Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Braslia
2007
Universidade de Braslia
Instituto de Cin
ias Exatas
Departamento de Matemti
a
MESTRE EM MATEMTICA
Braslia, 13 de Dezembro de 2007
Comisso Examinadora:
Prof.
Dr.
(Membro)
Prof.
Dr.
(Membro)
* Este
Agrade
imentos
Deus pela vida e sabedoria
on
edida ao longo da minha
aminhada estudantil.
Aos meus pais, Jonas de Vargas Fortes e Ozilia Loureti Fortes, aos meus queridos
irmos, Emerson, Jonas (Junior), Jaqueline e Janielli.
Agradeo ao povo brasileiro, que atravs do pagamento de impostos permitiu ao
Conselho Na
ional de Desenvolvimento Cient
o e Te
nolgi
o (CNPq), nan
iar
esta pesquisa.
Ao meu Orientador, Dr. Jorge Carlos Lu
ero, pela orientao e pa
in
ia que
teve durante a elaborao deste trabalho.
Aos professores da Universidade Federal do Espirito Santo (UFES): Aldo Vignatti, Alex sander, Eder Ma
hado, Gilvan, Jamil, Jo
itiel, Domingos, Ana Claudia
e Ro
ha, pelos
onselhos e in
entivos.
Aos professores da ban
a examinadora Dr. Pledson Guedes de Medeiros e Dr.
Carlos Maber Carrin Riveros.
Aos
olegas de graduao que ainda mantenho
ontato:
de vero que foram muito importantes para que eu tomasse a de
iso de vir para
Braslia. E a todos os meus
olegas do Departamento de Matemti
a da Universidade de Braslia que sempre me apoiaram nos bons e maus momentos. Alguns em
espe
ial
omo Hailton pelo suporte t
ni
o do site que
riamos, Susanne, Ri
ardo,
Enio, Srgio, Lu
iana, Igor, Euro, Evander, Nilton, Walter e
laro, Eliane Ferreira,
pelo
arinho e ateno a mim
on
edidos.
Aos professores do Departamento de Matemti
a da Universidade de Braslia
(UnB), Dr. Helmar Numes Moreira e em espe
ial Dr. Angel Rodolfo Baigorri, pelos
onselhos e
onversas que foram de grande valia durante este perodo.
Aos Professores do Ensino Fundamental e Mdio que de alguma forma a
abaram
inuen
iando-me nesta
onquista, em espe
ial Leni
e, Ce
lia, Santinha, Ivete, Ger
lio, Anadir e Lena.
todos que, de alguma forma alimentaram meus sonhos e
ontribuiram para
esta grande
onquista de minha vida. Obrigado!
Resumo
problema pode ser apli
ado identi
ao de padres de deformao fa
ial durante
a fala, para a
onstruo de um modelo empri
o da
inemti
a fa
ial. O modelo
pode ser utilizado para a gerao de animaes da fala, sob
ontrole de sinais
olhidos
experimentalmente.
Abstra t
In this work, we study the problem of the sele
tion of a subset of independent
olumns in matrix of data, and this resolution through the fa
torization QR with
pivoted of
olumns, (Lu
ero et al., [14).
applied to the identi
ation of patterns of fa
ial deformation during spee
h, for the
onstru
tion of an empiri
model of the fa
ial kinemati
s. The model
an be used
for generating spee
h animations, if we
ontrol the signals
hoosen experimentally.
Sumrio
Introduo
1.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Norma de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Norma de Matrizes
1.4
1.5
Ortogonalidade
1.6
1.7
1.8
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
. . . . . . . . . . . . . . . . . .
12
. . . . . . . . . . . . . . . . . . . . .
14
1.7.1
14
1.7.2
. . . . . . . . .
16
1.7.3
Posto Numri o . . . . . . . . . . . . . . . . . . . . . . . . . .
19
21
2 A Fatorao QR
24
2.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
2.2
24
2.3
Reexo de Householder
. . . . . . . . . . . . . . . . . . . . . . . . .
27
2.3.1
Reexo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
2.3.2
. . . . .
30
2.3.3
. . . . . . . . . . . . . . . . . .
31
2.4
Cl ulo da Fatorao QR . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.5
. . . . . . . .
34
. . . . . . . . . . . . . . . . . . .
35
. . . . . . . . . . . . . . . . . . . . . .
35
2.5.1
2.5.2
Matriz de Permutao
2.5.3
36
39
3.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
3.2
Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
3.3
. . . . . . . . . . . . . . . . . . . .
41
3.3.1
42
3.3.2
. . . . . . . . . . . . . . . . . .
46
48
3.4
3.5
3.4.1
Propriedades da Matriz
. . . . . . . . . . . . . . . . . . .
48
3.4.2
50
3.4.3
51
Dis usso
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
55
4.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
4.2
Dados
55
4.3
Pr-pro essamento
4.4
. . . . . . . . . . . . . . . . . .
57
4.5
. . . . . . . . . . . . . . . . . .
59
4.6
Es olha dos Mar adores Prin ipais e suas Respe tivas Regies de Inun ia
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
4.7
66
4.8
. . . . . . . . . . . . .
69
4.9
72
Con luses
76
78
Apndi e A
80
Algoritmo A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
Algoritmo B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
Algoritmo C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
Algoritmo D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
Algoritmo E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
ii
Algoritmo F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
Algoritmo G . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
Algoritmo H . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
89
Algoritmo I
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
Algoritmo J . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
Algoritmo K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
Algoritmo L . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
Apndi e B
103
Anexos
105
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Teorema 2.13
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
iii
Lista de Figuras
2.1
2.2
Possibilidades de Reexo.
3.1
Propriedades da Matriz A.
4.1
4.2
. . . . . . . . . . . . . . . . . . . .
58
4.3
. . . . . . . . . . . . . . . . . . . .
59
4.4
4.5
. . . . . . . . . . . . . . . . . . . . . . . .
28
. . . . . . . . . . . . . . . . . . . . . . . . .
31
. . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
60
60
. . .
65
. . . . . . . . .
66
Regies fa iais ilustradas para os mar adores 40, 34, 38, 02, 36 e 06.
4.7
4.8
4.9
4.10
4.12
4.13
56
4.6
4.11
49
. .
67
68
. . . . . . . . . . . . . . . . . . . . . . .
69
70
Erro mdio para um
onjunto de k mar
adores sele
ionados, frases 31 e 32.
A linha
heia (na horizontal) representa o erro de pre
iso dos dados. . .
73
Erro mdio para um
onjunto de k mar
adores sele
ionados, frases 33 a 36.
A linha
heia (na horizontal) representa o erro de pre
iso dos dados. . .
74
iv
4.14
Erro mdio para um
onjunto de k mar
adores sele
ionados, para as frases
37 a 40. A linha
heia (na horizontal) representa o erro de pre
iso dos
dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
Lista de Tabelas
4.1
4.2
4.3
4.4
4.5
4.6
62
Os 12 primeiros mar adores sele ionados pelo Algoritmo om k linhas permutadas aleatoriamente. . . . . . . . . . . . . . . . . . . . . . . . . .
62
. . . . . . . . . .
63
Erro obtido para as trajetrias dos mar
adores que foram re
onstitudas
atravs algoritmo para a sentena 39. . . . . . . . . . . . . . . . . . .
71
72
vi
Introduo
Alguns problemas da lgebra Linear, tais
omo resoluo de sistemas lineares, mnimos quadrados e seleo de sub
onjunto (subset sele
tion problem ) podem ser
onvenientemente tratados por meio da fatorao QR.
A fatorao QR um mtodo de de
omposio em que a matriz
de
omposta em um produto
A = QR,
onde
Q Rmm
R Rmn
A Rmn
so matrizes
Existem outros mtodos para resolver os problemas a
ima. Por exemplo, para o
problema de mnimos quadrados, podem ser usadas as equaes normais (ver [8, 20).
Os sistemas lineares podem ser solu
ionados atravs da fatorao LU ou eliminao
de Gauss (ver [11).
Fo
alizaremos, doravante, no tema de seleo de sub
onjuntos e suas variaes.
Suponha que temos uma matriz de dados
A Rmn
que miniminize
da matriz de dados
A,
||Ax b||2 .
om
m > n,
b Rm1 , isto ,
a partir da qual
queremos en ontar um
desejamos predizer
olunas, eliminando aquelas que sejam redundantes e possam ser des onsideradas
(por exemplo,
olunas linearmente dependentes, [8). Veremos que a seleo de dito
sub
onjunto de
olunas no-redundantes de
matriz
Mostraremos que a seleo de sub
onjunto pode ser apli
ado a gerao de animaes fa
iais, onde queremos identi
ar um sub
onjunto de mar
adores independentes
para ser utilizado posteriormente,
omo base para predizer o movimento de pontos
fa
iais arbitrrios, obtendo dessa forma gerao de animaes, para ser utilizado
omo ferramenta
omputa
ional em estudos sobre per
epo e produo da fala. Os
estudos baseiam-se prin
ipalmente em Lu
ero et al., (ver [14).
Introduo
Em artigo re
ente, a seleo de sub
onjuntos foi examinado por Hoog e Mattheij
(ver [10), onde
onsideram uma matriz
linhas de
A Rmn
BR
mm
tal que
A =
sendo
B Rkn
kn
mk
A Rmn
(1)
A Rmn
e um vetor de observaes
xR
Rn .
x1 Rn1
e al ula-se
min
||A1 x1 b||2
n1
x1 R
ada etapa do algoritmo, elimina-se uma
oluna de
A,
A e elimina-se
A1 Rm(n1) .
sub onjunto de
olunas de
A.
Ar Rmr ,
Em
nr
olunas
expreses
141.900
71.900
576
nodos e
844
Introduo
{x, y, z}
A Rmn ,
onde
m = 3 576
n = 8.
Aps
representam rostos dis
retizados na forma de malhas fa
ias, o que os leva a serem
hamados de autofa
es (eigenfa
e ). No presente
aso, gostariamos de obter um
modelo em termos de pou
o mar
adores fa
iais, ao invs de vetores que representam
imagem da fa
e.
Outra alternativa interessante, foi proposta pelo trabalho de modelagem arti
ulatria de Badin et al., (ver [2). Neste artigo, o PCA usado para determinar
parmetros arti
ulatrios para
ontrolar a forma de uma regio vo
al em
3D.
Para
uma melhor relao biome
ni
a subja
ente, alguns dos parmetros (por exemplo,
altura do maxilar, et
.) so denidos a priori, e suas
ontribuies so subtradas
dos dados antes de
omputar os
omponentes restantes.
Em nosso trabalho, ns
A Rmn ,
om
m<n
Introduo
ao de animaes fa
iais realsti
as durante a fala. Nosso trabalho segue uma linha
de pesquisas
omputa
ionais para a gerao deste tipo de animao. Dentre esses
trabalhos, podemos
itar um outro artigo re
ente de Lu
ero et al.
artigo prope uma analise dos registros da posio
3D
(ver [15).
de um onjunto de mar-
adores
olo
ados no rosto de um sujeito, enquanto este fala, indenti
ando grupos
de mar
adores
om padres de movimentos similares. Esses grupos denem regies
inemti
as independentes, que
onstituem uma base para expressar o movimento
total da superf
ie fa
ial.
No que segue, esta dissertao ter a seguinte estrutura:
No primeiro Captulo so introduzidos
on
eitos bsi
os de lgebra linear, denies e resultados sobre a SVD e sua relao
om o posto de uma matriz e nalizamos
om uma rpida dis
usso sobre a SVD.
No Captulo seguinte, denimos fatorao QR e algumas propriedades desta
de
omposio. Em seguida, apresentamos
omo obter a fatorao QR por Reexo
de Householder,
on
luindo
om alguns resultados que rela
ionam a fatorao QR
om o posto da matriz.
J no ter
eiro Captulo, apresentamos algumas apli
aes da fatorao QR, tal
omo na resoluo de sistemas lineares, problema de mnimos quadrados e uma
soluo para o problema de seleo de sub
onjunto, nalizando
om uma breve
dis
usso deste Captulo.
Por m, no quarto Captulo, mostramos
omo a fatorao QR pode ser til
na obteno de um modelo para gerao de animaes fa
iais e alguns resultados
a
er
a da fatorao QR, alm da anlise dos erros. O Matlab foi utilizado em todos
os gr
os e tabelas que apare
em neste Captulo.
Por ltimo, apresentamos algumas Con
luses, Anexos e o Apndi
e, onde est
disposto o
digo fonte em Matlab da maioria dos programas que foram implementados nesta dissertao.
