Você está na página 1de 29

Apostila: Matrizes e Determinantes

Prof. Andr Lus Rossi de Oliveira

1 Matrizes
1.1 Conceitos Bsicos
Chamamos de matriz a uma tabela de elementos dispostos em linhas e colunas.

Exemplos: (1) Considere a tabela abaixo:

Altura (metros) Pessoa 1 Pessoa 2 Pessoa 3 Pessoa 4 1,70 1,75 1,60 1,81

Peso (quilos) 70 60 52 72

Idade (anos) 23 45 25 30

Ao abstrarmos os significados das linhas e colunas, obtemos a matriz 1, 70 1, 75 1, 60 1,81 (2) 23 45 25 30

70 60 52 72

Os elementos de uma matriz podem ser nmeros, funes etc, como nas matrizes abaixo: x2 1 x 2 x + 1 3

[5

sen x 2]

0 e3 3 x

Representamos uma matriz de m linhas e n colunas por

Amn

a11 a = 21 am1

a12 a22 am 2

a1n a2 n = a , ij mn amn

onde aij o elemento caracterstico da matriz, com i representando a linha e j, a coluna. Definio: Duas matrizes Amn = aij mn e Brs = bij rs so iguais, ou seja, A = B , se elas tm o mesmo nmero de linhas ( m = r ) e colunas ( n = s ) e todos os seus elementos correspondentes so iguais ( aij = bij ).

Exemplo:
22 3 cos 900 ln1 sen 90o 4 0 1 0 9 = 3 0 3 1 3 0 1 3

1.2 Tipos Especiais de Matrizes

Seja Amn uma matriz com m linhas e n colunas. Alguns tipos importantes de matrizes so os seguintes:

(a)

Quadrada: aquela cujo nmero de linhas igual ao nmero de colunas ( m = n ).

2 0 9 4 8 7 2 8 6 33

[ 4]11

(b)

Nula: aij = 0 i, j .

0 0 0 0

0 0 0 0

0 0 0 0

0 0 0 0

0 0 0 0

(c)

Coluna: n = 1 . 1 4 3 6 0 8 7

Uma matriz coluna chamada de vetor-coluna. Linha: m = 1 .

(d)

[3

7 4]

[6

4 1 8]

Uma matriz linha chamada de vetor-linha. Diagonal: uma matriz quadrada onde aij = 0 i j .

(e)

2 0 0 0 1 0 0 0 4 (f) Identidade: uma matriz diagonal onde todos os elementos da diagonal so iguais a 1, ou seja, aii = 1 e aij = 0 i j .

1 0 0 0 1 0 0 0 1
(g) Triangular Superior: uma matriz quadrada onde todos os elementos abaixo da diagonal so nulos, isto , aij = 0 i > j . 4 3 2 9 0 1 0 1 0 0 3 4 0 0 0 1 (h) Triangular Inferior: uma matriz quadrada onde todos os elementos acima da diagonal so iguais a zero, isto , aij = 0 i < j .

2 0 0 3 2 0 3 3 4 2 4 8 (i)

0 0 0 9

Simtrica: uma matriz quadrada onde aij = a ji i, j .

1 2 4 2 3 1 4 1 2

1.3 Operaes com Matrizes

Adio: A + B = aij + bij

mn

, onde Amn = aij e Bmn = bij .

1 5 0 8 1 Exemplo: 3 3 + 7 1 = 4 4 2 9 0 13

13 2 2

Propriedades da adio: Dadas as matrizes A, B e C de mesma ordem mxn, temos: (i) A + B = B + A (comutatividade) (ii) A + ( B + C ) = ( A + B ) + C (associatividade) (iii) A + 0 = A , onde 0 a matriz nula mxn.

Demonstrao: Exerccio!

Multiplicao por escalar: k . A = kaij 0 3 0 21 Exemplo: 7 = 4 5 28 35

mn

, onde A = aij e k um nmero real. mn

Propriedades: Dadas matrizes A e B de mesma ordem mxn e nmeros reais k , k1 e k2 , temos: (i) k ( A + B ) = kA + kB (ii) ( k1 + k2 ) A = k1 A + k2 A (iii) 0. A = 0 (iv) k1 ( k2 A) = ( k1k2 ) A

Demonstrao: Exerccio!

Transposio: Dada uma matriz A = aij , a matriz transposta de A definida como mn

AT = bij , cujas linhas so as colunas de A, isto , bij = a ji i, j . nm

Exemplos:

3 8 0 0 3 A = 0 7 AT = 8 7 3 0 3 4 2 4 2 B= BT = 2 1 2 1

Propriedades: (i) (ii) (iii) (iv) (v) Uma matriz simtrica se, e somente se, ela igual sua transposta, ou seja, A = AT .

