Dissertação

Universidade de Braslia
Instituto de Cin ias Exatas

Departamento de Matemti a
Algoritmo de fatorao QR para gerao de

animaes fa iais
por
Elenilson de Vargas Fortes
Braslia
2007
Universidade de Braslia
Instituto de Cin ias Exatas
Departamento de Matemti a
Algoritmo de fatorao QR para gerao de

animaes fa iais
por
Elenilson de Vargas Fortes
Dissertao apresentada ao Departamento de Matemti a da Universidade de

Braslia, omo parte dos requisitos para obteno do grau de
MESTRE EM MATEMTICA
Braslia, 13 de Dezembro de 2007
Comisso Examinadora:
Prof. Dr. Jorge Carlos Lu ero - MAT/UnB (Orientador)
Prof.
Dr.
Carlos Maber Carrin Riveros - MAT/UnB
(Membro)
Prof.
Dr.
Pledson Guedes de Medeiros - EST/UFRN
(Membro)
* Este
trabalho ontou om apoio nan eiro par ial do CNPq.
Somos o que pensamos. Tudo

o que somos surge om nossos pensamentos. Com nossos pensamentos,
fazemos o nosso mundo, (Buda).
Aos meus pais
Jonas de Vargas Fortes e Ozilia Loureti Fortes
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:
Meu grande amigo
Edinelo Dal umune, Wagner, Riedson, Srgio e Vanessa.
Aos olegas do urso
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
Nesta dissertao, onsideramos o problema da seleo de um sub onjunto de

olunas independentes de uma matriz de dados, e sua resoluo por meio da fatorao
QR om pivoteamento de olunas, (Lu ero et al., [14).
Mostraremos omo este
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.
Palavras- haves: Seleo de Sub onjunto, Fatorao QR, Animao

Fa ial.
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).
We will show how this problem an be
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.
Key Words: Subset Sele tion, QR Fa torization , Fa ial Animation.
Sumrio
Introduo
1 Con eitos Bsi os e De omposio em Valores Singulares
1.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Norma de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Norma de Matrizes
1.4
Imagem, Espao Nulo e Posto
1.5
Ortogonalidade
1.6
De omposio em Valores Singulares
1.7
Algumas Propriedades da SVD
1.8
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
. . . . . . . . . . . . . . . . . .
12
. . . . . . . . . . . . . . . . . . . . .
14
1.7.1
SVD e sua Relao om Normas . . . . . . . . . . . . . . . . .
14
1.7.2
Relaes entre SVD e o Posto de uma Matriz
. . . . . . . . .
16
1.7.3
Posto Numri o . . . . . . . . . . . . . . . . . . . . . . . . . .
19
Anlise e Dis usso . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
2 A Fatorao QR
24
2.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
2.2
Denio e Propriedades da Fatorao QR . . . . . . . . . . . . . . .
24
2.3
Reexo de Householder
. . . . . . . . . . . . . . . . . . . . . . . . .
27
2.3.1
Reexo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
2.3.2
Denio e Propriedades da Reexo de Householder
. . . . .
30
2.3.3
Es olha do Vetor de Reexo
. . . . . . . . . . . . . . . . . .
31
2.4
Cl ulo da Fatorao QR . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.5
Relaes da Fatorao QR om o Posto de uma Matriz
. . . . . . . .
34
. . . . . . . . . . . . . . . . . . .
35
. . . . . . . . . . . . . . . . . . . . . .
35
2.5.1
Uni idade da Fatorao QR
2.5.2
Matriz de Permutao
2.5.3
Fatorao QR om Pivoteamento de Colunas . . . . . . . . . .
3 Apli aes da Fatorao QR
36
39
3.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
3.2
Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
3.3
Problema de Mnimos Quadrados
. . . . . . . . . . . . . . . . . . . .
41
3.3.1
Matrizes de Posto Completo . . . . . . . . . . . . . . . . . . .
42
3.3.2
Matrizes de Posto In ompleto
. . . . . . . . . . . . . . . . . .
46
O Problema da Seleo de Sub onjunto . . . . . . . . . . . . . . . . .
48
3.4
3.5
3.4.1
Propriedades da Matriz
. . . . . . . . . . . . . . . . . . .
48
3.4.2
Seleo de Sub onjunto . . . . . . . . . . . . . . . . . . . . . .
50
3.4.3
Seleo de Sub onjunto e Mnimos Quadrados . . . . . . . . .
51
Dis usso
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4 Apli ao a Animao Fa ial
54
55
4.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
4.2
Dados
55
4.3
Pr-pro essamento
4.4
Posto Numri o da Matriz de Dados
. . . . . . . . . . . . . . . . . .
57
4.5
Alguns Resultados da Fatorao QR
. . . . . . . . . . . . . . . . . .
59
4.6
Es olha dos Mar adores Prin ipais e suas Respe tivas Regies de Inun ia
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
4.7
Gerao de Animaes Fa iais . . . . . . . . . . . . . . . . . . . . . .
66
4.8
Anlise de Erros nas Trajetrias Computadas
. . . . . . . . . . . . .
69
4.9
Anlise para Seleo de Mar adores . . . . . . . . . . . . . . . . . . .
72
Con luses
76
Refern ias Bibliogr as
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
Tabela 4.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Anexos
105
Teorema 2.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

Teorema 2.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Teorema 2.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Teorema 2.10
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Teorema 2.13
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
iii
Lista de Figuras
2.1
Reexo em torno da reta .
2.2
Possibilidades de Reexo.
3.1
Propriedades da Matriz A.
4.1
Posio dos mar adores fa iais.
4.2
Elementos da diagonal da Matriz .
. . . . . . . . . . . . . . . . . . . .
58
4.3
Elementos da diagonal da Matriz R.
. . . . . . . . . . . . . . . . . . . .
59
4.4
4.5
. . . . . . . . . . . . . . . . . . . . . . . .
28
. . . . . . . . . . . . . . . . . . . . . . . . .
31
. . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
60
Valores normalizados dos 12 primeiros elementos na diagonal de R em

funo da quantidade de amostras nos dados permutados aleatoriamente.
60
. . .
65
. . . . . . . . .
66
Regies fa iais ilustradas para os mar adores 40, 34, 38, 02, 36 e 06.
4.7
Regies fa iais ilustradas para mar adores 20, 49, 13 e 52.
4.8
Regies de deformao fa ial nas direes ortogonais, linhas 1 a 6 de R.
4.9
4.10
Quadro ini ial das animaes.
4.12
4.13
56
Valores normalizados dos 12 primeiros elementos na diagonal de R em

funo da quantidade de amostras nos dados. . . . . . . . . . . . . . .
4.6
4.11
49
. .
67
68
. . . . . . . . . . . . . . . . . . . . . . .
69
Exemplo de trajetria real (linha de traos) e re onstruda pelo algoritmo

(linha heia), para o mar ador 28. . . . . . . . . . . . . . . . . . . . .
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
Os 12 primeiros mar adores sele ionados pelo algoritmo om k linhas na

matriz de dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
Os 12 primeiros mar adores sele ionados pelo Algoritmo om k linhas permutadas aleatoriamente. . . . . . . . . . . . . . . . . . . . . . . . . .
62
. . . . . . . . . .
63
Os 12 primeiros mar adores sele ionados pelo algoritmo.
Erro obtido para as trajetrias dos mar adores que foram re onstitudas
atravs algoritmo para a sentena 39. . . . . . . . . . . . . . . . . . .
71
Erro mdio para trajetrias re onstitudas pelo algoritmo para as sentenas

31 a 40. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
Conjunto de 40 sentenas em ingls: As 30 primeiras frases foram usadas

para onstruir o modelo e as 10 ltimas para realizar testes e validar o modelo. 104
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
ortogonal e triangular superior, respe tivamente.
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
queremos predizer um vetor de observaes

vetor
que miniminize
da matriz de dados
A,
||Ax b||2 .
om
m > n,
b Rm1 , isto ,
a partir da qual
queremos en ontar um
No entanto, ao invs de usar todas as olunas
desejamos predizer
a partir de apenas um sub onjunto de
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
feita atravs da fatorao QR da
om pivoteamento de olunas, (ver [8, 7, 14).
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
de tal forma que a matriz resultante
BR
de linhas linearmente independentes, isto , para

de permutao
mm
tal que
A =
sendo
B Rkn
em que se deseja eliminar
kn
mk
possua um sub onjunto
A Rmn
en ontrar uma matriz
(1)
a matriz pretendida. Neste artigo, os autores mostram uma t ni a
de seleo de linhas baseado na norma de Frobenius e na Pseudo-Inversa (ver [8).

Outros mtodos omo os algoritmos de tipo Ba kward Greedy (ver [5) podem
ser utilizados para abordar o problema de seleo de sub onjunto, uja essn ia
onsiste na determinao reiterada, de
A Rmn
e um vetor de observaes
= minn ||Ax b||2
xR
Rn .
min ||A1 x1 b||2 .

x1 Rn1
novamente retiramos outra oluna e al ula-se
Espe i amente, retira-se uma oluna de

Reinserida esta oluna na matriz
min ||A1 x1 b||2 .
x1 Rn1
para uma dada matriz
e al ula-se
Repete-se este pro esso para todas as olunas de
a oluna que fornea
min
||A1 x1 b||2
n1
menor possvel, onde
x1 R
ada etapa do algoritmo, elimina-se uma oluna de
A,
A e elimina-se
A1 Rm(n1) .
sempre seguindo os passos
para eliminao da primeira oluna. Desta forma, o algoritmo elimina

de
e portanto, tem-se uma matriz
sub onjunto de
olunas de
A.
Ar Rmr ,
Em
nr
olunas
ou seja, o algoritmo sele iona um
Do mesmo modo pode ser utilizadas para examinar o problema de seleo de

sub onjunto, diferente t ni a (ver [8) denominada de omposio de valores singulares (SVD), que adiaremos temporariamente e prontamente ser apresentada no
Captulo 1.
Em outro artigo (ver [12), a seleo de sub onjunto feita usando re ursos
estatsti os e algbri os. Ini ia-se om a apli ao de s anner a laser a
expreses
fa iais estti as pr-determinadas originando igual nmero de matrizes om

pixels e
141.900
71.900
polgonos, que seguidamente so adaptadas a uma malha fa ial
deformvel genri a onstituda por

malhas fa iais so gerados
576
nodos e
844
polgonos. A partir dessas
8 (oito) vetores de 3 576 omponentes, que representam

2
Introduo
as oordenadas espa iais
{x, y, z}
de ada um dos nodos e onstituem os vetores
olunas da matriz de dados aleatrios
A Rmn ,
onde
m = 3 576
n = 8.
Aps
al ulada a matriz de ovarin ia e via SVD obtem-se as omponentes prin ipais

(PCA) dos vetores olunas de
dos quais sele iona-se o sub onjunto dos mais
representativos no que se refere varin ia dos dados. Note-se que as omponentes

prin ipais so os autovetores de
e que pelo signi ado de orrentes do modelo
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
propomos onar inteiramente nos dados para predizer o omportamento dinmi o

da fa e, om pou as suposies prvias omo possvel.
Retornando de omposio QR om pivoteamento de olunas omo pro edimento de seleo de sub onjunto, mister omentar algumas re entes apli aes.
Foi apli ada matriz
A Rmn ,
om
m<n
ujas olunas se orrespondem om a
sequn ia nita de profundidades do nvel da gua medida em um dado poo, em

intervalos arbitrrios de tempo. O objetivo deste estudo foi a identi ao de sub onjunto de poos independentes para posteriormente serem utilizados omo base
para a predio do deslo amento do nivel de gua em poos aleatoriamente es olhidos (ver [16).
Como visto, existem vrias t ni as para se resolver o problema de seleo de
sub onjunto e apli aes. Conforme mostraremos, o algoritmo de fatorao QR om
pivoteamento de olunas permite identi ar um sub onjunto de mar adores fa iais
independentes, e desta forma explorar sua apli ao onstruo de modelos da
biome ni a fa ial (ver [14) e onsequentemente, movimentos arbitrrios e animaes da fala podem ser logo geradas, ontrolando esse modelo om sinais olhidos
experimentalmente (animao fa ial data driven ).
Introduo
Os estudos sobre animaes fa iais deste presente trabalho est baseado em

Lu ero et al.
(ver [14) e resultado da anlise de pesquisas anteriores, na ger-
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.
1.2 Norma de Vetores

