Você está na página 1de 98

UNIVERSIDADE FEDERAL DO CEARA Departamento de Estat stica e Matem atica Aplicada Campus do Pici, Bloco 910, Fortaleza - Cear

a, Brasil Centro de Ci encias

NOTAS DE CURSO

Disciplina: Teoria das Matrizes

Introdu c ao ` a Teoria de Matrizes

Professor

RAFAEL CASTRO DE ANDRADE

Semestre 2007.2

Conte udo
1 Introdu c ao 1.1 Conceitos preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.1 1.1.2 1.2 Nota c ao matricial . . . . . . . . . . . . . . . . . . . . . . . . . . Matrizes comuns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 3 7 7 7 8 8 9 9 11 12 13 13 13 14 15 15 16 21 21 25 26 27

Opera c oes b asicas 1.2.1 1.2.2 1.2.3 1.2.4 1.2.5 1.2.6 1.2.7 1.2.8

Transposi c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Particionamento . . . . . . . . . . . . . . . . . . . . . . . . . . . Adi c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Subtra c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Multiplica c ao por escalar . . . . . . . . . . . . . . . . . . . . . . Multiplica c ao de matrizes . . . . . . . . . . . . . . . . . . . . . . Pot encia de matrizes quadradas . . . . . . . . . . . . . . . . . . . Outros produtos de matrizes . . . . . . . . . . . . . . . . . . . .

1.3

Matrizes especiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 1.3.2 1.3.3 1.3.4 1.3.5 Produto de matrizes sim etricas . . . . . . . . . . . . . . . . . . . Propriedades de AA e AA . . . . . . . . . . . . . . . . . . . . . Produto de matrizes como produto externo de vetores . . . . . . Operando com matrizes de elementos iguais a um . . . . . . . . . Matrizes ortogonais, normais e ortonormais . . . . . . . . . . . .

1.4

Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Determinante 2.1 2.2 2.3 2.4 Ordem de uma permuta c ao . . . . . . . . . . . . . . . . . . . . . . . . . Menor e Cofator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Matriz adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propriedades de determinantes . . . . . . . . . . . . . . . . . . . . . . .

CONTEUDO

ii

2.5

Opera c oes elementares com linhas ou colunas de uma matriz . . . . . . 2.5.1 2.5.2 2.5.3 2.5.4 Opera c ao elementar Pij (): combina c ao linear de linhas/colunas Opera c ao elementar Eij : troca de linhas/colunas . . . . . . . . . Reduzindo a ordem de um determinante . . . . . . . . . . . . . .

33 34 34

Opera c ao elementar Rii (): multiplicar linha/coluna por um escalar 35 36 37 39 39 41 42 43 43 44 47 47 48 51 52 54 54 55 57 58 60 61 63 64 66 67 67 68

2.6

Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 Inversa de matriz 3.1 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 3.1.2 3.1.3 3.1.4 3.2 3.3 Propriedades da inversa . . . . . . . . . . . . . . . . . . . . . . . Inversa de casos especiais de matrizes . . . . . . . . . . . . . . . Simplica c oes alg ebricas envolvendo matrizes n ao singulares . . . M etodo de Gauss para obten c ao da inversa . . . . . . . . . . . .

Sistemas lineares: uma vis ao geom etrica inicial . . . . . . . . . . . . . . Resolu c ao de sistemas lineares . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1 3.3.2 3.3.3 Sistemas equivalentes . . . . . . . . . . . . . . . . . . . . . . . . M etodo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.4

Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Posto de uma matriz 4.1 4.2 4.3 Combina c ao linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Depend encia e independ encia linear Posto 4.3.1 4.3.2 4.4 4.5 . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propriedades de posto . . . . . . . . . . . . . . . . . . . . . . . . Procedimento para determinar o posto . . . . . . . . . . . . . . .

Decomposi c ao em posto completo . . . . . . . . . . . . . . . . . . . . . . Forma can onica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5.1 Forma can onica de matrizes sim etricas . . . . . . . . . . . . . . .

4.6

Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5 Inversa Generalizada 5.1 5.2 Inversa de Moore-Penrose . . . . . . . . . . . . . . . . . . . . . . . . . . Inversa generalizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

CONTEUDO

iii

5.2.1 5.2.2 5.2.3 5.3 5.4

Obten c ao usando opera c oes com linhas/colunas . . . . . . . . . . Obten c ao usando a forma diagonal . . . . . . . . . . . . . . . . . Algoritmo geral para obter a inversa generalizada . . . . . . . . . . . . . . . .

68 69 70 71 74 76 76 78 79 81 82 84 85 87 87 88

Resolu c ao de sistemas lineares usando inversa generalizada

Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6 Ra zes e vetores caracter sticos de uma matriz 6.1 6.2 6.3 6.4 6.5 Autovalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propriedades elementares de autovalores . . . . . . . . . . . . . . . . . . Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagonaliza c ao de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . Matrizes sim etricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.5.1 6.6 Decomposi c ao espectral . . . . . . . . . . . . . . . . . . . . . . .

Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7 Formas quadr aticas 7.1 Introdu c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1.1 7.1.2 Classica c ao de formas quadr aticas . . . . . . . . . . . . . . . . . Decomposi c ao em posto completo de matrizes sim etricas DP ou SDP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2 Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

92 92

Cap tulo 1

Introdu c ao
Este manuscrito apresenta um estudo sobre Teoria de Matrizes com enfoque para alunos de Estat stica. Inicialmente introduzimos conceitos b asicos sobre o assunto, desde os mais simples, de forma que o aluno tenha em seu poder um material auto-contido1 para posterior consulta. Procuramos apresentar exemplos que facilitem o aprendizado do leitor, ilustrando as opera c oes, suas propriedades e resultados te oricos constituindo o assunto em estudo. Ao nal de cada se c ao ou cap tulo propomos alguns exerc cios que ajudam a xar as id eias nele introduzidas. Este texto est a em fase de prepara c ao. Logo, n ao hesite a sinalizar erros (ou sugerir melhoras) no (para o) mesmo. Participe.

1.1

Conceitos preliminares

Denimos matriz como sendo um arranjo de elementos (valores) dispostos em forma retangular, por linhas e colunas. Dessa forma, cada elemento de uma matriz e identicado por dois atributos: um indicando a linha e o outro, a coluna ` a qual pertence esse elemento. Trata-se de uma representa c ao tabular de elementos ou objetos que podem ser de v arios tipos (booleanos, complexos, nomes, s mbolos, fun c oes, etc.). Nosso interesse e por matrizes com as quais poderemos realizar algumas opera c oes matem aticas, como veremos adiante.
1

Pesquisar em outros livros e essencial para um aprendizado mais completo.

1.1 Conceitos preliminares

1.1.1

Nota c ao matricial

Empregamos letras mai usculas (romanas, gregas, etc.) para dar nome a uma matriz. Por exemplo, seja a matriz P abaixo: P = 55.0 57.6 57.2 70.3 74.0 72.7

Perceba que os elementos de P est ao organizados por linhas e colunas e cercados por par enteses. No lugar dos par enteses poder amos ter usado colchetes. Um elemento que se encontra na linha i e coluna j de P e representado por uma letra min uscula, a mesma que d a nome ` a matriz, juntamente com os sub- ndices indicando a linha e a coluna a que pertence, ou seja pij . Assim, o elemento p23 (elemento da linha 2 e coluna 3 de P ) e igual a 72.7. Uma outra forma de representar a matriz P acima e: P = p11 p12 p13 p21 p22 p23

Denominamos de dimens ao ou ordem de uma matriz o seu n umero de linhas e de colunas. Para o exemplo acima, a dimens ao da matriz pode ser representada por P23 . A dimens ao de uma matriz nos permite fazer a seguinte distin c ao: Matriz retangular de ordem n m uma matriz Anm que possui n linhas e m colunas, com n e m naturais n E ao nulos, representada por: Anm a11 a21 = . . . an1 Uma matriz Anm tem n m elementos. Matriz quadrada de ordem n toda matriz Anm cujo n E umero de linhas n e igual ao n umero de colunas m, i.e. denotada por Ann (ou simplesmente An ): m = n. E a11 a12 a21 a22 Ann = An = . . .. . . . . . an1 an2 a1n a2n . . . ann a12 a22 . .. . . . an2 a1m a2m . . . anm

ou A = (aij ), onde i = 1, 2, , n e o ndice da linha e j = 1, 2, , m, o da coluna.

1.1 Conceitos preliminares

Um exemplo de matriz quadrada de ordem dois (duas linhas e duas colunas) e: C2 = 1 0 2 3

Em uma matriz quadrada Ann podemos distinguir sua diagonal principal, denotada por Diag (A) e formada pelos elementos aij tais que i = j , i = 1, , n, ou seja, Diag (A) = {a11 , a22 , , ann }. Por exemplo, a diagonal da matriz C do exemplo anterior e dada por Diag (C ) = {1, 3}. Denominamos de diagonal secund aria de uma matriz quadrada Ann , denotada por Sec(A), ao conjunto dos elementos aij tais que i + j = n + 1, ou seja, Sec(A) = {a1,n , a2,n1 , , an,1 }2 . Denimos tra co de uma matriz quadrada Ann , denotado por tr(A), como sendo a soma dos elementos de sua diagonal principal, i.e. tr(A) = A seguir apresentamos algumas matrizes not aveis. aii , i = 1, , n.

1.1.2

Matrizes comuns

Deni c ao 1 Uma matriz linha e uma matriz cuja dimens ao e do tipo 1 m, ou seja, tem uma u nica linha. tamb E em conhecida como vetor linha. Por exemplo: A12 = 4 7 Deni c ao 2 Uma matriz coluna e uma matriz cuja dimens ao e do tipo m 1, ou seja, tem uma u nica coluna. tamb E em conhecida como vetor coluna. Por exemplo: A21 = 3 9

Deni c ao 3 Uma matriz diagonal e uma matriz quadrada Dnn = (dij ), i, j {1, , n}, cujos elementos que n ao pertencem ` a sua diagonal principal s ao todos iguais a zero. Ou seja: dij =
2

0 se i = j = 0 para algum par (i,j), com i=j

Nesse caso separamos a linha e a coluna de cada elemento por uma v rgula para evitar confus ao.

1.1 Conceitos preliminares

que em nota c ao matricial equivale a: d11 0 0 d22 Dn = . . .. . . . . . 0 0 Por exemplo:

0 0 . . . dnn

2 0 0 D3 = 0 0 0 0 0 3

Deni c ao 4 Uma matriz identidade (ou unidade) de ordem n e uma matriz diagonal denotada por In , cujos elementos que n ao pertencem ` a sua diagonal principal s ao todos iguais a zero e cujos elementos da diagonal principal s ao todos iguais a 1 (um). Ou seja: 0 0 . . . 1

1 0 0 1 In = . . . .. . . . . 0 0 Por exemplo: I2 = 1 0 0 1

e uma matriz quadrada Dn = (dij ), i, j Deni c ao 5 Uma matriz triangular {1, , n}, cujos elementos que se localizam abaixo ou acima de sua diagonal principal s ao todos nulos. Por exemplo, uma matriz triangular inferior (elementos nulos acima da diagonal principal) e representada como: d11 d21 Dn = . . . dn1 0 d22 . .. . . . dn2 0 0 . . . dnn

enquanto uma matriz triangular superior (elementos nulos abaixo da diagonal principal) e representada por: d11 d12 0 d22 Dn = . . .. . . . . . 0 0 d1n d2n . . . dnn

1.1 Conceitos preliminares

Por exemplo, a matriz D abaixo e triangular inferior, enquanto que a matriz D e triangular superior: 2 0 0 D = 4 1 0 , 0 0 3

= D

1 7 . 0 3

Deni c ao 6 Uma matriz nula e uma matriz denotada por , cujos elementos s ao todos iguais a zero. Um exemplo de matriz nula: = 0 0 0 0 0 0

Deni c ao 7 Uma matriz de elementos unit arios e uma matriz representada usualmente pela letra J , ou seja Jnm = (jik ), i {1, , n}, k {1, , m}, cujos elementos s ao todos iguais a um. Ou seja: Jnm 1 1 1 1 = . . . .. . . . . 1 1 1 1 = 1 1 1 1 1 1 . . . 1

Por exemplo: J32

etrica e uma matriz quadrada Dn = (dij ), i, j Deni c ao 8 Uma matriz sim {1, , n}, cujos elementos satisfazem ` a propriedade de simetria, isto e, dij = dji , (i, j ). Em nota c ao matricial temos: d11 d12 Dn = . . . d1n Por exemplo: d12 d22 . .. . . . d2n d1n d2n . . . dnn

1 3 4 D3 = 3 0 11 4 11 2

1.1 Conceitos preliminares

Deni c ao 9 Uma matriz anti-sim etrica e uma matriz quadrada Dn = (dij ), i, j {1, , n}, cujos elementos satisfazem ` a propriedade de anti-simetria, isto e: dij = Em nota c ao matricial temos: 0 d12 Dn = . . . Por exemplo: d12 0 . . . .. . d1n d2n . . . 0 0 se i = j dji se i = j

d1n d2n 0 3 4 0 11 D3 = 3 4 11 0

Deni c ao 10 Uma matriz uniforme e uma matriz quadrada Dn = (dij ), i, j {1, , n}, cujos elementos s ao tais que: dij = onde C1 , C2 s ao constantes. Um exemplo de matriz uniforme de ordem tr es, 1 2 D3 = 2 1 2 2 com C1 = 1 e C2 = 2 e: 2 2 1 C1 se i = j C2 se i = j

Deni c ao 11 Uma matriz, denotada por Dt ou D , e chamada de matriz transposta de uma dada matriz Dnm = (dij ), i {1, , n}, j {1, , m} se dt ij = dji , (i, j ). Observe que a primeira linha de D corresponde ` a primeira coluna de Dt , a segunda linha de D corresponde ` a segunda coluna de Dt , e assim por diante. Por exemplo, seja a matriz: D32 sua transposta e dada por:
t D2 3 =

2 5 = 3 0 9 7 2 3 9 5 0 7

Deni c ao 12 Uma matriz Anm e igual a uma matriz Bqp quando tiverem a mesma dimens ao, n = q e m = p, e aij = bij , (i, j ).

es ba sicas 1.2 Operac o

1.2
1.2.1

Opera c oes b asicas


Transposi c ao

A transposi c ao de uma dada matriz D equivale a determinar uma matriz Dt que seja a transposta de D (veja deni c ao 11). Propriedade 1 A opera c ao de transposi c ao e reexiva, i.e. (A ) = A. Formalmente, (A ) = (aij ) = (aji ) = (aij ) = A.

1.2.2

Particionamento

O particionamento de uma matriz Anm em submatrizes consiste em dividir A em blocos por linhas horizontais imagin arias que cortam todas as m colunas de A, ou por linhas verticais imagin arias que cortam todas as n linhas de A. Por exemplo, seja a matriz 2 3 9 5 0 7 A43 = 1 8 4 5 0 1 Se passarmos uma linha vertical imagin aria entre a segunda e terceira colunas, obtemos o seguinte particionamento 3 9 0 7 = 8 4 0 1

2 5 A= 1 5

A1 A2

que corresponde a dividir A em dois blocos (submatrizes) A1 e A2 , onde 2 3 9 5 0 7 A1 = 1 8 e A2 = 4 5 0 1 De forma an aloga, se passarmos uma linha horizontal imagin aria entre a primeira e segunda linhas, juntamente com a linha vertical anterior, obtemos um novo particionamento A= 2 5 1 5 3 9 0 7 8 4 0 1 A1 A2 = A3 A4

que corresponde a dividir A em quatro blocos (submatrizes) A1 , A2 , A3 e A4 , onde 7 5 0 A1 = 2 3 , A2 = 9 , A3 = 1 8 e A4 = 4 1 5 0

es ba sicas 1.2 Operac o

1.2.3

Adi c ao

A opera c ao de adi c ao de duas matrizes Anm = (aij ), i = 1, , n e j = 1, , m e Bnm = (bij ), i = 1, , n e j = 1, , m, obrigatoriamente de mesma ordem (conform aveis para a adi c ao), denotada por C = A + B , e denida de forma que os elementos da matriz resultante C sejam dados por: cij = aij + bij , (i, j ). Por exemplo, sejam 2 3 A = 5 0 1 8 1 0 1 e B= 2 0 4

ent ao

2 + (1) 3+0 1 3 0 + 1 = 7 1 C =A+B = 5+2 1+0 8 + (4) 1 4

c ao de adi c ao de matrizes e comutativa. Propriedade 2 A opera A + B = (aij ) + (bij ) = (aij + bij ) = (bij + aij ) = B + A. c ao de adi c ao de matrizes e associativa. Propriedade 3 A opera A + B + C = (A + B ) + C = A + (B + C ). Na adi c ao de matrizes existe a gura do elemento neutro (matriz nula) tal que: A + = + A = A. e existe a matriz oposta de A, denotada por A, tal que A + (A) = .

1.2.4

Subtra c ao

A subtra c ao de duas matrizes Anm = (aij ), i = 1, , n e j = 1, , m e Bnm = (bij ), i = 1, , n e j = 1, , m, obrigatoriamente de mesma ordem (conform aveis para a subtra c ao), e uma matriz C denotada por C = A B , cujos elementos s ao denidos por: cij = aij bij , (i, j ). Por exemplo, para as matrizes A e B do exemplo anterior, temos 3 3 2 (1) 30 0 1 = 3 1 C =AB = 52 1 12 10 8 (4)

es ba sicas 1.2 Operac o

1.2.5

Multiplica c ao por escalar

A opera c ao de multiplica c ao de uma matriz Anm por um escalar consiste em multiplicar todos os elementos de A por , obtendo-se assim uma nova matriz B = A = A = (bij ), cujos elementos de B s ao tais que: bij = aij , (i, j ). Por exemplo, seja = 2 e a matriz 1 3 A = 3 1 1 0 ent ao temos 21 23 2 6 B = A = 2A = 2 3 2 (1) = 6 2 21 20 2 0

1.2.6

Multiplica c ao de matrizes

A opera c ao de multiplica c ao de matrizes (Anm Bpq , nessa ordem) s o e poss vel se as mesmas forem conform aveis para a multiplica c ao, ou seja, o n umero de colunas de A tem que ser igual ao n umero de linhas de B , nesse caso, m = p. Caso contr ario, se m = p, o produto n ao existe. Isso ocorre devido ao fato de o produto C = Anm Bmq de duas matrizes ser visto (denido) como uma matriz formada a partir do produto interno dos vetores linhas da primeira matriz A com os vetores colunas da segunda matriz B . Sendo assim, cada linha i de A pode ser multiplicada por cada coluna j de B . Para cada produto interno do i- esimo vetor linha de A, denotado por A(i, .), com o j - esimo vetor coluna de B , denotado por B (., j ), ou em nota c ao vetorial < A(i, .), B (., j ) >, denimos um elemento da matriz produto C . Logo, podemos notar que a matriz C = (cij ) ser a uma matriz de dimens ao n q cujo elemento cij e dado por:
m

cij =< A(i, .), B (., j ) >=


k=1

aik bkj .

