Escolar Documentos
Profissional Documentos
Cultura Documentos
07 Ooo - Álgebra de Matrizes PDF
07 Ooo - Álgebra de Matrizes PDF
DE
MATRIZES
Baseado no Captulo 2 do livro:
Linear Models in Statistics, A. C. Rencher, 2000
John Wiley & Sons, New York.
DCE/ESALQ USP
Fevereiro de 2007
NDICE
2.1. Matrizes e vetores ............................................................................................... 2
2.1.1 Matrizes, vetores e escalares .................................................................... 2
2.1.2. Igualdade de Matrizes ............................................................................... 3
2.1.3. Matriz Transposta ..................................................................................... 3
2.1.4. Alguns tipos especiais de matrizes ........................................................... 4
2.2. Operaes com matrizes ........................................................................................ 6
2.2.1. Adio de duas matrizes ........................................................................... 6
2.2.2. Produto de duas matrizes .......................................................................... 7
2.2.3. Soma Direta ............................................................................................ 14
2.2.4. Produto direto ou de Kronecker ............................................................. 14
2.2.5. Potncia de matriz quadrada ................................................................... 15
2.3. Matrizes particionadas ...................................................................................... 16
2.4. Posto (rank) de uma matriz .............................................................................. 18
2.5. Inversa de uma matriz ....................................................................................... 22
2.6. Matrizes positivas definidas ............................................................................. 25
2.7. Sistemas de equaes ........................................................................................ 29
2.8. Inversa generalizada ......................................................................................... 32
2.8.1. Definio e Propriedades ........................................................................ 32
2.8.2. Inversas Generalizadas e Sistemas de Equaes .................................... 36
2.9. Determinantes ................................................................................................... 37
2.10. Vetores ortogonais e matrizes .......................................................................... 39
2.11. Trao de uma matriz ......................................................................................... 41
2.12. Autovalores e autovetores ................................................................................ 42
2.12.1 Definio ............................................................................................... 42
2.12.2. Funes de uma matriz ......................................................................... 43
2.12.3. Produtos ................................................................................................ 45
2.12.4. Matrizes simtricas ............................................................................... 45
2.12.5. Matriz positiva definida e positiva semidefinida ................................. 46
2.13. Matrizes idempotentes ...................................................................................... 47
2.14. Derivadas de funes lineares e formas quadrticas ........................................ 48
2.15. Referncias citadas no texto ............................................................................. 50
2.16. Lista de exerccios adicionais ........................................................................... 51
Apndice. Introduo ao uso do proc iml .................................................................. 55
2
2.1. MATRIZES E VETORES
2.1.1. Matrizes, vetores e escalares.
Uma matriz um arranjo retangular de nmero ou de variveis em linhas e colunas.
Nesse texto estaremos considerando matrizes de nmeros reais, que sero denotadas
por letras maisculas em negrito. Os seus elementos sero agrupados entre colchetes.
Por exemplo:
1 1 0
1 1 0
1 1 1 1 1 1
10 12
A=
B=
;
X=
;
1 0 1
10 12 15 13 14 16
21 39
1 0 1
Para representar os elementos da matriz X como variveis, ns usamos:
x11
x
X = (xij) = 21
x31
x41
x12
x22
x32
x42
x13
x23
x33
x43
y2
y3 ]
3 2 4 3 2 4
=
1
3 7 1
3 7
mas
2 9 5
3 9
5
8 4
6 8 4
6
3 2 4
Por exemplo: Se A =
A =
1
3
7
3 1
2 3 a sua transposta.
4 7
A notao (aji) indica que o elemento da i-sima linha e j-sima coluna de A encontrado na j-sima linha e i-sima coluna de A. Se A np ento A pn.
Teorema 2.1.A. Se A uma matriz qualquer, ento
(A) = A
(2.4)
4
2.1.4 Alguns tipos especiais de matrizes
6 7
9
simtrica. evidente que toda matriz simtrica quadrada.
A diagonal de uma matriz quadrada pAp= (aij) consiste dos elementos a11, a22,
, app, ou seja, diag(A) = (aii). No exemplo anterior, a diagonal da matriz A formada pelos elementos 3, 10 e 9.
Se a matriz nAn contm zeros em todas as posies fora da diagonal ela uma
matriz diagonal, como por exemplo,
0 0
8
0 3 0
D=
0
0 0
0
0 0
0
0
Ns usamos a notao diag(A) para indicar a matriz diagonal com os mesmos elementos da diagonal de A, como por exemplo,
2
6
3
A = 2 10 7
6 7
9
3 0 0
diag(A) = 0 10 0
0 0 9
Uma matriz diagonal com o nmero 1 em cada posio da sua diagonal chamada de matriz identidade e denotada por I, como por exemplo,
1 0 0
I(3) = diag(1, 1, 1) = 0 1 0
0 0 1
5
Uma matriz triangular superior uma matriz quadrada com zeros abaixo da
diagonal, como por exemplo,
7
0
T=
0
2 3 5
0 2 6
0 4
1
0 0
8
1
Uma matriz quadrada de 1s denotada por J, como por exemplo,
1 1 1
J(33) = 1 1 1
1 1 1
Ns denotamos um vetor de zeros por 0 e uma matriz de zeros por ou ,
por exemplo,
0
0(3) = 0 ,
0
0 0 0
(33) = = 0 0 0 .