Uma norma uma funo
|| || : Rn R
x ||x||
que faz uma orrespondn ia de um valor real (` omprimento') a ada vetor.
Captulo
1.
Resultados Bsi os e De omposio em Valores Singulares
Para que orresponda a uma idia razovel de omprimento, uma norma deve
satisfazer trs axiomas. Para quaisquer
1.
||x|| 0,
2.
||x + y|| ||x|| + ||y||;
3.
||x|| = ||||x||.
||x|| = 0
x, y Rn
e es alar
x = 0;
se, e s se,
Em palavras, estas ondies expressam o seguinte: Por

no-nulo positiva,
2.
R,
1.
a famosa desigualdade do tringulo,
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.
Denio 1.1 p-norma de um vetor x dada por

m
X
||x||p =
para todo
i=1
igual a
normas:
2.
3.
(1.1)
x Rn .
Para os asos parti ulares em que
1.
|xi |p
! p1
1-norma: ||x||1 =
2-norma: ||x||2 =
m
X
i=1
|xi |;
m
X
i=1
|xi |2
! 12
-norma: ||x|| = max |xi |.

i=1, ,n
1, 2
ou
temos as seguintes
1.
Captulo
O tem
1.
onhe ido omo norma da Soma,
2.
omo norma Eu lidiana e
3.
a norma do Mximo.
Todas as normas em
normas em
Rn ,
Rn
so equivalentes (ver [8), isto , se
ento existem onstantes positivas
c1
c2
|| . ||
tais que
|| . ||
c1 ||x|| ||x|| c2 ||x||

para todo
so
(1.2)
x Rn .
Pode-se provar (ver [8) que, para todo
1.
||x||2 ||x||1
2.
||x|| ||x||2
3.
||x|| ||x||1
x Rn , valem as seguintes desigualdades:
n||x||2 ;
n||x|| ;
n||x|| .
Em geral, os valores das
p-normas, p = 1, 2
so distintos.
1.3 Norma de Matrizes

Uma matriz
A Rmn
pode ser vista omo um vetor no espao de dimenso
ada um dos elementos onsiderados omo oordenada independente.
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
ondies. Para quaisquer
1.
||A|| 0,
2.
||A + B|| ||A|| + ||B||
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 operao de multipli ao de matriz, isto ,
A Rmn
C Rnm .
Essa propriedade hamada de onsistn ia, (ver [8).
Por simpli idade, utilizaremos a mesma norma

a
p-norma
de
A,
para quaisquer
e denotaremos por
||A||p.
Assim,
|| ||p
no domnio e na imagem,
Denio 1.2 p-norma de uma matriz A dada por ||A||p = max

x6=0
todo
x Rn .
||Ax||p
,
||x||p
para
Equivalentemente Denio 1.2 temos que

||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
temos, respe tivamente, que
||Ax||
.
||x||
Pode-se provar (ver [8) que se
p=1
p=
||A||1 = max
1jn
||A|| = max
1im
m
X
i=1
n
X
j=1
temos, respe tivamente, que
|aij |
(1.3)
|aij |
(1.4)
Uma norma matri ial, frequentemente utilizada, hamada de Norma de Frobe-
nius ou Hilbert-S hmidt e denida a partir de
Denio 1.3 Norma de Frobenius de uma matriz A Rmn

v
uX
m
u n X
||A||F = t
(aij )2 .
j=1 i=1
dada por
Captulo
Seja
por
bl ,
1.
uma matriz om elementos
om
n
X
l=1
1 l n,
bij
onde
1im
as respe tivas olunas da matriz
B.
1 j n.
Denotemos
Ento
||bl ||22 = ||b1 ||22 + ||b2 ||22 + + ||bn ||22

= (b211 + b221 + + b2m1 ) + + (b21n + b22n + + b2mn )
= ||B||2F .
Seja
C = AB
oluna de
B.
om entradas
Ento
cij = aTi bj
(1.5)
cik , denotamos aTi
a i-sima linha de
e por Cau hy-S hwartz
||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
|cij | ||ai||.||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 .
Como as normas vetoriais, as normas matri iais
(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.
max |aij | ||A||2

i,j
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.
1.4 Imagem, Espao Nulo e Posto

Denio 1.4
Dada uma oleo de vetores
a1 , a2 , , an
em
Rn ,
o onjunto de
todas as ombinaes lineares desses vetores um subespao denotado por
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 } .
Em relao a Denio 1.5, observe que qualquer vetor

gerado pelas olunas de
n
X
ou seja,
y =
xj aj ,
A pode
logo
ento
das olunas de
A.
y = Ax
y = Ax
e portanto,
para algum
Assim, se
ento
que perten e ao espao
ser es rito omo ombinao linear de suas olunas,
j=1
y Im(A)
x Rn
y Im(A).
Re ipro amente, se
Ax
ombinao linear
e portanto,
A = [a1 , a2 , , an ]
so as olunas parti ionadas de
Im(A) = ha1 , a2 , , an i .
Denio 1.6 (N leo)
Seja
dado por
A Rmn .
Espao Nulo
A,
(1.7)
ou
N leo
de
N(A) = {x Rn ; Ax = 0} .
Denio 1.7 (Posto)
Dizemos que o
Posto de uma matriz A
posto(A) = dim(Im(A)).
Denio 1.8
Dizemos que
min {m, n}.
A Rmn
possui
Posto In ompleto, se posto(A) <
Pode-se provar que (ver [8):
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
Ortogonal se, e somente se, QQT =
uma matriz ortogonal, ento
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;
para toda matriz
A;
Demonstrao:
Omitiremos a demonstrao para os tens
3.
Se
1, 2, 4
e podem ser en ontradas em [19.
um vetor qualquer, ento
||Qx||22 = (Qx)T (Qx)

= xT QT Qx
= xT x
= ||x||22
= ||x||2 .
5.
onsequn ia imediata de
2.
e de
(1.8)
||I||2 = 1.
Teorema 1.11
Se
Demonstrao:
Q1
Q2
so matrizes ortogonais, ento
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
||QA||2F = ||(Qa1 , Qa2 , , Qan )||2F

n
X
=
||Qai ||22
i=1
n
X
i=1
||ai||22
= ||A||2F .
(1.9)
1.6 De omposio em Valores Singulares

A De omposio em Valores Singulares (SVD, Singular Value De omposition )
uma fatorao de matrizes freqentemente utilizada em muitos algoritmos. uma
ferramenta ontida na maioria dos pa otes matemti os de omputao e muitos
problemas de lgebra Linear podem ser resolvidos utilizando esta fatorao. Ini iamos esta Seo, apresentando a denio de SVD.
Denio 1.13
Seja
A Rmn .
SVD de A a fatorao
A = UV T
onde
U Rmm
isto ,
V Rnn
so
Ortogonais e Rmn uma matriz Diagonal,
ij =
Os elementos
(1.10)
ii , i = 1, 2, , p,
ij , se i = j,
0, se i 6= j.
onde
Singulares de A e denotados por i
p = min{m, n},
so denominados
sendo es olhidos de modo que
p 0.
12
Valores
1 2
Captulo
Cada uma das
1.
olunas da matriz
Singulares Esquerda de
U,
denotadas por
da matriz
A A,
so hamadas Vetores
A e ada uma das n olunas da matriz V , denotadas por vk ,
so hamadas Vetores Singulares Direita de
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
so dados omo na Denio 1.13.

possui todos
mn
Observe que para
A,
a matriz
onde
m > n
U, V
valores singulares iguais a zero. De modo que apenas os
primeiros valores singulares de

suponha que
a SVD de
tenha
inuen iam na de omposio de
A.
Assim,
valores singulares no-nulos. Logo, a equao (1.10)
denida em 1.13 pode ser rees rita omo
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
uma matriz diagonal om
valores
(1.11)
1 2
todos no-nulos. Essa de omposio onhe ida omo SVD reduzida
Dada uma matriz
1. Toda matriz
A Rmn
pode-se provar que:
sempre admite uma de omposio em valores singulares;
2. Seus respe tivos valores singulares so ni os;

3. Se os valores singulares forem distintos dois a dois, ento os vetores singulares
( esquerda e direita) so ni os a menos de sinal.
Demonstraes para esses resultados podem ser en ontrados em [19.

13
Captulo
1.
1.7 Algumas Propriedades da SVD

Um dos aspe tos que valorizam a SVD sua apa idade de lidar om o on eito
de posto de matrizes. Nessa Seo mostraremos que o SVD uma have para esse
problema por ara terizar e ientemente uma aproximao de matrizes de um posto
denido, (ver [7). Ini iaremos essa Seo, introduzindo algumas relaes entre SVD
e normas (ver [8, 20), que sero teis adiante, quando falaremos de posto numri o.
1.7.1 SVD e sua Relao om Normas

Nessa Subseo apresentaremos alguns resultados que rela ionam
de Frobenius om os valores singulares de uma matriz
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
uma matriz om de omposio de valor singular
||A||2 = 1
(maior
valor singular).
(1.12)
Demonstrao:
Sabemos que
||U||2 = ||V T ||2 = 1
porque
so ortogonais. Assim,
||A||2 = ||UV T ||2

= ||||2
||x||2
= max
x6=0 ||x||2
= 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
(x21 + x22 + + x2n ) 2

14
Captulo
Como
1, , n,
1.
o maior valor singular da matriz

por
A,
substituindo ada
i ,
onde
i =
teremos,
1
||A||2 max
x6=0
(12 (x21 + x22 + + x2n )) 2

1
(x21 + x22 + + x2n ) 2
= max 1
x6=0
= max 1
(x21 + x22 + + x2n ) 2
(x21 + x22 + + x2n ) 2
x6=0
= 1 .
Portanto,
||A||2 1 .
Por outro lado, es olhendo
x = e1 ,
(1.13)
temos
||A||2 = ||UV T ||2 .
= max
((1 x1 )2 + (2 x2 )2 + + (n xn )2 ) 2
= max
((1 1)2 + (2 0)2 + + (n 0)2 ) 2
x6=0
x6=0
= max 1
(x21 + x22 + + x2n ) 2
(12 + 02 + + 02 ) 2
x6=0
||A||2 = 1 .
(1.14)
De (1.13) e (1.14) seque (1.12).
Teorema 1.15
UV T ,
Seja
ento
A Rmn uma matriz om de omposio em valores singulares

||A||F = 12 + 22 + + n2
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
a de omposio em valores singulares de
V T Rnn .
A,
Ento
onde
U Rmn ,
||A||F = ||UV T ||F

= ||V T ||F
= ||(V T )T ||F
= ||(V T )||F
= ||T ||F
12 + 22 + + n2
21
.
1.7.2 Relaes entre SVD e o Posto de uma Matriz

Esta Subseo tem o propsito de rela ionar a SVD e o posto de uma matriz, usando
os respe tivos valores singulares.
Comeamos por um teorema que forne e uma
relao entre o posto e os valores singulares de uma matriz.
Teorema 1.16 (Posto)

Ento,
posto(A) = n
Seja
A Rmn
se, e somente se,
tm
a matriz de valores singulares de
A.
valores singulares no-nulos.
Demonstrao:
Suponha que
tm
valores singulares no-nulos ento
uma matriz diagonal. Por outro lado,

ento
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
ter posto in ompleto, isto ,
r+1 = = n = 0.
r < n,
se
i > 0, i = 1, , r
A frmula seguinte uma das mais importantes propriedades da de omposio

em valores singulares.
16
Captulo
Teorema 1.17
1.
A Rmn
Uma matriz
forma
Ar =
r
X
om posto
r , r n,
pode ser es rita na
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
vetores singulares esquerda de
vetores singulares direita 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
uma matriz ortogonal. Se multipli armos por
a esquerda da equao
a ima em ambos os membros da igualdade teremos:
A = A(v1 v1T + v2 v2T + + vn vnT )
= (Av1 )v1T + (Av2 )v2T + + (Avn )vnT

= 1 u1 v1T + 2 u2 v2T + + n un vnT .
Se
tem posto
r = n,
segue do Teorema 1.16 que
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,
ento pelo Teorema 1.16 temos que
r+1 =
Da,
A = 1 u1 v1T + 2 u2 v2T + + r ur vrT

r
X
=
j uj vjT .
j=1

17
Captulo
1.
Observao:
Dados
u11
u21
u1 =
..
.
um1
u1 v1T
v11
u11
v21
v1 =
..
.
vn1
u11 v11
u21 v11
..
.
um1 v11
Portanto, as olunas da matriz
u1 v1T
i = 1, , r
tem posto
ento,
u21
.. (v11 v21 vn1 )

.
um1
matriz
1.
u1 v1T
u11 v21
u21 v21
..
.
um1 v21
u11 vn1
u21 vn1
.
..
um1 vn1
so mltiplos do vetor
u1 ,
De maneira anloga, todas as matrizes
tm exatamente posto
e assim, a
uiviT ,
om
1.
A partir desta observao e do Teorema 1.17 podemos armar que qualquer

matriz ( om posto
r)
uma ombinao linear de
matrizes de posto
ientes desta ombinao linear so os valores singulares
1 , 2 , , r
1.
Os oe-
da matriz.
Em determinadas apli aes, apare em matrizes ujos valores singulares menores

deveriam ser nulos, mas no o so por determinados motivos (por exemplo, erros de
arredondamento). freqente, nestes asos, substituir esses valores singulares por
zero, desprezando as suas ontribuies, e onsiderar uma matriz aproximada om
menos termos na ombinao linear das matrizes de posto
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 ) = .
U (A A )V = diag(0, 0, , 0, +1 , , p ) e pelo Teorema
Por outro lado,
||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
A omo ombinao linear de
Ou seja, dada uma matriz

singulares (r
< n),
uma base de
uma matriz
A Rmn ,
podemos usar os primeiros
e aproximar as olunas de
valores
omo ombinao linear de
vetores. De a ordo om o Teorema 1.18, quando aproximamos

de posto
n r,
para uma matriz
temos que essa aproximao no sentido da

pois o nmo atingido para toda matriz
B=U
onde
uma base de vetores ortogonais.
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).
1.7.3 Posto Numri o

Seja
A Rmn .
Suponha que uma matriz
que originalmente tinha posto
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
ontinue om posto exatamente igual a
r.
Realmente, o que
provvel, que a matriz que foi pertubada ter posto maior que
19
r.
Captulo
1.
Suponha que ambas as matrizes a ima sejam submetidas a algoritmos numri os

ou estatsti os. A proximidade de
para matriz pertubada no forne er interpre-
taes erradas quando ambas as matrizes forem submetidas a esses algoritmos.

