1
=
A v v
-1

conclui-se que os valores caractersticos de A
-1
so os recprocos dos valores caractersticos
de A e os vetores caractersticos so os mesmos. Desta forma, a afirmao de que os valores
caractersticos de A
m
so os valores caractersticos de A elevados a mesma potncia m e os
vetores caractersticos so os mesmos vale para todos os valores inteiros de m, isto para m =
0, 1 , 2 , ...


Estas ltimas propriedades podem tambm ser aplicadas a funes polinomiais de A
do tipo:
1 2
1 2 1
( )
m m m
m m
q a a a

= + + + + + A A A A A a I
m
a
q

assim , e se v um vetor
caracterstico de A, tem-se:
1 2
1 2 1
( )
m m m
m
q a a a

= + + + + + A v A v A v A v A v v
1 2
1 2 1
( ) ( )
m m m
m m
q a a a a

= + + + + + = A v v v v v v v ,
isto se um valor caracterstico e v o correspondente vetor caracterstico de A, ento q()
valor caracterstico e v o correspondente vetor caracterstico de q(A).
Pela propriedade acima e a propriedade de que , tem-se que: ( )
1
n
i
i
tr
=
=
A
( )
1
n
m m
m i
i
S tr
=
= =
A
isto , a soma da m-sima potncia dos valores caractersticos de A igual ao trao da matriz
A
m
.
Considerando a seguinte expanso do polinmio caracterstico de A:
( )
1 2
1 2 1
n n n
n n
p c c c

= + + + + + c
que pode tambm ser expresso pelo produto dos monmios (
i
), isto :
( ) ( ) ( )
1 2
( )
n
p =
alm disto:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
2 1 3 1 2
( )
n n
dp
d

= + + + =

1 n
=
( ) ( ) ( ) ( )
1 1 2
( ) ( ) ( ) ( )
n
i n i
p p p p
=

+ + + =

e cada uma destas parcelas pode ser obtida pela diviso da forma original de p() por (
i
):
( )
( ) ( ) ( )
1 2 2 3 2 3
1 2 1 3 2 1
( )
n n n
i i i i i i
i
p
c c c c c c

= + + + + + + + + + +

4 n
1
para i = 1, 2, ...,n
( )
2 2
1 2 3 1
n n
n n i n i i i
c c c c

+ + + + + + +
assim:
( )
( )
1 2
1 1 2 1 1 2
1
( ) ( )
( )
n
n n
i i
dp p
n nc S nc c S S
d

=

= = + + + + + +

3 n

( ) ( )
4
3 2 1 1 2 3 1 2 1 3 2 1 2 1
n
n n n n n
nc c S c S S nc c S c S c S S

+ + + + + + + + + +
subtraindo desta expresso a expresso obtida derivando diretamente a forma original de p(),
isto ,
( )
( ) ( )
1 2 3
1 2
1 2
n n n
n
dp
n n c n c c
d

1
= + + + +
, tem-se:
1 1
2 1 1 2
1 2 1 3 2 1 2 1
0
2 0
( 1) 0
n n n n n
c S
c c S S
n c c S c S c S S

+ =
+ + =
+ + + + + =
,

e como para i = 1, 2, ...,n, tem-se
tambm pelo :
( )
1 2
1 2 1
0
n n n
i i i i n i n
p c c c c

= + + + + + =
1
( ) 0
n
i
i
p
=
=
1 1 2 2 1 1
0
n n n n n
nc c S c S c S S

+ + + + + = , resultando assim em um sistema linear
triangular cuja soluo pode ser expressa na forma recursiva:
( )
( )
( )
1 1
2 1 1 2
1 1 2 2 1 1
1 1 2 2 1 1
1
2
1
1
i i i i i
n n n n
c S
c c S S
c c S c S c S S
i
c c S c S c S
n

=
= +
= + + + +
= + + + +
n
S

Este mtodo chamado de mtodo de Leverrier, que determina recursivamente os
coeficientes de p() a partir do clculo dos traos das sucessivas potncias de A de 1 a n.

Exemplo: Aplique o mtodo de Leverrier para determinar o polinmio caracterstico, os
valores caractersticos e os vetores caractersticos da matriz:
2, 50 1, 00 1, 25
0, 50 4, 00 1, 75
1, 00 2, 00 0, 50
| |
|
=
|
|
\ .
A , assim e
2
5, 50 4, 00 4, 25
1, 50 13, 00 6, 75
3, 00 8, 00 4, 50
| |
|
=
|
|

\ .
A
3
11, 50 13, 00 11, 75
3, 50 40, 00 21, 25
7, 00 26, 00 15, 50
| |
|
\ .
A
|
|
, resultando em S
1
= tr(A) = 6; S
2
= tr(A
2
) = 14 e
S
3
= tr(A
3
) = 36. E, recursivamente: c
1
= S
1
= 6; ( )
2
1
6 6 14 11
2
c ( = + =

e
( )
3
1
11 6 6 14 36 6
3
c ( = + =

, logo: ( )
3 2
6 11 p 6 = + + + , por inspeo verifica-se
que as trs razes caractersticas so:
1
= 1;
2
= 2 e
3
= 3. Para determinar os
correspondentes vetores caractersticos assim procede-se:
1
o
Vetor Caracterstico:
1
= 1,
1, 50 1, 00 1, 25
0, 50 3, 00 1, 75
1, 00 2, 00 1, 50
| |
|
= + =
|
|
\ .
1
A I A I , cofatores da primeira linha: 1,00; 1,00 e 2,00,
multiplicando estes cofatores por 1, tem-se:
1
1
2
| |
|
=
|
|
\ .
1
v
2
o
2
= 2,

2
0, 50 1, 00 1, 25
2 0, 50 2, 00 1, 75
1, 00 2, 00 2, 50
| |
= + =
|
\ .
A I A I
|
|
, cofatores da primeira linha:
1,50; 0,50 e 1,00, multiplicando estes cofatores por 2, tem-se:
2
3
1
2
| |
|
=
|
|
\ .
v
3
o
3
= 3, ,
3
0, 50 1, 00 1, 25
3 0, 50 1, 00 1, 75
1, 00 2, 00 3, 50
| |
|
= + =
|
|
\ .
A I A I
cofatores da segunda linha: 1,00; 3,00 e 2,00, mantendo estes cofatores como elementos do
vetor, tem-se:
3
1
3
2
| |
|
=
|
|
\ .
v
Note que: e que construindo uma matriz cujos vetores
3 2
0 0 0
6 11 6 0 0
0 0 0
| |
+ + + =

|
\ .
A A A I 0
|
|
coluna so os vetores caractersticos de A, isto :
1 3 1
1 1 3
2 2 2
| |
|
=
|
|

\ .
X , tem-se:
1
1 6 3 1 3 1 1 0 0
1 2 9 1 1 3 0 2 0 ou
2 4 6 2 2 2 0 0 3
| | | | | |
| | |
= = = =
| | |
| | |

\ . \ . \ .
A X X D X A X D, onde
D=diag(1, 2, 3).

Uma propriedade muito importante de valores caractersticos e vetores caractersticos
diz respeito a matrizes simtricas, para isto associa-se um outro problema de valores e vetores
caractersticos mesma matriz A:
Determinar os valores de e de w que satisfazem a =
T
w A w
T
0
ou, de forma
anloga, (na realidade est se estudando o problema dos valores e vetores
caractersticos associado matriz transposta de A) este problema pode tambm ser colocado
na forma: , que, de forma anloga ao caso anterior, s apresenta soluo se
, resultando assim no mesmo polinmio caracterstico do
problema anterior. Assim os valores caractersticos deste novo problema so os mesmos do
problema anterior, entretanto os vetores caractersticos no so os mesmos (a no ser que a
matriz A seja simtrica). Neste caso os vetores caractersticos so os vetores coluna no nulos
de adj(A
T
I), que so na realidade os vetores linha no nulos da matriz adj(A I) (que
so os cofatores no nulos de uma coluna da matriz A I multiplicados por constante real
conveniente).
T
= A w w
( )
T
A I
) det( = A I A
= w
) = I det( 0
T
Sejam v
i
e w
j
dois vetores caractersticos de A e A
T
, respectivamente, correspondentes
a valores caractersticos distintos
i
=
j
, assim:

i i i
T
j j j
=
T
A v v
w A w

pr-multiplicando a primeira expresso por
T
j
w , tem-se:
T T
j i i j i
= w A v w v , mas:
T
j j
=
T
w A w
j
, ento
( )
0
T T T
j j i i j i j i j i
= = w v w v w v
0
T
j i
como
i
=
j
, esta ltima
expresso s nula se = w v ,isto os vetores v
i
e w
j
para i = j so ortogonais entre si.