0 0 0
Se duas matrizes tm a mesma dimenso, sua soma encontrada adicionando os elementos correspondentes. Assim, se A(np) e B(np), ento C = A + B tambm np e
encontrada como C = (cij) = (aij + bij). Por exemplo,
4 11 5 6 18 2 2
7 3
+
=
2
8 5 3 4
2 5 12 3
6
A diferena D = A B entre as matrizes A e B definida similarmente: D = (dij) =
(aij bij). Duas propriedades importantes da adio de matrizes so dadas a seguir:
Teorema 2.2A. Se A e B so np, ento:
(i) A + B = B + A
(2.9)
(ii) (A + B) = A + B
(2.10)
Para que o produto AB de duas matrizes seja possvel, o nmero de colunas da matriz
A deve ser igual ao nmero de linhas de B. Neste caso, dizemos que as matrizes A e
B so conformes. Ento, o (ij)-simo elemento do produto C = AB definido como:
cij =
aik bkj
(2.11)
que igual soma dos produtos dos elementos da i-sima linha de A pelos elementos
da j-sima coluna de B. Assim, ns multiplicamos todas as linhas de A por todas as
colunas de B. Se A (nm) e B (mp) ento C = AB (np). Por exemplo,
2 1 3
A(23) =
e B(32) =
4 6 5
1 4
2 6
3 8
Ento
(2)(1) + (1)(2) + (3)(3) (2)(4) + (1)(6) + (3)(8) 13 38
A
B
=
C
=
2 2
2 2
(4)(1) + (6)(2) + (5)(3) (4)(4) + (6)(6) + (5)(8) = 31 92
18 25 23
3BA3 = 3D3 = 28 38 36
38 51 49
Se A nm e B mp, onde n p, ento o produto AB definido, mas BA no
definido. Se A np e B pn, ento AB nn e BA pp. Neste caso, certamente, AB BA, como ilustrado no exemplo anterior. Se A e B so nn ento AB e BA
tm o mesmo tamanho, mas, em geral:
AB BA
(2.12)
7
A multiplicao de matrizes no comutativa e algumas manipulaes familiares com nmeros reais no podem ser feitas com matrizes. Entretanto, a multiplicao
de matrizes distributiva em relao soma ou subtrao:
A(B C) = AB AC
(2.13)
(A B)C = AC BC
(2.14)
(2.15)
A multiplicao envolvendo vetores segue as mesmas regras das matrizes. Suponha A(np), b(p1), c(p1) e d(n1). Ento:
Ab um vetor coluna n1
bc uma matriz pp
cd uma matriz pn
Desde que bc uma soma de produtos (um escalar!) tem-se que bc = cb:
bc = b1c1 + b2c2 + + bpcp
cb = c1b1 + c2b2 + + cpbp
bc = cb
(2.16)
c1d1 c1d 2
c d c d
2 2
2 1
M
M
c p d 1 c p d 2
L c1d n
L c2 d n
O
M
L c pdn
(2.17)
Similarmente:
b1
b
2
bb = [b1 b2 bp] = b12 + b22 + + b 2p =
M
b p
bi2
(2.18)
i =1
8
b1
b
2
bb = [b1 b2 bp] =
M
b p
b12 b1b2
2
b2b1 b2
M
M
b p b1 b p b2
L b1b p
L b2b p
O
M
L b 2p
(2.19)
comprimento de b = || b || =
b' b =
bi2
(2.20)
i =1
jj = n,
1
1
jj =
M
1 L 1
1 L 1
= J(nn)
M O M
1 L 1
(2.21)
aj = ja =
ai
(2.22)
i =1
jA =
[i ai1 i ai 2
i aip ]
j a1 j
j
2
e Aj = j
M
j anj
(2.23)
9
1 2 3 4
Exemplo 1. Seja a matriz A = 5
1 6 4 e o vetor a =
2
5 4 0
2
5
ento:
1
8
1 2 3 4
i) j'A = [1 1 1] 5
1 6 4 = [8 4 13 8]
2
5 4 0
1
1 2 3 4 6
1
ii) Aj = 5
1 6 4 = 16
1
2
5 4 0 11
1
1
2
1
5
1
8
O produto de um escalar por uma matriz obtido multiplicando-se cada elemento da matriz pelo escalar:
ca11 ca12
ca
ca22
cA = (caij) = 21
M
M
can1 can 2
L ca1m
L ca2m
.
O
M
L canm
(2.24)
Desde que caij = aijc o produto de um escalar por uma matriz comutativo:
cA = Ac
(2.25)
(2.26)
Prova: Seja C = AB. Ento por (2.11), temos que C = (cij) = aik bkj
k =1
10
(AB) = C = (cij) = (cji)
p
p
Para ilustrar os passos dessa prova, vamos usar as matrizes A23 e B32:
a
a
AB = 11 12
a21 a22
a13
a23
b11 b12
b
b22
21
b31 b32
b12 a11 + b22 a12 + b32 a13 b12 a21 + b22 a22 + b32 a23
a11
b11 b21 b31
(AB) =
a12
b
b
b
12
22
32
a
13
a21
a22 = BA
a23
Exemplo 2. Seja y = [y1, y2, , yn] um vetor de pesos de n frangos de corte. Para
calcular a mdia e a varincia dos pesos desses frangos, ns usamos:
1 n
1 n
y = yi
s2 =
( yi y )2
n i =1
n 1 i =1
1
jy, onde j um vetor n1 de
n
1s e n = jj. Para calcular a varincia precisamos, primeiramente, calcular o vetor de
desvios:
Matricialmente, a mdia pode ser calculada por y =
1
1
1
y y = y j y = y j j' y = y jjy = y Jy =
n
n
n
1
I J y
n
11
n
( yi y )
i =1
1 1
= I J y I J y
n n
1
1
1
1 1
( yi y )2
i =1
1
1
2
2
1
= y I J + 2 nJ y = y I J + J y = y I J y
n
n
n
s2 =
1 n
( yi y )2 = 1 y' I 1 J y
n 1 i =1
n 1
n
Supondo que A nm e B mp, seja a ti a i-sima linha da matriz A e bj, a jsima coluna da matriz B, de tal forma que:
a11
a
A = 21
M
a n1
a12
a 22
M
an 2
L a1m a1t
L a 2 m a t2
=
, B=
O M M
L a nm a tn
b11 b12
b
b22
21
M
M
bm1 bm 2
L b1 p
L b2 p
= [b1, b2, , bp]
O M
L bmp
AB =
M
M
t
t
a nb1 a nb 2
L a1t b p
L a t2b p
O
M
L a tnb p
a1t (b1 , b 2 , L, b p )
t
a 2 (b1 , b 2 , L, b p )
=
=
M
t
a n (b1 , b 2 , L , b p )
a1t B a1t
t t
a 2 B = a 2 B
M M
t t
a n B a n
(2.27)
12
De forma anloga, a segunda coluna de AB Ab2 e assim por diante. Assim AB pode
ser escrita em termos das colunas de B:
AB = A[b1, b2, , bp] = [Ab1, Ab2, , Abp]
(2.28)
Qualquer matriz A pode ser multiplicada pela sua transposta para formar AA
ou AA. Algumas propriedades desses produtos so dadas no prximo Teorema.
Teorema 2.2C. Seja A uma matriz np. Ento AA e AA tm as seguintes propriedades:
(i) AA pp e obtida como produto das colunas de A.
(ii) AA nn e obtida como produto das linhas de A.
(iii) Ambas as matrizes AA e AA so simtricas.
(iv) Se AA = ento A = .
Seja A uma matriz quadrada nn e D = diag(d1, d2, , dn). No produto DA, a
i-sima linha de A multiplicada por di e em AD, a j-sima coluna de A multiplicada por dj. Por exemplo, se n = 3, ns temos:
DA
d1 0
= 0 d2
0 0
AD
a11 a12
= a21 a22
a31 a32
0 a11 a12
0 a21 a22
d 3 a31 a32
a13
a23
a33
a13
a23 =
a33
d1 0
0 d
2
0 0
d1a11 d1a12
d a
d 2 a22
2 21
d 3a31 d 3a32
d1a13
d 2 a23
d 3a33
(2.29)
0 d1a11 d 2 a12
0 = d1a21 d 2 a22
d 3 d1a31 d 2 a32
d 3a13
d 3a23
d 3a33
(2.30)
d1d 3a13
d 2 d 3a23
d 32 a33
(2.31)
Vale notar que DA AD. Entretanto, no caso especial onde a matriz diagonal
a matriz identidade, (2.29) e (2.30) temos:
IA = AI = A
(2.32)
Se A retangular, (2.32) continua valendo, mas as identidades das duas igualdades so de dimenses diferentes.