(A )
T

=A
T

( A + B)

= AT + BT

( kA)

= kAT
= BT AT

( AB )

Demonstrao: Exerccio!

Multiplicao de Matrizes: Sejam matricial AB = [ cuv ]m p por

A = aij

mn

e B = [brs ]n p . Definimos o produto

cuv = auk bkv = au1b1v +


k =1

+ aunbnv

Perceba que s possvel efetuar o produto de duas matrizes Amn e Bl p se n = l , ou seja, se o nmero de colunas da matriz que aparece pr-multiplicando for igual ao nmero de linhas da matriz que aparece ps-multiplicando.

Exemplos:

3 5 1 0 ( 3)( 1) + ( 5 )( 4 ) ( 3)( 0 ) + ( 5 )( 7 ) 17 35 = 4 6 4 7 = 4 1 + 6 4 ( )( ) ( )( ) ( 4 )( 0 ) + ( 6 )( 7 ) 20 42 (1)( 5 ) + ( 3)( 9 ) 32 1 3 2 8 5 = 2 5 + 8 9 = 82 9 ( )( ) ( )( ) ( 4 )( 5 ) + ( 0 )( 9 ) 20 4 0 2 8 9 x1 2 x1 + 8 x2 + 9 x3 3 9 0 x = x Ax = 3 x + 9 x A= 1 2 2 2 1 3 x3 2 x1 x2 + 3 x3

Propriedades: (i) Em geral, AB BA .

1 1 1 Exemplo: Se A = 3 2 1 2 1 0

1 2 3 B = 2 4 6 , ento 1 2 3

0 0 0 11 6 1 0 0 0 e BA = 22 12 2 AB = 0 0 0 11 6 1 importante perceber que AB = 0 sem que A = 0 ou B = 0 . Desde que estejam bem definidas as operaes, as seguintes propriedades so vlidas: (ii)
AI = IA = A

(iii) A ( B + C ) = AB + AC (iv) (v) (vi)

( A + B ) C = AC + BC ( AB ) C = A ( BC )
( AB )
T

= BT AT

(vii) 0. A = 0 e A.0 = 0

1.4 Matriz Inversa


Definio: Seja A uma matriz quadrada. A matriz inversa de A, denotada por A1 , aquela que satisfaz a condio AA1 = A1 A = I .

Obs.: (i) Nem toda matriz quadrada possui inversa. Se uma matriz quadrada possui inversa, ela chamada de no-singular. Se ela no possui inversa, chamada de singular. (ii) Se existe a matriz inversa, ento ela nica. 1 1 3 6 3 1 Exemplos: Se A = , ento e B= 0 2 0 1 2 3 1 2 1 1 6 0 1 1 0 AB = = = = I. 0 2 0 3 6 0 6 6 0 1 Podemos verificar facilmente que BA = I , de forma que B = A1 e A = B 1 .

Propriedades: (i) (ii)

(A )
( AB )

1 1

=A
= B 1 A 1

Demonstrao: Seja C a inversa de AB. Ento CAB = I , de forma que


CABB 1 A1 = IB 1 A1 = B 1 A1.

Mas tambm verdade que CABB 1 A1 = CAIA1 = CAA1 = CI = C ,

o que implica C = B 1 A1 .

(iii)

(A )
T

= ( A1 )

1.5 Sistemas de Equaes Lineares e Matrizes


Um sistema de equaes lineares com m equaes e n incgnitas um conjunto de equaes do tipo:
a11 x1 + a12 x2 + + a1n xn = b1 a x + a x + + a x = b 21 1 22 2 2n n 2 am1 x1 + am 2 x2 + + amn xn = bm

onde os aij , 1 i m, 1 j n , so nmeros reais. Uma soluo do sistema acima uma lista de n nmeros (n-upla) do tipo

( x1 , x2 ,, xn )

que satisfaa simultaneamente as m equaes.