Exemplo: No exemplo anterior tinha-se:
1
o
1
= 1,
1, 50 1, 00 1, 25
0, 50 3, 00 1, 75
1, 00 2, 00 1, 50
| |
|
= + =
|
|
\ .
1
A I A I , cofatores da primeira coluna: 1,00; 1,00 e
2,00, multiplicando estes cofatores por 1, tem-se:
1
1
2
| |
|
=
|
|
\ .
1
w
2
o
2
= 2,
2
0, 50 1, 00 1, 25
2 0, 50 2, 00 1, 75
1, 00 2, 00 2, 50
| |
|
= + =
|
|
\ .
A I A I , cofatores da primeira coluna: 1,50; 0,00 e
0,75, multiplicando estes cofatores por 4/3, tem-se:
2
2
0
1
| |
|
=
|
|
\ .
w
3
o
3
= 3,
3
0, 50 1, 00 1, 25
3 0, 50 1, 00 1, 75
1, 00 2, 00 3, 50
| |
|
= + =
|
|
\ .
A I A I , cofatores da segunda coluna: 0,00; 3,00 e
1,50, dividindo estes cofatores por 1,5, tem-se:
3
0
2
1
| |
|
=
|
|
\ .
w
Note que:
1 1 1 2 1 3
2 ; 0
T T T
= = = w v w v w v

2 2 2 1 2 3
4 ; 0
T T T
= = = w v w v w v

3 3 3 1 3 2
4; 0
T T T
= = = w v w v w v
assim redefinindo os vetores w
1
, w
2
e w
3
como : w
1,novo
= w
1
/ (2); w
2,novo
= w
2
/ 4 e w
3,novo
=
w
3
/ 4, tem-se:
, 2, 3,
0, 5 0, 50 0, 00
0, 5 ; 0, 00 e 0, 50
1 0, 25 0, 25
novo novo novo
| | | | |
| |
= = =
| |
| |
\ . \ . \
1
w w w
|
|
|
|
.
, v-se que a matriz :

1,
1
2,
3,
0, 50 0, 50 1, 00
0, 50 0, 00 0, 25
0, 00 0, 50 0, 25
T
novo
T
novo
T
novo
| | | |
|
|
= = =
|
|
|
|
\ .
\ .
w
Q w X
w
, pois : = I Q X

No caso particular de A ser simtrica como v
i
= w
i
para todo i tem-se os vetores
caractersticos mutuamente ortogonais entre si, isto 0
T
j i
= v v para i = j, se alm disto
1
i
= v (vetores caractersticos de norma unitria) tem-se
T
j i ij
= o v v
)
e a matriz composta
pelos vetores caractersticos uma (
1 2 n
= X v v v matriz ortonormal.
Uma outra propriedade de matrizes simtricas que s apresentam valores
caractersticos reais, isto pode ser demonstrado considerando a hiptese oposta, isto seja
um valor caracterstico de A correspondendo a um vetor caracterstico (tambm
complexo): . Como todos os elementos da matriz A so reais os coeficientes do
polinmio caracterstico sero tambm todos reais, desta forma se
i
= o+| i
i
= + v a b i
i
= o+| i raiz de p()
o seu conjugado
i
= o| i tambm o ser correspondendo a um vetor caracterstico
i
= v a b i . Demonstrou-se, entretanto, que em matrizes simtricas v
i
= w
i
e que de forma
geral para
i
=
j
, que no caso de matrizes simtricas ser
, adotando nesta expresso
( )
j i
j i
= v v
0
T
j i
= w v
0

( )
T
j i

j i
= e
j i
= v v , tem-se: e 2
j i
= | i
2 2
+ b
T T
j i
= v v a
T
+ = a b b a , assim
( )
( )
2 2
2 0
T
j i j i
= | + v v a b = i e como
2 2
0 + > a b tem-se necessariamente | 0 o que contradiz a hiptese inicial da matriz
admitir um valor caracterstico complexo.

Exemplo: Determine o polinmio caracterstico, os valores caractersticos e os vetores
caractersticos da matriz simtrica:
1 1 2
1 2 0
2 0 1
| |
|
=
|
|
\ .
A , assim: e
2
6 3 0
3 5 2
0 2 5
| |
|
=
|
|
\ .
A
3
9 12 12
12 13 4
12 4 5
| |
|
=
|

\ .
A , resultando em
S
1
= tr(A) = 2; S
2
= tr(A
2
) = 16 e S
3
= tr(A
3
1
= S
1
= 2;
| |
2
1
2 2 16 6
2
c = + = e
| |
7 9 =
3
1
6 2 2 16 1
3
c = + , logo: ( ) p
3 2
2 6 9 = + ,
por inspeo verifica-se que:
1
= 3 raiz de p(), assim:
3 2
2
2 6 9
3
3
+
= +

cujas razes so
2
13
=
3
1 13 1
e
2 2
| |
+
=
|
|
\ .
. Para determinar os correspondentes vetores
caractersticos assim procede-se:
1
o
1
= 3,

2 1 2
3 1 1
2 0 4
| |
= =
\ .
1
A I A I 0
|
|
, cofatores da primeira linha: 4; 4 e 2, dividindo estes
cofatores por 2, tem-se:
2
2
1
| |
|
=
|
|
\ .
1
v
2
o
2
13 1
2
= ,
2
3 13
1 2
2
13 1 5 13
1
2 2
1 13
2 0
2
| |
|
|
|
| |

| = =
|
|
|
\ .
|
| |
+
|
|
|
|
\ . \ .
A I A I 0 , cofatores da terceira linha:
13 5 ; 2 e 6 2 13 , mantendo estes cofatores como os elementos do vetor caracterstico,
tem-se:
2
13 5
2
6 2 13
| |
|
=
|
|
\ .
v
3
o
3
13 1
2
| |
+
=
|
|
\ .

3
3 13
1 2
2
13 1 5 13
1
2 2
13 1
2 0
2
| |
+

|
|
| | |
+ +
= + =
|
|
| \ .
|
0
|
|
|
\ .
A I A I , cofatores da terceira linha:
(
5 13 +
)
; 2 e 6 2 13 + , mantendo estes cofatores como os elementos do vetor
caracterstico, tem-se:
( )
3
5 13
2
6 2 13
| |
+
|
|
=
|
+ |
\ .
v
Note que
3 2
0 0 0
2 6 9 0 0 0
0 0 0
| |
|
+ =
|
|
\ .
A A A I
e que
1 1 1 2 1 3
9 ; 0
T T T
= = = v v v v v v

2 2 2 1 2 3
7, 411257 ; 0
T T
= = = v v v v v v
T

3 3 3 1 3 2
252, 588743; 0
T T
= = = v v v v v v
T
assim redefinindo os vetores v
1
, v
2
e v
3
como:
3 2
, 2, 3,
2 3
0, 667 0, 512 0, 542
0, 667 ; 0, 735 e 0,126
0, 333 0, 445 0, 831
novo novo novo
| | | | |
| |
= = = = = =
| |
| |
\ . \ . \
1
1
1
v v v
v v v
v v v
|
|
|
|
.
, v-se que a
matriz :
( )
1, 2, 3,
0, 667 0, 512 0, 542
0, 667 0, 735 0,126
0, 333 0, 445 0, 831
novo novo novo
| |
|
= =
|
|
\ .
X v v v , ortonormal pois
T T
= = X X X X I .

Uma outra propriedade importante relativa a valores caractersticos de matrizes diz
respeito sua invarincia seguinte transformao da matriz A: P
-1
AP onde P uma
matriz no-singular, assim os valores caractersticos de B = P
-1
AP so as razes de
( ) ( ) ( ) ( ) det det det p

( = = = =

1 1
B I P A P I P A I P
( ) ( ) ( )
( )
( ) ( ) ( )
1
=det det det det det det
det
= =
1
P A I P A I P A
P
I
i

mantendo-se assim idntico ao polinmio caracterstico de A, desta forma os valores
caractersticos de A e de B = P
-1
AP so os mesmos. Entretanto os vetores caractersticos de
A e B so distintos, assim sejam v
i
e u
i
os vetores caractersticos de A e B, respectivamente,
correspondentes ao mesmo valor caracterstico
i
, isto :
i i
= A v v e ou
seja: , pr-multiplicando membro a membro desta ltima expresso por
P, tem-se: que confrontado com a definio de vetor caracterstico de
A permite concluir que ou
i i
= B u u
i
i
i
1
i i
= P A P u u
( )
i i
= A P u ( )
i
P u
= v P
i i
u
1
i

= u P v , isto pode ser interpretando como uma
mudana de coordenadas, assim os elementos do vetor u
i
nada mais so que os componentes
do vetor v
i
na base composta pelos vetores coluna da matriz P.