Captulo 1
Con
eitos Bsi
os e De
omposio
em Valores Singulares
1.1 Introduo
Esse
aptulo tem
omo objetivo introduzir alguns
on
eitos de lgebra linear que
sero usados nos
aptulos seguintes. Comearemos denindo normas, posto, ortogonalidade e alguns resultados sobre o mesmo.
Em seguida, fo
alizaremos nossos estudos na De
omposio de Valores singulares
(SVD) e provaremos alguns dos prin
ipais resultados que envolvem este tipo de de
omposio, prin
ipalmente naqueles que rela
ionam SVD e o posto de uma matriz,
mostrando que a SVD pode ser usado para reduzir a dimenso de uma matriz de
dados.
Por m, usaremos o SVD para determinar o posto numri
o de uma matriz
on
luiremos esse
aptulo, fazendo uma anlise desta de
omposio.
|| || : Rn R
x ||x||
que faz uma
orrespondn
ia de um valor real (`
omprimento') a
ada vetor.
Captulo
1.
Para que
orresponda a uma idia razovel de
omprimento, uma norma deve
satisfazer trs axiomas. Para quaisquer
1.
||x|| 0,
2.
3.
||x|| = ||||x||.
||x|| = 0
x, y Rn
e es alar
x = 0;
se, e s se,
2.
R,
1.
a norma de um vetor
3.
a propriedade de
homogeneidade.
Pode-se provar (ver [8) que para quaisquer
x, y Rn
temos
||x.y|| ||x||.||y||.
Esta inequao
onhe
ida
omo desigualdade de Cau
hy-S
hwarz.
As normas mais utilizadas em Anlise Numri
a so as denominadas
p-normas.
||x||p =
para todo
i=1
igual a
normas:
2.
3.
(1.1)
x Rn .
1.
|xi |p
! p1
1-norma: ||x||1 =
2-norma: ||x||2 =
m
X
i=1
|xi |;
m
X
i=1
|xi |2
! 12
1, 2
ou
temos as seguintes
1.
Captulo
O tem
1.
2.
3.
a norma do Mximo.
Todas as normas em
normas em
Rn ,
Rn
c1
c2
|| . ||
tais que
|| . ||
so
(1.2)
x Rn .
1.
||x||2 ||x||1
2.
||x|| ||x||2
3.
||x|| ||x||1
n||x||2 ;
n||x|| ;
n||x|| .
p-normas, p = 1, 2
so distintos.
A Rmn
m n,
Portanto,
qualquer norma vetorial pode ser utilizada para medir o `tamanho' de uma matriz.
Uma norma matri
ial uma funo
|| || : Rmn R
A
||A||
que satisfaz
1.
||A|| 0,
2.
3.
||A|| = ||||A||.
||A|| = 0
se, e s se,
A, B Rmn
A = 0;
temos
Captulo
1.
Em alguns asos, podemos ter ainda uma propriedade adi ional, que rela iona
||A.C|| ||A||.||C||
A Rmn
C Rnm .
p-norma
de
A,
para quaisquer
e denotaremos por
||A||p.
Assim,
|| ||p
no domnio e na imagem,
todo
x Rn .
||Ax||p
,
||x||p
para
||Ax||p
x
= max ||Ax||p .
||A||p = max
= max
A
x6=0 ||x||p
x6=0
||x||p
p ||x||p=1
Em parti ular, se
p = 1, 2
1.
||A||1 = max
||Ax||1
;
||x||1
2.
||A||2 = max
||Ax||2
;
||x||2
3.
||A|| = max
x6=0
x6=0
x6=0
ou
||Ax||
.
||x||
p=1
p=
||A||1 = max
1jn
||A|| = max
1im
m
X
i=1
n
X
j=1
|aij |
(1.3)
|aij |
(1.4)
dada por
Captulo
Seja
por
bl ,
1.
om
n
X
l=1
1 l n,
bij
onde
1im
B.
1 j n.
Denotemos
Ento
Seja
C = AB
oluna de
B.
om entradas
Ento
cij = aTi bj
(1.5)
a i-sima linha de
||AB||2F
n X
m
X
i=1 j=1
m
n X
X
i=1 j=1
n
X
i=1
A e bj
j -sima
Assim,
|cij |2
(||ai||2 ||bj ||2)2
(||ai ||2 )
m
X
(||b||2)2
j=1
2
2
||A||F ||B||F .
(1.6)
Ap
om
p = 1, p =
AF
tambm possuem relaes de equivaln
ia. Podemos provar que (ver [8) dada uma
matriz
A Rmn
temos
1.
||A||2 ||A||F
2.
n ||A||2
1
3.
n
||A|| ||A||2
1
4.
m
||A||1 ||A||2
mn max |aij |;
i,j
m ||A||;
n ||A||1.
a1 , a2 , , an
em
Rn ,
o onjunto de
Espao
Captulo
de
a1 , a2 , , an ,
1.
ou seja,
ha1 , a2 , , an i =
Denio 1.5
Seja
A Rmn .
( n
X
j aj ; j R .
j=1
Dizemos que a
Im(A) = {y Rm ; y = Ax
Imagem de A
para algum
x Rn } .
y =
xj aj ,
A pode
logo
ento
das olunas de
A.
y = Ax
y = Ax
e portanto,
para algum
Assim, se
ento
j=1
y Im(A)
x Rn
y Im(A).
Re ipro amente, se
Ax
ombinao linear
e portanto,
A = [a1 , a2 , , an ]
Im(A) = ha1 , a2 , , an i .
Seja
dado por
A Rmn .
Espao Nulo
A,
(1.7)
ou
N leo
de
N(A) = {x Rn ; Ax = 0} .
Dizemos que o
posto(A) = dim(Im(A)).
Denio 1.8
Dizemos que
A Rmn
possui
1.
posto(A) = posto(AT );
2. Se
A Rmn ,
ento
dim(N(A)) + posto(A) = n.
10
1.
Captulo
1.5 Ortogonalidade
Denio 1.9
Uma matriz
QT Q = In .
Teorema 1.10
Se
Q Rmn
dita
1.
det(Q) = 1;
2.
QT
3.
||Qx||2 = ||x||2 ,
4.
||QA||2 = ||A||2,
5.
||Q||2 = 1.
ortogonal.
para todo vetor
x;
A;
Demonstrao:
Omitiremos a demonstrao para os tens
3.
Se
1, 2, 4
onsequn ia imediata de
2.
e de
(1.8)
||I||2 = 1.
Teorema 1.11
Se
Demonstrao:
Q1
Q2
Q1 Q2
ortogonal.
Ver [19.
11
Captulo
Teorema 1.12
onde
Seja
1.
A Rmn
norma de Frobenius.
Q Rmm
ortogonal, ento
||QA||F = ||A||F ,
Demonstrao:
Suponha que
a1 , a2 , , an
sejam as olunas de
A,
ento
n
X
i=1
||ai||22
= ||A||2F .
(1.9)
Denio 1.13
Seja
A Rmn .
SVD de A a fatorao
A = UV T
onde
U Rmm
isto ,
V Rnn
so
ij =
Os elementos
(1.10)
ii , i = 1, 2, , p,
ij , se i = j,
0, se i 6= j.
onde
p = min{m, n},
so denominados
p 0.
12
Valores
1 2
Captulo
1.
olunas da matriz
Singulares Esquerda de
U,
denotadas por
da matriz
A A,
so hamadas Vetores
uk ,
e os vetores
vk
A.
Os vetores
so os autovetores da matriz
uk
so os autovetores
AA
Observaes:
1. A de
omposio de valores singulares denida em 1.13 re
ebe o nome de SVD
Completa.
2. Seja
A Rmn ,
om
m n
A = UV T
mn
A,
a matriz
onde
m > n
U, V
a SVD de
tenha
A.
Assim,
A=U
Desta forma, o produto a
ima anula
singulares. Logo
onde
b Rmn , V Rnn
U
n
de
A.
mn
V T.
olunas de
b V
b T
A=U
b Rnn
possui
valores
(1.11)
1 2
1. Toda matriz
A Rmn
Captulo
1.
2-norma
e norma
que so importantes e
mere em ser desta adas. Estas relaes sero mostradas nos Teoremas 1.14 e 1.15.
Teorema 1.14
UV
Seja
, ento
A Rmn
||A||2 = 1
(maior
valor singular).
(1.12)
Demonstrao:
Sabemos que
porque
so ortogonais. Assim,
= max
x6=0
n
X
(i xi )2
i=1
n
X
i=1
= max
x6=0
x2i
! 12
! 12
((1 x1 )2 + (2 x2 )2 + + (n xn )2 ) 2
1
Captulo
Como
1, , n,
1.
A,
substituindo ada
i ,
onde
i =
teremos,
1
||A||2 max
x6=0
= max 1
x6=0
= max 1
x6=0
= 1 .
Portanto,
||A||2 1 .
Por outro lado, es
olhendo
x = e1 ,
(1.13)
temos
= max
((1 x1 )2 + (2 x2 )2 + + (n xn )2 ) 2
= max
x6=0
x6=0
= max 1
(12 + 02 + + 02 ) 2
x6=0
||A||2 = 1 .
(1.14)
Teorema 1.15
UV T ,
Seja
ento
21
(1.15)
Demonstrao:
Pelo Teorema 1.12 para qualquer matriz ortogonal
15
temos que
||QA||F = ||A||F .
1.
Captulo
Considere
Rnn
UV T
e
V T Rnn .
A,
Ento
onde
U Rmn ,
= ||(V T )T ||F
= ||(V T )||F
= ||T ||F
12 + 22 + + n2
21
.
posto(A) = n
Seja
A Rmn
tm
A.
Demonstrao:
Suponha que
tm
posto(A) = posto().
A = UV
e omo
posto() = n,
j que
tm posto ompleto,
A re pro a anloga.
O Teorema 1.16 forne
e uma alternativa para se determinar o posto de uma matriz em vez de usar a Denio 1.7, porm agora, usando a SVD. Conseqentemente,
uma matriz
e
A Rmn
r+1 = = n = 0.
r < n,
se
i > 0, i = 1, , r
Captulo
Teorema 1.17
1.
A Rmn
Uma matriz
forma
Ar =
r
X
om posto
r , r n,
j uj vjT ,
(1.16)
j=1
em que
ui, i = 1, , r ,
i = 1, , r ,
so os primeiros
so os primeiros
so os valores singulares de
A.
A, vi ,
i , i = 1, , r ,
Demonstrao:
Tem-se que
I = VVT
= (v1 , v2 , , vn )(v1T , v2T , , vnT )
= v1 v1T + v2 v2T + + vn vnT ,
j que
a esquerda da equao
Se
tem posto
r = n,
possui
valores singulares
no-nulos e portanto
A =
r
X
j uj vjT .
j=1
Caso ontrrio, se
r+2 = = n = 0.
tem posto
r < n,
r+1 =
Da,
17
Captulo
1.
Observao:
Dados
u11
u21
u1 =
..
.
um1
u1 v1T
v11
u11
v21
v1 =
..
.
vn1
u11 v11
u21 v11
..
.
um1 v11
u1 v1T
i = 1, , r
tem posto
ento,
u21
matriz
1.
u1 v1T
u11 v21
u21 v21
..
.
um1 v21
u11 vn1
u21 vn1
.
..
um1 vn1
so mltiplos do vetor
u1 ,
tm exatamente posto
e assim, a
uiviT ,
om
1.
r)
matrizes de posto
1 , 2 , , r
1.
Os oe-
da matriz.
Teorema 1.18
Seja
A Rmn .
Para qualquer
A =
j uj vjT ,
j=1
18
om
1.
0 r,
denimos
(1.17)
Captulo
se
1.
= p = min{m, n},
dena
+1 = 0.
||A A ||2 =
Demonstrao:
Ento
min
posto(B)
||A B||2 = +1 .
Ver [19.
Observaes:
U T A V = diag(1 , 2 , , , 0, , 0)
1. f il ver que
e da,
posto(A ) = .
||A A ||2 = +1 .
1.14, temos
2. Observe que de a ordo om o Teorema 1.17 podemos usar o SVD para expressar uma matriz
< n),
uma base de
uma matriz
A Rmn ,
e aproximar as olunas de
valores
n r,
B=U
onde
Ar = Ur V T
|| . ||2
om posto
a melhor possvel de
r,
A,
denida por
V T,
(1.18)
= diag(1 , 2 , , r , 0, , 0).
A Rmn .
r<n
tm seus elementos perturbados por algum tipo de erro, por exemplo, arredondamento ou erros de medidas. Certamente, esses erros de arredondamento, no permitir que a matriz
r.
