Você está na página 1de 57

LGEBRA

DE
MATRIZES



Baseado no Captulo 2 do livro:
Linear Models in Statistics, A. C. Rencher, 2000
John Wiley & Sons, New York.


Material preparado pelo
Prof. Dr. Csar Gonalves de Lima
E-mail: cegdlima@usp.br








DCE/ESALQ USP
Fevereiro de 2007

Material elaborado pelo Prof. Csar Gonalves de Lima
1


N D I C E

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


Material elaborado pelo Prof. Csar Gonalves de Lima
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:
A =
(

39 21
12 10
; B =
(

16 14 13 15 12 10
1 1 1 1 1 1
; X =
(
(
(
(

1 0 1
1 0 1
0 1 1
0 1 1

Para representar os elementos da matriz X como variveis, ns usamos:
X = (x
ij
) =
(
(
(
(

43 42 41
33 32 31
23 22 21
13 12 11
x x x
x x x
x x x
x x x

A notao X = (x
ij
) representa uma matriz por meio de um elemento tpico. O
primeiro ndice indica a linha e o segundo ndice identifica a coluna. Uma matriz
genrica X tem n linhas e p colunas. A matriz X do Exemplo 1 tem n = 4 linhas e p =
3 colunas e ns dizemos que X 43, ou que a dimenso de X 43. Para indicar a
dimenso da matriz, podemos usar
3 4
X ou
( ) 3 x 4
X .
Um vetor uma matriz com uma nica coluna e denotado por letras mins-
culas, em negrito. Os elementos de um vetor so muitas vezes identificados por um
nico ndice, por exemplo,
y =
(
(
(

3
2
1
y
y
y

Geralmente o termo vetor est associado a um vetor coluna. Um vetor linha expres-
so como o transposto do vetor coluna, como por exemplo,
y =
t
y = [ ]
3 2 1
, , y y y = [ ]
3 2 1
y y y
(A transposta de uma matriz ser definida mais adiante).
Geometricamente, um vetor de n elementos est associado a um ponto no espa-
o n-dimensional. Os elementos do vetor so as coordenadas do ponto. Em algumas
situaes, ns estaremos interessados em calcular:
(i) a distncia (d) da origem ao ponto (vetor),
(ii) a distncia (d) entre dois pontos (vetores), ou
(iii) o ngulo () entre as linhas formadas da origem at os dois pontos.

Material elaborado pelo Prof. Csar Gonalves de Lima
3


No contexto de matrizes e vetores, um nmero real chamado de um escalar.
Assim, os nmeros 2,5, -9 e 3,14 so escalares. Uma varivel representando um esca-
lar ser denotada por uma letra minscula e sem negrito. Por exemplo: c = 3,14 indi-
ca um escalar.

2.1.2. Igualdade de Matrizes
Duas matrizes (ou dois vetores) so iguais se tm a mesma dimenso e se os elemen-
tos de posies correspondentes so iguais. Por exemplo:
(


7 3 1
4 2 3
=
(


7 3 1
4 2 3

mas
(

6 4 8
9 2 5

(

6 4 8
9 3 5



2.1.3. Matriz Transposta
Se ns trocarmos de posio as linhas e as colunas de uma matriz A, a matriz resul-
tante conhecida como a transposta de A e denotada por A ou
t
A . Formalmente,
se
n
A
p
= (a
ij
) ento a sua transposta dada por:
n p
A' =
t
A = (a
ij
) = (a
ji
) (2.3)
Por exemplo: Se A =
(


7 3 1
4 2 3
A =
(
(
(

7 4
3 2
1 3
a sua transposta.
A notao (a
ji
) indica que o elemento da i-sima linha e j-sima coluna de A encon-
trado 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)



Material elaborado pelo Prof. Csar Gonalves de Lima
4
2.1.4 Alguns tipos especiais de matrizes
Se a transposta de uma matriz A a mesma da matriz original, isto , se A = A ou,
equivalentemente, (a
ji
) = (a
ij
), ento dizemos que a matriz A simtrica. Por exem-
plo,
A =
(
(
(

9 7 6
7 10 2
6 2 3

simtrica. evidente que toda matriz simtrica quadrada.

A diagonal de uma matriz quadrada
p
A
p
= (a
ij
) consiste dos elementos a
11
, a
22
,
, a
pp
, ou seja, diag(A) = (a
ii
). No exemplo anterior, a diagonal da matriz A forma-
da pelos elementos 3, 10 e 9.

Se a matriz
n
A
n
contm zeros em todas as posies fora da diagonal ela uma
matriz diagonal, como por exemplo,
D =
(
(
(
(
(

4 0 0 0
0 0 0 0
0 0 3 0
0 0 0 8

que tambm pode ser denotada como
D = diag(8, 3, 0, 4)

Ns usamos a notao diag(A) para indicar a matriz diagonal com os mesmos ele-
mentos da diagonal de A, como por exemplo,
A =
(
(
(

9 7 6
7 10 2
6 2 3
diag(A) =
(
(
(

9 0 0
0 10 0
0 0 3

Uma matriz diagonal com o nmero 1 em cada posio da sua diagonal cha-
mada de matriz identidade e denotada por I, como por exemplo,
I
(3)
= diag(1, 1, 1) =
(
(
(

1 0 0
0 1 0
0 0 1



Material elaborado pelo Prof. Csar Gonalves de Lima
5
Uma matriz triangular superior uma matriz quadrada com zeros abaixo da
diagonal, como por exemplo,
T =
(
(
(
(

8 0 0 0
1 4 0 0
6 2 0 0
5 3 2 7


Um vetor de 1s denotado por j:
j
(4)
=
(
(
(
(

1
1
1
1


Uma matriz quadrada de 1s denotada por J, como por exemplo,
J
(33)
=
(
(
(

1 1 1
1 1 1
1 1 1


Ns denotamos um vetor de zeros por 0 e uma matriz de zeros por ou ,
por exemplo,
0
(3)
=
(
(
(

0
0
0
,
(33)
= =
(
(
(

0 0 0
0 0 0
0 0 0
.


2.2. OPERAES COM MATRIZES

2.2.1 Adio de duas matrizes
Se duas matrizes tm a mesma dimenso, sua soma encontrada adicionando os ele-
mentos correspondentes. Assim, se A
(np)
e B
(np)
, ento C = A + B tambm np e
encontrada como C = (c
ij
) = (a
ij
+ b
ij
). Por exemplo,
(

5 8 2
4 3 7
+
(


2 4 3
6 5 11
=
(

3 12 5
2 2 18


Material elaborado pelo Prof. Csar Gonalves de Lima
6
A diferena D = A B entre as matrizes A e B definida similarmente: D = (d
ij
) =
(a
ij
b
ij
). 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)


2.2.2 Produto de duas matrizes
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:
c
ij
=

k
kj ik
b a (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,
A
(23)
=
(

5 6 4
3 1 2
e B
(32)
=
(
(
(

8 3
6 2
4 1

Ento
2
A

B
2
=
2
C
2
=
(

+ + + +
+ + + +
) 8 )( 5 ( ) 6 )( 6 ( ) 4 )( 4 ( ) 3 )( 5 ( ) 2 )( 6 ( ) 1 )( 4 (
) 8 )( 3 ( ) 6 )( 1 ( ) 4 )( 2 ( ) 3 )( 3 ( ) 2 )( 1 ( ) 1 )( 2 (
=
(

92 31
38 13

3
B

A
3
=
3
D
3
=
(
(
(

49 51 38
36 38 28
23 25 18

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, certamen-
te, 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)

A matriz identidade I
(n)
o elemento neutro da multiplicao de matrizes. Isto
quer dizer que, se A nn ento AI = IA = A.

Material elaborado pelo Prof. Csar Gonalves de Lima
7
A multiplicao de matrizes no comutativa e algumas manipulaes familia-
res 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)

Usando (2.13) e (2.14) ns podemos expandir produtos como (A B)(C D):
(A B)(C D) = (A B)C (A B)D
= AC BC AD + BD (2.15)

A multiplicao envolvendo vetores segue as mesmas regras das matrizes. Su-
ponha A
(np)
, b
(p1)
, c
(p1)
e d
(n1)
. Ento:
Ab um vetor coluna n1
dA um vetor linha de dimenso 1p
bc um escalar correspondendo soma de produtos
bc uma matriz pp
cd uma matriz pn

Desde que bc uma soma de produtos (um escalar!) tem-se que bc = cb:
bc = b
1
c
1
+ b
2
c
2
+ + b
p
c
p
cb = c
1
b
1
+ c
2
b
2
+ + c
p
b
p

bc = cb (2.16)

A matriz cd dada por
cd =
(
(
(
(

p
c
c
c
M
2
1
[d
1
d
2
d
n
] =
(
(
(
(

n p p p
n
n
d c d c d c
d c d c d c
d c d c d c
L
M O M M
L
L
2 1
2 2 2 1 2
1 2 1 1 1
(2.17)
Similarmente:
bb = [b
1
b
2
b
p
]
(
(
(
(

p
b
b
b
M
2
1
=
2
1
b +
2
2
b + +
2
p
b =

=
p
b
1 i
2
i
(2.18)

Material elaborado pelo Prof. Csar Gonalves de Lima
8
bb =
(
(
(
(

p
b
b
b
M
2
1
[b
1
b
2
b
p
] =
(
(
(
(
(

2
2 1
2
2
2 1 2
1 2 1
2
1
p p p
p
p
b b b b b
b b b b b
b b b b b
L
M O M M
L
L
(2.19)
Assim, bb uma soma de quadrados e bb uma matriz quadrada e simtrica.

A raiz quadrada da soma de quadrados dos elementos de um vetor b
p1
igual
distncia da origem ao ponto b e conhecida como a norma euclidiana, ou o com-
primento do vetor b:
comprimento de b = || b || = b b' =

=
p
i
i
b
1
2
(2.20)

Se j um vetor n1 de 1s como definido em (2.6), ento por (2.18) e (2.19),
ns temos que:
jj = n, jj =
(
(
(
(

1 1 1
1 1 1
1 1 1
L
M O M M
L
L
= J
(nn)
(2.21)
onde J
nn
uma matriz quadrada de 1s como ilustrada em (2.7), Se a um vetor n1
e A uma matriz np, ento
aj = ja =

=
n
i
i
a
1
(2.22)
jA = [ ]

i
ip
i
i
i
i
a a a L
2 1
e Aj =
(
(
(
(
(

j
nj
j
j
j
j
a
a
a
M
2
1
(2.23)
Assim, aj = ja a soma dos elementos em a, jA contem as somas das colunas de A
e Aj contem as somas das linhas de A. Note que em aj, o vetor j n1; em jA, o
vetor j n1 e em Aj, o vetor j p1.


