Fatoração Ortogonal

Página Inicial
ESPAÇOS VETORIAIS
Espaços Vetoriais
Subespaços Vetoriais
Combinação Linear
Subespaços Gerados
Intersecção de Subespaços
Soma de Subespaços
Dependência Linear
Base e Dimensão
Mudança de Base

TRANSFORMAÇÕES LINEARES
Transformações Lineares
Núcleo e Imagem
Teorema do Núcleo e da Imagem
Isomorfismo e Automorfismo
Álgebra das Transformações Lineares
Matriz de uma Transformação

AUTOVALORES E AUTOVETORES
Autovalores e Autovetores
Polinômio Característico
Diagonalização

ESPAÇOS COM PRODUTO INTERNO
Produto Interno
Norma e Distância
Ortogonalidade

DETERMINANTES
Determinantes
Propriedades do Determinante
Cálculo de Determinantes

SISTEMAS LINEARES
Sistemas Lineares
Operações Elementares
Sistemas Triangulares
Eliminação Gaussiana

FATORAÇÕES MATRICIAIS
Fatoração LU
Fatoração de Cholesky
Fatoração Ortogonal
Fatoração QR - Processo de Gram-Schmidt
Fatoração QR - Transformações de Householder

QUADRADOS MÍNIMOS
Método de Quadrados Mínimos
Ajuste de Curvas
Problemas Aplicados

 OUTRAS APLICAÇÕES
Curvas e Superfícies por Pontos Especificados
Criptografia
Jogos de Estratégia
Classificação de Cônicas


Seja ARn×RnA \in R^n \times R^n uma matriz. A fatoração ortogonal de AA consiste em se obter uma matriz QRn×RnQ \in R^n \times R^n ortogonal e uma matriz RRn×RnR \in R^n \times R^n triangular superior, tais que:

A=QRA = QR
A fatoração QR também pode ser utilizada na resolução de sistemas lineares. Se AA for a matriz dos coeficientes do sistema Ax=bAx = b, então:

Ax=b(QR)x=bQtQRx=QtbRx=QtbAx = b \Leftrightarrow (QR)x = b \Leftrightarrow Q^tQRx = Q^tb \Leftrightarrow Rx = Q^tb
uma vez que QtQ=InQ^tQ = I_n, pois QQ é ortogonal.

A vantagem deste processo sobre a fatoração LU é que este é mais estável numericamente devido a ortogonalidade da matriz QQ. Temos que A=QRQtA=RA = QR \Leftrightarrow Q^tA = RQtb=b¯Q^tb = \bar{b} e sabemos que Qx=x\left\| Qx \right\| = \left\| x \right\|, para todo xRnx \in R^n, isto é, a multiplicação de uma matriz ou vetor por uma matriz ortogonal não altera o tamanho dos vetores coluna de AA e do vetor constante bb, ou seja, não amplia erros de arredondamento ou incertezas nos dados associados à matriz AA e ao vetor bb do sistema linear. Além disso, esta fatoração não requer estratégias de pivoteamento.


O seguinte teorema garante a existência dos fatores QQRR para uma matriz AA inversível. Se exigirmos que RR tenha diagonal positiva, então é possível demonstrar que os fatores QQRR são únicos, caso contrário isto não ocorre.

Teorema 1 (Fatoração QR): Se AA é uma matriz com colunas linearmente independentes, então AA pode ser escrita de modo único da forma:

A=QRA = QR
onde QQ é ortogonal e RR é triangular superior com diagonal positiva.

Demonstração: Como as colunas de AA são linearmente independentes, então AA é não singular e, portanto, a matriz AtAA^tA é simétrica definida positiva. Então, existe e é única a fatoração de Cholesky da matriz AtAA^tA. Seja:

AtA=RtRA^tA = R^tR
Note que chamamos o fator de Cholesky de RtR^t, pois desta forma temos que a matriz RR é triangular superior com diagonal positiva. Note também que det(R)0det(R) \neq 0, pois seu determinante é o produto dos elementos da diagonal e sua diagonal é positiva, portanto, RR é inversível. Considere então Q=AR-1Q = AR^{-1}, assim temos:

Q=AR-1A=QRQ = AR^{-1} \Leftrightarrow A = QR
e obtemos a fatoração QRQR de AA. Resta mostrar que a matriz QQ é ortogonal:

QtQ=(AR-1)t(AR-1)=(R-1)tAtAR-1=(Rt)-1RtRR-1=IQ^tQ = (AR^{-1})^t(AR^{-1}) = (R^{-1})^tA^tAR^{-1} = (R^t)^{-1} R^t R R^{-1} = I
Na penúltima igualdade usamos os fatos: AtA=RtRA^tA = R^tR e (R-1)t=(Rt)-1(R^{-1})^t = (R^t)^{-1}. Portanto, a matriz QQ é ortogonal.

Para mostrar a unicidade da fatoração considere A=QRA = Q'R' onde QQ' é ortogonal, ou seja, (Q)tQ=I(Q')^tQ' = IRR' é triangular superior com diagonal positiva. Então:
 AtA=(QR)t(QR)=(R)t(Q)tQR=(R)tRA^tA = (Q'R')^t(Q'R') = (R')^t(Q')^tQ'R' = (R')^tR'
onde (R)t(R')^t é triangular inferior com diagonal positiva. Mas, a fatoração de Cholesky de AtAA^tA é única e, portanto, R=RR = R' e Q=A(R)-1=AR-1=QQ' = A(R')^{-1} = AR^{-1} = Q. Logo, a fatoração QRQR de AA existe e é única.


A demonstração acima é construtiva, no sentido de que nos fornece um método para calcular os fatores QQ e RR. Para isso precisamos encontrar a fatoração de Cholesky da matriz AtAA^tA, obtendo o fator RR, e depois obter Q=AR-1Q = AR^{-1}. Porém, este método é pouco recomendado, pois em alguns casos a matriz QQ apresenta uma perda de ortogonalidade, devido a imprecisão dos cálculos. Estudaremos outros métodos mais eficientes para o cálculo dos fatores QQRR de uma matriz AA e veremos exemplos de como a fatoração ortogonal pode ser aplicada à resolução de sistemas lineares:

Processo de Gram-Schmidt.

Transformações de Householder.



Voltar ao Topo.
Última Atualização: 02/02/2016.