Por exemplo, para A23 = 2 3 0 5 0 1 e B32 3 5 = 1 1 1 0

teremos o seguinte produto C = AB : C22 = c11 c12 c21 c22 = < A(1, .), B (., 1) > < A(1, .), B (., 2) > < A(2, .), B (., 1) > < A(2, .), B (., 2) >

es ba sicas 1.2 Operac o

10

logo C= 2 3 + 3 1 + 0 1 2 5 + 3 (1) + 0 0 5 3 + 0 1 + 1 1 5 5 + 0 (1) + 1 0 = 9 7 16 25

No produto AB diremos que B p os-multiplica A ou A e multiplicada ` a direita por B . Ou ent ao, A pr e-multiplica B ou B e multiplicada ` a esquerda por A. As principais propriedades de multiplica c ao de matrizes s ao relatadas a seguir. Propriedade 4 A opera ca o de multiplica c ao de matrizes, em geral, n ao e comutativa. AB = BA. Por exemplo, dadas as matrizes A= observamos que AB = 1 1 1 1 = BA = 0 0 1 2 1 1 0 1 e B= 0 0 1 1

Quando ocorre dos produtos AB e BA existirem e se AB = BA, diremos que A e B comutam. Propriedade 5 A opera c ao de multiplica c ao de matrizes e associativa. ABC = A(BC ) = (AB )C. Por exemplo [8], dadas as matrizes A= vericamos que AB = 3 1 2 1 BC = 6 3 4 2 e (AB )C = A(BC ) = 6 3 2 1 2 1 1 , 0 1 2 1 B = 3 2 e C = 2 1

Propriedade 6 A opera c ao de multiplica c ao de matrizes e distributiva. A(B + C ) = AB + AC. Exemplo: Sejam as matrizes: A= 1 0 , 0 1 B= 5 1 , 1 1 C= 1 5 ; 2 1

es ba sicas 1.2 Operac o

11

Ent ao observamos que: A(B + C ) = e que AB + AC = 1 0 0 1 5 1 1 0 + 1 1 0 1 1 5 2 1 = 6 6 ; 3 0 1 0 5 1 1 5 ( + )= 0 1 1 1 2 1 6 6 3 0

1.2.7

Pot encia de matrizes quadradas

Dada uma matriz An , dene-se a p- esima (p inteiro positivo) pot encia de A de forma recursiva como sendo: Ap = Por exemplo, dada A = A0 = In se p = 0 Ap1 A se p 1

1 1 , ent ao 0 2 A2 = 0 3 , e 3 3 A3 = 3 6 . 6 3

1 0 , 0 1

Podemos denir os seguintes tipos de matrizes quadradas quanto ` a sua segunda pot encia. Deni c ao 13 Uma matriz quadrada ser a idempotente quando A2 = A. Por exemplo [5]: 2/3 1/3 1/3 A = 1/3 2/3 1/3 1/3 1/3 2/3

a nilpotente quando A2 = . Deni c ao 14 Uma matriz quadrada ser Por exemplo [5]: 1 3 7 6 14 A= 2 1 3 7

Deni c ao 15 Uma matriz quadrada ser a unipotente ou involutiva quando A2 = I . Por exemplo [5]: 1 0 A= 0 0 0 2 3 1 4 5 0 1 0 0 0 1

es ba sicas 1.2 Operac o

12

1.2.8

Outros produtos de matrizes

Deni c ao 16 Dadas duas matrizes quadradas Anm e Bpq , denimos o produto direto (Produto de Kronecker) de A por B como sendo a matriz Cnpmq , denotado por C = A B , dada por: a11 B a21 B C =AB = . . . Por exemplo, sejam as matrizes: A= ent ao 1 0 0 1 e B= 2 0 1 1 0 0 2 1 0 0 0 1 a12 B a22 B . . . .. . a1m B a2m B . . . anm B

an1 B an2 B

2 0 1 1 1 C =AB = 2 0 0 1 1

2 0 1 2 1 1

0 2 0 1 1 1 = 0 0 0 1 0 0

Deni c ao 17 Dadas duas matrizes Anm e Bnm , de mesma ordem, denimos o produto de Hadamard de A por B como sendo a matric Rnm , denotado por R = A B , dada por: C=A a11 b11 a21 b21 B= . . . a12 b12 a22 b22 . . . .. . a1m b1m a2m b2m . . . anm bnm

an1 bn1 an2 bn2 Por exemplo, sejam as matrizes: A= ent ao C=A B= 12 30 01 11 = 1 3 0 1 e B= 2 0 1 1

2 0 1 1

Deni c ao 18 Dada uma matriz quadrada Bn e um polin omio p(x) = a0 x0 + a1 x1 + a2 x2 + + ar xr , com x0 = In , denimos matriz polinomial P (B ) a matriz que se obt em a partir de p(x) quando x = B ; ou seja p(B ) = a0 I + a1 B + a2 B 2 + + ar B r . Por exemplo [8], para p(x) = 5x0 + 3x1 + 2x2 e 1 1 A = 1 3 4 1 dada a matriz 2 1 1

1.3 Matrizes especiais temos p(A) = 5I + 3A + 2A2 ; como 5 0 0 3 3 6 5I = 0 5 0 , 3A = 3 9 3 , 0 0 5 12 3 3 ent ao 5 0 0 3 3 6 20 12 10 28 15 16 P (A) = 0 5 0 + 3 9 3 + 16 22 12 = 19 36 15 . 0 0 5 12 3 3 18 16 20 30 19 28

13

10 6 5 A2 = 8 11 6 , 9 8 10

20 12 10 2A2 = 16 22 12 , 18 16 20

1.3
1.3.1

Matrizes especiais
Produto de matrizes sim etricas

O produto de matrizes sim etricas n ao e, em geral, sim etrico. Pois, dadas duas matrizes sim etricas A e B , se existir o produto AB , ent ao: (AB ) = B A = BA como em geral BA = AB , logo AB e geralmente n ao sim etrica. Por exemplo [11], sejam A= ent ao (AB ) = 17 19 27 32 = 17 27 19 32 = BA = AB. 1 2 2 3 e B= 3 7 7 6

1.3.2

Propriedades de AA e AA

O produto de uma matriz por sua transposta e sim etrico. Pois: (AA ) = (A ) A = AA e (A A) = A (A ) = A A.

por em, AA e A A n ao s ao necessariamente iguais (basta que A n ao seja quadrada para ver isso e, quando o for, pode ocorrer de ser verdade, mas n ao quer dizer que deva ser). Por exemplo [11], seja A= ent ao AA = Perceba que AA = {< A(i, .), A(j, .) >}, (i, j ) (1.1) 6 2 2 10 e 1 2 1 3 0 1 10 2 2 4 2 . AA=2 2 2 2

1.3 Matrizes especiais

14

Ou seja, e uma matriz cujos elementos s ao produto internos de linhas de Anm . E importante ver que o i- esimo elemento da diagonal principal de AA e dado por
m 2 j =1 aij .

Logo, todos os elementos dessa diagonal s ao n ao-negativos quando A for uma matriz real. A A = {< A(., j ), A(., t) >}, (j, t) (1.2)

Ou seja, e uma matriz cujos elementos s ao produto internos de colunas de Anm . Note que o j- esimo elemento da diagonal principal de A A e dado por os seguintes resultados (demonstre-os): A A = 0 A = 0, tr(A A) = 0 A = 0. (1.3) (1.4)
n 2 k=1 akj .

Logo temos

Usando os resultados em 1.3 e 1.4 podemos mostrar que, dadas as matrizes reais P , Q e X: P XX = QXX P X = QX, (1.5)

Prova: (P XX QXX )(P Q ) = (P X QX )X (P Q ) = (P X QX )(X P X Q ) = (P X QX )(P X QX ) . Como (P XX QXX ) = 0, vem que P X = QX .

1.3.3

Produto de matrizes como produto externo de vetores

O produto de duas matrizes AB pode ser obtido usando-se o particionamento dessas matrizes, ou seja, empregando o produto externo dos vetores colunas de A pelos vetores linhas de B . Para tanto, basta representar: B (1, .) B (2, .) e B = . . . . B (n, .) Isso nos permite escrever AB como: AB = A(., 1)B (1, .) + A(., 2)B (2, .) + + A(., n)B (n, .) Por exemplo [11]: 1 4 7 8 AB = 2 5 9 10 3 6 1 7 + 4 9 1 8 + 4 10 = 2 7 + 5 9 2 8 + 5 10 , 3 7 + 6 9 3 8 + 6 10

A = A(., 1) A(., 2)

A(., n)

logo vericamos que 4 9 4 10 1 17 18 4 AB = 2 7 2 8 + 5 9 5 10 = 2 7 8 + 5 9 10 . 6 9 6 10 3 37 38 6

1.3 Matrizes especiais

15

1.3.4

Operando com matrizes de elementos iguais a um

Sejam 1n um vetor coluna de 1s e J uma matriz de 1s. Note que 1r 1r = r 1r 1s = Jrs Jrs Jst = sJrt 1r Jrs = r1s Jrs 1s = s1r .
2 = nJ . Fazendo Em particular, temos que J = 1n 1n , donde conclu mos que Jn n

(1.6) (1.7) (1.8) (1.9) (1.10)

n = J

1 Jn n

(1.11)

2 =J n n , podemos denir a matriz de centragem C como sendo com J

n = In 1 Jn . Cn = I n J n

(1.12)

Podemos observar (como exerc cio) que C = C = C 2 , C 1 = 0 e CJ = JC = 0. Uma aplica c ao para a matriz de centragem e a representa c ao de um vetor x C onde cada componente e expressa em fun c ao de seu desvio em rela c ao ` a m edia dos dados de x. Isto e, seja x = (x1 , x2 , , xn ), ent ao a m edia dos elementos de x e dada por
n

x =
i=1

xi /n =

1 1 x 1 = 1 x, n n

e, usando a matriz de centragem, = x 1 x 11 = x x 1 . xC =x xJ n Observe que


n n

x Cx = (x x 1 )x = x x x (1 x) = x x nx 2 =
i=1

x2 2 = i nx
i=1

(xi x )2

aparece em c alculos de vari ancia em Estat stica.

1.3.5

Matrizes ortogonais, normais e ortonormais

e dita ortogonal quando AA = A A = I . Deni c ao 19 Uma matriz A

1.4 Exerc cios

16

Por exemplo [11], verique que a matriz abaixo e ortogonal. 2 2 2 1 A= 3 3 0 6 1 1 2 Exemplos cl assicos de matrizes ortogonais s ao as matrizes de Helmert, de Givens e de Householder. Veja [11] para mais detalhes sobre elas. Quando uma matriz A apenas comuta com sua transposta, ou seja, AA = A A, n ao necessariamente igual ` a matriz identidade, ela ser a denominada de matriz normal. Note a diferen ca dessa deni c ao de ortogonalidade para matrizes para aquela de vetores ortogonais. Dois vetores x e y s ao ortogonais quando x y = y x = 0. Um vetor e normal quando sua norma for igual a um, i.e. ||x|| = x x = 1. Para se normalizar um vetor x, basta multiplic a-lo por
1 ||x|| .

Diremos que um conjunto {x1 , x2 , , xp } de vetores e ortonormal quando os vetores desse conjunto forem normais, ||xi || = (xi ) (xi ) = 1, e ortogonais entre si, (xi ) xj = 0, para todo i = j . Deni c ao 20 Uma matriz Anm tem um conjunto de linhas (equiv. colunas) ortonormal quando AA = In (equiv. A A = Im ).

1.4

Exerc cios

1. Mostre que: (a) A transposta de uma matriz linha e uma matriz coluna e vice-versa; (b) O tra co da transposta de uma matriz An e igual ao tra co de An , i.e. tr(A ) = tr(A). 2. Mostre que a matriz transposta de uma matriz particionada A = (X Y ), com X e Y submatrizes de A, e dada por: A = X Y = X Y

3. Particione de dois modos distintos a matriz A abaixo e verique a validade do exerc cio anterior para cada particionamento. 1 2 5 A = 4 1 2 2 0 1

1.4 Exerc cios

17

4. Mostre e d e exemplos das propriedades abaixo: (a) (A + B ) = A + B , com A e B matrizes de mesma ordem. (b) tr(A + B ) = tr(A) + tr(B ), com A e B matrizes quadradas de mesma ordem. 5. Mostre com um contra-exemplo que a opera c ao de subtra c ao n ao e comutativa. 6. Demonstre as seguintes propriedades do produto por escalar: (a) 1 Anm = Anm . (b) (1) Anm = Anm . (c) 0 Anm = 0nm . (d) 0nm = 0nm . (e) (Anm + Bnm ) = Anm + Bnm . (f) ( + ) Anm = Anm + Anm . (g) ( Anm ) = ( ) Anm . c oes devem existir para que existam os 7. Dada as matrizes Anm e Bpq , que condi produtos AB e BA? 8. Seja Anm . Que e necess ario ocorrer para que A2 exista? 9. Caso existam, determine os produto AB e BA das matrizes abaixo. 3 2 5 6 3 5 0 A = 5 1 1 0 e B = 1 1 5 4 1 0 2 1 0 2 ca um exemplo, que: 10. Mostre, e forne (a) Um vetor linha p os-multiplicado por um vetor coluna e um escalar. (b) Um vetor coluna p os-multiplicado por um vetor linha e uma matriz. os-multiplicada por um vetor coluna e um vetor coluna. (c) Uma matriz p (d) Um vetor linha p os-multiplicado por uma matriz e um vetor linha. 11. Existe alguma diferen ca entre a matriz nula 012 e a matriz nula resultante do produto dessa matriz pela matriz A abaixo? Se sim, qual? A= 2 0 5 1 1 1

1.4 Exerc cios

18

12. O que podemos observar em um produto de uma matriz diagonal Dn por uma matriz Anm ? E se a matriz diagonal for uma matriz identidade de ordem n? Forne ca um exemplo para cada caso. 13. Demonstre as propriedades 5 e 6. 14. Dada as matrizes Anm e Bmq e um real , mostre que (A)B = (AB ). 15. Mostre que Anm Im = In Anm = Anm 16. Dada duas matrizes A e B conform aveis para o produto, se AB = 0, podemos armar que A = 0 ou B = 0? Teste 1 2 1 1 A= 1 4 para as matrizes: 0 0 0 0 0 B = 0 0 0 0 1 4 9

aveis para o produto. Se AB = AC ou 17. Dada as matrizes A, B e C conform BA = CA, podemos 1 A= 1 1 armar que B = C ? Teste para as matrizes: 2 0 1 2 3 1 2 3 1 0 B = 1 1 1 C = 1 1 1 4 0 2 2 2 1 1 1

aveis para o produto, prove que (AB ) = B A . 18. Dada duas matrizes A e B conform 19. Seja An e Bn duas matrizes quadradas de ordem n. Mostre que tr(AB ) = tr(BA). 20. Se A e B comutam, ent ao A A B B = (A B )(A + B )? 21. Dizemos que duas matrizes A e B s ao anticomutativas quando AB = BA. Mostre que se A e B s ao anticomutativas ent ao (A + B ) (A + B ) = A A + B B . 22. Sejam A e B duas matrizes sim etricas. Mostre que (a) A e sim etrica. (b) A A e sim etrica. ao AB e sim etrica. (c) Se A e B comutam, ent 23. Dadas seis matrizes cujas dimens oes s ao dadas na tabela abaixo:

1.4 Exerc cios matriz A1 A2 A3 A4 A5 A6 dimens ao 30 35 35 15 15 5 5 10 10 20 20 25

19

(a) Encontre o menor n umero de opera c oes escalares necess ario para calcular o produto A1 A2 A3 A4 A5 A6. (b) De quantos modos podemos realizar o produto dessas matrizes nessa mesma ordem? 24. D e exemplos de matrizes diagonais de ordem 2 que sejam involutivas. 25. Mostre por indu c ao matem atica que 1 1 0 1
n

1 n 0 1

26. Seja J a matriz abaixo, mostre que J p = 2p J : J= 27. Mostre por indu c ao matem atica que: cos() sen() sen() cos()
n

1 1 1 1

cos(n) sen(n) sen(n) cos(n)

28. Encontre uma forma eciente de calcular An realizando o menor n umero de opera c oes escalares poss vel. 29. Seja Pn e uma matriz idempotente e In uma matriz identidade de ordem n. Prove que a matriz I P e idempotente. e sim etrica. O que podemos dizer de T T ? 30. Prove que Tn + Tn 31. Prove que se o produto de duas matrizes sim etricas e sim etrico, ent ao as matrizes comutam na multiplica c ao. 32. Prove que se X X = X , ent ao X = X = X 2 . 33. Explique por que X XGX X = X X implica XGX X = X .

1.4 Exerc cios

20

34. Prove que o produto de matrizes ortogonais e ortogonal. 35. A matriz de Helmert de ordem n e uma matriz que tem [n 2 1n ] como primeira linha; ((n 1)n) 2 [1n1 | (n 1)] como u ltima linha; e as demais linhas, para i = 1, ..., n 2, s ao dadas por (i(i + 1)) 2 [1i | i|0ni1 ], ou seja: Hn =
1 n 1 12 1 23 1 n 1 12 1 23 1 n 1 n
1 1 1

0
2 23

. . .

. . .

. . .

0 0 . . .
1 (n1)n

.. .

1 n

0 0 . . .
(n1) (n1)n

1 (n1)n

1 (n1)n

1 (n1)n

Forne ca H2 , H3 e H4 . Mostre que a matriz de Helmert e ortogonal. e uma matriz obtida da ma36. A matriz de Givens Grs = Gsr de ordem n triz identidade, redenindo-se apenas os quatro elementos grr = gss = cos e grs = gsr = sen. Forne ca todas as matrizes de Givens de ordem 2 e 3 e mostre que esse tipo de matriz e ortogonal. 37. A matriz de Householder H de ordem n e uma matriz da forma H = I 2hh , com h h = 1, h sendo um vetor coluna n ao nulo. Mostre que esse tipo de matriz e ortogonal e sim etrica.

Cap tulo 2

Determinante
O conceito de determinante est a associado ` a uma medida (um valor escalar real), ou caracter stica, de uma matriz quadrada. Dizemos que uma matriz quadrada A e singular se seu determinante for nulo e, caso contr ario, A e n ao singular. Essa medida tem import ancia pr atica na resolu c ao de sistemas de equa c oes lineares. Neste cap tulo vamos descobrir como se calcula o determinante de uma matriz e estudar algumas propriedades dos mesmos. Inicialmente, vamos introduzir o conceito de ordem de uma permuta c ao.

2.1

Ordem de uma permuta c ao

Uma permuta c ao dos n umeros {1, 2, 3, 4} pode ser = {3142}. Se percorrermos essa permuta c ao da esquerda para a direita, observamos que existem dois n umeros menores que o 3 ` a sua direita. Nesse caso, dizemos que houve invers ao do 3 em rela c ao ao 1 e em rela c ao ao 2. J a em rela c ao ao n umero 1, n ao existe nenhuma invers ao com nenhum outro n umero ` a sua direita. Quanto ao n umero 4, existe uma invers ao em rela c ao ao 2. Finalmente, quanto ao n umero 2, como n ao existe nenhum n umero ` a sua direita, n ao existe invers ao associada a ele. Observe que no total temos 2 + 0 + 1 + 0 = 3 invers oes nessa permuta c ao. Quando o n umero de invers oes em uma permuta c ao for um n umero par, diremos que a mesma e uma permuta c ao de ordem par. Caso contr ario, a mesma ser a de ordem mpar. Uma aplica c ao de permuta c ao com elementos de uma matriz An = (aij ), (i, j ), e determinar o n umero de modos de escolhermos n elementos de A de forma que entre eles apare ca exatamente um elemento de cada linha e um elemento de cada coluna. Esse total e conhecido e igual a n!. Uma maneira de ver isso e xar os ndices das linhas de 1 a n dos elementos da matriz e calcular todas as permuta c oes de {1, 2, , n}.

o 2.1 Ordem de uma permutac a

22

Ou seja, se = (1 , 2 , , n ), ent ao cada escolha do tipo (a1,1 , a2,2 , , an,n ) garante a condi c ao de que apenas um elemento de cada linha e de cada coluna ser a escolhido por vez em cada permuta c ao. Observe que o mesmo poderia ser feito xandose o ndice da coluna de cada elemento de A e permutando-se os ndices das linhas, i.e. cada escolha seria do tipo (a1 ,1 , a2 ,2 , , an ,n ). Por exemplo, para uma matriz de ordem 2, as poss veis escolhas s ao (a11 , a22 ) e (a12 , a21 ), onde cada uma corresponde a uma permuta c ao de {1, 2} referente a uma escolha do tipo (a1,1 , a2,2 ). Note que na permuta c ao (1,2) n ao h a invers oes; enquanto que em (2,1) h a uma invers ao. Deni c ao 21 Dada uma matriz quadrada An = (aij ), i, j {1, , n}, denimos determinante de A, denotado por |A| ou det(A), como sendo o valor: |A| =

(1)k a1,1 a2,2 an,n =

(1)k a1 ,1 a2 ,2 an ,n ,

para toda permuta c ao de {1, 2, , n}, onde k e o n umero de invers oes de . Usando essa deni c ao, e f acil ver que o determinante de uma matriz quadrada de ordem 2 e: a11 a12 a21 a22 Exemplo: 1 2 5 6 = (1)0 1 6 + (1)1 2 5 = 4. =

(1)k a1,1 a2,2 = (1)0 a11 a22 + (1)1 a12 a21 = a11 a22 a12 a21 .

Quanto ao c alculo do determinante de uma matriz quadrada de ordem 3, temos um total de 3! permuta c oes de {1, 2, 3}. Elas s ao fornecidas na tabela seguinte com seus respectivos n umeros de invers oes: Permuta c ao ( ) 123 132 213 231 312 321 a11 a12 a12 a21 a22 a23 a31 a32 a33 Invers oes (k ) 0 1 1 2 2 3

Logo o determinante de uma matriz quadrada de ordem 3 e dado por =

(1)k a1,1 a2,2 a3,3

(1)0 a11 a22 a33 + (1)1 a11 a23 a32 +

(1)1 a12 a21 a33 + (1)2 a12 a23 a31 + (1)2 a13 a21 a32 + (1)3 a13 a22 a31 = a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 .

o 2.1 Ordem de uma permutac a

23

Exemplo: 1 2 1 4 3 2 0 1 1 Existe uma maneira que facilita o c alculo de determinantes de matrizes de ordem 2. Note na gura abaixo que o determinante e o produto dos elementos da diagonal principal menos o produto dos elementos da diagonal secund aria. a11 E |A| = a21
< EE EE EE E"

= 1 3 1 1 2 1 2 4 1 + 2 2 0 + 1 4 1 1 3 0 = 3.

a12 = a11 a22 a12 a21 . a22

Para o c alculo de determinante de uma matriz de ordem 3, aplicamos a regra de Sarrus abaixo que consiste em repetir as duas primeiras colunas da matriz logo ap os a terceira coluna (ver gura abaixo) e tomar os produtos dos elementos da matriz no sentido da diagonal principal com sinais positivos e os produtos no sentido da diagonal secund aria com sinais negativos; depois, soma-se os resultados obtidos: a12 E <a13 EE <a11 <a12 EE EE EE EE EE EE EE EE EE E" E" " a21 a22 <a22 EE <a23 EE <a21 EE EE EE EE EE EE EE EE EE EE " " " a11 E a31 a32 a33 a31 a32 |A| = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 a11 a23 a32 a12 a21 a33 Agora vejamos algumas propriedades envolvendo invers oes de uma permuta c ao. Propriedade 7 Uma permuta c ao muda de ordem quando dois elementos dessa permuta c ao trocam de posi c ao. Prova: Seja = (1 , 2 , , i1 , i , i+1 , , j 1 , j , j +1 , , n ) uma permuta c ao qualquer. Seja = (1 , 2 , , i1 , j , i+1 , , j 1 , i , j +1 , , n ) a permuta c ao obtida de trocando-se de posi c ao i com j . Seja k o n umero de invers oes de . Observe que em o n umero de invers oes referentes aos elementos das posi c oes de 1 a i 1 e aos elementos das posi c oes de j + 1 a n n ao se alteram. Considerando que existem r1 elementos menores que i e r2 elementos maiores que i , no intervalo entre os elementos das posi c oes i a j , e que dentre esses elementos existem s1 elementos menores que j e s2 elementos maiores que j , com r1 + r2 = s1 + s2 , ent ao quando

o 2.1 Ordem de uma permutac a

24

i passa a ocupar a posi c ao de j , o n umero de invers oes nesse intervalo aumenta de r2 e diminui de r1 (referentes a i ) e aumenta de s1 e diminui de s2 (referentes a j ); e em rela c ao a i e j , aumenta ou diminui de uma unidade, dependendo de quem for o maior dos dois. Logo, o n umero de invers oes k de , com rela c ao ao de , e k = k + (r1 + r2 ) + (s1 s2 ) 1 = k + (r2 s2 ) + (s1 r1 ) 1. Como r1 + r2 = s1 + s2 , ent ao r2 s2 = s1 r1 ; logo k = k + 2(s1 r1 ) 1. Portanto, (1)k = (1)k (1), ou seja, h a uma mudan ca de ordem. 2

