Professional Documents
Culture Documents
i i
2017/2/2
page
i i
To
picos de Algebra Linear:
Decomposic es Matriciais e Aplicac
o o es
1.0
VERSAO
2 de fevereiro de 2017
i i
i i
aal
i i
2017/2/2
page 1
i i
Sum
ario
1 Espa
cos Vetoriais 4
1.1 Espacos Vetoriais . . . . . . . . . . . . . . . . . . . . . 4
1.2 Subespacos Vetoriais . . . . . . . . . . . . . . . . . . . 7
1.3 Operacoes com Subespacos Vetoriais . . . . . . . . . . 8
1.4 Combinac oes Lineares e Geradores . . . . . . . . . . . 10
1.5 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Espacos Finitamente Gerados . . . . . . . . . . . . . . 14
1.7 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . 18
1.8 Aplicac
ao: EDOs . . . . . . . . . . . . . . . . . . . . . 19
1.9 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . 22
2 Revis
ao: Transforma coes Lineares 27
2.1 Transformacoes Lineares . . . . . . . . . . . . . . . . . 27
2.2 Nucleo e Imagem . . . . . . . . . . . . . . . . . . . . . 32
2.3 Isomorsmos . . . . . . . . . . . . . . . . . . . . . . . 34
2.4 A Matriz de Uma Transformacao Linear . . . . . . . . 35
2.5 Posto . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . 40
i i
i i
aal
i i
2017/2/2
page 2
i i
2 Sum
ario
4 Ortogonalidade e A Decomposi c
ao QR 100
4.1 Produto Interno e Norma . . . . . . . . . . . . . . . . 100
4.2 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . 105
4.3 Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . 107
4.4 Matrizes Ortogonais . . . . . . . . . . . . . . . . . . . 112
4.5 A Decomposicao QR . . . . . . . . . . . . . . . . . . . 114
4.6 Aplicacao: O Metodo dos Mnimos Quadrados . . . . 116
4.7 Householder e Givens . . . . . . . . . . . . . . . . . . 123
4.8 Subespacos Ortogonais . . . . . . . . . . . . . . . . . . 130
4.9 O Teorema Fundamental da Algebra Linear . . . . . . 132
4.10 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . 134
i i
i i
aal
i i
2017/2/2
page 3
i i
Sum
ario 3
Bibliograa 267
Indice 269
i i
i i
aal
i i
2017/2/2
page 4
i i
Captulo 1
Espacos Vetoriais
i i
i i
aal
i i
2017/2/2
page 5
i i
(D1) (distributividade) (u + v) = u + v,
(D2) (distributividade) ( + ) v = v + v.
i i
i i
aal
i i
2017/2/2
page 6
i i
6 [CAP. 1: ESPAC
OS VETORIAIS
i i
i i
aal
i i
2017/2/2
page 7
i i
Proposic
ao 1.1 Em um espaco vetorial valem as seguintes
propriedades:
(1) O vetor nulo e u
nico.
(2) O inverso aditivo de um vetor e u
nico.
(3) Se u + w = v + w, entao u = v.
(4) 0 v = 0 e 0 = 0.
(5) Se = 0 e v = 0, entao v = 0.
(6) (1) v = v.
(7) 0 = 0.
(8) (v) = v.
1.2 Subespa
cos Vetoriais
i i
i i
aal
i i
2017/2/2
page 8
i i
8 [CAP. 1: ESPAC
OS VETORIAIS
Note que, em particular, W, K, +|W W , |KW e, em si mesmo,
um espaco vetorial. {0} e V sao sempre subespacos de V , para qual-
quer espaco vetorial V .
1.3 Opera
coes com Subespacos Vetoriais
Demonstrac
ao:
(1) Para todo , temos que 0
W , pois cada W e subespaco
vetorial de V . Logo, 0 W = W .
i i
i i
aal
i i
2017/2/2
page 9
i i
(2) Se w1 , w2 W = W , entao w1 , w2 W , para todo
. Como cada W e subespaco vetorial,
segue-se que w1 +
w2 W , . Logo, w1 + w2 W = W .
(3) Se K e w W = W , entao w W , para todo .
Como cada W e subespacovetorial, segue-se que w W ,
. Logo, w W = W .
Observa c
ao. Uni
ao de subespacos nao e, em geral, um subespaco.
Note que W1 = {(x, 0) R2 | x R} e W2 = {(0, y) R2 | y R}
ao subespacos de R2 , mas W = W1 W2 n
s ao e subespaco de R2 .
De fato: w1 = (1, 0) W , w2 = (0, 1) W , mas w = w1 + w2 =
(1, 1) W .
W = W1 + W2 = {w1 + w2 V | w1 W1 e w2 W2 }
tambem e um subespaco de V .
Demonstraca
o: Exerccio.
W1 + W2 = W e W1 W2 = {0}.
W = W1 + + Wk
e
j {1, . . . , k}, Wj (W1 + + Wj1 + Wj+1 + Wk ) = {0}.
i i
i i
aal
i i
2017/2/2
page 10
i i
10 [CAP. 1: ESPAC
OS VETORIAIS
Exemplo 1.9 S
ao exemplos de soma direta de subespacos vetoriais:
1.4 Combinac
oes Lineares e Geradores
Deni
c
ao 1.4 Seja V um espaco vetorial.
Exemplo 1.10
i i
i i
aal
i i
2017/2/2
page 11
i i
Observaao (combinac
c es lineares e sistemas lineares). Note
o
que
a11 x1 + + a1n xn = b1 ,
..
.
am1 x1 + + amn xn = bm .
a11 a1n b1
.. .
x1 ... + + xn ... = .
am1 amn bm
Moral: o sistema linear possui solucao se, e somente se, o vetor
(b1 , . . . , bm ) pode ser escrito como combinacao linear dos vetores
(a11 , . . . , am1 ), . . . , (a1n , . . . , amn ).
Observa ao (combinac
c o es lineares e multiplicac
a o de ma-
trizes). Note que
ym1 = Bmr xr1
y1 | | x1
.. = b1 b ..
. r .
ym | | xr
y1 | |
.. = x1 b1 + + xr br .
.
ym | |
i i
i i
aal
i i
2017/2/2
page 12
i i
12 [CAP. 1: ESPAC
OS VETORIAIS
Observa ao (combinac
c o es lineares e multiplicac
a o de ma-
trizes). Note que
=
| | c11 c1r
b1 br .. ..
. .
| | cr1 crn
| | | c1j
aj = b1 br .. ,
.
| | | crj
i i
i i
aal
i i
2017/2/2
page 13
i i
1.5 Bases
1 v1 + + k vk = 0 1 = = k = 0,
Exemplo 1.11
(1) {(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)} e LI em (Rn , R, +, ).
(2) {(1, 0), (0, 1), (i, 0), (0, i)} e LI em (C2 , R, +, ).
(3) {(1, 0), (0, 1), (i, 0), (0, i)} e LD em (C2 , C, +, ). De fato: note
que i (1, 0) + 0 (0, 1) 1 (i, 0) + 0 (0, i) = (0, 0).
(4) O conjunto innito
fn : [a, b] R
t fn (t) = tn nN
e um conjunto LI em C([a, b], R). De fato: pelo teorema funda-
mental da algebra,
(t [a, b], 1 tn1 + + k tnk = 0) 1 = = k = 0.
i i
i i
aal
i i
2017/2/2
page 14
i i
14 [CAP. 1: ESPAC
OS VETORIAIS
Exemplo 1.12
(1) {(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)} e uma base do espaco
vetorial (Rn , R, +, ). Ela e denominada base can onica de Rn .
(2) {(1, 0), (0, 1), (i, 0), (0, i)} e uma base de (C2 , R, +, ).
(3) {(1, 0), (0, 1)} e uma base de (C2 , C, +, ).
(4) O conjunto innito
fn : [a, b] R
t fn (t) = t n
nN{0}
Exemplo 1.13
(1) (R2 , R, +, ) e nitamente gerado pelo conjunto B = {(1, 0), (0, 1)}.
(2) (R2 , Q, +, ) n
ao e nitamente gerado. De fato: Q e enumer avel
e uniao nita de conjuntos enumer aveis e ainda enumer
avel, con-
tudo R2 n ao e enumer avel.
i i
i i
aal
i i
2017/2/2
page 15
i i
x1 u1 + + xm um
=
i i
i i
aal
i i
2017/2/2
page 16
i i
16 [CAP. 1: ESPAC
OS VETORIAIS
Ou seja, o sistema linear homogeneo abaixo deve ter pelo menos uma
soluc
ao (x1 , . . . , xm ) nao nula:
a11 x1 + + a1m xm = 0,
..
.
ak1 x1 + + akm xm = 0.
Mas isto acontece, porque o n
umero de equacoes (k) e menor do que
o n
umero de vari
aveis (m).
Demonstraca
o: Exerccio.
i i
i i
aal
i i
2017/2/2
page 17
i i
1 v1 + + k vk + v = 0.
Demonstrac
ao: Exerccio.
i i
i i
aal
i i
2017/2/2
page 18
i i
18 [CAP. 1: ESPAC
OS VETORIAIS
1.7 Coordenadas
Demonstrac
ao:
[(a) (b)] Como B e base de V , certamente B gera V . Logo, todo
vetor v de V se escreve como combinacao linear de elementos de B.
Resta mostrar que os coecientes desta combinacao linear s
ao u
nicos.
Vamos escrever B = {v1 , . . . , vn } e supor que
v = 1 v1 + + n vn = 1 v1 + + n vn .
1 v1 + + k vk = 0.
0 v1 + + 0 vk = 0.
1 = = k = 0.
i i
i i
aal
i i
2017/2/2
page 19
i i
[v]B = (1 , . . . , n )B
1.8 Aplicac
ao: EDOs
Seja W o conjunto das solucoes da equacao diferencial linear ho-
mogenea de ordem k com coecientes constantes:
(3) x R,
i i
i i
aal
i i
2017/2/2
page 20
i i
20 [CAP. 1: ESPAC
OS VETORIAIS
tem dimens
ao k.
i i
i i
aal
i i
2017/2/2
page 21
i i
(de modo que B gera W ). De fato: note que a funcao f denida por
f = z(0)y1 + z (0)y2 + + z (k1) (0)yk
tambem satisfaz o problema de valor inicial:
y (k) (x) + ak1 y (k1) (x) + + a1 y (x) + a0 y(x) = 0,
y(0) = z(0), y (0) = z (0), . . . , y (k1) (0) = z (k1) (0).
i i
i i
aal
i i
2017/2/2
page 22
i i
22 [CAP. 1: ESPAC
OS VETORIAIS
1.9 Exerccios
: V V V
((a, b), (c, d)) (a, b) (c, d) = (a c, b d)
e
: KV V
(, (a, b)) (a, b) = (a , b ).
i i
i i
aal
i i
2017/2/2
page 23
i i
i i
i i
aal
i i
2017/2/2
page 24
i i
24 [CAP. 1: ESPAC
OS VETORIAIS
(a) W = W1 W2 .
(b) Todo vetor w W se escreve de maneira u nica como
soma w = w1 + w2 , onde w1 W1 e w2 W2 .
i i
i i
aal
i i
2017/2/2
page 25
i i
[18] Ache uma base de Mmn (C) como espaco vetorial sobre K =
C. Quantos elementos tem esta base? E se considerarmos
Mmn (C) como espaco vetorial sobre R?
[19] Prove que {1, ex , e2 x , e3 x , e4 x } e um subconjunto linearmente
independente de C (R, R).
[20] Encontre uma base para o espaco vetorial
5x + y + 2z 3w = 0,
W = (x, y, w) R4 6 x + y 3 z + 2 w = 0,
3 x + y + 12 z + 2 w
= 0.
W1 = {A Mnn (R) | A = AT }.
(b) Encontre uma base para o espaco vetorial das matrizes anti-
simetricas:
W2 = {A Mnn (K) | A = AT }.
i i
i i
aal
i i
2017/2/2
page 26
i i
26 [CAP. 1: ESPAC
OS VETORIAIS
(x x0 ) (x xi1 ) (x xi+1 ) (x xn )
= ,
(xi x0 ) (xi xi1 ) (xi xi+1 ) (xi xn )
para i = 0, . . . , n. Suponha que n = 3, x0 = 1, x1 = 2, x2 = 3
e x3 = 4.
(a) Calcule p0 (x), p1 (x), p2 (x) e p3 (x).
(b) Mostre que {p0 , p1 , p2 , p3 } forma uma base para o espaco
vetorial V = P3 (R) das funcoes polinomiais reais de grau
menor do que ou igual a 3. Dica:
0, se i = j,
pi (xj ) = ij =
1, se i = j.
i i
i i
aal
i i
2017/2/2
page 27
i i
Captulo 2
Revis
ao:
Transforma
c
oes
Lineares
2.1 Transformac
oes Lineares
27
i i
i i
aal
i i
2017/2/2
page 28
i i
28
[CAP. 2: REVISAO: TRANSFORMAC
OES LINEARES
(3) 1 , . . . , k K, u1 , . . . , uk U ,
k k
T i ui = i T(ui ).
i=1 i=1
Exemplo 2.1 S
ao exemplos de transformacoes lineares:
i i
i i
aal
i i
2017/2/2
page 29
i i
(a)
(b)
(c)
i i
i i
aal
i i
2017/2/2
page 30
i i
30
[CAP. 2: REVISAO: TRANSFORMAC
OES LINEARES
Demonstraca
o:
(Existencia) Seja u U . Como B e base de U , existem u
nicos 1 ,
. . . , n K tais que u = ni=1 i ui . Dena T(u) = ni=1 i vi .
T e linear e T(ui ) = vi , i = 1, . . . , n (exerccio!).
(Unicidade) Considere agora S : U V outra transformacao linear
tal que S(ui ) = vi , i = 1, . . . , n. Ent
ao u U ,
n n n
S(u) = S i ui = i S(ui ) = i vi
i=1 i=1 i=1
n
n
= i T(ui ) = T i ui = T(u).
i=1 i=1
i i
i i
aal
i i
2017/2/2
page 31
i i
Figura 2.2: Para calcular R (x, y), basta saber R (1, 0) e R (0, 1).
Matricialmente,
!
x cos() sen() x
R = .
y sen() cos() y
Demonstrac
ao: Exerccio.
i i
i i
aal
i i
2017/2/2
page 32
i i
32
[CAP. 2: REVISAO: TRANSFORMAC
OES LINEARES
Demonstrac
ao: Exerccio.
2.2 N
ucleo e Imagem
Proposi c
ao 2.2 Ker(T) e subespaco vetorial de U e Im(T) e
subespaco vetorial de V .
Demonstrac
ao: Exerccio.
i i
i i
aal
i i
2017/2/2
page 33
i i
[SEC. 2.2: NUCLEO E IMAGEM 33
i i
i i
aal
i i
2017/2/2
page 34
i i
34
[CAP. 2: REVISAO: TRANSFORMAC
OES LINEARES
1 = 0, . . . , k = 0, 1 = 0, . . . ,
nk = 0.