O sistema pode ser escrito na forma matricial como


a11 a 21 am1 a1n x1 b1 a2 n x2 b2 = ou Ax = b, amn xn bn

a12 a22 am 2

onde A a matriz dos coeficientes, x o vetor das incgnitas e b o vetor dos termos independentes. Outra matriz importante a matriz ampliada do sistema: a11 a 21 am1 a1n a2 n b1 b2 bn

a12 a22

am 2 amn

2 x1 + 3x2 5 x3 = 7 Exemplo: Considere o sistema x1 + 7 x2 x3 = 4 . A sua forma matricial x1 + 5 x2 + 9 x3 = 3


2 3 5 x1 7 1 7 1 x = 4 . 2 1 5 9 x3 3 Operaes Elementares Permuta da i-sima e j-sima linhas ( Li L j )

(i)

Exemplo: L1 L2 2 0 4 2 4 2 2 0 5 1 5 1 (ii) Multiplicao da i-sima linha por um escalar (nmero real) no nulo k ( Li kLi )

Exemplo: L3 2 L3 2 0 2 0 4 2 4 2 5 1 10 2 (iii) Substituio da i-sima linha pela i-sima linha mais k vezes a j-sima linha ( Li Li + kL j ) Exemplo: L2 L2 + 3L1 2 0 2 0 4 2 10 2 5 1 5 1

10

Se A e B so matrizes mxn, dizemos que B linha-equivalente a A se B pode ser obtida de A atravs de um nmero finito de operaes elementares sobre as linhas de A. A notao para isso A B ou A B . 1 0 1 0 Exemplo: 4 1 0 1 , pois 3 4 0 0
1 0 1 0 1 0 4 1 0 1 0 1 L2 L2 4 L1 L3 L3 +3 L1 3 4 3 4 0 4 1 0 1 0 0 1 0 1 L2 L2 L3 L3 4 L2 0 4 0 0

Teorema: Dois sistemas que possuem matrizes ampliadas equivalentes so equivalentes, ou


seja, toda soluo de um dos sistemas tambm soluo do outro.

Demonstrao: No ser apresentada.

Forma Escada

Definio: Uma matriz mxn linha-reduzida forma escada se:


(a) (b) O primeiro elemento no nulo de uma linha no nula 1; Cada coluna que contm o primeiro elemento no nulo de alguma linha tem todos os seus outros elementos iguais a zero; (c) (d) Toda linha nula ocorre abaixo de todas as linha no nulas; Se as linhas 1, , r so as linhas no nulas, e se o primeiro elemento no nulo da linha i ocorre na coluna ki , ento k1 < k2 <

< kr .

Exemplos:

11

(1)

1 4 0 A matriz 0 0 0 no satisfaz as condies (b) e (c). 0 1 0


0 3 0 A matriz 1 0 2 no satisfaz as condies (a), (b) e (d). 0 0 1 0 1 0 A matriz 0 0 1 0 0 0 2 0 0 2 3 est na forma escada. 0

(2)

(3)

Teorema: Toda matriz Amn linha-equivalente a uma nica matriz linha-reduzida forma
escada.

Dem.: No ser apresentada.

Definio: Dada uma matriz Amn , seja Bmn a matriz linha-reduzida forma escada
equivalente a A. O posto de A, denotado por p, o nmero de linhas no nulas de B. A nulidade de A igual ao nmero n-p.

1 2 1 Exemplo: Considere a matriz A = 1 0 3 1 2 1

0 5 . Efetuamos as seguintes operaes: 1

1 2 1 1 0 3 1 2 1

0 1 2 1 0 2 4 5 L2 L2 + L1 L L L 1 3 3 1 0 4 0

0 1 2 1 0 1 2 5 L L2 2 2 0 4 0 1

0 5 2 1 7 8 1 4 11 8

1 0 3 0 1 2 L1 L1 2 L2 L3 L3 + 4 L2 0 0 8

5 1 0 3 5 1 0 0 0 1 2 5 2 0 1 0 5 2 L 3 L1 L1 +32LL L3 3 L L 8 0 0 1 11 8 2 2 3 0 0 1 11

O posto de A 3 e a nulidade 4-3=1.

12

Podemos interpretar a matriz A como sendo a matriz ampliada do seguinte sistema linear:

x1 + 2 x2 + x3 = 0 x1 + 0 x2 + 3x3 = 5 x 2x + x = 1 2 3 1

Pelo que foi demonstrado acima, esse sistema equivalente ao seguinte sistema:

7 x1 = 8 1 x2 = 4 11 x3 = 8 Solues de Sistemas de Equaes Lineares Considere o sistema formado de apenas uma equao e uma incgnita ax = b . Nesse caso, h trs possibilidades: (i)

a 0 : Existe uma nica soluo x =

b . a

(ii): a = 0 e b = 0 : Neste caso, o sistema torna-se 0 x = 0 e qualquer nmero real uma soluo. (iii) a = 0 e b 0 : Neste caso, o sistema torna-se 0x = b e no possui soluo.

Analogamente, no caso de um sistema de m equaes lineares e n incgnitas, h trs casos possveis: uma nica soluo, infinitas solues ou nenhuma soluo. No primeiro caso, o sistema dito possvel (ou compatvel) e determinado, no segundo, possvel e indeterminado, e, no terceiro, impossvel (ou incompatvel). O seguinte teorema traz alguns resultados sobre a existncia de solues.