Realmente, o que
provvel, que a matriz que foi pertubada ter posto maior que
19
r.
Captulo
1.
Denio 1.19
Uma matriz
possui um
-posto r
om norma
|| ||
se
em
r.
A.
ne essrio ento,
satisfazendo
Denio 1.20
< sup{; ||A B|| < posto(B) r},
onde
1.19.
Atravs das Denies 1.19 e 1.20 podemos ento
ara
terizar posto numri
o
de uma matriz
A,
Denio 1.21
,
ou seja,
Uma matriz
satisfazem as Denies
tem
1.19
1.20.
Usando as Denies 1.19 e 1.20, podemos
ara
terizar o posto numri
o de uma
matriz. O seguinte teorema tem esse propsito. Usaremos a notao
para
ara
terizar o posto numri
o
om
|| ||2.
20
posto(, , r)2
Captulo
Teorema 1.22
Ento
1.
Sejam
1 2 n
( , , r)2
A.
r > r+1 .
(1.19)
Demonstrao:
Suponha (1.19). Pelo Teorema 1.18, se
posto(B) r
e portanto
1.19.
r+1 .
r r+1 .
r .
||A B||2 ,
>
r+1 <
ento
logo,
e portanto
Como a matriz
da satisfaz a Denio
< r+1 ,
ento, omo
e que
isso
Mais detalhes a
er
a desta Subseo podem ser en
ontradas em [7.
de posto
Ar
de posto
r<n
r <n
(Teorema 1.17).
tima no sentido da
(Teorema 1.18).
|| ||2
A Rmn (m n).
Tais
olunas devem
ser independentes de tal forma que podemos desprezar as ontribuies das outras
21
Captulo
1.
(no sentido dos mnimos quadrados, [3) em termos de uma ombinao linear das
A Rmn
om
mn
e de ompomos esta
matriz usando SVD. Essa matriz A vai ser de
omposta em soma de matrizes de
n
X
posto 1, A =
i ui viT . Pelos teoremas 1.17 e 1.18, a matriz de posto r que melhor
i=1
r
X
i ui viT ,
aproxima-se de A no sentido da 2-norma, justamente a matriz Ar =
i=1
onde ui e vi so
ulunas das matrizes U e V respe
tivamente. Pode-se mostrar que
e
a1 , e
a2 , , e
an
Ar
de posto
so es ritas
.
..
.
..
.
..
..
.
..
.
..
.
onde
Ur
e
Ar = Ur X,
orrespondentes a
vij l ,
onde
u1 , u2 , , ur
1in
e
X
1 j, l r .
Obeservaes:
1. Cada uma das
olunas de
Ar , e
ai
om
i = 1, , n,
ui
ui
da matriz ortogonal
U;
A.
olunas da matriz
r,
olunas
Captulo
1.
sele ionadas sejam usadas para obter uma aproximao das outras (n
r)
olunas.
Dessa forma, obteremos um modelo que pode ser usado para predizer as (n
r)
olunas restantes de uma matriz de dados qualquer, bastando apenas sele
ionar um
onjunto de
A.
aei
onde
i = 1, , n,
as olunas da matriz
ui ,
om
i = 1, , r
para
A.
Segundo, verdade
A.
Posteriormente, essas
uma das
(n r)
de uma base de
obteno do modelo.
23
Captulo 2
A Fatorao QR
2.1 Introduo
Nesse Captulo
omearemos por apresentar a denio de Fatorao QR e alguns
resultados a
er
a do mesmo.
Im(A).
Im(A).
a1 , a2 , , an
as olunas da matriz
a1
a2
q1 , q2 , , qn
24
Captulo
2.
A Fatorao QR
A Rmn
om
m n e que posto(A) = n (nesse
aso, dizemos que se A possui posto mximo, ento
as
olunas de
q1 , q2 , , qn
que a sequn ia
a1 = r11 q1 .
i = 1, , 4
a1
i = 2
i = 1, , n.
tais que
Gostaramos
ha1 , a2 , , ai i = hq1 , q2 , , qi i ,
Em parti
ular, tomando
A).
q1 ,
ha1 , a2 i = hq1 , q2 i.
ha1 , a2 i = hq1 , q2 i
t1 a1 + t2 a2 = t3 q1 + t4 q2 .
(2.1)
r11
Substituindo
a1
por
r11 q1 ,
tal
ti ,
teremos:
t1 a1 + t2 a2 = t3 q1 + t4 q2
t1 (r11 q1 ) + t2 a2 = t3 q1 + t4 q2
t2 a2 = t1 (r11 q1 ) + t3 q1 + t4 q2
t2 a2 = q1 (t1 r11 + t3 ) + t4 q2
t4
t1 r11 + t3
q1 + q2
a2 =
t2
t2
a2 = r12 q1 + r22 q2
onde,
r12
r22
r12 =
t1 r11 +t3
e
t2
r22 =
t4
. Analogamente, temos:
t2
a1 = r11 q1
a2 = r12 q1 + r22 q2
.
.
.
.
.
.
.
.
.
ortogonal e
Denio 2.1
onde
Seja
Q Rmm
A Rmn .
Fatorao QR de A.
Observe que dada uma matriz
linhas de
A, m n
ou
m < n.
A = QR.
R Rmn
A Rmn ,
A do
tipo
A = QR,
Captulo
2.
A Fatorao QR
Caso: m n
1o
Teorema 2.2
nal
Q Rmm
A Rmn ,
om
m n,
R Rmn
tal que
A = QR.
(2.2)
Demonstrao:
A prova desse teorema ser dada na Seo 2.4.
Observaes:
1. Seja
A Rmn , m n.
Q Rmm
m>n
R
0
A Rmn , m n.
observao 1, existem
R
0
Rnn
, R
Q Rmm
Rm(mn)
Q
olunas restantes de
R Rmn ,
triangular seperior e
Se
onde
A = QR.
ortogonal e
R =
Rmn
Q
uma
Seja
tambm ortogonal.
n primeiras
olunas de Q, logo Q
Q.
Ento
Q]
A = QR = [Q
R
0
R
+ Q0,
=Q
mn
isto ,
R
.
A=Q
A fatorao QR de
R Rnn
A Rmn
om
m n
onde,
Q Rmn
ortogonal e
26
Captulo
2.
A Fatorao QR
Caso: m < n
2o
Teorema 2.3
Seja
A Rmn , m < n.
onde
ortogonal,
A = QR.
retangular e
R11 Rmm
Q Rmm
triangular superior,
Demonstrao:
A prova desse teorema ser dada na Seo 2.4.
Basi
amente, existem trs mtodos para se obter a fatorao QR, so eles:
1. Reexo de Householder;
2. Rotao de Givens;
3. Pro
esso de Ortogonalizao de Gram-S
hmidt.
Des
reveremos a seguir um mtodo para se obter a fatorao QR. Esse mtodo
baseado na refexo de Householder.
R2 ,
2.3.1 Reexo
Seja
R2
uma reta em
pela reta
R2
v.
Considere
27
Segue
Captulo
que,
2.
A Fatorao QR
{u, v} uma base de R2 , logo ada x R2 pode ser expressado omo ombinao
linear de
v.
Ento
x = u + v ,
om
, R.
A reexo de
por
x=
u+v (ver Figura 2.1), logo, a matriz Q de reexo deve satisfazer Q(u+v) =
u + v .
Qu = u e Qv = v.
(2.3)
x = u + v
v
Qx = u + v
Figura 2.1:
||u||2 = 1.
Considere agora a matriz
priedade
Q = uuT R22 .
Qu = (uuT )u
= u(uT u)
= u||u||2
= u
Qv = (uuT )v
= u(uT v)
= u(u, v)
= 0
28
Ento
Captulo
j que
A Fatorao QR
so ortogonais.
Portanto, a matriz
I 2Q
2.
no uma reexo.
W =
temos
W u = u 2Qu
= u 2u
= u
e
W v = v 2Qv
= v0
= v.
Assim, a matriz
pela reta
onde
W R22
u
W = I 2Q
Logo,
uma matriz de
reexo.
Teorema 2.4
Seja
reexo.
v Rn
um vetor no nulo e
P = I 2 vv
.
vT v
Ento
uma
Demonstrao:
vv T
vT v
vv T
2
||v||22
vv T
2
||v||2.||v||2
vT
2b
v
||v||
2b
vvbT .
P = I 2
= I
= I
= I
= I
Logo,
uma reexo.
(2.4)
29
Captulo
2.
A Fatorao QR
Denio 2.5
v Rn
Seja
P = I 2
da forma
vv T
vT v
(2.5)
matriz de
asos de
O vetor
hamado
Uma
Teorema 2.6
Seja
P Rmn
A Rmn .
Ento
1. P simtri
a;
2. P ortogonal;
3.
4.
5.
P 2 = I.
Demonstrao:
Ver Anexo.
Umas das propriedades mais importantes da reexo de Householder se
onsiste
em
omo determinar um vetor
omo en
ontrar o vetor
e1 = (1, 0, , 0)
30
Px
seja mltiplo de
Captulo
Teorema 2.7
um vetor
v = (v1 , v2 , , vn )
de householder
x = (x1 , x2 , , xn )T ,
de maneira que
Demonstrao:
Px
2.
podemos en ontrar
mltiplo de
v = x ||x||2 e1
A Fatorao QR
e1
onde a matriz
P x = ||x||2 e1 .
Ver Anexo.
Portanto, todas as
omponentes do vetor
por multipli
ao da matriz
ex eo da primeira so anuladas
P.
x, P x = ||x||2 e1
situao, onde
ou
P x = ||x||2 e1 .
ai , i = 1, , n e b so nmeros reais.
n-dimensional.
Alis,
H+
PSfrag repla
ements
||x||2 e1
+||x||2e1
Figura 2.2:
Possibilidades de Reexo.
v.
31
2.
Captulo
xsign(x1 )||x||2 e1
vT v
x1
do vetor
P x.
x
ou
A Fatorao QR
no vetor
sign(x1 )
para
representar o
e1
ento
v =
l ulo da matriz
P.
v = x + sign(x1 )||x||2e1 ,
1, se y < 0,
1, se y > 0,
sign(y) =
0, se y = 0.
onde
x,
vv T
(2.6)
3.4028235 1038 ,
na denio de
e portanto, omo
v.
P x = ||x||2 e1 ,
em vez
denido por
(2.7)
ento
x
e1 =
P x = sign(x1 )
||x|| 2
sign(x1 )
0
..
.
v
u n
2
uX
x
x
i
t
=
||x||
=
vmax
2
o vetor
1
1
e1
v=x
+ sign(x1 )
x
||x||
||x||
2
onde
P,
x ||x||1
i=1
32
(2.8)
(2.9)
Captulo
2.
A Fatorao QR
A Rnn .
matriz
QR quando
m n,
Teorema 2.8
Seja
Rmn , om m n.
Q Rmm
R Rmn
2.5
e seja
tal que
A = QR.
Demonstrao:
Como
Ento,
m n,
2
.
T
v(1) v(1)
m m.
v
onde
(1)
A Rmn
e seja
P1 = I 1 v (1) v (1)
a11
a21
an1
=
+ sign(a11 ),
, ,
vmax
vmax
vmax
v
u n
2
uX
xi
2
t
=
, 1 = (1)T (1) ,
vmax
v v
i=1
assim
(2)
P1 A = A
v
om
1 =
(k)
(2)
a11
0
=
..
.
0
Pk
(2)
a12
(2)
a22
.
.
.
(2)
am2
..
(2)
a2n
. .
.
.
(2)
amn
(k)
(k)
ak+1,k
akk
(k)
+ sign(akk )
= 0 0
vmax
vmax
(k)
vmax = max aik ,
Assim,
Pk = I k v (k) v (k)
#T
(k)
ank
vmax
v
u n
uX aik 2
2
=t
, k = (k)T (k) .
vmax
v
v
i=k
33
(2)
a1n
i=k, ,n
onde
T
"
, onde
Captulo
2.
A Fatorao QR
Pn1 Pn2 P2 P1 A = R
donde segue,
1
1
A = P11 P21 Pn2
Pn1
R
= P1 P2 Pn2 Pn1 R.
Observe agora que todas as matrizes
P1 P2 Pn2 Pn1
I.
Pk
P1 P2 Pn2 Pn1
PkT = Pk .
PkT = Pk1
Alm disso,
e portanto,
Pk
k = 1, 2, ..., n, Pk
ortogonal, logo
Pk1 = Pk .