13
Se A uma matriz simtrica e y um vetor, o produto:
yAy =
aii yi2
+ 2 aij yi y j
(2.33)
i j
aij xi y j
(2.34)
ij
(i) A (A)
(ii) Se as dimenses so favorveis, ento:
(A B) + (C D) = (A + C) (B + D)
(A B)(C D) = AC BD
Ento,
10 11 15 0 0
A B = 0 0 0 3 5
0 0 0 4 1
0
0
0
10 11 15
AC=
0 0 0 10 11 15
14
a11B a12B
a B a B
22
C(mr ns) = A B = 21
M
M
am1B am 2B
L a1 n B
L a2 n B
O
M
L amn B
(A B)(C D) = AC BD
Exemplo 4. Sejam as matrizes:
1 2
A(22) =
,
3
4
0
1 1
B(23) =
,
3
5
1
y(31) = 1 .
0
Ento
0 2 2
0
1 1
3 5 6 6 10 12
,
AB =
3 3
0 4 4
0
9 15 18 12 20 24
2
1
1 2
0
0
Ay =
,
3
4
3 4
0
0
0
0
1 2 1 2
3 4 3 4
0
0
B A =
3 6 5 10 6 12
9 12 15 20 18 24
2
1
3
4
1 2
y A =
0
0
0
0
15
Em relao sua segunda potncia, uma matriz quadrada A, ser chamada de:
(i) idempotente, se A 2 = A.
(ii) nilpotente, se A 2 = .
(iii) unipotente, se A 2 = I.
Teorema. Se P(n) uma matriz idempotente e se I(n) a matriz identidade de ordem n,
ento a matriz I P idempotente.
A12
A 22
2 5 8
4 0 2
4
7
A
= 11
A
3 6 5 2
21
1 2 1
6
A12
A 22
Onde:
7 2 5
8 4
9 3 6
A11 =
,
A
=
,
A
=
12
21
2 7
3 1 2 e A22 =
3
4
0
5 2
1
6
Se duas matrizes A e B so conformes, e se A e B so particionadas de tal forma que as submatrizes sejam apropriadamente conformes, ento o produto AB pode
ser encontrado usando a maneira usual de multiplicao (linha-por-coluna) tendo as
submatrizes como se fossem elementos nicos. Por exemplo:
A
AB = 11
A 21
A B + A12B 21
= 11 11
A 21B11 + A 22B 21
A11B12 + A12B 22
A 21B12 + A 22B 22
(2.35)
16
Se B trocada por um vetor b particionado em dois conjuntos de elementos e
se A correspondentemente particionada em dois conjuntos de colunas, ento (2.35)
fica:
b
Ab = [A1, A2] 1 = A1b1 + A2b2
(2.36)
b 2
Onde o nmero de colunas de A1 igual ao nmero de elementos de b1 e A2 e b2 so
similarmente conformes.
A multiplicao particionada em (2.36) pode ser estendida para colunas individuais de A e elementos individuais de b:
b1
b
2
Ab = [a1, a2, , ap] = b1a1 + b2a2 + + bpap
M
b p
(2.37)
Assim, Ab pode ser expressa como uma combinao linear de colunas de A, na qual
os coeficientes so os elementos de b. Ns ilustramos (2.37) no seguinte exemplo:
Exemplo 5. Sejam:
6 2 3
A = 2
1 0 , b =
4
3 2
4
2
1
17
Ab = 10
20
6
2
3 24 4 3 17
= 4 2 + 2 1 + (1) 0 = 8 + 2 0 = 10
4
3
2 16 6 2 20
Por (2.28) e (2.29), as colunas do produto AB so combinaes lineares das colunas de A. Os coeficientes para a j-sima coluna de AB so os elementos da j-sima
coluna de B.
17
O produto de um vetor linha por uma matriz, aB, pode ser expresso como uma
combinao linear das linhas de B, na qual os coeficientes so os elementos de a:
b1t
t
b
aB = [a1, a2, , an] 2 = a1 b1t + a2 b t2 + + an b tn
M
t
b n
(2.38)
(2.39)
(2.40)
Se no encontrarmos um conjunto de escalares c1, c2, , cp (nem todos nulos) que satisfaam (2.40), o conjunto de vetores {a1, a2, , ap} dito linearmente independente
(l.i.). Por (2.37), podemos reescrever essa definio da seguinte forma:
Pode-se mostrar que o nmero de colunas l.i. de qualquer matriz igual ao nmero de
linhas l.i. dessa matriz.
Material elaborado pelo Prof. Csar Gonalves de Lima
18
Se a matriz A tem um nico elemento diferente de zero, com todos os demais
elementos iguais a zero, ento rank(A) = 1. O vetor 0 e a matriz tm posto zero.
Se a matriz retangular A(np) de posto p, onde p < n, ento A tem o maior posto
possvel e dito ter posto coluna completo.
Em geral, o maior posto possvel de uma matriz A(np) o min(n, p). Assim, em
uma matriz retangular, as linhas, as colunas ou ambas so linearmente dependentes.
Ns ilustramos esse fato no prximo exemplo.
1 2 3
A=
2 4
5
igual a 2, porque as duas linhas so linearmente independentes, pois nenhuma linha
mltipla da outra. Conseqentemente, pela definio de posto, o nmero de colunas
l.i. tambm 2. Portanto, as trs colunas de A so l.d. e por (2.40) existem constantes
c1, c2 e c3 (nem todas nulas) tais que:
1
2
3 0
c1 + c2 + c3 =
5
2
4 0
(2.41)
c3
(2.42)
14
A soluo (no trivial) para (2.42) dada por qualquer mltiplo de c = 11 . Neste
12
caso o produto Ac = 0, mesmo com A 0 e c 0. Isso s possvel por causa da dependncia linear dos vetores-colunas de A.
Nem sempre fcil perceber que uma linha (ou coluna) uma combinao linear de outras linhas (ou colunas). Nesses casos pode ser difcil calcular o posto de
uma matriz. Entretanto, se conseguirmos obter a forma escalonada cannica (f.e.c.)
da matriz, o seu posto corresponder ao nmero de linhas (ou colunas) que tenham o
nmero 1 como lder. A obteno da f.e.c. de uma matriz feita atravs de operaes
elementares em suas linhas (ou colunas).
19
Definio: So chamadas de operaes elementares nas linhas da matriz A (e de
modo similar nas suas colunas):
(i) trocar a posio de duas linhas da matriz.
(ii) multiplicar uma linha da matriz por um escalar k 0 (li = kli).
(iii) somar a uma linha da matriz um mltiplo de outra linha (li = li + klj).