Exemplo: Em exemplo anterior determinaram-se os valores e vetores caractersticos da
matriz: , mostre que a transformao:
2, 50 1, 00 1, 25
0, 50 4, 00 1, 75
1, 00 2, 00 0, 50
| |
|
=
|
|
\ .
A
B = P
-1
AP com
1 2 1
1 4 3
1 1 3
| |
|
=
\ .
P
|
no modifica os valores caractersticos de A e os novos
vetores caractersticos so .
1
i i
= u P v
Invertendo a matriz P, tem-se: , assim:
1
4, 5 2, 5 1, 0
3, 0 2, 0 1, 0
2, 5 1, 5 1, 0
| |
|
=
|
|
\ .
P

B = P
-1
AP ; e
10, 50 17, 50 2, 50
8, 25 14, 25 0, 75
5, 75 8, 75 2, 25
| |
|
=
|
|
\ .
2
48, 50 87, 50 7, 50
35, 25 65, 25 8, 25
24, 75 43, 75 2, 75
| |
|
=
|
|

\ .
B
3
169, 50 332, 50 72, 50
120, 75 240, 75 57, 75
85, 25 166, 25 35, 25
| |
|
\ .
B
|
|
resultando em S
1
= tr(B) = 6; S
2
= tr(B
2
) = 14 e
S
3
= tr(B
3
1
= S
1
= 6; ( )
2
1
6 6 14 11
2
c ( = + =

e
( )
3
1
11 6 6 14 36 6
3
c ( = + =

, logo: ( )
3 2
6 11 p 6 = + + + , idntico ao polinmio
caracterstico de A, desta forma os valores caractersticos mantm-se inalterados. Para
determinar os correspondentes vetores caractersticos assim procede-se:
1
o
1
= 1,
11, 50 17, 50 2, 50
8, 25 13, 25 0, 75
5, 75 8, 75 1, 25
| |
|
= + =
|
|
\ .
1
B I B I , cofatores da primeira linha: 10; 6 e 4,00,
dividindo estes cofatores por 2, tem-se:
5
3
2
| |
|
=
|
|
\ .
1
u logo:
1 1
1
1
2
| |
|
= =
|
|
\ .
P u v
2
o
2
= 2,
2
12, 50 17, 50 2, 50
2 8, 25 12, 25 0, 75
5, 75 8, 75 0, 25
| |
|
= + =
|
|
\ .
B I B I , cofatores da primeira linha 3,5; 2,25 e
1,75, multiplicando estes cofatores por 4, tem-se:
2
14
9
7
| |
|
=
|
\ .
u
|
logo:
2 2
3
1
2
| |
|
= =
|
|
\ .
P u v
3
o
3
= 3,
3
13, 50 17, 50 2, 50
3 8, 25 11, 25 0, 75
5, 75 8, 75 0, 75
| |
|
= + =
|
|
\ .
B I B I , cofatores da primeira linha: 15; 10,5 e 7,5,
multiplicando estes cofatores por 2/3, tem-se:
3
10
7
5
| |
|
=
|
\ .
u
|
logo:
3 3
1
3
2
| |
|
= =
|
|
\ .
P u v

1.3 Decomposio de Jordan

toda matriz quadrada A associa-se a transformao linear u = Av, onde A e 9
nn
,
u e 9
n
e v e 9
n
. Expressando os vetores v e u em uma base composta por n vetores
1.3 DECOMPOSIO DE JORDAN 15

linearmente independentes: , tem-se:
1 2
, , ,
n
p p p e = = v P v u P u
)
, onde:
, e so os componentes de u e v na nova base, assim: (
1 2

n
= P p p p v u
( . )
= =
1
P u A P v u P A P v , permitindo interpretar a matriz: como os
componentes de A na nova base . Este procedimento consiste em uma

=
1
A P A P
1 2
, , ,
n
p p p
transformao de coordenadas podendo assim ser resumido: um vetor v e 9
n
tem como
componentes em uma base formada pelos n vetores linearmente independentes ,
os elementos de relacionados com os elementos de v atravs de ,
onde e uma matriz A e 9
nn
tem como componentes em uma base formada
pelos n vetores linearmente independentes , os elementos de relacionados
com os elementos de A atravs de
1 2
, , p p
ou = v P v
A
,
n
p
1
= v P v v
(
1 2

n
= P p p p )
1 2
, , p p
. ou
,
n
p
.
1

= = A P A P
1
A P A P .
Uma propriedade importante da transformao de coordenadas diz respeito a potncias
da matriz A, assim tem-se:
( ) ( )
2 2

= =
1 1 1
A P A P P A P P A P
e
( ) ( )
3 2 2 3

. . .

= = =
1 1 1
A A A P A P P A P P A P ,
e assim sucessivamente, permitindo concluir que:
1

. ou .
m m m m
= =
1
A P A P A P A P , para
m = 0, 1, 2, .... Se a matriz A for regular tem-se:
1 1 1 1 1 1 1

( . ) ( ) ( . ) .

= = A P A P P P A P A P
1

1 1 1
.

e = A P A P
,
assim para A regular tem-se:
1
. ou .
m m m m
= =
1
A P A P A P A P
m
, para m = 0, 1, 2, .....
Esta mesma propriedade pode ser aplicada a funes polinomiais de A do tipo:
1 2
1 2 1
( )
m m m
m
p a a a a

= + + + + + A A A A A I
+
m
+
, pr-multiplicando esta expresso por P
-1
e
ps-multiplicando por P, tem-se:
( )
1 1 1 2 1
1 2 1
( )
m m m m
m m
p a a a a

= + + + + + = P A P P A A A A I P P A P
1 1 1 2 1 1
1 2 1 1

m m m
m m
a a a a a

+ + + + + = + P A P P A P P A P I A A
( ) ( )
( )
2 1
2 1

( ) e ( )
m
m m
a a a p p p p p

+ + + + = = = A A I A P A P A P A P
1
A
A questo que se prope agora como selecionar a base composta por
de tal forma que a matriz A assuma sua forma mais simples (
1 2
, , ,
n
p p p
forma cannica), duas situaes
se apresentam:

i) A matriz A apresenta n valores caractersticos distintos e, em conseqncia, n vetores
caractersticos linearmente independentes, sejam estes vetores: , como
1 2
, , ,
n
p p p
para = 1, ,
i i i
i = A p p n tem-se: ( )
1 2 2 n n
=
1
A P p p p , mas:
1
2
1 2 2
0 0
0 0
; ; ;
0 0
n n
n
| | | | | |
| | |
| | |
= = =
| | |
| | |
| | |
\ . \ . \ .
1
p P p P p P

( )
1 2 2 n n
= =
1
A P p p p P D , onde

D = diag(
1
,
2
, ...,
n
) =
1
2
0 0
0 0
0 0
n
| |
|
|
|
|
|
\ .
, isto :
se A apresenta n valores caractersticos distintos ento
1
ou

= =
1
P A P D P D P A
1 2
, , ,
n
p p p
sendo
P uma matriz n n cujos vetores colunas so os vetores caractersticos de A
correspondentes aos valores caractersticos
1
,
2
, ...,
n
da matriz D, que a forma mais
simples que a matriz A pode assumir (no caso, a forma diagonal e o procedimento chamado
de diagonalizao).