13

Teorema: (i) Um sistema de m equaes e n incgnitas admite soluo se, e somente se, o posto da Se as duas matrizes tm o mesmo posto p e p = n , a soluo nica.

matriz ampliada igual ao posto da matriz de coeficientes; (ii)

(iii) Se as duas matrizes tm o mesmo posto e p<n, podem ser escolhidas n-p incgnitas, e as demais p incgnitas sero dadas em funo destas.

Exemplos: (1)

1 0 0 O sistema com matriz ampliada 0 1 0 0 0 1

5 1 tem soluo nica, dada por 2

x1 = 5, x2 = 1, x3 = 2 , j que o posto da matriz de coeficientes ( pc ) igual ao da matriz ampliada ( pa ), pc = pa = 3 , e o nmero de incgnitas igual ao posto. (2) Para o sistema com matriz ampliada 1 0 8 2 0 1 2 5 , temos

pc = pa = 2, m = 2, n = 3, p = 2 , de maneira que h infinitas solues, dadas por x1 = 2 8 x3 x2 = 5 + 2 x3 1 0 8 2 O sistema com matriz ampliada 0 1 2 5 impossvel, pois pc = 2, pa = 3. 0 0 0 3

(3)

(4)

x1 + 2 x2 + x3 + x4 = 0 . A matriz ampliada do sistema pode ser Considere o sistema x1 + 3x2 x3 + 2 x4 = 0 transformada na forma escada atravs das seguintes operaes.

1 2 1 3

1 1 1 2

0 1 0 L2 L2 L1 0

2 1

1 1 0 1 0 L1 L1 2 L2 2 1 0

0 1

5 2

1 0 1 0

14

Podemos observar que pc = pa = 2, m = 2, n = 4 , de forma que h 2 graus de liberdade. As variveis x3 e x4 so livres. Se fizermos x3 = 1 e x4 = 2 , obteremos as seguintes solues do problema: x1 = 51 + 2 x2 = 21 2 x3 = 1 x4 = 2

2 Determinantes
2.1 Definio e propriedades bsicas
Considere o sistema de apenas uma equao e uma incgnita ax = b , com a 0 . A soluo desse sistema x = sistema, [ a ] .
b . O denominador a est associado matriz de coeficientes do a

a11 x1 + a12 x2 = b1 Em um sistema 2x2 do tipo , a soluo dada por a21 x1 + a22 x2 = b2
b1a22 b2 a12 b a ba e x2 = 2 11 1 21 . a11a22 a12 a21 a11a22 a12 a21

x1 =

Perceba que os denominadores so iguais. Alm disso, de maneira anloga ao caso de uma equao e uma incgnita, os denominadores esto associados matriz de coeficientes do sistema, qual seja

a11 a12 a 21 a22


Em um sistema 3x3, as solues x1 , x2 e x3 so fraes com denominadores iguais a a11a22 a33 a11a23 a32 a12 a21a33 + a12 a23 a31 + a13 a21a32 a13 a22 a31 ,

15

que tambm esto relacionados matriz de coeficientes do sistema, dada por

a11 a12 a 21 a22 a31 a32

a13 a23 a33

Os denominadores mencionados acima so chamados de determinantes das matrizes de coeficientes. Para podermos definir determinante, precisamos da noo de inverso, dada a seguir: Definio: Dada uma permutao dos inteiros 1, 2, , n , existe uma inverso quando um inteiro precede outro menor do que ele.

Podemos agora definir o conceito de determinante. Definio: O determinante de uma matriz quadrada A = aij definido como det A = ( 1) a1 j1 a2 j2 anjn ,
J

onde J = J ( j1 , j2 , , jn ) o nmero de inverses da permutao ( j1 , j2 ,, jn ) e indica que a soma ocorre sobre todas as permutaes de (1, 2, , n ) (existem n! permutaes). Podemos fazer as seguintes observaes com relao a essa definio.

Obs.: (i) Em cada termo do somatrio, existe um e apenas um elemento de cada linha e um, e apenas um, elemento de cada coluna da matriz; (ii) O determinante tambm pode ser definido atravs da frmula det A = ( 1) a j11a j2 2 a jn n ,
J

Exemplos: (1) (2)

det [ a ] = a
a a det 11 12 = a11a22 a12 a21 a21 a22

16

(3)

a11 det a21 a31

a12 a22 a32

a13 a23 = a11a22 a33 a11a23a32 a12 a21a33 a33 + a12 a23a31 + a13a21a32 a13a22 a31

Propriedades:

(1)

Se todos os elementos de uma linha ou coluna de uma matriz A so nulos, ento

det A = 0 .
Dem.: Segue-se imediatamente da observao (i). (2)
det A = det AT .