Exemplo: Em = (5, 3, 4, 1, 2) temos oito invers oes: quatro em rela c ao ao 5, duas em rela c ao ao 3, duas em rela c ao ao 4, zero em rela c ao ao 1 e zero em rela c ao ao 2. Trocando de posi c ao o 5 com o 2, obtemos uma nova permuta c ao = (2, 3, 4, 1, 5). O n umero de invers oes de e tr es: uma em rela c ao ao 2, uma em rela c ao ao 3, uma em rela c ao ao 4, zero em rela c ao ao 1 e zero em rela c ao ao 5. Percebemos que e de ordem par, enquanto e de ordem mpar. Veja que em , no intervalo entre o 5 e o 2, existem r1 = 3 elementos menores que 5 e r2 = 0 elementos maiores que 5 e tamb em s1 = 1 elementos menores que 2 e s2 = 2 elementos maiores que 2; logo vericamos que o n umero de invers oes k de em fun c ao do de invers oes k de e: k = k + 2(s1 r1 ) 1 = 8 + 2(1 3) 1 = 3. Propriedade 8 Seja = (1 , 2 , , n ) uma permuta c ao de {1, 2, , n} e = (1 , 2 , , m ) uma permuta c ao de {n + 1, n + 2, , n + m}. Seja k o n umero de invers oes de e k o n umero de invers oes de . Ent ao: 1. Toda permuta c ao composta do tipo (1 , 2 , , n , 1 , 2 , , m ), para todo par (, ), tem k + k invers oes. 2. Toda permuta c ao composta do tipo (1 , 2 , , m , 1 , 2 , , n ), para todo par (, ), tem k + k + mn invers oes. Prova: A do primeiro tem e evidente, pois n ao ocorre invers oes entre os elementos i e j , para todo par (i, j ). Quanto ao segundo tem, al em das invers oes de e de , como os m elementos de s ao maiores que os n elementos de , teremos mn invers oes a mais. Logo o resultado segue. 2

2.2 Menor e Cofator

25

2.2

Menor e Cofator

A partir da deni c ao 21 podemos observar algumas particularidades. Na express ao do determinante de uma matriz An : |A| =

(1)k a1,1 a2,2 an,n ,

k = invers( )

observamos que cada elemento aij aparece (n 1)! vezes e que se colocarmos os elementos de uma linha i em evid encia, os coecientes que multiplicam cada elemento aij , j = 1, , n, est ao relacionados a determinantes de menor ordem de submatrizes de A. Por exemplo, para uma matriz quadrada A de ordem 3: a11 a12 a12 a21 a22 a23 |A| = a31 a32 a33 = a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 = a11 (+1)(a22 a33 a23 a32 ) + a12 (1)(a21 a33 a23 a31 ) + a13 (+1)(a21 a32 a22 a31 ) a a a a a a = a11 (+1) 22 23 + a12 (1) 21 23 + a13 (+1) 21 22 . a32 a33 a31 a33 a31 a32 Perceba que na express ao acima aparecem tr es determinantes de menor ordem (de matrizes de ordem 2). Cada coeciente associado ao elemento aij e o determinante da matriz obtida eliminando-se a linha i e a coluna j de A com um sinal (+) ou (-). Isso nos permite introduzir as seguintes deni c oes: Deni c ao 22 Chama-se menor do elemento aij de uma matriz A, denotado por Mij , o determinante da submatriz obtida eliminando-se a linha i e a coluna j de A. Deni c ao 23 Chama-se cofator do elemento aij de uma matriz A, denotado por cij , o valor cij = (1)i+j Mij . O determinante de uma matriz An pode ser denido em fun c ao dos (ou expans ao por) cofatores dos elementos de uma linha i ou coluna j da matriz. alculo de determinante e dado Deni c ao 24 O desenvolvimento de Laplace para o c por:
n n n n

|A| =
j =1

aij cij =
j =1

aij (1)i+j Mij , i.

ou

|A| =
i=1

aij cij =
i=1

aij (1)i+j Mij , j.

2.3 Matriz adjunta

26

Calcular o determinante de uma matriz An usando expans ao por cofatores e interessante quando a matriz tem uma linha ou coluna com muitos elementos nulos como no exemplo que segue. Exemplo: 1 4 9 6
4

|A| =

0 3 0 0

1 7 2 1 1 5 9 8

=
i=1

ai2 ci2 = a22 c22


2+2

= 3(1)

1 1 7 9 1 5 6 9 8

= 3(446) = 1338.

Uma propriedade envolvendo cofatores e que multiplicando os elementos de uma linha (ou coluna) pelos cofatores correspondentes de outra linha (coluna), e somando esses produtos, tem-se como resultado o valor zero. Ou seja: Propriedade 9

aij ckj = 0,
j =1

i = k.

Observa c ao: a demonstra c ao deste resultado ca como desao para o leitor.

2.3

Matriz adjunta

Deni c ao 25 Matriz adjunta e a matriz transposta da matriz dos cofatores, denotada por adj (A) ou A . Seja a matriz An = (aij ) e os cofatores cij associados aos elementos aij de A, ent ao: c11 c12 A = adj (A) = . . . c21 c22 . . . .. . cn1 cn2 . . . . cnn

c1n c2n

2.4 Propriedades de determinantes 6 1 2 Exemplo: seja a matriz A = 5 3 1 , 4 0 1 3 1 1 2 + 0 1 0 1 5 1 6 2 A = adj (A) = + 4 1 4 1 5 3 6 1 + 4 0 4 0

27

ent ao 1 3 + 3 1 3 1 7 6 2 = 9 2 16 . 5 1 12 4 13 6 1 + 5 3

e uma matriz diagonal Propriedade 10 O produto de uma matriz A por sua adjunta cujos elementos s ao todos iguais ao determinante de A:
An A n = An An = |A|In .

Prova: Seja D = (dij ) a matriz resultante do produto em quest ao. Veja que, por deni c ao de determinante e usando a propriedade 9: dij = 0, i=j dij = |A|, i = j logo o resultado segue. 2 Exemplo: seja A a matriz do exemplo anterior e dado que |A| = 15, ent ao vericamos que: 6 1 2 3 1 10 15 0 0 15 0 . AA = 5 3 1 9 2 16 = 0 4 0 1 12 4 13 0 0 15

2.4

Propriedades de determinantes

ao Propriedade 11 Os determinantes de uma matriz quadrada A e de sua transposta s iguais: det(A) = det(A ). Prova: Seja k = invers( ) o n umero de invers oes de uma permuta c ao . Pela deni c ao 21, det(A) =

(1)k a1,1 a2,2 an,n , (1)k a1 ,1 a2 ,2 an ,n

k = invers( )

= =

(1)k a1,1 a2,2 an,n = det(A ).

2.4 Propriedades de determinantes

28

Exemplo: |A| = |A | = 1 2 4 3 1 4 2 3 = 1 3 4 2 = 5. = 1 3 2 4 = 5 = |A|.

Propriedade 12 O determinante de uma matriz quadrada A que possui uma linha (ou coluna) de elementos todos nulos e zero. Prova: Pela deni c ao 21, cada termo do somat orio tem exatamente um elemento de cada linha e de cada coluna, logo todos os termos da soma s ao nulos e o determinante e zero. Exemplo: |A| = 0 0 4 3 = 0 3 4 0 = 0. 2

Propriedade 13 O determinante de uma matriz quadrada A que possui duas linhas (ou colunas) iguais e zero. Prova: Suponha que as linhas i e j de uma matriz An sejam iguais. Seja B a matriz obtida pela troca das linhas i e j de A. Da deni c ao 21, temos det(A) =

(1)k a1,1 a2,2 ai,i aj,j an,n , (1)k b1,1 b2,2 bi,i bj,j bn,n ,

k = invers( ) k = invers( )

det(B ) =

como ai,k = bj,k , para todo k = 1, , n, se tomarmos tal que j = i e i = j , com ao f = f para todo f = i, j , ent det(B ) =

(1)k b1,1 b2,2 bi,i bj,j bn,n (1)k a1,1 a2,2 ai,j aj,i an,n

= =

(1)k a1,1 a2,2 ai,j ai,i an,n ,

com = (1 , , i1 , j , i+1 , , j 1 , i , j +1 , , n ); ou seja, difere de apenas pela troca de i com j . Pela propriedade 7, cada termo desse u ltimo somat orio corresponde a um termo do somat orio de det(A) com o sinal trocado. Logo |B | = |A|. Mas B = A, ent ao vale que |B | = |A|; isso implica que |B | = |A| = 0. 2

2.4 Propriedades de determinantes

29

Exemplo: 1 2 1 4 3 2 1 2 1 Propriedade 14 O determinante de uma matriz B obtida de uma matriz quadrada A pela troca de duas linhas (ou colunas) e igual ao determinante de A com sinal trocado. |B | = |A|. Prova: Veja a demonstra c ao da propriedade 13. Exemplo: |A| = |B | = 1 2 4 3 4 3 1 2 = 1 3 4 2 = 5. = 4 2 1 3 = 5 = |A|. = 1 3 1 + 2 2 1 + 1 4 2 1 3 1 2 2 1 1 4 2 = 0.

Propriedade 15 O determinante de uma matriz triangular (inferior ou superior) An e igual ao produto dos elementos de sua diagonal principal. |A| = a11 a22 ann . Prova: Faremos a prova para uma matriz triangular inferior. O outro caso e an alogo. Seja A uma matriz quadrada tal que aij = 0, i > j . Podemos escrever |A|, a partir da deni c ao 21, como det(A) =

(1)k a1,1 a2,2 an,n ,

k = invers( )

= a11 a22 ann +

(1)k a1,1 a2,2 an,n .


=(1,2, ,n)

como em cada termo no somat orio da u ltima linha acima sempre existe aj,j com j > j que, por ser triangular inferior, e igual a zero; ent ao o resultado segue. Exemplo: 1 2 1 0 3 2 0 0 1 = 1 3 1 + 2 2 0 + 1 0 0 0 3 1 0 2 1 1 0 2 = 1 3 1 = 3. 2

2.4 Propriedades de determinantes

30

Propriedade 16 O determinante de uma matriz B obtida de uma matriz quadrada A multiplicando-se a linha (ou coluna) i por um R e igual ao determinante de A multiplicado por . |B | = |A|. Prova: det(A) =

(1)k a1,1 a2,2 ai,i an,n , (1)k a1,1 a2,2 (ai,i ) an,n

k = invers( )

det(B ) = =

(1)k a1,1 a2,2 ai,i an,n

= |A|. Exemplo: multiplicando a segunda linha de A por 2. |A| = |B | = 1 2 4 3 1 = 1 3 4 2 = 5. 2 = 1 (3 2) (2 4) 2 = 2(1 3 4 2) = 2|A|.

24 23

Propriedade 17 O determinante de uma matriz B obtida de uma matriz quadrada A somando-se ` a linha (ou coluna) i de A um m ultiplo R de uma linha (ou coluna) j e igual ao pr oprio determinante de A. |B | = |A|. Prova: Aplicando a deni c ao 24 e a propriedade 9, o resultado segue de imediato. Uma demonstra c ao mais elegante e a que segue. Considere que cada elemento da linha i e coluna k de B seja igual a bik = aik + ajk , ou seja, a linha i de B e uma combina c ao linear das linhas i e j de A. Tomando det(A) =

(1)k a1,1 a2,2 ai,i aj,j an,n , (1)k b1,1 b2,2 bi,i bj,j bn,n ,

k = invers( ); k = invers( );

det(B ) =

e levando-se em conta que bik = aik + ajk , para k = 1, , n, e bf k = af k , para as demais linhas f = i, temos: det(B ) =

(1)k a1,1 a2,2 (ai,i + aj,i ) aj,j an,n (1)k a1,1 a2,2 aj,i aj,j an,n .

= |A| +

2.4 Propriedades de determinantes

31

cujas linhas i e j sejam ambas iguais ` Agora denamos uma matriz B a linha j de A; e (diferentes de i e j ) corresponderem ` fa ca as demais linhas de B as demais linhas de A. pode ser dado por: O determinante de B ) = det(B

(1)k b1,1 b2,2 bi,i bj,j bn,n ,

k = invers( ).

Como j a foi provado anteriormente, esse determinante e nulo por se tratar de uma matriz com duas linhas iguais conforme a propriedade 13. Como conseq u encia, observando a e A nessa u rela c ao dos elementos de B ltima igualdade, temos que: ) = det(B

(1)k a1,1 a2,2 aj,i aj,j an,n ,

k = invers( ). 2

) = |A| + 0 = |A|. Ent ao, det(B ) = |A| + det(B

Exemplo: multiplicando a segunda linha de A por 2 e somando o resultado ` a primeira. |A| = |B | = 1 2 4 3 = 1 3 4 2 = 5.

1+24 2+23

4 3 = (1 + 2 4) 3 4(2 + 2 3) = 1 3 + 2(4 3) 4 2 2(4 3) = [1 3 4 2] + 2[(4 3) (4 3)] 4 3 = |A| + 2 = |A| + 2 0 = |A|. 4 3

Propriedade 18 O determinante da matriz quadrada Mr+m abaixo denido pela parti c ao de M em quatro submatrizes Ar , Bm , Crm e a matriz nula 0mr e: |M | = A C 0 B = |A||B |.

Prova: Note que mi,i = 0 para i r + 1 e i r. Ent ao em |M | =

(1)k m1,1 m2,2 mr,r mr+1,r+1 mr+m,r+m ,

k = invers( ),

sobram apenas os termos do somat orio para os quais h a permuta c oes A do intervalo {1, , r} seguidas de permuta c oes B do intervalo {r + 1, , r + m}. Logo, usando a

2.4 Propriedades de determinantes

32

propriedade 8, |M | =
A , B

(1)kA +kB m1,A m2,A mr,r mr+m,B A mr +1, B


1 2 r +1

r +m

= (
A

(1)kA m1,A m2,A mr,r B )(


1 2

(1)kB mr+1,B mr+m,B


r +1

r +m

= |A||B |. Exemplo: |A| = 1 2 4 3 1 4 0 0 2 3 0 0 = 5 |B | = 1 7 2 1 1 5 9 8 1 5 9 8 = 37.

|M | =

= 185 = (5)(37) = |A||B |.

Propriedade 19 O determinante da matriz quadrada Mn triangular em blocos (inferior ou superior) denido pela parti c ao de M em submatrizes quadradas Ai ni , i = 1, , p, com
i ni

= n, e: A1 |M | = A2 .. . Ap =
i=1 p

|Ai |.

Prova: Fica como exerc cio. Propriedade 20 O determinante da matriz quadrada Mr+m abaixo denido pela parti c ao de M em quatro submatrizes Am , Br , Crm e a matriz nula 0mr e: |M | = 0 A B C = (1)mr |A||B |.

Prova: Note que mi ,i = 0 para i r e i m. Ent ao em |M | =

(1)k m1 ,1 m2 ,2 mr ,r mr+1 ,r+1 mr+m ,r+m ,

k = invers( ),

sobram apenas os termos do somat orio para os quais h a permuta c oes B do intervalo {m + 1, , m + r} seguidas de permuta c oes A do intervalo {1, , m}. Logo, usando a propriedade 8, |M | =
A , B

(1)mr+kA +kB mB (1)kB mB


B

m+1 ,1

mB

m+2 ,2

mB )(
A

m+r ,r

mA ,r+1 mA ,r+2 mm A ,r +m
1 2 1

= (1)mr (

m+1 ,1

mB

m+r ,r

(1)kA mA ,r+1 mm A ,r +m )

= (1)mr |A||B |.

es elementares com linhas ou colunas de uma matriz 2.5 Operac o

33

Exemplo: Nesse exemplo considere B uma matriz quadrada de ordem nB = 1 e A, de ordem nA = 2. |A| = |M | = 1 2 1 1 = 3 |B | = 5 = 5.

0 1 2 0 1 1 5 1 1

= 15 = (5)(3)(1)21 = |B ||A|(1)nA nB .

Uma conseq u encia da propriedade 20 e que: 0n An In Cn = | I ||A|(1)nn = (1)n |A|(1)nn = |A|(1)n(n+1) = |A|.

Propriedade 21 O determinante do produto de duas matrizes A e B quadradas de mesma ordem, |AB |, e igual ao produto dos determinantes de A e de B : |AB | = |A||B |. ao, efetuando o produto das matrizes Prova: Sejam as matrizes An , Bn , 0n e In . Ent particionadas abaixo e aplicando a propriedade 20, I A 0 I A 0 I B = 0 AB I B = |AB |.

Observe que o determinante mais a esquerda das igualdades acima e o determinante de uma combina c ao linear das linhas da matriz A 0 I B I A 0 I por conseq uente, |AB | = |A||B |. Exemplo: |A| = |M | = 1 2 4 3 1 2 4 3 = 5 |B | = 1 5 9 8 = 1 5 9 8 = 37. = 185 = (5)(37) = |A||B |. A 0 I B .

Logo, aplicando as propriedades 17 e 19, vem que: = A 0 I B = |A||B |; 2

19 21 31 44

2.5

Opera c oes elementares com linhas ou colunas de uma matriz

Agora vejamos como representar de forma matricial opera c oes que facilitam o c alculo de determinantes, tais como adicionar um m ultiplo de uma linha (coluna) a uma outra; multiplicar uma linha (coluna) por um escalar e trocar duas linhas (colunas) de posi c ao.

es elementares com linhas ou colunas de uma matriz 2.5 Operac o

34

2.5.1

Opera c ao elementar Pij (): combina c ao linear de linhas/colunas

A opera c ao de combina c ao linear de linhas consiste em adicionar um m ultiplo de uma linha j a uma linha i de uma matriz A. Por exemplo, seja B a matriz obtida de A (abaixo) adicionando-se 1 4 A= 9 6 ` a primeira linha de A, sua segunda linha 21 15 11 2 0 1 7 4 3 2 1 3 2 1 , B = 9 0 1 5 0 1 5 6 0 9 8 0 9 8 multiplicada por 5: .

A opera c ao para obten c ao de B pode ser vista como uma pr e-multiplica c ao da matriz A pela matriz P12 (5) 1 0 P12 (5) = 0 0 abaixo, ou seja, B = P12 (5)A: 5 0 0 1 5 0 1 1 0 0 , e B = 0 0 0 1 0 0 0 1 0 0 0 1 0 4 3 0 0 9 0 1 6 0 1 7 2 1 . 1 5 9 8

0 0 1 0

Perceba que a matriz Pij () e obtida a partir da matriz identidade (com mesma ordem de A), trocando-se o elemento na posi c ao (i, j ) por . Se quis essemos adicionar ` a primeira linha de A, al em da sua segunda linha multiplicada por 5, sua terceira linha multiplicada por 2, bastaria tomar B = P12 (5)P13 (2)A (comprove como exerc cio). De forma an aloga, a opera c ao de combina c ao linear de colunas consiste em adicionar um m ultiplo de uma coluna j a uma coluna i de uma matriz A. Por exemplo, seja C a matriz obtida de A acima adicionando-se ` a segunda coluna de A, sua terceira coluna multiplicada por 1 0 1 4 3 2 A= 9 0 1 6 0 9 2: 7 1 5 8 1 2 4 7 C= 9 2 6 18 1 7 2 1 . 1 5 9 8

Quanto ` a opera c ao para obten c ao de C , essa pode ser vista como uma p osmultiplica c ao 1 0 4 3 C= 9 0 6 0 da matriz A pela matriz P32 (2) abaixo, ou seja, C = AP32 (2): 1 0 0 1 0 0 0 1 7 0 1 0 2 1 0 1 0 0 , com P32 (2) = 0 2 1 1 5 0 2 1 0 0 0 0 0 0 0 1 9 8 0 0 . 0 1

2.5.2

Opera c ao elementar Eij : troca de linhas/colunas

A opera c ao elementar de troca de linhas consiste em trocar duas linhas i e j de posi c ao de uma matriz A. Por exemplo, seja B a matriz obtida de A (abaixo) trocando-se a

es elementares com linhas ou colunas de uma matriz 2.5 Operac o

35

primeira linha de A pela segunda 1 0 4 3 A= 9 0

linha: 1 2 , 1

4 3 2 B = 1 0 1 . 9 0 1

Essa opera c ao pode ser vista como uma pr e-multiplica c ao da matriz A pela matriz E12 abaixo, i.e. B = E12 A: E12 0 1 0 = 1 0 0 0 0 1 0 1 0 1 0 1 e B = 1 0 0 4 3 2 . 0 0 1 9 0 1

A matriz Eij e obtida a partir da matriz identidade I (com mesma ordem de A), trocando-se de posi c ao as linhas i e j de I . A opera c ao de troca de colunas consiste em trocar duas colunas i e j de posi c ao de uma matriz A. Por exemplo, seja C a matriz obtida de A (abaixo) trocando-se a primeira coluna de A pela segunda coluna: 1 0 1 0 1 1 A = 4 3 2 , C = 3 4 2 . 9 0 1 0 9 1 Essa opera c ao pode ser vista como uma p os-multiplica c ao da matriz A pela matriz E12 abaixo, i.e. C = AE12 : 1 0 1 0 1 0 C = 4 3 2 1 0 0 , 9 0 1 0 0 1 0 1 0 = 1 0 0 . 0 0 1

com

E12

2.5.3

Opera c ao elementar Rii (): multiplicar linha/coluna por um escalar

Essa opera c ao consiste em multiplicar uma linha i (coluna j ) de uma matriz A por um escalar . Por exemplo, seja B a matriz obtida de A (abaixo) multiplicando-se a primeira linha de A por 5 e C a matriz obtida de A multiplicando-se a terceira coluna de A por 10: 1 0 1 A = 4 3 2 , 9 0 1 5 0 5 B = 4 3 2 , 9 0 1 1 0 10 C = 4 3 20 . 9 0 10

Essas opera c oes para obten c ao de B e C podem ser vistas, respectivamente, como uma pr e-multiplica c ao da matriz A pela matriz R33 (10) e como uma p os-multiplica c ao de A

es elementares com linhas ou colunas de uma matriz 2.5 Operac o

36

por R11 (5) abaixo:

5 0 0 5 0 1 0 0 R11 (5) = e B= 0 0 1 0 1 0 0 1 R33 (10) = 0 1 0 e C = 4 0 0 10 9

0 0 1 1 0 4 0 1 9 0 1 1 3 2 0 0 1 0

0 1 3 2 . 0 1 0 0 1 0 . 0 10

A matriz Rii () e obtida a partir da matriz identidade I (com mesma ordem de A), trocando-se o i- esimo elemento da diagonal de I por . Todas essas matrizes elementares de opera c oes com linhas/colunas de uma matriz t em determinantes simples: |Pij ()| = 1, |Eij | = 1, e |Rii ()| = .