Material elaborado pelo Prof. Csar Gonalves de Lima
9
Exemplo 1. Seja a matriz A =
(
(
(


0 4 5 2
4 6 1 5
4 3 2 1
e o vetor a =
(
(
(
(

8
1
5
2
ento:
i) j'A = [ ] 1 1 1
(
(
(


0 4 5 2
4 6 1 5
4 3 2 1
= [ ] 8 13 4 8 (totais das colunas de A)
ii) Aj =
(
(
(


0 4 5 2
4 6 1 5
4 3 2 1
(
(
(
(

1
1
1
1
=
(
(
(

11
16
6
(totais das linhas de A)
iii) aj = [ ] 8 1 5 2
(
(
(
(

1
1
1
1
= ja = [ ] 1 1 1 1
(
(
(
(

8
1
5
2
= 16 (total dos elementos de a)

O produto de um escalar por uma matriz obtido multiplicando-se cada ele-
mento da matriz pelo escalar:
cA = (ca
ij
) =
(
(
(
(

nm n n
m
m
ca ca ca
ca ca ca
ca ca ca
L
M O M M
L
L
2 1
2 22 21
1 12 11
. (2.24)
Desde que ca
ij
= a
ij
c o produto de um escalar por uma matriz comutativo:
cA = Ac (2.25)

A transposta do produto de duas matrizes igual ao produto das transpostas
em ordem reversa.

Teorema 2.2B. Se A np e B pm, ento:
(AB) = BA (2.26)
Prova: Seja C = AB. Ento por (2.11), temos que C = (c
ij
) =
|
|

\
|

=
p
k
kj ik
b a
1

Por (2.3), a transposta de C = AB dada por:

Material elaborado pelo Prof. Csar Gonalves de Lima
10
(AB) = C = (c
ij
) = (c
ji
)
=
|
|

\
|

=
p
k
ki jk
b a
1
=
|
|

\
|

=
p
k
jk ki
a b
1
= BA.

Para ilustrar os passos dessa prova, vamos usar as matrizes A
23
e B
32
:
AB =
(

23 22 21
13 12 11
a a a
a a a
(
(
(

32 31
22 21
12 11
b b
b b
b b

=
(

+ + + +
+ + + +
32 23 22 22 12 21 31 23 21 22 11 21
32 13 22 12 12 11 31 13 21 12 11 11
b a b a b a b a b a b a
b a b a b a b a b a b a

(AB) =
(

+ + + +
+ + + +
32 23 22 22 12 21 32 13 22 12 12 11
31 23 21 22 11 21 31 13 21 12 11 11
b a b a b a b a b a b a
b a b a b a b a b a b a

=
(

+ + + +
+ + + +
23 32 22 22 21 12 13 32 12 22 11 12
23 31 22 21 21 11 13 31 12 21 11 11
a b a b a b a b a b a b
a b a b a b a b a b a b

(AB) =
(

32 22 12
31 21 11
b b b
b b b
(
(
(

23 13
22 12
21 11
a a
a a
a a
= BA

Corolrio 1. Se A, B e C so conformes, ento (ABC) = CBA.


Exemplo 2. Seja y = [y
1
, y
2
, , y
n
] um vetor de pesos de n frangos de corte. Para
calcular a mdia e a varincia dos pesos desses frangos, ns usamos:
y =

=
n
i
i
y
n
1
1
s
2
= ( )

n
i
i
y y
n
1
2
1
1

Matricialmente, a mdia pode ser calculada por y =
n
1
jy, onde j um vetor n1 de
1s e n = jj. Para calcular a varincia precisamos, primeiramente, calcular o vetor de
desvios:
y y = y j y = y j
|

\
|
y j'
n
1
= y
n
1
jjy = y
n
1
Jy =
|

\
|
J I
n
1
y
Onde I a matriz identidade nn e J uma matriz nn de 1s. Para calcular a soma
de quadrados de desvios fazemos:

Material elaborado pelo Prof. Csar Gonalves de Lima
11
( )

n
i
i
y y
1
2
=
t
n
(

\
|
y J I
1
|

\
|
J I
n
1
y
= y
t
n
|

\
|
J I
1
|

\
|
J I
n
1
y = y

IJ I I'
n
1
I J'
n
1
+
)
`

J J'
2
1
n
y
Mas J = J, II = I, IJ = J, JI = J = J, jj = n e JJ = jjjj = nJ. Ento:
( )

n
i
i
y y
1
2
= y

J I
n
2
+
)
`

J n
n
2
1
y = y

J I
n
2
+
)
`

J
n
1
y = y
|

\
|
J I
n
1
y
Ento, a varincia pode ser calculada por:
s
2
= ( )

n
i
i
y y
n
1
2
1
1
=
1
1
n
y J I y'
|

\
|

n
1


Supondo que A nm e B mp, seja
t
i
a a i-sima linha da matriz A e b
j
, a j-
sima coluna

da matriz B, de tal forma que:
A =
(
(
(
(

nm n n
m
m
a a a
a a a
a a a
L
M O M M
L
L
2 1
2 22 21
1 12 11
=
(
(
(
(
(

t
n
t
t
a
a
a
M
2
1
, B =
(
(
(
(

mp m m
p
p
b b b
b b b
b b b
L
M O M M
L
L
2 1
2 22 21
1 12 11
= [b
1
, b
2
, , b
p
]
Ento, por definio, o (ij)-simo elemento de AB
t
i
a b
j
:
AB =
(
(
(
(
(

p
t
n
t
n
t
n
p
t t t
p
t t t
b a b a b a
b a b a b a
b a b a b a
L
M O M M
L
L
2 1
2 2 2 1 2
1 2 1 1 1

=
(
(
(
(
(

) , , , (
) , , , (
) , , , (
2 1
2 1 2
2 1 1
p
t
n
p
t
p
t
b b b a
b b b a
b b b a
L
M
L
L
=
(
(
(
(
(

B a
B a
B a
t
n
t
t
M
2
1
=
(
(
(
(
(

t
n
t
t
a
a
a
M
2
1
B (2.27)
A primeira coluna de AB pode ser expressa em termos de A como
(
(
(
(
(

1
1 2
1 1
b a
b a
b a
t
n
t
t
M
=
(
(
(
(
(

t
n
t
t
a
a
a
M
2
1
b
1
= Ab
1

Material elaborado pelo Prof. Csar Gonalves de Lima
12
De forma anloga, a segunda coluna de AB Ab
2
e assim por diante. Assim AB pode
ser escrita em termos das colunas de B:
AB = A[b
1
, b
2
, , b
p
] = [Ab
1
, Ab
2
, , Ab
p
] (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 proprie-
dades:
(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(d
1
, d
2
, , d
n
). No produto DA, a
i-sima linha de A multiplicada por d
i
e em AD, a j-sima coluna de A multipli-
cada por d
j
. Por exemplo, se n = 3, ns temos:
DA =
(
(
(

3
2
1
0 0
0 0
0 0
d
d
d
(
(
(

33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
=
(
(
(

33 3 32 3 31 3
23 2 22 2 21 2
13 1 12 1 11 1
a d a d a d
a d a d a d
a d a d a d
(2.29)
AD =
(
(
(

33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
(
(
(

3
2
1
0 0
0 0
0 0
d
d
d
=
(
(
(

33 3 32 2 31 1
23 3 22 2 21 1
13 3 12 2 11 1
a d a d a d
a d a d a d
a d a d a d
(2.30)
DAD =
(
(
(

33
2
3 32 2 3 31 1 3
23 3 2 22
2
2 21 1 2
13 3 1 12 2 1 11
2
1
a d a d d a d d
a d d a d a d d
a d d a d d a d
(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 igual-
dades so de dimenses diferentes.


Material elaborado pelo Prof. Csar Gonalves de Lima
13
Se A uma matriz simtrica e y um vetor, o produto:
yAy =

i
i ii
y a
2
+ 2

j i
j i ij
y y a (2.33)
chamado de forma quadrtica. Se x n1, y p1 e A np, o produto:
xAy =

ij
j i ij
y x a (2.34)
chamado de forma bilinear.


2.2.3. Soma Direta
Dadas as matrizes A
(mn)
e B
(rs)
definimos a sua soma direta como
A B =
(

B 0
0 A
= C
(m+r,n+s)

Algumas propriedades da soma direta de matrizes:
(i) A (A)
(ii) Se as dimenses so favorveis, ento:
(A B) + (C D) = (A + C) (B + D)
(A B)(C D) = AC BD

Exemplo 3. Sejam as matrizes:
A = [ ] 15 11 10 , B =
(

1 4
5 3
, C = [ ] 15 11 10
Ento,
A B =
(
(
(

1 4 0 0 0
5 3 0 0 0
0 0 15 11 10

A C =
(

15 11 10 0 0 0
0 0 0 15 11 10
(Perceba que A+C = )


2.2.4. Produto direto ou de Kronecker
Dadas as matrizes A
(mn)
e B
(rs)
definimos o produto direto ou produto de Kronecker
de A por B como a matriz C
(mr ns)
de tal forma que:

Material elaborado pelo Prof. Csar Gonalves de Lima
14
C
(mr ns)
= A B =
(
(
(
(

B B B
B B B
B B B
mn 2 m 1 m
n 2 22 21
n 1 12 11
a a a
a a a
a a a
L
M O M M
L
L

Algumas propriedades interessantes do produto direto de matrizes:
(i) A B B A , em geral
(ii) Se u e v so vetores, ento u v = v u = vu.
(iii) Se D
(n)
uma matriz diagonal e A uma matriz qualquer, ento:
D A = d
11
A d
22
A d
nn
A
(iv) Se as dimenses so favorveis
(A B)(C D) = AC BD

Exemplo 4. Sejam as matrizes:
A
(22)
=
(

4 3
2 1
, B
(23)
=
(

6 5 3
0 1 1
, y
(31)
=
(
(
(

0
1
1
.
Ento
AB =
(
(
(
(



24 20 12 18 15 9
0 4 4 0 3 3
12 10 6 6 5 3
0 2 2 0 1 1
, BA =
(
(
(
(



24 18 20 15 12 9
12 6 10 5 6 3
0 0 4 3 4 3
0 0 2 1 2 1


Ay =
(
(
(
(
(
(
(



0 0
4 3
4 3
0 0
2 1
2 1
, yA =
(
(
(
(
(
(
(



0 0
0 0
4 3
2 1
4 3
2 1


2.2.5 Potncia de matriz quadrada
Dada uma matriz quadrada A e um nmero k Z (conjunto dos nmeros inteiros e
positivos), definimos a k-sima potncia da matriz A como:
k
A =
43 42 1
L
k vezes
A AAA

Material elaborado pelo Prof. Csar Gonalves de Lima
15
Em relao sua segunda potncia, uma matriz quadrada A, ser chamada de:
(i) idempotente, se
2
A = A.
(ii) nilpotente, se
2
A = .
(iii) unipotente, se
2
A = I.

