13/03/2018

REVISÃO DE ÁLGEBRA

Prof. Cícero F F CostaFilho

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Revisão de Álgebra
1. Escalares, Vetores, Matrizes e Tensores
2. Norma de um Vetor
3. Matriz Transposta e Multiplicação
4. Matriz Identidade e Matriz Inversa
5. Principal objetivo da álgebra linear
5.1 Sistemas com matrizes quadrados invertíveis
5.2 Sistemas com matrizes quadradas não invertíveis
5.3 Sistemas com matrizes retangulares e m>n
5.4 Sistemas com matrizes retangulares e m<n
6. A Pseudo-Inversa
7. Processo de ortogonalização de Gram-Schimdt
8. Decomposições de uma matriz

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

1
 13/03/2018

1. Escalares, Vetores, Matrizes e Tensores

Escalares
 Número simples, representado por uma letra minúscula em itálico: x
 Em reconhecimento de padrões representam uma característica, ou:
Exemplos:
real: 𝑥 ∈ ℝ → inclinação de uma reta
𝑦 ∈ ℕ → número de unidades

Vetores
 Conjunto de números, representado por uma letra minúscula em itálico e negrito: x
 Em aprendizado máquina representam um conjunto de características de um objeto.
 Cada elementos de um vetor é identificado por um índice subscrito: 𝑥𝑖 → i-ésimo
elemento de um vetor.
 Representação matemática:
𝑥1
𝑥
𝒙 = …2
𝑥𝑛
 Se os valores de 𝑥𝑖 são reais diz-se que: 𝒙 ∈ ℝ𝑛
 𝒙−1 → vetor contendo todos os elementos, menos 𝑥1

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Matrizes
 Conjunto 2D de números, representado por uma letra maiúscula em negrito: A.
 Cada elemento de uma matriz é indicado por dois índices subscritos: 𝐴𝑖𝑗
 Representação matemática:
𝐴11 𝐴12 Linha 1
𝑨=
𝐴21 𝐴22 Linha 2
i
Coluna 1 Coluna 2 Aij
j
 Se os valores 𝐴𝑖𝑗 são reais, dizemos que: 𝑨 ∈ ℝ𝑚𝑥𝑛
 Em aprendizado de máquina, cada linha representa as características de um objeto e a
matriz como um todo um subconjunto utilizado no aprendizado de uma tarefa

Tensores
 Conjunto 3D de números, representado por uma letra maiúscula em negrito A
 Cada elemento do tensor é representado por três índices: 𝐴𝑖𝑗𝑘
 Em aprendizado de máquina é utilizado para representar todos os subconjuntos
utilizados no aprendizado de uma tarefa
 Se os valores 𝐴𝑖𝑗𝑘 são reais, dizemos que: 𝑨 ∈ ℝ𝑚𝑥𝑛𝑥𝑝

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

2
 13/03/2018

Digite a equação aqui.2. Norma de um vetor

A norma 𝐿𝑝 de um vetor é dada por:
𝑥 𝑝 = 𝑖 𝑥𝑖 𝑝 1/𝑝
Para 𝑝 ∈ ℝ. 𝑝 ≥ 1

Normas:
𝑓𝑢𝑛 çã𝑜
 𝑣𝑒𝑡𝑜𝑟𝑒𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑛ã𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜𝑠
 Intuitivamente medem a distância de um vetor para a origem
 Qualquer função que satisfaz as seguintes propriedades:
o 𝑓 𝒙 =0→𝒙=0
o 𝑓 𝒙 + 𝒚 ≤ 𝑓 𝒙 + 𝑓 𝒚 (𝑑𝑒𝑠𝑖𝑔𝑢𝑎𝑙𝑑𝑎𝑑𝑒 𝑑𝑜 𝑡𝑟𝑖â𝑛𝑔𝑢𝑙𝑜)
o ∀𝛼 ∈ ℝ, 𝑓 𝛼𝒙 = 𝛼 𝑓(𝒙)
 Norma 𝐿2 → distância Euclidiana
 Para um vetor: 𝐿2 𝒙 = 𝑐𝑜𝑚𝑝𝑟𝑖𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑢𝑚 𝑣𝑒𝑡𝑜𝑟 = 𝒙𝑇 . 𝒙
 Norma 𝐿1 : 𝑥 1 = 𝑖 𝑥 𝑖 → para vetores binários representa o número de elementos
diferentes de zero.
 Max norm: 𝒙 ∞ = 𝑚𝑎𝑥𝑖 𝒙 𝑖
 Fobrenius norm (tamanho de uma matriz): 𝑨 𝐹 = 𝟐
𝒊,𝒋 𝑨𝒊𝒋 → similar a norma 𝐿2 de
um vetor.
 Produto interno de um vetor → pode ser escrito como um produto de normas:
𝒙𝑇 . 𝒚 = 𝒙 2 𝒚 2 . 𝑐𝑜𝑠𝜃 , em que 𝜃 é o ângulo entre os vetores x e y