Exemplo: No exemplo anterior tinha-se: , e a matriz dos vetores
2, 50 1, 00 1, 25
0, 50 4, 00 1, 75
1, 00 2, 00 0, 50
| |
|
\ .
A
|
|
caractersticos
1 3 1
1 1 3
2 2 2
| |
|
=
|
|

\ .
P
1
0, 50 0, 50 1, 00
0, 50 0, 00 0, 25
0, 00 0, 50 0, 25
| |
|
=
|
|
\ .
P
1 0 0 2, 50 1, 00 1, 25
0 2 0 e 0, 50 4, 00 1, 75
0 0 3 1, 00 2, 00 0, 50

| | |
|
= = = =
|
|
\ . \
1 1
P A P D P D P A
|
|
|
|
.

ii) A matriz A apresenta valores caractersticos mltiplos e, neste caso, no possvel
determinar n vetores caractersticos linearmente independentes. Seja o primeiro valor
caracterstico
1
um valor caracterstico de multiplicidade m sendo os (nm) restantes
distintos entre si e diferentes de
1
. Ao valor caracterstico
1
associa-se um vetor
caracterstico p
1
tal que e aos demais
k
os vetores caractersticos p
k
que:
satisfazem a: para k = m+1, m+2, ....,n. Os vetores caractersticos p
1
, p
m+1
,
p
m+2
, ...., p
n
constituem a primeira coluna e as colunas m+1, m+2, ...., n da matriz P, para
determinar as demais colunas desta matriz (colunas: 2, 3, ...,m) assim procede-se:
1
=
1
A p p
k
p
1
k k
= A p
1 j j
= +
j 1
A p p p para j = 2, 3, ...,m.
Deste modo tem-se:
( )
1 1 2 1 3 2 1 1 1 1 m m m m n n + +
= + + +
1 1
A P p p p p p p p p p , mas:
1.3 DECOMPOSIO DE JORDAN 17

1
1
1
1 1 2 1 3 2 1 1
1
1 0 0
0 1 0
0 0 0
0
; ; ; ; ; ;
0 0 0 1
0 0 0
0 0 0 0
m m n n
n
| | | | | | | |
| | | |
| | | |
| | | |
|
| | | |

| | | |
= + = + = + = =
| | | |
| | | |

| | | | \
| | | |
| | | |
| | | |
\ . \ . \ . \ .
1 1
p P p p P p p P p p P p P

|
|
|
|
|
|
.

1
1
1
1
1
1 0 0 0 0
0 1 0 0 0
0 0 0 0 0
0 0 0 1 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
m
n
+
| |
|
|
|
|
|
= =
|
|
|
|
|
|
\ .
A P P P J

|
|
, onde J forma mais simples da
matriz A chamada de forma cannica de Jordan de A.

Exemplo: com: , tem-se:
0 1 1
0 2 1
4 2 5
| |
|
=
|
|
\ .
A
( ) ( ) ( )
2
1 1
det 0 2 1 2 3
4 2 5
p
( | |
( |
= =
( |
|
(

\ .

assim os valores caractersticos so
1 2 3
2 e 3 = = =
1
o
1
= 2,
2 1 1
2 0 0 1
4 2 3
| |
|
= =
|
|
\ .
1
A I A I , cofatores da primeira linha: 2; 4 e 0,00, dividindo estes
cofatores por 2, tem-se:
1
2
0
| |
|
=
|
|
\ .
1
p
e
21 21 22 23
1 22 23
23 21 22 23
2 1 1 2 1
( ) 0 0 1 2
4 2 3 4 2 3 0
p p p p
p p
p p p p
+ | | | | | |
| | |
= = = = =
| | |
| | |
+
\ . \ . \ .
1 2 1
A I p p p
| |
|
|
|
\ .

logo: p
23
= 2 e em que uma das solues : p
21
= 0 e p
22
= 3, logo:
21 22 23
21 22 23
2 1
4 2 3
p p p
p p p
+ = + =
= =
3
6
2
0
3
2
| |
|
=
|
|
\ .
p
2
o
3
= 3,
3
3 1 1
3 0 1 1
4 2 2
| |
|
= =
|
|
\ .
A I A I , cofatores da primeira linha: 0; 4 e 4, dividindo estes
cofatores por 4, tem-se: , assim
3
0
1
1
| |
|
=
|
|
\ .
p
1 0 0
2 3 1
0 2 1
| |
|
=
|
|
\ .
P

1
1 0 0
2 1 1
4 2 3
| |
|
=
|
|
\ .
P
2 1 0 0 1 1
0 2 0 e 0 2 1
0 0 3 4 2 5

| | | |
| |
= = = =
| |
| |
\ . \ .
1 1
P A P J P J P A

1.4 Decomposio em valores e vetores singulares (SVD)

Dada uma matriz A e 9
mn
e lembrando dos conceitos bsicos que o range(A) o
espao gerado pelos vetores colunas de A e range(A
T
) o espao gerado pelos vetores linhas
de A, a decomposio SVD capaz de obter simultaneamente as bases ortonormais destes
subespaos.
Qualquer matriz A e 9
mn
pode ser decomposta na forma:
A = U V
T

onde U e 9
mm
uma matriz ortogonal cujas colunas so os vetores caractersticos de A A
T
,
V e 9
nn
uma matriz ortogonal cujas colunas so os vetores caractersticos de A
T
A, e
9
mn
uma matriz diagonal contento a raiz quadrada dos valores caractersticos de A A
T

(que so equivalentes aos valores caractersticos de A
T
A), arranjados em ordem decrescente.
Os vetores caractersticos de A A
T
e A
T
A esto arranjados nas colunas de U e V,
respectivamente, na ordem de seus valores caractersticos na matriz . Os elementos, o
i
, da
diagonal de so denominados de valores singulares de A, sendo todos no-negativos. Alm
disso, o nmero de valores singulares positivos igual ao rank(A). Os vetores colunas de U
so denominados de vetores singulares esquerda de A e os vetores colunas de V so
denominados de vetores singulares direita de A, e as relaes entre estes vetores so:

1.4 DECOMPOSIO EM VALORES E VETORES SINGULARES (SVD) 19

A v
i
= o
i
u
i
e A
T
u
i
= o
i
v
i

A decomposio SVD revela vrias propriedades intrnsecas da matriz A e
numericamente estvel para os clculos. Algumas propriedades so listadas abaixo para uma
matriz com r valores singulares positivos:

1) rank(A) = r
2) null(A) = span(v
r+1
, v
r+2
, ..., v
n
)
3) range(A) = span(u
1
, u
2
, ..., u
r
)
4) range(A
T
) = span(v
1
, v
2
, ..., v
r
)
5)
1
r
T
i i i
i=
= o
A u v
6)
2
1
r
i
F
i=
= o
A (norma de Frobenius)
7)
1
2
= o A

A matriz:
A
= V
U
T
= (A
T
A)
-1
A
T

chamada de pseudo-inversa de A, onde os elementos da diagonal de
consistem no
recproco dos valores singulares positivos de , na mesma ordem. A pseudo-inversa tem a
propriedade A
A = A A
= I.
A soluo do problema de valores singulares para o sistema linear, y = Ax,
corresponde resolver o seguinte problema de otimizao:
2
2
max || ||
x
y
sujeito a = 1
2
2
|| || x

onde
2
2
|| || y = y
T
y. Usando o conceito dos multiplicadores de Lagrange, o problema acima
pode ser reescrito como:
{ }
max ( ) ( 1)
T T T
S =
x
x x A A x x x
cuja primeira condio de otimalidade ( ) 0
T
S V = = x A A x x
T
, ou seja, a soluo
equivalente ao problema de valor caracterstico = A A x x, cujos x timos locais
correspondem aos vetores caractersticos de A
T
A ou os vetores singulares de A (tambm
chamados de componentes principais de variao, pois indicam as direes de mxima
variao de y em funo das variaes em x com mesma energia, isto , = 1) e os
respectivos multiplicadores de Lagrange so os valores caractersticos de A
T
A ou o
quadrado dos valores singulares de A.
2
|| || x
Observe que para uma matriz de rank(A) = r, A = U V
T
= e, portanto,
y = Ax = U V
T
x = , indicando que a projeo do vetor x na direo do
1
r
T
i i i
i=
o
u v
1
r
T
i i i
i=
o
u v x
vetor v
i
(ou seja,
T
i
v x) am o
i
na direo u
i
do vetor y = 1 a direo de plificada por , sendo i

maior amplifica = r a direo de menor amplificao. Dependendo do valor de o
i
, uma
pequena mudana em x pode causar uma grande mudana em y, mas isto vai depender do
ngulo entre os vetores x e v
i
.

xemplo
o e i
E : usando a funo demonstrativa eigshow(A) do MATLAB, que apresenta de forma
grfica um vetor unitrio x e sua transformao linear Ax para uma matriz de dimenso 2 2
e valores de x, com ||x|| = 1, possvel pela movimentao do mouse sobre a figura localizar
as direes caractersticas da matriz. As Figuras 2a, 2b e 2c ilustram esta movimentao para
a matriz
1/ 4 3/ 4
1 1/ 2
(
=
(