Logo dimK (Im(T)) = nk, o que estabelece o resultado. O caso Ker(T) =
{0} e an
alogo e car
a como exerccio.
2.3 Isomorfismos
T T1 = IdV e T1 T = IdU .
T : Mn1 (K)
M (K)
n1
x1 y1 a11 a1n x1
.. .. .. .. .. ..
. . = . . . .
xn yn an1 ann xn
" #$ %
A
e um isomorsmo.
Demonstrac
ao: Exerccio.
i i
i i
aal
i i
2017/2/2
page 35
i i
T e injetiva T e sobrejetiva
T e um isomorsmo.
Demonstrac
ao: Exerccio.
T(u) = T(1 u1 + + n un ) = 1 v1 + + n vn
e um isomorsmo entre U e V .
[v]B = (1 , . . . , n )B
i i
i i
aal
i i
2017/2/2
page 36
i i
36
[CAP. 2: REVISAO: TRANSFORMAC
OES LINEARES
T(x, y, z) = (x + y, x + z).
Se U = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e V = {(1, 0), (0, 1)} entao
Logo:
& 'V 1 1 0
T U= .
1 0 1
i i
i i
aal
i i
2017/2/2
page 37
i i
Observa c
ao. Varias denicoes e operacoes com transformacoes li-
neares podem ser traduzidas em termos matriciais. A tabela abaixo
exibe algumas destas relacoes.
Transformac
ao Matriz
& 'V
T T U
& 'V & '
T(u) T U u U
i i
i i
aal
i i
2017/2/2
page 38
i i
38
[CAP. 2: REVISAO: TRANSFORMAC
OES LINEARES
2.5 Posto
& 'V
Observa c
ao. rank(T) = n aximo de colunas LI de T U .
umero m
De fato:
v Im(T)
& 'V & '
O sistema T U x = v V tem solucao.
V
a11 a1n x1
..
O sistema . .. .. .. = &v'
. . . V
am1 amn U xn
tem solucao.
a11 a1n
& '
O sistema x1 ... + + xn ... = v V
am1 amn
tem solucao.
i i
i i
aal
i i
2017/2/2
page 39
i i
& '
v V
pertence ao espaco gerado pelas colunas
a11 a1n
.. .
. , . . . , .. .
am1 amn
i i
i i
aal
i i
2017/2/2
page 40
i i
40
[CAP. 2: REVISAO: TRANSFORMAC
OES LINEARES
2.6 Exerccios
[01] Mostre que cada uma das transformacoes abaixo e linear.
(a) T : R3 R dada por T(x, y, z) = x + 2 y + z.
(b) T : P(R) P(R) dada por (T(p))(x) = x2 p (x).
(c) T : M22 (R) M22 (R) dada por T(X) = M X XM ,
onde
1 2
M=
0 1
[02] (Rota co
es) No texto deste captulo calculamos a formula para
a rotac
ao de (x, y) em torno da origem (0, 0) por um angulo :
R (x, y) = cos() x sen() y, sen() x + cos() y .
Calcule agora a f ormula para a rotacao de (x, y) em torno
de (a, b) por um angulo .
[03] (Cisalhamentos) Um cisalhamento em R2 e uma aplicacao
T : R2 R2 da forma
T(x, y) = (x, p x + y),
onde p e uma constante.
(a) Mostre que T e uma transformacao linear.
(b) Desenhe a imagem por T do quadrado [0, 1] [0, 1].
[04] Mostre que L (U, V ) = {T : U V | T e linear} e um espaco
vetorial.
[05] (a) Mostre que as seguintes transformacoes lineares
T11 : R2 R2
,
(x1 , x2 ) T11 (x1 , x2 ) = (x1 , 0)
T12 : R2 R2
,
(x1 , x2 ) T12 (x1 , x2 ) = (0, x1 )
T21 : R2 R2
,
(x1 , x2 ) T21 (x1 , x2 ) = (x2 , 0)
i i
i i
aal
i i
2017/2/2
page 41
i i
T22 : R2 R2
(x1 , x2 ) T22 (x1 , x2 ) = (0, x2 )
Tn 1 (x1 , x2 , . . . , xn ) = (xn , 0, . . . , 0),
Tn 2 (x1 , x2 , . . . , xn ) = (0, xn , . . . , 0),
..
.
Tnm (x1 , x2 , . . . , xn ) = (0, 0, . . . , xn )
formam uma base para L (Rn , Rm ). Conclua que
dimR (L (Rn , Rm )) = n m.
i i
i i
aal
i i
2017/2/2
page 42
i i
42
[CAP. 2: REVISAO: TRANSFORMAC
OES LINEARES
i i
i i
aal
i i
2017/2/2
page 43
i i
i i
i i
aal
i i
2017/2/2
page 44
i i
44
[CAP. 2: REVISAO: TRANSFORMAC
OES LINEARES
T2 (a + d) T + (a d b c) IdV = 0.
i i
i i
aal
i i
2017/2/2
page 45
i i
Captulo 3
Sistemas Lineares e
A Decomposi c
ao LU
3.1 Cisalhamentos
T(x, y) = (x + p y, y).
Em termos matriciais,
!
x x 1 p x
=T = .
y y 0 1 y
Em termos matriciais,
45
i i
i i
aal
i i
2017/2/2
page 46
i i
!
x x 1 0 x
=T = .
y y p 1 y
i i
i i
aal
i i
2017/2/2
page 47
i i
no paralelogramo de vertices
Teorema 3.1
(a) Um cisalhamento vertical de raz ao p no plano e uma trans-
formac
ao linear inversvel e sua inversa e um cisalhamento
vertical de razao p.
(b) Um cisalhamento horizontal de raz ao p no plano e uma
transformac
ao linear inversvel e sua inversa e um cisalha-
mento horizontal de razao p.
Demonstrac
ao: Na base canonica, a matriz associada a um cisalha-
mento vertical de raz
ao p e dada por
1 0
A= .
p 1
i i
i i
aal
i i
2017/2/2
page 48
i i
i i
i i
aal
i i
2017/2/2
page 49
i i
Observa c
ao. Tambem chamaremos as matrizes acima de cisalha-
mentos, embora alguns autores, para dimensoes maiores do que 2,
usem o nome cisalhamento para outro tipo de transformacao. Por
exemplo, em R3 , existem tres cisalhamentos:
1 0 0
Cx = p 1 0 ,
p 0 1
1 p 0
Cy = 0 1 0 ,
0 p 1
1 0 p
Cz = 0 1 p ,
0 0 1
i i
i i
aal
i i
2017/2/2
page 50
i i
(d) projec
ao no eixo y:
0 0
M= ,
0 1
(e) reex
ao com relacao ao eixo x:
1 0
M= ,
0 1
( f ) reex
ao com relacao ao eixo y:
1 0
M= .
0 1
3.2 Motivac
ao: Sistemas Lineares 2 por 2
Vamos apresentar duas interpretacoes geometricas para a solucao
do sistema linear
2 x y = 1,
x + y = 5,
uma interpretando as linhas e a outra interpretando as colunas do
sistema.
Na interpretac
ao segundo as linhas, cada linha do sistema repre-
senta a equac
ao de uma reta. Resolver o sistema consiste, ent ao, em
determinar o ponto de intersecao destas retas (Figura 3.3 (a)).
Na interpretacao segundo as colunas, os coecientes de x e de y
e os termos independentes do sistema s ao considerados como vetores
no plano:
2 1 1
u= , v= , w= .
1 1 5
i i
i i
aal
i i
2017/2/2
page 51
i i
(a)
(b)
i i
i i
aal
i i
2017/2/2
page 52
i i
Escrevendo
1 0 2 1 2 1
E= , A= e U= ,
1/2 1 1 1 0 3/2
segue-se que
EA = U.
Note que E e uma matriz triangular inferior (isto e, todos os elemen-
tos da matriz acima da diagonal principal sao iguais a zero) e que E
dene um cisalhamento vertical (na direcao do eixo y). Note tambem
que a matriz U, por sua vez, e triangular superior (isto e, todos os
elementos da matriz abaixo da diagonal principal sao iguais a zero).
Pelo Teorema 3.1, a matriz E e inversvel e sua inversa L = E1
tambem e um cisalhamento:
1 0
L= .
1/2 1
Assim:
EA = U LEA = LU IA = LU A = LU.
i i
i i
aal
i i
2017/2/2
page 53
i i
3.3 Motivac
ao: Sistemas Lineares 3 por 3
Vamos ver mais um exemplo, agora em dimensao 3. Considere
o seguinte sistema linear:
4x2y +2z = 5,
2x+4y = 5,
x+2y +4z = 5.
4 2 2 5
v1 = 2 , v2 = 4 , v3 = 0 , w = 5 .
1 2 2 5
i i
i i
aal
i i
2017/2/2
page 54
i i
(a)
(b)
i i
i i
aal
i i
2017/2/2
page 55
i i
1 2 4 5 1 2 4 5
L3 L3 14 L1
4 2 2 5
0 5 1 5/2
4 2 2
2 5 1 .
0 0 4
" #$ %
U
1 0 0
E1
3 = 0 1 0 .
0 1/2 1
i i
i i
aal
i i
2017/2/2
page 56
i i
1 0 0
L = E1 1 1
1 E2 E3 = 1/2 1 0 .
1/4 1/2 1
1 0 0
E1
1 = l21 1 0 ,
0 0 1
1 0 0
E1
2 = 0 1 0 ,
l31 0 1
1 0 0
E1
3 = 0 1 0 ,
0 l32 1
A = E1 E1 E1 U
1 2 3
1 0 0 1 0 0 1 0 0
= l21 1 0 0 1 0 0 1 0 U
0 0 1 l31 0 1 0 l32 1
i i
i i
aal
i i
2017/2/2
page 57
i i
3.4 A Decomposic
ao LU
i i
i i
aal
i i
2017/2/2
page 58
i i
Observa c
ao. Nem toda matriz possui uma decomposicao LU. Con-
sidere, por exemplo, a matriz
1 2 3
A = 2 4 7 .
2 5 3
Observa c
ao. Existem matrizes que nao possuem uma decompo-
sicao LU mesmo se n
ao exigirmos que a matriz L tenha todos os
elementos da diagonal principal iguais a 1. Considere, por exemplo,
a matriz
0 1
A=
1 1
e suponha, por absurdo, que A possua uma decomposicao da forma:
0 1 a 0 x y
= .
1 1 b c 0 z
i i
i i
aal
i i
2017/2/2
page 59
i i
Proposi
c
ao 3.1
(a) Se L e uma matriz triangular inferior inversvel, entao sua
inversa L1 tambem e triangular inferior.
(b) Se L tem todos os elementos de sua diagonal principal iguais
ao o mesmo ocorre com sua inversa L1 .
a 1, ent
Demonstrac
ao:
(a) Observe inicialmente que se L e uma matriz inversvel, entao
todos os elementos de sua diagonal principal sao diferentes de 0
pois, caso contr ario, o determinante de L (que e igual ao produto
dos elementos da diagonal principal) seria igual a zero e L nao
seria inversvel. Escrevendo
l11 0 0 0
l21 l22 0 0
l31 l32 l33 0
L =
.. .. .. .. ..
. . . . .
ln1 ln2 ln3 lnn
e
a11 a12 a13 a1n
a21 a22 a23 a2n
1 a31 a32 a33 a3n
L = ,
.. .. .. .. ..
. . . . .
an1 an2 an3 ann
i i
i i
aal
i i
2017/2/2
page 60
i i
temos que
l11 0 0 0 a11 a12 a13 a1n
l21 l22 0 0 a21 a22 a23 a2n
l31 l32 l33 0 a31 a32 a33 a3n
.. .. .. .. .. .. .. .. .. ..
. . . . . . . . . .
ln1 ln2 ln3 lnn an1 an2 an3 ann
" #$ %" #$ %
L L1
=
1 0 0 0
0 1 0 0
0 0 1 0
.. .. .. .. ..
. . . . .
0 0 0 1
" #$ %
I
i i
i i
aal
i i
2017/2/2
page 61
i i
Proposi c
ao 3.2 Se U e uma matriz triangular superior in-
versvel, entao sua inversa U1 tambem e triangular superior.
Demonstrac
ao: Exerccio.
Proposi c
ao 3.3 Se L1 e L2 sao duas matrizes triangulares in-
ao o produto L1 L2 tambem e triangular inferior.
feriores, ent
Se L1 e L2 tem todos os elementos de suas diagonais principais
iguais a 1, entao o mesmo ocorre com produto L1 L2 .
Demonstraca
o: Basta observar a estrutura
0 0 0 0 0 0
0 0 0 0
0 0
.
.. .. .. . . . .. .. .. .. .
. . . . .. . . . . ..
Demonstrac
ao: Exerccio.
i i
i i
aal
i i
2017/2/2
page 62
i i
Seja D = L 1 L = UU
1 . Com o produto de matrizes triangulares
inferiores e triangular inferior e o produto de matrizes triangulares
superior e triangular superior, conclumos que D e, ao mesmo tempo,
triangular inferior e triangular superior. Sendo assim, D e uma matriz
diagonal. Como todos elementos das diagonais principais de L 1 e L
sao iguais a 1, segue-se que D e a matriz identidade. Assim,
1 L = I L = L
L e 1 = I U = U.
UU
i i
i i
aal
i i
2017/2/2
page 63
i i
i i
i i
aal
i i
2017/2/2
page 64
i i
Observa ao (multiplicac
c o por blocos). A demonstracao que
a
apresentaremos faz uso da multiplicacao por blocos. Por exemplo, se
Arr B r(nr)
M=
C(nr)r D(nr)(nr)
e
rr
A r(nr)
B
*=
M
(nr)r
C (nr)(nr)
D
i i
i i
aal
i i
2017/2/2
page 65
i i
entao
+ BC
AA
AB + BD
*=
MM .
+ DC
CA + DD
CB
possvel
Um exemplo mais explcito e apresentado na Figura 3.5. E
fazer multiplicac
oes por blocos mesmo que os blocos diagonais nao
sejam quadrados (veja o Exerccio [12] na pagina 92).
ao do Teorema 3.3: [(1) (2)] Para cada k {1, . . . , n},
Demonstrac
escreva A em blocos
A11 A12
A= ,
A21 A22
Assim, A11 = L11 U11 , com L11 uma matriz triangular inferior com
os elementos de sua diagonal principal todos iguais a 1 e U11 uma
matriz triangular superior. Observe que
i i
i i
i
i
i
i
66
a b c
a b c
d e f
e
f
d
g h i
g
h i
=
a b
a b c a b c c
+ g h + i
d f c
d f d f f f
b c
a
g h + i
g
h g h + i i
d e f
i
i
aal
i
i
page 66
2017/2/2
aal
i i
2017/2/2
page 67
i i
A = LU.
i i
i i
aal
i i
2017/2/2
page 68
i i
Observa c
ao. O Teorema 3.2 da uma caracterizacao para a existencia
de decomposic
oes LU de matrizes inversveis. O artigo [11] de Okunev
e Johnson, publicado em 1997, d a uma caracterizacao para matrizes
gerais, n
ao necessariamente inversveis.
