O que é fatoração ou decomposição matricial?

Passo 1

O enunciado pergunta explicitamente: “O que é fatoração ou decomposição matricial?”
Informações dadas: nenhuma outra informação além da pergunta.
Objetivo nesta solução: explicar claramente o que significa fatorar (decompor) uma matriz, para que isso serve, apresentar os principais tipos de fatoração, como calculá‑los passo a passo em exemplos pequenos, e dar dicas de escolha para a prova.

Passo 2

Definição informativa e direta. Uma fatoração (ou decomposição) matricial é escrever uma matriz A como o produto de matrizes mais simples, isto é,
A = M_1 M_2 \cdots M_k,
onde cada M_i tem uma estrutura que facilita cálculos (triangular, ortogonal, diagonal, etc.). A ideia útil: em vez de trabalhar direto com A, usamos as propriedades dessas matrizes mais simples para resolver sistemas, inverter, calcular determinantes, aproximar matrizes, etc. Por exemplo, se A=LU com L triangular inferior e U triangular superior, resolver A x=b vira resolver dois sistemas triangulares com substituições fáceis.

Passo 3

Explicando o formato e a utilidade do método LU.
  • Forma: \displaystyle A = L\,U.
  • Onde L é triangular inferior (geralmente com 1 na diagonal) e U é triangular superior.
  • Quando usar: resolver vários sistemas A x=b com o mesmo A e diferentes b; calcular determinante; economizar trabalho em prova.
  • Observações: às vezes é necessário permutar linhas (pivotamento), então usamos \displaystyle P A = L U com P permutação.
Vou mostrar passo a passo como obter LU por eliminação (jeito manual que cai em prova). Exemplo prático pequeno (fácil de fazer à mão):
Seja
A = \begin{pmatrix}2 & 1 & 1\\[4pt] 4 & 3 & 3\\[4pt] 6 & 5 & 9\end{pmatrix}.
  1. Primeiro pivô: a_{11}=2. Multiplicadores para zerar abaixo: m_{21}=\dfrac{4}{2}=2, m_{31}=\dfrac{6}{2}=3. Subtraia m_{21} vezes a linha 1 da linha 2, e m_{31} vezes a linha 1 da linha 3.
    Linha 2 nova: (4,3,3) - 2(2,1,1) = (0,1,1).
    Linha 3 nova: (6,5,9) - 3(2,1,1) = (0,2,6).
  2. Segundo pivô (submatriz): agora pivô é 1 (posição (2,2)). Multiplicador m_{32}=\dfrac{2}{1}=2. Subtraia 2 vezes a nova linha 2 da linha 3:
    Linha 3 nova: (0,2,6)-2(0,1,1) = (0,0,4).
  3. Assim obtivemos U (matriz triangular superior):
U = \begin{pmatrix}2 & 1 & 1\\[4pt] 0 & 1 & 1\\[4pt] 0 & 0 & 4\end{pmatrix}.
  1. Os multiplicadores formam L com 1 na diagonal e m_{ij} nas posições abaixo da diagonal:
L = \begin{pmatrix}1 & 0 & 0\\[4pt] 2 & 1 & 0\\[4pt] 3 & 2 & 1\end{pmatrix}.
Verifique: L U = A. Esse é o procedimento básico que você faz na prova: executar eliminação e anotar multiplicadores.]

Passo 4

Como usar LU para resolver A x=b (truque prático útil em prova).
Suponha A=LU e queremos A x=b. Colocamos L y = b (substituição direta) e depois U x = y (substituição para cima). Isso evita refazer eliminação para cada b. No exemplo anterior, faça substituições por passos (forward e back substitution), que são operações que só somam/multiplicam — ótimas sem calculadora.