Assim, um modo de evitar possveis problemas om a denio de posto (ver
[7), espe i ar uma tolern ia e dizer que a matriz
de iente, se dentro dessa tolern ia, a matriz
tem posto numeri amente
est prxima da matriz de posto
de iente. Em outras palavras,
Denio 1.19
Uma matriz
possui um
-posto r
om norma
|| ||
se
r = posto(A, ) = inf{posto(B); ||A B|| }.
Entretanto, essa denio pode apresentar problemas, pois um pequeno aumento
em
poderia a arretar na diminuio do posto numri o de
a har um limite superior para

a
r.
A.
ne essrio ento,
para o qual o posto numri o a pelo menos iqual
Tal nmero forne ido por qualquer
satisfazendo
Denio 1.20
< sup{; ||A B|| < posto(B) r},
onde
dado omo na Denio
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
Posto Numri o (, , r) om norma || || se

e
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
tem posto numri o
( , , r)2
os valores singulares de uma matriz
A.
se, e somente se,
r > r+1 .
(1.19)
Demonstrao:
Suponha (1.19). Pelo Teorema 1.18, se
posto(B) r
||A B||2 <
e portanto
1.19.
r+1 .
e por denio temos
r r+1 .
Suponha por ontradio que
impli aria que
||A B||2 < r+1 ,
pelo Teorema 1.18 tem-se
r .
||A B||2 ,
Re ipro amente, suponha agora que
>
r+1 <
e onseqentemente satisfaz a Denio 1.18.
denida em (1.18), tem posto
ento
logo,
e portanto
Como a matriz
da satisfaz a Denio
satisfazem as Denies 1.19 e 1.20
Basta ento mostrar que
< r+1 ,
ento, omo
e que
||A B||2 < ,
isso
ontradio om o Teorema 1.18. Por outro lado,

Isso prova o teorema.

Mais detalhes a er a desta Subseo podem ser en ontradas em [7.
1.8 Anlise e Dis usso

Como j men ionamos na introduo, alguns trabalhos usam o PCA para gerao
de animaes fa iais. Em geral, a SVD utlizado na obteno de uma base para o
PCA. Podemos itar por exemplo o trabalho de Kuratate et al., (ver [12).
Como vimos, a SVD uma poderosa t ni a que permite aproximar uma determinada matriz
de posto
para uma matriz de posto
Essa aproximao para uma matriz
Ar
de posto
r<n
r <n
(Teorema 1.17).
tima no sentido da
(Teorema 1.18).
|| ||2
Sob a ti a do problema de seleo de sub onjunto gostariamos de sele ionar
olunas de uma matriz de dados
A Rmn (m n).
Tais
olunas devem
ser independentes de tal forma que podemos desprezar as ontribuies das outras
21
Captulo
1.
(n r ) olunas da matriz de dados
A e portanto, poder aproximar as (n r ) olunas
(no sentido dos mnimos quadrados, [3) em termos de uma ombinao linear das
olunas sele ionadas.

Suponha que tivssemos uma matriz
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
ada uma das olunas

omo
dessa nova matriz
Ar
de posto
so es ritas
ae1 = u1 v11 1 + u2 v12 2 + + ur v1r r
ae2 = u1 v21 1 + u2 v22 2 + + ur vr2 r

.
..
.
..
.
..
.
..
aer = u1 vr1 1 + u2 vr2 2 + + ur vrr r

..
.
..
.
..
.
..
.
aen = u1 vn1 1 + u2 vn2 2 + + ur vnr r

e da,
onde
Ur
e
Ar = Ur X,
ontm os vetores ortogonais
orrespondentes a
vij l ,
onde
u1 , u2 , , ur
1in
e
X
uma matriz de oi ientes
1 j, l r .
Obeservaes:
1. Cada uma das olunas de
Ar , e
ai
om
i = 1, , n,
naes lineares de uma base de vetores

2. A base de vetores
ui
ui
obtida a partir das
so es ritas omo ombi-
da matriz ortogonal
U;
A.
olunas da matriz
Por m, realmente verdade que estamos interessados em reduzir a dimenso da

matriz
para uma matriz de posto
r,
mas tambm, queremos que essas

22
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
olunas independentes da matriz
A.
Com o SVD, isso no possivel.
Primeiro, porque teramos que en ontrar todos os vetores

obtermos
aei
onde
i = 1, , n,
as olunas da matriz
ui ,
om
i = 1, , r
para
mas obviamente, esses vetores dependem de todas
e isso no nos interessa, pois frustraria todo o nosso esforo
na tentativa de reduzir a dimenso dos dados da matriz
A.
Segundo, verdade
que a interpretao dos resultados atravs da utilizao dessa t ni a fa ilitada

pela reduo da dimensionalidade (posto), mantendo um elevado grau de expli ao,
porm, quais olunas da matriz
A foram usadas para obter as olunas da matriz Ar ?
De fato, no sabemos e no presente aso, no queremos que isso o orra. Gostaramos

de saber exatamente quais so essas olunas.
Como veremos nos Captulos
2 e 3, a fatorao QR atende pre isamente as nossas
ne essidades, sele ionando um onjunto de
A.
Posteriormente, essas
uma das
(n r)
de uma base de
olunas independentes de uma matriz
olunas so utilizadas para aproximar exatamente ada
olunas da matriz de dados
A em termos de uma ombinao linear
olunas. Justi ando nossa es olha de usar a fatorao QR para
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.
Em seguida, dis utimos as hamadas matrizes de
Householder e omo podemos obter a de omposio QR usando essas matrizes.

Estudaremos as relaes que existem entre a fatorao QR e o posto de uma
determinada matriz. Provaremos, que se uma matriz
A tem posto ompleto, impli a
na uni idade de sua de omposio QR e onseqentemente, uma base para a

Por nal, analisaremos o aso em que
neste aso, uma base para a
Im(A).
no tem posto ompleto e omo obter
Im(A).
2.2 Denio e Propriedades da Fatorao QR

Sejam
elas:
a1 , a2 , , an
as olunas da matriz
e a sequn ia de subspaos gerados por
ha1 i ha1 , a2 i ha1 , a2 , , an i.

Assim,
ha1 i um espao 1-dimensional gerado por a1 , ha1 , a2 i o espao 2-dimensio-
nal gerado por
a1
a2
e assim por diante. A idia da fatorao QR est na onstru-
o de uma sequn ia de vetores
q1 , q2 , , qn
sequn ia de subespaos, (ver [8).
24
ortonormais que geram essa mesma
Captulo
2.
A Fatorao QR
Para sermos mais pre isos, assumimos por um momento que
A Rmn
om
m n e que posto(A) = n (nesse aso, dizemos que se A possui posto mximo, ento
as
olunas de
formam uma base ortonormal da imagem de
q1 , q2 , , qn
que a sequn ia
Assim, para que

que
a1 = r11 q1 .
i = 1, , 4
a1
i = 2
i = 1, , n.
na igualdade a ima temos que
seja ombinao linear de
Por denio, para que
tais que
Gostaramos
tivesse a seguinte propriedade
ha1 , a2 , , ai i = hq1 , q2 , , qi i ,
Em parti ular, tomando
A).
q1 ,
ha1 , a2 i = hq1 , q2 i.
devemos ter um es alar
ha1 , a2 i = hq1 , q2 i
t1 a1 + t2 a2 = t3 q1 + t4 q2 .
(2.1)
r11
devem existir es alares
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
es alares tais que,
r12 =
t1 r11 +t3
e
t2
r22 =
t4
. Analogamente, temos:
t2
a1 = r11 q1
a2 = r12 q1 + r22 q2
.
.
.
.
.
.
.
.
.
an = r1n q1 + r2n q2 + + rnn qn .

Observando as equaes a ima, vemos que elas podem ser es ritas utilizando
matrizes
ortogonal e
Denio 2.1
onde
Seja
Q Rmm
triangular superior, onde
A Rmn .
A de omposio de uma matriz
uma matriz ortogonal e
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,
triangular superior, dita
temos duas possibilidades para as
Daremos em seguida, alguns detalhes (ver [20, 8)
sobre omo obter a fatorao QR de uma matriz

25
para esses asos.
Captulo
2.
A Fatorao QR
Caso: m n
1o
Teorema 2.2
nal
Dada uma matriz
Q Rmm
A Rmn ,
om
e uma matriz triangular superior
m n,
existe uma matriz ortogo-
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.
A de omposio QR onde existem matrizes
R Rmn , onde Q ortogonal e R =
Q Rmm
Rnn triangular superior

,R
m>n
ento pelo Teorema 2.2 e pela
R
0
hamada de fatorao QR ompleta.

2. Suponha que
A Rmn , m n.
observao 1, existem
R
0
Rnn
, R
Q Rmm
Rm(mn)
Q
olunas restantes de
R Rmn ,
triangular seperior e
matriz que onsiste das

Seja
Se
onde
A = QR.
ortogonal e
R =
Rmn
Q
uma
Seja
tambm ortogonal.
n primeiras olunas de Q, logo Q
uma matriz ortogonal que representa as outra
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
triangular superior denominada de fatorao QR reduzida.
26
Captulo
2.
A Fatorao QR
Caso: m < n
2o
Teorema 2.3
Seja
A Rmn , m < n.
R = (R11 R12 ) Rmn ,

R12 Rm(nm)
onde
Ento existem matrizes
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.
2.3 Reexo de Householder

Para melhor entendimento da reexo de Householder, onveniente denir reexo
(ver [20). Entretanto, no entraremos em detalhes, trataremos de um aso simples
de reexo no
R2 ,
apenas para podermos ter uma idia geomtri a.
2.3.1 Reexo
Seja
R2
uma reta em
pela reta
R2
que passa pela origem. O operador que reete ada vetor em
uma transformao linear, e portanto, pode ser representado por
uma matriz. Gostariamos de determinar esta matriz.