Teorema: Uma matriz A equivalente por linhas a uma matriz B se B pode ser obtida de A aplicando-se uma seqncia de operaes elementares sobre as suas linhas.
Definio: Dizemos que uma matriz A(nm) est na sua forma escalonada cannica ou
reduzida se ocorrer simultaneamente que:
(a) o primeiro elemento no nulo de cada linha no nula o nmero 1 (piv);
(b) toda coluna que tem um piv, tem todos os outros elementos nulos;
(c) o piv da linha i +1 ocorre direita do piv da linha i (i = 1, 2, , n 1).
(d) todas as linhas nulas (formadas inteiramente por zeros) ocorrem abaixo das
linhas no nulas.
Definio: Dizemos que uma matriz est na forma escalonada se ela satisfaz as propriedades (c) e (d), mas no necessariamente as propriedades (a) e (b).
Das matrizes apresentadas a seguir, B no est na forma escalonada, A e C esto nas suas formas escalonadas cannicas e D, na forma escalonada.
1 0 0
A = 0 1 0 , B =
0 0 0
1
0
0 0 0
0 0 1
, C =
0 1 0
1 0 0
1 2 1 2
0 0 0 0 , D =
4 0 3
0 3 0
0 0 1
Teorema. Dada uma matriz real A(np) sempre possvel obtermos a sua forma escalonada cannica (f.e.c.) atravs de operaes elementares.
20
Exemplo 7. Vamos obter a f.e.c. da matriz A do Exemplo 2.4(a):
1 2 3
A=
2 4
5
(i) Fazendo l2 = l2 5l1, ns obtemos:
3
1 2 3 1 2
~
.
5
2 4 0 12 11
11
/
12
7 / 6
1 0
Ento a f.e.c. de A a matriz
e o rank(A) = 2.
0
1
11
/
12
Definio: Dizemos que uma matriz quadrada est na forma de Hermite (Graybill
1969, p.120) se satisfaz as seguintes condies:
(a) uma matriz triangular superior;
(b) tem apenas valores zero ou um na sua diagonal;
(c) se tem o valor zero na diagonal, os elementos restantes na linha so zeros;
(d) se tem o valor um na diagonal, os elementos restantes da coluna em que aparece o nmero um, so nulos.
Definio: Dizemos que uma matriz quadrada est na forma de Echelon (Graybill,
1969, p.286) se ela satisfaz as condies de uma forma de Hermite e apresenta as
linhas de zeros abaixo das linhas que no so nulas.
21
Ns tambm podemos explorar a dependncia linear das linhas ou colunas de
uma matriz para criar expresses tais como AB = CB, onde A C. Assim em uma
equao matricial, ns no podemos, em geral, cancelar uma matriz de ambos os
lados da equao. Uma exceo a essa regra ocorre quando as matrizes envolvidas
so quadradas e B uma matriz no-singular (ser definida na Seo 2.5).
Exemplo 8. Ns ilustramos a existncia de matrizes A, B e C tais que
onde A C. Sejam as matrizes:
1 2
1
1
1 3 2
2
, B = 0 1 , C =
A =
AB = CB =
2
0
1
5
1 0
O teorema seguinte d um caso geral e dois casos especiais para o posto
de duas matrizes.
AB = CB,
3 5
1 4 .
do produto
Teorema 2.4A.
(i) Se as matrizes A e B so conformes, ento rank(AB) rank(A) e rank(AB)
rank(B).
(ii) A multiplicao por uma matriz no-singular (ver Seo 2.5) no altera o posto
da matriz, isto , se B e C so no-singulares rank(AB) = rank(CA) = rank(A).
(iii) Para qualquer matriz A, rank(AA) = rank(AA) = rank(A) = rank(A).
Prova:
(i) Todas as colunas de AB so combinaes lineares das colunas de A (ver um comentrio no Exemplo 2.3) conseqentemente, o nmero de colunas l.i. de AB
menor ou igual ao nmero de colunas l.i. de A, e rank(AB) rank(A). Similarmente, todas as linhas de AB so combinaes lineares das linhas de B [ver
comentrio em (2.38)] e da, rank(AB) rank(B).
(ii) Se B no singular, existe uma matriz B -1 tal que B B -1 = I [ver (2.45) a seguir].
Ento, de (i) ns temos que:
AA =A A=I
(2.45)
22
Um algoritmo simples (que trabalhoso se a dimenso da matriz grande!)
para obteno da inversa de uma matriz consiste em justapor matriz A uma matriz
identidade de mesma ordem. Opera-se simultaneamente sobre as linhas das duas matrizes at que no lugar da matriz A aparea a sua f.e.c. (neste caso, uma matriz iden1
tidade). Nesse momento, no lugar da matriz identidade estar a inversa A de A. Ou
seja:
1
[A | I ] ~ ~ [I | A ]
4 7
A=
.
2 6
(1) Fazendo l2 = l2 (1/2) l1:
7
1 0
4 7 1 0 4
~
2 6 0 1 0 5 / 2 1 / 2 1
(4) Fazendo l1 = (1/4) l1:
3 / 5 7 / 10
4 0 12 / 5 14 / 5 1 0
~
0 1 1 / 5
2 / 5 0 1 1 / 5
2 / 5
Ento
4 7 1 0
2 6 0 1 ~ ~
3 / 5 7 / 10
1 0
1
A =
0 1 1 / 5
2 / 5
0.6 0.7
0.2
0.4
AB = CB ABB = CBB A = C
Importante: Se a matriz B singular ou retangular, ela no pode ser cancelada nos
dois lados da igualdade AB = CB.
Material elaborado pelo Prof. Csar Gonalves de Lima
23
Similarmente, se A no-singular ento o sistema Ax = c tem a soluo nica:
1
x=A c
(2.47)
(AB) = B A
(2.49)
A 21 A 22
1
1
-1
1
B
A
A
B
21 11
Como um caso especial de (2.50), consideremos a matriz no singular:
A
A = 11 t
(a12 )
a12
a22
1
-1
-1
-1
-1
bA11
+ A11
a12 (a12 )t A11
A11
a12
-1
(a12 )t A11
1
existe, a
(2.51)
onde b = a22 (a12)t(A11) a12. Como um outro caso especial de (2.50) ns temos:
A
A = 11
A 22
A 221
(2.52)
24
Se uma matriz quadrada da forma B + cc no singular, onde c um vetor e B
uma matriz no singular, ento:
B 1cc' B 1
1
1
(B + cc) = B
(2.53)
1 + c' B 1c
y1
y = y2 ,
y3
3 4 5
A = 0 1 6 .
0 0 2
Entretanto, essa forma quadrtica pode ser expressa em termos da matriz simtrica:
2 5 / 2
3
1
(A + A) = 2
1 3.