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

3. Matriz Transposta, Adição e Produto

Matriz Transposta
𝐴𝑇 𝑖𝑗 = 𝐴𝑗𝑖

𝐴11 𝐴12
𝐴 𝐴21 𝐴31
𝑨 = 𝐴21 𝐴22 → 𝑨𝑇 = 11
𝐴12 𝐴22 𝐴32
𝐴31 𝐴32

Adição:

Adição de duas Matrizes

𝑪 = 𝑨 + 𝑩 → 𝑪𝑖𝑗 = 𝑨𝑖𝑗 + 𝑩𝑖𝑗

Adição e Multiplicação por escalar

𝑫 = 𝑎. 𝑩 + 𝑐 → 𝐷𝑖𝑗 = 𝑎𝐵𝑖𝑗 + 𝑐

Em Aprendizado Profundo usa-se a soma de uma matriz com um vetor:

𝑪 = 𝑨 + 𝒃 → 𝐶𝑖𝑗 = 𝐴𝑖𝑗 + 𝒃𝑗 → “broadcasting de b”

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

3
 13/03/2018

Produto
Produto de duas matrizes: AB
𝑪 = 𝑨𝑩 → 𝐶𝑖𝑗 = 𝒌 𝐴𝑖𝑘 𝐵𝑘𝑗
Dimensão do produto:
C = A . B

mxp mxn nxp

Produto de uma matriz por um vetor

𝑦1 𝐴11 𝐴12 … 𝐴1𝑛 𝑥1
𝒚 = 𝑨. 𝒙 → …𝑦 2 = …𝐴21 𝐴22 … 𝐴2𝑛 𝑥
. …2
… … …
𝑦𝑛 𝑚𝑥 1 𝐴𝑚 1 𝐴𝑚 2 … 𝐴𝑚𝑛 𝑥𝑛 𝑛𝑥 1
𝑚𝑥𝑛
Em que:
𝑦1 = 𝐴11 𝑥1 + 𝐴12 𝑥2 + ⋯ + 𝐴1𝑛 𝑥𝑛
𝑦2 = 𝐴21 𝑥1 + 𝐴22 𝑥2 + ⋯ + 𝐴2𝑛 𝑥𝑛
.....
𝑦𝑚 = 𝐴𝑚 1 𝑥1 + 𝐴𝑚 2 𝑥2 + ⋯ + 𝐴𝑚𝑛 𝑥𝑛

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Produto de Hadamard ou elemento a elemento (elemento wise): 𝐴 ⊙ 𝐵

𝑪 = 𝑨 ⊙ 𝑩 → 𝐶𝑖𝑗 = 𝐴𝑖𝑗 . 𝐵𝑖𝑗

Propriedade Distributiva:
𝑨 𝑩 + 𝑪 = 𝑨𝑩 + 𝑨𝑪

Propriedade Associativa:
A(BC)=(AB)C

Propriedade Comutativa
Nem sempre AB=BA
Porém , sempre é verdadeiro que: 𝒙𝑻 . 𝒚 = 𝒚𝑻 . 𝒙

Transposta do Produto:
𝑨𝑩 𝑻 = 𝑩𝑻 𝑨𝑻

4. Matriz identidade e matriz inversa

Definição: Uma matriz identidade In é definida como:
𝑰𝑛 ∈ ℝ𝑛𝑥𝑛 ,
𝑰𝑖𝑗 = 1. 𝑠𝑒 𝑖 = 𝑗
𝑰𝑖𝑗 = 0. 𝑠𝑒 𝑖 ≠ 𝑗

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

4
 13/03/2018

Assim:
1 0 0
𝐼3 = 0 1 0
0 0 1

Definição: Uma matriz identidade é aquela que, quando multiplicada por um vetor não altera
o seu valor:
𝑰𝑛. 𝒙 = 𝒙
1 0 0 2 2
Exemplo: 0 1 0 . 3 = 3
0 0 1 4 4

Definição: Uma matriz quadrada de ordem n é uma matriz para a qual m=n, ou seja, o
número de linhas é igual ao número de colunas e igual a n.