Deni c ao 26 Uma matriz B e equivalente a uma matriz A quando B puder ser obtida de A por uma seq u encia nita de opera c oes com matrizes elementares. B ser a equivalente por coluna a A se existir uma matriz Q de determinante n ao nulo, tal que B = AQ; e B ser a equivalente por linha a A se existir uma matriz P de determinante n ao nulo, tal que B = P A. Da deni c ao acima, podemos vericar que uma matriz B e equivalente a uma matriz A, se existirem matrizes P e Q de determinantes n ao nulos, tais que B = P AQ. Se existir uma matriz P de determinante n ao nulo tal que B = P AP , diremos que B e congruente a A.

2.5.4

Reduzindo a ordem de um determinante

As opera c oes elementares, quando empregadas com a expans ao de Laplace para determinantes, podem facilitar o c alculo do mesmo. Abaixo apresentamos um procedimento [7] para reduzir o c alculo de um determinante de ordem n de uma matriz quadrada A = (aij ) ao c alculo de um determinante de ordem n 1. Passos para a redu c ao da ordem de um determinante 1. Escolha um elemento aij = 1 ou, na falta deste, um aij = 0 como pivot. 2. Aplique opera c oes elementares para reduzir a zero todos os demais elementos da linha (coluna) contendo aij . 3. Expanda o determinante da matriz (usando cofatores) segundo a linha (coluna) cujo u nico elemento diferente de zero e o pivot aij .

2.6 Exerc cios

37

Quando o pivot a ser escolhido for o elemento da posi c ao (1,1) do determinante, e o mesmo for igual a um (isso pode ser obtido por opera c oes elementares ou por transposi c ao), temos a conhecida regra de Chi o. Exemplo: 6 1 2 5 3 1 4 0 1 1 6 2 = 3 5 1 0 4 1 = 1 6 2 = P21 (3) 3 5 1 0 4 1 = (13)1 (7)4 = 15.

1 6 2 = 0 13 7 0 4 1

13 7 4 1

2.6

Exerc cios
7 7 , 0 0 1 1 1 1 2 3 4 5 4 9 16 25 8 27 64 125

1. Calcule o determinante das seguintes matrizes: 1 0 1 7 0 0 1 0 1 4 3 2 1 0 0 4 3 2 , 9 0 1 5 , 5 9 9 0 1 6 0 9 8 2 6

1 3 0 0

ao geral para |aIn + bJn |, com In e Jn denidas como no 2. Encontre uma express cap tulo anterior. 3. Calcule o determinante de y y y x

x y y y

y x y y

y y x y

a verdade que |A B | = |A| |B |? 4. Ser 5. Encontre uma express ao para o determinante da uma matriz de Vandermonde: 1 1 1 x1 x2 xn 2 x2 x2 x2 n . 1 A= . . . .. . . . . . . . 1 n1 n1 xn x2 xn 1 Dica: Inicialmente adicione ` a uma dada linha (exceto ` a primeira), sua anterior multiplicada por x1 . O determinante procurado e dado por: (xj xi ).
1i<j n

2.6 Exerc cios

38

6. Seja A uma matriz anti-sim etrica. Calcule |A| e mostre que |I + A| = 1 +


i<j

a2 ij + |A|.

7. Encontre o valor de x nas express oes abaixo: x x x 2 1 0 7 4 5 = 0; x 4 4 4 x 4 4 4 x = 0.

8. Seja D uma matriz diagonal, com D = diag (x1 , x2 , , xn ) e a matriz Jn . Prove que |J + D| = (
i=1 n n

xi )(1 +
i=1

1/xi ).

9. Prove que para todo vetor x Rn |I + 1x | = n + (x 1). 10. Mostre que: a b c a2 b2 c2 bc ca ab = 1 1 1 a2 b2 c2 a3 b3 c3 .

Dica: multiplique as colunas 1, 2 e 3 da matriz do lado esquerdo da igualdade por a, b e c respectivamente. Veja o que se obt em e depois use propriedades dos determinantes para chegar ao resultado desejado. 11. Mostre que: 1 1 1 bc ac ab b+c a+c a+b = (a b)(b c)(c a).

Cap tulo 3

Inversa de matriz
Neste cap tulo apresentamos a opera c ao inversa da multiplica c ao de matrizes. Guarde logo em mente que, por n ao existir a opera c ao de divis ao de matrizes, a inversa n ao funciona como a opera c ao de divis ao alg ebrica cl assica que conhecemos para, por exemplo, os n umeros reais.

3.1

Matriz inversa

Deni c ao 27 Inversa ` a esquerda. Diremos que uma matriz Amn tem inversa ` a esquerda, denotada por L (uma matriz de ordem n m), se: LA = In . 1 1 Exemplo [11]: seja a matriz A = 1 0 , observamos que L = 3 1 uma inversa ` a esquerda de A, pois: 1 1 1 3 1 1 0 = I2 . LA = 2 5 1 3 1

1 3 1 2 5 1

Observe que uma condi c ao necess aria para a exist encia de matriz inversa ` a esquerda de uma matriz Amn e que o n umero de linhas de A seja maior ou igual ao de colunas. Propriedade 22 Se n > m, ent ao a matriz Amn n ao tem inversa ` a esquerda. Prova: Se n > m, podemos particionar a matriz Amn em A = [Xm Ym nm ], com X quadrada. Supondo que A tenha inversa ` a esquerda, digamos Lnm , ent ao devemos ter Mm LA = In . Particionando L como L = , com M quadrada, temos: Nnm m M N [X Y ] = MX MY NX NY = I 0 0 I .

3.1 Matriz inversa

40

portanto M X = I , N X = 0 e N Y = I . Como M e X s ao quadradas, |M X | = |M ||X | = |I | = 1, logo |M | = 0 e |X | = 0. De N Y = I , vem que N = 0. Logo, de N X = 0, vem que existe uma linha/coluna de X que e combina c ao linear das outras. Portanto seu determinante deveria ser nulo, |X | = 0, que e uma contradi c ao. Deni c ao 28 Inversa ` a direita. Uma matriz Amn tem inversa ` a direita, denotada por R (uma matriz de ordem n m), se: AR = Im . Exemplo [11]: seja a matriz A = uma inversa ` a direita de A, pois: AR = 0 3 7 0 2 5 4 8 5 7 = I2 . 2 3 0 3 7 0 2 5 4 8 e , observamos que R = 5 7 2 3 2

Uma condi c ao necess aria para a exist encia de matriz inversa ` a direita de uma matriz Amn e que o n umero de linhas de A seja menor ou igual ao de colunas. Propriedade 23 Se n > m, ent ao a matriz Amn n ao tem inversa ` a direita. Prova: exerc cio. Deni c ao 29 Matriz invers vel. Diremos que uma matriz Amn e invers vel, ou tem inversa, se A tem inversa ` a direita e ` a esquerda simultaneamente. Da deni c ao de matriz inversa, podemos concluir que: vel: Propriedade 24 Propriedades da matriz invers 1. Toda matriz invers vel e quadrada. a esquerda e a inversa ` a direita de uma matriz invers vel s ao iguais e 2. A inversa ` denotadas por A1 . Prova: O primeiro item e evidente pelas condi c oes de exist encia das inversas ` a esquerda e ` a direita. Quanto ao segundo, sejam L e R as respectivas inversas ` a esquerda e ` a direita de uma matriz A quadrada. Ent ao LA = I e I = AR. P os multiplicando a

3.1 Matriz inversa

41

primeira igualdade por R e pr e-multiplicando a segunda igualdade por L, vem que LAR = R e L = LAR, logo L = R. 2 5 3 8 e A1 = 8 5 3 2 2 5 3 8 8 5 3 2

Exemplo [11]: sejam as matrizes A = AA1 = enquanto A1 A = 2 5 3 8

, ent ao:

= I2 .

8 5 3 2

= I2 .

3.1.1

Propriedades da inversa

No cap tulo 2, (propriedade 10), vimos que a matriz adjunta A n de uma dada matriz
An e tal que An A e uma inversa de A n = An An = |A|In . Logo An /|A|, quando |A| = 0,

por deni c ao e, mais ainda, mostraremos que ela eu nica. Propriedade 25 Propriedades da inversa A1 de uma matriz n ao singular A. 1. A1 = A eu nica e n ao singular, com |A1 | = 1/|A|. n /|A| e ela pr opria. 2. (A1 )1 = A, a inversa da inversa de A e a transposta da inversa: (A )1 = (A1 ) . 3. A inversa da transposta 4. Se a matriz A for sim etrica, ent ao o ser a A1 : se A = A ent ao A1 = (A1 ) . 5. A inversa do produto AB de duas matrizes invers veis A e B e o produto das inversas tomados na ordem reversa: (AB )1 = B 1 A1 . Prova: (1) Sejam por hip otese A e B duas inversas distintas de uma matriz C , i.e. A = B e AC = CA = I = BC = CB . Veja que dessas igualdades, temos ACB = IB = B e A = AI = ACB , logo A = B = ACB , contradizendo a hip otese que A e B s ao distintas; logo devemos ter A = B . Como A /|A| satisfaz ` a deni c ao de inversa, ent ao por ser u nica ela e a inversa de A. Do fato que AA1 = I decorre que |AA1 | = 1 = |A||A1 |; logo, por A ser n ao singular, vem que A1 tamb em o e. (2) Seja L a inversa de A1 . Logo LA1 = I e portanto p os-multiplicando ambos os lados da igualdade por A, temos LA1 A = IA. Dessa u ltima igualdade, usando o fato de que A1 A = I , obtemos LI = L = IA = A. (3) Tomando a transposta dos dois lados de A1 A = I , vem que

3.1 Matriz inversa

42

A (A1 ) = I e pr e-multiplicando ambos os lados dessa igualdade por (A )1 , vem que (A )1 A (A1 ) = (A )1 I ; logo (A1 ) = (A )1 . (4) Usando o item anterior e o fato de que A = A , ent ao de (A1 ) = (A )1 vem que (A1 ) = (A)1 . (5) Seja X a inversa de AB . Logo X (AB ) = I . P os multiplicando ambos os lados dessa igualdade por B 1 , caso exista, ent ao XABB 1 = IB 1 = B 1 e p os multiplicando agora ambos os lados dessa igualdade por A1 , caso exista, vem que XAA1 = X = B 1 A1 . Ent ao podemos determinar a inversa de uma matriz A n ao singular atrav es de sua adjunta. Por exemplo, seja: A= ent ao A1 = a11 a12 a21 a22 , A = a22 a12 a21 a11 e |A| = a11 a22 a21 a12 = 0,

A 1 = |A| a11 a22 a21 a12

a22 a12 a21 a11

3.1.2

Inversa de casos especiais de matrizes

Matriz diagonal

(Diag {d1 , d2 , , dn })1 = Diag {1/d1 , 1/d2 , , 1/dn }, di = 0, i. Exemplo: Seja a matriz A = 2 0 0 8 A1 = , ent ao: 1/2 0 0 1/8

Matriz E (vk ) = (e1 , e2 , , ek1 , vk , ek+1 , , en ) A inversa da matriz E (vk ) obtida da matriz identidade de ordem n substituindo-se o vetor coluna ek por vk e dada por: E 1 (vk ) = (e1 , e2 , , ek1 , yk , ek+1 , , en ), onde o vetor coluna yk e dado por: yk = (y1k /ykk , y2k /ykk , , yk1,k /ykk , +1/ykk , yk+1,k /ykk , , ynk /ykk ). Exemplo:

3.1 Matriz inversa

43

1 0 0 0 0

0 1 0 0 0

0 0 1 0 0

a b c d e

0 0 0 0 1

1 0 0 0 0

0 1 0 0 0

0 0 1 0 0

a/d b/d c/d +1/d e/d

0 0 0 0 1

Matriz A = aIn + bJn Sejam I a matriz identidade e J a matriz com todos os elementos iguais a um. Ent ao para a = 0 e a + nb = 0: A1 = Matriz ortogonal Seja P ortogonal. Ent ao, por deni c ao, temos P P = P P = I . Logo P = P 1 pela deni c ao de inversa. 1 b (In Jn ). a a + nb

3.1.3

Simplica c oes alg ebricas envolvendo matrizes n ao singulares

Algumas simplica c oes envolvendo matrizes s o podem ser realizadas sob certas condi c oes, como descrevemos abaixo. 1. P K = QK P = Q, somente se existe K 1 . 2. R + RST = R(I + ST ) = R(T 1 + S )T , somente se existe T 1 . 3. I + X + X 2 + X n1 = (X n I )(X I )1 , somente se existe (X I )1 . Pois (I + X + X 2 + + X n1 )(X I ) = X n I . 4. (I + M 1 )1 = M (M + I )1 .

3.1.4

M etodo de Gauss para obten c ao da inversa


=

Seja A uma matriz equivalente por linhas ` a uma matriz B , ou seja A

En En1 E2 E1 B , com En , En1 , , E2 , E1 sendo matrizes elementares de opera c oes com linhas aplicadas ` a matriz B . Se essa transforma c ao leva B na matriz identidade I , i.e. I = En En1 E2 E1 B , ent ao a mesma transforma c ao leva I em B 1 ; ou seja, B 1 = En En1 E2 E1 I . Essa e a base do m etodo de Gauss para a obten c ao da inversa de uma matriz B que exemplicamos no diagrama a seguir.

o geome trica inicial 3.2 Sistemas lineares: uma visa

44

B I

E1 B E1 I

E2 E1 B E2 E1 I

En En1 E2 E1 B En En1 E2 E1 I

I B 1

No diagrama acima, cada opera c ao com as linhas de B tamb em e realizada com as linhas de I . Assim, o m etodo funciona como se z essemos opera c oes com as linhas da matriz particionada A = a A por linhas. No exemplo seguinte usaremos a nota c ao: (i) Li kLi para indicar que a linha i da matriz deve ser substitu da pela linha kLi , com k = 0; Li Li + kLj para indicar que a linha i deve ser substitu da pela linha Li + kLj , com k = 0; Li Lj para indicar que as linhas i e j devem trocar de posi c ao. 2 0 1 1 B I = at e obtermos a matriz A I B 1 equivalente

Exemplo: C alculo da inversa de B = B I =

. Para tanto, seja a matriz A =

2 0 1 0 . Vamos realizar opera c oes elementares com as linhas de A 1 1 0 1 I B 1 . Ent ao:

= at e obtermos A

2 0 10 1 1 0 1 1 1 0 1 0 1 1/2 1

L1 L2

1 1 0 1 2 0 10

L2 L2 2L1

1 1 0 1 0 2 1 2 B 1 =

L2 L2 /2

L1 L1 +L2

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

logo

1/2 0 1/2 1

3.2

Sistemas lineares: uma vis ao geom etrica inicial

interessante que o aluno compreenda o que seja um sistema linear a partir de uma E vis ao geom etrica do mesmo. Inicialmente, lembre-se que em Geometria um ponto e um ente abstrato que n ao tem medidas f sicas (massa, peso, volume, etc.), identicado apenas por sua localiza c ao (coordenada(s)) no espa co ao qual pertence. Por exemplo, no R2 (plano Euclidiano), um ponto e identicado por um par ordenado (abscissa, ordenada) nos eixos perpendiculares (x1 , x2 ). No R3 , um ponto e representado por tr es coordenadas (x1 , x2 , x3 ) em rela c ao aos eixos perpendiculares x1 , x2 e x3 . Outra no c ao fundamental e a de reta, lugar

o geome trica inicial 3.2 Sistemas lineares: uma visa

45

geom etrico, que e um conjunto innito de pontos colineares (que se encontram sobre uma linha reta). Uma reta ca bem denida se conhecermos dois pontos distintos da mesma. No plano Euclidiano, denimos uma reta r como sendo o conjunto r = {(x1 , x2 ) | a1 x1 + a2 x2 = a0 }, com a0 , a1 , a2 constantes conhecidas. Na gura 3.1 mostramos algumas posi c oes relativas entre retas. Por exemplo, no item (i) temos uma reta que passa por dois pontos dados. No item (ii) vericamos a intersec c ao de duas retas em um u nico ponto. Em linguagem anal tica, saber se existe intersec c ao da reta r = {(x1 , x2 ) | a1 x1 + a2 x2 = a0 }, com a reta s = {(x1 , x2 ) | b1 x1 + b2 x2 = b0 }, equivale a vericar se existe um ponto ( x1 , x 2 ) que satisfa ca ` as duas equa c oes dessas retas simultaneamente. No item (iii) vericamos que as retas r e s n ao se interceptam, ou melhor, que elas s ao paralelas. Isso equivale a saber se existe um ponto ( x1 , x 2 ) que satisfa ca ` as equa c oes das retas r = {(x1 , x2 ) | a1 x1 + a2 x2 = a0 } e da reta s = {(x1 , x2 ) | a1 x1 + a2 x2 = a0 + c} simultaneamente, com c = 0 sendo uma constante conhecida. Nesse caso e evidente que n ao e poss vel essas retas se interceptarem. No item (iv) temos tr es retas que se interceptam em um u nico ponto. Um exemplo dessa situa c ao s ao as retas r = {(x1 , x2 ) | x1 + x2 = 0}, s = {(x1 , x2 ) | x1 + x2 = 2} e t = {(x1 , x2 ) | 0x1 + x2 = 1}, que se interceptam no ponto (1, 1). Veja que a reta t pode ser vista como a soma das equa c oes das retas r e s, logo e evidente que se um ponto satiszer r e s separadamente, vai automaticamente satisfazer t; ou seja, ela pode ser desprezada ou descartada face ` as duas outras. Dizemos nessa situa c ao que a reta t e redundante. J a em rela c ao ao item (v) observamos que as retas r, s e t s ao distintas e se interceptam duas a duas; por em elas n ao se interceptem em um u nico ponto. Em termos geom etricos, n ao h a rela c ao direta (um combina c ao linear) de uma reta com as duas outras. No item (vi) temos tr es retas coincidentes. Um exemplo dessa situa c ao s ao as retas r = {(x1 , x2 ) | x1 + x2 = 1}, s = {(x1 , x2 ) | 2x1 + 2x2 = 2} e t = {(x1 , x2 ) | 4x1 + 4x2 = 4}. Fica claro que tanto s quanto t s ao obtidas de r pela multiplica c ao de sua equa c ao por 2 e 4 respectivamente, portanto as duas retas s e t s ao redundantes. Nesse caso dizemos que a intersec c ao das tr es retas e a pr opria reta r. Ent ao todos os pontos de r satisfazem tamb em as equa c oes de s e t. Tenha em mente que para existir um ponto como intersec c ao de retas, e suciente a

o geome trica inicial 3.2 Sistemas lineares: uma visa

46

exist encia de apenas duas retas distintas que se interceptem entre elas. Se mais de duas retas se interceptam em um mesmo ponto, duas delas devem ser levadas em conta e as demais, descartadas.
r r r s s (i) (ii) (iii)

s t s

r r=s=t

(iv)

(v)

(vi)

Figura 3.1: Posi c oes relativas entre retas. O mesmo racioc nio pode ser empregado para planos. Um plano no R3 e denido como sendo o conjunto P = {(x1 , x2 , x3 ) | a1 x1 + a2 x2 + a3 x3 = a0 }, com a0 , a1 , a2 , a3 constantes conhecidas. Na gura 3.2 mostramos algumas posi c oes relativas entre planos. Por exemplo, no item (i) da gura 3.2 temos dois planos e paralelos: = {(x1 , x2 , x3 ) | a1 x1 + a2 x2 + a3 x3 = a0 } e = {(x1 , x2 , x3 ) | a1 x1 + a2 x2 + a3 x3 = a0 + c}, com c = 0 constante. N ao h a nenhum ponto que possa satisfazer ` as duas equa c oes simultaneamente. No item (ii) da gura mostramos dois planos e que se interceptam em uma reta r (imagine um folha de papel atravessando uma outra). No item (iii) da gura temos uma vis ao de quatro planos , , e . Os planos , e podem ser vistos como as tr es faces de um cubo que se interceptam no ponto (v ertice) P . O plano corta esse cubo em uma pir amide de base triangular (parte tracejada da gura) e v ertice P . Observe que para determinarmos um ponto no R3 , como intersec c ao de planos, s ao necess arios tr es planos distintos que se interceptem em um u nico ponto. Se mais que tr es planos se interceptem em um u nico ponto, ent ao alguns deles s ao combina c oes lineares dos tr es que determinam o ponto. No espa co de dimens ao n, os conjuntos denidos por equa c oes lineares do tipo P = {(x1 , x2 , , xn ) | a1 x1 + a2 x2 + a3 x3 + + an xn = a0 }, com a0 , a1 , a2 , , an constantes

o de sistemas lineares 3.3 Resoluc a

47

11 00 00 11 P

(i)

(ii) (iii)

Figura 3.2: Posi c oes relativas entre planos. s ao chamados hiperplanos. Para determinar um ponto no Rn precisamos da intersec c ao de exatamente n hiperplanos distintos que se interceptam nesse ponto. Essas id eias reetem de forma geom etrica o que ocorre na resolu c ao de sistemas de equa c oes lineares. O m etodo que vamos ver nada mais e que eliminar aquilo que for redundante em um sistema de equa c oes lineares (hiperplanos redundantes).

3.3

Resolu c ao de sistemas lineares

Um sistema linear com n inc ognitas e p equa c oes e representado por: a11 x1 + a12 x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn . . . ap1 x1 + ap2 x2 + + apn xn As matrizes a11 a12 a21 a22 . . . . . . . . . ap1 ap2 a1n b1 a2n b2 . . . . . . apn bp e A= = = . . . b1 b2 . . .