Dem.: Se A = aij , sabemos que AT = bij , onde bij = a ji . Sendo assim, det bij = ( 1) b1 j1 b2 j2 bnjn
J

= ( 1) a j11a j2 2 a jn n
J

= det aij , pela observao (ii). Exemplo: (3) a b a c = ad bc, = ad bc. c d b d

Se a linha de uma matriz multiplicada por uma constante, o determinante fica multiplicado por esta constante. Dem.: Segue-se imediatamente da observao (i). Exemplo: ka kb a b = kad kbc = k ( ad bc ) = k . c d c d

(4)

A troca da posio de duas linhas (ou colunas) altera o sinal do determinante, mas no o seu valor numrico. Dem.: Quando duas linhas so trocadas, alterada a paridade do nmero de inverses dos ndices, o que significa que o sinal dos termos trocado. Exemplo: a b c d = ad bc, = cb ad = ( ad bc ) . c d a b

17

(5)

O determinante de uma matriz que tem duas linhas (ou colunas) iguais zero. Dem.: Quando as posies das linhas iguais so trocadas, o determinante troca de sinal, pela propriedade (4). Por outro lado, a matriz que resulta da troca de linhas (ou colunas) a mesma de antes, o que significa que o determinante tem que ser o mesmo. Portanto, a nica possibilidade que o determinante seja nulo.

(6)

Se uma linha (ou coluna) um mltiplo de outra linha (ou coluna), ento o valor do determinante zero. Dem.: Mesmo argumento utilizado acima, utilizando tambm a propriedade (3).

(7)

O determinante no se altera se for somada a uma linha (ou coluna) outra linha (ou coluna) multiplicada por uma constante. Exemplo: a b a b = a ( d + kb ) b ( c + ka ) = ad bc = . c + ka d + kb c d

(8)

det ( AB ) = ( det A)( det B )

2.2 Desenvolvimento de Laplace


O determinante de uma matriz A de dimenso 3x3 pode ser escrito como A = a11a22 a33 a11a23 a32 a12 a21a33 + a12 a23 a31 + a13 a21a32 a13 a23 a31 = a11 ( a22 a33 a23a32 ) a12 ( a21a33 a23 a31 ) + a13 ( a21a32 a22 a31 ) = a11 a22 a32 a23 a a12 21 a33 a31 a23 a + a13 21 a33 a31 a22 a32

= a11 A11 a12 A12 + a13 A13 , onde Aij a submatriz da matriz inicial que resulta da retirada da i-sima linha e da j-sima coluna. Defina agora ij = ( 1)
i+ j

Aij , chamado de o cofator do elemento aij . A frmula do

desenvolvimento de Laplace a seguinte:

det Ann = aij ij ,


j =1

18

onde podemos observar que o determinante foi desenvolvido pela i-sima linha. Uma frmula anloga vale para o desenvolvimento a partir de uma determinada coluna.

Exemplos: (1)

1 A= 2

2 3 1 1 = ( 2 ) 12 + 1 22 + ( 1) 32 = ( 2 )( 2 ) + (1)( 8 ) + ( 1)( 7 ) = 5, 2
1+ 2

2 1
onde 12 = ( 1)

2 1 3 3 2+ 2 1 3+ 2 1 = 2, 22 = ( 1) = 8 e 32 = ( 1) . 2 2 2 2 2 1

(2)
1 2 4 2 3 0 4 0 0 1
(7)
C1 C1 2 C2

5 2 = 0 2

3 0

4 0 0 1 4 = 2 ( 1)
2+ 2

1 2 3 2 5 3
( 3)

5 2 3 8 5 3 10 0

5 3 4 5 3 0 8 3 10 1 4

5 3

= ( 2 ) 5 3 0 = ( 2 ) 5 3 0 = ( 2 )( 3)( 1) L1 L1 + L2 L3 L3 + L2 8 3 1 13 0 1

(7)

2+ 2

13 1

= ( 6 )( 10 52 ) = 372.

2.3 Clculo da matriz inversa

Definio: A matriz de cofatores de uma matriz Ann definida como A = ij .

2 1 0 Exemplo: Considere a matriz A = 3 1 4 . Ento 1 6 5


11 = ( 1)
1+1

1 4 4 1 1+ 2 3 1+ 3 3 = 19, 12 = ( 1) = 19, 13 = ( 1) = 19, 6 5 1 5 1 6

e assim por diante, de maneira que

19

19 19 19 A = 5 10 11 . 4 8 5
Definio: Dada uma matriz quadrada A, definimos a matriz adjunta de A como sendo a
transposta da matriz dos cofatores de A.