Teorema. Se P
(n)
uma matriz idempotente e se I
(n)
a matriz identidade de ordem n,
ento a matriz I P idempotente.


2.3. MATRIZES PARTICIONADAS
Muitas vezes conveniente particionar uma matriz em submatrizes. Por exemplo,
uma partio de uma matriz A em quatro submatrizes (quadradas ou retangulares) de
dimenses apropriadas, pode ser indicada simbolicamente como:
A =
(

22 21
12 11
A A
A A

Para ilustrar, seja a matriz A
(45)
particionada como:
A =
(
(
(
(

6 1 2 1 3
2 5 6 3 9
7 2 0 4 3
4 8 5 2 7
=
(

22 21
12 11
A A
A A

Onde:
A
11
=
(

0 4 3
5 2 7
, A
12
=
(

7 2
4 8
, A
21
=
(

2 1 3
6 3 9
e A
22
=
(


6 1
2 5


Se duas matrizes A e B so conformes, e se A e B so particionadas de tal for-
ma 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:
AB =
(

22 21
12 11
A A
A A
(

22 21
12 11
B B
B B

=
(

+ +
+ +
22 22 12 21 21 22 11 21
22 12 12 11 21 12 11 11
B A B A B A B A
B A B A B A B A
(2.35)


Material elaborado pelo Prof. Csar Gonalves de Lima
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:
Ab = [A
1
, A
2
]
(

2
1
b
b
= A
1
b
1
+ A
2
b
2
(2.36)
Onde o nmero de colunas de A
1
igual ao nmero de elementos de b
1
e A
2
e b
2
so
similarmente conformes.

A multiplicao particionada em (2.36) pode ser estendida para colunas indivi-
duais de A e elementos individuais de b:
Ab = [a
1
, a
2
, , a
p
]
(
(
(
(

p
b
b
b
M
2
1
= b
1
a
1
+ b
2
a
2
+ + b
p
a
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:
A =
(
(
(


2 3 4
0 1 2
3 2 6
, b =
(
(
(

1
2
4
Ab =
(
(
(

20
10
17

Usando uma combinao linear de colunas de A como em (2.37), ns obtemos:
Ab = b
1
a
1
+ b
2
a
2
+ b
3
a
3

= 4
(
(
(

4
2
6
+ 2
(
(
(

3
1
2
+ (1)
(
(
(

2
0
3
=
(
(
(

16
8
24
+
(
(
(

6
2
4

(
(
(

2
0
3
=
(
(
(

20
10
17


Por (2.28) e (2.29), as colunas do produto AB so combinaes lineares das co-
lunas de A. Os coeficientes para a j-sima coluna de AB so os elementos da j-sima
coluna de B.


Material elaborado pelo Prof. Csar Gonalves de Lima
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:
aB = [a
1
, a
2
, , a
n
]
(
(
(
(
(

t
n
t
t
b
b
b
M
2
1
= a
1
t
1
b + a
2
t
2
b + + a
n
t
n
b (2.38)
Por (2.27) e (2.38), as linhas do produto AB so combinaes lineares das linhas de
B. Os coeficientes da i-sima linha de AB so os elementos da i-sima linha de A.
Finalmente, notamos que se uma matriz A particionada como A = [A
1
,

A
2
], ento:
A = [A
1
, A
2
] =
(

t
t
2
1
A
A
(2.39)


2.4 POSTO (RANK) DE UMA MATRIZ
Antes de definirmos o posto (ou rank) de uma matriz, ns introduziremos a noo de
independncia linear e dependncia. Um conjunto de vetores {a
1
, a
2
, , a
p
} dito
linearmente dependente (l.d.) se pudermos encontrar um conjunto de escalares c
1
, c
2
,
, c
p
(nem todos nulos) de tal forma que:
c
1
a
1
+ c
2
a
2
+ + c
p
a
p
= 0 (2.40)
Se no encontrarmos um conjunto de escalares c
1
, c
2
, , c
p
(nem todos nulos) que sa-
tisfaam (2.40), o conjunto de vetores {a
1
, a
2
, , a
p
} dito linearmente independente
(l.i.). Por (2.37), podemos reescrever essa definio da seguinte forma:
As colunas de A so linearmente independentes se Ac = 0 implica em c = 0.

Observe que se um conjunto de vetores inclui um vetor nulo, o conjunto de vetores
linearmente dependente.
Se (2.40) satisfeita, ento existe pelo menos um vetor a
i
que pode ser expres-
so como uma combinao linear dos outros vetores do conjunto. Entre vetores linear-
mente independentes no existem redundncias desse tipo.

Definio: O posto (rank) de qualquer matriz A (quadrada ou retangular) definido
como o nmero de colunas (linhas) linearmente independentes de A
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.


Exemplo 6. O posto da matriz:
A =
(


4 2 5
3 2 1

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
c
1
, c
2
e c
3
(nem todas nulas) tais que:
c1
(

5
1
+ c2
(

2
2
+ c3
(

4
3
=
(

0
0
(2.41)
Por (2.37) ns escrevemos (2.41) na forma
(


4 2 5
3 2 1

(
(
(

3
2
1
c
c
c
=
(

0
0
ou Ac = 0 (2.42)
A soluo (no trivial) para (2.42) dada por qualquer mltiplo de c =
(
(
(

12
11
14
. Neste
caso o produto Ac = 0, mesmo com A 0 e c 0. Isso s possvel por causa da de-
pendncia linear dos vetores-colunas de A.

Nem sempre fcil perceber que uma linha (ou coluna) uma combinao li-
near 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).

Material elaborado pelo Prof. Csar Gonalves de Lima
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 (l
i
= kl
i
).
(iii) somar a uma linha da matriz um mltiplo de outra linha (l
i
= l
i
+ kl
j
).

Teorema: Uma matriz A equivalente por linhas a uma matriz B se B pode ser obti-
da 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 pro-
priedades (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 es-
to nas suas formas escalonadas cannicas e D, na forma escalonada.
A =
(
(
(

0 0 0
0 1 0
0 0 1
, B =
(
(
(
(

0 0 1 0
0 1 0 0
1 0 0 0
0 0 0 1
, C =
(

0 0 0 0
2 1 2 1
, D =
(
(
(

1 0 0
0 3 0
3 0 4



Teorema. Dada uma matriz real A
(np)
sempre possvel obtermos a sua forma esca-
lonada cannica (f.e.c.) atravs de operaes elementares.

Assim, calcular o posto da matriz A o mesmo que calcular o posto da f.e.c. de A,
pois so equivalentes. Portanto, calcular o posto da f.e.c. de A o mesmo que contar
o seu nmero de 1s pivs.


Material elaborado pelo Prof. Csar Gonalves de Lima
20
Exemplo 7. Vamos obter a f.e.c. da matriz A do Exemplo 2.4(a):
A =
(


4 2 5
3 2 1

(i) Fazendo l
2
= l
2
5l
1
, ns obtemos:
(


4 2 5
3 2 1
~
(

11 12 0
3 2 1
.
(ii) Fazendo l
2
= l
2
/12, ns obtemos:
(

11 12 0
3 2 1
~
(

12 / 11 1 0
3 2 1
.
(iii) Fazendo l
1
= l
1
+ 2l
2
, obtemos:
(

12 / 11 1 0
3 2 1
~
(

12 / 11 1 0
6 / 7 0 1

Ento a f.e.c. de A a matriz
(

12 / 11 1 0
6 / 7 0 1
e o rank(A) = 2.


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 apare-
ce 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.

Ns podemos estender (2.42) para produtos de matrizes. possvel encontrar
matrizes A 0 e B 0, tais que:
AB = 0 (2.43)
Por exemplo,
(

4 2
2 1
(

3 1
6 2
=
(

0 0
0 0



Material elaborado pelo Prof. Csar Gonalves de Lima
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 AB = CB,
onde A C. Sejam as matrizes:
A =
(

1 0 2
2 3 1
, B =
(
(
(

0 1
1 0
2 1
, C =
(

4 6 5
1 1 2
AB = CB =
(

4 1
5 3
.
O teorema seguinte d um caso geral e dois casos especiais para o posto do produto
de duas matrizes.

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 co-
mentrio 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). Similar-
mente, 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
-1
B tal que B
-1
B = I [ver (2.45) a seguir].
Ento, de (i) ns temos que:
rank(A) = rank(AB
-1
B ) rank(AB) rank(A).
Assim ambas as desigualdades tornam-se igualdades e rank(A) = rank(AB). Simi-
larmente, rank(A) = rank(CA) para C no-singular.


2.5. INVERSA DE UMA MATRIZ
Uma matriz quadrada de posto completo dita no-singular. Uma matriz A,
no-singular, tem inversa nica, denotada por A
1
, com a propriedade que:
A A
1
= A
1
A = I (2.45)

Material elaborado pelo Prof. Csar Gonalves de Lima
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 ma-
trizes at que no lugar da matriz A aparea a sua f.e.c. (neste caso, uma matriz iden-
tidade). Nesse momento, no lugar da matriz identidade estar a inversa A
1
de A. Ou
seja:
[A | I ] ~ ~ [I | A
1
]


Exemplo 9. Seja a matriz quadrada:
A =
(

6 2
7 4
.
(1) Fazendo l
2
= l
2
(1/2) l
1
:
(

1 0 6 2
0 1 7 4
~
(

1 2 / 1 2 / 5 0
0 1 7 4

(2) Fazendo l
2
= (2/5)l
2
:
(

1 2 / 1 2 / 5 0
0 1 7 4
~
(

5 / 2 5 / 1 1 0
0 1 7 4

(3) Fazendo l
1
= l
1
+ (7) l
2
:
(

5 / 2 5 / 1 1 0
0 1 7 4
~
(

5 / 2 5 / 1 1 0
5 / 14 5 / 12 0 4

(4) Fazendo l
1
= (1/4) l
1
:
(

5 / 2 5 / 1 1 0
5 / 14 5 / 12 0 4
~
(

5 / 2 5 / 1 1 0
10 / 7 5 / 3 0 1

Ento
(

1 0 6 2
0 1 7 4
~ ~
(

5 / 2 5 / 1 1 0
10 / 7 5 / 3 0 1
A
1
=
(

4 . 0 2 . 0
7 . 0 6 . 0



Se a matriz B no-singular e AB = CB, ento ns podemos multiplicar direita por
B
1
os dois lados da igualdade, obtendo:
AB = CB ABB
1
= CBB
1
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:
x = A
1
c (2.47)

Teorema 2.5A. Se A no singular, ento A no singular e a sua inversa pode ser
encontrada como:
(A)
1
= (A
1
) (2.48)


Teorema 2.5B. Se A e B so matrizes no singulares de mesma dimenso, ento AB
no-singular e
(AB)
1
= B
1
A
1
(2.49)