A
onde os valores caractersticos, , e os vetores caractersticos, x, resultantes das solues no-
triviais do sistema de equaes lineares
Ax =

x
1
= 5/4 e x
1
= [3/5 4/5]
T
;
2
= 1/2 e x
2
= [ 2 / 2 2 / 2 ]
T

s etor x) es . Mos ando qu o visualizados quando os dois v es (x e A to na mesma direo tr e o
operador A, na direo de x, corresponde a uma reduo ou ampliao por um fator .
Quando os sentidos dos dois vetores so opostos tem-se um valor caracterstico negativo.
Pode-se observar que os dois vetores caractersticos no so os eixos maior e menor
da elipse formada pelas transformaes lineares. Seriam para o caso particular de matrizes
simtricas. Matrizes 2 2 com um par de valores caractersticos complexos no possuem
vetores caractersticos reais.
Movendo dois vetores unitrios, x e y, perpendiculares e suas correspondentes
transformaes lineares, Ax e Ay, pode-se visualizar os valores e vetores singulares,
resultantes das solues no-triviais dos sistemas de equaes lineares
A
T
Av = o
2
v AA
T
u = o
2
u
o
1
= 1,2792, x
T
e A 725 1,0881]
T
= v
1
= [0,7678 0,6407] x = o
1
u
1
= [0,6

T
o
2
= 0,4886, y = v
2
= [0,6407 0,7678]
T
e Ay = o
2
u
2
= [0,4156 0,2569]
ond da, e o so os valores singulares, v

e u so os vetores singulares direita e esquer
respectivamente. Eles surgem no momento em que as transformaes so perpendiculares
entre si, conforme mostra a Figura 2d. Observa-se que isto acontece quando os vetores das
transformaes so os eixos maior e menor da elipse, mostrando, por exemplo, as direes de
mxima e mnima amplificao de sinais, respectivamente. Para o caso particular de uma
matriz quadrada, simtrica e positiva definida, as decomposies em valores caractersticos e
em valores singulares so equivalentes.
1.4 DECOMPOSIO EM VALORES E VETORES SINGULARES (SVD) 21

Figura 2: Direes caractersticas de uma matriz.

Para determinar se o sistema linear, y = Ax, est bem escalonado deve-se verificar o
condicionamento da matriz A, que na norma 2 dado por:
( ) ( ) / ( ) = o o A A A
onde ( ) o A o maior valor singular de A e ( ) o A o menor valor singular no-nulo de A.

A melhor maneira de escalonar um sistema atacando a origem do problema, ou seja
um apropriado adimensionamento das variveis dependentes e das equaes do problema.
Uma maneira numrica de determinar quais as variveis devem ser re-escalonadas atravs
do clculo do condicionamento mnimo, isto , determinar as matrizes que pr- e ps-
multiplicadas pela matriz A resultam em um mnimo (*), isto :
*( ) min ( ) =
L,R
A L A R

Considerando L e R matrizes diagonais, ento tem-se como resultado do problema de
otimizao acima quais as sadas e entradas devem ser re-escalonadas, respectivamente, pois:
y
e
= L y e x
e
= R
-1
x
No MATLAB, o condicionamento de uma matriz A pode ser obtido atravs da funo
cond(A), e as matrizes de escalonamento podem ser calculadas pela funo:
[ub, D] = mu (H, ones (2*n, 2), C)
onde n a ordem da matriz A, H = ,
1
0
0
(
(

A
A
2
(1)
*( )
(2)
ub
ub
| |
=
|
\ .
,
L = diag(D(n+1:2*n)) e R = inv(diag(D(1:n))). Para verificar se os clculos esto corretos,
basta calcular o cond(L*A*R), que deve ser igual a *(A).

1.5 Fatorao LU
Eliminao Gaussiana: O propsito da eliminao Gaussiana reduzir a matriz A a
uma estrutura triangular (mtodos de triangularizao) ou diagonal (mtodo de Gauss-Jordan)
atravs de operaes da lgebra elementar. Dentre os diversos algoritmos de eliminao
Gaussiana temos os seguintes:
, , 1,...,
1,...,
,...,
,
1,..., ( )
kj
kj
kk
ij ij ik kj
a
a j k k n
a
k
j k n
a a a a
i n k
= +

=
`
=

= =
)
n (Gauss-Jordan)
1,..., 1
1,..., 1
1,...,
kj
kj
kk
ij ij ik kj
a
a
a k n
j k n
a a a a i k n
= + +

= +

(triangularizao SAXPY)
onde a
ij
so os elementos da matriz aumentada: = [A b]. No caso do mtodo de Gauss-
Jordan, a soluo encontrada na (n+1)-sima coluna da matriz aumentada, aps as
operaes de eliminao Gaussiana. Nos mtodos de triangularizao necessrio ainda
realizar operaes de substituio (para matriz triangular inferior) ou retro-substituio (para
matriz triangular superior), isto ,

1, 1
1
1,1
n
a
x
a
+
= ,
1
, 1 ,
1 ,
1
i
i i n i j
j i i
j
x a a
a
+
=
| |
=
\ .
x
|
, i = 2,...,n substituio

, 1
,
n n
n
n n
a
x
a
+
= ,
, 1 ,
1 ,
1
n
i i n i j
j i i i
j
x a a
a
+
= +
| |
=
\ .
x
|
, i = n1,...,1 retro-substituio

1.5 FATORAO LU 23

De modo a evitar provveis divises por zero (dos elementos a
kk
) e tambm garantir a
estabilidade numrica do algoritmo (devido a problemas de arredondamento), faz-se
necessrio o uso de tcnicas de pivotamento. Pivotamentos so operaes de trocas de linhas
e/ou colunas de modo a obter uma matriz tendo na diagonal elementos com maior valor
absoluto. Quando so efetuadas somente trocas de linhas, diz-se um pivotamento parcial. No
pivotamento total tem-se trocas de linhas e colunas. As operaes de pivotamento podem ser
representadas por matrizes de permutaes P e Q:
P A x = P B (pivotamento parcial)
P A Q Q
-1
x = P B (pivotamento total)

Exemplo: considere o sistema de equaes algbricas lineares:
= + +
= +
= +
6 x 5 x 8 x 3
1 x 6 x 9 x
9 x 4 x 7 x 2
3 2 1
3 2 1
3 2 1

permitindo identificar: , assim a matriz aumentada :
(
(
(
=
(
(
(
=
6
1
9
e
5 8 3
6 9 1
4 7 2
b A

2 -7 4 9
1 9 -6 1
-3 8 5 6

1) Mtodo de Eliminao por Triangularizao da Matriz Aumentada

1
a
Etapa) Reposicionamento das linhas (pivotamento parcial) de modo que a primeira linha
contenha o maior elemento (em mdulo) da primeira coluna (piv):
2 -7 4 9
1 9 -6 1
-3 8 5 6

-3 8 5 6
1 9 -6 1
2 -7 4 9

2
a
Etapa) Normalizao dos elementos da primeira linha, dividindo-os pelo 1
o
elemento da
mesma:
kj
kj
kk
a
a
a
(k = 1 e j = k, ..., n+1)


1 -8/3 -5/3 -2
1 9 -6 1
2 -7 4 9

3
a
Etapa) Eliminao dos elementos da primeira coluna da segunda e terceira linhas:
(k = 1, j = k, ..., n+1 e i = k+1, ..., n)
ij ij ik kj
a a a a
1 -8/3 -5/3 -2
0 35/3 -13/3 3
2 -7 4 9

1 -8/3 -5/3 -2
0 35/3 -13/3 3
0 -5/3 22/3 13

Repete-se o procedimento para prximas linhas at a triangularizao da matriz aumentada:

4
a
Etapa) Reposicionamento das linhas de modo que a segunda linha contenha o maior
elemento (em mdulo) da segunda coluna [sem levar em considerao a primeira linha]:
1 -8/3 -5/3 -2
0 35/3 -13/3 3
0 -5/3 22/3 13

No h necessidade do reposicionamento, pois o maior elemento (em mdulo) da segunda
linha, desconsiderando-se a primeira linha, j se encontra na segunda linha (piv).