Exemplo: Para a matriz A do exemplo anterior, temos


19 5 4 adj A = 19 10 8 . 19 11 5

Teorema: AAT = A ( adj A) = ( det A) I n . Dem.: (Para n = 3 )


Considere uma matriz A de dimenso 3x3. Ento a11 A ( adj A ) = a21 a31 onde

a12 a22 a32

a13 11 a23 12 a33 13

21 22 23

31 32 = cij , 33

c11 = a1111 + a12 12 + a1313 = det A c12 = a11 21 + a12 22 + a13 23 ,


e assim por diante. Podemos verificar que c12 corresponde ao desenvolvimento de Laplace

a11
de a11 a31

a12 a12 a32

a13 a13 , que igual a zero porque duas linhas so iguais. a33

Analogamente, cii = det A e cij = 0, i j , de forma que 0 0 det A 0 A ( adj A ) = det A 0 = ( det A ) I 3 . 0 0 det A Dada uma matriz quadrada A de ordem n que possua inversa, temos que

20

det ( AA1 ) = ( det A ) ( det A1 ) .

Alm disso, sabemos que

AA1 = I n

e que

det I n = 1 , de maneira que

( det A ) ( det A1 ) = 1 . Podemos ento concluir que, se A tem inversa, ento


(i) det A 0 (ii) det A1 =
1 , det A

ou seja, det A 0 uma condio necessria para que A tenha inversa. Mas essa condio tambm suficiente, pois sabemos que AAT = ( det A) I , de forma que, se det A 0 , ento
1 T 1 T 1 A A =I eA = A . Isso conduz ao seguinte resultado: det A det A

Teorema: Uma matriz quadrada A admite inversa se, e somente se, det A 0 . Nesse caso,
A 1 = 1 ( adj A ) . det A

4 1 1 Exemplo: Seja A = 0 3 2 . Ento B = 99 0 e a matriz de cofatores 3 0 7


3 0 1 0 1 3 0 3 3 0 21 6 9 4 1 = 7 31 3 . 3 0 5 8 12 4 1 0 3

2 7 1 7 1 2

0 2 3 7

4 1 3 7 4 1 0 2

21 7 5 Portanto, adj A = 6 31 8 e 9 3 12

21

21 7 5 1 A1 = 6 31 8 99 9 3 12

2.4 Regra de Cramer

Considere um sistema de n equaes lineares e n incgnitas: a11 x1 + a12 x2 + a x + a x + 21 1 22 2 an1 x1 + an 2 x2 + + a1n xn = b1 + a2 n xn = b2 + ann xn = bn

Seja A a matriz de coeficientes desse sistema e denote por i o determinante da matriz obtida substituindo a i-sima coluna de A pela coluna dos termos independentes. A regra de Cramer estabelece a seguinte relao entre determinantes e a soluo do sistema:

Teorema: O sistema acima tem uma nica soluo se, e somente se, det A 0 . Nesse caso,
a soluo nica dada por
x1 = 1 , x2 = 2 , , xn = n . det A det A det A

preciso enfatizar que a regra de Cramer s pode ser utilizada para resolver sistemas de equaes lineares com o mesmo nmero de equaes e incgnitas e quando det A 0 . Na verdade, se det A = 0 , o teorema no diz se o sistema tem soluo ou no.

2 x + 3 y z = 1 Exemplo: Considere o sistema 3x + 5 y + 2 z = 8 . O determinante da matriz de coeficientes x 2 y 3z = 1


2 3 1 desse sistema det A = 3 5 2 = 22 . Alm disso, 1 2 3

22

1 1 = 8

3 5

1 2 2 = 66, 2 = 3

1 8

1 2 2 = 22, 3 = 3

3 5

1 8 = 44.

1 2 3

1 1 3

1 2 1

Utilizando a regra de Cramer, obtemos


1 = 3, y = 2 = 1, z = 3 = 2. det A det A det A

x=

2.5 Exemplos de Economia e Econometria


2.5.1 Economia
Considere uma economia com dois bens em que as funes de demanda e oferta so lineares. Temos ento as seguintes relaes em um mercado competitivo:
1 Qd = a0 + a1 P + a2 P2 1 1 Qs = b0 + b1 P + b2 P2 1 1 1 Qd Qs = 0

Qd2 = 0 + 1 P + 2 P2 1 Qs2 = 0 + 1 P + 2 P2 1 Qd2 Qs2 = 0,

onde os ai s e b js so parmetros das funes de demanda e oferta do bem 1 e os i s e

j s so parmetros das funes de demanda e oferta do bem 2, respectivamente.