Se a matriz A simtrica, no-singular e particionada como:
A =
(

22 21
12 11
A A
A A

e se B = A
22
A
21
(A
11
)
1
A
12
, ento supondo que (A
11
)
1
e B
1
existem, a inversa de A
dada por
A
1
=
(




1 1 -
11 21
1
1
12
1 -
11
1 -
11 21
1
12
1 -
11
1 -
11
B A A B
B A A A A B A A A
(2.50)

Como um caso especial de (2.50), consideremos a matriz no singular:
A =
( )
(

22 12
12 11
a
t
a
a A

onde A
11
quadrada, a
22
um escalar e a
12
um vetor. Ento se (A
11
)
1
existe, a
inversa de A pode ser expressa como:
A
1
=
b
1
(

+
1 ) (
) (
1 -
11 12
12
1 -
11
1 -
11 12 12
1 -
11
1 -
11
A a
a A A a a A A
t
t
b
(2.51)
onde b = a
22
(a
12
)
t
(A
11
)
1
a
12
. Como um outro caso especial de (2.50) ns temos:
A =
(

22
11
A
A



que tem a inversa
A
1
=
(

1
22
1
11
A
A


(2.52)


Material elaborado pelo Prof. Csar Gonalves de Lima
24
Se uma matriz quadrada da forma B + cc no singular, onde c um vetor e B
uma matriz no singular, ento:
(B + cc)
1
= B
1

c B c'
B cc' B
1
1 1
1


+
(2.53)


2.6 MATRIZES POSITIVAS DEFINIDAS
Formas quadrticas foram introduzidas em (2.33). Por exemplo, a forma quadrtica
3
2
1
y +
2
2
y + 2
2
3
y + 4
1
y
2
y + 5
1
y
3
y 6
2
y
3
y pode ser expressa como:
3
2
1
y +
2
2
y + 2
2
3
y + 4
1
y
2
y + 5
1
y
3
y 6
2
y
3
y = yAy
onde
y =
(
(
(

3
2
1
y
y
y
, A =
(
(
(

2 0 0
6 1 0
5 4 3
.
Entretanto, essa forma quadrtica pode ser expressa em termos da matriz simtrica:
2
1
(A + A) =
(
(
(

2 3 2 / 5
3 1 2
2 / 5 2 3
.
Em geral, qualquer forma quadrtica yAy pode ser expressa como:
yAy = y
|

\
|
+
2
A' A
y (2.54)
Assim a matriz-ncleo da forma quadrtica pode sempre ser escolhida como uma
matriz simtrica (e nica!).

Exemplo 10. A varincia definida como s
2
=
1
1
n
y J I y'
|

\
|

n
1
= yAy uma forma
quadrtica e a sua matriz ncleo simtrica:
A =
1
1
n
(
(
(
(
(
(
(
(

\
|

\
|


|

\
|

n n n
n n n
n n n
1
1
1 1
1 1
1
1
1 1 1
1
L
M M M
L
L
=
( ) ( )
( ) ( )
( ) ( ) (
(
(
(
(
(
(
(

\
|

\
|

\
|
n n n n n
n n n n n
n n n n n
1
1
1
1
1
1
1 1
1
1
1
1
1
1 1
L
M M M
L
L


Material elaborado pelo Prof. Csar Gonalves de Lima
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 no-
negativas) 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:
A =
(

3 1
1 2

A forma quadrtica associada
yAy = 2
2
1
y 2
1
y
2
y + 3
2
2
y = 2(
1
y 0,5
2
y )
2
+ (5/2)
2
2
y
que claramente positiva a menos que
1
y e
2
y sejam ambos iguais a zero.

Para ilustrar uma matriz positiva semidefinida, considere:
(2
1
y
2
y )
2
+ (3
1
y
3
y )
2
+ (3
2
y 2
3
y )
2

que pode ser expresso como yAy, com
A =
(
(
(




5 6 3
6 10 2
3 2 13

Se 2
1
y =
2
y , 3
1
y =
3
y e 3
2
y = 2
3
y , ento (2
1
y
2
y )
2
+ (3
1
y
3
y )
2
+ (3
2
y 2
3
y )
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 a
ii
da sua diagonal so posi-
tivos.
(ii) Se A positiva semidefinida, ento todos a
ii
0.
(Ver prova na pgina 23 do livro do Rencher)

Material elaborado pelo Prof. Csar Gonalves de Lima
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.
(Ver prova na pgina 23 do livro do Rencher)

Corolrio 1. Seja A
(pp)
uma matriz positiva definida e seja a matriz B
(kp)
de posto
k p. Ento a matriz BAB positiva definida.

Corolrio 2. Seja A
(pp)
uma matriz positiva definida e seja a matriz B
(kp)
. Se k > p
ou se rank(B) = r, onde r < k e r < p, ento a matriz BAB positiva semidefinida.


Teorema 2.6C. Uma matriz simtrica A positiva definida se e somente se existe
uma matriz no singular P tal que A = PP.
(Ver prova na pgina 23 do livro do Rencher)


Corolrio 1. Uma matriz positiva definida no-singular.

Um mtodo de fatorar uma matriz positiva definida A em um produto PP
chamado de decomposio de Cholesky [ver Seber (1977, pg.304-305)], pelo qual A
pode ser fatorado de modo nico em A = TT, onde T uma matriz no singular e
triangular superior.

Para qualquer matriz quadrada ou retangular B, a matriz BB positiva defi-
nida ou positiva semidefinida.

Teorema 2.6D. Seja a matriz B
(np)
.
(i) Se rank(B) = p, ento BB positiva definida.
(ii) Se rank(B) < p, ento BB 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 = y
1
b
1
+ y
2
b
2
+ + y
p
b
p

Essa combinao linear no igual a 0 (para qualquer y 0) porque rank(B) = p
e as colunas de B so l.i.

Material elaborado pelo Prof. Csar Gonalves de Lima
27
(ii) Se rank(B) < p, ento ns podemos encontrar y 0 tal que
By = y
1
b
1
+ y
2
b
2
+ + y
p
b
p
= 0
porque as colunas de B so l.d. [ver (2.40)]. Da, yBBy 0.


Note que se B uma matriz quadrada, a matriz B
2
= BB no necessariamente
positiva semidefinida. Por exemplo, seja a matriz:
B =
(

2 1
2 1

Ento:
B
2
=
(

2 1
2 1
, BB =
(

8 4
4 2

Neste caso, B
2
no positiva semidefinida, mas BB positiva semidefinida, porque
yBBy = 2(y
1
2y
2
)
2
0.


Teorema 2.6E. Se A positiva definida, ento A
1
positiva definida.
Prova: Pelo Teorema 2.6C, A = PP, onde P no singular. Pelos Teoremas 2.5A e
2.5B, A
1
= (PP)
1
= P
1
(P)
1
= P
1
(P
1
), que positiva definida pelo Teore-
ma 2.6C.

Teorema 2.6F. Se A positiva definida e particionada na forma
A =
(

22 21
12 11
A A
A A

onde A
11
e A
22
so quadradas, ento A
11
e A
22
so positivas definidas.
Prova: Ns podemos escrever A
11
como A
11
= [I, 0] A
(

0
I
, onde I tem a mesma di-
menso de A
11
. Ento, pelo Corolrio 1 do Teorema 2.6B, A
11
positiva defi-
nida.



Material elaborado pelo Prof. Csar Gonalves de Lima
28
2.7 SISTEMAS DE EQUAES
O sistema de equaes de n equaes (lineares) e p incgnitas
a
11
x
1
+ a
12
x
2
+ + a
1p
x
p
= c
1

a
21
x
1
+ a
22
x
2
+ + a
2p
x
p
= c
2

(2.55)
a
n1
x
1
+ a
n2
x
2
+ + a
np
x
p
= c
n

pode ser escrito na forma matricial como
Ax = c (2.56)
onde A np, x p1 e c n1.
Note que:
Se n p ento os vetores x e c so de tamanhos diferentes.
Se n = p e A no-singular, ento por (2.47), existe um nico vetor soluo x =
A
1
c.
Se n > p, tal que A tenha mais linhas que colunas (mais equaes do que incgni-
tas), 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.

Para ilustrar a estrutura de um sistema consistente, suponha que A seja pp
tenha posto r < p. Ento as linhas de A so linearmente dependentes e existe algum b
tal que [ver (2.38)]:
bA = b
1
t
1
a
+ b
2
t
2
a
+ + b
p
t
p
a
= 0
Ento, ns tambm podemos ter bc = b
1
c
1
+ b
2
c
2
+ + b
p
c
p
= 0, porque a multipli-
cao 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
x
1
a
1
+ x
2
a
2
+ + x
p
a
p
= c
que, por (2.38) pode ser escrito como Ax = c. Assim, x uma soluo do siste-
ma 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:
rank[A, c] = rank[A, Ax] = rank[A(I, x)]
rank(A) [Teorema 2.4A(i)]
Por isso,
rank(A) rank[A, c] rank(A)
e da ns temos que rank(A) = rank[A, c].

Um sistema de equaes consistente pode ser resolvido pelos mtodos usuais
apresentados nos cursos bsicos de lgebra (mtodo da eliminao de variveis, por
exemplo). No processo, uma ou mais variveis podem terminar como constantes arbi-
trrias, gerando assim um nmero infinito de solues. Um mtodo alternativo para
resolver o sistema ser apresentado na Seo 2.8.2.

Exemplo 12. Considere o sistema de equaes:
x
1
+ 2x
2
= 4
x
1
x
2
= 1
x
1
+ x
2
= 3
ou
(
(
(

1 1
1 1
2 1
(

2
1
x
x
=
(
(
(

3
1
4

A matriz aumentada :
[A, c] =
(
(
(

3 1 1
1 1 1
4 2 1

que tem rank[A, c] = 2 porque a terceira coluna igual soma de duas vezes a pri-
meira 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].

Material elaborado pelo Prof. Csar Gonalves de Lima
30
0
1
2
3
4
0 1 2 3 4 5
x1
x2

Figura 2.1 Trs linhas representando as equaes do sistema do Exemplo 2.7(a)

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:
[A, c] =
(
(
(

2 1 1
1 1 1
4 2 1

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 x
1
e x
2
que minimizam
(x
1
+ 2x
2
4)
2
+ (x
1
x
2
1)
2
+ (x
1
+ x
2
2)
2
= 0.
0
1
2
3
4
0 1 2 3 4 5
x
1
x
2

Figura 2.2 Trs linhas representando as equaes do sistema do Exemplo 2.7(b)

Material elaborado pelo Prof. Csar Gonalves de Lima
31
Exemplo 2.7(c) Considere o sistema:
x
1
+ x
2
+ x
3
= 1
2x
1
+ x
2
+ 3x
3
= 5
3x
1
+ 2x
2
+ 4x
3
= 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 x
1
e x
2
em termos de x
3
, ns obtemos:
x
1
= 2x
3
+ 4, x
2
= x
3
3
O vetor soluo pode ser expresso como:
x =
(
(
(

+
3
3
3
3
4 2
x
x
x
= x
3
(
(
(

1
1
2
+
(
(
(

0
3
4

onde x
3
uma constante arbitrria. Geometricamente, x uma linha representando a
interseo dos dois planos correspondentes s duas primeiras equaes.