Pk PkT =
Q Rmm
Q =
Assim tomando
podemos es rever
A = QR,
onde
(2.10)
R Rmn .
Portanto, o Teorema 2.8 prova a existn
ia da de
omposio QR quando
Em relao ao Teorema 2.3 (quando
m n.
ao Teorema 2.8, basta onsiderarmos para esse aso, uma matriz de Householder
P Rmm ,
onde
(R11 R12 ) R
mn
m < n
R11 R
mm
triangular superior e
Q Rmm
R12 R
ortogonal e
m(nm)
R =
retangular.
Nos limitaremos a partir das prximas Sees a obter resultados somente quando
A Rmn
om
4.
m n,
A posuir
Im(A).
Captulo
2.
A Fatorao QR
prova para a suposio (2.1), pois a idia da fatorao QR, est na
onstruo para
uma base para
Im(A).
Teorema 2.9
Seja
A Rmn
ada
ai
qj
A = [a1 , a2 , , an ]
posto(A) =
Q = [q1 , q2 , , qm ],
Q, 1 i n
1 j m.
Ento
ha1 , a2 , , an i = hq1 , q2 , , qn i , k = 1, , n.
Demonstrao:
onde
(2.11)
Ver Anexo.
Teorema 2.10
Seja
A Rmn ,
om
Q Rmn
mn
e suponha que
R Rnn
tal que
posto(A) = n.
Ento
tm olunas ortogonais e
A = QR.
Demonstrao:
(2.12)
Ver Anexo.
Im(A).
2.
Captulo
Denio 2.11
Uma
Matriz de Permutao ij
1.
ij = Tij
2.
ij = 1
ij .
A Fatorao QR
j.
ij .
Se
Assim,
Denio 2.12
Uma matriz
A (A)
A orrespondentes
uma matriz
aos fatores
ij
que
na ordem de um erto
A.
T A
denominada
A Rmn
in ompleto? Essa
Des revemos a seguir, omo esse problema pode ser resolvido al ulando-se a fatorao QR de
A = QR,
onde
so matrizes usuais da
que so `pequenos'
R.
A idia dessa
Primeiro Passo:
Para
ada
oluna da matriz
j n.
Se a
j -sima
A,
al ulamos a
|| ||2
da
j -sima
oluna, om
|| ||2 ,
ento
Captulo
as
olunas 1 e
satisfaz
so permutadas.
da matriz
j
om maior
oluna da matriz
2-norma e
1 j n.
r11 6= 0,
Em parti ular,
[r11 0 0 0]T .
em
A Fatorao QR
om
2-norma,
2.
a menos que
ento
|r11 |
Segundo Passo:
Terminado o primeiro passo, operamos em uma nova submatriz que denotaremos
por
(k)
A22 ,
iterao,
A.
onde o ndi e
k = 2.
(k)
A22 ,
(k)
oluna
ompleta deve ser tro
ada e no apenas a
oluna que perten
e a A22 .
Cada passo, opera em uma submatriz
(k)
menos que no passo anterior, justamente
omo antes, ex
eto que as
olunas tro
adas
so
olunas
ompletas. Observe que, o efeito de tro
a de
olunas
orresponde a tro
a
de
olunas em
Teorema 2.13
b, Q
A
R,
Seja
tal que
ortogonal,
R=
A Rmn
b = A
A
om
posto(A) = r n.
obtida de
R11
R12
Q Rmm
no-singular e triangular
superior.
Demonstrao:
Ver Anexo.
De forma anloga ao teorema a
ima obtemos de
omposio QR
om permutao
de
olunas para uma matriz
A Rmn
om
37
m n,
onde
Q Rmn
R Rnn .
Captulo
2.
A Fatorao QR
Observaes:
1. Seja
A Rmn ,
Rmn
m n.
om
Consedere a de omposio
Rnn
Q Rmm
A = QR
onde,
A = QR = Q
R11
R12
R22
(2.13)
A Rmn
posto(A) = r < n,
||R22 ||2
ento a fatorao QR de
Im(A).
Felizmente,
Im(A).
QT A = R =
onde,
nal e
R11 Rrr
triangular superior,
posto(A) = r .
R11
R12
A = QR
A = [a1 , a2 , , ar , , an ]
temos que
tal que
R12 Rr(nr) , Q
k = 1, , n
Q = [q1 , q2 , , qr , qm ].
min{r,k}
ai =
X
i=1
Im(A) = hq1 , q2 , , qr i.
38
(2.14)
Captulo 3
Apli
aes da Fatorao QR
3.1 Introduo
Ini
iaremos esse Captulo resolvendo sistema de equaes lineares
A R
nn
om
posto(A) = n
Ax = b,
onde
e forne
eremos uma soluo para este problema, por meio da fatorao QR
om
pivoteamento de
olunas. Por m, daremos uma soluo aproximada para o sistema
sobredeterminado
matriz
Ax = b
olunas independentes da
on luses.
39
Captulo
3.
Ax = b
A Rmn
b Rm , m = n.
posto(A) = n.
(3.1)
ni
as matrizes
que
QRx = b.
onde
tais que
A = QR.
QT QRx = QT b
Rx = d,
e omo a matriz
d=Q bR
nn
Como
temos
T
uma matriz ortogonal (Q Q
= I ),
temos
Assim, para en
ontrar a soluo para o sistema (3.1), basta resolver o sistema
triangular superior
para
i > j,
onde ada
Rx = d.
Como a matriz
rij = 0
xi
di ,
r33 x3 + + r3n xn = d3
..
rnn xn = dn ,
om
mente.
i = 1, , n
respe tiva-
bi
xi =
para todo
n
X
j=i+1
rii
rij xj
(3.2)
i = 1, , n.
Observe que para en
ontrar a soluo para o sistema (3.1), podemos atravs da
fatorao, de forma equivalente, resolver um sistema triangular superior, f
il de
40
Captulo
3.
1800.
1801.
Mais de duzentos
m > n.
onde
vetor
n.
b Rm .
s existe se
b Im(A),
mas
b Rm
b.
Considere o vetor
in gnitas, isto
x que satisfaz Ax = b,
para
equaes om
A Rmn
x
r = Ax b.
x
b Rn
Im(A)
tal que
Supondo que
no mximo de dimenso
Ab
x
a melhor aproximao
pequeno quanto possvel. Desse modo, natural a es
olha de uma norma para medir
o tamanho de
r,
p.
x
b
tal que
||r||p = ||Ab
x b||p
2-norma
1-norma
-norma,
A 2-norma preservada sob uma transformao ortogonal. Isto signi
a que podemos en
ontrar uma matriz
minimizao
||Q Ax Q b||2
De fato, seja
minado
Q Rmm
QT Ax = QT b,
obtido atravs de (3.1) por multipli
ao de
QT
(3.3)
Ento:
s = QT Ax QT b = QT (Ax b) = QT r.
Como
QT
ortogonal, temos
||s||2 = ||r||2.
41
Logo,
x Rn
(3.4)
minimiza
||s||2
se, e
Captulo
||r||2,
3.
x
b que
minimize
||Ax b||2 ,
isto ,
||Ab
x b||2
mnima.
Usaremos a notao
(3.5)
xRn
r = Ab
xb
x
b.
O vetor
(3.6)
||r||2 = ||Ab
x b||2
e denotaremos por resduo. Note que se
para o vetor
x
b
das olunas de
(mas em geral,
A.
||r||2
(3.7)
atravs
A possui posto
o aso ontrrio.
Seja
A Rmn
e suponha que
posto(A) = n,
ento o problema de
Ax = b tm uma ni
a soluo,
b = c, onde c Rn1 ,
superior Rx
QT b =
c
d
b
R
42
A.
Captulo
3.
Demonstrao:
Queremos en
ontrar
Temos que
A = QR,
om
xRn
mm
R
e
(3.8)
R Rmn .
Logo
Fazendo
onde
QT b =
c
d
b
R
R=
(3.9)
temos que
b c||2 + ||d||2,
||Ax b||22 = ||Rx
2
2
c Rn1 , d R(mn)1
b Rnn .
R
(3.10)
||d||22
independente de
x,
temos que
b =c
Rx
possui posto
ompleto.
Observe que atravs do sistema sobredetreminado
fatorao QR e en
ontrar
Rx = Q b.
Rx = QT b,
Q Q = I,
obtendo
RT
Como
Ax = b,
posto(A) = n,
podemos apli ar a
temos
no-singular
RT Rx = RT QT b.
Da, omo
segue
RT QT QRx = RT QT b.
43
ortogonal, isto ,
Captulo
Como
A = QR
AT = RT QT ,
3.
temos que
AT Ax = AT b.
(3.11)
Podemos provar os seguintes resultados (ver [3) para o sistema de equaes (3.11):
Armao 1:
AT A positiva denida, isto , xT (AT A)x > 0 para todo x,
dado que
posto(A) = n.
De fato
xT AT Ax = (Ax)T (Ax)
= ||Ax||22
0.
Alm disso,
omo
segue que
Ax 6= 0.
tem posto
temos que se
Ax = 0,
ento
x = 0.
Logo, se
x 6= 0
xT AT Ax > 0
para todo
x 6= 0,
isto ,
AT A
positiva denida.
Armao 2:
A matriz
AT A
no-singular. De fato,
AT Ax = 0 xT AT Ax = 0
||Ax||22 = 0
Ax = 0
x=0
assim, a inversa
(AT A)1
T
1 T
na expresso (A A) A b existe.
Armao 3:
Mostremos que
para todo
x
b satisfaz
||Ab
x b||22 < ||Ax b||22 ,
(3.12)
x 6= x
b.
De fato,
= ||Ax A
x||22 + ||A
x b||22 + 2(Ax A
x)T (A
x b),
44
(3.13)
Captulo
3.
= uT u + 2uT v + v T v
Armao 4:
(Ax Ab
x)T (Ab
x b) = 0
(3.14)
De fato,
2(Ax Ab
x)T (Ab
x b) = (x x
b)T AT (Ab
x b)
= (x x
b)T (AT Ab
x AT b)
= (x x
b)T [AT A(AT A)1 AT b) AT b]
= (x x
b)T (AT b AT b)
= (x x
b)T 0
= 0,
pois,
x
b = (AT A)1 AT b.
x,
e onseqentemente
posto(A) = n).
A(x x
b) = 0,
isto ,
x = x
b
(pois, o
As equaes (3.11) so
onhe
idas
omo Equaes Normais e
omo foi provado
atravs das armaes a
ima, tambm podem ser utilizadas para en
ontrar uma
ni
a soluo para o problema de mnimos quadrados para o
aso em que
posto
ompleto.
45
tem
Captulo
3.
mnimos quadrados
Teorema 3.3
A Rmn
b Rn
om
m > n.
Ax = b
posto(A) < n,
Seja
Demonstrao:
Suponha que
A tem posto
A Rmn
posto(A) = r < n,
pois se
r = n,
A = QR,
om olunas ortogonais e
onde
Rnn
R Rmn
R=
om
R11 Rkk
R11
R12
Q Rmm
R12 Rn(nk) .
2
Assim, podemos apli
ar mnimos quadrados para minimizar ||Axb||2 . Portanto:
= ||RT x QT b||22 .
Seja
T x =
R(mk)1 .
x1
x2
QT b =
b1
b2
onde
46
x1 , b1 Rk1 , x2 R(nk)1
(3.15)
b2
Captulo
R11
R12
x1
x2
2
!
R11 x1 R12 x2 b1
.
b2
2
!
b1
=
b2
2
!
R11 x1 + R12 x2 b1
= ||R11 x1 + R12 x2 b1 ||2 + ||b2 ||2 .
2
2
b2
2
atingido quando
R11
3.
Lembrando que
T x =
x1
x2
segue que
Logo o mnimo
R11 x1 + R12 x2 b1 = 0
Assim,
ou
x1 =
1
R11
(b1 R12 x2 )
x=
x2
Obeserve que o mnimo atingido quando
R12 x2 + b1 ,
onde
R11
no-singular.
Es olhendo
teremos
R11 x1 = b1
portanto
x=
Qualquer soluo, onde
Ax
1
R11
b1
s envolve no mximo
(3.16)
olunas de
A,
hamada de
soluo bsi
a. A soluo bsi
a usada freqentemente em vrias apli
aes, por
exemplo, quando as
olunas de
usando
olunas de
A,
(ver
[3).