= bp a11 a12 a21 a22 . . . . . . . . . ap1 ap2 a1n a2n . . . apn

M =

s ao denominadas de matriz completa e matriz incompleta do sistema, respectivamente. O sistema acima pode ser escrito em nota c ao matricial como Ax = b, onde x = (x1 , , xn ) e b = (b1 , , bp ). Uma n-upla s = (s1 , , sn ) e uma solu c ao para esse sistema se As = b.

3.3.1

Sistemas equivalentes

Diremos que um sistema S e equivalente a um sistema S se toda solu c ao de um for solu c ao do outro e vice-versa. Podemos vericar (a demonstra c ao ca como exerc cio) que S e S s ao equivalentes quando S for obtido de S atrav es das seguintes opera c oes:

o de sistemas lineares 3.3 Resoluc a

48

1. Troca de posi c ao de duas linhas. Por exemplo: S= a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2 equivale a S = a21 x1 + a22 x2 = b2 a11 x1 + a12 x2 = b1

2. Troca de posi c ao de duas colunas. Por exemplo: S= a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2 equivale a S = a12 x2 + a11 x1 = b1 a22 x2 + a21 x1 = b2

3. Multiplica c ao (ou divis ao) de uma linha por uma constante k = 0. Por exemplo: S= a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2 equivale a S =
1 1 k a11 x1 + k a12 x2 ka21 x1 + ka22 x2 1 = k b1 = kb2

4. Adicionar a uma linha uma combina c ao linear de outras linhas do sistema. Por exemplo, o sistema S= equivale ao sistema S = (a11 + ka21 )x1 + (a12 + ka22 )x2 = (b1 + kb2 ) a21 x1 + a22 x2 = b2 a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2

Observamos que quando os sistemas S e S s ao equivalentes por transforma c oes elementares, como as vistas acima, as matrizes completas dos dois sistemas tamb em s ao equivalentes. Por exemplo, dado o sistema: S= de matriz completa dada por M= 2 3 5 , 1 1 2 2x1 + 3x2 = 5 x1 x2 = 2

vericamos que ela e equivalente ` a matriz 22 32 52 . 1 1 2

3.3.2

M etodo de Gauss

Podemos aplicar a t ecnica de Gauss para o c alculo da inversa de uma matriz na resolu c ao de sistemas de equa c oes lineares. A id eia do m etodo e eliminar todas as restri c oes (hiperplanos) redundantes do sistema, obtendo um sistema equivalente de f acil resolu c ao. Lembre-se que uma solu c ao de um sistema e a intersec c ao de um certo n umero

o de sistemas lineares 3.3 Resoluc a

49

de hiperplanos. Se o n umero de vari aveis do sistema (dimens ao dos hiperplanos) for n, ent ao o sistema equivalente resultante, obtido por opera c oes elementares com as linhas da matriz completa do sistema original, dever a ter no m aximo n linhas n ao nulas. Ap os eliminar (zerar) as linhas redundantes de um sistema linear, pode ocorrer tr es situa c oes: 1. O sistema n ao tem solu c ao ( e imposs vel). Nesse caso, a matriz completa do sistema equivalente ter a no m aximo n linhas e apresenta uma linha (k- esima linha) do tipo: 0 0 0 sk ,

com sk = 0, o que equivale ` a equa c ao 0x1 + 0x2 + + 0xn = sk que e um absurdo, pois o lado esquerdo dessa equa c ao e zero, enquanto o lado direito n ao o e. Exemplo: dado o sistema = 1 x1 x2 2x1 2x2 = 3 S= x1 x2 = 4 obtemos a matriz completa abaixo, para a qual aplicamos as seguintes opera c oes elementares: 1 1 1 1 1 1 1 1 1 L2 2L1 3 L1 3L2 2 2 3 L2 0 0 1 L3 L 0 0 1 1 1 4 1 1 4 0 0 0 logo o sistema e imposs vel, pois a restri c ao 0x1 + 0x2 = 1 n ao pode ser satisfeita. 2. O sistema tem solu c ao u nica (determinado). Nesse caso, a matriz completa do sistema equivalente ter a exatamente n linhas n ao nulas e poder a ser colocada na forma particionada (In s). Logo o sistema equivalente e dado por Ix = s, que e de f acil resolu c ao; ou seja, sua solu c ao e x = s. Exemplo: dado o sistema = 1 x1 x2 2x1 2x2 = 2 S= x1 + x2 = 3 obtemos a representa c ao matricial abaixo com as seguintes opera c oes elementares: 1 1 1 1 1 1 1 1 1 L3 /2 L2 2L1 L3 L1 2 2 2 L2 0 0 0 L3 0 0 0 L3 1 1 3 1 1 3 0 2 2

o de sistemas lineares 3.3 Resoluc a 1 1 1 1 0 2 L1 +L3 0 0 0 L1 0 0 0 0 1 1 0 1 1 logo o sistema tem duas restri c oes n ao nulas e sua solu c ao e (x1 , x2 ) = (2, 1).

50

3. O sistema tem innitas solu c oes (indeterminado). Nesse caso, a matriz completa do sistema equivalente ter a p < n linhas e poder a ser colocada na forma particionada (Ip Nnp s). Logo, fazendo x = (xI xN ), o sistema equivalente ser a dado por IxI + N xN = s ou, equivalentemente, xI = s N xN . Ent ao, para cada atribui c ao de valores arbitr arios ` as vari aveis xN , o que pode ser feito de innitas maneiras distintas, teremos um conjunto de valores para ` as vari aveis xI . Por isso o sistema tem innitas solu c oes. Exemplo: dado o sistema x1 + x2 + x3 + x4 2x1 + x2 x3 + 3x4 S= 2x1 + 2x2 + 2x3 + 2x4 3x1 + 2x2 + 4x4 = = = = 5 8 10 13

obtemos a representa c ao matricial abaixo com as seguintes opera c oes elementares: 1 1 1 1 5 1 1 1 1 5 2 1 1 3 8 L2 L2 2L1 0 1 3 1 2 L3 L3 2L1 2 2 2 2 10 2 2 2 2 10 3 2 0 4 13 3 2 0 4 13 1 1 1 0 1 3 0 0 0 3 2 0 1 0 0 0 1 5 1 1 2 L4 L4 3L1 L2 0 0 0 0 4 13 0 1 1 1 1 5 1 3 1 2 L L L 1 2 0 1 0 0 0 0 0 0 0 0 0 0 1 1 1 3 0 0 0 0 0 1 0 0 1 5 1 2 L2 L2 0 0 0 0 2 2 3 3 1 2 0 0 0 0 0 0

ent ao temos o sistema equivalente 1 0 0 1 x1 x2 + 2 2 3 1 x3 x4 = 3 2 x1 x2 = 3 2 2 2 3 1 x3 ; x4

logo, para cada valor atribu do a (x3 , x4 ), teremos um valor para (x1 , x2 ), ou seja, o sistema tem innitas solu c oes.

o de sistemas lineares 3.3 Resoluc a

51

3.3.3

Regra de Cramer

Quando um sistema linear tiver n equa c oes e n inc ognitas poderemos saber se o mesmo tem solu c ao u nica a partir do determinante da matriz incompleta do sistema. Propriedade 26 O sistema Ax = b dado por: a11 x1 + a12 x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn . . . an1 x1 + an2 x2 + + ann xn

= = . . .

b1 b2 . . .

= bn

ter a solu ca o u nica se det(A) = 0, onde A e a matriz incompleta do sistema. Al em disso, temos: |A(i)| , |A| a1n a2n ; . . . ann

xi =

onde

a11 a21 A(i) = . . .

a12 a22 . . .

.. .

a1,i1 a2,i1 . . .

b1 b2 . . .

an1 an2

an,i1 bn

a1,i+1 a2,i+1 . .. . . . an,i+1

ou seja, A(i) e a matriz obtida de A trocando-se a coluna i de A pelo vetor coluna b. Prova: faremos a demonstra c ao [1] para o caso n = 3. O caso geral segue a mesma id eia. Seja o sistema: a11 x1 + a12 x2 + a13 x3 = b1 a21 x1 + a22 x2 + a23 x3 = b2 a31 x1 + a32 x2 + a33 xn = b3

multiplicando a primeira equa c ao pelo cofator do elemento a11 , a segunda pelo cofator do elemento a21 e a terceira equa c ao pelo cofator do elemento a31 , obtemos: c11 a11 x1 + c11 a12 x2 + c11 a13 x3 = c11 b1 c21 a21 x1 + c21 a22 x2 + c21 a23 x3 = c21 b2 c31 a31 x1 + c31 a32 x2 + c31 a33 xn = c21 b2 e somando as tr es equa c oes, obtemos (c11 a11 + c21 a21 + c31 a31 )x1 + (c11 a12 + c21 a22 + c31 a32 )x2 + (c11 a13 + c21 a23 + c31 a33 )x3 = c11 b1 + c21 b2 + c21 b2 . Como (c11 a12 + c21 a22 + c31 a32 ) = 0 e (c11 a13 + c21 a23 + c31 a33 ) = 0, pois ambos os termos correspondem a soma do produto dos elementos de uma coluna de A pelos cofatores correspondentes de outra coluna, ent ao obtemos: (c11 a11 + c21 a21 + c31 a31 )x1 = c11 b1 + c21 b2 + c21 b2 . Como (c11 a11 + c21 a21 + c31 a31 ) = |A| e c11 b1 + c21 b2 + c21 b2 corresponde ao determinante de A(1), ent ao: x1 = |A(1)| . |A|

3.4 Exerc cios

52

Aplicando o mesmo racioc nio, usando os cofatores associados ` as colunas 2 e 3 de A, respectivamente, podemos mostrar que x2 = |A(2)| , |A| e x3 = |A(3)| . |A| 2 Exemplo: seja o sistema: x1 + x2 = 5 2x1 x2 = 1 temos as seguintes matrizes: A= 1 1 , 2 1 A(1) = 5 1 , 1 1 A(2) = 1 5 ; 2 1

com |A| = 3, |A(1)| = 6, |A(2)| = 9. Logo a solu c ao do sistema e dada por: x1 = 9 6 = 2 e x2 = = 3. 3 3

3.4

Exerc cios
a inversa das seguintes matrizes: 1 0 1 7 0 0 1 7 0 0 3 7 4 3 2 1 , 5 9 0 0 9 0 1 5 6 0 9 8 2 6 0 0 , 0 0 a a

1. Determine, se existir, 1 0 1 4 3 2 , 9 0 1

1 0 0 0

a 1 0 0

0 a 1 0

2. Mostre como encontrar a inversa da matriz aIn + bJn . 3. Ser a verdade que vale a igualdade (A B )1 = A1 B 1 ? 4. Ser a verdade que I + A e n ao singular se |A| > 0? 5. Calcule a inversa da matriz: 1 1 1 ac ab . A = bc b+c a+c a+b 6. Seja An uma matriz quadrada e x uma vari avel desconhecida. O determinante da matriz A xI e um polin omio (equa ca o caracter stica ) p(x) em x de grau n dado por uma express ao do tipo p(x) = a0 xn + a1 xn1 + + an x0 . Mostre que toda matriz quadrada A satisfaz sua pr opria equa c ao caracter stica e explique como ela 2 4 pode ser usada para determinar a inversa de A. Aplique ` a matriz A = . 1 1

3.4 Exerc cios

53

7. Mostre que se A1 , A2 , , An s ao todas matrizes invers veis de mesma ordem,


1 1 1 ent ao (A1 A2 An )1 = A n A2 A1 .

8. Seja S uma matriz cujos todos elementos n ao pertencentes ` a sua diagonal secund aria s ao nulos. Seja Sec(S ) = {s1 , s2 , , sn } sua diagonal secund aria. Encontre a inversa de S e diga o que e necess ario ocorrer para que ela exista. 9. Desenvolva um m etodo para encontrar a inversa a b inferior ou superior. Aplique ` a matriz A = 0 d 0 0 10. Dado o sistema de uma matriz An triangular c e . f

x1 2x2 5x3 = 0 3x1 + 2x2 2x3 = 13 2x1 + x2 x3 = 4

forne ca sua representa c ao matricial e verique se s = (3, 1, 1) e t = (3, 1, 2) s ao solu c oes do mesmo. Se o forem, o que podemos dizer de u = s + (1 )t, para todo 0 1? 11. Resolva o sistema 2/x1 4/x2 + 9/x3 = 28 7/x1 + 3/x2 6/x3 = 1 7/x1 + 9/x2 9/x3 = 5

e diga se o mesmo e linear. Calcule a inversa da matriz incompleta desse sistema, se existir, e multiplique-a pelo vetor coluna do lado direito da equa c ao do sistema. Existe rela c ao entre o resultado obtido e a solu c ao do sistema? 12. Suponha que o sistema linear Ax = b, com n m e Amn sendo uma matriz sem linhas redundantes, tenha innitas solu c oes. Seja B uma matriz invers vel formada por m colunas de A. Descreva uma maneira simples de obter algumas dessas solu c oes em fun c ao de B . 13. Seja o sistema linear Ax = 0, com n m e Amn sendo uma matriz real qualquer. Veja que sistemas desse tipo, denominados homog eneos, t em sempre uma solu c ao trivial, a nula. O que deve ocorrer para que um sistema homog eneo tenha (i) uma u nica solu c ao? (ii) innitas solu c oes? Mostre um exemplo de cada caso. 14. Resolva o sistema 2x1 + x2 2x3 + 3x4 = 1 3x1 + 2x2 x3 + 2x4 = 4 x1 + x2 + x3 x4 = 1/5

Cap tulo 4

Posto de uma matriz


Antes de introduzir o conceito de posto de uma matriz, faremos uma breve revis ao de conceitos de algebra linear.

4.1

Combina c ao linear

Dados n vetores de mesma ordem {x1 , x2 , , xn } e escalares {a1 , a2 , , an }, denominamos de combina c ao linear desses vetores ao vetor: x = a1 x1 + a2 x2 + + an xn . Por exemplo, sejam: 1 1 x = 2 , 3 0 x2 = 1 , 1 4 x3 = 2 ; 3

ent ao uma combina c ao linear desses tr es vetores e x = 2x1 + 3x2 x3 : 1 0 4 2 0 4 2 x = 2 2 + 3 1 2 = 4 + 3 + 2 = 5 . 3 1 3 6 3 3 6 Observe que qualquer combina c ao desses vetores e dada por x = a1 x1 + a2 x2 + a3 x3 , que em nota c ao matricial e representada por: a1 1 0 4 0 4 1a1 + 0a2 + 4a3 1 2 a2 = Xa, x = a1 2+a2 1 +a3 2 = 2a1 + 1a2 + 2a3 = 2 1 a3 3 1 3 1 3 3a1 1a2 3a3 3 onde X e a matriz formada pelos vetores coluna xi e a e o vetor coluna formado pelos ai , ou seja: X = x1 x2 x3 , a = (a1 , a2 , a3 ).

ncia e independe ncia linear 4.2 Depende

55

Logo toda combina c ao linear x = a1 x1 + a2 x2 + an xn de n vetores pode ser escrita como: x = a1 x + a2 x + + an x =


i=1 1 2 n n

ai xi = Xa.

Note que: e uma combina c ao linear das colunas de X . 1. o vetor coluna Xa 2. o vetor linha a X e uma combina c ao linear das linhas de X . 3. a matriz AB e tal que: ao combina c oes lineares das linhas de B ; suas linhas s ao combina c oes lineares das colunas de A; suas colunas s

4.2

Depend encia e independ encia linear

Dado o conjunto de vetores {x1 , x2 , , xn }, com xi = 0 para todo i, diremos que o vetor x e linearmente dependente (LD) (desses vetores) se existirem escalares {a1 , a2 , , an }, nem todos nulos, tais que: x = a1 x1 + a2 x2 + + an xn = Xa. Por exemplo, sejam os vetores: x1 = 3 1 1 , 2 x2 = 4 ; 6

observamos que o vetor x = montar o sistema 3 1

e linearmente dependente de x1 e x2 , pois podemos

= a1

1 4 + a2 2 6

a1 + 4a2 , 2a1 6a2

que tem por solu c ao (a1 , a2 ) = (1, 1/2). Alternativamente, se existir um vetor n ao nulo a tal que Xa = 0, diremos que as colunas de X s ao linearmente dependentes. Observe que n ao faz sentido trabalhar com o vetor nulo como membro de um conjunto de vetores quando pretendermos saber se esse conjunto e formado de vetores linearmente dependentes [Por qu e?].

ncia e independe ncia linear 4.2 Depende

56

Quando n ao existir um vetor n ao nulo a tal que Xa = 0, diremos que as colunas de X s ao linearmente independentes (LI). Por exemplo, seja o conjunto de vetores: x1 = 1 , 2 x2 = 3 ; 4

observamos que n ao existe a = (a1 , a2 ) = 0 tal que a1 x1 + a2 x2 = 0; ou seja, a u nica solu c ao para o sistema linear resultante: a1 x1 + a2 x2 = a1 1 3 + a2 2 4 = 0 ; 0

e a solu c ao (a1 , a2 ) = (0, 0). Nesse caso, diremos que o conjunto de vetores formado pelas colunas da matriz X = (x1 x2 ) e LI. Existe uma maneira simples de saber se um conjunto de n vetores {x1 , x2 , , xn } de ordem n e LD ou LI. Basta calcular o determinante da matriz Xn = (x1 x2 xn ): Se |X | = 0, ent ao o conjunto {x1 , x2 , , xn } e LD; Se |X | = 0, ent ao {x1 , x2 , , xn } e LI; Por exemplo, sejam as matrizes: X1 = 1 2 , 2 4 |X 1| = 0; X2 = 1 3 , 2 1 |X 2| = 7;

temos que X 1 tem vetores colunas LD, enquanto X 2 tem vetores colunas LI. Veja que uma matriz singular X tem seu conjunto de vetores colunas LD; enquanto que se X for n ao singular (invers vel), ent ao X tem seu conjunto de vetores colunas LI. Propriedade 27 Seja {x1 , x2 , , xn } um conjunto de vetores LI de ordem n. Ent ao qualquer outro vetor v de ordem n e uma combina c ao linear desses vetores, ou seja, existe um vetor a = (a1 , , an ) tal que: v = a1 x1 + a2 x2 + + an xn = Xa. Prova: Como {x1 , x2 , , xn } e LI, ent ao existe X 1 . Logo basta tomar a = X 1 v . Propriedade 28 Todo conjunto de vetores LI de ordem n n ao pode conter mais que n desses vetores. Prova: Seja {x1 , x2 , , xn } um conjunto de n vetores LI de ordem n. Logo

|Xn | = |(x1 x2 xn )| = 0 e existe X 1 . Seja xn+1 um vetor n ao nulo qualquer de ordem n. Vamos mostrar que o conjunto {x1 , x2 , , xn , xn+1 } e LD; ou seja, que existem

4.3 Posto

57

{a1 , a2 , , an , an+1 }, nem todos nulos, tais que 0 = a1 x1 + a2 x2 + + an xn + an+1 xn+1 . Para tanto, basta fazer an+1 xn+1 = (a1 x1 + a2 x2 + + an xn ) = Xa, com a = (a1 , a2 , , an ). Logo, basta atribuir um valor n ao nulo para an+1 e tomar os demais coecientes da combina c ao linear, representados pelo vetor a, como sendo a = an+1 X 1 xn+1 . Exemplo: Os vetores x1 = x3 = 1 0 e x2 = 0 1 2 s ao LI; por em, os tr es vetores x1 , x2 e

b n ao nulo s ao LD; pois existem a1 , a2 e a3 nem todos nulos tais que a1 x1 + c a2 x2 + a3 x3 = 0. Basta tomar (a1 , a2 , a3 ) = (b, c, 1). Uma quest ao interessante e saber quantas linhas/colunas de uma matriz singular s ao LI. O resultado que segue responde a essa pergunta. Propriedade 29 O n umero de vetores linha LI em uma matriz Apq e igual ao n umero de vetores colunas LI dessa matriz. Prova [11]: Suponha que Apq tenha k linhas LI e m colunas LI. Vamos mostrar que k = m. Sem perda de generalidade, assuma que as primeiras k linhas de A s ao LI e que as primeiras m colunas de A s ao LI. Ent ao A pode ser particionada em: Apq = X Y Z W = Xkm Ykqm . Zpkm Wpkqm

X s ao LI. Ent ao Z as linhas da submatriz Z W s ao combina c oes lineares das primeiras k linhas de A. Logo as k linhas da submatriz X Y e as m colunas da submatriz Em particular, as linhas de Z s ao combina c oes lineares das linhas de X ; logo existe uma matriz T tal que Z = T X . Note que as colunas de X n ao podem ser LD. Pois, se o fossem, existiria um vetor a n ao nulo tal que Xa = 0. Ent ao, de Z = T X , ter amos X Za = T Xa = 0. Isso implicaria que a = 0, para algum a = 0. Por conseq uente, as Z X colunas de seriam LD, contradizendo a suposi c ao de que as primeiras m colunas Z de A s ao LI. Conclu mos que as m colunas de X , de ordem k , s ao LI. Logo, pela propriedade 28, m k . Analogamente, aplicando o mesmo racioc nio para a matriz A , podemos mostrar que k m, concluindo a prova de que m = k . 2

4.3

Posto

stica de A, deDeni c ao 30 Dada uma matriz Amn , denimos posto ou caracter

4.3 Posto

58

notado por r(A) ou rA , como sendo o n umero de linhas/colunas linearmente independentes dessa matriz. Exemplo: A matriz 1 2 3 A = 4 5 6 , 2 4 6

tem posto r(A) = 2, pois as duas primeiras linhas s ao LI, enquanto a terceira e m ultiplo da primeira. Deni c ao 31 Dada uma matriz Amn , diremos que A e posto coluna completo se r(Amn ) = n < m. Por outro lado, se r(Amn ) = m < n, ent ao A e uma matriz de posto linha completo. Se a matriz A for quadrada de ordem n e se r(An ) = n, ent ao A e posto completo. Perceba que se o posto de uma matriz e k , ent ao existe um subconjunto de k linhas que s ao LI. Esse subconjunto de linhas pode n ao ser u nico. Uma conven c ao sobre posto e que para a matriz nula, seu posto e denido como sendo igual a zero e em todos os outros casos o posto e um inteiro positivo.