2.8. INVERSA GENERALIZADA
Vamos considerar inversas generalizadas daquelas matrizes que no tm inversas no
sentido usual [ver (2.45)]. Uma soluo de um sistema consistente de equaes Ax =c
pode ser expresso em termos de uma inversa generalizada de A.

2.8.1 Definio e Propriedades
Uma inversa generalizada de uma matriz A np qualquer matriz A

, que satisfaz:
AA

A = A (2.57)
Uma inversa generalizada no nica exceto quando A no-singular, neste caso A


= A
1
. Uma inversa generalizada que satisfaz (2.57) tambm chamada de inversa
condicional.

Toda matriz (quadrada ou retangular) tem uma inversa condicional. Isso ga-
rantido mesmo para vetores. Por exemplo:
x =
(
(
(
(

4
3
2
1

ento

1
x = [1, 0, 0, 0] uma inversa generalizada de x que
satisfaz (2.57). Outros exemplos so

2
x = [0, 1/2, 0, 0],

3
x = [0,
0, 1/3, 0] e

4
x = [0, 0, 0, 1/4]. Para cada

i
x , ns temos que:
x

i
x x = x 1 = x, i = 1, 2, 3.
Nessa ilustrao, x um vetor coluna e

i
x um vetor linha. Esse modelo generali-
zado no seguinte teorema.

Material elaborado pelo Prof. Csar Gonalves de Lima
32

Teorema 2.8A. Se A np ento qualquer inversa generalizada A

pn.


Exemplo 14. Seja:
A =
(
(
(

4 2 3
1 0 1
3 2 2
(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

1
A =
(
(
(

0 0 0
0 1 2 / 1
0 1 0
,

2
A =
(
(
(

0 0 0
2 / 1 2 / 3 0
0 1 0
(2.59)
Facilmente podemos verificar que A

1
A A = A e A

2
A A = A.


Teorema 2.8B. Suponha que A np de posto r e que A particionada como
A =
(

22 21
12 11
A A
A A

Onde A
11
rr de posto r. Ento a inversa generalizada de A dada por
A

=
(



A
1
11

Onde as trs matrizes nulas 0 tm dimenses apropriadas para que A

seja pn.
(Ver prova na pg. 30 no livro do Rencher)

Corolrio 1. Suponha A (np) de posto r e que A particionado como no Teorema
2.8B, onde A
22
rr de posto r. Ento a inversa generalizada de A dada por
A

=
(

1
22
A 0
0 0

onde as trs matrizes nulas so de dimenses apropriadas, tais que A

pn.

Material elaborado pelo Prof. Csar Gonalves de Lima
33
A submatriz no-singular no precisa estar na posio A
11
ou A
22
, 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 ele-
mentos de C ocupem posies (linhas e colunas) adjacentes em A.
2. Encontre C
1
e a sua transposta (C
1
).
3. Substitua em A os elementos de C pelos elementos de (C
1
).
4. Substitua todos os outros elementos de A por zeros.
5. Transponha a matriz resultante.


Exemplo 15. Calcular uma inversa generalizada (condicional) de X =
(
(
(
(

1 0 1
1 0 1
0 1 1
0 1 1

Usando o algoritmo de Searle (e lembrando que o posto da matriz X 2), escolhemos
convenientemente:
C =
(

1 0
0 1
C
1
=
(

1 0
0 1
(C
1
) =
(

1 0
0 1


(
(
(
(

0 0 0
1 0 0
0 1 0
0 0 0
X

=
(
(
(

0 1 0 0
0 0 1 0
0 0 0 0
uma inversa condicional de X

Vale lembrar que escolhendo outras matrizes C e usando o algoritmo, podemos en-
contrar outras inversas condicionais de X.

Teorema 2.8C. Seja A (np) de posto r, seja A

uma inversa generalizada de A e


seja (AA)

uma inversa generalizada de AA. Ento:


(i) posto(AA) = posto(AA) = posto(A) = r.
(ii) (A)

uma inversa generalizada de A; isto (A)

= (A

).
(iii) A = A(AA)

AA e A = AA(AA)

A.
(iv) (AA)

A uma inversa generalizada de A, isto , A

= (AA)

A.
(v) A(AA)

A simtrica, rank[A(AA)

A] = r e invariante escolha de
(AA)

; isto , A(AA)

A permanece a mesma, para qualquer (AA)

.

Material elaborado pelo Prof. Csar Gonalves de Lima
34
Uma inversa generalizada de uma matriz simtrica no necessariamente si-
mtrica. 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 si-
mtricas.
Alm da inversa generalizada (condicional) definida em (2.57) existem outras,
como a inversa de mnimos quadrados (A
mq
) e a inversa de Moore-Penrose (A
+
) que
muito til em demonstraes envolvendo modelos lineares.

Definio: Dada a matriz A(np) ento toda matriz
mq
A (pn) que satisfaz as duas
condies seguintes, uma inversa de mnimos quadrados da matriz A:
(a) AA
mq
A = A
(b) AA
mq
uma matriz simtrica

Teorema. Toda matriz do tipo A
mq
= (AA)

A uma inversa de mnimos qua-


drados de A [qualquer que seja a inversa condicional (AA)

].


Exemplo 16. Obter uma inversa de mnimos quadrados de X =
(
(
(
(

1 0 1
1 0 1
0 1 1
0 1 1

Primeiramente calculamos XX =
(
(
(

2 0 2
0 2 2
2 2 4
. Escolhendo C =
(

2 0
0 2
e usando o al-
goritmo de Searle, obtemos:
(XX)

=
(
(
(

5 , 0 0 0
0 5 , 0 0
0 0 0

Ento uma inversa de mnimos quadrados de X igual a:
X
mq
= (XX)

X =
(
(
(

5 , 0 5 , 0 0 0
0 0 5 , 0 5 , 0
0 0 0 0

Vale observar que escolhendo outras matrizes C e, correspondentemente, cal-
culando 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.

A obteno da inversa de Moore-Penrose bastante trabalhosa. Geralmente elas so
obtidas atravs de algum pacote estatstico. No proc iml do SAS, por exemplo, ela
obtida com o comando ginv.


2.8.2. Inversas Generalizadas e Sistemas de Equaes
Uma soluo para um sistema de equaes pode ser expressa em termos de uma in-
versa generalizada.

Teorema 2.8D. Se o sistema de equaes Ax = c consistente e se A

uma inversa
generalizada de A, ento x = A

c uma soluo.
Ver prova na pg.32 do livro do Rencher.

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 poss-
veis 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 valo-


res para o vetor arbitrrio h.
(ii) Use todas as possveis inversas A

em x = A

c.
Ver prova em Searle (1982, p.238)

Uma condio necessria e suficiente para que o sistema Ax = c seja consistente pode
ser dado em termos de uma inversa generalizada (ver Graybill 1976, p.36).

Material elaborado pelo Prof. Csar Gonalves de Lima
36
Teorema 2.8F. O sistema de equaes Ax = c consistente se e somente se para
qualquer inversa generalizada A

de A
AA

c = c.
Ver prova na pg. 33 do livro do Rencher.

Observe que o Teorema 2.8F fornece uma alternativa ao Teorema 2.7A para decidir
se um sistema de equaes consistente.


2.9. DETERMINANTES
Antes de definirmos o determinante de uma matriz quadrada, precisamos definir per-
mutao e nmero de inverses. Seja o conjunto dos cinco primeiros nmeros intei-
ros S = {1, 2, 3, 4, 5} arrumados em ordem crescente.
Qualquer outra ordem j
1
, j
2
, , j
5
dos elementos de S chamada uma permu-
tao 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} conse-
guimos 3! = 6 permutaes, a saber, {123, 132, 213, 231, 312, 321}.
Uma permutao j
1
, j
2
, , j
5
de S tem uma inverso se um nmero inteiro j
r

precede um inteiro menor j
s
. 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.

O determinante de uma matriz A (nn) uma funo escalar de A definida como a
soma algbrica de todos os seus n! possveis produtos elementares. Denota-se geral-
mente por
(A) = | A | = det(A) =

=
!
1
n
i
i
p
Cada produto elementar do tipo p
i
= a
1j
1

a
2j
2
a
3j
3
a
nj
n
em que, nos ndices j
1
,
j
2
, , j
n
so colocados os nmeros de alguma permutao simples do conjunto
{1, 2, , n}.
Em cada produto p
i
existe somente um elemento de cada linha e coluna.
Cada produto elementar recebe o sinal + ou , conforme o nmero de inverses
envolvidas em p
i
seja par ou mpar, respectivamente.

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 espe-
cficos (proc iml do SAS, Mapple e MathCad por exemplo) para calcular os deter-
minantes.

Material elaborado pelo Prof. Csar Gonalves de Lima
37
Exemplo 17. Seja a matriz A =
(
(
(

33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
=
(
(
(

7 6 5
4 1 3
1 0 2


Como n = 3, temos 3! = 6 permutaes, a saber:
i p
i
Permutao N
o
de inverses Sinal Valor de p
i

1 a
11
a
22
a
33
1 2 3 0 + +p
1
= 14
2 a
11
a
23
a
32
1 3 2 1 p
2
= 48
3 a
12
a
21
a
33
2 1 3 1 p
3
= 0
4 a
12
a
23
a
31
2 3 1 2 + +p
4
= 0
5 a
13
a
21
a
32
3 1 2 2 + +p
5
= 18
6 a
13
a
22
a
31
3 2 1 3 p
6
= 5
det(A) =

=
6
1 i
i
p = 49


Teorema 2.9A.
(i) Se D = diag(d
1
, d
2
, , d
n
) ento det(D) =

=
n
i
i
d
1

(ii) O determinante de uma matriz triangular o produto dos elementos da diagonal.
(iii) Se A singular, det(A) = 0. Se A no-singular, det(A) 0.
(iv) Se A positiva definida, det(A) > 0.
(v) det(A) = det(A)
(vi) Se A no singular, det(A
1
) = 1/det(A)

Teorema 2.9B. Se a matriz A particionada como
A =
(

22 21
12 11
A A
A A
,
e se A
11
e A
22
so quadradas e no singulares (mas no necessariamente do mesmo
tamanho) ento
det(A) = |A
11
| |A
22
A
21
(A
11
)
1
A
12
| (2.70)
= |A
22
| |A
11
A
12
(A
22
)
1
A
21
| (2.71)

Material elaborado pelo Prof. Csar Gonalves de Lima
38
Note a analogia de (2.70) e (2.71) com o caso do determinante de uma matriz A, 22:
det(A) = a
11
a
22
a
21
a
12
= a
11
(a
22
a
21
a
12
/ a
11
) = a
22
(a
11
a
12
a
21
/ a
22
)
(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:
|AB| = |A| |B| (2.76)

Corolrio 1.
|AB| = |BA| (2.77)

Corolrio 2.
|A
2
| = |A|
2
(2.77)


2.10. VETORES ORTOGONAIS E MATRIZES
Dois vetores nx1 a e b so ditos ortogonais se
a'b = a
1
b
1
+ a
2
b
2
+ + a
n
b
n
= 0 (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 for-
mado entre eles.
cos() =
) )( ( b b' a a'
b a'
(2.80)
Quando = 90, ab = ( )( ) b b' a a' cos(90) = 0, porque cos(90) = 0. Assim a e b so
perpendiculares quando ab = 0.