Definição: Uma matriz inversa de uma matriz A quadrada e ordem n, é uma matriz 𝑨−1 para a
qual:
𝑨−1 . 𝑨 = 𝑰𝑛

Teorema: Uma matriz quadrada A é invertível se todos os vetores colunas e linhas da mesma
são linearmente independentes. Uma matriz não invertível é dita uma matriz singular.

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

5. Principal objetivo da álgebra linear

Pode-se afirmar que o principal objetivo da álgebra linear é resolver um sistema de equações:
𝑨𝒙 = 𝒃
Diferentes soluções existem em função do tipo da matriz A

5.1 Sistemas com matrizes quadrados invertíveis

Caso 1: A é uma matriz quadrada invertível
Nesse caso, a solução existe para qualquer vetor b, e a solução é dada multiplicando-se
ambos os termos da equação anterior por 𝑨−1 :
𝑨−1 𝑨𝒙 = 𝑨−1 𝒃 →
→ 𝑰𝒏 𝒙 = 𝑨−1 𝒃 →
→ 𝒙 = 𝑨−1 𝒃

Observação: Normalmente, quando os sistemas têm uma matriz A muito grande, o mesmo
não é resolvido através do cálculo da matriz inversa, pois, no cálculo da mesma, como a precisão
do computador é finita, comete-se muitos erros de aproximação. Os sistemas são resolvidos
através do método de eliminação de Gauss.

5.2 Sistemas com matrizes quadrados não invertíveis ou singulares

Ocorre quando as linhas da matriz A não são LI
Nesses casos, usa-se o método de eliminação de Gauss, para saber se o sistema não tem
solução, quando se diz que o mesmo é inconsistente, ou se tem infinitas soluções.

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

5
 13/03/2018

Exemplo:
Seja o sistema:
𝑢+𝑣+𝑤 = 2
2𝑢 + 3𝑤 = 5
3𝑢 + 𝑣 + 4𝑤 = 6

1 1 1
A matriz A é dada por: 2 0 3 . Essa matriz não tem inversa pois a terceira linha é
3 1 4
combinação linear das duas primeiras.

Pelo método de eliminação de Gauss chegamos a:

1 1 1 2 1 1 1 2 1 0 1/2 3/2
2 0 3 5 → 0 −2 1 1 → 0 −2 1 1
3 1 4 6 0 −2 1 0 0 0 0 −1

Na última linha temos 0w=-1 → sistema sem solução ou inconsistente.

Seja o sistema:
𝑢+𝑣+𝑤 = 2
2𝑢 + 3𝑤 = 5
3𝑢 + 𝑣 + 4𝑤 = 7

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

1 1 1
A matriz A é dada por: 2 0 3 . Essa matriz é a mesma do exemplo anterior e não tem
3 1 4
inversa pois a terceira linha é combinação linear das duas primeiras.

Pelo método de eliminação de Gauss chegamos a:

1 1 1 2 1 1 1 2 1 0 1/2 3/2
2 0 3 5 → 0 −2 1 1 → 0 −2 1 1
3 1 4 7 0 −2 1 1 0 0 0 0

Na última linha temos 0w=0 → sistema com infinitas soluções.

5.2 Sistemas com matrizes retangulares e m>n

Se existir uma solução ela será única.