2
5 / 2 3 2
Em geral, qualquer forma quadrtica yAy pode ser expressa como:
A + A'
yAy = y
y
2
(2.54)
Assim a matriz-ncleo da forma quadrtica pode sempre ser escolhida como uma
matriz simtrica (e nica!).
1
1
L
1 n
n
n n
1
1
1 1
1 L
A=
n
n
n = n(n 1)
n 1
M
M
M M
1
1 1
1
L 1
n
n
n n(n 1)
1
1
L
n(n 1)
n(n 1)
1
1
L
n(n 1)
n
M
M
1
1
L
n(n 1)
n
25
As somas de quadrados encontradas na anlise de regresso (Captulos 6 a 10)
e anlise de varincia (Captulos 11 a 14) podem ser expressas na forma yAy, onde y
um vetor de observaes. Tais formas quadrticas so positivas (ou no mnimo nonegativas) para todos os valores de y.
Se a matriz simtrica A tem a propriedade de yAy > 0 para todos os possveis
vetores de observaes y, com exceo de y = 0, ento a forma quadrtica yAy dita
positiva definida e A dita matriz positiva definida.
Similarmente, se yAy 0 para todos os possveis vetores de observaes y,
com exceo de y = 0, ento a forma quadrtica yAy dita positiva semidefinida e A
dita matriz positiva semidefinida.
Exemplo 11. Para ilustrar uma matriz positiva definida, considere:
2 1
A=
1 3
3 6
5
Se 2 y1 = y2 , 3 y1 = y3 e 3 y2 = 2 y3 , ento (2 y1 y2 )2 + (3 y1 y3 )2 + (3 y2 2 y3 )2
= 0. Assim yAy = 0 para qualquer mltiplo de y = [1, 2, 3]. Para todos os outros
casos, yAy > 0 (com exceo de y = 0).
Teorema 2.6A.
(i) Se A positiva definida, ento todos os elementos aii da sua diagonal so positivos.
(ii) Se A positiva semidefinida, ento todos aii 0.
26
Teorema 2.6B. Seja P uma matriz no-singular.
(i) Se A positiva definida, ento PAP positiva definida.
(ii) Se A positiva semidefinida, ento PAP positiva semidefinida.
Prova:
(i) Para mostrar que yBBy > 0 para y 0, ns notamos que yBBy = (By)(By)
uma soma de quadrados e portanto, positiva definida, a menos que By = 0. Por
(2.37) ns podemos expressar By na forma:
By = y1b1 + y2b2 + + ypbp
27
(ii) Se rank(B) < p, ento ns podemos encontrar y 0 tal que
By = y1b1 + y2b2 + + ypbp = 0
1 2
Ento:
1 2
2 4
B2 =
,
BB
=
4
8
1 2
Prova: Pelo Teorema 2.6C, A = PP, onde P no singular. Pelos Teoremas 2.5A e
1
1
1
1
1 1
2.5B, A = (PP) = P (P) = P (P ), que positiva definida pelo Teorema 2.6C.
Teorema 2.6F. Se A positiva definida e particionada na forma
A
A = 11
A 21
A12
A 22
28
2.7 SISTEMAS DE EQUAES
(2.56)
Se n > p, tal que A tenha mais linhas que colunas (mais equaes do que incgnitas), ento, geralmente, o sistema Ax = c no tem soluo.
Se n < p, tal que A tenha menos linhas que colunas, ento o sistema Ax = c tem
um nmero infinito de solues.
Se o sistema (2.56) tem uma ou mais vetores solues, ele chamado de sistema
consistente. Se no tem soluo, ele chamado de sistema inconsistente.
Ento, ns tambm podemos ter bc = b1c1 + b2 c2+ + bp cp = 0, porque a multiplicao de Ax = c por b (de ambos os lados) d:
bAx = bc
ou
0x = bc.
Por outro lado, se bc 0, no existe x tal que Ax = c. Portanto, para que Ax = c seja
consistente, a mesma relao (qualquer que seja) que existe entre as linhas de A deve
existir entre os elementos (linhas) de c. Isso formalizado comparando o posto de A
com o posto da matriz aumentada [A, c]. A notao [A, c] indica que c foi justaposta
matriz A como uma coluna adicional.
Teorema 2.7A O sistema de equaes Ax = c consistente (tem no mnimo uma
soluo) se e somente se rank(A) = rank[A, c].
Material elaborado pelo Prof. Csar Gonalves de Lima
29
Prova: Suponha que rank(A) = rank[A, c], de tal forma que justapor no altera o
posto da matriz A. Ento c uma combinao linear das colunas de A; isto ,
existe pelo menos um x tal que
x1a1 + x2a2 + + xpap = c
que, por (2.38) pode ser escrito como Ax = c. Assim, x uma soluo do sistema Ax = c.
Por outro lado, suponha que existe um vetor soluo x tal que Ax = c. Em geral,
tem-se que rank(A) rank[A, c] [ver Harville (1997, p.41)]. Mas desde que
existe um x tal que Ax = c, ns temos:
[Teorema 2.4A(i)]
Por isso,
x1 + 2x2 = 4
x1 x2 = 1
x1 + x2 = 3
ou
1 2
4
x
1 1 1 = 1
x2
1 1
3
A matriz aumentada :
1 2 4
[A, c] = 1 1 1
1 1 3
que tem rank[A, c] = 2 porque a terceira coluna igual soma de duas vezes a primeira coluna com a segunda coluna. Desde que rank[A, c] = 2 = rank(A), existe ao
menos uma soluo para o sistema.
Se adicionarmos duas vezes a primeira equao segunda equao, o resultado
um mltiplo da terceira equao. Assim, a terceira equao redundante e as duas
primeiras podem ser resolvidas para obter a soluo nica x = [2, 1].
30
4
x2
3
2
1
0
0
x1
A Figura 2.1 mostra as trs linhas que representam as trs equaes do sistema.
Note que as trs linhas cruzam no ponto de coordenadas (2, 1), que a soluo nica
do sistema de trs equaes.
Exemplo 13. Se trocarmos o nmero 3 por 2 na terceira equao do Exemplo 2.7(a),
a matriz aumentada fica:
1 2 4
[A, c] = 1 1 1
1 1 2
que tem posto 3, j que nenhuma combinao linear das colunas 0. Como rank[A,c]
= 3 rank(A) = 2, o sistema inconsistente.
As trs linhas que representam as trs equaes so apresentadas na Figura 2.2,
onde ns percebemos que as trs linhas no tm um ponto comum de interseo. Para
encontrar a melhor soluo aproximada, uma abordagem consiste em usar o mtodo
dos mnimos quadrados, que consiste em buscar os valores de x1 e x2 que minimizam
2
2
2
(x1 + 2x2 4) + (x1 x2 1) + (x1 + x2 2) = 0.