Exemplo 18. Sejam os vetores a =
(

2
4
e b =
(

2
1
. Ento ab = 0 cos() = 0 o
ngulo formado entre eles de 90, ou seja, os vetores a e b so perpendiculares.


Material elaborado pelo Prof. Csar Gonalves de Lima
39

Figura 1. Vetores ortogonais

Se aa = 1, dizemos que o vetor a est normalizado. Um vetor b pode ser nor-
malizado dividindo-o pelo seu comprimento (ou norma), b b' . Assim, o vetor:
c =
b b'
b
(2.81)
est normalizado, porque cc = 1.

Um conjunto de vetores c
1
, c
2
,, c
p
de dimenses p1 que so normalizados
(c
i
c
i
= 1, para todo i) e mutuamente ortogonais (c
i
c
j
= 0, para todo i j) dito ser
um conjunto ortonormal de vetores. Se a matriz C = [c
1
, c
2
,, c
p
] pp tem colunas
ortonormais, C chamada matriz ortonormal. Desde que os elementos de CC so
produtos de colunas de C [ver Teorema 2.2C(i)], uma matriz ortonormal C tem a pro-
priedade
CC = I (2.82)

Pode ser mostrado que uma matriz ortogonal C tambm satisfaz
CC = I (2.83)
Assim, uma matriz ortogonal C tem linhas ortogonais como tambm colunas ortogo-
nais. evidente que de (2.82) e (2.83), C = C
1
, se C ortogonal.

Exemplo 19. Para ilustrar uma matriz ortogonal, partimos de:
A =
(
(
(

1 1 1
0 2 1
1 1 1


Material elaborado pelo Prof. Csar Gonalves de Lima
40
Que tem colunas mutuamente ortogonais, mas que no so ortonormais. Para norma-
lizar as trs colunas, ns as dividimos pelos seus respectivos comprimentos, 3 , 6
e 2 , obtendo assim a matriz:
C =
(
(
(

2 1 6 1 3 1
0 6 2 3 1
2 1 6 1 3 1

cujas colunas so ortonormais. Note que as linhas de C tambm so ortonormais, tal
que C satisfaz (2.83) e (2.82).
A multiplicao de um vetor por uma matriz ortogonal tem o efeito de rotacio-
nar os eixos; isto , se um ponto x transformado para z = Cx, onde C uma matriz
ortogonal, ento a distncia da origem a z a mesma que a distncia da origem a x:
zz = (Cx)(Cx) = xCCx = xx (2.84)
Neste caso, a transformao de x para z conhecida como uma rotao.
Teorema 2.10A. Se uma matriz C (pp) ortonormal e se A (pp) uma matriz
qualquer, ento
(i) |C| = +1 ou 1
(ii) |CAC| = |A|
(iii) 1 c
ij
1, onde c
ij
qualquer elemento da matriz C


2.11. TRAO DE UMA MATRIZ
O trao de uma matriz (nn) A = (a
ij
) uma funo escalar definida como a soma
dos elementos da diagonal de A; isto ,
tr(A) =

=
n
i
ii
a
1

Por exemplo, se A =
(
(
(

9 5 3
6 3 2
2 4 8
, o trao de A igual a tr(A) = 8 + (3) + 9 = 14.

Teorema 2.11A.
(i) Se A e B so (nn) ento
tr(A B) = tr(A) tr( B) (2.85)
(ii) Se A (np) e B (pn), ento
tr(AB) = tr(BA) (2.86)
Note que em (2.86) n pode ser menor, igual ou maior que p

Material elaborado pelo Prof. Csar Gonalves de Lima
41
(iii) Se A (np)
tr(AA) =

=
p
j
j
t
j
1
a a (2.87)
onde a
j
a j-sima coluna de A.
(iv) Se A (np)
tr(AA) =
t
i
n
i
i
a a

=1
(2.88)
onde
t
i
a a i-sima linha de A.
(v) Se A = (a
ij
) uma matriz np ento:
tr(AA) = tr(AA) =

= =
n
i
p
j
ij
a
1 1
2
(2.89)
(vi) Se A (nn) e P (nn) qualquer matriz no-singular, ento:
tr(P
1
AP) = tr(A) (2.90)
(vii) Se A (nn) e C (nn) qualquer matriz ortogonal, ento:
tr(CAC) = tr(A) (2.91)
(viii) Se A (np) de posto r e A

(pn) uma inversa generalizada de A, ento:


tr(A

A) = tr(A A

) = r (2.92)


2.12 AUTOVALORES E AUTOVETORES

2.12.1 Definio

Definio: Para qualquer matriz quadrada A, um escalar e um vetor no-nulo x po-
dem ser encontrados, de tal forma que:
Ax = x (2.93)

Em (2.93), chamado um autovalor de A e x um autovetor de A (tambm
so chamados de valor caracterstico e vetor caracterstico de A, respectivamente).
Note que em (2.93) o vetor x transformado por A, em um mltiplo de si prprio, de
tal forma que o ponto Ax est sobre a linha que passa por x e a origem.

Para encontrar e x para uma matriz A, ns escrevemos (2.93) como:
(A I)x = 0 (2.94)

Material elaborado pelo Prof. Csar Gonalves de Lima
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 singu-
lar, e pelo Teorema 2.9A(iii) ns podemos resolver (2.94) para usando:
|A I| = 0 (2.95)
que conhecido como equao caracterstica.

Se A (nn) a sua equao caracterstica ter n razes, isto , A ter n autova-
lores
1
,
2
, ,
n
. Os s no sero necessariamente distintos ou todos diferentes de
zero, ou todos nmeros reais. Entretanto, os autovalores de uma matriz simtrica
sero reais, ver Teorema 2.12C. Depois de encontrar
1
,
2
, ,
n
usando (2.95) os
autovetores correspondentes x
1
, x
2
, , x
n
podero ser encontrados usando (2.94).
Se
i
= 0, o correspondente autovetor no o vetor nulo, 0. Para perceber isso,
note que se = 0 ento (A I)x = 0 fica Ax = 0 que tem soluo para x porque A
singular e as suas colunas so linearmente dependentes [a matriz A singular porque
ela tem, ao menos, um autovalor nulo].
Exemplo 20. Para ilustrar autovalores e autovetores, considere a matriz:
A =
(

4 2
2 1

Por (2.95), a equao caracterstica :
|A I| =
(

4 2
2 1
= (1 )(4 ) 4 = 0
Ou seja

2
5 = ( 5) = 0
Que tem razes
1
= 5 e
2
= 0. Para encontrar o autovetor x
1
correspondente a
1
= 5,
ns usamos (2.94),
(A 5I)x = 0
( )
( )
(

5 4 2
2 5 1
(

2
1
x
x
=
(

0
0

Que pode ser escrito como:
4x
1
+ 2x
2
= 0
2x
1
x
2
= 0
Como a primeira equao um mltiplo da segunda, temos que x
2
= 2x
1
. Um vetor
soluo pode ser escrito com x
1
= c como uma constante arbitrria.
x
1
=
(

2
1
x
x
=
(

1
1
2x
x
= x
1
(

2
1

= c
(

2
1

Escolhendo c = 1/ 5 para normalizar o vetor, ns encontramos
1
=
(

5 / 2
5 / 1
.

Material elaborado pelo Prof. Csar Gonalves de Lima
43
De forma similar, correspondente
2
= 0, ns obtemos
2
=
(

5 / 2
5 / 1
.
Ento, a decomposio espectral de A
A = (5)
(

5 / 2
5 / 1
[ ] 5 2 5 1 + (0)
(

5 / 2
5 / 1
[ ] 5 / 2 5 / 1 =
(

4 2
2 1
+
(

0 0
0 0



2.12.2. Funes de uma matriz
Se um autovalor da matriz quadrada A com um correspondente autovetor x, ento
para certas funes g(A), um autovalor dado por g() e x o autovetor correspon-
dente de g(A) como tambm de A. Ns ilustramos para alguns casos:
1. Se um autovalor de A, ento c um autovalor de cA, onde c uma constante
arbitrria, tal que c 0. Esse resultado facilmente demonstrado multiplicando-se
a relao de definio Ax = x por c:
cAx = cx (2.96)

2. Se um autovalor de A e x o autovetor correspondente de A, ento c + k um
autovalor da matriz cA + kI e x o autovetor de cA + kI, onde c e k so escalares.
Para mostrar isso, adicionamos kx a (2.96):
cAx + kx = cx + kx
(cA + kI)x = (c + k)x (2.97)
Assim c + k o autovalor de cA + kI e x o correspondente autovetor de cA + k.
Note que (2.97) no se estende a (A + B), onde A e B so matrizes nxn arbitrrias;
isto , A + B no tem autovalores
A
+
B
, onde
A
um autovalor de A e
B
, de B.

3. Se um autovalor de A, ento
2
um autovalor de A
2
. Isto pode ser demonstra-
do, multiplicando-se a relao de definio Ax = x por A:
AAx = Ax A
2
x = Ax = (x) =
2
x (2.98)
Assim
2
um autovalor de A
2
e x o autovetor correspondente de A
2
. Isso pode
ser estendido para:
A
k
x =
k
x (2.99)

4. Se um autovalor da matriz no-singular A, ento 1/ um autovalor de A
1
.
Para demonstrar isso, ns multiplicamos Ax = x por A
1
para obter:
A
1
Ax = A
1
x x = A
1
x A
1
x = (1/)x (2.100)
Assim 1/ um autovalor de A
1
e x um autovetor tanto de A quanto de A
1
.


