← Back
ExercisesBy topic

Chapter 7

Study material for Algebra Linear, shared by the Studwiz community and reviewed by moderators.

Algebra LinearBy topic

Document information

What's included in this study material

Study material for Algebra Linear, shared by the Studwiz community and reviewed by moderators.

Import quality: text was extracted directly from the original document.

Extracted content from the document

Representative passages recognised in different parts of the material. The full extracted text remains available to search, while this compact preview makes the page easier to read.

Page 1

7 Resolução dos problemas do Capı́tulo 7 /LEAer/sem 1 2022/2023 " # 2 −1 √ 7.1. (a) Seja A = . Verifique que A é definida positiva e calcule A−1 . −1 2 v  u u 2 0 1 u (b) Calcule u t 0 3 0 .  1 0 2 (a) A matriz A é simétrica e os seus valores próprios são 1 e 3 (ambos positivos). Portanto A é definida positiva. √ √ Por outro lado {(1, 1)} é uma base de E(1) e {(1, −1)} é uma base de E(3). Logo {( 22 , 22 )} é uma base o.n. √ √ de E(1) e {( 22 , − 22 )} é uma base o.n. de E(3). Assim D = QT AQ cujas colunas de Q são estes vectores ortonormados e D é a matriz diagonal correspondente aos valores próprios, isto é " # "√ √ # "√ √ # 2 2 2 2 1 0 T D= , Q = √22 2√ e Q = √2 2√ . 0 3 2 − 22 2 2 − 22 Assim "√ √ #" # "√ √ # " √ √ # √ √ 2 2 1 0 2 2 1 3+ 3 3− 3 − 12 A = A−1 = Q D−1 QT = √2 2 2√ √ √2 2√ = √ √ . 2 − 22 0 3 3 2 2 − 22 6 3− 3 3+ 3   2 0 1   (b) Seja A =  0 3 0 . Ora pA (λ) = −(λ − 1)(λ − 3)2 . Portanto a matriz A é definida positiva. Uma base   1 0 2 para E(1) é {(−1, 0, 1)} e {(0, 1, 0), (1, 0, 1)} é uma base de E(3). Estas bases já são bases ortogonais, pelo que:     − √12 0 √12 1 0 0 − √12 0 √12 √ √ √ A = Q DQT =       0 1 0   0 3 0   = ...   0 1 0  √   √1 0 √12 0 0 3 √1 0 √12 2 2 7.2. Encontre uma decomposição SVD das seguintes matrizes   1 −1 " # " # 1 0 1 2 −1 A =  0 1 , B = e C= .   −1 1 0 2 2 1 0   1 −1   Vamos obter uma decomposição SVD da matriz A =   0 . 1  1 0 Neste caso m = 3 e n = 2. Ora,   " # 1 −1 " # T 1 0 1   2 −1 A A=  0 = 1  −1 1 0  −1 2 1 0 cujos valores póprios são λ1 = 3 e λ2 = 1. Assim, (1, −1) é um vector próprio de AT A associado a λ1 e (1, 1) é √ √ √ √ um vector próprio de AT A associado a λ2 . Portanto v1 = ( 22 , − 22 ) e v2 = ( 22 , 22 ) e

Page 2

" √ √ # 2 2 2√ √2 V = . − 22 2 2 √ Os valores singulares de A são σ1 = 3 e σ2 = 1 (note que car(A) = 2 e m = 3) pelo que a matriz Σ é  √  3 0   Σ=  0 1 .  0 0 Falta determinar uma tal matriz ortogonal U do tipo 3 × 3. Ora  √    6 3√ 0  √  σ1−1 Av1 =  e σ2−1 Av2 =    6  2   − 6  √  2 . √ 6 2 6 2 √ √ √ Por outro lado {( 33 , 33 , − 33 )} é uma base ortonormal de N (AT ). Logo  √ √  6 3 3√ 0  √ √3  U = 6 2 3 .  − 6 √ √2 3√  6 2 3 2 − 33 Portanto  √ √   √  6 3 √ √ 3√ 0 3 0 " #T √ √3 2 2 A = U ΣV T =  2√ √2     6 2 3 .  −√ 6   0 1  √2 3√    − 22 2 6 2 3 2 3 2 − 3 0 0 Relativamnte à matriz B, note que como B = AT , podemos aproveitar a decomposição SVD de A (ver o próximo exº), tendo-se  √ √ T √ √ # " √ 6 3 " # 3√ 0 2 2 3 0 0 √ √3 2√ √2   B=  − 6 2 3  . − 22 2 0 1 0  √6 √2 3√  2 6 2 3 2 − 33 Finalmente, sobre a matriz C, pretendemos determinar a decomposição SVD C = U ΣV T . Começamos, em primieiro lugar, calcular " #T " # " # T 2 −1 2 −1 8 2 C C= = , 2 2 2 2 2 5 pelo que λ1 = 9 e λ2 = 4 são os valores próprios de C T C. Donde os valores singulares de C são " # " # p p σ1 0 3 0 σ1 = λ1 = 3, σ1 = λ2 = 2, logo Σ = = . 0 σ2 0 2 Em segundo lugar, vamos ortogonalizar a matriz C T C, isto é, determinatr " uma matriz ortogonal V tal que # −1 2 C T C = V DV T . Note então que {(2, 1)} é uma base de E(λ1 ) = N enquanto que {(1, −2)} é uma 2 −4 2

Page 3

" # 4 2 base de E(λ2 ) = N , pelo que (normalizando) temos 2 1 " √ √ # 2 5 5 V = √5 5√ . 5 5 −255 Em terceira lugar, vamos determinar a matriz ortogonal U (cujas colunas são u1 e u2 ) efectuando as multiplicações " #" √ # " √ # " #" √ # " √ # 2 5 5 5 2 5 1 1 2 −1 1 1 2 −1 u1 = Cv1 = √5 = 5 √ , u2 = Cv2 = 5√ = 5√ 5 2 5 σ1 3 2 2 5 5 σ2 2 2 2 −255 − 55 pelo que " √ √ # 5 2 5 5 5√ U= √ 2 5 . 5 − 55 Em quarto lugar N (AT ) = {(0, 0)} (facto que pode ser confirmado por U ser 2 × 2 e já termos essas colunas, não havendo nada que venha de N (AT )!). Finalmente " √ √ #" #" √ √ #T 5 2 5 2 5 5 T 5 5 3 0 C = U ΣV = √ √ √5 5√ . 2 5 − 5 5 5 5 0 2 5 −255 7.3. Seja A = U ΣV T uma decomposição SVD de A. Encontre uma decomposição SVD da matriz AT . Se A = U ΣV T é uma decomposição SVD de A, então AT = (U ΣV T )T = V ΣT U T . Logo AT = V ΣT U T que é uma decomposição SVD da matriz AT pois as 3 matrizes envolvidas satisfazem as propriedades requeridas. 3

Preview

First page of the document.

First page: Chapter 7