Passo 5

Fatoração de Cholesky (caso especial muito útil).
  • Forma: \displaystyle A = L L^{T} (ou A = R^{T} R), com L triangular inferior e \mathrm{diag}(L)>0.
  • Válida quando A é simétrica e definida positiva.
  • Vantagem: metade do trabalho do LU e mais estável numericamente para matrizes SPD.
Exemplo pequeno:
A=\begin{pmatrix}4 & 2\\[4pt] 2 & 3\end{pmatrix}.
Passos para Cholesky (fórmulas elementares):
  1. l_{11} = \sqrt{a_{11}} = \sqrt{4}=2.
  2. l_{21} = \dfrac{a_{21}}{l_{11}} = \dfrac{2}{2}=1.
  3. l_{22} = \sqrt{a_{22} - l_{21}^2} = \sqrt{3-1^2}=\sqrt{2}.
    Logo
L = \begin{pmatrix}2 & 0\\[4pt] 1 & \sqrt{2}\end{pmatrix}, \qquad A = L L^{T}.
Na prova: se A é simétrica e você reconhece que provavelmente é definida positiva, tente Cholesky — é rápido e elegante.]

Passo 6

Fatoração QR (ortogonal + triangular).
  • Forma: \displaystyle A = Q R, com Q ortogonal ( Q^{T}Q=I) e R triangular superior.
  • Quando usar: problemas de mínimos quadrados, estabilizar resolução, obter bases ortonormais.
  • Como calcular manualmente: processo de Gram–Schmidt (clássico) ou reflexões de Householder (mais numérico). Em prova frequentemente pedem Gram–Schmidt para matrizes pequenas.
Exemplo (Gram–Schmidt) com colunas:
Seja A com colunas v_1,v_2, onde
v_1=\begin{pmatrix}1\\[4pt]1\end{pmatrix},\quad v_2=\begin{pmatrix}1\\[4pt]0\end{pmatrix}.
  1. u_1=v_1, e_1 = \dfrac{u_1}{\|u_1\|} = \dfrac{1}{\sqrt{2}}\begin{pmatrix}1\\[4pt]1\end{pmatrix}.
  2. Projeção: \mathrm{proj}_{e_1} v_2 = (e_1^{T} v_2) e_1 = \dfrac{1}{\sqrt{2}} \cdot e_1 = \dfrac{1}{2}\begin{pmatrix}1\\[4pt]1\end{pmatrix}.
  3. u_2 = v_2 - \mathrm{proj}_{e_1} v_2 = \begin{pmatrix}1\\[4pt]0\end{pmatrix} - \dfrac{1}{2}\begin{pmatrix}1\\[4pt]1\end{pmatrix} = \begin{pmatrix}1/2\\[4pt]-1/2\end{pmatrix}.
  4. e_2 = \dfrac{u_2}{\|u_2\|} = \dfrac{1}{\sqrt{2}}\begin{pmatrix}1\\[4pt]-1\end{pmatrix}.
    Então
Q = \frac{1}{\sqrt{2}}\begin{pmatrix}1 & 1\\[4pt]1 & -1\end{pmatrix},\qquad R = Q^{T}A = \begin{pmatrix}\sqrt{2} & 1/\sqrt{2}\\[4pt]0 & 1/\sqrt{2}\end{pmatrix}.
Na prova: se pedem resolver mínimos quadrados \min_x \|A x - b\|, use QR e resolva R x = Q^{T} b.]

Passo 7

Decomposição em valores singulares (SVD).
  • Forma: \displaystyle A = U \Sigma V^{T}, com U e V ortogonais e \Sigma diagonal (não-negativa) contendo os autovalores singulares.
  • Utilidades: pseudo‑inversa, aproximação de posto reduzido (compressão), estabilidade numérica.
  • Como pensar: singular values são raízes dos autovalores de A^{T}A. Fazer SVD manualmente é trabalhoso; em prova normalmente usam exemplos muito simples (diagonal, ou matrizes com simetria).
Exemplo trivial:
Seja A=\begin{pmatrix}3 & 0\\[4pt]0 & 2\end{pmatrix}. Então já está em forma diagonal; SVD é
U = I,\quad \Sigma = \begin{pmatrix}3 & 0\\[4pt]0 & 2\end{pmatrix},\quad V = I.
Para matrizes gerais, calcule A^{T}A, encontre autovalores \sigma_i^2, tome \sigma_i=\sqrt{\sigma_i^2} e construa V com autovetores de A^{T}A, depois U com u_i = \dfrac{1}{\sigma_i} A v_i.]