Material elaborado pelo Prof. Csar Gonalves de Lima
44
5. Os resultados em (2.96) e (2.99) podem ser usados para obter autovalores e autove-
tores de um polinmio em A. Por exemplo, se um autovalor de A, ento
(A
3
+ 4A
2
3A + 5I)x = A
3
x + 4A
2
x 3Ax + 5x
=
3
x + 4
2
x 3x + 5x
= (
3
+ 4
2
3 + 5)x
Assim,
3
+ 4
2
3 + 5 um autovalor de A
3
+ 4A
2
3A + 5I, e x o autovetor
correspondente.
Para certas matrizes, a propriedade (5) pode ser estendida para sries infinitas.
Por exemplo, se um autovalor de A, ento por (2.97), 1 um autovalor de
I A. Se I A no-singular, ento, por (2.100), 1/(1 ) um autovalor de
(I A)
1
. Se 1 < < 1, ento 1/(1 ) pode ser representado pela srie (de Fourier)
1
1
= 1 + +
2
+
3
+
Correspondentemente, se todos os autovalores de A satisfazem 1 < < 1, ento
(I A)
1
= I + A + A
2
+ A
3
+ (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
A

B
. Entretanto, os autovalores de AB so os mesmos de BA.

Teorema 2.12A. Se A e B so nn ou se A np e B pn, ento os autovalores
(no nulos) de AB so os mesmos daqueles de BA. Se x um autovetor de AB ento
Bx um autovetor de BA.

Teorema 2.12B. Seja A uma matriz nn.
(i) Se P qualquer matriz no-singular nn, ento P
1
AP tem os mesmos autova-
lores.
(ii) Se C qualquer matriz ortogonal nn, ento CAC tem os mesmos autovalores.



2.12.4. Matrizes simtricas

Teorema 2.12C. Seja A (nn) uma matriz simtrica
(i) Os autovalores de A so nmeros reais.
(ii) Os autovetores x
1
, x
2
,, x
n
so mutuamente ortogonais; isto , x
i


x
j
= 0 para i j

Material elaborado pelo Prof. Csar Gonalves de Lima
45
Se os autovetores de uma matriz simtrica A so normalizados e colocados como co-
lunas 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 autove-
tores normalizados x
1
, x
2
, ,x
n
ento A pode ser expressa como
A = CDC (2.102)
=

n
i
t
i i i
1
x x (2.103)
onde D = diag(
1
,
2
, ,
n
) e C a matriz ortonormal C = [x
1
, x
2
, ,x
n
]. O resultado
mostrado em (2.102) ou (2.103) chamado de decomposio espectral de A.
Ver prova nas pg. 46-47.

Corolrio 1. Se A uma matriz simtrica e C e D so definidas como no Teorema
2.12D, ento C diagonaliza A, isto ,
CAC = D = diag(
1
,
2
, ,
n
) (2.105)

Teorema 2.12E. Se A uma matriz com autovalores
1
,
2
, ,
n
ento
(i) det(A) = | A | =

n
i
i
1
(2.106)
(ii) tr(A) =

n
i
i
1
(2.107


2.12.5. Matriz positiva definida e positiva semidefinida
Os autovalores
1
,
2
,
3
,,
n
de matrizes positiva definidas (semidefinidas) so
positivos (no negativos).

Teorema 2.12F. Se A uma matriz com autovalores
1
,
2
, ,
n
ento
(i) Se A positiva definida ento
i
> 0 para i = 1, 2, , n
(ii) Se A positiva semidefinida ento
i
0 para i = 1, 2, , n. O nmero de
autovalores
i
para os quais
i
> 0 igual ao posto de A.

Teorema A.5.2 Seja A uma matriz real e simtrica, nn, e D = diag(
1
,
2
, ...,
n
) a
matriz diagonal que exibe as razes caractersticas de A. Ento:
a)
i
> 0, i A positiva definida.
b)
i
0, i,
i
= 0 A positiva semi-definida.
c)
i
< 0, i A negativa definida.

Material elaborado pelo Prof. Csar Gonalves de Lima
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
de A, denotada por A
1/2
, como segue. Desde que os autovalores so positivos, ns po-
demos substituir a raiz quadrada
i
na decomposio espectral de A em (2.102)
para obter:
A
1/2
= CD
1/2
C (2.108)
com D
1/2
= diag(
1
,
2
, ,
n
). A matriz A
1/2
simtrica e tem a propriedade:
A
1/2
A
1/2
CD
1/2
CCD
1/2
C= A (2.109)


2.13. MATRIZES IDEMPOTENTES
Uma matriz quadrada A dita idempotente se A
2
= A. Neste texto, muitas das matri-
zes idempotentes so quadradas. Muitas das somas de quadrados nas anlises de re-
gresso e de varincia (Captulos 11-14) podem ser expressas como formas quadrti-
cas yAy. A idempotncia de A ou de um produto envolvendo A ser usada para esta-
belecer que yAy (ou um mltiplo de yAy) tem distribuio de qui-quadrado.

Teorema 2.13A. A nica matriz no-singular idempotente a matriz identidade.

Teorema 2.13B. Se A singular, simtrica e idempotente ento A positiva semide-
finida.

Teorema 2.13C. Se A uma matriz nn, simtrica, idempotente e de posto r, ento
A tem r autovalores iguais a 1 e n r autovalores iguais a 0.

Teorema 2.13D. Se A uma matriz nn, simtrica, idempotente e de posto r, ento
posto(A) = tr(A) = r.

Teorema 2.13E. Se A uma matriz nn idempotente, P uma matriz nn no
singular e C uma matriz nn ortogonal, ento:
(i) I A idempotente.
(ii) A(I A) = 0 e (I A)A = 0
(iii) P
-1
AP idempotente
(iv) CAC idempotente (se A simtrica, CAC uma matriz simtrica e idempo-
tente).

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-


lizada de A e seja (AA)

uma inversa generalizada de AA. Ento A

A, AA

e
A(AA)

A so todas idempotentes.

Teorema 2.13G. Supondo que a matriz simtrica A nn possa ser escrita como A =

=
k
i 1
i
A para algum k, onde cada A
i
uma matriz simtrica nn. Ento, quaisquer
duas das seguintes condies implicam na terceira condio:
1. A idempotente.
2. Cada A
1
, A
2
, , A
k
idempotente.
3. A
i
A
j
= 0 para i j.
Teorema 2.13H. Se I =

=
k
i 1
i
A , onde cada matriz A
i
nn simtrica e de posto r
i
e
se n =

=
k
i
i
r
1
, ento so verdadeiras as seguintes afirmaes:
1. Cada A
1
, A
2
, , A
k
idempotente.
2. A
i
A
j
= 0 para i j.



2.14 DERIVADAS DE FUNES LINEARES E FORMAS QUADRTICAS
Seja u = f(x) uma funo das variveis x
1
, x
2
, , x
p
em x = [x
1
, x
2
, , x
p
] e sejam
1
/ x u ,
2
/ x u , ,
p
x u / as derivadas parciais.
Ns definimos x / u como:
x
u
=
(
(
(
(




p
x u
x u
x u
/
/
/
2
1
M
(2.110)
Em alguns casos ns podemos encontrar um mximo ou um mnimo de u resolvendo
x / u = 0.

Teorema 2.14A. Seja u = ax = xa , onde a = [a
1
, a
2
, , a
p
] um vetor de constan-
tes. Ento
x
u
=
x
x a'

) (
=
x
a x'

) (
= a (2.111)
(Ver prova na pg. 51 do livro do Rencher).


Material elaborado pelo Prof. Csar Gonalves de Lima
48
Teorema 2.14B. Seja u = xAx, onde A uma matriz simtrica de constantes. Ento
x
u
=
x
Ax x'

) (
= 2Ax (2.112)
(Ver prova nas pg. 51-52 do livro do Rencher).

Exemplo 21. Admitamos o modelo de regresso linear y
i
=
0
+
1
x
i
+
i
, para i = 1,
, n, expresso matricialmente como y = X + , onde:
(
(
(
(

n
y
y
y
M
2
1
=
(
(
(
(

n
x
x
x
1
1
1
2
1
M M
(

1
0

+
(
(
(
(

M
2
1

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
i
i
1
2
= ( )

n
i
i i
y y
1
2
= ( )

=

n
i
i i
x y
1
2
1 0


Matricialmente, ns temos que:

=
n
i
i
1
2
= = (y X

) (y X

) = yy 2

Xy +

XX


Para encontrarmos

que minimiza , calculamos a diferencial de em relao


a

. Observando que:

(yy) = 0

(2

Xy) = 2Xy, por (2.111)



XX

) = 2XX

, por (2.112)
Da tem-se que:


'
= 2Xy + 2XX


Igualando o resultado a um vetor de zeros, obtemos o sistema de equaes normais:
XX

= Xy (7.8)
Como XX no-singular, a soluo do sistema nica e obtida por:

= (XX)
1
Xy
Esta soluo chamada de soluo de mnimos quadrados.


Material elaborado pelo Prof. Csar Gonalves de Lima
49
Usando os dados do Exerccio 12, temos:
(
(
(
(
(
(
(
(
(

42 . 8
71 . 8
02 . 8
21 . 7
25 . 6
68 . 5
27 . 5
=
(
(
(
(
(
(
(
(
(

48 1
42 1
36 1
30 1
24 1
18 1
12 1
(

1
0

+
(
(
(
(
(
(
(
(
(

7
6
5
4
3
2
1


O sistema de equaes lineares correspondente fica:
(

7308 210
210 7
(

1
0

=
(

48 . 1590
56 . 49

A soluo de mnimos quadrados fica:
(

1
0

=
1
7308 210
210 7

(

48 . 1590
56 . 49
=
(

000992 . 0 029762 . 0
029762 . 0 0357143 . 1
(

48 . 1590
56 . 49


(

1
0

=
(

1029 . 0
9943 . 3

E a reta de mnimos quadrados ajustada fica:
i
y = 3.9943 + 0.1029x
i






2.15. REFERNCIAS CITADAS NO TEXTO

Graybill, F. A. (1969). Introduction to Matrices with Applications in Statistics.
Belmont, CA: Wadsworth.

Rencher, A. C. (2000). Linear Models in Statistics. New York: Wiley,

Searle, S. R. (1982). Matrix Algebra Useful for Statistics. New York: Wiley.


EXERCCIOS
Ver exerccios das pginas 52-61 do livro texto.

Material elaborado pelo Prof. Csar Gonalves de Lima
50
2.16. LISTA DE EXERCCIOS ADICIONAIS

Nos exerccios 1, 2 e 3 considere as seguintes matrizes:
A =
(

4 1 2
3 2 1
, B =
(
(
(

2 3
1 2
0 1
, C =
(
(
(


3 1 2
5 1 4
3 1 3
, D =
(


4 2
2 3
,
E =
(
(
(


1 2 3
4 1 0
5 4 2
e F =
(

3 2
5 4

1) Se as operaes forem possveis, calcule:
(a) C + E (b) AB e BA (c)
3
1
D
5
2
F (d) BC + A

2) Verifique as seguintes propriedades:
(a) A(BD) = (AB)D (b) A(C + E) = AC + AE

3) Verifique as seguintes propriedades:
(a) A = (A) (b) (C + E) = C + E (c) (AB) = BA

4) Se
(


+ +
b a d c
d c b a
=
(

2 10
6 4
, calcule os valores de a, b, c e d.