5
a
Etapa) Normalizao dos elementos da segunda linha, dividindo-os pelo 2
o
elemento da
mesma:
1 -8/3 -5/3 -2
0 1 -13/35 9/35
0 -5/3 22/3 13

6
a
Etapa) Eliminao dos elementos da segunda coluna da terceira linha:
1 -8/3 -5/3 -2
0 1 -13/35 9/35
0 0 141/21 94/7

7
a
Etapa) Normalizao dos elementos da terceira linha, dividindo-os pelo 3
o
elemento da
mesma:
1 -8/3 -5/3 -2
0 1 -13/35 9/35
0 0 1 2

1.5 FATORAO LU 25

8
a
Etapa) Determinao recursiva de x
1
, x
2
e x
3
, iniciando com x
3
. Esta ltima forma da matriz
aumentada traduz o sistema linear:
, 1
,
n n
n
n n
a
x
a
+
= ,
, 1 ,
1 ,
1
n
i i n i j
j i i i
j
x a a
a
+
= +
| |
=
\ .
x
|
, i = n1,...,1 (retro-substituio)

1 2 3
3
2 3 2 3
3
1 2
8 5
2
2
3 3
13 9 9 13
35 35 35 35
2 8
2
3 3
x x x
x
x x x x
x
3
5
x x x

= = +

=
= + +

assim:
3
2
1
2
9 13 35
2 1
35 35 35
8 5 18
2 1 2 2 6 2
3 3 3
x
x
x
= + = =
= + + = = =
4

deste modo a soluo :
1
2
3
4
1
2
x
x
x
( (
( (
= =
( (
( (

x

Nota: no exemplo acima a diagonal da matriz tambm foi dividida pelos pivs durante a etapa
de eliminao Gaussiana e, por isso, na etapa de retro-substituio no houve a necessidade
da diviso pelos elementos da diagonal da matriz, pois estes eram unitrios. O algoritmo da
triangularizao SAXPY no realiza esta diviso, deixando-a para a etapa de retro-
substituio.
2) Mtodo de Eliminao por Diagonalizao da Matriz Aumentada

1
a
contenha o maior elemento (em mdulo) da primeira coluna (piv):
2 -7 4 9
1 9 -6 1
-3 8 5 6

-3 8 5 6
1 9 -6 1
2 -7 4 9


2
a
o
elemento da
linha:
kj
kj
kk
a
a
a
(k = 1 e j = k, ..., n+1)
1 -8/3 -5/3 -2
1 9 -6 1
2 -7 4 9

3
a
(k = 1, j = k, ..., n+1 e i = 1, ..., n com i = k)
ij ij ik kj
a a a a
1 -8/3 -5/3 -2
0 35/3 -13/3 3
2 -7 4 9

1 -8/3 -5/3 -2
0 35/3 -13/3 3
0 -5/3 22/3 13

4
a
1 -8/3 -5/3 -2
0 35/3 -13/3 3
0 -5/3 22/3 13

linha, desconsiderando-se a primeira linha, j se encontra na segunda linha.

5
a
o
elemento da
mesma:

1 -8/3 -5/3 -2
0 1 -13/35 9/35
0 -5/3 22/3 13

6
a
Etapa) Eliminao dos elementos da segunda coluna da primeira e da terceira linhas:
1 0 -279/105 -46/35
0 1 -13/35 9/35
0 0 141/21 94/7

7
a
o
elemento da
mesma:

1.5 FATORAO LU 27

1 0 -279/105 -46/35
0 1 -13/35 9/35
0 0 1 2

8
a
Etapa) Eliminao dos elementos da terceira coluna da primeira e da segunda linhas:
1 0 0 4
0 1 0 1
0 0 1 2

Esta ltima forma da matriz aumentada traduz o sistema linear:
1
2
3
4
1
2
x
x
x
=

1
2
3
4
1
2
x
x
x
( (
( (
= =
( (
( (

x

Exemplo: mtodo de eliminao de Gauss para obteno da matriz inversa. Seja a mesma
matriz do exemplo ilustrativo do exemplo anterior:

5 8 3
6 9 1
4 7 2
(
(
(
= A ,
neste caso deseja-se determinar a matriz:
1
A B

= tal que: I A B B A = = , onde I a matriz
identidade com as mesmas dimenses da matriz A.
Neste caso a matriz aumentada :
2 -7 4 1 0 0
1 9 -6 0 1 0
-3 8 5 0 0 1

Aplicando-se procedimento de eliminao anlogo ao anterior (diagonalizao), ou seja, o
mtodo de eliminao por diagonalizao da matriz aumentada:

1
a
Etapa) Reposicionamento das linhas de modo que a primeira linha contenha o maior
elemento (em mdulo) da primeira coluna:
2 -7 4 1 0 0
1 9 -6 0 1 0
-3 8 5 0 0 1


-3 8 5 0 0 1
1 9 -6 0 1 0
2 -7 4 1 0 0

2
a
o
elemento da
linha:
1 -8/3 -5/3 0 0 -1/3
1 9 -6 0 1 0
2 -7 4 1 0 0

3
a
1 -8/3 -5/3 0 0 -1/3
0 35/3 -13/3 0 1 1/3
2 -7 4 1 0 0

1 -8/3 -5/3 0 0 -1/3
0 35/3 -13/3 0 1 1/3
0 -5/3 22/3 1 0 2/3

4
a
1 -8/3 -5/3 0 0 -1/3
0 35/3 -13/3 0 1 1/3
0 -5/3 22/3 1 0 2/3

linha, desconsiderando-se a primeira linha, j se encontra na segunda linha.
5
a
o
elemento da
mesma:
1 -8/3 -5/3 0 0 -1/3
0 1 -13/35 0 3/35 1/35
0 -5/3 22/3 1 0 2/3

6
a
Etapa) Eliminao dos elementos da segunda coluna da primeira e da terceira linhas:
1 0 -93/35 0 8/35 -9/35
0 1 -13/35 0 3/35 1/35
0 0 47/7 1 1/7 5/7

7
a
o
elemento da
mesma:
1 0 -93/35 0 8/35 -9/35
0 1 -13/35 0 3/35 1/35
0 0 1 7/47 1/47 5/47
1.5 FATORAO LU 29

8
a
Etapa) Eliminao dos elementos da terceira coluna da primeira e da segunda linhas:
1 0 0 93/235 67/235 6/235
0 1 0 13/235 22/235 16/235
0 0 1 7/47 1/47 5/47

As trs ltimas colunas desta ltima forma da matriz a inversa da matriz original, isto :
(
(
(
47 / 5 47 / 1 47 / 7
235 / 16 235 / 22 235 / 13
235 / 6 235 / 67 235 / 93
1
A
para verificar se o valor da inversa correto deve-se calcular: I A A A A
1 1
= =

Fatorao LU: O processo de fatorao LU decompe a matriz A em uma matriz
triangular inferior, L, e outra triangular superior, U, com elementos unitrios na diagonal
principal da matriz L (mtodo de Doolittle) ou da matriz U (mtodo de Crout):
A = L U

1,..., 1
1,...,
1,...,
ik
ik
kk
ij ij ik kj
a
a
a k n
i k n
j k n a a a a
= +

= +
(Doolittle)

1
1
U
1
L
1
...

1
com uma posterior substituio: L y = b
e uma retro-substituio: U x = y
As principais vantagens da fatorao em relao eliminao Gaussiana a reduo
do nmero de operaes de
3
2
( )
3
n O n +
2
para
3
1
( )
3
n O n +
2
, e a manuteno das operaes
bsicas na matriz fatorada (matriz L, na fatorao LU), que pode ser aplicada para diferentes
vetores b.


3) Mtodo de Fatorao LU da Matriz Original

1
a
contenha o maior elemento (em mdulo) da primeira coluna (piv). Somente nas etapas de
pivotamento adiciona-se a matriz de pivotamento (inicialmente a matriz identidade) para
armazenar as operaes de trocas de linhas:
2 -7 4 1 0 0
1 9 -6 0 1 0
-3 8 5 0 0 1

-3 8 5 0 0 1
1 9 -6 0 1 0
2 -7 4 1 0 0

2
a
Etapa) Normalizao dos elementos da primeira coluna aps a primeira linha, dividindo-os
pelo 1
o
elemento da linha:
ik
ik
kk
a
a
a
(k = 1 e i = k+1, ..., n)
-3 8 5
-1/3 9 -6
-2/3 -7 4

3
a
Etapa) Fatorao dos elementos da segunda e terceira linhas aps primeira coluna:
ij ij ik kj
a a a a (k = 1, i = k+1, ..., n e j = k+1, ..., n)
-3 8 5
-1/3 35/3 -13/3
-2/3 -7 4

-3 8 5
-1/3 35/3 -13/3
-2/3 -5/3 22/3

4
a
elemento (em mdulo) da segunda coluna [sem levar em considerao a primeira linha e a
primeira coluna]:
-3 8 5 0 0 1
-1/3 35/3 -13/3 0 1 0
-2/3 -5/3 22/3 1 0 0

linha, desconsiderando-se a primeira linha e primeira coluna, j se encontra na segunda linha.