Exemplo:
4𝑥 + 2𝑦 = 3
3𝑥 + 𝑦 = 6
5𝑥 + 2𝑦 = 12

Aplicando o método de eliminação de Gauss obtemos:

1 0 18/4
0 1 −15/2 → 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑖𝑛𝑐𝑜𝑛𝑠𝑖𝑠𝑡𝑒𝑛𝑡𝑒
0 0 36/8
UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

6
 13/03/2018

Exemplo:
4𝑥 + 2𝑦 = 3
3𝑥 + 𝑦 = 6
6𝑥 + 2𝑦 = 12

Aplicando-se o método de eliminação obtemos:

1 0 18/4
0 1 −15/2 → Solução única
0 0 0

5.2 Sistemas com matrizes retangulares com m<n

𝑢 + 3𝑣 + 3𝑤 + 2𝑦 = 1
2𝑢 + 6𝑣 + 9𝑤 + 7𝑦 = 5
−𝑢 − 3𝑣 + 3𝑤 + 4𝑦 = 5

Aplicando o método de eliminação de Gauss obtemos:

1 3 3 2 1
0 0 3 3 3
0 0 0 0 0

O sistema equivalente é então:

𝑢 + 3𝑣 + 3𝑤 + 2𝑦 = 1 (1)
3𝑤 + 3𝑦 = 3 (2)

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Escolheremos:
𝑣 𝑒 𝑦 → 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑙𝑖𝑣𝑟𝑒𝑠; 𝑤 𝑒 𝑢 → 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛𝑡𝑒𝑠

𝐷𝑒 2 → 𝑤 = 1 − 𝑦 (3)
Substituindo (3) em (1) vem:
𝑢 = −2 − 3𝑣 + 𝑦

O sistema admite então infinitas soluções dadas por:

𝑢 −2 −3 1
𝑣
𝑥 = 𝑤 = 0 +𝑣 1 +𝑦 0
1 0 −1
𝑦 0 0 1

Em que: 𝑣 𝑒 𝑦 𝑠ã𝑜 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑞𝑢𝑎𝑖𝑠𝑞𝑢𝑒𝑟.

No Aprendizado de Máquina, muitas vezes nos deparamos com sistemas em que m>n, sem
solução. Nesses casos, existem técnicas que nos dão uma solução 𝒙+, que minimiza o erro médio
quadrático entre Ax e b, ou seja: 𝒙+ = 𝑚𝑖𝑛𝑥 𝑨𝒙 − 𝒃 2 2 .

A seguir mostramos como encontrar 𝒙+.

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

7
 13/03/2018

6. A Pseudo-Inversa
Seja o sistema: 𝑨𝒙 = 𝒃, sendo a matriz A retangular.
Admitamos que o sistema não tenha solução.
Como A é retangular, não existe inversa.
Procuraremos uma solução 𝒙+que minimize o erro médio quadrático em relação a b: 𝒙+ =
2
𝑚𝑖𝑛𝑥 𝑨𝒙 − 𝒃 2

∇𝒙 𝒙+ = 0
⇒ ∇𝒙 𝑨𝒙 − 𝒃 22 = 0
⇒ ∇𝒙 𝑨𝒙 − 𝒃 22 = 0
⇒ ∇𝒙 𝑨𝒙 − 𝒃 𝑇 𝑨𝒙 − 𝒃 = 0
⇒ ∇𝒙 𝒙𝑻 . 𝑨𝑻 𝑨. 𝒙 − 2𝒙𝑻 . 𝑨𝑻 𝒃 + 𝒃𝑻 𝒃 = 0
⇒ 2. 𝑨𝑻 . 𝑨. 𝒙 − 2𝑨𝑻 𝒃 = 0
−𝟏 𝑻
⇒ 𝒙 = 𝑨𝑻 . 𝑨 𝑨 𝒃

−𝟏
A matriz 𝑨𝑻 . 𝑨 𝑨𝑻 é denominada de matriz pseudo-inversa de A e é denominada de 𝑨+.
Assim, a solução que minimiza o erro médio quadrático em relação ao vetor b é dada por:
𝒙+ = 𝑨+ . 𝒃

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

7. Processo de Ortogonalização de Gram-Schmidt

Suponha um espaço vetorial com a seguinte base vetorial: 𝑦1 , 𝑦2 , … 𝑦𝑛
Uma base vetorial é formada por vetores independentes, mas não necessariamente ortogonais.