Seja
a
v um vetor no nulo perten ente a .
s pode ser mltiplo de
v.
Considere
27
Logo, ada vetor no-nulo que perten e
um vetor no-nulo ortogonal a
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 .
Assim, para que isso o orra, ne essrio e su iente que
Qu = u e Qv = v.
(2.3)
x = u + v
v
Qx = u + v
PSfrag repla ements
Figura 2.1:
Reexo em torno da reta .
Sem perda de generalidade, podemos supor que
foi es olido de tal forma que
||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
possui a seguinte pro-
Captulo
j que
A Fatorao QR
so ortogonais.
Portanto, a matriz
I 2Q
2.
no uma reexo.
Por outro lado, se denimos
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
que dada por
W = I 2Q
um vetor unitrio e ortogonal a
reete o vetor que passa
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
2.3.2 Denio e Propriedades da Reexo de Householder

A denio seguinte hamada de reexo de Householder devido ao matemti o e
psi logo norte ameri ano Alston Householder.
Denio 2.5
v Rn
Seja
um vetor no nulo. Uma matriz
P = I 2
da forma
vv T
vT v
(2.5)
reexo de Householder, ou em outros

Householder ou ainda transformao de Householder.
de vetor de Householder.
hamada de
matriz de
asos de
O vetor
hamado
Para os nossos propsitos, omo veremos a seguir, ne essario obtermos algumas

propriedades rela ionadas om a reexo de Householder (ver [19, 11, 20).
Uma
reexo de Householder goza das seguintes propriedades:
Teorema 2.6
Seja
P Rmn
uma reexo de Householder e
A Rmn .
Ento
1. P simtri a;
2. P ortogonal;
3.
||P x||2 = ||x||2 ;
4.
||P A||2 = ||A||2;
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)
v que dena tal reexo.
O seguinte resultado mostra
de Householder de tal forma que
30
Px
seja mltiplo de
Captulo
Teorema 2.7
um vetor
v = (v1 , v2 , , vn )
de householder
x = (x1 , x2 , , xn )T ,
Dado um vetor no-nulo
de maneira que
denida pelo vetor
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.
De a ordo om o Teorema 2.7 temos duas possibilidades de reexo para o vetor
x, P x = ||x||2 e1
situao, onde
ou
P x = ||x||2 e1 .
A gura 2.2 representa geometri amente essa
representam hiperplanos no espao
um hiperplano, representa um onjunto de pontos no

om
ai , i = 1, , n e b so nmeros reais.
um hiperplano o plano habitual.
n-dimensional.
Alis,
Rn , tais que ax1 + +axn = b,
Em parti ular, num espao tridimensional
Num espao bidimensional, um hiperplano
uma reta. Num espao monodimensional, um hiperplano um ponto. Assim, um

hiperplano divide o espao em que est denido em duas partes. Cada uma delas
hamada de semi-espao.
H+
PSfrag repla ements
||x||2 e1
+||x||2e1
Figura 2.2:
Possibilidades de Reexo.
2.3.3 Es olha do Vetor de Reexo

Para evitar problemas no l ulo da reexo, importante determinarmos uma
boa es olha para o vetor
v.
Obeserve que atravs da Denio 2.5 e das equaes
31
2.
Captulo
(4.9) e (4.10) on lui-se que indiferente es olher o sinal

anular todas as omponentes de
sinal da omponente
xsign(x1 )||x||2 e1
vT v
x1
do vetor
P x.
x
Por outro lado, se
ou
A Fatorao QR
no vetor
sign(x1 )
e se o mesmo difere pou o de
para
representar o
e1
ento
v =
tem norma bastante reduzida. Isso impli a que o produto es alar
possa ser uma quantidade muito pequena, o que a arretariam problemas no
l ulo da matriz
P.
Por essa razo o vetor
habitualmente denido a partir de
v = x + sign(x1 )||x||2e1 ,
1, se y < 0,
1, se y > 0,
sign(y) =
0, se y = 0.
onde
Alm disso, omo todos os elementos da matriz

ponentes do vetor
x,
vv T
(2.6)
so produtos de duas om-
ento valores grandes dessas omponentes podem impli ar a
o orrn ia de fenmenos de overow (o erro de overow o orre quando o resultado

de uma operao aritmti a ex ede o valor de
3.4028235 1038 ,
ou seja, erro por
estouro de memria). Esse problema resolvido onsiderando o vetor

de
na denio de
e portanto, omo
v.
Assim na denio da matriz
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
vmax = max |xi | .

i
32
(2.8)
(2.9)
Captulo
2.
A Fatorao QR
2.4 Cl ulo da Fatorao QR

Como visto na Seo 2.2, provaremos a existn ia da de omposio QR para uma
A Rnn .
matriz
QR quando
A prova do prximo teorema mostra a existn ia da fatorao
m n,
Teorema 2.8
usando reexo de Householder.
Seja
Rmn , om m n.
a matriz de Householder omo na Denio
Q Rmm
R Rmn
2.5
e seja
tal que
A = QR.
Demonstrao:
Como
Ento,
m n,
2
.
T
v(1) v(1)
temos que a matriz de Householder uma matriz quadrada
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
De maneira geral, ada matriz
v
om
1 =
De fato, suponha que
(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
de Householder dada por
"
, 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
so ortogonais e portanto, o produto
tambm ortogonal, alm disso, para ada
uma matriz simtri a, assim,
I.
Pk
Isso impli a que
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.
m < n), sua demonstrao totalmente anloga
ao Teorema 2.8, basta onsiderarmos para esse aso, uma matriz de Householder
P Rmm ,
onde
(R11 R12 ) R
mn
m < n
e obteremos uma matriz
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,
pois essa matriz vai ser nosso objeto de estudo no Captulo
2.5 Relaes da Fatorao QR om o Posto de uma

Matriz
Essa Seo objetiva estudar a uni idade da fatorao QR e analizar em que ir unstn ias ela o orre. Veremos que o fato de uma matriz
A posuir
posto ompleto, im-
pli a em sua uni idade, aso ontrrio, a fatorao QR no produz ne essariamente

uma base para
Im(A).
Assim, antes de darmos detalhes da uni idade, daremos uma

34
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
e sua respe tiva fatorao QR. Suponha
e onsidere as seguintes parties
ada
ai
qj
A = [a1 , a2 , , an ]
so as respe tivas olunas de
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.
2.5.1 Uni idade da Fatorao QR

A uni idade da fatorao QR pode ser muito til em ertas apli aes, (ver [13, 8).
Portanto, poder determinar quando ela o orre, pode ser muito importante.
Teorema 2.10
Seja
A Rmn ,
existe uma ni a matriz
om
Q Rmn
mn
e suponha que
R Rnn
tal que
posto(A) = n.
Ento
tm olunas ortogonais e
triangular superior om todas as entradas da diagonal positiva e
A = QR.
Demonstrao:
(2.12)
Ver Anexo.
2.5.2 Matriz de Permutao

Se uma matriz
A no tem posto ompleto, ento a fatorao QR no ne essariamente
produz uma base para
Im(A).
Esse problema pode ser orrigido implementando o
que hamamos de fatorao QR om pivoteamento de olunas. Antes falarmos sobre

pivoteamento de olunas, daremos algumas denies teis que sero ne essrias ao
entendimento desse mtodo.
35
2.
Captulo
Denio 2.11
Uma
Matriz de Permutao ij
uma matriz quadrada que se
obtm da matriz identidade por tro a das suas linhas e olunas
Uma matriz de permutao
1.
ij = Tij
2.
ij = 1
ij .
A Fatorao QR
j.
tem as seguintes propriedades:
Uma matriz de permutao (ver [11) o produto de um nmero nito de matrizes

da forma
ij .
Se
uma matriz de permutao, ento
que se obtm tro ando as linhas ( olunas) de

onstituem
Assim,
nmero de linhas e olunas de
Denio 2.12
Uma matriz
A (A)
A orrespondentes
a matriz que difere de
uma matriz
aos fatores
ij
que
na ordem de um erto
A.
T A
denominada
Permutao Prin ipal de A.
2.5.3 Fatorao QR om Pivoteamento de Colunas

Vimos que quando uma matriz
possui posto ompleto, a fatorao QR ni a.
Porm, o que dizer quando o posto de uma matriz
A Rmn
in ompleto? Essa
Subseo tem o propsito de responder a essa questo.
Des revemos a seguir, omo esse problema pode ser resolvido al ulando-se a fatorao QR de
A om suas olunas permutadas (isto , om pivotamento de olunas,
[8, 20). Essa fatorao dada por

fatorao QR e
A = QR,
onde
so matrizes usuais da
uma matriz permutao.
Basi amente, a fatorao QR om pivoteamento de olunas permuta as oluna

de matriz
de tal forma os elementos da diagonal da matriz
que so `pequenos'
ou nulos, so movidos para a parte inferior da diagonal da matriz
R.
A idia dessa
fatorao segue abaixo dividida em dois passos.
Primeiro Passo:
Para ada oluna da matriz
j n.
Se a
j -sima
A,
al ulamos a
|| ||2
da
j -sima
oluna, om
oluna tem maior omprimento, isto , maior

36
|| ||2 ,
ento
Captulo
as olunas 1 e
satisfaz
so permutadas.
||(A)1 ||2 = max ||aj ||2 ,
da matriz
j
om maior
oluna da matriz
2-norma e
1 j n.
r11 6= 0,
Aps a determinao da oluna
Como a primeira oluna que tem maior
P x = ||x||2 e1 = [|r11 | 0 0 0]T
Em parti ular,
a reexo de householder transforma a primeira
[r11 0 0 0]T .
em
A Fatorao QR
Dessa forma, a primeira oluna da matriz
om
2-norma,
2.
a menos que
ento
|r11 |
tm maior valor absoluto.
seja identi amente nula.
Segundo Passo:
Terminado o primeiro passo, operamos em uma nova submatriz que denotaremos
por
(k)
A22 ,
iterao,
A.
onde o ndi e
k = 2.
indi a o nmero de interaes e omo estamos na segunda
Essa matriz obtida por ignorar primeira linha e oluna da matriz
De maneira totalmente anloga, prosseguimos de a ordo om o que foi feito
no primeiro passo, apenas om uma ressalva, quando tro amos a oluna de
(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)
A22 , obtida om uma oluna e uma linha a
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,
antes de efetuarmos a fatorao QR.
Seja
tal que
ortogonal,
R=
A Rmn
b = A
A
om
posto(A) = r n.
obtida de
R11
R12
por permutao de olunas,
Rmn , R11 Rrr
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
uma matriz triangular superior,
Rnn
Q Rmm
A = QR
onde,
uma matriz de permutao. Com o esquema de pivoteamento de
olunas des rito a ima podemos es rever
A = QR = Q
onde os elementos da diagonal da matriz

no- res ente, isto ,
2. Se uma matriz
R11
R12
R22
(2.13)
esto todos dispostos em ordem
r11 r22 r33 rnn
A Rmn
posto(A) = r < n,
||R22 ||2
pequena, (ver [4);
ento a fatorao QR de
no ne essariamente produz uma base ortonormal para a
Im(A).
Felizmente,
a fatorao QR om pivoteamento de olunas pode ser usada para produzir

uma base ortogonal para
Im(A).
Pelo Teorema 2.13, existe uma matriz de permutao
QT A = R =
onde,
nal e
R11 Rrr
triangular superior,
posto(A) = r .
de tal forma que

Assim, para
R11
R12
A = QR
uma matriz ortogo-
tm suas olunas reordenadas
A = [a1 , a2 , , ar , , an ]
temos que
tal que
R12 Rr(nr) , Q
Sabemos que a matriz
k = 1, , n
Q = [q1 , q2 , , qr , qm ].
min{r,k}
ai =
X
i=1
impli ando que
rik qi hq1 , ..., qr i ,
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 veremos que a fatorao QR forne e uma boa
soluo para esse sistema.

Em seguida, estudaremos o problema de mnimos quadrados (3.5). Mostraremos
sob quais ondies o orre a uni idade deste problema. Provaremos que a soluo do
problema de mnimos quadrados est rela ionado om o posto da matriz. Primeiro,

trataremos do aso em que uma matriz
A tem posto ompleto e em seguida, quando
no tem posto ompleto, analisando as duas solues.

Deniremos o problema de seleo de sub onjunto de uma matriz de dados
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
usando um sub onjunto de
olunas independentes da
atravs de mnimos quadrados e nalizaremos este aptulo om algumas
on luses.
39
Captulo
3.
3.2 Sistemas Lineares

Considere o sistema de equaes lineares
Ax = b
A Rmn
b Rm , m = n.
posto(A) = n.
(3.1)
Existem vrios mtodos disponveis na literatura para resolver o sistema (3.1),

por exemplo, eliminao de Gauss, fatorao LU, dentre outros (ver [8). Porm, a
fatorao QR tambm uma boa alternativa para en ontrar a soluo do sistema
(3.1). De fato, seja
ni as matrizes
que
QRx = b.
onde
tais que
A = QR.
Multipli ando por
QT QRx = QT b
Rx = d,
A omo denida em (3.1).