3.5 Resolu
c
ao de Sistemas Lineares
i i
i i
aal
i i
2017/2/2
page 69
i i
O n
umero de multiplicacoes/divis
oes do Algoritmo 3.2 e o seguinte:
n1
n n n1
n
1 + 1 = (1 + n k)
k=1 i=k+1 j=k+1 k=1 i=k+1
n1
n
= (1 + n k) 1
k=1 i=k+1
i i
i i
aal
i i
2017/2/2
page 70
i i
n1
= ((1 + n k) (n k))
k=1
n1
= (n + n2 ) (2 n + 1) k + k 2
k=1
Logo,
n1
n
n
n1
n1
n1
1 + 1 = (n + n2 ) 1 (2 n + 1) k+ k2 .
k=1 i=k+1 j=k+1 k=1 k=1 k=1
Usando entao as F
ormulas 3.1, 3.2 e 3.3, obtemos que
n1
n
n
1 + n3 n
1 = .
3 3
k=1 i=k+1 j=k+1
y(1) = b(1)
for i = 2 : n
s = 0;
for k = 1 : i 1
s = s + L(i, k) y(k);
end
y(i) = b(i) s;
end
O n
umero de multiplicacoes/divis
oes do Algoritmo 3.3 e o seguinte:
n
i1
n2 n
1= .
2 2
i=2 k=1
i i
i i
aal
i i
2017/2/2
page 71
i i
for j = n : 1 : 1
s = 0;
for k = j + 1 : n
s = s + U (k, j) x(j);
end
x(j) = (y(j) s)/U (j, j);
end
O n
umero de multiplicacoes/divis
oes do Algoritmo 3.4 e o seguinte:
n
n2 n
1 + 1 = + .
j=1
2 2
k=j+1
i i
i i
aal
i i
2017/2/2
page 72
i i
Observa c
ao. Note que o Algoritmo 3.2 armazena os elementos das
matrizes L e U da decomposicao LU da matriz A na pr opria ma-
triz A: se A = (aij ), L = (lij ) e U = (uij ), entao
Ax = e1 , Ax = e2 , ..., Ax = en ,
onde e1 , e2 , . . . , en s
ao os vetores da base canonica de Rn . E possvel
demonstrar que sao necess arias 4 n /3 n/3 multiplicacoes/divis
3
oes
para calcular a inversa de uma matriz n n com este esquema. Se o
metodo de escalonamento fosse & usado' (isto e, fazer operacoes elemen-
tares na matriz aumentada A I ate transform a-la em uma ma-
& '
triz da forma I B , de modo que B = A1 ), seriam necess arias
4 n3 /3 + n2 /2 5 n/6 multiplicacoes/divis oes.
i i
i i
aal
i i
2017/2/2
page 73
i i
Note que o algoritmo nao pode continuar, uma vez que o elemento na
segunda linha e na segunda coluna da u ltima matriz (o elemento pivo)
necess
e igual a zero. E ario introduzir uma nova operacao elementar,
a permutacao de linhas da matriz,
1 1 1 1 1 1
0 0 3 L2 L3
0 2 4 ,
0 2 4 0 0 3
1
..
. 0
1
0 1 r
Ers = .. .. .. .
. . .
1 0 s
1
0 ..
.
1
r s
Note que as colunas r e s tambem foram permutadas. Destacamos
as seguintes propriedades das matrizes de permutacao elementares:
i i
i i
aal
i i
2017/2/2
page 74
i i
Exemplo:
1 0 0 1 2 3 1 2 3
0 0 1 4 5 6 = 7 8 9 .
0 1 0 7 8 9 4 5 6
" #$ %" #$ % " #$ %
E23 A E23 A
Note entao que (1) cada linha de uma matriz de permutacao P possui
apenas um elemento igual a 1, sendo todos os demais iguais a 0,
e (2) cada coluna de uma matriz de permutacao P possui apenas um
elemento igual a 1, sendo todos os demais iguais a 0. Uma matriz de
permutacao e inversvel e sua inversa e igual a
P1 = PT .
i i
i i
aal
i i
2017/2/2
page 75
i i
PT P
=
(Erk sk Erk1 sk1 Er2 s2 Er1 s1 )T (Erk sk Erk1 sk1 Er2 s2 Er1 s1 )
=
ETr1 s1 ETr2 s2 ETrk1 sk1 ETrk sk Erk sk Erk1 sk1 Er2 s2 Er1 s1
" #$ %
I
=
ETr1 s1 ETr2 s2 ETrk1 sk1 Erk1 sk1 Er2 s2 Er1 s1
" #$ %
I
=
I.
i i
i i
aal
i i
2017/2/2
page 76
i i
(5) As estruturas das matrizes P1,1+ , P2,2+ , E1,2 , E2,3 , E1,3 e a or-
dem em que elas aparecem na construcao da matriz U permitem
obter uma decomposicao matricial da forma
PA = LU.
i i
i i
aal
i i
2017/2/2
page 77
i i
da seguinte maneira:
Se P2,2+ n
ao e a matriz identidade, os produtos
1 0 0
P2,2+ 1 0 P2,2+
0 1
i i
i i
aal
i i
2017/2/2
page 78
i i
PA = LU,
de forma que
U = 1020 1
L .
1 0
i i
i i
aal
i i
2017/2/2
page 79
i i
i i
i i
aal
i i
2017/2/2
page 80
i i
2 1 0
Exemplo 3.6 A matriz 1 3 1 e estritamente diagonal
0 1 2
5 1
dominante. A matriz nao e estritamente diagonal domi-
4 2
nante.
i i
i i
aal
i i
2017/2/2
page 81
i i
Portanto,
1 0T wT
A = E1 T
0 C vw / 0 I
T
T
1 0 1 0 wT
=
v/ I 0 C vwT / 0 I
T
T
T
1 0 1 0 w
= ,
v/ I 0 B 0 I
i i
i i
aal
i i
2017/2/2
page 82
i i
|wj | w v
j j
< (|cjj | |wj |) + (|| |vj |) = |cjj |
||
wj vj
()
cjj = |bjj |,
onde, em (), usamos a desigualdade triangular e o fato de |wj |/||
nao depender de i e, em (), usamos a desigualdade |x||y| |xy|
para todo x, y R.
3.7 Aplicac
ao: O M
etodo de Newton
O metodo de Newton e um algoritmo numerico que tem como
nalidade calcular uma aproximacao de uma raiz de funcao real de
uma variavel, isto e, aproximar um n umero real p tal que f (p) = 0,
com f : R R. A ideia do metodo e muito simples. A partir de
uma aproximac ao inicial x0 , calculamos a equacao da reta tangente
ao graco de f no ponto x0 ,
f (x0 )
y = g(x) = f (x0 ) + f (x0 )(x x0 ) x = x0 .
f (x0 )
i i
i i
aal
i i
2017/2/2
page 83
i i
i i
i i
aal
i i
2017/2/2
page 84
i i
DF(x0 ) z = F(x0 )
e, ent
ao, tomar x1 = x0 + z.
O metodo de Newton e uma manifestacao de uma ideia central na
teoria do calculo: para se resolver um problema nao-linear (em geral
muito difcil), o que se faz e tentar simplicar o problema com uma
aproximacao am (o papel da derivada e fundamental nesta parte),
resolver o problema no caso simplicado (algo mais f acil de se fazer)
i i
i i
aal
i i
2017/2/2
page 85
i i
e, ent
ao, relacionar a solucao do problema simplicado com a solucao
do problema original.
Naturalmente, a exemplo do caso escalar, a sequencia gerada pelo
metodo de Newton vetorial pode nao convergir. Nao estudaremos,
aqui, questoes de convergencia, testes de parada e detalhes de imple-
mentacao. Indicamos, ao leitor interessado, as referencias [06, 07, 10].
i i
i i
aal
i i
2017/2/2
page 86
i i
Observa c
ao. Note que se A e simetrica e possui uma decomposi-
cao LDU, entao pelo Teorema 3.4, esta decomposicao e da forma
A = LT DL.
Mais ainda: se todos os elementos da diagonal principal da matriz
diagonal D = (dij ) s
ao maiores do que zero, entao
T L,
A=L
=
com L DL, onde D representa a matriz diagonal
d11 0 0
0 d22 0
D= . . . .. .
.. .. .. .
0 0 dnn
i i
i i
aal
i i
2017/2/2
page 87
i i
1
f (x) f (p) + Df (p) (x p) + (x p)T D2 f (p)(x p).
2
Existem v arias maneiras de determinar se uma matriz simetrica A
e positiva denida. Os dois proximos teoremas apresentam duas ca-
racterizacoes de matrizes positivas denidas.
Demonstrac ao:
(1) (2): como vT Av > 0 para todo v = 0, segue-se que A e in-
versvel (veja o Exerccio [16]). Mais ainda, considerando-se os veto-
res da forma v = [ v1 vk 0 0 ]T , vemos que as submatrizes
correspondentes aos menores principais lderes s ao tambem positivas
denidas. Em particular, todos os menores principais lderes da ma-
triz A sao diferentes de zero. Assim, pelo Teorema 3.3 na pagina 64,
A tem uma uma decomposicao LU, onde L tem todos os elementos
da diagonal principal iguais a 1. Como A e simetrica, segue-se que
LU = UT LT .
i i
i i
aal
i i
2017/2/2
page 88
i i
Sendo assim,
U LT 1 = L1 UT .
O lado esquerdo desta equacao e uma matriz triangular superior,
enquanto que o lado direito e uma matriz triangular inferior. Assim,
U LT 1 = L1 UT = D
e uma matriz diagonal. Conclumos ent ao que U LT 1 = D e,
portanto, U = DLT . Podemos ent ao escrever que A = LDLT .
Todos os elementos da diagonal principal de D sao positivos, pois
onde L = LD.
Isto mostra que A tem uma decomposicao de Cho-
lesky.
i i
i i
aal
i i
2017/2/2
page 89
i i
Demonstraca o:
(1) (2): se A e positiva denida, entao A = LLT para alguma
matriz triangular inferior L com diagonal positiva. Decompondo A
em blocos:
T
A11 A12 L11 L12 L11 LT21
= .
A21 A22 L21 L22 LT12 LT22
LU = UT LT .
Sendo assim,
U LT 1 = L1 UT .
O lado esquerdo desta equacao e uma matriz triangular superior,
enquanto que o lado direito e uma matriz triangular inferior. Assim,
U LT 1 = L1 UT = D
e uma matriz diagonal. Conclumos ent ao que U LT 1 = D e,
portanto, U = DLT . Podemos ent ao escrever que A = LDLT .
Note que os menores principais lderes |Ak | de ordem k de A iguais
a d11 dkk . Como, por hip
otese,
|A1 | = d11 > 0, |A2 | = d11 d22 > 0, . . . , |An | = d11 dnn > 0,
i i
i i
aal
i i
2017/2/2
page 90
i i
3.10 Exerccios
[01] Mostre que se A e uma matriz inversvel, entao AT tambem e
inversvel e (AT )1 = (A1 )T .
[02] Se A e B sao matrizes reais tais que AB = I, entao dizemos
que B e uma inversa `
a direita de A e que A e uma inversa `
a
esquerda de B. Por exemplo,
1 0
1 0 0 1 0
0 1 = .
0 1 0 0 1
2 3
i i
i i
aal
i i
2017/2/2
page 91
i i
i i
i i
aal
i i
2017/2/2
page 92
i i
i i
i i
aal
i i
2017/2/2
page 93
i i
[13] Seja
B C
A= ,
0 I
onde B e C s ao matrizes n n, 0 e a matriz nula n n e I e a
matriz identidade n n. Mostre que se B I for nao singular
(isto e, se B I for inversvel), entao, para todo k 1,
k
B (Bk I)(B I1 )C
Ak = .
0 I
i i
i i
aal
i i
2017/2/2
page 94
i i
x = x + delta ;
e r r = norm( d e l t a ) ;
iter = iter + 1;
end
R = norm( f e v a l ( n e w t o n f f , x , v a r a r g i n { : } ) ) ;
i f i t e r >= nmax
f p r i n t f ( Too many i t e r a t i o n s . ) ;
f p r i n t f ( R e s i d u a l : %e . \ n , R ) ;
else
f p r i n t f ( S u c c e s s with %i s t e p ( s ) . ) ;
f p r i n t f ( R e s i d u a l : %e . \ n , i t e r , R ) ;
end
return
Para us
a-lo, por exemplo, para encontrar um zero da funcao
function DF = newto n df ( x )
p i 2 = 0 . 5 pi ;
DF( 1 , 1 ) = 2x ( 1 ) ;
DF( 1 , 2 ) = 2x ( 2 ) ;
DF( 2 , 1 ) = p i 2 cos ( p i 2 x ( 1 ) ) ;
DF( 2 , 2 ) = 3x ( 2 ) 2 ;
return
i i
i i
aal
i i
2017/2/2
page 95
i i
i i
i i
aal
i i
2017/2/2
page 96
i i
Au = b,
onde
f1 + n2
f2
..
b= . e
fn2
fn1 + n2
c1
2+ 1 0 0
n2
c2 .. .. ..
1 2+ 2 . . .
n
2
A=n .. .. .
0 . . 1 0
.. .. cn2
. . 1 2+ 2 1
n
cn1
0 0 1 2+ 2
n
i i
i i
aal
i i
2017/2/2
page 97
i i
Observe que c(x) > 0 para todo x [0, 1], entao A e uma
matriz estritamente diagonal dominante.
f |[xj ,xj+1 ] ,
i i
i i
aal
i i
2017/2/2
page 98
i i
df yj+1 yj 3 (A(x))2 1
(x) = (xj+1 xj ) yj +
dx xj+1 xj 6
3 (B(x))2 1
(xj+1 xj ) yj+1 (3.10)
6
e que
d2 f
(x) = A(x) yj + B(x) yj+1
. (3.11)
dx2
Conclua que, de fato, (d2 f /dx2 )(xj ) = yj , para cada j =
1, . . . , n.
i i
i i
aal
i i
2017/2/2
page 99
i i
C = {(0, 1), (1, 1), (2, 1), (3, 1), (4, 1), (5, 1)}
i i
i i
aal
i i
2017/2/2
page 100
i i
Captulo 4
Ortogonalidade e
A Decomposic
ao QR
100
i i
i i
aal
i i
2017/2/2
page 101
i i
Demonstrac
ao:
(1) 0, v = 0 0, v = 0 0, v = 0.
(2) u, v + w = v + w, u = v, u + w, u = v, u + w, u =
u, v + u, w.
(3) Se v, v = 0, entao, por (P4), v = 0. Por outro lado, se v = 0,
entao por (1), v, v = 0.
(4) Exerccio.