A soluo bsi
a no a soluo de 2-norma mnima a menos que a submatriz
R12
47
Captulo
3.
b,
para predi-
eliminando aquelas que sejam redundantes, ou seja,
olunas que
ontm informaes
supruas, que podem ser des
onsideradas (por exemplo,
olunas linearmente dependentes, ver [8). O problema ento
omo sele
ionar um sub
onjunto de
olunas
no-redundantes de
A.
seleo de sub
onjunto e o assunto desta Seo. Veremos que esse problema pode
ser resolvido atravs da fatorao QR da matriz
A,
om pivoteamento de olunas,
que sero teis mais adiante, quando dis utiremos uma soluo para
A Rmn ,
om
m n.
A,
A = QR,
onde
Rnn
R Rnn
(3.17)
Q Rmn
m = n = 3.
a1 , a2 , a3
a1
as olunas de
a2
=
a3
A, trataremos de entender
Q R33
q1
q1 , q2 , q3
q2
48
q3
R R33
tal que
as olunas de
r
11
0
r12
r22
0
r13
r23
r33
A = QR.
ento,
Captulo
3.
onseqentemente,
a1 = r11 q1
a2 = r12 q1 + r22 q2
a3 = r13 q1 + r23 q2 + r33 q3 .
q3
r33
a3
r12
r23
r13
r22
q2
q1
a1 = q1 r11
Figura 3.1:
a2
Propriedades da Matriz A.
A R33 ,
foram tomados
De a ordo om a Subseo 2.5.3 do Captulo 2, foi observado que quando efetuamos pivoteamento de olunas na matriz de dados
A,
forma que
q1
2-norma,
A.
r33
om
a1 .
a2
a3 ,
r22
R.
R,
ou seja,
Captulo
rkk ,
3.
olunas da matriz
Portanto:
relativa as primeiras
k1
justamente a oluna de
que
|| . ||2;
2. A segunda oluna de
a oluna de
A;
em direo ortogonal s
k1
olunas da matriz
A.
que no
k -simo
e temos
(k)
k = 1, 2, , n.
onde
R,
isto ,
rkk ,
ak+1 , ak+2, , an .
k -simo
k -sima
ak ,
olunas de
A,
A,
(ver [7).
(k 1)
direo ortogonal.
L, foi visto
k -sima
oluna
olunas da matriz
oluna de
da matriz
No
(k, k)-elemento
Suponha
A.
olunas de
A,
50
Captulo
A = QR = Q
onde
nal e
R Rnn
exatamente as
R11
R12
R22
(3.18)
Q Rmn
(n k)
R22
olunas da matriz
ontm
primeiras
que so justa-
de
mente as olunas de
R22
os elementos da diagonal de
olunas de
R11
Rnn
3.
R22
esto todos em
olunas de
R11
Assim, as primeiras
onsequentemente as primeiras
primeiras olunas de
Im(A)
olunas da matriz
A.
e
Im(A).
Ax = b pode ser
resolvido
usando a t
ni
a de mnimos quadrados, este por sua vez, possui uma ni
a soluo
quando a matriz
matriz
A1 ,
Ax = b,
4).
A,
dadas por
(3.19)
xRn
De fato, a matriz
A[1 2 ] = QR.
= [1 2 ],
onde
Da segue,
51
A = QR,
1 Rmk
2 Rm(nk) .
Assim,
Captulo
A[1 2 ] = Q
tal que
onde,
A1 Rmk
R11 R
A1 = QR11
kk
3.
R11 R12
0 R22
R12 R
k(nk)
A2 Rm(nk) .
R22 R
olunas independentes de
(nk)(nk)
Conseqentemente,
Podemos resolver (3.19), que um problema de mnimos quadrados usando fatorao QR. De fato, substituindo a matriz
por
A1
Q b=
e
b1 Rk1
b2 R(mk)1 .
b1
b2
R11 x = b1 .
(3.20)
||b2 ||2 .
b,
k olunas independentes da
utilizando a t ni a de mnimos
quadrados.
Gostaramos de aproximar as
(n k)
olunas da matriz
de posto
k,
A,
A1 .
olunas independentes de
A.
isto ,
A,
A2 , em funo
(n k)
olunas da matriz
Ak
em termos de
Como veremos no prximo aptulo, essa reduo de posto est rela ionada om
Captulo
3.
i=1
E =
nk
X
i=1
nk
olunas de
A2 .
Assim, pela
E = ||A1 X A2 ||2F ,
onde
(3.21)
X Rk(nk).
Q Rmn
pois,
= ||QT A1 X QT A2 ||2F
2
T
R
12
T
=
Q QR11 X Q Q R22
F
R11 R12
. Ento,
A[1 2 ] = Q
0 R22
2
T
R12
T
E =
Q QR11 X Q Q
R22
F
2
R12
=
R11 X
R22
F
R11 X R12
2
=
R22
F
= ||R11 X R12 ||2F + ||R22 ||2F .
(3.22)
R11 X = R12 ,
onde sua parte residual dada por
||R22 ||F .
53
(3.23)
Captulo
3.
b||2 ,
om
A Rmn ,
onde
xR
possui ou no posto
ompleto. Em ambos os
asos a
A,
atravs de
pivoteamento de
olunas.
Entretanto,
laro que existem outros mtodos para en
ontrar solues para os
problemas propostos nesse
aptulo (ver [8), porm, para os propsitos do
aptulo
4,
54
Captulo 4
Apli
ao a Animao Fa
ial
4.1 Introduo
Neste Captulo, mostraremos
omo a fatorao QR pode ser utlizada na obteno de
um modelo e produzir animaes
omputadorizadas da fala
om um nvel a
eitvel
de realismo. O algoritmo permite identi
ar um sub
onjunto de mar
adores fa
iais
independentes. Esse sub
onjunto pode ser utilizado posteriormente,
omo uma base
para predizer o movimento de pontos fa
iais arbitrrios.
Investigaremos as trajetrias re
onstitudas pelo algoritmo, mostrando que o erro
mdio obtido relativamente pequeno e geraremos
omputa
ionalmente animaes
fa
iais. A maioria dos algoritmos que foram implementados nessa dissertao esto
disponveis no Apndi
e
A.
4.2 Dados
Os dados
onsistem em registros da posio
3D
de
57
120
10
As primeiras
30
40
40
(neutra), para que fosse obtido o deslo amento (separado) de ada mar ador.
55
Captulo
4.
Figura 4.1:
n = 171.
A matriz
57 3 = 171
possui
{x, y, z}
onde
m
b = 11975
b
B
representa as
y1,2
z1,3
x1,4
y1,5
z1,6
.
..
.
..
.
..
.
..
.
..
.
..
xm,1
ym,2
zm,3
xm,4
ym,5
zm,6
n = 171
b
b Rmn
B
omo segue
x1,1
b=
B
m = 16106
onde
Bmn ,
x1,169
y1,170
z1,171
.
..
.
..
.
..
xm,169
ym,170
zm,171
(z13 zm3 )T
(y15 ym5 )
(z16 zm6 )T
Como veremos na Seo 4.7, devemos aproximar o deslo
amento de
ada mar
ador que no foi sele
ionado pelo algoritmo de fatorao QR
omo uma
ombinao
56
Captulo
linear de
linear desses
Ps
4.
(4.1)
so es alares. Por simpli idade, para obtermos os deslo amentos de ada mar-
ador, vamos
on
atenar os deslo
amentos dos mar
adores em ni
o mar
ador.
Dessa forma teremos
x
x
x
x
s
1
2
k
y = a1s y + a2s y + + aks y .
s
1
2
k
zs
z1
z2
zk
(4.2)
x=
y=
z=
onde
x1r
..
x
mr
y1j
.
.
y
mj
z1l
.
.
z
ml
M = 3 m.
A,
30
l = {3, 6, 9, , n}.
A RM N ,
onde
N =
n
o nmero de
3
Captulo
4.
nesta Seo que a mesma anlise pode ser feita
om de
omposio de valores singulares.
Como visto no Captulo 1, o posto numri
o de uma matriz pode ser
al
ulado
analisando os seus respe
tivos valores singulares. A Figura 4.2 mostra os elementos
da diagonal da matriz
relao ao
56,56 = 18.88
56
, r )2
57,57 = 0.07
A.
em
De fato, pelo
r > r+1 .
(4.3)
Em determinadas apli
aes (ver Captulo 1), apare
em matrizes
ujos valores singulares menores deveriam ser nulos, mas no o so devido erros de arredondamentos,
et
(ver [8). No que se refere aos dados, houve uma pequena margem de erro que
hega a aproximadamente
temos
r = 56 = 18.88
0.5mm
(ver [17).
r+1 = 57 = 0.07.
= 1.0
r = 56
satisfaz a Denio
1.20 e da
56
(4.4)
1800
1600
1400
1200
kk
1000
800
600
400
200
0
10
20
30
40
50
60
Figura 4.2:
R, rkk ,
relativo as primeiras
58
que medem a
k1
anteriores, e
Captulo
4.
k = 1, , 57.
Ambas as tm diagonal
r57,57 = 0.01
r56,56 = 25.41
700
600
500
rkk
400
300
200
100
10
20
30
40
50
60
Figura 4.3:
10 valores de rkk ,
15
R.
Os valores estabi-
onjunto de dados maior, bastante seguro para onstruir um modelo, o que justi ou adoo de
30.
A es
olha da quantidade de sentenas pode ser justi
ada atravs de uma anlise
na Figura 4.4. L, os primeiros
de
30
500
15a
59
10
Captulo
4.
0.4
0.35
0.3
rkk/||R||F
0.25
0.2
0.15
0.1
0.05
0
20
40
60
80
100
Amostras 100
120
140
160
Figura 4.4:
15a
1000
2000,
o que ns d aproximadamente
sentenas.
0.3
rkk/||R||F
0.25
0.2
0.15
0.1
0.05
20
40
60
80
100
Amostras 100
120
140
160
Figura 4.5:
Captulo
4.
Isto , nem
rkk
que foram sele
ionadas para apli
ar a fatorao QR, su
iente, no sentido de que
todos os movimentos da fa
e
apturados pelos mar
adores esto agregadas nesse
onjunto de sentena.
Da, um onjunto
30
a
ontea (Figura 4.4). Por outro lado, quando permutamos aleatoriamente as linhas
da matriz de dados, temos um
ruzamento de informaes, isto , expresses fa
iais
que antes eram manifestas em frases posteriores, por exemplo, agora se misturam.
Assim, movimentos fa
iais que antes eram obtidos
om um
onjunto de
30
frases
por exemplo, no mais ne
essrio e portanto, a estabilidade o
orre bem antes (ver
Figura 4.5) em
omparao
om a Figura 4.4.
4.6 Es
olha dos Mar
adores Prin
ipais e suas Respe
tivas Regies de Inun
ia
Em [14 apresentado uma Tabela
om
adores sele
ionados pelo algoritmo.
10
olunas.
Um onjunto de dados de
30
30
12
mar-
sentenas foi
sentenas do
mente sele
ionadas. As
olunas sele
ionadas tiveram uma pequena mudana a
ada
nova tentativa.
Neste trabalho, faremos um outro tipo de anlise. A Tabela 4.1 mostra experimentos feitos
om
na matriz
A.
goritmo na
varia de
1000
11975
linhas
Cada oluna da tabela representa os mar adores sele ionados pelo al-
k -sima linha.
estabilizam a partir da
7a
15a
sentena aproximadamente.
A Tabela 4.2 mostra os mar
adores que o algoritmo sele
ionou
om as linhas
permutadas aleatoriamente na matriz de dados
A,
onde
varia
1000 a 11975.
61
Cada
k -sima
Captulo
Ordem
1
2
3
4
5
6
7
8
9
10
11
12
Amostras 100
4.
2
48
34
51
20
02
07
36
39
57
11
32
47
20
3
48
34
51
20
03
36
39
11
06
44
32
47
30
4
40
34
38
2
36
20
49
07
52
13
23
57
40
5
40
34
38
2
36
20
49
07
52
13
54
23
50
6
40
34
38
2
20
36
08
49
11
52
12
54
60
7
40
02
38
2
20
08
36
49
13
52
12
54
70
8
40
34
38
2
20
36
36
49
13
12
54
52
80
9 10 11
12
40 40 40
40
34 34 34
34
38 38 38
38
2
2
2
2
36 36 36
36
36 36 36
36
20 08 08
20
49 49 49
49
13 13 13
13
12 52 52
52
54 54 54
54
47 56 47
47
90 100 110 119.75
5a
Amostras 100
oluna
sentena.
