Questão de Matemática — Álgebra Linear - Equações Lineares, Espaço Vetorial e Transformações Lineares e Matrizes — FGV 2024
Matemática›Álgebra Linear - Equações Lineares, Espaço Vetorial e Transformações Lineares e Matrizes
Código
fg084627
Banca
FGV
Órgão
EPE
Ano
2024
Nível
Superior
Cargo
Analista de Gestão Corporativa - Tecnologia da Informação (Ciência de Dados)
A decomposição em valores singulares (Singular Value Decomposition - SVD) de uma matriz é uma fatoração importante por ser aplicável em diversos algoritmos de inteligência artificial. Considere o trecho de código em linguagem R a seguir.1. A <- matrix(c(1,2,1,2), ncol=2, nrow=2) 2. svd_result <- svd(A) 3. V <-svd_result$v 4. M <- V %*% t(V) 5. cat(M[1,1], "--", M[2,2]) Assinale a opção que indica a saída esperada para a execução do trecho de código.
A10 -- 2.4652e-32
B0.7071068 -- 0.7071068
C-0.4472136 -- 0.4472136
D3.162278e+00 -- 1.570092e-16
E1 -- 1
Revelar gabarito e comentário▾
GabaritoE — 1 -- 1
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Decomposição em Valores Singulares (SVD) e a propriedade de V
Gabarito: letra E — a saída é 1 -- 1. A razão é que a matriz V retornada pela função svd() do R é uma matriz ortogonal (suas colunas são vetores ortonormais), e o produto V %*% t(V) resulta na matriz identidade, cujos elementos da diagonal principal são todos iguais a 1.
A SVD fatora uma matriz como (no caso real), onde e são matrizes ortogonais (ou unitárias, no caso complexo) e é uma matriz diagonal com os valores singulares. Uma matriz ortogonal satisfaz , ou seja, sua transposta é sua inversa. No R, svd_result$v retorna a matriz (os vetores singulares à direita), que é ortogonal. Portanto, M <- V %*% t(V) calcula , que é exatamente a matriz identidade . Assim, M[1,1] e M[2,2] são ambos 1.
A pegadinha da questão está em não reconhecer a ortogonalidade de e tentar calcular os elementos manualmente, o que levaria a valores como (que é o valor de cada componente de quando a matriz é simétrica, mas não o produto ). A banca explora exatamente essa confusão entre os elementos de e os elementos de .
SVD: A = U D Vᵀ: U e V são ortogonais (VᵀV = VVᵀ = I, Colunas ortonormais); D = valores singulares (diagonal); V %*% t(V) = I (Diagonal principal = 1, M[1,1] = 1, M[2,2] = 1)
Alternativa A — ❌ Incorreta
Os valores 10 -- 2.4652e-32 não correspondem a nenhum elemento de . O número 10 poderia ser o quadrado da norma de um vetor, mas aqui não se aplica. O valor 2.4652e-32 é um resíduo numérico próximo de zero, o que não é o caso para os elementos da diagonal de .
Alternativa B — ❌ Incorreta
0.7071068 -- 0.7071068 são os valores dos elementos de (cada componente é ), mas a questão pede os elementos de , não de . A confusão aqui é trocar os elementos da matriz pelos elementos do produto .
Alternativa C — ❌ Incorreta
-0.4472136 -- 0.4472136 são valores que apareceriam se a matriz tivesse componentes com sinais opostos, mas isso não se aplica ao produto , que é a identidade. Além disso, os sinais opostos não são característicos de para esta matriz .
Alternativa D — ❌ Incorreta
3.162278e+00 -- 1.570092e-16 são valores que lembram os valores singulares de (o maior é ) e um resíduo numérico. Mas a questão pede os elementos de , não os valores singulares. A confusão aqui é trocar os valores singulares (diagonal de ) pelos elementos de .
Alternativa E — ✅ Correta ⟵ GABARITO
Como é ortogonal, , logo e . A saída é 1 -- 1.
NÃO CAIA NESSA!
Em questões de SVD, lembre-se sempre: e são ortogonais, então e . O produto também é . Não confunda os elementos de com os de — a banca adora essa pegadinha!