Exemplo 4.1
u, v = (u1 , . . . , un ), (v1 , . . . , vn ) = u1 v1 + + un vn
u1
& '
= vT u = v1 vn ...
un
e um produto interno em (Rn , R, +, ).
Exemplo 4.2
z, w = (z1 , . . . , zn ), (w1 , . . . , wn ) = z1 w1 + + zn wn
e um produto interno em (Cn , C, +, ).
i i
i i
aal
i i
2017/2/2
page 102
i i
() ()
u, u = uT BT Bu = (Bu)T (Bu) = vT v = v12 + + vn2 > 0,
Exemplo 4.5
b
f, g = f (x)g(x) dx
a
i i
i i
aal
i i
2017/2/2
page 103
i i
Proposi
c
ao 4.2
(1) ||v|| 0, para todo v V .
(2) ||v|| = 0 se, e somente se, v = 0.
(3) || v|| = ||v||, para todo K, para todo v V .
Demonstrac
ao: Exerccio.
i i
i i
aal
i i
2017/2/2
page 104
i i
Demonstrac
ao:
i i
i i
aal
i i
2017/2/2
page 105
i i
4.2 Ortogonalidade
i i
i i
aal
i i
2017/2/2
page 106
i i
(b) A e LI.
Demonstrac
ao:
(a) Se v [v1 , . . . , vk ], entao existem escalares i K tais que
k
v = i=1 i vi . Logo,
5 k 6 k
v, vj = i vi , vj = i vi , vj = j vj , vj
i=1 i=1
= j ||vj || . 2
()
j = 0,
i i
i i
aal
i i
2017/2/2
page 107
i i
4.3 Gram-Schmidt
[w1 ] = [v1 ],
[w1 , w2 ] = [v1 , v2 ],
..
.
[w1 , w2 , . . . , wk ] = [v1 , v2 , . . . , vk ].
[w1 ] = [v1 ],
[w1 , w2 ] = [v1 , v2 ],
..
.
[w1 , w2 , . . . , wr ] = [v1 , v2 , . . . , vr ].
i i
i i
aal
i i
2017/2/2
page 108
i i
Dena
r
r+1
w
r+1 = vr+1
w vi , wj wj e wr+1 = .
r+1 ||
||w
j=1
Note que:
(2) ||wr+1 || = 1.
Logo,
[w1 , . . . , wr , wr+1 ] [v1 , . . . , vr , vr+1 ].
Dado que dimK ([w1 , . . . , wr , wr+1 ]) = dimK ([v1 , . . . , vr , vr+1 ]) =
r + 1, vemos que [w1 , . . . , wr , wr+1 ] = [v1 , . . . , vr , vr+1 ].
1
w v1
1 = v1 e w1 =
w = .
1 ||
||w ||v1 ||
i i
i i
aal
i i
2017/2/2
page 109
i i
1
w
2 = v2 ? = v2 v2 , w1 w1 e w2 =
w .
2 ||
||w
Note que ? e a projecao ortogonal de v2 na direcao de w1 . Vemos
assim que sao as projecoes ortogonais que sustentam o processo de
ortonormalizacao de Gram-Schmidt.
Corol
ario 4.3 Todo espaco vetorial de dimensao nita com
produto interno possui uma base ortonormal.
i i
i i
aal
i i
2017/2/2
page 110
i i
e
0
2
w
w2 = = 0 .
2 ||
||w 1
Por u
ltimo, segue-se que
3
w = v3 v3 , w1 w1 v3 , w2 w2
3 12
0 0 25
4 5
1 4 0 0 = 9
=
5 5 25
0 0 1 0
e 4
5
3
w
w3 = = 35 .
3 ||
||w
0
Observa c
ao. No processo de ortonormalizacao descrito no exemplo
anterior, dado que w 1 /||w
1 = v1 e w1 = w 1 ||, segue-se que
1 || w1 .
v1 = ||w
2 || w2 .
v2 = v2 , w1 w1 + ||w
i i
i i
aal
i i
2017/2/2
page 111
i i
3 || w3 .
v3 = v3 , w1 w1 + v3 , w2 w2 + ||w
Resumindo:
v1 = 1 || w1 ,
||w
v2 = v2 , w1 w1 + 2 || w2 ,
||w
v3 = v3 , w1 w1 + v3 , w2 w2 + 3 || w3 .
||w
| | | 1 ||
||w v2 , w1 v3 , w1
w1 w2 w3 0 2 ||
||w v3 , w2
.
| | | 0 0 3 ||
||w
Desta maneira, se
| | |
A=
v1 v2 v3
| | |
i i
i i
aal
i i
2017/2/2
page 112
i i
Proposi
c
ao 4.4 Seja Q uma matriz quadrada ortogonal.
Ent
ao:
(1) Q1 = QT .
(2) Q1 e ortogonal.
(3) det(Q) = 1 ou Q = 1.
i i
i i
aal
i i
2017/2/2
page 113
i i
Proposic
ao 4.5 O produto de duas matrizes ortogonais e
ainda uma matriz ortogonal.
Demonstraca
o: Exerccio.
1 1
u, v = ||u + v||2 ||u v||2 ,
4 4
i i
i i
aal
i i
2017/2/2
page 114
i i
temos que
1 1
Qu, Qv = ||Qu + Qv||2 ||Qu Qv||2
4 4
1 1
= ||Qu Q(v)|| ||Qu Qv||2
2
4 4
(3) 1 1
= ||u (v)|| ||u v||2
2
4 4
1 1
= ||u + v|| ||u v||2 = u, v .
2
4 4
Agora vamos demonstrar que (4) (1). A condicao (4), em termos
matriciais, signica que, para todo u, v Rn , uT QT Qv = uT v.
Desta maneira,
(4) 0, se i = j,
(QT Q)ij = eTi QT Qej = eTi ej = ij =
1, se i = j.
As demonstrac
oes das demais implicacoes cam como exerccios.
4.5 A Decomposic
ao QR
i i
i i
aal
i i
2017/2/2
page 115
i i
Proposi c
ao 4.7 Toda matriz A inversvel possui uma u nica
decomposicao QR, isto e, existem u
nicas matrizes Q ortogonal
e R triangular superior com todos os elementos de sua diagonal
principal positivos, tais que A = QR.
1 Q = RR
Q 1 .
1 Q = RR
Mas, se Q 1 = I, entao
Q=Q e
R = R.
i i
i i
aal
i i
2017/2/2
page 116
i i
4.6 Aplicac
ao: O M
etodo dos Mnimos
Quadrados
Proposi c
ao 4.8 Seja W um subespaco vetorial de dimensao
nita de um espaco vetorial (V, K, +, ) com produto interno
, : V V K. Se v V , entao existe um u W
nico w
que minimiza a funcao
= v e f (w)
ao: Se v W , entao w
Demonstrac = ||v w|| 2 =
||v v|| = 0. Suponha ent
2
ao que v
W . Seja {w1 , . . . , wk } uma
base ortonormal de W . Dena
k
=
w v, wj wj .
j=1
W . De fato:
Armamos que v w
5 k
6
wi = v
v w, v, wj wj , wi = v, wi v, wi = 0.
j=1
f (w) = + (w
||v w||2 = ||(v w) w)||2
()
= 2 + ||w
||v w|| w||2 ||v w||
2 = f (w).
= f (w)
f (w) 2 = ||v w||2 ||w
||v w|| w||2 = 0
= w.
w
i i
i i
aal
i i
2017/2/2
page 117
i i
i i
i i
aal
i i
2017/2/2
page 118
i i
i i
i i
aal
i i
2017/2/2
page 119
i i
x y
1 2
5 7
5 3
y= x+ .
4 4
Contudo, se a tabela possui tres ou mais pontos, seria muita sorte
encontrar uma reta y = a x+b tal que yi = a xi +b para todo i. Neste
caso, a ideia e usar o metodo dos mnimos quadrados para obter uma
reta representativa. O sistema linear
a x1 + b = y1 ,
a x2 + b = y2 ,
..
.
a xn + b = yn ,
i i
i i
aal
i i
2017/2/2
page 120
i i
ao di = |a xi + b yi | representa
Para cada i = 1, . . . , n, a express
a distancia vertical do ponto (xi , yi ) ate a reta y = a x + b, isto e,
o desvio da reta com relacao ao ponto (Figura 4.3). Neste contexto,
(x 2, y2) y = ax +b
d2 (x 3, a x 3+b)
d3
(x 2, a x 2+b )
(x 1, a x 1+b )
(x 3, y3)
d1
(x 1, y1)
0 x
Figura 4.3: A dist ancia vertical agregada entre os tres pontos (x1 , y1 ),
(x2 , y2 ), (x3 , y3 ) e a reta y = ax + b.
i i
i i
aal
i i
2017/2/2
page 121
i i
e n
n n n
x2i yi xi yi
i=1 i=1 i=1 i=1
b=
n
n
2
n x2i xi
i=1 i=1
s
ao justamente aqueles que minimizam a soma dos quadrados dos
desvios:
n
s(a, b) = d21 + d22 + + d2n = (a xi + b yi )2 .
i=1
Observa c
ao. Vamos agora obter uma formula explcita para a proje-
ao ortogonal de um vetor b Rm no espaco W = C(A) gerado pelas
c
colunas de uma matriz A Mmn (R), para o caso em que AT A e
uma matriz inversvel. Seja
PrC(A) : Rm C(A)
b PrC(A) (b)
a projecao ortogonal de Rm em W = C(A). Sabemos que PrC(A) (b) =
Ax para algum x argminxRn ||b Ax||2 . Mais ainda, tambem sa-
bemos que x satisfaz as equacoes normais AT Ax = AT b. Se AT A
e uma matriz inversvel, entao x = (AT A)1 AT b e, portanto,
x = A(AT A)1 AT b.
PrC(A) (b) = A
" #$ %
M
i i
i i
aal
i i
2017/2/2
page 122
i i
2. MT = M. De fato:
()
MT = (AT )T ((AT A)1 )T AT = (AT )T ((AT A)T )1 AT
= A(AT A)1 AT = M.
Note que, em (), usamos o seguinte resultado: se B e uma matriz
inversvel, entao (B1 )T = (BT )1 . Com efeito:
BB1 = I (B1 )T BT = IT = I (BT )1 = (B1 )T .
Ser
a que toda matriz P que satisfaz as duas propriedades acima e uma
projecao? A resposta e sim, de acordo com a pr
oxima proposicao.
Proposi c
ao 4.9 Se P e uma matriz n por n, simetrica, satis-
fazendo P2 = P, ent ao P e a projecao de Rn no subespaco
vetorial W = C(P).
Observac
ao. A decomposicao QR simplica o problema dos mnimos
quadrados. De fato, se A e uma matriz cujas colunas sao LI e A =
i i
i i
aal
i i
2017/2/2
page 123
i i
i i
i i
aal
i i
2017/2/2
page 124
i i
" #$ %
A
||v1 ||
0
.. ,
=
.
B
0
0
i i
i i
aal
i i
2017/2/2
page 125
i i
||v1 ||
0
0 0
H2 H1 A = ,
.. .. .. .. ..
. . . . .
0 0
Isto pode ser feito tomando-se H2 com a seguinte estrutura em blocos:
1 0T
H2 = ,
0 I 2 wwT
i i
i i
aal
i i
2017/2/2
page 126
i i
i i
i i
aal
i i
2017/2/2
page 127
i i
4
5 0 5
H2 H1 A = 0 1 0 .
0 0 35
i i
i i
aal
i i
2017/2/2
page 128
i i
emprega rotac
oes da forma
1
..
. 0
1
c s p
G= .. .. ..
. . .
s c q
1
0 ..
.
1
p q
de tal maneira que
.. ..
. .
a p a2 + b 2 p
.
G
.. =
..
.
.
b q 0 q
. .
.. ..
isto e,
4
ac bs = a2 + b 2 , bc + as = 0 e c2 + s2 = 1,
i i
i i
aal
i i
2017/2/2
page 129
i i
a b
c= es= .
a + b2
2 a2 + b 2
usando as rotac
oes de Givens.
i i
i i
aal
i i
2017/2/2
page 130
i i
2 n2 m 2 n3 /3
4.8 Subespa
cos Ortogonais
Observa
c
oes.
(1) S e um subespaco vetorial de V , mesmo que S nao o seja.
(2) {0} = V .
i i
i i
aal
i i
2017/2/2
page 131
i i
(3) V = {0}.
ao B = {0}.
(4) Se B e uma base de V , ent
Demonstrac
ao: Exerccio.
V = W W .
Demonstracao: Seja BW = {w 1, . . . , w
k } uma base de W . Pelo pro-
cesso de ortonormalizacao de Gram-Schmidt, existe um conjunto or-
tonormal {w1 , . . . , wk } tal que
W = [w1 , . . . , wk ].
Complete o conjunto {w1 , . . . , wk } para obter uma base de V , diga-
mos, {w1 , . . . , wk , u 1 , . . . , u
nk }. Novamente pelo processo de or-
tonormalizac ao de Gram-Schmidt, existe um conjunto ortonormal
{w1 , . . . , wk , u1 , . . . , unk } que e base de V . Assim, se v V , entao
k
nk
v= v, wi wi + v, uj uj .
i=1 j1
" #$ % " #$ %
W W
i i
i i
aal
i i
2017/2/2
page 132
i i
4.9
O Teorema Fundamental da Algebra
Linear
AT : Rm Rn
como a transformac ao linear cuja matriz com relacao `as bases can
o-
nicas de Rm e Rn e a matriz AT , a matriz transposta de A (veja
tambem o Exerccio [21] deste captulo).
Observe que os conjuntos Ker(A) e Im(AT ) = R(A) s ao su-
bespacos vetoriais de Rn e que os conjuntos Im(A) = C(A) e Ker(AT )
(o n ao subespacos vetoriais de Rm .
ucleo a esquerda) s
Seja r = dimR (Im(A)) = dimR (C(A)) o posto de A. Temos ent ao
os seguintes fatos:
i i
i i
aal
i i
2017/2/2
page 133
i i
[SEC. 4.9: O TEOREMA FUNDAMENTAL DA ALGEBRA LINEAR 133
x Ker(A) Ax = 0 xT AT = 0T
xT AT y = 0, y Rm
AT y, x = 0, y Rm
x (Im(AT )) .
Rn = Ker(A) Im(AT ).
y Ker(AT ) AT y = 0 yT A = 0T
yT Ax = 0, x Rn
Ax, y = 0, x Rn
y (Im(A)) .
Rm = Ker(AT ) Im(A).
Demonstramos entao o Teorema Fundamental da Algebra Linear:
i i
i i
aal
i i
2017/2/2
page 134
i i
4.10 Exerccios
[01] Seja T : U V uma transformacao linear injetora. Se , V e
um produto escalar em V , mostre que
u1 , u2 U = T(u1 ), T(u2 )V
dene um produto escalar em U .
Corolario: se U e um subespaco vetorial de V e V possui um
produto interno , V , entao considerando-se T como a in-
clus
ao natural de U em V (isto e, a transformacao identi-
dade restrita a U ), pelo resultado anterior, teremos como con-
sequencia que , V restrito a U U e um produto interno
em U .