Ordem
1
2
3
4
5
6
7
8
9
10
11
12
2o
2
40
34
38
2
36
08
20
49
13
52
54
47
20
3
40
34
38
2
36
06
20
49
13
52
54
47
30
4
40
34
38
2
36
06
20
49
13
52
54
47
40
5
40
34
38
2
36
06
20
49
13
52
54
47
50
6
40
34
38
2
36
06
20
49
13
52
54
47
60
7
40
34
38
2
36
06
20
49
13
52
54
47
70
8
40
34
38
2
36
20
06
49
13
52
54
47
80
9 10 11
12
40 40 40
40
34 34 34
34
38 38 38
38
2
2
2
2
36 36 36
36
20 06 06
06
06 20 20
20
49 49 49
49
13 13 13
13
52 52 52
52
54 54 54
54
47 47 47
47
90 100 110 119.75
Os 12 primeiros mar adores sele ionados pelo Algoritmo om k linhas permutadas aleatoriamente.
Tabela 4.2:
A partir do momento em que os dados omeam a estabilizar, h pou as mudanas entre as olunas sele ionadas pelo algoritmo. Assim, usando os resultados
62
Captulo
4.
A tabela 4.3
Tabela 4.3:
Ordem
Mar ador
1
2
3
4
5
6
7
8
9
10
11
12
40
34
38
2
36
06
20
49
13
52
54
47
12
pelo algoritmo e suas respe tivas regies de inun ia para ada um dos mar adores.
40,
Na
5a
02,
06
e o
38,
mar ador
34
36 e
7a
O mar ador
20
apare e na
O mar ador
49
13
a esquerda;
O mar ador
Na
10a
52
rosto;
63
Captulo
O mar ador
54,
4.
11a
posio, e en ontra-se
52;
47
a direita.
Os valores
rkk
parao
om os outros (ver Figura 4.2), o que sugere que seus movimentos determinam grande parte da
inemti
a fa
ial geral.
Aps sele
ionar os mar
adores (
olunas) prin
ipais,
al
ulamos
om o auxlio de
mnimos quadrados das
olunas restantes resolvendo
R11 X = R12 ,
(4.5)
omo na Seo 3.4 do Captulo 3. Como um exemplo numri
o, usamos os resultados da a Tabela 4.3. Em [14, Lu
ero et al. adotou uma base
onstituda de
mar
adores. Nesta dissertao, adotamos base de
in
lui at o mar
ador
47.
09
As regies
dos dois mar
adores da plpebra seja um mar
ador prin
ipal, ambos tm os pesos
similares, indi
ando padres quase iguais do movimento.
O gr
os das Figuras 4.6 e 4.7 representam as linhas da matriz
obtidas pela
equao (4.5), interpoladas a toda a superf
ie fa
ial. Cada gr
o mostra a regio
ontrolada pelo mar
ador i, que
orresponde a linha
de
X.
Do mesmo modo, podemos fazer gr
os similares (Figuras 4.8 e 4.9), porm
nesse
aso,
onsiderando a matriz
R.
ontm as
64
A segunda linha de
Captulo
Figura 4.6:
Q.
Regies fa iais ilustradas para os mar adores 40, 34, 38, 02, 36 e 06.
4.
Em geral, a
k -sima linha de R
em direo ortogonal
k1
olunas da matriz
65
Q.
A
R
Captulo
Figura 4.7:
4.
mostram a projeo do deslo
amento de
ada ponto fa
ial nas direes ortogonais
denidas pela matriz
Q.
39
do onjunto de sentenas
disponvel no Apndi
e B (ver Tabela 4.6). As animaes fa
iais de movimentos arbitrrios podem ser produzidas,
ontrolando o movimento dos mar
adores prin
ipais
om sinais apropriados.
Seja
P1 Rmk
tivos posio neutra ini ial. Uma vez omputados todos os oe ientes da matriz
66
Captulo
Figura 4.8:
X,
4.
P2 = P1 X.
(4.6)
Cal
ulados os deslo
amento para os mar
adores se
undrios, a posio ini
ial de
67
Captulo
Figura 4.9:
4.
todos os mar
adores introduzida para obter sua posio no espao (3D). Desse
modo,
riamos um malha fa
ial equiespaada
ontendo
2500
trrios. Inter
alamos esses pontos fa
iais atravs da interpolao
bi
a, isto ,
ada
urva entre dois pontos adja
entes
onsiste num polinmio de ter
eira ordem
ujos
oe
ientes foram obtidos resolvendo sistema de equa
es lineares montadas a partir
ondies preestabele
idas.
Finalmente, ns produzimos animaes fa
iais para a sentena
39,
em formato
AVI (ver Algoritmo L do Apndi
e A). Outros exemplos de animaes que usam
esta t
ni
a podem ser visualizadas em
http://vargas.mat.unb.br/ .
A Figura
4.10 mostra o quadro ini
ial das animaes geradas usando esse mtodo.
Em geral, as animaes so visualmente realistas, sem nenhuma distoro per
eptvel nos padres de movimento.
68
Captulo
Figura 4.10:
4.
10
P2
39
do onjunto de sentenas.
onde
zi
xi , yi , zi
v
u
N
u1 X
t
(xi xi )2 + (yi y i )2 + (zi z i )2 ,
E=
N i=1
(4.7)
xi , y i
omponentes dos deslo amentos obtidos atravs da re onstituio dos mar adores
pelo algoritmo.
A Figura 4.11 mostra a
omparao entre a trajetria real (linha em traos) e a
nova trajetria que foi re
onstituda pelo algoritmo (linha
heia), no presente
aso,
para o mar
ador
28.
28
rosto (ver Figura 4.1), uma regio onde h muito deslo
amento, ainda assim, h
grande semelhana entre as trajetrias originais e as re
onstitudas pelo algoritmo,
mostrando que a fatorao QR de fato um bom algoritmo para re
onstruo das
trajetrias.
69
Captulo
4.
3.5
3
0
2.5
1
y (mm)
x (mm)
2
2
1.5
1
3
0.5
4
0
5
100
200
300
400
500
0.5
600
100
200
Amostras
300
400
500
600
Amostras
1.5
1
0.5
z (mm)
0
0.5
1
1.5
2
2.5
100
200
300
400
500
600
Amostras
Figura 4.11: Exemplo de trajetria real (linha de traos) e re
onstruda pelo algoritmo
(linha
heia), para o mar
ador 28.
A Tabela 4.4
ontm os erros obtidos atravs da re
onstituo dos deslo
amentos
dos mar
adores pelo algoritmo. Em relao a Tabela 4.4 desta
amos:
11o
13o
mar
ador, que um mar
ador sele
ionado pelo algoritmo, portanto ambos
possuem pesos similares, e
omo o
11o
13o
11
13,
pois esse mar
ador en
ontra-se justamente na parte superior na sombra
elha
direita, lo
al onde h pou
o deslo
amento dos mar
adores;
70
Captulo
4.
Mar adores
Erro
Mar adores
Erro
Mar adores
Erro
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
0.80
0.00
0.40
0.50
0.66
0.00
0.70
0.55
0.49
0.30
1.07 105
0.94
0.00
0.88
0.44
0.63
0.65
0.67
0.39
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
0.00
0.76
0.66
0.93
0.61
0.49
0.38
0.56
0.35
0.70
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
1.05
0.00
0.68
0.93
0.74
0.82
0.58
0.65
0.00
0.84
0.00
0.61
0.72
0.00
0.51
0.00
0.80
0.70
0.84
0.75
0.97
0.95
0.54
0.00
0.61
0.00
0.78
0.00
Erro obtido para as trajetrias dos mar
adores que foram re
onstitudas atravs
algoritmo para a sentena 39.
Tabela 4.4:
12
xi = xi , yi = y i
zi = z i ;
42, 0.84mm
1.05mm
48
57.
39, 0.93mm
para o
mar
adores (ver gura 4.1) se en
ontram na parte inferior do rosto, que a
regio onde se tm os maiores deslo
amento de mar
adores, era natural que
tivssemos nessa regio os maiores erros.
A Tabela 4.5 mostra o erro mdio para
ada uma das sentenas usadas para
validar o modelo.
As sentenas
39
31, 37
menor e o maior erro mdio respe
tivamente. Comparado
om o erro de pre
iso
dos dados,
er
a de
Captulo
4.
0.64mm
(ver Algoritmo
I do Apndi e A).
Tabela 4.5:
31 a 40.
Sentenas
Amostras
Erro Mdio
31
32
33
34
35
36
37
38
39
40
468
323
424
416
474
454
315
308
589
364
1.10
0.84
1.06
0.93
1.08
0.68
0.71
0.97
0.64
1.01
09
mar adores.
Neste aptulo, al ulamos os erros, re onstrumos as trajetrias, obtivemos animaes fa iais atravs de uma base onstituda de
0.90mm
12
03
1.05mm,
12 mar adores na
olunas da matriz
o problema de seleo de sub
onjunto (ver Captulo 3). No nosso
aso, as
olunas
desta matriz so representadas por deslo
amentos de
O modelo (matriz
X)
R11 X = R12
57
mar adores.
P1 X = P2
72
P2
Captulo
variar de
4.
57
es olhendo uma frase predenida do onjunto de sentenas, logramos para ada sub onjunto de
mar adores um erro mdio. Sabemos a priori que o erro de pre iso
dos dados de
0.5mm
mar adores em
31
40
1.8
1.8
1.6
1.6
1.4
1.4
1.2
1
0.8
0.6
1
0.8
0.6
0.4
0.4
0.2
0.2
0
1.2
10
20
30
40
50
10
20
30
40
50
Erro mdio para um
onjunto de k mar
adores sele
ionados, frases 31 e 32.
A linha
heia (na horizontal) representa o erro de pre
iso dos dados.
Figura 4.12:
31
35,
so as que possuem
0.5mm.
20,
36
40,
39,
para se
possuem
similar.
Atravs de uma anlise das Figuras 4.12, 4.13 e 4.14
on
luimos que o erro mdio
diminui quando se aumenta o nmero de mar
adores e pelo observado a
ima, uma
quantidade razovel para se
onstruir o modelo deveria ser de pelo menos
40.
Por
outro lado, no interessante uma base muito numerosa, j que propomos desde
o in
io deste trabalho um modelo em termos de `pou
os' mar
adores fa
iais. Na
verdade, no h pro
edimento que estime a priori o nmero de mar
adores a serem
es
olhidos.
12
mar adores
mostrou bons resultados, om erro mdio relativamente pequeno e uma boa ani-
73
Captulo
4.
2.5
1.8
1.6
1.4
1.2
1
0.8
1.5
0.6
0.4
0.5
0.2
0
10
20
30
40
50
10
20
30
40
50
30
40
50
1.6
1.4
2.5
1.2
2
1.5
1
0.8
0.6
0.4
0.5
0.2
0
10
20
30
40
50
10
20
Erro mdio para um
onjunto de k mar
adores sele
ionados, frases 33 a 36.
A linha
heia (na horizontal) representa o erro de pre
iso dos dados.
Figura 4.13:
http://vargas.mat.unb.br/ .
74
Captulo
1.6
4.
2.5
1.4
2
1.2
1
0.8
0.6
1.5
0.4
0.5
0.2
0
10
20
30
40
50
10
20
k
1.8
1.6
1.8
50
30
40
50
1.4
1.2
40
1.6
1.4
1
0.8
0.6
1.2
1
0.8
0.6
0.4
0.4
0.2
0
30
0.2
0
10
20
30
40
50
10
20
Erro mdio para um
onjunto de k mar
adores sele
ionados, para as frases
37 a 40. A linha
heia (na horizontal) representa o erro de pre
iso dos dados.
Figura 4.14:
75
Con
luses
Neste trabalho, estudamos a fatorao QR e suas apli
aes. Atravs desta de
omposio, en
ontramos uma soluo para o sistema de equaes lineares
A Rnn
e
m > n,
Ax = b, onde
bi
xi =
para todo
n
X
rij xj
j=i+1
rii
i = 1, , n.
A.
Entretanto,
laro que existem outros mtodos para en
ontrar solues para
os problemas propostos nesta dissertao (ver [8), porm, para os propsitos deste
trabalho, fatorao QR mostrou bons resultados, permitindo resolver os prin
ipais
problemas para se
hegar em um modelo para gerao de animaes fa
iais.
Tal pro
edimento mostrou-se e
iente, pois permitiu identi
ar um sub
onjunto
base de mar
adores fa
iais independentes, posteriormente utilizados para prognosti
ar o movimento de pontos fa
iais arbitrrios.
Atravs da Figura 4.11 podemos observar que as trajetrias re
onstitudas pelo
algoritmo esto bem prximas das originais, mostrando a e
ssia da fatorao QR
na re
onstruo das trajetrias dos mar
adores.
