No Python, além dos recursos matemáticos que fazem parte da distribuição padrão, o processamento numérico pode ser feito por meio do NumPy e outros pacotes que foram construídos a partir dele. Para implementar funções de decomposição de matrizes, utiliza-se o módulo:
- A)numpy.fftpack
Errada, porque numpy.fftpack é voltado a transformadas de Fourier, não a decomposição de matrizes.
- B)scipy.signal
Errada, porque scipy.signal trata de processamento de sinais, como filtros e séries temporais.
- C)numpy.linalg
Certa, porque numpy.linalg reúne funções de álgebra linear, incluindo decomposição de matrizes.
- D)scipy.optimize
Errada, porque scipy.optimize é usado para otimização numérica, não para decomposição matricial.
Gabarito: C
No Python, quando o assunto é cálculo numérico mais pesado, o NumPy entra como a caixa de ferramentas básica, e vários pacotes se apoiam nele. Dentro dessa estrutura, o módulo usado para operações de álgebra linear, como decomposição de matrizes, é o numpy.linalg. É nele que voce encontra rotinas para decomposição LU, QR, Cholesky, autovalores, inversão e resolução de sistemas lineares, ou seja, exatamente o território das matrizes "de verdade". A ideia da questão é simples: se o problema fala em decompor matriz, pense em álgebra linear, não em funções de Fourier, sinal ou otimização. O nome do módulo já entrega a pista: "linalg" vem de linear algebra. Em prova, isso costuma aparecer como um atalho elegante da banca para ver se voce conhece a organização dos pacotes do ecossistema Python. Por isso o gabarito C está correto. O numpy.linalg é o módulo apropriado para funções de decomposição de matrizes no NumPy. Já os outros módulos citados pertencem a áreas diferentes, como processamento de sinais ou métodos de otimização, e não ao núcleo de decomposição matricial. Se voce memorizar uma associação prática, fica fácil: matriz e sistema linear - numpy.linalg; sinal e frequência - fft ou signal; busca de máximo/mínimo - optimize. Em concurso, essa triagem economiza tempo e evita cair em nomes parecidos.