4.3.1

Propriedades de posto

Algumas observa c oes sobre posto s ao importantes, tais como: 1. O posto de uma matriz Amn e igual ` a ordem da maior submatriz de A de determinante n ao nulo. 2. r(Amn ) min{m, n}. equivalente a A 3. Se rA = r > 0, ent ao existe (pela propriedade 29) uma matriz A que pode ser particionada como: mn = A Xrr Yrnr , Zmrr Wmrnr

com X invers vel. Como conseq u encia, se r(An ) < n, ent ao a matriz A n ao tem inversa. 4. O posto de uma matriz n ao se altera se permutarmos duas linhas/colunas dessa matriz. Como conseq u encia, multiplicando uma matriz A por uma matriz permutacional (matrizes do tipo Eij ) Q ou P n ao altera seu posto, i.e. r(AQ) = r(P A) = r(A).

4.3 Posto

59

Propriedade 30 O posto do produto AB . r(AB ) min{r(A), r(B )}. Prova: Para r(A) = r, existem P e Q matrizes n ao singulares tais que: P AQ = Ir 0 0 0 = C;

logo P A = Q1 B =

Ir 0 Q1 . P os-multiplicando ambos os lados por B e particionando 0 0

T , teremos S P AB = Ir 0 Q1 B = 0 0 Ir 0 0 0 T S = T 0 .

Ent ao r(AB ) = r(P AB ) = r

T r = r(A), pois T tem r linhas. De forma semel0 hante, podemos mostrar que r(AB ) r(B ), logo o resultado segue. 2 Propriedade 31 Se AGA = A, ent ao r(GA) = r(A).

Prova: r((AGA)) = r(A) = r((A)(GA)) r(GA) pela propriedade 30; ou seja r(A) r(GA). Como G(AGA) = G(A) = (GA)(GA), ent ao r((GA)(GA)) = r(G(AGA)) = r(GA) r(AGA) = r(A). Logo r(GA) r(A), levando ` a igualdade r(GA) = r(A). Propriedade 32 r G A r(G) + r(A). Prova: evidente. Propriedade 33 r(G + A) r(G) + r(A). Prova: r(G + A) = r[ G A I ] r G A r(G) + r(A). I 2 2

Propriedade 34 Dada uma matriz quadrada An : r(AB ) r(A) + r(B ) n. Prova: veja que r I A 0 I A 0 I B =r 0n AB In B ,

4.3 Posto I A 0 I

60

e que a matriz

do lado esquerdo dessa igualdade e invers vel e reete opera c oes

com as linhas da matriz

A 0 0n AB . Al em disso, o posto da matriz e I B In B menor ou igual a n + r(AB ) pela propriedade 32. Note tamb em que o posto da matriz An 0 An 0 e sempre maior ou igual ao posto da matriz que e igual r(A)+r(B ) In B 0n B [Por qu e?]. Logo, segue que r(A) + r(B ) n + r(AB ). 2 Propriedade 35 Dada uma matriz idempotente Mn : r(I M ) = n r(M ).

Prova: Fazendo I = (I M ) + M , pela propriedade 33 temos n = r(I ) r(I M ) + r(M ). Por outro lado, por ser idempotente, M (I M ) = 0; logo pela propriedade 34 temos r(0) r(I M ) + r(M ) n. Combinando essas duas desigualdades, obt em-se o resultado esperado. 2

4.3.2

Procedimento para determinar o posto

Anteriormente mencionamos que quando trocamos duas linhas/colunas de posi c ao, n ao alteramos o posto de uma matriz; o que e v alido para qualquer opera c ao elementar que zermos com ela atrav es de matrizes do tipo Eij , Rii (), e Pij (), todas n ao singulares, introduzidas no cap tulo 2. Dessa forma, quando uma matriz A e multiplicada por matrizes de operadores elementares, por exemplo B = P AQ, com P e Q sendo matrizes elementares, obtemos uma matriz B cujo posto e igual ao posto de A. Uma forma de encontrar o posto r(A) = r de uma matriz A e fazer opera c oes elementares com as linhas/colunas dessa matriz de forma que as primeiras r linhas/colunas da matriz equivalente a A sejam LI; e tornar nulas as demais linhas/colunas linearmente dependentes da matriz equivalente. O procedimento para calcular o posto de uma matriz A retangular ou quadrada e feito do seguinte modo. Dena os elementos a11 , a22 , a33 , como diagonais e o procedimento a ser feito e, a partir de opera c oes elementares com linhas de A, reduzir a zero todos os elementos sub-diagonais da primeira coluna (baseando-se no elemento a11 = 0 da primeira linha); depois reduzimos a zero todos os elementos sub-diagonais da segunda coluna (baseando-se no elemento a22 = 0 da segunda linha); e seguimos dessa forma at e que todos os elementos abaixo dos elementos diagonais se tornem iguais a

o em posto completo 4.4 Decomposic a

61

zero. O posto da matriz e igual ao n umero de linhas n ao nulas que sobram ao nal do procedimento. 1 2 3 Por exemplo, seja a matriz A = 2 4 6, percebemos 0 5 6 dobro da primeira. Logo, a matriz: 1 0 0 1 2 3 1 P21 (2)A = 2 1 0 2 4 6 = 0 0 0 1 0 5 6 0

que a segunda linha eo

2 3 0 0 5 6

tem o mesmo posto de A. Se trocarmos de posi c ao a segunda com a terceira linhas dessa nova matriz, realizando a opera c ao E23 (P21 (2)A), obtemos a matriz equivalente 1 2 3 E23 P21 (2)A = 0 5 6 . 0 0 0 Essa matriz se encontra na forma desejada, pois as duas primeiras linhas/colunas s ao LI e todas as demais linhas abaixo delas s ao nulas. Logo seu posto e igual a dois.

4.4

Decomposi c ao em posto completo

X Y , com Xr invers vel. Fatorar A Z W em posto completo e expressar a matriz A como sendo o produto de uma matriz K de Seja A uma matriz de posto r na forma A = posto coluna completo por uma matriz L de posto linha completo, ou seja, encontrar K e L tais que A = KL. Para tanto, procederemos como segue. Considerando que as primeiras r linhas representadas pela submatriz (X Y ) s ao as linhas LI de A, ent ao existe uma matriz F tal que: (Z W ) = F (X Y ). Pelo mesmo racioc nio, agora aplicado ` as colunas de A, deve existir uma matriz H tal que: Y W = X H. Z

Das express oes acima, conclu mos que Z = F X , W = F Y e Y = XH . Portanto, W = F Y = F XH e ent ao: A= X Y Z W = X XH F X F XH = I F X I H = X FX I H = I F X XH .

o em posto completo 4.4 Decomposic a

62

Como X e invers vel, podemos determinar as matrizes F e H como sendo F = ZX 1 e H = X 1 Y . Observe que na express ao anterior, os produtos: X FX I H = I F X XH

s ao do tipo KL, com K sendo uma matriz de posto coluna completo e L, de posto linha completo. Esse produto e chamado fatora c ao em posto completo da matriz A. Exemplo: A matriz do exemplo anterior 1 2 3 A = 0 5 6 , 2 4 6 de posto r(A) = 2, pode ser fatorada da seguinte forma: I2 A= 1 2 (2 4) 0 5
1

1 2 0 5

I2

1 2 0 5

3 6

1 0 1 2 A = 0 1 0 5 2 0 logo a fatora c ao em posto completo e: 1 2 1 0 3/5 A = 0 5 0 1 6/5 2 4

1 0 3/5 0 1 6/5

1 0 1 2 3 = 0 1 0 5 6 2 0

Nem sempre a matriz que queremos fatorar em posto completo se encontra na forma X Y desejada acima, ou seja, no formato A = . Nesse caso, podemos encontrar Z W uma matriz equivalente a A, digamos P AQ, com P e Q matrizes permutacionais, tal X Y que P AQ = . Assim, podemos determinar a fatora c ao em posto completo de Z W P AQ, ou seja, encontrando uma matriz posto coluna completo K e uma matriz posto linha completo L, tal que P AQ = KL. Portanto, para encontrar a fatora c ao em posto completo de A basta notar que: L, P AQ = KL A = (P 1 K )(LQ1 ) = K = P 1 K e L = LQ1 . com K

nica 4.5 Forma cano

63

4.5

Forma can onica

Assim como zemos opera c oes elementares com linhas de uma matriz A para reduzir a zero os elementos abaixo da diagonal a11 , a22 , a33 , , podemos fazer opera c oes elementares com colunas dessa matriz para reduzir a zero os elementos acima dessa 1 2 3 diagonal. Por exemplo, dada a matriz A = 2 4 6, temos que a matriz obtida de 0 5 6 A da seguinte maneira 1 2 3 E23 P21 (2)A = 0 5 6 , 0 0 0 tem o mesmo posto da matriz E23 P21 (2)AP12 (2)P13 (3), que equivale a adicionar ` a segunda e terceira colunas dessa matriz, a primeira coluna multiplicada respectivamente por (-2) e (-3), ou seja: 1 0 0 E23 P21 (2)AP12 (2)P13 (3) = 0 5 6 , 0 0 0 e, adicionando-se ` a terceira coluna a segunda coluna dessa matriz multiplicada por (6/5), o que equivale a p os multiplic a-la por P23 (6/5), obtemos: 1 0 0 E23 P21 (2)AP12 (2)P13 (3)P23 (6/5) = 0 5 0 ; 0 0 0 nalmente, multiplicando a segunda coluna por (1/5), o que equivale a p os multiplicar a matriz anterior por R22 (1/5), obtemos a matriz C equivalente a A por linhas/colunas: 1 0 0 E23 P21 (2)AP12 (2)P13 (3)P23 (6/5)R22 (1/5) = 0 1 0 . 0 0 0 Observe que ap os realizar as opera c oes acima, a matriz equivalente obtida C , digamos P AQ = C , com P = E23 P21 (2) e Q = P12 (2)P13 (3)P23 (6/5)R22 (1/5) n ao singulares, cou particionada na forma: P AQ = Ir 0 0 0 = C,

onde Ir e a matriz identidade de ordem r, igual ao posto de A, e as submatrizes nulas s ao de ordem apropriada de forma a tornar C de mesma ordem de A. A express ao acima e denominada forma can onica equivalente de uma matriz.

nica 4.5 Forma cano

64

Ent ao, para obter a forma can onica equivalente de uma matriz, basta realizar opera c oes elementares com linhas/colunas de uma matriz a m de encontrar uma matriz equivalente que tenha a forma particionada acima. Perceba que dependendo da maneira como as opera c oes elementares sejam feitas, podemos obter diferentes matrizes P e Q tais que C = P AQ.

4.5.1

Forma can onica de matrizes sim etricas

Inicialmente, lembre-se que quando pr e-multiplicamos uma matriz A por uma matriz de operadores elementares E , estamos realizando um conjunto de opera c oes elementares com as linhas dessa matriz. Em se tratando de uma matriz sim etrica, quando p osmultiplicamos A por E , a transposta de E , estamos fazendo o mesmo conjunto de opera c oes elementares com as colunas dessa matriz. Essa observa c ao e importante para diagonalizar uma matriz sim etrica, que constitui o primeiro passo para encontrar sua forma can onica equivalente. Para tanto, aplicaremos as mesmas opera c oes P que zermos ` as linhas da matriz A, ` as suas colunas, de forma que a matriz equivalente resultante possa ser expressa como P AP , que e uma matriz diagonal do tipo: P AP = Dr 0 , 0 0

com r = r(A) e Dr sendo uma matriz diagonal de r elementos n ao nulos. A express ao acima e chamada de forma diagonal de uma matriz sim etrica. Podemos mostrar que para qualquer matriz sim etrica existe uma matriz n ao singular P que verica a igualdade acima. Observe que a matriz D da forma diagonal n ao precisar ser igual ` a matriz identidade. Lembre-se que para determinar a matriz P , as mesmas opera c oes que devem ser realizadas com as linhas de A, tamb em devem ser realizadas obrigatoriamente com suas colunas. 1 2 Exemplo: Para diagonalizar a matriz 2 4 3 5 tos abaixo do primeiro elemento da diagonal 3 5, inicialmente vamos zerar os elemen7 principal realizando a seguinte seq u encia

de opera c oes: L2 L2 2L1 e L3 L3 3L1 , o que equivale a pr e-multiplicar a matriz A por uma matriz P equivalente ` a matriz identidade, onde efetuamos exatamente as mesmas opera c oes elementares que para a matriz A, ou seja, pr e-multiplicamos A pela

nica 4.5 Forma cano

65

matriz:

1 0 0 P = 2 1 0 3 0 1

para obter a matriz equivalente 1 0 0 1 2 3 1 2 3 2 1 0 2 4 5 = 0 0 1 ; 3 0 1 3 5 7 0 1 2 e empregando as mesmas opera c oes 1 0 0 1 2 2 1 0 2 4 3 0 1 3 5 nas colunas dessa u ltima 3 1 0 0 1 5 2 1 0 = 0 7 3 0 1 0 matriz, temos 0 0 0 1 ; 1 2

perceba que a matriz obtida e sempre sim etrica. Agora, em busca de zerar os elementos abaixo da diagonal principal, temos a tend encia de trocar de posi c ao a segunda e terceira linhas dessa u ltima matriz; por em, para restabelecer a simetria, devemos trocar de posi c ao a segunda e 1 3 2 terceira colunas da matriz resultante, obtendo assim a matriz 0 0 1 2 3 1 0 0 1 0 0 0 1 2 4 5 3 0 1 = 0 2 1 , 1 0 3 5 7 2 1 0 0 1 0

que continua com elementos n ao nulos abaixo da diagonal principal. Devemos zerar os elementos abaixo do segundo elemento dessa diagonal, logo vamos multiplicar a segunda linha por (1/2) e adicion a-la ` a terceira, sendo que o mesmo deve ser feito com as colunas da matriz obtida, ou seja 1 0 0 1 2 3 1 0 0 1 0 0 3 0 1 2 4 5 3 0 1 = 0 2 0 , 1/2 1 1/2 3 5 7 1/2 1 1/2 0 0 1/2 que e a forma diagonal procurada. Uma vez obtida essa forma diagonal P AP , para obtermos a forma can onica de uma matriz sim etrica basta denir a matriz R= com
1 Dr 0 P, 0 I

1 Dr sendo uma matriz diagonal de elementos iguais aos inversos das ra zes quadradas dos elementos n ao nulos de Dr , digamos 1/ dii , e I sendo uma matriz iden-

tidade de ordem adequada para que a p os-multiplica c ao por P possa ser efetuada. Note que RAR = Ir 0 . 0 0

4.6 Exerc cios

66

Para o exemplo anterior, ter amos 1/ 1 0 0 1 0 0 1/ 2 0 3 0 1 , R= 0 1/2 1 1/2 0 0 1/ 1/2 que e uma matriz complexa. Note tamb em que a decomposi c ao em posto completo Ir 0 de matrizes sim etricas e obtida diretamente da express ao RAR = ; pois, 0 0 nesse caso, temos que I 0 A = R1 r (R1 ) . 0 0 Como podemos particionar R1 = K W , com K sendo uma matriz posto coluna completo (possuindo r colunas LI). Isso fornece a decomposi c ao A = KK .

4.6

Exerc cios

1. Diga se os seguintes conjuntos de vetores s ao LI ou LD: 0 1 3 (a) x1 = 1 , x2 = 0 , x3 = 1 ; 3 3 0 (b) x1 = 1 , 2 x2 = 2 , 1 x3 = 3 ; 3

2. Determine o posto das matrizes abaixo e determine sua decomposi c ao em posto completo KL: 1 0 1 1 4 3 2 0 , 9 0 1 0 1 4 9 6 0 3 0 0 1 7 2 1 , 1 5 9 8 1 0 0 0 a 1 0 0 0 a 1 0 0 0 a a

onica da matriz aIn + bJn . 3. Encontre a forma can 4. Colocar na forma can onica P AQ = C as seguintes matrizes: 5 2 1 6 A = 3 1 1 0 . 2 1 1 1

A=

2 4 , 1 1

A=

7 4 3 , 1 1 0

5. Encontre a forma can onica P AP = C para cada matriz sim etrica A abaixo e determine a decomposi c ao em posto completo KK de cada uma: 3 2 2 2 3 3 5 2 1 7 4 2 , , 2 1 3 , 3 2 3 , 2 3 2 . 4 0 2 2 3 3 3 2 1 3 9

Cap tulo 5

Inversa Generalizada
Neste cap tulo apresentamos conceitos e propriedades de inversa generalizada de uma matriz Anm . Lembre-se que em cap tulos anteriores introduzimos os conceitos de inversa ` a direita, ` a esquerda e inversa de uma matriz quadrada n ao-singular. O conceito de inversa generalizada e mais geral e tem como principal aplica c ao a resolu c ao de sistemas lineares gerais do tipo Ax = b, onde A n ao tem inversa cl assica.

5.1

Inversa de Moore-Penrose

Denimos inversa de Moore-Penrose de uma dada matriz Anm como sendo a matriz Mmn , u nica, tamb em denotada por A+ ou A , que satisfaz ` as seguintes condi c oes: 1. AM A = A. 2. M AM = M . 3. AM e M A s ao sim etricas. Para descobrir quem e M , recorremos ` a fatora c ao posto completo da matriz A, ou seja, A = KL, com K posto coluna completo e L posto linha completo. Propriedade 36 A inversa de Moore-Penrose M de uma matriz A e dada por: M = L (K AL )1 K .

Prova:

Inicialmente, perceba que os produtos LL e K K s ao invers veis, pois

r(LL ) = rL e r(K K ) = rK . Da igualdade A = KL = KIIL, que por sua vez pode ser determinada como K [(LL )(LL )1 ][(K K )1 (K K )]L, podemos obter que

5.2 Inversa generalizada (KL)L (K (KL)L )1 K (KL) = AL (K AL )1 K A.

68 Fa ca M = L (K AL )1 K e

verique (como exerc cio) que as demais condi c oes acima s ao satisfeitas. 1 3 1 . 2 6 2 Solu c ao: Vericamos facilmente que o posto da matriz e rA = 1 e que sua fatora c ao Exemplo: Calcular a inversa de Moore-Penrose para a matriz A = posto completo e: A= de onde obtemos K AL = 1 2 ent ao M e dada por 1 1 2 1 1 3 6 M = L (K AL )1 K = 3 ( ) 1 2 = 55 55 1 1 2 1 3 1 2 6 2 = 1 2 1 3 1 = KL,

1 1 3 1 3 = (55) 2 6 2 1

5.2

Inversa generalizada

Denimos inversa generalizada de uma dada matriz Anm como sendo a matriz Gmn , tamb em denotada por A , que satisfaz ` a primeira condi c ao de Moore-Penrose, ou seja, AGA = A. Esse e o tipo de inversa mais estudado devido sua import ancia para a resolu c ao de equa c oes lineares como veremos mais adiante. Uma observa c ao e que pode existir mais de uma inversa generalizada para uma matriz A.

5.2.1

Obten c ao usando opera co es com linhas/colunas

Suponha que ap os realizar algumas opera c oes com as linhas/colunas de uma matriz A tenhamos obtido a matriz P AQ = T 0 R , 0

onde a matriz n ao singular T tem posto igual ao de A. Ent ao uma inversa generalizada de A e dada por: G=Q T 1 0 P. 0 0

1 3 1 Exemplo: Encontrar uma inversa generalizada para a matriz A = 0 0 1. 2 6 2

5.2 Inversa generalizada

69

Solu c ao: Vericamos que o posto da matriz 1 0 0 1 3 1 1 P AQ = 0 1 0 0 0 1 0 2 0 1 2 6 2 0 logo uma inversa generalizada 1 0 1 T 0 G=Q P = 0 0 0 0 0 1

e rA = 2 e que: 0 0 1 1 3 0 1 = 0 1 0 = 1 0 0 0 0

T 0

R , 0

de A e dada por 1 0 1 1 1 0 1 0 0 0

1 0 0 1 1 0 0 0 0 1 0 = 0 0 0 . 2 0 1 0 1 0 0

Podemos vericar (fa ca como exerc cio) que AGA = A.

5.2.2

Obten c ao usando a forma diagonal

Seja a matriz A e considere P e Q tais que P AQ = seja a forma diagonal de A, i.e. Dr 0 , 0 0

P AQ = =

onde a matriz Dr tem posto r = rA . Ent ao uma inversa generalizada de e dada por: =
1 0 Dr , 0 0

enquanto uma inversa generalizada de A e dada por: G=Q


1 X Dr P, Y Z

onde X , Y e Z s ao matrizes quaisquer cujas ordens s ao tais que a matriz do lado direito da igualdade tenha a mesma ordem de G.