Podemos substituir a primeira e a segunda equaes na terceira, e a quarta e a quinta equaes na sexta, para obter o seguinte sistema de equaes nos preos P e P2 : 1

c1 P + c2 P2 = c0 1 , 1 1 P + 2 P2 = 0
onde ci ai bi , i = 0,1, 2 e i i i , i = 1, 2,3 . Podemos aplicar a regra de Cramer a esse sistema, desde que o determinante da matriz de coeficientes seja diferente de zero. Suponha que c1 2 c2 1 . Ento

23

det A =
e o mtodo pode ser aplicado.

c1

c2

1 2

= c1 2 c2 1 0,

Os outros determinantes de que necessitamos so


1 = 2 = c0 0 c1 c2

2
c0

= c0 2 + c2 0 = c1 0 + c0 1

1 0

A soluo ento dada por:


P= 1 c c c c 1 = 2 0 0 2 , P2 = 2 = o 1 1 0 . det A c1 2 c2 1 det A c1 2 c2 1

Para que os preos sejam positivos, preciso que os numeradores tenham o mesmo sinal que o denominador, o que introduz novas restries sobre os parmetros. As quantidades de equilbrio podem ser encontradas por substituio dos preos de equilbrio nas funes de oferta ou demanda. Outra aplicao a modelos de Teoria dos Jogos. O problema mais conhecido em Teoria dos Jogos e o Dilema dos Prisioneiros, que pode ser representado pela matriz de

payoffs abaixo:

No confessar Confessar No confessar Confessar

-2,-2 -1,-10

-10,-1 -5,-5

No jogo acima, Confessar (C) uma estratgia dominante para ambos jogadores e o perfil (C,C) um equilbrio de Nash. O jogo abaixo est na forma extensiva e conhecido como o Jogo da Cerveja-Quiche (Beer-Quiche):

24

Natureza Forte 1 Fraco 1

s
2

s
2

rl

20 10

0 30 10 30 10 20 0 10 0 10 0 10

0 0

O jogo se desenvolve como a seguir. O jogador 1 observa um movimento aleatrio da natureza que determina o seu tipo: ele forte (S) com probabilidade 0,9 e fraco (W), com probabilidade 0,1. Aps tomar conhecimento do seu tipo, o jogador 1 envia um de dois sinais ao jogador 2: s (Eu sou forte) ou w (Eu sou fraco). Enviar um sinal verdadeiro no custa nada, mas enviar um sinal falso custa 10 unidades de payoff. Aps receber o sinal, o jogador 2 decide se luta (l) ou recua (r). Se decidir lutar, ele ganhar 10 unidades de

payoff se o jogador 1 for fraco e perder 10 se ele for forte. O jogador 1, por outro lado,
perder 20 unidades de payoff se ocorrer a luta (independentemente do seu tipo). Cada jogador tem 4 estratgias puras. Para o jogador 1, elas so: sempre s (ss), s quando S, w quando W (sw), w quando S, s quando W (ws), e sempre w (ww). As estratgias do jogador 2 so: recuar quando s, lutar quando w (rl), sempre recuar (rr), sempre lutar (ll), e lutar quando s, recuar quando w (lr). A matriz de payoffs :
rl ss sw ws rr ll lr

-1,0 -2,1

-1,0 0,0

-21,-8 -21,-8 -20,-8 -18,-9 -12,1 -9,0

-28,-9 -10,0 -30,-8 -9,0 -29,-8

ww -29,-8

25

Para entender melhor os payoffs da matriz, observe o perfil (ws,rf). O payoff do jogador 1 pode ser recalculado como

( 0.9 )( 30 ) + ( 0.1)( 10 ) = 28,


enquanto o payoff do jogador 2

( 0.9 )( 10 ) + ( 0.1)( 0 ) = 9.
Os equilbrios de Nash com estratgias puras so (ss,rf) e (ww,fr). Agora suponha que estejamos interessados em encontrar os equilbrios de Nash com estratgias mistas. Sejam as estratgias mistas do jogador 1 representadas pelo vetor 1 = ( x1 , x2 , x3 , x4 ) e as do jogador 2, por 2 = ( y1 , y2 , y3 , y4 ) . Observe que y3 = 0 em qualquer equilbrio de Nash, pois ff estritamente dominada por rr. Observe tambm que x3 = 0 em qualquer equilbrio de Nash, pois ws no racionalizvel. Queremos determinar as condies sob as quais (ss,sw) pode fazer parte de um equilbrio de Nash com estratgias mista, isto , onde x1 > 0 e x2 > 0 . Sabemos que para isso ser verdade preciso que u1 ( ss, 2 ) = u1 ( sw, 2 ) , onde

u1 ( ss, 2 ) = y1 y2 21y3 21y4 = ( y1 + y2 ) 21( y3 + y4 ) u2 ( sw, 2 ) = 2 y1 + 0 y2 20 y3 18 y4 = 2 y1 20 y3 18 y4 . Lembrando que y3 = 0 , obtemos a seguinte equao:
( y1 + y2 ) 21 y4 = 2 y1 18 y4 y1 y2 3 y4 = 0.