5) Sendo A e B matrizes quadradas, no singulares e de mesma ordem, escrever a
matriz de incgnitas, X, em funo de A e de B:
(a) XA = B (b) (A + B)X = B (c) ABX = B
(d) ABA
1
X = A (e) (AX)
1
= B

6) Mostrar algebricamente que se A no singular ento (A)
1
= (A
1
), usando a
matriz A =
(

22 ` 21
12 11
a a
a a
.





Material elaborado pelo Prof. Csar Gonalves de Lima
51
7) Sejam
A =
(


1 3 7
3 2 5
, b =
(
(
(

3
4
2

Escreva AB como uma combinao linear das colunas de A como em (2.37) e
verifique o resultado calculando Ab na maneira usual.

8) Para os sistemas apresentados a seguir, pede-se:
(i) escreva-os na forma Ax = b,
(ii) classifique-os como consistentes ou inconsistentes comparando posto(A) e
posto(A M b);
(iii) obtenha uma soluo se o sistema for consistente.
(a)

= +
= +
12 5 4
1 3 2
y x
y x
(b)

= +
=
= +
4
3
2
x z
z y
y x
(c)

= +
=
= + +
11 6 3 5
7 2 3
5 4 2
z y x
z y x
z y x

(d)

= +
= +
= + +
8 2 2
12 2 2
20 2 2 4
c a
b a
c b a
(e)

= +
= +
3 6 4
1 3 2
y x
y x


9) Seja o sistema escrito na forma matricial Ax = b, ou
(
(
(

2 0 2
0 2 2
2 2 4
(
(
(

3
2
1
x
x
x
=
(
(
(

8
12
20
.
(a) Encontre uma inversa generalizada simtrica de A.
(b) Encontre uma inversa generalizada no simtrica de A.
(c) Encontre duas solues do sistema x = A

b utilizando as inversas calculadas
nos itens anteriores e indique qual delas tem o menor comprimento.
(d) Mostre que a matriz AA

idempotente.

10) As colunas da matriz seguinte so mutuamente ortogonais
A =
(
(
(

1 1 1
2 0 1
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
11) Seja a matriz singular A =
(
(
(

2 0 2
0 2 2
2 2 4
.
(a) Encontre os autovalores (
1
,

2
e
3
) e os autovetores normalizados (c
1
,

c
2
e c
3
).
(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 = [c
1
, c
2
, c
3
] a matriz formada pelos
autovetores normalizados de A.
(e) Se a matriz A for positiva definida ou positiva semidefinida, obtenha a sua raiz
quadrada que calculada como A
1/2
= CD
1/2
C, onde D = diag(
1
,
2
,
3
) a
matriz diagonal que exibe os autovalores de A e C = [c
1
, c
2
, c
3
] a matriz
formada pelos autovetores normalizados de A.

12. Os resultados experimentais apresentados na tabela a seguir foram obtidos de um
ensaio de irrigao onde se estudou y: produo de alfafa (t/ha) como uma funo
de x: quantidade de gua aplicada (ml/cm
2
).
x: gua 12 18 24 30 36 42 48
y: produo 5,27 5,68 6,25 7,21 8,02 8,71 8,42
(a) Construa um grfico de disperso y (produo) versus x (gua) para visualizar
o relacionamento linear entre as variveis.
(b) Escreva o modelo de regresso linear y
i
= a + bx
i
+
i
para os dados experi-
mentais.
(c) Escreva o modelo de regresso linear na forma matricial, y = X + , identifi-
cando cada uma das matrizes.
(d) Verifique que r[X] = 2 e que r(XX) = 2 , ou seja, que XX no singular.
(e) Calcule

=
(

b
a

= (XX)
1
Xy, y = X

e = y y .
(f) Verifique que fazendo X = [x
1
, x
2
] y = a x
1
+ b

x
2
.
(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
.




Material elaborado pelo Prof. Csar Gonalves de Lima
53
13. Suponhamos um experimento fictcio de alimentao de sunos em que foram uti-
lizadas 4 raes (1, 2, 3 e 4) num delineamento inteiramente casualizado com 5 re-
peties (leites). Os ganhos de peso observados, em quilogramas, constam do
quadro seguinte:
Tratamentos (raes)
1 2 3 4
35 40 39 27
19 35 27 12
31 46 20 13
15 41 29 28
30 33 45 30

Com base nesses dados, pede-se:
(a) Escrever o modelo y
ij
= + t
i
+
ij
para todos os valores observados, onde y
ij

o ganho de peso do j-simo leito que recebeu o i-simo tratamento; uma
constante comum a todas as unidades experimentais; t
i
o efeito do i-simo tra-
tamento e
ij
o erro associado parcela y
ij
, para i = 1, 2, 3, 4 e j = 1, 2, 3, 4, 5.
(b) Construir a matriz do delineamento X e escrever o modelo na sua forma matri-
cial, y = X + , onde = [, t
1
, t
2
, t
3
, t
4
].
(c) Escrever o sistema de equaes normais XX = Xy e calcular duas solues
(diferentes!) do sistema, utilizando

= (XX)

Xy, onde (XX)



uma inversa
generalizada de XX.
(d) Calcular y = X

= X(XX)

Xy (vetor de observaes ajustado pelo modelo)


para cada uma das solues obtidas em (c) e verifique que os vetores resultan-
tes so iguais.
(e) Calcular as somas de quadrados, utilizando as frmulas seguintes:
SQTotal = y
|

\
|
J I
20
1
y, SQTrat = y ( )
|

\
|

J X' X X' X
20
1
y,
SQRes= y ( ) ] X' X X' X I

[ y.
(f) Construir um quadro de ANOVA, sabendo que o nmero de graus de liberdade
associados a uma SQ igual ao posto da matriz ncleo da forma quadrtica
correspondente.
(g) Confira os resultados da ANOVA usando, por exemplo, o proc glm do SAS.

Material elaborado pelo Prof. Csar Gonalves de Lima
54
APNDICE: INTRODUO AO USO DO PROC IML

ASPECTOS GERAIS
O software SAS/IML (Interactive Matrix Language) uma linguagem de progra-
mao muito flexvel, tendo como principais vantagens a interatividade com o
usurio, a possibilidade de trabalhar com matrizes de forma simples, alm da pos-
sibilidade do uso de funes pr-programadas e outras procedures do SAS.
Os resultados dos comandos podem ser vistos imediatamente ou armazenados
para posterior utilizao, a critrio do usurio.
Operaes como inverso de matrizes, obteno de autovalores e autovetores etc.,
podem ser realizadas usando comandos, facilitando o trabalho e evitando a cons-
truo de algoritmos sofisticados que utilizam vrias linhas de programao.
O fato dos algoritmos empregados serem amplamente utilizados permite que os
resultados obtidos sejam muito confiveis. Alm disso, o SAS/IML faz uso muito
eficiente dos recursos do computador facilitando o trabalho com matrizes de gran-
des dimenses.

ALGUNS OPERADORES IMPORTANTES
A + B Soma as matrizes A e B
A B: Subtrai a matriz B de A
A*B: Calcula o produto da matriz A por B
A / B Divide cada elemento de A pelo respectivo elemento de B
A # B Multiplica cada elemento de A pelo respectivo elemento de B
A[linha, coluna] Seleciona o elemento de A na posio indicada.
A[linha,] Seleciona todos os elementos da linha indicada da matriz A.
A[,coluna] Seleciona todos os elementos da coluna indicada da matriz A.
A @ B Calcula o produto direto (ou de Kronecker) das matrizes A e B
A**p Eleva a matriz A a uma potncia p.
A` ou t(A) Calcula a transposta da matriz A
A | | B Concatena (junta) as matrizes A e B horizontalmente
A / / B Concatena (junta) as matrizes A e B verticalmente
a:b Cria um vetor de ndices a, a+1, a+2, ..., b-1, b


Material elaborado pelo Prof. Csar Gonalves de Lima
55

ALGUMAS FUNES IMPORTANTES:
ABS(A) Calcula o valor absoluto ou mdulo dos elementos da matriz A
ALL(A)
Verifica se todos os elementos da matriz A so nulos (retorna 0
ou 1).
ANY(A)
Verifica se algum elemento de A diferente de zero, (retorna 0
ou 1 como resposta).
DESIGN(vetor)
Cria uma matriz de delineamento de posto coluna incompleto a
partir do vetor indicado.
DESIGNF(vetor)
Cria uma matriz de delineamento de posto coluna completo
(rank-full) a partir do vetor fornecido.
DET(A) Calcula o determinante da matriz A
DIAG(argumento)
Cria uma matriz diagonal a partir do argumento, que pode ser
uma matriz ou um vetor.
ECHELON(A) Reduz a matriz A forma normal de Echelon.
EIGEN(A)
Calcula os autovalores e os autovetores normalizados da matriz
quadrada A.
EIGVAL(A) Calcula os autovalores da matriz A e os coloca num vetor.
EIGVEC(A)
Calcula autovetores normalizados da matriz A e os coloca nas
colunas de uma matriz.
GINV(A) Calcula a inversa generalizada de Moore-Penrose da matriz A
GSORTH(A) Calcula a ortonormalizao de Gram-Schmidt de A.
HERMITE(A) Reduz a matriz A forma normal de Hermite.
I (dimenso) Cria uma matriz identidade com a dimenso especificada.
INV(A) Calcula a inversa da matriz quadrada A.
J(n
linha
, n
coluna
, valor)
Cria uma matriz A n
linha
n
coluna
de valores idnticos ao valor
especificado
MAX(A) Encontra o maior elemento da matriz A.
MIN(A) Encontra o menor elemento da matriz A.
NCOL(A) Encontra o nmero de colunas da matriz A.
NROW(A) Encontra o nmero de linhas da matriz A.

Material elaborado pelo Prof. Csar Gonalves de Lima
56

ORPOL(vetor, r)
Calcula polinmios ortogonais de graus 0, 1, ..., r, a partir do
vetor indicado.
PRINT(A) Imprime a matriz A (ver mais detalhes!)
RANK(A)
Ordena os elementos da matriz A e retorna uma matriz com a
ordem dos seus elementos.
READ
L observaes de um arquivo de dados (data set) - (ver mais
detalhes!)
ROOT(A)
Executa a decomposio de Cholesky (A = UU, onde U uma
matriz triangular superior) da matriz A
SOLVE(A, B)
Resolve o sistema de equaes lineares AX = B, onde A uma
matriz quadrada e no singular.
T(A) Calcula a matriz transposta de A
TRACE(A) Calcula a soma dos elementos da diagonal da matriz A
VECDIAG(A) Cria um vetor com os elementos da diagonal da matriz A