1.5 FATORAO LU 31

5
a
Etapa) Normalizao dos elementos da segunda coluna aps a segunda linha, dividindo-os
pelo 2
o
elemento da mesma:
-3 8 5
-1/3 35/3 -13/3
-2/3 -1/7 22/3

6
a
Etapa) Fatorao dos elementos da terceira linha aps segunda coluna:
-3 8 5
-1/3 35/3 -13/3
-2/3 -1/7 47/7

7
a
Etapa) Extraindo as matrizes L e U:
Matriz L (dos multiplicadores do processo de eliminao Gaussiana) com 1 na diagonal:
1 0 0
-1/3 1 0
-2/3 -1/7 1

Matriz U:
-3 8 5
0 35/3 -13/3
0 0 47/7

Para verificar se a fatorao est correta, o produto P
-1
L U deve ser igual matriz A.

8
a
Etapa) Troca das linhas do vetor b de acordo com a matriz de permutao, isto : P b.

matriz P:
9
1
6

6
1
9

9
a
Etapa) Determinao recursiva de y
1
, y
2
e y
3
, iniciando com y
1
, do sistema L y = b:
0 0 1
0 1 0
1 0 0


1 1
1
1 2 2 1 2
3
1 2 3 3 1 2
6 6
6
1 1
1 1
3 3
94
2 5 2 5
9 9
7
3 35 3 35
y y
y
y y y y y
y
y y y y y y

= =

=

+ = = + =

=
+ = = + +

3

10
a
Etapa) Determinao recursiva de x
1
, x
2
e x
3
, iniciando com x
3
, do sistema U x = y:
( )
3
1 2 3
1
2 3 2 3 2
3
3
3 3 2
94
3 8 5 6
47
4
35 13 3 13
3 3
3 3 35 3
2
47 94
1
6 5 8
7 7
3
x
x x x
x
x x x x x
x
x
x x x
+ + =
=
| |
= = + =

|
\ .

=

=
=

1
2
3
4
1
2
x
x
x
( (
( (
= =
( (
( (

x

Caso desejssemos resolver outro sistema somente modificando o vetor b, bastaria repetir os
passos 8 a 10, pois a matriz A j est fatorada. Do mesmo modo, para obter a inversa da
matriz A, basta repetir estes trs passos para os trs vetores coluna da matriz identidade.

1.5 FATORAO LU 33

ANLISE DA SOLUO DE SISTEMAS ALGBRICOS LINEARES

o objetivo de esta seo fornecer os elementos para a anlise de sistemas de
equaes algbricas lineares da forma: = A x b, onde A uma matriz quadrada (n,n)
chamada de matriz dos coeficientes ,
m
e9 b chamado de vetor das constantes e
n
e9 x
chamado de vetor das incgnitas a soluo deste sistema s existe se a matriz A for regular e
pode ser expressa na forma: . Este procedimento j se encontra implementado, com
grande eficincia, em inmeros pacotes computacionais (MATHCAD, MAPLE, MATLAB, etc.) e
dificilmente haver a necessidade de reprogram-lo. Entretanto dois aspectos de natureza
qualitativa da estrutura do sistema devem ser analisados:
1
= x A b
Nem sempre o nmero de equaes do sistema igual ao nmero de incgnitas. Neste
caso o sistema descrito da mesma forma apresentada acima: = A x b
n
, mas a matriz A
retangular (m,n) o vetor e o vetor das incgnitas
m
e9 b e9 x , isto m o nmero de
equaes e n o nmero de incgnitas. O sistema de equaes pode tambm ser rescrito na
forma:
( )
1
2
1 2 1 1 2 2 n
n
x
x
n n
x x
x
| |
|
|
= = = + + +
|
|
|
\ .
b A x a a a a a a
x , onde a
k
e9
m
para k = 1, 2, ..., n
so os vetores colunas da matriz A, desta forma os n elementos do vetor x podem ser
interpretados como os componentes do vetor b na base formada pelos n vetores a
1
, a
2
, ..., a
n

sendo assim obrigatoriamente linearmente dependente do conjunto. Sendo r o nmero de
vetores linearmente independentes no conjunto de n vetores [r s n] a
1
, a
2
, ..., a
n
, este deve
ser igual ao nmero de vetores linearmente independentes do conjunto de n+1vetores a
1
, a
2
,
..., a
n
, b. Isto o posto, r, da matriz ( )
1 2 n
= A a a a deve ser igual ao posto, r , da
matriz [chamada de matriz aumentada ] ( )
1 2 n
= A a a a b .
Quando ( ) ( )
posto posto r r = = = A A o sistema dito consistente e admite soluo,
entretanto s admite soluo nica de ( ) posto r n = = A . Se m > n (nmero de equaes >
nmero de incgnitas) o posto(A) no mximo n, enquanto que se m < n (nmero de
equaes < nmero de incgnitas) o posto(A) no mximo m < n, portanto s h
possibilidade do sistema apresentar soluo nica se m > n (nmero de equaes > nmero de
incgnitas). Caso o sistema dito homogneo b 0 e como neste caso ( ) r posto = A ser
sempre igual a
( )
posto = r A o sistema ser sempre consistente e caso r = n admite como
soluo nica a soluo trivial x 0
e9 A
, deste modo para o sistema homogneo de n equaes e
n incgnitas , s apresenta soluo no trivial se
, isto a matriz A deve ser singular. O esquema de caracterizao da
consistncia
nxn n
onde : e e9 x = A x 0
n < ( ) posto r = A
e da existncia de soluo de sistemas algbricos lineares mostrado no
diagrama abaixo:


Sistema de
Equaes
A x = b

Clculo dos postos
de A e A
respectivamente
r e r

r < r
r : r

r =r
Sistema
Inconsistente
Sistema
Consistente

Sistema no
apresenta
soluo
r = n
r : n

r < n

Soluo
nica
Nmero
Infinito de
Solues

Exemplos Ilustrativos:
(a) Analise a consistncia do sistema linear de equaes algbricas:
1 2
1 2
1 2
3 1 1
2 2 0 2 2 r
1 1 1
x x
x x
x x
+ = |
|
+ = = =
|
|
=
\
A 2
|
.
e a matriz aumentada:
1 1 3
2 2 0 r
1 1 -1
| |
|
3 = =
|
|
\ .
A ,
sistema inconsistente. Haveria duas possibilidades de corrigir este sistema: (i) substituindo no
lado direito da segunda equao 0 por 6, e neste caso a soluo seria: x
1
= 1 e x
2
= 2; (ii)
substituindo no lado direito da primeira equao 3 por 0, neste caso a soluo seria x
1
=-0,5 e
x
2
= +0,5.

(b) Analise a consistncia e as possveis solues do sistema linear de equaes algbricas:
1 2
1 2
2 3 0 2 3
r 2
0 1 1
x x
x x
+ = | |
= =
|
+ =
\ .
A e a matriz aumentada:
2 3 0
r 2
1 1 0
| |
= =
|
\ .
A , assim o
sistema consistente e como r = n = 2 apresenta soluo nica que a soluo trivial x
1
=x
2
=0
pois o sistema homogneo. [Este exemplo ilustra a observao feita anteriormente relativa a
sistemas homogneos].
1.5 FATORAO LU 35

(c) Analise a consistncia e as possveis solues do sistema linear de equaes algbricas:
1 2 3
1 2 3
2 4 1 2 1
r 2
3 6 8 3 6 -1
x x x
x x x
+ + = | |
= =
|
+ =
\ .
1 2 1 4
3 6 -1 8
| |
=
|
\ .
A
apresenta o posto r 2 = , assim o sistema consistente (alis se m < n e se r=m o sistema ser
sempre consistente, indicando que m vetores coluna de A constituem uma base de 9
m
desta
forma o vetor b necessariamente ser linearmente dependente destes vetores e, em
conseqncia, a matriz A apresenta sempre posto igual ao de A, alm disto como r = m < n o
sistema, neste caso, apresentar sempre um nmero infinito de solues). Como r = 2 <3 o
sistema apresenta um nmero infinito de solues, entretanto note que o sistema pode ser
reescrito na forma: definindo: z
1
= x
1
+ 2 x
2
, tem-se:
( )
( )
1 2 3
1 2 3
2 4
3 2 8
x x x
x x x
+ + =
+ =
( )
1 3 1 1 2
1 3 3
4 2 3
3 8 1
z x z x x
z x x
+ = = + =

= =

.
Este exemplo ilustra que em sistemas consistentes com menos equaes do que incgnitas no
se pode arbitrar indiscriminadamente (n-m) variveis calculando as m restantes em funo
destas, neste processo de escolha de (m-n) entre as n incgnitas deve ser feita de modo que a
matriz do sistema aps esta escolha tenha posto = n. Assim se no exemplo o valor arbitrado de
x
3
fosse diferente de 1 o sistema resultante seria inconsistente, pois com x
3
=2, por exemplo,
tem-se: e a matriz aumentada:
1 2
1 2
2 2 1 2
r 1
3 6 10 3 6
x x
x x
+ = | |
= =
|
+ =
\ .
A
1 2 2

3 6 10
| |
=

\ .
A
|
tem o posto r 2 = , sendo assim o sistema inconsistente. Entretanto se a
varivel x
1
, por exemplo, tivesse um valor arbitrado o qualquer, ter-se-ia:
2 3
2 3
2 4 2 1
r
6 1
| |
|
\ .
2
6 8 3
x x
x x
+ = o
= =
= o
2 6 4-
6 1 8-3
o | |
=
|
o
\ .
A tem o
posto 2 = r independente do valor de o, ento neste caso o sistema sempre consistente.