As animaes omputadorizadas
Con luses
1.05mm.
0.90mm
09 mar adores e
12 mar adores om
77
2000
Publishers, Malden (
2000).
1 8,
Bla kwell
[3 Bjr
k, A.,
phia
SIAM, Philadel-
(1996).
Numeri al
1, 33 44 (1994).
ations
[6 Fukuda, H. E.,
2006).
2004).
problems,
76 559
1976).
Matrix Computations,
1996).
2007).
Journal of the
Departamento de
1996).
1998).
1994).
135 142,
Ubatuba - SP (
2006).
Empiri al modeling of human fa e kinemati s during spee h using motion lustering, Journal
2005).
1, 1 7
2007).
<munhallkpost.queensu. a>.
orthogonal transforms, IEEE Transa tions on Systems, Man and Cyberneti s Part C: Appli ations and Reviews
New York (
2001).
SIAM, Philadelphia
1997).
1991).
79
Apndi
e A
Esto rela
ionados abaixo o
digo fonte dos programas implementados em Matlab
para gerar os gr
os e tabelas que apare
em no texto. Alguns programas, Algoritmos J, K e L foram adaptados de [14 e os outros foram elaborados neste trabalho.
Algoritmo A
Cdigo fonte para gerar a Figura 4.4.
___________________________________________________________________
lear all
load Matriz
MARCADORES = 57;
[k,l = size(trM5);
= 2;
l = 0;
n = 12;
m = 0;
while (k >= 57) & (
> 1)
for j = 1:k
if mod(j,100) == 0
D = trM5(1:j,:);
C = reshape(D,3*j,MARCADORES);
= 0;
[q,r,e = qr(C,0);
80
Apndi e A
a = norm(r,'fro');
for i = 1:n
l = l + 1;
R(l) = r(i,i);
b(l) = R(l)/a;
end
end
end
for i = 1:(l/n)
for j = 1:n
m = m + 1;
M(i,j) = b(m);
end
end
plot(abs(M),'-o','MarkerSize',4,'MarkerFa
eColor','bla
k');
xlabel('Amostras \times 100')
ylabel('r_{kk}/||R||_F')
end
if (k < 57)
display('k tem que ser maior ou igual a 57')
end
81
Apndi e A
Algoritmo B
Cdigo fonte para gerar a Figura 4.5.
_____________________________________________________________________
lear all
load MatrizHexa
[M,N = size(A);
P = randperm(M);
C = A(P,:);
k = 16106;
= 2;
l = 0;
n = 10;
m = 0;
while (k >= 57) & (
> 1)
for j = 1:k
if mod(j,100) == 0
H = C(1:j,:);
W = reshape(H,6*j,N/6);
= 0;
[q,r,e = qr(W,0);
a = norm(r,'fro');
for i = 1:n
l = l + 1;
R(l) = r(i,i);
b(l) = R(l)/a;
end
end
end
for i = 1:(l/10)
for j = 1:10
82
Apndi e A
m = m + 1;
D(i,j) = b(m);
end
end
plot(abs(D),'-o','MarkerSize',4,'MarkerFa
eColor','bla
k');
xlabel('Amostras \times 100')
ylabel('R_{kk}/||R||_F')
end
if (k < 57)
display('n tem que ser maior ou igual a 57')
end
83
Apndi e A
Algoritmo C
Cdigo fonte para gerar a Figura 4.2.
_____________________________________________________________________
lear all
load DataW
[m,n= size(trM);
N = n/3;
trM3 = reshape(trM,3*m,N);
[U,T,V = svd(trM3,0);
for i = 1:57
R(i) = T(i,i);
k(i) = i;
end
plot(k,R,'-ro','MarkerSize',5,'MarkerFa
eColor','bla
k');
xlabel('k')
ylabel('\Sigma_{kk}')
84
Apndi e A
Algoritmo D
Cdigo fonte para gerar a Figura 4.3.
_____________________________________________________________________
lear all
load DataW
[m,n= size(trM);
N = n/3;
trM3 = reshape(trM,3*m,N);
[q,r,e = qr(trM3,0);
SIGMA = diag(r);
SIGMA = SIGMA';
for i = 1:57
if SIGMA(i) < 0
M(i,i) = - 1;
else
M(i,i) = 1;
end
end
D = M*r;
for i = 1:57
R(i) = D(i,i);
k(i) = i;
end
plot(k,R,'-ro','MarkerSize',5,'MarkerFa
eColor','bla
k');
xlabel('k')
ylabel('r_{kk}')
85
Apndi e A
Algoritmo E
Cdigo fonte para gerar as Tabela 4.1.
_____________________________________________________________________
lear all
load DataW
[m,n = size(trM);
j = 0;
for i = 1:12
j = j + 1000;
if j < 11975
D = trM(1:j,:);
C = reshape(D,3*j,57);
[q,r,e = qr(C,0);
M(:,i) = e(1:12);
else
j = j - 25;
D = trM(1:j,:);
C = reshape(D,3*j,57);
[q,r,e = qr(C,0);
M(:,i) = e(1:12);
end
end
86
Apndi e A
Algoritmo F
Cdigo fonte para gerar a Tabela 4.2.
_____________________________________________________________________
lear all
load DataW
[m,n = size(trM);
P = randperm(m);
E = trM(P,:);
j = 0;
for i = 1:12
j = j + 1000;
if j < 11975
D = E(1:j,:);
C = reshape(D,3*j,57);
[q,r,e = qr(C,0);
M(:,i) = e(1:12);
else
j = j - 25;
D = E(1:j,:);
C = reshape(D,3*j,57);
[q,r,e = qr(C,0);
M(:,i) = e(1:12);
end
end
87
Apndi e A
Algoritmo G
Cdigo fonte para gerar a Tabela 4.3.
_____________________________________________________________________
lear all
load DataW
[m,n = size(trM);
C = reshape(B,3*m,57);
[q,r,e = qr(C,0);
M = e(1:12);
88
Apndi e A
Algoritmo H
Cdigo fonte para gerar a Figura 4.11.
___________________________________________________________________
lear all
load DataW
load Resultados
load Posi
ao
IC = 11;
[m,n = size(snt
_39);
N = n/3;
%Cl
ulo do Deslo
amento
for i = 1:m
for j = 1:n
D(i,j) = snt
_39(i,j) - Pos9(1,j);
end
end
[m,n = size(D);
%Matriz Deslo
amento dos Mar
adores Prin
ipais
P3 = reshape(D,3*m,N);
for j = 1:IC
P1(:,j) = P3(:,e(j));
end
% Deslo
amento dos Mar
adores Se
undrios
P2 = P1*AA2;
for i = 1:m
for j = 1:N
x1(i,j) = P3(i,j);
y1(i,j) = P3(m + i,j);
z1(i,j) = P3(2*m + i,j);
89
Apndi e A
x2(i,j) = P2(i,j);
y2(i,j) = P2(m + i,j);
z2(i,j) = P2(2*m + i,j);
end
end
%Comparao dos Mar
adores Originais
om se
undrios
for i = 28:28
X =
[x1(:,i),x2(:,i);
Y =
[y1(:,i),y2(:,i);
Z =
[z1(:,i),z2(:,i);
plot(X(:,1),'k--');
hold on
plot(X(:,2),'k-');
xlabel('Amostras','FontSize',12);
ylabel('x (mm)','FontSize',12);
%legend('Mar
ador primrio x_i', 'Mar
ador se
undrio x_i');
pause
hold off
lear X
lf
plot(Y(:,1),'K--');
hold on
plot(Y(:,2),'K-');
xlabel('Amostras','FontSize',12);
ylabel('y (mm)','FontSize',12);
%legend('Mar
ador primrio y_i','Mar
ador se
undrio y_i');
pause
hold off
lear Y
lf
plot(Z(:,1),'k--');
hold on
plot(Z(:,2),'k-');
xlabel('Amostras','FontSize',12);
90
Apndi e A
ylabel('z (mm)','FontSize',12);
%legend('Mar
ador primrio z_i','Mar
ador se
undrio z_i');
pause
hold off
lear Z
lf
end
91
Apndi e A
Algoritmo I
Cdigo fonte para gerar as Tabelas 4.4 e 4.5.
_____________________________________________________________________
lear all
load DataW
load Resultados
load Posi
ao
IC = 10;
[m,n = size(snt
_39);
N = n/3;
T = m*3;
k = T*N;
M = 0;
S = 0;
%Cl
ulo do Deslo
amento
for i = 1:m
for j = 1:n
D(i,j) = snt
_39(i,j) - Pos9(1,j);
end
end
%Matriz Deslo
amento dos Mar
adores Prin
ipais
P3 = reshape(D,3*m,N);
for j = 1:IC
P1(:,j) = P3(:,e(j));
end
% Deslo
amento dos Mar
adores Se
undrios
P2 = P1*AA2;
%Erro de
ada Mar
ador Primrio e Se
undrio Respe
tivamente
for j = 1:N
for i = 1:m
92
Apndi e A
M = M + (P3(i,j) - P2(i,j)).^2 + (P3(m + i,j) P2(m + i,j)).^2 + (P3(2*m + i,j) - P2(2*m + i,j)).^2 ;
end
erro(j) = sqrt((1/m)*M);
M = 0;
l(j) = j;
end
erro_medio = sum(erro)/46;
93
Apndi e A
Algoritmo J
Cdigo fonte para gerar a Figuras 4.6 e 4.7.
_____________________________________________________________________
'*.*',
10;
N = n/3;
C = reshape(trM,3*m,N);
% QR
[q,r,e = qr(C,0);
% Solve least squares
AA = [eye(IC),r(1:IC,1:IC)\r(1:IC,IC+1:N);
% Put
olumns ba
k into original positions
[a,b = sort(e);
AA2 = AA(:,b);
% Plot fa
ial regions
load
map
olormap(
map);
LGRID = 100;
% Grid dimension
94
Apndi e A
for i = 1:N;
x(i) = mPos(1,1+(i-1)*3);
y(i) = mPos(1,2+(i-1)*3);
z(i) = mPos(1,3+(i-1)*3);
end
xlin = linspa
e(min(x),max(x),LGRID);
ylin = linspa
e(min(y),max(y),LGRID);
[X,Y = meshgrid(xlin,ylin);
Z = griddata(x,y,z,X,Y,'
ubi
');
ZPos(1,:) = reshape(X,1,LGRID*LGRID);
ZPos(2,:) = reshape(Y,1,LGRID*LGRID);
ZPos(3,:) = reshape(Z,1,LGRID*LGRID);
ZPos = reshape(ZPos,1,3*LGRID*LGRID);
for iC = 1:IC
w = AA2(iC,:);
W = griddata(x,y,w,X,Y,'
ubi
');
%ZW(iC,:) = reshape(W,1,LGRID*LGRID);
C = W + ones(size(W));
surf(X,Y,W,C,'Fa
eColor','interp','EdgeColor','none')
axis([0 2);
daspe
t([5 5 1)
view(0,90)
axis tight
axis equal
xlabel('X (mm)','FontSize',12);
ylabel('Y (mm)','FontSize',12);
title(['Regio n^{o}:',int2str(iC),'-Mar
ador',int2str(e(iC)))
hold on
plot3(x,y,z,'ro','MarkerSize',4,'MarkerFa
eColor','bla
k');
pause
hold off
%print('-deps',int2str(iC));
end
% Save results
95
Apndi e A
96
Apndi e A
Algoritmo K
Cdigo fonte para gerar as Figuras 4.8 e 4.9.
_____________________________________________________________________
lear all
load DataW
% Reshape traje
tory matrix
[m,n = size(trM);
trM3 = reshape(trM,3*m,n/6);
%QR
[q,r,e = qr(trM3,0);
% Plot fa
ial regions
load
map
olormap(
map);
b = max(abs(r(:,1)));
RR = r/b;
[a,b = sort(e);
RR2 = RR(:,b);
LGRID = 100;
% Grid dimension
for i = 1:n/6;
x(i) = mPos(1,1+(i-1)*3);
y(i) = mPos(1,2+(i-1)*3);
z(i) = mPos(1,3+(i-1)*3);
end
xlin = linspa
e(min(x),max(x),LGRID);
ylin = linspa
e(min(y),max(y),LGRID);
[X,Y = meshgrid(xlin,ylin);
Z = griddata(x,y,z,X,Y,'
ubi
');
ZPos(1,:) = reshape(X,1,LGRID*LGRID);
ZPos(2,:) = reshape(Y,1,LGRID*LGRID);
97
Apndi e A
ZPos(3,:) = reshape(Z,1,LGRID*LGRID);
ZPos = reshape(ZPos,1,3*LGRID*LGRID);
for i = 1:n/6
w = RR2(i,:);
W = griddata(x,y,w,X,Y,'
ubi
');
C = W + ones(size(W));
surf(X,Y,W,C,'Fa
eColor','interp','EdgeColor','none')
axis([0 2);
daspe
t([5 5 1);
view(0,90)
axis tight
xlabel('x (mm)','FontSize',12);
ylabel('y (mm)','FontSize',12);
title(['Regio n^{o}:',int2str(i),' - Linha ',int2str(i))
hold on
plot3(x,y,z,'ko','MarkerSize',4,'MarkerFa
eColor','bla
k');
pause
hold off
%print('-deps',int2str(i));
end
98
Apndi e A
Algoritmo L
Cdigo fonte para gerar animaes fa
iais utilizadas na seo 4.7.