[02] (Identidades de polariza c
ao) Considere um espaco veto-
rial (V, K, +, ) com produto interno , : V V K.
i i
i i
aal
i i
2017/2/2
page 135
i i
i i
i i
aal
i i
2017/2/2
page 136
i i
i i
i i
aal
i i
2017/2/2
page 137
i i
[12] Sejam
1 0 1
x1
A= 0 1 , x= e b = 3 .
x2
1 11 4
i i
i i
aal
i i
2017/2/2
page 138
i i
A0 = Q0 R0
e, ent
ao, troque permute os fatores:
A1 = R0 Q0 .
Ak = Qk Rk e, ent
ao, Ak+1 = Rk Qk .
i i
i i
aal
i i
2017/2/2
page 139
i i
v ||v||e1
u= ,
||v ||v||e1 ||
i i
i i
aal
i i
2017/2/2
page 140
i i
i i
i i
aal
i i
2017/2/2
page 141
i i
i i
i i
aal
i i
2017/2/2
page 142
i i
i i
i i
aal
i i
2017/2/2
page 143
i i
Captulo 5
SVD e A Pseudoinversa
Av = v.
143
i i
i i
aal
i i
2017/2/2
page 144
i i
Demonstrac
ao: Exerccio.
i i
i i
aal
i i
2017/2/2
page 145
i i
QT AQ = D = diag(1 , . . . , n ),
i i
i i
aal
i i
2017/2/2
page 146
i i
T BQ
Q = diag(2 , . . . , n ).
Dena
1 0 0
0
/
Q=Q ..
.
.
Q
0
Observac
ao. Se q1 , . . . , qn sao as colunas da matriz Q no enunciado
do Teorema Especial, entao
QT AQ = diag(1 , . . . , n ) AQ = Q diag(1 , . . . , n )
Aqi = i qi , i = 1, . . . , n,
A = Q diag(1 , . . . , n )QT
ou, ainda,
A = 1 q1 qT1 + + n qn qTn .
Esta u
ltima igualdade e conhecida como a decomposic
ao espectral da
matriz A.
i i
i i
aal
i i
2017/2/2
page 147
i i
Ent
ao
1. m e o menor autovalor de A e o mnimo ocorre quando x e
um autovetor unitario associado,
2. M e o maior autovalor de A e o maximo ocorre quando x e
um autovetor unitario associado.
i i
i i
aal
i i
2017/2/2
page 148
i i
Desta maneira,
n
M = max xT Ax = max i 2i .
||x||=1 21 ++2n =1
i=1
1 2 n .
1 = f (1 , . . . , n ) = 1 (1 )2 + + n (n )2 .
1 = 1 1 = 1 ((1 )2 + + (n )2 )) = 1 (1 )2 + + 1 (n )2 .
(1 2 )(2 )2 + + (1 n )(n )2 = 0.
i i
i i
aal
i i
2017/2/2
page 149
i i
f (x) = xT Ax
xT x = ||x||2 = 1 e xT v1 = 0
sujeito a
21 + + 2n = 1 e 1 = 0.
i i
i i
aal
i i
2017/2/2
page 150
i i
f (x) = xT Ax
xT x = 1, xT v1 = 0, ..., xT vk1 = 0,
Demonstrac
ao: Analoga `a demonstracao do Teorema 5.3.
i i
i i
i
i
i
i
Figura 5.1: Imagem T(B) de uma esfera unitaria B por uma transformacao linear T.
151
i
i
aal
i
i
page 151
2017/2/2
aal
i i
2017/2/2
page 152
i i
i i
i i
aal
i i
2017/2/2
page 153
i i
Uma vez que i = ||Avi ||2 , vemos que os valores singulares sao,
portanto, as normas dos vetores ||Av1 ||, . . . , ||Avn ||.
Note que
e
2 = max ||Ax||, com o maximo atingido em x = v2 .
||x||=1
xT v1 =0
Teorema 5.5 Seja A Mmn (R) uma matriz que possui exa-
tamente r valores singulares n
ao nulos:
Ent
ao o posto de A e r.
i i
i i
aal
i i
2017/2/2
page 154
i i
entao
5.3 A Decomposic
ao em Valores Singula-
res (SVD)
1 2 r > 0,
A = UVT .
i i
i i
aal
i i
2017/2/2
page 155
i i
Demonstraca
o: Como na demonstracao do Teorema 5.5, sejam i
e i com 4
i = i = ||Avi || > 0, 1 i r,
e
{Av1 , . . . , Avr } base ortogonal de C(A).
Para cada 1 i r, dena
1 1
ui = Avi = Avi ,
||Avi || i
de modo que
Avi = i ui , para i = 1, . . . , r.
ao {u1 , . . . , ur } e uma base ortonormal para C(A) = Im(A). Es-
Ent
tenda este conjunto para uma base ortonormal de Rm (usando o te-
orema de completamento de bases e o processo de ortonormalizacao
de Gram-Schmidt): {u1 , . . . , ur , ur+1 , . . . , um }. Dena:
| | | |
U= u1 um e V = v1
vn
.
| | | |
As matrizes U e V s
ao ortogonais e
| | | |
AV = Av 1 Av r 0 0
| | | |
| | | |
=
1 u1 r ur 0 0 .
| | | |
Portanto,
| | | |
AV =
u1 ur ur+1 um
| | | |
= U,
i i
i i
aal
i i
2017/2/2
page 156
i i
onde
diag(1 , . . . , r ) 0
= .
0 0 mn
Agora, se
= diag( r )
1 , . . . , 0
,
0 0 mn
entao
=
T
= 1 )2 , . . . , (
diag(( r )2 ) 0
D .
0 0 nn
i i
i i
aal
i i
2017/2/2
page 157
i i
=
4 11 14
8 7 2
=
T
1/3 2/3 2/3
3/10 1/10 6 10 0 0 2/3 1/3 2/3
1/ 10 3/ 10 0 3 10 0
= 2/3 2/3 1/3
UVT .
i i
i i
aal
i i
2017/2/2
page 158
i i
x1 1/3 x1 2 2
x2 2/3 x2 = x2 1 + x3 0 .
x3 2/3 x3 0 1
" #$ % " #$ %
2
u 3
u
2, u
O conjunto {u1 , u 3 } e ortogonal. Usando o processo de ortonor-
malizacao de Gram-Schmidt, obtemos
2/5 2/45
u2 = 1/ 5 e u3 = 4/45
0 5/ 45
A
=
1 1
2 2
2 2
=
1/3 2/5 2/45 3 2 0
2/3 2/2 2/2
1/ 5 4/45 0 0
2/ 2 2/ 2
2/3 0 5/ 45 0 0
=
UVT .
i i
i i
aal
i i
2017/2/2
page 159
i i
(2) As u
ltimas mr colunas de U formam uma base ortonormal
para Ker(AT ).
(3) As u
ltimas nr colunas de V formam uma base ortonormal
para Ker(A).
(4) As primeiras r colunas de V formam uma base ortonormal
para Im(AT ) = C(AT ) = R(A).
com 1 r > 0.
i i
i i
aal
i i
2017/2/2
page 160
i i
5.4 Aplicac
ao: Imagens Digitais
Imagens digitais em tons de cinza (grayscale em ingles) podem
ser representadas por matrizes. Cada elemento da matriz determina
a intensidade do pixel correspondente. Por conveniencia, a maioria
dos arquivos digitais atuais usam n umeros inteiros entre 0 (para in-
dicar a cor preta, ausencia de intensidade) e 255 (para indicar a cor
branca, intensidade maxima), totalizando entao 256 tons de cinza
diferentes.
Considere agora a situacao em que uma imagem A em tons de
cinza, de tamanho 1000 por 1000, deve ser transmitida por um satelite
para um laboratorio na Terra. Em princpio, o satelite teria que en-
viar 1 milhao de n umeros. O que pode ser feito e o seguinte: o satelite
calcula uma SVD para A: A = UVT . Se u1 , . . . , um sao as colu-
nas de U; v1 , . . . , vn sao as colunas de V e 1 r > 0 sao
os valores singulares n ao nulos de A, entao
i i
i i
aal
i i
2017/2/2
page 161
i i
r=1 r = 10
r = 35 r = 50
i i
i i
aal
i i
2017/2/2
page 162
i i
i i
i i
aal
i i
2017/2/2
page 163
i i
posta:
b1 /1 1/1 0 0
b / b1
x+ = 2 2 0 1/2 0 b2 = A+ b.
0 = 0 0 0
b3
0 0 0 0
" #$ %
A+
i i
i i
aal
i i
2017/2/2
page 164
i i
y+ = + UT b VT x+ = + UT b V1 x+ = + UT b
x+ = V+ UT b x+ = A+ b.
A+ = V+ UT .
Proposi
c
ao 5.4
(1) Se b Rm , entao x+ = A+ b R(A).
ao ortogonal de b em C(A) e AA+ b.
(2) A projec
(3) A+ C(A) = ( A|R(A) )1 .
Demonstrac
ao:
i i
i i
aal
i i
2017/2/2
page 165
i i
(1) De fato:
A+ b
=
V+ UT b
=
| | | | T
1 v1 r vr 0 0 (U b)
| | | |
AT (b AA+ b) = AT b AT AA+ b
= VT UT b VT VT V+ UT b
= VT UT v VT + UT b
()
= VT UT b VT UT b
= 0.
i i
i i
aal
i i
2017/2/2
page 166
i i
UT2 b = 0 e VT2 x = 0.
A+ Ax = (V+ UT )(UVT )x = V+ VT x
& ' Irr 0 VT1
= V1 V2 x
0 0 VT2
& ' Irr 0 VT1 b
= V1 V2
0 0 VT2 b
& ' VT1 x & ' VT1 x
= V1 V2 = V1 V2
0 VT2 x
& ' VT1
= V1 V2 x = VVT x = x.
VT2
i i
i i
aal
i i
2017/2/2
page 167
i i
5.6 Exerccios
[01] Seja Q uma matriz ortogonal. Mostre que A e QT AQ possuem
os mesmos autovalores.
[02] Seja A uma matriz real n n simetrica. Sejam 1 , . . . , n os
n autovalores de A. Suponha que |1 | |2 | |n |.
Considere o problema de otimizacao
M = max ||Ax||
||x||=1
i i
i i
aal
i i
2017/2/2
page 168
i i
[13] Seja A uma matriz m n cujos valores singulares nao nulos sao
1 , . . . , r , os vetores singulares `a esquerda s
a o u1 , . . . , u m e
os vetores singulares a` direita sao v1 , . . . , vn . Mostre que A
pode ser escrita como soma de matrizes de posto 1:
i i
i i
aal
i i
2017/2/2
page 169
i i
Captulo 6
Programa
c
ao Linear
6.1 Definic
oes
Um programa linear e um problema de otimizacao onde a funcao
que queremos otimizar e as restricoes s
ao todas lineares. Por exemplo,
minimizar x1 + x2
x1 ,x2 R
sujeito a 3 x1 + 2 x2 8,
x1 + 5 x2 7, (6.1)
x1 0,
x2 0
K = {(x1 , x2 ) R2 | 3 x1 + 2 x2 8, x1 + 5 x2 7, x1 0, x2 0}
169
i i
i i
aal
i i
2017/2/2
page 170
i i
x2
0 2 3 7 x1
em igualdade:
minimizar R c1 x1 + + cn xn
x1 ,...,xn
sujeito a a11 x1 + + a1n xn = b1 ,
.. .. .. .. ..
. . . . .
am1 x1 + + amn xn = bm ,
e x1 0, . . . , xn 0.
Todo programa linear pode ser reescrito na forma padr ao com o uso
de vari
aveis de folga. Por exemplo, uma restricao da forma
ai1 x1 + + ain xn bi
ai1 x1 + + ain xn yi = bi e yi 0.
Se uma vari
avel de decis ao xi pode assumir qualquer valor real, isto e,
se n
ao existe restricao de nao-negatividade em xi , entao podemos
i i
i i
aal
i i
2017/2/2
page 171
i i
minimizar
n
cT x
xR (6.3)
sujeito a Ax = b e x 0,
maximizar
n
cT x
xR
sujeito a Ax = b e x 0,
minimizar
n
cT x
xR
sujeito a Ax = b e x 0.
i i
i i
aal
i i
2017/2/2
page 172
i i
i i
i i
aal
i i
2017/2/2
page 173
i i
Observa c
ao. Uma vari avel b
asica nula pode ser trocada por uma
vari
avel n
ao b
asica que tambem e nula.
Demonstrac
ao:
(a) Seja x = [ x1 xn ]T um ponto admissvel, isto e, um ponto
que satisfaz
Ax = b e x0. ()
Denotando-se por a1 , . . . , an as colunas da matriz A, segue-se
que
Ax = b x1 a1 + + xn an = b.
Suponha que p destas variaveis x1 , . . . , xn sejam diferentes de
zero. Sem perda, podemos supor que estas sejam as p primeiras
colunas. Logo,
x1 a1 + + xp ap = b.
i i
i i
aal
i i
2017/2/2
page 174
i i
y1 a1 + + yp ap = 0.
Az() = Ax Ay = b 0 = b, R.
z(0) = x = [ x1 . . . xp 0 . . . 0 ]T 0.
"#$% "#$%
>0 >0
i i
i i
aal
i i
2017/2/2
page 175
i i
minimizar
n
cT x
xR ()
sujeito a Ax = b e x 0.
<<
xi
min yj > 0, i = 1, . . . , p ,
yi
i i
i i
aal
i i
2017/2/2
page 176
i i
a soluc
ao b
asica correspondente. Temos que x e admissvel se,
e somente se, B1 b0. Mais ainda, x e otimo se, e somente se,
cTB B1 A c.
Demonstrac
ao: Por construcao,
1
B b
x=
0
i i
i i
aal
i i
2017/2/2
page 177
i i
6.3 Rela
coes com Convexidade
(a) (b)
i i
i i
aal
i i
2017/2/2
page 178
i i
Deni c
ao 6.2 (Ponto Extremo) Dizemos que um ponto x
em um conjunto convexo U e ponto extremo de U se nao existem
dois outros pontos distintos x1 e x2 em U tais que x = x1 +
(1 ) x2 para algum no intervalo (0, 1).
Demonstrac
ao:
() Seja x uma solucao b
asica admissvel de
minimizar
n
cT x
xR ()
sujeito a Ax = b e x 0.
i i
i i
aal
i i
2017/2/2
page 179
i i
x2
4 x1 x6 x7
x5
3
x2
1 x4
x3
0
2 3 7 x1
x = [ x1 xm 0 0 ]T .
[ x1 xm 0 0 ]T
=
(1 ) [ y1 ym ym+1 yn ]T + [ z1 zm zm+1 zn ]T .
0 ],
x=[x 0 ],
y=[y z=[
z 0 ], A=[BN]
i i
i i
aal
i i
2017/2/2
page 180
i i
que
&
x '
Ax = b B N B
x = b,
0
& ' y
Ay = b B N B
y = b,
0
& ' z
Ax = z B N B
z = b.