Combinando essa equao com y1 + y2 + y4 = 1 , obtemos um sistema de equaes que pode ser resolvido como a seguir: 1 1 3 0 1 1 3 1 1 1 1 0 2 4 L2 L2 L1 1 1 3 0 1 L L2 2 0 1 2 1 L1 L1 + L2 2 0 2 0 1 0 1 1 2 1 2 1 2

Esse sistema tem uma infinidade de solues. Fazendo y4 = , obtemos

26

y1 =

1 1 + , y2 = 2 . 2 2

Se = 1 10 , por exemplo, ento y1 = 6 10 e y2 = 3 10 .

2.5.2 Econometria
Suponha que a relao entre a varivel dependente e vrias variveis independentes (explicativas) seja a seguinte: yi = 1 xi1 + 2 xi 2 + + K xiK + i , i = 1, , n.

A relao acima chamada de equao de regresso, onde a varivel dependente, y, explicada pelas variveis x1 , , xK . O subndice i indexa as observaes, que totalizam n. O termo o erro aleatrio. Esse erro surge por diversas razes, sendo a principal o fato de que no possvel captar todas as influncias sobre uma determinada varivel y. O resultado lquido de todos os fatores omitidos est refletido no erro. Outro elemento capturado pelo erro aleatrio so os erros de medio, que esto presentes em qualquer amostra. Por exemplo, suponha que estejamos interessados em estudar o comportamento da renda dos indivduos e que tenhamos postulado o seguinte modelo de regresso simples: renda = 0 + 1educao + . Esse modelo no leva em considerao que outros fatores alm do nvel de educao podem afetar a renda do indivduo, como idade e nvel de educao dos pais. Portanto, o erro aleatrio refletir a omisso dessas variveis. Alm disso, bastante provvel que a varivel educao esteja medida com erro, mesmo porque no h consenso sobre como ela deve ser medida. Isso tambm capturado pelo erro aleatrio. A equao de regresso na verdade um conjunto de equaes, uma para cada observao: y1 = 1 x11 + 2 x12 + y2 = 1 x21 + 2 x22 + + K x1K + 1 + K x2 K + 2

yn = 1 xn1 + 2 xn 2 + + K xnK + n

27

Essas equaes podem ser representadas na forma matricial como a seguir:

y = X +, onde
y1 x11 y x y = 2 , X = 21 yn xn1 x12 x22 xn 2 x1K 1 1 x2 K , = 2 , = 2 xnK K n

O objetivos principais de uma anlise de regresso so estimar os parmetros desconhecidos i , usar os dados disponveis para estudar a validade de proposies tericas e usar o modelo para testar hipteses e fazer previses sobre a varivel dependente. Para obter estimativas dos parmetros, o mtodo mais utilizado o de mnimos quadrados ordinrios. Esse mtodo procura encontrar os coeficientes que minimizam a soma dos quadrados dos resduos

e
i =1

2 i

= eT e,

e1 e onde e = 2 o vetor de resduos, sendo o resduo da i-sima observao definido por en ei = yi ( xi1b1 xi 2b2 xiK bK ) e bi a estimativa de i .

A soluo do problema de minimizao b = ( X T X ) X T y.


1

Podemos ento calcular os resduos como e = y Xb = y X ( X T X ) X T y


1

= I X ( X T X ) X T y = My.
1

A matriz M tem grande importncia para a anlise de regresso, e apresenta propriedades interessantes. Alm de ser simtrica, essa matriz idempotente, o que significa que M 2 = M . De fato,

28

1 1 M 2 = I X ( X T X ) X T I X ( X T X ) X T

= I X (XT X ) XT X (XT X ) XT + X (XT X ) XT X (XT X ) XT


1 1 1 1

= I 2 X ( X T X ) X T + X ( X T X ) IX T
1 1 1 1

= I 2X ( X T X ) X T + X ( X T X ) X T = I X (XT X ) XT = M e
1 1 M T = I X ( X T X ) X T = I X ( X T X ) X T T T T

1 T T = I ( X T ) ( X T X ) X T = I X ( X T X ) X T

= I X ( X T X ) X T = M.
1

29

Você também pode gostar