_____________________________________________________________________
lear all
NMARKERS = 57;
IC = 10;
load Resultados
load DataW
iFile = 39;
snt
_iFile = eval(['snt
_',int2str(iFile));
sentti = CID_31to40{iFile-30};
LGRID = 30;
m = [0.9 0.9 0.7;
for i = 1:NMARKERS;
x(i) = mPos(1,1+(i-1)*3);
y(i) = mPos(1,2+(i-1)*3);
z(i) = mPos(1,3+(i-1)*3);
end
xlin = linspa
e(min(x),max(x),LGRID);
ylin = linspa
e(min(y),max(y),LGRID);
[X,Y = meshgrid(xlin,ylin);
Z = griddata(x,y,z,X,Y,'
ubi
');
ZPos(1,:) = reshape(X,1,LGRID*LGRID);
ZPos(2,:) = reshape(Y,1,LGRID*LGRID);
ZPos(3,:) = reshape(Z,1,LGRID*LGRID);
ZPos=reshape(ZPos,1,3*LGRID*LGRID);
for iC = 1:IC
w = AA2(iC,:);
W = griddata(x,y,w,X,Y,'
ubi
');
ZW(iC,:) = reshape(W,1,LGRID*LGRID);
99
Apndi e A
end
nS = length(snt
_iFile);
trM = snt
_iFile-ones(nS,1)*mPos;
trM = round(10*trM)/10;
% Reshape traje
tory matrix
[m,n = size(trM);
trM3 = reshape(trM,3*m,NMARKERS);
bb1 = trM3(:,e(1:IC))*ZW;
bb1 = reshape(bb1,m,3*LGRID*LGRID);
pos2 = reshape(snt
_iFile,3*m,NMARKERS);
position2 = pos2(:,e(1:IC));
position2 = reshape(position2,m,3*IC);
lear pos2 trM trM3 Data AA2 X Y Z x y z w W
lf
olordef bla
k;
h1 = figure(1);
pf = get(h1,'Position');
pf = [10 200 480 332;
set(h1,'Position',pf);
a1=axes;
aviobj = avifile(['QR_',int2str(iFile),'_',int2str(IC),'_huge.avi',
'FPS',120,'COMPRESSION','none');
[m,n = size(bb1);
position = bb1+ones(m,1)*ZPos;
lear bb1
initF=1;
for iT = initF:m
disp(['Now pro
essing frame ',int2str(iT),'/',int2str(m));
for iM = 1:n/3
x0(iM) = position(iT,1+(iM-1)*3);
y0(iM) = position(iT,2+(iM-1)*3);
z0(iM) = position(iT,3+(iM-1)*3);
end
zz0=reshape(z0,30,30);
100
Apndi e A
for iM = 1:IC
x2(iM) = position2(iT,1+(iM-1)*3);
y2(iM) = position2(iT,2+(iM-1)*3);
z2(iM) = position2(iT,3+(iM-1)*3);
end
if iT == initF
p1 = subplot(1,2,1);
set(p1,'FontSize',10,'LineWidth',1);
p11 = plot(x0,y0,'o','MarkerSize',1,...
'Color',
m,'MarkerFa
eColor',
m);
hold on;p11b=plot(x2,y2,'o','MarkerSize',4,...
'Color','red','MarkerFa
eColor','red');hold off;
axis equal
xlabel('X (mm)','FontSize',10);
ylabel('Y (mm)','FontSize',10);
axis([-80 90 -190 -20);
set(p1,'Position', [0.124 -0.007 0.427 0.975);
set(p1,'NextPlot','add','DrawMode','fast')
p2 = subplot(1,2,2);
set(p2,'FontSize',10,'LineWidth',1);
p12 = plot(z0,y0,'o','MarkerSize',1,...
'Color',
m,'MarkerFa
eColor',
m);
hold on; p12b=plot(z2,y2,'o','MarkerSize',4,...
'Color','red','MarkerFa
eColor','red');hold off;
axis equal
xlabel('Z (mm)','FontSize',10);
axis([-80 60 -190 -20);
set(p2,'YTi
kLabel',[);
set(p2,'Position',[0.604 0.068 0.352 0.826);
set(p2,'NextPlot','add','DrawMode','fast');
t1=title(sentti);
set(t1,'Position',[-124.194 -2.097 1101.181,'FontSize',10);
else
set(p11,'XData',x0,'yData',y0);
101
Apndi e A
set(p12,'XData',z0,'yData',y0);
set(p11b,'XData',x2,'yData',y2);
set(p12b,'XData',z2,'yData',y2);
end
drawnow
aviobj = addframe(aviobj,h1);
end
lear x0 y0 z0
aviobj =
lose(aviobj);
lose(h1);
102
Apndi
e B
Tabela
ontendo o
onjunto de
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
40
103
Apndi e B
30
31
32
33
34
35
36
37
38
39
40
Look out!
I'll see you right after lun
h.
See you later.
White shoes are awful to keep
lean.
Stand there and don't move until I tell you!
There's a big pie
e of
ake left over from dinner.
Wait for me at the
orner in front of the drugstore.
It's no trouble at all.
Hurry up!
The morning paper didn't say anything about rain this afternoon or tonight.
The phone
all's for you.
104
Anexos
En
ontram-se abaixo as demonstraes dos Teoremas
apare
em no Captulo
2.13
que
2.
Teorema 2.6
_____________________________________________________________________
Teorema 2.6
onde
Seja
P Rmn
1.
simtri a;
2.
ortogonal;
3.
4.
5.
P 2 = I.
A Rmn .
Demonstrao de 1.:
vv T T
)
vT v
vv T
= I T (2 T )T
v v
vv T
= I 2 T
v v
= P
P T = (I 2
105
Anexos
Portanto,
simtri a.
Demonstrao de 2.:
Pelo tem
1.
temos que
simtri a, ento
P = PT,
assim
PPT = PTP
vv T 2
)
vT v
vv T
v(v T v)v T
= I 4 T +4 T
v v
(v v)(v T v)
= (I 2
Como
||v||2 = v T v ,
ento
vv T
v(v T v)v T
vv T
v(||v||22)v T
I 4 T +4 T
= I 4 T +4
v v
(v v)(v T v)
v v
||v||42
vv T
vv T
= I 4 T +4
v v
||v||22
vv T
vv T
= I 4 T +4 T
v v
v v
= I.
Portanto,
ortogonal.
Demonstrao de 3.:
Usando
1.
2.
temos,
= (P T x)T (P T x)
= (xT P )(P T x)
= xT x
= ||x||22
portanto,
Anexos
Demonstrao de 4.:
Segue imediatamente do Teorema 1.10.
Demonstrao de 5.:
Como
P = PT
P2 = PTP
= I
107
Anexos
Teorema 2.7
_____________________________________________________________________
Teorema 2.7
um vetor
v = (v1 , v2 , , vn )
de householder
x = (x1 , x2 , , xn )T ,
de maneira que
Px
podemos en ontrar
mltiplo de
v = x ||x||2 e1
e1
onde a matriz
P x = ||x||2 e1 .
Demonstrao:
Notemos que:
vv T
Px =
I 2 T
v v
vv T x
= x2 T
v v
onde
omo
P x he1 i.
v = x + e1 .
Assim,
v hx, e1 i,
om isso,
v T x = (x + e1 )T x
= xT x +
e
v T v = (x + e1 )T (x + e1 )
= xT x + 2 + 2 .
Portanto
xT x +
(x + e1 )
xT x + 2 + 2
xT x +
xT x +
= x2 T
x
2
e1
x x + 2 + 2
xT x + 2 + 2
xT x +
xT x +
=
12 T
x 2 T
e1 .
x x + 2 + 2
x x + 2 + 2
Px = x 2
Como
P x he1 i,
T x+
= 0,
1 2 xT xx+2+
2
108
(4.8)
Anexos
xT x + 2 + 2 2xT x 2 = 0
e da,
= ||x||2
e portanto,
v = x ||x||2e1 .
Sem perda de generalidade, podemos tomar
obtemos:
Px =
=
=
=
=
Analogamente, se
= ||x||2
(4.9)
e substituindo em (4.8)
xT x + ||x||2
2 T
||x||2 e1
x x + 2||x||2 + ||x||22
(||x||2 )2 + ||x||2
||x||2e1
2
||x||22 + 2||x||2 + ||x||22
||x||22 + ||x||2
2
||x||2e1
2||x||22 + 2||x||2
||x||22 + ||x||2
||x||2 e1
2
2(||x||22 + ||x||2 )
||x||2 e1 .
= ||x||2
ento,
(4.10)
P x = ||x||2e1 .
109
Anexos
Teorema 2.9
_____________________________________________________________________
Teorema 2.9
n
Seja
A Rmn
ada
ai
qj
A = [a1 , a2 , , an ]
posto(A) =
Q = [q1 , q2 , , qm ],
Q, 1 i n
1 j m.
onde
Ento
ha1 , a2 , , an i = hq1 , q2 , , qn i , k = 1, , n.
(4.11)
Demonstrao:
Comparando a
k -sima
oluna de
ak =
A = QR,
k
X
i=1
Assim,
ha1 , , an i hq1 , , qk i.
rik qi hq1 , , qn i .
Como
qk =
k
X
i=1
logo,
ha1 , , an i hq1 , , qk i.
1, , n.
on lumos que
posto(A) = n
AR1 = Q
(4.12)
no
e da,
r ik ak , k = 1, , n,
Da,
ha1 , a2 , , an i = hq1 , q2 , , qn i
(4.13)
onde
k =
110
Anexos
Teorema 2.10
_____________________________________________________________________
Teorema 2.10
Seja
A Rmn ,
QR
om
mn
mn
RR
e suponha que
nn
tal que
posto(A) = n.
Ento
tm olunas ortogonais e
A = QR.
(4.14)
Demonstrao:
Vimos na Seo 2.2 que existem matrizez
ortogonais e
b
R
posto(A) = n
ento a matriz
D = D T = D 1
b 1
Q = QD
bR
b.
A=Q
b
R
no singular, ou seja,
e portanto,
DD T = I
b Rnn , Q
b
R
Ento
om olunas
Como
b Rmn
Q
A = QR.
b 6= 0.
det (R)
Seja
(4.15)
A = GGT .
Qi
mente e
Ri
Esta
A Rnn
positiva e denida,
tais que
A = Q1 R1 = Q2 R2
Q1 , Q2 , R1
R2
i = 1, 2.
AAT = (Q1 R1 )T (Q1 R1 ) = R1T QT1 Q1 R1 = R1T R1
111
Anexos
R1T R1 = R2T R2 .
R1T = R2T
e portanto,
R1 = R2 ,
logo
Q1 = Q2 .
112
Anexos
Teorema 2.13
_____________________________________________________________________
Teorema 2.13
b, Q
A
R,
tal que
ortogonal,
A Rmn
Seja
R=
b = A
A
om
posto(A) = r n.
obtida de
R11
R12
Q Rmm
no-singular e triangular
superior.
Demonstrao:
Suponha que
r = n,
ento a matriz
suas olunas.
b = QR,
A
R=
onde
b
R
0
onde
r < n,
b
R
portanto a matriz
A possui
rii = 0, r < i n.
R,
onde
R11 Rrr
R Rmn .
ento temos
Sejam
b=
Pr Pr1 P1 A
Pi Rmm denoR11
R12
todas no-nulas e
Assim,
R12 Rr(nr) .
b = R donde temos
QT = Pr Pr1 P1 e portanto QT A
b = posto(R) = r onde Q Rmm e
posto(A) = posto(A)
Q = P1 P2 Pr ,
b = QR.
A
i,
r passos omputados.
da
113