QT
e omo a matriz
d=Q bR
nn
Como
A tem posto ompleto existem
Portanto, substituindo QR por
temos
em ambos os membros da igualdade teremos
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
triangular superior, temos
rij = 0
portanto temos um sistema da forma
xi
di ,
r11 x1 + r12 x2 + r13 x3 + + r1n xn = d1
r22 x2 + r23 x3 + + r2n xn = d2
r33 x3 + + r3n xn = d3
..
rnn xn = dn ,
om
mente.
i = 1, , n
so omponentes dos vetores
respe tiva-
Tais sistemas so resolvidos por substituies retroativas, atravs de equaes da

forma:
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.
resolver. E de fato, essa a grande vantagem de se resolver o sistema (3.1) usando

a fatorao QR.
3.3 Problema de Mnimos Quadrados

O mtodo dos mnimos quadrados tem sido o pro edimento padro para a anlise
de dados a partir do in io de
1800.
Um famoso exemplo deste mtodo foi quando
Gauss om su esso predisse a rbita do asteride Ceres, em
1801.
Mais de duzentos
anos depois, mnimos quadrados ontinua sendo amplamente utilizado em reas

omputa ionais, engenharia, et (ver [3).
Considere um sistema (sobredeterminado ) de
,
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,
Normalmente, este problema no tem soluo. Pois, tal
Assim, devemos en ontrar um vetor
para
equaes om
Simboli amente, gostaramos de en ontrar um vetor
A Rmn
x
r = Ax b.
x
b Rn
Im(A)
tal que
Supondo que
no mximo de dimenso
Ab
x
a melhor aproximao
no nulo, devemos faz-lo to
pequeno quanto possvel. Desse modo, natural a es olha de uma norma para medir
o tamanho de
r,
isto , devemos en ontrar um vetor
seja mnimo, para alguma es olha de
p.
x
b
tal que
||r||p = ||Ab
x b||p
Porm, diferentes normas produzem difer-
entes solues. Normalmente, a norma es olhida a

propriedades importantes em relao as outras,
2-norma
1-norma
pois possui algumas
-norma,
(ver [19, 8).
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
ortogonal tal que o problema se torna equivalente a

e omo veremos, f il de resolver.
uma matriz ortogonal e onsidere o sistema sobredeter-
QT Ax = QT b,
obtido atravs de (3.1) por multipli ao de
QT
(3.3)
em ambos os membros da igualdade.
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
somente se, minimiza

soluo.
||r||2,
3.
isto , os dois sistemas sobrederminados tem a mesma
A t ni a que onsiste em en ontar um vetor
x
b que
minimize
||Ax b||2 ,
isto ,
Denio 3.1 Dados uma matriz A Rmn , om m > n e b Rm , o Problema

de Mnimos Quadrados (Least Squares Problem) onsiste em en ontrar xb Rn ,
tal que,
||Ab
x b||2
mnima.
Usaremos a notao
min ||Ax b||2
(3.5)
xRn
para denotar o problema de en ontrar o tal vetor
r = Ab
xb
x
b.
O vetor
(3.6)
onhe ido omo vetor residual (ver [3). Usaremos a notao
||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)
||r||2 pequeno, dependendo de uma es olha
no nulo), ento podemos predizer
atravs
Nas Subsees seguintes, estudaremos a soluo para o problema de mnimos

quadrados atravs da fatorao QR. Divideremos esse estudo em dois asos. Primeiro
trataremos do aso em que uma matriz
A possui posto
ompleto e em seguida, para
o aso ontrrio.
3.3.1 Matrizes de Posto Completo

Teorema 3.2
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
mnimos quadrados para o sistema sobredeterminado

o qual pode ser resolvido pelo sistema triangular
QT b =
c
d
b
R
so obtidas pela de omposio QR de
42
A.
Captulo
3.
Demonstrao:
Queremos en ontrar
min ||Ax b||22 .
Temos que
A = QR,
om
xRn
mm
R
e
(3.8)
R Rmn .
Logo
||Ax b||22 = ||QRx b||22
= ||QT (QRx b)||22

= ||Rx QT b||22 .
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)
b c||2 + ||d||2 ser

||Rx
2
2
2
2
b
b
minimizado exatamente quando ||Rxc||2 for mnimo. Obviamente, ||Rxc||2 0,
b = c. Como A tem posto ompleto, R
b no om igualdade se, e somente se, Rx
b = c tem uma ni a soluo.
singular. Assim, o sistema Rx
Como o termo
||d||22
independente de
x,
temos que
Portanto, a soluo para o problema de mnimos quadrados para o aso em que

a matriz
b = c, e seu resduo dado por ||d||22.

A possui posto ompleto dada por Rx
Vimos na Seo 3.2 deste mesmo aptulo, que o sistema de equaes
b =c
Rx
f il de se resolver, ou seja, podem ser resolvidos por substituies retroativas. Dessa

forma, a fatorao QR se torma uma ferramenta bastante e az para en ontar uma
soluo para o problema de mnimos quadrados no aso em que
possui posto
ompleto.
Observe que atravs do sistema sobredetreminado
fatorao QR e en ontrar
Rx = Q b.
e portanto podemos multipli ar

superior
Rx = QT b,
Q Q = I,
obtendo
RT
Como
Ax = b,
posto(A) = n,
podemos apli ar a
temos
no-singular
em ambos os membros do sistema triangular
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
Isto signi a que
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 b||22 = ||(Ax A

x) + (A
x b)||22
= ||Ax A
x||22 + ||A
x b||22 + 2(Ax A
x)T (A
x b),
44
(3.13)
Captulo
3.
onde nesta segunda igualdade foi usado que
||u + v||22 = (u + v)T (u + v)
= uT u + 2uT v + v T v
= ||u||22 + ||v||22 + 2uT 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.
Com essa simpli ao,
||Ax b||22 = ||A(x x

b)||22 + ||Ab
x b||22 .
O primeiro termo no negativo para todo
x,
e onseqentemente
||Ax b||22 > ||Ax Ab

x||22 .
Alm disso, temos a igualdade somente se
posto(A) = n).
Portanto, on lumos que
A(x x
b) = 0,
isto ,
x = x
b
(pois, o
||Ax b||22 > ||Ab

x b||22 , x 6= x
b.
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.
3.3.2 Matrizes de Posto In ompleto

Vimos anteriormente que quando
tem posto ompleto a soluo do problema de
min ||Ax b||2 ni a. Por outro lado, se uma matriz A no

xRn
possui posto ompleto, provaremos que existem innitas solues para o problema
mnimos quadrados
de mnimos quadrados, (ver [8).
Teorema 3.3
A Rmn
b Rn
om
m > n.
Ento o problema de mnimos
quadrados para o sistema sobredeterminado
Ax = b
sempre tem uma soluo. Se
posto(A) < n,
Seja
ento h innitas solues.
Demonstrao:
Suponha que
A tem posto
A Rmn
posto(A) = r < n,
pois se
r = n,
estamos no aso em que
ompleto e portanto j existiria uma ni a soluo para o problema de
mnimos quadrados (Teorema 3.2). Usando a fatorao QR om pivoteamento de

olunas, temos
A = QR,
om olunas ortogonais e
onde
Rnn
R Rmn
triangular superior tal que
R=
om
R11 Rkk
uma matriz de permutao,
R11
R12
Q Rmm
R12 Rn(nk) .
2
Assim, podemos apli ar mnimos quadrados para minimizar ||Axb||2 . Portanto:
||Ax b||22 = ||QT Ax QT b||22
= ||QT A(T )x QT b||22
= ||(QT A)T x QT b||22
= ||RT x QT b||22 .
Seja
T x =
R(mk)1 .
x1
x2
QT b =
b1
b2
onde
Substituindo em (3.15) teremos:
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.
||R11 x1 + R12 x2 b1 ||22 = 0,
possui inversa temos que
Lembrando que
T x =
x1
x2
Portanto a soluo depende
segue que
Logo o mnimo
||b2 ||2 . Como

1
R11 (b1 R12 x2 ).
ujo resduo dado por
R11 x1 + R12 x2 b1 = 0
Assim,
ou
x1 =
1
R11
(b1 R12 x2 )
x=
x2
x2 , ou seja, para ada es olha de x2 temos uma ni a
soluo para o problema de mnimos quadrados. Logo, innitas solues.

Obeserve que o mnimo atingido quando
R12 x2 + b1 ,
onde
R11
no-singular.
R11 x1 +R12 x2 b1 = 0, isto , R11 x1 =

x2 = 0
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
representam fatores redundantes em um modelo
linear, e queremos predizer um vetor de observaes
usando
olunas de
A,
(ver
[3).
A soluo bsi a no a soluo de 2-norma mnima a menos que a submatriz
R12
nula, (ver [8).

Observe que (3.16) novamente um sistema triangular superior e f il de se
resolver por substituio retroativa.
47
Captulo
3.
3.4 O Problema da Seleo de Sub onjunto

Suponha que ao invs de usar todas as olunas da matriz de dados
zer
b,
para predi-
gostaramos de prediz-lo a partir de apenas um sub onjunto de suas olunas,
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.
Como es olher estas olunas o onhe ido omo problema de
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,
(ver [8, 14).

Na subseso seguinte, trataremos de omentar algumas importantes propriedades
da matriz
que sero teis mais adiante, quando dis utiremos uma soluo para
o problema de seleo de sub onjunto.
3.4.1 Propriedades da Matriz A

Seja
A Rmn ,
om
m n.
Ao usarmos fatorao QR om pivoteamento de
olunas, obtemos a seguinte de omposio para
A,
A = QR,
onde
Rnn
R Rnn
uma matriz permutao ,
uma matriz triangular superior.
(3.17)
Q Rmn
Para entendermos melhor as propriedades da matriz

o aso parti ular em que
m = n = 3.
a1 , a2 , a3
a1
as olunas de
a2
=
a3
A, trataremos de entender
A fatorao QR om pivoteamento de olunas
para esse aso nos forne e uma matriz

Denotemos por
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
PSfrag repla ements
r33
a3
r12
r23
r13
r22
q2
q1
a1 = q1 r11
Figura 3.1:
a2
Propriedades da Matriz A.
A gura 3.1 representa geometri amente o aso parti ular de pivoteamento de

olunas para uma matriz
em mdulo.
A R33 ,
onde os elementos da matriz
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,
os elementos da diagonal todos no- res ente, ou seja,

Na Figura 3.1, a primeira oluna da matriz
olunas de
forma que
q1
que possuem maior
2-norma,
possui a mesma direo de
foi es olhida dentre as olunas restantes

esta substitui a segunda oluna de
A.
justamente a oluna que minimiza
r33
om
r11 r22 r33 rnn .

es olhida dentre todas as
(ver Subseo 2.5.3 do Captulo 2) de
a1 .
a2
obtemos uma matriz
A prxima oluna para a matriz
a3 ,
omo a oluna que maximiza
r22
Desta forma, a ltima oluna da matriz

de
R.
De maneira geral, temos portanto que os elementos da diagonal de

49
R,
ou seja,
Captulo
rkk ,
3.
medem a omponente ortogonal de ada oluna
olunas da matriz
Portanto:
relativa as primeiras
k1
A, e sempre apare em em ordem des res ente para k = 1, , n.
1. A primeira oluna da matriz permutada

possui maior
justamente a oluna de
que
|| . ||2;
2. A segunda oluna de
a oluna de
que tem a maior omponente em
direo ortogonal primeira oluna da matriz

3. Em geral,
A;
k -sima oluna de A a oluna de A que tem a maior omponente
em direo ortogonal s
k1
olunas da matriz
A.
3.4.2 Seleo de Sub onjunto

A soluo para o problema de seleo de sub onjunto, depende do mtodo om
que a fatorao QR om pivoteamento de olunas omputada. Provavelmente, o
melhor algoritmo numri o o que est baseado na reexo de Householder, (ver
[7).
Como vimos no Captulo 2, este algoritmo baseia-se no seguinte:
que no
k -simo
e temos
(k)
passo a fatorao QR om pivoteamento de olunas foi omputada
A(k) (k) = Q(k) R(k) ,

(k)
k = 1, 2, , n.
onde
por uma das olunas restantes

de
R,
isto ,
rkk ,
ak+1 , ak+2, , an .
k -simo
estejam representadas nas primeiras
passo antes que
k -sima
ak ,
ento haver uma
A sejam es olhidas de tal forma que
olunas de
A,
deixando as ltimas olunas
justamente om as olunas dependentes de
Podemos justi ar tal ritrio de independn ia das
A,
(ver [7).
k primeiras olunas da matriz
A fazendo uma anlise das propriedades itadas na Subseo anterior.

que ada oluna da matriz
justamente a oluna de
s
(k 1)
direo ortogonal.
es olhida de tal forma que sua
L, foi visto
k -sima
oluna
que possui a maior omponente em direo ortogonal
olunas da matriz
equivale na es olha das
oluna de
Se a oluna que maximiza o
es olhida para substituir
tendn ia para que as olunas independentes de
da matriz
No
sejam omputados, h possibilidade de substituir a
(k, k)-elemento
Suponha
A.
Desta forma, tal ritrio de independn ia, se
olunas de
que possuem as maiores omponentes em
Em outras palavras, quando efetuamos a fatorao QR om
pivoteamento de olunas na matriz
A,
esta ser de omposta da seguinte forma
50
Captulo
A = QR = Q
onde
nal e
R Rnn
exatamente as
R11
R12
R22
(3.18)
Q Rmn
uma matriz ortogo-
uma matriz de permutao. Logo, a submatriz
(n k)
R22
olunas da matriz
ontm
primeiras
que so justa-
que possuem as maiores omponentes em direo ortogonal.
Caso ontrrio, omo todos os elementos da diagonal da matriz

ordem no- res ente e
de
so identi amente nulos, ertamente as
forne em um sub onjunto de
mente as olunas de
R22
menores (ou nulos) omponentes em direo ortogonal. Se
os elementos da diagonal de
olunas de
R11
uma matriz triangular superior,
Rnn
3.
R22
esto todos em
tem norma reduzida (ver [4), podemos desprezar suas
ontribuies e desta forma, sele ionamos novamente, um onjunto de
olunas de
A que possuem as maiores omponentes em direo ortogonal, dados pelos elementos

da diagonal da matriz
R11
Assim, as primeiras
que so forne idos pelas

olunas da matriz
onsequentemente as primeiras
primeiras olunas de
Im(A)
forne em uma base para
olunas da matriz
A.
e
so uma base ortogonal para
Im(A).
3.4.3 Seleo de Sub onjunto e Mnimos Quadrados