4
x2
3
2
1
0
0
x1
31
Exemplo 2.7(c) Considere o sistema:
x1 + x2 + x3 = 1
2x1 + x2 + 3x3 = 5
3x1 + 2x2 + 4x3 = 6
A terceira equao a soma das duas primeiras, mas a segunda no um mltiplo da
primeira. Assim rank(A) = 2 = rank[A, c] e o sistema consistente. Resolvendo as
duas primeiras equaes para x1 e x2 em termos de x3, ns obtemos:
x1 = 2x3 + 4,
x2 = x3 3
x3
1 0
onde x3 uma constante arbitrria. Geometricamente, x uma linha representando a
interseo dos dois planos correspondentes s duas primeiras equaes.
AA A = A
(2.57)
Toda matriz (quadrada ou retangular) tem uma inversa condicional. Isso garantido mesmo para vetores. Por exemplo:
1
2
x=
3
4
i = 1, 2, 3.
Nessa ilustrao, x um vetor coluna e x i um vetor linha. Esse modelo generalizado no seguinte teorema.
Material elaborado pelo Prof. Csar Gonalves de Lima
32
2 2 3
A = 1 0 1
3 2 4
(2.58)
Como a terceira linha de A a soma das duas primeiras linhas, e a segunda linha no
um mltiplo da primeira, o rank(A) = 2. Sejam
A1
1 0
0
= 1 / 2 1 0 ,
0 0 0
A 2
1
0
0
= 0 3 / 2 1 / 2
0
0
0
(2.59)
A
A = 11
A 21
A12
A 22
A =
Onde as trs matrizes nulas 0 tm dimenses apropriadas para que A seja pn.
0 0
A =
1
0 A 22
33
A submatriz no-singular no precisa estar na posio A11 ou A22, como no
Teorema 2.8B e no seu corolrio. O Teorema 2.8B pode ser estendido para o seguinte
algoritmo para encontrar uma inversa condicional A , para qualquer matriz A (np)
de posto r [ver Searle, 1982, p.218]:
1. Encontre qualquer submatriz no-singular C(rr). No necessrio que os elementos de C ocupem posies (linhas e colunas) adjacentes em A.
1
1 0 1
Usando o algoritmo de Searle (e lembrando que o posto da matriz X 2), escolhemos
convenientemente:
1 0
1
C=
C =
0 1
0
0
0 0
1 0
X =
0 1
0 0
1 0
1
0 1 (C ) =
1 0
0 1
0 0 0 0
0 1 0 0 uma inversa condicional de X
0 0 1 0
Vale lembrar que escolhendo outras matrizes C e usando o algoritmo, podemos encontrar outras inversas condicionais de X.
34
Uma inversa generalizada de uma matriz simtrica no necessariamente simtrica. Entretanto, tambm verdade que uma inversa generalizada simtrica de
uma matriz simtrica, sempre pode ser encontrada; ver Problema 2.45. Neste livro,
ns assumimos que as inversas generalizadas de matrizes simtricas tambm so simtricas.
Alm da inversa generalizada (condicional) definida em (2.57) existem outras,
mq
+
como a inversa de mnimos quadrados (A ) e a inversa de Moore-Penrose (A ) que
muito til em demonstraes envolvendo modelos lineares.
Definio: Dada a matriz A(np) ento toda matriz A mq (pn) que satisfaz as duas
condies seguintes, uma inversa de mnimos quadrados da matriz A:
mq
(a) AA A = A
mq
(b) AA
1
1
Exemplo 16. Obter uma inversa de mnimos quadrados de X =
1
1
4 2 2
Primeiramente calculamos XX = 2 2 0 . Escolhendo C =
2 0 2
goritmo de Searle, obtemos:
1 0
1 0
0 1
0 1
2 0
0 2 e usando o al
0
0 0
(XX) = 0 0,5 0
0 0 0,5
0
0
0
0
0
0 0,5 0,5
Vale observar que escolhendo outras matrizes C e, correspondentemente, calculando outras inversas condicionais de XX, podemos encontrar outras inversas de
mnimos quadrados da matriz X.
Material elaborado pelo Prof. Csar Gonalves de Lima
35
+
Definio: Dada a matriz A (np) de posto r, ento a matriz A (pn), de posto r, que
satisfaz s quatro condies seguintes, definida como a inversa generalizada de
Moore-Penrose da matriz A:
+
(a) AA A = A
+
(b) A AA = A
+
(c) A A simtrica
+
(d) A A simtrica
+
Teorema 2. Para cada matriz A (np) existe sempre uma e s uma matriz A que
satisfaz as condies de Moore-Penrose.
Uma soluo para um sistema de equaes pode ser expressa em termos de uma inversa generalizada.
Vale lembrar mais uma vez que diferentes escolhas de A , resultaro em diferentes
solues para Ax = c.
Teorema 2.8E. Se o sistema de equaes Ax = c consistente, ento todas as possveis solues podem ser obtidas das duas seguintes maneiras:
(i) Use uma A especfica em x = A c + (I A A)h e use todos os possveis valores para o vetor arbitrrio h.
(ii) Use todas as possveis inversas A em x = A c.
36
Teorema 2.8F. O sistema de equaes Ax = c consistente se e somente se para
AA c = c.
Antes de definirmos o determinante de uma matriz quadrada, precisamos definir permutao e nmero de inverses. Seja o conjunto dos cinco primeiros nmeros inteiros S = {1, 2, 3, 4, 5} arrumados em ordem crescente.
Qualquer outra ordem j1, j2, , j5 dos elementos de S chamada uma permutao de S. Por exemplo: 32451, 45321, 32541, 12354 so permutaes de S.
O nmero de permutaes possveis com n objetos (ndices, neste caso) igual
a n! = n(n 1)(n 2)(2)(1). Por exemplo: com os ndices {1, 2, 3} conseguimos 3! = 6 permutaes, a saber, {123, 132, 213, 231, 312, 321}.
Uma permutao j1, j2, , j5 de S tem uma inverso se um nmero inteiro jr
precede um inteiro menor js. Por exemplo: a permutao 32451 tem 5 inverses
porque: o 3 antes do 2; o 3 antes do 1; o 2 antes do 1; o quatro antes do 1 e o 5
antes do 1.
(A) = | A | = det(A) =
n!
pi
i =1
Cada produto elementar do tipo pi = a1j1 a2j2 a3j3 anjn em que, nos ndices j1,
Essa definio no muito til para calcular o determinante de uma matriz, exceto
para o caso de matrizes 22 ou 33. Para matrizes maiores, existem programas especficos (proc iml do SAS, Mapple e MathCad por exemplo) para calcular os determinantes.
Material elaborado pelo Prof. Csar Gonalves de Lima
37
a11
Exemplo 17. Seja a matriz A = a 21
a31
a12
a 22
a32
a13 2 0 1
a 23 = 3 1 4
a33 5 6 7
pi
Permutao
No de inverses
Sinal
Valor de pi
123
+p1 = 14
132
p2 = 48
213
p3 = 0
231
+p 4 = 0
312
+p5 = 18
321
p6 = 5
det(A) =
pi
= 49
i =1
Teorema 2.9A.
