Curso de Matrizes

Aula 1 • Transposição de Matrizes

Explica a operação de transposição e as suas propriedades algébricas. A transposição reaparece em decomposições, métodos dos mínimos quadrados e matrizes de covariância.

Aula 2 • Notação e Terminologia Matricial

Introduz a notação padrão para linhas, colunas e elementos. Estabelece o vocabulário utilizado em todos os capítulos seguintes.

Aula 3 • Aritmética Básica de Matrizes

Ensina a adição, subtração e multiplicação por escalar com regras de conformabilidade. Estas operações são pré-requisitos para produtos e transformações matriciais.

Aula 1 • Propriedades dos Produtos Matriciais

Examina a associatividade, distributividade e o comportamento do elemento neutro. Compreender estas propriedades permite a manipulação algébrica de expressões matriciais.

Aula 2 • Produtos Matriciais Especiais

Aborda produtos externos, produtos de Hadamard e produtos de Kronecker. Cada tipo de produto aparece em domínios de aplicação distintos abordados mais adiante.

Aula 3 • Regras da Multiplicação de Matrizes

Deriva a regra linha por coluna e os requisitos de dimensão para produtos válidos. A aplicação correta evita os erros computacionais mais comuns.

Aula 1 • Cálculo de Determinantes

Apresenta a expansão por cofatores e métodos de redução por linhas para determinantes. O cálculo preciso é essencial para testes de invertibilidade e para a regra de Cramer.

Aula 2 • Cálculo da Matriz Inversa

Ensina métodos baseados na adjunta e na redução por linhas para encontrar inversas. O cálculo da inversa permite a resolução direta de equações lineares e transformações.

Aula 3 • Matrizes Singulares vs. Invertíveis

Define a singularidade através do determinante e do critério de característica. Distinguir matrizes invertíveis de singulares é fundamental para resolver sistemas lineares.

Aula 4 • Regra de Cramer e Aplicações

Aplica determinantes para resolver sistemas lineares pequenos através da regra de Cramer. Conecta a teoria dos determinantes a fluxos de trabalho práticos de resolução de equações.

Aula 1 • Eliminação de Gauss-Jordan e RREF

Estende a eliminação à forma escalonada reduzida por linhas para leitura direta da solução. A RREF também revela a característica e as variáveis livres em sistemas subdeterminados.

Aula 2 • Representação Matricial de Sistemas Lineares

Converte sistemas de equações na forma de matriz aumentada. Esta representação é o ponto de entrada para todos os métodos algorítmicos de resolução.

Aula 3 • Eliminação de Gauss

Aplica operações elementares sobre linhas para atingir a forma escalonada por linhas. A eliminação de Gauss é o algoritmo fundamental para resolver sistemas lineares.

Aula 4 • Decomposição LU para Sistemas Lineares

Fatoriza uma matriz em componentes triangulares inferior e superior para uma resolução eficiente. A decomposição LU reduz o cálculo repetido ao resolver múltiplos segundos membros.

Aula 1 • Equação Característica e Valores Próprios

Deduz os valores próprios a partir do polinómio característico de uma matriz quadrada. Os valores próprios quantificam o comportamento de escala ao longo de direções invariantes.

Aula 2 • Matrizes Simétricas e Teorema Espectral

Demonstra que matrizes simétricas têm valores próprios reais e vetores próprios ortogonais. O teorema espectral fundamenta a análise de componentes principais e as formas quadráticas.

Aula 3 • Cálculo de Vetores Próprios

Encontra vetores próprios resolvendo o espaço nulo de matrizes deslocadas. Os vetores próprios definem os eixos invariantes de uma transformação linear.

Aula 4 • Diagonalização de Matrizes

Constrói a forma diagonal usando matrizes de vetores próprios quando as condições são satisfeitas. A diagonalização simplifica o cálculo de potências de matrizes e exponenciais.

Aula 1 • Transformações Lineares e as Suas Matrizes

Define aplicações lineares e deduz as suas representações matriciais padrão. Cada matriz codifica uma transformação linear entre espaços vetoriais.

Aula 2 • Axiomas e Exemplos de Espaços Vetoriais

Define espaços vetoriais através dos axiomas de fecho, elemento neutro e inverso. Reconhecer espaços vetoriais válidos é pré-requisito para a análise de subespaços e bases.

Aula 3 • Sistemas de Coordenadas e Mudança de Base

Expressa vetores em bases diferentes usando matrizes de transição. A mudança de base é essencial para a diagonalização e para o cálculo eficiente.

Aula 4 • Subespaços, Espaço Gerado e Base

Identifica subespaços e constrói conjuntos geradores e bases mínimas. A seleção da base determina as representações de coordenadas usadas nas transformações.

Aula 1 • Escolha e Aplicação de Decomposições

Fornece um quadro de decisão para selecionar decomposições com base nas propriedades e objetivos da matriz. Critérios de seleção práticos evitam cálculos ineficientes ou instáveis.

Aula 2 • Decomposição QR

Fatoriza uma matriz em componentes ortogonal e triangular superior via Gram-Schmidt. A decomposição QR é a base dos resolvedores de mínimos quadrados e dos algoritmos de valores próprios.

Aula 3 • Decomposições de Schur e de Jordan

Apresenta a triangularização de Schur e a forma normal de Jordan para matrizes não diagonalizáveis. Estas formas lidam com matrizes defeituosas que resistem à diagonalização padrão.

Aula 4 • Decomposição de Cholesky

Fatoriza matrizes simétricas definidas positivas em forma triangular. Cholesky é duas vezes mais eficiente que LU para sistemas definidos positivos em otimização.

Aula 1 • Mínimos Quadrados e Regressão

Resolve sistemas sobredeterminados através de equações normais e pseudoinversa. Os mínimos quadrados são o núcleo matemático da regressão linear e do ajuste de dados.

Aula 2 • Formas Quadráticas e Otimização

Analisa funções objetivo quadráticas usando representações matriciais e valores próprios. A análise de formas quadráticas determina a convexidade e as condições de otimalidade.

Aula 3 • Métodos Matriciais em Análise de Redes

Codifica grafos como matrizes de adjacência e laplacianas e extrai propriedades estruturais. A teoria espectral de grafos conecta valores próprios à conetividade e ao agrupamento.

Aula 4 • Resolvedores Iterativos e Convergência

Introduz os métodos de Jacobi, Gauss-Seidel e gradiente conjugado para sistemas grandes e esparsos. Os métodos iterativos escalam onde as decomposições diretas se tornam computacionalmente proibitivas.