Gram-Schimdt mostrou que é possível transforma uma base de vetores não ortogonais em uma
base de vetores ortogonais, 𝑣1 , 𝑣2 , … 𝑣𝑛 que gera o mesmo espaço vetorial através do
procedimento descrito a seguir:

Passo 1: Geração de 𝒗𝟏
Fazer 𝑣1 = 𝑦1
Passo 2: Geração de 𝒗𝟐
Gerar 𝒗𝟐 subtraindo de 𝒚𝟐 a porção do mesmo que está na direção 𝑣1
𝒗𝟐 = 𝒚𝟐 − 𝑎𝒗𝟏 (2.1)
Isso é representado graficamente na figura abaixo:
y

y2
v2 =y2 - av1
v1
av1
x

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

8
 13/03/2018

Determinação de a:
Como 𝒗𝟐 é perpendicular a 𝒗𝟏 , temos:
𝒗𝟏 , 𝒗𝟐 = 0 (2.2)
Substituindo (2.1) em (2.2):
𝒗𝟏 , 𝒚𝟐 − 𝑎𝒗𝟏 = 0 (2.3)
Pela propriedade distributiva do produto interno:
𝒗𝟏 ,𝒚𝟐
𝒗𝟏 , 𝒚𝟐 − 𝑎𝒗𝟏 = 0 → 𝒗𝟏 , 𝒚𝟐 − 𝒂(𝒗𝟏 , 𝒗𝟏 ) = 0 → 𝑎 = 𝒗𝟏 ,𝒗𝟏
(2.4)
Substituindo o valor de a dado em (2.4) na expressão (2.1) obtemos:
𝒗 ,𝒚
∴ 𝒗𝟐 = 𝒚𝟐 − 𝒗𝟏,𝒗𝟐 𝒗𝟏 (2.5)
𝟏 𝟏

Passo 3: Geração dos outros vetores.

Para gerar 𝒗𝒌 subtrair de 𝒚𝒌 as porções do mesmo que estão nas direções de todos os outros
vetores 𝒗𝒊 gerados anteriormente.
Assim:
𝒗 ,𝒚 𝒗 ,𝒚
𝒗𝟑 = 𝒚𝟑 − 𝒗𝟏,𝒗𝟑 𝒗𝟏 − 𝒗𝟐,𝒗𝟑 𝒗𝟐 (2.6)
𝟏 𝟏 𝟐 𝟐

𝑘−1 𝒗𝒊 ,𝒚𝒌
𝒗𝒌 = 𝒚𝒌 − 𝑖−1 𝒗𝒊 ,𝒗𝒊
𝒗𝒊 (2.7)
Exemplo:
Seja o seguinte conjunto de vetores independentes:
1 −1
𝒚𝟏 = 𝑒 𝒚𝟐 = .
1 2
A partir desse conjunto encontre um conjunto de vetores ortogonais que gere o mesmo sub-
espaço.
UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

Solução:
Passo 1:
1
𝒗1 = 𝒚𝟏 =
1

Passo 2:
−1
𝒗𝟏 ,𝒚𝟐 −1 1 1 1 −1 0.5 1.5
2
𝒗𝟐 = 𝒚𝟐 − 𝒗𝟏 → 𝒗𝟐 = − 1 → 𝒗𝟐 = − =
𝒗𝟏 ,𝒗𝟏 2 1 1
1
1 2 0.5 1.5

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

9
 13/03/2018

8. Decomposições de uma matriz

 Um número inteiro pode ser decomposto como o produto de números primos:
Exemplo: 12 = 2x2x3 → mostra que o número 12 é divisível por 2, 3, 4 e 6.

 Uma matriz pode ser decomposta de várias formas. Nessa revisão relembraremos duas
decomposições: auto decomposição e decomposição por valores singulares.

8.1 Auto decomposição

 Uma matriz quadrada A possui autovetores e autovalores, dados por:

𝑨𝒗 = 𝜆𝒗
Em que: v → autovetor da matriz A associado ao autovalor 𝜆
 Se v é um autovetor de A, então todo vetor sv também o é. Assim, considera-se apenas
os autovetores com módulo unitário.
 Supondo que a matriz A tenha n autovetores LI: 𝒗1 , … . . 𝒗𝑛 com os autovalores
correspondentes 𝜆1 , … . . 𝜆𝑛 , podemos formar a matriz V, com cada coluna sendo uma
autovetor:
𝑽 = 𝒗1 … . . 𝒗𝑛
Da mesma forma, a concatenação dos autovalores formam um vetor 𝝀, dado por:
𝝀 = 𝜆1 , … . . 𝜆𝑛