Exemplo [11]: Uma inversa generalizada para 1 1 0 1 1 1 0 0 0 P AQ = 0 1 0 0 2 2 2 0 1 4 5 3 1 2 1 0

a matriz A abaixo: 0 1 1 1 0 0 0 1 1 1 = 0 2 0 0 = , 0 1 0 0 0 0 0 0 0 1

e dada por (verique como exerc cio): 1 0 x1 1 0 1 1 1 0 0 1 0 1 1 1 0 x2 2 0 1 0 , G= 0 0 1 0 y11 y12 z1 1 2 1 0 0 0 1 y21 y22 z2 x1 y11 y12 z1 , Y = e Z = . A x2 y21 y22 z2 possibilidade de atribuir uma innidade de valores a X , Y e Z ilustra bem que existem para quaisquer valores atribu dos a X =

5.2 Inversa generalizada

70

innitas inversas generalizadas para a matriz A. Obviamente, a maneira mais f acil de se obter uma tal inversa e fazer X , Y e Z nulas. Para o caso onde A= A11 A12 , A21 A22

com A11 tendo posto igual ao de A, uma inversa generalizada de A e dada por: G=
1 0 A 11 . 0 0

5.2.3

Algoritmo geral para obter a inversa generalizada

Vimos anteriormente que se uma matriz A est a particionada de forma que a submatriz A11 , de mesmo posto que A, seja invers vel, ent ao encontrar uma inversa generalizada e tarefa f acil. Quando isso n ao for o caso, vamos supor que existem duas matrizes permutacionais R e S tais que: RAS = B = B11 B12 , B21 B22

com B11 invers vel e r(B11 ) = rA . Sabemos que uma inversa generalizada para B e 1 B11 0 dada por F = e que (verique) uma inversa generalizada de A e dada por 0 0 G = SF R. Da igualdade RAS = B e da ortogonalidade das matrizes S e R, temos que: A = R BS = R Por outro, perceba que na igualdade G = SF R = (R F S ) G = R
1 (B11 ) 0

B11 B12 S. B21 B22

(5.1)

0 S, 0

(5.2)

existe algo em comum com a igualdade (5.1). Ou seja, as opera c oes R e S em (5.1) retornam os elementos de B11 a seus lugares de origem em A, enquanto em 5.2, essas
1 mesmas opera c oes colocam os elementos de (B11 ) nas posi c oes de G correspondentes

as que os elementos de B11 ocupavam em A. Essa ` e a id eia do algoritmo para se obter uma inversa generalizada de uma matriz qualquer: vel de mesmo posto que A. Os elementos 1. Escolha em A uma submatriz B11 invers de B11 podem ser escolhidos de linhas e colunas n ao adjacentes em A.
1 ). 2. Encontre (B11

o de sistemas lineares usando inversa generalizada 5.3 Resoluc a

71

1 3. Em A, substitua os elementos nas posi c oes de B11 pelos elementos de (B11 ) ; e os

demais elementos por zero. 4. A transposta da matriz obtida no item anterior e uma inversa generalizada de A. Exemplo [11]: Determine uma inversa generalizada para a matriz 4 1 2 0 A = 1 1 5 15 . 3 1 3 5 Solu c ao: Vericamos que o posto da matriz e rA = 2. Logo, vamos escolher B11 , invers vel e de posto 2, como sendo a matriz formada pelos elementos nas intersec c oes das colunas 1 e 4 com as linhas 1 e 3, ou seja: B11 = cuja inversa e dada por
1 B11 =

4 0 , 3 5

1 20

5 0 , 3 4

1 com (B11 ) =

1 20

5 3 0 4

1/4 3/20 ; 0 1/5

Agora vamos substituir os elementos que comp oem B11 , em A, pelos elementos corre1 spondentes de (B11 ) e zerar os demais elementos de A:

4 A = 1 3

1 2 0 1 5 15 1 3 5

1/4 G = 0 0

0 0 0 0 0 0

-3/20 0 . 1/5

O passo nal do algoritmo e obter a transposta da matriz acima e com isso encontramos a matriz desejada. Como exerc cio, determine a inversa generalizada para a matriz A do exemplo anterior escolhendo: B11 = 1 15 1 5 = a22 a24 . a32 a34

5.3

Resolu c ao de sistemas lineares usando inversa generalizada

O conceito de inversa generalizada e de grande utilidade para a resolu c ao de sistemas lineares. Lembre-se de que um sistema linear s o pode ser resolvido (tem solu c ao) se o mesmo for consistente (ver deni c ao 32).

o de sistemas lineares usando inversa generalizada 5.3 Resoluc a

72

Deni c ao 32 Sistema consistente. O sistema linear Ax = y e consistente se as rela c oes lineares existentes entre as linhas de A for a mesma entre os elementos de y . Exemplo: o sistema x1 + x2 = 5 2x1 + 2x2 = 10 e consistente, pois em sua representa c ao matricial Ax = y : Ax = 1 1 2 2 x1 x2 = 5 10 = y,

vericamos que a segunda linha de A e o dobro da primeira. Essa mesma rela c ao se verica para os elementos de y , ou seja, y2 = 2y1 . J a o sistema x1 + 2x2 = 5 2x1 + 4x2 = 11 n ao e consistente, confere? Uma forma de saber se o sistema e ou n ao consistente e vericando o posto da matriz completa do sistema, digamos r([A y ]); pois um sistema e consistente se e somente se r([A y ]) = r(A). A prova dessa propriedade ca como exerc cio. O seguinte resultado permite obter uma solu c ao para um sistema consistente. Propriedade 37 O sistema consistente Ax = y , com y = 0, tem uma solu c ao x = Gy se e somente se AGA = A, ou seja, G e inversa generalizada de A. Prova: (i) Suponha que x = Gy e solu c ao do sistema. Nesse caso, Ax = AGy = y . Tomando y = aj , para toda coluna j de A, vem que AGaj = aj e da , agrupando todos esses vetores colunas em uma matriz, vem que AGA = A. (ii) Suponha que AGA = A. Nesse caso, AGAx = Ax = y , e como Ax = y , temos AGy = y . Logo x = Gy e solu c ao do sistema. Exemplo [11]: Uma solu c ao x para o sistema Ax = y : x1 14 2 3 1 3 1 1 1 2 x2 = 6 , x3 22 3 5 1 4 x4 pode ser obtida a partir da inversa generalizada G de A como segue: 4 1 3 0 14 2 1 2 0 6 = . x = Gy = 0 0 0 0 22 0 0 0 0 2

o de sistemas lineares usando inversa generalizada 5.3 Resoluc a

73

Fazendo uma an alise detalhada do sistema anterior, vericamos que o mesmo t em innitas solu c oes. Uma quest ao que surge e como determinar todas essas solu c oes? O resultado seguinte permite obter todas as solu c oes de um sistema consistente dada uma inversa generalizada da matriz incompleta do mesmo. Propriedade 38 Todas as solu co es x do sistema consistente Ax = y , com y = 0, s ao dadas por: x = Gy + (GA I )z, onde G e uma inversa generalizada de A e z e um vetor arbitr ario. Prova: Fica como exerc cio. Exemplo [11]: Todas as solu c oes x para o sistema do exemplo anterior s ao dadas por: 4 1 3 0 1 0 0 0 z1 2 1 2 0 2 3 1 3 0 1 0 0 z2 1 1 1 2 x = Gy +(GAI )z = 0+ 0 0 0 1 0 z3 0 0 3 5 1 4 0 0 0 0 0 0 0 1 z4 o que, realizando as contas, fornece: 4 + 2z3 + 3z4 2 z3 z4 , x = z3 z4 para quaisquer valores que atribuamos a z3 e z4 . Por exemplo, a solu c ao anterior pode ser obtida fazendo-se z3 = z4 = 0. J a a solu c ao x = (1, 3, 0, 1) pode ser obtida fazendo-se z3 = 0 e z4 = 1. Uma quest ao interessante e determinar quantas, entre a innidade de solu c oes do sistema acima, s ao linearmente independentes? O resultado que segue fornece a resposta. Propriedade 39 O sistema consistente Ax = y , com y = 0 e A sendo uma matriz de ordem n m, tem m rA + 1 solu co es LIs. Prova: Fica como exerc cio. Um conjunto poss vel para tais solu c oes e dado por {Gy, x1 , , xmrA }, onde xi = Gy + (GA I )z i , i = 1, , m rA , com cada z i escolhido arbitrariamente, mas de forma que os vetores (GA I )z i sejam LIs. Guarde bem esse resultado para quando formos estudar autovalores e autovetores de uma matriz, ocasi ao em que estaremos trabalhando com sistemas do tipo Ax = 0.

5.4 Exerc cios

74

5.4

Exerc cios

1. Chamamos de inversa generalizada reexiva de uma matriz A, denotada por A r , a matriz que satisfaz ` as duas primeiras condi c oes de Penrose, i.e. AA r A = A
e A e uma inversa generalizada de A, ent ao r AAr = Ar . Mostre que se A A r = A AA .

2. Mostre que quando G e uma inversa generalizada de uma matriz A, ent ao para matrizes arbitr arias T e S de ordem apropriada, tamb em o e a matriz G = GAG + (I GA)T + S (I AG). 3. Mostre que quando G e uma inversa generalizada da matriz X X , dada X , temos: (a) G e uma inversa generalizada de X X . (b) XGX X = X ; i.e. GX e uma inversa generalizada de X . e sim etrica. (c) XGX 4. Prove que a inversa de Moore-Penrose eu nica. 5. Quem e a inversa de Moore-Penrose de uma matriz A n ao singular? 6. Encontre a inversa de Moore-Penrose e uma inversa generalizada para as matrizes: (a) 1 2 4 3 3 1 2 2 5 4 0 7 1 0 2 2 1 5 0 1 1 1 3 1 1 2 3 1 7 8 10 7 2 1 1 6

(b)

(c)

7. Encontre uma express ao geral para as solu c oes do sistema: 7 5 2 1 2 9 x1 2 2 3 1 x2 = 5 . 1 1 4 1 6 2 1 3 1 x3 x4 1 3 0 1 2

5.4 Exerc cios

75

8. Encontre um conjunto de solu c oes LIs com o maior n umero poss vel de elementos para o sistema: x 2 3 1 3 1 0 1 1 1 2 x2 = 0 . x3 3 5 1 4 0 x4

Cap tulo 6

Ra zes e vetores caracter sticos de uma matriz


Neste cap tulo apresentamos o conceito de autovalores e autovetores, incluindo m etodos para sua obten c ao e algumas propriedades envolvendo os mesmos.

6.1

Autovalores

Autovalores s ao escalares associados ` a resolu c ao de um sistema de equa c oes lineares na forma Au = u. Sistemas lineares desse tipo surgem, por exemplo, em situa c oes de transi c ao de estado de um processo estoc astico. Dada uma matriz A com as probabilidades de um sistema mudar de um estado u(t) no tempo t para o estado u(t + 1) no tempo t + 1, podemos descrever essa mudan ca por u(t + 1) = Au(t). A quest ao que surge e saber, ap os um n umero muito grande de transi c oes de estado, se o sistema (processo) se estabiliza (converge para um estado u ). Matematicamente falando, queremos saber se existe uma constante tal que a partir de um determinado tempo t, teremos u(t + 1) = u(t). Se isso ocorrer, como u(t + 1) = Au(t), obtemos o sistema Au(t) = u(t), ou equivalentemente (A I )u(t) = 0 que e sempre consistente. Quando a matriz (A I ) for n ao singular, u(t) = 0 e solu c ao u nica. Perceba que esse sistema ter a solu c oes n ao nulas se a matriz (A I ) for singular, ou seja, se seu determinante for nulo, i.e. |A I | = 0. Nesse caso, todas as solu c oes do sistema (A I )u(t) = 0 poderiam ser obtidas a partir de uma inversa generalizada (A I ) da matriz (A I ) como foi visto no cap tulo anterior. As solu c oes seriam ent ao dadas por u(t) = [(A I ) (A I ) I ]z , com z arbitr ario. Assim, dada uma matriz quadrada An , de ordem n, diremos que e um autovalor de An , se for solu c ao da equa c ao |A I | = 0 que e um polin omio conforme a deni c ao 33

6.1 Autovalores

77

que segue. Deni c ao 33 O polin omio caracter stico p() de uma matriz An e o polin omio em de grau n que se obt em a partir da express ao: p() = |A I |. Exemplo: Seja a matriz A = 1 1 1 0 1 1 1 0 1 0 0 1 (6.1)

. Seu polin omio caracter stico e dado por: 1 1 1 = 2 + + 1.

p() =

Nesse caso, para determinar um autovalor da matriz A, basta encontrar as ra zes desse polin omio, que s ao 1 = (1 + i 3)/2 e 2 = (1 i 3)/2. Uma maneira de desenvolver o determinante em (6.1) e usando a propriedade que segue. Propriedade 40 A expans ao diagonal do determinante |An In | e dada por: |A I | = ()n + S1 ()n1 + S2 ()n2 + + Sn1 ()1 + Sn . (6.2)

onde Si representa a soma de todos os menores principais1 de ordem i i. 2 3 0 Exemplo: Seja a matriz A = 1 1 4. Ent ao, para calcularmos o determinante 0 5 6 |A I |, veja que os menores principais de A s ao: De ordem um: |2|, |1|, |6|; De ordem dois: 1 4 2 0 2 3 ; , , 5 6 0 6 1 1 2 3 0 1 1 4 ; 0 5 6

De ordem tr es:

consequentemente |A I | = ()3 + S1 ()2 + S2 ()1 + S3 , com S1 = |2| + |1| + |6|; 2 3 0 1 4 2 0 2 3 e S3 = 1 1 4 . Desenvolvendo todos esses + + S2 = 5 6 0 6 1 1 0 5 6 determinantes chegamos a uma express ao nal para |A I |.
1

Menores cujos elementos diagonais coincidem com os elementos da diagonal de A.

6.2 Propriedades elementares de autovalores

78

Vale ressaltar que, por se tratar de um polin omio de grau n em , o polin omio caracter stico p() de uma matriz An pode ser expresso em fun c ao de suas n ra zes 1 , 2 , , n como:
n

p() =
i=1

( i ) = n s1 n1 + s2 n2 + (1)n1 sn1 1 + (1)n sn , (6.3)

onde, pela rela c ao de Girard para polin omios, si e a soma dos produtos das ra zes de p() tomadas (combinadas) a ordem i. Ou seja:
n

s1 =
k=1

k ,

s2 =
1k<j n

k j ,

s3 =
1k<j<pn

k j p ,

sn = 1 2 n .

Observando as equa c oes (6.2) e (6.3), para p() = 0, podemos inferir que: 1. A soma das ra zes caracter sticas de uma matriz An e igual ao tra co dessa matriz; i.e.
n k=1 k

= tr(A).

2. O produto das ra zes caracter sticas de uma matriz An e igual ao determinante dessa matriz; i.e.
n k=1 k

= |A|.

Exemplo: Seja a matriz A do exemplo anterior. Seu tra co e igual a S1 = 9 e a soma dos menores principais de ordem dois e igual a S2 = 3, enquanto seu determinante e igual a S3 = |A| = 46. Logo seu polin omio caracter stico e dado por p() = 3 s1 2 + s2 1 s3 , ou seja, p() = 3 92 3 + 46. As ra zes de p(), os autovalores de A, s ao obtidas resolvendo a equa c ao p() = 0. Para esse exemplo precisar amos de um software matem atico para nos auxiliar em sua determina c ao.

6.2

Propriedades elementares de autovalores

Propriedade 41 Seja um autovalor de An e c um escalar. Ent ao: 1. k e um autovalor de Ak . 2. 1 e um autovalor de A1 se A for n ao singular. 3. c e um autovalor de cA. 4. c + e um autovalor de cI + A. 5. (c + )1 e um autovalor de (cI + A)1 .

6.3 Autovetores
p i i=0 ai A ,

79

6. O polin omio em A de grau p, f (A) = i = 0, , p, tem autovalor f () = Prova: Fa ca como exerc cio.

com ai sendo um escalar, para

p i i=0 ai .

1 2 . Calculando seus autovalores encontraremos 4 3 1 = 5 e 2 = 1. Isso pode ser comprovado considerando conhecidos dois autovetores 1 1 (associados a esses autovalores) dados por u1 = e u2 = , respectivamente. 2 1 Pela propriedade acima podemos armar, por exemplo, que: Exemplo: Seja a matriz A = 1. 52 e (1)2 s ao os autovalores de A2 = 9 8 . 16 17 3/5 2/5 . 4/5 1/5 3 6 . 12 9 2 2 . 4 4

ao os autovalores de A1 = 2. 51 e (1)1 s 3. 3(5) e 3(1) s ao os autovalores de 3(A) =

ao os autovalores de I + A = 4. 1 + (5) e 1 + (1) s 5. A matriz f (A) = A2 3A = como autovalores.

6 2 , tem f (5) = 52 3(5) e f (1) = (1)2 3(1) 4 6

6.3

Autovetores

O c alculo de autovetores se d a pela resolu c ao de um sistema linear obtido da deni c ao de autovalor; ou seja, se k e um autovalor de An , ent ao devemos ter que Auk = k uk , ou equivalentemente, (A k I )uk = 0. N ao esque ca que (A k I ) e singular. Logo o sistema tem innitas solu c oes, das quais podemos determinar, no m aximo, n r(A k I ) delas que s ao LIs. Como visto no cap tulo anterior, todas as solu c oes desse sistema linear podem ser obtidas pela express ao: uk = [(A k I ) (A k I ) I ]z, com (A k I ) sendo uma inversa generalizada de (A k I ) e z sendo um vetor arbitr ario.

6.3 Autovetores

80

Para obter uma inversa generalizada de (A k I ), proceda como visto no cap tulo anterior. Por exemplo, se (A k I ) estiver particionada na forma: (A k I ) = B C , D E

B 1 0 e uma inversa 0 0 v generalizada de (A k I ). Assim, empregando a parti ca o z = , obtemos: w com B n ao singular de posto igual ao de (A k I ), ent ao uk = B 1 0 0 0 B C D E I z = 0 B 1 C 0 I v w = B 1 Cw , w

com w sendo um vetor de dimens ao n r(A k I ). 1 2 2 2 1 s Exemplo [11]: Os autovalores da matriz A = 1 ao 1 = 1 (de multi1 1 0 plicidade m1 = 2) e 2 = 1 (de multiplicidade m2 = 1). Para determinar um autovetor 2 2 2 1 1 , que tem posto igual a associado a 1 , tomemos a matriz A 1 I = 1 1 1 1 r(A 1 I ) = 1. Logo, tomando B = (2), com B 1 = (1/2), C = (2 2) e o vetor w1 w de dimens ao 3 r(A 1 I ) = 2, ou seja w = , temos: w2 w1 w1 w2 (1/2)(2 2) 1 B Cw w2 . w1 u1 = = = w w1 w2 w2 Para explicitar um autovetor para A associado a 1 , basta atribuir valores a w1 e w2 . 2 Por exemplo, se zermos w1 = 1 e w2 = 1, obtemos u 1 = 1 . Por outro lado, se 1 1 ao esque ca que existem no m aximo zermos w1 = 0 e w2 = 1, obtemos u 1 = 0 . N 1 3 r(A 1 I ) = 2 solu c oes LIs para o sistema linear associado a 1 . 0 2 2 3 1 , Quanto a um autovetor associado a 2 , seja a matriz A 2 I = 1 1 1 1 0 2 que tem posto igual a r(A 2 I ) = 2. Logo, tomando B = , com B 1 = 1 3 3/2 1 2 ,C= e o vetor w de dimens ao 3 r(A 2 I ) = 1, ou seja w = w1 , 1/2 0 1 temos: 3/2 1 2 2w1 1 w1 B Cw 1/2 0 1 = w1 . u2 = = w w1 w1

o de uma matriz 6.4 Diagonalizac a

81

Logo, para explicitar um autovetor para A associado 2 , basta atribuir um valor a w1 . a 2 Por exemplo, se zermos w1 = 1, obtemos u 2 = 1. Fica claro que para 2 existe 1 apenas uma solu c ao LI, ou seja, apenas um (3 r(A 2 I ) = 1) autovetor LI associado ao sistema linear (A 2 I )u2 = 0.

6.4

Diagonaliza c ao de uma matriz

Considere inicialmente uma matriz An cujos autovalores s ao representados por 1 , 2 , , n . Seja ui , i = 1, , n, um autovetor associado a i . Ou seja: Aui = i ui , i = 1, , n.

Agrupando os vetores-coluna Aui , i = 1, , n, podemos formar a matriz: 1 0 0 2 [Au1 Au2 Aun ] = [1 u1 2 u2 n un ] = [u1 u2 un ] . . .. . . . . . 0 0

0 0 , . . . n

que pode ser tamb em escrita na forma AU = U D, com U = [u1 u2 un ] e D = Diag (1 , 2 , , n ). A matriz D e conhecida como forma can onica similar da matriz A. interessante notar que quando um autovalor i for raiz m E ultipla do polin omio caracter stico de uma matriz A, ent ao a matriz U poder a ter tantas colunas repetidas quanto for a multiplicidade dessa raiz. O mesmo vale para o n umero de vezes que esse autovalor gura como elemento diagonal da matriz D. Por exemplo, para a matriz do exemplo anterior, podemos ter: 2 2 2 1 1 , U = 1 1 1 1 1 0 0 D = 0 1 0 , 0 0 1

com

cujas ou alternativamente, para esse mesmo exemplo, podemos obter uma matriz U colunas associadas ao autovalor 1 = 1 (de multiplicidade igual a dois) e ao autovalor 2 = 1 (de multiplicidade igual a um) s ao todas linearmente independentes. Um exemplo seria: 2 1 2 = 1 0 1 . U 1 1 1

tricas 6.5 Matrizes sime

82

A n os nos interessa saber em que situa c oes podemos encontrar uma matriz U formada por autovetores LIs. Pois, nesse caso, a matriz A poder a ser diagonalizada da forma: U 1 AU = D = Diag (1 , 2 , , n ). Em seguida apresentamos uma propriedade que permite identicar se uma matriz pode ou n ao ser diagonalizada. Para tanto, precisamos da seguinte deni c ao: Deni c ao 34 Seja uma matriz An de autovalores dados por 1 , 2 , , s , cujas multiplicidades s ao dadas por m1 , m2 , , ms , respectivamente, com seja: r(A i I ) = n mk , k = 1, , s. (6.4)
s k=1 mk

= n. A matriz

An ser a uma matriz regular se todos seus s autovalores distintos forem regulares, ou

e diagonaliz avel se e somente se for regular (nesse caso, Propriedade 42 Uma matriz pode ser formada de n autovetores LIs). Exemplo [11]: A matriz do exemplo anterior possui dois autovalores regulares, pois r(A 1 I ) = 1 = 3 2 e r(A 2 I ) = 2 = 3 1. Logo, podemos diagonaliz a-la mencionada anteriormente. empregando, por exemplo, a matriz U A diagonaliza c ao de uma matriz An e importante em aplica c oes onde precisamos calcular sua pot encia Ak . Caso a matriz A possa ser expressa como A = U 1 DU , ent ao e f acil perceber que: Ak = (U 1 DU )k = U 1 Dk U.

