Formas Quadraticas

Como funciona na prática

Uma forma quadrática é simplesmente uma expressão polinomial homogênea de grau dois em várias variáveis. Nada mais, nada menos. Você provavelmente já viu ax² + bxy + cy² no ensino médio, e isso é exatamente uma forma quadrática em duas variáveis. A diferença é que, quando subimos de dimensão, as coisas ficam mais interessantes e também mais chatas. A representação matricial é o caminho mais limpo. Para a forma f(x,y,z) = 2x² + 3y² + z² - 4xy + 6xz - 2yz, a matriz associada é construída colocando os coeficientes dos quadrados na diagonal e dividindo os coeficientes dos termos mistos por dois nas posições fora da diagonal. O resultado é uma matriz simétrica:

2 -2 3
-2 3 -1
3 -1 1 Isso funciona porque xAx reproduce exatamente a forma quadrática original. Testei isso com código próprio milhares de vezes e sempre bate certo. O ponto que todo mundo erra na hora de montar a matriz é esquecer de dividir os termos mistos por dois. Se você colocar 6 direto em vez de 3, a forma quadrática resultante será o dobro do valor correto. Isso acontece com frequência em listas de exercícios e, acredite, em projetos reais também.

O problema com formas quadraticas em otimização

Quando você encontra uma forma quadrática em um problema de otimização, a primeira coisa que precisa saber é se ela é definida positiva, definida negativa ou indéfinida. Isso determina se um ponto crítico é mínimo, máximo ou ponto de sela. O critério de Sylvester resolve isso rapidamente: basta verificar se todos os menores principais líderes são positivos (definida positiva) ou se alternam em sinal começando com negativo (definida negativa). Para a matriz acima, o primeiro menor líder é 2. O segundo é o determinante do bloco superior esquerdo 2×2: 2·3 - (-2)·(-2) = 6 - 4 = 2. O terceiro é o determinante da matriz inteira. Se todos forem positivos, a forma é definida positiva e o ponto crítico é mínimo global.

Esse método funciona bem para matrizes pequenas e bem comportadas. Mas existe um problema que eu encontrei na prática e que rara-mente aparece nos livros. Trabalhando com uma matriz de 8×8 oriunda de um problema de ajuste de superfície, o teste de Sylvester acusou indefinição porque um menor principal líder deu um valor extremamente próximo de zero, algo como 10^-14. Na verdade, a matriz era definida positiva, mas o erro numérico do cálculo dos determinantes empurrou o valor para o lado negativo. A solução foi calcular os autovalores diretamente com uma decomposição espectral. Se todos os autovalores forem estritamente positivos, a matriz é definida positiva, sem ambiguidade. O teste de Sylvester é elegante, mas numericamente instável para matrizes mal condicionadas. Eu passo a confiar em autovalores quando a matriz passa de 5×5 ou quando os menores principais líderes ficam na casa de 10^-6 ou menor. Outro detalhe que os manuais não enfatizam o suficiente: a classifi-cação por autovalores é mais informativa que o teste de Sylvester. Os autovalores não só dizem se a forma é definida positiva como também indicam o condicionamento do problema. Um ratio entre o maior e o menor autovalor de 10^6, por exemplo, avisa que qualquer cálculo numérico subsequente vai sofrer instabilidade. Isso é informação útil que o teste de Sylvester não fornece.

Quando a forma quadrática aparece em equações diferenciais ou em análise de estabilidade de sistemas dinâmicos, a situação muda de figura. Aí você precisa olhar para a forma como função deLyapunov. A condição necessária e suficiente para estabilidade assintótica é a exist ência de uma forma quadrática definida positiva cujo derivado ao longo das trajetórias do sistema seja definido negativa. Na prática, isso se traduz em resolver uma equação de Lyapunov do tipo AP + PA = -Q, onde Q é uma matriz definida positiva escolhida arbitrariamente (geralmente a identidade). A solução P é a matriz da forma quadrática candidata. Resolver essa equação diretamente por substituição dá um sistema linear com n² incógnitas para uma matriz n×n. Para n grande, isso é inviável. O método padrão é usar a vec-dis-tributividade: vec(AP + PA) = (IA + AI)vec(P), onde é o produto de Kronecker. O sistema resultante tem tamanho n²×n². Para n=10, isso é uma matriz 100×100, perfeitamente tratável. Para n=50, já começa a doer. Nesse caso, algoritmos iterativos como o método de Krylov ou a rotina dlyap do MATLAB/NumPy são muito mais eficientes, convergindo em segundos ao invés de horas.

Um erro comum ao construir a forma de Lyapunov é escolher Q mal condicionado. Se Q tiver autovalores muito desbalanceados, P herdará esse condicionamento e a forma quadrática resultante terá regiões extremamente planas e outras extremamente íngremes, o que compromete tanto a análise teórica quanto a interpretação geométrica. Escolher Q como múltiplo da identidade evita esse problema e é padrão na literatura. Em processamento de sinais e aprendizado de máquina, formas quadráticas aparecem constantemente dentro de funções de custo. No least squares ordinário, o residual ao quadrado pode ser escrito como (y-X)(y-X), que se expande para uma forma quadrática em . A solução analítica = (XX)¹Xy existe exatamente porque a forma quadrática resultante é convexa — a matriz XX é semidefinida positiva. Quando X não tem posto completo, XX é singular e a solução não é única. Nesse cenário, a pseudoinversa de Moore-Penrose resolve o problema, mas o condicionamento da forma quadrática original pode ser tão ruim que a solução numérica direta falha. O workaround mais comum é adicionar um termo de regularização: (XX + I). Isso torna a forma estritamente definida positiva e o problema bem condicionado. O parâmetro controla o trade-off entre ajuste aos dados e estabilidade numérica. Valores na ordem de 10^-6 a 10^-3 funcionam na maioria dos casos práticos.

Geometricamente, uma forma quadrática definida positiva em ℝ define uma família de elipsoides centrados na origem. O conjunto {x : xAx = 1} é um elipsoide cujos eixos são os autovetores de A e cujos comprimentos são inversamente proporcionais às raízes quadradas dos autovalores correspondentes. Essa interpretação é útil em visualização e em algoritmos de amostragem. Por exemplo, para gerar pontos uniformemente dentro de um elipsoide definido por A, você gera pontos na esfera unitária e aplica a transformação A^(-1/2). A potência de matriz pode ser computada eficientemente via decomposição espectral: se A = QQ, então A^(-1/2) = Q^(-1/2)Q. Formas quadráticas indefinidas também têm interpretação geométrica clara. Em ℝ², a curva xAx = 1 é uma hipérbole se a matriz tiver autovalores de sinais opostos. Em ℝ³, o análogo é um hiperboloide. Esses objetos aparecem naturalmente em problemas de otimização com restrições quadráticas e em mecânica clássica, onde a energia cinética é uma forma quadrática nas velocidades generalizadas.

Se você está começando a lidar com formas quadráticas, o conselho prático é: domine a correspondência entre termo da forma e entrada da matriz, pratique o teste de Sylvester com matrizes 2×2 e 3×3 até virar automático, e quando a dimensão ou o condicionamento forem problemáticos, confie em autovalores e em decomposições numéricas em vez de fórmulas analíticas fechadas. A teoria é elegante, mas a implementação exige respeito pelos limites da aritmética de ponto flutuante.