0
=y
Como B e uma matriz m por m inversvel, segue-se que x =
z=
B1 b e, portanto, x = y = z.
1 a1 + k ak = 0.
x y0 e x + y0.
Note que z1 = x y K, z2 = x + y K e
1 1
x= (x y) + (x + y) .
2 2
Isto nao pode ocorrer, uma vez que x e um ponto extremo de K. Logo,
{a1 , . . . , ak } e LI e x e uma solucao basica admissvel (possivelmente
degenerada) de ().
Demonstrac ao: Se K e n
ao vazio, ent
ao ele possui um ponto ad-
missvel. Pelo Teorema Fundamental da Programacao Linear, existe
i i
i i
aal
i i
2017/2/2
page 181
i i
[SEC. 6.4: O METODO SIMPLEX 181
Demonstrac
ao: Existe um n
umero nito de solucoes basicas, logo K
possui um n
umero nito de pontos extremos.
6.4 O M
etodo Simplex
O metodo simplex e um algoritmo inventado pelo matematico
americano George Bernard Dantzig (19142005) para se resolver pro-
gramas lineares numericamente. Essencialmente, o que o metodo
simplex faz e, a partir de um dos pontos extremos do conjunto ad-
missvel K (uma solucao b asica admissvel), pular de um ponto ex-
tremo a outro ponto extremo adjacente ate atingir o ponto extremo
correspondente `a solucao otimo do programa linear.
A organizac ao do metodo se faz atraves de tableaux (plural de
tableau, em frances), tabelas onde se registram os coecientes das
restric
oes e da funcao objetivo. Inicialmente, o tableau ca assim:
A b
.
T T
c 0
i i
i i
aal
i i
2017/2/2
page 182
i i
i i
i i
aal
i i
2017/2/2
page 183
i i
[SEC. 6.4: O METODO SIMPLEX 183
calonamento da u
ltima linha de ():
I B1 N B 1
b
.
0T cTN cTB B1 N cTB B1 b
cT x = rT xN + cTB B1 b = cTB B1 b.
Assim, a variavel b
asica que se tornara nao basica e aquela de ndice k
tal que
1
(B1 b)k (B b)j 1
= = min (B u) > 0 .
(B1 u)j
j
(B1 u)k
i i
i i
aal
i i
2017/2/2
page 184
i i
Observa c
ao. Note que, no Algoritmo 6.5, os objetos que precisamos
calcular s
ao soluc
oes de tres sistemas lineares que podem ser obtidos
i i
i i
aal
i i
2017/2/2
page 185
i i
[SEC. 6.4: O METODO SIMPLEX 185
minimizar x1 + x2
x1 ,x2 R
sujeito a x1 + 2 x2 6,
2 x1 + x2 6,
x1 0,
x2 0.
minimizar x1 + x2
x1 ,x2 ,x3 ,x4 R
sujeito a x1 + 2 x2 x3 = 6,
2 x1 + x2 x4 = 6,
x1 0,
x2 0,
x3 0,
x4 0.
i i
i i
aal
i i
2017/2/2
page 186
i i
A soluc
ao b
asica admissvel correspondente e
(x2 , x3 , x1 , x4 ) = (6, 6, 0, 0).
No proximo passo, a variavel x1 entrara no conjunto de variaveis
asicas (pois r1 = 1 < 0). Para descobrir quem saira, observe que:
b
x2 sair
a para 2 x1 = 6, isto e, para x1 = 3,
x3 sair
a para 3 x1 = 6, isto e, para x1 = 2.
Como 2 < 3, descobrimos que x3 sair a do conjunto de vari
aveis
b
asicas. Isto nos leva ao pr
oximo tableau:
x2 x1 x3 x4 b
1 2 0 1 6
.
0 3 1 2 6
0 1 0 1 6
Escalonando, obtemos
x2 x1 x3 x4 b
1 0 2/3 1/3 2
.
0 1 1/3 2/3 2
0 0 1/3 1/3 4
Como r1 = 1/3 > 0 e r2 = 1/3 > 0, conclumos que a solucao b
asica
admissvel
(x2 , x1 , x3 , x4 ) = (2, 2, 0, 0)
e uma solucao
otimo do programa linear, com custo otimo igual a 4.
A Figura 6.4 exibe o conjunto admissvel do programa linear inicial
e indica as solucoes b
asicas obtidas pelo metodo simplex.
minimizar x1 2 x2
x1 ,x2 R
sujeito a x1 + 3 x2 9,
x1 + x2 5,
x1 4,
x1 0,
x2 0.
i i
i i
aal
i i
2017/2/2
page 187
i i
[SEC. 6.4: O METODO SIMPLEX 187
x2
6 Soluo bsica 1
0 2 6 x1
minimizar x1 2 x2
x1 ,x2 ,x3 ,x4 ,x5 R
sujeito a x1 + 3 x2 + x3 = 9,
x1 + x2 + x4 = 5,
x1 + x5 = 4,
x1 0,
x2 0,
x3 0,
x4 0,
x5 0.
i i
i i
aal
i i
2017/2/2
page 188
i i
x3 x4 x5 x1 x2 b
1 0 0 1 3 9
0 1 0 1 1 5 .
0 0 1 1 0 4
0 0 0 1 2 0
A solucao b
asica admissvel correspondente e
i i
i i
aal
i i
2017/2/2
page 189
i i
[SEC. 6.4: O METODO SIMPLEX 189
Escalonando, obtemos
x2 x1 x5 x4 x3 b
1 0 0 1/2 1/2 2
0 1 0 3/2 1/2 3 .
0 0 1 3/2 1/2 1
0 0 0 1/2 1/2 7
A solucao b
asica admissvel correspondente e
Observa
c
ao. Note que, para o programa linear com o seguinte ta-
bleau
x2 x3 x1 x4 b
1 0 2 1 6
,
0 1 3 2 6
0 0 1 1 6
Observa c
ao. Caso solucoes basicas admissveis degeneradas apa-
recam durante a execucao do metodo simplex, este pode entrar em
i i
i i
aal
i i
2017/2/2
page 190
i i
x2
Soluo bsica 2
3
0 Soluo bsica 1 3 4 x1
Observa c
ao. Existem programas lineares para os quais o n umero
de operac oes necess
arios pelo metodo simplex para encontrar uma
soluc
ao
otima depende exponencialmente das dimens oes do problema.
Este e o caso dos programas lineares idealizados por Victor Klee e
George Minty em 1972:
n
maximizar 10nj xj
x1 ,...,xn R
j=1
i1
sujeito a 2 xj + xi 100i1 , i = 1, . . . , n,
j=1
xj 0, j = 1, . . . , n.
N
ao obstante, o metodo simplex tem mostrado desempenho eciente
i i
i i
aal
i i
2017/2/2
page 191
i i
em problemas pr
aticos.
Observa c
ao. Em 1979, o matematico Leonid Genrikhovich Kha-
chiyan (19522005) prop os um algoritmo (baseado no metodo dos
elipsoides de Naum Zuselevich Shor (1937-2006)) que, teoricamente,
permite resolver programas lineares em tempo polinomial. Com isto,
cou estabelecido que programas lineares s ao problemas de comple-
xidade polinomial. O algoritmo de Khachiyan teve pouco impacto
pratico, pois ele se mostrou menos eciente que o algoritmo sim-
plex em aplicacoes. Contudo, o algoritmo inspirou novos algoritmos
para o c alculo de solucoes de programas lineares: os assim denomi-
nados algoritmos de pontos interiores. Ao contrario do metodo sim-
plex, os algoritmos de pontos interiores geram pontos que caminham
pelo interior do conjunto admissvel ate encontrar a solucao otima.
Em 1984, o matematico Narendra K. Karmarkar (nascido em 1957)
prop os um algoritmo de ponto interior competitivo com o metodo
simplex. Para mais detalhes sobre os algoritmos de pontos interiors,
indicamos as referencias [08, 09].
6.5 Dualidade
Deni
c
ao 6.3 (O problema dual) O problema dual de
minimizar
n
cT x
xR (6.5)
sujeito a Ax b e x 0,
e o programa linear
maximizar
m
T b
R (6.6)
sujeito a AT c e 0,
onde T b = m i=1 i bi . O problema 6.6
e denominado o pro-
blema dual de 6.5. Neste contexto, o problema 6.5 e denominado
problema primal.
i i
i i
aal
i i
2017/2/2
page 192
i i
minimizar 8 1 + 7 2
1 ,2 R
sujeito a 3 1 + 2 1,
2 1 + 5 2 1, (6.7)
1 0,
2 0.
minimizar
n
cT x
xR
A b
sujeito a x e x 0.
A b
minimizar
n
uT b vT b
xR
sujeito a AT u AT v c, u 0 e v 0.
i i
i i
aal
i i
2017/2/2
page 193
i i
i i
i i
aal
i i
2017/2/2
page 194
i i
Demonstrac
ao: Temos que
(1) (2)
T b T Ax cT x,
onde, em (1), usamos que 0 e bAx e, em (2), usamos que x0
e T AcT .
Observa c
ao. Este teorema mostra que um ponto admissvel para
um dos problemas fornece uma cota para o valor da funcao objetivo
do outro problema. Os valores associados com o problema primal s ao
sempre maiores ou iguais aos valores associados com o problema dual.
Como corolario, vemos que se um par de pontos admissveis pode ser
encontrado para os problemas primal e dual com valores iguais da
func
ao objetivo, ent
ao estes pontos s
ao otimos.
cT x = ( )T b,
entao x e s
ao pontos admissveis otimos para seus respec-
tivos problemas.
ao x e s
Ent ao solucoes otimas para os problemas primal e dual
da Denic ao 6.3, respectivamente. Reciprocamente, solucoes
admissveis otimas para estes problemas devem satisfazer as
condicoes 6.8.
i i
i i
aal
i i
2017/2/2
page 195
i i
Se x e s
ao soluc
oes admissveis otimos para seus respectivos pro-
blemas, entao cT x = bT . Na demonstracao do Teorema Fraco da
Dualidade vimos que T bT AxcT x, Portanto,
bT = T b = T Ax e cT x = T Ax.
Ent
ao, obrigatoriamente,
(Ax)i > (b)i ()i = 0 e (T A)j < (c)j (x)j = 0.
Demonstrac ao: Vamos supor que o problema primal tenha uma solu-
c
ao admissvel otima e vamos mostrar que o problema dual tambem
possui uma solucao
otima. O caso em que o dual possui uma solucao
otima e tratado da mesma maneira, convertendo o problema dual
para a forma
minimizar
m
T b
R
sujeito a AT c,
0.
i i
i i
aal
i i
2017/2/2
page 196
i i
Apos v
arios passos do metodo simplex, obtemos uma matriz da forma
& '
B N
r = cTN cTB B1 N0
e
& ' B1 b
T
c x= cTB cTN = cTB B1 b
0
e o custo mnimo. Escolhendo T = cTB B1 , vemos que
T b = cTB B1 b = cT x.
i i
i i
aal
i i
2017/2/2
page 197
i i
f (x1 , x2 ) = x1 + x2 = 3 = 8 1 + 7 2 = g(1 , 2 ),
3/7
1/5
(4/13, 1/13)
3/8
0 1/3 1
6.6 Exerccios
[01] Mostre que o conjunto admissvel {x Rn | Ax = b e x0} de
um programa linear na forma padrao e um subconjunto convexo
de Rn .
i i
i i
aal
i i
2017/2/2
page 198
i i
b
asica e admissvel inicial para o programa linear
minimizar
n
cT x
xR
sujeito a Ax = b,
x0.
minimizar T w
xRn ,wRm
sujeito a Ax + w = b,
x0, w0.
minimizar 2 x1 + x2
x1 ,x2 R
sujeito a x1 + x2 4,
x1 + 3 x2 12,
x1 x2 0,
x1 0,
x2 0.
i i
i i
aal
i i
2017/2/2
page 199
i i
Captulo 7
7.1 O que
e um jogo?
A teoria dos jogos pode ser denida como a teoria dos modelos
matematicos que estuda a escolha de decisoes otimas sob condicoes
de conito. O elemento basico em um jogo e o conjunto de jogadores
que dele participam. Cada jogador tem um conjunto de estrategias.
Quando cada jogador escolhe sua estrategia, temos entao uma si-
tuac
ao ou perl no espaco de todas as situacoes (pers) possveis.
Cada jogador tem interesse ou preferencias para cada situacao no
jogo. Em termos matem aticos, cada jogador tem uma func ao uti-
lidade que atribui um n umero real (o ganho ou payo do jogador)
a cada situac
ao do jogo. Mais especicamente, um jogo tem os se-
guintes elementos basicos: existe um conjunto nito de jogadores,
representado por
G = {g1 , g2 , . . . , gn },
e cada jogador gi G possui um conjunto nito
199
i i
i i
aal
i i
2017/2/2
page 200
i i
i i
i i
aal
i i
2017/2/2
page 201
i i
UM JOGO?
[SEC. 7.1: O QUE E 201
G = {Al, Bob},
SAl = {confessar, negar}, SBob = {confessar, negar},
S = SAl SBob =
{(confessar, confessar), (confessar, negar),
(negar, confessar), (negar, negar)}.
Bob
confessar negar
confessar (5, 5) (0, 10)
Al
i i
i i
aal
i i
2017/2/2
page 202
i i
G = {homem, mulher},
Shomem = {futebol, cinema}, Smulher = {futebol, cinema},
S = Shomem Smulher =
{(futebol, futebol), (futebol, cinema),
(cinema, futebol), (cinema, cinema)}.
7.2 Solu
c
oes de um jogo em estrat
egias
puras
Uma soluc ao de um jogo e uma prescricao ou previs
ao sobre o re-
sultado do jogo. Existem varios conceitos diferentes de solucao. Nesta
sec
ao, investigaremos os dois conceitos mais comuns: domin ancia e
equilbrio de Nash.
Considere o dilema do prisioneiro. Como encontrar uma solucao
para o dilema de Al e Bob, isto e, que estrategias s ao plausveis
i i
i i
aal
i i
2017/2/2
page 203
i i
Domin
ancia em estrat
egias puras
Frequentemente, iremos discutir pers de estrategia na qual ape-
nas a estrategia de um unico jogador gi G ir
a variar, enquanto que
as estrategias de seus oponentes permanecerao xas. Denote por
i i
i i
aal
i i
2017/2/2
page 204
i i
para todo si Si .
Deni
c
ao 7.2 (em estrat
egias puras)
(a) (Domina ncia Estrita Iterada) Domin ancia estrita ite-
rada e o processo no qual, sequencialmente, se eliminam as
estrategias que sao estritamente dominadas.