Passo 8

Decomposição espectral (autovalores/autovetores).
  • Forma: se A é diagonalizável, \displaystyle A = P D P^{-1} onde D é diagonal com autovalores e colunas de P são autovetores.
  • Uso: poderes de matrizes ( A^k = P D^k P^{-1}), resolver sistemas dinâmicos, entender comportamento assintótico.
    Exemplo rápido:
A=\begin{pmatrix}4 & 1\\[4pt]2 & 3\end{pmatrix}.
Char polynomial: \lambda^2 -7\lambda +10 =0 com raízes \lambda=5,2. Autovetores:
para \lambda=5: vetor \begin{pmatrix}1\\[4pt]1\end{pmatrix}; para \lambda=2: vetor \begin{pmatrix}1\\[4pt]-2\end{pmatrix}. Então
P=\begin{pmatrix}1 & 1\\[4pt]1 & -2\end{pmatrix},\quad D=\begin{pmatrix}5 & 0\\[4pt]0 & 2\end{pmatrix},\quad A = P D P^{-1}.]

Passo 9

Quando escolher qual fatoração? (algoritmo prático para a prova — siga este raciocínio)
  1. O enunciado pede um método específico? Use-o.
  2. Precisa resolver A x=b muitas vezes com o mesmo A? Tente LU (ou PA=LU se precisar pivotar).
  3. Se A é simétrica definida positiva? Use Cholesky ( A=LL^{T}).
  4. Problema de mínimos quadrados? Use QR (ou SVD se quer estabilidade máxima).
  5. Quer inversa rápida, determinante, ou resolver potência de matriz/dinâmica? Veja se é diagonalizável ( A=PDP^{-1}) ou use SVD para análise robusta.
  6. Quer compressão ou pseudo‑inversa? Use SVD.

Passo 10

Cuidados numéricos e dicas de prova (práticas e de cabeça):
  • Sempre anote pivôs e multiplicadores ao fazer eliminação para construir L.
  • Se encontrar zero no pivô, troque linhas (pivotamento) e registre a permutação P. Em prova pequena, justificar troca é suficiente.
  • Para Cholesky, verifique simetria e positividade (por exemplo, principais menores positivos).
  • Gram–Schmidt clássico pode perder ortogonalidade numericamente; em prova para dimensões pequenas serve bem.
  • O SVD é conceitualmente importante; para cálculos manuais só em exemplos muito simples.
  • Defina e saiba citar a condição de estabilidade: número de condição \kappa(A)=\|A\|\|A^{-1}\| (quanto maior, mais sensível o sistema a erros).

Passo 11

Resumo das fórmulas e definição dos símbolos usados (para decorar e usar na prova):
  • A = L U: L triangular inferior (multiplicadores), U triangular superior.
  • P A = L U: P matriz de permutação (pivotamento).
  • A = L L^{T}: Cholesky, L triangular inferior com l_{ii}>0.
  • A = Q R: Q ortogonal ( Q^{T}Q=I), R triangular superior.
  • A = U \Sigma V^{T}: SVD, \Sigma diag de singular values \sigma_i\ge0.
  • A = P D P^{-1}: decomposição espectral, D diag de autovalores, colunas de P são autovetores.

Passo 12

Dica final motivacional (curta e prática): na prova, identifique rápido o tipo da matriz (simétrica, SPD, retangular, quadrada) e o objetivo (resolver, aproximar, inverter). Isso já reduz muito as opções. Comece sempre pela técnica mais simples que atende ao objetivo (por exemplo, LU para Ax=b; Cholesky se possível). Anote cada passo da eliminação — isso conta ponto e evita erro bobos. Você consegue — faz devagar nos primeiros exemplos e pega ritmo.

Resposta

Fatoração (ou decomposição) matricial é representar uma matriz A como produto de matrizes mais simples cujas propriedades tornam cálculos (resolver sistemas, inverter, calcular determinantes, aproximar, etc.) mais fáceis; exemplos comuns: \;A=LU, \;PA=LU, \;A=LL^{T} (Cholesky), \;A=QR, \;A=U\Sigma V^{T} (SVD) e \;A=PDP^{-1} (decomposição espectral).

Exercícios relacionados