6.5

Matrizes sim etricas

O uso freq uente de matrizes sim etricas em Estat stica nos faz apresentar algumas propriedades [11] desse tipo de matriz envolvendo seus autovalores e autovetores. Em particular, iremos tratar exclusivamente de matrizes sim etricas reais. Propriedade 43 Os autovalores de toda matriz sim etrica real s ao reais. Prova [11]: Seja Mn uma matriz real tal que M = M . Considere que M tenha um = i tamb autovalor complexo, ou seja, da forma = + i. Nesse caso, em e , autovalor de M . Considere u = a + bi e u = a bi os autovetores associados a e

tricas 6.5 Matrizes sime

83

respectivamente (mostre isso como exerc cio). Da deni c ao de autovalor vem que: (i) u M u = u e (ii) M u = . Pr e-multiplicando a igualdade (i) por u obtemos u Mu = u u = u u. Note que u M u = (M u ) u; logo, usando a igualdade (ii), conclu mos que u u (M u ) u = ( ) u. Ent ao, as duas express oes para u M u fornecem u u = ( ) u. Como , ou u u > 0, por ser uma soma de quadrados de n umeros reais, ent ao vem que = seja, e real. Propriedade 44 Toda matriz sim etrica e diagonaliz avel; ou seja, se A = A , ent ao existe U n ao singular e ortonormal tal que A = U DU 1 . Prova: Ver [11]. Propriedade 45 Autovetores de uma matriz sim etrica s ao ortogonais. Prova: Ver [11]. Vale lembrar que quando k for um autovalor de multiplicidade mk de uma matriz sim etrica A, se r(A k I ) = n mk , ent ao podemos determinar mk autovetores de A de forma que eles sejam ortonormais (e LIs entre si) associados a k . Uma forma de obter uma matriz U ortonormal tal que D = U AU (denominada de forma can onica sob similaridade ortogonal) e normalizando o conjunto de autovetores ortogonais da matriz U , trocando-se cada autovetor (coluna) u de U por (u/ u u). N ao esque ca que o conjunto LI de autovetores de U deve ser determinado de forma que eles sejam ortogonais uns aos outros. Nesse caso, obtemos: U U = I. 1 2 2 c ao caracExemplo [11]: Vamos colocar a matriz A = 2 1 2, que tem equa 2 2 1 ter stica ( + 1)2 ( 5) = 0, em sua forma can onica sob similaridade ortogonal. Inicial4 2 2 mente, calculando um autovetor para 1 = 5, obtemos: A 1 I = 2 4 2 , de 2 2 4 w 4 2 2 1 w1 1 2 onde derivamos ` a express ao u1 = 12 2 4 = w1 . E um autovetor w1 w1 2 2 2 para 2 = 1 e obtido usando a matriz A 2 I = 2 2 2, de onde podemos obter 2 2 2 U AU = D com

tricas 6.5 Matrizes sime 1 2 2 2 2 a express ` ao u = w1 w2

84

w1 (w1 + w2 ) w2 . Atribuindo, por exemplo, o w1 = w2 1 valor w1 = 1 em u1 , obtemos u1 = 1. Tenha em mente que associado a 1 s o existe 1 um autovetor LI. Independentemente dos valores que possamos atribuir a w1 e a w2 em u2 , perceba que (1 1 1)u2 = 0, ou seja, s ao ortogonais somente por serem provenientes de autovalores distintos. Tomemos ent ao um dos autovetores associados a 2 como sendo igual a (u2 ) = 2 1 1 . Como podemos obter at e dois autovetores LIs para 2 , o segundo deles deve ser ortogonal ao autovetor 2 1 1 ; ou seja, 2 1 1 u 2 = 0. Como essa u ltima igualdade se reduz a 2(w1 + w2 ) + w1 + w2 = 0, vem que w1 = 1 e w2 = 1 e uma solu c ao para essa equa c ao. Logo, o outro autovetor associado a u2 pode ser dado por u 2 = 0 1 1 . O pr oximo passo e normalizar os autovetores u1 , u2 , u 2 , o que nos fornece: 1 1 1 , 3 1 2 1 1 , 6 1 0 1 1 . 2 1

Ent ao a matriz U procurada pode ser dada por: 1/3 2/ 6 0 1 2 0 1 1 1 1 1 1 = 1/3 1/6 1/ U = 2 , 3 6 2 1 1 1 1/ 3 1/ 6 1/ 2 e podemos vericar que U AU = D = Diag (5, 1, 1), com U U = I . Propriedade 46 O posto r(A) de uma matriz sim etrica An e igual ao n umero zA de autovalores n ao nulos de A. Prova [11]: Por ser sim etrica, existe U tal que A = U DU para alguma matriz ortogonal U . Veja que o posto de A e D s ao iguais. Por em, os u nicos elementos n ao nulos em D s ao os autovalores de A, logo seu posto corresponde ao n umero de tais elementos diferentes de zero. Esse resultado e v alido para toda matriz diagonaliz avel.

6.5.1

Decomposi c ao espectral

Em algumas situa c oes em Estat stica estaremos interessados em avaliar express oes do tipo P k t, com P sendo uma matriz (possivelmente sim etrica) de transi c ao de probabilidade e t um dado vetor. Uma forma de avali a-la seria via decomposi c ao espectral da matriz A.

6.6 Exerc cios

85

Seja An uma dada matriz sim etrica e 1 , , 1 seus autovalores. Suponha que ui seja um autovetor associado a i , i = 1, , n. Representando a matriz U U como produto externo de vetores, com U = u1 un , obtemos U U =
n i i i=1 u (u )

Caso U seja ortogonal, i.e. U U = I , ent ao AU U = AI = A. Ou ainda:


n n n

A = AU U = A(
i=1

ui (ui ) ) =
i=1

Aui (ui ) =
i=1

i ui (ui ) .

A express ao acima e denominada de decomposi c ao espectral da matriz A. Exemplo [11]: Empregando a matriz U do exemplo anterior, a matriz A pode ser decomposta usando seu espectro em: 1 2 0 5 1 1 1 1 1 1 1 2 1 1 1 0 1 1 . A= 3 6 2 1 1 1 A decomposi c ao espectral tamb em se aplica ao c alculo de pot encias de uma matriz An . Podemos mostrar que:
n

Ak =
i=1

i i k i u (u ) .

6.6

Exerc cios

1. Forne ca um exemplo pr atico de aplica c ao de autovalores para a Estat stica. 2. Determine os autovalores e autovetores das seguintes matrizes: (a) aI + bJ , com I e J matrizes de ordem n, com a e b escalares. Proponha um m etodo para diagonalizar uma matriz uniforme. (b) A matriz 2 (c) A = 2 0 (d) A = diagonal Dn = {d11 , , dnn }. 2 7 1 2 . 1 3

1 4 . 9 1

3. Prove os resultados apresentados na propriedade 41. 4. Prove que e e um autovalor de eA =


i i0 A /i!.

5. Explique por que o sistema (A k I )uk = 0 tem no m aximo n r(A k I ) solu c oes LIs, uma a menos do que o informado pela propriedade 39.

6.6 Exerc cios

86

6. Encontre os autovalores e autovetores das matrizes abaixo. Diagonalize-as e encontre suas formas can onicas sob similaridade ortogonal quando poss vel. 1 4 1 A = 2 1 0 1 3 1 2 2 7 E = 2 1 2 0 1 3 7 4 1 4 2 0 7 1 C = 2 3 2 B= 4 4 4 4 0 2 2 9 15 3 F = 6 10 2 3 5 1 1 2 1 G = 1 1 4 2 4 1 2 7 1 J = 2 3 8 9 4 4

2 2 3 1 2 1 D = 10 4 5 H = 2 2 2 5 4 6 1 2 1

1 0 0 7. Coloque a matriz triangular inferior A = a b 0 na forma A = U DU 1 . c d e 8. Encontre os autovalores de I xx , com x Rn . 9. Prove que os autovalores de A + A1 s ao maiores ou iguais a dois quando os autovalores de A s ao positivos. 10. Seja An uma matriz sim etrica de autovalores denotados por 1 , , n . Prove que:
n n n

a2 ij
i=1 j =1

=
k=1

2 k.

11. Mostre que toda matriz An satisfaz sua pr opria equa c ao caracter stica e deduza como obter a inversa de uma matriz usando essa equa c ao.

Cap tulo 7

Formas quadr aticas


7.1 Introdu c ao

Uma forma quadr atica f (x) e toda express ao (polin omio em x Rn ) do tipo
n n n

x Ax =
i=1

x2 i aii +
i=1 j, j>i

xi xj (aij + aji ),

onde An e uma dada matriz real quadrada de ordem n e x e um vetor real arbitr ario. Exemplos de formas quadr aticas s ao:
2 2 f1 (x1 , x2 , x3 ) = 2x2 1 + 5x2 x3 + 7x1 x2 x2 x3 , 2 2 f2 (x1 , x2 , x3 ) = x2 1 + 5x2 3x3 .

Toda forma quadr atica, em representa c ao expl cita, pode ser expressa de v arias formas matriciais. Para os exemplos acima, com x = (x1 , x2 , x3 ), algumas representa c oes para f1 s ao: 2 3 9 2 100 2 2 7/2 0 93 5 2 x = x 7/2 5 1/2 x. f1 (x) = x 4 5 1 x = x 9 0 1 0 1/2 1 2 3 1

enquanto que f2 pode ser matricialmente representada por: 1 3 0 1 1 2 1 0 0 2 x. 5 4 x = x 3 5 f2 (x) = x 0 5 0 x = x 1 0 2 3 2 4 3 0 0 3 Observe que para uma mesma forma quadr atica x Ax sempre os elementos diagonais aii da representa c ao matricial s ao iguais ao coeciente de x2 i , enquanto a soma dos elementos aij + aji e constante e igual ao coeciente de xi xj . Note que existe, para cada forma quadr atica x Ax, uma u nica matriz sim etrica S para a qual x Ax = x Sx. Para o caso onde A n ao e sim etrica, basta fazer S = 1 2 (A + A). Algumas formas quadr aticas s ao bastante conhecidas em Estat stica. Abaixo citamos alguns exemplos:

o 7.1 Introduc a
n

88

Soma de quadrados: se A = In , f (x) =


i=1 n

x2 i; xi )2 ;
i=1 n

Quadrado da soma. Se A = Jn , f (x) = (

1 Soma de quadrados total. Se A = In n Jn , f (x) = i=1

(xi x )2 ;
n

1 In n Jn Vari ancia das medidas x1 , x2 . . . . , xn . Se A = , f (x) = n

(xi x )2 /n;
i=1

7.1.1

Classica c ao de formas quadr aticas

Adotaremos aqui a classica c ao encontrada em Harville [4]. A classica c ao de uma forma quadr atica f (x) e a mesma da matriz A de sua representa c ao matricial f (x) = x Ax. Deni c ao 35 Uma matriz A e denida positiva (DP) se x Ax > 0, x = 0. Por exemplo [11], sendo x = (x1 , x2 , x3 ), temos 2 2 1 f (x) = x 2 5 1 x = (x1 + 2x2 )2 + (x1 + x3 )2 + (x2 + x3 )2 , 1 1 2 logo percebemos que, para todo x = 0, teremos x Ax > 0. Para ver isso, basta resolver o sistema linear que resulta se igualarmos a zero cada termo da soma acima: x1 + 2x2 = 0 x1 + x3 = 0 x2 + x3 = 0 cuja solu c ao eu nica [por qu e?] e igual ao vetor nulo. Deni c ao 36 Uma matriz A e semi-denida positiva se x Ax 0, x, e existe x = 0 para o qual x Ax = 0. Por exemplo [11], para 37 f (x) = x 2 24 x = (x1 , x2 , x3 ), 2 24 13 3 x = (x1 2x2 )2 + (6x1 4x3 )2 + (3x2 x3 )2 , 3 17

o 7.1 Introduc a

89

podemos comprovar que f (2, 1, 3) = 0. Para se obter outras solu c oes n ao nulas que tornem f (x) = 0, basta resolver o sistema linear: x1 2x2 = 0 6x1 4x3 = 0 3x2 x3 = 0 cuja solu c ao gen erica, obtida usando inversa generalizada da matriz incompleta desse sistema, e dada por x = (2/3, /3, ), com arbitr ario. Matrizes DP e SDP s ao chamadas tamb em de denidas n ao negativas. Quando trocamos linhas/colunas de uma matriz denida n ao negativa, a matriz resultante mant em essa propriedade. Podemos tamb em mostrar que: 1. se A e PD, ent ao aii > 0 e |A| > 0. e SPD, ent ao aii 0 e |A| = 0. 2. se A 3. Se A e uma matriz denida n ao negativa, ent ao seus menores principais s ao todos positivos ou nulos. Uma matriz ser denida n ao negativa e uma condi c ao suciente para que seus menores principais sejam positivos ou nulos. O contr ario n ao e v alido. Por exemplo, se todos os menores principais de uma matriz forem positivos ou nulos, ser a que ela 1 1 e n ao negativa? Teste para a matriz com x = ( 2, 2/2). 3 3 Deni c ao 37 Uma matriz A e denida negativa (DN) se x Ax < 0, x = 0. Por exemplo, para x = (x1 , x2 , x3 ), temos 1 0 0 2 2 f (x) = x 0 2 0 x = x2 1 2x2 3x3 , 0 0 3 e percebemos claramente que, para todo x = 0, x Ax < 0. Deni c ao 38 Matriz semi-denida negativa (SDN). Uma matriz A e semi-denida negativa se x Ax 0, x, e existe x = 0 para o qual x Ax = 0.

o 7.1 Introduc a

90

Por exemplo, f (x) = (x1 2x2 )2 (6x1 4x3 )2 (3x2 x3 )2 , que e a fun c ao do exemplo de matriz SDP com o sinal trocado. Matrizes DN e SDN s ao chamadas tamb em de denidas n ao positivas. Se f (x) = x Ax troca de sinal conforme a escolha de x = 0, ent ao f n ao e denida. 1 3 Por exemplo, para x = (x1 , x2 ) e A = , temos f (1, 1) = 8 e f (1, 1) = 4. 3 1 A classica c ao de formas quadr aticas atrav es da deni c ao e pouco operacional. Como j a mencionado anteriormente, existe uma u nica matriz sim etrica S = 1/2(A + A ) tal que x Sx = x Ax, assim como existe uma matriz n ao singular P tal que P SP e uma matriz diagonal D = {d11 , , dnn }. Logo, uma alternativa e diagonalizar a matriz S atrav es de opera c oes elementares antes de proceder ` a sua classica c ao. c ao de uma forma quadr atica n ao se altera por transPropriedade 47 A classica forma c ao n ao singular. Prova: Seja f (x) = x Ax e a transforma c ao n ao singular x = P y . Ent ao f (x) = x Ax = y P AP y = y Dy = f (y ), onde A e P AP = D s ao congruentes (com D sendo uma matriz diagonal), tendo portanto a mesma classica c ao e o mesmo acontecendo com f (x) e f (y ). Portanto, podemos enunciar o seguinte resultado: atica f (x) = x Ax. Propriedade 48 Dada a forma quadr Sejam as matrizes S

(sim etrica, com S = 1/2(A + A )) e P tal que P SP = D, com D sendo uma matriz diagonal. Seja dii o i- esimo elemento da diagonal principal de D, ent ao: Se dii > 0, ent ao A e PD; Se dii 0 e existe pelo menos um elemento n ao nulo na diagonal principal, A e SDP; Se dii < 0, A e ND; ao nulo na diagonal principal, A e Se dii 0 e existe pelo menos um elemento n SDN; Se dii troca de sinal , ent ao A n ao e denida. Quando a matriz A da forma quadr atica f for sim etrica, ela pode ser diagonaliz avel usando seus autovalores e autovetores. Isso permite escrever f em fun c ao dos autovalores de A como segue.

o 7.1 Introduc a

91

Propriedade 49 Seja An uma matriz sim etrica de posto k n, ent ao a forma quadr atica f (x) = x Ax pode ser escrita na forma:
k

f (y ) =
i=1

2 i yi ,

(7.1)

com yi R e onde i , i = 1, 2, . . . , k , s ao as k ra zes caracter sticas n ao nulas de A. Prova: Seja An uma matriz sim etrica e D = {1 , , n } uma matriz diagonal formada pelos n autovalores de A. Seja U uma matriz n ao singular ortonormal formada por autovetores de A (ver proposi c ao 44). Ent ao, podemos escrever A = AI = A(U U ) = AU U = U DU , logo f (x) = x Ax = x U DU x. Fazendo y = x U , vem que x Ax = y Dy =
n 2 i=1 i yi .

Segue um exemplo de aplica c ao da proposi c ao acima para classicar a forma quadr atica f (x) = x Ax, com x = (x1 , x2 , x3 ) e 3 1 A= 1 3 1 1 A dada por: 1 1 3

As ra zes caracter sticas de A s ao: 1 = 5, 2 = 2 e 3 = 2. Assim, a matriz D e positiva denida e portanto a forma quadr atica tamb em o e. O fato de uma matriz A, de uma forma quadr atica f (x) = x Ax, ser sim etrica nos permite estabelecer uma condi c ao necess aria e suciente para a n ao negatividade dessa matriz. Propriedade 50 Seja An uma matriz sim etrica. Dena Ak , para k = 1, , n, como sendo a submatriz: a11 a12 a21 a22 Ak = . . .. . . . . . ak1 ak2 a1k a2k . . . . akk

Ent ao: (i) A e denida positiva se e somente se |Ak | > 0, para todo k = 1, , n; (ii) A e semi denida positiva se e somente se |Ak | 0, para todo k = 1, , n; Prova: Ver Harville [4]. Consulte essa refer encia para muitas outras propriedades sobre formas quadr aticas.

7.2 Exerc cios

92

7.1.2

Decomposi c ao em posto completo de matrizes sim etricas DP ou SDP

A forma diagonal de uma matriz A n ao negativa e constitu da somente por elementos n ao negativos. Pelo fato de matrizes denidas n ao negativas serem sim etricas, ent ao sua decomposi c ao em posto completo KL existe e e igual a A = KK , com K real e de posto coluna completo. Veja que, quando A e DP, a matriz K e invers vel. Al em do mais, para matrizes reais X , o produto X X e sempre n ao negativo e, se X tiver posto coluna completo, ent ao X X e DP; caso contr ario, X X e SDP. Al em disso, por se tratar de um produto sim etrico X X , matrizes denidas n ao negativas t em as seguintes propriedades: 1. Todos seus autovalores s ao reais. etrica s ao todos n ao negativos se e somente se 2. Os autovalores de uma matriz sim a matriz for denida n ao negativa. Conseq uentemente, ser ao todos positivos se e somente se a matriz for denida positiva. 3. S ao matrizes diagonaliz aveis.

7.2

Exerc cios

1. Identique quais das express oes abaixo s ao formas quadr aticas:


2 (a) 4x2 1 x2 3x2 + x2 x3

(b) x1 x2

1/2 3/2

2x2 2

2 (c) x2 1 + x2 10x2

(d) x2 1 + 2x1 + 1 2. Coloque em forma matricial as formas quadr aticas:


2 (a) 7x2 1 + 28x1 x2 + 4x2

(b) (2x1 3x2 )2 + (x2 2x3 )2 + (4x1 12x3 )2 3. Seja A uma matriz anti-sim etrica. Prove que I + A e denida positiva. 4. Seja A uma matriz real. Prove que I + AA e denida positiva. 5. Dado um escalar k > 0, mostre que se A e DP, ent ao tamb em o e kA.

7.2 Exerc cios

93

6. Mostre que se A1 , , An s ao n matrizes denidas n ao negativas (de mesma ordem), ent ao tamb em o ser a a soma
i Ai .

7. Mostre que toda matriz denida positiva (DP) e n ao singular e sua inversa e DP. 8. Prove que dada qualquer matriz Bmn , a matriz B B e denida n ao negativa e, se r(B B ) = n, ent ao B B e DP; caso contr ario, ser a SDP. 9. Classique as matrizes abaixo em DP, SDP, DN, SDN ou indenida: (a) In , Jn , In Jn /n (b) A = (c) A = (d) A = 1 3 3 1 8 1 3 1

2 1 1 3 4 12 20 (e) A = 12 45 78 20 78 136

Bibliograa
[1] CASTRUCCI, B., DONATTO, W., PERRELLA, L.A., -Somat orios, Produt orios, Matrizes, Determinantes e Sistemas Lineares, segunda edi c ao, Livraria Nobel S.A., S ao Paulo, 1975. [2] DOSTOR, G., - El ements de la th eorie des d eterminants, 3a edi c ao, Ed. GauthierVillars, Paris, 1921. [3] GRAYBILL, F.A. - Introduction to matrices with application in statistics, Colorado State University, Vol II - 2a edi c ao, 2002. [4] HARVILLE, D. A. - Matrix Algebra from a Statisticians Perspective, Springer, New York, 1997. [5] IEMMA, F. A. - Algebra de matrizes (Apostila), Universidade de S ao Paulo, 1996. [6] IEMMA, F. A. - Modelos lineares: uma introdu c ao para prossionais da pesquisa agropecu aria, Universidade de S ao Paulo, 1987. [7] LIPSCHUTZ, S. - Algebra Linear: teoria e problemas, Ed. McGraw-Hill, 3a edi c ao, S ao Paulo, 1994. [8] NETO, A. A. et al. - Combinat oria, Matrizes e Determinantes: No c oes de Matem atica, Ed. Moderna, 1a edi c ao, Vol. 4, S ao Paulo, 1979. [9] MORRISON, D. F. - Multivariate statistical methods, Ed. McGraw-Hill, 2a edi c ao, Tokyo, 1976. [10] PEASE, M. C. III, - Methods of matrix algebra, Ed. Academic Press, New York, 1965. [11] SEARLE, S. R. - Matrix Algebra Useful for Statistics, Ed. John Wiley and Sons, New York, 1982. [12] SEARLE, S. R. - Linear Models, Ed. John Wiley and Sons, New York, 1971. Math World [13] WEISSTEIN, E., http://mathworld.wolfram.com/ (Mundo da Matem atica), Website