Determinantes, inversas e transpostas

A transposta de uma matriz a inverte em relação à sua diagonal: as linhas tornam-se colunas e as colunas tornam-se linhas. Se A tiver dimensão (m, n), então A.T terá dimensão (n, m). As transpostas aparecem em toda parte na álgebra linear: no cálculo de matrizes de covariância, na implementação da retropropagação do gradiente e na conversão entre as convenções de vetor linha e vetor coluna. O NumPy acessa a transposta com o atributo .T — nenhuma cópia é criada; trata-se apenas de uma visualização com passos reordenados.

Um padrão frequente é calcular A.T @ A, que produz uma matriz quadrada simétrica presente na regressão por mínimos quadrados, na PCA e nas equações normais. Se A tiver dimensão (n, p), então A.T @ A terá dimensão (p, p). O resultado é sempre simétrico porque (A.T @ A)[i,j] == (A.T @ A)[j,i]. Muitos solucionadores numéricos aproveitam essa propriedade para obter mais eficiência.

O determinante de uma matriz quadrada é um valor escalar que codifica informações geométricas: ele mede o fator pelo qual a matriz amplia ou reduz áreas (em 2 dimensões) ou volumes (em dimensões superiores). Um determinante igual a zero significa que a matriz é singular — ela comprime o espaço em um subespaço de dimensão inferior e não tem inversa. Um determinante diferente de zero garante que a matriz é invertível. O NumPy calcula o determinante com np.linalg.det().

A inversa de uma matriz A, escrita como A⁻¹, satisfaz A @ A⁻¹ = I, em que I é a matriz identidade. As inversas só existem para matrizes quadradas e não singulares. np.linalg.inv(A) calcula a inversa numericamente. Na prática, raramente você deve calcular inversas explicitamente, pois isso é numericamente instável; prefira np.linalg.solve() para sistemas de equações. No entanto, compreender as inversas conceitualmente é essencial.

Calcular a inversa de uma matriz e depois fazer uma multiplicação introduz erros de ponto flutuante que se acumulam. Por exemplo, resolver A_inv @ b é menos preciso do que chamar diretamente np.linalg.solve(A, b). Uma matriz bem condicionada (com determinante distante de zero) é menos sensível a esses erros. O número de condição (np.linalg.cond(A)) quantifica quão próxima uma matriz está de ser singular — números de condição altos indicam problemas numéricos.

Uma classe especial de matrizes são as matrizes ortogonais, para as quais A.T @ A = I. Isso significa que a transposta IS a inversa, tornando as matrizes ortogonais extremamente fáceis de inverter. Matrizes de rotação e o fator Q da decomposição QR são ortogonais. As colunas de uma matriz ortogonal formam uma base ortonormal — cada coluna tem comprimento unitário e é perpendicular a todas as outras colunas.

Uma inversa comum só existe para matrizes quadradas, mas a pseudoinversa de Moore-Penrose generaliza a inversão para qualquer matriz. np.linalg.pinv(A) calcula-a usando SVD. Ela é a base da solução de mínimos quadrados para sistemas sobredeterminados (com mais equações do que incógnitas), exatamente o que a regressão linear resolve. Se A for quadrada e invertível, pinv(A) será igual a inv(A).

O sinal do determinante indica se a transformação preserva ou inverte a orientação. Um determinante positivo significa que a orientação é preservada (como em uma rotação); um determinante negativo significa que a orientação é invertida (como em uma reflexão). O valor absoluto fornece o fator de escala do volume. Para uma matriz 2×2 [[a,b],[c,d]], det = a*d - b*c. O NumPy trata eficientemente matrizes quadradas de qualquer dimensão.

Para matrizes grandes, o determinante pode estourar ou sofrer subfluxo até chegar a zero, mesmo quando a matriz não é singular. np.linalg.slogdet(A) retorna (sign, log_abs_det) — o sinal e o logaritmo natural do determinante absoluto —, evitando o estouro numérico. Isso é amplamente usado em modelos probabilísticos (verossimilhanças gaussianas), nos quais se trabalha no espaço logarítmico para manter os números controláveis.

Para uma matriz 2×2 [[a, b], [c, d]], a inversa é (1/det) * [[d, -b], [-c, a]], em que det = ad - bc. Conhecer essa fórmula ajuda você a verificar pontualmente o resultado do NumPy. Para matrizes maiores, calcular a inversa analiticamente é impraticável — é precisamente por isso que usamos np.linalg.inv(). Sempre verifique os resultados numéricos com np.allclose(A @ A_inv, np.eye(n)).

Um padrão comum de álgebra linear combina transposta e inversa: calcular (A.T @ A)⁻¹ @ A.T fornece a matriz de projeção usada nos mínimos quadrados ordinários. No NumPy, isso pode ser escrito como np.linalg.inv(A.T @ A) @ A.T, mas, novamente, np.linalg.lstsq é numericamente preferível. Conhecer o padrão subjacente ajuda você a entender o que o solucionador está fazendo e a depurar problemas quando as matrizes estão próximas de ser singulares.

Teste sua compreensão dos conceitos de análise de dados desta lição.

Nesta lição, você aprendeu que: A.T é a transposta que troca linhas e colunas, np.linalg.inv() calcula a inversa da matriz, mas raramente deve ser usado diretamente (prefira solve ou lstsq), e np.linalg.det() retorna o determinante, que é zero para matrizes singulares. A seguir, exploraremos a resolução direta de sistemas lineares com np.linalg.solve.