Mesmo no caso em que m=n e em que A regular a soluo do sistema posta na forma:
no assegura que a soluo seja exata [uma prtica recomendada aps o
programa fornecer o vetor x calcular
1
= x A b
o = A x b que o chamado resduo da soluo.
Quanto mais prximo o estiver do vetor 0, ou seja: 0 o ~ , maior a preciso do resultado]
nem to pouco que a obteno da inversa da matriz A seja fcil [isto especialmente
verdadeiro se os elementos de A apresentarem ordens de grandeza muito distintas, neste caso
a matriz dita mal condicionada]. Estes dois fatos geralmente ocorrem devido ao mau
condicionamento da matriz A que medido pelos chamados nmeros de condicionamento,
valores elevados dos nmeros de condicionamento um forte indicativo de dificuldades
numricas na resoluo do sistema e na inverso da matriz A. Os quatro nmeros abaixo so
usualmente considerados:
M = n M(A) M(A
-1
), onde M(A) =
,
max
ij
i j
a isto , o valor do mdulo do
elemento da matriz A que apresenta o maior valor absoluto;
( ) ( )
1
= A A N N N , onde N(A) a norma de Frobenius de A definida por:

( ) ( )
T
N tr = A A A ;
P

=
onde e so, respectivamente, os valores absolutos do maior e do

menor valor caracterstico de A em mdulo (ou da parte real dos mesmos).

( )
( ) A
A
min
max
o
o
k = , onde o(A) so os valores singulares de A ou a raiz quadrada dos
valores caractersticos de A A
T
.

Exemplo: o sistema linear o chamado problema de T. S. Wilson:

10 7 8 7 32
7 5 6 5 23
8 6 10 9 33
7 5 9 10 31
x y z w
x y z w
x y z w
x y z w
+ + + =
+ + + =
+ + + =
+ + + =
a soluo exata deste sistema x = y = z = w = 1, entretanto adotando-se x = 6; y = -7,2;

z = 2,9 e w = -0,1 os resultados de cada uma das equaes so 32,1; 22,9; 32,9 e 31,1; e
adotando x = 1,5; y = 0,18; z = 1,19 e w = 0,89 os correspondentes resultados so 32,01;
22,99; 32,99 e 31,01.
A matriz caracterstica deste sistema : cuja inversa :
10 7 8 7
7 5 6 5
8 6 10 9
7 5 9 10
| |
|
=

|
|
\ .
A
|
|
1
25 41 10 6
41 68 17 10
10 17 5 3
6 10 3 2
| |
|

=

|
|

\ .
A
|
|
e os valores caractersticos desta matriz so: 0,01015;
0,843107; 3,858057 e 30,288685, assim as duas normas destas matrizes so: M(A) = 10;
M(A
-1
)=68 , N(A)=30,5451 e N(A
-1
) = 98,5292, ento os nmeros de condicionamento so:

M = n M(A) M(A
-1
) = 4 10 68 = 2720;
( ) ( )
1
= A A N N N = 30,5451 98,5292 = 3009,58

30, 2887
2984, 09
0, 0102
P

= = =

max
min
30,2887
2984, 09
0,0102
o
k = = =
o
(igual ao caso 3, pois a matriz A simtrica)

1.6 Fatorao QR
Toda matriz A e 9
mn
com colunas linearmente independentes pode ser unicamente
fatorada na forma A = Q R com as colunas da matriz Q e 9
mn
formando uma base
ortonormal para o range(A) e a matriz triangular superior R e 9
nn
tendo os elementos da
1.6 FATORAO QR 37

diagonal positivos. Esta fatorao pode ser gerada pelo procedimento de ortogonalizao de
Gram-Schmidt, pois as colunas da matriz
1 2
(
n
) = Q q q q
1 2
so resultados da aplicao
do processo de Gram-Schmidt nas colunas da matriz (
n
) = a a a , e a matriz R
dada por:
1 1 2 1 3 1
2 2 3 2
3 3
0
0 0
0 0 0
T T T
n
T T
n
T
n
n
v
v
v
v
(
(

(
(
=
(
(
(

q a q a q a
q a q a
R q a

onde v
1
= || a
1
|| e
1
1
k
T
k k i k
i
v

=
=
a q a q
i
para k = 2, 3, ..., n.
Se a matriz A e 9
nn
regular, ento Q
T
= Q
-1
, pois as colunas da matriz Q so
ortonormais entre si.

Exemplo: Obter a fatorao QR da matriz
0 20 14
3 27 4
4 11 2
| |
|
=
|
|
\ .
A aplicando o processo de
ortogonalizao de Gram-Schmidt, ou seja:
1
1
1
v
=
a
q e
1
1
k
T
k i k
i
k
k
v
=
i

=

a q a
q
q
para k = 2, 3, ..., n
Ento, para k = 1: r
11
= v
1
= || a
1
|| = 5 e
1
1
1
0
3/ 5
4/ 5
v
(
(
= =
(
(

a
q
k = 2: ;
12 1 2
25
T
r = = q a
2 2 12 1
20
12
9
r
(
(
= =
(
(

q a q ; r
22
= v
2
=
2
q = 25;
2
2
22
4/ 5
12/ 25
9/ 25
r
(
(
= =
(
(

q
q

k = 3: r ; ;
13 1 3
4
T
= = q a
23 2 3
10
T
r = = q a
3 3 13 1 23 2
6
32/ 5
24/ 5
r r
(
(
= =
(
(

q a q q
r
33
= v
3
=
3
q = 10;
3
3
33
3/ 5
16/ 25
12/ 25
r
(
= =
(

q
q

(
(
e, portanto,

0 4/ 5 3/ 5
3/ 5 12/ 25 16/ 25
4/ 5 9/ 25 12/ 25
(
(
=
(
(

Q e
5 25 4
0 25 10
0 0 10
(
(
=
(
(

R
Verificando o resultado: A = Q R =
0 20 14
3 27 4
4 11 2
| |
|
|
|
\ .
.

Lista de exerccios
1) Verificar se a aplicao F: 9
3
9
2
definida por F(x, y, z) = (z, x + y), (x, y, z) e
9
3
, uma transformao linear.
2) Verificar se a aplicao F: 9 9
2
definida por F(x) = (x, 2), x e 9, uma
transformao linear.
3) Dada a matriz:
2 2 3
1 1 1
1 3 1
| |
|
=
|
|
\ .
A
a) compute seus valores caractersticos;
b) compute o conjunto de vetores caractersticos de A e de A
T
, verifique que estes dois
conjuntos so mutuamente ortogonais;
c) verifique que a matriz A satisfaz tambm sua equao caracterstica.

4) Mostre que A
= (A
T
A)
-1
A
T

Bibliografia
- Curso de Nivelamento em Matemtica - E.C. Biscaia Jr., PEQ/COPPE-UFRJ, 2009.
- Clculo Numrico: Caractersticas Matemticas e Computacionais dos Mtodos
Numricos - D. Sperandio, J.T. Mendes e L.H.M. Silva - Pearson-Prentice Hall, 2003.
- Matrix Analysis and Applied Linear Algebra - C.D. Meyer, SIAM, 2000.
- Matrix Computations - G. H. Golub e C. F. Van Loan - Johns Hopkins, 1996.
- lgebra Linear a Aplicaes - C.A. Callioli, H.H. Domingues e R.C.F. Costa - Atual
Editora, 6 ed., 1989.

Decomposicao Matricial

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Decomposicao Matricial

Diunggah oleh

Hak Cipta:

Format Tersedia

CURSO DE NIVELAMENTO 2011 - PEQ/COPPE/UFRJ

onde e so, respectivamente, os valores absolutos do maior e do

a soluo exata deste sistema x = y = z = w = 1, entretanto adotando-se x = 6; y = -7,2;

Anda mungkin juga menyukai