At o momento, vimos que o problema sobredeterminado
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
possui posto ompleto e innitas solues para o aso em que a
possui posto in ompleto. Em alguns asos, pode ser vantajoso reduzir a
dimenso da matriz de dados para resolver o sistema

gerao de animaes fa iais (ver Captulo
Sele ionado um sub onjunto de
A1 ,
Ax = b,
por exemplo, para a
4).
A,
dadas por
obtidas atravs da fatorao QR om pivotemento de olunas, gostaramos de
min ||A1 x b||22 .
(3.19)
xRn
De fato, a matriz
pode ser fatorada na forma
parti ionando a matriz
A[1 2 ] = QR.
= [1 2 ],
onde
Da segue,
51
A = QR,
1 Rmk
que pode ser rees rita
2 Rm(nk) .
Assim,
Captulo
A[1 2 ] = Q
tal que
onde,
A1 Rmk
R11 R
A1 = QR11
kk
3.
R11 R12
0 R22
representa um sub onjunto de
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
no Teorema 3.2 e repitindo
de forma anloga a demonstrao do teorema en ontraremos
||R11 x b1 ||22 + ||b2 ||22 ,

onde
Q b=
e
b1 Rk1
b2 R(mk)1 .
b1
b2
Logo, o mnimo atingido quando
R11 x = b1 .
(3.20)
Assim, a soluo para o problema de mnimos quadrados usando um sub onjunto de

e resduo
A dada pelo sistema triangular superior R11 x = b1
||b2 ||2 .
Dessa forma, podemos sele ionar um sub onjunto de

matriz
para predizer um vetor de observaes
b,
k olunas independentes da
utilizando a t ni a de mnimos
quadrados.
Gostaramos de aproximar as
(n k)
olunas que no foram sele ionadas pelo
algoritmo de fatorao QR om pivoteamento de olunas, dadas por

de uma ombinao linear das olunas independentes de
olunas da matriz
de posto
k,
A,
A1 .
pois estamos predizendo
olunas independentes de
A.
isto ,
A,
A2 , em funo
dadas pelas primeiras
Desse modo, obteramos uma matriz
(n k)
olunas da matriz
Ak
em termos de
e portanto, reduziremos a dimenso (posto) da matriz
Como veremos no prximo aptulo, essa reduo de posto est rela ionada om
a obteno do modelo para gerao de animaes fa iais.

Podemos expressar esse problema om a minimizao de
Ei = ||A1 xi (A2 )i ||22 ,

52
Captulo
3.
i = 1, , (n k). Como ada Ei 0 e ada par ela Ei possui norma mnima,

nk
X
Ei ter norma mnima. Isto equivalente a minimizao de
logo
om
i=1
E =
nk
X
i=1
||A1 xi (A2 )i ||22
= ||A1 x1 (A2 )1 ||22 + + ||A1 xnk (A2 )nk ||22 ,

onde ada ndi e
representa ada uma das
nk
olunas de
A2 .
Assim, pela
denio de norma de Frobenius e por (1.5) teremos
E = ||A1 X A2 ||2F ,
onde
(3.21)
X Rk(nk).
Observe que (3.21) equivalente a minimizao de
E = ||QT (A1 X A2 )||2F ,

visto que
Q Rmn
uma matriz ortogonal. Assim,
E = ||QT (A1 X A2 )||2F
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)
Portanto, para que (3.22) seja mnimo devemos ter
R11 X = R12 ,
onde sua parte residual dada por
||R22 ||F .
53
(3.23)
Captulo
3.
3.5 Dis usso

A fatorao QR de fato uma ferramenta e iente. Atravs da fatorao QR, deduzimos as equaes normais, en ontramos uma soluo para o sistema de equaes
lineares
b||2 ,
Ax = b, onde A Rnn e para o problema de mnimos quadrados minn ||Ax
om
A Rmn ,
onde
xR
possui ou no posto ompleto. Em ambos os asos a
soluo forne ida om a resoluo de um sistema triangular superior, que f il

de resolver.
Mostrou-se e az na soluo para o problema de seleo de sub onjunto, forne endo um sub onjunto de olunas independentes de uma matriz
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,
a fatorao QR mostrou-se e az, permitindo resolver os prin ipais problemas
para se hegar em um modelo para gerao de animaes fa iais.
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.
O software es olhido para os l ulos foi o Matlab.
4.2 Dados
Os dados onsistem em registros da posio
3D
de
57
mar adores distribudos na
fa e de um sujeito (Figura 4.1). Foram olhidos om uma frequn ia de amostragem

de
120
Hz, enquanto o sujeito pronun iava uma sequn ia de
4.6 no Apndi e B) em ingls [14, 15.

onstruir o modelo, e as
10
As primeiras
30
40
frases (ver Tabela
frases foram usadas para
ltimas para validar o modelo e gerar animaes. Antes
de pronun iar ada uma das
40
frases, o sujeito adotou uma posio de des anso
(neutra), para que fosse obtido o deslo amento (separado) de ada mar ador.
55
Captulo
4.
Posio dos mar adores fa iais.
Figura 4.1:
4.3 Pr-pro essamento

Primeiramente, os deslo amentos de ada mar ador foram al ulados relativos
posio neutra ini ial e foram armazenados em uma matriz
e
n = 171.
A matriz
oordenadas espa iais
57 3 = 171
possui
{x, y, z}
Parte dos dados da matriz
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
(x11 xm1 )T , (y12 ym2 )T

(x14 xm4 )
n = 171
(ver Seo 4.5).
b
b Rmn
B
omo segue
x1,1
primeiro mar ador,
olunas, onde o fator
foram reagrupados em uma nova matriz
Podemos representar a matriz
b=
B
m = 16106
onde
de ada mar ador.
om as 30 primeiras frases, onde
Bmn ,
x1,169
y1,170
z1,171
.
..
.
..
.
..
xm,169
ym,170
zm,171
(z13 zm3 )T
(y15 ym5 )
representam os deslo amentos do
(z16 zm6 )T
para o segundo mar-
ador e de forma anloga para o restante dos mar adores.
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
mar adores sele ionados. Seja
linear desses
Ps
4.
o deslo amento obtido por ombinao
deslo amentos. Ento
Ps = a1s P1 + a2s P2 + + aks Pk ,

aks
(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)
Portanto, os deslo amentos de ada mar ador foram representados em um ni a

oluna da matriz de dados omo segue
x=
y=
z=
onde
x1r
..
x
mr
y1j
.
.
y
mj
z1l
.
.
z
ml
r = {1, 4, 7, , (n 2)}, j = {2, 5, 8, , (n 1)}
Assim, deslo amentos dos mar adores nas

dos e arranjadas em uma matriz de dados
mar adores (57) e
apli ada a matriz
M = 3 m.
A,
30
l = {3, 6, 9, , n}.
primeiras frases foram on atena-
A RM N ,
onde
N =
n
o nmero de
3
A fatorao QR om pivoteamento de olunas foi
usando o software Matlab.
4.4 Posto Numri o da Matriz de Dados

Lu ero et al. no seu artigo [14 obteve o posto numri o da matriz de dados om
anlise baseada na de omposio QR om pivoteamento de olunas. Mostraremos
57
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
Teorema 1.22 temos que
O pequeno valor entre os elementos

indi a posto
56
para matriz de dados
tem posto numri o ( ,
, r )2
57,57 = 0.07
A.
em
De fato, pelo
se, e somente se,
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.
Desse modo, se es olhermos

Portanto,
= 1.0
r = 56
satisfaz a Denio
1.20 e da
18.88 1.0 > 0.5 0.07.

Portanto, podemos supor posto numri o
56
(4.4)
e identi ar a dimenso dos dados.
1800
1600
1400
1200
kk
1000
800
600
400
200
0
10
20
30
40
50
60
Figura 4.2:
Elementos da diagonal da Matriz .
A gura 4.3 mostra os elementos da diagonal da matriz

omponente ortogonal de ada oluna
R, rkk ,
relativo as primeiras
58
que medem a
k1
anteriores, e
Captulo
apare em em ordem des res ente para
4.
k = 1, , 57.
lhana entre os elementos da diagonal das matrizes
Observe que h uma semee
Ambas as tm diagonal
em ordem de res ente e apresentando uma abertura entre os elementos

e o
r57,57 = 0.01
r56,56 = 25.41
que pode ser usado para determinar o posto numri o da matriz de
dados, (ver [7).
700
600
500
rkk
400
300
200
100
10
20
30
40
50
60
Figura 4.3:
Elementos da diagonal da Matriz R.
4.5 Alguns Resultados da Fatorao QR

Em seu artigo [14, Lu ero et al.
primeiros
10 valores de rkk ,
observou que os dados estabilizavam para os
normalizados relativos a norma de
lizam para um onjunto de aproximadamente
15
R.
Os valores estabi-
sentenas on luindo que qualquer
onjunto de dados maior, bastante seguro para onstruir um modelo, o que justi ou adoo de
30.
Usaremos esta mesma metodologia aqui.
A es olha da quantidade de sentenas pode ser justi ada atravs de uma anlise
na Figura 4.4. L, os primeiros
de
12 valores de rkk esto normalizados relativos norma
R, em funo da quantidade de amostras nos dados.
Os valores estabilizam antes
de atingir o total de amostras disponveis (aproximadamente

frase o upa aproximadamente em mdia
justi a a adoo de
30
500
15a
frase, j que ada
linhas da matriz de dados), o que
frases para onstruir o modelo. Dessa forma, sobram
frases para testar e validar o modelo.
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
Valores normalizados dos 12 primeiros elementos na diagonal de R em funo

da quantidade de amostras nos dados.
Figura 4.4:
Na Figura 4.4, o orre estabilidade dos dados aproximadamente a partir da

frase. Porm, quando permutamos as linhas de
15a
A aleatoriamente (Figura 4.5) obser-
vamos que a estabilidade al anada mais rapidamente, ou seja, aproximadamente

entre a linha
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
Valores normalizados dos 12 primeiros elementos na diagonal de R em funo

da quantidade de amostras nos dados permutados aleatoriamente.
Figura 4.5:
De fato, em ada linha da matriz esto representados os deslo amentos de todos

mar adores. Assim, em um determinado momento, a matriz de dados poder ter
60
Captulo
4.
ou no todos os detalhes dos movimentos manifestados na fa e do indivduo atravs

dos mar adores: Por exemplo, a fala, pis ar dos olhos, sorriso, et .
Isto , nem
sempre em determinadas frases, o indviduo manifesta todas estas expresses fa iais.