(b) (Equilbrio de Estrat egia Estritamente Dominan-
te) Quando o processo de dominancia estrita iterada reduz
o jogo para um u nico perl de estrategias puras s , dizemos
que s e um equilbrio de estrategia estritamente dominante.
g2
s21 s22 s23 s24
s11 (5, 2) (2, 6) (1, 4) (0, 4)
i i
i i
aal
i i
2017/2/2
page 205
i i
i i
i i
aal
i i
2017/2/2
page 206
i i
u1 |S (1) e u2 |S (1) .
1 2
Para o novo jogo, vemos que as estrategias s11 e s14 sao estritamente
dominadas pelas estrategias s12 e s13 , respectivamente. Logo, pode-
mos simplicar o jogo mais uma vez, considerando os conjuntos de
estrategias puras
(2) (2)
S1 = {s12 , s13 } e S2 = {s22 , s23 , s24 }.
i i
i i
aal
i i
2017/2/2
page 207
i i
Deni
c
ao 7.4
(a) (Domina ncia Fraca Iterada) Domin ancia fraca iterada
e o processo no qual, sequencialmente, se eliminam as es-
trategias que sao fracamente dominadas.
(b) (Equilbrio de Estrat egia Fracamente Dominante)
Quando o processo de dominancia fraca iterada reduz o jogo
para um unico perl de estrategias puras s , dizemos que
s e um equilbrio de estrategia fracamente dominante.
i i
i i
aal
i i
2017/2/2
page 208
i i
g2
s21 s22
s11 (1, 1) (1, 0) .
g1
s12 (1, 0) (0, 1)
g2
s21 s22
.
g1 s11 (1, 1) (1, 0)
g2
s21 s22 s23
s11 (0, 2) (0, 0) (1, 0) .
g1
s12 (0, 3) (1, 0) (0, 0)
i i
i i
aal
i i
2017/2/2
page 209
i i
e um equilbrio de Nash se
ui (si , si ) ui (siji , si )
Exemplo 7.5
(a) No dilema do prisioneiro (Exemplo 7.1), o perl de estrategias
(confessar, confessar) e um equilbrio de Nash. De fato:
uAl (confessar, confessar) = 5 > 10 = uAl (negar, confessar)
e
uBob (confessar, confessar) = 5 > 10 = uBob (confessar, negar).
Estas desigualdades mostram que, para o perl de estrategias
(confessar, confessar), um prisioneiro n
ao se sente motivado a
i i
i i
aal
i i
2017/2/2
page 210
i i
i i
i i
aal
i i
2017/2/2
page 211
i i
MRi : Si 2Si
denida por
MR : S 2S
denida por
i i
i i
aal
i i
2017/2/2
page 212
i i
Exemplo 7.7
(a) No dilema do prisioneiro (Exemplo 7.1), temos
MRAl : SBob SAl
confessar {confessar}
negar {confessar}
i i
i i
aal
i i
2017/2/2
page 213
i i
[SEC. 7.3: ESTRATEGIAS MISTAS 213
7.3 Estrat
egias mistas
Como vimos no jogo de comparar moedas do Exemplo 7.6, existem
jogos que nao possuem equilbrios de Nash em estrategias puras. Uma
alternativa para estes casos e a de considerar o jogo do ponto de vista
probabilstico, isto e, ao inves de escolher um perl de estrategias
puras, o jogador deve escolher uma distribuic ao de probabilidade sobre
suas estrategias puras.
Uma estrategia mista pi para o jogador gi G e uma distribuicao
de probabilidades sobre o conjunto Si de estrategias puras do jogador,
isto e, pi e um elemento do conjunto
mi
9
mi
mi = (x1 , . . . , xmi ) R | x1 0, . . . , xmi 0 e xk = 1 .
k=1
i i
i i
aal
i i
2017/2/2
page 214
i i
x2
1
0 1 x1
: ;
Figura 7.1: 2 = (x1 , x2 ) R2 | x1 0, x2 0 e x1 + x2 = 1 .
(pi , pi )
i i
i i
aal
i i
2017/2/2
page 215
i i
[SEC. 7.3: ESTRATEGIAS MISTAS 215
x3
0 1 x2
1
x1
:
Figura 7.2: 3 = (x1 , x2 , x3 ) R3 | x1 0, x2 0, x3 0 e x1 +
x2 + x3 = 1}.
(sik , pi )
(pi , si )
i i
i i
aal
i i
2017/2/2
page 216
i i
samente, se
p = (p1 , p2 , . . . , pn )
= (p11 , p12 , . . . , p1m1 ; p21 , p22 , . . . , p2m2 ; . . . ; pn1 , pn2 , . . . , pnmn ),
" #$ % " #$ % " #$ %
p1 p2 pn
entao
m1
m2 mn
ui (p) = p1j1 p2j2 pnjn ui (s1j1 , s2j2 , . . . , snjn ).
j1 =1 j2 =1 jn =1
(7.1)
Cuidado com o abuso de notacao: estamos usando ui para representar
a funcao utilidade tanto em estrategias puras quanto em estrategias
mistas.
Como exemplo, considere o jogo de comparar moedas na pagi-
na 210. Se g1 escolhe a distribuicao de probabilidade p1 = (1/4, 3/4)
e g2 escolhe a distribuicao de probabilidade p2 = (1/3, 2/3), entao
os payos esperados associados ao perl de estrategias mistas p =
(p1 , p2 ) = (1/4, 3/4; 1/3, 2/3) sao dados por
2
2
u1 (p) = p1j1 p2j2 u1 (s1j1 , s2j2 )
j1 =1 j2 =1
= p11 p21 u1 (s11 , s21 ) + p11 p22 u1 (s11 , s22 ) +
p12 p21 u1 (s12 , s21 ) + p12 p22 u1 (s12 , s22 )
1 1 1 2 3 1 3 2
= (+1) + (1) + (1) + (+1)
4 3 4 3 4 3 4 3
1
= +
6
e, analogamente,
2
2
u2 (p) = p1j1 p2j2 u2 (s1j1 , s2j2 )
j1 =1 j2 =1
= p11 p21 u2 (s11 , s21 ) + p11 p22 u2 (s11 , s22 ) +
p12 p21 u2 (s12 , s21 ) + p12 p22 u2 (s12 , s22 )
i i
i i
aal
i i
2017/2/2
page 217
i i
1 1 1 2 3 1 3 2
= (1) + (+1) + (+1) + (1)
4 3 4 3 4 3 4 3
1
= .
6
7.4 Solu
c
oes de um jogo em estrat
egias
mistas
Todos os criterios b
asicos para solucoes de jogos em estrategias
puras podem ser estendidos para estrategias mistas.
Domin
ancia em estrat
egias mistas
i i
i i
aal
i i
2017/2/2
page 218
i i
g2
s21 s22
s11 (5, 3) (0, 0)
.
g1 s12 (0, 0) (5, 3)
!
>
(n) (n1)
Si = {s Si | pi (n1)
mi tal que
(n1)
si Si , ui (pi , si ) > ui (s, si )}
i i
i i
aal
i i
2017/2/2
page 219
i i
A intersecao
Si =
(n)
Si
n=0
mi = {pi mi | pi mi
S = {s },
i i
i i
aal
i i
2017/2/2
page 220
i i
p = (p1 , p2 , . . . , pn ) = m1 m2 mn
e um equilbrio de Nash se
ui (pi , pi ) ui (p, pi )
Exemplo 7.9
(a) No dilema do prisioneiro (Exemplo 7.1), o perl de estrategias
mistas
p = (p1 , p2 ) = (1, 0; 1, 0)
e um equilbrio de Nash, pois
s = (confessar, confessar).
i i
i i
aal
i i
2017/2/2
page 221
i i
i i
i i
aal
i i
2017/2/2
page 222
i i
MRi (pi )
=
{pi (Si ) | pi (Si ), ui (pi , pi ) ui (pi , pi )},
com p .
i i
i i
aal
i i
2017/2/2
page 223
i i
e, portanto, uHomem (p11 , p12 ; 1/2, 1/2) = 5 p11 + (5/2) p12 . Desta
maneira,
2 = {(p, 1 p) R2 | 0 p 1},
i i
i i
aal
i i
2017/2/2
page 224
i i
uMulher(p, 1 p; q, 1 q) = 15 pq + 10 10 q 10 p
= 5 (3 p 2) q + 10 (1 p).
Sendo assim,
Esta func
ao de melhor resposta pode ser representada gracamente,
como mostra a Figura 7.3.
Do mesmo modo, se a mulher escolhe uma estrategia mista (q, 1q)
2 , ent
ao
uHomem (p, 1 p; q, 1 q) = 15 pq + 5 5 q 5 p
= 5 (3 q 1) p + 5 (1 q),
de modo que
i i
i i
aal
i i
2017/2/2
page 225
i i
(Mulher) q
(Futebol) 1
(Cinema)
0 2/3 1 p (Homem)
(Cinema) (Futebol)
i i
i i
aal
i i
2017/2/2
page 226
i i
(Homem) p
(Futebol) 1
(Cinema)
0 1/3 1 q (Mulher)
(Cinema) (Futebol)
i i
i i
aal
i i
2017/2/2
page 227
i i
(Mulher) q
(Futebol) 1
1/3
(Cinema)
0 2/3 1 p (Homem)
(Cinema) (Futebol)
i i
i i
aal
i i
2017/2/2
page 228
i i
jogador coluna
1 2 n
1 (a11 , b11 ) (a12 , b12 ) (a1n , b1n )
jogador linha
i i
i i
aal
i i
2017/2/2
page 229
i i
isto e,
a11 a12 a1n
a21 a22 a2n
ul (p, q) = pT Aq, com A = .. .. .. .. .
. . . .
am1 am2 amn
i i
i i
aal
i i
2017/2/2
page 230
i i
isto e,
c c c 1 1 1
c c c 1 1 1
A+B = C = .. .. .. .. = c .. .. .. .. = c 1 ,
. . . . . . . .
c c c 1 1 1
i i
i i
aal
i i
2017/2/2
page 231
i i
payoff
has
Colunas Lin
Demonstrac
ao:
() Seja aij um ponto de sela da matriz A. Como aij e maximo
em sua coluna, vale que
i i
i i
aal
i i
2017/2/2
page 232
i i
Demonstrac
ao: Considere a matriz
.. ..
. .
aij ais
.. .. ..
A= . . . .
arj ars
.. ..
. .
Como aij e ars sao pontos de sela, sabemos que eles s ao mnimos
em suas respectivas linhas e m
aximos em suas respectivas colunas.
Assim,
aij ais ars e aij arj ars ,
e, portanto,
aij = ais = arj = ars .
Observe que ais e mnimo em sua linha, pois aij = ais e mnimo
da mesma linha e que ais e maximo em sua coluna, pois ars = ais
e maximo da mesma coluna. Analogamente, arj e mnimo em sua
linha, pois ars = arj e mnimo da mesma linha e arj e maximo em
i i
i i
aal
i i
2017/2/2
page 233
i i
al = max akl .
1km
Dena
vl (A) = max ak = max min akl
1km 1km 1ln
e
vc (A) = min al = min max akl .
1ln 1ln 1km
Demonstraca
o: Temos que para todo k = 1, . . . , m e j = 1, . . . , n,
akj min akl .
1ln
Assim,
max akj max min akl = vl (A),
1km 1km 1ln
i i
i i
aal
i i
2017/2/2
page 234
i i
Demonstrac ao:
() Se aij e um ponto de sela da matriz A, entao vale que
aij = min1ln ail = ai . Como vl (A) = max1km ak , e claro que
vl (A) ai = aij . Por outro lado, aij = max1km akj = aj . Como
vc (A) = min1ln al , segue-se que vc (A) aj = aij . Combinando
estas duas desigualdades, conclumos que vc (A) aij vl (A). Mas,
pelo teorema anterior, vc (A) vl (A) e, sendo assim, vc (A) = vl (A).
() Como vl (A) = max1rm ar , existe uma linha i tal que
vl (A) = ai . Como, por sua vez, ai = min1sn ais , existe uma co-
luna l tal que ai = ail . Assim, vl (A) = ai = ail . Analogamente, como
vc (A) = min1sn as , existe uma coluna j tal que vc (A) = aj . Como,
por sua vez, aj = max1rm arj , existe uma linha k tal que aj = akj .
Assim, vc (A) = aj = akj . Uma vez que, por hipotese, vl (A) = vc (A),
temos que
ail = ai = vl (A) = vc (A) = aj = akj .
vl (A) = vc (A).
i i
i i
aal
i i
2017/2/2
page 235
i i
Como vl (A) = m
aximo dos mnimos das linhas = 1 = vc (A) = mnimo
dos maximos das colunas, segue-se que o jogo possui um equilbrio
de Nash em estrategias puras. De fato, a42 e um ponto de sela da
matriz A.
i i
i i
aal
i i
2017/2/2
page 236
i i
Assim,
max pT Aq max min pT Ay = vl (A).
pm pm yn
Conseq
uentemente,
vc (A) = min max pT Aq max min pT Ay = vl (A).
qn pm pm yn
O pr
oximo teorema caracteriza a existencia de equilbrios de Nash
em estrategias mistas em termos das funcoes vl e vc .
Demonstrac
ao:
() Se (p , q ) e um equilbrio de Nash, entao
pT Aq = ul (p , q ) ul (p, q ) = pT Aq ,
para todo p m . Em particular,
pT Aq = max pT Aq min max pT Ay = vc (A).
pm yn pm
i i
i i
aal
i i
2017/2/2
page 237
i i
ul (p , q ) = pT Aq min pT Aq =
qn
max pT Aq xT Aq = ul (x, q ),
pm
uc (p , q ) = c pT Aq c max pT Aq =
pm
c min pT Aq c pT Ay = uc (p , y),
qn
i i
i i
aal
i i
2017/2/2
page 238
i i
=
pT Aq
=
min max pT Aq = vc (A).
qn pm
(problema primal)
maximizar bT y
sujeito a Ay c,
y 0,
(problema dual)
minimizar cT x
sujeito a x A bT ,
T
x 0.
i i
i i
aal
i i
2017/2/2
page 239
i i
y 0, x 0.
Passo 1: o problema dual possui uma solucao.
Como A > 0, o conjunto admissvel
X = {x Rm | xT A bT e x 0}
e nao vazio. Por outro lado, como c = (1, 1, . . . , 1)T , a funcao ob-
jetivo do problema e escrita como x = (x1 , x2 , . . . , xm ) cT x =
x1 + x2 + + xm . Assim, o problema dual consiste em encontrar o
ponto do conjunto X mais pr oximo da origem segundo a norma da
soma || ||1 , um problema que certamente possui uma solucao pois,
se p X, entao podemos compacticar o conjunto admissvel in-
cluindo a restricao ||x||1 ||p||1 e, com isso, podemos usar o teorema
de Weierstrass para garantir a existencia de um mnimo.
i i
i i
aal
i i
2017/2/2
page 240
i i
cT x = (x )T Ay = bT y .
e
m
n
yj bT y
qj = = = = 1.
j=1 j=1
uc (p , q ) = pT Aq pT Aq = uc (p , q)
ul (p , q ) = pT Aq pT Aq = ul (p, q ),
i i
i i
aal
i i
2017/2/2
page 241
i i
isto e,
(problema primal) (problema dual)
maximizar y1 + y2 minimizar x1 + x2
sujeito a 17y1 + 14y2 20, sujeito a 7x1 + 12x2 20,
6y1 + 9y2 10, 7x1 + 9x2 10,
y1 0, x1 0,
y2 0, x2 0.
i i
i i
aal
i i
2017/2/2
page 242
i i
30
= x1 + x2 = y1 + y2 = .