(i) Se D = diag(d1, d2, , dn) ento det(D) =
di
i =1
A
A = 11
A 21
A12
,
A 22
(2.71)
38
Note a analogia de (2.70) e (2.71) com o caso do determinante de uma matriz A, 22:
det(A) = a11 a22 a21 a12 = a11 (a22 a21 a12/ a11) = a22 (a11 a12 a21/ a22)
(ver os Corolrios 1 a 4 nas pginas 35 e 36 do livro do Rencher)
Teorema 2.9C. Se A e B so quadradas e de mesmo tamanho, ento o determinante
do produto igual ao produto dos determinantes:
(2.76)
|AB| = |BA|
(2.77)
Corolrio 1.
Corolrio 2.
2
|A | = |A|
(2.77)
(2.79)
Note que o termo ortogonal se aplica aos dois vetores e no a um nico vetor.
Geometricamente, dois vetores ortogonais so perpendiculares um ao outro.
Para mostrar que os vetores a e b so perpendiculares podemos calcular o ngulo formado entre eles.
cos() =
a' b
(a' a)(b' b)
(2.80)
4
1
Exemplo 18. Sejam os vetores a = e b = . Ento ab = 0 cos() = 0 o
2
2
ngulo formado entre eles de 90, ou seja, os vetores a e b so perpendiculares.
39
b
b' b
(2.81)
(2.82)
(2.83)
Assim, uma matriz ortogonal C tem linhas ortogonais como tambm colunas ortogo1
nais. evidente que de (2.82) e (2.83), C = C , se C ortogonal.
Exemplo 19. Para ilustrar uma matriz ortogonal, partimos de:
1 1
1
A = 1 2 0
1
1 1
Material elaborado pelo Prof. Csar Gonalves de Lima
40
Que tem colunas mutuamente ortogonais, mas que no so ortonormais. Para normalizar as trs colunas, ns as dividimos pelos seus respectivos comprimentos, 3 , 6
e 2 , obtendo assim a matriz:
1 3
1 6
1 2
C = 1 3 2 6
0
1 3
1 6 1 2
(2.84)
O trao de uma matriz (nn) A = (aij) uma funo escalar definida como a soma
dos elementos da diagonal de A; isto ,
tr(A) =
i=1 aii
n
8 4 2
Por exemplo, se A = 2 3 6 , o trao de A igual a tr(A) = 8 + (3) + 9 = 14.
3 5 9
Teorema 2.11A.
(i) Se A e B so (nn) ento
(2.85)
tr(AB) = tr(BA)
(2.86)
41
(iii) Se A (np)
tr(AA) =
a tj a j
(2.87)
j =1
tr(AA) =
a i a ti
(2.88)
i =1
aij2
tr(AA) = tr(AA) =
(2.89)
i =1 j =1
(2.90)
(2.91)
tr(A A) = tr(A A ) = r
(2.92)
(2.93)
(2.94)
42
Por (2.37), (A I)x uma combinao das colunas de A I e por (2.40) e (2.94)
essas colunas so linearmente dependentes. Assim a matriz quadrada A I singular, e pelo Teorema 2.9A(iii) ns podemos resolver (2.94) para usando:
|A I| = 0
(2.95)
2 4
Por (2.95), a equao caracterstica :
2
1
|A I| =
= (1 )(4 ) 4 = 0
2 4
Ou seja
2 5 = ( 5) = 0
2
Que pode ser escrito como:
4x1 + 2x2 = 0
2 x1 x2 = 0
Como a primeira equao um mltiplo da segunda, temos que x2 = 2x1. Um vetor
soluo pode ser escrito com x1 = c como uma constante arbitrria.
x x
1
1
x 1 = 1 = 1 = x1 = c
x2 2 x1
2
2
1 / 5
Escolhendo c = 1/ 5 para normalizar o vetor, ns encontramos 1 =
.
2
/
5
43
1/ 5
De forma similar, correspondente 2 = 0, ns obtemos 2 =
.
2
/
5
5 2
1/ 5
1 2 0 0
5 + (0)
1/ 5 2 / 5 =
+
2 4 0 0
2 / 5
(2.96)
(2.97)
3. Se um autovalor de A, ento um autovalor de A . Isto pode ser demonstrado, multiplicando-se a relao de definio Ax = x por A:
2
AAx = Ax A x = Ax = (x) = x
2
(2.98)
2
Ax =x
(2.99)
1
A Ax = A x x = A x A x = (1/)x
1
(2.100)
1
44
5. Os resultados em (2.96) e (2.99) podem ser usados para obter autovalores e autovetores de um polinmio em A. Por exemplo, se um autovalor de A, ento
3
(A + 4A 3A + 5I)x = A x + 4A x 3Ax + 5x
3
= x + 4 x 3x + 5x
3
= ( + 4 3 + 5)x
3
(I A) = I + A + A + A +
(2.101)
2.12.3. Produtos
Similar ao comentrio feito aps a apresentao de (2.97), os autovalores de AB no
so produtos da forma AB. Entretanto, os autovalores de AB so os mesmos de BA.
45
Se os autovetores de uma matriz simtrica A so normalizados e colocados como colunas de uma matriz C, ento, pelo Teorema 2.12C(ii), C uma matriz ortogonal que
pode ser usada para expressar A em termos de seus autovalores e autovetores.
Teorema 2.12D. Se A uma matriz simtrica com autovalores 1, 2, ,n e autovetores normalizados x1, x2, ,xn ento A pode ser expressa como
A = CDC
=
(2.102)
i x i x ti
(2.103)
i =1
(2.105)
(2.106)
i
i =1
(ii) tr(A) =
(2.107
i =1
46
d) i 0, i, i = 0 A negativa semi-definida.
e) i muda de sinal A no definida.
Se uma matriz A positiva definida, ns podemos encontrar a raiz quadrada
1/2
de A, denotada por A , como segue. Desde que os autovalores so positivos, ns podemos substituir a raiz quadrada i na decomposio espectral de A em (2.102)
para obter:
1/2
1/2
A = CD C
(2.108)
1/2
1/2
com D = diag( 1 , 2 , ,
1/2
n ). A matriz A
1/2
1/2
1/2
CD CCD C= A
(2.109)
Uma matriz quadrada A dita idempotente se A = A. Neste texto, muitas das matrizes idempotentes so quadradas. Muitas das somas de quadrados nas anlises de regresso e de varincia (Captulos 11-14) podem ser expressas como formas quadrticas yAy. A idempotncia de A ou de um produto envolvendo A ser usada para estabelecer que yAy (ou um mltiplo de yAy) tem distribuio de qui-quadrado.
(iii) P AP idempotente
(iv) CAC idempotente (se A simtrica, CAC uma matriz simtrica e idempotente).