Portanto, em alguns asos, h ne essidade de mais de uma frase at que todas estas
ara teristi as dos movimentos sejam in orporadas. Logo, quando dizemos que os
rkk
esto se estabilizando, na verdade estamos dizendo que o onjunto de linhas
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
sentenas su iente para que isso
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.
Cada oluna possui
Um onjunto de dados de
usado em todas as tentativas. Na primeira tentativa, as primeiras

onjunto foram usadas, e nas
30
30
12
mar-
sentenas foi
sentenas do
tentativas restantes, as sentenas foram aleatoria-
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
linhas da matriz de dados, onde
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
E omo j tnhamos observado na Figura 4.4, os dados se

oluna, que orresponde a
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.
oluna da tabela representa os mar adores sele ionados pelo algoritmo na
61
Cada
k -sima
Captulo
Ordem
1
2
3
4
5
6
7
8
9
10
11
12
Amostras 100
4.
Mar adores Sele ionados

1
40
34
51
20
36
32
11
56
12
44
39
16
10
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
Os 12 primeiros mar adores sele ionados pelo algoritmo om k linhas na

matriz de dados.
Tabela 4.1:
linha. Como observamos na Figura 4.5, os dados se estabilizam a partir da

ou aproximadamente
5a
Amostras 100
oluna
sentena.
Ordem
1
2
3
4
5
6
7
8
9
10
11
12
2o
Mar adores Sele ionados

1
40
34
38
2
36
20
49
06
11
47
54
47
10
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.
das Tabelas 4.1 e 4.2 sele ionamos um onjunto de 12 mar adores.
A tabela 4.3
representa essa seleo.
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
Os 12 primeiros mar adores sele ionados pelo algoritmo.
Nos tens a seguir, esto rela ionados os
12
mar adores que foram sele ionados
pelo algoritmo e suas respe tivas regies de inun ia para ada um dos mar adores.
O primeiro mar ador sele ionado o
40,
no entro do lbio inferior (Figura
4.1), que tem o maior deslo amento;
Os prximos dois mar adores so o
O quarto mar ador o
Na
5a
02,
06
e o
38,
em ambos antos dos lbios;
prximo da sobran elha direita;
posio apare e o mar ador
mar ador
34
36 e
situ-se no entro do lbio superior. O
apare e em seguida e est situado a ima do olho esquerdo.
7a
O mar ador
20
apare e na
O mar ador
49
apare e em seguida e en ontra-se na parte inferior dos lbios,
13
representa a a o de pis ar do olho esquerdo;
posio e se en ontra ao lado direito do nariz;
a esquerda;
O mar ador
Na
10a
posio apare e o mar ador
52
rosto;
63
e este se en ontra ao lado esquerdo do
Captulo
O mar ador
54,
4.
na plpebra esquerda, apare e na
bem prximo do mar ador
11a
posio, e en ontra-se
52;
Por ltimo, apare e o mar ador
47
e en ontra-se na parte inferior dos lbios,
a direita.
Os valores
rkk
asso iados aos
primeiros mar adores so bem maiores em om-
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
12 mar adores (ver Seo 4.9) que
As Figuras 4.6 e 4.7 mostram os resultados desse ajuste.
L, os oe ientes apropriados omputados para os mar adores se undrios foram

estendidos a outros pontos fa iais por interpolao bi a.
As regies asso iadas a ada um dos mar adores prin ipais in luem as sub-regies
positivas (vermelho) e negativas (azuis), onde o movimento est no mesmo sentido
e no oposto, respe tivamente, ao movimento do mar ador prin ipal.
As regies
apare em no mesmo nmero e posio similar em ambos os lados do rosto, embora

tenham uma grande assimetria.
A respeito das plpebras, note que embora um
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.
projees de ada oluna da matriz

da primeira oluna da matriz
Sabemos que a primeira linha de
ontm as
( om as olunas j permutadas) na direo
(que tem maior norma).
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.
ontm as projees de ada oluna de

matriz
4.
Em geral, a
A em direo ortogonal primeira oluna da
k -sima linha de R
em direo ortogonal
k1
ontm as projees de ada oluna de
olunas da matriz
65
Q.
Ento, gr os das linhas de
A
R
Captulo
Figura 4.7:
4.
Regies fa iais ilustradas para mar adores 20, 49, 13 e 52.
mostram a projeo do deslo amento de ada ponto fa ial nas direes ortogonais
denidas pela matriz
Q.
Isto , os gr os (regies mais es uras) mostram quais os
padres regionais de deformao fa ial nessas direes ortogonais.
4.7 Gerao de Animaes Fa iais

Como exemplo de animao fa ial, usaremos a frase
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
a matriz om os deslo amentos dos mar adores prin ipais rela-
tivos posio neutra ini ial. Uma vez omputados todos os oe ientes da matriz
66
Captulo
Figura 4.8:
X,
4.
al ulamos o deslo amento para os mar adores se undrios, resolvendo
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
pontos fa iais arbi-
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.
Quadro ini ial das animaes.
4.8 Anlise de Erros nas Trajetrias Computadas

Como j omentado, deixamos
10
frases para testar e validar o modelo e omo
exemplo numri o, es olhemos a frase

Cal ulada a matriz
P2
39
do onjunto de sentenas.
que ontm os deslo amentos para os mar adores se-
undrios, omo em (4.6), podemos medir o erro, omparando os deslo amentos

dos mar adores se undrios que foram re onstitudos pelo algoritmo, om os deslo amentos originais dos mar adores. Para al ular o erro, adotamos o Erro Mdio
Quadrti o dado pela seguinte frmula
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
so omponentes dos deslo amentos dos mar adores originais,
(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.
Observe que o mar ador
28
en ontra-se na parte inferior do
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:
1. O erro al ulado para o
11o mar ador quase nulo, na ordem de 1.07105mm.
Se analisarmos a Figura 4.1 veremos que o
11o
mar ador simtri o ao
13o
mar ador, que um mar ador sele ionado pelo algoritmo, portanto ambos
possuem pesos similares, e omo o
11o
13o
possui erro nulo, isso justi a o erro do
mar ador ser to pequeno;
2. Alm do mar ador
11
mente para o mar ador
que simtri o ao mar ador
13,
o menor erro justa-
10, aproximadamente 0.30mm e de fato j era esperado,
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:
3. O erro al ulado para os
12
mar adores primrios (mar adores sele ionados
pelo algoritmo de fatorao QR om pivoteamento de olunas) nulo, uma

vez que
xi = xi , yi = y i
zi = z i ;
4. De todos os erros al ulados, os mar adores

os maiores erros e hegam a
mar ador
42, 0.84mm
1.05mm
39, 42, 48 e 57 so os que possuem
para o mar ador
para o mar ador
48
57.
39, 0.93mm
para o
Se observarmos que esses
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
so justamente as que apresentam o
menor e o maior erro mdio respe tivamente. Comparado om o erro de pre iso
dos dados, er a de
0.5mm (ver [17), o erro para as trajetrias re onstrudas para os

71
Captulo
4.
mar adores fa iais pequeno, j que em mdia, o erro de
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
Erro mdio para trajetrias re onstitudas pelo algoritmo para as sentenas
Em [14, Lu ero et al. obteve seu modelo adotando uma base de
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
mar adores om erro mdio de
e omo j era esperado, menor que o erro mdio que Lu ero, de
pois em seu artigo, a base adotada ontm
03
1.05mm,
mar adores a menos.
4.9 Anlise para Seleo de Mar adores

Esta Seo objetiva justi ar a es olha dos
12 mar adores na
Seo 4.6 para anlise
de erros, trajetrias e gerao de animaes fa iais atravs de uma frase predenida

do onjunto de sentenas, omo nas Sees 4.7 e 4.8.
Sabemos que as primeiras
olunas da matriz
forne em uma soluo para
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)
obtido a partir da seleo de
deslo amentos, resolvendo
R11 X = R12
os mar adores se undrios resolvendo

junto de
57
mar adores.
mar adores na matriz de
(ver Captulo 3). Em seguida, onseguimos
P1 X = P2
(ver Seo 4.7). Para ada on-
mar adores sele ionados temos uma matriz
72
(modelo) e uma matriz
P2
Captulo
(deslo amentos se undrios). Fazendo
variar de
4.
57
(nmero de mar adores) e
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
(ver [17), ento qualquer sub onjunto de
mar adores em
que o erro mdio aproximadamente do mesmo valor apropriado para onstruir o

modelo. As Figuras 4.12, 4.13 e 4.14, representam os gr os para as frases
31
40
do onjunto de sentenas (a esquerda, frases mpares e a direita as pares).
1.8
1.8
1.6
1.6
1.4
Erro Mdio (mm)
Erro Mdio (mm)
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:
Nas Figuras 4.12, 4.13 e 4.14, a linha horizontal representa aproximadamente o

erro de pre iso dos dados e observamos que as frases
31
35,
so as que possuem
os maiores sub onjuntos de mar adores ne essrios, aproximadamente

obter um erro mdio prximo de
0.5mm.
Por outro lado, as frases
os menores sub onjunto de mar adores, em torno de
20,
36
40,
39,
para se
possuem
para onseguir erro mdio
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.
Porm ertamente, podemos armar que a base om
12
mar adores
mostrou bons resultados, om erro mdio relativamente pequeno e uma boa ani-
73
Captulo
4.
2.5
1.8
1.6
Erro Mdio (mm)
Erro Mdio (mm)
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
Erro Mdio (mm)
Erro Mdio (mm)
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:
mao fa ial sem distores per eptveis.

Os algoritmos utilizados para fazer as Figuras 4.12, 4.13 e 4.14 esto disponveis
em
http://vargas.mat.unb.br/ .
74
Captulo
1.6
4.
2.5
1.4
2
Erro Mdio (mm)
Erro Mdio (mm)
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
Erro Mdio (mm)
Erro Mdio (mm)
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
min ||Ax b||2 , om A Rmn

xRn
possui ou no posto ompleto. Em ambos os asos a soluo
e para o problema de mnimos quadrados

tal que
forne ida om a resoluo de um sistema triangular superior. Tais sistemas so

resolvidos por substituies retroativas, atravs de equaes da forma
bi
xi =
para todo
n
X
rij xj
j=i+1
rii
i = 1, , n.
A fatorao QR om pivoteamento de olunas mostrou-se e az, forne endo uma

soluo para o problema de seleo de sub onjunto, extraindo um sub onjunto de
olunas linermente independentes de uma matriz
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
produzidas atravs da fatorao QR om pivoteamento de olunas no possuem

nenhuma distoro per eptvel nos padres movimento fa iais.
76
Con luses
Em [14, Lu ero et al. obteve seu modelo adotando uma base de

um erro de aproximadamente
1.05mm.
Neste trabalho, re onstrumos as trajetrias,
obtivemos animaes fa iais atravs de uma base onstituda de

erro mdio de
0.90mm
09 mar adores e
12 mar adores om
e omo j era esperado, houve uma diminuio do erro.
Salientamos que os mar adores fa iais sele ionados so utilizados na obteno de

um modelo linear individualizado da inemti a fa ial, pois ada indivduo possui
suas prprias propriedades da pele, te idos, peso ou estruturas mus ulares diferentes.
Possivelmente, alguns aspe tos desta t ni a requerem algumas melhorias. Por
exemplo, um melhor ritrio para determinar uma dimenso apropriada na seleo
dos mar adores utilizados para onstruir o modelo poderiam inferir melhores resultados. Por exemplo, na gerao de animaes fa iais. Mas estas e outras questes
ans, deixamos omo assunto para futuros trabalhos de pesquisas.
77

[1 Alexa, M.; Mller, W.,
ROGRAPHICS
2000
Publishers, Malden (
Representing animations by prin ipal omponents, EU-
(Gross M.; Hopgood F. R. A., eds.), pp.
2000).
1 8,
Bla kwell
Linear degrees of freedom in spee h

produ tion: Analysis of ineradio-and labio-lm data and arti ulatory-a ousti
modeling, Journal A ousti al So iety of Ameri a 109, 2165 2180 (2001).
[2 Beautemps, D.; Badin, P.; Bailly, G.,
[3 Bjr k, A.,
phia
Numeri al Methods for Least Squares Problems,
SIAM, Philadel-
(1996).
[4 Chan, T. F.; Hansen P. C.,
Low-rank revealing QR fa torizations,
Linear Algebra with Appli ations
Numeri al
1, 33 44 (1994).
On the optimality of the ba kward greedy algorithm

for the subset sele tion problem, SIAM Journal on Matrix Analysis and Appli-
[5 Couvreur, C.; Breler, Y.,
ations
21, 797 808
[6 Fukuda, H. E.,
2006).
Re uperao de Informaes por lgebra Linear Computa ional,
Universidade de So Paulo - USP, Brasil (
2004).
[7 Golub, G. H.; Klema, V.; Stewart, G. W.,
problems,
76 559
Rank degenera y and least squares
Computer S ien e Department Stanford University, STAN CS
1976).
[8 Golub, G. H.; Van Loan, C. F.,

University Press, Baltimore (
[9 Hong, Y. P.; Pan, C. T.,
Matrix Computations,
The John Hopkins
1996).
Rank - revealing QR fa torizations and the singular
value de omposition, Mathemati s of Computation 58, 213 232 (1992).