23
x2
30/23
10/23
0 20/23 30/23 x1
7.7 Exerccios
[01] Use o processo de dominancia estrita iterada para reduzir o jogo
cuja matriz de payos e dada abaixo.
i i
i i
aal
i i
2017/2/2
page 243
i i
y1
30/23
50/69
0 40/69 30/23 y1
g2
s21 s22 s23 s24
s11 (3, 0) (1, 1) (5, 4) (0, 2)
C
c1 c2
l1 (3, 3) (0, 1)
L
l2 (1, 1) (2, 3)
Pede-se:
i i
i i
aal
i i
2017/2/2
page 244
i i
C
c1 c2
l1 (3, 2) (4, 4)
L
l2 (1, 1) (9, 2)
determine:
(a) Se algum jogador possui alguma estrategia dominante.
(b) Quantos equilbrios de Nash em estrategias puras existem.
[04] Considere um jogo com tres jogadores: A, B e C. As estrategias
do jogador A s ao {x1 , x2 , x3 }, as estrategias do jogador B sao
{y1 , y2 } e as estrategias do jogador C sao {z1 , z2 , z3 , z4 }. Se
o jogador B escolhe a estrategia y1 , os payos sao dados pela
matriz
C
z1 z2 z3 z4
x1 (5, 0, 2) (1, 0, 1) (3, 0, 6) (1, 2, 1)
i i
i i
aal
i i
2017/2/2
page 245
i i
C
z1 z2 z3 z4
x1 (0, 1, 1) (0, 1, 2) (2, 1, 3) (0, 3, 9)
C
z1 z2 z3 z4
x1 (1, 2, 9) (2, 9, 9) (3, 7, 9) (2, 8, 9)
C
z1 z2 z3 z4
x1 (2, 1, 9) (3, 9, 9) (2, 9, 9) (1, 9, 9)
i i
i i
aal
i i
2017/2/2
page 246
i i
C
z1 z2 z3 z4
x1 (1, 2, 1) (2, 3, 1) (1, 0, 2) (1, 4, 1)
C
z1 z2 z3 z4
x1 (0, 0, 0) (1, 2, 3) (1, 3, 0) (1, 1, 1)
i i
i i
aal
i i
2017/2/2
page 247
i i
1 3 2 5 3
i i
i i
aal
i i
2017/2/2
page 248
i i
Ap
endice A
Respostas de Exerccios
Selecionados
Captulo 1
248
i i
i i
aal
i i
2017/2/2
page 249
i i
249
1 , . . . , v
{v1 , . . . , vr , v s } e B2 = {v1 , . . . , vr , v
/1 , . . . , v
/t }. Se mos-
tramos que
1 , . . . , v
A = {v1 , . . . , vr , v s, v
/1 , . . . , v
/t }
Sendo assim,
r
s
t
w = w1 + w2 = (i + i )vi + j +
j v
/k v
/k [A].
i=1 j=1 k=1
j ,
Vamos agora mostrar que A e LI. Sejam i , /k K tais que
r
s
t
i vi + j +
j v /k = 0.
/k v
i=1 j=1 k=1
Logo,
r
s
t
i vi + j =
j v /k .
/k v
i=1 j=1 k=1
Mas ri=1 i vi + sj=1 j e um vetor de W1 e tk=1
j v /k
/k v
r s
e um vetor de W2 . Assim, i=1 i vi + j=1 j W1 W2 .
j v
Dado que B gera W1 W2 , temos que
r
s
r
i vi + j =
j v i v i ,
i=1 j=1 i=1
i i
i i
aal
i i
2017/2/2
page 250
i i
1 = =
s = 0.
Logo,
r
s
t
r
t
i vi + j +
j v /k = 0
/k v i vi + /k = 0.
/k v
i=1 j=1 k=1 i=1 k=1
1 = = r =
/1 = =
/t = 0.
Captulo 2
[08] O item (h) e verdadeiro. Demonstracao: sem perda de gene-
ralidade, podemos supor que o conjunto {T(u1 ), . . . , T(uk )} e
LI e, portanto, uma base de U . Assim, dimK (U ) = k e, pelo
item (d) (que e verdadeiro), {u1 , . . . , uk } tambem e LI. Como,
#{u1 , . . . , uk } = k, segue-se que {u1 , . . . , uk } tambem e uma
base de U . Em particular, [u1 , . . . , uk ] = U .
O item ( i ) e falso. Como contra-exemplo, considere U = V =
R2 , u1 = (1, 0), u2 = (0, 1) e T(x, y) = (0, 0).
[11] O item (c) e falso. Como contra-exemplo, considere n = 2,
S(x, y) = (x, 0) e T(x, y) = (0, y). Temos que dimR (Im(S)) =
dimR (Im(T)) = 1, mas dimR (Im(S T)) = dimR (Im(T S)) =
0 = 1 = dimR (Im(S)).
[12] O item (a) e falso. Contra-exemplo: U = R , T(x1 , x2 , . . .) =
(0, x1 , x2 , x3 , . . .) e S(x1 , x2 , . . .) = (x2 , x3 , x4 , . . .).
[13] (a) V.
(b) F. Contra-exemplo: U = R2 , V = R2 , W = {(0, 0)},
T(x, y) = (x, 0) e S(x, y) = (0, 0).
(c) F. Contra-exemplo: U = [(1, 0)], V = R2 , W = R2 , T(x, 0) =
(x, 0) e S(x, y) = (x, 0).
i i
i i
aal
i i
2017/2/2
page 251
i i
251
(d) V.
Observacao: para a segunda parte, a hip otese de que U =
V = W tenha dimensao nita e importante. De fato: consi-
dere U = V = W = R , T(x1 , x2 , . . .) = (0, x1 , x2 , x3 , . . .) e
S(x1 , x2 , . . .) = (x2 , x3 , x4 , . . .). Note que S T = IdR e sobre-
jetiva, mas T n ao e sobrejetiva. Do mesmo modo, S T = IdR
e injetiva, mas S nao e injetiva.
[18] Um vetor v em C(AB) e da forma ABx para algum vetor x.
Como v = ABx = A(Bx), conclumos que v C(A). Assim
C(AB) C(A). Logo,
Ent
ao, pelo Exerccio [18],
& '
rank(A + B) rank X U .
i i
i i
aal
i i
2017/2/2
page 252
i i
Captulo 3
1 0
1 0 0 =
[02] (a) Tome A = ao B = 0 1 e B
. Ent
0 1 0
2 3
1 0
0 1 s
ao duas inversas a` direita de A.
2 3
(b) Suponha que exista uma matriz B tal que AB = I, todas
de tamanho n n. Isto signica que as colunas da matriz
identidade se escrevem como combinacao linear das colunas
da matriz A, sendo os coecientes dados pelas entradas da
matriz B:
AC = ABA AI + AB = IA A + I = I.
i i
i i
aal
i i
2017/2/2
page 253
i i
253
i i
i i
aal
i i
2017/2/2
page 254
i i
Captulo 4
[04] Basta usar a desigualdade de Schwarz com os vetores
u = ( a1 , a2 , a3 ) e v = (1/ a1 , 1/ a2 , 1/ a3 ).
i i
i i
aal
i i
2017/2/2
page 255
i i
255
P2 = PT PPT P = PT PT PT P = PT PT P = PT P = P.
U coin-
Os funcionais lineares u T(u), vV e u u, u
cidem em uma base de U . Logo, eles coincidem sempre.
1 e u
Para a unicidade, considere dois vetores u 2 tais que
1 U = u, u
T(u), vV = u, u 2 U
1 u
para todo u U . Em particular, u, u 2 U = 0, para
todo u U . Escolhendo u = u 1 u 2 , conclumos que
1 u
u 2 = 0, isto e, u
1 = u
2.
i i
i i
aal
i i
2017/2/2
page 256
i i
maneira u
nica, como soma de uma funcao par com uma funcao
mpar: f = fP + fI . Agora, para todo g W ,
1
f, g = 0 f (x) g(x) dx = 0
1
1
(fP (x) + fI (x)) g(x) dx = 0
1
1 1
fP (x) g(x) dx + fI (x) g(x) dx = 0
1 1
1
fI (x) g(x) dx = 0.
1
g(x) = f, g1 g1 (x) + f, g2 g2 (x) + f, g3 g3 (x)
= 1 2 sen(x).
i i
i i
aal
i i
2017/2/2
page 257
i i
257
n
[25] Seja v B . Como B e uma base de V , v = i=1 i vi . Assim:
5 n 6 n
||v||2 = v, v = i vi , v = i vi , v = 0.
" #$ %
i=1 i=1
=0
Desta maneira, v = 0.
[27] Como dimR (R(A)) = dimR (C(A)), basta mostrar que T e so-
brejetiva. Seja y C(A). Existe x Rn tal que Ax = y.
Pelo Teorema Fundamental da Algebra Linear, Rn = Ker(A)
R(A). Assim, existem u nicos xK Ker(A) e xR R(A)
tais que x = xK + xR . Como Ax = AxR , conclumos que
T(xR ) = AxR = y.
Captulo 5
[01] Observe que
i i
i i
aal
i i
2017/2/2
page 258
i i
entao
Drr 0r(mr)
T = .
0(nr)r 0(nr)(mr)
Isto mostra que A e AT possuem os mesmos valores singulares.
Observacao: se A e uma matriz 2n, entao AAT e apenas 22
e seus autovalores sao mais faceis de se calcular manualmente
do que os autovalores de AT A.
[08] Considere
1 0 0 1 0 0
U() = 0 + cos() sen() , = 0 0 0 e
0 + sen() + cos() 0 0 0
1 0 0
V = 0 1 0 .
0 0 1
i i
i i
aal
i i
2017/2/2
page 259
i i
259
Portanto,
n
ABT = ak bTk .
k=1
T
[14] Seja A = UV a SVD de A. Ent
ao:
(AT A)1 AT = (VT UT UT VT )1 VUT
= (VD2 VT )1 VT UT
= V(D2 )+ VT VT UT
= V+ UT = A+ .
i i
i i
aal
i i
2017/2/2
page 260
i i
Captulo 7
[01] O processo de dominancia estrita iterada reduz o jogo para uma
matriz 11 com um u nico perl de estrategias puras: (s13 , s22 ).
Assim:
(problema primal)
i i
i i
aal
i i
2017/2/2
page 261
i i
261
maximizar y1 + y2
sujeito a 3 y1 + y2 1,
y1 + 3 y2 1,
y1 0,
y2 0,
(problema dual)
minimizar x1 + x2
sujeito a 3 x1 + x2 1,
x1 + 3 x2 1,
x1 0,
x2 0.
(p , 1 p ; q , 1 q )
i i
i i
aal
i i
2017/2/2
page 262
i i
i i
i i
aal
i i
2017/2/2
page 263
i i
263
v*
5 Coluna 2
3
v*
*{
=
8p
{7
=
p*
v*
+
v* = 5
2 Coluna 3
1 {2p p*
{
*+ =3
1 v*
0 1 p*
{1 Coluna 1
{2 Coluna 4
{3
isto e,
v 2 p + 1,
v 8 p 3,
(A.1)
v
3 p 2,
v 7 p + 5.
oes ans v = 2 p + 1, v = 8 p 3, v = 3 p 2
As func
e v = 3 p 2 representam os ganhos medios do jogador linha
i i
i i
aal
i i
2017/2/2
page 264
i i
min ul (p , el ) = ul (p , el )
1ln
e
max (uc (ek , q )) = uc (ek , q ),
1km
i i
i i
aal
i i
2017/2/2
page 265
i i
265
Estas equac
oes podem ser escritas usando-se matrizes da se-
guinte maneira: Aq = v . Como, por hipotese, A e uma
matriz inversvel, segue-se que q = v A1 . Agora,
n
1
qj = 1 1 = T q = v T A v = .
j=1
T A1
Sendo assim,
A1
q =
.
T A1
Do mesmo modo, pelas relacoes ??,
n
pi aij = v , j {1, . . . , n}.
i=1
i i
i i
aal
i i
2017/2/2
page 266
i i
Estas equac
oes podem ser escritas usando-se matrizes da se-
guinte maneira: pT Aq = v . Como, por hipotese, A e uma
matriz inversvel, segue-se que p = v A1 e, assim,
A1
p = .
T A1
i i
i i
aal
i i
2017/2/2
page 267
i i
Referencias
Bibliogr
aficas
[02] Bortolossi, H. J. C
alculo Diferencial a V
arias Vari
aveis: Uma
Introduc
ao `
a Teoria de Otimizac
ao. Editora PUC-Rio, Edicoes
Loyola, 2002.
267
i i
i i
aal
i i
2017/2/2
page 268
i i
268
REFERENCIAS
BIBLIOGRAFICAS
i i
i i
aal
i i
2017/2/2
page 269
i i
Indice
269
i i
i i
aal
i i
2017/2/2
page 270
i i
270 INDICE
Forma
LDU, decomposicao, 85
normal, 200
Linearmente
padrao de um PL, 169
dependente, 13
Fredholm, alternativa, 141
independente, 13
Func
ao
LU, decomposicao, 57
de melhor reposta, 211
objetivo de um PL, 169
utilidade, 200 Metodo de Newton, 82
esperada, 215 Matriz
companheira, 139
Ganho, 199 de Householder, 124
Givens, rotacoes de, 128 de permutacao, 74
Gram-Schmidt, processo de or- de permutacao elementar,
tonormalizac ao, 107 73
de rotacao, 30
Hessiana, matriz, 87 de uma transformacao li-
Homotetia, 49 near, 36
Householder, transformacao de, estritamente diagonal do-
124, 136 minante, 80
hessiana, 87
Identidade de polarizacao, 113
jacobiana, 84
Imagem, 32
menor, 62
Integral, 28
menor principal de uma,
Intersecao de subespacos, 8
63
Isomorsmo, 34
menor principal lder de uma,
Jacobiana, matriz, 84 63
Jogo ortogonal, 112
a batalha dos sexos, 202 positiva denida, 86
comparar moedas, 210 positiva semidenida, 144
de soma zero, 228 triangular inferior, 52
2 2, 247 triangular superior, 52
2 n, 264 Matriz de payos, 201
matriz inversvel, 247 Melhor resposta, 211
estrategico, 200 Menor, 62
na forma normal, 200 principal, 63
n
ao-cooperativo, 200 principal lder, 63
i i
i i
aal
i i
2017/2/2
page 271
i i
INDICE 271
i i
i i
aal
i i
2017/2/2
page 272
i i
272 INDICE
esperada, 215
i i
i i