Material elaborado pelo Prof. Csar Gonalves de Lima
47
Teorema 2.13F. Seja A uma matriz np de posto r, seja A qualquer inversa genera
i=1 A i para algum k, onde cada Ai uma matriz simtrica nn. Ento, quaisquer
k
1. A idempotente.
2. Cada A1, A2, , Ak idempotente.
3. AiAj = 0 para i j.
Teorema 2.13H. Se I =
se n =
u / x1
u u / x2
=
x M
u / x p
(2.110)
Teorema 2.14A. Seja u = ax = xa , onde a = [a1, a2, , ap] um vetor de constantes. Ento
u
(a' x) (x' a)
=
=
=a
x
x
x
(2.111)
48
Teorema 2.14B. Seja u = xAx, onde A uma matriz simtrica de constantes. Ento
u
(x' Ax)
=
= 2Ax
x
x
(2.112)
M M M 1 M
y n 1 x n
n
Procuraremos os estimadores de 0 e 1 que minimizam a soma de quadrados dos
desvios dos n valores observados de y em relao aos valores preditos y :
n
( yi y i )
i =1
i =1
i2
(
)
y
x
i 0 1i
i =1
i2 = = (y X ) (y X ) = yy 2 Xy + XX
i =1
(yy) = 0
(2 Xy) = 2Xy,
(
XX ) = 2XX ,
por (2.111)
por (2.112)
Da tem-se que:
'
= 2Xy + 2XX
XX = Xy
(7.8)
49
Usando os dados do Exerccio 12, temos:
5.27 1 12
5.68 1 18
6.25 1 24
7.21 = 1 30
8.02 1 36
8.71 1 42
8.42 1 48
1
2
3
0
+ 4
1
5
6
7
7 210 0 49.56
210 7308 = 1590.48
49.56
1590.48
3.9943
0 =
1 0.1029
E a reta de mnimos quadrados ajustada fica:
y i = 3.9943 + 0.1029xi
EXERCCIOS
Ver exerccios das pginas 52-61 do livro texto.
Material elaborado pelo Prof. Csar Gonalves de Lima
50
1 0
B = 2 1 ,
3 2
1 2 3
A=
,
2 1 4
3 1 3
C = 4
1 5 ,
2
1 3
2 4 5
E = 0
1 4
3
2 1
3 2
D=
,
4
2
4 5
F=
2 3
(b) AB e BA
(c)
1
2
D F
3
5
(d) BC + A
(b) A(C + E) = AC + AE
(b) (C + E) = C + E
(c) (AB) = BA
a + b c + d 4 6
4) Se
=
, calcule os valores de a, b, c e d.
c d a b 10 2
(d) ABA X = A
(b) (A + B)X = B
(c) ABX = B
(e) (AX) = B
1
= (A ), usando a
51
7) Sejam
2
b = 4
3
Escreva AB como uma combinao linear das colunas de A como em (2.37) e
verifique o resultado calculando Ab na maneira usual.
5 2 3
A=
,
7
3
1
x + y = 2
(b) y z = 3
z + x = 4
2x + 3y = 1
(a)
4 x + 5 y = 12
4a + 2b + 2c = 20
(d)
2a + 2b = 12
2a + 2c = 8
x + 2 y + 4z = 5
(c) 3 x y 2 z = 7
5 x 3 y + 6 z = 11
2x + 3y = 1
(e)
4 x + 6 y = 3
4 2 2 x1 20
9) Seja o sistema escrito na forma matricial Ax = b, ou 2 2 0 x2 = 12 .
2 0 2 x3 8
(a) Encontre uma inversa generalizada simtrica de A.
(b) Encontre uma inversa generalizada no simtrica de A.
1 1 1
(a) Normalize as colunas de A e denote a matriz resultante por C
(b) Mostre que CC = CC =I.
Material elaborado pelo Prof. Csar Gonalves de Lima
52
4 2 2
11) Seja a matriz singular A = 2 2 0 .
2 0 2
(a) Encontre os autovalores (1, 2 e 3) e os autovetores normalizados (c1, c2 e c3).
(b) A matriz A positiva definida? Por qu?
(c) Mostre que tr(A) = 1 + 2 + 3 e que det(A) = (1)(2)(3)
(d) Mostre que a matriz diagonal que exibe os autovalores de A pode ser obtida por
D = diag(1, 2, 3) = CAC, onde C = [c1, c2, c3] a matriz formada pelos
autovetores normalizados de A.
(e) Se a matriz A for positiva definida ou positiva semidefinida, obtenha a sua raiz
1/2
1/2
quadrada que calculada como A = CD C, onde D = diag(1, 2, 3) a
matriz diagonal que exibe os autovalores de A e C = [c1, c2, c3] a matriz
formada pelos autovetores normalizados de A.
12
18
24
30
36
42
48
5,27
5,68
6,25
7,21
8,02
8,71
8,42
a
1
(e) Calcule = = (XX) Xy, y = X e = y y .
b
(f) Verifique que fazendo X = [x1, x2] y = a x1 + b x2.
(g) Verifique que o vetor ortogonal a y e a cada uma das colunas da matriz X.
(h) Verifique que || y ||2 = || y ||2 + || ||2.
53
13. Suponhamos um experimento fictcio de alimentao de sunos em que foram utilizadas 4 raes (1, 2, 3 e 4) num delineamento inteiramente casualizado com 5 repeties (leites). Os ganhos de peso observados, em quilogramas, constam do
quadro seguinte:
Tratamentos (raes)
1
35
40
39
27
19
35
27
12
31
46
20
13
15
41
29
28
30
33
45
30
SQTotal = y I J y,
20
54
Soma as matrizes A e B
Subtrai a matriz B de A
Calcula o produto da matriz A por B
Divide cada elemento de A pelo respectivo elemento de B
Multiplica cada elemento de A pelo respectivo elemento de B
Seleciona o elemento de A na posio indicada.
Seleciona todos os elementos da linha indicada da matriz A.
Seleciona todos os elementos da coluna indicada da matriz A.
Calcula o produto direto (ou de Kronecker) das matrizes A e B
Eleva a matriz A a uma potncia p.
Calcula a transposta da matriz A
Concatena (junta) as matrizes A e B horizontalmente
Concatena (junta) as matrizes A e B verticalmente
Cria um vetor de ndices a, a+1, a+2, ..., b-1, b
55
ALL(A)
ANY(A)
DESIGN(vetor)
DESIGNF(vetor)
DET(A)
DIAG(argumento)
ECHELON(A)
EIGEN(A)
EIGVAL(A)
EIGVEC(A)
GINV(A)
GSORTH(A)
HERMITE(A)
I (dimenso)
INV(A)
MAX(A)
MIN(A)
NCOL(A)
NROW(A)
56
ORPOL(vetor, r)
PRINT(A)
RANK(A)
READ
ROOT(A)
SOLVE(A, B)
T(A)
TRACE(A)
VECDIAG(A)