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

 A auto decomposição é dada por:

𝐴 = 𝑽𝑑𝑖𝑎𝑔(𝝀)𝑽−𝟏
 Nem todas as matrizes podem ser auto decompostas. Em alguns casos a decomposição
envolve valores complexos ao invés de números reais.
 Matrizes Simétricas: autovetores LI e ortogonais e autovalores reais → têm
autodecomposição.
 Efeitos dos autovetores e autovalores:

Uma matriz A com dois autovetores 𝒗𝟏 𝑒 𝒗𝟐 , com autovalores correspondentes, 𝜆1 𝑒 𝜆2 . Na

esquerda mostra-se o conjunto de todos os vetores 𝒖 ∈ ℝ2 com módulo unitário como um
círculo unitário, incluindo os autovetores. Na direita mostra-se o efeito da multiplicação desses
vetores pela matriz A. Nota-se que a matriz A distorce o círculo unitário, escalonando o mesmo
na direção de 𝒗𝑖 de 𝜆𝑖 .
UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

10
 13/03/2018

 Uma matriz é singular se algum autovalor é igual a 0.

 A auto decomposição de uma matriz simétrica pode ser otimizada para otimizar uma
expressão do tipo:
𝑓 𝒙 = 𝒙𝑻 𝑨𝒙, 𝑠𝑢𝑗𝑒𝑖𝑡𝑎 𝑎 𝒙 2 = 1
 Quando x é um autovetor de A tem-se que 𝑓 𝒙 = 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛𝑡𝑒
 O valor máximo de f corresponde ao maior autovalor de A

8.2 Decomposição por valores singulares

 Aplica-se a todas as matrizes e não apenas a matrizes quadradas.

 Uma matriz A pode ser decomposta em:
𝑨 = 𝑼𝑫𝑽𝑻
Sendo A uma matriz de ordem mxn temos que:
 U é uma matriz mxm
Colunas de U: vetores singulares esquerdos de A→ autovetores de 𝑨𝑨𝑻

 V é uma matriz nxn

Colunas de V: vetores singulares direitos de A→ autovetores de 𝑨𝑻 𝑨
 D é uma matriz mxn
Matriz diagonal formada pelos valores singulares de A
Valores singulares de A → raízes quadradas dos autovalores dos autovetores
singulares esquerdo e direito, diferentes de zero.
UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

 Pode-se mostrar que:

𝑨+ = 𝑽𝑫+𝑼𝑇
Em que 𝑫+ é a transposta D tomando-se o recíproco dos valores diferentes
de zero de D.

−1 1 0
Exemplo: Seja a matriz 𝑨 = . Encontre a pseudo-inversa de A.
0 −1 1

Temos que:
2 −1 −0,7 −0,7
𝑨 𝑨𝑻 = →autovetores: , , autovalores:1, 3
−1 2 −0,7 0,7

1 −1 0 −0,57 −0,70 0,40

𝑨𝑻 𝑨 = −1 2 −1 →autovetores: −0,57 , 0 , −0,81 autovalores: 0,1,3
0 −1 1 −0,57 0,70 0,40

∴
−0,7 −0,7 −0,7 −0,7
𝑼= → 𝑼𝑻 =
−0,7 0,7 −0,7 0,7

−0,57 −0,7 0,40

𝑽 = −0,57 0 −0,81
−0,57 0,7 0,40

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

11
 13/03/2018

1/ 3 0
𝑫= 3 0 0 → 𝑫+ =
0 1
0 1 0
0 0

−0,57 −0,7 0,40 1/ 3 0 −0,7 −0,7 0,72 −0,26

𝑨+ = 𝑽𝑫+𝑼𝑇 = −0,57 0 −0,81 0 1 −0,7 0,7 = 0,23 0,23
−0,57 0,7 0,40 0 0 −0,26 0,72

Conferência:
−𝟏
𝑨 = 𝑨𝑻 . 𝑨 𝑨𝑻 → não se consegue calcular a pseudo-inversa dessa forma, pois 𝐴𝑇 . 𝐴 é uma
+

matriz singular!

UFAM Disciplina: Reconhecimento de Padrões Prof. Cícero F F Costa Filho

12