78
Subset sele tion for matri es,
[10 Hoog, F. R.; Mattheij, R. M. M.,

Linear Algebra and Appli ations
[11 Jdi e, J. J; Patr io, J. M.,
422, 349 459
2007).
Sistemas de Equaes Lineares,
Matemti a da Universidade de Coimbra, Portugal (

[12 Kuratate, T.; Yehia, H.; Vatikiotis-Bateson, E.,
realisti talking fa es,
Journal of the
Departamento de
1996).
Kinemati s-based synthesis of
International Conferen e on Auditory - Visual Spee h
Pro essing (AVSP'98) (Burnham, D.; Robert-Ribes, J.; Vatikiotis-Bateson E.,

eds.), pp. 185 190, Causal Produ tions, Terrigal-Sydney (
[13 Leon S. J.,
1998).
Linear Algebra with Appli ations, Prenti e-Hall International Edi-
tions, New York (
1994).
[14 Lu ero, J. C.; Baigorri, R. A.; Munhall K. G.,
Data-driven fa ial animation of
spee h using a QR fa torization algorithm, Pro eedings of the 7th International

Seminar on Spee h Produ tion, pp.
135 142,
Ubatuba - SP (
2006).
Empiri al modeling of human fa e kinemati s during spee h using motion lustering, Journal
[15 Lu ero, J. C.; Ma iel, S. T. R.; Johns, D. A.; Munhall, K. G.,
A ousti al So iety of Ameri a
118, 405 409
2005).
Fatorao QR para o problema

de seleo de sub onjuntos apli ado a uma rede de monitoramento da variao
da piezometria, XXX Congresso Na ional de Matemti a Apli ada Computa-
[16 Ma iel, S. T. R.; Silva, A. M.; Lu ero, J. C.,
ional - CNMAC. Anais do XXX Congresso Na ional de Matemti a Apli ada

e Computa ional
1, 1 7
2007).
[17 Munhall, K. G., informao privada via e-mail:

ska, R.,
[18 Setnes, M.; Babu
<munhallkpost.queensu. a>.
Rule base redu tion: some omments on the use of
orthogonal transforms, IEEE Transa tions on Systems, Man and Cyberneti s Part C: Appli ations and Reviews
New York (
2001).
SIAM, Philadelphia
Fundamentals of Matrix Computations,
John Wiley & Sons,
1997).
[20 Watkins, D. S.,
Numeri al Linear Algebra,
[19 Trefethen, L. N.; Bau, D.,

(
31, 199 206
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
_____________________________________________________________________
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
_____________________________________________________________________
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
_____________________________________________________________________
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,:);
[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,:);
[q,r,e = qr(C,0);
M(:,i) = e(1:12);
else
j = j - 25;
D = E(1:j,:);
[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
___________________________________________________________________
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-');
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-');
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.
_____________________________________________________________________
fun tion QRanalysis(dfile)

if nargin<1
[filename, pathname = uigetfile( ...
{
'*.mat','MAT files (*.mat)'; ...
'*.*',
'All Files (*.*)'}, ...
'Sele t data file', ...

'MultiSele t', 'off');
dfile=fullfile(pathname,filename);
end
load(dfile);
load DataW
[m,n = size(trM);
IC =
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
[filename2, pathname2 = uiputfile( ...

{'*.mat','MAT-files (*.mat)'; ...
'*.*', 'All Files (*.*)'}, ...
'Save as', 'Resultados.mat');
save(fullfile(pathname2,filename2),'e','AA2','IC','mPos');
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
97
Apndi e A
ZPos = reshape(ZPos,1,3*LGRID*LGRID);
for i = 1:n/6
w = RR2(i,:);
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
ZPos=reshape(ZPos,1,3*LGRID*LGRID);
for iC = 1:IC
w = AA2(iC,:);
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
frases no ingls usadas para onstruir o modelo.
It's time to go.

If you don't want these old magazines, throw them out.
Do you want to wash up?
It's a real dark night so wat h your driving.
I'll arry the pa kage for you.
Did you forget to shut o the water?
Fishing in a mountain stream is my idea of a good time.
Fathers spend more time with their hildren than they used to.
Be areful not to break your glasses!
I'm sorry.
You an at h the bus a ross the street.
Call her on the phone and tell her the news.
I'll at h up with you later.
I'll think it over.
I don't want to go to the movies tonight.
If your tooth hurts that mu h you ought to see a dentist.
Put that ookie ba k in the box!
Stop fooling around!
Time's up.
How do you spell your name?
Musi always heers me up.
My brother's in town for a short while on business.
We live a few miles from the main road.
This suit needs to go to the leaners.
They ate enough green apples to make them si k for a week.
Where have you been all this time?
Have you been working hard lately?
There's not enough room in the kit hen for a new table.
Where is he?
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.
Tabela 4.6: Conjunto de 40 sentenas em ingls: As 30 primeiras frases foram usadas

para onstruir o modelo e as 10 ltimas para realizar testes e validar o modelo.
104
Anexos
En ontram-se abaixo as demonstraes dos Teoremas
apare em no Captulo
2.6, 2.7, 2.9, 2.10
2.13
que
2.
Teorema 2.6
_____________________________________________________________________
Teorema 2.6
onde
Seja
P Rmn
1.
simtri a;
2.
ortogonal;
3.
||P x||2 = ||x||2 ;
4.
||P A||2 = ||A||2;
5.
P 2 = I.
uma reexo de Householder. Ento
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 x||22 = ||P T x||22
= (P T x)T (P T x)
= (xT P )(P T x)
= xT x
= ||x||22
portanto,
||P x||2 = ||x||2 .

106
Anexos
Demonstrao de 4.:
Segue imediatamente do Teorema 1.10.
Demonstrao de 5.:
Como
P = PT
e multipli ando por
em ambos os membros, teremos:
P2 = PTP
= I
107
Anexos
Teorema 2.7
_____________________________________________________________________
Teorema 2.7
um vetor
Dado um vetor no-nulo
v = (v1 , v2 , , vn )
de householder
x = (x1 , x2 , , xn )T ,
de maneira que
denida pelo vetor
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.
Este ltimo impli a que
v = x + e1 .
Assim,
v hx, e1 i,
om isso,
pode ser es rito
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,
seque que o omponente em
deve ser nulo, logo

T x+
= 0,
1 2 xT xx+2+
2
108
(4.8)
Anexos
mas isso s se veri a se, e somente se,
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
e sua respe tiva fatorao QR. Suponha
e onsidere as seguintes parties
ada
ai
qj
A = [a1 , a2 , , an ]
so as respe tivas olunas de
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
singular, portanto possui inversa, logo
qk =
k
X
i=1
logo,
ha1 , , an i hq1 , , qk i.
1, , n.
on lumos que
posto(A) = n
AR1 = Q
(4.12)
segue que a matriz
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 ,
existe uma ni a matriz
QR
om
mn
mn
RR
e suponha que
nn
tal que
posto(A) = n.
Ento
tm olunas ortogonais e
triangular superior om todas as entradas da diagonal positiva 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
possui todas as olunas ortogonais e
rii = diirbii > 0
b Rnn , Q
b
R
dii denida por

1, se rbii > 0
dii =
1, se rbii < 0.
uma matriz diagonal om elementos
Ento
om olunas
triangular superior (no ne essariamente om todas as entradas da
diagonal positiva) tal que
Como
b Rmn
Q
A = QR.
b 6= 0.
det (R)
Seja
(4.15)
D ortogonal. Segue que

b triangular superior om
R = DR
logo,
Isso prova a existn ia.
Para provar a uni idade usaremos De omposio de Cholesky (ver [8).
de omposio onsiste no seguinte: Dada uma matriz

ento existe uma ni a matriz triangular inferior
todas positivas tal que
A = GGT .
Suponha que existissem matrizes

onde
Qi
mente e
Ri
Esta
A Rnn
positiva e denida,
tais que
A = Q1 R1 = Q2 R2
G Rnn om entradas da diagonal
Q1 , Q2 , R1
R2
so matizes om olunas ortogonais e triangular superior respe tiva-
i = 1, 2.
AAT = (Q1 R1 )T (Q1 R1 ) = R1T QT1 Q1 R1 = R1T R1
111
Anexos
AAT = (Q2 R2 )T (Q2 R2 ) = R2T QT2 Q2 R2 = R2T R2

da,
R1T R1 = R2T R2 .
R1T = R2T
e portanto,
Pela uni idade da de omposio de Cholesky, devemos ter
R1 = R2 ,
logo
Q1 = Q2 .
Isso prova a uni idade.
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
por permutao de olunas,
Rmn , R11 Rrr
Q Rmm
no-singular e triangular
superior.
Demonstrao:
Suponha que
r = n,
ento a matriz
tradas da diagonal da matriz

de omposio
suas olunas.
b = QR,
A
R=
onde
b
R
0
Suponha agora que
tem posto ompleto e portanto todas as en-
R so todas no-nulas. Portanto, o resultado uma

b a matriz obtida atravs de A por permutao de
A
onde
r < n,
b
R
uma matriz triangular superior e no-singular.
portanto a matriz
A possui
posto in ompleto. Ento,
pelo o que vimos anteriormente, em algum passo durante a de omposio QR om

pivoteamento de olunas, temos que
rii = 0, r < i n.
Observe que isso s o orre
se, e somente se, todas as entradas da submatriz restante nula.

Suponha que isso o orra depois de
tando a reexo obtida no passo
R,
onde
R11 Rrr
r11 , r22 , , rrr

Seja
que
R Rmn .
ento temos
Sejam
b=
Pr Pr1 P1 A
Pi Rmm denoR11
R12
triangular superior no singular om as entradas da diagonal
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

Dissertação

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Dissertação

Caricato da

Copyright:

Formati disponibili

Universidade de Braslia

Instituto de Cin ias Exatas

Algoritmo de fatorao QR para gerao de

Elenilson de Vargas Fortes

Algoritmo de fatorao QR para gerao de

Elenilson de Vargas Fortes

Dissertao apresentada ao Departamento de Matemti a da Universidade de

Prof. Dr. Jorge Carlos Lu ero - MAT/UnB (Orientador)

Carlos Maber Carrin Riveros - MAT/UnB

Pledson Guedes de Medeiros - EST/UFRN

trabalho ontou om apoio nan eiro par ial do CNPq.

Somos o que pensamos. Tudo

Aos meus pais

Jonas de Vargas Fortes e Ozilia Loureti Fortes

Meu grande amigo

Edinelo Dal umune, Wagner, Riedson, Srgio e Vanessa.

Aos olegas do urso

Nesta dissertao, onsideramos o problema da seleo de um sub onjunto de

Mostraremos omo este

Palavras- haves: Seleo de Sub onjunto, Fatorao QR, Animao

We will show how this problem an be

Key Words: Subset Sele tion, QR Fa torization , Fa ial Animation.

1 Con eitos Bsi os e De omposio em Valores Singulares

Imagem, Espao Nulo e Posto

De omposio em Valores Singulares

Algumas Propriedades da SVD

SVD e sua Relao om Normas . . . . . . . . . . . . . . . . .

Relaes entre SVD e o Posto de uma Matriz

Anlise e Dis usso . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Denio e Propriedades da Fatorao QR . . . . . . . . . . . . . . .

Denio e Propriedades da Reexo de Householder

Es olha do Vetor de Reexo

Relaes da Fatorao QR om o Posto de uma Matriz

Uni idade da Fatorao QR

Fatorao QR om Pivoteamento de Colunas . . . . . . . . . .

3 Apli aes da Fatorao QR

Problema de Mnimos Quadrados

Matrizes de Posto Completo . . . . . . . . . . . . . . . . . . .

Matrizes de Posto In ompleto

O Problema da Seleo de Sub onjunto . . . . . . . . . . . . . . . . .

Seleo de Sub onjunto . . . . . . . . . . . . . . . . . . . . . .

Seleo de Sub onjunto e Mnimos Quadrados . . . . . . . . .

4 Apli ao a Animao Fa ial

Posto Numri o da Matriz de Dados

Alguns Resultados da Fatorao QR

Gerao de Animaes Fa iais . . . . . . . . . . . . . . . . . . . . . .

Anlise de Erros nas Trajetrias Computadas

Anlise para Seleo de Mar adores . . . . . . . . . . . . . . . . . . .

Refern ias Bibliogr as

Tabela 4.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

Teorema 2.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

Reexo em torno da reta .

Posio dos mar adores fa iais.

Elementos da diagonal da Matriz .

Elementos da diagonal da Matriz R.

Valores normalizados dos 12 primeiros elementos na diagonal de R em

Regies fa iais ilustradas para mar adores 20, 49, 13 e 52.

Regies de deformao fa ial nas direes ortogonais, linhas 1 a 6 de R.

Regies de deformao fa ial nas direes ortogonais, linhas 7 a 10 de R.

Quadro ini ial das animaes.

Valores normalizados dos 12 primeiros elementos na diagonal de R em

Exemplo de trajetria real (linha de traos) e re onstruda pelo algoritmo

Os 12 primeiros mar adores sele ionados pelo algoritmo om k linhas na

Os 12 primeiros mar adores sele ionados pelo algoritmo.

trabalho ontou om apoio nan eiro par ial do CNPq.

Somos o que pensamos. Tudo

Denio e Propriedades da Fatorao QR . . . . . . . . . . . . . . .

Denio e Propriedades da Reexo de Householder

Es olha do Vetor de Reexo

Refern ias Bibliogr as

Reexo em torno da reta .

Espe i amente, retira-se uma oluna de

e que pelo signi ado de orrentes do modelo

propomos onar inteiramente nos dados para predizer o omportamento dinmi o

sequn ia nita de profundidades do nvel da gua medida em um dado poo, em

Denio 1.1 p-norma de um vetor x dada por